CN113255409A - 一种图像识别方法、系统及装置 - Google Patents
一种图像识别方法、系统及装置 Download PDFInfo
- Publication number
- CN113255409A CN113255409A CN202010089841.XA CN202010089841A CN113255409A CN 113255409 A CN113255409 A CN 113255409A CN 202010089841 A CN202010089841 A CN 202010089841A CN 113255409 A CN113255409 A CN 113255409A
- Authority
- CN
- China
- Prior art keywords
- image
- image file
- identification
- identification information
- information
- 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种图像识别方法,属于人工智能技术领域。所述图像识别方法,包括:接收来自终端的图像文件;根据图像识别模型对所述图像文件进行识别,得到识别信息,所述识别信息包括所述图像文件中巡检目标物的设备类别信息;将所述识别信息返回至终端。本发明实施例中,在获取到图像文件后,利用图像识别模型对图像文件进行识别,得到识别信息,其中,识别信息包括图像文件中巡检目标物的设备类别信息,然后将识别信息返回至终端。由此,使得操作人员在对巡检过程中,无需人工手动输入巡检目标物的设备类型,而是在上传图像文件后获得识别信息,该识别信息中可以包括设备类别信息,提高了巡检效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种图像识别方法、系统及装置。
背景技术
通信运营商为了提高经营业绩和利润,需要具有良好的网络质量,而网络质量依赖于网络设备的正常运行。网络资源巡检是是保障网络设备正常运行的一项重要日常工作。
目前,在网络资源巡检系统中,无法自动对巡检图片进行识别,即无法自动判断出巡检图片上的设备类型,需要要操作人员手动输入设备类型,导致巡检效率较低。
发明内容
为了解决需要人工手动输入设备类型导致巡检效率较低的问题,本发明提供一种图像识别方法、系统和装置。
第一方面,本发明提供一种图像识别方法,包括:
接收来自终端的图像文件;
根据图像识别模型对所述图像文件进行识别,得到识别信息,所述识别信息包括所述图像文件中巡检目标物的设备类别信息;
将所述识别信息返回至终端。
上述的图像识别方法,根据图像识别模型对所述图像文件中进行识别,得到识别信息,包括;
根据图像识别模型对所述图像文件进行识别,以确定所述图像文件中是否具有巡检目标物;
若是,基于巡检目标物与设备类别信息的对应关系,生成具有设备类别信息的识别信息;
若否,生成具有识别失败提示信息的识别信息。
上述的图像识别方法,所述接收来自终端的图像文件,包括:接收来自终端的一组图像文件,所述一组图像文件中包括至少三张图像文件;
所述根据图像识别模型对所述图像文件进行识别,得到识别信息:包括
对单张图像文件进行识别,得到单张识别结果;
当所述一组图像文件中超过预设比例的单张识别结果相同时,以该单张识别结果作为识别信息;否则,生成具有识别失败提示信息的识别信息。
上述的图像识别方法,在所述根据图像识别模型对所述图像文件进行识别之前,还包括:
获取图片样本文件进行图像识别训练,以得到所述图像识别模型;和/或
获取图片测试文件,利用所述图形识别模型对所述图片测试文件进行识别测试,得到准确率;若准确率低于预设准确值,则重新进行图形识别训练,否则,进入对所述图像文件的识别。
上述的图像识别方法,所述巡检目标物包括网络设备;所述网络设备包括BBU、RRU或天线。
上述的图像识别方法,在所述接收来自终端的图像文件之后,还包括:
分析所述图像文件的GPS信息;
判断所述GPS信息是否位于预设范围内,若是,进入下一步;若否,放弃对所述图像文件的识别。
第二方面,本发明提供一种图像识别方法,包括:
获取图像文件;
将所述图像文件发送至服务器进行识别;
接收所述服务器返回的识别信息,所述识别信息包括所述图像文件中巡检目标物的设备类别信息。
第三方面,本发明提供一种图像识别系统,包括存储器和处理器;
所述存储器存储图像识别模型和图像文件;
所述处理器,用于接收来自终端的图像文件,根据图像识别模型对所述图像文件进行识别,以在得到识别信息后,将识别信息返回至终端。
第四方面,本发明提供一种装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上任一项所述的方法的步骤。
第五方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。
本发明实施例中,在获取到图像文件后,利用图像识别模型对图像文件进行识别,得到识别信息,其中,识别信息包括图像文件中巡检目标物的设备类别信息,然后将识别信息返回至终端。由此,使得操作人员在对巡检过程中,无需人工手动输入巡检目标物的设备类型,而是在上传图像文件后获得识别信息,该识别信息中可以包括设备类别信息,提高了巡检效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施一中图像识别方法的流程图;
图2为本发明实施二中图像识别方法的流程图。
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,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例中,图像识别模型可以是卷积神经网络模型(ConvolutionalNeural Network,CNN)或密度连接卷积网络模型((Densely Connected ConvolutionalNetworks)。
实施例一
图1为本发明一示范性实施例中图像识别方法的流程图,包括如下步骤。
S040:接收来自终端的图像文件;
S060:根据图像识别模型对所述图像文件进行识别,得到识别信息,所述识别信息包括所述图像文件中巡检目标物的设备类别信息。
S080:将所述识别信息返回至终端。
本发明实施例的图像识别方法,将其应用与网络资源巡检系统中,使得操作人员在对巡检过程中,无需人工手动输入巡检目标物的设备类型,而是在上传图片后获得识别信息,该识别信息中可以包括设备类别信息,提高了巡检效率。上述图像识别方法的执行主体可以是巡检系统服务器,或巡检系统服务器中的图像识别装置。
本发明实施例中,图像文件包括图片或图像。
其中,S060包括S061、S062和S063。
S061:根据图像识别模型对所述图像文件进行识别,以确定所述图像文件中是否具有巡检目标物。
S062:若是,基于巡检目标物与设备类别信息的对应关系,生成具有设备类别信息的识别信息。
S063:若否,生成具有识别失败提示信息的识别信息。
巡检目标物是指预存在巡检系统中的巡检对象,本发明实施例中包括网络设备,当然也可以是其他的非网络设备,不再赘述。网络设备包括但不限于BBU(Building BaseBand Unit,室内基带处理单元)、RRU(Remote Radio Unit,远端射频单元)或天线。
在巡检人员在终端上传的图像文件大部分具有巡检目标物,但是不排除巡检人员因主观或客观原因导致上传的图像文件没有巡检目标物,例如巡检人员没有进行巡检则上传的图像文件为造假图片。若上传的图像文件中没有巡检目标物则生成的识别信息是识别失败提示信息,具体可以为“识别失败,请重新上传图片”,以提醒巡检人员重新上传图片,实现对无巡检目标物的图像文件的检测,或对造假图像文件的检测。若上传的图片中有巡检目标物,则根据巡检目标物与设备类别信息的对应关系,获取对应是设备类别信息,以实现对图片中巡检目标物的识别。
可见,本发明实施例提供的图像识别方法,不仅解决了需要人工输入巡检目标物的操作导致巡检效率低的问题,也可以对图像文件进行质检,在出现造假或无效的巡检图像文件时,生成相关识别信息,提醒巡检人员进行有效且真实的巡检工作。
其中,设备类别信息可以包括巡检目标物的物体类别或者巡检目标物的物体名称等。例如,识别出巡检目标物为天线时,天线的物体类别为1,则可以返回的识别信息中包括“1”或“天线”;识别出巡检目标物为BBU时,BBT的物体类别为2,则可以返回的识别信息中包括“2”或“BBU”;识别出巡检目标物为RRU时,RRT的物体类别为3,则可以返回的识别信息中包括“3”或“RRU”。
作为一种实施方式,由于实际应用中,巡检人员在终端上传的图像文件中,在同一张图像文件中可能包括一种以上的巡检目标物,若认可在同一图像文件上的两种及以上的巡检目标物,则在S061具体为:确定所述图像文件中是否具有至少一种巡检目标物;对应的,S062为:若是,基于巡检目标物与设备类别信息的对应关系,生成具有至少一种设备类别信息的识别信息。即,若在同一张图像文件中包括两种或以上的巡检目标物,则返回终端的识别信息中的设备类别信息也包括两种或两种以上。
当然,若不认可在同一图像文件上出现两种及以上的巡检目标物时,则在S061中包括:确定所述图像文件中是否仅具有至少一种巡检目标物;对应的,S062为:若是,基于巡检目标物与设备类别信息的对应关系,生成具有设备类别信息的识别信息。
作为一种实施方式,为了提高识别的准确性,针对同一巡检目标物,巡检人员可以自终端上传超过1张的图像文件,即针对同一巡检目标物,可以接收来自终端的一组图像文件,一组图像文件中的各张图像文件的拍摄角度不同。则S040具体为:接收来自终端的一组图像文件,所述一组图像文件中包括至少三张图像文件。当然,一组图像文件中也可以包括至少两张图像文件。对应的,S060具体包括:对单张图像文件进行识别,得到单张识别结果;当所述一组图像文件中超过预设比例的单张识别结果相同时,以该单张识别结果作为识别信息;否则,生成具有识别失败提示信息的识别信息。预设比例可以是三分之二,或其他比例。对每张图像文件进行识别,得到单张识别结果,单张识别结果可以包括单张图像文件中的巡检目标物的设备类别信息或识别失败提示信息。例如,一组图像文件中超过预设比例的巡检目标物的设备类别信息相同,则以该设备类别信息作为识别信息;又例如,一组图像文件中超过预设比例的单张识别结果为识别失败提示信息,则以识别失败提示信息作为识别信息;又例如,一组图像文件中具有三张图像文件,第一张图像文件的单张识别结果中的设备类别信息为A,第二张图像文件的单张识别结果的设备类别信息为B,则显然一组图像文件中不会有超过预设比例的巡检目标物的设备类别信息相同,因此,生成具有识别失败提示信息的识别信息。
在S040之前,需要对图像识别模型进行训练和测试。
S021:获取图片样本文件进行图像识别训练,以得到所述图像识别模型。
S022:获取图片测试文件,利用所述图形识别模型对所述图片测试文件进行识别测试,得到准确率;若准确率低于预设准确值,则重新进入S021,否则,进入S040。
S021中,对卷积神经网络模型的训练主要包括图片预处理、模型构建以及模型训练。
图片预处理是获取BBU、RRU和天线等设备的原始图片,对齐进行预处理操作,以对现有图片进行数据增强和增加图片样本量。
图片预处理步骤分为两个过程:图片增强处理、图片大小调整。
图片增强处理的操作方式包括设置图片随机旋转范围参数、图片宽度偏移范围参数、图片高度偏移范围参数、图片缩放范围调整参数和图片边界填充模式。其中,图片随机旋转范围参数在20度以内,图片宽度偏移范围参数为原图片的10%以内,图片高度偏移范围参数为原图片的10%以内,图片缩放范围调整参数为原图片的20%以内,图片边界填充模式可以是constant、nearest、reflect、wrap四种填充的一种。
经过图片增强处理后,可将每张原始图片生成10张新图片。进而对图片的大小进行调整,图片大小统一,以便于进行机器学习。由此,完成了图片的预处理步骤。
本发明实施例中,可以采用卷积神经网络算法构建图像识别模型,读取经预处理过的图片传入卷积神经网络,通过卷积神经网络的非线性可训练的卷积层(CONV Layer)、RELU层(RELU)、非线性的固定池化层(又叫POOL Layer)和全连接层(FC Layer)对图片进行处理,构建图像识别模型。池化层的池化操作可以是平均池化(Average Pooling),即对邻域内的特征点求平均;也可以是最大池化(Max Pooling),即对邻域内的特征点取最大。由于图像识别模型的构建中涉及的卷积层(CONV Layer)、RELU层(RELU)、非线性的固定池化层(又叫POOL Layer)和全连接层(FC Layer)为现有技术,因此本发明实施例不再赘述。
为实现网络资源巡检图像识别,确保图像识别准确率,需要对模型进行训练。获取BBU、RRU、天线等至少三种图片各5000张为图片样本文件进行训练。卷积神经网络模型的训练过程整体可分为二个阶段:第一个阶段是数据由低层向高层传播的阶段,即前向传播阶段;第二个阶段是,当前向传播得出的结果与预期不相符时,将误差从高层次向底层次进行传播训练的阶段,即反向传播阶段。由于卷积神经网络模型的训练过程为现有技术,因此,本发明实施例不对其赘述。
S022中,为确保网络识别模型能准确识别出BBU、RRU、天线等至少三种设备,获取BBU、RRU、天线等至少三种图片各300张为图片测试样本进行测试,将图像文件传入卷积神经网络模型进行图像识别,得到图像识别结果与实际内容对比,计算其识别准确率。若x张图片中,y张图像识别准确,则准确率=y/x。准确率的设置可以根据设备所在环境中的光线增大或减小,例如设备所在环境中光线充足,则准确率可以定为95%;若设备所在环境中光线不足,则可能难以准确识别,因此准确率可以定位80%。
作为一种实施方式,为了提高对造假图像文件的识别能力,本发明实施例的图像识别方法在S040和S060之间,还包括S050:分析所述图像文件的GPS信息;判断所述GPS信息是否位于预设范围内,若是,进入下一步;若否,放弃对所述图像文件的识别。通过分析图像文件的GPS信息,可以确定该图像文件的拍摄位置,进而确定巡检人员是否在预设范围内拍摄图片,即是否在需要被巡检的网络设备附近拍摄图片,从而确定该图像文件是否为造假图片。其中,预设范围可以预先设定,确定需要被巡检的网络设备的所在经纬度,在该经纬度的基础上外扩增加150米或200米内的范围为预设范围。
实施例二
图2为本发明一示范性实施例中图像识别方法的流程图,本发明实施例二中的执行主体为终端,该识别方法包括以下步骤。
S130:获取图像文件。具体为,终端拍摄获取图像文件。
S150:将所述图像文件发送至服务器进行识别。
S170:接收所述服务器返回的识别信息,所述识别信息包括所述图像文件中巡检目标物的设备类别信息。
终端将拍摄获取的图像文件发送至服务器进行识别,并接收服务器返回的识别信息,该识别信息包括图像文件中巡检目标物的设备类别信息,由此确定终端拍摄的图像文件中的设备类别信息。
巡检目标物是指预存在巡检系统中的巡检对象,本发明实施例中包括网络设备,当然也可以是其他的非网络设备,不再赘述。网络设备包括但不限于BBU(Building BaseBand Unit,室内基带处理单元)、RRU(Remote Radio Unit,远端射频单元)或天线。
S170中,识别信息还包括识别识别提示信息。识别失败提示信息具体可以为“识别失败,请重新上传图片”,以提醒巡检人员重新上传图片,实现对无巡检目标物的图像文件的检测,或对造假图像文件的检测。
在巡检人员在终端上传的图像文件大部分具有巡检目标物,但是不排除巡检人员因主观或客观原因导致上传的图像文件没有巡检目标物,例如巡检人员没有进行巡检则上传的图像文件为造假图片。若拍摄的图像文件中没有巡检目标物则接收到的识别信息是识别失败提示信息,具体可以为“识别失败,请重新上传图片”,以提醒巡检人员重新上传图片,实现对无巡检目标物的图像文件的检测,或对造假图像文件的检测。若拍摄的图片中有巡检目标物,则根据巡检目标物与设备类别信息的对应关系,接收到的识别信息是设备类别信息,以实现对图片中巡检目标物的识别。
其中,设备类别信息可以包括巡检目标物的物体类别或者巡检目标物的物体名称等。例如,识别出巡检目标物为天线时,天线的物体类别为1,则可以返回的识别信息中包括“1”或“天线”;识别出巡检目标物为BBU时,BBT的物体类别为2,则可以返回的识别信息中包括“2”或“BBU”;识别出巡检目标物为RRU时,RRT的物体类别为3,则可以返回的识别信息中包括“3”或“RRU”。
作为一种实施方式,为了提高识别的准确性,针对同一巡检目标物,巡检人员可以自终端上传超过1张的图像文件,即针对同一巡检目标物,可以接收来自终端的一组图像文件,一组图像文件中的各张图像文件的拍摄角度不同。则S130具体为:获取一组图像文件,所述一组图像文件包括至少三张图像文件。当然,一组图像文件中也可以包括至少两张图像文件。对应的,S150包括:将所述一组图像文件发送至服务器进行识别。
作为一种实施方式,S130包括:获取图像文件,所述图像文件包括GPS信息。
本发明实施例的图像识别方法,将拍摄获得的图像文件发送至服务器进行识别,并接收服务器返回的识别信息,以获得图像文件中巡检目标物的设备类别信息。从而,免去了在终端人工输入巡检目标物的设备类别的操作,提高了巡检人员的巡检效率,也可以对图像文件进行质检,避免出现造假或无效的巡检图像文件。
实施例三
本发明实施例提供一种图像识别系统、一种装置,以及计算机可读存储介质。
本发明实施例提供一种图像识别系统,包括存储器和处理器。所述存储器存储图像识别模型和图像文件。所述处理器,用于接收来自终端的图像文件,根据图像识别模型对所述图像文件进行识别,以在得到识别信息后,将识别信息返回至终端。
本发明实施例提供的数据分发系统还可以执行图1中图像识别系统执行的方法,并实现图像识别系统在图1所示实施例的功能,在此不再赘述。
本发明实施例提供的一种装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被所述处理器执行时实现上述图像识别方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述图像识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述的具体实例,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例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
接收来自终端的图像文件;
根据图像识别模型对所述图像文件进行识别,得到识别信息,所述识别信息包括所述图像文件中巡检目标物的设备类别信息;
将所述识别信息返回至终端。
2.根据权利要求1所述的图像识别方法,其特征在于,根据图像识别模型对所述图像文件中进行识别,得到识别信息,包括;
根据图像识别模型对所述图像文件进行识别,以确定所述图像文件中是否具有巡检目标物;
若是,基于巡检目标物与设备类别信息的对应关系,生成具有设备类别信息的识别信息;
若否,生成具有识别失败提示信息的识别信息。
3.根据权利要求1所述的图像识别方法,其特征在于,所述接收来自终端的图像文件,包括:接收来自终端的一组图像文件,所述一组图像文件中包括至少三张图像文件;
所述根据图像识别模型对所述图像文件进行识别,得到识别信息:包括
对单张图像文件进行识别,得到单张识别结果;
当所述一组图像文件中超过预设比例的单张识别结果相同时,以该单张识别结果作为识别信息;否则,生成具有识别失败提示信息的识别信息。
4.根据权利要求1所述的图像识别方法,其特征在于,在所述根据图像识别模型对所述图像文件进行识别之前,还包括:
获取图片样本文件进行图像识别训练,以得到所述图像识别模型;和/或
获取图片测试文件,利用所述图形识别模型对所述图片测试文件进行识别测试,得到准确率;若准确率低于预设准确值,则重新进行图形识别训练,否则,进入对所述图像文件的识别。
5.根据权利要求1所述的图像识别方法,其特征在于,所述巡检目标物包括网络设备;所述网络设备包括BBU、RRU或天线。
6.根据权利要求1所述的图像识别方法,其特征在于,在所述接收来自终端的图像文件之后,还包括:
分析所述图像文件的GPS信息;
判断所述GPS信息是否位于预设范围内,若是,进入下一步;若否,放弃对所述图像文件的识别。
7.一种图像识别方法,其特征在于,包括:
获取图像文件;
将所述图像文件发送至服务器进行识别;
接收所述服务器返回的识别信息,所述识别信息包括所述图像文件中巡检目标物的设备类别信息。
8.一种图像识别系统,其特征在于,包括存储器和处理器;
所述存储器存储图像识别模型和图像文件;
所述处理器,用于接收来自终端的图像文件,根据图像识别模型对所述图像文件进行识别,以在得到识别信息后,将识别信息返回至终端。
9.一种装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089841.XA CN113255409A (zh) | 2020-02-13 | 2020-02-13 | 一种图像识别方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089841.XA CN113255409A (zh) | 2020-02-13 | 2020-02-13 | 一种图像识别方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255409A true CN113255409A (zh) | 2021-08-13 |
Family
ID=77219863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010089841.XA Pending CN113255409A (zh) | 2020-02-13 | 2020-02-13 | 一种图像识别方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255409A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140270383A1 (en) * | 2002-08-23 | 2014-09-18 | John C. Pederson | Intelligent Observation And Identification Database System |
WO2015131462A1 (zh) * | 2014-03-07 | 2015-09-11 | 国家电网公司 | 一种用于无人机输电线路巡检的集中监控系统及监控方法 |
US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN108537912A (zh) * | 2018-03-06 | 2018-09-14 | 全球能源互联网研究院有限公司 | 一种基于智能图像识别的电力巡检无人机 |
CN109447949A (zh) * | 2018-09-29 | 2019-03-08 | 南京理工大学 | 基于巡检机器人的绝缘端子缺陷识别方法 |
CN109522925A (zh) * | 2018-09-30 | 2019-03-26 | 咪咕文化科技有限公司 | 一种图像识别方法、装置和存储介质 |
CN109523650A (zh) * | 2018-11-27 | 2019-03-26 | 武汉瑞莱保能源技术有限公司 | 一种设备工作状况的巡检方法和装置 |
CN109531533A (zh) * | 2018-11-30 | 2019-03-29 | 北京海益同展信息科技有限公司 | 一种机房巡检系统及其工作方法 |
CN109784375A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于Faster RCNN的自适应变压器部件检测识别方法 |
WO2019105131A1 (zh) * | 2017-11-30 | 2019-06-06 | 深圳中兴网信科技有限公司 | 用于监控的图像识别方法及系统、计算设备以及可读存储介质 |
CN110012268A (zh) * | 2019-04-02 | 2019-07-12 | 浙江璟恩物联网科技有限公司 | 管网ai智能监控方法、系统、可读存储介质和设备 |
CN110688925A (zh) * | 2019-09-19 | 2020-01-14 | 国网山东省电力公司电力科学研究院 | 基于深度学习的级联目标识别方法及系统 |
-
2020
- 2020-02-13 CN CN202010089841.XA patent/CN113255409A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140270383A1 (en) * | 2002-08-23 | 2014-09-18 | John C. Pederson | Intelligent Observation And Identification Database System |
WO2015131462A1 (zh) * | 2014-03-07 | 2015-09-11 | 国家电网公司 | 一种用于无人机输电线路巡检的集中监控系统及监控方法 |
US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
WO2019105131A1 (zh) * | 2017-11-30 | 2019-06-06 | 深圳中兴网信科技有限公司 | 用于监控的图像识别方法及系统、计算设备以及可读存储介质 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN108537912A (zh) * | 2018-03-06 | 2018-09-14 | 全球能源互联网研究院有限公司 | 一种基于智能图像识别的电力巡检无人机 |
CN109447949A (zh) * | 2018-09-29 | 2019-03-08 | 南京理工大学 | 基于巡检机器人的绝缘端子缺陷识别方法 |
CN109522925A (zh) * | 2018-09-30 | 2019-03-26 | 咪咕文化科技有限公司 | 一种图像识别方法、装置和存储介质 |
CN109523650A (zh) * | 2018-11-27 | 2019-03-26 | 武汉瑞莱保能源技术有限公司 | 一种设备工作状况的巡检方法和装置 |
CN109531533A (zh) * | 2018-11-30 | 2019-03-29 | 北京海益同展信息科技有限公司 | 一种机房巡检系统及其工作方法 |
CN109784375A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于Faster RCNN的自适应变压器部件检测识别方法 |
CN110012268A (zh) * | 2019-04-02 | 2019-07-12 | 浙江璟恩物联网科技有限公司 | 管网ai智能监控方法、系统、可读存储介质和设备 |
CN110688925A (zh) * | 2019-09-19 | 2020-01-14 | 国网山东省电力公司电力科学研究院 | 基于深度学习的级联目标识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
S. LU等: "\"Design and implement of control system for power substation equipment inspection robot\"", 《2009 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
高延鹏: "\"基于全景图像的铁路集装箱货场智能大门研究与设计\"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
高延鹏: ""基于全景图像的铁路集装箱货场智能大门研究与设计"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200036611A1 (en) | Method and apparatus for warning | |
US11461995B2 (en) | Method and apparatus for inspecting burrs of electrode slice | |
CN110892760B (zh) | 基于深度学习定位终端设备 | |
CN104113870B (zh) | 网络测试方法和移动终端 | |
CN110324779A (zh) | 基于信息安全的定位数据监控方法及相关设备 | |
CN109451304A (zh) | 一种摄像头模组批量对焦测试方法及系统 | |
CN117032600B (zh) | 一种打印机控制方法及装置 | |
CN111896233B (zh) | 对比度测试方法、对比度测试设备及存储介质 | |
CN111553302A (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
CN113420871B (zh) | 图像质量的评估方法、装置、存储介质及电子装置 | |
CN114020039A (zh) | 无人机巡检杆塔自动对焦系统及方法 | |
CN113255409A (zh) | 一种图像识别方法、系统及装置 | |
CN114064445A (zh) | 一种测试方法、装置、设备及计算机可读存储介质 | |
CN112597788B (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
US11790521B2 (en) | System and method to use machine learning to ensure proper installation and/or repair by technicians | |
CN111314602B (zh) | 目标对象聚焦方法、装置、存储介质及电子装置 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN113674207A (zh) | 一种基于图卷积神经网络的pcb元器件自动定位方法 | |
CN109829389B (zh) | 机器移位判断方法、装置以及计算机存储介质 | |
CN113139563A (zh) | 一种图像分类模型的优化方法及装置 | |
CN112163519A (zh) | 图像映射处理方法、装置、存储介质及电子装置 | |
CN116647617B (zh) | 一种野外低信号环境的手机信号接收增强方法及装置 | |
CN116778534B (zh) | 图像处理方法、装置、设备和介质 | |
CN111046911A (zh) | 一种图像处理方法和装置 | |
CN113763187B (zh) | 理赔结果确定方法、理赔请求发送方法和装置 |
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 |