“异常识别”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果918486个，建议您升级VIP下载更多相关专利

[发明专利]用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序-CN202310342378.9在审
发明人：尼古拉斯·特韦斯;格奥尔格·施奈德 -专利权人：采埃孚股份公司
申请日： 2023-03-31 - 公布日： 2023-10-17 - 主分类号： G06F18/2411 文献下载
摘要：用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序。在用于针对由异常识别模块就工业制造过程的高频传感器数据或从中推导出的参量所预言的异常生成能由人类感知的解释性输出的系统中，当异常识别模块将描述制造过程的机器、构件和/或产品的状态的传感器数据或传感器数据的范围分类为偏离正常期望的能观察的数据时，异常识别模块预言异常，其中，该系统被配置成将优化的解释性掩码作为能由人类感知的解释性输出发送，其中，人类基于优化的解释性掩码识别出哪些传感器数据、传感器数据的范围或从中推导出的参量对由异常识别模块预言的异常负责
用于生成人类感知解释性输出系统监控异常识别方法计算机程序

[发明专利]一种分选装置及种子分选方法-CN202110177696.5在审
发明人：曹乃亮;朱万彬;刘钰;李莉;袁定阳;李承夏 -专利权人：中国科学院长春光学精密机械与物理研究所
申请日： 2021-02-07 - 公布日： 2022-08-16 - 主分类号： B07C5/02 文献下载
摘要：本发明提供一种分选装置，包括：滑道识别单元、异常识别单元；滑道识别单元识别是否有待分选物料经过；异常识别单元检测待分选物料的空间运动区域，识别是否有运动路径异常的待分选物料。本发明通过滑道识别单元和光学识别单元共同进行识别，对光学识别单元无法识别的待分选物料仍可以进行分离，提高分选精度；本发明的异常识别单元识别进行异常运动的待分选物料，对因进行异常运动而未被滑道识别单元和/或光学识别单元识别的待分选物料进行分离，提高分选精度。
一种分选装置种子方法

[发明专利]一种识别方法及设备-CN201910616426.2在审
发明人：夏蕴 -专利权人：联想(北京)有限公司
申请日： 2019-07-09 - 公布日： 2019-11-22 - 主分类号： G06K9/62 文献下载
摘要：本申请实施例公开了一种识别方法，所述方法包括：将待测量数据分成至少一个子数据串；对所述子数据串进行计算，得到特征向量；获取不同异常类型的异常识别模型；根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果本申请实施例还公开了一种识别设备。
子数据串异常识别特征向量测量数据识别设备异常类型申请

[发明专利]一种交易监控指标的异常识别方法及装置-CN202111472903.6在审
发明人：采安琪 -专利权人：中国工商银行股份有限公司
申请日： 2021-12-01 - 公布日： 2022-03-04 - 主分类号： G06Q40/04 文献下载
摘要：本文涉及数据识别领域，可应用于金融领域，尤其涉及一种交易监控指标的异常识别方法及装置，方法包括：获取交易监控指标的实时交易数据；根据交易监控指标的实时交易数据及其所属的时间参数，从记录有交易监控指标、时间参数及异常识别模型的映射关系中查找异常识别模型，其中，所述异常识别模型由各交易监控指标在各时间参数下的交易特征及各交易监控指标在各时间参数下的历史交易数据确定，所述交易特征包括稀疏性特征、突发性特征、集中性特征及不稳定性特征；将所述交易监控指标的实时交易数据输入至查找到的异常识别模型中，得到识别结果。本文能够在无需人为参与的情况下，高效、准确、全面且自动的识别实时交易数据的异常情况。
一种交易监控指标异常识别方法装置

[发明专利]基于出租车GPS数据挖掘的交通异常识别方法-CN201510060839.9有效
发明人：安实;张昕明;崔建勋;王健;姚焓东;魏艳波 -专利权人：哈尔滨工业大学
申请日： 2015-02-05 - 公布日： 2017-11-03 - 主分类号： G06F17/30 文献下载
摘要：基于出租车GPS数据挖掘的交通异常识别方法，属于交通流量和路径选择模式的交通异常识别领域。现有的交通异常时间检测设备的局限性和数据的不完整性导致交通异常事件识别的准确性和实时性低的问题。一种基于出租车GPS数据挖掘的交通异常识别方法，利用城市出租车GPS数据，抽象出个体出租车的出行轨迹，以大量的个体轨迹反映群体的时空行为规律，既判断交通流量变化的异常，又可挖掘路径选择行为的异常。将城市路网划分为等距离方格网，进而基于网格单元，根据交通异常图结构中路径上轨迹模式的变化，准确地识别单元区域内的交通异常及单元区域间连接性的交通异常；至此，通过单元区域内交通异常识别和单元区域间连接性交通异常识别这两部分完成交通异常的识别过程；其中，交通异常是指交通事故、交通拥堵、恶劣天气和道路交通紧急事件。
基于出租车 gps 数据挖掘交通异常识别方法

