CN110297845A - 基于货物装载率加速度的装卸点识别方法及装置 - Google Patents
基于货物装载率加速度的装卸点识别方法及装置 Download PDFInfo
- Publication number
- CN110297845A CN110297845A CN201910537216.4A CN201910537216A CN110297845A CN 110297845 A CN110297845 A CN 110297845A CN 201910537216 A CN201910537216 A CN 201910537216A CN 110297845 A CN110297845 A CN 110297845A
- Authority
- CN
- China
- Prior art keywords
- charging ratio
- cargo
- data
- acceleration
- handling
- 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.)
- Granted
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施案例提供一种基于货物装载率加速度的装卸点识别方法及装置,方法包括:对货物的装载率数据进行数据清洗;合并货物装载率;确定装载加速度的阈值;通过算法检测,输出识别的装货和卸货开始和结束时间点;本申请能够针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用部分缺失数据。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种基于货物装载率加速度的装卸点识别方法及装置。
背景技术
目前针对货物装卸点识别的方案大多借助员工定点打卡统计,物流公司更多的是通过人工统计装卸货地点的数据记录或者人工估计相应的装卸点。但是,在装卸过程中想自动识别相应的装卸点、快速定位装卸过程比较困难,其中有部分科技公司采用定点打卡模式,但是硬件成本高,难以控制硬件成本,并且错误率较高。目前,市场还没有一款成熟的软件自动识别装卸货的开始和结束。
发明内容
针对现有技术中的问题,本申请提供一种基于货物装载率加速度的装卸点识别方法及装置,能够针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用缺失数据。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种基于货物装载率加速度的装卸点识别方法,包括:
对货物的装载率数据进行数据清洗;
合并货物装载率;
确定装载加速度的阈值;
通过算法检测,输出识别的装货和卸货开始和结束时间点。
首先,所述对车辆的装载率数据进行数据清洗,包括:
根据车的装载率数据对时间进行合并;
根据数据的特性结合相应的业务分析数据本质。
其次,所述合并货物装载率,包括:
运用装载率窗口解决数据的合并;
采用移动平均线对相应的异常数据进行平滑处理。
然后,所述确定装载加速度的阈值,包括:
取一个较高的短时能量作为阈值MH;
利用阈值MH,分出装卸货中较快部分。
进一步地,所述确定装载加速度的阈值,包括:
取一个较低的能量阈值ML;
利用阈值ML,从装卸货高点向两端进行搜索,将较低能量段的加速度较慢部分也加入到装卸货过程,扩大装卸货过程范围。
进一步地,所述确定装载加速度的阈值,包括:
设定加速度短时过零率的阈值为Zs;
将加速度短时过零率大于3倍Zs的部分设定为装卸货的开始和末尾部分,将该部分加入装卸货过程。
最后,所述通过算法检测,输出识别的装货和卸货开始和结束时间点,包括:
采用三段模式由高能量逐步向低能量确定,直到低能量达到能量阈值;
由低能量到初始阶段逐步扩充计算能量和过零率。
第二方面,本申请提供一种基于货物装载率加速度的装卸点识别装置,包括:
数据预处理模块,用于对货物的装载率数据进行数据清洗;
装载率合并模块,用于合并货物装载率;
阈值确定模块,用于确定装载加速度的阈值;
识别输出模块,用于通过算法检测,输出识别的装货和卸货开始和结束时间点。
由上述技术方案可知,本申请提供一种基于货物装载率加速度的装卸点识别方法及装置,通过针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用缺失数据。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的基于货物装载率加速度的装卸点识别方法的流程示意图;
图2为本申请实施例中的基于货物装载率加速度的装卸点识别装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
考虑到目前针对货物装卸点识别的方案大多借助员工定点打卡统计,物流公司更多的是通过人工统计装卸货地点的数据记录或者人工估计相应的装卸点。但是,在装卸过程中想自动识别相应的装卸点、快速定位装卸过程比较困难,其中有部分科技公司采用定点打卡模式,但是硬件成本高,难以控制硬件成本,并且错误率较高。目前,市场还没有一款成熟的软件自动识别装卸货的开始和结束的问题,本申请提供一种基于货物装载率加速度的装卸点识别方法及装置,通过针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用缺失数据。
为了能够针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用缺失数据,本申请提供一种基于货物装载率加速度的装卸点识别方法的实施例,参见图1,所述基于货物装载率加速度的装卸点识别方法具体包含有如下内容:
步骤S101:对货物的装载率数据进行数据清洗。
步骤S102:合并货物装载率。
步骤S103:确定装载加速度的阈值。
步骤S104:通过算法检测,输出识别的装货和卸货开始和结束时间点。
从上述描述可知,本申请实施例提供的基于货物装载率加速度的装卸点识别方法,能够针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用缺失数据。
具体详细步骤如下:
(1)数据清洗:
清洗数据中装载率为-1的值,使用有用的数据(deleted=0,装载率>0)。分析单个货物的多个装卸货周期。在通常情况下,根据实际数据的情况,装货时间比卸货时间长,一般情况下,装货时间平均8~9小时,最少3小时,而卸货时间一般达到4~6小时(特殊情况除外),最少1.5小时。因此,有必要根据车的装载率数据对时间进行合并。根据数据的特性结合相应的业务分析数据本质。
(2)合并装载率:
合并装载率相同的时间段,记一开始时间段和结束时间段。提出装载率窗口的概念,运用装载率窗口解决数据的合并。在该项目实施中,根据数据特性,比较了:中位值滤波法、中位值平均滤波法、简单移动平均线。
因数据中存在很多异常数据,需要对异常数据做出处理,在实施中采用移动平均线对相应的数据做出处理,能更好的将异常数据平滑处理,对于两边数据出现异常是因为采用Hanning窗对数据做卷积最后只有一条数据,其时间窗的数据做卷积有较小影响,因此,在数据需求层需要有多条数据保持对应装载状态。
(3)阈值确定
装载加速度高能量:
装载加速度高能量取一个较高的短时能量作为阈值MH,利用这个阈值,就可以先分出装卸货中较快部分。实验的MH,我取的是所有帧的短时能量的平均数的一半(平均数试过了,偏大,处理有问题,识别偏后);
装载加速度低能量:
取一个较低的能量阈值ML,利用这个阈值,可以从装卸货高点向两端进行搜索,将较低能量段的加速度较慢部分也加入到装卸货过程,进一步扩大装卸货过程范围。实验中,我首先计算装卸货过程前一段的静止部分的能量均值(前10条数据),我将静止部分的能量均值和MH的平均数的一半作为ML。
装载加速度过零率阈值:
加速度短时过零率的阈值为Zs。由于装卸货过程的两端部分是装卸货速度变化较慢的部分,也是装卸货过程中的一部分,但是加速度较慢的能量和静止部分的能量一样低,但是装卸货过程的过零率比静止状态的过零率高出很多。为了区分开二者,将利用加速度短时能量区分完的加速阶段继续向两端进行搜索,加速度短时过零率大于3倍Zs的部分(3σ准则,它是先假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据应予以剔除。且3σ适用于有较多组数据的时候。),则认为是装卸货的开始和末尾部分。将该部分加入装卸货过程,就是求得的装卸货阶段。
交叉阈值数据:
这个参数是我根据样本数据特性进行调整,是为了使第一次检测后的装货开始和卸货结束之间的距离不要太小,如果距离很小的话(这里就是小于21)就可以确定这不是端点,不能分成两阶段装卸货过程。可以使用其他参数测试一下,如果太小的话,会出现其他问题。
(4)算法检测
通过阈值的确定,采用三段模式由高能量逐步向低能量确定,直到,低能量达到能量阈值,确认判断结束,同时,由低能量到初始阶段逐步扩充计算能量和过零率。最终,将识别的装货和卸货开始和结束时间点输出。
为了能够针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用缺失数据,本申请提供一种用于实现所述基于货物装载率加速度的装卸点识别方法的全部或部分内容的基于货物装载率加速度的装卸点识别装置的实施例,参见图2,所述基于货物装载率加速度的装卸点识别装置具体包含有如下内容:
数据预处理模块10,用于对货物的装载率数据进行数据清洗。
装载率合并模块20,用于合并货物装载率。
阈值确定模块30,用于确定装载加速度的阈值。
识别输出模块40,用于通过算法检测,输出识别的装货和卸货开始和结束时间点。
从上述描述可知,本申请实施例提供的基于货物装载率加速度的装卸点识别装置,能够针对人工装卸点识别中的费时、费事、容易出错等问题,采用新特征参数识别装卸点算法,提高当前产品、当前功能点的识别准确度,解决货车装卸过程中的货物装卸开始点和结束点的识别准确度不高,误差率较大,不能适用缺失数据。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (8)
1.一种基于货物装载率加速度的装卸点识别方法,其特征在于,所述方法包括:
对货物的装载率数据进行数据清洗;
合并货物装载率;
确定装载加速度的阈值;
通过算法检测,输出识别的装货和卸货开始和结束时间点。
2.根据权利要求1所述的装卸点识别方法,其特征在于,所述对车辆的装载率数据进行数据清洗,包括:
根据车的装载率数据对时间进行合并;
根据数据的特性结合相应的业务分析数据本质。
3.根据权利要求1所述的装卸点识别方法,其特征在于,所述合并货物装载率,包括:
运用装载率窗口解决数据的合并;
采用移动平均线对相应的异常数据进行平滑处理。
4.根据权利要求1所述的装卸点识别方法,其特征在于,所述确定装载加速度的阈值,包括:
取一个较高的短时能量作为阈值MH;
利用阈值MH,分出装卸货中较快部分。
5.根据权利要求1所述的装卸点识别方法,其特征在于,所述确定装载加速度的阈值,包括:
取一个较低的能量阈值ML;
利用阈值ML,从装卸货高点向两端进行搜索,将较低能量段的加速度较慢部分也加入到装卸货过程,扩大装卸货过程范围。
6.根据权利要求1所述的装卸点识别方法,其特征在于,所述确定装载加速度的阈值,包括:
设定加速度短时过零率的阈值为Zs;
将加速度短时过零率大于3倍Zs的部分设定为装卸货的开始和末尾部分,将该部分加入装卸货过程。
7.根据权利要求1所述的装卸点识别方法,其特征在于,所述通过算法检测,输出识别的装货和卸货开始和结束时间点,包括:
采用三段模式由高能量逐步向低能量确定,直到低能量达到能量阈值;
由低能量到初始阶段逐步扩充计算能量和过零率。
8.一种基于货物装载率加速度的装卸点识别装置,其特征在于,包括:
数据预处理模块,用于对货物的装载率数据进行数据清洗;
装载率合并模块,用于合并货物装载率;
阈值确定模块,用于确定装载加速度的阈值;
识别输出模块,用于通过算法检测,输出识别的装货和卸货开始和结束时间点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537216.4A CN110297845B (zh) | 2019-06-20 | 2019-06-20 | 基于货物装载率加速度的装卸点识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537216.4A CN110297845B (zh) | 2019-06-20 | 2019-06-20 | 基于货物装载率加速度的装卸点识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110297845A true CN110297845A (zh) | 2019-10-01 |
CN110297845B CN110297845B (zh) | 2021-07-13 |
Family
ID=68028342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910537216.4A Active CN110297845B (zh) | 2019-06-20 | 2019-06-20 | 基于货物装载率加速度的装卸点识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297845B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853004A (zh) * | 2019-11-04 | 2020-02-28 | 华东交通大学 | 一种零担货物智能形状识别优化装箱方法及装置 |
CN111031482A (zh) * | 2019-12-20 | 2020-04-17 | 吉旗物联科技(上海)有限公司 | 一种水泥运输的流向管控技术 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1560757A (zh) * | 2004-02-23 | 2005-01-05 | 黄庭梁 | 车辆运输装卸情况的记录方法及装置 |
US20080030377A1 (en) * | 2006-06-12 | 2008-02-07 | Yohei Kawabe | System, method, and program for managing transport information |
CN107273520A (zh) * | 2017-06-22 | 2017-10-20 | 北京理工大学 | 一种基于货车监控数据的装卸货地点识别方法 |
CN107392106A (zh) * | 2017-06-26 | 2017-11-24 | 辽宁大学 | 一种基于双门限的人体活动端点检测方法 |
CN107730800A (zh) * | 2017-11-13 | 2018-02-23 | 浙江众盟通信技术有限公司 | 基于光纤振动安全预警系统的抗干扰分析方法 |
-
2019
- 2019-06-20 CN CN201910537216.4A patent/CN110297845B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1560757A (zh) * | 2004-02-23 | 2005-01-05 | 黄庭梁 | 车辆运输装卸情况的记录方法及装置 |
US20080030377A1 (en) * | 2006-06-12 | 2008-02-07 | Yohei Kawabe | System, method, and program for managing transport information |
CN107273520A (zh) * | 2017-06-22 | 2017-10-20 | 北京理工大学 | 一种基于货车监控数据的装卸货地点识别方法 |
CN107392106A (zh) * | 2017-06-26 | 2017-11-24 | 辽宁大学 | 一种基于双门限的人体活动端点检测方法 |
CN107730800A (zh) * | 2017-11-13 | 2018-02-23 | 浙江众盟通信技术有限公司 | 基于光纤振动安全预警系统的抗干扰分析方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853004A (zh) * | 2019-11-04 | 2020-02-28 | 华东交通大学 | 一种零担货物智能形状识别优化装箱方法及装置 |
CN110853004B (zh) * | 2019-11-04 | 2023-04-18 | 华东交通大学 | 一种零担货物智能形状识别优化装箱方法及装置 |
CN111031482A (zh) * | 2019-12-20 | 2020-04-17 | 吉旗物联科技(上海)有限公司 | 一种水泥运输的流向管控技术 |
Also Published As
Publication number | Publication date |
---|---|
CN110297845B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mumford et al. | Bayesian networks for fMRI: a primer | |
CN103093212B (zh) | 基于人脸检测和跟踪截取人脸图像的方法和装置 | |
CN108320296A (zh) | 一种视频中目标对象的检测跟踪方法、装置及设备 | |
CN111860565A (zh) | 用于训练用于测量技术中的质量检查的分类器的工作流程 | |
CN110297845A (zh) | 基于货物装载率加速度的装卸点识别方法及装置 | |
CN108230357A (zh) | 关键点检测方法、装置、存储介质、计算机程序和电子设备 | |
CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN108268373A (zh) | 自动化测试用例管理方法、装置、设备及存储介质 | |
CN111275660A (zh) | 一种平板显示器缺陷检测方法及装置 | |
CN109685097A (zh) | 一种基于gan的图像检测方法及装置 | |
CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
CN106980571A (zh) | 一种测试用例集的构建方法和设备 | |
CN108734304A (zh) | 一种数据模型的训练方法、装置、及计算机设备 | |
CN110414372A (zh) | 增强的人脸检测方法、装置及电子设备 | |
CN109283182A (zh) | 一种电池焊点缺陷的检测方法、装置及系统 | |
CN110334986A (zh) | 基于货物量方的车辆装卸点识别方法及装置 | |
CN110334083A (zh) | 一种时间序列异常值检测方法及装置 | |
CN107316296B (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
CN109102026A (zh) | 一种车辆图像检测方法、装置及系统 | |
CN111383216A (zh) | 图像间变化的检测方法及装置 | |
CN113160279A (zh) | 一种地铁环境中行人异常行为检测方法及装置 | |
CN110223027A (zh) | 货物装卸点识别参数特征设计方法及装置 | |
CN113269806B (zh) | 测量血管内部血流流量的方法、装置与处理器 | |
CN115510998A (zh) | 交易异常值检测方法及装置 | |
CN114463300A (zh) | 钢材表面缺陷检测方法、电子设备、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |