CN111209888A - 一种人机界面视觉识别系统及方法 - Google Patents
一种人机界面视觉识别系统及方法 Download PDFInfo
- Publication number
- CN111209888A CN111209888A CN202010040017.5A CN202010040017A CN111209888A CN 111209888 A CN111209888 A CN 111209888A CN 202010040017 A CN202010040017 A CN 202010040017A CN 111209888 A CN111209888 A CN 111209888A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- human
- images
- recognition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人机界面视觉识别系统,所述系统包括:摄像头模组,所述摄像头模组安装在人机界面显示器正前方,所述摄像头模组用于采集人机界面屏幕图像;微型计算机,所述微型计算机与所述摄像头模组通讯连接,所述微型计算机用于对所述摄像头模组采集的图像进行预处理,以及利用模型对图像执行识别分类、输出识别结果;云端服务器,用于通过深度学习模型的训练优化,提供对预处理的图像进行识别分类的模型。本发明大大提高图像的分类识别精度,降低人工的工作量,更好的辅助工程师监视人机界面的工作状态和报警。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种人机界面视觉识别系统及方法。
背景技术
目前虽然不少高端数控机床提供了通讯接口,允许外部控制程序采集机床状态信息和控制。但目前我国仍有大量的低端和老旧型号机床设备在服役,这些设备只能通过人力监视机床运行。一方面由于制造过程中重复和乏味的值守工作,这类岗位对年轻人吸引力逐渐降低,合适的工程师越来越难找,另一方面企业在竞争日益激烈的市场环境中,难以负担更先进的数控系统的更新成本。因此研制人机界面(HMI)视觉识别系统,用于辅助工程师监视数控机床工作状态和报警,更高程度的满足市场需求。
发明内容
本发明提供一种人机界面视觉识别系统及方法,其主要目的在于实现提高图像的分类识别精度,降低人工的工作量,更好的辅助工程师监视人机界面的工作状态和报警。
为实现上述目的,本发明还提供一种人机界面视觉识别系统,所述系统包括:
摄像头模组,所述摄像头模组安装在人机界面显示器正前方,所述摄像头模组用于采集人机界面屏幕图像;
微型计算机,所述微型计算机与所述摄像头模组通讯连接,所述微型计算机用于对所述摄像头模组采集的图像进行预处理,以及利用模型对图像执行识别分类、输出识别结果;
云端服务器,用于通过深度学习模型的训练优化,提供对预处理的图像进行识别分类的模型。
优选的,所述云端服务器包括模型训练优化包和专家辅助包,其中,
所述模型训练优化包,包括所设置的训练对象以及依据设置的步骤对所述训练对象进行模型训练,生成达到所预期的优化指标的模型;
所述专家辅助包,提供图像预分类的模型,用于辅助工程师识别分类训练集图像。
优选的,所述训练对象为模型所需的结构参数,包括图像分辨率以及图像数量;所述设置的步骤包括使用多种分辨率的图像以及逐步增加图像数量进行模型训练,生成达到所预期的优化指标的模型。
优选的,所述优化指标至少包括识别准确率、识别速度以及可部署模型文件的大小。
优选的,所述摄像头模组的摄像区域覆盖整个人机界面显示器。
实现上述目的,本发明还提供一种人机界面视觉识别方法,所述方法包括:
S1,通过摄像头模组采集人机界面屏幕图像;
S2,对所采集的图像进行预处理;
S3,基于深度学习模型构建对图像进行识别分类的模型;
S4,利用所述模型对图像进行识别分类,输出识别结果。
优选的,步骤S3包括通过所设置的训练对象以及依据设置的步骤对所述训练对象进行模型训练,生成达到所预期的优化指标的模型。
优选的,步骤S3包括:
S3.1,采用高分辨率图像以及逐步增加图像数量进行模型训练,得到所预期的识别准确率;
S3.2,通过低分辨率图像以及采用一定数量的图像进行模型训练,得到所预期的识别速度以及可部署模型文件的大小;
S3.3,依据步骤S3.1、S3.2的模型进行优化,确定图像识别的目标模型。
优选的,所述训练对象为模型所需的结构参数,包括图像分辨率以及图像数量。
优选的,所述优化指标至少包括识别准确率、识别速度以及可部署模型文件的大小。
与现有技术相比较,本发明具有以下优点:
1、基于机器人控制数控铣床的集成制造系统中,本发明提供对图像进行识别分类的模型,模型所需软硬件对原制造系统构成影响很小,并且,采用本发明的方案提高了识别准确率以及识别速度。
2、基于逐步扩充数据集的两阶段模型训练方案,流程的两阶段具有明确训练目标。对于确定的模型结构,经过若干次数据集扩充和网络训练,可将模型测试集识别准确率,识别速度以及部署硬件需求等性能指标,优化至设计目标。并且最终扩充的数据集数量需求是确定并可以预期的。
附图说明
图1为本发明一实施例提供的一种人机界面视觉识别系统的结构框图;
图2为本发明一实施例提供的训练过程得到的相关指标变化的曲线示意图;
图3为本发明一实施例提供的训练过程得到的识别准确率和损失指标变化的曲线示意图;
图4为本发明一实施例提供的训练过程得到的识别速度和权重文件大小指标变化的曲线示意图;
图5为本发明一实施例提供的一种人机界面视觉识别方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的方案使得数控显示面板辅助深度识别更易泛化至其他数控机床识别所需,乃至应用于更多样的机器HMI面板的图像识别。本发明提出的视觉识别系统可用于至少包括任何显示屏、触摸屏、指示灯仪表等的人机界面,其目的都是辅助人工自动操作,从而避免人工无意义的监视值守过程。数控机床系统的界面作为本发明提出的一个优选实施例。
参照图1所示,为本发明一实施例提供的一种人机界面视觉识别系统的结构框图,所述系统包括,
摄像头模组,所述摄像头模组安装在人机界面显示器正前方,所述摄像头模组用于采集人机界面屏幕图像;
微型计算机,所述微型计算机与所述摄像头模组通讯连接,所述微型计算机用于对所述摄像头模组采集的图像进行预处理,以及利用模型对图像执行识别分类、输出识别结果;
云端服务器,用于通过深度学习模型的训练优化,提供对预处理的图像进行识别分类的模型。
优选的,所述云端服务器包括模型训练优化包和专家辅助包,其中,
所述模型训练优化包,包括所设置的训练对象以及依据设置的步骤对所述训练对象进行模型训练,生成达到所预期的优化指标的模型;
所述专家辅助包,提供图像预分类的模型,用于辅助工程师识别分类训练集图像。
优选的,所述训练对象为模型所需的结构参数,包括图像分辨率以及图像数量;所述设置的步骤包括使用多种分辨率的图像以及逐步增加图像数量进行模型训练,生成达到所预期的优化指标的模型。
优选的,所述优化指标至少包括识别准确率、识别速度以及可部署模型文件。
优选的,所述摄像头模组的摄像区域覆盖整个人机界面显示器。
本发明另一实施例提供的一种人机界面视觉识别系统包括,
可固定在人机界面(HMI)正前方的摄像头模组,本实施例采用固定安装于工业机器人的手腕上;
视觉识别微型计算机,用于和摄像头模组通讯,采集HMI屏幕图像,执行图像预处理、利用模型进行图像识别、识别结果输出等程序功能。利用模型进行图像识别的过程以及输出识别结果包括,由摄像头模组采集的图像进行预处理,通过深度学习模型构建训练模型,将图像输入到模型,利用模型对图像执行识别分类,也就是直接输出图像属于哪个分类。
在模型训练过程时,包括多种分辨率的图像以及逐步增加图像数量进行模型训练,生成所能达到的相应指标的模型。也就是通过把数据集的图像和达到指标的结果提供给模型,算法自动寻找拟合最合适的模型结构参数。
在高精度、高识别速度的模型支持下,目前提供了高达99.34%以上的识别准确率,每百张图像0.64秒左右的识别速度。在此性能下,仅需743KB的模型大小,可以适应各种微型计算机部署。
云端深度学习服务器用于深度学习模型训练优化,包括模型训练优化程序包和专家辅助程序包。其中,
模型训练优化程序包以达到所预期的优化指标的模型为目标,包括识别准确率、识别速度与可部署模型文件大小,通过对模型所需的结构参数为训练优化对象进行训练,通过使用多种分辨率的图像以及逐步增加图像数量进行模型训练,按确定的步骤训练,即可通过几次数据集的扩充,将模型优化至所需的精度和速度,生成所预期的优化指标的模型。
专家辅助程序包用于辅助工程师分类训练集图像,这些图像由摄像头模组采集,经过深度学习服务器的初步模型预分类。最后由辅助程序包提供给工程师实现人工纠错。经过预分类的训练集图像准确率随着训练的推进,具有越来越高的分类精度,因此人工纠错的工作量不断降低。
模型训练优化包括:模型训练采用高分辨率图像,以及为模型训练提供更多的数据集,可以提高一个确定的模型框架的测试准确率;另外,缩小训练所用的图像分辨率,在微小的测试集准确率下降中,却可以大幅缩小权重数量,提升识别速度这两项重要的部署指标。因此模型训练可分为两阶段完成:
(一)提升测试准确率阶段
第一阶段的模型训练可能只拥有较小的数据集,然后逐步扩大数据量。在此阶段,利用数据集的最大分辨率,和逐步增大的数据集量,依数据集大小对训练及识别性能影响实验多次训练,获得训练数据集数量的扩充对提升测试集准确率的相关曲线。就此可预估计模型所需数据集规模,以及模型可能达到的最优测试准确率。
我们在此阶段的用了4个训练步骤,利用数据集A-D的增加,以最高支持的分辨率480×480输入图像进入模型训练。为了缩短训练时间,同时准确评估数据集增加效果,步骤I-III终止条件修正为最终连续两代(epoch)测试准确率大于98%,或最终连续3批(batch)验证集损失值累加低于0.001,记为实验终止条件B。步骤IV训练终止条件设置A,用于求取可能的最高数据集准确率。训练过程各项指标数据如表1所示:
表1
本阶段训练过程关键指标测试集准确率与验证数据最低损失变化参照图2所示的曲线图。本阶段数据集在扩充过程,需要工程师纠正模型识别后的错误,实际随着第一次模型训练的完成,就可在表1中看到模型提供了67.59%的成功图像分类,因此第二次纠错工作量显著缩减,随着训练批次的增加,通过测试集准确率不断增加的模型辅助,需要工程师纠错的工作量将越来越小。
(二)提升识别速度阶段
第二阶段可在保持数据集数量不变时,通过缩小训练图像分辨率的方式,降低可部署模型权重文件大小和提升识别速度。目标是完善模型的测试集准确率、识别速度和可部署模型权重文件大小的综合性能。在此阶段,我们的训练数据表明,云端深度学习服务器的并行训练对节约训练时间,有很大帮助。它是指我们利用云端多个实例,同时输入多个分辨率数据集并行训练多个模型。我们在下表2所示数据中,并行执行了二阶段的V至VIII步。将二阶段训练步骤及测试集识别准确率等关键指标变化表示可参照图3和图4所示的曲线示意图。最后我们确定56×56的图像分辨率可带来较满意的综合性能。经过第一阶段训练,我们很清楚同一图像分辨率可以通过扩大数据集的数量进一步提升测试集准确率。因此最终我们在第IX步中,将5次训练数据集的3062张训练集,455张验证集数据,通过56×56的分辨率训练面板辅助深度识别,而最终生成的模型在现场测试数据533张图集中达到了99.34%的准确率,每百张图像0.64秒左右的识别速度,以及743KB的可部署模型文件,满足了面板辅助深度识别目标要求。
表2
在本实施例中,模型训练包括通过多种分辨率图像,包括高分辨率图像和低分辨率图像,以及一定数量的图像数据集进行训练,通过多次训练,得到一个确定的模型框架。也就是通过训练得到的识别准确率、识别速度以及可部署模型文件达到所预期的指标即可。比如,达到99.34%以上的识别准确率,每百张图像0.64秒左右的识别速度,仅需743KB的可部署模型文件大小作为预期的目标模型。
参照图2所示,为本发明一实施例提供的一种人机界面视觉识别方法的流程示意图,所述方法包括,
S1,通过摄像头模组采集人机界面屏幕图像;
S2,对所采集的图像进行预处理;
S3,基于深度学习模型构建对图像进行识别分类的模型;
S4,利用所述模型对图像进行识别分类,输出识别结果。
优选的,步骤S3包括通过所设置的训练对象以及依据设置的步骤对所述训练对象进行模型训练,生成达到所预期的优化指标的模型。
优选的,步骤S3包括:
S3.1,采用高分辨率图像以及逐步增加图像数量进行模型训练,得到所预期的识别准确率;
S3.2,通过低分辨率图像以及采用一定数量的图像进行模型训练,得到所预期的识别速度以及可部署模型文件的大小;
S3.3,依据步骤S3.1、S3.2的模型进行优化,确定图像识别的目标模型。
优选的,所述训练对象为模型所需的结构参数,包括图像分辨率以及图像数量。
优选的,所述优化指标至少包括识别准确率、识别速度以及可部署模型文件的大小。
本发明具有以下优点:
1、我们在一个机器人控制数控铣床的集成制造系统中,实验并使用了面板深度识别模型,模型所需软硬件对原制造系统构成影响很小,并且最终对数控显示面板图像,提高测试集准确率、以及识别速度。
2、我们提出了定义网络结构参数变量,用于优化模型的宽度超参数,并在一种基于云计算的分布式架构中,利用Pytorch平台分别设计训练和识别代码,并最终部署了面板辅助深度识别。
3、基于逐步扩充数据集的模型训练方案,并具有明确训练目标。对于确定的模型结构,经过若干次数据集扩充和网络训练,可将模型测试集识别准确率,识别速度以及部署硬件需求等性能指标,优化至设计目标。并且最终扩充的数据集数量需求是确定并可以预期的。
上述实施例中的实施方案可以进一步组合或者替换,且实施例仅仅是对本发明的优选实施例进行描述,并非对本发明的构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域中专业技术人员对本发明的技术方案作出的各种变化和改进,均属于本发明的保护范围。
Claims (10)
1.一种人机界面视觉识别系统,其特征在于,所述系统包括:
摄像头模组,所述摄像头模组安装在人机界面显示器正前方,所述摄像头模组用于采集人机界面屏幕图像;
微型计算机,所述微型计算机与所述摄像头模组通讯连接,所述微型计算机用于对所述摄像头模组采集的图像进行预处理,以及利用模型对图像执行识别分类、输出识别结果;
云端服务器,用于通过深度学习模型的训练优化,提供对预处理的图像进行识别分类的模型。
2.根据权利要求1所述的一种人机界面视觉识别系统,其特征在于,所述云端服务器包括模型训练优化包和专家辅助包,其中,
所述模型训练优化包,包括所设置的训练对象以及依据设置的步骤对所述训练对象进行模型训练,生成达到所预期的优化指标的模型;
所述专家辅助包,提供图像预分类的模型,用于辅助工程师识别分类训练集图像。
3.根据权利要求2所述的一种人机界面视觉识别系统,其特征在于,所述训练对象为模型所需的结构参数,包括图像分辨率以及图像数量;所述设置的步骤包括使用多种分辨率的图像以及逐步增加图像数量进行模型训练,生成达到所预期的优化指标的模型。
4.根据权利要求2或3任一所述的一种人机界面视觉识别系统,其特征在于,所述优化指标至少包括识别准确率、识别速度以及可部署模型文件的大小。
5.根据权利要求1所述的一种人机界面视觉识别系统,其特征在于,所述摄像头模组的摄像区域覆盖整个人机界面显示器。
6.一种人机界面视觉识别方法,其特征在于,所述方法包括:
S1,通过摄像头模组采集人机界面屏幕图像;
S2,对所采集的图像进行预处理;
S3,基于深度学习模型构建对图像进行识别分类的模型;
S4,利用所述模型对图像进行识别分类,输出识别结果。
7.根据权利要求6所述的一种人机界面视觉识别方法,其特征在于,步骤S3包括通过所设置的训练对象以及依据设置的步骤对所述训练对象进行模型训练,生成达到所预期的优化指标的模型。
8.根据权利要求6或7任一所述的一种人机界面视觉识别方法,其特征在于,步骤S3包括:
S3.1,采用高分辨率图像以及逐步增加图像数量进行模型训练,得到所预期的识别准确率;
S3.2,通过低分辨率图像以及采用一定数量的图像进行模型训练,得到所预期的识别速度以及可部署模型文件的大小;
S3.3,依据步骤S3.1、S3.2的模型进行优化,确定图像识别的目标模型。
9.根据权利要求7所述的一种人机界面视觉识别方法,其特征在于,所述训练对象为模型所需的结构参数,包括图像分辨率以及图像数量。
10.根据权利要求7所述的一种人机界面视觉识别方法,其特征在于,所述优化指标至少包括识别准确率、识别速度以及可部署模型文件的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040017.5A CN111209888A (zh) | 2020-01-15 | 2020-01-15 | 一种人机界面视觉识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040017.5A CN111209888A (zh) | 2020-01-15 | 2020-01-15 | 一种人机界面视觉识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111209888A true CN111209888A (zh) | 2020-05-29 |
Family
ID=70787341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010040017.5A Pending CN111209888A (zh) | 2020-01-15 | 2020-01-15 | 一种人机界面视觉识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879649A (zh) * | 2022-07-13 | 2022-08-09 | 中企科信技术股份有限公司 | 一种工业控制系统的网络监测装置、监测方法及控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180136332A1 (en) * | 2016-11-15 | 2018-05-17 | Wheego Electric Cars, Inc. | Method and system to annotate objects and determine distances to objects in an image |
CN109858472A (zh) * | 2019-04-09 | 2019-06-07 | 武汉领普科技有限公司 | 一种嵌入式实时人形检测方法和装置 |
CN110210323A (zh) * | 2019-05-09 | 2019-09-06 | 浙江大学 | 一种基于机器视觉的溺水行为在线识别方法 |
CN110210482A (zh) * | 2019-06-05 | 2019-09-06 | 中国科学技术大学 | 改进类别不平衡的目标检测方法 |
-
2020
- 2020-01-15 CN CN202010040017.5A patent/CN111209888A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180136332A1 (en) * | 2016-11-15 | 2018-05-17 | Wheego Electric Cars, Inc. | Method and system to annotate objects and determine distances to objects in an image |
CN109858472A (zh) * | 2019-04-09 | 2019-06-07 | 武汉领普科技有限公司 | 一种嵌入式实时人形检测方法和装置 |
CN110210323A (zh) * | 2019-05-09 | 2019-09-06 | 浙江大学 | 一种基于机器视觉的溺水行为在线识别方法 |
CN110210482A (zh) * | 2019-06-05 | 2019-09-06 | 中国科学技术大学 | 改进类别不平衡的目标检测方法 |
Non-Patent Citations (3)
Title |
---|
AI科技大本营: "如何确定最佳训练数据集规模?6 大必备"锦囊"全给你了", 《HTTP://T.CSDNIMG.CN/DM3FZ》 * |
冉振莉;徐泉;吴志伟;刘文庆;王良勇;刘长鑫;柴天佑;: "基于工业云的电熔镁炉监控系统与关键技术", no. 11 * |
杨罡;孙昌雯;张娜;晋涛;徐澄宇;吴庭栋;张兴忠;: "基于多尺度特征融合的输电线路关键部件检测", no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879649A (zh) * | 2022-07-13 | 2022-08-09 | 中企科信技术股份有限公司 | 一种工业控制系统的网络监测装置、监测方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
CN110348441B (zh) | 增值税发票识别方法、装置、计算机设备及存储介质 | |
CN110991036B (zh) | 航天器姿轨控系统故障案例库构建系统及构建方法 | |
JP3637412B2 (ja) | 時系列データ学習・予測装置 | |
CN100544622C (zh) | 机器人服装触觉传感信息融合数据处理方法 | |
CN111857470B (zh) | 一种生产设备的无人值守控制方法、装置和控制器 | |
CN114589631B (zh) | 一种数控铲磨床控制系统和方法 | |
CN115858940B (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
CN111209888A (zh) | 一种人机界面视觉识别系统及方法 | |
CN109940533B (zh) | 一种智能拧紧工具及智能管理方法 | |
EP0343682B1 (en) | Automatic programming system | |
CN113033469B (zh) | 工器具损坏识别方法、装置、设备、系统及可读存储介质 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN113885896B (zh) | 应用程序软件包安装方法、装置、计算机设备及存储介质 | |
CN111633466A (zh) | 大数据分析五轴小龙门数控加工中心的动态精度检测方法 | |
CN112418430A (zh) | 进行关于作业工序的学习的机器学习方法和机器学习装置 | |
JPH07129677A (ja) | 生産シミュレーション装置 | |
CN116468205B (zh) | 一种机动车环保检测质量监测方法及系统 | |
CN114186359B (zh) | 一种机械产品可制造性智能分析方法及系统 | |
JPS6165333A (ja) | システム構造評価方式 | |
CN115391443B (zh) | 物联网设备人工智能数据提供方法、装置、系统及终端设备 | |
CN115186735B (zh) | 一种数据阈值挖掘方法、装置、设备及介质 | |
CN117132667B (zh) | 一种基于环境温度反馈的热图像处理方法及相关装置 | |
CN117495432B (zh) | 一种多时间尺度投票式用户潜在需求分析方法及系统 | |
CN116030418B (zh) | 一种汽车吊运行状态监测系统及方法 |
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 |