掌桥专利:专业的专利平台
掌桥专利
首页

一种水稻氮素胁迫程度检测方法及系统

文献发布时间:2024-04-18 20:01:55


一种水稻氮素胁迫程度检测方法及系统

技术领域

本发明涉及水稻种植技术领域,特别涉及一种水稻氮素胁迫程度检测方法及系统。

背景技术

随着科技的进步以及生产力的快速发展,我国的农业生产技术也得到了快速的发展,对应大幅提升了农作物的生长效率以及产量,从而大幅提升了农作物的经济效益。

其中,水稻是一种在我国南方大范围种植的农作物,在其生长的过程中,氮素是必不可少的元素,具体的,水稻氮素过少,容易导致水稻生长缓慢,同时产量较低,对应的,水稻氮素过多,则会导致水稻倒伏的现象发生,因此,控制水稻氮素的含量是水稻生长的关键环节之一。

进一步的,现有技术大部分通过采集水稻的植株样品并在实验室内进行对应的化学分析,或者利用卫星遥感技术获取水稻大范围的数据,来进行对应的分析,然而,上述检测方式的操作较为繁琐、周期较长,同时需要耗费大量的人力以及物力,导致检测效率较低。

发明内容

基于此,本发明的目的是提供一种水稻氮素胁迫程度检测方法及系统,以解决现有的检测方式的操作较为繁琐、周期较长,同时需要耗费大量人力以及物力的问题。

本发明实施例第一方面提出了:

一种水稻氮素胁迫程度检测方法,其中,所述方法包括:

实时采集水稻的叶片图像,并将所述叶片图像输入至优化后的ResNet主干网络中,以通过主干网络提取出输入的叶片图像的特征并生成对应的原始特征图;

对所述原始特征图依次进行最大值池化处理以及平均值池化处理,以计算获得出所述原始特征图中包含的特征通道的最大值以及平均值,并通过预设全连接层将所述最大值以及所述最小值映射至同一通道权重内;

通过所述通道权重对所述原始特征图进行加权处理,以生成对应的目标特征图,并根据所述目标特征图检测出所述水稻的氮素胁迫程度。

本发明的有益效果是:通过实时采集水稻的叶片图像,并进一步通过预设ResNet模型快速的提取出与当前叶片图像对应的原始特征图,具体的,该原始特征图能够对应的反映出当前水稻的氮素胁迫程度情况,基于此,根据当前原始特征图进一步生成需要的目标特征图,从而能够最终准确的检测出当前水稻内部的氮素胁迫程度,从而能够大幅缩短氮素含量的检测周期,同时能够实现自动化的处理,对应大幅提升了用户的使用体验。

进一步的,所述对所述原始特征图依次进行最大值池化处理以及平均值池化处理的步骤包括:

检测出所述原始特征图的原始图像尺寸以及原始通道数,并通过第一残差块将所述原始图像尺寸缩小成目标图像尺寸;

依次通过第二残差块、第三残差块以及第四残差块将所述原始通道数调整为目标通道数,以完成对所述原始特征图的最大值池化处理。

进一步的,所述对所述原始特征图依次进行最大值池化处理以及平均值池化处理的步骤还包括:

将所述目标图像尺寸以及所述目标通道数同时输入至全局平均池化层中,所述目标图像尺寸包括目标宽度以及目标高度;

通过所述全局平均池化层将所述目标宽度以及所述目标高度均缩小为1,并保持所述目标通道数不变,以对应完成所述平均值池化处理。

进一步的,所述通过所述主干网络提取出与所述叶片图像对应的原始特征图的步骤包括:

当获取到所述叶片图像时,基于第一预设算法对所述叶片图像进行图像标准化处理,以生成对应的中间图像,并将所述中间图像输入至所述主干网络中的BN层中;

基于第二预设算法在所述BN层中将所述中间图像转换成所述原始特征图,所述第一预设算法的表达式为:

其中,x_hat表示所述中间图像,x表示所述叶片图像,μ表示均值,σ

进一步的,所述第二预设算法的表达式为:

y=γ*x_hat+β

其中,y表示所述原始特征图,x_hat表示所述中间图像,γ和β均表示学习参数。

进一步的,所述方法还包括:

根据所述水稻的氮素胁迫程度确定出与所述水稻对应的氮素胁迫程度等级,并根据所述氮素胁迫程度等级在预设数据库中确定出对应的氮素补充系数;

根据所述氮素胁迫程度检测出与所述水稻对应的氮素含量值,并根据所述氮素含量值以及所述氮素补充系数计算出对应的氮素补充值;

对所述氮素补充值以及所述氮素含量值进行累加处理,以对应计算出与所述水稻对应的氮素需求值,所述氮素补充值为正数或者负数。

进一步的,所述方法还包括:

实时监测所述氮素需求值是否高于预设氮素阈值;

若实时监测到所述氮素需求值高于所述预设氮素阈值,则在预设显示终端内发出对应的提示信息,所述提示信息包括声音提示以及文字提示。

本发明实施例第二方面提出了:

一种水稻氮素胁迫程度检测系统,其中,所述系统包括:

采集模块,用于实时采集水稻的叶片图像,并将所述叶片图像输入至优化后的ResNet模型的主干网络中,以通过所述主干网络提取出与所述叶片图像对应的原始特征并生成对应的原始特征图;

检测模块,用于对所述原始特征图依次进行最大值池化处理以及平均值池化处理,以检测出所述原始特征图中包含的特征通道的最大值以及平均值,并通过预设全连接层将所述最大值以及所述最小值映射至同一通道权重内;

处理模块,用于通过所述通道权重对所述原始特征图进行加权处理,以生成对应的目标特征图,并根据所述目标特征图检测出所述水稻的氮素胁迫程度。

进一步的,所述检测模块具体用于:

检测出所述原始特征图的原始图像尺寸以及原始通道数,并通过第一残差块将所述原始图像尺寸缩小成目标图像尺寸;

依次通过第二残差块、第三残差块以及第四残差块将所述原始通道数调整为目标通道数,以完成对所述原始特征图的最大值池化处理。

进一步的,所述检测模块还具体用于:

将所述目标图像尺寸以及所述目标通道数同时输入至全局平均池化层中,所述目标图像尺寸包括目标宽度以及目标高度;

通过所述全局平均池化层将所述目标宽度以及所述目标高度均缩小为1,并保持所述目标通道数不变,以对应完成所述平均值池化处理。

进一步的,所述采集模块具体用于:

当获取到所述叶片图像时,基于第一预设算法对所述叶片图像进行图像标准化处理,以生成对应的中间图像,并将所述中间图像输入至所述主干网络中的BN层中;

基于第二预设算法在所述BN层中将所述中间图像转换成所述原始特征图,所述第一预设算法的表达式为:

其中,x_hat表示所述中间图像,x表示所述叶片图像,μ表示均值,σ

进一步的,所述第二预设算法的表达式为:

y=γ*x_hat+β

其中,y表示所述原始特征图,x_hat表示所述中间图像,γ和β均表示学习参数。

进一步的,所述水稻氮素胁迫程度检测系统还包括计算模块,所述计算模块具体用于:

根据所述水稻的氮素胁迫程度确定出与所述水稻对应的氮素含量等级,并根据所述氮素含量等级在预设数据库中确定出对应的氮素补充系数;

根据所述氮素缺乏程度检测出与所述水稻对应的氮素含量值,并根据所述氮素含量值以及所述氮素补充系数计算出对应的氮素补充值;

对所述氮素补充值以及所述氮素含量值进行累加处理,以对应计算出与所述水稻对应的氮素需求值,所述氮素补充值为正数或者负数。

进一步的,所述水稻氮素含量检测系统还包括监测模块,所述监测模块具体用于:

实时监测所述氮素需求值是否高于预设氮素阈值;

若实时监测到所述氮素需求值高于所述预设氮素阈值,则在预设显示终端内发出对应的提示信息,所述提示信息包括声音提示以及文字提示。

本发明实施例第三方面提出了:

一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上面所述的水稻氮素胁迫程度检测方法。

本发明实施例第四方面提出了:

一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上面所述的水稻氮素胁迫程度检测方法。

本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。

附图说明

图1为本发明第一实施例提供的水稻氮素胁迫程度检测方法的流程图;

图2为本发明第二实施例提供的水稻氮素胁迫程度检测方法中的主干网络的结构示意图;

图3为本发明第二实施例提供的水稻氮素胁迫程度检测方法中的多层通道注意力模块的结构示意图;

图4为本发明第三实施例提供的水稻氮素胁迫程度检测方法中的平均池化处理示意图;

图5为本发明第六实施例提供的水稻氮素胁迫程度检测系统的结构框图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1,所示为本发明第一实施例提供的水稻氮素胁迫程度检测方法,本实施例提供的水稻氮素胁迫程度检测方法能够大幅缩短氮素含量的检测周期,同时能够实现自动化的处理,对应大幅提升了用户的使用体验。

具体的,本实施例提供的水稻氮素胁迫程度检测方法具体包括以下步骤:

步骤S10,实时采集水稻的叶片图像,并将所述叶片图像输入至优化后的ResNet主干网络中,以通过主干网络提取出输入的叶片图像的特征并生成对应的原始特征图;

步骤S20,对所述原始特征图依次进行最大值池化处理以及平均值池化处理,以检测出所述原始特征图中包含的特征通道的最大值以及平均值,并通过预设全连接层将所述最大值以及所述最小值映射至同一通道权重内;

步骤S30,通过所述通道权重对所述原始特征图进行加权处理,以生成对应的目标特征图,并根据所述目标特征图检测出所述水稻的氮素缺乏程度。

具体的,在本实施例中,首先需要说明的是,该水稻氮素胁迫程度检测方法用于实时检测出水稻中的氮素含量,以使水稻中的氮素含量能够持续的处于一个正常的范围,从而能够保证水稻稳定、正常的生长,对应提升水稻的产量。另外,需要指出的是,该方法是基于优化好的ResNet模型实施的,该优化好的ResNet模型主要由主干网络、特征提取模块以及预测网络组成,优选的,上述主干网络主要选用ResNet18网络,具体的,如图2所示,该主干网络依次包括第一个7*7卷积层、第一个BN层、第一个Max Pool层、第二个3*3卷积层、第四个3*3卷积层、第三个BN层、第五个3*3卷积层、第六个3*3卷积层、第四个BN层、第七个3*3卷积层、第八个3*3卷积层、第六个BN层、第九个3*3卷积层、第一个GAP层、第一个fc全连接层,进一步的,上述特征提取模块一共设置有四个,并且依次嵌入在上述主干网络的第三个3*3卷积层、第五个3*3卷积层、第七个3*3卷积层以及第九个3*3卷积层中,并且每一个特征提取模块均包含有一个GAP层、一个1d卷积层以及1个特征融合模块输出。

进一步的,通过当前主干网络提取出当前叶片图像中的原始特征图,与此同时,通过上述特征提取模块对当前原始特征图进行最大值池化处理以及平均值池化处理,从而能够分别检测出当前原始特征图中包含的特征通道的最大值以及平均值,并进一步通过预先设置好的全连接层将当前最大值以及最小值同时映射至同一通道权重内,基于此,能够最终通过当前通道权重对上述原始特征图进行加权处理,从而能够对应生成需要的目标特征图,在此基础之上,只需进一步检测出当前目标特征图中包含的特征分布情况,就能够对应检测出当前水稻的氮素胁迫程度。

第二实施例

具体的,在本实施例中,需要说明的是,上述对所述原始特征图依次进行最大值池化处理以及平均值池化处理的步骤包括:

检测出所述原始特征图的原始图像尺寸以及原始通道数,并通过第一残差块将所述原始图像尺寸缩小成目标图像尺寸;

依次通过第二残差块、第三残差块以及第四残差块将所述原始通道数调整为目标通道数,以完成对所述原始特征图的最大值池化处理。

具体的,在本实施例中,需要说明的是,为了能够有效的对上述原始特征图进行最大值池化处理,会首先检测出上述原始特征图对应的原始图像尺寸以及原始通道数,并对应将该原始特征图输入至上述特征提取模块的最大池化层中,具体的,例如输入的原始特征图的原始图像尺寸为“60x100”,原始通道数为“64”,进一步的,通过当前最大池化层中的第一残差块将当前原始图像尺寸缩小成目标图像尺寸,优选的,可以将“60x100”对应缩小成“30x50”。

进一步的,再依次将当前原始特征图输入至第二残差块、第三残差块以及第四残差块中,具体的,上述第二残差块会将原始通道数“64”转变为“128”,进一步的,上述第三残差块会将通道数“128”转变为“256”,更进一步的,上述第四残差块会将通道数“256”转变为“512”,从而能够对应完成上述原始特征图的最大值池化处理。

具体的,在本实施例中,还需要说明的是,上述对所述原始特征图依次进行最大值池化处理以及平均值池化处理的步骤还包括:

将所述目标图像尺寸以及所述目标通道数同时输入至全局平均池化层中,所述目标图像尺寸包括目标宽度以及目标高度;

通过所述全局平均池化层将所述目标宽度以及所述目标高度均缩小为1,并保持所述目标通道数不变,以对应完成所述平均值池化处理。

具体的,如图3所示,在本实施例中,还需要说明的是,在通过上述方式完成对原始特征图的最大值池化处理之后,此时需要将上述步骤获取到的目标图像尺寸以及目标通道数进一步输入至全局平均池化层中,例如将上述目标图像尺寸为“30x50”以及目标通道数为“512”的原始特征图输入至当前全局平均池化层中。

进一步的,如图4所示,当前全局平均池化层会进一步将当前原始特征图的尺寸缩小为“1x1”,即长度和宽度均缩小为1,与此同时,保持通道数不变,从而能够有效的完成平均值池化处理。

第三实施例

另外,在本实施例中,需要说明的是,上述通过所述主干网络提取出与所述叶片图像对应的原始特征图的步骤包括:

当获取到所述叶片图像时,基于第一预设算法对所述叶片图像进行图像标准化处理,以生成对应的中间图像,并将所述中间图像输入至所述主干网络中的BN层中;

基于第二预设算法在所述BN层中将所述中间图像转换成所述原始特征图,所述第一预设算法的表达式为:

其中,x_hat表示所述中间图像,x表示所述叶片图像,μ表示均值,σ

另外,在本实施例中,需要说明的是,为了能够准确的提取出需要的原始特征图,具体的,例如获取到一张尺寸为“w*h*c”的叶片图像,进一步的,会立即将当前叶片图像输入至7*7的卷积层中,并能够通过该7*7的卷积层输出尺寸为“n*n”,并且通道数为“64”的中间图像,进一步的,将该中间图像输入至上述主干网络的BN层中。

进一步的,会通过设置在该BN层中的第二预设算法将当前中间图像转换成上述原始特征图,具体的,该中间图像具有唯一性。

另外,在本实施例中,还需要说明的是,上述第二预设算法的表达式为:

y=γ*x_hat+β

其中,y表示所述原始特征图,x_hat表示所述中间图像,γ和β均表示学习参数。

另外,在本实施例中,还需要说明的是,在实际训练的过程中,均值和方差都是基于每个批次的统计量计算出的,而在实际推理的过程中,使用移动平均值来估计整个训练集的均值和方差,进一步的,通过上述BN层进行参数调整,从而可以使网络在训练和推理的过程中更加稳定和准确,以提高模型的训练速度和泛化能力。并且在每个特征提取模块的尾端均使用了ReLU激活函数以及Sogmoid激活函数,其中,ReLU的表达式为:

f(x)=max(0,x)

其中,x表示输入的实数值,可以是任意实数,max(a,b)表示取a和b中的较大值,因此,在ReLU函数中,max(0,x)表示在0和输入的x之间取较大值作为输出,另外,上述Sogmoid激活函数的表达式为:

其中,x表示输入的实数值,e

第四实施例

其中,在本实施例中,需要指出的是,所述方法还包括:

根据所述水稻的氮素胁迫程度确定出与所述水稻对应的氮素含量等级,并根据所述氮素含量等级在预设数据库中确定出对应的氮素补充系数;

根据所述氮素胁迫程度检测出与所述水稻对应的氮素含量值,并根据所述氮素含量值以及所述氮素补充系数计算出对应的氮素补充值;

对所述氮素补充值以及所述氮素含量值进行累加处理,以对应计算出与所述水稻对应的氮素需求值,所述氮素补充值为正数或者负数。

其中,在本实施例中,需要指出的是,在通过上述步骤检测出水稻的氮素缺乏程度后,此时可以具体根据当前氮素缺乏程度的大小在预设数据库中确定出对应的氮素补充系数,具体的,该氮素补充系数的大小在0-2之间。与此同时,同步检测出当前水稻内部的氮素含量值,基于此,只需对当前氮素含量值以及氮素补充系数进行相乘处理,就能够对应计算出需要的氮素补充值。

进一步的,再将当前氮素补充值与上述氮素含量值进行累加处理,就能够简单、快速的计算出当前水稻需要的氮素需求值,以便于后续的处理。

其中,在本实施例中,需要指出的是,所述方法还包括:

实时监测所述氮素需求值是否高于预设氮素阈值;

若实时监测到所述氮素需求值高于所述预设氮素阈值,则在预设显示终端内发出对应的提示信息,所述提示信息包括声音提示以及文字提示。

其中,在本实施例中,需要指出的是,为了能够使水稻内部的氮素含量持续的处于一个正常的区间内,还会实时监测水稻内部的氮素需求值是否高于预设氮素阈值。

具体的。若是,则需要发出对应的提示信息,以提醒工作人员进行对应的调整,对应的,若否,则不需要发出提示信息,并能够确定出当前水稻处于一个正常的生长状态。

请参阅图5,本发明第六实施例提供了:

一种水稻氮素含量检测系统,其中,所述系统包括:

采集模块,用于实时采集水稻的叶片图像,并将所述叶片图像输入至优化后的ResNet主干网络中,以通过主干网络提取出输入的叶片图像的特征并生成对应的原始特征图;

检测模块,用于对所述原始特征图依次进行最大值池化处理以及平均值池化处理,以获得出所述原始特征图中包含的特征通道的最大值以及平均值,并通过预设全连接层将所述最大值以及所述最小值映射至同一通道权重内;

处理模块,用于通过所述通道权重对所述原始特征图进行加权处理,以生成对应的目标特征图,并根据所述目标特征图检测出所述水稻的氮素缺乏程度。

其中,上述水稻氮素含量检测系统中,所述检测模块具体用于:

检测出所述原始特征图的原始图像尺寸以及原始通道数,并通过第一残差块将所述原始图像尺寸缩小成目标图像尺寸;

依次通过第二残差块、第三残差块以及第四残差块将所述原始通道数调整为目标通道数,以完成对所述原始特征图的最大值池化处理。

其中,上述水稻氮素含量检测系统中,所述检测模块还具体用于:

将所述目标图像尺寸以及所述目标通道数同时输入至全局平均池化层中,所述目标图像尺寸包括目标宽度以及目标高度;

通过所述全局平均池化层将所述目标宽度以及所述目标高度均缩小为1,并保持所述目标通道数不变,以对应完成所述平均值池化处理。

其中,上述水稻氮素胁迫程度检测系统中,所述采集模块具体用于:

当获取到所述叶片图像时,基于第一预设算法对所述叶片图像进行图像标准化处理,以生成对应的中间图像,并将所述中间图像输入至所述主干网络中的BN层中;

基于第二预设算法在所述BN层中将所述中间图像转换成所述原始特征图,所述第一预设算法的表达式为:

其中,x_hat表示所述中间图像,x表示所述叶片图像,μ表示均值,σ

其中,上述水稻氮素含量检测系统中,所述第二预设算法的表达式为:

y=γ*x_hat+β

其中,y表示所述原始特征图,x_hat表示所述中间图像,γ和β均表示学习参数。

其中,上述水稻氮素胁迫程度检测系统中,所述水稻氮素胁迫程度检测系统还包括计算模块,所述计算模块具体用于:

根据所述水稻的氮素胁迫程度确定出与所述水稻对应的氮素含量等级,并根据所述氮素含量等级在预设数据库中确定出对应的氮素补充系数;

根据所述氮素缺乏程度检测出与所述水稻对应的氮素含量值,并根据所述氮素含量值以及所述氮素补充系数计算出对应的氮素补充值;

对所述氮素补充值以及所述氮素含量值进行累加处理,以对应计算出与所述水稻对应的氮素需求值,所述氮素补充值为正数或者负数。

其中,上述水稻氮素胁迫程度检测系统中,所述水稻氮素含量检测系统还包括监测模块,所述监测模块具体用于:

实时监测所述氮素需求值是否高于预设氮素阈值;

若实时监测到所述氮素需求值高于所述预设氮素阈值,则在预设显示终端内发出对应的提示信息,所述提示信息包括声音提示以及文字提示。

本发明第七实施例提供了一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述实施例提供的水稻氮素胁迫程度检测方法。

本发明第八实施例提供了一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述实施例提供的水稻氮素胁迫程度检测方法。

综上所述,本发明上述实施例提供的水稻氮素胁迫程度检测方法及系统能够大幅缩短氮素含量的检测周期,同时能够实现自动化的处理,对应大幅提升了用户的使用体验。

需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。

应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。

在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。

相关技术
  • 一种基于分布式存储系统的虚拟机备份方法及系统
  • 一种基于调用图分析的微服务软件系统异常检测方法
  • 一种基于改进堆叠自编码器的卫星电源系统异常检测方法
  • 一种基于无监督学习的虚拟机异常检测方法及系统
  • 一种基于无监督学习的路面异常检测方法及系统
技术分类

06120116572338