CN111488846A - 一种识别水位的方法及设备 - Google Patents
一种识别水位的方法及设备 Download PDFInfo
- Publication number
- CN111488846A CN111488846A CN202010302243.6A CN202010302243A CN111488846A CN 111488846 A CN111488846 A CN 111488846A CN 202010302243 A CN202010302243 A CN 202010302243A CN 111488846 A CN111488846 A CN 111488846A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- water
- picture
- water level
- gauge
- 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/04—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by dip members, e.g. dip-sticks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Abstract
本申请的目的是提供一种识别水位的方法及设备,本申请通过根据获得的水尺图片建立水位预测模型;利用水尺读取摄像头获取待检测水尺图片;利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果,其中,所述检测结果包括水尺框、水尺倾斜度、水尺水位坐标以及水尺水位数值。从而在复杂的水区环境中准确完成对水尺的远程可视化监测并快速准确地读取水位。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种识别水位的方法及设备。
背景技术
物联网智能水务是目前各大水务部门的技术发展趋势,因其实时、自动化、直观等优势逐渐取代传统人工监控。现有技术仅限于监测标准直立水尺(白底纯蓝色字体和白底纯红色字体),且应用场景比较单一(水尺固定在水区边缘,视野范围内只允许出现单一水尺)。可是真实水区场景复杂,复杂环境会导致水尺倾斜、水尺字体颜色褪色、水尺不能固定在边缘、视野内出现多个水尺等意外情况。目前现有的水尺识别技术难以在复杂的水区环境中准确完成对水尺的远程可视化监测,难以准确地读取水位。
发明内容
本申请的一个目的是提供一种识别水位的方法及设备,解决现有技术中在复杂的水区环境里难以准确完成对水尺的远程可视化监测、难以准确地读取水位的问题。
根据本申请的一个方面,提供了一种识别水位的方法,该方法包括:
根据获得的水尺图片建立水位预测模型;
利用水尺读取摄像头获取待检测水尺图片;
利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果,其中,所述检测结果包括水尺框、水尺倾斜度、水尺水位坐标以及水尺水位数值。
进一步地,根据获得的水尺图片建立水位预测模型包括:
获取多个环境条件下的水尺图片,其中,所述多个环境条件包括不同水位、多个角度、多种亮度、单个或多个水尺、不同位置;
利用所述水尺图片训练指定的神经网络模型得到水位预测模型。
进一步地,所述指定的神经网络模型为采用剪枝化的分类网络搭建的神经网络模型。
进一步地,所述指定的神经网络模型包括第一头部分支、第二头部分支以及第三头部分支,其中,所述第一头部分支用于得到所述水尺框以及所述水尺倾斜度,所述第二头部分支用于得到所述水尺水位坐标,所述第三头部分支用于得到所述水尺水位数值。
进一步地,所述利用所述水尺图片训练指定的神经网络模型得到水位预测模型之前,包括:
对所述水尺图片进行数据增强处理,其中,所述数据增强处理包括高斯局部亮度变化、水尺区域色彩变化以及背景颜色扩充。
进一步地,所述利用水尺读取摄像头获取待检测水尺图片,包括:
利用水尺读取摄像头获取待检测水尺的视频,将所述待检测水尺的视频以数据流方式传输至后端以进行解析,解析为待检测水尺图片。
进一步地,所述利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果之后,包括:
将所述检测结果以图片方式显示在终端设备上,并根据所述检测结果进行水尺状态预警。
根据本申请的另一个方面,提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如前述任一项所述识别水位的方法。
根据本申请的又一个方面,提供了一种识别水位的设备,其中,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如前述任一项所述识别水位的方法的操作。
与现有技术相比,本申请通过根据获得的水尺图片建立水位预测模型;利用水尺读取摄像头获取待检测水尺图片;利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果,其中,所述检测结果包括水尺框、水尺倾斜度、水尺水位坐标以及水尺水位数值。从而在复杂的水区环境中准确完成对水尺的远程可视化监测并快速准确地读取水位。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出根据本申请的一个方面提供的一种识别水位的方法流程示意图;
图2示出本申请一优选实施例中的神经网络模型结构图;
图3示出了本申请一优选实施例中的水尺框标识示意图;
图4示出了本申请一优选实施例中的一种识别水位的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
图1示出根据本申请的一个方面提供的一种识别水位的方法流程示意图,其中,该方法包括:步骤S11~S13,其中,步骤S11,根据获得的水尺图片建立水位预测模型;步骤S12,利用水尺读取摄像头获取待检测水尺图片;步骤S13,利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果,其中,所述检测结果包括水尺框、水尺倾斜度、水尺水位坐标以及水尺水位数值。从而在复杂的水区环境中准确完成对水尺的远程可视化监测并快速准确地读取水位。
具体地,步骤S11,根据获得的水尺图片建立水位预测模型,在此,可以通过采集设备获取大量水尺图片,采集设备比如为摄像头、照相机等具有采集图片或视频功能的设备,利用获取到的大量水尺图片训练神经网络模型后建立水位预测模型。利用建立好的水位预测模型可以快速地确定水尺以及水位的相关参数,例如水尺倾斜度、水位深度等。
步骤S12,利用水尺读取摄像头获取待检测水尺图片,在此,利用所述水尺读取摄像头读取到需要进行识别水位的水尺图片,从而无需人工监控水尺的水位变化,只需对读取到的水尺图片进行分析即可,实现对水尺的远程可视化监测。
步骤S13,利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果,其中,所述检测结果包括水尺框、水尺倾斜度、水尺水位坐标以及水尺水位数值。在此,所述水位预测模型是一种经过训练后的神经网络模型,能根据待检测水尺图片确定水尺框所在位置、水尺倾斜度、水尺水位坐标以及水尺水位数值,也就是说,利用所述水位预测模型可以在同一场景内同时分辨多个不同水尺,并识别所述多个不同水尺的每一项待检测数据。
优选地,在步骤S11中,获取多个环境条件下的水尺图片,其中,所述多个环境条件包括不同水位、多个角度、多种亮度、单个或多个水尺、不同位置;利用所述水尺图片训练指定的神经网络模型得到水位预测模型。在此,在此,获取大量实地背景不同水位下的水尺图片,在本申请一优选实施例中,采集不同倾斜度的多张水尺图片,并采集多水尺同时出现的多张水尺图片,在图片内的水尺可出现在水区边缘、中央或任何含水区域,以丰富训练数据样本,提高水位预测模型检测结果准确度。
优选地,所述指定的神经网络模型为采用剪枝化的分类网络搭建的神经网络模型。在此,为避免训练过拟合,采用剪枝化的分类网络搭建神经网络模型,模型剪枝可以在保证模型精度的情况下,加速模型,使得模型的大小变小,速度变快。图2示出本申请一优选实施例中的神经网络模型结构图,采用了剪枝化的resnet分类网络搭建骨干(backbone)网络模型。
优选地,所述指定的神经网络模型包括第一头部分支、第二头部分支以及第三头部分支,其中,所述第一头部分支用于得到所述水尺框以及所述水尺倾斜度,所述第二头部分支用于得到所述水尺水位坐标,所述第三头部分支用于得到所述水尺水位数值。在此,如图2所示,所述指定的神经网络模型优选为采用了剪枝化的resnet分类网络搭建backbone网络模型,其中,所述指定的神经网络模型一般由骨干(backbone)、颈部(neck)以及头部(head)组成,在本申请中,所述第一头部分支用于检测所述待检测水尺图片得到所述水尺框以及所述水尺倾斜度,所述第二头部分支用于检测所述待检测水尺图片得到所述水尺水位坐标,所述第三头部分支用于检测所述待检测水尺图片得到所述水尺水位数值。头部分支可以共享骨干网络的参数,减小模型大小。图3示出本申请一优选实施例中的水尺框标识示意图,图中加粗框线即为水尺框所在位置,所述水尺框为水面以上的水尺的矩形框,根据检测待检测水尺图片可以得到水尺在水面上的标尺对应的左上角坐标与右下角坐标,根据所述左上角坐标与右下角坐标得到水尺框。本领域技术人员应当知悉,不同的头部分支检测过程相互分离,可以根据需要任意添加头部分支的数量并自定义检测内容,以得到不同的检测结果。
优选地,在利用所述水尺图片训练指定的神经网络模型得到水位预测模型之前,对所述水尺图片进行数据增强处理,其中,所述数据增强处理包括高斯局部亮度变化、水尺区域色彩变化以及背景颜色扩充。在此,采用高斯局部亮度变化、水尺区域色彩变化、背景颜色扩充等多种数据增强处理来丰富水区真实现场背景和光线的多样性,优选地,可利用RandAugmentation代码来实施数据增强处理,以使得训练得到的水位预测模型能够在复杂的水区环境中高效准确地识别水尺的多项参数信息,例如水尺位置坐标、水尺倾斜度、水尺水位信息等。
优选地,在步骤S12中,利用水尺读取摄像头获取待检测水尺的视频,将所述待检测水尺的视频以数据流方式传输至后端以进行解析,解析为待检测水尺图片。在此,前端水尺读取摄像头取流获取待检测水尺的视频,接着将视频以数据流方式传输至后端以进行解析,后端通过水位预测模型解析所述待检测水尺的视频成所述待检测水尺图片,然后利用所述水位预测模型检测所述待检测水尺图片,得到水尺框、水尺倾斜度等检测结果,并将结果显示在图片上。
优选地,在利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果之后,将所述检测结果以图片方式显示在终端设备上,并根据所述检测结果进行水尺状态预警。在此,检测结果包含了水尺倾斜度。可预设水尺倾斜报警阈值,当检测到的水尺倾斜度大于所述预设水尺倾斜报警阈值时,启动水尺状态预警。
图3示出了本申请一优选实施例中的一种识别水位的方法流程图,获取包含不同水位数据、倾斜水尺数据以及多水尺、任意水区数据下的多张水尺图片,并对所述多张水尺图片进行数据增强处理(Rand-Augmentation处理)后训练包含三个头部分支的剪枝化的resnet搭建backbone网络模型,得到水位预测模型(图中标识为水尺模型)。接着,通过水尺读取摄像头获取待检测水尺图片,利用水尺模型检测所述待检测水尺图片后得到水尺框、水尺倾斜度、水尺水位坐标、水尺水位数值。
此外,本申请实施例还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述一种识别水位的方法。
根据本申请再一个方面,还提供了一种识别水位的设备,其中,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行前述一种识别水位的方法的操作。
例如,计算机可读指令在被执行时使所述一个或多个处理器:根据获得的水尺图片建立水位预测模型;利用水尺读取摄像头获取待检测水尺图片;利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果,其中,所述检测结果包括水尺倾斜度、水尺水位坐标以及水尺水位数值。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (9)
1.一种识别水位的方法,其中,所述方法包括:
根据获得的水尺图片建立水位预测模型;
利用水尺读取摄像头获取待检测水尺图片;
利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果,其中,所述检测结果包括水尺框、水尺倾斜度、水尺水位坐标以及水尺水位数值。
2.根据权利要求1所述的方法,其中,根据获得的水尺图片建立水位预测模型包括:
获取多个环境条件下的水尺图片,其中,所述多个环境条件包括不同水位、多个角度、多种亮度、单个或多个水尺、不同位置;
利用所述水尺图片训练指定的神经网络模型得到水位预测模型。
3.根据权利要求2所述的方法,其中,所述指定的神经网络模型为采用剪枝化的分类网络搭建的神经网络模型。
4.根据权利要求3所述的方法,其中,所述指定的神经网络模型包括第一头部分支、第二头部分支以及第三头部分支,其中,所述第一头部分支用于得到所述水尺框以及所述水尺倾斜度,所述第二头部分支用于得到所述水尺水位坐标,所述第三头部分支用于得到所述水尺水位数值。
5.根据权利要求2所述的方法,其中,所述利用所述水尺图片训练指定的神经网络模型得到水位预测模型之前,包括:
对所述水尺图片进行数据增强处理,其中,所述数据增强处理包括高斯局部亮度变化、水尺区域色彩变化以及背景颜色扩充。
6.根据权利要求1所述的方法,所述利用水尺读取摄像头获取待检测水尺图片,包括:
利用水尺读取摄像头获取待检测水尺的视频,将所述待检测水尺的视频以数据流方式传输至后端以进行解析,解析为待检测水尺图片。
7.根据权利要求1所述的方法,所述利用所述水位预测模型对所述待检测水尺图片进行检测确定检测结果之后,包括:
将所述检测结果以图片方式显示在终端设备上,并根据所述检测结果进行水尺状态预警。
8.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至7中任一项所述的方法。
9.一种识别水位的设备,其中,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010302243.6A CN111488846A (zh) | 2020-04-16 | 2020-04-16 | 一种识别水位的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010302243.6A CN111488846A (zh) | 2020-04-16 | 2020-04-16 | 一种识别水位的方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111488846A true CN111488846A (zh) | 2020-08-04 |
Family
ID=71811747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010302243.6A Pending CN111488846A (zh) | 2020-04-16 | 2020-04-16 | 一种识别水位的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488846A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435442A (zh) * | 2021-05-07 | 2021-09-24 | 三峡大学 | 水位测量方法、装置、水尺及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027986A (zh) * | 2016-06-29 | 2016-10-12 | 武汉世纪水元科技股份有限公司 | 城市内涝监控系统及监控方法 |
CN106557764A (zh) * | 2016-11-02 | 2017-04-05 | 江西理工大学 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
CN109145830A (zh) * | 2018-08-24 | 2019-01-04 | 浙江大学 | 一种智能水尺识别方法 |
CN109360198A (zh) * | 2018-10-08 | 2019-02-19 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的骨髓细胞分类方法及分类装置 |
CN109508630A (zh) * | 2018-09-27 | 2019-03-22 | 杭州朗澈科技有限公司 | 一种基于人工智能识别水尺水位的方法 |
CN208860435U (zh) * | 2018-11-26 | 2019-05-14 | 河南安宏信息科技有限公司 | 一种图像采集易识读的水尺 |
CN109859190A (zh) * | 2019-01-31 | 2019-06-07 | 北京工业大学 | 一种基于深度学习的目标区域检测方法 |
CN110059647A (zh) * | 2019-04-23 | 2019-07-26 | 杭州智趣智能信息技术有限公司 | 一种文本分类方法、系统及相关组件 |
CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
-
2020
- 2020-04-16 CN CN202010302243.6A patent/CN111488846A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027986A (zh) * | 2016-06-29 | 2016-10-12 | 武汉世纪水元科技股份有限公司 | 城市内涝监控系统及监控方法 |
CN106557764A (zh) * | 2016-11-02 | 2017-04-05 | 江西理工大学 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
CN109145830A (zh) * | 2018-08-24 | 2019-01-04 | 浙江大学 | 一种智能水尺识别方法 |
CN109508630A (zh) * | 2018-09-27 | 2019-03-22 | 杭州朗澈科技有限公司 | 一种基于人工智能识别水尺水位的方法 |
CN109360198A (zh) * | 2018-10-08 | 2019-02-19 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的骨髓细胞分类方法及分类装置 |
CN208860435U (zh) * | 2018-11-26 | 2019-05-14 | 河南安宏信息科技有限公司 | 一种图像采集易识读的水尺 |
CN109859190A (zh) * | 2019-01-31 | 2019-06-07 | 北京工业大学 | 一种基于深度学习的目标区域检测方法 |
CN110059647A (zh) * | 2019-04-23 | 2019-07-26 | 杭州智趣智能信息技术有限公司 | 一种文本分类方法、系统及相关组件 |
CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435442A (zh) * | 2021-05-07 | 2021-09-24 | 三峡大学 | 水位测量方法、装置、水尺及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN110348360B (zh) | 一种检测报告识别方法及设备 | |
CN111292302B (zh) | 屏幕检测方法及装置 | |
WO2021115345A1 (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112085022B (zh) | 一种用于识别文字的方法、系统及设备 | |
CN110827247A (zh) | 一种识别标签的方法及设备 | |
CN109447979B (zh) | 基于深度学习和图像处理算法的目标检测方法 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN111738041A (zh) | 一种视频分割方法、装置、设备及介质 | |
CN111428373A (zh) | 产品装配质量检测方法、装置、设备及存储介质 | |
CN110751232A (zh) | 一种中文复杂场景文本检测与识别方法 | |
WO2020056995A1 (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
CN111144321B (zh) | 专注度检测方法、装置、设备和存储介质 | |
CN111428374A (zh) | 零件缺陷检测方法、装置、设备及存储介质 | |
CN110796078A (zh) | 车辆的灯光检测方法、装置、电子设备及可读存储介质 | |
EP3807841A1 (en) | Convolutional neural network based inspection of blade-defects of a wind turbine | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN110827245A (zh) | 一种检测屏幕显示断线的方法及设备 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN111507332A (zh) | 车辆vin码检测方法与设备 | |
CN110728193B (zh) | 一种脸部图像丰富度特征的检测方法及设备 | |
CN114429577B (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
WO2020103462A1 (zh) | 视觉搜索方法、装置、计算机设备及存储介质 | |
CN111488846A (zh) | 一种识别水位的方法及设备 | |
CN112434585A (zh) | 一种车道线的虚实识别方法、系统、电子设备及存储介质 |
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: 20200804 |