CN109685131A - 汽车车机系统异常识别方法及装置 - Google Patents
汽车车机系统异常识别方法及装置 Download PDFInfo
- Publication number
- CN109685131A CN109685131A CN201811561862.6A CN201811561862A CN109685131A CN 109685131 A CN109685131 A CN 109685131A CN 201811561862 A CN201811561862 A CN 201811561862A CN 109685131 A CN109685131 A CN 109685131A
- Authority
- CN
- China
- Prior art keywords
- image
- automobile vehicle
- exception
- detection image
- abnormal
- 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
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
-
- 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
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
本发明实施例提供一种汽车车机系统异常识别方法及装置,通过在汽车车机系统运行过程中采集对屏幕的检测图像,将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的,根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常,能够实现对汽车车机系统的运行过程的自动化监控,以及可以自动判断汽车车机系统在运行过程中是否存在异常,无需工作人员对汽车车机系统的运行过程进行监控,简化工作人员的操作流程,并提高测试效率。
Description
技术领域
本发明实施例涉及计算机应用技术领域,尤其涉及一种汽车车机系统异常识别方法及装置。
背景技术
随着现代汽车工业和电子技术的发展,车辆导航、通信、多媒体影音娱乐等车载电子产品可以通过网络技术联网形成功能强大的综合性车机系统。通常,在车载电子产品投入市场之前,需要对其进行老化测试以验证安装该车载电子产品的车机系统的硬件和软件稳定可靠性。
目前,在进行老化测试时,一般是由相关工作人员监控车机系统在测试过程中是否正常运行,若发现车机系统存在异常,则及时进行解决,以使测试能够正常进行。
然而,发明人发现现有技术中至少存在如下问题:需要人工时刻监控车机系统在测试过程中是否正常运行,测试效率低下。
发明内容
本发明实施例提供一种汽车车机系统异常识别方法及装置,以提高测试效率。
第一方面,本发明实施例提供一种汽车车机系统异常识别方法,包括:
在汽车车机系统运行过程中采集对屏幕的检测图像;
将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的;
根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常。
可选的,所述根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常,包括:
在设定时间内,若所述分类结果中出现连续异常图像的次数大于或等于预设次数,则确定所述汽车车机系统存在异常。
可选的,所述将所述检测图像输入至预设的人工智能模型之前,还包括:
将经过标注的异常样本图像,分为训练样本和测试样本;
从所述训练样本中选取第一数量的训练样本对初始人工智能模型进行训练;
利用所述测试样本计算训练后的初始人工智能模型的识别精度;
若所述识别精度小于预设阈值,则继续从剩余的训练样本中选取第二数量的训练样本对所述训练后的初始人工智能模型进行训练;
若所述识别精度大于或等于所述预设阈值,则将所述训练后的初始人工智能模型作为所述预设的人工智能模型。
可选的,所述根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常之后,还包括:
若确定所述汽车车机系统存在异常,则获取预设时间段内的检测图像和测试日志,并进行保存。
可选的,所述获取预设时间段内的检测图像和测试日志,并进行保存,包括:
获取确定所述汽车车机系统存在异常的异常时刻;
停止检测所述汽车车机系统是否存在异常,并触发预设的报警装置进行报警;
在获取到工作人员反馈的维修信息后或在经过预设时间间隔后,重新判断所述汽车车机系统是否仍存在异常;
若所述汽车车机系统未存在异常,则控制所述报警装置结束报警,并获取对应的结束报警时刻;
获取在所述异常时刻与所述结束报警时刻之间的测试录像和测试日志,并进行保存。
可选的,所述获取预设时间段内的检测图像和测试日志,并进行保存之后,还包括:
将所述预设时间段内的检测图像和测试日志发送至图像样本合成服务器;
接收所述图像样本合成服务器反馈的基于所述预设时间段内的检测图像生成的目标样本图像;
基于所述目标样本图像,对所述人工智能模型进行训练。
可选的,所述异常图像包括死机图像、重启图像和黑屏图像。
第二方面,本发明实施例提供一种汽车车机系统异常识别装置,包括:
检测图像获取模块,用于在汽车车机系统运行过程中采集对屏幕的检测图像;
分类结果获取模块,用于将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的;
系统异常判断模块,用于根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常。
可选的,所述系统异常判断模块具体用于:在设定时间内,若所述分类结果中出现连续异常图像的次数大于或等于预设次数,则确定所述汽车车机系统存在异常。
