基于深度學(xué)習(xí)的工程作業(yè)智能監(jiān)控技術(shù)的模型優(yōu)化測(cè)試

尚福瑞 范云飛 郝強(qiáng) 甄志偉

摘 要：為了改善輸變電工程作業(yè)人工檢測(cè)效率低、人員財(cái)產(chǎn)安全風(fēng)險(xiǎn)頻發(fā)問(wèn)題，提出了一種基于神經(jīng)網(wǎng)絡(luò)模型壓縮目標(biāo)檢測(cè)技術(shù)，結(jié)合改進(jìn)的卡茲曼濾波進(jìn)行目標(biāo)跟蹤，實(shí)現(xiàn)無(wú)人機(jī)對(duì)輸變電工程的智能監(jiān)控。通過(guò)深度可分離卷積模型，降低參數(shù)數(shù)量、提高推理速度，引入注意力機(jī)制和剪枝算法，降低神經(jīng)模型復(fù)雜度和非必要參數(shù)，減少信息處理數(shù)量。同時(shí)采用歐氏距離改進(jìn)的卡爾曼濾波進(jìn)行目標(biāo)跟蹤，提升目標(biāo)跟蹤的實(shí)時(shí)性和準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，提出的組合模型算法與傳統(tǒng)算法對(duì)比，可以充分提取文本的高頻特征信息，對(duì)于不同顆粒度的數(shù)據(jù)集的準(zhǔn)確率提升8%，召回率降低4%，性能更優(yōu)，具有一定的科研及應(yīng)用價(jià)值。

關(guān)鍵詞：輸變電工程作業(yè)；智能監(jiān)控；深度學(xué)習(xí)；模型壓縮；剪枝算法；卡爾曼濾波

中圖分類(lèi)號(hào)：TP391.1；TM743

文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）04-0182-05

Model optimization test of intellegent monitoring technology for engineering operation

SHANG Furui1，F(xiàn)AN Yunfei2 ，HAO Qiang3 ，ZHEN Zhiwei4

（1.Ministry of Construction of State Grid Qinghai Electric Power Company，Xining 810000，China；

2.State Grid Construction Department Xining Power Supply Company，Xining 810000，China；

3.State Grid Qinghai Electric Power Company Haidong Power Supply Company Construction Department，Haidong 810700，Qinghai China；

4.Tianjin Bohai Xinneng Technology Co.，Ltd.，Tianjin 300392，China）

Abstract：In order to improve the low efficiency of manual detection and frequent risks of personnel and property safety in power transmission and transformation projects，a compressed target detection technology based on neural network model wasproposed inthis paper.The technology was combined with improved kazman filter for target tracking，to achieve intelligent monitoring of power transmission and transformation projects by UAVs.Firstly，the deep separable convolution model was used to reduce the number of parameters and improve the reasoning speed，and the attention mechanism and pruning algorithm were introduced to reduce the complexity and unnecessary parameters of the neural model and reduce the amount of information processing.At the same time，the improved Kalman filter using Euclidean distance was used for target tracking to improve the real-time and accuracy of target tracking.The results showed that，compared with the traditional algorithm，the proposed combinatorial model algorithm fully extracted the high-frequency feature information of the text，and the accuracy of data sets with different granularity was increased by 8%，the recall rate was reduced by 4%，and the performance was better.In conclusion，theproposed combinatorial model algorithm has certain scientific research and application value.

Key words：power transmission and transformation works;Intelligent monitoring;deep learning;model compression;pruning algorithm; Kalman filtering

近年來(lái)，無(wú)人機(jī)技術(shù)以其低成本、高效率迅速搶占市場(chǎng)，與機(jī)器視覺(jué)、人工智能結(jié)合后，已逐步應(yīng)用于電力巡檢領(lǐng)域［1］。目前常見(jiàn)的無(wú)人機(jī)電力工程巡檢主要應(yīng)用超聲、激光以及雷達(dá)等傳感器，優(yōu)點(diǎn)在于投入較低，但是檢測(cè)精度和效率不高。而具有良好的拉伸性、柔韌性和精度高等能力的水凝膠材料是無(wú)人機(jī)傳感器潛在的候選材料，且水凝膠材料具有較好的耐久性能和力學(xué)性能，可廣泛應(yīng)用于輸變站工程作業(yè)智能監(jiān)控中，同時(shí)傳感器中的聚苯胺有兩種形式，薄膜和水凝膠材料。與薄膜相比，水凝膠材料因其優(yōu)異的性能，包括優(yōu)秀的電化學(xué)性能和物理化學(xué)性能，吸引了更多的關(guān)注。因此，將水凝膠材料與傳感器相結(jié)合是一個(gè)可行的方案。且國(guó)外學(xué)者Lee提出了計(jì)算檢測(cè)目標(biāo)間的匹配度和固化2個(gè)目標(biāo)的度量方式相結(jié)合的方式進(jìn)行目標(biāo)檢測(cè)，算法穩(wěn)定性較高，檢測(cè)精度有一定提升［2］。馬爾斯提出了將卡爾曼濾波算法與支持向量機(jī)算法結(jié)合進(jìn)行目標(biāo)跟蹤，有效的解決了目標(biāo)在復(fù)雜環(huán)境中檢測(cè)成功率低的問(wèn)題［3］。還有提出增加YOLOV3算法的檢測(cè)深度，基于此建立了一種目標(biāo)檢測(cè)監(jiān)控系統(tǒng)［4］。

基于此，針對(duì)輸電線工程作業(yè)特點(diǎn)提出了一種基于神經(jīng)網(wǎng)絡(luò)模型壓縮目標(biāo)檢測(cè)技術(shù)，結(jié)合改進(jìn)的卡茲曼濾波進(jìn)行目標(biāo)跟蹤，實(shí)現(xiàn)無(wú)人機(jī)對(duì)輸變電工程的智能監(jiān)控。首先通過(guò)深度可分離卷積模型，降低參數(shù)數(shù)量、提高推理速度，引入注意力機(jī)制和剪枝算法，降低神經(jīng)模型復(fù)雜度和非必要參數(shù)，減少信息處理數(shù)量。同時(shí)采用使用歐氏距離改進(jìn)的卡爾曼濾波進(jìn)行目標(biāo)跟蹤，提升目標(biāo)跟蹤的實(shí)時(shí)性和準(zhǔn)確性。

1 基于特征貢獻(xiàn)度的句向量構(gòu)建模型

1.1 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

YOLO系列模型具有速度好、檢測(cè)精度高、靈活性強(qiáng)等特點(diǎn)，YOLOv4模型對(duì)比其他模型其對(duì)復(fù)雜背景下的小目標(biāo)檢測(cè)效果更好，結(jié)構(gòu)如圖1所示，其包括多個(gè)由1×1卷積、3×3卷積、殘差結(jié)構(gòu)形成的CR塊構(gòu)成。 YOLOv4對(duì)比YOLOv3網(wǎng)絡(luò)，通過(guò)優(yōu)化輸入端、特征提取骨干網(wǎng)絡(luò)、特征融合頸部、檢測(cè)頭提升處理性能。通過(guò)引入數(shù)據(jù)增強(qiáng)、自對(duì)抗訓(xùn)練模塊，對(duì)目標(biāo)圖片進(jìn)行預(yù)處理。引入卷積核、MISH激活函數(shù)、Leaky-ReLUctant激活函數(shù)，結(jié)合批歸一化處理構(gòu)成的特征提取骨干模塊，提高模型的融合性、檢測(cè)精度。增加目標(biāo)檢測(cè)的自學(xué)習(xí)能力，降低計(jì)算的成本，減少運(yùn)算瓶頸。將金字塔池化層和基于路徑聚合的網(wǎng)絡(luò)結(jié)構(gòu)（PANet）引入到特征提取層和結(jié)果輸入層中間，對(duì)比YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)特征傳遞的效率更高，檢測(cè)精度和特征提取效果理想。

1.2 基于的注意力機(jī)制的改進(jìn)YOLOv4目標(biāo)檢測(cè)算法

由于輸變電工程作業(yè)過(guò)程中，無(wú)人機(jī)水凝膠傳感器經(jīng)常出現(xiàn)在目標(biāo)較為簡(jiǎn)單但周?chē)h(huán)境特別復(fù)雜的情況，因此本文引入了注意力機(jī)制用于降低復(fù)雜背景環(huán)境產(chǎn)生的干擾。結(jié)合注意力機(jī)制具有效果與性能無(wú)法兼顧的情況，本文對(duì)通道注意力機(jī)制進(jìn)行改進(jìn)，引入輕量級(jí)高通道金字塔分割注意力模塊（PSA），并YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)中的3×3卷積更換為PSA模塊，形成新的骨干網(wǎng)絡(luò)，并使用該模塊計(jì)算特征圖的通道權(quán)重，通過(guò)權(quán)重區(qū)分目標(biāo)和復(fù)雜背景。同時(shí)可以自主學(xué)習(xí)持續(xù)更新特征通道的權(quán)重值，進(jìn)一步區(qū)分目標(biāo)特征信息、剔除低價(jià)值背景信息［6］。

模塊與YOLOv4網(wǎng)絡(luò)模型結(jié)合通過(guò)對(duì)特征通道執(zhí)行全局范圍的平均池化操作，獲得一維卷積計(jì)算通道權(quán)重，前提是要須確保注意力的通道維度保持不變，卷積核的值使用內(nèi)核值與通道維度進(jìn)行除運(yùn)算，即為卷積核的交互覆蓋面，計(jì)算方法如式（1）所示。

k=ψ（C）=log（C）a+baodd（1）

式中：k代表注意力模塊的通道維度C通過(guò)自動(dòng)適應(yīng)計(jì)算卷積核的大??；|·|odd代表相鄰的奇數(shù)；a、b為線性函數(shù)相關(guān)系數(shù)，實(shí)驗(yàn)確定a、b分別取值2和1。引入注意力機(jī)制的特征骨干網(wǎng)絡(luò)如圖1所示。

本文引入了深度可分離卷積進(jìn)行替換處理，減少成本的同時(shí)可減少參數(shù)數(shù)量。與傳統(tǒng)卷積相同的深度卷積和卷積核是1×1一維卷積2部分組合構(gòu)成了深度可分離卷積。

使用傳統(tǒng)卷積時(shí)，對(duì)于一張（5×5）像素、三通道大小為5×5×33的輸入圖片，經(jīng)過(guò)4個(gè)輸出通道和具有3×3的卷積核的卷積曾卷積后，最終輸出具有4個(gè)典型特征圖，卷積層需要設(shè)置的參數(shù)大小為108，即為3×3×3×4。

同樣的圖片使用深度可分離卷積處理，第1步進(jìn)行深度卷積處理時(shí)，采取逐級(jí)通道卷積的方式，在二維平面內(nèi)，卷積核與通道數(shù)量一一對(duì)應(yīng)，一個(gè)卷積核處理一個(gè)通道。因此，該圖片經(jīng)過(guò)處理后可生成3個(gè)特征圖，卷積深度參數(shù)值為27，即為3×3×3。經(jīng)過(guò)深度卷積后的特征映射數(shù)量與輸入層通道值一致，由于每個(gè)通道獨(dú)立卷積，沒(méi)有充分利用其他通道的特征信息，因此使用第2步一維卷積（逐點(diǎn)卷積）進(jìn)行特征組合產(chǎn)生新的特征映射。一維卷積的卷積核大小為 1×1×3上層通道數(shù)量值，通過(guò)特征映射深度加權(quán)運(yùn)算后，獲得新的特征映射。卷積核參數(shù)數(shù)量為12，即為1×1×3×4，新的特征映射圖數(shù)量也為12。

采用深度分離卷積模型的參數(shù)數(shù)量約為傳統(tǒng)卷積的三分之一，將深度可分離卷積代替CBL塊連續(xù)卷積“×5”中的傳統(tǒng)卷積后的，結(jié)構(gòu)如圖2所示。

將原YOLOv4網(wǎng)絡(luò)中PANT模塊的5層傳統(tǒng)卷積核替換為深度可分離卷積，即為使用3×3、1×1、1×1、3×3 、1×1卷積核。

1.3 模型壓縮

深度卷積神經(jīng)網(wǎng)絡(luò)表達(dá)能力隨著網(wǎng)絡(luò)層數(shù)的加深而提升，模型增大，運(yùn)行效率降低，研究顯示，網(wǎng)絡(luò)結(jié)構(gòu)中超過(guò)三分之二的權(quán)值可以不參與訓(xùn)練即可達(dá)到原有性能。因此研究引入稀疏訓(xùn)練、剪枝技術(shù)相結(jié)合進(jìn)行模型壓縮，保持檢測(cè)精度的同時(shí)，提升運(yùn)算速度。具體壓縮模型主要采取余弦率衰減法、多尺寸訓(xùn)練等技術(shù)提高訓(xùn)練有效性，在此基礎(chǔ)上進(jìn)行稀疏訓(xùn)練、CR模塊層剪枝以及通道剪枝等方式，進(jìn)行模型壓縮，流程如圖3所示。

CR模塊剪枝主要是剪枝權(quán)重底的層和通道，其前提為權(quán)重判定，由于批量歸一化層可以體現(xiàn)特征圖0到1之間的正態(tài)分布，本文將批量歸一化層（BN）的縮放和平移參數(shù)作為權(quán)重評(píng)價(jià)參數(shù)，BN層的參數(shù)變化如式（2）所示：

y=λ×x－μδ2+φ+β（2）

式中：使用μ代表批歸一化的均值；σ2代表批歸一化的方差；γ代表模型縮放訓(xùn)練的閾值參數(shù)；β代表模型平移變化訓(xùn)練閾值參數(shù)，其中縮放參數(shù)可以保留歸一化前的特征參數(shù)。因此主要以此系數(shù)作為權(quán)重評(píng)價(jià)值。權(quán)重的系數(shù)程度將影響模型剪枝的最終效果，本文使用L1正則化約束的方法對(duì)權(quán)重分布進(jìn)行強(qiáng)制稀疏。通過(guò)對(duì)損失函數(shù)進(jìn)行正則化處理完成強(qiáng)制稀疏，損失函數(shù)如式（3）所示：

Lsparsity=Lloss（b，b^，c，c^，o，o^）+∑γ∈Γg（γ）g（γ）=|γ|（3）

式中：使用代表正則化約束稀疏，用以平衡損失項(xiàng)。另外，本文采用近端梯度下降法對(duì)L1的正則化進(jìn)行優(yōu)化，解決到LI正則化約束在0點(diǎn)的導(dǎo)數(shù)會(huì)出現(xiàn)不存在的情況。

模型壓縮的第2步為層剪枝操作，從神經(jīng)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)的完整性角度考慮，將每個(gè)CR塊作為一個(gè)整體進(jìn)行剪枝［8］，共計(jì)38個(gè)CR塊，通過(guò)對(duì)CR塊的權(quán)重均值γ作為CR塊是否被精簡(jiǎn)的標(biāo)志物，按照CR塊的γ的由底到高額順序剪枝，由于該方法相對(duì)粗糙，既有可能出現(xiàn)精度損失較大的情況。因此，結(jié)合γ值的變化趨勢(shì)，在一次剪枝過(guò)程中會(huì)采用相對(duì)保守的方式，每次按照CR模塊二分之一的比率進(jìn)行剪枝，具體的剪枝參數(shù)參見(jiàn)3.2實(shí)驗(yàn)環(huán)節(jié)。結(jié)合模型壓縮的微調(diào)進(jìn)行補(bǔ)償，并持續(xù)開(kāi)展循環(huán)迭代，通過(guò)此種方式減少迭代損失。

模型壓縮的第3步為通道剪枝：即為根據(jù)層剪枝后得到的相對(duì)精簡(jiǎn)和穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)后，根據(jù)全局剪枝參數(shù)值λ，對(duì)一定閾值下的通道進(jìn)行剪枝操作。同時(shí)，設(shè)置保護(hù)閾值，避免某一層級(jí)的通道被過(guò)度剪枝，根據(jù)剪枝參數(shù)與CR塊的縮放稀疏，換算全局減值率對(duì)應(yīng)的通道剪枝閾值π1，根據(jù)通道保護(hù)閾值參數(shù)β，換算每個(gè)神經(jīng)網(wǎng)絡(luò)層的保護(hù)閾值π2，當(dāng)既大于剪枝閾值和小于通道保護(hù)閾值同時(shí)成立時(shí)，對(duì)該通道進(jìn)行剪枝操作。為了降低直接剪枝造成的精度損失，經(jīng)過(guò)分析訓(xùn)練后的，選擇0.3的比率設(shè)置剪枝率，即可以實(shí)現(xiàn)剪枝操作，又可以避免精度的過(guò)度損失，并結(jié)合迭代稀疏、微調(diào)對(duì)精度進(jìn)行補(bǔ)償，最終實(shí)現(xiàn)模型壓縮的同時(shí)，減少了精度損失［9］。

2 基于卡爾曼濾波目標(biāo)跟蹤算法

輸變電工程智能監(jiān)控主要使用無(wú)人機(jī)水凝膠傳感器進(jìn)行監(jiān)測(cè)，包括目標(biāo)檢測(cè)和目標(biāo)跟蹤兩部分，目標(biāo)跟蹤部分本文結(jié)合卡爾曼濾波可準(zhǔn)確預(yù)測(cè)視頻監(jiān)控目標(biāo)運(yùn)動(dòng)軌跡，可穩(wěn)定跟蹤監(jiān)測(cè)目標(biāo)的優(yōu)勢(shì)。同時(shí)兼顧卡爾曼濾波對(duì)于運(yùn)動(dòng)特征變化較快的目標(biāo)跟蹤效果不佳，無(wú)法體現(xiàn)跟蹤目標(biāo)的典型特征等問(wèn)題進(jìn)行了優(yōu)化?；诳柭鼮V波的輸變電工程目標(biāo)跟蹤算法如圖4所示。

目標(biāo)檢測(cè)部分采用改進(jìn)的YOVLO4網(wǎng)絡(luò)模型，對(duì)視頻輸入圖像的處理序列進(jìn)行目標(biāo)檢測(cè)，獲得檢測(cè)目標(biāo)，采用余弦相似度算法、歐式空間值距離計(jì)算法以及優(yōu)化后的馬氏距離的權(quán)重組合算法［10-13］對(duì)卡爾曼濾波算法中的目標(biāo)檢測(cè)位置和目標(biāo)移動(dòng)位置間的距離填充，提高對(duì)運(yùn)動(dòng)目標(biāo)的軌跡預(yù)測(cè)的準(zhǔn)確性［14］。其中，將檢測(cè)目標(biāo)、跟蹤目標(biāo)的外觀特征點(diǎn)使用包含10層網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)的進(jìn)行特征提取，計(jì)算二者的余弦空間距離，通過(guò)此值衡量外觀特征的匹配度［15-17］。

3 實(shí)驗(yàn)結(jié)果分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)集選擇上本文采用了無(wú)人機(jī)采集的輸變電工程施工現(xiàn)場(chǎng)的9 782張不同高度、不同時(shí)間的現(xiàn)場(chǎng)人、車(chē)、樹(shù)木、電力設(shè)施等物體在內(nèi)的圖片組成數(shù)據(jù)集合［18］。設(shè)置其中7 362張圖片為訓(xùn)練集合、2 620中圖片為測(cè)試集［19］。

3.2 實(shí)驗(yàn)結(jié)果

算法評(píng)價(jià)部分本文采用文獻(xiàn)［20］使用的方法，針對(duì)數(shù)據(jù)集統(tǒng)一設(shè)置的分辨率大小為800×800像素的圖片。算法性能評(píng)價(jià)指標(biāo)主要從模型壓縮效果和目標(biāo)跟蹤效果2個(gè)角度評(píng)價(jià)，目標(biāo)檢測(cè)算法的模型壓縮效果評(píng)價(jià)指標(biāo)為參數(shù)的數(shù)量、計(jì)算量以及參數(shù)壓縮數(shù)量、計(jì)量量壓縮比、F1值、平均精度均值。將YOLOV4原始算法，添加了注意力機(jī)制的改進(jìn)算法作為基準(zhǔn)模型，與引入注意力機(jī)制與模型壓縮后的算法進(jìn)行測(cè)試比較，結(jié)果如表1所示。

由表1可知，YOLOv4模型加入注意力機(jī)制后，并未改變模型體積和浮點(diǎn)的計(jì)算數(shù)據(jù)量。在平均精度方面，引入注意力機(jī)制并進(jìn)行模型壓縮后，平均精度值持續(xù)提升，整體提升了4.4%，F(xiàn)1分值同樣提升較大，F(xiàn)1值提升了4。同時(shí)對(duì)比本文提出的算法，模型體積壓縮到了原始體積的12%，預(yù)測(cè)時(shí)間減少6 ms。由此可見(jiàn)，經(jīng)過(guò)壓縮后的模型無(wú)論運(yùn)算精度、運(yùn)算速度上，性能均有較大提升，而且參數(shù)量和模型體積壓縮效果明顯。

實(shí)驗(yàn)中，重點(diǎn)測(cè)試了不同剪枝率下的YOLOv4模型的壓縮效果，壓縮模型采用的稀疏矩陣的反復(fù)迭代實(shí)現(xiàn)，不同剪枝率下模型壓縮效果不同，具體結(jié)果如表2所示。

由表2可知，本文同樣選擇了剪枝率分別在60%、70%和80%的模型性能對(duì)比，在不同算法的計(jì)算量達(dá)到同樣剪枝率的效果下，本文提出的算法對(duì)參數(shù)的壓縮量達(dá)到了最佳，精度最佳，誤差最小。剪枝率在70%時(shí)，對(duì)于參數(shù)的壓縮率達(dá)到98%，參數(shù)量?jī)H為1.58 MB，對(duì)比實(shí)驗(yàn)算法，提升了2.5個(gè)百分點(diǎn)。由此可見(jiàn)，本文提出算法性能提升明顯。圖5為應(yīng)用本文后的目標(biāo)檢測(cè)效果圖。

4 結(jié)語(yǔ)

本文結(jié)合優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)檢測(cè)，與改進(jìn)后的卡茲曼濾波目標(biāo)跟蹤算法結(jié)合，實(shí)現(xiàn)無(wú)人機(jī)對(duì)輸變電工程的智能監(jiān)控。采用深度可分離卷積模型用于降低神經(jīng)網(wǎng)絡(luò)模型的參數(shù)數(shù)量，進(jìn)一步提高推理速度，引入注意力機(jī)制和剪枝算法，降低神經(jīng)模型復(fù)雜度和非必要參數(shù)，減少信息處理數(shù)量。實(shí)驗(yàn)證明，本文提出的組合模型算法與傳統(tǒng)算法對(duì)比，識(shí)別準(zhǔn)確率提升8%，召回率降低4%，具有一定的科研及應(yīng)用價(jià)值；后續(xù)將對(duì)目標(biāo)跟蹤算法進(jìn)一步優(yōu)化，改善多目標(biāo)情況下的追蹤效果。

【參考文獻(xiàn)】

［1］LEE I.BIG DATA：Dimensions，evolution，impacts，and challenges［J］.Business Horizons 2017，60（3）：293-303.

［2］ MADAWALAGAMA S，MUNASINGHE N，DAMPEGAMAS，et al.Low cost aerial mapping with consumer grade drones ［J］.Coordinates，2016，8（4）13-18.

［3］ HE KAIMING，GKIOXARI G，DOLLA R P，et al.Mask RＧCNN ［C］Proc of the IEEE Int Conf on Computer Vision．Piscataway，NJ：IEEE，2017.

［4］ 馮帥，張龍，賀小慧.基于Jetson TK1和深度卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)［J］.信息技術(shù)，2017，41（10）：62-64.

［5］ 李慧霞，李臨生，閏慶森.基于Mean Shift算法的目標(biāo)跟蹤綜述［J］.信息技術(shù)，2017，20（1）：43-46.

［6］ 李慶軍，李培明，趙國(guó)仲，等.特高壓輸電線路環(huán)保水保智能監(jiān)控平臺(tái)研究應(yīng)用［J］.電網(wǎng)與清潔能源，2020，36（11）：82-89.

［7］ 羅琪.以深度學(xué)習(xí)方法為載體的醫(yī)學(xué)影像實(shí)時(shí)變化檢測(cè)算法分析［J］.粘接，2020，44（12）：132-135.

［8］ 蔡必壯，葛展展，都海波.基于數(shù)字孿生的角鋼塔攀爬機(jī)器人系統(tǒng)研究［J］.控制工程，2022，29（3）：509-514.

［9］ 林藝華.基于深度學(xué)習(xí)的高速公路交通流數(shù)據(jù)監(jiān)控方法研究［J］.粘接，2021，46（5）：182-186.

［10］ 高西.深度學(xué)習(xí)技術(shù)在皮膚影像自動(dòng)分類(lèi)中的應(yīng)用［J］.粘接，2021，48（11）：98-101.

［11］ 林藝華.基于深度學(xué)習(xí)的高速公路交通流數(shù)據(jù)監(jiān)控方法研究［J］.粘接，2021，46（5）：182-186.

［12］ 崔艷軍，陶剛，丁偉翠.基于BIM技術(shù)的特高壓數(shù)字化管控系統(tǒng)在變電站工程中的應(yīng)用［J］.電力勘測(cè)設(shè)計(jì)，2023（1）：49-55.

［13］ 袁敬中，謝景海，許穎，等.基于全息數(shù)據(jù)的變電智慧設(shè)計(jì)方法研究及應(yīng)用［J］.電氣應(yīng)用，2022，41（9）：38-48.

［14］ 王鑫.輸變電工程造價(jià)大數(shù)據(jù)平臺(tái)構(gòu)建與智能分析管控應(yīng)用研究［J］.電力大數(shù)據(jù)，2018，21（11）：8-14.

［15］ 張志堅(jiān).基于深度學(xué)習(xí)的肌電信號(hào)預(yù)測(cè)的研究［J］.粘接，2021，45（2）：134-137.

［16］ 孫再征，樊志琴，茅東升，等.多重相互作用協(xié)同增強(qiáng)水下膠粘劑的研究［J］.中國(guó)膠粘劑，2023，32（1）：8-17.

［17］ 王迪，張益明，張繁昌，等.利用先驗(yàn)信息約束的深度學(xué)習(xí)方法定量預(yù)測(cè)致密砂巖“甜點(diǎn)”［J］.石油地球物理勘探，2023，58（1）：65-74.

［18］ 盧經(jīng)緯，程相，王飛躍.求解微分方程的人工智能與深度學(xué)習(xí)方法：現(xiàn)狀及展望［J］.智能科學(xué)與技術(shù)學(xué)報(bào)，2022，4（4）：461-476.