公开(公告)号：CN117649514A

公开(公告)日：2024-03-05

申请号：CN202311504347.5

申请日：2023-11-13

申请人： 国网湖北省电力有限公司经济技术研究院 ,  湖北科能电力电子有限公司

发明人： 周蠡 ,  陈然 ,  贺兰菲 ,  蔡杰 ,  李智威 ,  许汉平 ,  柯方超 ,  周英博 ,  熊川羽 ,  马莉 ,  张赵阳 ,  熊一 ,  王巍 ,  李吕满 ,  舒思睿 ,  何峰 ,  饶曦 ,  李晶晶

IPC分类号： G06V10/25 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/045

摘要： 一种基于改进YOLOv4的电网基建目标检测方法，由主干特征提取网络CSPDarknet53得到的多尺度特征图先输入到ASPP模块采样，再输入到颈部网络PANet中，先经过FPN层进行上采样，FPN层的上采样结果一边回传至主干特征提取网络CSPDarknet53以多次观察图像以获得更丰富的特征信息，另一边则输入PANet网络进行下采样，PANet网络的下采样结果与FPN层的上采样结果进行特征双向融合，特征双向融合得到的特征图输入到头部预测网络Head中执行目标检测任务。本发明将FPN层每一层采样结果回传给主干特征提取网络CSPDarknet53以多次观察图像以获得更丰富的特征信息，提高针对某一特定目标的特征提取效率，最终提高检测效率。

公开(公告)号：CN117576713B

公开(公告)日：2024-09-13

申请号：CN202311332666.2

申请日：2023-10-16

申请人： 国网湖北省电力有限公司经济技术研究院 ,  湖北科能电力电子有限公司

发明人： 陈然 ,  周蠡 ,  蔡杰 ,  贺兰菲 ,  李智威 ,  许汉平 ,  柯方超 ,  周英博 ,  熊川羽 ,  马莉 ,  张赵阳 ,  熊一 ,  王巍 ,  李吕满 ,  舒思睿 ,  许小薇 ,  饶曦 ,  李晶晶

IPC分类号： G06V30/42 ,  G06V30/18 ,  G06V30/19 ,  G06N3/0442 ,  G06N3/045

摘要： 一种基于改进LSTM‑CTC的电网基建档案电子化智能识别方法，包括：将电网基建档案图像数据集划分为训练集和测试集，并将训练集中的图像输入到LSTM网络提取电网基建档案图像中文本的特征序列；将特征序列输入CTC损失函数，在迭代寻优的过程中不断调整权重，直到寻到最优超参数，将最优超参数输入LSTM‑CTC模型，得到训练好的LSTM‑CTC模型；将待识别图像输入已训练好的LSTM‑CTC模型，得到文本识别结果。本发明能够显著提升电网基建档案的识别效率与精度。

公开(公告)号：CN116958752B

公开(公告)日：2023-12-15

申请号：CN202311212335.5

申请日：2023-09-20

申请人： 国网湖北省电力有限公司经济技术研究院 ,  湖北科能电力电子有限公司

发明人： 陈然 ,  贺兰菲 ,  蔡杰 ,  周蠡 ,  李智威 ,  许汉平 ,  柯方超 ,  周英博 ,  熊川羽 ,  马莉 ,  张赵阳 ,  熊一 ,  王巍 ,  李吕满 ,  舒思睿 ,  何峰 ,  饶曦 ,  李晶晶

IPC分类号： G06V10/774 ,  G06V20/70 ,  G06F40/211 ,  G06F16/35 ,  G06N3/0464 ,  G06N3/08

摘要： 一种基于IPKCNN‑SVM的电网基建建筑归档方法，先通过图像标注出预训练集中各图像的文本数据，对各文本数据进行依存句法分析得到句子依存关系，通过自注意力机制学习句子依存关系得到注意力输出，将注意力输出作为先验知识加载到CNN网络中进行预训练，再将训练集中各图像输入CNN网络中通过输入层提取图像特征，将提取的图像特征经过多个卷积层前向传播，前向传播完成后，从最后一层卷积层的分类器开始进行反向传播，更新各卷积层的参数，最后将测试集中各图像输入训练好的CNN网络中，完成对(56)对比文件池涛;王洋;陈明.多层局部感知卷积神经网络的高光谱图像分类.四川大学学报(自然科学版).(01),全文.池涛;王洋;陈明.多层局部感知卷积神经网络的高光谱图像分类.四川大学学报(自然科学版).2020,(01),全文.

公开(公告)号：CN116958752A

公开(公告)日：2023-10-27

申请号：CN202311212335.5

申请日：2023-09-20

申请人： 国网湖北省电力有限公司经济技术研究院 ,  湖北科能电力电子有限公司

发明人： 陈然 ,  贺兰菲 ,  蔡杰 ,  周蠡 ,  李智威 ,  许汉平 ,  柯方超 ,  周英博 ,  熊川羽 ,  马莉 ,  张赵阳 ,  熊一 ,  王巍 ,  李吕满 ,  舒思睿 ,  何峰 ,  饶曦 ,  李晶晶

IPC分类号： G06V10/774 ,  G06V20/70 ,  G06F40/211 ,  G06F16/35 ,  G06N3/0464 ,  G06N3/08

摘要： 一种基于IPKCNN‑SVM的电网基建建筑归档方法，先通过图像标注出预训练集中各图像的文本数据，对各文本数据进行依存句法分析得到句子依存关系，通过自注意力机制学习句子依存关系得到注意力输出，将注意力输出作为先验知识加载到CNN网络中进行预训练，再将训练集中各图像输入CNN网络中通过输入层提取图像特征，将提取的图像特征经过多个卷积层前向传播，前向传播完成后，从最后一层卷积层的分类器开始进行反向传播，更新各卷积层的参数，最后将测试集中各图像输入训练好的CNN网络中，完成对电网基建建筑的分类归档。本设计所提模型的训练时间短、分类精度高。

公开(公告)号：CN117649514B

公开(公告)日：2024-08-16

申请号：CN202311504347.5

申请日：2023-11-13

申请人： 国网湖北省电力有限公司经济技术研究院 ,  湖北科能电力电子有限公司

发明人： 周蠡 ,  陈然 ,  贺兰菲 ,  蔡杰 ,  李智威 ,  许汉平 ,  柯方超 ,  周英博 ,  熊川羽 ,  马莉 ,  张赵阳 ,  熊一 ,  王巍 ,  李吕满 ,  舒思睿 ,  何峰 ,  饶曦 ,  李晶晶

IPC分类号： G06V10/25 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/045

摘要： 一种基于改进YOLOv4的电网基建目标检测方法，由主干特征提取网络CSPDarknet53得到的多尺度特征图先输入到ASPP模块采样，再输入到颈部网络PANet中，先经过FPN层进行上采样，FPN层的上采样结果一边回传至主干特征提取网络CSPDarknet53以多次观察图像以获得更丰富的特征信息，另一边则输入PANet网络进行下采样，PANet网络的下采样结果与FPN层的上采样结果进行特征双向融合，特征双向融合得到的特征图输入到头部预测网络Head中执行目标检测任务。本发明将FPN层每一层采样结果回传给主干特征提取网络CSPDarknet53以多次观察图像以获得更丰富的特征信息，提高针对某一特定目标的特征提取效率，最终提高检测效率。