CN108345889A - 一种利用树莓派对通信机柜进行示数识别的应用方法 - Google Patents

一种利用树莓派对通信机柜进行示数识别的应用方法 Download PDF

Info

Publication number
CN108345889A
CN108345889A CN201810161474.2A CN201810161474A CN108345889A CN 108345889 A CN108345889 A CN 108345889A CN 201810161474 A CN201810161474 A CN 201810161474A CN 108345889 A CN108345889 A CN 108345889A
Authority
CN
China
Prior art keywords
cabinet
raspberry
image
reading area
registration
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.)
Granted
Application number
CN201810161474.2A
Other languages
English (en)
Other versions
CN108345889B (zh
Inventor
肖云杰
龚伟
陈毅龙
李伟华
夏仕俊
陈晓露
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power 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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN201810161474.2A priority Critical patent/CN108345889B/zh
Publication of CN108345889A publication Critical patent/CN108345889A/zh
Application granted granted Critical
Publication of CN108345889B publication Critical patent/CN108345889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种利用树莓派对通信机柜进行示数识别的应用方法，包含以下过程：步骤S1、树莓派获取每个通信机柜的机柜图像；步骤S2、分别从机柜图像中识别并分离出机柜示数区域；步骤S3、分别对分离出的机柜示数区域进行读数结果轮廓检测，将示数区域的读数区域拆分成单数字图像，并将得到的单数字图像通过网络进行识别；步骤S4、移动终端执行tensorflow程序步骤，使用预先训练好的mnist模型去识别拆分成的单数字图像。本发明具有提高了对通信机柜的示数识别速度和准确性的优点。

Description

一种利用树莓派对通信机柜进行示数识别的应用方法
技术领域
本发明涉及人工智能领域，特别涉及一种利用在树莓派上应用TensorFlow模型对通信机柜进行示数识别的应用方法。
背景技术
电力系统设备种类繁多，由于很多电力通信机房是早期建设，很多设备都没有采用各种先进技术进行管理，造成大量设备登记信息不足，虽然部分设备有人工贴上一维码标签，但还是存在很多没有进行设备信息建档工作及日常维护实时同步设备信息等情况，从而造成越来越多“哑设备”存在。为了解决哑设备问题，目前普遍采用的方法就是通过人工现场重新登记管理，但这对于电力系统将是一项非常庞大的工程，没有更优秀的技术手段辅助将会造成大量的人力物力投入，并且周期也非常长。因此如何在电力系统中怎样快速高效管理维护这些哑设备，以哑设备智能管理手段有效的减轻人力物力投入，已成为一个非常急需解决的重大问题。
文字识别技术在各个领域应用已非常成熟，如车牌识别技术、图书文字翻译技术。字符识别的主要对象是汉字、字母和数字，而汉字其结构非常复杂，其识别过程复杂程度远高于数字和字母。常用文符识别方法有：人工神经网络法：必须找寻特征，会有计算量大、耗资源等问题；模板匹配法：对噪声要求高、字符变化大影响识别率；结构特征字符识别法：对性能要求高、存储资源大、识别速度慢；统计特征字符识别法：相识度较高字符识别差，有时也需寻找特征，特征变化大情况下识别率低。目前的智能手机系统、平板电脑操作系统，它们的处理速度远远低于个人电脑的操作系统，在这种情况下，如何在通信机柜上应用树莓派技术，并提高其对通信机柜的示数识别速度和准确性，这就成为了亟需解决的问题。
发明内容
本发明的目的是提供一种利用树莓派对通信机柜进行示数识别的应用方法，通过在树莓派上使用开源的tensorflow模型和神经网络图像识别技术进行通信机柜示数图像识别，实现人工智能在通信运检上的应用的目的。
为了实现以上目的，本发明通过以下技术方案实现：
一种利用树莓派对通信机柜进行示数识别的应用方法，包含以下过程：
多个变电站和/或开关站的通信机房分别设置树莓派，各个树莓派对采集到的通信机柜图像进行示数识别，并基于电力通信网与存储服务器和通信电源监控终端进行数据交互，视示数识别结果，将采集到的通信机柜图像以相应的方式回传并存储到存储服务器中，通信电源监控终端对存储服务器中各个通信机柜图像进行呈现。
所述树莓派对通信机柜进行示数识别具体包含以下过程：
步骤S1、树莓派获取每个通信机柜的机柜图像。
步骤S2、分别从机柜图像中识别并分离出机柜示数区域。
步骤S3、分别对分离出的机柜示数区域进行读数结果轮廓检测，将示数区域的读数区域拆分成单数字图像，并将得到的单数字图像通过网络进行识别。
步骤S4、移动终端执行tensorflow程序步骤，使用预先训练好的mnist模型去识别拆分成的单数字图像。
优选地，所述步骤S2包含以下过程：在树莓派上设有的处理器执行opencv程序步骤，对每个通信机房示数图像进行压缩、解压缩处理，对每个通信机房示数图像进行轮廓解析识别出机柜读数区域。
优选地，对读数区域识别包含以下过程：树莓派设有的摄像头获取的机柜图像中识别出含有有效信息的读数区域；基于有效的读数区域具有的读数后有背景，读数有鲜明于背景色的前景色和固定的读数区域范围的特征对读数区域进行识别。
步骤S2.1、以读数区域大小为搜索框大小，固定好背景色，搜索过程中将前景色过滤成背景色，对整个图像遍历搜索框，计算得到搜索框中背景色的密度，达到阈值的搜索框成为读数区域的候选结果，进入步骤S2.2。
步骤S2.2、对步骤S2.1得到的候选结果，固定前景色，过滤掉背景色，计算搜索框过滤掉背景色后的图像中前景色的密度，达到阈值的搜索框成为读数区域的识别结果。
优选地，用来固定背景色从而获得读数区域候选结果的背景色密度的阈值为90%；计算过滤背景色后的图像中前景色密度的阈值为80%。
优选地，对读数区域结果进行背景色的过滤，只剩下前景色和新的背景色；采用树莓派配备的处理器执行opencv程序进行数字图像轮廓的检测，得到含有单个数字和/或符号的矩形，将矩形归一化成统一大小的图像后，执行步骤S4。
优选地，对mnist模型进行训练包含以下过程：生成若干个的具有不同颜色、大小、粗细和倾斜度的电子数字图像，加上实际机柜读数图片作为训练数据，用来训练mnist模型；将训练好的mnist模型导入到对应的树莓派中。
本发明与现有技术相比具有以下优点： 通过在树莓派上使用开源的tensorflow模型和神经网络图像识别技术或预热技术进行通信机柜示数图像识别，实现人工智能在通信运检上的应用。提高了对通信机柜的示数识别速度和准确性。
附图说明
图1为本发明一种利用树莓派对通信机柜进行示数识别的信息传递流程示意图；
图2为本发明一种利用树莓派对通信机柜进行示数识别的应用方法中对Mnist网络进行模型训练的过程流程示意图。
具体实施方式
以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
如图1所示，多个变电站和/或开关站的通信机房（例如：变电站通信机房A，开关站通信机房B）分别设置ARM核心控制器1和受控设备2，在本实施例中，ARM核心控制器采用树莓派。各个树莓派对采集到的通信机柜图像进行示数识别，并基于电力通信网与存储服务器4和通信电源监控终端3进行数据交互，视示数识别结果，将采集到的通信机柜图像以相应的方式回传并存储到存储服务器4，通过通信电源监控终端3对存储服务器4中各个通信机柜图像进行呈现。
其中树莓派对通信机柜进行示数识别具体包含以下过程：步骤S1、树莓派获取每个通信机柜的机柜图像；
步骤S2、分别从机柜图像中识别并分离出机柜示数区域；
步骤S3、分别对分离出的机柜示数区域进行读数结果轮廓检测，将示数区域的读数区域拆分成单数字图像，并将得到的单数字图像通过网络进行识别；
步骤S4、移动终端执行tensorflow程序步骤，使用预先训练好的mnist模型去识别拆分成的单数字图像。
在本实施例中，上述步骤S2进一步包含以下过程：在树莓派上设有的处理器执行opencv程序步骤，对每个通信机房示数图像进行压缩、解压缩处理，对每个通信机房示数图像进行轮廓解析识别出机柜读数区域。
对读数区域识别包含以下过程：
首先，从树莓派设有的摄像头获取的机柜图像中识别出含有有效信息的读数区域。由于有效的读数区域是有自己明显的特征的：读数后有一块背景，读数有鲜明于背景色的前景色，读数区域的大小是固定的。基于读数区域这个特征来进行读数区域的识别：步骤S2.1、以读数区域大小为搜索框大小，固定好背景色，搜索过程中将前景色过滤成背景色，对整个图像遍历搜索框，计算得到搜索框中背景色的密度，达到阈值的搜索框成为读数区域的候选结果，等待下一步的处理。
步骤S2.2、对上一过程得到的候选结果，固定好前景色，过滤掉背景色，计算搜索框过滤掉背景色后的图像中前景色的密度，达到阈值的搜索框成为读数区域的识别结果。
上述涉及的两个阈值：用来固定背景色从而获得读数区域候选结果的背景色密度的阈值C1和用于获得读数区域的最终结果，固定前景色，过滤背景色，计算过滤背景色后的图像中前景色密度的阈值C2。这两个阈值的选取关乎着读数区域识别的准确率和效率。在本实施例中，选取两个阈值分别为C1=90%和C2=80%。由于光照等原因，背景色/前景色计算密度的时候是需要设置一定的偏差值，在偏差容许范围内，都可以认为是背景色/前景色。
上述得到的读数区域结果中会有大量的部分重合结果，这是由于阈值C1和C2不为100%导致的结果，因此对上述读数区域结果进行去重操作，将有重合部分的读数区域都归为一类，从其中选取背景色、前景色密度最大的作为代表元，每个类的代表元作为最终分割出的读书区域的结果。
根据上述得到的读数区域的结果对读数区域进行轮廓检测，上述步骤S3进一步包含以下过程：将读数区域拆分成单数字图像，例如：将类似“225”的读数结果拆分成“2”、“2”和“5”的图像结果交给网络去识别。
在进行轮廓检测之前，首先对读数区域结果进行预处理：对读数区域结果进行背景色的过滤，只剩下前景色和新的背景色(即黑色)。
预处理之后，采用树莓派配备的处理器执行opencv程序进行数字图像轮廓的检测。检测结果为含有单个数字(符号)的矩形。将检测结果归一化成统一大小的图像后，执行步骤S4。上述Opencv是一个基于BSD许可开源发行的跨平台计算机视觉库，轻量且高效。
上述步骤S4进一步包含以下过程：在树莓派上部署tensorflow系统，搭建mnist网络，通过导入训练好的mnist模型对轮廓解析结果进行识别，得到最终的读数。
在tensorflow系统上搭建mnist网络。Mnist网络是tensorflow系统上一个基本的卷积神经网络模型，用于进行手写数字的识别，整个网络由两个卷积层(包含激活层和池化层)，一个全连接层，一个dropout层和一个softmax层组成。
由于移动终端的计算能力有限，因此Mnist网络使用前需要进行训练，即在其他机器上进行模型的训练。如图2所示，Mnist网络在其他机器上进行模型的训练的过程为，首先创建常量和变量，依次创建操作节点和初始化节点，启动图，对变量进行初始化操作，运行创建好的操作节点，最后更新变量值。由于机柜示数的图像是标准的电子数字图像，因此训练数据可以使用生成的电子数字图像来补充。先生成大量的电子数字图像(不同颜色、大小、粗细、倾斜度)，再加上部分实际机柜读数图片作为训练数据，用来训练mnist模型。训练好模型之后，将模型导入到树莓派中。之后，就可以通过树莓派执行这个模型对轮廓解析结果进行精确的识别，得到识别结果。
在本实施例中，可以对基于卷积神经网络（CNN）算法进行调优，即
卷积神经网络（CNN）是为识别二维形状而特殊设计的一个多层感知器，是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。
CNN在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。在典型的CNN中，开始几层通常是卷积层和下采样层的交替，在靠近输出层的最后几层网络通常是全连接网络。
CNN的训练过程主要是学习卷积层的卷积核参数和层间连接权重等网络参数。卷积网络的训练算法主要分为向前传播和向后传播两个阶段：在向前传播阶段，算法从样本集中取一个样本（X，Yp），将X输入网络，并计算相应的实际输出Op；在向后传播阶段，算法计算实际输出Op与相应的理想输出Yp的差，并按极小化误差的方法反向传播调整权矩阵。CNN的预测过程主要是基于输入图像和网络参数计算类别标签。
当前研究的前沿经典算法是基于深度学习的RCNN系列： RCNN，fast RCNN (RossGirshick)，faster RCNN。这三个工作的核心思想是分别是：使用更好的CNN模型判断候选区域的类别；复用预计算的sharing feature map加快模型训练和物体检测的速度；进一步使用sharing feature map大幅提高计算候选区域的速度。其实基于深度学习的物体检测也可以看成对海量滑动窗口分类，只是用全卷积的方式。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种利用树莓派对通信机柜进行示数识别的应用方法，其特征在于，包含以下过程：
多个变电站和/或开关站的通信机房分别设置树莓派，各个树莓派对采集到的通信机柜图像进行示数识别，并基于电力通信网与存储服务器和通信电源监控终端进行数据交互，视示数识别结果，将采集到的通信机柜图像以相应的方式回传并存储到存储服务器中，通信电源监控终端对存储服务器中各个通信机柜图像进行呈现；
所述树莓派对通信机柜进行示数识别具体包含以下过程：
步骤S1、树莓派获取每个通信机柜的机柜图像；
步骤S2、分别从机柜图像中识别并分离出机柜示数区域；
步骤S3、分别对分离出的机柜示数区域进行读数结果轮廓检测，将示数区域的读数区域拆分成单数字图像，并将得到的单数字图像通过网络进行识别；
步骤S4、移动终端执行tensorflow程序步骤，使用预先训练好的mnist模型去识别拆分成的单数字图像。
2.如权利要求1所述的利用树莓派对通信机柜进行示数识别的应用方法，其特征在于，所述步骤S2包含以下过程：在树莓派上设有的处理器执行opencv程序步骤，对每个通信机房示数图像进行压缩、解压缩处理，对每个通信机房示数图像进行轮廓解析识别出机柜读数区域。
3.如权利要求2所述的利用树莓派对通信机柜进行示数识别的应用方法，其特征在于，对读数区域识别包含以下过程：树莓派设有的摄像头获取的机柜图像中识别出含有有效信息的读数区域；
基于有效的读数区域具有的读数后有背景，读数有鲜明于背景色的前景色和固定的读数区域范围的特征对读数区域进行识别：
步骤S2.1、以读数区域大小为搜索框大小，固定好背景色，搜索过程中将前景色过滤成背景色，对整个图像遍历搜索框，计算得到搜索框中背景色的密度，达到阈值的搜索框成为读数区域的候选结果，进入步骤S2.2；
步骤S2.2、对步骤S2.1得到的候选结果，固定前景色，过滤掉背景色，计算搜索框过滤掉背景色后的图像中前景色的密度，达到阈值的搜索框成为读数区域的识别结果。
4.如权利要求3所述的利用树莓派对通信机柜进行示数识别的应用方法，其特征在于，
用来固定背景色从而获得读数区域候选结果的背景色密度的阈值为90%；
计算过滤背景色后的图像中前景色密度的阈值为80%。
5.如权利要求3所述的利用树莓派对通信机柜进行示数识别的应用方法，其特征在于，对读数区域结果进行背景色的过滤，只剩下前景色和新的背景色；
采用树莓派配备的处理器执行opencv程序进行数字图像轮廓的检测，得到含有单个数字和/或符号的矩形，将矩形归一化成统一大小的图像后，执行步骤S4。
6.如权利要求1所述的利用树莓派对通信机柜进行示数识别的应用方法，其特征在于，对mnist模型进行训练包含以下过程：生成若干个的具有不同颜色、大小、粗细和倾斜度的电子数字图像，加上实际机柜读数图片作为训练数据，用来训练mnist模型；将训练好的mnist模型导入到对应的树莓派中。
CN201810161474.2A 2018-02-27 2018-02-27 一种利用树莓派对通信机柜进行示数识别的应用方法 Active CN108345889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810161474.2A CN108345889B (zh) 2018-02-27 2018-02-27 一种利用树莓派对通信机柜进行示数识别的应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810161474.2A CN108345889B (zh) 2018-02-27 2018-02-27 一种利用树莓派对通信机柜进行示数识别的应用方法

Publications (2)

Publication Number Publication Date
CN108345889A true CN108345889A (zh) 2018-07-31
CN108345889B CN108345889B (zh) 2022-02-11

Family

ID=62960268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810161474.2A Active CN108345889B (zh) 2018-02-27 2018-02-27 一种利用树莓派对通信机柜进行示数识别的应用方法

Country Status (1)

Country Link
CN (1) CN108345889B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299670A (zh) * 2018-09-04 2019-02-01 浙江梧斯源通信科技股份有限公司 基于图像识别的机房设备管理方法
CN111245103A (zh) * 2020-03-31 2020-06-05 贵州电网有限责任公司 一种基于神经计算棒的电网变压器铭牌的显示和存储系统
CN112613380A (zh) * 2020-12-17 2021-04-06 网联清算有限公司 一种机房巡检方法、装置及电子设备、存储介质
CN113688825A (zh) * 2021-05-17 2021-11-23 海南师范大学 一种ai智能垃圾识别分类系统和方法
CN113807244A (zh) * 2021-09-16 2021-12-17 中国电信集团系统集成有限责任公司 一种基于深度学习的机柜布置图绘制方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013147A (zh) * 2010-09-29 2011-04-13 北京航空航天大学 高压输电塔智能防盗监控方法和装置
CN103177261A (zh) * 2013-03-06 2013-06-26 北方民族大学 一种基于图像识别技术的奶牛产奶量自动计量系统及其图像识别方法
CN105704453A (zh) * 2016-02-21 2016-06-22 国网江西省电力科学研究院 一种基于Raspberry Pi的电网设备视频监控装置
CN105758458A (zh) * 2016-03-31 2016-07-13 国网江西省电力科学研究院 基于树莓派和Java语言的变电站二次屏柜温湿度监测系统
CN106198331A (zh) * 2016-07-02 2016-12-07 中国人民解放军63680部队 基于Arduino和树莓派的网络环境监测系统
CN106231274A (zh) * 2016-09-23 2016-12-14 国网上海市电力公司 基于arm的电力站点通信电源监控系统及监控方法
CN106845514A (zh) * 2016-12-06 2017-06-13 深圳增强现实技术有限公司 一种基于深度学习的指针式表盘的读数判断方法和装置
CN106951900A (zh) * 2017-04-13 2017-07-14 杭州申昊科技股份有限公司 一种避雷器仪表读数的自动识别方法
CN107134853A (zh) * 2017-05-26 2017-09-05 青岛卓迅电子科技有限公司 一种电能表远程监控系统及其方法
CN107153848A (zh) * 2017-06-15 2017-09-12 南京工程学院 基于OpenCV的仪表图像自动识别方法
CN107229930A (zh) * 2017-04-28 2017-10-03 北京化工大学 一种指针式仪表数值智能识别方法及装置
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN107426542A (zh) * 2017-08-08 2017-12-01 深圳市安软慧视科技有限公司 基于边缘计算的实时人工智能视频系统的硬件架构

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013147A (zh) * 2010-09-29 2011-04-13 北京航空航天大学 高压输电塔智能防盗监控方法和装置
CN103177261A (zh) * 2013-03-06 2013-06-26 北方民族大学 一种基于图像识别技术的奶牛产奶量自动计量系统及其图像识别方法
CN105704453A (zh) * 2016-02-21 2016-06-22 国网江西省电力科学研究院 一种基于Raspberry Pi的电网设备视频监控装置
CN105758458A (zh) * 2016-03-31 2016-07-13 国网江西省电力科学研究院 基于树莓派和Java语言的变电站二次屏柜温湿度监测系统
CN106198331A (zh) * 2016-07-02 2016-12-07 中国人民解放军63680部队 基于Arduino和树莓派的网络环境监测系统
CN106231274A (zh) * 2016-09-23 2016-12-14 国网上海市电力公司 基于arm的电力站点通信电源监控系统及监控方法
CN106845514A (zh) * 2016-12-06 2017-06-13 深圳增强现实技术有限公司 一种基于深度学习的指针式表盘的读数判断方法和装置
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN106951900A (zh) * 2017-04-13 2017-07-14 杭州申昊科技股份有限公司 一种避雷器仪表读数的自动识别方法
CN107229930A (zh) * 2017-04-28 2017-10-03 北京化工大学 一种指针式仪表数值智能识别方法及装置
CN107134853A (zh) * 2017-05-26 2017-09-05 青岛卓迅电子科技有限公司 一种电能表远程监控系统及其方法
CN107153848A (zh) * 2017-06-15 2017-09-12 南京工程学院 基于OpenCV的仪表图像自动识别方法
CN107426542A (zh) * 2017-08-08 2017-12-01 深圳市安软慧视科技有限公司 基于边缘计算的实时人工智能视频系统的硬件架构

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUNDA SRIKANTH等: "Automated Electric Meter Reading and Monitoring System using Zigbee-Integrated Raspberry PI Single Board Computer via Ethernet", 《INTERNATIONAL JOURNAL OF SCIENTIFIC ENGINEERING AND TECHNOLOGY RESEARCH》 *
屠震元: "基于机器视觉的嵌入式仪表读数识别系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
田程: "基于树莓派2的微型农业大数据平台的可行性研究", 《HTTPS://KNS.CNKI.NET/KCMS/DETAIL/32.1214.S.20170526.1806.111.HTML》 *
第2期: "一种视觉导航参数的改进提取算法", 《计算机与现代化》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299670A (zh) * 2018-09-04 2019-02-01 浙江梧斯源通信科技股份有限公司 基于图像识别的机房设备管理方法
CN111245103A (zh) * 2020-03-31 2020-06-05 贵州电网有限责任公司 一种基于神经计算棒的电网变压器铭牌的显示和存储系统
CN112613380A (zh) * 2020-12-17 2021-04-06 网联清算有限公司 一种机房巡检方法、装置及电子设备、存储介质
CN112613380B (zh) * 2020-12-17 2024-03-15 网联清算有限公司 一种机房巡检方法、装置及电子设备、存储介质
CN113688825A (zh) * 2021-05-17 2021-11-23 海南师范大学 一种ai智能垃圾识别分类系统和方法
CN113807244A (zh) * 2021-09-16 2021-12-17 中国电信集团系统集成有限责任公司 一种基于深度学习的机柜布置图绘制方法
CN113807244B (zh) * 2021-09-16 2024-02-27 中电信数智科技有限公司 一种基于深度学习的机柜布置图绘制方法

Also Published As

Publication number Publication date
CN108345889B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN108345889A (zh) 一种利用树莓派对通信机柜进行示数识别的应用方法
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN109816009A (zh) 基于图卷积的多标签图像分类方法、装置及设备
CN108427920A (zh) 一种基于深度学习的边海防目标检测方法
Yu et al. A unified pruning framework for vision transformers
CN109190646B (zh) 一种基于神经网络的数据预测方法、装置及神经网络系统
CN109272509A (zh) 一种连续图像的目标检测方法、装置、设备及存储介质
CN110399788A (zh) 图像的au检测方法、装置、电子设备及存储介质
CN106203628B (zh) 一种增强深度学习算法鲁棒性的优化方法和系统
CN110378348A (zh) 视频实例分割方法、设备及计算机可读存储介质
CN115223082A (zh) 一种基于时空多尺度Transformer的航拍视频分类方法
CN110163111A (zh) 基于人脸识别的叫号方法、装置、电子设备及存储介质
CN106874879A (zh) 基于多特征融合和深度学习网络提取的手写数字识别方法
CN111833360B (zh) 一种图像处理方法、装置、设备以及计算机可读存储介质
CN108960412A (zh) 图像识别方法、装置及计算机可读存储介质
CN109978074A (zh) 基于深度多任务学习的图像美感和情感联合分类方法及系统
CN115082966B (zh) 行人重识别模型训练方法、行人重识别方法、装置和设备
CN109376683A (zh) 一种基于稠密图的视频分类方法和系统
CN108229432A (zh) 人脸标定方法及装置
CN109840905A (zh) 电力设备锈迹检测方法及系统
CN111046213B (zh) 一种基于图像识别的知识库构建方法
CN114764941A (zh) 一种表情识别方法、装置以及电子设备
CN116701706B (zh) 一种基于人工智能的数据处理方法、装置、设备及介质
CN110163401A (zh) 时间序列的预测方法、数据预测方法和装置
Acosta et al. Predicting city safety perception based on visual image content

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