CN109344885A - 深度学习识别系统、方法及电子设备 - Google Patents

深度学习识别系统、方法及电子设备 Download PDF

Info

Publication number
CN109344885A
CN109344885A CN201811076423.6A CN201811076423A CN109344885A CN 109344885 A CN109344885 A CN 109344885A CN 201811076423 A CN201811076423 A CN 201811076423A CN 109344885 A CN109344885 A CN 109344885A
Authority
CN
China
Prior art keywords
deep learning
image
parameter file
file
user
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.)
Pending
Application number
CN201811076423.6A
Other languages
English (en)
Inventor
徐泽明
戴坤
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.)
Shenzhen Augmented Reality Technology Co ltd
Original Assignee
Shenzhen Augmented Reality Technology 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 Shenzhen Augmented Reality Technology Co ltd filed Critical Shenzhen Augmented Reality Technology Co ltd
Priority to CN201811076423.6A priority Critical patent/CN109344885A/zh
Publication of CN109344885A publication Critical patent/CN109344885A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明揭示了一种深度学习识别系统、方法及电子设备，属于计算机应用技术领域。所述系统包括深度学习任务管理模块和识别配置模块，所述深度学习任务管理模块，用于根据用户指令创建深度学习任务，以及对创建的深度学习任务进行管理；所述识别配置模块，用于根据用户的选择加载相应的参数文件进行深度学习进行识别。上述深度学习识别系统、方法及电子设备能够降低选择装配场景时的时间成本，实现装配场景管理及装配的自动化及信息化，大大提高生产效率。

Description

深度学习识别系统、方法及电子设备
技术领域
本发明涉及计算机应用技术领域，特别涉及一种深度学习识别系统、方法及电子设备。
背景技术
深度学习方兴未艾，随着硬件性能的不断提高，深度学习越来越多地在各行各业中得到应用。然而，从问题定义到问题的解决经历的过程却没有那么简单。例如，采用深度学习进行把手开关状态识别时，首先需要采集把手开关相关的素材，开始对其标记，其次选择一个深度学习框架，搭建训练环境，配置各种参数，并选用或自己编写一种适合的神经网络模型开始训练，之后就可以调用预测功能了。
但是，完成这个需求所需要对技术人员的要求很高，要求技术人员熟知深度学习应用的整个过程，包括从图像采集、标记、环境搭建、训练到预测，从而导致深度学习的门槛较高。
发明内容
为了解决相关技术中深度学习的门槛较高的技术问题，本发明提供了一种深度学习识别方法、系统及电子设备。
第一方面，提供了一种装配场景识别系统，包括：
深度学习任务管理模块，用于根据用户指令创建深度学习任务，以及对创建的深度学习任务进行管理；
识别配置模块，用于根据用户的选择加载相应的参数文件进行深度学习进行识别。
可选的，所述系统还包括参数文件存储模块；
所述参数文件存储模块，用于存储用户深度学习的参数文件，所述参数文件包括模型文件、权重文件、标签文件等。
可选的，所述系统还包括用户管理模块；
所述用户管理模块，用于对登录所述系统的用户进行信息管理及权限管理。
第二方面，提供了一种深度学习识别方法，包括：
接收目标图像；
根据所述目标图像，加载相应的参数文件进行深度学习，识别所述目标图像中的部件。
可选的，所述方法还包括：
接收上传的样本图像；
根据所述样本图像选择深度学习算法；
根据所述深度学习算法对所述样本图像进行训练，得到相应的参数文件。
可选的，所述针对所述样本图像，采用深度学习算法进行训练，得到相应的参数文件的步骤包括：
对所述样本图像进行部件及部件位置坐标的标记，得到标记文件；
通过所述标记文件从所述样本图像中提取图像特征；
采用神经网络模型对所述图像特征进行训练，得到所述参数文件。
可选的，所述根据所述目标图像，加载相应的参数文件进行深度学习，识别所述目标图像中的部件的步骤包括：
确定上传所述目标图像的用户账号；
根据所述用户账号的权限选择相应的参数文件；
通过加载所述参数文件识别所述目标图像中的部件。
第三方面，提供了一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
第四方面，提供了一种计算机可读性存储介质，用于存储程序，其特征在于，所述程序在被执行时使得电子设备执行如第一方面的方法。
通过本发明的实施例提供的技术方案能够得到以下有益效果：
在进行深度学习识别时，接收目标图像，进而通过深度学习识别系统自动对目标图像进行深度学习的识别，无需技术人员熟知深度学习的整个过程即可自动识别出目标图像中的部件及部件位置，大大降低了深度学习识别的门槛，降低了深度学习的时间成本，有利于提高深度学习的识别效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，本发明并不受限制。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种深度学习识别系统的框图。
图2是根据图1对应实施例示出的另一种深度学习识别系统的框图。
图3是根据一示例性实施例示出的一种深度学习识别方法流程图。
图4是根据图3对应实施例示出的另一种深度学习识别方法的具体流程示意图。
图5是根据图4对应实施例示出的深度学习识别方法中步骤S230的一种具体实现流程图。
图6是根据图3对应实施例示出的深度学习识别方法中步骤S120的一种具体实现流程图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所记载的、本发明的一些方面相一致的系统和方法的例子。
图1是根据一示例性实施例示出的一种深度学习识别系统10的框图，如图1所示，该深度学习识别系统可以包括深度学习任务管理模块110、识别配置模块120。
深度学习任务管理模块110用于根据用户指令创建深度学习任务，以及对创建的深度学习任务进行管理。
通过深度学习任务管理模块110，方便用户新建任务和查看任务。
例如，新建任务：在新建任务功能中用户可以标记场景图片，上传标记图片训练识别场景；查看任务：在查看任务功能中用户需启动模型的训练，并可以对已建任务进行相应的删、改、查。
识别配置模块120用于根据用户的选择加载相应的参数文件进行深度学习进行识别。
参数文件包括网络模型文件、加载权重文件、加载标签文件等。
通过识别配置模块120可以进行云识别配置、启动云识别服务、重启云识别服务、停止云识别服务。
例如，云识别配置：在云识别配置功能中用户可以配置云识别服务的相关参数(加载网络模型文件、加载权重文件、加载标签文件)；启动云识别服务：在启动云识别服务功能中用户可以启动云识别服务；重启云识别服务：在重启云识别服务功能中用户可以重启云识别服务；停止云识别服务：在停止云识别服务功能中用户可以停止云识别服务。
通过该深度学习识别系统自动对目标图像进行深度学习的识别，无需技术人员熟知深度学习的整个过程即可自动识别出目标图像中的部件及部件位置，大大降低了深度学习识别的门槛，降低了深度学习的时间成本，有利于提高深度学习的识别效率。
可选的，如图2所示，深度学习识别系统还可以包括训练模块130、用户管理模块140。
训练模块130用于对上传的样本图像集进行训练生成参数文件。
本深度学习识别系统中，将自动对样本图像集进行训练。
接收上传的样本图像集后，深度学习识别系统将根据将进行识别的目标图像，选择相应的深度学习算法自动对样本图像集进行训练生成参数文件，以便识别配置模块120进行深度学习识别时加载参数文件。
用户管理模块140用于对登录所述系统的用户进行信息管理及权限管理。
用户在登录深度学习识别系统，需以某一特定的用户账号登录，各不同的用户账号之间是相互独立的。
通过用户用户管理模块140，可对深度学习识别系统中的用户进行管理。
例如，增加用户：在增加用户功能中用户可以增加用户；删除用户：在删除用户功能中用户可以删除用户。
还可以对不同的用户配置不同的权限，从而进一步提高深度学习识别系统管理的灵活性。
可选的，深度学习识别系统还可以包括系统设置模块，通过系统设置模块，用户可以修改用户界面、背景、色彩等的设置。
图3是根据一示例性实施例示出的一种深度学习识别方法流程图，如图3所示，该深度学习识别方法可以包括以下步骤。
步骤S110，接收目标图像。
目标图像是将进行深度学习识别的图像。
目标图像可以是实时采集的一个图像；也可以是从预先采集的图像库中提取的一个图像；也可以是在视频采集存储后，从存储的视频中提取的一个图像帧；还可以是其它形式的图像。
步骤S120，根据所述目标图像，加载相应的参数文件进行深度学习，识别所述目标图像中的部件。
参数文件是预先构建的对各类深度学习模型的图像特征进行表征的特征集合。
因此，采用预先构建的参数文件对目标图像进行图像识别，即可识别出目标图像中的部件。
采用预先构建的参数文件对所述目标图像进行图像识别时，可以采用各种神经网络算法进行图像识别。
具体地，采用预先构建的参数文件对所述目标图像进行迭代运算，识别所述目标图像中的部件及部件位置。
例如，采用预先构建的参数文件对所述目标图像进行迭代运算时，可采用各种深度学习算法得到的参数文件识别出目标图像中的部件及部件位置。深度学习算法可为深度学习框架YOLO-V3、卷积神经网络算法等。
利用如上所述的方法，在进行深度学习识别时，用户通过选定目标图像后，即可自动加载相应的参数文件对目标图像进行图像识别，识别出目标图像中的部件及部件位置，从而无需技术人员精通深度学习的整个过程，大大降低了深度学习的门槛，节省深度学习的时间成本，大大提高了生产效率。
可选的，如图4所示，在图3对应实施例示出的深度学习识别方法中，该深度学习识别方法还可以包括以下步骤。
步骤S210，接收上传的样本图像。
需要说明的是，在进行深度学习识别之前，需预先进行大量样本图像的采集。
可以理解的是，在接收上传的样本图像时，可针对目标图像中的部件对样本图像进行分类，即样本图像形成的样本图像集A1与部件B1对应，样本图像集A2与部件B2对应。
步骤S220，根据所述样本图像选择深度学习算法。
深度学习识别系统中，内置有多种深度学习算法。
可以理解的是，不同的深度学习算法具有其自身的优势。
因此，针对不同的图像特点，对不同深度学习算法设置不同的优先级。
例如，深度学习识别系统中内置有深度学习算法S1、S2、S3、S4，训练灰度图像时采用深度学习算法的优先级依次为S2、S3、S1、S4，而训练分辨率较高的图像时采用深度学习算法的优先级依次为S4、S3、S2、S1。
步骤S230，根据所述深度学习算法对所述样本图像进行训练，得到相应的参数文件。
为使采集的样本图像在深度学习识别时发挥作用，还需对样本图像进行深度学习，构建参数文件，使通过参数文件对目标图像进行迭代运算而识别出目标图像中的部件及部件位置。
具体地，如图5所示，步骤S230可以包括步骤S231、步骤S232、步骤S233。
步骤S231，对所述样本图像进行部件及部件位置坐标的标记，得到标记文件。
装配场景识别是基于深度学习完成的，深度学习的模型训练时，需要大量的带有标注的样本，人工标注是一件费时又费力的工作，本实施例将通过第三方开源工具LabelImg对样本图像进行标记。
首先通过获取大量的样本图像，从样本图像中进行如螺栓、螺母等各种部件及部件位置坐标进行识别与标记，然后在每一个包含目标图像中用四个顶点坐标将部件目标圈住，并将标记信息存入XML文件中。
例如：
<object>
<name>fastener A</name>
<bndbox>
<xmin>160</xmin>
<ymin>131</ymin>
<xmax>248</xmax>
<ymax>226</ymax>
</bndbox>
</object>
步骤S232，通过所述标记文件从所述样本图像中提取图像特征。
步骤S233，采用神经网络模型对所述图像特征进行训练，得到所述参数文件。
可选的，通过特征提取网络模型Darknet-53对大量样本图像提取图像特征，进而采用神经网络模型对提取的图像特征进行训练，得到述参数文件。
在对目标图像进行深度学习识别时，通过从目标图像中提取特征，比如13*13，然后将目标图像分成13*13个网格单元，接着如果某个对象的中心坐标落在哪个网格单元中，那么就由该网格单元来预测该对象。
也可以采用开源的深度学习框架YOLO-V3在GPU服务器上对样本图像图像特征进行训练，训练结束后将输出的参数文件作为深度学习识别的输入参数。
利用如上所述的方法，在进行深度学习识别时，通过预先采集大量样本图像，再通过对样本图像进行深度学习构建参数文件，进而对目标图像进行图像识别，即可自动识别目标图像中的部件，从而有效地进行深度学习的识别，降低了深度学习识别的时间成本，实现深度学习的自动化及信息化，大大提高了生产效率。
可选的，如图6所示，在图3对应实施例示出的深度学习识别方法中，步骤S120还可以包括以下步骤。
步骤S121，确定上传所述目标图像的用户账号。
步骤S122，根据所述用户账号的权限选择相应的参数文件。
需要说明的是，各参数文件均预先设置有其对应的权限。
因此，根据用户账号的权限，从该权限对应的参数文件中选取目标参数文件。
根据所述用户账号的权限选择相应的参数文件，可以从用户账号的权限对应的参数文件中随机选取一个参数文件；也可以是根据这些参数文件的优先级，选取优先级最高的参数文件。
步骤S123，通过加载所述参数文件识别所述目标图像中的部件。
通过对不同的用户配置不同的权限，从而进一步提高深度学习识别系统管理的灵活性。
图7是根据一示例性实施例示出的一种电子设备100的框图。参考图7，电子设备100可以包括以下一个或者多个组件：处理组件101，存储器102，电源组件103，多媒体组件104，音频组件105，传感器组件107以及通信组件108。其中，上述组件并不全是必须的，电子设备100可以根据自身功能需求增加其他组件或减少某些组件，本实施例不作限定。
处理组件101通常控制电子设备100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件101可以包括一个或多个处理器109来执行指令，以完成上述操作的全部或部分步骤。此外，处理组件101可以包括一个或多个模块，便于处理组件101和其他组件之间的交互。例如，处理组件101可以包括多媒体模块，以方便多媒体组件104和处理组件101之间的交互。
存储器102被配置为存储各种类型的数据以支持在电子设备100的操作。这些数据的示例包括用于在电子设备100上操作的任何应用程序或方法的指令。存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如SRAM(Static RandomAccess Memory，静态随机存取存储器)，EEPROM(Electrically Erasable ProgrammableRead-Only Memory，电可擦除可编程只读存储器)，EPROM(Erasable Programmable ReadOnly Memory，可擦除可编程只读存储器)，PROM(Programmable Read-Only Memory，可编程只读存储器)，ROM(Read-Only Memory，只读存储器)，磁存储器，快闪存储器，磁盘或光盘。存储器102中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器109执行，以完成上述任一所示方法中的全部或者部分步骤。
电源组件103为电子设备100的各种组件提供电力。电源组件103可以包括电源管理系统，一个或多个电源，及其他与为电子设备100生成、管理和分配电力相关联的组件。
多媒体组件104包括在所述电子设备100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括LCD(Liquid Crystal Display，液晶显示器)和TP(TouchPanel，触摸面板)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
图像采集组件105被配置为采集图像或视频。例如，图像采集组件105包括一个摄像头，当电子设备100处于操作模式，摄像头被配置为拍摄外部图像。所采集的图像可以被进一步存储在存储器102或经由通信组件108发送。在一些实施例中，图像采集组件105还包括一个扫描仪等。
传感器组件107包括一个或多个传感器，用于为电子设备100提供各个方面的状态评估。例如，传感器组件107可以检测到电子设备100的打开/关闭状态，组件的相对定位，传感器组件107还可以检测电子设备100或电子设备100一个组件的坐标改变以及电子设备100的温度变化。在一些实施例中，该传感器组件107还可以包括磁传感器，压力传感器或温度传感器。
通信组件108被配置为便于电子设备100和其他设备之间有线或无线方式的通信。电子设备100可以接入基于通信标准的无线网络，如WiFi(Wireless-Fidelity，无线网络)，2G或3G，或它们的组合。在一个示例性实施例中，通信组件108经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件108还包括NFC(Near Field Communication，近场通信)模块，以促进短程通信。例如，在NFC模块可基于RFID(Radio Frequency Identification，射频识别)技术，IrDA(Infrared DataAssociation，红外数据协会)技术，UWB(Ultra-Wideband，超宽带)技术，BT(Bluetooth，蓝牙)技术和其他技术来实现。
在示例性实施例中，电子设备100可以被一个或多个ASIC(Application SpecificIntegrated Circuit，应用专用集成电路)、DSP(Digital Signal Processing，数字信号处理器)、PLD(Programmable Logic Device，可编程逻辑器件)、FPGA(Field－ProgrammableGate Array，现场可编程门阵列)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
该实施例中的电子设备中处理器执行操作的具体方式已经在有关该深度学习识别方法的实施例中执行了详细描述，此处将不再做详细阐述说明。
可选的，本发明还提供一种电子设备，执行上述任一所示的深度学习识别方法的全部或者部分步骤。该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法。
该实施例中的电子设备中处理器执行操作的具体方式已经在有关该深度学习识别方法的实施例中执行了详细描述，此处将不做详细阐述说明。
在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器102，上述指令可由电子设备100的处理器109执行以完成上述深度学习识别方法。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，本领域技术人员可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种深度学习识别系统，其特征在于，所述系统包括深度学习任务管理模块、识别配置模块；
所述深度学习任务管理模块，用于根据用户指令创建深度学习任务，以及对创建的深度学习任务进行管理；
所述识别配置模块，用于根据用户的选择加载相应的参数文件进行深度学习进行识别。
2.根据权利要求1所述的系统，其特征在于，所述系统还包括参数文件存储模块；
所述参数文件存储模块，用于存储用户深度学习的参数文件，所述参数文件包括模型文件、权重文件、标签文件等。
3.根据权利要求1所述的系统，其特征在于，所述系统还包括训练模块；
所述训练模块，用于对上传的样本图像集进行训练生成参数文件。
4.根据权利要求1所述的系统，其特征在于，所述系统还包括用户管理模块；
所述用户管理模块，用于对登录所述系统的用户进行信息管理及权限管理。
5.一种采用权利要求1-4任一项所述的深度学习识别方法，其特征在于，所述方法包括：
接收目标图像；
根据所述目标图像，加载相应的参数文件进行深度学习，识别所述目标图像中的部件。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
接收上传的样本图像；
根据所述样本图像选择深度学习算法；
根据所述深度学习算法对所述样本图像进行训练，得到相应的参数文件。
7.根据权利要求6所述的方法，其特征在于，所述针对所述样本图像，采用深度学习算法进行训练，得到相应的参数文件的步骤包括：
对所述样本图像进行部件及部件位置坐标的标记，得到标记文件；
通过所述标记文件从所述样本图像中提取图像特征；
采用神经网络模型对所述图像特征进行训练，得到所述参数文件。
8.根据权利要求5所述的方法，其特征在于，所述根据所述目标图像，加载相应的参数文件进行深度学习，识别所述目标图像中的部件的步骤包括：
确定上传所述目标图像的用户账号；
根据所述用户账号的权限选择相应的参数文件；
通过加载所述参数文件识别所述目标图像中的部件。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求5-8任一项所述的方法。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序在被执行时使得服务器执行如权利要求5-8任一项所述的方法。
CN201811076423.6A 2018-09-14 2018-09-14 深度学习识别系统、方法及电子设备 Pending CN109344885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811076423.6A CN109344885A (zh) 2018-09-14 2018-09-14 深度学习识别系统、方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811076423.6A CN109344885A (zh) 2018-09-14 2018-09-14 深度学习识别系统、方法及电子设备

Publications (1)

Publication Number Publication Date
CN109344885A true CN109344885A (zh) 2019-02-15

Family

ID=65305332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811076423.6A Pending CN109344885A (zh) 2018-09-14 2018-09-14 深度学习识别系统、方法及电子设备

Country Status (1)

Country Link
CN (1) CN109344885A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059556A (zh) * 2019-03-14 2019-07-26 天津大学 一种基于深度学习的变电站开关分合状态检测方法
CN111047293A (zh) * 2019-12-12 2020-04-21 云南云电同方科技有限公司 图形数据资源管理的方法及其系统
CN111181671A (zh) * 2019-12-27 2020-05-19 东南大学 一种基于深度学习的下行信道快速重建方法
CN111898575A (zh) * 2020-08-06 2020-11-06 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN112149139A (zh) * 2019-06-28 2020-12-29 杭州海康威视数字技术股份有限公司 权限管理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464141A (zh) * 2017-08-07 2017-12-12 北京京东尚科信息技术有限公司 用于信息推广的方法、装置、电子设备及计算机可读介质
CN107480725A (zh) * 2017-08-23 2017-12-15 京东方科技集团股份有限公司 基于深度学习的图像识别方法、装置和计算机设备
CN107481018A (zh) * 2017-07-31 2017-12-15 无锡迅杰光远科技有限公司 基于互联网技术的物品属性鉴定方法、装置及系统
CN107563417A (zh) * 2017-08-18 2018-01-09 北京天元创新科技有限公司 一种深度学习人工智能模型建立方法及系统
CN107766940A (zh) * 2017-11-20 2018-03-06 北京百度网讯科技有限公司 用于生成模型的方法和装置
CN107844836A (zh) * 2017-10-24 2018-03-27 信雅达系统工程股份有限公司 一种基于机器学习的系统及学习方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481018A (zh) * 2017-07-31 2017-12-15 无锡迅杰光远科技有限公司 基于互联网技术的物品属性鉴定方法、装置及系统
CN107464141A (zh) * 2017-08-07 2017-12-12 北京京东尚科信息技术有限公司 用于信息推广的方法、装置、电子设备及计算机可读介质
CN107563417A (zh) * 2017-08-18 2018-01-09 北京天元创新科技有限公司 一种深度学习人工智能模型建立方法及系统
CN107480725A (zh) * 2017-08-23 2017-12-15 京东方科技集团股份有限公司 基于深度学习的图像识别方法、装置和计算机设备
CN107844836A (zh) * 2017-10-24 2018-03-27 信雅达系统工程股份有限公司 一种基于机器学习的系统及学习方法
CN107766940A (zh) * 2017-11-20 2018-03-06 北京百度网讯科技有限公司 用于生成模型的方法和装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059556A (zh) * 2019-03-14 2019-07-26 天津大学 一种基于深度学习的变电站开关分合状态检测方法
CN112149139A (zh) * 2019-06-28 2020-12-29 杭州海康威视数字技术股份有限公司 权限管理方法及装置
CN111047293A (zh) * 2019-12-12 2020-04-21 云南云电同方科技有限公司 图形数据资源管理的方法及其系统
CN111047293B (zh) * 2019-12-12 2023-11-03 云南云电同方科技有限公司 图形数据资源管理的方法及其系统
CN111181671A (zh) * 2019-12-27 2020-05-19 东南大学 一种基于深度学习的下行信道快速重建方法
CN111181671B (zh) * 2019-12-27 2022-01-11 东南大学 一种基于深度学习的下行信道快速重建方法
CN111898575A (zh) * 2020-08-06 2020-11-06 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN111898575B (zh) * 2020-08-06 2022-09-02 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法

Similar Documents

Publication Publication Date Title
CN109344885A (zh) 深度学习识别系统、方法及电子设备
CN109190575A (zh) 装配场景识别方法、系统及电子设备
JP6887612B2 (ja) 端末機及びこれのイメージ処理方法（ｔｅｒｍｉｎａｌ ａｎｄ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｍｅｔｈｏｄ ｔｈｅｒｅｏｆ）
CN110163050B (zh) 一种视频处理方法及装置、终端设备、服务器及存储介质
US9399290B2 (en) Enhancing sensor data by coordinating and/or correlating data attributes
CN109190721A (zh) 紧固件识别方法、系统及电子设备
CN109951627B (zh) 图像处理方法、装置、存储介质及电子设备
CN105074615A (zh) 虚拟传感器系统和方法
CN109447248A (zh) 深度学习平台及方法
US20200401856A1 (en) Electronic apparatus and method of controlling the same
US20200364457A1 (en) Emotion recognition-based artwork recommendation method and device, medium, and electronic apparatus
JP6732977B2 (ja) サーバー及びその動作方法（ｓｅｒｖｅｒ ａｎｄ ｏｐｅｒａｔｉｎｇ ｍｅｔｈｏｄ ｔｈｅｒｅｏｆ）
CN110929489A (zh) 一种表单生成及表单数据处理方法及系统
CN110659581A (zh) 一种图像处理方法、装置、设备和存储介质
CN103685924A (zh) 图像捕捉设置的配置
CN109408351A (zh) 一种ai环境检测和深度学习环境自动部署的方法和装置
US11580665B2 (en) Image positioning system and image positioning method based on upsampling
CN104182232A (zh) 一种创建上下文感知应用的方法及用户终端
CN109767001A (zh) 神经网络模型的构建方法、装置及移动终端
Liu et al. 3DBunch: A novel iOS-smartphone application to evaluate the number of grape berries per bunch using image analysis techniques
CN109819246A (zh) Led显示终端的检测设备及检测方法、装置
KR20180023300A (ko) 감시카메라 설정 방법과 감시카메라 관리 방법 및 시스템
CN114025092A (zh) 拍摄控件显示方法、装置、电子设备及介质
CN105635649A (zh) 生物诱捕监测及辨识装置
US11777445B2 (en) Methods of and apparatus for locating energy harvesting devices in an environment

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190215