可选的,智能模型训练模块;
所述智能模型训练模块还用于:在将所述检测图像输入至预设的人工智能模型之前,将经过标注的异常样本图像,分为训练样本和测试样本;
从所述训练样本中选取第一数量的训练样本对初始人工智能模型进行训练;
利用所述测试样本计算训练后的初始人工智能模型的识别精度;
若所述识别精度小于预设阈值,则继续从剩余的训练样本中选取第二数量的训练样本对所述训练后的初始人工智能模型进行训练;
若所述识别精度大于或等于所述预设阈值,则将所述训练后的初始人工智能模型作为所述预设的人工智能模型。
可选的,所述装置,还包括:异常信息保存模块;
所述异常信息保存模块还用于:在根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常之后,若确定所述汽车车机系统存在异常,则获取预设时间段内的检测图像和测试日志,并进行保存。
可选的,所述异常信息保存模块具体用于:获取确定所述汽车车机系统存在异常的异常时刻;
停止检测所述汽车车机系统是否存在异常,并触发预设的报警装置进行报警;
在获取到工作人员反馈的维修信息后或在经过预设时间间隔后,重新判断所述汽车车机系统是否仍存在异常;
若所述汽车车机系统未存在异常,则控制所述报警装置结束报警,并获取对应的结束报警时刻;
获取在所述异常时刻与所述结束报警时刻之间的测试录像和测试日志,并进行保存。
可选的,所述装置还包括:异常信息处理模块;
所述异常信息处理模块用于:在获取预设时间段内的检测图像和测试日志,并进行保存之后,将所述预设时间段内的检测图像和测试日志发送至图像样本合成服务器;
接收所述图像样本合成服务器反馈的基于所述预设时间段内的检测图像生成的目标样本图像;
基于所述目标样本图像,对所述人工智能模型进行训练。
可选的,所述异常图像包括死机图像、重启图像和黑屏图像。
第三方面,本发明实施例提供一种汽车车机系统异常识别设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面任一项所述的汽车车机系统异常识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面任一项所述的汽车车机系统异常识别方法。
本发明实施例提供的汽车车机系统异常识别方法及装置,该方法通过在汽车车机系统运行过程中采集对屏幕的检测图像,将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的,根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常,能够实现对汽车车机系统的运行过程的自动化监控,以及可以自动判断汽车车机系统在运行过程中是否存在异常,无需工作人员对汽车车机系统的运行过程进行监控,简化工作人员的操作流程,并提高测试效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的汽车车机系统异常识别场景示意图;
图2为本发明实施例提供的汽车车机系统异常识别方法的流程图一;
图3为本发明实施例提供的汽车车机系统异常识别方法的流程图二;
图4为本发明实施例提供的汽车车机系统异常识别方法的流程图三;
图5为本发明实施例提供的汽车车机系统异常识别装置的结构示意图一;
图6为本发明实施例提供的汽车车机系统异常识别装置的结构示意图二;
图7为本发明实施例提供的汽车车机系统异常识别装置的结构示意图三;
图8为本发明实施例提供的汽车车机系统异常识别设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的汽车车机系统异常识别场景示意图,如图1所示,摄像头102监控汽车车机屏幕101,采集屏幕显示的图像,并可以将该图像发送至汽车车机系统异常识别设备103。
软件测试是指在规定的条件下对系统或者应用程序进行操作,以发现系统或应用程序错误,衡量软件质量,并对其是否能满足设计要求进行评估的过程。在对车载电子产品或者汽车车机系统进行测试的过程中,会在汽车车机屏幕上显示相应的输出结果,例如,在测试电子产品的启动功能时,汽车车机屏幕会显示相应的启动画面,摄像头对汽车车机屏幕进行监控,得到检测图像,并将该检测图像发送至汽车车机异常识别设备。
需要说明的是,上述摄像头需安装在可以采集到汽车车机屏幕显示的完整的图像的位置,图1中的摄像头102的安装位置仅为一种示例,本发明实施例并不以此为限。
需要说明的是,上述摄像头和汽车车机屏幕的个数可以为任意正整数,图1中摄像头102和汽车车机屏幕101的数量仅为一种示例,本发明实施例并不以此为限。
需要说明的是,上述摄像头可以采用无线传输或者有线传输的方式,将图像发送至汽车车机系统异常识别设备,图1中的无限传输仅为一种示例,本发明实施例并不以此为限。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本发明实施例提供的汽车车机系统异常识别方法的流程图一,本实施例的方法可以由汽车车机系统异常识别装置执行,该监控装置可以以软件和/或硬件的形式设置在图1的汽车车机系统异常识别设备中。如图2所示,本实施例的方法,可以包括:
S201:在汽车车机系统运行过程中采集对屏幕的检测图像。
在本实施例中,在对汽车车机系统或者汽车车机系统上的车载电子产品进行测试的过程中,汽车车机系统都在运行。可以采用手工测试或者自动化测试对汽车车机系统或者汽车车机系统上的车载电子产品进行测试。
其中,手工测试是指测试人员根据编写的测试用例中描述的规程一步步执行测试,观察测试结果。自动化测试是把以人为驱动的测试行为转化为机器执行的一种过程,自动化测试能够提高测试效率以及准确性。
当进行自动化测试时,需要获取对应的自动化测试脚本,其包含了程序的测试流程,因此,当选择对汽车车机系统或者车载电子产品进行自动化测试时,启动汽车车机系统上的预设的自动化测试脚本,开始执行该自动化测试脚本。
在本实施例中,在测试过程中,需要采集屏幕显示的图像,以检测汽车车机系统是否存在异常,其可以实时采集对屏幕显示的检测图像,也可以间隔预设时间,周期性采集屏幕显示的检测图像。
可选的,相关人员还可以在自动化测试脚本上插入多个标记,在执行到自动化测试脚本的标记处时,便采集屏幕显示的检测图像,标记处表示容易出现异常的位置,相关人员可以根据实际情况插入标记,从而有效减少图像采集的次数以及数量。
在本实施例中,可以通过摄像头采集对屏幕的检测图像,例如图1中所示的通过摄像头采集屏幕上的检测图像,每个摄像头采集对应的汽车车机屏幕显示的图像。
在本实施例中,还可以使用多个摄像头同时对多个屏幕进行监控,每个摄像头监控一个屏幕,采集一个屏幕上显示的图像,从而汽车车机系统异常识别装置能够同时获取多个屏幕对应的检测图像,从而能够同时判断多个汽车车机系统是否存在异常,提高测试效率。
汽车车机系统异常识别装置还可以控制摄像头执行相应的操作,例如,控制摄像头开启、关闭和传输数据等,当检测到某一台的汽车车机系统对应的自动化测试脚本执行完毕后,可以关闭对应的摄像头,降低摄像头的耗电量。
可选的,还可以预先在汽车车机系统异常识别设备上安装带有图像识别功能的嵌入式装置,并通过该嵌入式装置监控汽车车机屏幕,获取检测图像。
在本实施例中,采集到的检测图像可以保存至缓存中,缓存就是数据交换的缓冲区(称作Cache),当读取数据时,会首先从缓存中查找需要的数据,如果找不到的话则从内存中找,且缓存的运行速度比内存快得多,将检测图像保存到缓存中后,当后续需要使用检测图像时,可以直接从缓存中查找,提高信息的查找效率。
S202:将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的。
在本实施例中,人工智能模型包括YOLO(You Only Look Once)模型,Faster RCNN(Region-based Convolutional Neural Network)模型、SSD(Single Shot MultiboxDetector)模型或其它目标检测模型。
目标检测模型整体上由基础网络(Backbone Network)和检测头部(DetectionHead)构成。前者作为特征提取器,给出图像不同大小、不同抽象层次的表示;后者则依据这些表示和监督信息学习类别和位置关联。检测头部负责的类别预测和位置回归,这两个任务常常是并行进行的,构成多任务的损失进行联合训练,提高目标检测的效率。
在本实施例中,将检测图像输入至预设的人工智能模型中,该预设的人工智能模型是已经训练好的人工智能模型,人工智能模型提取检测图像的特征信息,并依据检测图像的特征信息对检测图像的类别进行预测,输出分类结果,分类结果包括正常图像或异常图像。
可选的,异常图像包括死机图像、重启图像和黑屏图像。
其中,死机图像表示汽车车机屏幕上呈现的是死机画面,重启图像表示汽车车机屏幕上呈现的是重启画面,黑屏图像表示汽车车机屏幕呈现的是黑屏画面。
S203:根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常。
可选的,步骤S203包括:在设定时间内,若所述分类结果中出现连续异常图像的次数大于或等于预设次数,则确定所述汽车车机系统存在异常。
在本实施例中,可以根据检测图像对应的分类结果判断汽车车机系统是否存在异常。由于通过一个分类结果判断汽车车机系统是否存在异常具有偶然性,为了提高异常判断的准确率,可以通过检测分类结果中出现连续异常图像的次数判断汽车车机系统是否存在异常,例如,在设定时间内,连续5个分类结果均为异常图像,且预设次数为5,则确定汽车车机系统存在异常。
在设定时间内,若分类结果中出现连续异常图像的次数大于或等于预设次数,则确定汽车车机系统存在异常,若分类结果中出现连续异常图像的次数小于预设次数,则确定汽车车机系统未存在异常,继续采集对屏幕的检测图像。
可选的,还可以通过分类结果中出现异常图像的概率判断汽车车机系统是否存在异常。统计在指定时间内获取到的分类结果的总数量以及分类结果为异常图像的数量,将异常图像的数量除以总数量,得到出现异常图像的概率,若该概率大于预设概率值,则确定汽车车机系统存在异常,若该概率小于或等于预设概率值,则确定汽车车机系统未存在异常,例如,在指定时间内,检测了6个分类结果,3个分类结果为异常图像,则异常图像的数量为3,总数量为6,出现异常图像的概率为0.5,预设概率值为0.4,确定汽车车机系统存在异常。
在本实施例中,在对汽车车机系统进行测试的过程中,采集对屏幕的检测图像,并将检测图像输入至预设的人工智能模型中,获取人工智能模型输出的分类结果,并根据分类结果判断车机系统是否正常运行,即是否存在异常,能够实现对汽车车机系统的自动化监控以及对异常的自动化判断,无需工作人员进行对测试过程进行监控以及监控汽车车机系统是否正常运行,简化工作人员的操作流程,提高测试效率。
图3为本发明实施例提供的汽车车机系统异常识别方法的流程图二,如图3所示,在上述实施例的基础上,本实施例的方法,在S202之前,还可以包括S204、S205、S206、S207和S208。
需要说明的是,本实施例中的S204至S208可以在汽车车机系统异常识别设备每一次执行S201之前执行,当然,为了节省汽车车机系统异常识别的处理流程,还可以仅在第一次执行S201之前执行。下面以后者为例进行描述。
S204:将经过标注的异常样本图像,分为训练样本和测试样本。
在本实施例中,获取异常样本图像,异常样本图像包括死机样本图像、重启样本图像和黑屏样本图像,然后对异常样本图像进行标注,对图像进行标注的过程是非常重要的,它的作用是在原始图像中标注目标物体位置,例如,用不同的颜色对图像中不同的目标标记物进行轮廓标记,然后对相应的轮廓打标签,用标签来概述轮廓内的内容,以便让模型能够识别图像的不同标记物。
在本实施例中,可以通过人工对收集的异常样本图像进行标注,也可以利用相关标注工具对异常样本图像进行标注。将部分经过标注的异常样本图像作为训练样本,对初始人工智能模型进行训练,然后将剩余的经过标注的异常样本图像作为测试样本,以验证经过训练的初始人工智能模型是否满足需求。
S205:从所述训练样本中选取第一数量的训练样本对初始人工智能模型进行训练。
模型训练是指利用收集的样本数据让初始人工智能模型学习如何对检测图像进行分类的过程,训练的结果简单来说就是得到一组模型的参数,最后使用采用这些参数的模型来完成分类任务。
在本实施例中,为了提高模型训练的效率,通过逐增训练数据量(即训练样本)的方式对初始人工智能模型进行训练,不必使用全部的训练样本对初始人工智能模型进行训练,即先从全部的训练样本中选取第一数量的训练样本对初始人工智能模型进行训练,若经过训练的初始人工智能模型不满足需求,则继续增加训练数据量,继续对该初始人工智能模型进行训练,以调整该模型的参数。
其中,第一数量可以根据实际情况进行合理设置,本实施例对此不作具体限定。
S206:利用所述测试样本计算训练后的初始人工智能模型的识别精度。
在本实施例中,当对初始人工智能模型进行训练后,需要判断训练后的初始人工智能模型是否符合用户需求,可以通过计算训练后的初始人工智能模型的识别精度来判断该模型是否符合用户需求。
在本实施例中,将测试样本依次输入至训练后的初始人工智能模型,该模型输出测试样本对应的实际分类结果,每个测试样本都对应一个预期分类结果,例如,测试样本为死机图像,则对应的预期分类结果为死机图像,获取与预期分类结果一致的实际分类结果的数量,并作为匹配数量,将匹配数量除以全部的实际分类结果的个数,得到识别精度。
其中,为了快速计算出模型对应的识别精度,可以从测试样本中选取部分测试样本计算识别精度。
S207:若所述识别精度小于预设阈值,则继续从剩余的训练样本中选取第二数量的训练样本对所述训练后的初始人工智能模型进行训练。
在本实施例中,将计算得到的识别精度与预设阈值进行比较,若识别精度小于预设阈值,则表示训练后的初始人工智能模型识别异常图像的准确率较低,不能满足用户需求,需要增加训练数据集继续对训练后的初始人工智能模型进行训练,即从剩余的训练样本中选取第二数量的训练样本继续对训练后的初始人工智能模型进行训练,以提高初始人工智能模型识别异常图像的准确率。
S208:若所述识别精度大于或等于所述预设阈值,则将所述训练后的初始人工智能模型作为所述预设的人工智能模型。
在本实施例中,若识别精度大于或等于预设阈值,则表示经过训练的初始人工智能模型满足用户需求,将训练后的初始人工智能模型作为预设的人工智能模型以用来识别异常图像。
在本实施例中,采用逐增训练数据量的方式对初始人工智能模型进行训练,直至训练后的初始人工智能模型的识别精度达到预设阈值,在满足用户的需求的基础上,提高对模型训练的效率。
图4为本发明实施例提供的汽车车机系统异常识别方法的流程图三,如图4所示,在上述实施例的基础上,本实施例的方法,可以包括:
S401:在汽车车机系统运行过程中采集对屏幕的检测图像。
S402:将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的。
S403:根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常。
本实施例的S401和S403的具体实施方式,与上述实施例中的S201和S203类似,此处不再赘述。
S404:若确定所述汽车车机系统存在异常,则获取预设时间段内的检测图像和测试日志,并进行保存。
在本实施例中,当检测出汽车车机系统存在异常后,则获取预设时间段内的检测图像和测试日志,并进行保存,以使相关工作人员可以从该预设时间段内的检测图像和测试日志获取到有效信息,分析出异常发生的原因。
可选的,步骤S404具体包括:获取确定所述汽车车机系统存在异常的异常时刻。停止检测所述汽车车机系统是否存在异常,并触发预设的报警装置进行报警。在获取到工作人员反馈的维修信息后或在经过预设时间间隔后,重新判断所述汽车车机系统是否仍存在异常。若所述汽车车机系统未存在异常,则控制所述报警装置结束报警,并获取对应的结束报警时刻。获取在所述异常时刻与所述结束报警时刻之间的测试录像和测试日志,并进行保存。
在本实施例中,根据检测图像的分类结果判断汽车车机系统是否存在异常,若确定汽车车机系统存在异常,则停止检测汽车车机系统是否存在异常,即停止将检测图像输入至人工智能模型中,触发预设的报警装置进行报警,在此,不对报警装置的安装位置和数量进行限定,相关工作人员可以根据自己的需求安装报警装置,例如,可以在经常出现的几个地方均安装上报警装置,以保证工作人员可以及时获知汽车车机系统在测试过程中出现异常。
在接收到工作人员反馈的维修信息后或者在经过预设时间间隔后,重新采集对屏幕的检测图像,并基于重新采集的检测图像重新判断汽车车机系统是否仍存在异常,若仍存在异常,则控制报警装置继续报警,继续提示工作人员汽车车机系统存在异常,需要进行解决。若未存在异常,则控制报警装置结束报警,并获取对应的结束报警时刻,将异常时刻与结束报警时刻之间的时间段作为预设时间段,保存该预设时间段内的检测图像和测试日志,从而提供有效的异常现象和相关日志,工作人员可以根据预设时间段内的检测图像和测试日志分析得到汽车车机系统存在的异常以及发生异常的原因。
可选的,本领域技术人员可知,在异常发生之前的一段时间内的检测图像和日志也经常会包含一些有效信息,为了使工作人员能够更好地了解异常发生的原因,预设时间段还可以包括在异常时刻之前的预设时间范围内(例如,在异常时刻之前的5分钟内)的检测图像和测试日志。
S405:将所述预设时间段内的检测图像和测试日志发送至图像样本合成服务器。
在本实施例中,为了获取到更多的异常样本图像,可以将预设时间段内的检测图像和测试日志发送至图像样本合成服务器,图像样本合成服务器对检测图像进行自动标注,生成目标样本图像,从而得到更多的训练数据。为了提高训练数据源的准确性,相关人员还可以根据检测图像以及测试日志进行复核,确定检测图像中真正的异常图像,然后对该异常图像进行标注,得到目标样本图像,保证目标样本图像为真正的异常图像。
可选的,还可以利用图像样本合成服务器对检测图像和测试日志进行保存,便于数据的存储、分析和共享,相关人员可以通过分析检测图像和对应的测试日志,得到汽车车机系统或车载电子产品存在的问题,且还可以与其它终端共享存储信息。
当将预设时间段内的检测图像和测试日志发送至图像样本合成服务器后,若在一定时间内接收到图像样本合成服务器反馈的保存成功的信息,则删除本地存储的该预设时间段内的检测图像和测试日志,减少本地的存储量,提高运行速度。若在一定时间内未接收到保存成功的信息,则重新发送该预设时间段内的检测图像和测试日志至图像样本合成服务器。若重新发送的次数达到预设发送次数,则通知管理人员,以使管理人员将预设时间段内的检测图像和测试日志拷贝至图像样本合成服务器,并确定发送失败的原因。
S406:接收所述图像样本合成服务器反馈的基于所述预设时间段内的检测图像生成的目标样本图像。
在本实施例中,目标样本图像为经过标注的异常图像,接收图像样本合成服务器反馈的目标样本图像,并保存在本地,为了提高后续数据获取的速度,可以将该目标样本图像保存至缓存中。
S407:基于所述目标样本图像,对所述人工智能模型进行训练。
在本实施例中,将目标样本图像输入至人工智能模型中,继续对人工智能模型进行训练,调整该模型的参数,提高该模型对异常图像识别的准确度。
图5为本发明实施例提供的汽车车机系统异常识别装置的结构示意图一,如图5所示,本实施例提供的汽车车机系统异常识别装置500,可以包括:检测图像获取模块501、分类结果获取模块502和系统异常判断模块503。
其中,检测图像获取模块501,检测图像获取模块,用于在汽车车机系统运行过程中采集对屏幕的检测图像;
分类结果获取模块502,用于将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的;
系统异常判断模块503,用于根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常。
可选的,系统异常判断模块503具体用于:在设定时间内,若所述分类结果中出现连续异常图像的次数大于或等于预设次数,则确定所述汽车车机系统存在异常。
可选的,异常图像包括死机图像、重启图像和黑屏图像。
本发明实施例提供的汽车车机系统异常识别装置,可以实现上述如图2所示的实施例的汽车车机系统异常识别方法,其实现原理和技术效果类似,此处不再赘述。
图6为本发明实施例提供的汽车车机系统异常识别装置的结构示意图二,如图6所示,在上述装置实施例的基础上,本实施例提供的汽车车机系统异常识别装置,还可以包括:智能模型训练模块504。
其中,所述智能模型训练模块504,用于在所述将所述多张检测图像输入至预设的人工智能模型之前,将经过标注的异常样本图像,分为训练样本和测试样本;
从所述训练样本中选取第一数量的训练样本对初始人工智能模型进行训练;
利用所述测试样本计算训练后的初始人工智能模型的识别精度;
若所述识别精度小于预设阈值,则继续从剩余的训练样本中选取第二数量的训练样本对所述训练后的初始人工智能模型进行训练;
若所述识别精度大于或等于所述预设阈值,则将所述训练后的初始人工智能模型作为所述预设的人工智能模型。
本发明实施例提供的汽车车机系统异常识别装置,可以实现上述如图3所示的实施例的汽车车机系统异常识别方法,其实现原理和技术效果类似,此处不再赘述。
图7为本发明实施例提供的汽车车机系统异常识别装置的结构示意图三,如图7所示,在上述装置实施例的基础上,本实施例提供的汽车车机系统异常识别装置,还可以包括:异常信息保存模块505和异常信息处理模块506。
其中,异常信息保存模块505用于:在所述根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常之后,若确定所述汽车车机系统存在异常,则获取预设时间段内的检测图像和测试日志,并进行保存。
异常信息处理模块506用于:在所述获取预设时间段内的检测图像和测试日志,并进行保存之后,将所述预设时间段内的检测图像和测试日志发送至图像样本合成服务器;接收所述图像样本合成服务器反馈的基于所述预设时间段内的检测图像生成的目标样本图像;基于所述目标样本图像,对所述人工智能模型进行训练。
可选的,所述异常信息保存模块505具体用于:获取确定所述汽车车机系统存在异常的异常时刻;停止检测所述汽车车机系统是否存在异常,并触发预设的报警装置进行报警;在获取到工作人员反馈的维修信息后或在经过预设时间间隔后,重新判断所述汽车车机系统是否仍存在异常;若所述汽车车机系统未存在异常,则控制所述报警装置结束报警,并获取对应的结束报警时刻;获取在所述异常时刻与所述结束报警时刻之间的测试录像和测试日志,并进行保存。
本发明实施例提供的汽车车机系统异常识别装置,可用于执行上述的方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图8为本发明实施例提供的汽车车机系统异常识别设备800的硬件结构示意图。如图8所示,本实施例提供的汽车车机系统异常识别设备800包括:至少一个处理器801和存储器802。其中,处理器801、存储器802通过总线803连接。
在具体实现过程中,至少一个处理器801执行所述存储器802存储的计算机执行指令,使得至少一个处理器801执行上述方法实施例中的汽车车机系统异常识别方法。
处理器801的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图8所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现上述方法实施例的运输任务的监控方法。
上述的计算机可读存储介质,上述可读存储介质可以是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,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读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。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种汽车车机系统异常识别方法,其特征在于,包括:
在汽车车机系统运行过程中采集对屏幕的检测图像;
将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的;
根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常,包括:
在设定时间内,若所述分类结果中出现连续异常图像的次数大于或等于预设次数,则确定所述汽车车机系统存在异常。
3.根据权利要求1所述的方法,其特征在于,所述将所述检测图像输入至预设的人工智能模型之前,还包括:
将经过标注的异常样本图像,分为训练样本和测试样本;
从所述训练样本中选取第一数量的训练样本对初始人工智能模型进行训练;
利用所述测试样本计算训练后的初始人工智能模型的识别精度;
若所述识别精度小于预设阈值,则继续从剩余的训练样本中选取第二数量的训练样本对所述训练后的初始人工智能模型进行训练;
若所述识别精度大于或等于所述预设阈值,则将所述训练后的初始人工智能模型作为所述预设的人工智能模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常之后,还包括:
若确定所述汽车车机系统存在异常,则获取预设时间段内的检测图像和测试日志,并进行保存。
5.根据权利要求4所述的方法,其特征在于,所述获取预设时间段内的检测图像和测试日志,并进行保存,包括:
获取确定所述汽车车机系统存在异常的异常时刻;
停止检测所述汽车车机系统是否存在异常,并触发预设的报警装置进行报警;
在获取到工作人员反馈的维修信息后或在经过预设时间间隔后,重新判断所述汽车车机系统是否仍存在异常;
若所述汽车车机系统未存在异常,则控制所述报警装置结束报警,并获取对应的结束报警时刻;
获取在所述异常时刻与所述结束报警时刻之间的测试录像和测试日志,并进行保存。
6.根据权利要求4所述的方法,其特征在于,所述获取预设时间段内的检测图像和测试日志,并进行保存之后,还包括:
将所述预设时间段内的检测图像和测试日志发送至图像样本合成服务器;
接收所述图像样本合成服务器反馈的基于所述预设时间段内的检测图像生成的目标样本图像;
基于所述目标样本图像,对所述人工智能模型进行训练。
7.根据权利要求1或2所述的方法,其特征在于,所述异常图像包括死机图像、重启图像和黑屏图像。
8.一种汽车车机系统异常识别装置,其特征在于,包括:
检测图像获取模块,用于在汽车车机系统运行过程中采集对屏幕的检测图像;
分类结果获取模块,用于将所述检测图像输入至预设的人工智能模型,并获取所述人工智能模型输出的对所述检测图像的分类结果,其中所述分类结果包括异常图像或正常图像,所述人工智能模型根据异常样本图像训练得到的;
系统异常判断模块,用于根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常。
9.根据权利要求8所述的装置,其特征在于,所述系统异常判断模块具体用于:在设定时间内,若所述分类结果中出现连续异常图像的次数大于或等于预设次数,则确定所述汽车车机系统存在异常。
10.根据权利要求8所述的装置,其特征在于,还包括:智能模型训练模块;
所述智能模型训练模块还用于:在将所述检测图像输入至预设的人工智能模型之前,将经过标注的异常样本图像,分为训练样本和测试样本;
从所述训练样本中选取第一数量的训练样本对初始人工智能模型进行训练;
利用所述测试样本计算训练后的初始人工智能模型的识别精度;
若所述识别精度小于预设阈值,则继续从剩余的训练样本中选取第二数量的训练样本对所述训练后的初始人工智能模型进行训练;
若所述识别精度大于或等于所述预设阈值,则将所述训练后的初始人工智能模型作为所述预设的人工智能模型。
11.根据权利要求8所述的装置,其特征在于,还包括:异常信息保存模块;
所述异常信息保存模块还用于:在根据所述检测图像的分类结果判断所述汽车车机系统是否存在异常之后,若确定所述汽车车机系统存在异常,则获取预设时间段内的检测图像和测试日志,并进行保存。
12.根据权利要求11所述的装置,其特征在于,所述异常信息保存模块具体用于:获取确定所述汽车车机系统存在异常的异常时刻;
停止检测所述汽车车机系统是否存在异常,并触发预设的报警装置进行报警;
在获取到工作人员反馈的维修信息后或在经过预设时间间隔后,重新判断所述汽车车机系统是否仍存在异常;
若所述汽车车机系统未存在异常,则控制所述报警装置结束报警,并获取对应的结束报警时刻;
获取在所述异常时刻与所述结束报警时刻之间的测试录像和测试日志,并进行保存。
13.根据权利要求11所述的装置,其特征在于,还包括:异常信息处理模块;
所述异常信息处理模块用于:在获取预设时间段内的检测图像和测试日志,并进行保存之后,将所述预设时间段内的检测图像和测试日志发送至图像样本合成服务器;
接收所述图像样本合成服务器反馈的基于所述预设时间段内的检测图像生成的目标样本图像;
基于所述目标样本图像,对所述人工智能模型进行训练。
14.根据权利要求8或9所述的装置,其特征在于,所述异常图像包括死机图像、重启图像和黑屏图像。
15.一种汽车车机系统异常识别设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的汽车车机系统异常识别方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的汽车车机系统异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811561862.6A CN109685131A (zh) | 2018-12-20 | 2018-12-20 | 汽车车机系统异常识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811561862.6A CN109685131A (zh) | 2018-12-20 | 2018-12-20 | 汽车车机系统异常识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685131A true CN109685131A (zh) | 2019-04-26 |
Family
ID=66186920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811561862.6A Pending CN109685131A (zh) | 2018-12-20 | 2018-12-20 | 汽车车机系统异常识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685131A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110460947A (zh) * | 2019-08-08 | 2019-11-15 | 浙江正泰汽车科技有限公司 | 喇叭耐久试验设备 |
CN110969082A (zh) * | 2019-10-28 | 2020-04-07 | 中国信息通信研究院 | 一种时钟同步测试巡检方法和系统 |
CN111325278A (zh) * | 2020-02-26 | 2020-06-23 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置及存储介质 |
CN111554219A (zh) * | 2020-04-29 | 2020-08-18 | 深圳创维-Rgb电子有限公司 | 一种显示设备的测试方法、装置、电子产品及存储介质 |
CN111970489A (zh) * | 2020-08-05 | 2020-11-20 | 北京必可测科技股份有限公司 | 一种基于人机双向的智能监盘管理方法及系统 |
CN112486054A (zh) * | 2020-10-29 | 2021-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种控制信号通断的装置及方法 |
CN113079054A (zh) * | 2021-06-07 | 2021-07-06 | 智道网联科技(北京)有限公司 | 车载终端的监控方法、装置及系统 |
CN113128555A (zh) * | 2021-03-09 | 2021-07-16 | 西南交通大学 | 一种用于列车闸片部件异常检测的方法 |
CN113696729A (zh) * | 2021-08-30 | 2021-11-26 | 电装光庭汽车电子(武汉)有限公司 | 一种全液晶仪表的显示安全控制方法及系统 |
CN113838022A (zh) * | 2021-09-22 | 2021-12-24 | 清华珠三角研究院 | 一种汽车工况异常识别方法、系统、装置及存储介质 |
CN115798075A (zh) * | 2022-10-20 | 2023-03-14 | 广州汽车集团股份有限公司 | 车辆异常检测方法、装置、车辆及存储介质 |
CN117011890A (zh) * | 2023-07-10 | 2023-11-07 | 三峡科技有限责任公司 | 一种基于改进YOLOv7模型的施工人员防护用品检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590477A (zh) * | 2017-09-22 | 2018-01-16 | 成都考拉悠然科技有限公司 | 一种监控视频异常事件的检测装置及其方法 |
CN107705334A (zh) * | 2017-08-25 | 2018-02-16 | 北京图森未来科技有限公司 | 一种摄像机异常检测方法及装置 |
CN108124485A (zh) * | 2017-12-28 | 2018-06-05 | 深圳市锐明技术股份有限公司 | 针对肢体冲突行为的告警方法、装置、存储介质及服务器 |
CN108351968A (zh) * | 2017-12-28 | 2018-07-31 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
CN109034092A (zh) * | 2018-08-09 | 2018-12-18 | 燕山大学 | 用于监控系统的异常事件检测方法 |
-
2018
- 2018-12-20 CN CN201811561862.6A patent/CN109685131A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705334A (zh) * | 2017-08-25 | 2018-02-16 | 北京图森未来科技有限公司 | 一种摄像机异常检测方法及装置 |
CN107590477A (zh) * | 2017-09-22 | 2018-01-16 | 成都考拉悠然科技有限公司 | 一种监控视频异常事件的检测装置及其方法 |
CN108124485A (zh) * | 2017-12-28 | 2018-06-05 | 深圳市锐明技术股份有限公司 | 针对肢体冲突行为的告警方法、装置、存储介质及服务器 |
CN108351968A (zh) * | 2017-12-28 | 2018-07-31 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
CN109034092A (zh) * | 2018-08-09 | 2018-12-18 | 燕山大学 | 用于监控系统的异常事件检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110460947A (zh) * | 2019-08-08 | 2019-11-15 | 浙江正泰汽车科技有限公司 | 喇叭耐久试验设备 |
CN110969082A (zh) * | 2019-10-28 | 2020-04-07 | 中国信息通信研究院 | 一种时钟同步测试巡检方法和系统 |
CN110969082B (zh) * | 2019-10-28 | 2023-05-26 | 中国信息通信研究院 | 一种时钟同步测试巡检方法和系统 |
CN111325278A (zh) * | 2020-02-26 | 2020-06-23 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置及存储介质 |
CN111325278B (zh) * | 2020-02-26 | 2023-08-29 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置及存储介质 |
CN111554219A (zh) * | 2020-04-29 | 2020-08-18 | 深圳创维-Rgb电子有限公司 | 一种显示设备的测试方法、装置、电子产品及存储介质 |
CN111970489A (zh) * | 2020-08-05 | 2020-11-20 | 北京必可测科技股份有限公司 | 一种基于人机双向的智能监盘管理方法及系统 |
CN112486054A (zh) * | 2020-10-29 | 2021-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种控制信号通断的装置及方法 |
CN113128555B (zh) * | 2021-03-09 | 2022-05-31 | 西南交通大学 | 一种用于列车闸片部件异常检测的方法 |
CN113128555A (zh) * | 2021-03-09 | 2021-07-16 | 西南交通大学 | 一种用于列车闸片部件异常检测的方法 |
CN113079054A (zh) * | 2021-06-07 | 2021-07-06 | 智道网联科技(北京)有限公司 | 车载终端的监控方法、装置及系统 |
CN113696729A (zh) * | 2021-08-30 | 2021-11-26 | 电装光庭汽车电子(武汉)有限公司 | 一种全液晶仪表的显示安全控制方法及系统 |
CN113838022A (zh) * | 2021-09-22 | 2021-12-24 | 清华珠三角研究院 | 一种汽车工况异常识别方法、系统、装置及存储介质 |
CN115798075A (zh) * | 2022-10-20 | 2023-03-14 | 广州汽车集团股份有限公司 | 车辆异常检测方法、装置、车辆及存储介质 |
CN117011890A (zh) * | 2023-07-10 | 2023-11-07 | 三峡科技有限责任公司 | 一种基于改进YOLOv7模型的施工人员防护用品检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685131A (zh) | 汽车车机系统异常识别方法及装置 | |
CN105553769B (zh) | 一种数据采集分析系统和方法 | |
CN108846841A (zh) | 显示屏质量检测方法、装置、电子设备及存储介质 | |
CN108961238A (zh) | 显示屏质量检测方法、装置、电子设备及存储介质 | |
CN111626201B (zh) | 商品检测方法、装置及可读存储介质 | |
CN112669316B (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
KR102179598B1 (ko) | 동영상 파일을 이용한 설비 학습 장치 및 방법 | |
CN111292327B (zh) | 机房巡检方法、装置、设备及存储介质 | |
CN109919035A (zh) | 提高考勤识别通过的方法、装置、计算机设备和存储介质 | |
CN112200077A (zh) | 基于智慧交通的人工智能图像处理方法及系统 | |
CN109724993A (zh) | 图像识别设备的污损程度的检测方法、装置和存储介质 | |
CN112633255A (zh) | 目标检测方法、装置及设备 | |
CN113095563A (zh) | 一种人工智能模型预测结果的复审方法及装置 | |
CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
CN111459692A (zh) | 用于预测驱动器故障的方法、设备和计算机程序产品 | |
CN114724140A (zh) | 一种基于yolo v3的草莓成熟度检测方法、装置 | |
CN109086186A (zh) | 日志检测方法及装置 | |
CN111428858A (zh) | 样本数量的确定方法、装置、电子设备及存储介质 | |
US20230349608A1 (en) | Anomaly detection for refrigeration systems | |
JP7372446B2 (ja) | 画像解析システム、画像解析方法及び画像解析プログラム | |
CN114005060A (zh) | 图像数据的确定方法及装置 | |
Rocha et al. | Evaluating Machine Learning Classifiers for Prediction in an IoT-based Smart Building System | |
CN115039124A (zh) | 图像处理方法、电子设备、行车记录仪及服务器 | |
CN116450632B (zh) | 地理样本数据质量评估方法、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |