CN112288696B - 一种辅助质检方法、装置、电子设备及存储介质 - Google Patents

一种辅助质检方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112288696B
CN112288696B CN202011126009.9A CN202011126009A CN112288696B CN 112288696 B CN112288696 B CN 112288696B CN 202011126009 A CN202011126009 A CN 202011126009A CN 112288696 B CN112288696 B CN 112288696B
Authority
CN
China
Prior art keywords
picture
quality inspection
error
original quality
data
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.)
Active
Application number
CN202011126009.9A
Other languages
English (en)
Other versions
CN112288696A (zh
Inventor
刘为
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011126009.9A priority Critical patent/CN112288696B/zh
Publication of CN112288696A publication Critical patent/CN112288696A/zh
Application granted granted Critical
Publication of CN112288696B publication Critical patent/CN112288696B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种辅助质检方法、装置、电子设备及存储介质，涉及深度学习、图像处理及人工智能技术领域，所述方法包括：在原始质检图片中截取得到目标绘制图片；根据目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据；根据待质检数据，以及多个错误绘制图片样本数据，得到待质检数据的错误绘制置信度；根据错误绘制置信度，确定与原始质检图片匹配的质检处理策略。本申请实施例的技术方案可以提供一种辅助质检平台对作业人员绘制的电子地图进行质检的方式，可以提高对原始质检图片检查结果的准确性，节省了人力成本，提高了对原始质检图片的检查效率。

Description

一种辅助质检方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及深度学习、图像处理及人工智能技术领域，具体涉及一种辅助质检方法、装置、电子设备及存储介质。
背景技术
在当今的数字信息时代，电子地图已经逐步成为人们日常生活中使用最多的工具，因此，地图数据的质量就显得尤为重要。当前的电子地图底图的制作过程一般会经历以下步骤：作业人员根据作业任务信息，在底图上进行人工绘制；作业人员绘制结束后，质检人员根据作业人员绘制的结果进行抽检或者全量检查。其中，作业人员绘制结束后，通常会设置“二级”检查环节，即一检(也称为“质检”)，和二检(也称为“验收”)。
但是，现有检查方法中“二级”检查都是由人工完成，容易出现检查结果不准确的问题。其次，对于以“抽检”方式进行检查的场景，由于是按照作业比例进行随机抽取，容易导致部分错误作业出现“漏检”的问题，进而影响检查结果的准确性；对于以“全检”方式进行检查的场景，付出的人力成本较高，检查效率较低。
发明内容
本申请实施例提供了一种辅助质检方法、装置、电子设备及存储介质。
根据本申请实施例的第一方面，提供了一种辅助质检方法，包括：
在原始质检图片中截取得到目标绘制图片，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素；
根据所述目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据；
根据所述待质检数据，以及多个错误绘制图片样本数据，得到所述待质检数据的错误绘制置信度；
根据所述错误绘制置信度，确定与所述原始质检图片匹配的质检处理策略。
根据本申请实施例的第二方面，提供了一种辅助质检装置，包括：
目标绘制图片截取模块，用于在原始质检图片中截取得到目标绘制图片，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素；
待质检数据生成模块，用于根据所述目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据；
错误绘制置信度获取模块，用于根据所述待质检数据，以及多个错误绘制图片样本数据，得到所述待质检数据的错误绘制置信度；
质检处理策略确定模块，用于根据所述错误绘制置信度，确定与所述原始质检图片匹配的质检处理策略。
根据本申请实施例的第三方面，提供了一种电子设备，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本申请任意实施例提供的一种辅助质检方法。
根据本申请实施例的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例提供的一种辅助质检方法。
本申请实施例的技术方案可以提高对原始质检图片检查结果的准确性，节省了人力成本，提高了对原始质检图片的检查效率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
图1是根据本申请实施例的一种辅助质检方法的示意图；
图2是根据本申请实施例的另一种辅助质检方法的示意图；
图3是根据本申请实施例的又一种辅助质检方法的示意图；
图4a是根据本申请实施例的又一种辅助质检方法的示意图；
图4b是根据本申请实施例的又一种辅助质检方法的示意图；
图4c是根据本申请实施例的一种收集错误绘制图片样本数据的方法示意图；
图4d是根据本申请实施例的一种对神经网络模型进行训练的方法的示意图；
图4e是根据本申请实施例的一种辅助质检人员进行质检的方法的示意图；
图5是根据本申请实施例的一种辅助质检装置的示意图；
图6是用来实现本申请实施例的辅助质检方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1为本申请实施例提供的一种辅助质检方法的流程图，本申请实施例可适用于辅助质检平台对作业人员绘制的电子地图进行质检的情形，该方法可以由辅助质检装置来执行，该装置可以由软件和/或硬件来实现，并一般可以集成具备图片处理功能的电子设备中，所述方法具体包括如下步骤：
步骤110、在原始质检图片中截取得到目标绘制图片，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素。
在本实施例中，地图底图可以为简化的地形图，作业人员可以根据实际的作业任务信息，在地图底图上绘制目标城市中具体的地理要素(例如限速标牌、道路线以及居民区等)，并将绘制好的地理要素称为所述绘图元素。
在此步骤中，作业人员在地图底图上绘制完绘图元素后，可以将绘制完成的底图作为待质检图片，也即原始质检图片。获取到原始质检图片后，可选的，可以将原始质检图片按照设定截取尺寸进行分割，得到多个截取图片，然后识别各截取图片中是否包括所述绘图元素，将包括所述绘图元素的截取图片作为所述目标绘制图片。
其中，假设原始质检图片的尺寸为512*512像素，设定的截取尺寸可以为128*128像素，将原始质检图片按照设定截取尺寸进行分割后，可以得到16张截取图片。
步骤120、根据所述目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据。
在本实施例中，期望绘制类型为绘图元素所属的目标地理要素，例如绘图元素为封闭的多边形区域时，对应的期望绘制类型可以为居民区。可选的，作业人员在地图底图上绘制完绘图元素后，可以在生成的原始质检图片上标注期望绘制类型。
在此步骤中，可选的，可以根据目标绘制图片的像素灰度值，以及期望绘制类型，生成待质检数据。
其中，可以获取目标绘制图片的像素灰度值向量，建立目标绘制图片的像素灰度值向量与期望绘制类型的映射关系，并将目标绘制图片的像素灰度值向量与期望绘制类型一起作为待质检数据(x,y)，x代表目标绘制图片的像素灰度值向量，y代表原始质检图片的期望绘制类型。
例如，如果目标绘制图片的尺寸为100*100像素，则可以得到1×10000的灰度值向量。
步骤130、根据所述待质检数据，以及多个错误绘制图片样本数据，得到所述待质检数据的错误绘制置信度。
在本实施例中，可选的，在获取原始质检图片之前，质检人员对历史质检图片进行质检的过程中，如果发现绘图元素出现错误，则可以将该历史质检图片作为错误绘制图片样本，并将错误绘制图片样本的像素灰度值向量与对应的期望绘制类型一起作为错误绘制图片样本数据。
在此步骤中，可选的，获取到待质检数据后，可以根据待质检数据中的期望绘制类型，获取与该期望绘制类型匹配的多个错误绘制图片样本数据，然后根据待质检数据与该多个错误绘制图片样本数据，计算待质检数据的错误绘制置信度。
步骤140、根据所述错误绘制置信度，确定与所述原始质检图片匹配的质检处理策略。
在此步骤中，可选的，可以将所述错误绘制置信度与预设的置信度阈值进行比较，如果所述错误绘制置信度大于或者等于置信度阈值，则说明原始质检图片接近错误绘制图片样本的概率较高；如果所述错误绘制置信度小于置信度阈值，则说明原始质检图片接近错误绘制图片样本的概率较低。
其中，可选的，当所述错误绘制置信度大于或者等于置信度阈值，则可以将原始质检图片反馈至绘制平台，以使作业人员对原始质检图片上的绘图元素进行修改。当所述错误绘制置信度小于置信度阈值，则可以确认所述原始质检图片为正确绘制图片，并将该正确绘制图片反馈至质检平台，以供质检平台进行下一步处理。
由此，根据错误绘制置信度判断原始质检图片中的绘图元素是否绘制错误，可以避免人工检查导致检查结果不准确的问题，可以提高对原始质检图片检查结果的准确性。
本申请实施例通过在原始质检图片中截取得到目标绘制图片，然后根据目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据，并根据待质检数据，以及多个错误绘制图片样本数据，得到待质检数据的错误绘制置信度，最后根据错误绘制置信度，确定与原始质检图片匹配的质检处理策略的技术手段，提供了一种辅助质检平台对作业人员绘制的电子地图进行质检的方式，可以提高对原始质检图片检查结果的准确性，节省了人力成本，提高了对原始质检图片的检查效率。
本申请实施例在上述实施例的基础上，提供了在原始质检图片中截取得到目标绘制图片的可选实施方式。与上述实施例相同或相应的术语解释，本申请实施例不再赘述。
图2为本申请实施例提供的一种辅助质检方法的流程图，本实施例的方法具体包括如下步骤：
步骤210、在原始质检图片中识别绘制中心点，并根据绘制中心点，截取得到目标绘制图片。
其中，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素。
在本实施例中，可选的，作业人员在地图底图上绘制完绘图元素后，可以将绘图元素的中心点(也即绘制中心点)的位置坐标标注在生成的原始质检图片上。在获取到原始质检图片后，可以根据绘图元素的中心点的位置坐标，识别到绘制中心点，然后以绘制中心点为截取中心，在原始质检图片中截取与预设截取尺寸匹配的目标绘制图片。
这样设置的好处在于：保证绘图元素位于目标绘制图片的中心区域，便于后续计算待质检数据的错误绘制置信度。
其中，可选的，在所述原始质检图片中识别绘制中心点，并根据所述绘制中心点，截取得到所述目标绘制图片，还可以包括：在原始质检图片中识别绘制中心点；根据所述原始质检图片的期望绘制类型，获取截取尺寸；以所述绘制中心点为截取中心，在所述原始质检图片中截取与所述截取尺寸匹配的目标绘制图片。
在本实施例中，可选的，不同的期望绘制类型可以对应不同的截取尺寸，例如期望绘制类型为居民区时，截取尺寸较大，期望绘制类型为限速标牌时，截取尺寸较小。
这样设置的好处在于：一方面可以保证绘图元素全部位于目标绘制图片中，避免绘图元素出现遗漏的情形；另一方面，可以避免由于绘图元素过小，目标绘制图片过大，导致后续待质检数据中无效灰度值过多造成的检查效率较低的问题。
在本实施例中，可选的，在原始质检图片中识别绘制中心点，还可以包括：根据所述原始质检图片中标注的期望绘制类型，在所述原始质检图片中识别与所述期望绘制类型匹配的绘图元素；将所述绘图元素的中心点作为所述绘制中心点。
其中，可选的，可以利用图像识别技术在原始质检图片中识别与期望绘制类型匹配的绘图元素。
这样设置的好处在于：可以自动识别出原始质检图片中的绘图元素，提高对原始质检图片的检查效率。
步骤220、根据目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据。
步骤230、根据待质检数据，以及多个错误绘制图片样本数据，得到待质检数据的错误绘制置信度。
步骤240、根据错误绘制置信度，确定与原始质检图片匹配的质检处理策略。
本申请实施例通过在原始质检图片中识别绘制中心点，根据绘制中心点，截取得到目标绘制图片，并根据目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据，然后根据待质检数据，以及多个错误绘制图片样本数据，得到待质检数据的错误绘制置信度，最后根据错误绘制置信度，确定与原始质检图片匹配的质检处理策略的技术手段，提供了一种辅助质检平台对作业人员绘制的电子地图进行质检的方式，可以提高对原始质检图片检查结果的准确性，节省了人力成本，提高了对原始质检图片的检查效率。
本申请实施例在上述实施例的基础上，提供了根据待质检数据，以及多个错误绘制图片样本数据，得到待质检数据的错误绘制置信度的一种可选实施方式。与上述实施例相同或相应的术语解释，本申请实施例不再赘述。
图3为本申请实施例提供的一种辅助质检方法的流程图，本实施例的方法具体包括如下步骤：
步骤310、在原始质检图片中识别绘制中心点，并根据绘制中心点，截取得到目标绘制图片。
步骤320、根据所述目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据。
步骤330、将所述待质检数据输入至预先训练的错误绘制识别模型中，获取所述错误绘制识别模型输出的错误绘制置信度。
其中，所述错误绘制识别模型通过多个错误绘制图片样本数据训练得到。
在此步骤中，可选的，所述错误绘制识别模型可以通过多个错误绘制图片样本数据对神经网络模型训练得到。
其中，所述神经网络模型可以基于MobileNet模型、VGG(Visual Geometry GroupNetwork，视觉几何组网络)模型或者Resnet模型等构建。
这样设置的好处在于：实现错误绘制置信度计算过程的自动化，提高对原始质检图片的检查效率。
在本实施例中，可选的，在原始质检图片中截取得到目标绘制图片之前，还包括：获取质检平台提供的多个错误绘制图片截图；根据各所述错误绘制图片截图，以及与各所述错误绘制图片截图分别对应的标准绘制类型，构造多个错误绘制图片样本数据；将所述错误绘制图片样本数据输入至设定的机器学习模型中进行训练，得到所述错误绘制识别模型。
其中，在获取原始质检图片之前，质检人员对历史质检图片进行质检的过程中，如果发现绘图元素出现错误，则可以对错误的绘图元素进行截取，得到多个错误绘制图片截图，并将各错误绘制图片截图的像素灰度值向量与对应的标准绘制类型一起作为错误绘制图片样本数据。所述标准绘制类型为绘图元素实际所属的地理要素。
在本实施例中，质检人员可以选择截图工具(所述截图工具设置在底图编辑器内部)对错误的绘图元素进行截取，当光标放置在错误的绘图元素的预设范围内时，截图工具会自动对准绘图元素的中心，质检人员单击鼠标即可完成截图操作。其中，所述绘图元素位于错误绘制图片截图的中心区域，并且针对同一绘制类型下的质检图片，所述截图工具的截取尺寸与步骤310中的截取尺寸相等。
这样设置的好处在于：保证目标绘制图片的尺寸与对应的错误绘制图片样本的尺寸相等，便于计算待质检数据的错误绘制置信度。
在本实施例中，可选的，将所述错误绘制图片样本数据输入至设定的机器学习模型中进行训练，得到所述错误绘制识别模型可以包括如下步骤：根据所述多个错误绘制图片样本数据，构建训练数据集，在所述训练数据集中筛选部分错误绘制图片样本数据作为测试数据集；使用所述训练数据集和测试数据集对机器学习模型进行迭代训练，得到所述错误绘制识别模型。
其中，所述训练数据集用于输入至设定的机器学习模型，并根据输出结果调整机器学习模型的参数，从而完成对机器学习模型的训练；所述测试数据集用于测试训练后的机器学习模型输出的错误绘制置信度，根据所述错误绘制置信度确定所述训练后的机器学习模型是否可以作为错误绘制识别模型。其中，机器学习模型输出的错误绘制置信度越高，则确定该机器学习模型对错误绘制图片样本数据的检查结果越准确。
这样设置的好处在于：实现错误绘制置信度计算过程的自动化，提高对原始质检图片的检查效率和检查结果的准确性。
步骤340、根据所述错误绘制置信度，确定与所述原始质检图片匹配的质检处理策略。
本申请实施例通过在原始质检图片中识别绘制中心点，根据绘制中心点，截取得到目标绘制图片，并根据目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据，然后将待质检数据输入至预先训练的错误绘制识别模型中，获取错误绘制识别模型输出的错误绘制置信度，最后根据错误绘制置信度，确定与原始质检图片匹配的质检处理策略的技术手段，提供了一种辅助质检平台对作业人员绘制的电子地图进行质检的方式，可以提高对原始质检图片检查结果的准确性，实现错误绘制置信度计算过程的自动化，节省了人力成本，提高了对原始质检图片的检查效率。
本申请实施例在上述实施例的基础上，提供了根据所述错误绘制置信度，确定与所述原始质检图片匹配的质检处理策略的一种可选实施方式。与上述实施例相同或相应的术语解释，本申请实施例不再赘述。
图4a为本申请实施例提供的一种辅助质检方法的流程图，本实施例的方法具体包括如下步骤：
步骤410、在原始质检图片中截取得到目标绘制图片。
其中，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素。
步骤420、根据所述目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据。
步骤430、将所述待质检数据输入至预先训练的错误绘制识别模型中，获取所述错误绘制识别模型输出的错误绘制置信度。
其中，所述错误绘制识别模型通过多个错误绘制图片样本数据训练得到。
在此步骤中，可选的，可以将所述错误绘制图片样本数据输入至设定的机器学习模型中进行训练，得到所述错误绘制识别模型。
其中，将所述错误绘制图片样本数据输入至设定的机器学习模型中进行训练，得到所述错误绘制识别模型可以包括如下步骤：根据所述多个错误绘制图片样本数据，构建训练数据集，在所述训练数据集中筛选部分错误绘制图片样本数据作为测试数据集；使用所述训练数据集和测试数据集对机器学习模型进行迭代训练，得到所述错误绘制识别模型。
步骤440、如果所述错误绘制置信度满足错误绘制阈值条件，则在所述原始质检图片中标注绘制不通过标签，并将所述原始质检图片反馈至绘制平台。
在本实施例中，如果所述错误绘制置信度位于预设的第一置信度阈值区间，则确定所述错误绘制置信度满足错误绘制阈值条件。可选的，所述第一置信度阈值区间的取值可以为较大值，如[0.9，1]。当所述错误绘制置信度位于预设的第一置信度阈值区间时，可以说明原始质检图片的出错率较高，在原始质检图片中标注绘制不通过标签，并将原始质检图片反馈至绘制平台，以使作业人员对原始质检图片上的绘图元素进行修改。
这样设置的好处在于：通过在原始质检图片中标注绘制不通过标签，可以提醒作业人员对原始质检图片上的绘图元素及时修改，提高作业效率。
步骤450、如果所述错误绘制置信度满足二次质检条件，则将所述原始质检图片提供至质检平台，以供所述质检平台进行二次质检。
在本实施例中，如果所述错误绘制置信度位于预设的第二置信度阈值区间，则确定所述错误绘制置信度满足二次质检条件。所述第二置信度阈值区间的取值可以为略小于第一置信度阈值区间的值，如[0.7，0.9)。当所述错误绘制置信度位于预设的第二置信度阈值区间时，可以说明原始质检图片的出错率中等，将原始质检图片提供至质检平台，以供所述质检平台进行二次质检。
这样设置的好处在于：通过所述质检平台进行二次质检，可以提高对原始质检图片检查结果的准确性。
步骤460、如果所述错误绘制置信度满足正确绘制阈值条件，则在所述原始质检图片中标注绘制通过标签，并将所述原始质检图片提供至绘制图片使用方平台。
在本实施例中，如果所述错误绘制置信度位于预设的第三置信度阈值区间，则确定所述错误绘制置信度满足正确绘制阈值条件。所述第三置信度阈值区间的取值可以为小于第二置信度阈值区间的值，如[0，0.7)。当所述错误绘制置信度位于预设的第三置信度阈值区间时，可以说明原始质检图片的出错率较低，在原始质检图片中标注绘制通过标签，并将原始质检图片提供至绘制图片使用方平台，以使绘制图片使用方平台使用所述原始质检图片。
这样设置的好处在于：通过在原始质检图片中标注绘制通过标签，可以提醒绘制图片使用人员使用所述原始质检图片，提高作业效率。
在本申请实施例的一个实施方式中，在原始质检图片中标注绘制通过标签，并将原始质检图片提供至绘制图片使用方平台之后，还包括：在多个标注有绘制通过标签的原始质检图片中，获取至少一个误识别的原始质检图片；将误识别的原始质检图片对应的待质检数据，作为新的错误绘制图片样本数据，并使用新的错误绘制图片样本数据对所述错误绘制识别模型进行模型校正。
其中，在原始质检图片中标注绘制通过标签，并将原始质检图片提供至绘制图片使用方平台之后，质检人员还在多个标注有绘制通过标签的原始质检图片中，获取误识别的原始质检图片(也即原始质检图片错误，但是检查结果正确)，然后将误识别的原始质检图片对应的待质检数据，作为新的错误绘制图片样本数据，并将所述新的错误绘制图片样本数据添加至所述机器学习模型对应的训练数据集中，得到新的训练数据集，最后使用所述新的训练数据集和测试数据集对机器学习模型进行迭代训练，得到校正后的错误绘制识别模型。
这样设置的好处在于：提高错误绘制识别模型对原始质检图片检查结果的准确性。
本申请实施例通过在原始质检图片中截取得到目标绘制图片，并根据目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据，然后将待质检数据输入至预先训练的错误绘制识别模型中，获取错误绘制识别模型输出的错误绘制置信度，最后根据错误绘制置信度满足的阈值条件，确定匹配的质检处理策略的技术手段，提供了一种辅助质检平台对作业人员绘制的电子地图进行质检的方式，可以提高对原始质检图片检查结果的准确性，实现错误绘制置信度计算过程的自动化，节省了人力成本，提高了对原始质检图片的检查效率。
为了更好地对本申请实施例提供的技术方案进行介绍，本申请实施例提供了一种辅助质检方法的实施方式，如图4b所示：
步骤1：人工质检多张历史质检图片；
在本申请实施例中，在获取原始质检图片之前，质检人员还对多张历史质检图片进行人工质检。
步骤2：质检人员反馈错误绘制图片样本数据；
在此步骤中，质检人员对历史质检图片进行质检的过程中，如果发现绘图元素出现错误，则可以收集错误的质检图片，并将各错误的质检图片的像素灰度值向量与对应的标准绘制类型作为错误绘制图片样本数据。
步骤3：将错误绘制图片样本数据上传至训练数据母库；
在本申请实施例中，可选的，如图4c所示，质检人员收集错误绘制图片样本数据的方法可以包括如下步骤：
步骤31、将作业人员完成的多个绘图任务对应的质检图片上传至质检平台，以供质检人员质检；
步骤32、质检人员对多个质检图片进行人工质检；
步骤33、根据各质检图片中的绘图元素，确定质检结果；
步骤34、对错误的质检图片进行标注，并对错误的质检图片中的绘图元素进行截取，得到多个错误绘制图片截图；
步骤35、获取错误绘制图片截图中各像素点的灰度值，构建像素灰度值向量矩阵，并将像素灰度值向量矩阵与对应的标准绘制类型一起作为错误绘制图片样本数据；
步骤36、将各错误绘制图片样本数据上传至训练数据母库。
步骤4：获取训练数据母库中的多个错误绘制图片样本数据，将多个错误绘制图片样本数据输入至神经网络模型模型中进行训练。
在本申请实施例中，可选的，如图4d所示，对神经网络模型进行训练的方法可以包括如下步骤：
步骤41、根据多个错误绘制图片样本数据，构建训练数据集；
步骤42、将所述训练数据集输入至神经网络模型；
步骤43、使用所述训练数据集对神经网络模型进行迭代训练；
步骤44、在训练数据集中筛选部分错误绘制图片样本数据作为测试数据集，使用测试数据集对神经网络模型进行测试，将输出的错误绘制置信度较高的神经网络模型作为错误绘制识别模型。
步骤5：将上述步骤得到的错误绘制识别模型存入模型库中；
步骤6：获取原始质检图片，全量识别原始质检图片中作业人员的作业信息；
在此步骤中，可选的，可以在原始质检图片中识别绘制中心点，并根据绘制中心点，截取得到目标绘制图片。
步骤7、对目标绘制图片的像素点进行量化；
在此步骤中，可选的，可以根据目标绘制图片中各像素点的灰度值，构建像素灰度值向量，并将目标绘制图片的像素灰度值向量与期望绘制类型一起作为待质检数据，并将待质检数据存储在待请求列表中。
步骤8、从待请求列表中获取待质检数据，将待质检数据发送到用于辅助检查的应用程序接口(Application Programming Interface，API)；
步骤9、上述应用程序接口根据待质检数据中的像素灰度值向量与期望绘制类型，从模型库中查询错误绘制识别模型，并根据错误绘制识别模型计算目标绘制图片的错误绘制置信度；如果错误绘制置信度满足二次质检条件，则将原始质检图片提供至质检平台，以辅助质检人员进行二次人工质检。
在本申请实施例中，可选的，如图4e所示，辅助质检人员进行质检的方法还可以包括如下步骤：
步骤91、质检平台接收待检查任务集，其中，待检查任务集中包括多个质检图片；
步骤92、根据待检查任务集中的多个质检图片，生成多个待质检数据；
步骤93、将待质检数据发送到用于辅助检查的API；
步骤94、API根据待质检数据，从模型库中查询错误绘制识别模型，并根据错误绘制识别模型计算各质检图片的错误绘制置信度，根据错误绘制置信度生成各质检图片对应的检查结果集；
其中，可选的，如果错误绘制置信度在区间[0.9，1]内，则认为出错率极高，判定为不通过；如果置信度在区间[0.7，0.9]，则认为出错率中等，需要人工介入；如果置信度小于0.7，则认为出错率低，可以直接通过。
步骤94、将检查结果集返回至质检平台，以供质检平台进行下一步处理。
本申请实施例提供的方法可以提高对原始质检图片检查结果的准确性，节省了人力成本，提高了对原始质检图片的检查效率。
图5为本申请实施例提供的一种辅助质检装置500的结构图，该装置包括：目标绘制图片截取模块510、待质检数据生成模块520、错误绘制置信度获取模块530和质检处理策略确定模块540。
其中，目标绘制图片截取模块510，用于在原始质检图片中截取得到目标绘制图片，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素；
待质检数据生成模块520，用于根据所述目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据；
错误绘制置信度获取模块530，用于根据所述待质检数据，以及多个错误绘制图片样本数据，得到所述待质检数据的错误绘制置信度；
质检处理策略确定模块540，用于根据所述错误绘制置信度，确定与所述原始质检图片匹配的质检处理策略。
本申请实施例通过在原始质检图片中截取得到目标绘制图片，然后根据目标绘制图片以及原始质检图片的期望绘制类型，生成待质检数据，并根据待质检数据，以及多个错误绘制图片样本数据，得到待质检数据的错误绘制置信度，最后根据错误绘制置信度，确定与原始质检图片匹配的质检处理策略的技术手段，提供了一种辅助质检平台对作业人员绘制的电子地图进行质检的方式，可以提高对原始质检图片检查结果的准确性，节省了人力成本，提高了对原始质检图片的检查效率。
在上述各实施例的基础上，所述目标绘制图片截取模块510，可以包括：
截取处理单元，用于在所述原始质检图片中识别绘制中心点，并根据所述绘制中心点，截取得到所述目标绘制图片；
所述截取处理单元，包括：
绘制中心点识别子单元，用于在原始质检图片中识别绘制中心点；
截取尺寸获取子单元，用于根据所述原始质检图片的期望绘制类型，获取截取尺寸；
截取子单元，用于以所述绘制中心点为截取中心，在所述原始质检图片中截取与所述截取尺寸匹配的目标绘制图片；
所述绘制中心点识别子单元，包括：
绘图元素识别子单元，用于根据所述原始质检图片中标注的期望绘制类型，在所述原始质检图片中识别与所述期望绘制类型匹配的绘图元素；
绘制中心点确定子单元，用于将所述绘图元素的中心点作为所述绘制中心点；
所述错误绘制置信度获取模块530，包括：
待质检数据输入单元，用于将所述待质检数据输入至预先训练的错误绘制识别模型中，获取所述错误绘制识别模型输出的错误绘制置信度；
其中，所述错误绘制识别模型通过多个错误绘制图片样本数据训练得到。
所述质检处理策略确定模块540，包括：
不通过标签标注单元，用于如果所述错误绘制置信度满足错误绘制阈值条件，则在所述原始质检图片中标注绘制不通过标签，并将所述原始质检图片反馈至绘制平台；
二次质检单元，用于如果所述错误绘制置信度满足二次质检条件，则将所述原始质检图片提供至质检平台，以供所述质检平台进行二次质检；
通过标签标注单元，用于如果所述错误绘制置信度满足正确绘制阈值条件，则在所述原始质检图片中标注绘制通过标签，并将所述原始质检图片提供至绘制图片使用方平台；
所述通过标签标注单元，包括：
误识别图片获取子单元，用于在所述多个标注绘制通过标签的原始质检图片中，获取至少一个误识别的原始质检图片；
错误绘制识别模型校正子单元，用于将所述误识别的原始质检图片对应的待质检数据，作为新的错误绘制图片样本数据，并使用各所述错误绘制图片样本数据对所述错误绘制识别模型进行模型校正。
所述辅助质检装置，还包括：
错误绘制图片截图获取模块，用于获取质检平台提供的多个错误绘制图片截图；
错误绘制图片样本数据构造模块，用于根据各所述错误绘制图片截图，以及与各所述错误绘制图片截图分别对应的标准绘制类型，构造多个错误绘制图片样本数据；
错误绘制图片样本数据训练模块，用于将所述错误绘制图片样本数据输入至设定的机器学习模型中进行训练，得到所述错误绘制识别模型。
本申请实施例所提供的辅助质检装置可执行本申请任意实施例所提供的辅助质检方法，具备执行方法相应的功能模块和有益效果。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的辅助质检方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的辅助质检方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的辅助质检方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的辅助质检的方法对应的程序指令/模块(例如，附图5所示的目标绘制图片截取模块510、待质检数据生成模块520、错误绘制置信度获取模块530和质检处理策略确定模块540)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的辅助质检方法。
存储器602可以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、至少一个功能所需要的应用程序；存储数据区可存储根据辅助质检方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至辅助质检方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
辅助质检方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与辅助质检方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，可以提高对原始质检图片检查结果的准确性，节省了人力成本，提高了对原始质检图片的检查效率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种辅助质检方法，包括：
根据原始质检图片中标注的期望绘制类型，在所述原始质检图片中识别与所述期望绘制类型匹配的绘图元素；其中，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素；
将所述绘图元素的中心点作为绘制中心点；
根据所述原始质检图片的期望绘制类型，获取截取尺寸；
以所述绘制中心点为截取中心，在所述原始质检图片中截取与所述截取尺寸匹配的目标绘制图片；
根据所述目标绘制图片以及所述原始质检图片的期望绘制类型，生成待质检数据；
根据所述待质检数据，以及多个错误绘制图片样本数据，得到所述待质检数据的错误绘制置信度；
如果所述错误绘制置信度满足错误绘制阈值条件，则在所述原始质检图片中标注绘制不通过标签，并将所述原始质检图片反馈至绘制平台；
如果所述错误绘制置信度满足二次质检条件，则将所述原始质检图片提供至质检平台，以供所述质检平台进行二次质检；
如果所述错误绘制置信度满足正确绘制阈值条件，则在所述原始质检图片中标注绘制通过标签，并将所述原始质检图片提供至绘制图片使用方平台。
2.根据权利要求1所述的方法，其中，所述根据所述待质检数据，以及多个错误绘制图片样本数据，得到所述待质检数据的错误绘制置信度，包括：
将所述待质检数据输入至预先训练的错误绘制识别模型中，获取所述错误绘制识别模型输出的错误绘制置信度；
其中，所述错误绘制识别模型通过多个所述错误绘制图片样本数据训练得到。
3.根据权利要求2所述的方法，其中，在所述根据原始质检图片中标注的期望绘制类型，在所述原始质检图片中识别与所述期望绘制类型匹配的绘图元素之前，包括：
获取所述质检平台提供的多个错误绘制图片截图；
根据各所述错误绘制图片截图，以及与各所述错误绘制图片截图分别对应的标准绘制类型，构造多个所述错误绘制图片样本数据；
将所述错误绘制图片样本数据输入至设定的机器学习模型中进行训练，得到所述错误绘制识别模型。
4.根据权利要求1-3中任一所述的方法，其中，在所述原始质检图片中标注绘制通过标签，并将所述原始质检图片提供至绘制图片使用方平台之后，还包括：
在多个标注有绘制通过标签的原始质检图片中，获取至少一个误识别的原始质检图片；
将所述误识别的原始质检图片对应的待质检数据，作为新的错误绘制图片样本数据，并使用所述新的错误绘制图片样本数据对所述错误绘制识别模型进行模型校正。
5.一种辅助质检装置，包括：
目标绘制图片截取模块，包括：截取处理单元；
所述截取处理单元，包括：绘制中心点识别子单元、截取尺寸获取子单元和截取子单元；
所述绘制中心点识别子单元，包括：绘图元素识别子单元和绘制中心点确定子单元；
所述绘图元素识别子单元，用于根据原始质检图片中标注的期望绘制类型，在所述原始质检图片中识别与所述期望绘制类型匹配的绘图元素；其中，所述原始质检图片中包括：地图底图和绘制在所述地图底图上的绘图元素；
所述绘制中心点确定子单元，用于将所述绘图元素的中心点作为绘制中心点；
所述截取尺寸获取子单元，用于根据所述原始质检图片的期望绘制类型，获取截取尺寸；
所述截取子单元，用于以所述绘制中心点为截取中心，在所述原始质检图片中截取与所述截取尺寸匹配的目标绘制图片；
待质检数据生成模块，用于根据所述目标绘制图片以及所述原始质检图片的期望绘制类型，生成待质检数据；
错误绘制置信度获取模块，用于根据所述待质检数据，以及多个错误绘制图片样本数据，得到所述待质检数据的错误绘制置信度；
质检处理策略确定模块，包括：
不通过标签标注单元，用于如果所述错误绘制置信度满足错误绘制阈值条件，则在所述原始质检图片中标注绘制不通过标签，并将所述原始质检图片反馈至绘制平台；
二次质检单元，用于如果所述错误绘制置信度满足二次质检条件，则将所述原始质检图片提供至质检平台，以供所述质检平台进行二次质检；
通过标签标注单元，用于如果所述错误绘制置信度满足正确绘制阈值条件，则在所述原始质检图片中标注绘制通过标签，并将所述原始质检图片提供至绘制图片使用方平台。
6.根据权利要求5所述的装置，所述错误绘制置信度获取模块，包括：
待质检数据输入单元，用于将所述待质检数据输入至预先训练的错误绘制识别模型中，获取所述错误绘制识别模型输出的错误绘制置信度；
其中，所述错误绘制识别模型通过多个所述错误绘制图片样本数据训练得到。
7.根据权利要求6所述的装置，所述装置，还包括：
错误绘制图片截图获取模块，用于获取所述质检平台提供的多个错误绘制图片截图；
错误绘制图片样本数据构造模块，用于根据各所述错误绘制图片截图，以及与各所述错误绘制图片截图分别对应的标准绘制类型，构造多个所述错误绘制图片样本数据；
错误绘制图片样本数据训练模块，用于将所述错误绘制图片样本数据输入至设定的机器学习模型中进行训练，得到所述错误绘制识别模型。
8.根据权利要求5-7所述的装置，所述通过标签标注单元，包括：
误识别图片获取子单元，用于在所述多个标注绘制通过标签的原始质检图片中，获取至少一个误识别的原始质检图片；
错误绘制识别模型校正子单元，用于将所述误识别的原始质检图片对应的待质检数据，作为新的错误绘制图片样本数据，并使用各所述错误绘制图片样本数据对所述错误绘制识别模型进行模型校正。
9. 一种电子设备，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权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
CN202011126009.9A 2020-10-20 2020-10-20 一种辅助质检方法、装置、电子设备及存储介质 Active CN112288696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011126009.9A CN112288696B (zh) 2020-10-20 2020-10-20 一种辅助质检方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011126009.9A CN112288696B (zh) 2020-10-20 2020-10-20 一种辅助质检方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112288696A CN112288696A (zh) 2021-01-29
CN112288696B true CN112288696B (zh) 2024-03-08

Family

ID=74424071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011126009.9A Active CN112288696B (zh) 2020-10-20 2020-10-20 一种辅助质检方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112288696B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0935074A (ja) * 1995-07-14 1997-02-07 Canon Inc 出力制御装置及び方法
CN104567893A (zh) * 2013-10-22 2015-04-29 北京四维图新科技股份有限公司 一种构建精细地图的方法与装置
CN109815998A (zh) * 2019-01-08 2019-05-28 科大国创软件股份有限公司 一种基于yolo算法的ai装维巡检方法及系统
CN109977191A (zh) * 2019-04-01 2019-07-05 国家基础地理信息中心 问题地图检测方法、装置、电子设备和介质
WO2019137196A1 (zh) * 2018-01-11 2019-07-18 阿里巴巴集团控股有限公司 图像标注信息助理方法、装置、服务器及系统
CN111078908A (zh) * 2019-11-28 2020-04-28 北京云聚智慧科技有限公司 一种数据标注的检测方法和装置
CN111783799A (zh) * 2020-06-30 2020-10-16 创新奇智(西安)科技有限公司 一种配置信息获得方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107407565B (zh) * 2014-12-17 2022-03-04 赫尔环球有限公司 给位置提供约束
US10943151B2 (en) * 2018-09-28 2021-03-09 Verizon Patent And Licensing Inc. Systems and methods for training and validating a computer vision model for geospatial imagery

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0935074A (ja) * 1995-07-14 1997-02-07 Canon Inc 出力制御装置及び方法
CN104567893A (zh) * 2013-10-22 2015-04-29 北京四维图新科技股份有限公司 一种构建精细地图的方法与装置
WO2019137196A1 (zh) * 2018-01-11 2019-07-18 阿里巴巴集团控股有限公司 图像标注信息助理方法、装置、服务器及系统
CN109815998A (zh) * 2019-01-08 2019-05-28 科大国创软件股份有限公司 一种基于yolo算法的ai装维巡检方法及系统
CN109977191A (zh) * 2019-04-01 2019-07-05 国家基础地理信息中心 问题地图检测方法、装置、电子设备和介质
CN111078908A (zh) * 2019-11-28 2020-04-28 北京云聚智慧科技有限公司 一种数据标注的检测方法和装置
CN111783799A (zh) * 2020-06-30 2020-10-16 创新奇智(西安)科技有限公司 一种配置信息获得方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DEM产品质量检查标准研究与实现;王佩;吕志勇;;测绘与空间地理信息(第05期);280-283 *
地图出版的数字打样方案;张砚, 丛文卓;测绘学院学报(第04期);292-294 *

Also Published As

Publication number Publication date
CN112288696A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
US20210390682A1 (en) Method for detecting surface defect, method for training model, apparatus, device, and media
CN111784663B (zh) 零部件的检测方法、装置、电子设备及存储介质
CN111881908B (zh) 目标检测模型的修正方法、检测方法、装置、设备及介质
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN113705554A (zh) 图像识别模型的训练方法、装置、设备及存储介质
US20210264178A1 (en) Method and apparatus for detecting mobile traffic light
CN114419035B (zh) 产品识别方法、模型训练方法、装置和电子设备
EP3916575A2 (en) Method and apparatus for assisting quality inspection of map data, electronic device, and storage medium
US20210326628A1 (en) Method and apparatus for extracting information, device and storage medium
CN112241716B (zh) 训练样本的生成方法和装置
CN110647937A (zh) 标注模型训练方法及装置
CN112101355B (zh) 图像中文本检测方法、装置、电子设备以及计算机介质
CN112270533A (zh) 一种数据处理方法、装置、电子设备以及存储介质
CN111967490A (zh) 用于地图检测的模型训练方法和地图检测方法
EP3882817A2 (en) Method, apparatus and device for recognizing bill and storage medium
CN112288696B (zh) 一种辅助质检方法、装置、电子设备及存储介质
CN117312140A (zh) 测试用例的生成方法、装置、电子设备及存储介质
CN112270532A (zh) 一种数据处理方法、装置、电子设备以及存储介质
CN111783635A (zh) 图像标注方法、装置、设备以及存储介质
CN113033431B (zh) 光学字符识别模型训练和识别方法、装置、设备及介质
CN111696095B (zh) 用于检测物体表面缺陷的方法及装置
CN112883127B (zh) 一种道路数据处理方法、装置、电子设备和介质
CN114049686A (zh) 签名识别模型训练方法、装置及电子设备
CN112381167A (zh) 训练任务分类模型的方法、任务分类方法和装置
CN112597828A (zh) 网页识别模型的训练方法、装置、网页识别的方法

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
GR01 Patent grant
GR01 Patent grant