CN113361194B - 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 - Google Patents
一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113361194B CN113361194B CN202110623651.6A CN202110623651A CN113361194B CN 113361194 B CN113361194 B CN 113361194B CN 202110623651 A CN202110623651 A CN 202110623651A CN 113361194 B CN113361194 B CN 113361194B
- Authority
- CN
- China
- Prior art keywords
- drift
- data
- calibration
- module
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/005—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于深度学习的传感器漂移校准方法、电子设备及存储介质,属于传感器校准技术领域。该方法采用数据增广方法扩充数据样本,为传感器漂移校准提供了数据保障,所提出的传感器漂移校准方法包括漂移特征提取和漂移校准两个部分,分别对应于漂移特征提取模块和校准模块。漂移特征提取模块通过多尺度卷积层提取数据中隐藏在不同尺度上时间和频率的漂移关键特征,为校准模块奠定基础;校准模块采用基于自注意力的一维残差卷积神经网络有效利用邻近传感器间数据相关性对漂移数据进行漂移补偿,能够同时校准传感器群组中多个传感器的漂移。该方法能充分利用数据的时间和空间特征,有效提取数据中的漂移特征,提高了数据采集质量。
Description
技术领域
本发明涉及传感器校准技术领域,更具体地说,涉及一种基于深度学习的传感器漂移校准方法、电子设备及存储介质。
背景技术
农业物联网中传感器数据随着时间产生的漂移量是影响传感器采集数据质量的关键制约因素,传感器漂移现象的存在导致物联网设备的智能调控和数据的有效分析无法得到保证,由于传感器通常大规模、长时间部署,单独卸载和重新校准传感器往往难以实现,因此在无法获取无漂移真实信号的情况下,对传感器漂移进行校准变得越来越重要。
目前,基于深度学习进行传感器的漂移校准,引起了发明人的关注。其中卷积神经网络(Convolutional Neural Network,CNN)是深度学习的一个子集,已经在其他领域应用,并且取得了不错的效果。关于将CNN应用到时间序列领域的研究也逐渐兴起。例如,对脑电信号去噪,该方法虽然能够建立起噪声信号到脑电信号的准确映射,实现了实时去噪,而且能够有效提升脑电信号去噪的效率和质量。但是此方法只限于单一时序数据中去噪,并不适用于多个传感器的漂移校准。
此外,Bao等2018年在Structural Health Monitoring,18(2),401-421中将时间序列信号转换成图像向量,在灰度图像中分段绘制,然后将随机选择和手动标记的图像向量组成的训练数据集输入到一个或一组深度神经网络中,这些深度神经网络通过堆叠式自动编码器和贪婪分层训练技术进行训练,能够较准确的检测时序数据中包括数据漂移在内的多模式异常,但是该方法只能对时序数据中的异常模式进行检测和分类,并未涉及传感器漂移的校准。Tian等在2020年在IEEE Access,8,121385-121397中,提出一种新型深度学习模型,将无监督技术和监督技术相结合实现电子鼻的漂移补偿,但此方法较为复杂且未涉及训练集构建方法研究,适用场景具有局限性。
故,基于以上分析现有方法尚不能有效满足传感器漂移校准要求。而深度学习具有从大量数据中自动学习特征的能力,将深度学习方法运用到传感器漂移校准领域中具有巨大应用前景。因此,采用深度学习来自动提取感知数据中的漂移特征,实现传感器群组的漂移校准是十分有意义的工作。但是神经网络的训练需要大量的数据样本,如何构建充足的训练数据集和避免过拟合,是本领域人员亟待解决的问题;另一方面,如何充分利用数据中的时间和空间特征,保证提取漂移特征的准确性和漂移校准的精确度也是一个难题。
发明内容
1.要解决的问题
针对现有技术在传感器漂移校准中面临的如何保证含漂移数据校准的效率和质量难题;本发明提供一种基于深度学习的传感器漂移校准方法,该方法中,采用数据增广方法扩充数据样本,为传感器漂移校准提供了数据保障,所提出的传感器漂移校准网络框架包括漂移特征提取和漂移校准两个部分,分别对应于漂移特征提取模块和校准模块。漂移特征提取模块通过多尺度卷积层提取数据中隐藏在不同尺度上时间和频率的漂移关键特征,为校准模块奠定基础;校准模块基于自注意力的一维残差卷积神经网络关注邻近传感器间数据相关性对漂移数据进行漂移补偿,实现传感器漂移校准。采用两个模块实现漂移传感器的校准,能充分利用数据的时间和空间特征,有效提取数据中的漂移特征使得传感器漂移校准的效率和质量得到保障。此外本发明还提供一种基于深度学习的传感器漂移校准电子设备及存储介质。
2.技术方案
为解决上述问题,本发明采用如下的技术方案。
本发明第一方面提供一种基于深度学习的传感器漂移校准方法,该方法包括:
获取待校准的数据,利用漂移特征提取模块提取所述待校准数据的漂移特征,校准模块根据所述漂移特征对待校准的数据进行漂移补偿并输出对应的校准数据;
其中,所述校准模块为使用多组数据通过深度学习训练得出的;多组数据是通过数据增广方法得到,多组数据包括含漂移数据集、无漂移数据集以及漂移量仿真数据集。
在一些实施例中,所述漂移特征提取模块构建步骤包括:
利用多尺度一维卷积神经网络构建漂移数据特征提取模块,所述的多尺度一维卷积神经网络输入端连接1个一维卷积层,所述一维卷积层的输出作为多尺度卷积模块的输入,所述多尺度卷积模块包含两层多尺度卷积层,每层多尺度卷积层分别含有3个不同卷积核尺寸的一维卷积层,每个一维卷积层都包括卷积操作、批量归一化,再经过激活函数映射后的输出进行最大池化操作,将所述多尺度卷积模块提取的特征融合为一组特征向量,所述特征向量连接1个一维卷积层,所述一维卷积层输出结果作为特征提取模块的输出;其中漂移数据特征提取模块采用含漂移数据集和漂移量仿真数据集进行训练。
在一些实施例中,所述校准模块构建步骤包括:
采用基于自注意力的一维残差卷积神经网络构建校准模块,在所述的一维残差卷积神经网络中,与校准模块的输入相连接1个一维卷积层,所述一维卷积层的输出作为残差模块的输入,与残差模块输出相连接的一维卷积层用于调整输出尺寸;残差模块的输入端连接多个相互串连的一维卷积层,对于每个一维卷积层中包括卷积操作、批量归一化;其中多个相互串连的一维卷积层中的最后一个一维卷积层的输出包含两个分支,其中一个分支连接自注意力模块中的挤压-激励模块,另一个分支与挤压-激励模块的输出结果做乘积,乘积结果作为自注意力模块的输出;挤压-激励模块中主要包括全局池化层和两个全连接层,其中第一个全连接层输出采用的激活函数为Relu,第二个全连接层输出采用Sigmoid函数作为激活函数;所述的基于自注意力的一维残差卷积神经网络采用至少包括含漂移数据集和无漂移数据集进行训练。
在一些实施例中,所述含漂移数据集和漂移量仿真数据集获取步骤包括:
部署已校准的传感器,构建目标感知场;
将目标感知场内由多个已校准传感器采集的时间序列数据构建为二维矩阵,作为无漂移数据矩阵X,其中无漂移数据矩阵X中的各矩阵行分别对应感知场内各传感器采集数据。利用随机裁剪法将所述无漂移数据矩阵裁剪为多个较小尺寸的数据矩阵,将所裁剪得到的任一裁剪数据矩阵记为Xl,从单个所裁剪的数据矩阵Xl中按照矩阵内各行对应传感器在感知场中的位置,选择其中一个传感器作为基准,按照其余传感器到基准传感器的欧式距离由小到大地选取多个邻近传感器,选择包括基准传感器在内的各传感器对应裁剪数据矩阵Xl中的矩阵行数据构建成邻近传感器数据矩阵,确定无漂移数据样本Xb;
依据所述无漂移数据矩阵裁剪数据矩阵大小,利用含趋势项的非平稳随机游走过程对所述无漂移传感器数据进行漂移过程仿真,选取多种符合漂移特性的函数模型作为趋势项,获取传感器漂移量仿真矩阵D1,从漂移量仿真矩阵D1中选取和无漂移数据样本Xb相同位置和尺寸的漂移量矩阵,确定漂移量仿真数据样本Db;
将无漂移数据样本Xb与漂移量仿真数据样本Db执行矩阵相加获得含漂移数据样本Yb;
采用多个漂移量仿真数据样本Db组成漂移量仿真数据集DM;采用多个含漂移数据样本Yb组成含漂移数据集YM。
在一些实施例中,采用多个无漂移数据样本Xb组成无漂移数据集XM;
将无漂移数据集XM、漂移量仿真数据集DM和含漂移数据集YM分别各自划分一部分作为卷积神经网络训练集,另一部分作为卷积神经网络测试集,所述训练集与测试集之间无交叉。
在一些实施例中,所述漂移特征提取模块训练步骤包括:
在训练由多尺度一维卷积神经网络构建漂移特征提取模块时,输入为训练集中的含漂移数据样本Yb,采用对应的漂移量仿真数据样本Db作为漂移特征提取模块的输出真值,特征提取模块的输出为漂移估计矩阵采用均方误差函数作为特征提取模块损失函数提取含漂移数据中的漂移特征;
其中,所述漂移特征提取模块的多尺度一维卷积神经网络的损失函数为:
式中fdf(·)表示特征提取函数,m为从漂移量仿真数据集DM和含漂移数据集YM中划分的训练集中所含有漂移量仿真数据样本Db和含漂移数据样本Yb的个数。
在一些实施例中,所述校准模块训练步骤还包括:
在训练由基于自注意力的一维残差卷积神经网络构建校准模块时,先计算含漂移数据集中迭代输入的各含漂移数据样本Yb与其对应的特征提取模块迭代输出的各漂移估计矩阵之间的矩阵差,再将其作为校准模块的输入。采用无漂移数据样本Xb作为校准模块的输出真值,校准模块的输出即为校准数据;校准网络损失函数采用均方误差函数,达到数据漂移补偿的目的,所设计校准模块损失应为:
其中,Lc表示校准模块的损失,fc(·)表示校准模块中漂移校准函数,m为无漂移数据集划分的训练集中含有无漂移数据样本Xb的个数。
基于深度学习的传感器漂移校准方法框架的总体损失,具体应为:
L=Ldf+Lc
在总体损失计算中包括漂移特征提取和校准两个模块的参数,因此总体损失函数中有两个优化目标,以降低传感器漂移校准方法框架的总体损失为目标采用Adam优化器进行迭代训练获得训练完成的传感器漂移校准网络。
将感知场内传感器群组中需校准的多个传感器数据构建为待校准数据输入到训练完成的传感器漂移校准网络,输出为相应的校准数据,以实现传感器群组中多个传感器同时校准。所述待校准数据是与含漂移数据样本具有相同行数和列数的矩阵,矩阵的行数即为可同时校准传感器的个数,矩阵的列数即为可校准传感器连续采样点的个数。
本发明第二方面提供一种电子设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器依次连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述的方法。
