CN111985449A - 救援现场图像的识别方法、装置、设备及计算机介质 - Google Patents

救援现场图像的识别方法、装置、设备及计算机介质 Download PDF

Info

Publication number
CN111985449A
CN111985449A CN202010917750.0A CN202010917750A CN111985449A CN 111985449 A CN111985449 A CN 111985449A CN 202010917750 A CN202010917750 A CN 202010917750A CN 111985449 A CN111985449 A CN 111985449A
Authority
CN
China
Prior art keywords
image
detection model
scene image
scene
identified
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
CN202010917750.0A
Other languages
English (en)
Inventor
徐国诚
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.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
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 OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010917750.0A priority Critical patent/CN111985449A/zh
Publication of CN111985449A publication Critical patent/CN111985449A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明涉及人工智能技术，揭露了一种救援现场图像的识别方法，包括：利用拖车场景图像集和搭电场景图像集对初始图像识别模型进行训练，得到第一目标检测模型和第二目标检测模型；将第一目标检测模型和第二目标检测模型聚合为并行检测模型，利用并行检测模型初步判断待识别救援场景图像所属的场景标签是否为拖车场景或为搭电场景，再将待识别救援场景图像根据所属的场景标签输入至与第一目标检测模型或第二检测模型进行图像识别。因此本发明提出的救援现场图像的识别方法、装置及计算机可读存储介质。此外，本发明还涉及区块链技术，拖车场景图像集和搭电场景图像集可存储于区块链节点中。本发明可以提高救援现场图像的识别的效率。

Description

救援现场图像的识别方法、装置、设备及计算机介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种救援现场图像的识别方法、装置、电子设备及计算机可读存储介质。
背景技术
由于交通的发展，越来越多的人选择驾车出行，在出行过程中若遇到交通事故等意外事件，通常结合救援现场的图像进行处理，通过获取救援现场图像的识别结果，救援人员可以准确迅速的采取救援行动，进而减少交通事故带来的损失并能及时舒缓交通压力。
目前大多对于救援现场的图像的识别方法为：将救援现场图片依次输入到单一功能的识别网络中进行判断。该方法中，由于识别救援现场图片在每个识别网络进行识别时都需要花费大量的时间，识别效率不高，不能满足救援的实时性要求。因此，如何提高对救援现场图片识别的效率，成为了亟待解决的问题。
发明内容
本发明提供一种救援现场图像的识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高对救援现场图片识别的效率。
为实现上述目的，本发明提供的一种救援现场图像的识别方法，包括：
获取拖车场景图像集和搭电场景图像集；
对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集；
获取卷积神经网络构建的初始图像识别模型；
利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型；
利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型；
将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型；
获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签；
若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果；
若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
可选地，所述得到所述待识别救援现场图像中拖车和被拖车辆的识别结果之后，所述方法还包括：
若所述识别结果为所述待识别救援现场图像中不存在拖车或被拖车辆，则调节所述待识别救援现场图像的角度或亮度；
利用所述第一目标检测模型再次识别所述待识别救援现场图像中是否存在拖车或被拖车辆。
可选地，所述得到所述待识别救援现场图像中搭电器件的识别结果之后，所述方法还包括：
若所述识别结果为所述待识别救援现场图像中不存在搭电器件，则调节所述待识别救援现场图像的角度或亮度；
利用所述第二目标检测模型再次识别所述待识别救援现场图像中是否存在搭电器件。
可选地，所述调节所述待识别救援现场图像的角度或亮度之前，所述方法还包括：
获取关键点识别模型；
利用所述关键点识别模型识别所述待识别救援现场图像中包含的关键点；
所述利用所述第二目标检测模型再次识别所述待识别救援现场图像中是否存在搭电器件，包括：
利用所述第二目标检测模型识别所述关键点是否包括搭电器件。
可选地，所述利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型，包括：
利用所述初始图像识别模型对所述第一扩展图像集进行图像识别，得到识别标签；
计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值；
若所述差异值大于或等于预设差异阈值，则调整所述初始图像识别模型的参数后再次执行所述利用所述初始图像识别模型对所述第一扩展图像集进行图像识别的操作；
若所述差异值小于所述预设差异阈值，则确认训练完成，得到拖车场景的第一目标检测模型。
可选地，所述计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值，包括：
利用如下差异值算法计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值：
Figure BDA0002665626530000031
其中，L(X,Y)为所述差异值，X为所述识别标签，Y为所述第一扩展图像集的预置标准标签。
可选地，所述图像扩展包括图像尺寸裁剪、图像白平衡调节、图像像素扰动、图像几何旋转和图像几何拉伸之中的一项或多项。
为了解决上述问题，本发明还提供一种救援现场图像的识别装置，所述装置包括：
图像获取模块，用于获取拖车场景图像集和搭电场景图像集；
图像扩展模块，用于对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集；
初始模型获取模块，用于获取卷积神经网络构建的初始图像识别模型；
第一目标检测模型训练模块，用于利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型；
第二目标检测模型训练模块，用于利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型；
模型聚合模块，用于将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型；
待识别图像标注模块，用于获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签；
第一识别模块，用于若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果；
第二识别模块，用于若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的救援现场图像的识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，其中，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的救援现场图像的识别方法。
本发明实施例利用不同的图像集(即拖车场景图像集和搭电场景图像集)训练出不同的目标检测模型，使得训练得到的不同模型可以检测不同场景下的救援现场图像；同时，将训练得到的不同模型聚合为并行检测模型，利用并行检测模型能够快速初步判断待识别救援场景图像属于的场景标签，有利于及时地将待识别救援场景图像输入至符合其场景标签的目标检测模型中进行再次识别，提高对救援现场图片识别的效率。进一步地，通过两次模型判断还能够提高对救援现场图片识别的准确率。因此本发明提出的救援现场图像的识别方法、装置及计算机可读存储介质，可以提高对救援现场图片识别的效率。
附图说明
图1为本发明一实施例提供的救援现场图像的识别方法的流程示意图；
图2为本发明一实施例提供的救援现场图像的识别装置的模块示意图；
图3为本发明一实施例提供的实现救援现场图像的识别方法的电子设备的内部结构示意图；
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。
本申请实施例提供的救援现场图像的识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述救援现场图像的识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种救援现场图像的识别方法。参照图1所示，为本发明一实施例提供的救援现场图像的识别方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，救援现场图像的识别方法包括：
S1、获取拖车场景图像集和搭电场景图像集。
本发明实施例中，所述拖车场景图像集中的图像包含拖车、被拖车辆以及对拖车和被拖车辆进行目标标注得到的标签；所述搭电场景图像集中的图像包含搭电器件以及对搭电器件进行目标标注得到的标签，其中，所述搭电器件包括但不限于发动机舱、电瓶、搭电线、搭电夹子。
较佳地，本发明实施例利用具有数据抓取功能的python语句从区块链节点中获取获取拖车场景图像集和搭电场景图像集，利用区块链的高数据吞吐性，可提高获取获取拖车场景图像集和搭电场景图像集的效率。
S2、对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集。
本发明实施例中，所述图像扩展包括图像尺寸裁剪、图像白平衡调节、图像像素扰动、图像几何旋转和图像几何拉伸之中的一项或多项。
具体的，对拖车场景图像集进行的图像扩展操作与对搭电场景图像集进行的图像扩展操作可以相同或不同。例如，对拖车场景图像集进行图像几何旋转和图像几何拉伸，对搭电场景图像集进行图像尺寸裁剪、图像白平衡调节、图像像素扰动和图像几何旋转。
详细地，所述图像像素扰动是指对图像的像素进行调整，具体的，可以通过利用如下扰动算法对图像进行像素扰动：
Trans＝(δR+xR)+(δG+xG)+(δB+xB)
其中，Trans为像素扰动后的图像，xR、xG、xB为扰动前的图像中任一像素点的三分量，δR、δG、δB为扰动因子中任一像素点的三分量，所述扰动因子是与扰动前的图像大小相同的图像。
本发明实施例中，执行图像扩展操作可增加第一扩展图像集和第二扩展图像集中的图像多样化。
S3、获取卷积神经网络构建的初始图像识别模型。
本发明实施例中，所述初始图像识别模型为一个具有图像分类功能的卷积神经网络，所述卷积神经网络包括卷积层、池化层和全连接层。
具体的，所述初始图像识别模型包括以下一层或多层的组合：
卷积层，用于对图像进行卷积处理，对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息；
池化层，对卷积后的图像进行池化处理，用于特征降维，有利于减小训练数据和参数的数量，以及提高模型的容错性；
全连接层，用于线性分类，具体用于在提取的高层特征向量上进行线性组合并且输出最后的图像识别结果。
S4、利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型。
本发明实施例中，所述利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型，包括：
利用所述初始图像识别模型对所述第一扩展图像集进行图像识别，得到识别标签；
计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值；
若所述差异值大于或等于预设差异阈值，则调整所述初始图像识别模型的参数后再次执行所述利用所述初始图像识别模型对所述第一扩展图像集进行图像识别；
若所述差异值小于所述预设差异阈值，则确认训练完成，得到拖车场景的第一目标检测模型。
详细地，所述计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值，包括：
利用如下差异值算法计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值：
Figure BDA0002665626530000071
其中，L(X,Y)为所述差异值，X为所述识别标签，Y为所述第一扩展图像集的预置标准标签。
本发明实施例种，通过计算差异值，能够更直观的显示出初始扩展图像与训练图像的相似程度，有利于按照计算得出的距离值不断地对初始识别模型的参数进行调整和更新，从而能够提高训练得到的拖车场景的第一目标检测模型的准确性。
S5、利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型。
本发明实施例中，所述利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型，包括：
利用所述初始图像识别模型对所述第二扩展图像集进行图像识别，得到识别标签；
计算所述识别标签与所述第二扩展图像集的预置标准标签之间的差异值；
若所述差异值大于或等于预设差异阈值，则调整所述初始图像识别模型的参数后再次执行所述利用所述初始图像识别模型对所述第二扩展图像集进行图像识别；
若所述差异值小于所述预设差异阈值，则确认训练完成，得到搭电场景的第二目标检测模型。
详细地，所述计算所述识别标签与所述第二扩展图像集的预置标准标签之间的差异值，包括：
利用如下差异值算法计算所述识别标签与所述第二扩展图像集的预置标准标签之间的差异值：
Figure BDA0002665626530000081
其中，L(X,Y)为所述差异值，X为所述识别标签，Y为所述第二扩展图像集的预置标准标签。
S6、将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型。
本发明实施例中，所述将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型，包括：
获取第一目标检测模型的数据传输接口的第一接口调用函数；
获取第二目标检测模型的数据传输接口的第二接口调用函数；
将所述第一接口调用函数和所述第二接口调用函数编译为统一模型输入接口；
将所述第一目标检测模型和所述第二目标检测模型以并行方式排列；
将所述第一目标检测模型的数据传输接口和所述第二目标检测模型的数据传输接口连接至所述统一模型输入接口，确定输入接口为所述统一模型输入接口且以并行方式排列的第一目标检测模型和第二目标检测模型的整体为并行检测模型。
详细地，所述第一接口调用函数用于调用第一目标检测模型的数据传输接口，所述第一目标检测模型的数据传输接口用于向所述第一目标检测模型进行数据输入；所述第二接口调用函数为用于调用第二目标检测模型的数据传输接口，所述第二目标检测模型的数据传输接口用于向所述第二目标检测模型进行数据输入。
本发明实施例中，可以利用编译器将所述第一接口调用函数和所述第二接口调用函数编译为统一模型输入接口，从而利用所述统一模型输入接口向所述并行检测模型进行数据输入。
本发明实施例中，将第一目标检测模型和第二目标检测模型以并行方式排列，避免以串行结构将第一目标检测模型和第二目标检测模型进行相连，因此得到的并行检测模型运行效率高，有利于提高图像检测的效率。
S7、获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签。
本发明实施例中，可利用具有数据抓取功能的python语句从用于存储待识别救援现场图像的客户端获取所述待识别救援现场图像。
进一步地，本发明实施例在所述并行检测模型中预置labelImg，以便当待识别救援现场图像输入至所述并行检测模型中后，利用所述并行检测模型对所述待识别救援现场图像生成预测标签，确定所述待救援现场图像的场景标签为所述预测标签。所述labelImg是一种常用的图像标注工具，可实现对图像标签的生成。
本发明实施例利用并行检测模型能够快速初步判断待识别救援场景图像属于的场景标签，有利于及时地将待识别救援场景图像输入至符合其场景标签的目标检测模型中进行再次识别，提高对救援现场图片识别的效率。
S8、若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果。
本发明实施例中，所述待识别救援现场图像中有关拖车和被拖车辆的识别结果为所述待识别救援现场图像存在拖车或被拖车辆或所述待识别救援现场图像不存在拖车或被拖车辆。
进一步地，所述得到所述待识别救援现场图像中有关拖车和被拖车辆的识别结果之后，所述方法还包括：
若所述识别结果为所述待识别救援现场图像中不存在拖车或被拖车辆，则调节所述待识别救援现场图像的角度或亮度；
利用所述第一目标检测模型再次识别所述待识别救援现场图像中是否存在拖车或被拖车辆。
本发明实施例中，若所述识别结果为所述待识别救援现场图像中不存在拖车或被拖车辆，调节对所述待识别救援现场图像的角度或亮度，可以避免因为亮度或者图像角度问题导致识别失败的情况，提高对待识别救援现场图像识别的成功率。
S9、若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
本发明实施例中，所述待识别救援现场图像中有关搭电器件的识别结果为所述待识别救援现场图像中存在搭电器件或所述待识别救援现场图像中不存在搭电器件。
进一步地，所述得到所述待识别救援现场图像中搭电器件的识别结果之后，所述方法还包括：
若所述识别结果为所述待识别救援现场图像中不存在搭电器件，则调节所述待识别救援现场图像的角度或亮度；
利用所述第二目标检测模型再次识别所述待识别救援现场图像中是否存在搭电器件。
本发明实施例中，若所述识别结果为所述待识别救援现场图像中不存在搭电器件，调节所述待识别救援现场图像的角度或亮度，可以避免因为亮度或者图像角度问题导致识别失败的情况，提高对待识别救援现场图像识别的成功率。
进一步地，所述调节所述待识别救援现场图像的角度或亮度之前，所述方法还包括：
获取关键点识别模型；
利用所述关键点识别模型识别所述待识别救援现场图像中包含的关键点；
所述利用所述第二目标检测模型再次识别所述待识别救援现场图像中是否存在搭电器件，包括：
利用所述第二目标检测模型识别所述关键点是否包括搭电器件。
所述关键点识别模型是预先训练完成的具有关键点检测功能的模型，所述关键点识别模型可识别所述待识别救援现场图像中包含的关键点，对所述关键点进行图像标注，进而利用图像标注后的所述待识别图像输入至所述搭电场景的第二目标检测模型，获取所述搭电场景的第二目标检测模型输出的关搭电器件的识别结果，标准目标检测模型中的第二目标检测模型对所述待识别救援现场图像识别的成功率。
本发明实施例利用不同的图像集(即拖车场景图像集和搭电场景图像集)训练出不同的目标检测模型，使得训练得到的不同模型可以检测不同场景下的救援现场图像；同时，将训练得到的不同模型聚合为并行检测模型，利用并行检测模型能够快速初步判断待识别救援场景图像属于的场景标签，有利于及时地将待识别救援场景图像输入至符合其场景标签的目标检测模型中进行再次识别，提高对救援现场图片识别的效率。进一步地，通过两次模型判断还能够提高对救援现场图片识别的准确率。因此本发明提出的救援现场图像的识别方法，可以提高对救援现场图片识别的效率。
如图2所示，是本发明救援现场图像的识别装置的模块示意图。
本发明所述救援现场图像的识别装置100可以安装于电子设备中。根据实现的功能，所述救援现场图像的识别装置可以包括图像获取模块101、图像扩展模块102、初始模型获取模块103、第一目标检测模型训练模块104、第二目标检测模型训练模块105、模型聚合模块106、待识别图像标注模块107、第一识别模块108和第二识别模块109。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像获取模块101，用于获取拖车场景图像集和搭电场景图像集；
所述图像扩展模块102，用于对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集；
所述初始模型获取模块103，用于获取卷积神经网络构建的初始图像识别模型；
所述第一目标检测模型训练模块104，用于利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型；
所述第二目标检测模型训练模块105，用于利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型；
所述模型聚合模块106，用于将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型；
所述待识别图像标注模块107，用于获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签；
所述第一识别模块108，用于若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果；
所述第二识别模块109，用于若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
详细地，所述图像中文本内容提取生成装置各模块的具体实施方式如下：
所述图像获取模块101，用于获取拖车场景图像集和搭电场景图像集。
本发明实施例中，所述拖车场景图像集中的图像包含拖车、被拖车辆以及对拖车和被拖车辆进行目标标注得到的标签；所述搭电场景图像集中的图像包含搭电器件以及对搭电器件进行目标标注得到的标签，其中，所述搭电器件包括但不限于发动机舱、电瓶、搭电线、搭电夹子。
较佳地，本发明实施例利用具有数据抓取功能的python语句从区块链节点中获取获取拖车场景图像集和搭电场景图像集，利用区块链的高数据吞吐性，可提高获取获取拖车场景图像集和搭电场景图像集的效率。
所述图像扩展模块102，用于对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集。
本发明实施例中，所述图像扩展模块102具体用于对所述拖车场景图像集和对所述搭电场景图像集进行图像扩展执行图像尺寸裁剪、图像白平衡调节、图像像素扰动、图像几何旋转和图像几何拉伸之中的一项或多项，得到第一扩展图像集和第二扩展图像集。
具体的，对拖车场景图像集进行的图像扩展操作与对搭电场景图像集进行的图像扩展操作可以相同或不同。例如，对拖车场景图像集进行图像几何旋转和图像几何拉伸，对搭电场景图像集进行图像尺寸裁剪、图像白平衡调节、图像像素扰动和图像几何旋转。
详细地，所述图像像素扰动是指对图像的像素进行调整，具体的，可以通过利用如下扰动算法对图像进行像素扰动：
Trans＝(δR+xR)+(δG+xG)+(δB+xB)
其中，Trans为像素扰动后的图像，xR、xG、xB为扰动前的图像中任一像素点的三分量，δR、δG、δB为扰动因子中任一像素点的三分量，所述扰动因子是与扰动前的图像大小相同的图像。
本发明实施例中，执行图像扩展操作可增加第一扩展图像集和第二扩展图像集中的图像多样化。
所述初始模型获取模块103，用于获取卷积神经网络构建的初始图像识别模型。
本发明实施例中，所述初始图像识别模型为一个具有图像分类功能的卷积神经网络，所述卷积神经网络包括卷积层、池化层和全连接层。
具体的，所述初始图像识别模型包括以下一层或多层的组合：
卷积层，用于对图像进行卷积处理，对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息；
池化层，对卷积后的图像进行池化处理，用于特征降维，有利于减小训练数据和参数的数量，以及提高模型的容错性；
全连接层，用于线性分类，具体用于在提取的高层特征向量上进行线性组合并且输出最后的图像识别结果。
所述第一目标检测模型训练模块104，用于利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型。
本发明实施例中，所述第一目标检测模型训练模块104具体用于：
利用所述初始图像识别模型对所述第一扩展图像集进行图像识别，得到识别标签；
计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值；
若所述差异值大于或等于预设差异阈值，则调整所述初始图像识别模型的参数后再次执行所述利用所述初始图像识别模型对所述第一扩展图像集进行图像识别；
若所述差异值小于所述预设差异阈值，则确认训练完成，得到拖车场景的第一目标检测模型。
详细地，所述计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值，包括：
利用如下差异值算法计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值：
Figure BDA0002665626530000141
其中，L(X,Y)为所述差异值，X为所述识别标签，Y为所述第一扩展图像集的预置标准标签。
本发明实施例种，通过计算差异值，能够更直观的显示出初始扩展图像与训练图像的相似程度，有利于按照计算得出的距离值不断地对初始识别模型的参数进行调整和更新，从而能够提高训练得到的拖车场景的第一目标检测模型的准确性。
所述第二目标检测模型训练模块105，用于利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型。
本发明实施例中，所述第二目标检测模型训练模块105具体用于：
利用所述初始图像识别模型对所述第二扩展图像集进行图像识别，得到识别标签；
计算所述识别标签与所述第二扩展图像集的预置标准标签之间的差异值；
若所述差异值大于或等于预设差异阈值，则调整所述初始图像识别模型的参数后再次执行所述利用所述初始图像识别模型对所述第二扩展图像集进行图像识别；
若所述差异值小于所述预设差异阈值，则确认训练完成，得到搭电场景的第二目标检测模型。
详细地，所述计算所述识别标签与所述第二扩展图像集的预置标准标签之间的差异值，包括：
利用如下差异值算法计算所述识别标签与所述第二扩展图像集的预置标准标签之间的差异值：
Figure BDA0002665626530000142
其中，L(X,Y)为所述差异值，X为所述识别标签，Y为所述第二扩展图像集的预置标准标签。
所述模型聚合模块106，用于将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型。
本发明实施例中，所述模型聚合模块106具体用于：
获取第一目标检测模型的数据传输接口的第一接口调用函数；
获取第二目标检测模型的数据传输接口的第二接口调用函数；
将所述第一接口调用函数和所述第二接口调用函数编译为统一模型输入接口；
将所述第一目标检测模型和所述第二目标检测模型以并行方式排列；
将所述第一目标检测模型的数据传输接口和所述第二目标检测模型的数据传输接口连接至所述统一模型输入接口，确定输入接口为所述统一模型输入接口且以并行方式排列的第一目标检测模型和第二目标检测模型的整体为并行检测模型。
详细地，所述第一接口调用函数用于调用第一目标检测模型的数据传输接口，所述第一目标检测模型的数据传输接口用于向所述第一目标检测模型进行数据输入；所述第二接口调用函数为用于调用第二目标检测模型的数据传输接口，所述第二目标检测模型的数据传输接口用于向所述第二目标检测模型进行数据输入。
本发明实施例中，可以利用编译器将所述第一接口调用函数和所述第二接口调用函数编译为统一模型输入接口，从而利用所述统一模型输入接口向所述并行检测模型进行数据输入。
本发明实施例中，将第一目标检测模型和第二目标检测模型以并行方式排列，避免以串行结构将第一目标检测模型和第二目标检测模型进行相连，因此得到的并行检测模型运行效率高，有利于提高图像检测的效率。
所述待识别图像标注模块107，用于获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签。
本发明实施例中，可利用具有数据抓取功能的python语句从用于存储待识别救援现场图像的客户端获取所述待识别救援现场图像。
进一步地，本发明实施例在所述并行检测模型中预置labelImg，以便当待识别救援现场图像输入至所述并行检测模型中后，利用所述并行检测模型对所述待识别救援现场图像生成预测标签，确定所述待救援现场图像的场景标签为所述预测标签。所述labelImg是一种常用的图像标注工具，可实现对图像标签的生成。
本发明实施例利用并行检测模型能够快速初步判断待识别救援场景图像属于的场景标签，有利于及时地将待识别救援场景图像输入至符合其场景标签的目标检测模型中进行再次识别，提高对救援现场图片识别的效率。
所述第一识别模块108，用于若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果。
本发明实施例中，所述待识别救援现场图像中有关拖车和被拖车辆的识别结果为所述待识别救援现场图像存在拖车或被拖车辆或所述待识别救援现场图像不存在拖车或被拖车辆。
进一步地，所述第一识别模块108还用于：
得到所述待识别救援现场图像中拖车和被拖车辆的识别结果之后，若所述识别结果为所述待识别救援现场图像中不存在拖车或被拖车辆，则调节所述待识别救援现场图像的角度或亮度；
利用所述第一目标检测模型再次识别所述待识别救援现场图像中是否存在拖车或被拖车辆。
本发明实施例中，若所述识别结果为所述待识别救援现场图像中不存在拖车或被拖车辆，调节对所述待识别救援现场图像的角度或亮度，可以避免因为亮度或者图像角度问题导致识别失败的情况，提高对待识别救援现场图像识别的成功率。
所述第二识别模块109，用于若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
本发明实施例中，所述待识别救援现场图像中搭电器件的识别结果为所述待识别救援现场图像中存在搭电器件或所述待识别救援现场图像中不存在搭电器件。
进一步地，所述第二识别模块109还用于：
得到所述待识别救援现场图像中搭电器件的识别结果之后，若所述识别结果为所述待识别救援现场图像中不存在搭电器件，则调节所述待识别救援现场图像的角度或亮度；
利用所述第二目标检测模型再次识别所述待识别救援现场图像中是否存在搭电器件。
本发明实施例中，若所述识别结果为所述待识别救援现场图像中不存在搭电器件，调节所述待识别救援现场图像的角度或亮度，可以避免因为亮度或者图像角度问题导致识别失败的情况，提高对待识别救援现场图像识别的成功率。
进一步地，所述第二识别模块109具体用于：
若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果；
若所述识别结果为所述待识别救援现场图像中不存在搭电器件，获取关键点识别模型；
利用所述关键点识别模型识别所述待识别救援现场图像中包含的关键点；
调节所述待识别救援现场图像的角度或亮度；
利用所述第二目标检测模型识别所述关键点是否包括搭电器件。
所述关键点识别模型是预先训练完成的具有关键点检测功能的模型，所述关键点识别模型可识别所述待识别救援现场图像中包含的关键点，对所述关键点进行图像标注，进而利用图像标注后的所述待识别图像输入至所述搭电场景的第二目标检测模型，获取所述搭电场景的第二目标检测模型输出的关搭电器件的识别结果，标准目标检测模型中的第二目标检测模型对所述待识别救援现场图像识别的成功率。
本发明实施例利用不同的图像集(即拖车场景图像集和搭电场景图像集)训练出不同的目标检测模型，使得训练得到的不同模型可以检测不同场景下的救援现场图像；同时，将训练得到的不同模型聚合为并行检测模型，利用并行检测模型能够快速初步判断待识别救援场景图像属于的场景标签，有利于及时地将待识别救援场景图像输入至符合其场景标签的目标检测模型中进行再次识别，提高对救援现场图片识别的效率。进一步地，通过两次模型判断还能够提高对救援现场图片识别的准确率。因此本发明提出的救援现场图像的识别装置，可以提高对救援现场图片识别的效率。
如图3所示，是本发明实现救援现场图像的识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如救援现场图像的识别程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如救援现场图像的识别程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行救援现场图像的识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的救援现场图像的识别程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取拖车场景图像集和搭电场景图像集；
对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集；
获取卷积神经网络构建的初始图像识别模型；
利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型；
利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型；
将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型；
获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签；
若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果；
若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明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发明。
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，本发明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发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。系统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。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种救援现场图像的识别方法，其特征在于，所述方法包括：
获取拖车场景图像集和搭电场景图像集；
对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集；
获取卷积神经网络构建的初始图像识别模型；
利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型；
利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型；
将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型；
获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签；
若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果；
若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
2.如权利要求1所述的救援现场图像的识别方法，其特征在于，所述得到所述待识别救援现场图像中拖车和被拖车辆的识别结果之后，所述方法还包括：
若所述识别结果为所述待识别救援现场图像中不存在拖车或被拖车辆，则调节所述待识别救援现场图像的角度或亮度；
利用所述第一目标检测模型再次识别所述待识别救援现场图像中是否存在拖车或被拖车辆。
3.如权利要求1所述的救援现场图像的识别方法，其特征在于，所述得到所述待识别救援现场图像中搭电器件的识别结果之后，所述方法还包括：
若所述识别结果为所述待识别救援现场图像中不存在搭电器件，则调节所述待识别救援现场图像的角度或亮度；
利用所述第二目标检测模型再次识别所述待识别救援现场图像中是否存在搭电器件。
4.如权利要求3所述的救援现场图像的识别方法，其特征在于，所述调节所述待识别救援现场图像的角度或亮度之前，所述方法还包括：
获取关键点识别模型；
利用所述关键点识别模型识别所述待识别救援现场图像中包含的关键点；
所述利用所述第二目标检测模型再次识别所述待识别救援现场图像中是否存在搭电器件，包括：
利用所述第二目标检测模型识别所述关键点是否包括搭电器件。
5.如权利要求1至4中任一项所述的救援现场图像的识别方法，其特征在于，所述利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型，包括：
利用所述初始图像识别模型对所述第一扩展图像集进行图像识别，得到识别标签；
计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值；
若所述差异值大于或等于预设差异阈值，则调整所述初始图像识别模型的参数后再次执行所述利用所述初始图像识别模型对所述第一扩展图像集进行图像识别的操作；
若所述差异值小于所述预设差异阈值，则确认训练完成，得到拖车场景的第一目标检测模型。
6.如权利要求5所述的救援现场图像的识别方法，其特征在于，所述计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值，包括：
利用如下差异值算法计算所述识别标签与所述第一扩展图像集的预置标准标签之间的差异值：
Figure FDA0002665626520000021
其中，L(X,Y)为所述差异值，X为所述识别标签，Y为所述第一扩展图像集的预置标准标签。
7.如权利要求1至4中任一项所述的救援现场图像的识别方法，其特征在于，所述图像扩展包括图像尺寸裁剪、图像白平衡调节、图像像素扰动、图像几何旋转和图像几何拉伸之中的一项或多项。
8.一种救援现场图像的识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取拖车场景图像集和搭电场景图像集；
图像扩展模块，用于对所述拖车场景图像集进行图像扩展，得到第一扩展图像集，对所述搭电场景图像集进行图像扩展，得到第二扩展图像集；
初始模型获取模块，用于获取卷积神经网络构建的初始图像识别模型；
第一目标检测模型训练模块，用于利用所述第一扩展图像集对所述初始图像识别模型进行训练，得到拖车场景的第一目标检测模型；
第二目标检测模型训练模块，用于利用所述第二扩展图像集对所述初始图像识别模型进行训练，得到搭电场景的第二目标检测模型；
模型聚合模块，用于将所述第一目标检测模型和所述第二目标检测模型聚合为并行检测模型；
待识别图像标注模块，用于获取待识别救援现场图像，将所述待识别救援现场图像输入至所述并行检测模型，通过所述并行检测模型确定所述待救援现场图像的场景标签；
第一识别模块，用于若所述场景标签为标识所述拖车场景的第一标签，则将所述待识别救援现场图像输入至所述第一目标检测模型，得到所述待识别救援现场图像中拖车和被拖车辆的识别结果；
第二识别模块，用于若所述场景标签为标识所述搭电场景的第二标签，则将所述待识别救援现场图像输入至所述第二目标检测模型，得到所述待识别救援现场图像中搭电器件的识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的救援现场图像的识别方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的救援现场图像的识别方法。
CN202010917750.0A 2020-09-03 2020-09-03 救援现场图像的识别方法、装置、设备及计算机介质 Pending CN111985449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010917750.0A CN111985449A (zh) 2020-09-03 2020-09-03 救援现场图像的识别方法、装置、设备及计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010917750.0A CN111985449A (zh) 2020-09-03 2020-09-03 救援现场图像的识别方法、装置、设备及计算机介质

Publications (1)

Publication Number Publication Date
CN111985449A true CN111985449A (zh) 2020-11-24

Family

ID=73448716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010917750.0A Pending CN111985449A (zh) 2020-09-03 2020-09-03 救援现场图像的识别方法、装置、设备及计算机介质

Country Status (1)

Country Link
CN (1) CN111985449A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906819A (zh) * 2021-03-17 2021-06-04 北京太火红鸟科技有限公司 图像识别方法、装置、设备及存储介质
CN113344801A (zh) * 2021-03-04 2021-09-03 北京市燃气集团有限责任公司 一种应用于燃气计量设施环境下的图像增强方法、系统、终端及存储介质
CN113705549A (zh) * 2021-10-29 2021-11-26 中移(上海)信息通信科技有限公司 道路救援工作节点确定方法、装置及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN108921040A (zh) * 2018-06-08 2018-11-30 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN110909731A (zh) * 2019-10-12 2020-03-24 深圳壹账通智能科技有限公司 车辆救援场景质检方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764208A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN108921040A (zh) * 2018-06-08 2018-11-30 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
WO2019233394A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN110909731A (zh) * 2019-10-12 2020-03-24 深圳壹账通智能科技有限公司 车辆救援场景质检方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾宝国;尹文刚;: "基于SIFT与SVM的应急救援图像检测方法研究", 中国安全生产科学技术, no. 08, 31 August 2020 (2020-08-31) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344801A (zh) * 2021-03-04 2021-09-03 北京市燃气集团有限责任公司 一种应用于燃气计量设施环境下的图像增强方法、系统、终端及存储介质
CN112906819A (zh) * 2021-03-17 2021-06-04 北京太火红鸟科技有限公司 图像识别方法、装置、设备及存储介质
CN113705549A (zh) * 2021-10-29 2021-11-26 中移(上海)信息通信科技有限公司 道路救援工作节点确定方法、装置及相关设备
CN113705549B (zh) * 2021-10-29 2022-02-11 中移(上海)信息通信科技有限公司 道路救援工作节点确定方法、装置及相关设备
WO2023071874A1 (zh) * 2021-10-29 2023-05-04 中移(上海)信息通信科技有限公司 道路救援工作节点确定方法、装置及电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
CN112465060A (zh) 图像中目标物检测方法、装置、电子设备及可读存储介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN112446544A (zh) 交通流预测模型训练方法、装置、电子设备及存储介质
CN112137591B (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
CN111639704A (zh) 目标识别方法、装置及计算机可读存储介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN111309825A (zh) 数据聚类的存储方法、装置及计算机可读存储介质
CN112270244A (zh) 目标物违规监控方法、装置、电子设备及存储介质
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111931729B (zh) 基于人工智能的行人检测方法、装置、设备及介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112581522A (zh) 图像中目标物位置检测方法、装置、电子设备及存储介质
CN115205225A (zh) 医学图像识别模型的训练方法、装置、设备及存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111274937A (zh) 摔倒检测方法、装置、电子设备及计算机可读存储介质
CN114187489A (zh) 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN112990374A (zh) 图像分类方法、装置、电子设备及介质
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN116664949A (zh) 目标物缺陷检测方法、装置、设备及存储介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN114463685A (zh) 行为识别方法、装置、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