CN111832619A - 基于深度学习的目标检测数据集voc数据格式标注方法 - Google Patents

基于深度学习的目标检测数据集voc数据格式标注方法 Download PDF

Info

Publication number
CN111832619A
CN111832619A CN202010526599.8A CN202010526599A CN111832619A CN 111832619 A CN111832619 A CN 111832619A CN 202010526599 A CN202010526599 A CN 202010526599A CN 111832619 A CN111832619 A CN 111832619A
Authority
CN
China
Prior art keywords
data
target detection
detection model
labeling
data set
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
Application number
CN202010526599.8A
Other languages
English (en)
Inventor
庞博
孙晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202010526599.8A priority Critical patent/CN111832619A/zh
Publication of CN111832619A publication Critical patent/CN111832619A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的目标检测数据集VOC数据格式标注方法，属于图像检测技术领域。本发明针对现有数据集的人工标注方式易发生标注错误的问题。包括：对任务数据集中的预定比例待识别数据采用人工方式进行选定标签的人工目标标注，获得人工标注数据，将预定比例待识别数据和对应的人工标注数据按照VOC数据格式存储在数据集路径下的相应文件夹内；采用人工标注数据对设置好的目标检测模型进行训练，获得最优目标检测模型；采用最优目标检测模型对任务数据集中的剩余比例待识别数据进行识别，获得剩余比例待识别数据的目标检测模型标注结果。本发明实现了待识别数据的半自动标注。

Description

基于深度学习的目标检测数据集VOC数据格式标注方法
技术领域
本发明涉及基于深度学习的目标检测数据集VOC数据格式标注方法，属于图像检测技术领域。
背景技术
深度学习技术的迅速发展，使其在工业检测领域得到了广泛应用。它能够解决很多传统图像处理难以攻克的难题，并在实际项目中达到较好的鲁棒性。但深度学习技术达到较好鲁棒性的前提，是需要大量的数据对模型进行训练。
目前，对图像进行目标识别的方法通常采用人工标注。人工标注不仅时间成本高，在标注海量数据时，还难免出现标注标签类别错误的情况；同时受操作者能力及工作态度的影响，标注质量也很难得到保障。尤其在目标检测技术中对目标采用LabelImg工具人工画矩形框，并要完成大量数据的多个目标标注时，由于疲劳或者其他原因都会造成标注标签错误，或发生对目标矩形框定位不一致的情形。这些原因都造成标注质量的下降，而标注质量直接决定着深度学习网络模型的训练效果。
发明内容
针对现有数据集的人工标注方式易发生标注错误的问题，本发明提供一种基于深度学习的目标检测数据集VOC数据格式标注方法。
本发明的一种基于深度学习的目标检测数据集VOC数据格式标注方法，包括，
对任务数据集中的预定比例待识别数据采用人工方式进行选定标签的人工目标标注，获得人工标注数据，将预定比例待识别数据和对应的人工标注数据按照VOC数据格式存储在数据集路径下的相应文件夹内；
采用人工标注数据对设置好的目标检测模型进行训练，获得最优目标检测模型；
采用最优目标检测模型对任务数据集中的剩余比例待识别数据进行识别，获得剩余比例待识别数据的目标检测模型标注结果。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，还包括，
对于新增标签，再对任务数据集中的预定比例待识别数据采用人工方式进行新增标签的人工目标标注，获得人工标注新增数据，将预定比例待识别数据和对应的人工标注新增数据按照VOC数据格式存储在数据集路径下的相应文件夹内；
采用人工标注新增数据对最优目标检测模型进行补充训练，获得补充训练后目标检测模型；
采用补充训练后目标检测模型对任务数据集中的剩余比例待识别数据进行识别，获得剩余比例待识别数据的目标检测模型标注结果。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，还包括，
对所述目标检测模型标注结果进行校验，纠正目标检测模型标注结果中的误差信息。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，纠正目标检测模型标注结果中的误差信息包括，纠正目标框的位置误差信息以及标签错误信息。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，所述预定比例包括10-20％。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，所述目标检测模型的设置方式包括：
对目标检测模型采用超参搜索的方式设置或采用专家经验超参数的方式设置。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，所述目标检测模型的检测框架包括Faster-RCNN、Mask-RCNN或Fast-RCNN；所述目标检测模型包括开源的检测模型。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，所述标注结果包括标注目标框位置信息及目标标签。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，将所述标注结果按照标注目标框位置信息及目标标签进行分类存储。
根据本发明的基于深度学习的目标检测数据集VOC数据格式标注方法，对目标检测模型或对补充训练后目标检测模型进行训练包括：
基于预定比例待识别数据，利用人工标注数据中标签名称以及目标框位置信息，对目标检测模型或补充训练后目标检测模型进行训练。
本发明的有益效果：本发明实现了待识别数据的半自动标注，它首先利用人工进行部分数据的标注，再利用网络模型进行剩余数据的标注，以此来减少人工标注的工作量，同时可使企业减少用人成本，提高工作效率。
本发明采用人工与识别网络相结合的方式来提高数据标注的质量，利用人工标注结果完成识别模型的建立，从而可有效减少完全采用人工标注时发生的标签错误及定位错误，提高标注结果的可靠性。
附图说明
图1是本发明所述基于深度学习的目标检测数据集VOC数据格式标注方法的流程框图；
图2是对任务数据集中的待识别数据进行识别的示例性流程图；
图3是对任务数据集中追加标签的待识别数据进行识别的示例性流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
具体实施方式一、结合图1和图2所示，本发明的第一方面，提供了一种基于深度学习的目标检测数据集VOC数据格式标注方法，包括，
对任务数据集中的预定比例待识别数据采用人工方式进行选定标签的人工目标标注，获得人工标注数据，将预定比例待识别数据和对应的人工标注数据按照VOC数据格式存储在数据集路径下的相应文件夹内；
采用人工标注数据对设置好的目标检测模型进行训练，获得最优目标检测模型；
采用最优目标检测模型对任务数据集中的剩余比例待识别数据进行识别，获得剩余比例待识别数据的目标检测模型标注结果。
在深度学习领域主要进行目标分类、目标检测及目标分割。针对目标检测训练的数据集常用格式为VOC数据格式。本实施方式首先利用人工进行小比例数据标注，然后采用目标检测模型对剩余待识别数据进行识别，并将识别结果存储为人工文本文件，例如xml格式文件，并最后存储于标准VOC数据路径下。完成数据识别后，可再结合人工校验来调整识别精度，完成整个标注任务。
本实施方式中，可采用图像标注软件LabelImg进行人工目标标注，包括选定待识别目标。人工目标标注的步骤可采用人工标注子模块实现，在数据标注通过系统任务发布以后，人工需要完成数据集的部分比例标注，作为前期的训练数据集。可采用相应系统自动将标注结果存储，并转换为标注的VOC数据格式。
采用最优目标检测模型对任务数据集中的剩余比例待识别数据进行识别的步骤可采用模型辅助标注子模块实现：利用人工标注数据完成模型训练以及模型的超参搜索，并用已训练完成的最优模型进行模型推理(即目标识别)，模型辅助的标注结果可转存入人工校验子模块中，以供进一步对标注结果进行人工校验。
完成模型训练的步骤可采用模型训练子模块实现，通过人工标注的数据集完成模型训练，得到训练后的模型，为后续模型辅助标注做准备。
进一步，结合图3所示，本实施方式还包括，
对于新增标签，再对任务数据集中的预定比例待识别数据采用人工方式进行新增标签的人工目标标注，获得人工标注新增数据，将预定比例待识别数据和对应的人工标注新增数据按照VOC数据格式存储在数据集路径下的相应文件夹内；
采用人工标注新增数据对最优目标检测模型进行补充训练，获得补充训练后目标检测模型；
采用补充训练后目标检测模型对任务数据集中的剩余比例待识别数据进行识别，获得剩余比例待识别数据的目标检测模型标注结果。
本实施方式中，在完成历史待识别数据的标注任务后，可以追加新的数据标注任务，此时采用人工标注新增数据对最优目标检测模型进行补充训练；此时直接调用最优目标检测模型及参数即可继续完成新的标注任务，提高新增数据标注任务的效率。
对新增识别标签的待识别数据的识别可通过追加标注子模块实现：若训练后的目标检测模型在长期测试识别中，产生新的数据集标注需求，可人工调用已经标注后的数据集增加标注类别，同样可对新增数据的10％进行人工标注，然后进行模型训练，再利用模型实现剩余90％数据新增类别标签的识别。最后对应的人工校验也只针对新增类别进行校验。
再进一步，结合图1至图3所示，本实施方式还包括，
对所述目标检测模型标注结果进行校验，纠正目标检测模型标注结果中的误差信息。
再进一步，纠正目标检测模型标注结果中的误差信息包括，纠正目标框的位置误差信息以及标签错误信息。
本实施方式中，实现对目标模型标注结果的校验可通过人工校验子模块实现。具体实施如下：
利用人工数据标记获得的标签类别，系统自动建立相应类别文件夹，如标注类别有“circle”和“car”，则系统在模型辅助标注子模块中自动建立“circle”和“car”两个文件夹。并根据目标模型标注结果在待识别数据上通过矩形框截取相应类别子图存放在相应文件夹内，并且类别子图文件命名为原始数据图像名加类别名称，如：0001_circle.jpg、0002_circle.jpg.......。人工可直接在类别子图文件夹内校验是否存在标注错误类别的数据。这种方式可防止在人工校验时，由于一张图像中标注类别标签较多导致的人工校验疏忽，在类别限定下的文件夹内进行校验，更有利于集中判断某一类数据集中存在的标签错误，并保证校验结果的准确性。
人工完成校验类别标注错误后，可进一步对目标框的定位进行校验。可通过直接调用LabelImg标注工具的方式，完成数据标注的矩形框精确定位。
上述人工校验的步骤，均可存储修改记录，方便后续问题追溯。
再进一步，所述预定比例包括10-20％。
作为最优实施例，所述预定比例可以为10％。
所述预定比例可根据实际使用中的数据特点进行选择。当选择预定比例为10％，则通过目标识别模型识别的数据比例为90％。
作为示例，所述目标检测模型的设置方式包括：
对目标检测模型采用超参搜索的方式设置或采用专家经验超参数的方式设置。
本实施方式中，利用人工标注结果完成模型建立，在对目标检测模型进行训练前可先进行优化，以减小模型训练时间，缩短调参过程。
对目标检测模型的设置可采用模型超参搜索子模块实现：用于完成辅助标注所选择的网路模型所需的超参数搜索功能，提高模型的准确率，从而提高模型识别的精度。
对模型设置的方式可以根据不同的需求进行选择，若选择超参搜索，耗时相对较长，但会带来模型准确率较大幅度的提升，并可将获得的参数提供给相应工作人员使用。若不选择超参搜索，可利用专家经验超参数进入模型训练。
作为示例，所述目标检测模型的检测框架包括Faster-RCNN、Mask-RCNN或Fast-RCNN；所述目标检测模型包括开源的检测模型。
对检测框架的选择可采用网络模型选择子模块实现：所述检测框架全部基于MMDetection开源的深度学习目标检测工具箱实现。
进一步，所述标注结果包括标注目标框位置信息及目标标签。
再进一步，将所述标注结果按照标注目标框位置信息及目标标签进行分类存储，方便人工查阅校验。
再进一步，对目标检测模型或对补充训练后目标检测模型进行训练包括：
基于预定比例待识别数据，利用人工标注数据中标签名称以及目标框位置信息，对目标检测模型或补充训练后目标检测模型进行训练。
在具体实施中，可分别设置人工标注子模块、络模型选择子模块、模型超参搜索子模块、模型训练子模块、人工校验子模块及追加标注子模块实现上述相对应的功能。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。

Claims (10)

1.一种基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于包括，
对任务数据集中的预定比例待识别数据采用人工方式进行选定标签的人工目标标注，获得人工标注数据，将预定比例待识别数据和对应的人工标注数据按照VOC数据格式存储在数据集路径下的相应文件夹内；
采用人工标注数据对设置好的目标检测模型进行训练，获得最优目标检测模型；
采用最优目标检测模型对任务数据集中的剩余比例待识别数据进行识别，获得剩余比例待识别数据的目标检测模型标注结果。
2.根据权利要求1所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于还包括，
对于新增标签，再对任务数据集中的预定比例待识别数据采用人工方式进行新增标签的人工目标标注，获得人工标注新增数据，将预定比例待识别数据和对应的人工标注新增数据按照VOC数据格式存储在数据集路径下的相应文件夹内；
采用人工标注新增数据对最优目标检测模型进行补充训练，获得补充训练后目标检测模型；
采用补充训练后目标检测模型对任务数据集中的剩余比例待识别数据进行识别，获得剩余比例待识别数据的目标检测模型标注结果。
3.根据权利要求1或2所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于还包括，
对所述目标检测模型标注结果进行校验，纠正目标检测模型标注结果中的误差信息。
4.根据权利要求3所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于，纠正目标检测模型标注结果中的误差信息包括，纠正目标框的位置误差信息以及标签错误信息。
5.根据权利要求1或2所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于，所述预定比例包括10-20％。
6.根据权利要求1或2所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于，所述目标检测模型的设置方式包括：
对目标检测模型采用超参搜索的方式设置或采用专家经验超参数的方式设置。
7.根据权利要求1或2所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于，所述目标检测模型的检测框架包括Faster-RCNN、Mask-RCNN或Fast-RCNN；所述目标检测模型包括开源的检测模型。
8.根据权利要求1或2所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于，所述标注结果包括标注目标框位置信息及目标标签。
9.根据权利要求8所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于，
将所述标注结果按照标注目标框位置信息及目标标签进行分类存储。
10.根据权利要求1或2所述的基于深度学习的目标检测数据集VOC数据格式标注方法，其特征在于，
对目标检测模型或对补充训练后目标检测模型进行训练包括：
基于预定比例待识别数据，利用人工标注数据中标签名称以及目标框位置信息，对目标检测模型或补充训练后目标检测模型进行训练。
CN202010526599.8A 2020-06-09 2020-06-09 基于深度学习的目标检测数据集voc数据格式标注方法 Pending CN111832619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010526599.8A CN111832619A (zh) 2020-06-09 2020-06-09 基于深度学习的目标检测数据集voc数据格式标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010526599.8A CN111832619A (zh) 2020-06-09 2020-06-09 基于深度学习的目标检测数据集voc数据格式标注方法

Publications (1)

Publication Number Publication Date
CN111832619A true CN111832619A (zh) 2020-10-27

Family

ID=72897641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010526599.8A Pending CN111832619A (zh) 2020-06-09 2020-06-09 基于深度学习的目标检测数据集voc数据格式标注方法

Country Status (1)

Country Link
CN (1) CN111832619A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884135A (zh) * 2021-04-29 2021-06-01 聚时科技(江苏)有限公司 一种基于边框回归的数据标注校正方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3311330A1 (en) * 2015-06-16 2018-04-25 EyeVerify Inc. Systems and methods for spoof detection and liveness analysis
CN108985293A (zh) * 2018-06-22 2018-12-11 深源恒际科技有限公司 一种基于深度学习的图像自动化标注方法及系统
CN109670060A (zh) * 2018-12-10 2019-04-23 北京航天泰坦科技股份有限公司 一种基于深度学习的遥感影像半自动化标注方法
CN109816019A (zh) * 2019-01-25 2019-05-28 上海小萌科技有限公司 一种图像数据自动化辅助标注方法
CN109902677A (zh) * 2019-01-30 2019-06-18 深圳北斗通信科技有限公司 一种基于深度学习的车辆检测方法
CN110866476A (zh) * 2019-11-06 2020-03-06 南京信息职业技术学院 一种基于自动标注和迁移学习的密集堆垛目标检测方法
CN111026815A (zh) * 2019-12-05 2020-04-17 电子科技大学广东电子信息工程研究院 基于用户辅助修正下的实体对特定关系抽取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3311330A1 (en) * 2015-06-16 2018-04-25 EyeVerify Inc. Systems and methods for spoof detection and liveness analysis
CN108985293A (zh) * 2018-06-22 2018-12-11 深源恒际科技有限公司 一种基于深度学习的图像自动化标注方法及系统
CN109670060A (zh) * 2018-12-10 2019-04-23 北京航天泰坦科技股份有限公司 一种基于深度学习的遥感影像半自动化标注方法
CN109816019A (zh) * 2019-01-25 2019-05-28 上海小萌科技有限公司 一种图像数据自动化辅助标注方法
CN109902677A (zh) * 2019-01-30 2019-06-18 深圳北斗通信科技有限公司 一种基于深度学习的车辆检测方法
CN110866476A (zh) * 2019-11-06 2020-03-06 南京信息职业技术学院 一种基于自动标注和迁移学习的密集堆垛目标检测方法
CN111026815A (zh) * 2019-12-05 2020-04-17 电子科技大学广东电子信息工程研究院 基于用户辅助修正下的实体对特定关系抽取方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884135A (zh) * 2021-04-29 2021-06-01 聚时科技(江苏)有限公司 一种基于边框回归的数据标注校正方法

Similar Documents

Publication Publication Date Title
CN109840519B (zh) 一种自适应的智能单据识别录入装置及其使用方法
CN109934227A (zh) 图像文字识别系统和方法
CN111783783B (zh) 一种用于图像分割的标注系统及标注方法
CN109359043B (zh) 一种基于机器学习的移动游戏自动化测试方法
CN109740457B (zh) 一种人脸识别算法评测方法
CN108346153A (zh) 木材缺陷的机器学习及修复方法、装置、系统、电子设备
CN111832619A (zh) 基于深度学习的目标检测数据集voc数据格式标注方法
CN114254022B (zh) 基于rpa及ai的流程任务处理方法、装置、系统及服务器
CN109800776A (zh) 素材标注方法、装置、终端和计算机可读存储介质
CN113900669A (zh) 基于bpmn的边缘设备目标检测流程自动化系统及方法
CN111159997A (zh) 一种企业投标文档的智能校验方法
CN117112400B (zh) 测试用例自动生成平台
CN115543847A (zh) 一种基于ui设计稿自动生成测试用例的方法
CN111897991B (zh) 一种图像标注方法及设备
CN111674033A (zh) 一种基于ocr的发动机铭牌智能打印及分拣方法、系统
CN113505660A (zh) 一种纸质工程图作业批阅装置及其方法
CN113743074A (zh) 基于机器人流程自动化的数据报告生成方法及装置
CN112287828A (zh) 一种基于机器学习的财务报表生成方法及装置
CN114120057A (zh) 一种基于PaddleDetection的混淆矩阵生成方法
CN113610161A (zh) 一种基于图像分类技术的目标检测数据标注方法
CN114066402B (zh) 一种基于文字识别的自动化流程实现方法及系统
CN112598503A (zh) 一种基于征信识别的ocr识别系统及方法
US8155449B2 (en) Method for comparing computer-generated drawings
CN110991411A (zh) 适用于物流行业的智能单证结构化提取方法
CN111078674A (zh) 一种配网设备的数据识别与纠错方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201027

RJ01 Rejection of invention patent application after publication