CN110866318A - 一种基于深度学习技术的危岩失稳模式判别方法及装置 - Google Patents
一种基于深度学习技术的危岩失稳模式判别方法及装置 Download PDFInfo
- Publication number
- CN110866318A CN110866318A CN201911397664.5A CN201911397664A CN110866318A CN 110866318 A CN110866318 A CN 110866318A CN 201911397664 A CN201911397664 A CN 201911397664A CN 110866318 A CN110866318 A CN 110866318A
- Authority
- CN
- China
- Prior art keywords
- dangerous rock
- dangerous
- instability
- mode
- deep learning
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 148
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 238000012850 discrimination method Methods 0.000 title abstract description 6
- 238000000034 method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了一种基于深度学习技术的危岩失稳模式判别方法及装置，本装置主要包括：输入板块、工作板块、判别板块。本发明提供了一种基于深度学习技术的危岩失稳模式判别方法及装置的流程示意图，本发明能够体现危岩失稳模式类型识别的准确性和灵活性问题，能够为危岩失稳模式的分类判别以及为危岩崩塌预测和防治提供依据。
Description
技术领域
本发明是一种基于深度学习技术的危岩失稳模式判别方法及装置，涉及危岩稳定性和深度学习技术等相关领域。
背景技术
危岩是指陡坡或陡崖上被各类结构面分割可失稳的岩体，是西南山区常见的一种地质灾害类型，因其失稳过程的突然性强，往往造成严重的灾害。危岩分类是危岩研究的基础性问题之一，也是正确认识危岩的关键和切入点。为了概括的反映对危岩发育规律和变形机理的认识，通常会对危岩进行分类，而危岩失稳模式的判别是在对危岩分类的基础上进行识别判断，是为了更加有效地指导危岩勘察、监测预警以及防治等工作。
关于危岩分类识别问题的研究由来已久，自20世纪80年代以来，国内学者基于各自的研究领域和认识角度分别提出了不同的危岩分类方案，这对危岩失稳模式判别方法的研究及其重要，但由于岩石的复杂性，影响危岩失稳模式的大部分因素具有一定的模糊性和随机性，各影响因素之间又存在着耦合性，使得危岩失稳模式的判别成为危岩稳定性研究中的薄弱环节。
随着计算机技术的快速发展，人工智能的深度学习算法的研究应用也得到了快速发展。近些年，深度学习技术被广泛应用于图像识别领域、语言识别领域、视频分析领域、文本分析领域和大数据分析领域，并取得了极大成功。深度学习本质上就是一个进行特征描述的过程，因此利用深度学习的原理进行图像处理和数据分析的突出优点，采用深度学习技术进行危岩失稳模式判别是可行的，并且可将这种技术发展成一种新型的判别方法。
基于深度学习技术的危岩失稳模式判别方法，是将危岩各发育特征图像和与之相关的数据输入判别模型，以此自动且快速地进行判别。因此，基于深度学习技术的危岩失稳模式判别方法及装置是能够准确、快速获取判别结果，其给工程实际带来的效益是巨大的。
发明内容
本发明采用一种基于深度学习技术的危岩失稳模式判别方法及装置，利用该方法及装置能够快速准确进行危岩失稳模式的判别，建立满足工程需求的自适应深度学习的分析处理模型，本发明提供的一种基于深度学习技术的危岩失稳模式判别方法及装置，包括：
1.判别方法原理包括：步骤一，收集危岩失稳图像及数据集；步骤二，利用Caffe可视化工具提取危岩失稳图像特征及危岩失稳相关信息；步骤三，训练以危岩失稳图像和特征标签为数据集的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；步骤四，结合深度学习技术和岩体裂隙图像智能解译方法统计危岩节理组数和间距来描述结构面完整程度，再利用色彩模型确定岩石种类描述出岩石的坚硬程度；步骤五，利用matlab工具对危岩失稳模式种类进行处理识别；步骤六，通过选取危岩失稳模式影响因素，一般选取危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n作为危岩失稳主要参考因素；步骤七，判别出危岩失稳模式结果。其装置主要包括：输入板块、工作板块、判别板块。本发明的实施例提供一种基于深度学习技术的危岩失稳模式判别装置。
2.判别方法为：根据输入的危岩失稳特征图像进行特征抽取，建立深度学习网络AlexNet模型，再利用matlab工具处理识别危岩失稳模式的种类并结合危岩失稳模式参考因素的相关数据进行多层次计算，然后输出危岩失稳模式判别结果，达到准确判别的效果。
3.判别方法为：在进行危岩特征图像的分析时可根据危岩节理、裂隙、破碎程度、粗糙程度和剖面形态等结果进行分析识别判断，危岩失稳模式影响因素阶段可根据危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n因素进行数值分析，最后输出判别出结果。
4.判别装置包括：输入板块,用于根据用户指令选取危岩特征图像数据集和危岩失稳影响因素参考数据集；工作板块，用于根据用户指令，进行深度学习技术等工作；判别板块，用于根据用户指令，将工作板块中输出之后的结果反映出来。
5.判别装置还包括：处理模式，对危岩特征图像进行预处理，之后进行危岩特征的识别；训练模式，用于根据用户指令选取的危岩特征图像数据集，建立深度学习AlexNet模型进行提取，matlab工具进行危岩失稳模式种类识别处理；功能模式，根据识别的危岩特征进行提取和数值统计分析；输出模式，根据危岩的图像特征和影响危岩失稳模式因素判别出危岩失稳模式，将其结果进行输出。
6.判别装置还包括：学习单元，对影响危岩失稳模式的数据进行学习；选取单元，通过提取图像特征的结果与危岩失稳的影响因素进行整合和判断；优化单元，对判别出的结果进行优化处理，进行输出。
附图说明
图1为本发明实施流程图；
图2为本发明各模块工作原理图；
图3为本发明各模块与各处理功能协调工作原理图；
图4为本发明判别装置总体实施流程图。
具体实施方式
本发明提供了一种基于深度学习技术的危岩失稳模式判别方法及装置的实施过程，该实施例基于大量危岩图像特征和影响危岩稳定性因素的数据进行深度学习，证明了该方法在判别危岩失稳模式的灵活性和准确性。为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，结合以下实施例，对本发明进行进一步详细说明陈述。
首先请参阅附图1，本发明实施例中的基于深度学习技术的危岩失稳模式判别方法步骤为：根据本发明采用的方法，步骤一，收集危岩失稳图像及数据集；步骤二，利用Caffe可视化工具提取失稳危岩的图像特征及危岩失稳相关信息；步骤三，训练以危岩失稳图像和特征标签为数据集的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；步骤四，结合深度学习技术和岩体图像智能解译方法统计危岩节理组数和间距来描述结构面完整程度，再利用色彩模型确定岩石种类，以此描述岩石的坚硬程度；步骤五，利用matlab工具对危岩失稳模式种类进行处理识别；步骤六，选取危岩失稳模式影响因素，一般选取危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n作为危岩失稳主要参考因素；步骤七，输出危岩失稳模式。
下面对本发明中的基于深度学习技术的危岩失稳模式装置进行详细描述，请参阅附图2，其中：输入板块，用于根据用户指令，输入危岩特征图像以及影响危岩失稳因素的数据集；工作板块，用于根据用户指令，对危岩失稳图像特征进行提取，建立AlexNet模型并采用深度学习技术进行学习；判别板块，用于根据用户指令，将工作板块中输出的结果反映出来。
在图2所对应的各模块工作原理图基础上，请参阅附图3，在本发明各模块与各处理功能协调工作原理图中：处理模式，对危岩特征图像进行预处理，再进行危岩特征的识别及选取；训练模式，用于根据用户指令选取的危岩特征图像，建立深度学习AlexNet模型并进行训练；功能模式，根据识别的危岩特征进行提取和数值统计分析，使用matlab工具进行危岩失稳模式种类处理识别；输出模式，从失稳危岩图片中提取图像特征、分析其影响因素的数据集，从而判别出危岩失稳模式结果，进行输出。
在上述图3对应的各模块与各处理功能协调工作原理图基础上，参阅附图4，本发明判别装置总体实施流程图中，功能模式包括：学习单元，根据危岩失稳提取的图像特征和主要影响因素的相关数据进行深度学习；输出模式包括：选取单元，通过图像特征提取的结果与危岩失稳的影响因素进行整合和判断，选取危岩失稳模式类别进行输出，优化单元，对判别出的结果进行统一优化处理，使结果更加准确，最后将结果进行输出。
本发明为基于深度学习技术的危岩失稳模式判别方法及装置，其装置由如下部分组成：将危岩特征图像及数据集和危岩失稳影响因素数据集输入模型，在装置的输入板块进行相关操作；工作板块，提取危岩图像特征、建立学习模型，进行图像特征和影响因素的分析计算，在这一板块下可触发处理模式、训练模式、功能模式和输出模式。其中，功能模式中包含学习单元，而输出模式的操作细分为两个单元，即选取单元和优化单元，以上各模式和单元的相关功能已详细说明，此处不再赘述；判别板块执行危岩失稳模式判别结果的输出。
在本发明所提供的装置，仅仅是示意性的，所述的单元划分，仅作为一种逻辑功能的划分，实际实现时可能存在其他的划分方式，如：多个单元或组件可以结合或者可以集成到另一个系统，或一些模块可以忽略，甚至不执行。
以上所述的实施例仅作解释说明本发明的方法及装置。此外，本发明提供的基于深度学习技术的危岩失稳模式判别方法及装置具有以下优点：本发明提供的基于深度学习技术的危岩失稳模式判别方法及装置得到的结果趋于保守，具有拟合性能优越、准确性高和效率快等优点，这一判别方法基本上做到了系统、全面和实用的目的，可以有效指导危岩勘察评价、监测预警以及防治等工作。
Claims (6)
1.一种基于深度学习技术的危岩失稳模式判别方法及装置，其特征在于，包括：步骤一，收集危岩失稳图像及数据集；步骤二，利用Caffe可视化工具提取危岩失稳图像特征及危岩失稳相关信息；步骤三，训练以危岩失稳图像和特征标签为数据集的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；步骤四，结合深度学习技术和岩体裂隙图像智能解译方法统计危岩节理组数和间距来描述结构面完整程度，再利用色彩模型确定岩石种类描述出岩石的坚硬程度；步骤五，利用matlab工具对危岩失稳模式种类进行处理识别；步骤六，通过选取危岩失稳模式影响因素，一般选取危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n作为危岩失稳主要参考因素；步骤七，判别出危岩失稳模式结果；其装置主要包括：输入板块、工作板块、判别板块；本发明提供了一种基于深度学习技术的危岩失稳模式判别方法及装置。
2.根据权利要求1所述的判别方法及装置，其特征在于，所述判别方法为：根据输入的危岩失稳图像进行特征提取，建立深度学习网络AlexNet模型，再利用matlab工具进行危岩失稳模式种类处理，并结合危岩失稳模式影响因素的相关数据进行拟合层次的分析提取，然后输出危岩失稳模式判别结果，达到准确判别的效果。
3.根据权利要求1所述的判别方法，其特征在于，所述判别方法为：在进行危岩特征图像的分析时可根据危岩节理、裂隙、破碎程度、粗糙程度和剖面形态等结果进行分析识别判断，危岩失稳模式影响因素阶段可根据危岩的节理倾角、危岩边长、危岩高宽比等因素进行数值参考分析，最后输出判别出结果。
4.根据权利要求1所述的判别方法及装置，其特征在于，所述判别装置包括：输入板块，用于根据用户指令选取危岩特征图像及数据集和危岩失稳影响因素数据集；工作板块，用于根据用户指令，进行深度学习技术等工作；判别板块，用于根据用户指令，将工作板块中输出的结果反映出来。
5.根据权利要求4所述的装置，其特征在于，所述判别装置还包括：处理模式，对危岩特征图像进行预处理，之后进行危岩特征的识别；训练模式，用于根据用户指令选取的危岩特征图像，建立深度学习AlexNet模型，以此模型进行特征提取，采用matlab工具进行危岩失稳模式种类处理；功能模式，根据识别的危岩特征进行提取和数值统计分析；输出模式，根据危岩的图像特征和结合危岩失稳的影响因素判别出危岩失稳模式，将其结果进行输出。
6.根据权利要求5所述的装置，其特征在于，所述判别装置还包括：学习单元，根据危岩失稳的影响因素的数据进行学习和分析；选取单元，通过图像特征提取的结果与危岩失稳的影响因素进行整合和判断；优化单元，对判别出的结果进行优化处理，进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911397664.5A CN110866318A (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度学习技术的危岩失稳模式判别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911397664.5A CN110866318A (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度学习技术的危岩失稳模式判别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110866318A true CN110866318A (zh) | 2020-03-06 |
Family
ID=69659476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911397664.5A Pending CN110866318A (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度学习技术的危岩失稳模式判别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866318A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340012A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种地质灾害解译方法、装置、终端设备 |
| CN111382806A (zh) * | 2020-04-17 | 2020-07-07 | 桂林理工大学 | 基于图像特征的类砌体危岩体安全评价方法及装置 |
| CN111483604A (zh) * | 2020-04-17 | 2020-08-04 | 桂林理工大学 | 一种基于无人机的静态爆破危岩治理方法及装置 |
| CN111638200A (zh) * | 2020-04-22 | 2020-09-08 | 山东大学 | 基于拉曼光谱分析的地质预报系统及方法 |
| CN111640116A (zh) * | 2020-05-29 | 2020-09-08 | 广西大学 | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 |
| CN111965255A (zh) * | 2020-08-14 | 2020-11-20 | 广西大学 | 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100186950A1 (en) * | 2007-07-16 | 2010-07-29 | Ramesh Neelamani | Geologic Features From Curvelet Based Seismic Attributes |
| CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
| CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
| CN109388816A (zh) * | 2017-08-07 | 2019-02-26 | 中国石油化工股份有限公司 | 一种复杂岩性的分级识别方法 |
-
2019
- 2019-12-30 CN CN201911397664.5A patent/CN110866318A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100186950A1 (en) * | 2007-07-16 | 2010-07-29 | Ramesh Neelamani | Geologic Features From Curvelet Based Seismic Attributes |
| CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
| CN109388816A (zh) * | 2017-08-07 | 2019-02-26 | 中国石油化工股份有限公司 | 一种复杂岩性的分级识别方法 |
| CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 柳厚祥等: "基于深度学习技术的公路隧道围岩分级方法", 岩土工程学报, vol. 40, no. 10, pages 1809 - 1817 * |
| 黄莹 等: "基于Ｌ-Ｍ 神经网络的陡崖层状危岩失稳模式预测", 工程地质学报, pages 734 - 741 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382806A (zh) * | 2020-04-17 | 2020-07-07 | 桂林理工大学 | 基于图像特征的类砌体危岩体安全评价方法及装置 |
| CN111483604A (zh) * | 2020-04-17 | 2020-08-04 | 桂林理工大学 | 一种基于无人机的静态爆破危岩治理方法及装置 |
| CN111638200A (zh) * | 2020-04-22 | 2020-09-08 | 山东大学 | 基于拉曼光谱分析的地质预报系统及方法 |
| CN111638200B (zh) * | 2020-04-22 | 2021-11-23 | 山东大学 | 基于拉曼光谱分析的地质预报系统及方法 |
| CN111340012A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种地质灾害解译方法、装置、终端设备 |
| CN111640116A (zh) * | 2020-05-29 | 2020-09-08 | 广西大学 | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 |
| CN111640116B (zh) * | 2020-05-29 | 2023-04-18 | 广西大学 | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 |
| CN111965255A (zh) * | 2020-08-14 | 2020-11-20 | 广西大学 | 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 |
| CN111965255B (zh) * | 2020-08-14 | 2023-04-14 | 广西大学 | 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866318A (zh) | 一种基于深度学习技术的危岩失稳模式判别方法及装置 | |
| CN103870811B (zh) | 一种用于视频监控的正面人脸快速判别方法 | |
| CN111275688A (zh) | 基于注意力机制的上下文特征融合筛选的小目标检测方法 | |
| CN108596221B (zh) | 标尺读数的图像识别方法及设备 | |
| CN105160313A (zh) | 视频监控中人群行为分析的方法及装置 | |
| CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
| CN104077594A (zh) | 一种图像识别方法和装置 | |
| CN114638784A (zh) | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 | |
| Zhang et al. | Development of a cross-scale weighted feature fusion network for hot-rolled steel surface defect detection | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
| CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
| Chen et al. | Salient object detection: Integrate salient features in the deep learning framework | |
| CN110335242A (zh) | 一种基于多模型融合的轮胎x光病疵检测方法 | |
| CN106650735A (zh) | 一种led字符自动定位识别方法 | |
| CN111382802A (zh) | 基于主控结构面参数识别的危岩稳定性判别方法及装置 | |
| CN117351409A (zh) | 混凝土坝面作业风险智能识别方法 | |
| CN105159886B (zh) | 一种基于凭证摘要文本的孤立点检测方法及系统 | |
| CN116596880A (zh) | 一种基于NVIDIA Jetson TX2的PCB缺陷检测系统及方法 | |
| Rusinol et al. | CVC-UAB's Participation in the Flowchart Recognition Task of CLEF-IP 2012. | |
| CN113420839B (zh) | 用于堆叠平面目标物体的半自动标注方法及分割定位系统 | |
| CN115481183A (zh) | 一种实时数据处理方法和系统 | |
| CN114387564A (zh) | 一种基于YOLOv5的磕头机停抽检测方法 | |
| CN113936294A (zh) | 建筑工地人员识别方法、可读存储介质和电子设备 |
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 |