本发明第三方面提供一种可读存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述的方法。
3.有益效果
与现有技术相比,本发明具有明显的技术优势:
(1)本发明通过采用含趋势项的非平稳随机游走过程构建传感器数据漂移过程,并利用随机裁剪和选取邻近传感器数据的方法实现训练样本的增广操作,增加了训练数据的多样性;且该数据增广方法能够融合传感器漂移数据的时间和空间特征,避免了基于深度学习的传感器漂移校准方法因训练样本少、结构复杂造成泛化能力弱的问题。
(2)本发明采用含趋势项的非平稳随机游走过程构建传感器漂移过程,根据传感器漂移的不确定性设置传感器发生漂移的概率阈值,同时依据感知数据特征设置趋势项的范围来控制感知数据漂移的幅度,增加了可控性;采用多种符合漂移特性的函数模型作为趋势项由此模拟传感器漂移特征,保证了该漂移数据样本构建方法在不同应用场景和不同数据种类下的适用性。
(3)本发明将感知场内各邻近传感器数据融合在同一训练样本中,根据传感器数据的采样间隔和数据周期确定裁剪数据矩阵尺寸作为神经网络每次迭代输入值,既能避免数据样本迭代输入导致数据特征丢失问题,又能够保证神经网络输入尺寸适中,有效降低了运算代价。
(4)本发明将感知场内各邻近传感器数据融合在同一训练样本中,采用多尺度一维卷积神经网络提取传感器数据的漂移特征,采用基于自注意力的一维残差卷积神经网络能利用邻近传感器数据的相关性,实现了传感器漂移数据的校准;且提出的数据增广方法能够融合传感器漂移数据的时间和空间特征,为训练深度神经网络提供数据保障。
(5)本发明将传感器漂移校准方法分为漂移特征提取和校准,能为精准提取多个传感器数据中的漂移特征提供保障,保证了同时对感知场内多组传感器数据本质特征提取和漂移补偿的可靠性;
(6)本发明中漂移特征提取模块采用多尺度一维卷积神经网络方法提取数据中隐藏在不同尺度上时间和频率的漂移关键特征,为漂移校准阶段奠定基础;校准模块中搭建的基于自注意力的一维残差卷积神经网络,不仅能有效利用邻近传感器数据的相关性而且增加了网络深度,提升了传感器漂移校准效果。
(7)本发明中提出的数据增广方法具有较强的可扩展性,感知场内的多个传感器数据和单个传感器不同时间段的数据皆可作为数据增广所需的基础数据,将基础数据通过此数据增广方法获取所需数据集。
附图说明
图1为本发明提供的传感器漂移校准方法框架图;
图2为本发明提供的漂移特征提取模块网络结构框图;
图3为本发明提供的校准模块网络结构框图;
图4是本发明提供的数据增广方法示意图;
图5为本发明提供的构建数据集流程图;
图6为本发明提供的电子设备框图。
具体实施方式
下面结合实施例和附图对本发明进行详细描述。
示例性方法
如图1-3所示,本实施例公开了一种基于深度学习的传感器漂移校准方法,总体思路如下:
获取待校准的传感器漂移数据,利用所述漂移特征提取模块提取所述待校准的传感器漂移数据的漂移特征,校准模块接收所述漂移特征进行校准并输出对应的传感器漂移校准数据;
其中,所述漂移特征提取模块和校准模块为使用多组数据通过深度学习训练得出的;多组数据是通过数据增广方法得到,多组数据包括含漂移数据集、漂移量仿真数据集和无漂移数据集。
本示例将传感器漂移校准方法分为漂移特征提取和漂移校准两个部分,分别对应于漂移特征提取模块和校准模块。漂移特征提取模块采用多尺度卷积神经网络提取数据中隐藏在不同尺度上时间和频率的漂移关键特征,为校准模块奠定基础;校准模块采用基于自注意力的一维残差卷积神经网络有效利用邻近传感器间数据相关性对漂移数据进行漂移补偿,实现传感器漂移校准。
本发明所提出的方法能有利用感知场内各传感器数据的时间和空间特征,有效提升传感器漂移校准的效率和数据质量。
其中,网络构建步骤包括:利用多尺度一维卷积神经网络构建漂移数据特征提取模块,所述的多尺度一维卷积神经网络输入端连接1个一维卷积层,所述一维卷积层的输出作为多尺度卷积模块的输入,所述多尺度卷积模块包含两层多尺度卷积层,每层多尺度卷积层分别含有3个不同卷积核尺寸的一维卷积层,每个一维卷积层都包括卷积操作、批量归一化,再经过激活函数映射后的输出进行最大池化操作,将所述多尺度卷积模块提取的特征融合为一组特征向量,所述特征向量连接1个一维卷积层,所述一维卷积层输出结果作为特征提取模块的输出;其中漂移数据特征提取模块采用含漂移数据集和漂移量仿真数据集进行训练。
采用基于自注意力的一维残差卷积神经网络构建校准模块,在所述的基于自注意力的一维残差卷积神经网络的输入端连接1个一维卷积层,所述一维卷积层的输出作为残差模块的输入,与残差模块输出相连接的一维卷积层用于调整输出尺寸;残差模块的输入端连接多个相互串连的一维卷积层,对于每个一维卷积层中包括卷积操作、批量归一化;其中多个相互串连的一维卷积层中的最后一个一维卷积层的输出包含两个分支,其中一个分支连接自注意力模块中的挤压-激励模块,另一个分支与挤压-激励模块的输出结果做乘积,乘积结果作为自注意力模块的输出;挤压-激励模块中主要包括全局池化层和两个全连接层,其中第一个全连接层输出采用的激活函数为Relu,第二个全连接层输出采用Sigmoid函数作为激活函数;所述的基于自注意力的一维残差网络采用至少包括含漂移数据集和无漂移数据集进行训练。
具体的,本示例预先获取传感器漂移校准方法需要的训练数据,其步骤包括:
SA:部署已校准的传感器,构建目标感知场。
具体的,在土壤环境信息监测中,部署已校准的传感器,构建目标感知场,本示例中目标感知场内所布置的传感器为土壤温湿度传感器,个数为20个,传感器采样间隔为5分钟,感知数据流规律分布的特征周期为24小时,校准传感器后取2020年2月1日至4月30日共90天的土壤温度数据作为传感器初期采集数据。通过采集感知场内已校准传感器的初期感知数据,此数据可以被认为是无漂移的,以此数据作为构建传感器漂移校准方法所需的漂移样本和校准数据的基础。
SB:将目标感知场内由多个已校准传感器采集的时间序列数据构建为二维矩阵,作为无漂移数据矩阵X,其中无漂移数据矩阵X中的各矩阵行分别对应感知场内各传感器采集数据。利用随机裁剪法将所述无漂移数据矩阵裁剪为多个较小尺寸的数据矩阵,将所裁剪得到的任一裁剪数据矩阵记为Xl,从单个所裁剪的数据矩阵Xl中按照矩阵内各行对应传感器在感知场中的位置,选择其中一个传感器作为基准,按照其余传感器到基准传感器间的欧式距离由小到大地选取多个邻近传感器,选择包括基准传感器在内的各传感器对应裁剪数据矩阵Xl中的矩阵行数据构建成邻近传感器数据矩阵,确定无漂移数据样本Xb;具体的,包括如下步骤:
SB1:构建无漂移数据矩阵。
从目标感知场中取校准后土壤温度传感器所采集的2020年2月1日至4月30日共90天的土壤温度数据作为无漂移的采集数据,其中传感器的个数N为20个,传感器采样间隔为5分钟,特征周期为24小时,将感知场初期采集的数据建模为二维矩阵,则无漂移数据采样点的个数L为25920,可将此数据表示一个形状为20×25920的二维矩阵,作为无漂移数据矩阵X。
SB2:将所述无漂移数据矩阵裁剪为多个数据矩阵,所述数据矩阵尺寸小于所述无漂移数据矩阵的尺寸。
具体的,为避免数据特征的损失,需根据具体监测场景下的数据采集特征,将无漂移数据矩阵裁剪为尺寸较小的数据矩阵,从上述无漂移数据矩阵X中随机裁剪出大小为N×l的数据矩阵记为Xl。
SB3:从单个所裁剪的数据矩阵Xl中依据矩阵内各行对应传感器在感知场中的位置,选择其中一个传感器作为基准,按照其余传感器到基准传感器间的欧式距离由小到大地选取多个邻近传感器,选择包括基准传感器在内的各传感器对应裁剪数据矩阵Xl中的矩阵行数据构建成邻近传感器数据矩阵,确定无漂移数据样本Xb。
从数据矩阵Xl中选取为大小为n×l的邻近传感器数据矩阵,获得无漂移数据样本Xb,具体方式为:
作为一个变化例,本示例中所述传感器数量n的选择方法为:
根据神经网络感受野确定邻近传感器数量n的大小,从所裁剪的数据矩阵Xl中随机选择一个矩阵行作为基准,按照感知场内其它传感器与该矩阵行对应的基准传感器间的欧式距离由小到大依次选择n-1个邻近传感器,最终选择的n个传感器数据在数据矩阵Xl中对应的n行数据即为需要选择的n行邻近传感器数据。本示例中n选择10,其中n由神经网络感受野确定。需要说明的是,传感器的个数选择决定每个数据样本的大小,神经网络感受野是由卷积核的尺寸和步长决定,卷积核在数据样本上滑动卷积获取特征。
优选的,所裁剪数据矩阵的列数l由传感器采集数据时间间隔和数据分布的特征周期确定,具体计算方式为:
其中,T为传感器数据流规律分布的特征周期,Δt为传感器采集数据时间间隔λ为正有理数,一般依据所需训练样本尺寸选择适宜的正整数。
本示例中,λ选择8由式(3)计算得裁剪数据矩阵的列数l为2304,则裁剪数据矩阵Xl可表示为形状是20×2304的二维矩阵,经过式(2)选取邻近10个传感器数据构建形状为10×2304的无漂移数据样本Xb。
SC:采用含趋势项的非平稳随机游走过程构建N×l大小的漂移量仿真矩阵Dl,按照从Xl中选取n个矩阵行构建Xb的相同位置从Dl中选取n个矩阵行数据构建大小为n×l的漂移量矩阵Db,作为漂移量仿真数据样本,具体可表示为:
其中d为各传感器不同时刻的漂移量。
具体的,构建传感器漂移过程时,一般情况下不同传感器间的发生漂移是相互独立的,本示例设置传感器漂移概率阈值,采用含趋势项的非平稳随机游走过程对无漂移传感器数据进行漂移过程仿真,传感器数据仿真结果具体可表示为:
其中,yi,t为传感器i在t时刻的传感器仿真数据,xi,t为传感器i在t时刻无漂移数据,di,t为传感器i在t时刻的漂移量,rand(0,1)为0到1之间的随机浮点数,α为浮点数且α∈(0,1)为传感器发生漂移的概率阈值,当rand(0,1)>α时,传感器i未发生漂移,漂移量为零反之则发生漂移;
根据增广数据应用场景,各传感器数据在进行漂移量仿真时自适应选择线性函数、指数函数、正方根函数和正弦函数的其中一种作为所述含趋势项的非平稳随机游走过程中的趋势项,用以生成相应的漂移趋势。漂移量仿真具体方式如下:
线性漂移趋势中,传感器i在t时刻的漂移量可表示为:
指数漂移趋势中,传感器i在t时刻的漂移量可表示为:
正方根漂移趋势中,传感器i在t时刻的漂移量可表示为:
正弦漂移趋势中,传感器i在t时刻的漂移量可表示为:
其中,ri表示角速度参数,e为各趋势项中最大漂移量,ui,t为随机游走数据量。
在一些实施例中,各趋势项漂移量仿真参数选择方法如下:
各个趋势项中最大漂移量e的取值应由所采集数据特征和裁剪数据矩阵的列数共同决定,且与裁剪数据矩阵的列数大小正相关,具体为其中,s为特征周期T内数据归一化后的标准差,Δt为传感器数据采样间隔。随机游走数据量ui,t~iid(0,σ2),其中角速度参数r用于调整正弦周期,且
