-
公开(公告)号：CN103476051B
公开(公告)日：2016-04-13
申请号：CN201310413387.9
申请日：2013-09-11
Applicant: 华北电力大学(保定)
Abstract: 本发明涉及一种通信网节点重要性评价方法，本发明属于网络中节点分析技术领域。一种通信网节点重要性评价方法，该方法包括以下步骤：步骤1：根据实际的通信网建立有权网络数学模型；步骤2：分别计算加权网络的节点度数k、节点介数b、特征向量指标Ce和紧密度指标Cc，并进行规格化；步骤3：对F1、F2、F3和F4，进行线性组合加权得到综合评价的最终得分F；步骤4：根据综合评价的最终得分F值由大到小对n个节点进行排序，取排序靠前的节点，作为实际的通信网中的重要节点，从而确定实际的通信网中节点的重要性。本发明首先利用带宽对实际的通信网络进行加权，然后通过综合评价实现节点重要性的排序。
-
公开(公告)号：CN103476051A
公开(公告)日：2013-12-25
申请号：CN201310413387.9
申请日：2013-09-11
Applicant: 华北电力大学(保定)
Abstract: 本发明涉及一种通信网节点重要性评价方法，本发明属于网络中节点分析技术领域。一种通信网节点重要性评价方法，该方法包括以下步骤：步骤1：根据实际的通信网建立有权网络数学模型；步骤2：分别计算加权网络的节点度数k、节点介数b、特征向量指标Ce和紧密度指标Cc基本指标，并进行规格化；步骤3：对F1、F2、F3和F4，进行线性组合加权得到综合评价的最终得分F；步骤4：根据综合评价的最终得分F值的大小对n个节点进行排序，取排序靠前的节点，作为实际的通信网中的重要节点，从而确定实际的通信网中节点的重要性。本发明首先利用带宽对实际的通信网络进行加权，然后通过综合评价实现节点重要性的排序。
-
公开(公告)号：CN110263858B
公开(公告)日：2022-05-06
申请号：CN201910541343.1
申请日：2019-06-21
Applicant: 华北电力大学(保定) , 山东大学 , 南瑞集团有限公司 , 浙江大华技术股份有限公司 , 智洋创新科技股份有限公司
IPC: G06K9/62 , G06V10/762 , G06V10/771
Abstract: 本发明公开了一种螺栓图像合成方法，包括螺栓训练数据集构建、PCA特征提取、BIGN网络架构选择、BIGN网络损失函数构造、生成器和判别器训练以及螺栓样本生成的步骤；其首先构建螺栓训练数据库，然后利用PCA对样本进行主成分分析，提取螺栓的螺纹等特征，使用提取的先验知识指导BIGN网络生成图像，该网络的损失函数中加入了相对均值鉴别器，能够进一步平衡生成器和判别器的能力，同时针对生成图像中的棋盘效应，使用转置卷积和微步幅卷积代替传统的反卷积和卷积，可以生成螺栓图像，解决现有人工采集工作量繁琐、效率低的问题；本发明还公开了一种螺栓图像合成装置、设备以及计算机可读存储介质，也具有上述有益效果。
-
公开(公告)号：CN111210007A
公开(公告)日：2020-05-29
申请号：CN202010003211.6
申请日：2020-01-02
Applicant: 国家电网有限公司 , 国网河北省电力有限公司检修分公司 , 华北电力大学(保定)
Abstract: 本发明公开了基于改进SRGAN模型的超分辨率螺栓图像生成方法，涉及图像处理技术领域；其包括步骤S1模型训练使用的数据集、S2建立生成式对抗网络模型、S3生成器损失函数构建、S4判别器损失函数构建和S5高分辨率螺栓图像生成，在步骤S4判别器损失函数构建的SRGAN模型的损失函数中加入相对均值鉴别器以平衡生成器和判别器的能力；其通过在SRGAN模型的损失函数中加入相对均值鉴别器等，实现了在输电线路无人机自主巡检与深度学习的结合应用中，SRGAN模型生成的输电线路螺栓图像分辨率高。
-
公开(公告)号：CN110232687A
公开(公告)日：2019-09-13
申请号：CN201910541355.4
申请日：2019-06-21
Applicant: 华北电力大学(保定)
Abstract: 本发明公开了一种电力巡检图像中带销螺栓缺陷的检测方法，主要包括Faster R-CNN模型的构建、Faster R-CNN模型的训练、带销螺栓目标的检测以及带销螺栓的缺陷判断的步骤，解决在复杂背景中对带销螺栓目标的难准确检测问题，大大提升了带销螺栓这种小目标物体的检测精度，为进一步进行带销螺栓缺陷诊断提供基础，同时提出了基于灰度图的带销螺栓缺陷判别方法，解决了现有带销螺栓缺陷难判别问题，为电网安全运行提供基础保障。
-
Patent Agency Ranking
公开(公告)号：CN105096277B
公开(公告)日：2017-08-01
申请号：CN201510593051.4
申请日：2015-09-17
Applicant: 华北电力大学(保定)
IPC: G06T5/00
Abstract: 本发明公开了一种基于参数选择的图像自适应指导滤波方法，包括确定输入图像I和选择指导图像G，设定滤波窗口w的大小；分别以各像素作为滤波窗口的中心像素，判断指导图像G的当前滤波窗口中各像素点的灰度值与中心像素的灰度值是否相似，统计窗口内相似像素数目并按类别设置偏移函数，同时根据每个窗口方差的大小分类设置平滑因子。完成偏移函数和平滑因子的选择后，将其带入核函数中，按照核函数计算滤波后像素的灰度值，获得滤波后的输出图像。本发明解决了偏移函数和平滑因子选择未考虑窗口自身特性的问题，能够有区别的处理窗口内的局部边缘特征和细节信息。同时依据窗口方差自适应选择多值，使滤波后的图像具有更好的边缘和更多的细节。
-
公开(公告)号：CN110232370B
公开(公告)日：2022-04-26
申请号：CN201910541353.5
申请日：2019-06-21
Applicant: 华北电力大学(保定) , 山东大学 , 智洋创新科技股份有限公司 , 南瑞集团有限公司 , 浙江大华技术股份有限公司
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明公开了一种改进SSD模型的输电线路航拍图像金具检测方法，首先量化分析了航拍金具数据集中金具的遮挡度，然后将SSD模型中的损失函数替换为使用遮挡度约束后的斥力损失，改变SSD生成的prior box尺度，改进深度网络模型，解决了航拍金具密集检测的问题，以及解决了小目标检测效果较差的问题。
-
公开(公告)号：CN110070538B
公开(公告)日：2022-04-15
申请号：CN201910349522.5
申请日：2019-04-28
Applicant: 华北电力大学(保定) , 山东大学 , 浙江大华技术股份有限公司 , 智洋创新科技股份有限公司 , 南瑞集团有限公司
Abstract: 本发明公开了一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，包括以下步骤：S1、采用预训练的深度卷积神经网络模型提取数据集中图像样本深度特征并计算每个目标图像的形态比；S2、步骤S1中获得的形态比和的图像样本深度特征进行联合得到形态优化深度特征；S3、计算数据集中每个图像样本的高宽比散布趋势从而获得聚类中心的个数；S4、基于步骤S2中得到的形态优化深度特征和步骤S3中得到的聚类中心将图像样本分成簇，进而通过最小欧氏距离原则对目标图像样本进行簇的优化选择，从而得到螺栓二维视觉结构聚类结果。本发明采用上述结构的基于形态优化深度特征的螺栓二维视觉结构聚类方法，解决了对三维实体以二维图像表征时所呈现出的多种视觉结构的聚类分析问题且无需人为定义聚类中心，具有精确度高、泛化能力强等优点。
-
公开(公告)号：CN113240586A
公开(公告)日：2021-08-10
申请号：CN202110671531.3
申请日：2021-06-17
Applicant: 华北电力大学(保定) , 山东大学
Abstract: 本发明公开了一种可自适应调节放大倍数的螺栓图像超分辨率处理方法，包括步骤：构建螺栓数据集，得到不同缩放倍数的低分辨率图像；提取低分辨率图像的浅层特征；利用密集残差模块提取层次特征；将多个密集残差模块输出的层次特征进行融合得到局部融合特征，再将局部融合特征与提取的浅层特征拼接在一起进行全局特征融合；设定对应图像不同大小输出不同放大倍数的阈值，根据图片尺寸确定放大倍数，再根据不同的放大倍数，预测生成高分辨率图像的滤波器权重；基于融合得到的全局特征以及预测得到的滤波器权重，生成高分辨率图像。本发明利用图像超分辨率处理技术对低分辨率图像进行处理，根据不同图像大小自适应调整放大倍数，生成尺寸大小近似的高分辨率图像。
-
公开(公告)号：CN107730546B
公开(公告)日：2020-11-03
申请号：CN201710740343.5
申请日：2017-08-25
Applicant: 华北电力大学(保定)
Abstract: 本发明公开了一种图像深度特征确定方法及系统。该方法包括：提取深度卷积神经网络中各卷积层输出的特征图；计算各所述卷积层的层熵和相对层熵；根据各所述卷积层的层熵和相对层熵，从各所述卷积层中选取特征表达层；根据所述特征表达层输出的所述特征图构建深度特征描述子；对所述深度特征描述子进行编码处理，得到所述输入图像的深度特征表达。本发明提供的图像深度特征确定方法及系统具有泛化性强、处理过程简单的特点，能够获得具有鲁棒性与区分度的高层特征表达。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.026 seconds)
