CN110136197A - 机器人巡检图像的表计位置检测方法、装置及存储介质 - Google Patents
机器人巡检图像的表计位置检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110136197A CN110136197A CN201910324251.8A CN201910324251A CN110136197A CN 110136197 A CN110136197 A CN 110136197A CN 201910324251 A CN201910324251 A CN 201910324251A CN 110136197 A CN110136197 A CN 110136197A
- Authority
- CN
- China
- Prior art keywords
- training
- image
- meter
- sampling
- neural network
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 154
- 238000005070 sampling Methods 0.000 claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008901 benefit Effects 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101100285899 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SSE2 gene Proteins 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机器人巡检图像的表计位置检测方法,包括:将巡检图像按预设的比例分为训练图像和待测试图像;构建初始训练神经网络,并去除初始训练神经网络中的小尺度的训练卷积层,得到表计训练神经网络;表计训练神经网络接收训练图像,训练图像经过第一层卷积层后,对训练图像进行一次下采样;训练图像经过采样单元后,对训练图像进行下采样;根据采样结果训练表计神经网络;其中,采样单元包括两层卷积层及一层残差层;将待测试图像输入训练后的表计训练神经网络,得到表计检测结果。本发明公开的一种机器人巡检图像的表计位置检测方法,能够提高检测速度,降低背景检测错误率,避免重复识别现象。本发明还公开了一种机器人巡检图像的表计位置检测装置和存储介质。
Description
技术领域
本发明涉及表计位置检测技术领域,尤其涉及一种机器人巡检图像的表计位置检测方法、装置及存储介质。
背景技术
变电站是电力系统的重要组成部分,因而需要通过变电站智能监控作业,来有效保证变电站的运行安全。当前,许多变电站的智能监控依靠智能机器人巡检的方法来完成。相较于传统的定点监控方法,利用智能机器人对变电站巡检具有部署方便,节约开销的优点。表计是变电站中监控安全情况的重要设备,通过读取变电站表计的显示状态或当前数值,可以明确当前变电站的运行状态。
正确识别表计类型是对变电站表计状态及显示数值读取的必要前提。利用智能机器人巡检采集到的图像包含多种类型的表计,其中有压力表,液压表,油位表,避雷针指示器等。除此之外,相同类型的表计又有多种型号,因此设计一种能够对不同类型多型号的表计进行识别的模型是当前实现机器人智能巡检所面临的的一项巨大挑战。
现有技术中,表计的检测方法有:(1)以RCNN、Fast-RCNN为代表的基于预选框的思想来实现目标检测;(2)以YOLO为代表的基于回归思想的目标检测算法。
本发明人在实施本发明的过程中发现,现有技术中存在以下技术问题:
(1)RCNN、Fast-RCNN算法结构相对复杂,运行速率较慢;(2)YOLO 算法会出现重复检测出同一物体的现象。
发明内容
本发明实施例提供一种机器人巡检图像的表计位置检测方法,提高了检测速度,降低了背景检测错误率,避免了重复识别现象。
本发明实施例一提供一种机器人巡检图像的表计位置检测方法,包括:
将巡检图像按预设的比例分为训练图像和待测试图像;
构建初始训练神经网络,并去除所述初始训练神经网络中的小尺度的训练卷积层,得到表计训练神经网络;
所述表计训练神经网络接收所述训练图像,所述训练图像经过第一层卷积层后,对所述训练图像进行一次下采样;所述训练图像经过采样单元后,对所述训练图像进行下采样;根据采样结果训练所述表计神经网络;其中,所述采样单元包括两层卷积层及一层残差层;
将所述待测试图像输入训练后的所述表计训练神经网络,得到表计检测结果。
作为上述方案的改进,所述训练图像经过采样单元后,对所述训练图像进行下采样,具体包括:
所述训练图像经在第一个所述采样单元之后进行,对所述训练图像进行下采样;再经过两个所述采样单元后,对所述训练图像进行下采样;经过八个所述采样单元后,对所述训练图像进行下采样。
本发明实施例二对应提供了一种机器人巡检图像的表计位置检测装置,包括:
图像分类单元,用于将巡检图像按预设的比例分为训练图像和待测试图像;
网络构建单元,用于构建初始训练神经网络,并去除所述初始训练神经网络中的小尺度的训练卷积层,得到表计训练神经网络;
采样训练单元,用于所述表计训练神经网络接收所述训练图像,所述训练图像经过第一层卷积层后,对所述训练图像进行一次下采样;所述训练图像经过采样单元后,对所述训练图像进行下采样;根据采样结果训练所述表计神经网络;其中,所述采样单元包括两层卷积层及一层残差层;
表计检测单元,用于将所述待测试图像输入训练后的所述表计训练神经网络,得到表计检测结果。
作为上述方案的改进,所述训练图像经过采样单元后,对所述训练图像进行下采样,具体包括:
所述训练图像经在第一个所述采样单元之后进行,对所述训练图像进行下采样;再经过两个所述采样单元后,对所述训练图像进行下采样;经过八个所述采样单元后,对所述训练图像进行下采样。
本发明实施例三对应提供了一种机器人巡检图像的表计位置检测装置,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例一所述的一种机器人巡检图像的表计位置检测方法。
本发明实施例四对应提供了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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的一种机器人巡检图像的表计位置检测方法。
本发明实施例提供的一种机器人巡检图像的表计位置检测方法,具有如下有益效果:
去除所述初始训练神经网络中的小尺度的训练卷积层,提高了网络性能,减小了对于表计检测的作用较小的参数,同时避免了重复识别现象;通过设定下采样规则可以有效减少采样参数,提高网络采样和计算的工作效率。采用残差层可以使得数据跳层连接,实现多个尺度的同时输出,提高网络利用效率,以提高检测速度,并降低背景检测错误率。
附图说明
图1是本发明实施例一提供的一种机器人巡检图像的表计位置检测方法的流程示意图。
图2是本发明一具体实施例中的表计训练神经网络结构示意图。
图3是本发明另一具体实施例中的神经网络框架具体参数设置图。
图4是本发明提供的一种机器人巡检图像的表计位置检测方法和YOLOv3 算法的检测效果对比图。
图5是本发明实施例二提供的一种机器人巡检图像的表计位置检测装置的结构示意图。
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作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。
参见图1,是本发明实施例一提供的一种机器人巡检图像的表计位置检测方法的流程示意图,包括:
S101、将巡检图像按预设的比例分为训练图像和待测试图像;
S102、构建初始训练神经网络,并去除初始训练神经网络中的小尺度的训练卷积层,得到表计训练神经网络;
S103、表计训练神经网络接收训练图像,训练图像经过第一层卷积层后,对训练图像进行一次下采样;训练图像经过采样单元后,对训练图像进行下采样;根据采样结果训练表计神经网络;其中,采样单元包括两层卷积层及一层残差层;
S104、将待测试图像输入训练后的表计训练神经网络,得到表计检测结果。
进一步地,训练图像经过采样单元后,对训练图像进行下采样,具体包括:
训练图像经在第一个采样单元之后进行,对训练图像进行下采样;再经过两个采样单元后,对训练图像进行下采样;经过八个采样单元后,对训练图像进行下采样。
在一具体的实施例中,变电站智能巡检机器人巡检采集的图像尺寸大小为1920×1080,被检测的表计尺寸全部大于350×375,输入图像和被检测目标均大于图像被检测目标。小尺度训练对于表计检测的作用较小,且产生了大量参数,去除初始训练神经网络中的小尺度的训练卷积层,得到的表计训练神经网络结构如图2所示。
在另一具体的实施例中,运行的工作站操作系统是64位的Ubuntu14.04,处理器的型号是Intel Xeon CPU E5-2620v3@2.40GHz×16,内存32G。显卡型号是GeForce GTXTITAN X/PCle/SSE2,显存32G。
采集2047张变电站标记图像作为数据集,所有图像尺寸均为1920×1080。本实验按照3:7的比例划随机分数据集,将1432张图像作为训练集,615张图像作为测试集。数据集包含4类表11种型号的不同表计(5种压力表、3种温度表、避雷针检测器、2种油位表),基本涵盖变电站中大部分表计种类。
在训练前需要对训练神经网络的框架参数进行微调,由于输入图像尺寸较大,本实验将batch调小,subdivision调大,channels设置为2,学习率设置为0.0001,具体参数设置如图3所示。
表计训练神经网络接收训练图像,训练图像经过第一层卷积层后,对训练图像进行一次下采样;训练数据输入网络中,经过第一个卷积层后,进行一次下采样,训练图像经在第一个采样单元之后进行,对训练图像进行下采样;再经过两个采样单元后,对训练图像进行下采样;经过八个采样单元后,对训练图像进行下采样。
通过设定下采样规则可以有效减少采样参数,提高网络采样和计算的工作效率。采用残差层可以使得数据跳层连接,实现多个尺度的同时输出,提高网络利用效率,更为关键的是,残差层可以保证网络收敛,不会因为网络的加深而变得难以收敛。网络越深,特征提取效果越好,检测能力越强。
目标检测的技术衡量指标主要是平均精度均值(mAP)和查全率(recall)。查全率主要反映检测是否全面,mAP主要反映检测目标的准确度,因此通过如下公式计算本申请的表计训练神经网络的查全率(recall)、查准率(precision):
式中,TP表示目标分类正确的数目,FN表示将目标错误分为其他类别的数目,FP表示将非目标物体误识别目标的数目。AP就是Precision-recall曲线下面的面积,通常来说一个越好的分类器,AP值越高。mAP表示多个目标的平均AP 值。
对本发明提供的表计训练网络以及YOLOv3算法得到的训练网络分别进行查全率(recall)和查准率(precision)计算,计算结果如下表所示。
表计训练网络 | YOLOv3 | |
Recall | 0.9608 | 0.9323 |
mAP | 0.9384 | 0.9062 |
通过上表中可以发现,本发明提供的表计训练网络的recall和mAP值都有很高的提升。具体指标如表3所示,本发明提供的表计训练网络在recall值提升了 3%,mAP提高了接近5%,充分证明本发明提供的机器人巡检图像的表计位置检测方法的优势。
参见图4,是本发明提供的一种机器人巡检图像的表计位置检测方法和 YOLOv3算法的检测效果对比图。图4中,(1)、(3)、(5)为本发明提供的一种机器人巡检图像的表计位置检测方法的检测结果,(2)、(4)、(6)为YOLOv3 检测结果。
显而易见地,本发明提供的一种机器人巡检图像的表计位置检测方法避免了重复识别现象。
参见图5,是本发明实施例二提供的一种机器人巡检图像的表计位置检测装置的结构示意图,包括:
图像分类单元201,用于将巡检图像按预设的比例分为训练图像和待测试图像;
网络构建单元202,用于构建初始训练神经网络,并去除初始训练神经网络中的小尺度的训练卷积层,得到表计训练神经网络;
采样训练单元203,用于表计训练神经网络接收训练图像,训练图像经过第一层卷积层后,对训练图像进行一次下采样;训练图像经过采样单元后,对训练图像进行下采样;根据采样结果训练表计神经网络;其中,采样单元包括两层卷积层及一层残差层;
表计检测单元204,用于将待测试图像输入训练后的表计训练神经网络,得到表计检测结果。
进一步地,训练图像经过采样单元后,对训练图像进行下采样,具体包括:
训练图像经在第一个采样单元之后进行,对训练图像进行下采样;再经过两个采样单元后,对训练图像进行下采样;经过八个采样单元后,对训练图像进行下采样。
本发明实施例提供的一种机器人巡检图像的表计位置检测方法、装置及存储介质,具有如下有益效果:
去除所述初始训练神经网络中的小尺度的训练卷积层,提高了网络性能,减小了对于表计检测的作用较小的参数,同时避免了重复识别现象;通过设定下采样规则可以有效减少采样参数,提高网络采样和计算的工作效率。采用残差层可以使得数据跳层连接,实现多个尺度的同时输出,提高网络利用效率,以提高检测速度,并降低背景检测错误率。
本发明实施例三对应提供了一种机器人巡检图像的表计位置检测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例一所述的机器人巡检图像的表计位置检测方法。所述机器人巡检图像的表计位置检测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述机器人巡检图像的表计位置检测装置可包括,但不仅限于,处理器、存储器。
本发明实施例四对应提供了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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的机器人巡检图像的表计位置检测方法。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器是所述机器人巡检图像的表计位置检测装置的控制中心,利用各种接口和线路连接整个机器人巡检图像的表计位置检测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述机器人巡检图像的表计位置检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD) 卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述机器人巡检图像的表计位置检测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种机器人巡检图像的表计位置检测方法,其特征在于,包括:
将巡检图像按预设的比例分为训练图像和待测试图像;
构建初始训练神经网络,并去除所述初始训练神经网络中的小尺度的训练卷积层,得到表计训练神经网络;
所述表计训练神经网络接收所述训练图像,所述训练图像经过第一层卷积层后,对所述训练图像进行一次下采样;所述训练图像经过采样单元后,对所述训练图像进行下采样;根据采样结果训练所述表计神经网络;其中,所述采样单元包括两层卷积层及一层残差层;
将所述待测试图像输入训练后的所述表计训练神经网络,得到表计检测结果。
2.如权利要求1所述的一种机器人巡检图像的表计位置检测方法,其特征在于,所述训练图像经过采样单元后,对所述训练图像进行下采样,具体包括:
所述训练图像经在第一个所述采样单元之后进行,对所述训练图像进行下采样;再经过两个所述采样单元后,对所述训练图像进行下采样;经过八个所述采样单元后,对所述训练图像进行下采样。
3.一种机器人巡检图像的表计位置检测装置,其特征在于,包括:
图像分类单元,用于将巡检图像按预设的比例分为训练图像和待测试图像;
网络构建单元,用于构建初始训练神经网络,并去除所述初始训练神经网络中的小尺度的训练卷积层,得到表计训练神经网络;
采样训练单元,用于所述表计训练神经网络接收所述训练图像,所述训练图像经过第一层卷积层后,对所述训练图像进行一次下采样;所述训练图像经过采样单元后,对所述训练图像进行下采样;根据采样结果训练所述表计神经网络;其中,所述采样单元包括两层卷积层及一层残差层;
表计检测单元,用于将所述待测试图像输入训练后的所述表计训练神经网络,得到表计检测结果。
4.如权利要求3所述的一种机器人巡检图像的表计位置检测方法,其特征在于,所述训练图像经过采样单元后,对所述训练图像进行下采样,具体包括:
所述训练图像经在第一个所述采样单元之后进行,对所述训练图像进行下采样;再经过两个所述采样单元后,对所述训练图像进行下采样;经过八个所述采样单元后,对所述训练图像进行下采样。
5.一种机器人巡检图像的表计位置检测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至2中任意一项所述的一种机器人巡检图像的表计位置检测方法。
6.一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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至2中任意一项所述的一种机器人巡检图像的表计位置检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910324251.8A CN110136197A (zh) | 2019-04-22 | 2019-04-22 | 机器人巡检图像的表计位置检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910324251.8A CN110136197A (zh) | 2019-04-22 | 2019-04-22 | 机器人巡检图像的表计位置检测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110136197A true CN110136197A (zh) | 2019-08-16 |
Family
ID=67570668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910324251.8A Pending CN110136197A (zh) | 2019-04-22 | 2019-04-22 | 机器人巡检图像的表计位置检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136197A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537197A (zh) * | 2021-01-26 | 2021-10-22 | 浙江国自机器人技术股份有限公司 | 基于机器视觉的表计自动建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286524B1 (en) * | 2015-04-15 | 2016-03-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Multi-task deep convolutional neural networks for efficient and robust traffic lane detection |
CN106934397A (zh) * | 2017-03-13 | 2017-07-07 | 北京市商汤科技开发有限公司 | 图像处理方法、装置及电子设备 |
CN109359672A (zh) * | 2018-09-21 | 2019-02-19 | 南京七宝机器人技术有限公司 | 一种变压器油位计读数图像识别方法 |
-
2019
- 2019-04-22 CN CN201910324251.8A patent/CN110136197A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286524B1 (en) * | 2015-04-15 | 2016-03-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Multi-task deep convolutional neural networks for efficient and robust traffic lane detection |
CN106934397A (zh) * | 2017-03-13 | 2017-07-07 | 北京市商汤科技开发有限公司 | 图像处理方法、装置及电子设备 |
CN109359672A (zh) * | 2018-09-21 | 2019-02-19 | 南京七宝机器人技术有限公司 | 一种变压器油位计读数图像识别方法 |
Non-Patent Citations (1)
Title |
---|
黎巎: "《旅游大数据研究》", 31 July 2018, 中国经济出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537197A (zh) * | 2021-01-26 | 2021-10-22 | 浙江国自机器人技术股份有限公司 | 基于机器视觉的表计自动建模方法 |
CN113537197B (zh) * | 2021-01-26 | 2024-05-14 | 浙江国自机器人技术股份有限公司 | 基于机器视觉的表计自动建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345368A (zh) | 基于大数据的信用评估方法、装置、电子设备及存储介质 | |
CN102324038A (zh) | 一种基于数字图像的植物种类识别方法 | |
CN113837151B (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
CN108171191A (zh) | 用于检测人脸的方法和装置 | |
CN104598539A (zh) | 一种互联网事件热度计算方法及终端 | |
CN107589391A (zh) | 一种检测电能计量装置整体误差的方法、装置和系统 | |
CN110309234A (zh) | 一种基于知识图谱的客户持仓预警方法、装置及存储介质 | |
CN110244185A (zh) | 一种多源谐波责任划分方法、终端设备及存储介质 | |
CN114120221A (zh) | 基于深度学习的环境核查方法、电子设备及存储介质 | |
CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
CN114078008A (zh) | 异常行为检测方法、装置、设备及计算机可读存储介质 | |
CN108770002A (zh) | 基站流量分析方法、装置、设备及存储介质 | |
CN110136197A (zh) | 机器人巡检图像的表计位置检测方法、装置及存储介质 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN104598702A (zh) | 测试报告生成方法及系统 | |
CN109670153A (zh) | 一种相似帖子的确定方法、装置、存储介质及终端 | |
CN113591884B (zh) | 字符识别模型的确定方法、装置、设备及存储介质 | |
CN113053365A (zh) | 语音分离方法、装置、设备和存储介质 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN111241269B (zh) | 一种短信文本分类方法、装置、电子设备及存储介质 | |
CN114448661B (zh) | 慢速拒绝服务攻击检测方法及相关设备 | |
CN110059234A (zh) | 水务异常事件侦测方法及装置、计算机装置及存储介质 | |
CN110188073A (zh) | 活体检测日志解析的方法、装置、存储介质及计算机设备 | |
CN112527442B (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
CN111199345B (zh) | 海绵城市的设计降雨量的测算方法及终端设备 |
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: 20190816 |