CN113033505A - 基于动态分类检测的火焰检测方法、装置、系统与服务器 - Google Patents
基于动态分类检测的火焰检测方法、装置、系统与服务器 Download PDFInfo
- Publication number
- CN113033505A CN113033505A CN202110549678.5A CN202110549678A CN113033505A CN 113033505 A CN113033505 A CN 113033505A CN 202110549678 A CN202110549678 A CN 202110549678A CN 113033505 A CN113033505 A CN 113033505A
- Authority
- CN
- China
- Prior art keywords
- flame
- images
- frames
- detection
- continuous
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于动态分类检测的火焰检测方法、装置、系统与服务器,通过选取训练视频中包含火焰的连续N帧图像,采用火焰监测器进行检测,并以该N帧图像中所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像;通过裁剪获得的所有火焰图像作为正样本;将视频中不包含火焰的多帧图像进行随机裁剪,获得的随机裁剪图像作为负样本;采用TSM行为动作识别算法训练,获得火焰动态分类检测模型;对于输入的待检测视频,通过火焰检测器检测,判断连续N帧图像中检测的目标是否是真正的火焰。通过本发明可降低现有火焰检测器所出现的误检。
Description
技术领域
本发明涉及图像处理技术领域,尤其是火焰检测,具体而言涉及一种基于动态分类检测的火焰检测方法与系统。
背景技术
基于视频/图像的火焰检测,旨在通过采集监控摄像头的画面,监控特定的区域,及早发火情,从而及时处理,避免发生严重的后果。传统的识别方式中,基于火焰的颜色都是明亮的红色,那么采用颜色过滤的方法,增加一个高低的过滤掩码层,就可以把火焰从图片中单独过滤出来,但容易造成误检,例如在检测火焰时会把一些光亮的物体误检成火焰。
现有技术中,基于视觉火焰检测误检抗干扰方法,主要目的是为了解决传统的目标检测在检测火焰时会把一些光亮的物体误检成火焰。
在常见的火焰检测优化中,一般会采用分类器以及一些常见的动态分析来过滤火焰检测所产生的误检,例如CN112052797A提出的基于MaskRCNN的视频火灾识别方法及系统,在上述二阶的优化方法因为每一个方法都会存在一定的误差,而最终的误检过滤会同时受到这两个影响,意味着误差会进行累加。
发明内容
本发明目的在于提供一种基于动态分类检测的火焰检测方法与系统,采用动态分类器通过一个模型同时对输入的数据的动态性和类型进行分析,提高检测的稳定性。
为实现上述目的,本发明的第一方面提出一种基于动态分类检测的火焰检测方法,包括以下步骤:
获取包含火焰的视频;
选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测,并以该N帧图像中所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像;
将视频中所有包含火焰的图像按照上述方式进行裁剪,获得的所有火焰图像作为训练集的正样本;
将视频中不包含火焰的多帧图像进行随机裁剪,获得的随机裁剪图像作为训练集的负样本;
以正样本和负样本构成的训练集作为输入,采用TSM行为动作识别算法训练,获得火焰动态分类检测模型;以及
对于输入的待检测视频,通过火焰检测器检测,以连续N帧检测到火焰目标的图像为基础,选取连续N帧图像中出现的最大火焰目标的火焰检测框为基准进行裁剪,输入到所述火焰动态分类检测模型中,判断连续N帧图像中检测的目标是否是真正的火焰。
优选地,所述将该连续的N帧图像中的火焰进行裁剪,包括:
根据火焰监测器对连续N帧图像检测获得的火焰检测框为基础,获得火焰检测框的顶点坐标;
选取火焰检测框的左上角和右下角坐标为基准;
以连续N帧图像对应的火焰检测框顶点坐标中最小的左上角顶点和最大的右下角顶点为准,从连续N帧图像中分别裁剪,获得火焰图像。
本发明的第二方面提出一种基于动态分类检测的火焰检测装置,包括:
用于获取包含火焰的视频的视频获取模块;
用于选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测,并以该N帧图像中所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像的火焰图像获取模块;
用于将视频中所有包含火焰的图像按照上述方式进行裁剪,获得的所有火焰图像作为训练集的正样本的正样本构建模块;
用于将视频中不包含火焰的多帧图像进行随机裁剪,获得的随机裁剪图像作为训练集的负样本的负样本构建模块;
用于以正样本和负样本构成的训练集作为输入,采用TSM行为动作识别算法训练,获得火焰动态分类检测模型的模型训练模块;
用于对于输入的待检测视频,通过火焰检测器检测,以连续N帧检测到火焰目标的图像为基础,选取连续N帧图像中出现的最大火焰目标的火焰检测框为基准进行裁剪,输入到所述火焰动态分类检测模型中,判断连续N帧图像中检测的目标是否是真正的火焰的火焰检测模块。
本发明的第三方面提出一种用于火焰检测的计算机系统,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如前述的基于动态分类检测的火焰检测方法的流程。
本发明的第四方面还提出一种服务器,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如前述的基于动态分类检测的火焰检测方法的流程。
与现有技术相比,本发明的显著的有益效果在于:
1、现有的二阶的优化方法因为每一个方法都会存在一定的误差,会导致误差累积影响检测精度,本发明相比先做动态分析再进行分类监测而言,本发明采用视频流的动态分类方法,可降低整体检测算法的误差,相比现有的方法更加稳定;
2、本发明采用的是视频流的动态分类器,相比单帧的分类器,可以更好的过滤检测器在某几帧因为误检而对整体系统的影响,相比现有的方法来说,预测的准确性跟提升,通过对视频流数据的分析降低常见的火焰检测器所出现的误检;
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
图1是根据本发明实施例的基于动态分类检测的火焰检测方法的流程示意图。
图2是根据本发明实施例的基于动态分类检测的火焰检测装置的原理框图。
图3是根据本发明实施例的火焰图像获取模块的示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示示例的基于动态分类检测的火焰检测方法,包括以下步骤:
获取包含火焰的视频;
选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测,并以该N帧图像中所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像;其中,N取值为大于等于3的自然数;
将视频中所有包含火焰的图像按照上述方式进行裁剪,获得的所有火焰图像作为训练集的正样本;
将视频中不包含火焰的多帧图像进行随机裁剪,获得的随机裁剪图像作为训练集的负样本;
以正样本和负样本构成的训练集作为输入,采用TSM行为动作识别算法训练,获得火焰动态分类检测模型;以及
对于输入的待检测视频,通过火焰检测器检测,以连续N帧检测到火焰目标的图像为基础,选取连续N帧图像中出现的最大火焰目标的火焰检测框为基准进行裁剪,输入到所述火焰动态分类检测模型中,判断连续N帧图像中检测的目标是否是真正的火焰。
如此,相比现有技术采用级联检测来改善火焰误检的方法带来的系统累加误差,本实施例的检测方法将动态检测和目标分类融合,采用基于视频的方法进行动态监测与分类分析,减少了级联出现的误差。
优选地,所述将该连续的N帧图像中的火焰进行裁剪,包括:
根据火焰监测器对连续N帧图像检测获得的火焰检测框为基础,获得火焰检测框的顶点坐标;
选取火焰检测框的左上角和右下角坐标为基准;
以连续N帧图像对应的火焰检测框顶点坐标中最小的左上角顶点和最大的右下角顶点为准,从连续N帧图像中分别裁剪,获得火焰图像。
结合图2所示示例的基于动态分类检测的火焰检测装置100,包括:
用于获取包含火焰的视频的视频获取模块;
用于选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测,并以该N帧图像中所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像的火焰图像获取模块;
用于将视频中所有包含火焰的图像按照上述方式进行裁剪,获得的所有火焰图像作为训练集的正样本的正样本构建模块;
用于将视频中不包含火焰的多帧图像进行随机裁剪,获得的随机裁剪图像作为训练集的负样本的负样本构建模块;
用于以正样本和负样本构成的训练集作为输入,采用TSM行为动作识别算法训练,获得火焰动态分类检测模型的模型训练模块;
用于对于输入的待检测视频,通过火焰检测器检测,以连续N帧检测到火焰目标的图像为基础,选取连续N帧图像中出现的最大火焰目标的火焰检测框为基准进行裁剪,输入到所述火焰动态分类检测模型中,判断连续N帧图像中检测的目标是否是真正的火焰的火焰检测模块。
如图3所示,优选地,所述火焰图像获取模块包括火焰检测模块以及火焰图像裁剪模块,其中:
所述火焰检测模块用于选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测;
所述火焰图像裁剪模块用于以该N帧图像中检测所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像。
优选地,所述火焰图像裁剪模块被设置成按照以下方式进行裁剪:
根据火焰监测器对连续N帧图像检测获得的火焰检测框为基础,获得火焰检测框的顶点坐标;
选取火焰检测框的左上角和右下角坐标为基准;
以连续N帧图像对应的火焰检测框顶点坐标中最小的左上角顶点和最大的右下角顶点为准,从连续N帧图像中分别裁剪,获得火焰图像。
根据本发明的实施例,还提出一种用于火焰检测的计算机系统,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如前述任意一项实施例所述的基于动态分类检测的火焰检测方法的流程。
根据本发明的实施例,还提出一种服务器,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如前述任意一项实施例所述的基于动态分类检测的火焰检测方法的流程。
应当理解,在可选的实施例中,本发明实施例的用于火焰检测的计算机系统、服务器,可基于具有例如处理器、存储器、网络传输单元等部件构成的系统架构实现,以在此基础上是实现数据收发、数据处理等逻辑与功能。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.一种基于动态分类检测的火焰检测方法,其特征在于,包括以下步骤:
获取包含火焰的视频;
选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测,并以该N帧图像中所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像;
将视频中所有包含火焰的图像按照上述方式进行裁剪,获得的所有火焰图像作为训练集的正样本;
将视频中不包含火焰的多帧图像进行随机裁剪,获得的随机裁剪图像作为训练集的负样本;
以正样本和负样本构成的训练集作为输入,采用TSM行为动作识别算法训练,获得火焰动态分类检测模型;以及
对于输入的待检测视频,通过火焰检测器检测,以连续N帧检测到火焰目标的图像为基础,选取连续N帧图像中出现的最大火焰目标的火焰检测框为基准进行裁剪,输入到所述火焰动态分类检测模型中,判断连续N帧图像中检测的目标是否是真正的火焰。
2.根据权利要求1所述的基于动态分类检测的火焰检测方法,其特征在于,所述连续N帧图像的选取,N取值为大于等于3的自然数。
3.根据权利要求1所述的基于动态分类检测的火焰检测方法,其特征在于,所述将连续的N帧图像中的火焰进行裁剪,包括:
根据火焰监测器对连续N帧图像检测获得的火焰检测框为基础,获得火焰检测框的顶点坐标;
选取火焰检测框的左上角和右下角坐标为基准;
以连续N帧图像对应的火焰检测框顶点坐标中最小的左上角顶点和最大的右下角顶点为准,从连续N帧图像中分别裁剪,获得火焰图像。
4.一种基于动态分类检测的火焰检测装置,其特征在于,包括:
用于获取包含火焰的视频的视频获取模块;
用于选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测,并以该N帧图像中所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像的火焰图像获取模块;
用于将视频中所有包含火焰的图像按照上述方式进行裁剪,获得的所有火焰图像作为训练集的正样本的正样本构建模块;
用于将视频中不包含火焰的多帧图像进行随机裁剪,获得的随机裁剪图像作为训练集的负样本的负样本构建模块;
用于以正样本和负样本构成的训练集作为输入,采用TSM行为动作识别算法训练,获得火焰动态分类检测模型的模型训练模块;
用于对于输入的待检测视频,通过火焰检测器检测,以连续N帧检测到火焰目标的图像为基础,选取连续N帧图像中出现的最大火焰目标的火焰检测框为基准进行裁剪,输入到所述火焰动态分类检测模型中,判断连续N帧图像中检测的目标是否是真正的火焰的火焰检测模块。
5.根据权利要求4所述基于动态分类检测的火焰检测装置,其特征在于,所述火焰图像获取模块包括火焰检测模块以及火焰图像裁剪模块,其中:
所述火焰检测模块用于选取视频中包含火焰的连续N帧图像,采用火焰监测器进行检测;
所述火焰图像裁剪模块用于以该N帧图像中检测所出现的最大火焰目标的火焰检测框为基准,将连续的N帧图像中的火焰进行裁剪,得到火焰图像。
6.根据权利要求5所述基于动态分类检测的火焰检测装置,其特征在于,所述火焰图像裁剪模块被设置成按照以下方式进行裁剪:
根据火焰监测器对连续N帧图像检测获得的火焰检测框为基础,获得火焰检测框的顶点坐标;
选取火焰检测框的左上角和右下角坐标为基准;
以连续N帧图像对应的火焰检测框顶点坐标中最小的左上角顶点和最大的右下角顶点为准,从连续N帧图像中分别裁剪,获得火焰图像。
7.一种用于火焰检测的计算机系统,其特征在于,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如权利要求1-3中任意一项所述的基于动态分类检测的火焰检测方法的流程。
8.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括如权利要求1-3中任意一项所述的基于动态分类检测的火焰检测方法的流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549678.5A CN113033505A (zh) | 2021-05-20 | 2021-05-20 | 基于动态分类检测的火焰检测方法、装置、系统与服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549678.5A CN113033505A (zh) | 2021-05-20 | 2021-05-20 | 基于动态分类检测的火焰检测方法、装置、系统与服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033505A true CN113033505A (zh) | 2021-06-25 |
Family
ID=76455421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110549678.5A Pending CN113033505A (zh) | 2021-05-20 | 2021-05-20 | 基于动态分类检测的火焰检测方法、装置、系统与服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033505A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550078A (zh) * | 2022-01-11 | 2022-05-27 | 广州高新兴机器人有限公司 | 火焰目标检测方法、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142085A (zh) * | 2011-05-11 | 2011-08-03 | 武汉大学 | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 |
CN201993875U (zh) * | 2010-12-13 | 2011-09-28 | 徐勇 | 基于颜色与动态特性的燃烧检测系统 |
CN104915655A (zh) * | 2015-06-15 | 2015-09-16 | 西安电子科技大学 | 一种多路监控视频的管理方法与设备 |
CN111601011A (zh) * | 2020-04-10 | 2020-08-28 | 全景智联(武汉)科技有限公司 | 一种基于视频流图像的自动告警方法及系统 |
CN111814638A (zh) * | 2020-06-30 | 2020-10-23 | 成都睿沿科技有限公司 | 基于深度学习的安防场景火焰检测方法 |
-
2021
- 2021-05-20 CN CN202110549678.5A patent/CN113033505A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201993875U (zh) * | 2010-12-13 | 2011-09-28 | 徐勇 | 基于颜色与动态特性的燃烧检测系统 |
CN102142085A (zh) * | 2011-05-11 | 2011-08-03 | 武汉大学 | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 |
CN104915655A (zh) * | 2015-06-15 | 2015-09-16 | 西安电子科技大学 | 一种多路监控视频的管理方法与设备 |
CN111601011A (zh) * | 2020-04-10 | 2020-08-28 | 全景智联(武汉)科技有限公司 | 一种基于视频流图像的自动告警方法及系统 |
CN111814638A (zh) * | 2020-06-30 | 2020-10-23 | 成都睿沿科技有限公司 | 基于深度学习的安防场景火焰检测方法 |
Non-Patent Citations (2)
Title |
---|
张楠波: "基于视频的火焰检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王万耀: "基于显著性的图像分割方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550078A (zh) * | 2022-01-11 | 2022-05-27 | 广州高新兴机器人有限公司 | 火焰目标检测方法、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104737202B (zh) | 火灾检测方法和装置 | |
CN101738394B (zh) | 室内烟雾检测方法及系统 | |
CN104077594B (zh) | 一种图像识别方法和装置 | |
CN103873852A (zh) | 多模态并行的视频质量故障检测方法及装置 | |
WO2020181840A1 (zh) | 分心驾驶监测方法、系统及电子设备 | |
CN112819068A (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
US6956485B1 (en) | Fire detection algorithm | |
CN110929635A (zh) | 基于信任机制下面部交并比的假脸视频检测方法及系统 | |
WO2023123924A1 (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN101316371A (zh) | 火焰侦测方法及装置 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN112241659B (zh) | 违章建筑的检测装置和检测方法以及终端设备 | |
CN113033505A (zh) | 基于动态分类检测的火焰检测方法、装置、系统与服务器 | |
CN106611165B (zh) | 一种基于相关滤波和颜色匹配的汽车车窗检测方法及装置 | |
CN115049955A (zh) | 一种基于视频分析技术的火灾探测分析方法及装置 | |
TW201432633A (zh) | 跌倒偵測方法 | |
KR101395666B1 (ko) | 비디오 영상의 변화를 이용한 도난 감시 장치 및 방법 | |
CN117132768A (zh) | 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质 | |
CN116740885A (zh) | 烟雾火焰报警方法、装置、电子设备及存储介质 | |
CN111488846A (zh) | 一种识别水位的方法及设备 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
CN113657315B (zh) | 人脸图像的质量筛选方法、装置、设备及存储介质 | |
CN116228712A (zh) | 一种多尺度边坡灾害监测方法、系统及装置 | |
CN104112266B (zh) | 一种图像边缘虚化的检测方法和装置 |
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: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |