基于无监督学习的配电房设备异常监测方法与系统
实质审查的生效
摘要
本发明提供了基于无监督学习的配电房设备异常监测方法与系统，包括：样本收集模块：收集不同ROI区域内正常设备的不同时刻图像样本；深度特征提取模块：对图像样本，使用训练模型训练的卷积神经网络结构提取深度特征向量，对不同ROI区域图像的深度特征向量进行裁剪；混合高斯建模模块：根据裁剪后ROI区域图像的深度特征向量对每个像素位置的深度特征向量使用K个高斯分布进行混合高斯建模；图像异常判别模块：根据预设的像素异常判别阈值，计算异常像素总数，并计算异常像素百分比，根据预设的图像异常判别阈，判别当前ROI区域图像是否异常；本发明的基于无监督学习的配电房设备异常监测方法及系统，对所有设备图像均适用，避免了算法的重复设计。
基本信息
专利标题 ：
基于无监督学习的配电房设备异常监测方法与系统
专利标题（英）：
暂无
公开（公告）号 ：
CN114419506A
申请号 ：
CN202210052733.4
公开（公告）日 ：
2022-04-29
申请日 ：
2022-01-18
授权号 ：
暂无
授权日 ：
暂无
发明人 ：
穆晓琛
申请人 ：
南京思飞赫能信息技术有限公司
申请人地址 ：
江苏省南京市雨花台区宁双路28号汇智大厦A栋6层609室
代理机构 ：
合肥东信智谷知识产权代理事务所(普通合伙)
代理人 ：
刘寒冰
优先权 ：
CN202210052733.4
主分类号 ：
G06V20/40
IPC分类号 ：
G06V20/40 G06V10/774 G06V20/52 G06V10/25 G06V10/82 G06V10/72 G06K9/62 G06N3/04 G06N3/08
法律状态
2022-05-20 ：
实质审查的生效
IPC(主分类) : G06V 20/40
申请日 : 20220118
申请日 : 20220118
2022-04-29 ：
公开
注：本法律状态信息仅供参考，即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
文件下载
暂无PDF文件可下载
