CN110046280A - 一种面向抽检的多工位监控视频语义检索系统 - Google Patents

一种面向抽检的多工位监控视频语义检索系统 Download PDF

Info

Publication number
CN110046280A
CN110046280A CN201910329052.6A CN201910329052A CN110046280A CN 110046280 A CN110046280 A CN 110046280A CN 201910329052 A CN201910329052 A CN 201910329052A CN 110046280 A CN110046280 A CN 110046280A
Authority
CN
China
Prior art keywords
video
semantic
module
layer
monitor
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
CN201910329052.6A
Other languages
English (en)
Inventor
耿道渠
夏雪
王平
张成云
付信帅
杜一峰
刘奇林
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910329052.6A priority Critical patent/CN110046280A/zh
Publication of CN110046280A publication Critical patent/CN110046280A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明请求保护一种面向抽检的多工位监控视频语义检索系统，属于视频数据处理和语义Web技术领域。该系统的整体架构包括：原始数据层、数据处理层、语义层、服务层和应用层。原始数据层包括产品生产流水线现场各工位的监控视频和用来训练的样本视频库。数据处理层包括样本视频处理模块和监控视频处理模块。语义层包括视频语义标注模块、视频信息语义化模块、视频领域知识本体模型、语义推理和查询模块、本体数据库和语义规则文件。服务层包括视频查询服务和权限检测服务。应用层包括视频检索模块、视频回放模块、用户权限模块。本发明可在抽检中对某一产品生产流水线上各工位的监控视频进行语义检索，提高抽检效率。

Description

一种面向抽检的多工位监控视频语义检索系统
技术领域
本发明属于视频数据处理和语义Web技术结合的领域，涉及一种面向抽检的多工位监控视频语义检索系统。
背景技术
语义网是对未来网络的一个设想，是一种智能网络。它不但能够理解词语和概念，而且还能够理解它们之间的逻辑关系，可以使交流变得更有效率和价值。利用语义Web技术可以从非结构化数据中抽取结构化数据，并构建相应的本体，使数据能够很好地被机器理解。生产流水线上各工位安装有视觉检测装置，若质检人员对某一个产品进行抽检，在传统的方式中需要反复调阅各工位摄像头采集到的监控视频，并结合自己的专业判断来进行合规性检测。然而目前随着业务量越来越大，传统的抽检方式暴露出很多弊端。人工调阅大量硬盘录像资料，并通过键盘或鼠标操作的前进、后退手动查阅，花费大量的人力且效率低下。为了方便质检人员查询某一个产品在生产过程中，经过各个生产工位的监控视频，我们可以参考使用语义Web技术来实现上述监控视频的语义检索。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种解决质检人员抽检过程中获取目标产品生产流程视频效率低下的问题的面向抽检的多工位监控视频语义检索系统。本发明的技术方案如下：
一种面向抽检的多工位监控视频语义检索系统，其包括：原始数据层、数据处理层、语义层、服务层和应用层，原始数据层将采集到的监控视频数据传给数据处理层，数据处理层将处理后的监控视频特征数据传给语义层，语义层将进行语义处理之后的数据传递给服务层，服务层将数据传递给应用层，其中：
所述原始数据层包括产品生产流水线上各工位的监控视频和用来进行训练的样本视频库，流水线上各工位安装有CCD视觉检测装置，通过该CCD视觉检测装置对产品生产过程中经过各个工位的视频进行采集，样本视频库也是通过CCD视觉检测装置采集得到的视频库作为样本；
所述数据处理层包括样本视频处理模块和监控视频处理模块；样本视频处理模块，用于对样本视频进行视频底层视觉处理；监控视频处理模块，用于对视觉检测装置采集到的各工位的监控视频同样地进行视频底层视觉处理；
所述语义层包括视频语义标注模块、视频信息语义化模块、视频领域知识本体模型、语义推理和查询模块、本体数据库和语义规则文件；其中所述视频语义标注模块，利用基于改进的半监督式机器学习的视频标注方法来对视频进行标注，其中改进了一种协同训练分类器算法，通过增加一个分类器并采用低通滤波的方式去除孤立错分的结果，使语义标注的标准率和标全率有所提高，通过监控视频语义分析本体(本体构建工具参考领域知识本体构建的本体模型)将经过视频语义标注模块标注后的结果转换为RDF(资源描述框架)数据，实例化存储入图形数据库中；所述视频领域知识本体模型是视频领域共享概念模型的形式化规范说明；所述语义推理和查询模块用于处理应用层的查询和推理请求；所述本体数据库用于存放视频相关的本体模型和语义数据；所述语义规则文件用于存放与监控视频检索所需推理相关的规则；
所述服务层包括视频查询服务和权限检测服务；
所述应用层包括视频检索模块、视频回放模块、用户权限模块；其中，所述视频检索模块，用于对产品生产流水线上产品经过各工位的监控视频进行检索，通过数据处理层和语义层将各工位监控视频的标注结果存入AllegroGraph图形数据库中，并通过SPARQL查询返回应用层的查询请求，供质检人员在抽检过程中对某一个产品生产过程中经过各个工位的监控视频的检索；所述视频回放模块可以供质检人员进行生产视频回放；所述用户权限模块通过分析当前用户登录状态是否满足质检人员的要求来限制该用户能否登录该系统。
进一步的，所述原始数据层的产品生产流水线上各工位的监控视频包括工位一，工位二，...，工位N。
进一步的，所述数据处理层的监控视频数据处理模块和样本视频处理模块具体包括：关键帧提取、前景背景分离、特征提取，其中，样本视频处理模块进行底层处理之后要添加进分类器进行训练。
进一步的，所述语义层的视频语义标注模块所需要描述的属性包括视频元数据、视频底层视觉特征和视频对象，其中，所述视频语义标注模块是利用一种基于改进的半监督式机器学习视频标注方法对视频底层处理后的监控视频的特征进行语义标注，其中改进了一种协同训练分类器算法，通过增加一个分类器并采用低通滤波的方式去除孤立错分的结果，使语义标注的标准率和标全率有所提高；具体包括：首先对样本视频库中的训练样本进行视频底层视觉处理，提取关键帧，特征提取，并添加到分类器中进行机器学习，训练好分类器算法后，将数据处理层处理后的监控视频底层视觉特征添加入分类器中进行基于半监督式机器学习的视频语义标注。
进一步的，所述协同训练分类器算法包括以下步骤：首先输入给定特征互补集V1和V2和V3＝V1+V2；标注集合L，未标注集合U分类器fi，i＝1,2,3；
While未标注集合U非空DO：
1)构造L，U在特征集Vi的训练集Lvi测试集Uvi，i＝1,2,3；
2)先进行有监督学习，使用已标注集合L的特征集Lvi分别训练分类器fi，i＝1,2,3；
3)样本选择与标号更正，计算xi分类结果fi(xk)，计算分类置信度Ci(xk)，xi∈Uvi，i＝1,2,3，k∈U；
4)根据Ci(xk)，从未标注样本集Uvi中取出n个未标注样本构成候选集合Si，i＝1,2,3；
5)对于S＝S1∪S2∪S3，预测其中样本的类别；
6)利用语义的时间局部特性，采用低通滤波的方式去除孤立错分结果
7)将|S|个样本分别从未标注集合U中取出，加入训练集L中
End While
最后，输出分类器f1，f2，f3和未标注集标注结果。
进一步的，所述视频语义化模块是利用本体建模软件TopBraidComposer并参考视频领域知识本体MPEG-7-2001.owl构建的监控视频语义分析本体将经过视频语义标注模块产生的标注结果转化为RDF数据并存入AllegroGraph图形数据库中；
进一步的，所述领域知识本体模型，为在构建领域知识本体模型时，即对各个工位以及他们各自所包含的属性进行了定义，并定义各工位之间的关联关系(如时间的先后)，这样当在系统前端输入目标关键词时，通过各工位之间的关联关系，即可通过匹配一个工位的视频并关联出其他工位是否有相关内容的视频，从而调取出一个产品在整个生产过程中的监控视频。
进一步的，所述知识本体模型所包含的本体属性如下：
1)视频元数据本体属性包括视频编号、录制时间、摄像头位置等；
2)视频底层视觉特征本体属性包括颜色、形状等；
3)视频对象本体属性包括编号、颜色、关键帧、起始帧和结束帧等。
进一步的，所述应用层的监控视频检索系统具体包括：质检人员通过检索界面进行检索时，首先通过查询转换模块，将用户输入的自然语言映射为本体中定义的类、属性与值，通过语义分解得到SPARQL查询语句，然后通过Jena利用SPARQL语句对监控视频本体进行查询得出满足条件的结果集，然后通过查询得出满足条件的结果集，再次，将该结果集输入到结果解析模块，该模块将Jena推理输出的结果集转化为用户可读的资源，最后通过用户界面显示；所述视频回放模块可以供质检人员进行生产视频回放；所述用户权限模块通过分析当前用户登录状态是否满足质检人员的要求来限制该用户能否登录该系统。
本发明的优点及有益效果如下：
本发明通过分析产品生产流水线上产品经过各工位的监控视频的特点和应用需求，参照MPEG-7等国际标准，提出了一种面向抽检的多工位监控视频语义检索方案。将监控视频分为视频元数据和视频内容数据分别进行描述，同时利用语义Web技术从视频这一非结构化数据中抽取出结构化数据，经过语义化标注处理，将监控视频信息上升到语义层面，质检人员根据工作需求在系统前端通过语义查询可得到所需监控视频，工作效率大大提高。同时，在语义化标注处理部分使用一种半监督式机器学习，并改进一种分类器算法，使标注准确率得到提高。
本发明的创新点有如下：
1)利用语义Web技术使产品抽检效率得到提高。在构建领域知识本体模型时，即对各个工位以及他们各自所包含的属性(时间、颜色、轮廓等)进行了定义，并定义各工位之间的关联关系(如时间的先后)，这样当在系统前端输入目标关键词时，通过各工位之间的关联关系，即可通过匹配一个工位的视频并关联出其他工位是否有相关内容的视频，从而调取出一个产品在整个生产过程中的监控视频；
2)视频语义标注模块，利用一种基于改进的半监督式机器学习视频标注方法，对视频底层处理后的监控视频的特征进行语义标注，其中改进了一种协同训练分类器算法，通过增加一个分类器并采用低通滤波的方式去除孤立错分的结果，使语义标注的标准率和标全率有所提高。
附图说明
图1为本发明面向抽检的多工位监控视频语义检索系统架构图；
图2为本发明中质检人员在抽检过程中若对某一款手机生产过程中经过各个工位的监控视频的检索的工作效果图；
图3为本发明中视频语义标注模块的一种基于改进的半监督式机器学习视频标注方法原理图；
图4为本发明中改进的一种协同训练分类器算法工作流程图；
图5为本发明中检索系统总框架图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示，本申请实施方试提供一种面向抽检的多工位监控视频语义检索系统架构图，该架构图包括以下几个部分：
(1)原始数据层。原始数据层包括产品生产流水线上各工位的CCD视觉检测装置采集到的产品生产监控视频，各工位包括工位一，工位二，...，工位N，样本视频库同上。
(2)数据处理层。数据处理层包括样本视频处理模块和监控视频处理模块，分别包括关键帧提取、前景背景分离和特征提取三个步骤，并将样本视频的底层视觉特征添加到分类器中进行训练。
(3)语义层。语义层包括视频语义标注模块、视频信息语义化模块、视频领域知识本体模型、语义推理和查询模块、本体数据库和语义规则文件。其中视频语义标注模块是利用一种基于改进的半监督式机器学习视频标注方法对视频底层处理后的监控视频的特征(如形状、颜色等)进行语义标注。视频语义化模块是利用本体建模软件TopBraidComposer并参考视频领域知识本体MPEG-7-2001.owl构建的监控视频语义分析本体(领域知识本体模型)将经过视频语义标注模块产生的标注结果转化为RDF数据并存入AllegroGraph图形数据库中。在构建领域知识本体模型时，即对各个工位以及他们各自所包含的属性进行了定义，并定义各工位之间的关联关系(如时间的先后)，这样当在系统前端输入目标关键词时，通过各工位之间的关联关系，即可通过匹配一个工位的视频并关联出其他工位是否有相关内容的视频，从而调取出一个产品在整个生产过程中的监控视频。语义查询使用RDF的标准查询语言SPARQL进行查询，用于处理应用层的查询请求。
上述监控视频领域知识本体模型包括如下几个本体属性模型：
1)视频元数据本体属性包括视频编号、录制时间、摄像头位置等；
2)视频底层视觉特征本体属性包括颜色、形状等；
3)视频对象本体属性包括编号、颜色、关键帧、起始帧和结束帧等。
(4)服务层。服务层包括视频查询服务和权限检测服务。视频查询服务主要是为应用层中的视频检索和视频回放提供服务。权限检测服务主要是为应用层中的用户权限模块进行检测。
(5)应用层。应用层包括视频检索模块、视频回放模块、用户权限模块。视频检索模块是对产品生产流水线上产品经过各工位的监控视频进行检索，如图5所示为监控视频检索系统总框架。质检人员通过检索界面进行检索时，首先通过查询转换模块，将用户输入的自然语言映射为本体中定义的类、属性与值，通过语义分解得到SPARQL查询语句，然后通过Jena利用SPARQL语句对监控视频本体进行查询得出满足条件的结果集，再次将该结果集输入到结果解析模块，该模块将Jena推理输出的结果集转化为用户可读的资源，最后通过用户界面显示；所述视频回放模块可以供质检人员进行生产视频回放；所述用户权限模块通过分析当前用户登录状态是否满足质检人员的要求来限制该用户能否登录该系统。
如图2所示为质检人员在抽检过程中若对某一款手机生产过程中经过各个工位的监控视频的检索的工作效果图，工作过程如下：
1)对采集到的视频先提取关键帧，一个帧对应一个时间戳；
2)对关键帧进行图像分割，提取前景与背景，并进行特征提取；
3)训练模型，然后对后续视频进行基于机器学习的语义标注，存入AllegroGraph图形数据库中；
4)质检人员在进行产品抽检时，首先输入产品型号XX颜色XX等关键词，即可调取出相关视频段，并显示时间。
在本实施方案中，采用B/S结构对上述功能进行实现，需要使用的设备及软件如下：
本体构建工具：TopBraidComposer
Web服务器：Tomcat Web服务器
集成开发环境(IDE)：Eclipse
语义图形数据库：AllegroGraph
硬件环境：曙光A840-G10
视频处理环境：C++和OpenCV2
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种面向抽检的多工位监控视频语义检索系统，其特征在于，该系统的整体架构包括：原始数据层、数据处理层、语义层、服务层和应用层，原始数据层将采集到的监控视频数据传给数据处理层，数据处理层将处理后的监控视频特征数据传给语义层，语义层将进行语义处理之后的数据传递给服务层，服务层将数据传递给应用层，其中：
所述原始数据层包括某产品生产流水线上各工位的监控视频和用来进行训练的样本视频库，流水线上各工位安装有CCD视觉检测装置，通过该CCD视觉检测装置对产品生产过程中经过各个工位的视频进行采集，样本视频库也是通过CCD视觉检测装置采集得到的视频库作为样本；
所述数据处理层包括样本视频处理模块和监控视频处理模块；样本视频处理模块，用于对样本视频进行视频底层视觉处理；监控视频处理模块，用于对视觉检测装置采集到的各工位的监控视频同样地进行视频底层视觉处理；
所述语义层包括视频语义标注模块、视频信息语义化模块、视频领域知识本体模型、语义推理和查询模块、本体数据库和语义规则文件；其中所述视频语义标注模块，利用基于改进的半监督式机器学习的视频标注方法来对视频进行标注，其中改进了一种协同训练分类器算法，通过增加一个分类器并采用低通滤波的方式去除孤立错分的结果，使语义标注的标准率和标全率有所提高；所述视频信息语义化模块，通过监控视频语义分析本体将经过视频语义标注模块标注后的结果转换为RDF资源描述框架数据，实例化存储入图形数据库中；所述视频领域知识本体模型是视频领域共享概念模型的形式化规范说明；所述语义推理和查询模块用于处理应用层的查询和推理请求；所述本体数据库用于存放视频相关的本体模型和语义数据；所述语义规则文件用于存放与监控视频检索所需推理相关的规则；
所述服务层包括视频查询服务和权限检测服务；
所述应用层包括视频检索模块、视频回放模块、用户权限模块；其中，所述视频检索模块，用于对某产品生产流水线上产品经过各工位的监控视频进行检索，通过数据处理层和语义层将各工位监控视频的标注结果存入AllegroGraph图形数据库中，并通过SPARQL查询返回应用层的查询请求，供质检人员在抽检过程中对某一个产品生产过程中经过各个工位的监控视频的检索；所述视频回放模块可以供质检人员进行生产视频回放；所述用户权限模块通过分析当前用户登录状态是否满足质检人员的要求来限制该用户能否登录该系统。
2.根据权利要求1所述的一种面向抽检的多工位监控视频语义检索系统，其特征在于，所述原始数据层的产品生产流水线上各工位的监控视频包括工位一视频、工位二视频、工位三视频、...工位N视频。
3.根据权利要求1所述的一种面向抽检的多工位监控视频语义检索系统，其特征在于，所述数据处理层的监控视频数据处理模块和样本视频处理模块具体包括：关键帧提取、前景背景分离、特征提取，其中，样本视频处理模块进行底层处理之后要添加进分类器进行训练。
4.根据权利要求1所述的一种面向抽检的多工位监控视频语义检索系统，其特征在于，所述语义层的视频语义标注模块所需要描述的属性包括视频元数据、视频底层视觉特征和视频对象，其中，所述视频语义标注模块是利用一种基于改进的半监督式机器学习视频标注方法对视频底层处理后的监控视频的特征进行语义标注，其中改进了一种协同训练分类器算法，通过增加一个分类器并采用低通滤波的方式去除孤立错分的结果，使语义标注的标准率和标全率有所提高，具体包括：首先对样本视频库中的训练样本进行视频底层视觉处理，提取关键帧，特征提取，并添加到分类器中进行机器学习，训练好分类器算法后，将数据处理层处理后的监控视频底层视觉特征添加入分类器中进行基于半监督式机器学习的视频语义标注。
5.根据权利要求4所述的一种面向抽检的多工位监控视频语义检索系统，其特征在于，所述协同训练分类器算法包括以下步骤：首先输入给定特征互补集V1和V2和V3＝V1+V2；标注集合L，未标注集合U分类器fi，i＝1,2,3；
While未标注集合U非空DO：
1)构造L，U在特征集Vi的训练集Lvi测试集Uvi，i＝1,2,3；
2)先进行有监督学习，使用已标注集合L的特征集Lvi分别训练分类器fi，i＝1,2,3；
3)样本选择与标号更正，计算xi分类结果fi(xk)，计算分类置信度Ci(xk)，xi∈Uvi，i＝1,2,3，k∈U；
4)根据Ci(xk)，从未标注样本集Uvi中取出n个未标注样本构成候选集合Si，i＝1,2,3；
5)对于S＝S1∪S2∪S3，预测其中样本的类别；
6)利用语义的时间局部特性，采用低通滤波的方式去除孤立错分结果
7)将|S|个样本分别从未标注集合U中取出，加入训练集L中
End While
最后，输出分类器f1，f2，f3和未标注集标注结果。
6.根据权利要求1所述的一种面向抽检的多工位监控视频语义检索系统，其特征在于，所述视频语义化模块是利用本体建模软件TopBraidComposer并参考视频领域知识本体MPEG-7-2001.owl构建的监控视频语义分析本体将经过视频语义标注模块产生的标注结果转化为RDF数据并存入AllegroGraph图形数据库中。
7.根据权利要求1所述的一种面向抽检的多工位监控视频语义检索系统，其特征在于，所述应用层的监控视频检索系统具体包括：质检人员通过检索界面进行检索时，首先通过查询转换模块，将用户输入的自然语言映射为本体中定义的类、属性与值，通过语义分解得到SPARQL查询语句，然后通过Jena利用SPARQL语句对监控视频本体进行查询得出满足条件的结果集，然后通过查询得出满足条件的结果集，再次，将该结果集输入到结果解析模块，该模块将Jena推理输出的结果集转化为用户可读的资源，最后通过用户界面显示；所述视频回放模块可以供质检人员进行生产视频回放；所述用户权限模块通过分析当前用户登录状态是否满足质检人员的要求来限制该用户能否登录该系统。
CN201910329052.6A 2019-04-23 2019-04-23 一种面向抽检的多工位监控视频语义检索系统 Pending CN110046280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910329052.6A CN110046280A (zh) 2019-04-23 2019-04-23 一种面向抽检的多工位监控视频语义检索系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910329052.6A CN110046280A (zh) 2019-04-23 2019-04-23 一种面向抽检的多工位监控视频语义检索系统

Publications (1)

Publication Number Publication Date
CN110046280A true CN110046280A (zh) 2019-07-23

Family

ID=67278779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910329052.6A Pending CN110046280A (zh) 2019-04-23 2019-04-23 一种面向抽检的多工位监控视频语义检索系统

Country Status (1)

Country Link
CN (1) CN110046280A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798048A (zh) * 2017-07-28 2018-03-13 昆明理工大学 一种用于射电日像仪海量数据管理的负数据库管理方法
CN110366031A (zh) * 2019-07-24 2019-10-22 长春融成智能设备制造股份有限公司 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法
CN111046228A (zh) * 2019-12-10 2020-04-21 美林数据技术股份有限公司 一种基于流计算的视频处理方法
CN112966588A (zh) * 2021-03-02 2021-06-15 南昌黑鲨科技有限公司 视频数据标注方法、系统、获取神经网络深度学习的数据源的方法及计算机可读存储介质
CN113591589A (zh) * 2021-07-02 2021-11-02 北京百度网讯科技有限公司 产品漏检的识别方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528417A (zh) * 2015-12-07 2016-04-27 北京航空航天大学 一种基于本体的社区监控视频语义模型的应用系统和方法
CN108459574A (zh) * 2018-03-27 2018-08-28 重庆邮电大学 一种基于语义与opc ua的现场设备信息管理系统
CN108958196A (zh) * 2018-07-25 2018-12-07 河南太龙药业股份有限公司 生产过程远程监控系统及监控方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528417A (zh) * 2015-12-07 2016-04-27 北京航空航天大学 一种基于本体的社区监控视频语义模型的应用系统和方法
CN108459574A (zh) * 2018-03-27 2018-08-28 重庆邮电大学 一种基于语义与opc ua的现场设备信息管理系统
CN108958196A (zh) * 2018-07-25 2018-12-07 河南太龙药业股份有限公司 生产过程远程监控系统及监控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
鞠峰: "视频语义标注研究及原型实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
马玲: "基于本体的监控视频描述与检索研究及流媒体发布平台开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798048A (zh) * 2017-07-28 2018-03-13 昆明理工大学 一种用于射电日像仪海量数据管理的负数据库管理方法
CN110366031A (zh) * 2019-07-24 2019-10-22 长春融成智能设备制造股份有限公司 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法
CN110366031B (zh) * 2019-07-24 2021-11-26 长春融成智能设备制造股份有限公司 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法
CN111046228A (zh) * 2019-12-10 2020-04-21 美林数据技术股份有限公司 一种基于流计算的视频处理方法
CN111046228B (zh) * 2019-12-10 2023-04-11 美林数据技术股份有限公司 一种基于流计算的视频处理方法
CN112966588A (zh) * 2021-03-02 2021-06-15 南昌黑鲨科技有限公司 视频数据标注方法、系统、获取神经网络深度学习的数据源的方法及计算机可读存储介质
CN112966588B (zh) * 2021-03-02 2023-05-30 南昌黑鲨科技有限公司 视频数据标注方法、系统、获取神经网络深度学习的数据源的方法及计算机可读存储介质
CN113591589A (zh) * 2021-07-02 2021-11-02 北京百度网讯科技有限公司 产品漏检的识别方法、装置、电子设备及存储介质
CN113591589B (zh) * 2021-07-02 2022-09-27 北京百度网讯科技有限公司 产品漏检的识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110046280A (zh) 一种面向抽检的多工位监控视频语义检索系统
CN111026842B (zh) 自然语言处理方法、自然语言处理装置及智能问答系统
CN110232109A (zh) 一种网络舆情分析方法以及系统
CN117271767B (zh) 基于多智能体的运维知识库的建立方法
CN108491378B (zh) 电力信息运维智能应答系统
CN115329127A (zh) 一种融合情感信息的多模态短视频标签推荐方法
CN106776797A (zh) 一种基于本体推理的知识问答系统及其工作方法
CN105843875A (zh) 一种面向智能机器人的问答数据处理方法及装置
CN110337645A (zh) 可适配的处理组件
US20220215175A1 (en) Place recognition method based on knowledge graph inference
CN107729468A (zh) 基于深度学习的答案抽取方法及系统
CN112084347B (zh) 一种基于知识表示学习的数据检索方法及系统
CN112667799A (zh) 一种基于语言模型和实体匹配的医疗问答系统构建方法
Huang et al. Few-shot image and sentence matching via gated visual-semantic embedding
CN117149974A (zh) 一种子图检索优化的知识图谱问答方法
CN113806547A (zh) 一种基于图模型的深度学习多标签文本分类方法
Chen et al. Exploring science-technology linkages: A deep learning-empowered solution
CN112733764A (zh) 一种基于多模态识别视频情感信息的方法
Belhi et al. Deep learning and cultural heritage: the CEPROQHA project case study
CN116842142B (zh) 一种医疗器械智能化检索系统
WO2022092497A1 (ko) 유사 사건 정보제공시스템 및 그 방법
Alsharid et al. Weakly Supervised Captioning of Ultrasound Images
CN113869355A (zh) 一种基于XGBoost的人员危险性评估方法
Tran et al. Building a deep ontology-based herbal medicinal plant search system
Wang et al. Atextcnn model: a new multi-classification method for police situation

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: 20190723