CN112396033B - 一种鸟类寤寐节律检测方法、装置、终端设备及存储介质 - Google Patents
一种鸟类寤寐节律检测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112396033B CN112396033B CN202011410453.3A CN202011410453A CN112396033B CN 112396033 B CN112396033 B CN 112396033B CN 202011410453 A CN202011410453 A CN 202011410453A CN 112396033 B CN112396033 B CN 112396033B
- Authority
- CN
- China
- Prior art keywords
- bird
- video
- model
- image
- rhythm
- 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
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种鸟类寤寐节律检测方法、装置、终端设备及存储介质,包括:步骤(1)采集端获取原始视频;(2)建模端接收原始视频;(3)对原始视频进行预处理,具体为将视频转化为单帧图像并调整图像尺寸、将图像进行特征提取、特征选择;(4)建立图像中鸟类位置识别模型;(5)确定原始视频各帧中鸟类位置并绘制视频中鸟类运动的速度‑时间曲线;(6)选用特定时间窗对速度‑时间曲线进行截取并建立鸟类状态识别模型;(7)识别端接收待检测视频;(8)进行鸟类昼夜节律的识别;(9)对于新采集的视频,重复步骤(1)~步骤(6)以更新步骤(4)、步骤(6)建立的模型。
Description
技术领域
本发明属于视频图像处理技术领域,尤其涉及一种鸟类寤寐节律检测方法、装置、终端设备及计算机可读存储介质。
背景技术
目前在对鸟类昼夜节律进行识别时,一般都需要实验人员在现场进行记录或人工观看24小时闭路视频,通过主观经验进行判断,识别的结果并没有一个统一的依据与规则。主观性较强,稳定性可靠性较差。且识别过程需要消耗大量的人力以及时间精力,识别的效率低。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种鸟类寤寐节律检测方法、装置、终端设备及计算机可读存储介质。用于对视频中鸟类寤寐节律进行检测。检测装置采集实验鸟类闭路视频信息并将数据传输给终端设备,终端设备对视频进行处理后分别进行图像中鸟类位置识别模型及鸟类状态识别模型的建立并将其储存于计算机可读存储介质中。终端接收到新视频后即可运用两个模型进行鸟类寤寐节律检测同时可对两个模型进行更新。
本发明的目的是通过以下技术方案实现的:
一种鸟类寤寐节律检测方法,包括以下步骤:
(1)采集端获取原始视频;
(2)建模端接收原始视频;
(3)对步骤(2)中接受的原始视频进行预处理,具体为将视频转化为单帧图像并调整图像尺寸、将图像进行特征提取、特征选择;
(4)建立图像中鸟类位置识别模型;
(5)确定原始视频各帧中鸟类位置并计算视频中鸟类运动的速度随时间变化的速度时序数据;
(6)选用时间窗对速度时序数据进行截取并建立鸟类状态识别模型;
(7)识别端接收待检测视频;
(8)利用鸟类位置识别模型和鸟类状态识别模型进行鸟类昼夜节律的识别;
(9)对于新采集的视频,重复步骤(1)~步骤(6)以更新鸟类位置识别模型和鸟类状态识别模型;
其中,所述图像中鸟类位置识别模型是通过若干个鸟类位置标签的图像数据作为训练集进行训练的;所述鸟类状态识别模型是通过若干个鸟类状态标签的时间序列数据作为训练集进行训练的;鸟类状态包括清醒和睡眠。
进一步的,所述原始视频单帧分辨率为1280像素*720像素,帧速率为15帧/秒;视频格式为.mp4、.avi编码格式。
进一步的,步骤(4)所述的图像中鸟类位置识别模型为Faster RCNN模型;FasterRCNN模型通过若干个卷积层、池化层和全连接层形成特征层;所述特征层用于计算输入的图片中鸟类的位置与置信度。
进一步的,步骤(6)所述的鸟类状态识别模型为LSTM模型;LSTM模型由一个序列输入层、一个BiLSTM层、一个全连接层和一个Softmax层组成,用于判断所输入的速度时序数据所反映的鸟类状态。
本发明还提供一种鸟类寤寐节律检测装置,基于所述鸟类寤寐节律检测方法,包括:
采集端,用于采集鸟类行为动作视频;
建模端,用于对收集到的视频进行处理、标签标记操作,得到图像中鸟类位置识别模型及鸟类状态识别模型;并持续接收采集端的视频数据,不断更新模型;
识别端,用于储存图像中鸟类位置识别模型及鸟类状态识别模型,并对输入视频中鸟类状态进行识别。
进一步的,所述采集端使用1080P,3通道摄像设备进行采集并通过有线将视频传输至建模端。
进一步的,在完成鸟类位置识别模型和鸟类状态识别模型的建立后将所述建模端部署到识别端;所述识别端接收采集端所传输的视频及建模端所建立的鸟类位置识别模型和鸟类状态识别模型;原始视频经过处理后利用鸟类位置识别模型和鸟类状态识别模型对视频中鸟类寤寐节律进行识别,得到输入视频中鸟类入睡、清醒、夜间惊醒行为的发生时间及发生频次。
进一步的,所述采集端持续进行视频的采集,所采集到的视频可不断传输给建模端进行鸟类位置识别模型和鸟类状态识别模型的更新。
此外本发明还提供一种鸟类寤寐节律检测终端设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,所述处理器执行计算机程序时能够实现鸟类寤寐节律检测方法。
最后本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现鸟类寤寐节律检测方法。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1.为进行鸟类寤寐节律的检测提供了完整的方法流程,识别端所建立的深度学习模型能够自动进行鸟类昼夜节律的检测,无需人力介入,能够降低人力与时间成本,极大的提升检测效率。
2.人力对鸟类寤寐节律的识别与检测存在主观性,识别结果不稳定,且不同人会有不同的识别结果。本发明实施例所建立的模型能够按自身算法逻辑对鸟类寤寐节律进行检测,保证了检测结果的可靠性与可重复性。
3.本发明包括采集端、识别端,图像采集和识别分离,集中对鸟类寤寐节律进行检测,降低整体成本。
4.本发明所述的建模端可以持续不断地接收视频样本,进一步的对模型超参数进行调整以提高模型精度,增加检测准确率;同时,对不同场景下鸟类视频收集有利于模型的迁移与泛化。
附图说明
图1为本发明检测装置的结构示意图;
图2为单帧图像中鸟类位置标注方法;
图3为本发明实施例中图像中鸟类位置识别模型建立方法的示意流程图;
图4为本发明实施例中鸟类节律识别模型建立方法的示意流程图;
图5为本实施例中所建立的网络模型的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明提供一种鸟类寤寐节律检测装置,基于所述鸟类寤寐节律检测方法,包括:
采集端,用于采集鸟类行为动作视频;采集端使用1080P,3通道摄像设备进行采集并通过有线将视频传输至建模端。
建模端,用于对收集到的视频进行处理、标签标记操作,得到图像中鸟类位置识别模型及鸟类状态识别模型;并持续接收采集端的视频数据,不断更新模型;
识别端,用于储存图像中鸟类位置识别模型及鸟类状态识别模型,并对输入视频中鸟类状态进行识别。
基于上述检测装置提供一种鸟类寤寐节律检测方法,包括以下步骤:
(1)采集端获取原始视频;摄像头按照实验计划进行视频记录,获取1280像素*720像素,帧速率为15帧/秒,视频格式为.mp4、.avi等编码格式的视频文件。在经过一段时间的记录后,将所记录的视频传输给建模端。
(2)建模端接收原始视频;
(3)对步骤(2)中接受的原始视频进行预处理,具体为读取并储存视频中每一帧的图像并调整图像尺寸为320像素*240像素;将图像进行特征提取、特征选择,并使用矩形标注框标注单帧图像中鸟类位置(即记录如图2所示的4个信息),W为矩形标注框宽度;H为矩形标注框宽度;Px为矩形标注框左上角点横坐标;Py为矩形标注框左上角点横坐标。
(4)建立图像中鸟类位置识别模型,如图3所示为本发明实施例中图像中鸟类位置识别模型建立方法的示意流程图,具体包括以下步骤S11至S14:
步骤S11:根据图像及标注的鸟类位置建立训练样本集,训练样本集输入为原始图像,输出为矩形标注框信息;
步骤S12:根据图像大小设置输入层、卷积层等网络层参数;
步骤S13:建立基于Faster RCNN的鸟类位置识别模型,如图5所示即为本实施例中所建立的网络模型的结构示意图
步骤S14:利用adam算法训练模型参数。
(5)利用步骤(4)所建立的模型确定原始视频各帧中鸟类位置并据此计算视频中鸟类运动的速度随时间变化的速度时序数据,则在t+1时刻,鸟类的速度vt+1(速度单位为:像素/秒)可由鸟类在t与t+1时刻的位置xt、yt、xt+1、yt+1决定,Δt代表两次检测的时间间隔,在本实施例中,视频帧速率为15帧/秒,每一帧都对其中的鸟类位置进行检测,因此Δt为0.0667秒:
(6)选用特定时间窗对速度时序数据进行截取并建立鸟类节律识别模型,如图4所示为本发明实施例中鸟类节律识别模型建立方法的示意流程图,具体包括以下步骤S21至S26:
步骤S21:选用特定时间窗对速度时序数据进行截取,将数据分段。在本实施例中,鸟寤寐节律检测的精度为1分钟(即鸟类清醒时间、鸟类入睡时间将精确到分钟),视频帧速率为15帧/秒,每帧均进行检测,故时间窗的宽度为15*60=900帧,即将速度时序数据分为若干段,每段数据包含600个速度数据。
步骤S22:对各段中鸟类状态进行标注,即对各段中鸟类状态进行0-1标注(清醒为1,睡眠为0);
步骤S23:建立基于LSTM的鸟类状态检测模型;
步骤S24:训练模型参数
(7)识别端接收待检测视频;
(8)利用步骤(4)、步骤(6)建立的模型进行鸟类昼夜节律的识别:首先视频视频转化为单帧图像并调整图像尺寸为320像素*240像素;其次利用步骤(4)所述鸟类位置识别模型对各帧中鸟类位置进行识别;求解速度时序数据;选用900帧宽度的时间窗对时序数据进行截取;利用步骤(6)所述鸟类状态检测模型;最后根据各时间窗鸟类状态,认定两个状态之间的边界时间点为鸟类的清醒/睡眠时间点,即寤寐节律。
(9)对于新采集的视频,重复步骤(1)~步骤(6)以更新步骤(4)、步骤(6)建立的模型,以获得更加准确的识别效果。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (10)
1.一种鸟类寤寐节律检测方法,其特征在于,包括以下步骤:
(1)采集端获取原始视频;
(2)建模端接收原始视频;
(3)对步骤(2)中接受的原始视频进行预处理,具体为将视频转化为单帧图像并调整图像尺寸、将图像进行特征提取、特征选择;
(4)建立图像中鸟类位置识别模型;
(5)确定原始视频各帧中鸟类位置并计算视频中鸟类运动的速度随时间变化的速度时序数据;在t+1时刻,鸟类的速度vt+1由鸟类在t与t+1时刻的位置xt、yt、xt+1、yt+1决定,Δt代表两次检测的时间间隔,计算公式有:
(6)选用时间窗对速度时序数据进行截取并建立鸟类状态识别模型;
(7)识别端接收待检测视频;
(8)利用鸟类位置识别模型和鸟类状态识别模型进行鸟类昼夜节律的识别;
(9)对于新采集的视频,重复步骤(1)~步骤(6)以更新鸟类位置识别模型和鸟类状态识别模型;
其中,所述图像中鸟类位置识别模型是通过若干个鸟类位置标签的图像数据作为训练集进行训练的;所述鸟类状态识别模型是通过若干个鸟类状态标签的时间序列数据作为训练集进行训练的;鸟类状态包括清醒和睡眠。
2.根据权利要求1所述一种鸟类寤寐节律检测方法,其特征在于,所述原始视频单帧分辨率为1280像素*720像素,帧速率为15帧/秒;视频格式为.mp4、.avi编码格式。
3.根据权利要求1所述一种鸟类寤寐节律检测方法,其特征在于,步骤(4)所述的图像中鸟类位置识别模型为Faster RCNN模型;Faster RCNN模型通过若干个卷积层、池化层和全连接层形成特征层;所述特征层用于计算输入的图片中鸟类的位置与置信度。
4.根据权利要求1所述一种鸟类寤寐节律检测方法,其特征在于,步骤(6)所述的鸟类状态识别模型为LSTM模型;LSTM模型由一个序列输入层、一个BiLSTM层、一个全连接层和一个Softmax层组成,用于判断所输入的速度时序数据所反映的鸟类状态。
5.一种鸟类寤寐节律检测装置,基于权利要求1所述鸟类寤寐节律检测方法,其特征在于,包括:
采集端,用于采集鸟类行为动作视频;
建模端,用于对收集到的视频进行处理、标签标记操作,得到图像中鸟类位置识别模型及鸟类状态识别模型;并持续接收采集端的视频数据,不断更新模型;
识别端,用于储存图像中鸟类位置识别模型及鸟类状态识别模型,并对输入视频中鸟类状态进行识别。
6.根据权利要求5所述一种鸟类寤寐节律检测装置,其特征在于,所述采集端使用1080P,3通道摄像设备进行采集并通过有线将视频传输至建模端。
7.根据权利要求5所述一种鸟类寤寐节律检测装置,其特征在于,在完成鸟类位置识别模型和鸟类状态识别模型的建立后将所述建模端部署到识别端;所述识别端接收采集端所传输的视频及建模端所建立的鸟类位置识别模型和鸟类状态识别模型;原始视频经过处理后利用鸟类位置识别模型和鸟类状态识别模型对视频中鸟类寤寐节律进行识别,得到输入视频中鸟类入睡、清醒、夜间惊醒行为的发生时间及发生频次。
8.根据权利要求5所述一种鸟类寤寐节律检测装置,其特征在于,所述采集端持续进行视频的采集,所采集到的视频可不断传输给建模端进行鸟类位置识别模型和鸟类状态识别模型的更新。
9.一种鸟类寤寐节律检测终端设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1至4中任一项所述的鸟类寤寐节律检测方法的步骤。
10.一种计算机可读存储介质,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实现权利要求1至4中任一项的鸟类寤寐节律检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410453.3A CN112396033B (zh) | 2020-12-03 | 2020-12-03 | 一种鸟类寤寐节律检测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410453.3A CN112396033B (zh) | 2020-12-03 | 2020-12-03 | 一种鸟类寤寐节律检测方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396033A CN112396033A (zh) | 2021-02-23 |
CN112396033B true CN112396033B (zh) | 2023-02-28 |
Family
ID=74604326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410453.3A Active CN112396033B (zh) | 2020-12-03 | 2020-12-03 | 一种鸟类寤寐节律检测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396033B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100687A (zh) * | 2022-07-18 | 2022-09-23 | 中国科学院半导体研究所 | 生态区内的鸟类检测方法、装置以及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN110660083A (zh) * | 2019-09-27 | 2020-01-07 | 国网江苏省电力工程咨询有限公司 | 一种结合视频场景特征感知的多目标跟踪方法 |
CN110827320A (zh) * | 2019-09-17 | 2020-02-21 | 北京邮电大学 | 基于时序预测的目标跟踪方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900000133A1 (it) * | 2019-01-07 | 2020-07-07 | St Microelectronics Srl | "Procedimento di elaborazione di immagini, sistema, veicolo e prodotto informatico corrispondenti" |
-
2020
- 2020-12-03 CN CN202011410453.3A patent/CN112396033B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709461A (zh) * | 2016-12-28 | 2017-05-24 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法及装置 |
CN110827320A (zh) * | 2019-09-17 | 2020-02-21 | 北京邮电大学 | 基于时序预测的目标跟踪方法和装置 |
CN110660083A (zh) * | 2019-09-27 | 2020-01-07 | 国网江苏省电力工程咨询有限公司 | 一种结合视频场景特征感知的多目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
LSTM-Based Multi-scale Model for Wind Speed Forecasting;Ignacio A Araya;《Iberoamerian Congress on Pattern Recognition》;20190303;全文 * |
基于双帧图模型的视频物体分割;蒲松涛等;《北京大学学报(自然科学版)》;20150520(第03期);全文 * |
基于时序分析的人体运动模式的识别及应用;林海波等;《计算机应用与软件》;20141215(第12期);全文 * |
视频监控中场景自适应建模及其在目标跟踪中的应用;钟冉;《万方数据》;20190806;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396033A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN109145759B (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN108446630A (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
CN106295558A (zh) | 一种猪只行为节律分析方法 | |
CN109344853A (zh) | 一种可定制目标检测算法的智能化云平台系统及操作方法 | |
CN111914685B (zh) | 母猪发情检测方法、装置、电子设备及存储介质 | |
CN114005237A (zh) | 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 | |
CN116824726A (zh) | 一种校园环境智能巡检方法及系统 | |
CN114255357A (zh) | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 | |
CN112396033B (zh) | 一种鸟类寤寐节律检测方法、装置、终端设备及存储介质 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN113362374A (zh) | 一种基于目标跟踪网络的高空抛物检测方法及系统 | |
CN110942045A (zh) | 一种基于机器视觉的智能鱼缸投食系统 | |
CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
CN115115830A (zh) | 一种基于改进Transformer的家畜图像实例分割方法 | |
CN110503092B (zh) | 基于领域适应的改进ssd监控视频目标检测方法 | |
CN108664886A (zh) | 一种适应变电站进出监控需求的人脸快速识别方法 | |
CN117079130B (zh) | 一种基于红树林生境的智能信息管理方法及系统 | |
CN112580450B (zh) | 一种基于快进策略的视频中动物状态快速检测方法 | |
CN109886996B (zh) | 一种视觉追踪优化方法 | |
CN112966780A (zh) | 一种动物行为识别方法及系统 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
CN114529894A (zh) | 一种融合空洞卷积的快速场景文本检测方法 | |
CN114782860A (zh) | 一种监控视频中暴力行为检测系统及方法 | |
CN114005054A (zh) | 一种ai智能评分系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |