CN111950605A - 表计识别模型的学习方法、装置、设备和表计识别方法 - Google Patents

表计识别模型的学习方法、装置、设备和表计识别方法 Download PDF

Info

Publication number
CN111950605A
CN111950605A CN202010736236.7A CN202010736236A CN111950605A CN 111950605 A CN111950605 A CN 111950605A CN 202010736236 A CN202010736236 A CN 202010736236A CN 111950605 A CN111950605 A CN 111950605A
Authority
CN
China
Prior art keywords
meter
model
training
verification
meter identification
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
CN202010736236.7A
Other languages
English (en)
Inventor
袁飞
陈德
饶杰
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.)
Beijing Hengtong Intelligent Control Robot Technology Co ltd
Original Assignee
Beijing Hengtong Intelligent Control Robot Technology 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 Beijing Hengtong Intelligent Control Robot Technology Co ltd filed Critical Beijing Hengtong Intelligent Control Robot Technology Co ltd
Priority to CN202010736236.7A priority Critical patent/CN111950605A/zh
Publication of CN111950605A publication Critical patent/CN111950605A/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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

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)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及表计识别模型的学习方法，包括采集多个表计样本图像，得到表计样本图像集，并将所述表计样本图像集按预设比例分为训练集、测试集和验证集；将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型；通过所述测试集对所述训练模型进行测试，得到所述训练模型的第一损失值，选取所述第一损失值小于第一预设损失阈值的训练模型作为验证模型，使用所述验证集对所述验证模型的准确率进行验证后，选取准确率最高的所述验证模型作为表计识别模型。本发明可提升表计识别模型的准确度。本发明还涉及表计识别模型的学习装置、设备和表计识别方法。

Description

表计识别模型的学习方法、装置、设备和表计识别方法
技术领域
本发明涉及信息采集技术领域，尤其涉及表计识别模型的学习方法、装置、设备和表计识别方法。
背景技术
随着电子信息技术高速发展，各行各业都在走向数字化和智能化的今天，利用现代化设备和识别算法，针对复杂的实际工业环境，实现自然场景下表计的智能读数并记录，以高效安全的方式代替落后的传统抄表方式有着非常重要的意义。在电力系统里，如何提升表计识别的准确度是目前亟需解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供表计识别模型的学习方法、存储介质、设备和表计识别方法。
本发明解决上述技术问题的技术方案如下：
一种表计识别模型的学习方法，包括：
采集多个表计样本图像，得到表计样本图像集，并将所述表计样本图像集按预设比例分为训练集、测试集和验证集；
将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型；
通过所述测试集对所述训练模型进行测试，得到所述训练模型的第一损失值，选取所述第一损失值小于第一预设损失阈值的训练模型作为验证模型，使用所述验证集对所述验证模型的准确率进行验证后，选取准确率最高的所述验证模型作为表计识别模型。
本发明的有益效果是：提供表计识别模型的学习方法，通过采集表计样本图像作为训练集、测试集和验证集，将训练集输入至语义分割网络中，采用误差反向传播算法对语义分割网络进行训练，得到训练模型，根据所述语义分割网络的损失函数，使用测试集对训练模型进行测试，选取损失值小于预设损失阈值的训练模型作为验证模型，使用所述验证集对验证模型进行验证后，选取准确率最高的验证模型作为表计识别模型，可提升获取到的表计识别模型的准确度。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，所述将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型，具体包括：
将所述训练集中的表计样本图像输入所述语义分割网络中进行分割，得到分割图像；
通过人工标注所述训练集中的表计样本图像，得到标注图像；
基于所述标注图像和所述分割图像，确定第二损失值；
根据所述第二损失值调整所述语义分割网络的参数，对所述语义分割网络进行迭代训练，直到图像分割网络的第二损失值小于或等于第二预设损失阈值，或训练次数达到预设次数时，得到所述训练模型。
采用上述进一步方案的有益效果是：通过将训练集输入至语义分割网络中，采用误差反向传播算法对语义分割网络进行训练所得到的训练模型，提升所得到的训练模型的准确性。
进一步地，所述语义分割网络的损失函数是根据所述语义分割网络的交叉熵损失确定的。
进一步地，所述表计识别模型包括七个卷积层块，每个卷积层块包含两个卷积层、两个规范层和一个池化层。
本发明解决上述技术问题的另一种技术方案如下：
一种表计识别方法，基于根据上述技术方案中任一项所述的表计识别模型的学习方法所得到表计识别模型，方法包括：
采集待识别的表计的图像数据；
将所述待识别的表计的图像数据输入表计识别模型，得到所述表计的指针角度值和量程数据；
根据所述指针角度值和所述量程数据，得到所述表计的读数。
本发明的有益效果是：提供一种表计识别方法，通过将待识别的表计的图像数据输入如上述技术方案中任一项表计识别模型的学习方法所得到表计识别模型，所得到的表计的读数，可提升获取到的表计的读数的准确度。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，所述根据所述指针角度值和所述量程数据，得到所述表计的读数，具体包括：
根据所述量程数据中的起始角度、终止角度和所述指针的角度值，得到所述指针的角度值和所述表计的满量程角度的比值；
根据所述比值和所述量程数据中的单位刻度值，得到所述表计的读数。
本发明解决上述技术问题的另一种技术方案如下：
一种表计识别模型的学习装置，包括：
采集模块，用于采集多个表计样本图像，得到表计样本图像集，并将所述表计样本图像集按预设比例分为训练集、测试集和验证集；
训练模块，用于将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型；
选定模块，用于通过所述测试集对所述训练模型进行测试，得到所述训练模型的第一损失值，选取所述第一损失值小于第一预设损失阈值的训练模型作为验证模型，使用所述验证集对所述验证模型的准确率进行验证后，选取准确率最高的所述验证模型作为表计识别模型。
本发明的有益效果：提供表计识别模型的学习装置，采集模块通过采集表计样本图像作为训练集、测试集和验证集，训练模块将训练集输入至语义分割网络中，采用误差反向传播算法对语义分割网络进行训练，得到训练模型，选定模块根据所述语义分割网络的损失函数，使用测试集对训练模型进行测试，选取损失值小于预设损失阈值的训练模型作为验证模型，使用所述验证集对验证模型进行验证后，选取准确率最高的验证模型作为表计识别模型，可提升获取到的表计识别模型的准确度。
本发明解决上述技术问题的另一种技术方案如下：
一种表计识别装置，包括：
采集模块，用于采集待识别的表计的图像数据；
识别模块，用于将所述待识别的表计的图像数据输入如权利要求1-4中任一项所述的表计识别模型的学习方法所得到表计识别模型，得到所述表计的指针角度值；
计算模块，用于根据所述指针角度值和所述表计的量程数据，得到所述表计的读数。
本发明的有益效果是：提供一种表计识别装置，采集模块、训练模块和选定模块通过将待识别的表计的图像数据输入如上述技术方案中任一项表计识别模型的学习方法所得到表计识别模型，所得到的表计的读数，可提升获取到的表计的读数的准确度。
本申请还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案中任一项所述的表计识别模型的学习方法的步骤。
此外，本申请还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案中任一项所述的表计识别模型的学习方法的步骤。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的表计识别模型的学习方法的示意性流程图；
图2为本发明另一实施例提供的表计识别方法的示意性流程图；
图3为本发明另一实施例提供的表计识别模型的学习装置的模块结构图；
图4为本发明另一实施例提供的表计识别装置的模块结构图。
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1本发明实施例提供的表计识别模型的学习方法的示意性流程图所示，表计识别模型的学习方法包括以下步骤：
110、采集多个表计样本图像，得到表计样本图像集，并将表计样本图像集按预设比例分为训练集、测试集和验证集。
120、将训练集输入至语义分割网络中，采用误差反向传播算法对语义分割网络进行训练，得到训练模型。
130、通过测试集对训练模型进行测试，得到训练模型的第一损失值，选取第一损失值小于第一预设损失阈值的训练模型作为验证模型，使用验证集对验证模型的准确率进行验证后，选取准确率最高的验证模型作为表计识别模型。
基于上述实施例提供的表计识别模型的学习方法，通过采集表计样本图像作为训练集、测试集和验证集，将训练集输入至语义分割网络中，采用误差反向传播算法对语义分割网络进行训练，得到训练模型，根据所述语义分割网络的损失函数，使用测试集对训练模型进行测试，选取损失值小于预设损失阈值的训练模型作为验证模型，使用所述验证集对验证模型进行验证后，选取准确率最高的验证模型作为表计识别模型，可提升获取到的表计识别模型的准确度。
基于上述实施例，进一步地，步骤120中具体包括以下步骤：
121、将训练集中的表计样本图像输入语义分割网络中进行分割，得到分割图像；
122、通过人工标注训练集中的表计样本图像，得到标注图像；
123、基于标注图像和所述分割图像，确定第二损失值；
124、根据第二损失值调整所述语义分割网络的参数，对语义分割网络进行迭代训练，直到图像分割网络的第二损失值小于或等于第二预设损失阈值，或训练次数达到预设次数时，得到训练模型。
基于上述实施例通过将训练集输入至语义分割网络中，采用误差反向传播算法对语义分割网络进行训练所得到的训练模型，提升所得到的训练模型的准确性。
进一步地，语义分割网络的损失函数是根据所述语义分割网络的交叉熵损失确定的。
进一步地，表计识别模型包括七个卷积层块，每个卷积层块包含两个卷积层、两个规范层和一个池化层。
如图2本发明另一实施例提供的表计识别方法的示意性流程图所示，表计识别方法包括以下步骤：
210、采集待识别的表计的图像数据。
220、将所述待识别的表计的图像数据输入如上述技术方案中任一项所述的表计识别模型的学习方法所得到表计识别模型，得到所述表计的指针角度值和量程数据。
230、根据所述指针角度值和所述量程数据，得到所述表计的读数。
基于本实施例提供的一种表计识别方法，通过将待识别的表计的图像数据输入如上述技术方案中任一项表计识别模型的学习方法所得到表计识别模型，所得到的表计的读数，可提升获取到的表计的读数的准确度。
进一步地，230中具体包括：
231、根据所述量程数据中的起始角度、终止角度和所述指针的角度值，得到所述指针的角度值和所述表计的满量程角度的比值。
232、根据所述比值和所述量程数据中的单位刻度值，得到所述表计的读数。
如图3本发明另一实施例提供的表计识别模型的学习装置的模块结构图所示，表计识别模型的学习装置包括：
采集模块，用于采集多个表计样本图像，得到表计样本图像集，并将所述表计样本图像集按预设比例分为训练集、测试集和验证集；
训练模块，用于将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型；
选定模块，用于通过所述测试集对所述训练模型进行测试，得到所述训练模型的第一损失值，选取所述第一损失值小于第一预设损失阈值的训练模型作为验证模型，使用所述验证集对所述验证模型的准确率进行验证后，选取准确率最高的所述验证模型作为表计识别模型。
基于本实施例提供的表计识别模型的学习装置，采集模块通过采集表计样本图像作为训练集、测试集和验证集，训练模块将训练集输入至语义分割网络中，采用误差反向传播算法对语义分割网络进行训练，得到训练模型，选定模块根据所述语义分割网络的损失函数，使用测试集对训练模型进行测试，选取损失值小于预设损失阈值的训练模型作为验证模型，使用所述验证集对验证模型进行验证后，选取准确率最高的验证模型作为表计识别模型，可提升获取到的表计识别模型的准确度。
如图4本发明另一实施例提供的表计识别装置的模块结构图所示，表计识别装置包括：
采集模块，用于采集待识别的表计的图像数据；
识别模块，用于将所述待识别的表计的图像数据输入如权利要求1-4中任一项所述的表计识别模型的学习方法所得到表计识别模型，得到所述表计的指针角度值；
计算模块，用于根据所述指针角度值和所述表计的量程数据，得到所述表计的读数。
基于上述实施例提供的一种表计识别装置，采集模块、识别模块和计算模块通过将待识别的表计的图像数据输入如上述技术方案中任一项表计识别模型的学习方法所得到表计识别模型，所得到的表计的读数，可提升获取到的表计的读数的准确度。
此外，本申请还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案中任一项所述的表计识别模型的学习方法的步骤。
本申请还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案中任一项所述的表计识别模型的学习方法的步骤。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种表计识别模型的学习方法，其特征在于，包括：
采集多个表计样本图像，得到表计样本图像集，并将所述表计样本图像集按预设比例分为训练集、测试集和验证集；
将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型；
通过所述测试集对所述训练模型进行测试，得到所述训练模型的第一损失值，选取所述第一损失值小于第一预设损失阈值的训练模型作为验证模型，使用所述验证集对所述验证模型的准确率进行验证后，选取准确率最高的所述验证模型作为表计识别模型。
2.根据权利要求1所述的表计识别模型的学习方法，其特征在于，所述将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型，具体包括：
将所述训练集中的表计样本图像输入所述语义分割网络中进行分割，得到分割图像；
通过人工标注所述训练集中的表计样本图像，得到标注图像；
基于所述标注图像和所述分割图像，确定第二损失值；
根据所述第二损失值调整所述语义分割网络的参数，对所述语义分割网络进行迭代训练，直到图像分割网络的第二损失值小于或等于第二预设损失阈值，或训练次数达到预设次数时，得到所述训练模型。
3.根据权利要求1所述的表计识别模型的学习方法，其特征在于，所述语义分割网络的损失函数是根据所述语义分割网络的交叉熵损失确定的。
4.根据权利要求1-3中任一项所述的表计识别模型的学习方法，其特征在于，所述表计识别模型包括七个卷积层块，每个卷积层块包含两个卷积层、两个规范层和一个池化层。
5.一种表计识别方法，其特征在于，基于根据权利要求1-4中任一项所述的表计识别模型的学习方法所得到的表计识别模型，所述方法包括：
采集待识别的表计的图像数据；
将所述待识别的表计的图像数据输入所述表计识别模型，得到所述表计的指针角度值和量程数据；
根据所述指针角度值和所述量程数据，得到所述表计的读数。
6.根据权利要求5所述的表计识别方法，其特征在于，所述根据所述指针角度值和所述量程数据，得到所述表计的读数，具体包括：
根据所述量程数据中的起始角度、终止角度和所述指针角度值，得到所述指针角度值和所述表计的满量程角度的比值；
根据所述比值和所述量程数据中的单位刻度值，得到所述表计的读数。
7.一种表计识别模型的学习装置，其特征在于，包括：
采集模块，用于采集多个表计样本图像，得到表计样本图像集，并将所述表计样本图像集按预设比例分为训练集、测试集和验证集；
训练模块，用于将所述训练集输入至语义分割网络中，采用误差反向传播算法对所述语义分割网络进行训练，得到训练模型；
选定模块，用于通过所述测试集对所述训练模型进行测试，得到所述训练模型的第一损失值，选取所述第一损失值小于第一预设损失阈值的训练模型作为验证模型，使用所述验证集对所述验证模型的准确率进行验证后，选取准确率最高的所述验证模型作为表计识别模型。
8.一种表计识别装置，其特征在于，包括：
采集模块，用于采集待识别的表计的图像数据；
识别模块，用于将所述待识别的表计的图像数据输入如权利要求1-4中任一项所述的表计识别模型的学习方法所得到表计识别模型，得到所述表计的指针角度值；
计算模块，用于根据所述指针角度值和所述表计的量程数据，得到所述表计的读数。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述的表计识别模型的学习方法的步骤。
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述的表计识别模型的学习方法的步骤。
CN202010736236.7A 2020-07-28 2020-07-28 表计识别模型的学习方法、装置、设备和表计识别方法 Pending CN111950605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010736236.7A CN111950605A (zh) 2020-07-28 2020-07-28 表计识别模型的学习方法、装置、设备和表计识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010736236.7A CN111950605A (zh) 2020-07-28 2020-07-28 表计识别模型的学习方法、装置、设备和表计识别方法

Publications (1)

Publication Number Publication Date
CN111950605A true CN111950605A (zh) 2020-11-17

Family

ID=73339694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010736236.7A Pending CN111950605A (zh) 2020-07-28 2020-07-28 表计识别模型的学习方法、装置、设备和表计识别方法

Country Status (1)

Country Link
CN (1) CN111950605A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095444A (zh) * 2021-06-07 2021-07-09 北京智芯微电子科技有限公司 图像标注方法、装置及存储介质
CN113240110A (zh) * 2021-05-19 2021-08-10 深圳市智影医疗科技有限公司 确定模型的方法、设备以及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180129912A1 (en) * 2016-11-07 2018-05-10 Nec Laboratories America, Inc. System and Method for Learning Random-Walk Label Propagation for Weakly-Supervised Semantic Segmentation
CN109543688A (zh) * 2018-11-14 2019-03-29 北京邮电大学 一种新型的基于多层卷积神经网络的水表读数检测与识别的方法
CN110020653A (zh) * 2019-03-06 2019-07-16 平安科技（深圳）有限公司 图像语义分割方法、装置及计算机可读存储介质
CN110059677A (zh) * 2019-04-15 2019-07-26 北京易达图灵科技有限公司 基于深度学习的数字表识别方法及设备
CN110245710A (zh) * 2019-06-18 2019-09-17 腾讯科技（深圳）有限公司 语义分割模型的训练方法、语义分割方法及装置
CN110543878A (zh) * 2019-08-07 2019-12-06 华南理工大学 一种基于神经网络的指针仪表读数识别方法
CN111160256A (zh) * 2019-12-30 2020-05-15 武汉科技大学 变电站指针式仪表自动识别方法及系统
CN111368825A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于语义分割的指针定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180129912A1 (en) * 2016-11-07 2018-05-10 Nec Laboratories America, Inc. System and Method for Learning Random-Walk Label Propagation for Weakly-Supervised Semantic Segmentation
CN109543688A (zh) * 2018-11-14 2019-03-29 北京邮电大学 一种新型的基于多层卷积神经网络的水表读数检测与识别的方法
CN110020653A (zh) * 2019-03-06 2019-07-16 平安科技（深圳）有限公司 图像语义分割方法、装置及计算机可读存储介质
CN110059677A (zh) * 2019-04-15 2019-07-26 北京易达图灵科技有限公司 基于深度学习的数字表识别方法及设备
CN110245710A (zh) * 2019-06-18 2019-09-17 腾讯科技（深圳）有限公司 语义分割模型的训练方法、语义分割方法及装置
CN110543878A (zh) * 2019-08-07 2019-12-06 华南理工大学 一种基于神经网络的指针仪表读数识别方法
CN111160256A (zh) * 2019-12-30 2020-05-15 武汉科技大学 变电站指针式仪表自动识别方法及系统
CN111368825A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于语义分割的指针定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘小波 等: "基于变电站巡检机器人数字仪表识别算法", 《供用电》, vol. 36, no. 12, pages 80 - 86 *
星环科技人工智能平台团队: "《机器学习实战 基于Sophon平台的机器学习理论与实践》", 31 January 2020, 北京：机械工业出版社, pages: 161 - 164 *
梁新宇 等: "基于深度学习的图像语义分割技术研究进展", 计算机工程与应用, vol. 56, no. 02, pages 18 - 28 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240110A (zh) * 2021-05-19 2021-08-10 深圳市智影医疗科技有限公司 确定模型的方法、设备以及计算机可读存储介质
CN113240110B (zh) * 2021-05-19 2023-09-29 深圳市智影医疗科技有限公司 确定模型的方法、设备以及计算机可读存储介质
CN113095444A (zh) * 2021-06-07 2021-07-09 北京智芯微电子科技有限公司 图像标注方法、装置及存储介质
CN113095444B (zh) * 2021-06-07 2021-09-17 北京智芯微电子科技有限公司 图像标注方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN108593260B (zh) 光缆线路故障定位和检测方法及终端设备
CN104616031B (zh) 迁移学习方法及装置
CN112560355B (zh) 基于卷积神经网络的风洞的马赫数的预测方法和装置
CN111582071B (zh) 一种基于HRNet网络模型的SF6仪表图像读数方法
CN107577687A (zh) 图像检索方法及装置
CN113409284B (zh) 电路板故障检测方法、装置、设备以及存储介质
CN110596506A (zh) 基于时间卷积网络的变换器故障诊断方法
CN114359283A (zh) 基于Transformer的缺陷检测方法和电子设备
CN111950605A (zh) 表计识别模型的学习方法、装置、设备和表计识别方法
CN110852243B (zh) 一种基于改进YOLOv3的道路交叉口检测方法及装置
CN111695620A (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN116148656B (zh) 一种便携式模拟断路器故障检测方法
CN109507625A (zh) 电池模拟器的自动校准方法及终端设备
CN112446601A (zh) 不可算台区数据诊断方法及系统
CN117056865A (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN111175608A (zh) 基于加速独立分量分析的配电网谐波责任定量划分方法
Shao et al. Research on Recognition of Pointer Meter Based on Improved East Algorithm
CN112084889A (zh) 一种图像行为识别方法、装置、计算设备及存储介质
CN116541713B (zh) 基于局部时频特征迁移学习的轴承故障诊断模型训练方法
CN112257587B (zh) 目标对象的检测效果评估方法、装置、存储介质及设备
CN113627522B (zh) 基于关系网络的图像分类方法、装置、设备及存储介质
CN117033983B (zh) 一种无人船自噪声检测识别方法及系统
CN114329905B (zh) 全范围模拟机可信度评估方法、装置及计算机设备
CN118276195A (zh) 基于微波链路衰减时序跨域特征的降雨反演方法
CN117745438A (zh) 模型表现衰减风险预测方法、装置、电子设备和介质

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