CN111191724B - 一种电梯图像标注方法、装置、计算机设备及存储介质 - Google Patents
一种电梯图像标注方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111191724B CN111191724B CN201911416837.3A CN201911416837A CN111191724B CN 111191724 B CN111191724 B CN 111191724B CN 201911416837 A CN201911416837 A CN 201911416837A CN 111191724 B CN111191724 B CN 111191724B
- Authority
- CN
- China
- Prior art keywords
- elevator
- image
- labeling
- mask
- model
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 139
- 238000012549 training Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 45
- 238000001514 detection method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本申请公开了一种电梯图像标注方法、装置、计算机设备及存储介质,属于人工智能技术领域。本申请公开的电梯图像标注方法包括:获取待标注图像,将其输入标注模型,以使标注模型利用预存的电梯图像标注标准对其中的电梯图像进行检测标注,输出带有标注信息的标注图像。本申请公开的电梯图像标注方法通过将获取的待标注图像输入标注模型,利用标注模型根据预存的电梯图像标注标准对待标注图像中的电梯图像进行检测标注,然后输出带有标注信息的标注图像,实现对电梯图像的自动标注;通过利用标注模型自动生成标注信息,一方面能够削减人工成本,另一方面对待标注图像实现高效、准确的标注。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种电梯图像标注方法、装置、计算机设备及存储介质。
背景技术
在公共领域服务的机器人通常遇见场景中有扶手电梯的情况,为避免机器人进入电梯造成机器损坏或安全事故,电梯悬崖检测必不可少。利用深度学习技术的超强归纳能力能在图像中有效检测出电梯,但是其对训练数据有极高的要求,需要准确的标签信息和充足的训练样本。
本申请的发明人在长期的研发过程中发现,为提升电梯检测算法的准确性,需要准备大量的标注数据,但是人工标注耗时耗力,因此需要提供一种更高效的电梯图像标注方法。
发明内容
本发明主要解决的技术问题是提供一种电梯图像标注方法、装置、计算机设备及存储介质,能够快速高效地实现电梯图像的标注。
为解决上述技术问题,本发明采用的一个技术方案是:
提供一种电梯图像标注方法,包括:
获取待标注图像;
将所述待标注图像输入标注模型,以使所述标注模型利用预存的电梯图像标注标准对所述待标注图像中的电梯图像进行检测标注;
输出带有标注信息的标注图像。
为解决上述技术问题,本发明采用的另一个技术方案是:
提供一种电梯图像标注装置,包括:
获取模块,用于获取待标注图像;
标注模块,用于将所述待标注图像输入标注模型,以使所述标注模型利用预存的电梯图像标注标准对所述待标注图像中的电梯图像进行检测标注;
输出模块,用于输出带有标注信息的标注图像。
为解决上述技术问题,本发明采用的另一个技术方案是:
提供一种计算机设备,包括处理器,
所述处理器用于执行指令以实现如上述技术方案所述的电梯图像标注方法。
为解决上述技术问题,本发明采用的另一个技术方案是:
提供一种计算机可读存储介质,所述计算机可读存储介质用于存储指令或程序数据,所述指令或程序数据能够被执行以实现如上述技术方案所述的电梯图像标注方法。
本发明的有益效果是:区别于现有技术的情况,本申请通过将获取的待标注图像输入标注模型,利用标注模型根据预存的电梯图像标注标准对待标注图像中的电梯图像进行检测标注,然后输出带有标注信息的标注图像,实现对电梯图像的自动标注;通过利用标注模型自动生成标注信息,一方面能够削减人工成本,另一方面对待标注图像实现高效、准确的标注。
附图说明
图1是本申请今电梯图像标注方法一实施方式的流程示意图;
图2是电梯扶手的标注标准一实施方式的示意图;
图3是电梯轨道的标注标准一实施方式的示意图;
图4是整电梯的标注标准一实施方式的示意图;
图5是自动标注一实施方式的流程图;
图6是本申请电梯图像标注装置一实施方式的结构示意图;
图7是本申请计算机设备一实施方式的结构示意图;
图8是本申请计算机可读存储介质一实施方式的结构示意图;
图9是本申请电梯检测模型的训练方法一实施方式的流程示意图;
图10是本申请机器人一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部实施方式。基于本申请中的实施方式,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
请参阅图1,图1是本申请电梯图像标注方法一实施方式的流程示意图,本实施方式包括如下步骤:
S101,获取待标注图像。
S102,将待标注图像输入标注模型,以使标注模型利用预存的电梯图像标注标准对待标注图像中的电梯图像进行检测标注。
S103,输出带有标注信息的标注图像。
本实施方式在对电梯进行检测标注之前,需要先获取电梯的待标注图像,将其输入标注模型,利用标注模型根据预存的电梯图像标注标准进行自动检测标注,输出带有标注信息的标注图像。本实施方式利用标注模型进行自动标注将会大大节省标注的人工成本,高效地获得带有准确的标注信息的标注图像。
进一步地,电梯图像标注标准包括电梯扶手标注标准、电梯轨道标注标准及整电梯标注标准。本实施方式提出电梯图像标注标准,利用标注模型对电梯扶手、电梯轨道和整电梯的图像进行标注,能够实现电梯图像的自助检测标注,帮助机器人准确识别到电梯,减少机器损坏或安全事故。
具体地,电梯扶手的标注标准包括:
电梯扶手的最上边边界为电梯扶手的水平边;电梯扶手的最下边边界为电梯扶手与地面的连接体的连接处的最底端;电梯扶手的最左边边界为电梯扶手的弧边的最左边或电梯扶手与地面的连接体外侧的最左边;电梯扶手的最右边边界为电梯扶手的弧边的最右边或电梯扶手与地面的连接体外侧的最右边。
请参阅图2,图2是电梯扶手的标注标准一实施方式的示意图,电梯扶手分为左边扶手和右边扶手,无论对于左边扶手还是右边扶手,电梯扶手都包括水平边与弧边,本实施方式定义水平边为电梯扶手的最上边边界,如横线A所示,弧边的最左边为电梯扶手的最左边边界,如竖线C1所示,弧边的最右边为电梯扶手的最右边边界,如竖线D1所示;电梯扶手通过连接体固定在地面上,此连接体外侧的最左边也是电梯扶手的最左边边界,如竖线C2所示,此连接体外侧的最右边也是电梯扶手的最右边边界,如竖线D2所示,电梯扶手与连接体的连接处的最底端则为电梯扶手的最下边边界,如横线B所示。本实施方式通过上述电梯扶手的标注标准,能够利用标注模型对电梯扶手自动实现准确的标注,帮助机器人准确识别到电梯。
具体地,电梯轨道的标注标准包括:
电梯轨道的最上边边界为电梯轨道水平部分左右连接体的最高端连线;电梯轨道的最下边边界为左右连接体最内侧的最底端连线;电梯轨道的最左边边界为左边电梯扶手底部连接体的最内侧;电梯轨道的最右边边界为右边电梯扶手底部连接体的最内侧。
请参阅图3,图3是电梯轨道的标注标准一实施方式的示意图,电梯轨道位于左右两侧扶手中间,通过左连接体与位于电梯轨道左边的电梯扶手及地面连接在一起,通过右连接体与位于电梯轨道右边的电梯扶手及地面连接在一起,本实施方式定义此左右连接体的最高端之间的连线为电梯轨道的最上边边界,如横线A所示,此左右连接体最内侧的最底端连线为电梯轨道的最下边边界,如横线B所示,此左边连接体的最内侧为电梯轨道的最左边边界,如竖线C所示,此右边连接体的最内侧为电梯轨道的最右边边界,如竖线D所示。本实施方式通过上述电梯轨道的标注标准,能够利用标注模型对电梯轨道自动实现准确的标注,帮助机器人准确识别到电梯。
具体地,整电梯的标注标准包括:
整电梯的最上边边界为电梯扶手的最上边边界;整电梯的最下边边界为电梯扶手的最下边边界;整电梯的最左边边界为电梯轨道左侧的电梯扶手的最左边边界;整电梯的最右边边界为电梯轨道右侧的电梯扶手的最右边边界。