在本示例中,为了保证漂移样本的充足性,在采样点个数为l的同一时间段内各传感器发生的漂移概率阈值设置为0.5,即在同一数据矩阵的10个传感器中发生漂移的概率为50%;上述4类漂移量仿真方式可以根据应用场景调整各类漂移发生概率,本示例中所仿真的4类传感器漂移发生概率相同。经计算各趋势项中最大漂移量e~U(2.97,5.94),随机游走数据量ui,t~iid(0,σ2)中σ~U(0.03,0.06);角速度参数r~U(2,4);
SD:将无漂移数据样本Xb与漂移量仿真数据样本Db执行矩阵相加获得含漂移数据样本Yb。
具体的,将无漂移数据样本Xb和漂移量仿真数据样本Db矩阵相加的结果构建含漂移数据样本,具体应为:
Yb=Xb+Db (11)
SE:选取多个漂移数据样本Xb、漂移量仿真数据样本Db和含漂移数据样本Yb构建漂移数据集XM、漂移量仿真数据集DM和含漂移数据集YM;将无漂移数据集XM、漂移量训练集DM和含漂移数据集YM分别各自划分一部分作为网络训练集,另一部分作为网络测试集,所述网络训练集与网络测试集之间无交叉。
具体的,从感知场获20×25920的无漂移数据矩阵根据式(1)随机裁剪8000个大小为20×2304的数据矩阵Xl,选取10个邻近传感器按照式(2)获得8000个大小为10×2304的邻近传感器数据矩阵Xb作为无漂移数据集,按照此方式同样得到8000个大小为10×2304的漂移仿真数据样本Db和含漂移数据样本Yb分别作为漂移量仿真数据集DM和含漂移数据集YM。
综上,本示例在传感器数据样本构建过程中,根据物联网数据流中数据的特征周期和采样间隔确定每次迭代输入的训练样本尺寸,采用含趋势项的非平稳随机游走过程对传感器漂移过程仿真,为传感器漂移校准提供了大规模高质量的基础数据,能够解决采用深度学习方法进行传感器校准时面临的训练样本不足问题,为数据采集质量提供保障。
SF:利用多尺度一维卷积神经网络提取含漂移数据集和漂移量仿真数据集隐藏在不同尺度上时间和频率特征信息,得到传感器漂移特征,依此构建漂移数据特征提取模块。
具体的,如图2所示,漂移特征提取模块中多尺度一维卷积神经网络构建步骤如SF1-SF3所示:
SF1:在漂移数据特征提取模块中,根据上述选取漂移量仿真数据集DM和含漂移数据集YM中前80%的6400个含漂移数据样本作为特征提取阶段卷积神经网络训练集,后20%的1600个数据样本作为特征提取阶段卷积神经网络测试集;选取无漂移数据集XM中的前80%的6400个无漂移数据样本作为校准模块的训练集,后20%的1600个数据样本作为校准模块测试集,训练集与测试集之间无交叉。
SF2:构建多尺度一维卷积神经网络提取漂移特征,所述的多尺度一维卷积神经网络输入样本为行数为10的数据矩阵,连接1个卷积核个数为32,卷积核尺寸为1×5的一维卷积层,所述一维卷积层的输出作为多尺度卷积模块的输入,所述多尺度卷积模块包含两层多尺度卷积层,每层多尺度卷积层分别含有3个不同卷积核尺寸的一维卷积层,每个一维卷积层都包括卷积操作、批量归一化,再经过激活函数映射后的输出进行最大池化操作,将多尺度卷积层提取数据中隐藏在不同尺度上时间和频率特征信息,融合为一特征向量,所得特征向量连接1个卷积核为10,卷积核尺寸为1×3的一维卷积层,第一层多尺度卷积层中三个卷积核尺寸依次为1×3,1×5,1×7,卷积核个数均为16,第二层多尺度卷积层中三个卷积核尺寸依次为1×5,1×7,1×9,卷积核个数均为32,激活函数选择Relu函数。
SF3:将训练集中的含漂移数据样本Yb迭代输入提取漂移特征的多尺度一维卷积神经网络中,采用对应的漂移量仿真数据样本Db作为漂移特征提取模块的输出真值,特征提取模块输出为漂移估计矩阵采用均方误差函数作为特征提取损失函数提取含漂移数据中的漂移特征,所设计的漂移特征提取模块的损失应为:
式中:fdf(·)表示特征提取函数,m为从漂移量仿真数据集DM和含漂移数据集YM中划分的训练集中所含有漂移量仿真数据样本Db和含漂移数据样本Yb的个数。
SG:校准模块中采用基于自注意力的残差网络的方法,在一维卷积残差网络中加入自注意力模块充分利用邻近传感器间数据相关性,实现传感器漂移校准,如图3所示,具体步骤如下:
SG1:与校准模块的输入相连接的是1个一维卷积层其输出作为残差模块的输入,与残差模块输出相连接的一维卷积层用于调整输出结果尺寸。残差模块的输入值连接多个相互串连的一维卷积层,对于每个一维卷积层中包括卷积操作、批量归一化;其中最后一个一维卷积层输出包含两个分支,其中一个分支连接自注意力模块中的挤压-激励模块,另一个分支与挤压-激励模块的输出结果做乘积,乘积结果作为自注意力模块的输出;挤压-激励模块中主要包括全局池化层和两个全连接层,其中第一个全连接层输出采用的激活函数为Relu,第二个全连接层输出采用Sigmoid函数作为激活函数;所述的基于自注意力的一维残差网络采用至少包括含漂移数据集和无漂移数据集进行训练。
其中,与校准模块的输入相连接的一维卷积神经网络卷积核个数为10,卷积核尺寸为1×5,残差块中连接3个一维卷积层的卷积核尺寸依次为1×5、1×5和1×3,自注意力模块中的挤压-激励模块的第一个全连接层输出大小由邻近传感器的个数决定,本实例中为n/2×1×1即5×1×1,第二个全连接层输出大小为10×1×1,残差块输出端所连接的一维卷积层中卷积核尺寸为1×1,卷积核个数为10与选取的邻近传感器个数相同,其中第一个全连接层输出采用的激活函数为Relu,第二个全连接层输出采用Sigmoid函数作为激活函数。
