CN107690659B - 一种图像识别系统及图像识别方法 - Google Patents

一种图像识别系统及图像识别方法 Download PDF

Info

Publication number
CN107690659B
CN107690659B CN201680006923.5A CN201680006923A CN107690659B CN 107690659 B CN107690659 B CN 107690659B CN 201680006923 A CN201680006923 A CN 201680006923A CN 107690659 B CN107690659 B CN 107690659B
Authority
CN
China
Prior art keywords
image
sample
samples
training
identification
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
Application number
CN201680006923.5A
Other languages
English (en)
Other versions
CN107690659A (zh
Inventor
柴伦绍
廉士国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cloudminds Shanghai Robotics Co Ltd
Original Assignee
Cloudminds Robotics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cloudminds Robotics Co Ltd filed Critical Cloudminds Robotics Co Ltd
Publication of CN107690659A publication Critical patent/CN107690659A/zh
Application granted granted Critical
Publication of CN107690659B publication Critical patent/CN107690659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene

Abstract

一种图像识别系统及图像识别方法，涉及识别技术领域，用以提升现有的图像分类模型的分类准确度。该系统包括：识别模块(11)、检索模块(12)以及训练模块(13)，其中：识别模块(11)，用于采用图像分类模型对所述图像样本进行识别，得到图像样本的图像类别置信度；检索模块(12)，用于当确定该图像类别置信度小于第一预定阈值时，检索出该图像样本的相似人工识别样例，将相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为图像样本的识别结果；训练模块(13)，用于根据训练样本库中的训练样本训练图像分类模型；该训练样本包括人工识别样例和高置信度图像检索样例，该高置信度图像检索样例为检索模块检索到的人工识别样例。

Description

一种图像识别系统及图像识别方法
技术领域
本申请涉及识别技术领域，尤其涉及一种图像识别系统及图像识别方法。
背景技术
人工智能(英文：Artificial Intelligence，简称AI)也称机器智能，是指由人工制造出来的系统所表现出来的智能。机器学习算法是目前获得人工智能的重要途径，机器学习算法通过对现有数据的分析学习出特定模型，随后对实际场景作出判断和预测。例如，以图像识别为例，在现有技术中，可以通常机器学习算法(如SVM分类算法、深度卷积网络算法等)来对已知图像类别的训练样本进行分类训练，训练出专用于识别图像的图像分类模型。
现有的图像分类模型的分类准确度取决于训练样本的数量和质量。然而，在实际应用中，获取高质量的、足够数量的训练样本往往是困难和代价巨大的。
发明内容
本申请的实施例提供一种图像识别系统及图像识别方法，用以提升现有的图像分类模型的分类准确度。
为达到上述目的，本申请的实施例采用如下技术方案：
第一方面，提供一种图像识别系统，包括：
识别模块，用于采用图像分类模型对所述图像样本进行识别，得到所述图像样本的图像类别置信度；
检索模块，用于当确定所述识别模块得到的所述图像类别置信度小于第一预定阈值时，检索出所述图像样本的相似人工识别样例，将所述相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为所述图像样本的识别结果；
所述训练模块，用于根据所述训练样本库中的训练样本训练所述图像分类模型；其中，所述训练样本包括人工识别样例和高置信度图像检索样例；所述高置信度图像检索样例为所述检索模块检索到的人工识别样例。
第二方面，提供一种图像识别方法，包括：
采用图像分类模型对所述图像样本进行识别，得到所述图像样本的图像类别置信度；
当确定所述图像类别置信度小于第一预定阈值时，检索出所述图像样本的相似人工识别样例，将所述相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为所述图像样本的识别结果。
本申请实施例提供的方案，通过在现有的图像识别技术上引入图像检索技术，从而可以在基于图像分类模型所识别出的图像样本的图像类别置信度小于预定阈值时，采用图像检索技术直接为图像样本检索出相似人工识别样例，将相似人工识别样例中置信度最高的目标人工识别样例的识别结果作为该图像样本的识别结果，并将检索出的高置信度的图像样例存储至训练样本库中，作为训练样本，以便后续基于这些训练样本对图像分类模块进行重训练。这样通过图像识别、图像检索来积累高质量的样本，通过图像训练来对图像分类模型进行训练，使得图像识别、图像检索以及图像训练在整个图像识别系统中构成一个完整的闭环，随着得到的训练样本的不断增加，积累样本和重训练过程的不断循环，迭代地提升图像分类模型的识别能力和识别模块的识别准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种图像识别系统的系统结构图；
图2为本申请实施例提供的另一种图像识别系统的系统结构图；
图3为本申请实施例提供的一种图像识别方法的方法流程图；
图4为本申请实施例提供的一种图像分类模型的训练方法的流程示意图；
图5为本申请实施例提供的又一种图像识别系统的系统结构图；
图6为本申请实施例提供的另一种图像识别系统的结构示意图。
具体实施方式
下面对本申请中所涉及的部分术语进行解释，以方便读者理解：
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。如果不加说明，本文中的“多个”是指两个或两个以上。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
需要说明的是，本申请实施例中，除非另有说明，“多个”的含义是指两个或两个以上。
需要说明的是，本申请实施例中，“的(英文：of)”，“相应的(英文：corresponding，relevant)”和“对应的(英文：corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。
下面将结合本申请实施例的说明书附图，对本申请实施例提供的技术方案进行说明。显然，所描述的是本申请的一部分实施例，而不是全部的实施例。需要说明的是，下文所提供的任意多个技术方案中的部分或全部技术特征在不冲突的情况下，可以结合使用，形成新的技术方案。
本申请实施例提供的图像识别方法的执行主体可以为图像识别系统或者可以用于执行上述图像识别方法的电子设备。其中，该图像识别系统可以为某一集成有识别模块、检索模块以及训练模块的电子设备。
示例性的，上述电子设备可以为采用本申请实施例提供的方法对图像样本进行分析或对图像识别模型(如，本申请实施例中提及的图像分类模型)进行模型更新的个人计算机((personal computer，PC)、上网本、个人数字助理(英文：Personal DigitalAssistant，简称：PDA)、服务器等，或者上述电子设备可以为安装有可以采用本申请实施例提供的方法对图像样本进行处理的软件客户端或软件系统或软件应用的PC、服务器等，具体的硬件实现环境可以通用计算机形式，或者是ASIC的方式，也可以是FPGA，或者是一些可编程的扩展平台例如Tensilica的Xtensa平台等等。例如，上述的电子设备可集成在无人驾驶机、盲人导航仪、无人驾驶车辆、智能车辆、智能手机等需要对前方物体进行识别的设备或仪器中。
本申请实施例所提供的技术方案的基本原理为：通过引入图像检索技术，从而将基于图像分类模型的识别方法与基于内容的图像检索方法相结合，并在图像分类模型所识别出的图像类别的图像类别置信度小于预定阈值时，通过基于内容的图像检索方法检索出图像样本的相似人工识别样例进行分析，得到该图像样本的识别结果，将高置信度图像检索样例作为训练样本存储至训练样本库中，来对图像分类模型进行重训练，以提高图像分类模型的识别能力。
本申请中的图像分类模型，用于提取图像样本的图像特征，并根据图像赝本的图像特征识别该图像样本所属的图像类别，以及识别出图像样本的图像类别的置信度。例如，以深度卷积网络为例，深度卷积网络是一个多层的神经网络，该网络的最后一层一般是一个全连接层，可以看作是一个多分类器，相应的，之前的网络层可以看作特征抽取层，深度卷积网络抽取的特征一般具有比较高的抽象层次，包含更多语义信息，而且图像特征维数较少，检索速度快。
基于上述内容，本申请的实施例提供一种图像识别系统，如图1所示，该系统包括识别模块11、检索模块12以及训练模块13，其中：
识别模块11，用于采用图像分类模型对所述图像样本进行识别，得到图像样本的图像类别置信度。
本申请中的图像样本可以为当前用户通过具有图像采集功能的电子设备(例如，照相机、手机等)所采集的图像，也可以为通过该图像识别模块自带的图像采集模块实时采集到的图像。
本申请中的图像识别系统可以应用于不同应用场景下的不同应用系统中，如辅助医学图像诊断系统、导航系统、盲人辅助系统、智能辅助驾驶系统生产线残次品检测系统等实际智能应用系统。例如，当本申请中的图像识别系统应用于辅助医学图像诊断系统中，则该图像样本为医疗图像，当本申请中的图像识别系统应用于导航系统或盲人辅助系统中，则该图像样本为实时采集的用户前方实时图像。
本申请中的图像样本的图像类别置信度用于表征识别出的图像类别的准确程度。
检索模块12，用于当确定识别模块11得到的图像类别置信度小于第一预定阈值时，检索出图像样本的相似人工识别样例，将所述相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为所述图像样本的识别结果。
训练模块13，用于根据训练样本库中的训练样本训练图像分类模型；其中，该训练样本包括人工识别样例和高置信度图像检索样例；该高置信度图像检索样例为检索模块12检索到的人工识别样例。
可选的，检索模块12，还用于当图像样本图像类别置信度大于等于第一预定阈值时，将图像样本作为高置信度图像检索样例存储至训练样本库中。
可选的，上述的识别模块11，还用于：
在确定图像样本的图像类型置信度大于等于第一预定阈值，则输出识别出的图像样本的识别结果。
可选的，上述的识别模块11还用于得到图像样本的图像特征。
检索模块12，具体用于：
根据识别模块11得到的图像样本的图像特征，从图像样本库中检索出图像样本的相似人工识别样例；其中，该相似人工识别样例的识别结果中包含的图像特征与图像样本的图像特征间的相似度大于第二预定阈值。
本申请中的图像样本库用于存储一个或多个已知识别结果的人工识别样。
示例性的，参照图2所示的图像识别系统框图所示，若识别模块11识别出的图像样本的图像类别置信度较高，即图像样本的图像类型置信度大于等于预定阈值，则直接输出识别结果；反之，若识别模块11识别出的图像样本的图像类别置信度较低，即图像样本的图像类型置信度小于预定阈值，则系统会自动转向检索模块12，通过检索模块12从图像样本库中检索类似的样例，如果检索到一个或多个相似度较高的样例，则分析这些相似样例，得到相似度最高的样例作为该图像样本的相似图像，并将该样例的识别结果作为该图像样本的识别结果；若检索模块12检索不到相似度较高样例，则可以交由人工客服来进行处理，并将人工分析结果以及该图像样本的图像数据作为一个样本保存在图像样本库中，以便作为检索样本，对图像样本库中的检索样本进行补充。
同时，参照图2所示的图像识别系统框图，为了提高图像分类模型的预测能力，检索模块12通常会将检索到的高置信度的图像检索样例作为训练样本存储至训练样本库中，作为训练图像分类模型的训练样本，从而对图像分类模型进行训练，以提高该图像分类模型的识别能力和识别精度。
例如，以盲人辅助系统为例(例如，帮助盲人识别红绿灯)，当获取到包含红绿灯信息的图像时，首先，利用图像分类模型对该图像进行识别，并确定该图像的图像类别置信度是否达到识别的阈值，若该图像的图像类别置信度较低时(如由于雾霾严重，使得图像中的红绿灯状态信息识别程度较低的情况下)，图像识别系统会自动转到检索模块12，从图像样本库中检索出与该图像相似的相似图像，并将该相似图像的识别结果反馈给图像识别系统，若不能检索到相似图片，则可以转到人工客服，由人工客服帮助盲人；若该图像的图像类别置信度较高时，则可以直接输出基于图像分类模型识别出的识别结果。需要说明的是，当对人工客服的样本进行保存时，可能无法由人工客服的信息直接得到物体的确切种类，则进行必要的分析处理，如，以雾霾情况下识别红绿为例，如果人工客服指导盲人过马路，那么当前红绿灯应该是绿灯亮状态，即识别结果为绿灯，如果人工客服让盲人等候再过马路，那么当前红绿灯应该是非绿灯状态，即识别结果为非绿灯。
上述方案中，通过在现有的图像识别技术上引入图像检索技术，从而可以在基于图像分类模型所识别出的图像样本的图像类别的图像类别置信度小于预定阈值时，采用图像检索技术直接为图像样本检索出相似人工识别样例，将相似人工识别样例中置信度最高的目标人工识别样例的识别结果作为该图像样本的识别结果，并将检索出的高置信度的图像样例存储至训练样本库中，作为训练样本，以便后续基于这些训练样本对图像分类模块进行重训练。这样通过图像识别、图像检索来积累高质量的样本，通过图像训练来对图像分类模型进行重训练，使得图像识别、图像检索以及图像训练在整个图像识别系统中构成一个完整的闭环，随着得到的训练样本的不断增加，积累样本和重训练过程的不断循环，迭代地提升图像分类模型的识别能力和识别模块的识别准确度。
另一方面，随着检索得到的识别结果的不断增多，训练样本库中的训练样本的不断增多，本方案中的还可以基于这些预设样本来对图像分类模型进行重训练，使得图像分类模型的预测能力不断得到增高。
可选的，图像识别系统中的训练模块13对训练样本库中存储的训练样本的样本数量进行实时监控，并在确定该训练样本的样本数量满足重训练的标准时进行重训练。
具体的，训练模块13，具体用于：
判定训练样本库中存储的训练样本的样本数量是否满足第二预定阈值；若满足，则从训练样本库中获取训练样本的识别结果，对识别模块11中的图像分类模型进行训练。
示例性的，图像分类模型的自动训练更新有一定的启动条件，例如判定训练样本库中存储的已知图像类别的预设样本的样本数量是否达到预设阈值，或者，可以在新样本入库时或者定时检查数据库中样本是否达到了模型更新的启动条件，如果达到则启动机器学习模型重训练过程，在当前的模型基础上进行微调(fine-tuning)产生预测能力更强的模型，最后将模型更新到线上系统。
上述方案，通过对训练样本库中存储的来自检索模块的预设标注样本进行监控，并在该训练样本库中存储的训练样本满足预定条件时，基于该训练样本的识别结果对现有的图像分类模型进行训练，通过训练后的图像分类模型对图像样本进行图像识别。这样通过借助图像检索技术得到的更符合实际场景以及高质量的训练样本，来对图像分类模型进行重新训练，从而可以训练出识别准确度更高的模型，而重训练得到的模型可以有效地提高模型识别图像的识别能力。同时，随着训练样本的不断增加，使得模型的识别能力得到不断提升，避免人力资源的过大投入。
下面将基于图1、2所示的图像识别系统的各模块的功能描述以及其他相关描述，对本申请实施例提供的图像识别方法进行介绍。以下实施例中与上述实施例相关的技术术语、概念等的说明可以参照上述的实施例，这里不再赘述。
本申请的实施例提供一种图像识别方法，应用于上述实施例描述的图像识别系统，如图3所示，该方法包括如下步骤：
S201、采用图像分类模型对图像样本进行识别，得到图像样本的图像类别置信度。
S202、当确定所述图像类别置信度小于第一预定阈值时，检索出所述图像样本的相似人工识别样例，将该相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为图像样本的识别结果。
然后，若确定该图像样本的图像类型置信度大于等于第一预定阈值，则输出识别出的图像样本的识别结果。
可选的，在执行步骤S201的同时，还包括如下步骤：
S201a、采用图像分类模型对图像样本进行识别后得到图像样本的图像特征。
进一步的，基于步骤S201a，上述步骤S202具体包括如下步骤：
S202a、根据图像样本的图像特征，从图像样本库中检索出图像样本的相似人工识别样例；其中，相似人工识别样例的识别结果中包含的图像特征与图像样本的图像特征间的相似度大于第二预定阈值；该图像样本库用于存储一个或多个人工识别样例。
可选的，在步骤S202之后，还包括对图像分类模型的训练过程，具体包括如下步骤：
S203、当该图像样本的图像类别置信度大于等于第一预定阈值时，将图像样本作为高置信度图像检索样例存储至训练样本库中；其中，该训练样本包括人工识别样例和高置信度图像检索样例。
S204、根据训练样本库中的训练样本训练图像分类模型；其中，该训练样本包括人工识别样例和高置信度图像检索样例。
可选的，如图4所示，步骤S204具体包括如下步骤：
S204a、判定训练样本库中存储的训练样本的样本数量是否满足第二预定阈值。
S204b、若满足，则从训练样本库中获取训练样本的识别结果，对图像分类模型进行训练。
上述主要从图像识别系统角度对本申请实施例提供的方案进行了介绍。可以理解的是，该系统为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
下面说明本申请实施例提供的与上文所提供的方法实施例相对应的装置实施例。需要说明的是，下述装置实施例中相关内容的解释，均可以参考上述方法实施例。
该系统中的各模块具体所能实现的功能如下所述：识别模块11用于支持图像识别系统执行图3中的步骤S201；检索模块12用于支持图像识别系统执行图3中的步骤S202；训练模块13用于支持图像识别系统执行图3中的步骤S203。进一步的，识别模块11用于支持图像识别系统执行上文中的步骤S201a，检索模块12具体用于支持图像识别系统执行上文中的步骤S202a、S202b。进一步的，检索模块12具体用于支持图像识别系统执行上文中的步骤S203，训练模块13用于支持图像识别系统执行上文中的步骤S204。更进一步的，训练模块13用于支持图像识别系统执行上文中的步骤S204a、S204b。其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
本申请实施例可以根据上述方法示例对图像识别系统的各个模块的功能进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在硬件实现上，上述的识别模块11、检索模块12、训练模块13可以是处理器。上述模块所执行的动作所对应的程序均可以以软件形式存储于与该处理器相连的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在采用集成的单元的情况下，图5示出了上述实施例中所涉及的图像识别系统的一种可能的结构示意图。该系统3包括：处理器31、存储器32、系统总线33和通信接口34。存储器32用于存储计算机执行代码，处理器31与存储器32通过系统总线33连接，当装置运行时，处理器31用于执行存储器32存储的计算机执行代码，以执行本申请实施例提供的任意一种图像识别方法，如，处理器31用于支持该装置执行图3中的全部步骤，和/或用于本文所描述的技术的其它过程，具体的图像识别方法可参考上文及附图中的相关描述，此处不再赘述。
本申请实施例还提供一种存储介质，该存储介质可以包括存储器32。
本申请实施例还提供一种计算机程序产品，该计算机程序可直接加载到存储器32中，并含有软件代码，该计算机程序经由计算机载入并执行后能够实现上述的图像识别方法。
处理器31可以是一个处理器，也可以是多个处理元件的统称。例如，处理器31可以为中央处理器(central processing unit，CPU)。处理器31也可以为其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(application specificintegrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。处理器31还可以为专用处理器，该专用处理器可以包括基带处理芯片、射频处理芯片等中的至少一个。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。进一步地，该专用处理器还可以包括具有该装置其他专用处理功能的芯片。
结合本申请公开内容所描述的方法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(英文：random access memory，缩写：RAM)、闪存、只读存储器(英文：read only memory，缩写：ROM)、可擦除可编程只读存储器(英文：erasableprogrammable ROM，缩写：EPROM)、电可擦可编程只读存储器(英文：electrically EPROM，缩写：EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于终端设备中。当然，处理器和存储介质也可以作为分立组件存在于终端设备中。
系统总线33可以包括数据总线、电源总线、控制总线和信号状态总线等。本实施例中为了清楚说明，在图5中将各种总线都示意为系统总线33。
通信接口34具体可以是该装置上的收发器。该收发器可以为无线收发器。例如，无线收发器可以是该装置的天线等。处理器31通过通信接口34与其他设备，例如，若该装置为该终端设备中的一个模块或组件时，该装置用于与该终端设备中的其他模块之间进行数据交互。
本申请实施例还提供一种图像识别系统，如图6所示，该图像识别系统包括：前端设备41、后端服务器42和后台人工客户端43，其中：上述的前端设备41用于采集图像样本；上述的后台服务器42用于实现本申请所提供的图像识别方法，该后台服务器包括识别模块、检索模块以及训练模块；当后台服务器42未得到置信度较高或未检索到相似度较高的样例时，将该图像样本传送至后台人工客户端43，交由人工客服进行处理。示例性的，上述的前端设备41可以为具备图像采集功能的移动终端、导盲智能机器人等电子设备；上述的后台服务器42可以为本申请提供的图像识别系统，也可以为集成有本申请提供的图像识别系统的服务器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
最后应说明的是：以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (11)

1.一种图像识别系统，其特征在于，包括：
识别模块，用于采用图像分类模型对所述图像样本进行识别，得到所述图像样本的图像类别置信度；
检索模块，用于当确定所述识别模块得到的所述图像类别置信度小于第一预定阈值时，检索出所述图像样本的相似人工识别样例，将所述相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为所述图像样本的识别结果；
训练模块，用于根据所述训练样本库中的训练样本训练所述图像分类模型；其中，所述训练样本包括人工识别样例和高置信度图像检索样例；所述高置信度图像检索样例为所述检索模块检索到的人工识别样例；
所述识别模块还用于得到所述图像样本的图像特征；
所述检索模块，具体用于：
根据所述识别模块得到的所述图像样本的图像特征，从图像样本库中检索出所述图像样本的相似人工识别样例；其中，所述相似人工识别样例的识别结果中包含的图像特征与所述图像样本的图像特征间的相似度大于第二预定阈值；其中，所述图像样本库用于存储一个或多个人工识别样例。
2.根据权利要求1所述的系统，其特征在于，所述检索模块，还用于：
当所述图像样本的图像类别置信度大于等于所述第一预定阈值时，将所述图像样本作为高置信度图像检索样例存储至训练样本库中。
3.根据权利要求1-2任一项所述的系统，其特征在于，所述训练模块，其中：
训练模块，用于：
判定所述训练样本库中存储的训练样本的样本数量是否满足第二预定阈值；
若满足，则从所述训练样本库中获取所述训练样本的识别结果，对所述识别模块中的图像分类模型进行训练。
4.根据权利要求1-3任一项所述的系统，其特征在于，所述识别模块，还用于：
在确定识所述图像样本的图像类型置信度大于等于所述第一预定阈值，则输出识别出的所述图像样本的识别结果。
5.一种图像识别方法，其特征在于，包括：
采用图像分类模型对所述图像样本进行识别，得到所述图像样本的图像类别置信度；
当确定所述图像类别置信度小于第一预定阈值时，检索出所述图像样本的相似人工识别样例，将所述相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为所述图像样本的识别结果；
采用图像分类模型对所述图像样本进行识别后得到所述图像样本的图像特征；
所述检索出所述图像样本的相似人工识别样例进行分析，得到所述图像样本的识别结果，包括：
根据所述识别模块得到的所述图像样本的图像特征，从图像样本库中检索出所述图像样本的相似人工识别样例；其中，所述相似人工识别样例的识别结果中包含的图像特征与所述图像样本的图像特征间的相似度大于第二预定阈值；所述图像样本库用于存储一个或多个人工识别样例。
6.根据权利要求5所述的方法，其特征在于，所述将所述相似人工识别样例中置信度最高的目标人工识别样例的识别结果，作为所述图像样本的识别结果之后，还包括：
当所述图像样本的图像类别置信度大于等于所述第一预定阈值时，将所述图像样本作为高置信度图像检索样例存储至训练样本库中；
其中，所述训练样本包括人工识别样例和所述高置信度图像检索样例。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述训练样本库中的训练样本训练所述图像分类模型；其中，所述训练样本包括人工识别样例和高置信度图像检索样例。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
判定所述训练样本库中存储的训练样本的样本数量是否满足第二预定阈值；
若满足，则从所述训练样本库中获取所述训练样本的识别结果，对所述识别模块中的图像分类模型进行训练。
9.根据权利要求5-8任一项所述的方法，其特征在于，所述采用图像分类模型对所述图像样本进行识别，得到识别结果之后，还包括：
在确定识所述图像样本的图像类型置信度大于等于所述第一预定阈值，则输出识别出的所述图像样本的识别结果。
10.一种图像识别系统，其特征在于，所述系统包括：存储器和处理器，所述存储器用于存储计算机执行代码，所述计算机执行代码用于控制所述处理器执行权利要求5-9任一项所述的图像识别方法。
11.一种计算机存储介质，其特征在于，用于储存为图像识别系统所用的计算机软件指令，其包含执行权利要求5-9任一项所述的图像识别方法所设计的程序代码。
CN201680006923.5A 2016-12-27 2016-12-27 一种图像识别系统及图像识别方法 Active CN107690659B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/112432 WO2018119684A1 (zh) 2016-12-27 2016-12-27 一种图像识别系统及图像识别方法

Publications (2)

Publication Number Publication Date
CN107690659A CN107690659A (zh) 2018-02-13
CN107690659B true CN107690659B (zh) 2021-08-10

Family

ID=61152337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680006923.5A Active CN107690659B (zh) 2016-12-27 2016-12-27 一种图像识别系统及图像识别方法

Country Status (3)

Country Link
US (1) US11270166B2 (zh)
CN (1) CN107690659B (zh)
WO (1) WO2018119684A1 (zh)

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3399465A1 (en) * 2017-05-05 2018-11-07 Dassault Systèmes Forming a dataset for fully-supervised learning
CN108491773B (zh) * 2018-03-12 2022-11-08 中国工商银行股份有限公司 一种识别方法及系统
CN110377670B (zh) * 2018-04-11 2021-11-26 腾讯大地通途（北京）科技有限公司 一种确定道路要素信息的方法、装置、介质及设备
CN110827099B (zh) * 2018-08-07 2022-05-13 阿里巴巴（中国）有限公司 一种家居商品推荐方法、客户端及服务器
EP3608701A1 (de) * 2018-08-09 2020-02-12 Olympus Soft Imaging Solutions GmbH Verfahren zur bereitstellung wenigstens einer auswertemethode für proben
CN109035831B (zh) 2018-09-07 2021-07-27 百度在线网络技术（北京）有限公司 交通指示灯的识别方法、装置、设备、存储介质及车辆
CN110895691B (zh) * 2018-09-12 2023-06-23 阿里巴巴集团控股有限公司 图像处理方法、装置及电子设备
CN110924052A (zh) * 2018-09-20 2020-03-27 格力电器（武汉）有限公司 洗衣机控制方法及装置
CN109492675B (zh) * 2018-10-22 2021-02-05 深圳前海达闼云端智能科技有限公司 医学影像的识别方法、装置、存储介质和电子设备
CN109583492A (zh) * 2018-11-26 2019-04-05 平安科技（深圳）有限公司 一种识别对抗性图像的方法及终端
CN109740671B (zh) * 2019-01-03 2021-02-23 北京妙医佳信息技术有限公司 一种图像识别方法及装置
CN109858380A (zh) * 2019-01-04 2019-06-07 广州大学 可扩展手势识别方法、装置、系统、手势识别终端和介质
CN110110115B (zh) * 2019-03-28 2023-05-23 西南电子技术研究所（中国电子科技集团公司第十研究所） 人机交互筛选识别机载目标图像的方法
CN111814514A (zh) * 2019-04-11 2020-10-23 富士通株式会社 号码识别装置、方法以及电子设备
CN110070076B (zh) * 2019-05-08 2021-05-18 北京字节跳动网络技术有限公司 用于选取训练用样本的方法和装置
CN110097140A (zh) * 2019-05-13 2019-08-06 招商局重庆交通科研设计院有限公司 一种用于隧道巡检机器人的数据处理系统
CN110309821B (zh) * 2019-05-24 2023-04-18 创新先进技术有限公司 图像采集检测方法以及装置
CN110378221A (zh) * 2019-06-14 2019-10-25 安徽南瑞继远电网技术有限公司 一种电网线夹自动检测与缺陷识别方法及装置
CN110245716B (zh) * 2019-06-20 2021-05-14 杭州睿琪软件有限公司 样本标注审核方法及装置
CN110263853B (zh) * 2019-06-20 2023-05-23 杭州睿琪软件有限公司 利用错误样本检查人工客户端状态的方法及装置
CN110458107B (zh) * 2019-08-13 2023-06-16 北京百度网讯科技有限公司 用于图像识别的方法和装置
CN110705360A (zh) * 2019-09-05 2020-01-17 上海零眸智能科技有限公司 一种人机结合高效处理分类数据的方法
CN110889411B (zh) * 2019-09-27 2023-12-08 武汉创想外码科技有限公司 基于ai芯片的通用图像识别模型
TWI772700B (zh) * 2019-10-29 2022-08-01 財團法人資訊工業策進會 影像辨識系統及其更新方法
CN112861567B (zh) * 2019-11-12 2024-01-05 上海高德威智能交通系统有限公司 一种车型分类方法及装置
CN110889357B (zh) * 2019-11-19 2023-10-27 湖南国奥电力设备有限公司 基于标注区域的地下电缆故障检测方法和装置
CN112861892B (zh) * 2019-11-27 2023-09-01 杭州海康威视数字技术股份有限公司 图片中目标的属性的确定方法和装置
CN111160148A (zh) * 2019-12-16 2020-05-15 上海聪育智能科技有限公司 一种基于像素差异的教学考勤识别系统及方法
CN111104988B (zh) * 2019-12-28 2023-09-29 Oppo广东移动通信有限公司 图像识别方法及相关装置
CN113128260A (zh) * 2019-12-30 2021-07-16 苏州快乐脑信息技术有限公司 一种教学管理系统及方法
CN111401456B (zh) * 2020-03-20 2023-08-22 杭州涂鸦信息技术有限公司 人脸姿态识别模型的训练方法及其系统和装置
CN111598168B (zh) * 2020-05-18 2022-06-24 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机设备及介质
CN111814835A (zh) * 2020-06-12 2020-10-23 理光软件研究所（北京）有限公司 计算机视觉模型的训练方法、装置、电子设备和存储介质
CN111930980B (zh) * 2020-08-21 2023-07-07 深圳市升幂科技有限公司 图像检索模型的训练方法及图像检索方法、装置、及介质
CN112036280A (zh) * 2020-08-24 2020-12-04 方海涛 水鸟种群动态监测方法、装置和设备
CN112541550B (zh) * 2020-12-16 2023-03-24 南京掌控网络科技有限公司 一种基于图像分类的冰箱完整性判断方法及电子设备
CN112649780B (zh) * 2020-12-17 2023-07-25 泰安轻松信息科技有限公司 一种智能仪表电路识别检测设备
CN112528447B (zh) * 2020-12-18 2024-04-12 中国南方电网有限责任公司 电网模型分类标识方法、系统、电子设备及存储介质
CN112733669A (zh) * 2020-12-30 2021-04-30 中国移动通信集团江苏有限公司 人工智能ai的识别方法、装置、设备及计算机存储介质
CN112733916B (zh) * 2020-12-31 2023-04-07 五八有限公司 虚假证件图片的识别方法、装置、电子设备及存储介质
CN112329896B (zh) * 2021-01-05 2021-05-14 武汉精测电子集团股份有限公司 模型训练方法及装置
CN112819815A (zh) * 2021-02-25 2021-05-18 汇鸿智能科技(辽宁)有限公司 金相组织识别方法、装置、计算机设备及存储介质
CN113239804B (zh) * 2021-05-13 2023-06-02 杭州睿胜软件有限公司 图像识别方法、可读存储介质及图像识别系统
CN113627248A (zh) * 2021-07-05 2021-11-09 深圳拓邦股份有限公司 自动选择识别模型的方法、系统、割草机及存储介质
CN113610138A (zh) * 2021-08-02 2021-11-05 典基网络科技(上海)有限公司 基于深度学习模型的图像分类识别方法、装置及存储介质
CN113722509B (zh) * 2021-09-07 2022-03-01 中国人民解放军32801部队 一种基于实体属性相似度的知识图谱数据融合方法
CN113808116A (zh) * 2021-09-24 2021-12-17 无锡精质视觉科技有限公司 基于图像识别的智能检测方法、系统及产品检测系统
CN114627098A (zh) * 2022-03-28 2022-06-14 上海商汤智能科技有限公司 检测结果处理方法和装置、设备、介质
CN114511748B (zh) * 2022-04-19 2022-06-24 山东第一医科大学附属省立医院(山东省立医院) 一种pcr方舱废料收纳装置的信息扫描系统及方法
CN117218356A (zh) * 2022-06-01 2023-12-12 深圳先进技术研究院 图像识别方法及装置
CN115376094B (zh) * 2022-10-27 2023-02-03 山东聚祥机械股份有限公司 基于尺度感知神经网络的无人清扫车路面识别方法及系统
CN115512348B (zh) * 2022-11-08 2023-03-28 浪潮金融信息技术有限公司 一种基于双识别技术的物体识别方法、系统、设备及介质
CN115965875B (zh) * 2023-03-16 2023-06-20 德阳稷农农业科技有限公司 一种农作物病虫害智能监控方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103425693A (zh) * 2012-05-23 2013-12-04 富士通株式会社 图像处理装置、图像处理方法以及电子设备
CN104318242A (zh) * 2014-10-08 2015-01-28 中国人民解放军空军工程大学 一种高效的svm主动半监督学习算法
CN105844287A (zh) * 2016-03-15 2016-08-10 民政部国家减灾中心 一种遥感影像分类的域自适应方法及系统

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6501855B1 (en) * 1999-07-20 2002-12-31 Parascript, Llc Manual-search restriction on documents not having an ASCII index
JP2001319232A (ja) * 2000-05-11 2001-11-16 Fuji Xerox Co Ltd 類似画像検索装置および類似画像検索方法
US6748398B2 (en) * 2001-03-30 2004-06-08 Microsoft Corporation Relevance maximizing, iteration minimizing, relevance-feedback, content-based image retrieval (CBIR)
US7035467B2 (en) * 2002-01-09 2006-04-25 Eastman Kodak Company Method and system for processing images for themed imaging services
US7471832B2 (en) * 2004-02-24 2008-12-30 Trw Automotive U.S. Llc Method and apparatus for arbitrating outputs from multiple pattern recognition classifiers
US7457808B2 (en) * 2004-12-17 2008-11-25 Xerox Corporation Method and apparatus for explaining categorization decisions
US7756341B2 (en) * 2005-06-30 2010-07-13 Xerox Corporation Generic visual categorization method and system
US7720848B2 (en) * 2006-03-29 2010-05-18 Xerox Corporation Hierarchical clustering with real-time updating
US8489987B2 (en) * 2006-07-31 2013-07-16 Ricoh Co., Ltd. Monitoring and analyzing creation and usage of visual content using image and hotspot interaction
US7711747B2 (en) * 2007-04-06 2010-05-04 Xerox Corporation Interactive cleaning for automatic document clustering and categorization
US20080294514A1 (en) * 2007-05-23 2008-11-27 Calman Matthew A System and method for remote deposit capture and customer information gathering
US8180162B2 (en) * 2007-11-06 2012-05-15 National University Corporation Hokkaido University Similar image retrieving device
US7885794B2 (en) * 2007-11-30 2011-02-08 Xerox Corporation Object comparison, retrieval, and categorization methods and apparatuses
CN101299762B (zh) * 2008-06-20 2011-08-17 北京中星微电子有限公司 一种身份认证方法及装置
US9514355B2 (en) * 2009-01-05 2016-12-06 Apple Inc. Organizing images by correlating faces
US8429173B1 (en) * 2009-04-20 2013-04-23 Google Inc. Method, system, and computer readable medium for identifying result images based on an image query
US8165974B2 (en) * 2009-06-08 2012-04-24 Xerox Corporation System and method for assisted document review
US8380647B2 (en) * 2009-08-14 2013-02-19 Xerox Corporation Training a classifier by dimension-wise embedding of training data
WO2011092865A1 (ja) * 2010-02-01 2011-08-04 株式会社モルフォ 物体検出装置及び物体検出方法
US8566746B2 (en) * 2010-08-30 2013-10-22 Xerox Corporation Parameterization of a categorizer for adjusting image categorization and retrieval
JP5214760B2 (ja) * 2011-03-23 2013-06-19 株式会社東芝 学習装置、方法及びプログラム
JP2012243180A (ja) * 2011-05-23 2012-12-10 Sony Corp 学習装置および方法、並びにプログラム
US8903198B2 (en) * 2011-06-03 2014-12-02 International Business Machines Corporation Image ranking based on attribute correlation
CN103324937B (zh) * 2012-03-21 2016-08-03 日电（中国）有限公司 标注目标的方法和装置
EP2962101A4 (en) * 2013-02-28 2016-10-19 Progyny Inc APPARATUS, METHOD AND SYSTEM FOR CLASSIFYING HUMAN EMBRYONIC CELLS FROM IMAGES
US8923608B2 (en) * 2013-03-04 2014-12-30 Xerox Corporation Pre-screening training data for classifiers
JP6588444B2 (ja) * 2014-01-28 2019-10-09 ベンタナ メディカル システムズ， インコーポレイテッド 全スライド組織セグメント化のための適応分類
JP6433187B2 (ja) * 2014-08-07 2018-12-05 キヤノン株式会社 情報処理装置、その制御方法およびコンピュータプログラム
WO2016037844A1 (en) * 2014-09-09 2016-03-17 Thomson Licensing Method and apparatus for image retrieval with feature learning
US20160259980A1 (en) * 2015-03-03 2016-09-08 Umm Al-Qura University Systems and methodologies for performing intelligent perception based real-time counting
US10055843B2 (en) * 2015-03-31 2018-08-21 Mayo Foundation For Medical Education And Research System and methods for automatic polyp detection using convulutional neural networks
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
WO2017055412A1 (en) * 2015-09-30 2017-04-06 Siemens Healthcare Gmbh Method and system for classification of endoscopic images using deep decision networks
US10699236B2 (en) * 2015-10-17 2020-06-30 Tata Consultancy Services Limited System for standardization of goal setting in performance appraisal process
US9990561B2 (en) * 2015-11-23 2018-06-05 Lexmark International, Inc. Identifying consumer products in images
EP3532962B1 (en) * 2016-10-28 2023-06-28 Verily Life Sciences LLC Predictive models for visually classifying insects
JP6837376B2 (ja) * 2017-04-10 2021-03-03 富士フイルム株式会社 画像処理装置および方法並びにプログラム
CN109191382B (zh) * 2018-10-18 2023-12-05 京东方科技集团股份有限公司 图像处理方法、装置、电子设备及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103425693A (zh) * 2012-05-23 2013-12-04 富士通株式会社 图像处理装置、图像处理方法以及电子设备
CN104318242A (zh) * 2014-10-08 2015-01-28 中国人民解放军空军工程大学 一种高效的svm主动半监督学习算法
CN105844287A (zh) * 2016-03-15 2016-08-10 民政部国家减灾中心 一种遥感影像分类的域自适应方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SemiBoost: Boosting for Semi-supervised learning;Pavan Kumar Mallapragada et al.;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20091130;第III节B部分，第IV节A部分 *

Also Published As

Publication number Publication date
US11270166B2 (en) 2022-03-08
US20190318208A1 (en) 2019-10-17
CN107690659A (zh) 2018-02-13
WO2018119684A1 (zh) 2018-07-05

Similar Documents

Publication Publication Date Title
CN107690659B (zh) 一种图像识别系统及图像识别方法
CN111126396B (zh) 图像识别方法、装置、计算机设备以及存储介质
CN113688851B (zh) 数据标注方法和装置和精细粒度识别方法和装置
CN112732871B (zh) 一种机器人催收获取客户意向标签的多标签分类方法
CN111723728A (zh) 基于双向交互网络的行人搜索方法、系统、装置
US11954599B2 (en) Bi-directional interaction network (BINet)-based person search method, system, and apparatus
CN116681957B (zh) 一种基于人工智能的图像识别方法及计算机设备
CN111199238A (zh) 一种基于双流卷积神经网络的行为识别方法及设备
CN114973209A (zh) 识别驾驶员情绪的方法、装置、设备、介质和车辆
CN112149754A (zh) 一种信息的分类方法、装置、设备及存储介质
CN115393606A (zh) 图像识别的方法和系统
CN109978058B (zh) 确定图像分类的方法、装置、终端及存储介质
CN110738080A (zh) 一种识别改装机动车的方法、装置和电子设备
CN117409419A (zh) 图像检测方法、设备及存储介质
CN111553183A (zh) 一种船只检测模型训练方法、船只检测方法及装置
CN112700766B (zh) 语音识别模型的训练方法及装置、语音识别方法及装置
CN114092818B (zh) 语义分割方法、装置、电子设备及存储介质
CN111178370A (zh) 车辆检索方法及相关装置
CN114972725B (zh) 模型训练方法、可读介质和电子设备
CN116612466B (zh) 基于人工智能的内容识别方法、装置、设备及介质
US20210201043A1 (en) Video sampling method and apparatus using the same
CN116052220B (zh) 行人重识别方法、装置、设备及介质
WO2022205158A1 (zh) 图像样本的处理方法和装置以及数据处理方法和装置
CN112837326B (zh) 遗留物检测方法、装置及设备
CN117746348A (zh) 一种非法运营车辆的识别方法、装置、电子设备及介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210201

Address after: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Applicant after: Dalu Robot Co.,Ltd.

Address before: 518000 Room 201, building A, 1 front Bay Road, Shenzhen Qianhai cooperation zone, Shenzhen, Guangdong

Applicant before: Shenzhen Qianhaida Yunyun Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai

Patentee after: Dayu robot Co.,Ltd.

Address before: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Patentee before: Dalu Robot Co.,Ltd.