[发明专利]一种生活污水处理设施异常识别方法及监控平台-CN202010173385.7有效
发明人：缪袁泉;秦海洋;周雨淼;庞景墩;袁德河;张红升;王洪伟;吴易 -专利权人：中交疏浚技术装备国家工程研究中心有限公司
申请日： 2020-03-12 - 公布日： 2020-11-10 - 主分类号： G06Q10/00 文献下载
摘要：本发明公开了一种生活污水处理设施异常识别方法及监控平台，包括：S1、获取污水提升泵在正常工作状态下、特定时间内的电流、出口流量数据，以及该污水提升泵在发生故障前、特定时间内的电流、出口流量数据，用于构建异常分析数据集，S2、通过聚类算法对异常分析数据集进行聚类分析，得到异常类数据簇；S3、根据所述异常类数据簇得到数值边界，构建异常识别模型；S4、采集污水提升泵的电流、出口流量数据，输入所述异常识别模型，以进行异常判断进一步对所述异常类数据簇进行时序分析以得到时间边界并加入所述异常识别模型。本发明的异常识别方法对所述时间边界内的数据进行综合判断，能够预警所述污水处理设施的初期异常运行。
一种生活污水处理设施异常识别方法监控平台

[实用新型]一种电镀浮架异常识别系统-CN201721896798.8有效
发明人：郑晓蓉;周刚;王欣 -专利权人：广东科翔电子科技有限公司
申请日： 2017-12-29 - 公布日： 2018-07-24 - 主分类号： G01D21/00 文献下载
摘要：本实用新型提供了一种电镀浮架异常识别系统，包括浮架、电镀导电座，还包括导电检测装置以及与所述导电检测装置连接的四个浮架升降异常识别组件；浮架升降异常识别组件包括外壳、感应筒、导电金属片、弹簧、感应杆；在浮架上浮的路径上，浮架四个角对应的位置处设置浮架升降异常识别组件；浮架上浮时，当浮架顶到浮架升降异常识别组件时，组件通电；通过对四个组件开始通电的时间差进行对比即可判断出浮架上升是否正常，浮架下降时同理判断；实现了对工作中的电镀浮架实时进行异常检测
浮架异常识别电镀升降导电检测装置异常识别系统上浮通电本实用新型导电金属片异常检测组件包括时间差导电座感应杆感应筒位置处弹簧

[发明专利]一种基于深度学习的变电站异常智能识别方法及系统-CN202010748384.0在审
发明人：张月;杜书;黄思婕;沈伟年;陈昶;廖彬宇;刘若林;廖俊;李欣然 -专利权人：国网四川省电力公司信息通信公司
申请日： 2020-07-30 - 公布日： 2020-11-20 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于深度学习的变电站异常智能识别方法及系统，包括：建立变电站异常数据库；对监控视频数据进行分析，获得变电站异常图像数据集；对变电站异常图像数据集中的每个图像进行标注，获得标注后的训练数据集；建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出结果完成变电站异常识别。本方法及系统能够高效准确的对变电站进行识别；本方法中的模型训练数据准确，能够保障模型识别准确，且训练数据质量高，计算量小。本方法中的清洁结构能够对镜片进行清洁，避免模型误识别。
一种基于深度学习变电站异常智能识别方法系统

[发明专利]一种基于深度学习的变电站异常智能识别方法及系统-CN202011489217.5有效
发明人：马玫;王卓;彭伟夫;陈泰龙;何伟;李旭旭;陈少磊;唐娜;邱磊 -专利权人：国网四川省电力公司信息通信公司
申请日： 2020-12-16 - 公布日： 2023-08-29 - 主分类号： G06V20/40 文献下载
摘要：本发明公开了一种基于深度学习的变电站异常智能识别方法及系统，包括：建立变电站异常数据库；对监控视频数据进行分析，获得变电站异常图像数据集；对变电站异常图像数据集中的每个图像进行标注，获得标注后的训练数据集；建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出结果完成变电站异常识别。本方法及系统能够高效准确的对变电站进行识别；本方法中的模型训练数据准确，能够保障模型识别准确，且训练数据质量高，计算量小。本方法中的清洁结构能够对镜片进行清洁，避免模型误识别。
一种基于深度学习变电站异常智能识别方法系统

[发明专利]一种大坝渗漏电性异常识别方法、系统及电子设备-CN202310724771.4在审
发明人：张平松;汪椰伶;席超强;谭磊 -专利权人：安徽理工大学
申请日： 2023-06-16 - 公布日： 2023-09-12 - 主分类号： G06V20/60 文献下载
摘要：本发明提供的一种大坝渗漏电性异常识别方法、系统及电子设备，涉及大坝渗漏电性异常识别技术领域。方法包括获取待测大坝的视电阻率图像；将待测大坝的视电阻率图像输入到大坝渗漏电性异常识别模型中，确定待测大坝中的渗漏电性异常区位置与异常数；大坝渗漏电性异常识别模型是利用标注后的视电阻率图像，对端对端深度学习模型进行训练后得到的本发明通过构建并训练端对端深度学习模型能够提高大坝渗漏电性异常区的识别精度和效率。
一种大坝渗漏异常识别方法系统电子设备

[发明专利]信息识别方法和装置-CN201910966338.5有效
发明人：刘曾超前;董灵芝 -专利权人：北京百度网讯科技有限公司
申请日： 2019-10-12 - 公布日： 2023-07-18 - 主分类号： H04L41/0677 文献下载
摘要：本申请实施例公开了信息识别方法和装置。该方法的一具体实施方式包括：接收目标异常信息；获取目标异常信息的目标接口路径；将目标接口路径在预先构建的异常识别树中进行查找，其中，异常识别树用于存储接口路径与服务的映射关系；响应于查找成功，基于查找到的节点存储的服务识别目标异常信息所属的目标服务该实施方式涉及云计算领域，基于存储接口路径与服务的映射关系的异常识别树实现统一的异常所属服务识别。
信息识别方法装置

[发明专利]无人机地铁隧道巡检方法、装置、计算机设备及存储介质-CN202310173676.X有效
发明人：袁志宏;肖红彬;赵彦军;牛晓东 -专利权人：北京思维实创科技有限公司
申请日： 2023-02-23 - 公布日： 2023-07-28 - 主分类号： G05D1/10 文献下载
摘要：获取隧道施工方案，根据所述隧道施工方案构建隧道巡检BIM模型；当获取到隧道巡检指令时，根据所述隧道巡检BIM模型生成无人机巡检路线，并根据所述无人巡检路线触发无人机巡检指令；获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成隧道运维指令，并根据所述异常确认信息更新所述隧道异常识别模型。
无人机地铁隧道巡检方法装置计算机设备存储介质

[发明专利]异常快件识别方法、装置、计算机设备和存储介质-CN202011617723.8在审
发明人：张莹莹;殷皓;张英驰;杨金辉;聂仁桐;潘舒静;黎碧君;陈志文 -专利权人：顺丰科技有限公司
申请日： 2020-12-30 - 公布日： 2022-07-01 - 主分类号： G06Q10/06 文献下载
摘要：本申请涉及一种异常快件识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别快件在多个预设异常识别场景下的场景标识；根据所述场景标识获取对应的历史复重运单数据和实时运单数据，根据所述历史复重运单数据和所述实时运单数据，得到所述待识别快件在各个所述预设异常识别场景下的异常风险信息；根据各个所述预设异常识别场景下的异常风险信息，确定所述待识别快件的目标风险信息；根据所述目标风险信息，确定对所述待识别快件的异常识别结果。采用本方法能够提高对待识别快件识别结果的准确度，从而解决了传统的少计重量快件的识别方法中由于复重的随机性及规则的局限性，导致对少计重量快件的识别准确率较低的问题。
异常快件识别方法装置计算机设备存储介质

[实用新型]一种分选装置-CN202120363102.5有效
发明人：曹乃亮;朱万彬;刘钰;李莉;袁定阳;李承夏 -专利权人：中国科学院长春光学精密机械与物理研究所
申请日： 2021-02-07 - 公布日： 2021-10-26 - 主分类号： B07C5/02 文献下载
摘要：本实用新型提供一种分选装置，包括：滑道识别单元、异常识别单元；滑道识别单元识别是否有待分选物料经过；异常识别单元检测待分选物料的空间运动区域，识别是否有运动路径异常的待分选物料。本实用新型通过滑道识别单元和光学识别单元共同进行识别，对光学识别单元无法识别的待分选物料仍可以进行分离，提高分选精度；本实用新型的异常识别单元识别进行异常运动的待分选物料，对因进行异常运动而未被滑道识别单元和/或光学识别单元识别的待分选物料进行分离，提高分选精度。
一种分选装置

[发明专利]一种训练道路异常识别模型、道路异常识别的方法及系统-CN201910300918.0在审
发明人：李高杨;林拥军;宋征;张星;郝燕茹 -专利权人：北京易华录信息技术股份有限公司
申请日： 2019-04-15 - 公布日： 2019-08-16 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种训练道路异常识别模型、道路异常识别的方法及系统，训练道路异常识别模型方法包括：获取道路异常情况及道路正常情况的图像；将道路异常情况及道路正常情况的图像输入到神经网络模型中；根据道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。该识别模型对输入的全帧道路原图无需经过定位等步骤，只需对图像进行一次运算，具有较高的实时性，运用迁移学习技术，加速了模型训练收敛速度，可识别包括道路积水、道路火灾及交通事故多种道路异常情况。
异常识别神经网络模型图像迁移道路积水模型训练图像输入次运算可识别可训练实时性预设收敛交通事故火灾学习