CN112580505B - 网点开关门状态识别方法、装置、电子设备及存储介质 - Google Patents
网点开关门状态识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112580505B CN112580505B CN202011502246.0A CN202011502246A CN112580505B CN 112580505 B CN112580505 B CN 112580505B CN 202011502246 A CN202011502246 A CN 202011502246A CN 112580505 B CN112580505 B CN 112580505B
- Authority
- CN
- China
- Prior art keywords
- image
- door
- gate
- images
- dot
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Abstract
本发明涉及图像检测技术,揭露了一种网点开关门状态识别方法,包括:获取多个网点的门图像及每张门图像对应的网点识别码;将网点识别码转化为网点标记字段,利用网点标记字段对与网点识别码对应的门图像进行标记,得到标记门图像集;对标记门图像集进行图像标准化和特征提取,得到图像特征集;将图像特征集进行双全连接处理,得到连接特征集;计算连接特征集中各连接特征的概率结果,根据概率结果生成多个网点开关门状态。此外,本发明还涉及区块链技术,所述门图像可存储于区块链的节点。本发明还提出一种网点开关门状态识别装置、电子设备以及计算机可读存储介质。本发明可以解决卷积神经网络对网点开关门状态识别准确率低的问题。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种网点开关门状态识别方法、装置、电子设备及计算机可读存储介质。
背景技术
一般大型公司或企业会在全国设立多处办理业务的网点,但是公司或企业的出于运营管理需要,需知悉设立的每个网点每天的营业起止时间。
传统的统计网点营业起止时间做法是利用现有的网点开关门时所拍摄的图像训练卷积神经网络,以使得训练后的卷积神经网络可根据输入的图像对图像中网点开关门的状态进行识别,但现有卷积神经网络多采用二分类判别对图像中开关门状态进行判断,这种方法需要获取网点的门图像,并在图像中标注开门和关门两个状态,再利用标注好状态的图像来训练出判别开关门的卷积神经网络,但由于公司或企业设立的网点往往较多,且开关门状态的图像差异性较大,导致卷积神经网络很难对每个网点进行足够的拟合匹配,造成整体上判别准确率并不会太高。
发明内容
本发明提供一种网点开关门状态识别方法、装置及计算机可读存储介质,其主要目的在于解决卷积神经网络对网点开关门状态识别准确率低的问题。
为实现上述目的,本发明提供的一种网点开关门状态识别方法,包括:
获取多个网点的门图像集,所述门图像集包括多张门图像及每张门图像对应的网点识别码;
将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集;
对所述标记门图像集进行图像标准化处理,得到标准门图像集;
对所述标准门图像集进行特征提取,得到图像特征集;
将所述图像特征集进行双全连接处理,得到连接特征集;
计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态。
可选地,所述将所述网点识别码转化为网点标记字段,包括:
将所述网点识别码按照预设的顺序进行字段分割,得到分割字段;
对所述分割字段进行二进制编码,得到字段编码;
将所述字段编码按照所述顺序进行拼接,得到网点标记字段。
可选地,所述利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,包括:
获取门图像集的图像附加字段;
将所述网点标记字段写入所述图像附加字段。
可选地,所述对所述标记门图像集进行图像标准化处理,得到标准门图像集,包括:
将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集;
将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集。
可选地,所述将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集,包括:
获取所述标记门图像集中多张标记门图像的图像尺寸;
利用聚类算法将所述多张标记门图像按照所述图像尺寸的不同划分为多个图像簇;
分别计算所述多个图像簇中所有标记门图像的平均尺寸;
确定所述多个图像簇中所有标记门图像的平均尺寸的中位数为目标尺寸,将所述多张标记门图像的尺寸缩放至所述目标尺寸。
可选地,所述将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集,包括:
遍历所述初始门图像集中所有像素点并获取像素值;
当所述像素值大于第一像素阈值时,将所述像素点的像素值修改为所述第一像素阈值;
当所述像素值小于第二像素阈值时,将所述像素点的像素值修改为所述第二像素阈值。
可选地,所述计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态,包括:
随机选取所述连接特征集中任一连接特征为目标连接特征;
提取所述目标连接特征的网点标记字段;
利用预设激活函数计算所述目标连接特征的状态概率;
当所述状态概率大于预设的概率阈值时,确定所述目标连接特征的网点标记字段对应的网点为开门状态;
当所述概率结果小于或等于所述概率数值时,确定所述目标连接特征的网点标记字段对应的网点为关门状态;
当所述连接特征集中各连接特征完成上述操作,得到多个网点开关门状态。
为了解决上述问题,本发明还提供一种网点开关门状态识别装置,所述装置包括:
图像获取模块,用于获取多个网点的门图像集,所述门图像集包括多张门图像及每张门图像对应的网点识别码;
图像标记模块,用于将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集;
图像标准化模块,用于对所述标记门图像集进行图像标准化处理,得到标准门图像集;
特征提取模块,用于对所述标准门图像集进行特征提取,得到图像特征集;
双全连接模块,用于将所述图像特征集进行双全连接处理,得到连接特征集;
状态识别模块,用于计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态。
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:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的网点开关门状态识别方法。
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,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的网点开关门状态识别方法。
本发明实施例通过获取多个网点的门图像及每张门图像对应的网点识别码;将网点识别码转化为网点标记字段,利用网点标记字段对与网点识别码对应的门图像进行标记,得到标记门图像集,利用网点标记字段对多张门图像进行标记,可实现门图像与网点的唯一对应,有利于后续根据不同门图像精准地生成不同网点的开关门状态;对标记门图像集进行图像标准化,得到图像特征集,将门图像集中的门图像进行标准化,可提高对多张门图像进行特征提取的效率;利用卷积神经网络对标准化后的门图像集进行特征提取得到图像特征集,将图像特征集进行双全连接处理,得到连接特征集,计算连接特征集中各连接特征的概率结果,根据概率结果生成多个网点开关门状态,对图像特征集进行双全连接处理,可以增加卷积神经网络的复杂度,从而获得更加精确的连接特征,有利于提高根据连接特征分析网点开关门状态的精确度。因此本发明提出的网点开关门状态识别方法、装置、电子设备及计算机可读存储介质,可以解决卷积神经网络对网点开关门状态识别准确率低的问题。
附图说明
图1为本发明一实施例提供的网点开关门状态识别方法的流程示意图;
图2为本发明一实施例提供的网点开关门状态识别装置的功能模块图;
图3为本发明一实施例提供的实现所述网点开关门状态识别方法的电子设备的结构示意图。
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。
本申请实施例提供一种网点开关门状态识别方法。所述网点开关门状态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,所述网点开关门状态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。
参照图1所示,为本发明一实施例提供的网点开关门状态识别方法的流程示意图。在本实施例中,所述网点开关门状态识别方法包括:
S1、获取多个网点的门图像集,所述门图像集包括多张门图像及每张门图像对应的网点识别码。
本发明实施例中,所述门图像集为任何网点的大门的图像,例如,多个银行网点的大门图像,所述门图像集包括多张门图像及每张门图像对应的网点识别码,所述网点识别码用于唯一标识特定的网点。
例如,存在网点A、网点B和网点C,每个网点含有10张门图像,网点A的每张门图像中含有网点A的网点识别码:axxxx,网点B的每张门图像中含有网点B的网点识别码:bxxxx,网点C的每张门图像中含有网点C的网点识别码:cxxxx。
本发明实施例可通过预先安装于各网点的摄像头或类似监控设备获取所述门图像集,或利用具有数据抓取功能的python语句从预先构建的区块链节点中抓取门图像集,利用区块链对数据的高吞吐性,可提高获取门图像的效率。
S2、将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集。
本发明实施例中,所述网点识别码为用于唯一标记网点的字符串或文字。
详细地,所述将所述网点识别码转化为网点标记字段,包括:
将所述网点识别码按照预设的顺序进行字段分割,得到分割字段;
对所述分割字段进行二进制编码,得到字段编码;
将所述字段编码按照所述顺序进行拼接,得到网点标记字段。
具体地,由于不同网点的网点识别码的类型可能不一致,因此无法直接利用网点识别码对门图像集进行标记,本发明实施例中,将网点识别码转化为二进制编码格式的网点标记字段,再利用转化得到的网点实现对门图像集中各门图像进行标记。
本发明实施例中,所述利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,包括:
获取门图像集的图像附加字段;
将所述网点标记字段写入所述图像附加字段。
详细地,所述图像附加字段是用于标记图像附加属性的字段,所述图像附加字段可在图像生成时由用户定义并添加至图像中,本发明实施例可利用具有字段提取功能的python语句从门图像集中提取所述图像附加字段。
S3、对所述标记门图像集进行图像标准化处理,得到标准门图像集。
本发明实施例中,所述对所述标记门图像集进行图像标准化处理,得到标准门图像集,包括:
将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集;
将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集。
由于标记门图像集中的图像存在着尺寸不一致的情况,不利于后续对图像进行批量处理,本发明实施例将所述标记门图像集中的图像进行尺寸归一化处理,使标记门图像集中所有图像的尺寸变成一致的尺寸,可提高后续对标记门图像集处理的效率。
本发明实施例中,所述将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集,包括:
获取所述标记门图像集中多张标记门图像的图像尺寸;
利用聚类算法将所述多张标记门图像按照所述图像尺寸的不同划分为多个图像簇;
分别计算所述多个图像簇中所有标记门图像的平均尺寸;
确定所述多个图像簇中所有标记门图像的平均尺寸的中位数为目标尺寸,将所述多张标记门图像的尺寸缩放至所述目标尺寸。
详细地,所本发明实施例述利用k-means聚类算法将所述多张标记门图像按照所述图像尺寸的不同划分为多个图像簇。
例如,当所述标记门图像集中包含a,b,c,d,e,f六个标记门图像,随机选择a和b作为两个簇心门图像,分别计算未被选取的标记门图像集中c,d,e,f与a和b的距离向量,并计算所述距离向量的模长,当模长计算完成后,随机从标记门图像集中选取目标标记门图像c,若目标标记门图像c与簇心门图像a的距离比目标标记门图像c与簇心门图像b的距离更近,则将目标标记门图像c与簇心门图像a进行汇集,再随机从标记门图像集中选取目标标记门图像d,若目标标记门图像d与目标簇心门图像a的距离比目标标记门图像d与簇心门图像b的距离更近,则将目标标记门图像d与簇心门图像a进行汇集。
同时,继续随机地从标记门图像集选取目标标记门图像e,若目标标记门图像e与簇心门图像b的距离比目标标记门图像e与簇心门图像a的距离更近,则将目标标记门图像e与簇心门图像b进行汇集,再随机从标记门图像集中选取目标标记门图像f,若目标标记门图像f与簇心门图像b的距离比目标标记门图像f与簇心门图像a的距离更近,则将目标标记门图像f与簇心门图像b进行汇集,当标记门图像集中所有标记门图像均完成汇集,得到多个图像簇。
详细地,所述分别计算所述标记门图像集中每个标记门图像与所述簇心门图像的距离向量,包括:
利用如下距离向量算法分别计算所述标记门图像集中每个标记门图像与所述簇心门图像的距离向量d(A,B)2:
d(A,B)2=‖A-B‖2
其中,A为标记门图像集中任一标记门图像,B为任一簇心门图像。
进一步地,所述将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集,包括:
遍历所述初始门图像集中所有像素点并获取像素值;
当所述像素值大于第一像素阈值时,将所述像素点的像素值修改为所述第一像素阈值;
当所述像素值小于第二像素阈值时,将所述像素点的像素值修改为所述第二像素阈值。
由于初始门图像集中的图像可能存在着过曝或者过暗的情况,不利于后续根据图像判断网点开关门状态,因此本发明实施例将初始门图像集中的图像进行像素均值修正,即将初始门图像集中像素点的像素值限定在特定范围内,避免出现过曝或过暗的情况,提高后续判断网点开关门状态的准确率。
S4、对所述标准门图像集进行特征提取,得到图像特征集。
本发明实施例中,利用Densenet201网络对所述标准门图像集进行特征提取,所述Densenet201网络是一种密集连接卷积神经网络,包括多个卷积层,网络中每一目标卷积层的输入均为该目标卷积层之前所有网络层次的输出,以此减少需要设定的参数,从而提高网络对图像处理的效率。
详细地,所述对所述标准门图像集进行特征提取,得到图像特征集,包括:
对所述标准门图像集进行卷积处理,得到卷积图像集;
对所述卷积图像集进行全局最大池化处理,得到图像特征集。
由于标准门图像集中包含大量像素信息,直接利用标准门图像集对网点开关门状态进行分析会占用大量计算资源,造成分析效率低下,本发明实施例将标准门图像集进行卷积处理,可从标准门图像集中提取出像素特征,进而减少需要分析的数据量,提高后续分析效率;但卷积得到的卷积图像集中的像素特征依然存在着多维的情况,本发明实施例利用全局最大池化可进一步减少卷积得到的卷积图像集中的像素特征的维度,减少后续对图像特征集进行分析时计算资源的占用,提高分析效率。
S5、将所述图像特征集进行双全连接处理,得到连接特征集。
本发明实施例中,所述将所述图像特征集进行双全连接处理,得到连接特征集,包括:
利用第一全连接层对所述图像特征集进行全连接处理,得到第一全连接图像集;
利用第二全连接层对所述第一全连接图像集进行全连接处理,得到连接特征集。
本发明实施例利用双全连接层级联对图像特征集进行双全连接处理,可提高网络复杂度,进而提高获得的连接特征集中特征的精确度,有利于后续基于连接特征集分析网点开关门状态。
S6、计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态。
本发明实施例中,所述预设激活函数包括sigmoid激活函数,所述sigmoid激活函数是一种输出范围在(0,1)内的浮点小数的激活函数。本发明实施例将所述连接特征集中各连接特征输入至所述激活函数,即可得到所述连接特征集中各连接特征的概率结果,所述概率结果是在(0,1)内的概率数值。
详细地,所述计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态,包括:
随机选取所述连接特征集中任一连接特征为目标连接特征;
提取所述目标连接特征的网点标记字段;
利用预设激活函数计算所述目标连接特征的状态概率;
当所述状态概率大于预设的概率阈值时,确定所述目标连接特征的网点标记字段对应的网点为开门状态;
当所述概率结果小于或等于所述概率数值时,确定所述目标连接特征的网点标记字段对应的网点为关门状态;
当所述连接特征集中各连接特征完成上述操作,得到多个网点开关门状态。
例如,连接特征集中存在连接特征A、连接特征B和连接特征C,随机选取连接特征A为目标连接特征,提取目标连接特征A的网点标记字段,利用预设激活函数计算目标连接特征A的状态概率,得到目标连接特征A的状态概率为0.8;同理,选取连接特征B为目标连接特征,提取目标连接特征B为的网点标记字段,利用预设激活函数计算目标连接特征B为的状态概率,得到目标连接特征B为的状态概率为0.3;选取连接特征C为目标连接特征,提取目标连接特征C为的网点标记字段,利用预设激活函数计算目标连接特征C为的状态概率,得到目标连接特征C为的状态概率为0.6;若概率阈值为0.5,则确定目标连接特征A的网点标记字段对应的网点为开门状态,目标连接特征B的网点标记字段对应的网点为关门状态,目标连接特征C的网点标记字段对应的网点为开门状态。
本发明实施例通过获取多个网点的门图像及每张门图像对应的网点识别码;将网点识别码转化为网点标记字段,利用网点标记字段对与网点识别码对应的门图像进行标记,得到标记门图像集,利用网点标记字段对多张门图像进行标记,可实现门图像与网点的唯一对应,有利于后续根据不同门图像精准地生成不同网点的开关门状态;对标记门图像集进行图像标准化,得到图像特征集,将门图像集中的门图像进行标准化,可提高对多张门图像进行特征提取的效率;利用卷积神经网络对标准化后的门图像集进行特征提取得到图像特征集,将图像特征集进行双全连接处理,得到连接特征集,计算连接特征集中各连接特征的概率结果,根据概率结果生成多个网点开关门状态,对图像特征集进行双全连接处理,可以增加卷积神经网络的复杂度,从而获得更加精确的连接特征,有利于提高根据连接特征分析网点开关门状态的精确度。因此本发明提出的网点开关门状态识别方法,可以解决卷积神经网络对网点开关门状态识别准确率低的问题。
如图2所示,是本发明一实施例提供的网点开关门状态识别装置的功能模块图。
本发明所述网点开关门状态识别装置100可以安装于电子设备中。根据实现的功能,所述网点开关门状态识别装置100可以包括图像获取模块101、图像标记模块102、图像标准化模块103、特征提取模块104、双全连接模块105和状态识别模块106。本发明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,用于获取多个网点的门图像集,所述门图像集包括多张门图像及每张门图像对应的网点识别码。
本发明实施例中,所述门图像集为任何网点的大门的图像,例如,多个银行网点的大门图像,所述门图像集包括多张门图像及每张门图像对应的网点识别码,所述网点识别码用于唯一标识特定的网点。
例如,存在网点A、网点B和网点C,每个网点含有10张门图像,网点A的每张门图像中含有网点A的网点识别码:axxxx,网点B的每张门图像中含有网点B的网点识别码:bxxxx,网点C的每张门图像中含有网点C的网点识别码:cxxxx。
本发明实施例可通过预先安装于各网点的摄像头或类似监控设备获取所述门图像集,或利用具有数据抓取功能的python语句从预先构建的区块链节点中抓取门图像集,利用区块链对数据的高吞吐性,可提高获取门图像的效率。
所述图像标记模块102,用于将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集。
本发明实施例中,所述网点识别码为用于唯一标记网点的字符串或文字。
详细地,所述图像标记模块102具体用于:
将所述网点识别码按照预设的顺序进行字段分割,得到分割字段;
对所述分割字段进行二进制编码,得到字段编码;
将所述字段编码按照所述顺序进行拼接,得到网点标记字段;
获取门图像集的图像附加字段;
将所述网点标记字段写入所述图像附加字段。
具体地,由于不同网点的网点识别码的类型可能不一致,因此无法直接利用网点识别码对门图像集进行标记,本发明实施例中,将网点识别码转化为二进制编码格式的网点标记字段,再利用转化得到的网点实现对门图像集中各门图像进行标记。
详细地,所述图像附加字段是用于标记图像附加属性的字段,所述图像附加字段可在图像生成时由用户定义并添加至图像中,本发明实施例可利用具有字段提取功能的python语句从门图像集中提取所述图像附加字段。
所述图像标准化模块103,用于对所述标记门图像集进行图像标准化处理,得到标准门图像集。
本发明实施例中,所述图像标准化模块103具体用于:
将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集;
将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集。
由于标记门图像集中的图像存在着尺寸不一致的情况,不利于后续对图像进行批量处理,本发明实施例将所述标记门图像集中的图像进行尺寸归一化处理,使标记门图像集中所有图像的尺寸变成一致的尺寸,可提高后续对标记门图像集处理的效率。
本发明实施例中,所述将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集,包括:
获取所述标记门图像集中多张标记门图像的图像尺寸;
利用聚类算法将所述多张标记门图像按照所述图像尺寸的不同划分为多个图像簇;
分别计算所述多个图像簇中所有标记门图像的平均尺寸;
确定所述多个图像簇中所有标记门图像的平均尺寸的中位数为目标尺寸,将所述多张标记门图像的尺寸缩放至所述目标尺寸。
详细地,所本发明实施例述利用k-means聚类算法将所述多张标记门图像按照所述图像尺寸的不同划分为多个图像簇。
例如,当所述标记门图像集中包含a,b,c,d,e,f六个标记门图像,随机选择a和b作为两个簇心门图像,分别计算未被选取的标记门图像集中c,d,e,f与a和b的距离向量,并计算所述距离向量的模长,当模长计算完成后,随机从标记门图像集中选取目标标记门图像c,若目标标记门图像c与簇心门图像a的距离比目标标记门图像c与簇心门图像b的距离更近,则将目标标记门图像c与簇心门图像a进行汇集,再随机从标记门图像集中选取目标标记门图像d,若目标标记门图像d与目标簇心门图像a的距离比目标标记门图像d与簇心门图像b的距离更近,则将目标标记门图像d与簇心门图像a进行汇集。
同时,继续随机地从标记门图像集选取目标标记门图像e,若目标标记门图像e与簇心门图像b的距离比目标标记门图像e与簇心门图像a的距离更近,则将目标标记门图像e与簇心门图像b进行汇集,再随机从标记门图像集中选取目标标记门图像f,若目标标记门图像f与簇心门图像b的距离比目标标记门图像f与簇心门图像a的距离更近,则将目标标记门图像f与簇心门图像b进行汇集,当标记门图像集中所有标记门图像均完成汇集,得到多个图像簇。
详细地,所述分别计算所述标记门图像集中每个标记门图像与所述簇心门图像的距离向量,包括:
利用如下距离向量算法分别计算所述标记门图像集中每个标记门图像与所述簇心门图像的距离向量d(A,B)2:
d(A,B)2=‖A-B‖2
其中,A为标记门图像集中任一标记门图像,B为任一簇心门图像。
进一步地,所述将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集,包括:
遍历所述初始门图像集中所有像素点并获取像素值;
当所述像素值大于第一像素阈值时,将所述像素点的像素值修改为所述第一像素阈值;
当所述像素值小于第二像素阈值时,将所述像素点的像素值修改为所述第二像素阈值。
由于初始门图像集中的图像可能存在着过曝或者过暗的情况,不利于后续根据图像判断网点开关门状态,因此本发明实施例将初始门图像集中的图像进行像素均值修正,即将初始门图像集中像素点的像素值限定在特定范围内,避免出现过曝或过暗的情况,提高后续判断网点开关门状态的准确率。
所述特征提取模块104,用于对所述标准门图像集进行特征提取,得到图像特征集。
本发明实施例中,利用Densenet201网络对所述标准门图像集进行特征提取,所述Densenet201网络是一种密集连接卷积神经网络,包括多个卷积层,网络中每一目标卷积层的输入均为该目标卷积层之前所有网络层次的输出,以此减少需要设定的参数,从而提高网络对图像处理的效率。
详细地,所述特征提取模块104具体用于:
对所述标准门图像集进行卷积处理,得到卷积图像集;
对所述卷积图像集进行全局最大池化处理,得到图像特征集。
由于标准门图像集中包含大量像素信息,直接利用标准门图像集对网点开关门状态进行分析会占用大量计算资源,造成分析效率低下,本发明实施例将标准门图像集进行卷积处理,可从标准门图像集中提取出像素特征,进而减少需要分析的数据量,提高后续分析效率;但卷积得到的卷积图像集中的像素特征依然存在着多维的情况,本发明实施例利用全局最大池化可进一步减少卷积得到的卷积图像集中的像素特征的维度,减少后续对图像特征集进行分析时计算资源的占用,提高分析效率。
所述双全连接模块105,用于将所述图像特征集进行双全连接处理,得到连接特征集。
本发明实施例中,所述双全连接模块105具体用于:
利用第一全连接层对所述图像特征集进行全连接处理,得到第一全连接图像集;
利用第二全连接层对所述第一全连接图像集进行全连接处理,得到连接特征集。
本发明实施例利用双全连接层级联对图像特征集进行双全连接处理,可提高网络复杂度,进而提高获得的连接特征集中特征的精确度,有利于后续基于连接特征集分析网点开关门状态。
所述状态识别模块106,用于计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态。
本发明实施例中,所述预设激活函数包括sigmoid激活函数,所述sigmoid激活函数是一种输出范围在(0,1)内的浮点小数的激活函数。本发明实施例将所述连接特征集中各连接特征输入至所述激活函数,即可得到所述连接特征集中各连接特征的概率结果,所述概率结果是在(0,1)内的概率数值。
详细地,所述状态识别模块106具体用于:
随机选取所述连接特征集中任一连接特征为目标连接特征;
提取所述目标连接特征的网点标记字段;
利用预设激活函数计算所述目标连接特征的状态概率;
当所述状态概率大于预设的概率阈值时,确定所述目标连接特征的网点标记字段对应的网点为开门状态;
当所述概率结果小于或等于所述概率数值时,确定所述目标连接特征的网点标记字段对应的网点为关门状态;
当所述连接特征集中各连接特征完成上述操作,得到多个网点开关门状态。
例如,连接特征集中存在连接特征A、连接特征B和连接特征C,随机选取连接特征A为目标连接特征,提取目标连接特征A的网点标记字段,利用预设激活函数计算目标连接特征A的状态概率,得到目标连接特征A的状态概率为0.8;同理,选取连接特征B为目标连接特征,提取目标连接特征B为的网点标记字段,利用预设激活函数计算目标连接特征B为的状态概率,得到目标连接特征B为的状态概率为0.3;选取连接特征C为目标连接特征,提取目标连接特征C为的网点标记字段,利用预设激活函数计算目标连接特征C为的状态概率,得到目标连接特征C为的状态概率为0.6;若概率阈值为0.5,则确定目标连接特征A的网点标记字段对应的网点为开门状态,目标连接特征B的网点标记字段对应的网点为关门状态,目标连接特征C的网点标记字段对应的网点为开门状态。
本发明实施例通过获取多个网点的门图像及每张门图像对应的网点识别码;将网点识别码转化为网点标记字段,利用网点标记字段对与网点识别码对应的门图像进行标记,得到标记门图像集,利用网点标记字段对多张门图像进行标记,可实现门图像与网点的唯一对应,有利于后续根据不同门图像精准地生成不同网点的开关门状态;对标记门图像集进行图像标准化,得到图像特征集,将门图像集中的门图像进行标准化,可提高对多张门图像进行特征提取的效率;利用卷积神经网络对标准化后的门图像集进行特征提取得到图像特征集,将图像特征集进行双全连接处理,得到连接特征集,计算连接特征集中各连接特征的概率结果,根据概率结果生成多个网点开关门状态,对图像特征集进行双全连接处理,可以增加卷积神经网络的复杂度,从而获得更加精确的连接特征,有利于提高根据连接特征分析网点开关门状态的精确度。因此本发明提出的网点开关门状态识别装置,可以解决卷积神经网络对网点开关门状态识别准确率低的问题。
如图3所示,是本发明一实施例提供的实现网点开关门状态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,如网点开关门状态识别程序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,例如网点开关门状态识别程序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(例如网点开关门状态识别程序等),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存储的网点开关门状态识别程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取多个网点的门图像集,所述门图像集包括多张门图像及每张门图像对应的网点识别码;
将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集;
对所述标记门图像集进行图像标准化处理,得到标准门图像集;
对所述标准门图像集进行特征提取,得到图像特征集;
将所述图像特征集进行双全连接处理,得到连接特征集;
计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态。
具体地,所述处理器10对上述指令的具体实现方法可参考图1中对应实施例中相关步骤的描述,在此不赘述。
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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取多个网点的门图像集,所述门图像集包括多张门图像及每张门图像对应的网点识别码;
将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集;
对所述标记门图像集进行图像标准化处理,得到标准门图像集;
对所述标准门图像集进行特征提取,得到图像特征集;
将所述图像特征集进行双全连接处理,得到连接特征集;
计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态。
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标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 (9)
1.一种网点开关门状态识别方法,其特征在于,所述方法包括:
获取多个网点的门图像集,其中,所述门图像集包括多张门图像及每张门图像对应的网点识别码;
将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集;
对所述标记门图像集进行图像标准化处理,得到标准门图像集;
对所述标准门图像集进行特征提取,得到图像特征集;
将所述图像特征集进行双全连接处理,得到连接特征集;
计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态;
其中,所述计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态,包括:随机选取所述连接特征集中任一连接特征为目标连接特征;提取所述目标连接特征的网点标记字段;利用预设激活函数计算所述目标连接特征的状态概率;当所述状态概率大于预设的概率阈值时,确定所述目标连接特征的网点标记字段对应的网点为开门状态;当所述概率结果小于或等于所述概率数值时,确定所述目标连接特征的网点标记字段对应的网点为关门状态;当所述连接特征集中各连接特征完成上述操作,得到多个网点开关门状态。
2.如权利要求1所述的网点开关门状态识别方法,其特征在于,所述将所述网点识别码转化为网点标记字段,包括:
将所述网点识别码按照预设的顺序进行字段分割,得到分割字段;
对所述分割字段进行二进制编码,得到字段编码;
将所述字段编码按照所述顺序进行拼接,得到网点标记字段。
3.如权利要求1所述的网点开关门状态识别方法,其特征在于,所述利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,包括:
获取门图像集的图像附加字段;
将所述网点标记字段写入所述图像附加字段。
4.如权利要求1所述的网点开关门状态识别方法,其特征在于,所述对所述标记门图像集进行图像标准化处理,得到标准门图像集,包括:
将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集;
将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集。
5.如权利要求4所述的网点开关门状态识别方法,其特征在于,所述将所述标记门图像集中的图像进行尺寸归一化处理,得到初始门图像集,包括:
获取所述标记门图像集中多张标记门图像的图像尺寸;
利用聚类算法将所述多张标记门图像按照所述图像尺寸的不同划分为多个图像簇;
分别计算所述多个图像簇中所有标记门图像的平均尺寸;
确定所述多个图像簇中所有标记门图像的平均尺寸的中位数为目标尺寸,将所述多张标记门图像的尺寸缩放至所述目标尺寸。
6.如权利要求4所述的网点开关门状态识别方法,其特征在于,所述将所述初始门图像集中的图像进行像素均值修正,得到标准门图像集,包括:
遍历所述初始门图像集中所有像素点并获取像素值;
当所述像素值大于第一像素阈值时,将所述像素点的像素值修改为所述第一像素阈值;
当所述像素值小于第二像素阈值时,将所述像素点的像素值修改为所述第二像素阈值。
7.一种网点开关门状态识别装置,用于实现如权利要求1至6中任意一项所述的网点开关门状态识别方法,其特征在于,所述装置包括:
图像获取模块,用于获取多个网点的门图像集,所述门图像集包括多张门图像及每张门图像对应的网点识别码;
图像标记模块,用于将所述网点识别码转化为网点标记字段,利用所述网点标记字段对与所述网点识别码对应的门图像进行标记,得到标记门图像集;
图像标准化模块,用于对所述标记门图像集进行图像标准化处理,得到标准门图像集;
特征提取模块,用于对所述标准门图像集进行特征提取,得到图像特征集;
双全连接模块,用于将所述图像特征集进行双全连接处理,得到连接特征集;
状态识别模块,用于计算所述连接特征集中各连接特征的概率结果,根据所述概率结果生成多个网点开关门状态。
8.一种电子设备,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6中任意一项所述的网点开关门状态识别方法。
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实现如权利要求1至6中任意一项所述的网点开关门状态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502246.0A CN112580505B (zh) | 2020-12-18 | 2020-12-18 | 网点开关门状态识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502246.0A CN112580505B (zh) | 2020-12-18 | 2020-12-18 | 网点开关门状态识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580505A CN112580505A (zh) | 2021-03-30 |
CN112580505B true CN112580505B (zh) | 2023-09-19 |
Family
ID=75136392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011502246.0A Active CN112580505B (zh) | 2020-12-18 | 2020-12-18 | 网点开关门状态识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580505B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023070456A1 (zh) * | 2021-10-28 | 2023-05-04 | 深圳真伊科技有限公司 | 一种车库门状态监控方法、系统、监控设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001211316A (ja) * | 2000-01-27 | 2001-08-03 | Canon Inc | 画像処理装置及び画像処理方法、記憶媒体及び画像処理システム |
JP2002158873A (ja) * | 2000-11-21 | 2002-05-31 | Sharp Corp | 画像処理装置、画像形成装置、画像処理方法及び記録媒体 |
JP2012231261A (ja) * | 2011-04-25 | 2012-11-22 | Canon Inc | 画像処理装置およびその制御方法 |
CN106886846A (zh) * | 2017-04-26 | 2017-06-23 | 中南大学 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
CN111445321A (zh) * | 2020-03-23 | 2020-07-24 | 中国建设银行股份有限公司 | 基于物联网的银行网点营业管控方法及装置 |
-
2020
- 2020-12-18 CN CN202011502246.0A patent/CN112580505B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001211316A (ja) * | 2000-01-27 | 2001-08-03 | Canon Inc | 画像処理装置及び画像処理方法、記憶媒体及び画像処理システム |
JP2002158873A (ja) * | 2000-11-21 | 2002-05-31 | Sharp Corp | 画像処理装置、画像形成装置、画像処理方法及び記録媒体 |
JP2012231261A (ja) * | 2011-04-25 | 2012-11-22 | Canon Inc | 画像処理装置およびその制御方法 |
CN106886846A (zh) * | 2017-04-26 | 2017-06-23 | 中南大学 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
CN111445321A (zh) * | 2020-03-23 | 2020-07-24 | 中国建设银行股份有限公司 | 基于物联网的银行网点营业管控方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112580505A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN111652280B (zh) | 基于行为的目标物数据分析方法、装置及存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
WO2022105179A1 (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
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 | |
CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN112560855B (zh) | 图像信息提取方法、装置、电子设备及存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
CN113704474B (zh) | 银行网点设备操作指引生成方法、装置、设备及存储介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN113486646A (zh) | 产品报告发布方法、装置、电子设备及可读存储介质 | |
CN112183520A (zh) | 数据信息智能处理方法、装置、电子设备及存储介质 | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 | |
CN114723488B (zh) | 课程推荐方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |