CN112163531A - 一种基于行人手臂角度分析的加油员手势识别的方法 - Google Patents

一种基于行人手臂角度分析的加油员手势识别的方法 Download PDF

Info

Publication number
CN112163531A
CN112163531A CN202011062045.3A CN202011062045A CN112163531A CN 112163531 A CN112163531 A CN 112163531A CN 202011062045 A CN202011062045 A CN 202011062045A CN 112163531 A CN112163531 A CN 112163531A
Authority
CN
China
Prior art keywords
pedestrian
pedestrians
image
neural network
convolutional neural
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
CN202011062045.3A
Other languages
English (en)
Inventor
陈友明
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.)
Sichuan Honghe Communication Co ltd
Original Assignee
Sichuan Honghe Communication 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 Sichuan Honghe Communication Co ltd filed Critical Sichuan Honghe Communication Co ltd
Priority to CN202011062045.3A priority Critical patent/CN112163531A/zh
Publication of CN112163531A publication Critical patent/CN112163531A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/107—Static hand or arm

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Social Psychology (AREA)
  • Educational Administration (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于行人手臂角度分析的加油员手势识别的方法，监控系统实时采集加油机附近区域的实时视频，每预设时间截取一张图像，得到实时图像集；使用YOLO V3算法对实时图像集中的行人进行检测，提取图像中的行人，得到行人图像集；通过图像中行人的手臂角度对行人进行类别定义，0代表手臂角度为0度到60度的行人，1代表手臂角度为61度到100度的行人，2代表手臂角度为101度到180度的行人；构建卷积神经网络，使用卷积神经网络对所述行人图像集进行训练；利用训练好的卷积神经网络对行人图像集进行判定，若输出为0，则判定行人无姿势；若输出为1，则判定行人保持车辆引导姿势；若输出为2，则判定行人保持指向显示屏姿势。

Description

一种基于行人手臂角度分析的加油员手势识别的方法
技术领域
本发明涉及图像技术领域，具体涉及一种基于行人手臂角度分析的加油员手势识别的方法。
背景技术
加油站在建立之初根据安防要求，在加油机区域安装摄像机，通过摄像机监控的方式对加油站的加油员的加油作业情况进行考察。其中加油员在加油过程中是否有标准的手势严重影响加油站在顾客心中的形象，油企在对管辖内加油站站点进行管理时，只有通过抽查的方式来监控各个站点的加油员是否在加油过程中有标准手势。
现有技术完全是采用人为干预的方法，通过摄像头监控加油员是否在加油过程中有标准手势，并没有一种客观的非人工且准确的智能监控加油员是否在加油过程中有标准手势。这种完全依靠人工的方法无法全面的统计所有加油员的行为是否合规，无法对其进行系统性评价，从而不能做到对加油员进行全面的评估和监管，加油站的服务质量和形象宣传管理效果不够可控。
发明内容
为解决现有技术中仅通过人工干预来进行对加油员手势进行监管的问题，本发明提供了一种基于行人手臂角度分析的加油员手势识别的方法。
本发明通过下述技术方案实现：
一种基于行人手臂角度分析的加油员手势识别的方法，包括如下步骤：
S1：监控系统实时采集加油机附近区域的实时视频，每预设时间截取一张图像，得到实时图像集；
S2：使用YOLO V3算法对实时图像集中的行人进行检测，提取图像中的行人，得到行人图像集；
S3：通过图像中行人的手臂角度对行人进行类别定义，0代表手臂角度为0度到60度的行人，1代表手臂角度为61度到100度的行人，2代表手臂角度为101度到180度的行人；
S4：构建卷积神经网络，使用卷积神经网络对所述行人图像集进行训练，得到训练好的卷积神经网络；
S5：利用训练好的卷积神经网络对行人图像集进行判定，若输出为0，则判定行人无姿势；若输出为1，则判定行人保持车辆引导姿势；若输出为2，则判定行人保持指向显示屏姿势。
在上述方案的基础上，进一步地有：步骤S1中的监控系统包括多个摄像机，摄像机的安装位置与对应该摄像机所监控的加油机水平距离为8～12米，距地面高度为3～5米。
在上述方案的基础上，进一步地有：步骤S2中提取图像中的行人的具体方法为：对图像中的行人进行截取，生成仅包含行人的图像。
在上述方案的基础上，进一步地有：步骤S3中图像中行人的手臂角度的计算公式为：
C＝arctan((y2-y1)/(x2-x1))
其中，取图片中心点作为原点建立坐标系，(x1，y1)为行人位置相对更高的手的位置坐标，(x2，y2)为行人身体重心的位置坐标。
在上述方案的基础上，进一步地有：步骤S4包括如下子步骤：
S41：选择30000张行人图像集作为训练数据集，3000张行人图像集作为训验证数据集；
S42：定义标准卷积核，卷积核尺寸为3*3*n，参数量为3*3*n；
S43：搭建卷积神经网络，从卷积神经网络的输入端输入256*256*3，从卷积神经网络的输出端输出1*1*3，即时输出数据分别为0、1、2三类数据的概率；
S44：定义损失函数L，损失函数L的计算公式如下：
Figure BDA0002712702650000031
其中，
Figure BDA0002712702650000032
y为网络预测值，
Figure BDA0002712702650000033
为实际标签值；
S45：通过损失函数，利用梯度下降法对训练集进行训练，优化卷积神经网络；
S46：使用卷积神经网络对验证集进行验证，当验证精度大于95％且不再提升时结束卷积神经网络训练，从而得到训练好的卷积神经网络。
在上述方案的基础上，进一步地有：步骤S41中的训练数据集和验证数据集中，均包含比例为1:1:1的0、1和2三类数据。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明克服了前述的现有技术中存在的油企管理者对油站的加油员的行为监管不到位，对油站的对外形象等信息监管滞后、无法提供决策的问题。通过结合相机采集加油区域图像和智能分析算法的方式对加油站原有的监控系统进行升级赋能，代替原有的人工抽查。通过此方法可以对加油站的加油员进行全面监管和评估，同时因为是机器作业，可以保证及时、客观、准确的分析，而且通过算法分析结果，上级领导可以清楚明确了解加油站员工的作业状态，方便监督管理。
附图说明
结合附图，可以得到对本发明实施例的进一步理解，从本发明的权利要求和优选实施例的以下描述可以获得本发明的其它特征和优点。在不超出本发明的范围的情况下，在这种情况下可以按任何期望的方式将图中所示的不同实施例的单独特征加以组合。在附图中：
图1为本发明的逻辑流程框图；
图2为实施例中的高位相机位置示意图；
图3为本发明的卷积核；
图4为卷积神经网络。
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
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：
如图1所示，在本实施例中，一种基于行人手臂角度分析的加油员手势识别的方法，包括如下步骤：
S1：监控系统实时采集加油机附近区域的实时视频，每秒截取一张图像，得到实时图像集；
S2：使用YOLO V3算法对实时图像集中的行人进行检测，提取图像中的行人，得到行人图像集；
S3：通过图像中行人的手臂角度对行人进行类别定义，0代表手臂角度为0度到60度的行人，1代表手臂角度为61度到100度的行人，2代表手臂角度为101度到180度的行人；
S4：构建卷积神经网络，使用卷积神经网络对所述行人图像集进行训练，得到训练好的卷积神经网络；
S5：利用训练好的卷积神经网络对行人图像集进行判定，若输出为0，则判定行人无姿势；若输出为1，则判定行人保持车辆引导姿势；若输出为2，则判定行人保持指向显示屏姿势。
如图2所示，步骤S1中的监控系统包括多个高位相机，高位相机的安装位置与对应该高位相机所监控的加油机水平距离为10米，距地面高度为3米。
优选的，所述步骤S2中提取图像中的行人的具体方法为：对图像中的行人进行截取，生成仅包含行人的图像。
优选的，步骤S3中图像中行人的手臂角度的计算公式为：
C＝arctan((y2-y1)/(x2-x1))
其中，取图片中心点作为原点建立坐标系，(x1，y1)为行人位置相对更高的手的位置坐标，(x2，y2)为行人身体重心的位置坐标。
优选的，步骤S4包括如下子步骤：
S41：选择30000张行人图像集作为训练数据集，3000张行人图像集作为训验证数据集；
S42：如题3所示，定义标准卷积核，卷积核尺寸为3*3*n；
S43：如图4所示，搭建卷积神经网络，从卷积神经网络的输入端输入256*256*3，从卷积神经网络的输出端输出1*1*3，即时输出数据分别为0、1、2三类数据的概率；
S44：定义损失函数L，损失函数L的计算公式如下：
Figure BDA0002712702650000051
其中，
Figure BDA0002712702650000052
y为网络预测值，
Figure BDA0002712702650000053
为实际标签值；
S45：通过损失函数，利用梯度下降法对训练集进行训练，优化卷积神经网络；
S46：使用卷积神经网络对验证集进行验证，当验证精度大于95％且不再提升时结束卷积神经网络训练，从而得到训练好的卷积神经网络。
优选的，步骤S41中的训练数据集和验证数据集中，均包含比例为1:1:1的0、1和2三类数据。
结合实施例可以看出，本发明克服了前述的现有技术中存在的油企管理者对油站的加油员的行为监管不到位，对油站的对外形象等信息监管滞后、无法提供决策的问题。通过结合相机采集加油区域图像和智能分析算法的方式对加油站原有的监控系统进行升级赋能，代替原有的人工抽查。通过此方法可以对加油站的加油员进行全面监管和评估，同时因为是机器作业，可以保证及时、客观、准确的分析，而且通过算法分析结果，上级领导可以清楚明确了解加油站员工的作业状态，方便监督管理。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于行人手臂角度分析的加油员手势识别的方法，其特征在于，包括如下步骤：
S1：监控系统实时采集加油机附近区域的实时视频，每预设时间截取一张图像，得到实时图像集；
S2：使用YOLO V3算法对实时图像集中的行人进行检测，提取图像中的行人，得到行人图像集；
S3：通过图像中行人的手臂角度对行人进行类别定义，0代表手臂角度为0度到60度的行人，1代表手臂角度为61度到100度的行人，2代表手臂角度为101度到180度的行人；
S4：构建卷积神经网络，使用卷积神经网络对所述行人图像集进行训练，得到训练好的卷积神经网络；
S5：利用训练好的卷积神经网络对行人图像集进行判定，若输出为0，则判定行人无姿势；若输出为1，则判定行人保持车辆引导姿势；若输出为2，则判定行人保持指向显示屏姿势。
2.根据权利要求1所述的一种基于行人手臂角度分析的加油员手势识别的方法，其特征在于，所述步骤S1中的监控系统包括多个摄像机，摄像机的安装位置与对应该摄像机所监控的加油机水平距离为8～12米，距地面高度为3～5米。
3.根据权利要求1所述的一种基于行人手臂角度分析的加油员手势识别的方法，其特征在于，所述步骤S2中提取图像中的行人的具体方法为：对图像中的行人进行截取，生成仅包含行人的图像。
4.根据权利要求1所述的一种基于行人手臂角度分析的加油员手势识别的方法，其特征在于，所述步骤S3中图像中行人的手臂角度的计算公式为：
C＝arctan((y2-y1)/(x2-x1))
其中，取图片中心点作为原点建立坐标系，(x1，y1)为行人位置相对更高的手的位置坐标，(x2，y2)为行人身体重心的位置坐标。
5.根据权利要求1所述的一种基于行人手臂角度分析的加油员手势识别的方法，其特征在于，所述步骤S4包括如下子步骤：
S41：选择30000张行人图像集作为训练数据集，3000张行人图像集作为训验证数据集；
S42：定义标准卷积核，卷积核尺寸为3*3*n；
S43：搭建卷积神经网络，从卷积神经网络的输入端输入256*256*3，从卷积神经网络的输出端输出1*1*3，即时输出数据分别为0、1、2三类数据的概率；
S44：定义损失函数L，损失函数L的计算公式如下：
Figure FDA0002712702640000021
其中，
Figure FDA0002712702640000022
y为网络预测值，
Figure FDA0002712702640000023
为实际标签值；
S45：通过损失函数，利用梯度下降法对训练集进行训练，优化卷积神经网络；
S46：使用卷积神经网络对验证集进行验证，当验证精度大于95％且不再提升时结束卷积神经网络训练，从而得到训练好的卷积神经网络。
6.根据权利要求5所述的一种基于行人手臂角度分析的加油员手势识别的方法，其特征在于，在所述步骤S41中的训练数据集和验证数据集中，均包含比例为1:1:1的0、1和2三类数据。
CN202011062045.3A 2020-09-30 2020-09-30 一种基于行人手臂角度分析的加油员手势识别的方法 Pending CN112163531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011062045.3A CN112163531A (zh) 2020-09-30 2020-09-30 一种基于行人手臂角度分析的加油员手势识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011062045.3A CN112163531A (zh) 2020-09-30 2020-09-30 一种基于行人手臂角度分析的加油员手势识别的方法

Publications (1)

Publication Number Publication Date
CN112163531A true CN112163531A (zh) 2021-01-01

Family

ID=73862350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011062045.3A Pending CN112163531A (zh) 2020-09-30 2020-09-30 一种基于行人手臂角度分析的加油员手势识别的方法

Country Status (1)

Country Link
CN (1) CN112163531A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147920A (zh) * 2022-05-18 2022-10-04 福州大学 垃圾投放点的信息处理方法、装置、设备、介质及产品

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127108A (zh) * 2016-06-14 2016-11-16 中国科学院软件研究所 一种基于卷积神经网络的人手图像区域检测方法
US20180150704A1 (en) * 2016-11-28 2018-05-31 Kwangwoon University Industry-Academic Collaboration Foundation Method of detecting pedestrian and vehicle based on convolutional neural network by using stereo camera
CN109948490A (zh) * 2019-03-11 2019-06-28 浙江工业大学 一种基于行人重识别的员工特定行为记录方法
CN110321795A (zh) * 2019-05-24 2019-10-11 平安科技（深圳）有限公司 用户姿态识别方法、装置、计算机装置及计算机存储介质
CN110472870A (zh) * 2019-08-15 2019-11-19 成都睿晓科技有限公司 一种基于人工智能的收银台服务规范检测系统
CN110490125A (zh) * 2019-08-15 2019-11-22 成都睿晓科技有限公司 一种基于手势自动检测的加油区服务质量检测系统
US20200074165A1 (en) * 2017-03-10 2020-03-05 ThirdEye Labs Limited Image analysis using neural networks for pose and action identification
CN111488841A (zh) * 2020-04-15 2020-08-04 上海眼控科技股份有限公司 抽烟行为检测方法、装置、计算机设备及存储介质
CN111598081A (zh) * 2020-04-09 2020-08-28 浙江工业大学 一种七步洗手法操作规范性自动检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127108A (zh) * 2016-06-14 2016-11-16 中国科学院软件研究所 一种基于卷积神经网络的人手图像区域检测方法
US20180150704A1 (en) * 2016-11-28 2018-05-31 Kwangwoon University Industry-Academic Collaboration Foundation Method of detecting pedestrian and vehicle based on convolutional neural network by using stereo camera
US20200074165A1 (en) * 2017-03-10 2020-03-05 ThirdEye Labs Limited Image analysis using neural networks for pose and action identification
CN109948490A (zh) * 2019-03-11 2019-06-28 浙江工业大学 一种基于行人重识别的员工特定行为记录方法
CN110321795A (zh) * 2019-05-24 2019-10-11 平安科技（深圳）有限公司 用户姿态识别方法、装置、计算机装置及计算机存储介质
CN110472870A (zh) * 2019-08-15 2019-11-19 成都睿晓科技有限公司 一种基于人工智能的收银台服务规范检测系统
CN110490125A (zh) * 2019-08-15 2019-11-22 成都睿晓科技有限公司 一种基于手势自动检测的加油区服务质量检测系统
CN111598081A (zh) * 2020-04-09 2020-08-28 浙江工业大学 一种七步洗手法操作规范性自动检测方法
CN111488841A (zh) * 2020-04-15 2020-08-04 上海眼控科技股份有限公司 抽烟行为检测方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李超军: "面向自动驾驶的交警手势识别算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, pages 035 - 292 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147920A (zh) * 2022-05-18 2022-10-04 福州大学 垃圾投放点的信息处理方法、装置、设备、介质及产品

Similar Documents

Publication Publication Date Title
CN110490125B (zh) 一种基于手势自动检测的加油区服务质量检测系统
CN109543627A (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN109996182B (zh) 一种基于uwb定位与监控结合的定位方法、装置及系统
CN106384532A (zh) 视频数据分析方法、装置以及停车位监控系统
CN110458794B (zh) 用于轨道列车的配件质量检测方法及装置
CN112613569B (zh) 图像识别方法、图像分类模型的训练方法及装置
CN111325128A (zh) 违规操作检测方法、装置、计算机设备和存储介质
CN112990870A (zh) 基于核电设备的巡检文件生成方法、装置和计算机设备
CN107610282A (zh) 一种公交客流统计系统
CN111401131A (zh) 隧道管廊的图像处理方法、装置、计算机设备和存储介质
CN115857413B (zh) 一种基于物联网的智能楼宇安全监测系统及方法
CN112163531A (zh) 一种基于行人手臂角度分析的加油员手势识别的方法
CN118134104B (zh) 一种工程管理方法、系统
CN108875700A (zh) 一种监控系统和方法
CN115601011A (zh) 基于运维设备的维修调度方法、系统、设备及介质
CN112132092A (zh) 一种基于卷积神经网络的灭火器和灭火毯的识别方法
JP7203277B2 (ja) 車両ナンバープレートの認識率をモニタリングする方法及び装置、並びにコンピュータ読み取り可能な格納媒体
CN114387542A (zh) 一种基于便携布控球的视频采集单元异常识别系统
CN105785954A (zh) 基于质量状态任务网络的制造系统任务可靠性建模方法
CN112163528A (zh) 一种基于卷积神经网络的油管拖地的识别方法
JP2019075078A (ja) 工事現場画像判定装置及び工事現場画像判定プログラム
CN105162931A (zh) 一种通信号码的分类方法及装置
CN109801394B (zh) 一种工作人员考勤方法及装置、电子设备和可读存储介质
CN116863580A (zh) 基于物联网的智慧门禁系统
CN201707722U (zh) 智能高效人流疏导系统

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: 20210101

RJ01 Rejection of invention patent application after publication