CN110782038A - 自动标记训练样本的方法和系统及监督学习的方法和系统 - Google Patents

自动标记训练样本的方法和系统及监督学习的方法和系统 Download PDF

Info

Publication number
CN110782038A
CN110782038A CN201910931946.2A CN201910931946A CN110782038A CN 110782038 A CN110782038 A CN 110782038A CN 201910931946 A CN201910931946 A CN 201910931946A CN 110782038 A CN110782038 A CN 110782038A
Authority
CN
China
Prior art keywords
data
module
training samples
automatically
training
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
CN201910931946.2A
Other languages
English (en)
Inventor
伯斯坦·巴勃罗·大卫
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.)
Shenzhen Blue Fat Robot Co Ltd
Original Assignee
Shenzhen Blue Fat Robot 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 Shenzhen Blue Fat Robot Co Ltd filed Critical Shenzhen Blue Fat Robot Co Ltd
Priority to CN201910931946.2A priority Critical patent/CN110782038A/zh
Publication of CN110782038A publication Critical patent/CN110782038A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种自动标记训练样本的方法和系统及监督学习的方法和系统，自动标记训练样本的方法的步骤如下：在学习系统对输入数据进行处理后得到输出数据，且执行系统依据所述学习系统得到的输出数据触发相应动作之后，判断被触发的动作是否执行成功；其中，在执行成功的情况下，自动对所述输入数据和输出数据进行标记，并将被标记的所述输入数据和输出数据作为所述学习系统的训练样本进行保存。自动标记获得的标记训练样本，减少了人工成本，提高了标记效率；另外将标记的训练样本储存在样本集中，能够满足在线的监督学习方式，或者其他的学习方式。

Description

自动标记训练样本的方法和系统及监督学习的方法和系统
技术领域
本发明涉及机器学习领域，更具体的说是涉及一种自动标记训练样本的方法和系统及监督学习的方法和系统。
背景技术
目前，深度学习成为新的研究热点并取得了突破性的研究成果，在图像处理等领域都得到了广泛的应用，卷积神经网络是常用的深度学习的算法，在图像处理尤其是图像识别上有很大的优势，表现出了很好地性能。
但是，监督学习作为训练卷积神经网络的一种常见技术，通常需要对训练样本进行人工标记或者根据仿真数据/模拟数据进行标记，人工的标记方式需要耗费人力资源，增加不必要的人工成本，而且标记速度较慢；基于仿真/模拟数据会出现标记结果不准确的情况，而且需要场景编程，操作程序繁琐的同时还存在误差，由于无法高效准确的基于真实场景进行自动标记，通过监督学习的方式对卷积神经网络进行训练，效率和准确率都有待提高。
因此，如何依据真实场景自动标记训练样本，如何通过自动标记训练样本提高神经网络的监督学习的效率和准确度是本领域技术人员亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种自动标记训练样本的方法和系统以及基于自动标记的监督学习的方法和系统，通过使用基于真实场景自动标记样本的方法，保证了通过监督学习的方式训练神经网络时的训练效率和准确度。
为了实现上述目的，本发明采用如下技术方案：
一种自动标记训练样本的方法，包括如下步骤：
在学习系统对输入数据进行处理后得到输出数据，且执行系统依据所述学习系统得到的输出数据触发相应动作之后，判断被触发的动作是否执行成功；其中，在执行成功的情况下，自动对所述输入数据和输出数据进行标记，并将被标记的所述输入数据和输出数据作为所述学习系统的训练样本进行保存。
优选的，还包括步骤：输入数据到一个经过训练的学习系统中；其中，输入数据为现实场景中获取的图像数据，与仿真数据和模拟数据相比，更加具有真实性，不需要场景编程，减少了繁琐的编程过程，降低出错概率，更具有准确性。
优选的，所述训练样本被保存在训练样本集中，所述训练样本集包括但不限于系统文件夹或者数据库。
优选的，在被触发的动作执行失败的情况下，放弃学习系统的输出数据，并将输入数据发送给人工标记。
基于上述方法，本发明设计了如下系统：
一种自动标记训练样本的系统，包括：数据处理模块、执行模块、判断模块、自动标记模块、存储模块；其中，
所述数据处理模块处理并输出数据；
所述执行模块依据所述数据处理模块得到的输出数据触发相应的执行动作；
所述判断模块判断被触发的动作是否执行成功；
在执行成功的情况下，所述自动标记模块对所述输入数据和输出数据进行标记，并由所述存储模块将被标记的所述输入数据和输出数据作为所述学习系统的训练样本进行存储。
优选的，还包括：数据输入模块，所述数据输入模块用于输入数据到所述数据处理模块，其中，所述输入数据为从现实场景中获取的图像数据，所述数据处理模块为一个经过经过训练的学习系统，该学习系统也是一个神经网络，具有自学能力，训练完成即可处理输入数据，从而获得一个符合预期的输出数据。
优选的，所述存储模块将所述训练样本存储在训练集中，便于神经网络监督学习的过程中直接在线获取训练样本，避免由于等待训练样本被标记导致时间的浪费。
优选的，还包括：数据筛除模块；在被触发的动作自行失败的情况下，所述数据筛除模块用于放弃学习系统的输出数据，并将输入数据发送给人工标记。
基于自动标记训练样本的方法和系统，本发明提出了一种监督学习的方法：
一种监督学习的方法，包括如下步骤：
获取具有标记的训练样本；
将所述训练样本中的输入数据输入至神经网络中进行监督学习，得出输出结果；
将输出结果与所述训练样本中具有相应标记的输出数据进行比对；
依据比对结果调整所述神经网络的参数，直至所述神经网络输出的输出数据满足要求。
优选的，所述训练样本为在真实场景中不断更新并自动标记的样本集中的
样本，由于自动标记系统将标记的输入数据和输出数据存储于存储模块中，因此，所述训练样本时可以在线获取，基于训练样本生成时的自动、真实的特点，本方法在存储模块获取样本时，可以立即获取，对训练新的神经网络而言，能够提供丰富的训练样本，以期实现及时的训练和改进，并保证准确性。
优选的，所述神经网络为一个新的待训练的神经网络。
基于上述监督学习的方法，本发明设计了如下系统：
一种监督学习的系统，包括样本获取模块、处理输入数据模块、结果比对模块、参数修正模块；其中，
所述样本获取模块用于获取具有标记的训练样本；
所述处理输入数据模块用于将所述训练样本中的输入数据输入至神经网络中进行监督学习，得出输出结果；
所述结果比对模块用于将输出结果与所述训练样本中具有相应标记的输出数据进行比对；
所述参数修正模块依据比对结果调整所述神经网络的参数，直至所述神经网络输出数据满足要求。
优选的，所述样本获取模块中的训练样本为在真实场景中不断更新并自动标记的样本集中的样本。
本发明具有以下有益效果：
经由上述的技术方案可知，基于现有技术，本发明公开提供了一种自动标记训练样本的方法和系统，并基于该方法和系统设计出了一种监督学习的方法和系统，自动标记训练样本是根据真实场景自动标记的，避免了因人工标记而导致人力资源的浪费，减少了人工成本，另外其标记场景为真实场景，也避免了仿真/模拟场景下导致获取的数据不准确，避免了场景编程的繁琐过程，另外本发明中标记的场景存储在存储模块中，便于在线学习，适用但不限于监督学习。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明自动标记训练样本的方法流程图；
图2为本发明自动标记训练样本的系统结构框图；
图3为本发明监督学习的方法流程图；
图4为本发明监督学习的系统结构框图。
具体实施方式
下面将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他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了如下方法：
一种自动标记训练样本的方法，包括如下步骤：
在学习系统对输入数据进行处理后得到输出数据，且执行系统依据所述学习系统得到的输出数据触发相应动作之后，判断被触发的动作是否执行成功；其中，在执行成功的情况下，自动对所述输入数据和输出数据进行标记，并将被标记的所述输入数据和输出数据作为所述学习系统的训练样本进行保存。
该学习系统是一个训练完成并能够准确识别的神经网络，因此将输入数据输入至该学习系统，可以更有效地输出一个符合要求的输出结果。
执行系统根据输出的数据，执行相应的操作，完成相应的动作。
为了进一步优化上述技术特征，还包括步骤：输入数据到一个经过训练的学习系统中；其中，所述输入数据为从现实场景中获取的图像数据，与仿真数据和模拟数据相比，更加具有真实性，不需要场景编程，减少了繁琐的编程过程，降低出错概率，更具有准确性。
为了进一步优化上述技术特征，所述训练样本被保存在训练样本集中，训练样本集包括但不限于系统文件夹、数据库，当对神经系统进行训练时，可以直接从训练样本集中获取训练样本，且基于标记的训练样本为自动标记并且在真实场景中获得的，因此更能保证训练样本的准确性以及样本的丰富度。
为了进一步优化上述技术特征，存储在训练样本集中的自动标记的训练样本将用于监督学习，或者其他学习方式。
在被触发的动作执行失败的情况下，放弃学习系统的输出数据，并将输入数据发送给人工标记。
如图2所述，基于上述方法，本发明设计出如下系统，
一种自动标记训练样本的系统，包括：数据处理模块2、执行模块3、判断模块4、自动标记模块5、存储模块6；其中，
数据处理模块2处理并输出数据；
执行模块3依据数据处理模块2得到的输出数据触发相应的执行动作；
判断模块4判断被触发的动作是否执行成功；
在执行成功的情况下，自动标记模块5对输入数据和输出数据进行标记，并由存储模块6将被标记的输入数据和输出数据作为所述学习系统的训练样本进行存储。
基于自动标记训练样本的方法及系统，本发明提供一种具体的实施例，即将上述方法及系统作用在一种使用Mask R-CNN处理包裹的图片数据的机器人分拣系统中：
获取包裹的图像数据到机器人视觉学习系统中；
由视觉学习系统处理包裹图像数据，并输出包裹属性，到机器人的执行系统上；
由机器人执行系统执行根据输出的包裹属性，下达相应的抓取指令，由机器人完成抓取包裹的动作；
当机器人抓取包裹的动作成功完成，标记包裹的图像数据以及输出的包裹属性；
将标记的包裹图像数据以及输出的包裹属性上传至样本集；
若机器人抓取包裹的动作没有成功完成，则将输入的包裹的图像数据传输给人工，对包裹的属性进行人工判断，输出的包裹属性则作废。
为了进一步优化上述技术特征，所述视觉学习系统采用Mask R-CNN，Mask R-CNN是一个实例分割模型，它能够确定图片中各个目标的位置和类别，给出像素级预测。在实例分割的Mask R-CNN框架中，主要完成三件事：目标检测、目标分级、像素级目标分割。首先，模型输入为一张图片，然后在图片上提取若干个待检测区域，然后若干个待检测区域一个一个地通过卷积神经网络提取特征，这些被提取的特征通过一个支持向量机进行分类，得到物体类别，及位置坐标。
由视觉学习系统输出的包裹属性包括包裹的分类、分割以及定位，由于获不同的包裹属性，抓取的方式有区别，因此获得包裹属性可以由执行系统判断如何命令机器人抓取包裹。
当机器人成功完成抓取动作并成功抓取包裹时，则证明输入的包裹的图像数据和输出的包裹图像属性为成功有效的结果，并将其标记存储在样本集中，便于训练未经训练的神经网络时，能够直接在线监督学习。
如图3所示，基于自动标记训练样本的方法和系统，本发明提出并设计了一种监督学习的方法，包括如下步骤：
获取具有标记的训练样本；
将所述训练样本中的输入数据输入至神经网络中进行监督学习，得出输出结果；
将输出结果与所述训练样本中具有相应标记的输出数据进行比对；
依据比对结果调整所述神经网络的参数，直至所述神经网络输出的输出数据满足要求。
为了进一步优化上述技术方案，训练样本为在真实场景中不断更新并自动标记的样本集中的样本。
如图4所示，根据监督学习的方法，设计出如下系统：
一种基于自动标记训练样本监督学习的系统，包括：样本获取模块8、处理输入数据模块9、结果比对模块10、参数修正模块11；其中，
样本获取模块8用于获取具有标记的训练样本；
处理输入数据模块9用于将训练样本中的输入数据输入至神经网络中进行监督学习，得出输出结果；
结果比对模块10用于将输出结果与训练样本中具有相应标记的输出数据进行比对；
参数修正模块11依据比对结果调整所述神经网络的参数，直至所述神经网络输出数据满足要求。
为了进一步优化上述技术特征，样本获取模块8中的训练样本为在真实场
景中不断更新并自动标记的样本集中的样本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种自动标记训练样本的方法，其特征在于，包括如下步骤：
在学习系统对输入数据进行处理后得到输出数据，且执行系统依据所述学习系统得到的输出数据触发相应动作之后，判断被触发的动作是否执行成功；其中，
在执行成功的情况下，自动对所述输入数据和输出数据进行标记，并将被标记的所述输入数据和输出数据作为所述学习系统的训练样本进行保存。
2.根据权利要求1所述的自动标记训练样本的方法，其特征在于，还包括步骤：输入数据到一个经过训练的学习系统中；其中，所述输入数据为从现实场景中获取的图像数据。
3.根据权利要求1所述的自动标记训练样本的方法，其特征在于，所述训练样本被保存在训练样本集中。
4.根据权利要求1所述的自动标记训练样本的方法，其特征在于，在被触发的动作执行失败的情况下，放弃学习系统的输出数据，并将输入数据发送给人工标记。
5.一种自动标记训练样本的系统，其特征在于，包括：数据处理模块(2)、执行模块(3)、判断模块(4)、自动标记模块(5)、存储模块(6)；其中，
所述数据处理模块(2)处理并输出数据；
所述执行模块(3)依据所述数据处理模块(2)得到的输出数据触发相应的执行动作；
所述判断模块(4)判断被触发的动作是否执行成功；
在执行成功的情况下，所述自动标记模块(5)对所述输入数据和输出数据进行标记，并由所述存储模块(6)将被标记的所述输入数据和输出数据作为所述学习系统的训练样本进行存储。
6.根据权利要求5所述的自动标记训练样本的系统，其特征在于，还包括：数据输入模块(1)，所述数据输入模块(1)用于输入数据到所述数据处理模块(2)；其中，所述输入数据为从现实场景中获取的图像数据，所述数据处理模块(2)为一个经过训练的学习系统。
7.根据权利要求5所述的自动标记训练样本的系统，其特征在于，所述存储模块(6)将所述训练样本存储在训练样本集中。
8.根据权利要求5所述的自动标记训练样本的系统，其特征在于，还包括：数据筛除模块(7)；其中，在被触发的动作执行失败的情况下，所述数据筛除模块(7)用于放弃学习系统的输出数据，并将输入数据发送给人工标记。
9.一种基于自动标记训练样本的监督学习的方法，其特征在于，包括如下步骤：
获取具有标记的训练样本；
将所述训练样本中的输入数据输入至神经网络中进行监督学习，得出输出结果；
将输出结果与所述训练样本中具有相应标记的输出数据进行比对；
依据比对结果调整所述神经网络的参数，直至所述神经网络输出的输出数据满足要求。
10.根据权利要求9所述的基于自动标记训练样本的监督学习的方法，其特征在于，所述训练样本为在真实场景中不断更新并自动标记的样本集中的样本。
11.一种基于自动标记训练样本的监督学习的系统，其特征在于，包括：样本获取模块(8)、处理输入数据模块(9)、结果比对模块(10)、参数修正模块(11)；其中，
所述样本获取模块(8)用于获取具有标记的训练样本；
所述处理输入数据模块(9)用于将所述训练样本中的输入数据输入至神经网络中进行监督学习，得出输出结果；
所述结果比对模块(10)用于将输出结果与所述训练样本中具有相应标记的输出数据进行比对；
所述参数修正模块(11)依据比对结果调整所述神经网络的参数，直至所述神经网络输出数据满足要求。
12.根据权利要求11所述的基于自动标记训练样本的监督学习的系统，其特征在于，所述样本获取模块(8)获取的训练样本为在真实场景中不断更新并自动标记的样本集中的样本。
CN201910931946.2A 2019-09-27 2019-09-27 自动标记训练样本的方法和系统及监督学习的方法和系统 Pending CN110782038A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910931946.2A CN110782038A (zh) 2019-09-27 2019-09-27 自动标记训练样本的方法和系统及监督学习的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910931946.2A CN110782038A (zh) 2019-09-27 2019-09-27 自动标记训练样本的方法和系统及监督学习的方法和系统

Publications (1)

Publication Number Publication Date
CN110782038A true CN110782038A (zh) 2020-02-11

Family

ID=69384717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910931946.2A Pending CN110782038A (zh) 2019-09-27 2019-09-27 自动标记训练样本的方法和系统及监督学习的方法和系统

Country Status (1)

Country Link
CN (1) CN110782038A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874914A (zh) * 2017-01-12 2017-06-20 华南理工大学 一种基于深度卷积神经网络的工业机械臂视觉控制方法
CN108340367A (zh) * 2017-12-13 2018-07-31 深圳市鸿益达供应链科技有限公司 用于机械臂抓取的机器学习方法
CN108885715A (zh) * 2016-03-03 2018-11-23 谷歌有限责任公司 用于机器人抓取的深度机器学习方法和装置
CN109063845A (zh) * 2018-07-15 2018-12-21 大国创新智能科技(东莞)有限公司 基于生成样本的深度学习方法和机器人系统
CN109333536A (zh) * 2018-10-26 2019-02-15 北京因时机器人科技有限公司 一种机器人及其物体抓取方法和装置
CN109447132A (zh) * 2018-10-08 2019-03-08 广州德泰克自动化科技有限公司 一种基于视觉及激光点云ai算法的包裹追踪方法
CN109513630A (zh) * 2018-11-14 2019-03-26 深圳蓝胖子机器人有限公司 包裹分拣系统及其控制方法、存储介质
CN109584298A (zh) * 2018-11-07 2019-04-05 上海交通大学 面向机器人自主物体拾取任务的在线自学习方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108885715A (zh) * 2016-03-03 2018-11-23 谷歌有限责任公司 用于机器人抓取的深度机器学习方法和装置
CN106874914A (zh) * 2017-01-12 2017-06-20 华南理工大学 一种基于深度卷积神经网络的工业机械臂视觉控制方法
CN108340367A (zh) * 2017-12-13 2018-07-31 深圳市鸿益达供应链科技有限公司 用于机械臂抓取的机器学习方法
CN109063845A (zh) * 2018-07-15 2018-12-21 大国创新智能科技(东莞)有限公司 基于生成样本的深度学习方法和机器人系统
CN109447132A (zh) * 2018-10-08 2019-03-08 广州德泰克自动化科技有限公司 一种基于视觉及激光点云ai算法的包裹追踪方法
CN109333536A (zh) * 2018-10-26 2019-02-15 北京因时机器人科技有限公司 一种机器人及其物体抓取方法和装置
CN109584298A (zh) * 2018-11-07 2019-04-05 上海交通大学 面向机器人自主物体拾取任务的在线自学习方法
CN109513630A (zh) * 2018-11-14 2019-03-26 深圳蓝胖子机器人有限公司 包裹分拣系统及其控制方法、存储介质

Similar Documents

Publication Publication Date Title
CN111160469A (zh) 一种目标检测系统的主动学习方法
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
EP4124993A1 (en) Automatic image classification and processing method based on continuous processing structure of multiple artificial intelligence model, and computer program stored in computer-readable recording medium to execute the same
CN111310826A (zh) 样本集的标注异常检测方法、装置及电子设备
CN109784272A (zh) 一种集装箱识别系统及集装箱识别方法
CN111833313B (zh) 基于深度主动学习的工业产品表面缺陷检测方法及系统
CN110705630A (zh) 半监督学习式目标检测神经网络训练方法、装置及应用
CN110827277A (zh) 一种基于yolo3网络的布匹瑕疵检测方法
CN109598298B (zh) 图像物体识别方法和系统
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN112270681B (zh) 一种黄板害虫深度检测与计数方法与系统
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN112580657A (zh) 一种自学习字符识别方法
CN115797811A (zh) 一种基于视觉的农产品检测方法及系统
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN113793385A (zh) 鱼头鱼尾定位方法及装置
US20220284699A1 (en) System and method of object detection using ai deep learning models
CN110782038A (zh) 自动标记训练样本的方法和系统及监督学习的方法和系统
CN114724226B (zh) 表情识别模型训练方法、电子设备、存储介质
CN114154571B (zh) 一种针对图像的智能化的辅助标注方法及系统
CN113569940B (zh) 一种基于知识迁移和概率校正的少样本目标检测方法
CN113887644A (zh) 物料点状态分类模型的构建方法及物料点自动呼料方法
CN110909797B (zh) 图像检测方法以及装置、设备、存储介质
CN114387564A (zh) 一种基于YOLOv5的磕头机停抽检测方法
CN115512283A (zh) 包裹图像处理方法、装置、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211