CN110855467B - 一种基于计算机视觉技术的网络综合态势预测方法 - Google Patents
一种基于计算机视觉技术的网络综合态势预测方法 Download PDFInfo
- Publication number
- CN110855467B CN110855467B CN201910762676.7A CN201910762676A CN110855467B CN 110855467 B CN110855467 B CN 110855467B CN 201910762676 A CN201910762676 A CN 201910762676A CN 110855467 B CN110855467 B CN 110855467B
- Authority
- CN
- China
- Prior art keywords
- image
- situation
- network
- network comprehensive
- sensitive
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉技术的网络综合态势预测方法,包括如下步骤:步骤一、建立图像知识库;步骤二、利用定期拍摄的网络综合态势图的图像指纹与图像知识库中的图像指纹进行比对,以发现敏感图像;步骤三、通过敏感图像对网络综合态势进行预测。本发明的积极效果是:(1)在网络综合态势预测原理上,本发明完全脱离传统依赖数据模型的技术体制,提出了基于图像视觉模型的预测方法。该方法与态势图形式无关联,可以适用于二维、三维和GIS等任何类型。(2)在网络综合态势预测实现上,本发明支持对多个网络综合态势的联合预测,网络综合态势呈现种类和呈现系统数量变化,对本发明没有直接影响,实施手段统一和简捷。
Description
技术领域
本发明涉及一种基于计算机视觉技术的网络综合态势预测方法。
背景技术
网络综合态势预测功能是对传统网络管理系统所具备的拓扑管理、配置管理、故障管理和性能管理等核心功能的有益补充,实现从了解网络综合态势现状能力到预测网络综合态势变化趋势能力的进化,满足大规模、长时间网络治理的管理需求。传统的网络综合态势预测主要来自数学模型分析方法,首先需要对态势进行建模分析并量化评估,再在此基础上预测变化趋势。本发明提出的网络综合态势预测方法不同于传统思路,基于计算机视觉技术,通过采取图形识别和图形变化规律比对,无需理解态势内容就可以实现对变化趋势的预测。本发明是对传统网络综合态势预测方法的有益补充,从发现图形变化历史规律和识别当前图形特征去预测图形变化趋势,无需再评估现有态势,提高了判断结论的中立性。传统的网络综合态势分析包括网络态势要素获取、网络态势评估以及网络态势预测,其中要素获取是基础,态势评估是核心,态势预测是升华。在具体设计中,应重点对态势评估环节进行考量和优化。态势评估方法包括:基于数学模型的评估方法、基于知识推理的评估方法和基于模式识别的评估方法。
(1)方法一:基于数学模型的评估方法
首先根据评估需求建立网络态势因子集R,网络态势集θ,态势因子表示为ri∈R(1≤in)。然后考虑不同态势因子对态势评估产生不同的影响,通过数学模型,建立θ=f(r1,r2,...,rn)的映射关系,f(x)就是态势评估函数。比较成熟的数学模型评估方法包括公式法、打分法、权重分析法、集对分析法、距离偏差法等。此方法适合简单的定性评估分析,但是建立集合与映射过程依赖相关领域专家经验以及深厚的数学功底,对于不同网络情况和评估内容需要分别建立模型,可复制和移植能力差,对于复杂或者非线性关系强的网络很难建立合理的评估模型。
(2)方法二:基于知识推理的评估方法
主要根据概率论、模糊集等理论,利用已有知识和先验概率,建立围绕逻辑推理的网络态势评估模型,针对多源数据融合的输出情况,通过逻辑推理完成对网络态势的定性分析。与数学模型方法不同在于,知识推理的评估方法不通过数学公式建立数据与态势之间的映射关系,而是通过逐级推理的方式得到最终的态势结果。证据理论、图模型和产生式规则是目前知识推理方法中常用的核心推理思想。在进行知识推理评估时,通过结合专家经验的方式,可以进行准确有效的定性分类评估;如果结合机器学习进行评估,将具备一定人工智能特征。但是目前知识推理评估方法的研究仍具有重重困难,其一是难以明确和定量提取建立推理模型所需要的知识数据,其二是建立推理模型难以保持独立客观性,往往依赖专家经验,其三是在面临复杂环境时的可移植性和可扩展性受限。
(3)方法三:基于模式识别的评估方法
基于模式识别的评估方法,过程包含两个阶段:第一建立模版,第二模式匹配。该方法建立在机器学习基础之上,通过机器学习方法来实现建立模板和模式匹配,相比前述的数学模型评估方法和知识推理评估方法,可以达到减少对专家经验的依赖,增强模板的客观性,以及更好的实现自动化学习、建模,具有对大型复杂网络的适应性。模式识别评估方法的关键之处在于建立态势模板,态势模板由态势因子数据与态势结果共同组成,数据与结果之间通过机器学习等方法进行分类,建立相互关系,形成模板。第二阶段的模式匹配则将输入的态势因子数据与模板进行匹配识别,得到态势结果。这一过程类似于有监督分类学习,因此建立模板时采取的分类算法是需要考虑的重点。神经网络、灰关联分析、支持向量机、模糊聚类分析等是目前常用的算法。但是目前分类算法通常需要结合专家经验,以解决机器学习算法难以直观解释数据分类结果问题。此法的缺陷是专家经验一般具备明显的行业特征,理想的经验融合很难实现,当涉及对包含故障、安全、性能等因素的网络综合态势进行评估时,很难找到面面俱到的专家人选,先验的专家经验库也很难建立。
发明内容
为了克服现有技术的上述缺点,本发明提供了一种基于计算机视觉技术的网络综合态势预测方法,旨在解决:传统网络综合态势要素获取过程灵活度欠缺问题;传统网络综合态势评估技术复杂、设计主观性较大的问题;传统网络态势预测结果不易评估和表达的问题。
本发明解决其技术问题所采用的技术方案是:一种基于计算机视觉技术的网络综合态势预测方法,包括如下步骤:
步骤一、建立图像知识库:
(1)定期采集网络综合态势图的图像快照;
(2)将每张图像快照生成一个图像指纹;
(3)存储图像指纹、图像快照及其采集时间,建立图像数据库;
(4)对图像数据库进行加工和数据挖掘建立图像知识库;
步骤二、利用定期拍摄的网络综合态势图的图像指纹与图像知识库中的图像指纹进行比对,以发现敏感图像;
步骤三、通过敏感图像对网络综合态势进行预测。
与现有技术相比,本发明的积极效果是:
(1)在网络综合态势预测效果上,本发明完全脱离原有技术体制,是对传统技术的有益补充。基于图像变化历史记录和图像采集识别比对来预测图像变化趋势,不再受态势呈现模型算法的影响,是一种从第三方视角(而不是态势呈现系统研发者视角)和跨领域视角(而不是各类专业态势模型视角)的创新方法。上述方法与实际的态势图形式无关联,可以适用于二维、三维和GIS等任何类型。
(2)在网络综合态势预测实现上,本发明支持对多个网络综合态势的联合预测,网络综合态势呈现种类和呈现系统数量增加,对本发明没有直接影响,实施手段统一和简捷。
综上所述,本发明能够为网络综合态势预测系统提供一种基于计算机视觉方法,能够适应各类型网络综合态势呈现风格,是与网络综合态势呈现模型无关且易于实现的软件设计方案。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为本方法的关键处置步骤和流程;
图2为本方法中的图像识别与比对模型。
具体实施方式
一种基于计算机视觉技术的网络综合态势预测方法,包括如下内容:
一、基于计算机视觉技术,描述一种网络综合态势预测方法的基本理论和典型系统能力。
二、基于计算机视觉技术,制定一种网络综合态势预测方法的关键处置步骤和流程;
三、提出一种面向网络综合态势预测的图像识别与比对模型。
四、提出一种面向网络综合态势预测的历史图像统计与变化预测方法。
五、提出一种基于计算机视觉技术的网络综合态势预测方法的图像采集策略。
以下结合附图对本发明方法详细说明如下:
提出支持一种基于计算机视觉技术的网络综合态势预测方法的理论:事件发展具有惯性和相似性,网络综合态势属于一种典型事件,所以网络态势变化与网络态势评估准确度无直接关联关系,而与网络综合态势图形化呈现界面的当前形态有较强的关联关系。如果能够监视当前网络综合态势呈现画面,并及时识别到特殊/异常的图形变化,即可通过查询历史相似变化来推断网络综合态势可能的变化状态或趋势。
参照一种基于计算机视觉技术的网络综合态势预测方法,实现一套包含摄像头(或截屏软件)、图像采集与识别软件、原始图像数据库软件、图像挖掘知识库软件、图像分析软件和多媒体告警软件等组成的网络综合态势监视预测系统。典型系统能力:站在第三方视角,依赖计算机视觉相关技术,对网络综合态势画面进行监视,在不评估的情况下即可实现对网络综合态势的感知和推理预测。
一种基于计算机视觉技术的网络综合态势预测方法,关键处置步骤和流程如图1所示:(1)定期拍摄(或截屏)并提取网络综合态势图的图像快照“指纹”;(2)建立原始图像数据库,长时间不间断汇总定期采集的网络综合态势图图像快照与“指纹”信息;(3)建立图像知识库。在原始图像数据库具备一定规模数据后,一方面可利用人工方式对重大敏感变化历史记录进行筛选统计,特别是找出重大变化前的图像“指纹”,形成敏感变化预测知识;另一方面可利用数据挖掘技术提炼更加隐含和常态化的图像变化知识。(4)当建立了基本的图像知识库后,启用图像比对流程,将定期拍摄的网络综合态势图通过快照“指纹”去图像知识库比对找出可能存在的相似图像。(5)通过发现敏感图像调出历史上可能出现的后续态势图像,获取可能存在的图像变化趋势,实现预测效果。(6)对敏感图像变化趋势进行验证,通过不断的验证优化图像知识库,提高网络综合态势的准确度。
提出一种面向网络综合态势预测的图像识别与比对模型,主要借鉴感知哈希算法(perceptual hash algorithm),其作用是对每张图像生成一个“指纹”(fingerprint)字符串,然后比较不同图像的指纹。结果越接近,就说明图像越相似。为了提高比对精度,本发明在感知哈希算法基础上,提出“指纹链”算法。实现步骤如图2所示:(1)网格化图像快照,将一幅完整图像快照分割为若干上下左右连续相邻的小方格,称为图像单元。如按40*30的数量拆分,可以得到1200个图像单元。(2)缩小图像单元。将图像单元缩小到8*8的尺寸,总共64个像素。这一步的作用是去除图像细节,只保留结构/明暗等基本信息,摒弃不同尺寸/比例带来的图像差异;(3)简化图像单元色彩。将缩小后的图像,转为64级灰度,即所有像素点总共只有64种颜色;(4)计算图像单元平均值。计算所有64个像素的灰度平均值;(5)计算图像单元哈希值。先将每个像素灰度与平均值进行比较,大于或等于平均值记为1,小于平均值记为0;再将上一步的比较结果,按照统一次序组合在一起构成一个64位整数,这就是这个图像单元的指纹。(6)将一幅图像中所有图像单元的指纹按照统一次序依次存入数据库中(形成指纹链),若选择关系型数据库则形成一条具备若干个字段(字段数量与图像单元数量一致)的数据库记录,对应一张图形快照。(7)能够得到图像单元指纹,就可以对比两张不同时间拍摄的图像快照相同位置的图像单元。比较图像单元,就是比较64位中有多少位是不一样的,这在理论上,等同于“汉明距离”(Hamming distance,在信息论中两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数)。需要制定图像单元比较规则,规则不固定可以根据实际使用设置。比如对于常见分辨率图像,若按64位对比,可以设置如下规则:不相同数据位数不超过5(包含5),两个图像单元判定为相似;如果大于10(不包含10),两个图像单元判定为不相似。(8)对相比较的两幅图像逐一比对各位置的图像单元指纹,统计并计算相似比例,当超过一定比例(如95%)即可认为两幅图像相似。
提出一种面向网络综合态势预测的历史图像统计与变化预测方法。首先,建立敏感态势变化趋势关联表,实现敏感快照(Pt0,t0>0)与重大变化快照(Pt1,t1>t0)的关联。变化趋势关联表的记录结构基本属性包括“敏感快照ID(索引);相关联的重大变化快照ID1、ID1出现概率;相关联的重大变化快照ID2、ID2出现概率……相关联的重大变化快照IDn、IDn出现概率”;有多少相关联的重大变化快照,就记录多少条记录,依次类推。其次,进行变化预测。对定期获取的态势图像进行图像指纹链提取,通过图像指纹链在图像知识库中查询是否为敏感态势图像。最后,如果判断为敏感态势图像,通过敏感态势变化趋势关联表获取并输出相关联的重大变化快照结果,完成对态势图像变化的预测。相关联的重大变化快照结果可能包含多种情况,其中可认为出现概率大的预测发生可能性相对较高。
提出一种基于计算机视觉技术的网络综合态势预测方法的图像采集实施策略。策略1:对于网络综合态势显示画面的采集,可以基于摄像头进行拍摄提取。这种方法的优点是可以对多张态势显示屏、来自多个态势呈现系统的综合态势进行统一提取,且物理上完全隔离(模拟信号提取),不会对态势呈现系统造成任何影响。缺点是可能会收到现场布局更改、现场光线、摄像头采集指标的影响,特别是不同摄像头对统一画面采集的颜色会有误差。策略2:在网络综合态势显示计算机中置入第三方的截屏软件,定期截屏获取网络综合态势图像。这种方法的优点是态势画面完全是数字信号提取,避免了摄像头提取的误差。缺点是对多张态势显示屏进行统一提取需要设置时间同步机制并对同一时刻截屏的图像进行关联,增加了一项软件逻辑设计。从技术难易度和预测准确度考虑,策略2即截屏采集方式是实施首选。
提出一种基于计算机视觉技术的网络综合态势预测方法的适用条件。采集比对的图像分辨率和主要显示内容应固定不变,可以采用多屏显示方式呈现多个待监视的内容。在监视过程中,每一张显示屏的内容不应关闭或切换。
Claims (7)
1.一种基于计算机视觉技术的网络综合态势预测方法,其特征在于:包括如下步骤:
步骤一、建立图像知识库:
(1)定期采集网络综合态势图的图像快照;
(2)将每张图像快照生成一个图像指纹:
1)网格化图像快照:将一幅完整图像快照分割为若干上下左右连续相邻的图像单元;
2)缩小图像单元:将图像单元缩小到8*8的尺寸,总共64个像素;
3)简化图像单元色彩:将缩小后的图像单元转为64级灰度;
4)计算图像单元的灰度平均值;
5)计算图像单元的哈希值,形成图像单元的指纹;
6)将一幅图像快照中所有图像单元的指纹按照统一次序依次存入数据库中,得到该幅图像快照的图像指纹;
(3)存储图像指纹、图像快照及其采集时间,建立图像数据库;
(4)对图像数据库进行加工和数据挖掘建立图像知识库;
步骤二、利用定期拍摄的网络综合态势图的图像指纹与图像知识库中的图像指纹进行比对,以发现敏感图像:对比两张不同时间拍摄的图像快照相同位置的图像单元,判断其中不相同的数据位数是否小于设定值,如果小于,则判断两个图像单元相似;然后统计并计算两个图像快照的相似比例,当两个图像快照的相似比例超过设定比例时,则判定两幅图像快照相似;
步骤三、通过敏感图像对网络综合态势进行预测。
2.根据权利要求1所述的一种基于计算机视觉技术的网络综合态势预测方法,其特征在于:计算图像单元哈希值的方法为:将每个像素灰度与图像单元的灰度平均值进行比较:若比较结果大于等于平均值,则将该像素的值记为1,反之,则将该像素的值记为0;将一个图像单元所有像素取值有序链接形成的“0”、“1”字符串作为该图像单元的哈希值。
3.根据权利要求1所述的一种基于计算机视觉技术的网络综合态势预测方法,其特征在于:步骤三所述通过敏感图像对网络综合态势进行预测的方法为:首先,建立敏感态势变化趋势关联表,实现敏感快照与重大变化快照的关联;其次,进行变化预测:对定期获取的态势图像进行图像指纹链提取,通过图像指纹链在图像知识库中查询是否为敏感态势图像;最后,如果判断为敏感态势图像,通过敏感态势变化趋势关联表获取并输出相关联的重大变化快照结果,完成对态势图像变化的预测。
4.根据权利要求3所述的一种基于计算机视觉技术的网络综合态势预测方法,其特征在于:所述变化趋势关联表的记录结构基本属性包括:敏感快照ID、相关联的各重大变化快照IDi及其出现概率。
5.根据权利要求1所述的一种基于计算机视觉技术的网络综合态势预测方法,其特征在于:采集图像快照的方式为基于摄像头进行拍摄提取、或通过计算机中置入的截屏软件定期截屏获取。
6.根据权利要求1所述的一种基于计算机视觉技术的网络综合态势预测方法,其特征在于:对图像数据库进行加工和数据挖掘的方法为:在原始图像数据库具备一定规模数据后,通过对重大敏感变化历史记录进行筛选统计,找出重大变化前的图像指纹,形成敏感变化预测知识;或者通过数据挖掘技术提炼更加隐含和常态化的图像变化知识。
7.根据权利要求1所述的一种基于计算机视觉技术的网络综合态势预测方法,其特征在于:通过对敏感图像变化趋势进行验证来优化图像知识库,以提高网络综合态势的准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762676.7A CN110855467B (zh) | 2019-08-19 | 2019-08-19 | 一种基于计算机视觉技术的网络综合态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762676.7A CN110855467B (zh) | 2019-08-19 | 2019-08-19 | 一种基于计算机视觉技术的网络综合态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110855467A CN110855467A (zh) | 2020-02-28 |
CN110855467B true CN110855467B (zh) | 2022-02-08 |
Family
ID=69594679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910762676.7A Active CN110855467B (zh) | 2019-08-19 | 2019-08-19 | 一种基于计算机视觉技术的网络综合态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110855467B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049650B (zh) * | 2022-08-12 | 2023-08-01 | 深圳凯升联合科技有限公司 | 一种基于图像处理的电气设备漏电检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867498A (zh) * | 2009-04-17 | 2010-10-20 | 中国科学院软件研究所 | 一种网络安全态势评估方法 |
CN102035678A (zh) * | 2010-12-16 | 2011-04-27 | 中国电子科技集团公司第三十研究所 | 一种基于关联度的多维综合态势呈现系统 |
CN102821007A (zh) * | 2012-08-06 | 2012-12-12 | 河南科技大学 | 一种基于自律计算的网络安全态势感知系统及其处理方法 |
CN103455705A (zh) * | 2013-05-24 | 2013-12-18 | 中国科学院自动化研究所 | 网络社会事件的协同关联跟踪及全局态势分析与预测系统 |
CN103581188A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势预测方法及系统 |
CN108076060A (zh) * | 2017-12-18 | 2018-05-25 | 西安邮电大学 | 基于动态k-means聚类的神经网络态势预测方法 |
CN108390888A (zh) * | 2018-03-20 | 2018-08-10 | 北京知道创宇信息技术有限公司 | 网络安全态势的视觉呈现方法、装置及用户终端 |
CN108632081A (zh) * | 2018-03-26 | 2018-10-09 | 中国科学院计算机网络信息中心 | 网络态势评估方法、装置及存储介质 |
KR20190051621A (ko) * | 2017-11-07 | 2019-05-15 | 재단법인대구경북과학기술원 | 시맨틱 분할 맵을 이용한 영상 데이터 처리 장치 및 제어 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3495992A1 (en) * | 2017-12-07 | 2019-06-12 | IMRA Europe SAS | Danger ranking using end to end deep neural network |
-
2019
- 2019-08-19 CN CN201910762676.7A patent/CN110855467B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867498A (zh) * | 2009-04-17 | 2010-10-20 | 中国科学院软件研究所 | 一种网络安全态势评估方法 |
CN102035678A (zh) * | 2010-12-16 | 2011-04-27 | 中国电子科技集团公司第三十研究所 | 一种基于关联度的多维综合态势呈现系统 |
CN102821007A (zh) * | 2012-08-06 | 2012-12-12 | 河南科技大学 | 一种基于自律计算的网络安全态势感知系统及其处理方法 |
CN103455705A (zh) * | 2013-05-24 | 2013-12-18 | 中国科学院自动化研究所 | 网络社会事件的协同关联跟踪及全局态势分析与预测系统 |
CN103581188A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势预测方法及系统 |
KR20190051621A (ko) * | 2017-11-07 | 2019-05-15 | 재단법인대구경북과학기술원 | 시맨틱 분할 맵을 이용한 영상 데이터 처리 장치 및 제어 방법 |
CN108076060A (zh) * | 2017-12-18 | 2018-05-25 | 西安邮电大学 | 基于动态k-means聚类的神经网络态势预测方法 |
CN108390888A (zh) * | 2018-03-20 | 2018-08-10 | 北京知道创宇信息技术有限公司 | 网络安全态势的视觉呈现方法、装置及用户终端 |
CN108632081A (zh) * | 2018-03-26 | 2018-10-09 | 中国科学院计算机网络信息中心 | 网络态势评估方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于多元异构网络安全数据的可视化融合分析方法研究;于粉娟;《自动化与仪器仪表》;20180725;全文 * |
网络安全态势感知系统的设计与实现;刘炎;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110855467A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728209B (zh) | 一种姿态识别方法、装置、电子设备及存储介质 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN110222672A (zh) | 施工现场的安全帽佩戴检测方法、装置、设备及存储介质 | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN111353452A (zh) | 一种基于rgb图像的行为识别方法、装置、介质及设备 | |
CN113706523A (zh) | 基于人工智能技术的皮带跑偏及异常运行状态的监测方法 | |
CN114998234A (zh) | 一种基于数据增强策略的自监督弹簧缺陷检测方法 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN113065568A (zh) | 目标检测、属性识别与跟踪方法及系统 | |
CN110855467B (zh) | 一种基于计算机视觉技术的网络综合态势预测方法 | |
CN111310837A (zh) | 车辆改装识别方法、装置、系统、介质和设备 | |
US20230386188A1 (en) | Image analysis system an update method for machine learning model | |
CN114067268A (zh) | 一种电力作业现场安全帽检测及身份识别方法及装置 | |
CN106960188B (zh) | 天气图像分类方法及装置 | |
JP2019075078A (ja) | 工事現場画像判定装置及び工事現場画像判定プログラム | |
US11978189B2 (en) | Defect detection method and apparatus | |
CN117197746A (zh) | 基于深度学习的安全监测系统及方法 | |
CN116894113A (zh) | 基于深度学习的数据安全分类方法及数据安全管理系统 | |
CN111126187A (zh) | 火情检测方法、系统、电子设备及存储介质 | |
CN115966006A (zh) | 基于深度学习模型的跨年龄式人脸识别系统 | |
CN114037873A (zh) | 基于人工智能的变电站二次回路保护压板检测系统及方法 | |
CN111553408B (zh) | 视频识别软件自动测试的方法 | |
US20190266403A1 (en) | Server, method and wearable device for supporting maintenance of military apparatus based on binary search tree in augmented reality-, virtual reality- or mixed reality-based general object recognition |
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 |