CN110288032B - 一种车辆行驶轨迹类型检测方法及装置 - Google Patents

一种车辆行驶轨迹类型检测方法及装置 Download PDF

Info

Publication number
CN110288032B
CN110288032B CN201910570048.9A CN201910570048A CN110288032B CN 110288032 B CN110288032 B CN 110288032B CN 201910570048 A CN201910570048 A CN 201910570048A CN 110288032 B CN110288032 B CN 110288032B
Authority
CN
China
Prior art keywords
track
random forest
model
training
type
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
Application number
CN201910570048.9A
Other languages
English (en)
Other versions
CN110288032A (zh
Inventor
秦峰
尹玉成
石涤文
胡丹丹
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN201910570048.9A priority Critical patent/CN110288032B/zh
Publication of CN110288032A publication Critical patent/CN110288032A/zh
Application granted granted Critical
Publication of CN110288032B publication Critical patent/CN110288032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle

Abstract

本发明涉及一种车辆行驶轨迹类型检测方法及装置，属于自动驾驶领域。该方法包括：采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；通过训练集对随机森林模型和SVM模型进行训练，并利用测试集测试随机森林模型和SVM模型是否达到预定准确率；达到预定准确率后，设定随机森林模型和SVM模型检测结果权重比例，根据待检测轨迹的检测结果及结果权重比例，判断轨迹类型。通过该方案可以实时准确地对车辆轨迹类型进行识别判定，方便快捷。

Description

一种车辆行驶轨迹类型检测方法及装置
技术领域
本发明涉及自动驾驶领域，尤其涉及一种车辆行驶轨迹类型检测方法及装置。
背景技术
对车辆的行驶轨迹的研究，对于获取自动驾驶车辆的行驶状态、地图信息生成具有重要作用。实际中，由于车辆行驶轨迹多样，定位设备误差产生的轨迹漂移都会导致对车辆轨迹类型误判，目前，较常采用的设定阈值判断车辆轨迹类型，这种方法计算量小但针对小范围内的轨迹大幅变化容易存在误判，而采用传统的神经网络进行行驶轨迹检测时，虽然结果判断较为准确，但检测过程耗时较长，且前期训练过程繁琐。
因此，有必要提出一种能快速准确地检测车辆行驶轨迹类型的方法。
发明内容
有鉴于此，本发明实施例提供了一种车辆行驶轨迹类型检测方法及装置，能快速高效地对车辆轨迹类型进行识别判定。
在本发明实施例的第一方面，提供了一种车辆行驶轨迹类型检测方法，包括：
采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。
在本发明实施例的第二方面，提供了一种车辆行驶轨迹类型检测装置，包括：
采集模块，用于采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
构建模块，用于将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
训练模块，用于通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
输入模块，用于当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
检测模块，用于设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。
本发明实施例中，对采集的轨迹数据进行预处理，形成训练集和测试集，通过训练集分别对随机森林模型和SVM模型进行训练，通过测试集对随机森林模型及SVM模型进行测试，设定随机森林模型和SVM模型检测结果权重，根据随机森林与SVM模型识别结果及权重比例，判断待检测轨迹类型，可以实现对轨迹的快速检测判断，并结合随机森林模型和SVM模型能够减少单独使用一个模型检测引起的偏差，保障检测的准确性。基于随机森林和SVM模型的训练识别，不仅算法训练过程简单快速，而且可以实现对高维数据并行处理，从而保证能够实时准确的对车辆轨迹类型进行判定。
附图说明
图1为本发明实施例一提供的一种车辆行驶轨迹类型检测方法的流程示意图；
图2为本发明实施例二提供的一种车辆行驶轨迹类型检测装置的结构示意图。
具体实施方式
本发明实施例提供了一种车辆行驶轨迹类型检测方法及装置，用于准确快速识别车辆行驶轨迹类型。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
实施例一：
请参阅图1，本发明实施例提供的车辆行驶轨迹类型检测方法的流程示意图，包括：
S101、采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
收集原始车辆轨迹数据，对轨迹数据进行预处理，示例性的，将原始轨迹点处理为间隔为0.5米的轨迹点，将处理后的轨迹数据每45米分为一段。
进一步的，在分段轨迹中寻找划分的轨迹类型，如拐弯，调头以及其他类型轨迹，计算出这些轨迹中的每个轨迹点沿行驶方向的切线单位向量数据集
Figure GDA0003090207020000041
即为样本数据。取n＝91,并对每一个数据集进行相应轨迹类型标签标注(如拐弯记为1，掉头记为2，其他类型记为3)，则有
Figure GDA0003090207020000042
S102、将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
在所述训练集中包含有训练样本，可以将训练样本输入到构建的随机森林中对决策树进行训练。
S103、通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
所述SVM模型即支持向量机模型，通过监督学习实现二元分类的线性分类器，该模型训练过程简单，可以得到最大分别边际，且鲁棒性好。
在随机森林模型中，对输入的样本数据分别进行行采样和列采样，对于行采样，采用有放回的方式，在采样得到的样本集合中，可能有重复的样本。假设输入样本为N个，采样的样本也为N个。使在训练的时候，每一棵树的输入样本都不是全部的样本，避免出现过拟合。对于列采样，从M个特征中，选择m个(m<M)。
可选的，构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：
Figure GDA0003090207020000043
其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，I(·)表示示性函数，i为决策树序号，k为决策树数量。
通过所述测试集测试随机森林模型准确率，当准确率不能达到预定要求，则调整所述随机森林模型的参数，再次训练，直到指标合格。
S104、当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
S105、设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和权重比例，判断待检测轨迹类型。
结合随机森林模型和SVM模型可以减少样本数据影响，平衡单个模型对某一类数据分类偏差，保障结果的准确，两者权重比例可以根据实际分类需要进行调整。
对待检测的车辆轨迹进行预处理，将车辆轨迹分段，计算待检测轨迹的轨迹点沿行驶方向的切线单位向量，再将分段数据输入到训练后的随机森林模型和SVM模型，根据设定的两个模型检测结果的权重比例及输出结果，得到轨迹类型识别结果，优选的，所述待检测轨迹类型一般包括转弯、掉头和其他类型。
可选的，验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
本实施例提供的方法基于随机森林和支持向量机可以有效简化轨迹类型检测模型的训练过程，应用于车辆轨迹检测能够保障类型识别的准确性，同时有效提升检测速度。
实施例二：
图2为本发明实施例二提供的车辆行驶轨迹类型检测装置的结构示意图，包括：
采集模块210，用于采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
构建模块220，用于将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
训练模块230，用于通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
可选的，所述通过所述训练集对随机森林模型进行训练还包括：
构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：
Figure GDA0003090207020000061
其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，I(·)表示示性函数。
输入模块240，用于当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
检测模块250，用于设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和权重比例，判断待检测轨迹类型。
可选的，所述检测模块还包括：
添加模块，用于验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
通过本实施例的装置，可以快速准确的对车辆轨迹类型进行识别判定，同时简化轨迹检测判断过程。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上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精神和范围。

Claims (4)

1.一种车辆行驶轨迹类型检测方法，其特征在于，包括：
采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型；
其中，所述根据森林模型和SVM模型的输出结果和权重比例，判断待检测轨迹类型还包括：
验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
2.根据权利要求1所述的方法，其特征在于，所述通过所述训练集对随机森林模型进行训练包括：
构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：
Figure FDA0003090207010000021
其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，I(·)表示示性函数。
3.一种车辆行驶轨迹类型检测装置，其特征在于，包括：
采集模块，用于采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
构建模块，用于将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
训练模块，用于通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
输入模块，用于当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
检测模块，用于设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型；
其中，所述检测模块还包括：
添加模块，用于验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
4.根据权利要求3所述的装置，其特征在于，所述通过所述训练集对随机森林模型进行训练还包括：
构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：
Figure FDA0003090207010000031
其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，I(·)表示示性函数。
CN201910570048.9A 2019-06-27 2019-06-27 一种车辆行驶轨迹类型检测方法及装置 Active CN110288032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570048.9A CN110288032B (zh) 2019-06-27 2019-06-27 一种车辆行驶轨迹类型检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570048.9A CN110288032B (zh) 2019-06-27 2019-06-27 一种车辆行驶轨迹类型检测方法及装置

Publications (2)

Publication Number Publication Date
CN110288032A CN110288032A (zh) 2019-09-27
CN110288032B true CN110288032B (zh) 2021-08-17

Family

ID=68019931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570048.9A Active CN110288032B (zh) 2019-06-27 2019-06-27 一种车辆行驶轨迹类型检测方法及装置

Country Status (1)

Country Link
CN (1) CN110288032B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046797A (zh) * 2019-12-12 2020-04-21 天地伟业技术有限公司 一种基于人员和车辆行为分析的输油管线警戒方法
CN111163423B (zh) * 2019-12-25 2022-04-12 中国联合网络通信集团有限公司 数据处理方法、装置、设备及存储介质
CN112268562B (zh) * 2020-10-23 2022-05-03 重庆越致科技有限公司 一种基于行人自动轨迹导航的融合数据处理系统
CN113792782A (zh) * 2021-09-13 2021-12-14 一汽出行科技有限公司 运营车辆的轨迹监测方法、装置、存储介质及计算机设备
CN113895463B (zh) * 2021-11-25 2023-06-06 北京航空航天大学 一种适用于自动驾驶车辆掉头的路径规划方法
CN115640997B (zh) * 2022-10-15 2023-06-06 河北省交通规划设计研究院有限公司 交通事故风险动态识别方法和识别模型构建方法
CN117077042B (zh) * 2023-10-17 2024-01-09 北京鑫贝诚科技有限公司 一种农村平交路口安全预警方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867329A (zh) * 2015-04-23 2015-08-26 同济大学 一种车联网车辆状态预测方法
CN104951764A (zh) * 2015-06-17 2015-09-30 浙江工业大学 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
US9275286B2 (en) * 2014-05-15 2016-03-01 Xerox Corporation Short-time stopping detection from red light camera videos
CN104331422B (zh) * 2014-10-14 2018-07-10 广州市香港科大霍英东研究院 一种路段类型推测方法
CN109325640A (zh) * 2018-12-07 2019-02-12 中山大学 用户价值预测方法、装置、存储介质及设备
US20190111934A1 (en) * 2017-10-17 2019-04-18 The Regents Of The University Of Michigan Fingerprinting Drivers Based On Vehicle Turns

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112282B (zh) * 2014-07-14 2017-01-11 华中科技大学 一种基于在线学习跟踪监控视频中多个运动目标的方法
AU2017418043B2 (en) * 2017-07-13 2020-05-21 Beijing Voyager Technology Co., Ltd. Systems and methods for trajectory determination

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9275286B2 (en) * 2014-05-15 2016-03-01 Xerox Corporation Short-time stopping detection from red light camera videos
CN104331422B (zh) * 2014-10-14 2018-07-10 广州市香港科大霍英东研究院 一种路段类型推测方法
CN104867329A (zh) * 2015-04-23 2015-08-26 同济大学 一种车联网车辆状态预测方法
CN104951764A (zh) * 2015-06-17 2015-09-30 浙江工业大学 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法
US20190111934A1 (en) * 2017-10-17 2019-04-18 The Regents Of The University Of Michigan Fingerprinting Drivers Based On Vehicle Turns
CN109325640A (zh) * 2018-12-07 2019-02-12 中山大学 用户价值预测方法、装置、存储介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A New Method on Vehicle Behavior Analysis of Intelligent Transportation Monitoring;Xuan Nie 等;《LISS 2014》;20150430;第745页倒数第3段-746页第1段，以及图1-2、表1 *
基于交通视频的车辆检测和车辆行为识别研究;阮体洪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160415;正文第1-68页 *

Also Published As

Publication number Publication date
CN110288032A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110288032B (zh) 一种车辆行驶轨迹类型检测方法及装置
CN108830188B (zh) 基于深度学习的车辆检测方法
CN103324937B (zh) 标注目标的方法和装置
CN108182433B (zh) 一种表计读数识别方法及系统
CN104156734B (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN101576956B (zh) 基于机器视觉的在线字符检测方法和系统
CN109344905A (zh) 一种基于集成学习的输电设备自动故障识别方法
CN109284355B (zh) 一种批改试卷中口算题的方法及装置
CN109324604A (zh) 一种基于多源信号的智能列车综合故障分析方法
CN110263934B (zh) 一种人工智能数据标注方法和装置
CN108229553A (zh) 一种otdr曲线数据分析方法
US11721229B2 (en) Question correction method, device, electronic equipment and storage medium for oral calculation questions
CN109740609A (zh) 一种轨距检测方法及装置
CN111343147A (zh) 一种基于深度学习的网络攻击检测装置及方法
CN111476307A (zh) 一种基于深度领域适应的锂电池表面缺陷检测方法
CN110516920B (zh) 基于指标融合的陀螺仪质量等级评估方法
CN116383727A (zh) 一种电厂系统测量粗大误差识别方法、系统、设备及介质
CN108764264A (zh) 烟雾检测方法、烟雾检测系统及计算机装置
CN110210326A (zh) 一种基于光纤振动信号的在线列车识别及速度估计方法
CN115809622B (zh) 具有自动优化配置功能的芯片仿真加速系统
CN115169504B (zh) 一种煤气精脱硫工艺中的设备异常识别方法
CN116645612A (zh) 一种森林资源资产确定方法及系统
CN116304955A (zh) 道岔设备故障检测方法、装置、终端设备及存储介质
CN111026075A (zh) 一种基于误差匹配的中低压燃气调压器故障检测方法
CN114662594B (zh) 一种目标特征识别分析系统

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