CN110210401B - 一种弱光下的目标智能检测方法 - Google Patents
一种弱光下的目标智能检测方法 Download PDFInfo
- Publication number
- CN110210401B CN110210401B CN201910478334.2A CN201910478334A CN110210401B CN 110210401 B CN110210401 B CN 110210401B CN 201910478334 A CN201910478334 A CN 201910478334A CN 110210401 B CN110210401 B CN 110210401B
- Authority
- CN
- China
- Prior art keywords
- data set
- image data
- image
- pictures
- picture
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Abstract
本发明提出了一种弱光下的目标智能检测方法，属于计算机视觉领域。所述方法包括步骤一、环境配置准备；步骤二、收集数据；步骤三、标记图片；步骤四、数据增强；步骤五、数据集处理；步骤六、训练神经网络模型；步骤七、验证暗光检测效果。所述一种弱光下的目标智能检测方法具有提高神经网络对弱光图片识别的敏感性和稳定性等特点。
Description
技术领域
本发明属于计算机视觉领域，尤其涉及基于深度学习的弱光下目标智能检测方法。
背景技术
基于深度学习的目标检测是计算机视觉领域的研究热点，目前主流的方法分为两种，分别是基于候选区域的目标检测算法和单次目标检测算法，前者包括Fast R-CNN、Faster R-CNN、FPN等，后者包括YOLO、SDD、RentinaNet等。这些目标检测方法都是为正常光照下的目标检测设计的，在弱光下识别率低。
针对弱光下目标检测，以人脸检测为例，目前采用的解决方法有如下几种：1.检测时用照明设备进行补光，例如相机配备的闪光灯。这样做的缺点是很多情况下不支持使用照明设备，且实时检测时让照明设备保持常亮非常耗能。2.利用红外摄像机等硬件技术，例如小米手机的红外人脸解锁技术。缺点是需要用到昂贵的硬件设备。3.用弱光条件下含有待检测物体的图片作为训练集训练神经网络。由于网络上的公开数据集几乎没有弱光情况下的数据集，这种方法需要手动采集数据集，难度大，工作量大，且若采集到的弱光图片数量不够多容易出现过拟合的情况。
需要解决的技术问题如下：在不利用照明设备、不利用红外摄像机等硬件技术的前提下，利用基于深度学习的目标检测算法，通过数据增强的方式优化用于训练神经网络的数据集，同时用图像增强算法对待识别弱光图片进行预处理，增强弱光图片暗光细节，使目标检测算法能够在弱光图片(甚至人眼不能辨识的情况)中检测出待检测目标。
发明内容
本发明为了解决弱光下目标检测识别率低的问题，提出了一种弱光下的目标智能检测方法，该方法在不利用照明设备、不利用红外摄像机等硬件技术的前提下，利用基于深度学习的目标检测算法，通过数据增强的方式优化用于训练神经网络的数据集，同时用图像增强算法对待识别弱光图片进行预处理，增强弱光图片暗部细节，使目标检测算法能够在弱光图片(甚至人眼不能辨识的情况)中检测出待检测目标。所采取的技术方案如下：
一种弱光下的目标智能检测方法，所述检测方法包括：
步骤一、对深度学习的软件环境进行配置；
步骤二、利用网络下载或相机拍摄方式收集图片数据，获得图像数据集A；
步骤三、对图像数据集A中的待测物体或目标进行标记，并获得标签数据集B；
步骤四、利用降低亮度和图像增强方式将图像数据集A处理为图像数据集C，并利用标签数据集B生成图像数据集C对应的标签数据集D；
步骤五、利用图像数据集A和图像数据集C生成图像数据集E；利用标签数据集B和标签数据集D生成标签数据集F；
步骤六、利用图像数据集E和标签数据集F训练神经网络模型，生成弱光目标检测模型；
步骤七、验证弱光检测效果。
进一步地，所述检测方法的具体过程包括：
步骤一、环境配置准备：在计算机上配置基于深度学习的目标检测算法和图像增强算法所需要的环境；
步骤二、收集数据：利用网络下载图片或相机拍摄图片作为待测物体或目标的训练用图片；将所述图片汇总后得到图像数据集A，其中，所述图像数据集A中包含的图片数量为a；
步骤三、标记图片：采用矩形框对步骤二获得的图像数据集A中每张图片内的待测物体或目标进行标记，并利用标记后的数据汇总形成标签数据集B；
步骤四、数据增强：利用降低亮度和图像增强方式对所述图像数据集A中的图片进行图像增强处理，并汇总处理后的图像信息获得图像数据集C；然后，将标记数据集B拷贝生成图像数据集C对应的标签数据集D；
步骤五、数据集处理：将图像数据集A和图像数据集C合并得到图像数据集E；将标签数据集B与标签数据集D合并为标签数据集F；
步骤六、训练神经网络模型：将步骤五所述图像数据集E中的图片随机分为三个部分，所述三个部分分别为训练集Q1，验证集Q2和测试集Q3；然后，将标签数据集F分为对应的训练集P1，验证集P2和测试集P3；将这6组数据集导入到神经网络模型中用作训练、验证和测试，最终生成弱光目标检测模型；
步骤七、验证弱光检测效果：在弱光条件下拍摄包含待检测物体或目标的图片，将该图片利用图像增强算法增强，获得增强后的图片；然后，将原图片和增强后的图片同时送入弱光目标检测模型验证弱光检测效果。
进一步地，步骤一所述目标检测算法为基于候选区域的目标检测算法或单次目标检测算法；所述图像增强算法为低照度图像增强算法，所述低照度图像增强算法包括Retinex图像增强算法、色调映射图像增强算法或直方图图像增强算法。进一步地，步骤三所述标签数据集B中包含矩形框的坐标信息、矩形框中物体或目标的名称信息；其中，所述矩形框的坐标信息包括矩形框的左上角起始坐标、矩形框的宽度与高度。
进一步地，步骤四所述数据增强的具体方法为：
第一步、选择M个大于0且小于1的数值，将所述M个大于0且小于1的数值命名为M个亮度尺度，其中，M值越大，图像数据集C越大，弱光识别效果越好；
第二步、将图像数据集A中的每张图片通过降低亮度的方式生成M张新图片，其中，M张新图片的亮度＝原图片亮度*对应的亮度尺度；同时，将图像数据集A中的每张图片用图像增强算法进行增强处理，最终生成a*(M+1)个新图片，所述a*(M+1)个新图片形成图像数据集C；
第三步、由于数据集C中的图片相对于数据集A来说只调整了亮度，标签数据信息没有变化，故将标签数据集B拷贝生成图像数据集C对应的标签数据集D。
进一步地，步骤六中设置的训练集Q1占图像数据集E的70％；验证集Q2占图像数据集E的15％；测试集Q3占图像数据集E的15％。
进一步地，步骤六中设置的训练集P1占数据集F的70％；验证集P2占数据集F的15％；测试集P3占数据集F的15％。
本发明有益效果：
1.本发明利用数据增强的方式制作弱光图片作为训练集，提高神经网络对弱光图片识别的敏感性和稳定性。2.本发明利用图像增强算法预处理待识别的弱光图片，增强弱光图片的暗部细节，可以显著提高弱光图片的识别准确率。3.本发明将图像增强算法用于数据增强中，提高神经网络对图像增强后的图片的敏感性4.由于不需要硬件设备，本发明造价便宜。5.通过数据增强的方式，利用程序批量处理数据集，工作量小，不需要手动采集弱光图片，难度小。
附图说明
图1为本发明所述方法的流程图。
具体实施方式
下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。
实施例1：
一种弱光下的目标智能检测方法，所述检测方法包括：
步骤一、环境配置准备：在计算机上配置基于深度学习的目标检测算法和图像增强算法所需要的环境；
本实施例中具体为选择一台支持深度学习的计算机(有较好的cpu，最好配有独立显卡)，在windows系统下配置Faster R-CNN所需要的Caffe平台环境，python2.7，VisualStudio 2013，cuda8.0。github上获取Faster R-CNN开源程序；
步骤二、收集数据：利用网络下载图片或相机拍摄图片作为待测物体或目标的训练用图片；将所述图片汇总后得到图像数据集A，其中，所述图像数据集A中包含的图片数量为a；
本实施例中具体为下载开源Wider Face数据库里面包含了16106张正常光照下的人脸图像数据集以及对应的标签数据集。从中选择16000张图片作为图像数据集A。
步骤三、标记图片：采用矩形框对步骤二获得的图像数据集A中每张图片内的待检测物体或目标进行标记，并利用标记后的数据汇总形成标签数据集B；
本实施例中具体为：Wider Face提供了图片对应的标签数据集，不需要手动标记，为了方便Faster R-CNN做训练，把wider face数据库的标签数据集转为voc2007格式，选择与图像数据集A对应的标签数据集作为标签数据集B。
步骤四、数据增强：利用降低亮度和图像增强方式对所述图像数据集A中的图片进行图像增强处理，并汇总处理后的图像信息获得图像数据集C；然后，将标签数据集B拷贝生成图像数据集C对应的标签数据集D；其中，所述数据增强的具体方法为：
第一步、选择M个大于0且小于1的数值，将所述M个大于0且小于1的数值命名为M个亮度尺度，其中，M值越大，图像数据集C越大，弱光识别效果越好；
第二步、将图像数据集A中的每张图片通过降低亮度的方式生成M张新图片，其中，M张新图片的亮度＝原图片亮度*对应的亮度尺度；同时，将图像数据集A中的每张图片用基于Retinex理论的图像增强算法进行增强处理，最终生成a*(M+1)个新图片，所述a*(M+1)个新图片形成图像数据集C；其中，所述图像增强算法为低照度图像增强算法，例如，Retinex图像增强算法、色调映射图像增强算法、直方图图像增强算法等。
第三步、由于数据集C中的图片相对于数据集A来说只调整了亮度，标签数据信息没有变化，故将标签数据集B拷贝生成图像数据集C对应的标签数据集D。
本实施例中具体为：设M＝5，则这5个值分为别0.05，0.1，0.3，0.5，0.7，那么生成M个新图片，其亮度分别为原来的0.05倍，0.1倍，0.3倍，0.5倍，0.7倍；令图像数据集A中的每张图片通过降低亮度的方式生成5张新图片，这5张图片的亮度＝原图片亮度*对应的亮度尺度。同时用基于Retinex理论的图像增强算法处理图像数据集A中的每张图片，最终生成了96000个新图片，我们称之为数据集C。将标签数据集B拷贝生成图像数据集C对应的标签数据集D。
步骤五、数据集处理：将图像数据集A和图像数据集C合并得到图像数据集E；将标签数据集B与标签数据集D合并为标签数据集F；
步骤六、训练神经网络模型：将步骤五所述图像数据集E中的图片随机分为三个部分，所述三个部分分别为训练集Q1，验证集Q2和测试集Q3；然后，将标签数据集F分为对应的训练集P1，验证集P2和测试集P3；将这6组数据集导入到神经网络模型中用作训练、验证和测试，最终生成弱光目标检测模型；
步骤七、验证弱光检测效果：在弱光条件下拍摄包含待检测物体或目标的图片，将该图片利用图像增强算法增强，获得增强后的图片；然后，将原图片和增强后的图片同时送入弱光目标检测模型验证弱光检测效果。
虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (6)
1.一种弱光下的目标智能检测方法，其特征在于，所述检测方法包括：
步骤一、对深度学习的软件环境进行配置；
步骤二、利用网络下载或相机拍摄方式收集图片数据，获得图像数据集A；
步骤三、对图像数据集A中的待测物体或目标进行标记，并获得标签数据集B；
步骤四、利用降低亮度和图像增强方式将图像数据集A处理为图像数据集C，并利用标签数据集B生成图像数据集C对应的标签数据集D；
步骤五、利用图像数据集A和图像数据集C生成图像数据集E；利用标签数据集B和标签数据集D生成标签数据集F；
步骤六、利用图像数据集E和标签数据集F训练神经网络模型，生成弱光目标检测模型；
步骤七、验证弱光检测效果；
具体过程为：
步骤一、环境配置准备：在计算机上配置基于深度学习的目标检测算法和图像增强算法所需要的环境；
步骤二、收集数据：利用网络下载图片或相机拍摄图片作为待测物体或目标的训练用图片；
将所述图片汇总后得到图像数据集A，其中，所述图像数据集A中包含的图片数量为a；
步骤三、标记图片：采用矩形框对步骤二获得的图像数据集A中每张图片内的待测物体或目标进行标记，并利用标记后的数据汇总形成标签数据集B；
步骤四、数据增强：利用降低亮度和图像增强方式对所述图像数据集A中的图片进行图像增强处理，并汇总处理后的图像信息获得图像数据集C；然后，将标签数据集B拷贝生成图像数据集C对应的标签数据集D；
步骤五、数据集处理：将图像数据集A和图像数据集C合并得到图像数据集E；将标签数据集B与标签数据集D合并为标签数据集F；
步骤六、训练神经网络模型：将步骤五所述图像数据集E中的图片随机分为三个部分，所述三个部分分别为训练集Q1，验证集Q2和测试集Q3；然后，将标签数据集F分为对应的训练集P1，验证集P2和测试集P3；将这6组数据集导入到神经网络模型中用作训练、验证和测试，最终生成弱光目标检测模型；
步骤七、验证弱光检测效果：在弱光条件下拍摄包含待检测物体或目标的图片，将该图片利用图像增强算法增强，获得增强后的图片；然后，将原图片和增强后的图片同时送入弱光目标检测模型验证弱光检测效果。
2.根据权利要求1所述目标智能检测方法，其特征在于，步骤一所述目标检测算法为基于候选区域的目标检测算法或单次目标检测算法；所述图像增强算法为低照度图像增强算法，所述低照度图像增强算法包括Retinex图像增强算法、色调映射图像增强算法或直方图图像增强算法。
3.根据权利要求1所述目标智能检测方法，其特征在于，步骤三所述标签数据集B中包含矩形框的坐标信息、矩形框中物体或目标的名称信息；其中，所述矩形框的坐标信息包括矩形框的左上角起始坐标、矩形框的宽度与高度。
4.根据权利要求1所述目标智能检测方法，其特征在于，步骤四所述数据增强的具体方法为：
第一步、选择M个大于0且小于1的数值，将所述M个大于0且小于1的数值命名为M个亮度尺度；
第二步、将图像数据集A中的每张图片通过降低亮度的方式生成M张新图片，其中，M张新图片的亮度＝原图片亮度*对应的亮度尺度；同时，将图像数据集A中的每张图片用图像增强算法进行增强处理，最终生成a*(M+1)个新图片，所述a*(M+1)个新图片形成图像数据集C；
第三步、将标签数据集B拷贝生成图像数据集C对应的标签数据集D。
5.根据权利要求1所述目标智能检测方法，其特征在于，步骤六中设置的训练集Q1占图像数据集E的70％；验证集Q2占图像数据集E的15％；测试集Q3占图像数据集E的15％。
6.根据权利要求1所述目标智能检测方法，其特征在于，步骤六中设置的训练集P1占数据集F的70％；验证集P2占数据集F的15％；测试集P3占数据集F的15％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910478334.2A CN110210401B (zh) | 2019-06-03 | 2019-06-03 | 一种弱光下的目标智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910478334.2A CN110210401B (zh) | 2019-06-03 | 2019-06-03 | 一种弱光下的目标智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110210401A CN110210401A (zh) | 2019-09-06 |
| CN110210401B true CN110210401B (zh) | 2022-10-21 |
Family
ID=67790508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910478334.2A Active CN110210401B (zh) | 2019-06-03 | 2019-06-03 | 一种弱光下的目标智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210401B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111694977A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 一种基于数据增强的车辆图像检索方法 |
| CN114065838B (zh) * | 2021-10-22 | 2023-07-14 | 中国科学院深圳先进技术研究院 | 一种低光照障碍物检测方法、系统、终端以及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295225A (zh) * | 2013-04-10 | 2013-09-11 | 苏州大学 | 弱光照条件下的列车转向架边缘检测方法 |
| CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
| CN106934800A (zh) * | 2017-02-28 | 2017-07-07 | 北京科技大学 | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 |
| CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN108805094A (zh) * | 2018-06-19 | 2018-11-13 | 合肥工业大学 | 基于人工脸的数据增强方法 |
| CN109033934A (zh) * | 2018-05-25 | 2018-12-18 | 江南大学 | 一种基于YOLOv2网络的水上漂浮物检测方法 |
| CN109522883A (zh) * | 2018-12-28 | 2019-03-26 | 广州海昇计算机科技有限公司 | 一种人脸检测方法、系统、装置及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7769513B2 (en) * | 2002-09-03 | 2010-08-03 | Automotive Technologies International, Inc. | Image processing for vehicular applications applying edge detection technique |
| US20090175535A1 (en) * | 2008-01-09 | 2009-07-09 | Lockheed Martin Corporation | Improved processing of multi-color images for detection and classification |
| US8111943B2 (en) * | 2009-04-15 | 2012-02-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Smart image enhancement process |
| IL239129A0 (en) * | 2015-06-01 | 2015-11-30 | Brightway Vision Ltd | Image improvements in car imaging systems |
| US10346721B2 (en) * | 2017-11-01 | 2019-07-09 | Salesforce.Com, Inc. | Training a neural network using augmented training datasets |
-
2019
- 2019-06-03 CN CN201910478334.2A patent/CN110210401B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295225A (zh) * | 2013-04-10 | 2013-09-11 | 苏州大学 | 弱光照条件下的列车转向架边缘检测方法 |
| CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
| CN106934800A (zh) * | 2017-02-28 | 2017-07-07 | 北京科技大学 | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 |
| CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN109033934A (zh) * | 2018-05-25 | 2018-12-18 | 江南大学 | 一种基于YOLOv2网络的水上漂浮物检测方法 |
| CN108805094A (zh) * | 2018-06-19 | 2018-11-13 | 合肥工业大学 | 基于人工脸的数据增强方法 |
| CN109522883A (zh) * | 2018-12-28 | 2019-03-26 | 广州海昇计算机科技有限公司 | 一种人脸检测方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110210401A (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
| CN105608455B (zh) | 一种车牌倾斜校正方法及装置 | |
| CN107328776B (zh) | 一种免疫层析试纸卡的快速检测方法 | |
| US20120027252A1 (en) | Hand gesture detection | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN110032916A (zh) | 一种检测目标物体的方法和装置 | |
| CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
| CN110910372B (zh) | 基于深度卷积神经网络的匀光板缺陷检测方法 | |
| CN110210401B (zh) | 一种弱光下的目标智能检测方法 | |
| TW202009681A (zh) | 樣本標註方法及裝置、損傷類別的識別方法及裝置 | |
| CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
| CN111507325B (zh) | 基于深度学习的工业视觉ocr识别系统及方法 | |
| CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及系统 | |
| CN113723300A (zh) | 基于人工智能的火情监测方法、装置及存储介质 | |
| CN105678301A (zh) | 一种自动识别并分割文本图像的方法、系统及装置 | |
| CN115690615B (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
| CN114627435B (zh) | 基于图像识别的智能灯光调节方法、装置、设备及介质 | |
| CN116797864A (zh) | 基于智能镜子的辅助化妆方法、装置、设备及存储介质 | |
| CN110782390A (zh) | 图像的矫正处理方法及装置、电子设备 | |
| CN116958035A (zh) | 产品零件缺陷检测方法、装置、介质及电子设备 | |
| CN110135274A (zh) | 一种基于人脸识别的人流量统计方法 | |
| CN113610934B (zh) | 图像亮度调整方法、装置、设备及存储介质 | |
| CN115631169A (zh) | 产品检测方法、装置、电子设备及存储介质 | |
| CN106920398A (zh) | 一种智能车牌识别系统 | |
| CN113034449A (zh) | 目标检测模型训练方法、装置及通信设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230113 Address after: Room 1-81, No. 18, Zhihui Avenue, Fenghuang Town, Shapingba District, Chongqing 401334 Patentee after: Zhijiuan Artificial Intelligence Technology Chongqing Co.,Ltd. Address before: No. 2-2, No. 52, Keyuan 3rd Road, Jiulongpo District, Chongqing 400041 Patentee before: Multidimensional Collaborative Artificial Intelligence Technology Research Institute (Chongqing) Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231212 Address after: No. 51 Jungle Gou, Jungle Town, Wansheng Economic Development Zone, Qijiang District, Chongqing, 400801 (Room 403, Jungle Town People's Government) Patentee after: Zhiti Chongqing Information Technology Co.,Ltd. Address before: Room 1-81, No. 18, Zhihui Avenue, Fenghuang Town, Shapingba District, Chongqing 401334 Patentee before: Zhijiuan Artificial Intelligence Technology Chongqing Co.,Ltd. |
|
| TR01 | Transfer of patent right |