CN108898107B - 自动分区命名方法 - Google Patents
自动分区命名方法 Download PDFInfo
- Publication number
- CN108898107B CN108898107B CN201810702693.7A CN201810702693A CN108898107B CN 108898107 B CN108898107 B CN 108898107B CN 201810702693 A CN201810702693 A CN 201810702693A CN 108898107 B CN108898107 B CN 108898107B
- Authority
- CN
- China
- Prior art keywords
- region
- processor
- image
- image acquisition
- acquisition device
- 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
Links
Images
Classifications
-
- 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
- G06V20/36—Indoor scenes
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种自动分区命名方法,其包括以下步骤:1)对待分区图像进行分区,分成N个区域;2)处理器控制移动装置带动影像采集装置到达其中一个区域,影像采集装置对该区域内的物体进行目标识别,判断得到该物体的类型;3)处理器从存储器中调取区域命名表,该区域命名表用于保存物体类型以及与该物体类型相匹配的区域名称,处理器根据识别的物体类型对该区域进行命名;4)处理器控制移动装置带动影像采集装置对下一个区域进行命名,直至N个区域全部命名结束。本发明可以有效自动进行区域划分,并对划分后的不同区域进行自动命名,便于智能化清洁装置后期根据不同的区域进行不同模式的清洁。
Description
技术领域
本发明智能识别领域,具体涉及一种自动分区命名方法。
背景技术
随着生活水平的提高,越来越多的智能化家居进入们的生活中,不管是家庭还是工作,也渐渐的离不开智能化家居。
智能化清洁装置已经渐渐进入了千家万户,但是现有的清洁装置清洁模式单一化,无法辨别其清洁的区域为“卧室”还是“客厅”或是“厨房”等,或需要人为对各个区域进行命名,操作复杂,不够人性化。
发明内容
为了解决上述技术问题,本发明提出了一种自动分区命名方法,其可以有效自动进行区域划分,并对划分后的不同区域进行自动命名,便于智能化清洁装置后期根据不同的区域进行不同模式的清洁。
为了达到上述目的,本发明的技术方案如下:
一种自动分区命名方法,包括以下步骤:
1)对待分区图像进行分区,分成N个区域;
2)处理器控制移动装置带动影像采集装置到达其中一个区域,影像采集装置对该区域内的物体进行目标识别,判断得到该物体的类型;
3)处理器从存储器中调取区域命名表,该区域命名表用于保存物体类型以及与该物体类型相匹配的区域名称,处理器根据识别的物体类型对该区域进行命名;
4)处理器控制移动装置带动影像采集装置对下一个区域进行命名,直至N个区域全部命名结束。
本发明一种自动分区命名方法,操作便捷,可以有效实现自动分区和区域的自动命名,便于后期清洁装置针对不同的区域进行有效的打扫。
在上述技术方案的基础上,还可做如下改进:
作为优选的方案,步骤1)具体为:
1.1)输入待分区图像;
1.2)对输入的待分区图像进行区域边界提取,找到区域轮廓,轮廓点即为图像灰度值变化的区域;
1.3)对步骤1.2)处理后的图像进行中线判别处理,对区域边界位置取平均即为区域中线位置;
1.4)对步骤1.3)处理后的图像进行中线拐点识别,设定区域位置变化临界值为I,对于图像内不同的公共区域,其区域宽度不同,当从一个区域过渡到另一个区域,区域中线位置产生突变;
若突变值大于I,则进行区域划分;
若突变值小于I,则不进行区域划分。
采用上述优选的方案,本发明克服技术难点,首先提出无特征、基于一维灰度图的公共区域分区方法,这是从前基于机器学习的分割分区方法无法做到的,其步骤简单,分区速度快。
作为优选的方案,步骤1.1)还包括以下内容:对输入的待分区图像进行噪声点去除,步骤1.1)可采用马尔科夫随机场算法或线性滤波算法进行区域平滑。
采用上述优选的方案,可以有效剔除误分区域。在步骤1.4)中,由于临界值的误差,会造成区域的误分情况,这种情况往往是小范围的错误划分。而采用噪声点的剔除,可以有效进而进行误分矫正。
马尔科夫随机场算法综合考虑了像素的像素值信息和标签信息,平滑效果的鲁棒性更好。
线性滤波主要有两类,一类是相关算子滤波,一类是卷积滤波。该类算法的优点在于平滑效果较为平和,一般是加权平均,所以结果具有渐变性。劣势是仅仅考虑了邻域之间像素的像素值,没有同时综合考虑到像素的标签信息,且计算量较大,算法的时间成本较高。
作为优选的方案,步骤2)具体为:
2.1)处理器控制移动装置带动影像采集装置到达其中一个区域;
2.2)影像采集装置采集该区域内的视频或图片;
2.3)处理器对该视频或图片进行处理,提取出尺寸大于设定值的参照物体;
2.4)处理器对参照物体进行识别,判断得到该参照物体的类型。
采用上述优选的方案,可以对大尺寸的物体进行识别,降低计算复杂度,提高对物体的识别准确性。
作为优选的方案,在步骤2.3)中参照物体可以为一个或多个。
采用上述优选的方案,根据具体情形进行操作。
作为优选的方案,当参照物体为多个时,步骤2.4)和3)分别为:
2.4)处理器对所有参照物体进行识别,判断各个参照物体的类型;
3)处理器从存储器中调取区域命名表,处理器得到一个或多个参照物体类型对应的区域名称;
当处理器得到一个区域名称时,则该区域名称就为此区域的名称;
当处理器得到多个区域名称时,则出现次数较多的区域名称就为该区域的名称。
采用上述优选的方案,对区域的命名更准确。
作为优选的方案,自动分区命名方法包括下述预操作;
预操作1)数据集收集与标注,收集多张同一类物体的图片,并对物体的属性进行标注,在图片中标注出物体所在位置;
预操作2)分类模型预训练,将预训练一个分类模型对每一类物体进行训练,对选定的类用标注的数据集提取深层网络特征,利用该特征来表征训练数据,从而构建数据集深层网络。
采用上述优选的方案,为有效准确的判别物体的类型进行准备。
作为优选的方案,在步骤2)中,处理器通过下述内容判断物体的类型;
处理器将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频或图片进行物体的判定与识别,并输出物体的类别以及其置信度。
采用上述优选的方案,可以有效判别物体的类型,判别其为沙发或马桶或床。
作为优选的方案,步骤2.2)包括:
2.2.1)移动装置带动影像采集装置运动;
2.2.2)移动装置停止运动,影像采集装置采集视频或图片;
2.2.3)重复步骤2.2.1)-步骤2.2.2)M次,然后进入步骤2.3)。
采用上述优选的方案,保证影像采集装置采集视频或图片的多样性和稳定性,提高检测精度。
作为优选的方案,在步骤2.2)中,移动装置从开始运行到停止运行的速度v(单位m/s)与时间t(单位s)之间的关系满足下式的分段函数:
v=-a*t2+b*t,0<t≤T1;
v=K*cdt,K>0,lnc<0,d>1,T1<t≤T2。
采用上述优选的方案,移动装置开始运行的速度呈一个急速上升的状态(加速度不断增加),而当其上升到速度峰值后,其速度沿龚帕兹(生长)曲线呈一个缓慢下降的状态(加速度不断减小)。采用上述的分段函数对移动装置的运行速度进行控制,可以有效保证移动装置启动速度快,但是在靠近停止检测阶段时,其缓慢停止,可以有效降低惯性晃动对影像采集装置的影响。
附图说明
图1为输入的待分区图像。
图2为在无平滑的情况下分为5个区域时的分区结果图。
图3为在有平滑的情况下分为5个区域时的分区结果图。
图4为在无平滑的情况下分为2个区域时的分区结果图。
图5为本发明实施例提供的深度卷积层的结构示意图。
图6为本发明实施例提供的逐点卷积层的结构示意图。
图7为本发明实施例提供的分类模型结构示意图。
图8为本发明实施例提供的深度卷积层的操作结构示意图。
图9为本发明实施例提供的移动装置从开始运行到停止运行的速度v(单位m/s)与时间t(单位s)之间的分段函数曲线图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
为了达到本发明的目的,一种自动分区命名方法的其中一些实施例中,一种自动分区命名方法,包括以下步骤:
1)对待分区图像进行分区,分成N个区域;
2)处理器控制移动装置带动影像采集装置到达其中一个区域,影像采集装置对该区域内的物体进行目标识别,判断得到该物体的类型;
3)处理器从存储器中调取区域命名表(如表1所示),该区域命名表用于保存物体类型以及与该物体类型相匹配的区域名称,处理器根据识别的物体类型对该区域进行命名;
4)处理器控制移动装置带动影像采集装置对下一个区域进行命名,直至N个区域全部命名结束。
表1 部分区域命名表
物体类型 | 区域名称 |
沙发 | 客厅 |
电池柜 | 客厅 |
… | … |
床 | 卧室 |
床头柜 | 卧室 |
… | … |
冰箱 | 厨房 |
… | … |
本发明一种自动分区命名方法,操作便捷,可以有效实现自动分区和区域的自动命名,便于后期清洁装置针对不同的区域进行有效的机扫。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,步骤1)具体为:
1.1)输入待分区图像;
1.2)对输入的待分区图像进行区域边界提取,找到区域轮廓,轮廓点即为图像灰度值变化的区域;
1.3)对步骤1.2)处理后的图像进行中线判别处理,对区域边界位置取平均即为区域中线位置;
1.4)对步骤1.3)处理后的图像进行中线拐点识别,设定区域位置变化临界值为10,对于图像内不同的公共区域,其区域宽度不同,当从一个区域过渡到另一个区域,区域中线位置产生突变;
若突变值大于10,则该位置认为是区域改变,则进行区域划分;
若突变值小于10,,则该位置认为是区域渐变误差,则不进行区域划分。
在步骤1.2)中,区域边界提取,即简单的找到灰度值变化区域。比如:某个区域灰度值为0.5,其相邻区域灰度值为0,灰度值产生变化的临界点,即为区域边界。
采用上述优选的方案,本发明首次提出一种无监督、无ground Truth、无特征情况下,对一维灰度图的分区解决办法,其步骤简单,分区速度快。
本发明基于不同区域的区域宽度不同,可以对不同公共区域实现功能性划分,将不同功能性区域,比如卧室,客厅等分开。
本发明克服技术难点,首先提出无特征、基于一维灰度图的公共区域分区方法,这是从前基于机器学习的分割分区方法无法做到的,其步骤简单,分区速度快。
进一步,步骤1.1)还包括以下内容:对输入的待分区图像进行噪声点去除,步骤1.1)可采用马尔科夫随机场算法或线性滤波算法进行区域平滑。
采用上述优选的方案,可以有效剔除误分区域。在步骤1.4)中,由于临界值的误差,会造成区域的误分情况,这种情况往往是小范围的错误划分。而采用噪声点的剔除,可以有效进而进行误分矫正。
马尔科夫随机场算法综合考虑了像素的像素值信息和标签信息,平滑效果的鲁棒性更好。
线性滤波主要有两类,一类是相关算子滤波,一类是卷积滤波。该类算法的优点在于平滑效果较为平和,一般是加权平均,所以结果具有渐变性。劣势是仅仅考虑了邻域之间像素的像素值,没有同时综合考虑到像素的标签信息,且计算量较大,算法的时间成本较高。
进一步,步骤1.4)中还包括以下内容:由于区域中线位置不固定,当两个区域中线上的相邻点位置差(两个点的横向坐标差值)大于10时,基于这两个点将区域中线分成两段,则两段区域中线代表两个区域。
采用上述优选的方案,步骤简单,可以有效实现区域划分。
进一步,在步骤1.4)中,若突变值等于10,则重复步骤1.1)至1.4)。
采用上述优选的方案,步骤简单,若突变值与区域位置变化临界值完全相同,则再进行一遍步骤,以防误操作。
进一步,上述的区域位置变化临界值I为一个自然数(如:10),其I也可以为一个区间范围,具体为[i1,i2],即[8,12]。
则步骤1.4),则为:
步骤1.4),对步骤1.3)处理后的图像进行中线拐点识别,设定区域位置变化临界值为[8,12],对于图像内不同的公共区域,其区域宽度不同,当从一个区域过渡到另一个区域,区域中线位置产生突变;
若突变值大于12,则该位置认为是区域改变,进行区域划分;
若突变值小于8,则该位置认为是区域渐变误差,不进行区域划分;
若突变值落入区间范围[8,12],则重复步骤1.1)至1.4)。
采用上述优选的方案,I为一个区间范围,步骤简单,若若突变值落入区间范围[i1,i2],则再进行一遍步骤,以防误操作。
为了更好的说明本发明的分区效果,利用本发明的方法对图像进行分区。图1为输入的待分区图像,其为一个一维的灰度图。图2为没有去噪点分为5个区域时的分区结果图。图3为采用马尔科夫随机场算法进行区域平滑后分为5个区域时的分区结果图。图4为没有去噪点分为2个区域时的分区结果图。
其中,图1-4中,黑色区域代表灰度值为0的点。
如图1-4所示,可以发现,利用本发明的方法,可以有效对一维的灰度图像进行分区,且在经过除噪点操作后的分区效果更佳。
本发明首次提出无监督、无ground truth(即正确区域划分标答)、无特征情况下,对一维灰度图的分区解决办法。算法的分区速度,在无平滑情况下(如图二),速度在1秒内;有平滑情况下,速度在10秒左右,分区速度快,分区效果好。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,步骤2)具体为:
2.1)处理器控制移动装置带动影像采集装置到达其中一个区域;
2.2)影像采集装置采集该区域内的视频或图片;
2.3)处理器对该视频或图片进行处理,提取出尺寸大于设定值的参照物体;
2.4)处理器对参照物体进行识别,判断得到该参照物体的类型。
采用上述优选的方案,可以对大尺寸的物体进行识别,降低计算复杂度,提高对物体的识别准确性。
进一步,在步骤2.3)中参照物体可以为一个或多个。
采用上述优选的方案,根据具体情形进行操作。
进一步,当参照物体为多个时,步骤2.4)和3)分别为:
2.4)处理器对所有参照物体进行识别,判断各个参照物体的类型;
3)处理器从存储器中调取区域命名表,处理器得到一个或多个参照物体类型对应的区域名称;
当处理器得到一个区域名称时,则该区域名称就为此区域的名称;
当处理器得到多个区域名称时,则出现次数较多的区域名称就为该区域的名称。
采用上述优选的方案,对区域的命名更准确。
进一步,自动分区命名方法包括下述预操作;
预操作1)数据集收集与标注,收集多张同一类物体的图片,并对物体的属性进行标注,在图片中标注出物体所在位置;
预操作2)分类模型预训练,将预训练一个分类模型对每一类物体进行训练,对选定的类用标注的数据集提取深层网络特征,利用该特征来表征训练数据,从而构建数据集深层网络。
采用上述优选的方案,为有效准确的判别物体的类型进行准备。
进一步,在步骤2)中,处理器通过下述内容判断物体的类型;
处理器将影像采集装置采集的视频每一帧或每一张图片输入到数据集深层网络中,该数据集深层网络对该帧视频或图片进行物体的判定与识别,并输出物体的类别以及其置信度。
采用上述优选的方案,可以有效判别物体的类型,判别其为沙发或马桶或床。
上述预操作1)具体为:第一步是数据收集与标注,以沙发为例,收集3000张该类图片,用xml文件类型进行标注,并在图片中标出目标物体的位置,以如下标注为例,
在该标注中,标出了物体的类型(cable),文件名(1.jpg),图片大小,目标位置(xmin,ymin,xmax,ymax)等。
在上述预操作2)中,在该数据集深层网络中,以VGG16为主要网络,在之后进一步加入五层全连接层,进而实现高效的数据集表征。
以上预操作为基于MobileNet构架。MobileNet构架是一个针对移动终端的全新深度神经网络(DNNs)。其深度可分离卷积(DSC)层取代了传统的卷积网络,使得整个计算过程可以在低能耗,终端级运算速度的条件下进行高精度,高实时性的物体识别。深度可分离卷积网络最大的特点在于其可以更有效地利用参数共享和自由度。
深度可分离卷积网络主要分为两个部分:
第一部分:深度卷积层(如图5所示)。每一层包含了DFxDF大小的过滤器。该过滤器主要负责过滤输入目标图片的一个单一深度。
第二部分:逐点卷积层(如图6所示)。逐点卷积只是一个用于结合不同通道信息的1x1大小的卷积层。
如图7所示,分类模型结构包括:标准卷积层、一连串的深度可分离卷积包、平均降维层以及完全链接层,深度可分离卷积包包含一个深度卷积层;
标准卷积层为分类模型的第一层,平均降维层为分类模型的倒数第二层,完全链接层为分类模型的最后一层。
如图8所示,进一步,深度卷积层由深度卷积操作(depthwise conv)、线性整流函数(RELU)、批量标准化操作(batch norm)和逐点卷积操作(1×1conv)构成。
进一步,步骤2.2)包括:
2.2.1)移动装置带动影像采集装置运动;
2.2.2)移动装置停止运动,影像采集装置采集视频或图片;
2.2.3)重复步骤2.2.1)-步骤2.2.2)M次,然后进入步骤2.3)。
采用上述优选的方案,保证影像采集装置采集视频或图片的多样性和稳定性,提高检测精度。M可以为2或3。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,在步骤2.2)中,移动装置从开始运行到停止运行的速度v(单位m/s)与时间t(单位s)之间的关系满足下式的分段函数:
v=-a*t2+b*t,0<t≤T1;
v=K*cdt,K>0,lnc<0,d>1,T1<t≤T2。
采用上述优选的方案,移动装置开始运行的速度呈一个急速上升的状态(加速度不断增加),而当其上升到速度峰值后,其速度沿龚帕兹(生长)曲线呈一个缓慢下降的状态(加速度不断减小)。采用上述的分段函数对移动装置的运行速度进行控制,可以有效保证移动装置启动速度快,但是在靠近停止检测阶段时,其缓慢停止,可以有效降低惯性晃动对影像采集装置的影响。分段函数曲线如图9所示。其中,T1具体可为0.3s,T2具体可为1s。
对于本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,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。
Claims (9)
1.一种自动分区命名方法,其特征在于,包括以下步骤:
1)对待分区图像进行分区,分成N个区域;
2)处理器控制移动装置带动影像采集装置到达其中一个区域,影像采集装置对该区域内的物体进行目标识别,判断得到该物体的类型;
3)处理器从存储器中调取区域命名表,该区域命名表用于保存物体类型以及与该物体类型相匹配的区域名称,处理器根据识别的物体类型对该区域进行命名;
4)处理器控制移动装置带动影像采集装置对下一个区域进行命名,直至N个区域全部命名结束;
所述步骤1)具体为:
1.1)输入待分区图像;
1.2)对输入的待分区图像进行区域边界提取,找到区域轮廓,轮廓点即为图像灰度值变化的区域;
1.3)对所述步骤1.2)处理后的图像进行中线判别处理,对区域边界位置取平均即为区域中线位置;
1.4)对所述步骤1.3)处理后的图像进行中线拐点识别,设定区域位置变化临界值为I,对于图像内不同的公共区域,其区域宽度不同,当从一个区域过渡到另一个区域,区域中线位置产生突变;
若突变值大于I,则进行区域划分;
若突变值小于I,则不进行区域划分。
2.根据权利要求1所述的自动分区命名方法,其特征在于,所述步骤1.1)还包括以下内容:对输入的待分区图像进行噪声点去除,所述步骤1.1)可采用马尔科夫随机场算法或线性滤波算法进行区域平滑。
3.根据权利要求1或2所述的自动分区命名方法,其特征在于,所述步骤2)具体为:
2.1)所述处理器控制所述移动装置带动所述影像采集装置到达其中一个区域;
2.2)所述影像采集装置采集该区域内的视频或图片;
2.3)所述处理器对该视频或图片进行处理,提取出尺寸大于设定值的参照物体;
2.4)所述处理器对所述参照物体进行识别,判断得到该参照物体的类型。
4.根据权利要求3所述的自动分区命名方法,其特征在于,在所述步骤2.3)中所述参照物体可以为一个或多个。
5.根据权利要求4所述的自动分区命名方法,其特征在于,当所述参照物体为多个时,所述步骤2.4)和3)分别为:
2.4)所述处理器对所有参照物体进行识别,判断各个参照物体的类型;
3)所述处理器从所述存储器中调取区域命名表,处理器得到一个或多个参照物体类型对应的区域名称;
当所述处理器得到一个区域名称时,则该区域名称就为此区域的名称;
当所述处理器得到多个区域名称时,则出现次数较多的区域名称就为该区域的名称。
6.根据权利要求3所述的自动分区命名方法,其特征在于,所述自动分区命名方法包括下述预操作;
预操作1)数据集收集与标注,收集多张同一类物体的图片,并对物体的属性进行标注,在图片中标注出物体所在位置;
预操作2)分类模型预训练,将预训练一个分类模型对每一类物体进行训练,对选定的类用标注的数据集提取深层网络特征,利用该特征来表征训练数据,从而构建数据集深层网络。
7.根据权利要求6所述的自动分区命名方法,其特征在于,在所述步骤2)中,所述处理器通过下述内容判断物体的类型;
所述处理器将所述影像采集装置采集的视频每一帧或每一张图片输入到所述数据集深层网络中,该数据集深层网络对该帧视频或图片进行物体的判定与识别,并输出物体的类别以及其置信度。
8.根据权利要求7所述的自动分区命名方法,其特征在于,所述步骤2.2)包括:
2.2.1)所述移动装置带动所述影像采集装置运动;
2.2.2)所述移动装置停止运动,所述影像采集装置采集视频或图片;
2.2.3)重复步骤2.2.1)-步骤2.2.2)M次,然后进入步骤2.3)。
9.根据权利要求8所述的自动分区命名方法,其特征在于,在所述步骤2.2)中,所述移动装置从开始运行到停止运行的速度v(单位m/s)与时间t(单位s)之间的关系满足下式的分段函数:
v=-a*t2+b*t,0<t≤T1;
v=K*cdt,K>0,lnc<0,d>1,T1<t≤T2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810702693.7A CN108898107B (zh) | 2018-06-29 | 2018-06-29 | 自动分区命名方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810702693.7A CN108898107B (zh) | 2018-06-29 | 2018-06-29 | 自动分区命名方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898107A CN108898107A (zh) | 2018-11-27 |
CN108898107B true CN108898107B (zh) | 2021-10-22 |
Family
ID=64347218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810702693.7A Active CN108898107B (zh) | 2018-06-29 | 2018-06-29 | 自动分区命名方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898107B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419346A (zh) * | 2020-11-02 | 2021-02-26 | 尚科宁家(中国)科技有限公司 | 清洁机器人及分区方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105981077A (zh) * | 2014-01-03 | 2016-09-28 | 谷歌技术控股有限责任公司 | 用于生成包括稀疏和密集测绘信息的地图的方法和系统 |
CN106650798A (zh) * | 2016-12-08 | 2017-05-10 | 南京邮电大学 | 一种结合深度学习与稀疏表示的室内场景识别方法 |
CN106843202A (zh) * | 2010-07-01 | 2017-06-13 | 德国福维克控股公司 | 具有区域划分的测绘制图 |
CN107449427A (zh) * | 2017-07-27 | 2017-12-08 | 京东方科技集团股份有限公司 | 一种生成导航地图的方法及设备 |
-
2018
- 2018-06-29 CN CN201810702693.7A patent/CN108898107B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106843202A (zh) * | 2010-07-01 | 2017-06-13 | 德国福维克控股公司 | 具有区域划分的测绘制图 |
CN105981077A (zh) * | 2014-01-03 | 2016-09-28 | 谷歌技术控股有限责任公司 | 用于生成包括稀疏和密集测绘信息的地图的方法和系统 |
CN106650798A (zh) * | 2016-12-08 | 2017-05-10 | 南京邮电大学 | 一种结合深度学习与稀疏表示的室内场景识别方法 |
CN107449427A (zh) * | 2017-07-27 | 2017-12-08 | 京东方科技集团股份有限公司 | 一种生成导航地图的方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108898107A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763606B (zh) | 一种基于机器视觉的户型图元素自动提取方法与系统 | |
CN111008597B (zh) | Cad图纸的空间识别方法、装置、电子设备及存储介质 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
US7970212B2 (en) | Method for automatic detection and classification of objects and patterns in low resolution environments | |
CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
JP2021528784A (ja) | パノラマ画像のスカイフィルタ方法及び携帯端末 | |
CN107609575A (zh) | 书法评价方法、书法评价装置和电子设备 | |
CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
CN111524144B (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
US20210103756A1 (en) | System and method for segmenting normal organ and/or tumor structure based on artificial intelligence for radiation treatment planning | |
CN112560918B (zh) | 一种基于改进YOLO v3的菜品识别方法 | |
CN108107886B (zh) | 扫地机器人的行驶控制方法及装置、扫地机器人 | |
JP2020085546A (ja) | 構造物の点検・補修支援システム | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN112001901A (zh) | 基于卷积神经网络的苹果缺陷检测方法及系统 | |
CN113223041A (zh) | 用于自动提取图像中目标区域的方法、系统及存储介质 | |
CN108898107B (zh) | 自动分区命名方法 | |
Chen et al. | An end-to-end approach to semantic segmentation with 3D CNN and posterior-CRF in medical images | |
CN111008649A (zh) | 一种基于三支决策的缺陷检测数据集预处理方法 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN109507792B (zh) | 一种基于机器学习的光学显微镜自动聚焦方法 | |
CN116485749A (zh) | 一种基于自编码器的镜头模组中脏污识别方法 | |
CN111199050A (zh) | 一种用于对病历进行自动脱敏的系统及应用 | |
CN108985302A (zh) | 一种皮肤镜图像处理方法、装置及设备 | |
CN112241954B (zh) | 基于肿块差异化分类的全视野自适应分割网络配置方法 |
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 |