请参阅图4,图4是整电梯的标注标准一实施方式的示意图,本实施方式中,整电梯以电梯扶手的各边界为其对应的各边界,具体地,整电梯的最上边边界为左右电梯扶手的最上边边界,如横线A所示,整电梯的最下边边界为左右电梯扶手的最下边边界,如横线B所示,整电梯的最左边边界为左边电梯扶手的最左边边界,如竖线C1和C2所示,整电梯的最右边边界为右边电梯扶手的最右边边界,如竖线D1和D2所示。在实际应用过程中,可能出现一个电梯的右连接体与旁边电梯的左连接体共用,如图4所示,此时,本申请定义此共用连接体的最右侧为右边电梯扶手的其中一个最右边边界,如竖线D2所示。当然,在其他的应用场景中,也可能出现电梯的左连接体与旁边电梯的右连接体共用,此时,本申请定义此共用连接体的最左侧为左侧电梯扶手的其中一个最左边边界。本实施方式通过上述整电梯的标注标准,能够利用标注模型对整电梯自动实现准确的标注,帮助机器人准确识别到电梯。
在本申请的另一实施方式中,电梯图像标注方法使用的标注模型为Mask R-CNN模型,即利用Mask R-CNN模型对电梯图像进行检测标注。现有的目标检测算法分为一刀流和二刀流,一刀流速度快效果较差,二刀流效果好速度较慢。本实施方式利用目标检测算法的主要目的是生成准确的标签而非实时检测,因此选择二刀流算法的代表Mask R-CNN以得到更好的标注效果。Mask R-CNN是R-CNN中的一种,R-CNN(Region-CNN)是基于卷积神经网络(Convolutional Neural Networks, CNN)、线性回归、支持向量机(SVM)等算法,实现目标检测的技术。现有技术的Mask R-CNN模型是另一二刀流算法Faster RCNN的改进,能够在有效检测目标的同时输出高质量的实例分割(Instance segmentation)分支的结果,通过增加不同的分支,可以完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务,能够提取更丰富层次的特征,灵活而强大。而本实施方式利用Mask R-CNN模型进行电梯图像的自动标注,用于实例分割的分支就不需要了,即本实施方式去掉Mask R-CNN模型实例分割分支,专注于图像检测任务,能够更高效地实现待标注图像的自动标注。当然,在其他的实施方式中,Mask R-CNN模型的实例分割分支也可以不删除,但是不输出Mask实例分割分支的结果,只输出于电梯图像的检测标注结果。
进一步地,本实施方式将待标注图像输入Mask R-CNN模型之前,包括:
利用带有标注信息的训练样本图像训练得到Mask R-CNN初始模型;
将没有标注信息的测试样本图像输入Mask R-CNN初始模型,对测试样本图像进行标注,得到带有标注信息的测试样本图像;
对带有标注信息的测试样本图像的标注信息进行校准;
将校准后的带有标注信息的测试样本图像作为训练样本图像,对Mask R-CNN初始模型进行训练,更新Mask R-CNN初始模型,得到Mask R-CNN模型。
其中,对测试样本图像的标注信息进行校准,将校准后的带有标注信息的测试样本图像作为训练样本图像,对Mask R-CNN初始模型进行训练包括:
将第一格式的带有标注信息的测试样本图像转换为第二格式的带有标注信息的测试样本图像,第一格式为Mask R-CNN模型的输入输出数据格式,第二格式为可编辑标注信息的数据格式;
对标注信息不准确的第二格式的带有标注信息的测试样本图像的标注信息进行调整修改,得到第二格式的校准后的带有标注信息的测试样本图像;
将第二格式的校准后的带有标注信息的测试样本图像转换为第一格式的校准后的带有标注信息的测试样本图像;
将第一格式的校准后的带有标注信息的测试样本图像输入Mask R-CNN初始模型,对Mask R-CNN初始模型进行训练并更新Mask R-CNN初始模型。
具体地,Mask R-CNN初始模型能够识别的数据格式为第一格式,例如COCO格式,可编辑标注信息的数据格式为第二格式,例如VOC格式。请参阅图5,图5为自动标注一实施方式的流程图。在利用带有标注信息的训练样本图像训练得到Mask R-CNN初始模型之前,需要先将第二格式的带有标注信息的训练样本图像转换为第一格式,然后输入Mask R-CNN进行训练得到Mask R-CNN初始模型。自然地,在将没有标注信息的测试样本图像输入Mask R-CNN初始模型之前,也需要将先将第二格式的没有标注信息的测试样本图像转换为第一格式,然后输入Mask R-CNN初始模型,得到第一格式的带有标注信息的测试样本图像,但此时标注信息可能是不准确的,需要将其转换为可编辑标注信息的第二格式的带有标注信息的测试样本图像,才可以进行后续的标注信息校准。同样,在将校准后的带有标注信息的测试样本图像作为训练样本图像,对Mask R-CNN初始模型进行训练之前,需要将校准后的第二格式的带有标注信息的测试样本图像先转换为第一格式,然后输入Mask R-CNN初始模型,对其进行训练并更新,得到Mask R-CNN模型(图中未示出)。利用此时的Mask R-CNN模型进行电梯图像的自动标注,产生的第一格式的图像带有的标注信息是准确的,而且能够更高效地完成图像标注工作。
请参阅图6,图6是本申请电梯图像标注装置一实施方式的结构示意图,本实施方式电梯图像标注装置60包括:获取模块601,用于获取待标注图像;标注模块602,用于将待标注图像输入标注模型,以使标注模型利用预存的电梯图像标注标准对待标注图像中的电梯图像进行检测标注;输出模块603,用于输出带有标注信息的标注图像。
具体地,本实施方式的电梯图像标注装置60先调用获取模块601分别获取电梯扶手、电梯轨道和整电梯三部分的待标注图像;然后调用标注模块602,将电梯的待标注图像输入Mask R-CNN模型,利用该模型根据预存的电梯图像标注标准对电梯图像进行标注;最后调用输出模块603,输出带有标注信息的标注图像。本实施方式的电梯图像标注装置60能够依据电梯图像标注标准自动实现对待标注图像的准确标注,帮助机器人准确识别出电梯,从而减少因机器人误入电梯而造成的机器损坏或安全事故。
请参阅图7,图7是本申请计算机设备一实施方式的结构示意图,本实施方式的计算机设备70包括处理器701,所述处理器701用于执行指令以实现如上述实施方式所描述的电梯图像标注方法。具体可参见上述实施方式,在此不再赘述。
请参阅图8,图8是本申请计算机可读存储介质一实施方式的结构示意图,本实施方式的计算机可读存储介质80用于存储指令或程序数据801,所述指令或程序数据801能够被执行以实现如上述实施方式所描述的电梯图像标注方法。具体可参见上述实施方式,在此不再赘述。
另外,本申请还提供一种电梯检测模型的训练方法,请参阅图9,图9是本申请电梯检测模型的训练方法一实施方式的流程示意图,本实施方式包括如下步骤:
S901,提供带有标注信息的训练样本图像,至少包括利用如上述实施方式所描述的电梯图像标注方法对电梯图像进行标注得到的带有标注信息的标注图像;
S902,利用带有标注信息的训练样本图像训练得到电梯检测模型。
具体地,本实施方式先分别获取电梯扶手、电梯轨道和整电梯三部分的待标注图像,选取少部分待标注图像进行人工标注,得到第二格式的带有标注信息的训练样本图像,转换为第一格式,输入Mask R-CNN,进行训练,得到Mask R-CNN初始模型;然后选取少部分未标注图像,转换为第一格式,输入Mask R-CNN初始模型,得到第一格式的带有标注信息的测试样本图像;然后转换为第二格式,对标注信息进行校准,再转换为第一格式,将校准后的第一格式的带有标注信息的测试样本图像作为训练样本图像,输入Mask R-CNN初始模型,对其进行训练,并据此更新Mask R-CNN初始模型,得到Mask R-CNN模型;最后将剩余未标注图像输入Mask R-CNN模型,得到带有准确标注信息的标注图像,将这些标注图像作为上述步骤S901所述的训练样本图像,用于电梯检测模型的训练,得到电梯检测模型。本实施方式利用Mask R-CNN模型得到大量准确的标注图像,用于电梯检测算法的训练,可提升电梯检测算法的准确性,帮助机器人准确识别电梯,减少安全事故。
另外,本申请还提供一种机器人,请参阅图10,图10是本申请机器人一实施方式的结构示意图,本实施方式的机器人10包括存储器101,其中,存储器101上搭载有电梯检测模型1011,电梯检测模型1011是利用如图9所描述的电梯检测模型的训练方法训练得到的。具体可参见上述电梯检测模型的训练方法的实施方式,在此不再赘述。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种电梯图像标注方法,其特征在于,包括:
获取待标注图像;
将所述待标注图像输入标注模型,以使所述标注模型利用预存的电梯图像标注标准对所述待标注图像中的电梯图像进行检测标注;所述标注模型为Mask R-CNN模型,所述MaskR-CNN模型不包括Mask实例分割分支,或所述Mask R-CNN模型不输出Mask实例分割分支的结果;
输出带有标注信息的标注图像;
其中,所述电梯图像标注标准包括电梯扶手标注标准、电梯轨道标注标准及整电梯标注标准;
其中,所述将所述待标注图像输入标注模型之前包括:
利用带有标注信息的训练样本图像训练得到Mask R-CNN初始模型;
将没有标注信息的测试样本图像输入所述Mask R-CNN初始模型,对所述测试样本图像进行标注,得到带有标注信息的测试样本图像;
对所述带有标注信息的测试样本图像的标注信息进行校准;
将校准后的带有标注信息的测试样本图像作为训练样本图像,对所述Mask R-CNN初始模型进行训练,更新所述Mask R-CNN初始模型,得到所述Mask R-CNN模型;
其中,所述利用带有标注信息的训练样本图像训练得到Mask R-CNN初始模型包括:
将第一格式的带有标注信息的测试样本图像转换为第二格式的带有标注信息的测试样本图像,第一格式为Mask R-CNN模型的输入输出数据格式,第二格式为可编辑标注信息的数据格式。
2.根据权利要求1所述的电梯图像标注方法,其特征在于,所述电梯扶手的标注标准包括:
所述电梯扶手的最上边边界为所述电梯扶手的水平边;所述电梯扶手的最下边边界为所述电梯扶手与地面的连接体的连接处的最底端;所述电梯扶手的最左边边界为所述电梯扶手的弧边的最左边或所述电梯扶手与地面的连接体外侧的最左边;所述电梯扶手的最右边边界为所述电梯扶手的弧边的最右边或所述电梯扶手与地面的连接体外侧的最右边。
3.根据权利要求1所述的电梯图像标注方法,其特征在于,所述电梯轨道的标注标准包括:
所述电梯轨道的最上边边界为所述电梯轨道水平部分左右连接体的最高端连线;所述电梯轨道的最下边边界为所述左右连接体最内侧的最底端连线;所述电梯轨道的最左边边界为左边电梯扶手底部连接体的最内侧;所述电梯轨道的最右边边界为右边电梯扶手底部连接体的最内侧。
4.根据权利要求1所述的电梯图像标注方法,其特征在于,所述整电梯的标注标准包括:
所述整电梯的最上边边界为所述电梯扶手的最上边边界;所述整电梯的最下边边界为所述电梯扶手的最下边边界;所述整电梯的最左边边界为所述电梯轨道左侧的所述电梯扶手的最左边边界;所述整电梯的最右边边界为所述电梯轨道右侧的电梯扶手的最右边边界。
5.一种电梯图像标注装置,其特征在于,包括:
获取模块,用于获取待标注图像;
标注模块,用于将所述待标注图像输入标注模型,以使所述标注模型利用预存的电梯图像标注标准对所述待标注图像中的电梯图像进行检测标注;所述标注模型为Mask R-CNN模型,所述Mask R-CNN模型不包括Mask实例分割分支,或所述Mask R-CNN模型不输出Mask实例分割分支的结果;其中,所述电梯图像标注标准包括电梯扶手标注标准、电梯轨道标注标准及整电梯标注标准;
输出模块,用于输出带有标注信息的标注图像;
训练模块,用于利用带有标注信息的训练样本图像训练得到Mask R-CNN初始模型;将没有标注信息的测试样本图像输入所述Mask R-CNN初始模型,对所述测试样本图像进行标注,得到带有标注信息的测试样本图像;对所述带有标注信息的测试样本图像的标注信息进行校准;将校准后的带有标注信息的测试样本图像作为训练样本图像,对所述Mask R-CNN初始模型进行训练,更新所述Mask R-CNN初始模型,得到所述Mask R-CNN模型;其中,所述利用带有标注信息的训练样本图像训练得到Mask R-CNN初始模型包括:将第一格式的带有标注信息的测试样本图像转换为第二格式的带有标注信息的测试样本图像,第一格式为Mask R-CNN模型的输入输出数据格式,第二格式为可编辑标注信息的数据格式。
6.一种计算机设备,其特征在于,包括处理器,
所述处理器用于执行指令以实现如权利要求1-4中任一项所述的电梯图像标注方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储指令或程序数据,所述指令或程序数据能够被执行以实现如权利要求1-4中任一项所述的电梯图像标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911416837.3A CN111191724B (zh) | 2019-12-31 | 2019-12-31 | 一种电梯图像标注方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911416837.3A CN111191724B (zh) | 2019-12-31 | 2019-12-31 | 一种电梯图像标注方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191724A CN111191724A (zh) | 2020-05-22 |
CN111191724B true CN111191724B (zh) | 2024-04-23 |
Family
ID=70707936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911416837.3A Active CN111191724B (zh) | 2019-12-31 | 2019-12-31 | 一种电梯图像标注方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191724B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115079700A (zh) * | 2022-07-07 | 2022-09-20 | 广东省大道智创科技有限公司 | 一种控制方法、装置、设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技(深圳)有限公司 | 图像标注方法及终端设备 |
CN108921161A (zh) * | 2018-06-08 | 2018-11-30 | Oppo广东移动通信有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN109344806A (zh) * | 2018-10-31 | 2019-02-15 | 第四范式(北京)技术有限公司 | 利用多任务目标检测模型执行目标检测的方法和系统 |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及系统 |
CN109902672A (zh) * | 2019-01-17 | 2019-06-18 | 平安科技(深圳)有限公司 | 图像标注方法及装置、存储介质、计算机设备 |
CN110110811A (zh) * | 2019-05-17 | 2019-08-09 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置、用于预测信息的方法和装置 |
CN110163864A (zh) * | 2019-05-28 | 2019-08-23 | 北京迈格威科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110298265A (zh) * | 2019-06-10 | 2019-10-01 | 东南大学 | 一种基于yolo神经网络的电梯中特定目标检测方法 |
CN110309301A (zh) * | 2019-05-09 | 2019-10-08 | 上海泰豪迈能能源科技有限公司 | 企业类别的分类方法、装置及智能终端 |
CN110599537A (zh) * | 2019-07-25 | 2019-12-20 | 中国地质大学(武汉) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080229186A1 (en) * | 2007-03-14 | 2008-09-18 | Microsoft Corporation | Persisting digital ink annotations as image metadata |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
-
2019
- 2019-12-31 CN CN201911416837.3A patent/CN111191724B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技(深圳)有限公司 | 图像标注方法及终端设备 |
CN108921161A (zh) * | 2018-06-08 | 2018-11-30 | Oppo广东移动通信有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及系统 |
CN109344806A (zh) * | 2018-10-31 | 2019-02-15 | 第四范式(北京)技术有限公司 | 利用多任务目标检测模型执行目标检测的方法和系统 |
CN109902672A (zh) * | 2019-01-17 | 2019-06-18 | 平安科技(深圳)有限公司 | 图像标注方法及装置、存储介质、计算机设备 |
CN110309301A (zh) * | 2019-05-09 | 2019-10-08 | 上海泰豪迈能能源科技有限公司 | 企业类别的分类方法、装置及智能终端 |
CN110110811A (zh) * | 2019-05-17 | 2019-08-09 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置、用于预测信息的方法和装置 |
CN110163864A (zh) * | 2019-05-28 | 2019-08-23 | 北京迈格威科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN110298265A (zh) * | 2019-06-10 | 2019-10-01 | 东南大学 | 一种基于yolo神经网络的电梯中特定目标检测方法 |
CN110599537A (zh) * | 2019-07-25 | 2019-12-20 | 中国地质大学(武汉) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于多尺度上下文的图像标注算法;周全 等;自动化学报;第40卷(第12期);第2944-2949页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111191724A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023015843A1 (zh) | 异常检测方法、装置、电子设备、计算机可读存储介质、计算机程序及计算机程序产品 | |
CN109378052B (zh) | 图像标注的预处理方法及系统 | |
CN109522900B (zh) | 自然场景文字识别方法及装置 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN110287998A (zh) | 一种基于Faster-RCNN的科技文献图片提取方法 | |
CN110163208B (zh) | 一种基于深度学习的场景文字检测方法和系统 | |
CN110059637B (zh) | 一种人脸对齐的检测方法及装置 | |
CN105825502A (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN110992410B (zh) | 基于rgb-d数据融合的机器人视觉引导方法和装置 | |
KR101021470B1 (ko) | 영상 데이터를 이용한 로봇 움직임 데이터 생성 방법 및 생성 장치 | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN111191724B (zh) | 一种电梯图像标注方法、装置、计算机设备及存储介质 | |
CN117745708A (zh) | 基于深度学习算法的木地板表面瑕疵检测方法 | |
CN116681961A (zh) | 基于半监督方法和噪声处理的弱监督目标检测方法 | |
CN115937661B (zh) | 一种3d场景理解方法、系统、电子设备及存储介质 | |
CN111985549A (zh) | 针对给定刚体目标进行部件自动定位识别的深度学习方法 | |
CN114387600B (zh) | 文本特征识别方法、装置、计算机设备和存储介质 | |
CN112232272B (zh) | 一种激光与视觉图像传感器融合的行人识别方法 | |
CN110956174A (zh) | 一种器件编号的识别方法 | |
CN116541912A (zh) | 一种基于cad图像识别生成接线图的方法及装置 | |
JP2023069083A (ja) | 学習装置、学習方法、学習プログラム、物体検出装置、物体検出方法、物体検出プログラム、学習支援システム、学習支援方法及び学習支援プログラム | |
CN112270357A (zh) | Vio视觉系统及方法 | |
CN111402262A (zh) | 一种多模态数据标注方法、系统及相关装置 | |
CN113792614B (zh) | 一种光伏阵列组串组件位置匹配和编号识别方法 |
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 |