SG2:先计算含漂移数据集中迭代输入的各含漂移数据样本Yb与其对应的特征提取模块迭代输出的各漂移估计矩阵之间的矩阵差,再将其作为校准模块的输入,选取无漂移数据集XM中的6400个无漂移数据样本,即前80%作为校准模块的训练集;另外1600个数据样本,即后20%作为校准模块测试集,训练集与测试集之间无交叉。
SG3:将含漂移数据样本和对应漂移估计矩阵的矩阵差和无漂移数据训练样本输入校准模块中进行训练,采用无漂移数据样本作为校准模块的输出真值,校准模块输出即为校准数据,校准模块损失采用均方误差函数,所设计校准模块损失应为:
其中,Lc表示校准网络模块的损失,fc(·)表示校准模块中漂移校准函数,m为无漂移数据集划分的训练集中含有无漂移数据样本Xb的个数。
采用均方误差作为基于深度学习的传感器漂移校准方法框架的总体损失,具体应为:
L=Ldf+Lc (14)
在总体损失计算中包括漂移特征提取和校准两个模块的参数,因此总体损失函数中有两个优化目标。本示例以降低传感器漂移校准方法框架的总体损失为目标采用Adam优化器进行迭代训练,BatchSize大小设置为200,迭代次数为5000次,网络学习率设置为0.001,用以获得训练完成的传感器漂移校准网络。
SG4:校准待校准数据,本示例中将测试集中的含漂移数据样本作为待校准数据输入到训练完成的传感器漂移校准网络中,输出相应的传感器漂移校准数据。
需要说明的是,卷积神经网络通过卷积层的特征学习能力,从历史感知数据中提取含漂移数据中的时间和空间特征,实现传感器的漂移校准。但是从特定传感器网络中收集的感知数据是有限的,含有漂移量的感知数据更为匮乏,难以为神经网络的训练提供充足的训练样本,而本发明提出传感器数据增广方法可以有效的解决缺乏神经网络训练样本问题,并将特征学习和漂移校准步骤建模为不同的网络模块,利用扩展的数据集对其进行联合训练,能够保证漂移特征的提取质量,降低漂移校准误差。
本示例采用2020年2月1日至4月30日共90天的土壤温度感知数据作为无漂移数据。采用本发明提出的样本数据增广方法为训练神经网络提供充足的样本数据,由本发明方法所获样本数据与真实场景中漂移数据无明显差异。采用样本数据对神经网络模型训练,实验结果表明,本发明能够有效地解决物联网数据流中感知数据漂移问题,采用均方根误差作为评价标准,采用上述20个总数据集,分别测试20次,试验结果取平均值,较传统的基于预测模型方法对感知数据漂移进行校准,漂移校准误差降低了约30.23%。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。该电子设备可以是可移动设备本身,或与其独立的单机设备,该单机设备可以与可移动设备进行通信,以从它们接收所采集到的输入信号,并向其发送组合图像信息。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的决策方法以及/或者其他期望的功能。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。例如,该输入设备13可以包括例如摄像头、视频播放器等各种设备。该输入设备13还可以包括例如键盘、鼠标等等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于深度学习的传感器漂移校准方法,其特征在于,该方法包括:
获取待校准的数据,利用漂移特征提取模块提取所述待校准数据的漂移特征,校准模块根据所述漂移特征对待校准的数据进行漂移补偿并输出对应的校准数据;
其中,所述校准模块为使用多组数据通过深度学习训练得出的;多组数据是通过数据增广方法得到,多组数据包括含漂移数据集、无漂移数据集以及漂移量仿真数据集;
利用多尺度一维卷积神经网络构建漂移数据特征提取模块,所述的多尺度一维卷积神经网络输入端连接1个一维卷积层,所述一维卷积层的输出作为多尺度卷积模块的输入,所述多尺度卷积模块包含两层多尺度卷积层,每层多尺度卷积层分别含有3个不同卷积核尺寸的一维卷积层,每个一维卷积层都包括卷积操作、批量归一化,再经过激活函数映射后的输出进行最大池化操作,将所述多尺度卷积模块提取的特征融合为一组特征向量,所述特征向量连接1个一维卷积层,所述一维卷积层输出结果作为特征提取模块的输出;其中漂移数据特征提取模块采用含漂移数据集和漂移量仿真数据集进行训练。
2.根据权利要求1所述的一种基于深度学习的传感器漂移校准方法,其特征在于,所述校准模块构建步骤包括:
采用基于自注意力的一维残差卷积神经网络构建校准模块,在所述的基于自注意力的一维残差卷积神经网络的输入端连接1个一维卷积层,所述一维卷积层的输出作为残差模块的输入,与残差模块输出相连接的一维卷积层用于调整输出尺寸;残差模块的输入端连接多个相互串连的一维卷积层,对于每个一维卷积层中包括卷积操作、批量归一化;
其中多个相互串连的一维卷积层中的最后一个一维卷积层的输出包含两个分支,其中一个分支连接自注意力模块中的挤压-激励模块,另一个分支与挤压-激励模块的输出结果做乘积,乘积结果作为自注意力模块的输出;挤压-激励模块中主要包括全局池化层和两个全连接层,其中第一个全连接层输出采用的激活函数为Relu,第二个全连接层输出采用Sigmoid函数作为激活函数;所述的基于自注意力的一维残差卷积神经网络采用至少包括含漂移数据集和无漂移数据集进行训练。
3.根据权利要求2所述的一种基于深度学习的传感器漂移校准方法,其特征在于,所述数据增广方法包括:
部署已校准的传感器,构建目标感知场;
将目标感知场内由多个已校准传感器采集的时间序列数据构建为二维矩阵,作为无漂移数据矩阵X,其中无漂移数据矩阵X中的各矩阵行数据分别对应感知场内各传感器采集数据,利用随机裁剪法将所述无漂移数据矩阵裁剪为多个数据矩阵,将所裁剪得到的任一裁剪数据矩阵记为Xl,从单个所裁剪的数据矩阵Xl中依据矩阵内各行对应传感器在感知场中的位置,选择其中一个传感器作为基准,按照其余传感器到基准传感器间的欧式距离由小到大地选取多个邻近传感器,选择包括基准传感器在内的各传感器对应裁剪数据矩阵Xl中的矩阵行数据构建成邻近传感器数据矩阵,确定无漂移数据样本Xb;
依据所述无漂移数据矩阵裁剪的数据矩阵大小利用含趋势项的非平稳随机游走过程对无漂移传感器数据进行漂移过程仿真,选取多种符合漂移特性的函数模型作为趋势项,获取传感器漂移量仿真矩阵D1,从漂移量仿真矩阵D1中选取和无漂移数据样本Xb相同位置和尺寸的漂移量矩阵,确定漂移量仿真数据样本Db;
将无漂移数据样本Xb与漂移量仿真数据样本Db执行矩阵相加获得含漂移数据样本Yb;
采用多个漂移量仿真数据样本Db组成漂移量仿真数据集DM;采用多个含漂移数据样本Yb组成含漂移数据集YM。
4.根据权利要求3所述的一种基于深度学习的传感器漂移校准方法,其特征在于:
采用多个无漂移数据样本Xb组成无漂移数据集XM;
将无漂移数据集XM、漂移量仿真数据集DM和含漂移数据集YM分别各自划分一部分作为卷积神经网络训练集,另一部分作为卷积神经网络测试集,所述训练集与测试集之间无交叉。
7.一种电子设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器依次连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-6任一项所述的方法。
8.一种可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623651.6A CN113361194B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110623651.6A CN113361194B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361194A CN113361194A (zh) | 2021-09-07 |
CN113361194B true CN113361194B (zh) | 2022-10-04 |
Family
ID=77532200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110623651.6A Active CN113361194B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361194B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508511B (zh) * | 2022-09-19 | 2023-05-26 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
CN116678506B (zh) * | 2023-08-02 | 2023-10-10 | 国检测试控股集团南京国材检测有限公司 | 一种无线传输热损检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837300A (zh) * | 2014-03-19 | 2014-06-04 | 成都千嘉科技有限公司 | 带温度补偿的压力传感器校准方法 |
CN111796064A (zh) * | 2020-09-08 | 2020-10-20 | 北京英视睿达科技有限公司 | 一种基于远程自动校准的tvoc检测设备数据质控方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3074832A4 (en) * | 2013-11-27 | 2017-08-30 | The Trustees Of The University Of Pennsylvania | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (mav) |
CN105929113B (zh) * | 2016-04-20 | 2017-10-10 | 重庆大学 | 一种带子空间投影的电子鼻信号误差自适应学习方法 |
CN106960580B (zh) * | 2017-05-02 | 2019-04-26 | 成都蓉易停科技有限公司 | 一种基于地磁传感器的车位检测方法 |
US11481665B2 (en) * | 2018-11-09 | 2022-10-25 | Hewlett Packard Enterprise Development Lp | Systems and methods for determining machine learning training approaches based on identified impacts of one or more types of concept drift |
CN110730435B (zh) * | 2019-10-15 | 2022-04-12 | 西安邮电大学 | 分布式无线传感器网络数据漂移盲校准方法 |
CN111103325B (zh) * | 2019-12-19 | 2022-03-29 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN112418395B (zh) * | 2020-11-17 | 2022-08-26 | 吉林大学 | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 |
-
2021
- 2021-06-04 CN CN202110623651.6A patent/CN113361194B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837300A (zh) * | 2014-03-19 | 2014-06-04 | 成都千嘉科技有限公司 | 带温度补偿的压力传感器校准方法 |
CN111796064A (zh) * | 2020-09-08 | 2020-10-20 | 北京英视睿达科技有限公司 | 一种基于远程自动校准的tvoc检测设备数据质控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113361194A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | Gans-based data augmentation for citrus disease severity detection using deep learning | |
Xiong et al. | Identification of cash crop diseases using automatic image segmentation algorithm and deep learning with expanded dataset | |
US20210342699A1 (en) | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation | |
US11610131B2 (en) | Ensembling of neural network models | |
US11687786B2 (en) | Pre-processing for data-driven model creation | |
CN109671020A (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN111811694B (zh) | 一种温度校准方法、装置、设备及存储介质 | |
CN113361194B (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
CN113992718B (zh) | 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 | |
JP2020516897A (ja) | 検査方法及び検査設備 | |
CN109446476B (zh) | 一种多模式传感器信息解耦方法 | |
CN116524357A (zh) | 高压线路鸟巢检测方法、模型训练方法、装置及设备 | |
Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
Chen et al. | CropQuant-Air: an AI-powered system to enable phenotypic analysis of yield-and performance-related traits using wheat canopy imagery collected by low-cost drones | |
Kolhar et al. | Spatio-temporal deep neural networks for accession classification of Arabidopsis plants using image sequences | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
CN113408374B (zh) | 基于人工智能的产量预估方法、装置、设备及存储介质 | |
CN107437112B (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
CN113361596B (zh) | 一种传感器数据增广方法、系统及存储介质 | |
CN116485796A (zh) | 害虫检测方法、装置、电子设备及存储介质 | |
CN116958809A (zh) | 一种特征库迁移的遥感小样本目标检测方法 | |
CN115035512A (zh) | 基于多模态深度学习的作物营养状态诊断方法和系统 | |
Heck et al. | Defining Quality Requirements for a Trustworthy AI Wildflower Monitoring Platform | |
WO2023085195A1 (ja) | モデル生成装置、モデル生成方法及びデータ推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |