CN113297902B - 一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置 - Google Patents
一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置 Download PDFInfo
- Publication number
- CN113297902B CN113297902B CN202110401101.XA CN202110401101A CN113297902B CN 113297902 B CN113297902 B CN 113297902B CN 202110401101 A CN202110401101 A CN 202110401101A CN 113297902 B CN113297902 B CN 113297902B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- subtasks
- sensing image
- subtask
- crowdsourcing
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置。该方法的步骤包括:将遥感影像标注众包任务划分为若干子任务;读取各子任务对应的遥感影像区域数据作为遥感影像子图,采用机器学习模型对遥感影像子图提取待标注的矢量多边形;将子任务分配给参与众包任务的用户,执行子任务并得到用户对子任务中待标注的矢量多边形的语义标注结果;将采用机器学习模型获得的遥感影像未标注区域的预测结果与已标注的矢量多边形区域进行叠加合并,生成遥感影像标注样本数据集。本发明能够大大降低众包在线标注的工作量,能够保证所有子任务均能被执行,能够减轻在线可视化渲染的负担。
Description
技术领域
本发明属于遥感图像领域中的遥感影像在线标注流程,涉及采用众包方式制作遥感影像标注样本数据集,主要应用于遥感影像语义分割深度学习模型的训练等应用。
背景技术
遥感技术的快速发展使得覆盖全球的影像获取越来越方便,而且影像分辨率的提高使得影像的数据量呈几何级数递增。在使用遥感影像进行土地覆盖、资源和环境保护等领域的分析时,都需要对遥感影像进行解译。遥感影像自动解译需要样本来提高解译能力和精度,同时解译结果也需要样本来验证。传统的采集遥感影像样本数据的做法是研究人员下载并标记大量遥感影像,来满足其设计的机器学习方法。这种方式不仅耗时、成本高,还受制于遥感影像信息提取人员的时间和精力,以及对不同土地利用类型在遥感影像中的表现特征的熟悉程度,往往难以扩展可用训练样本的数据量。
众包是一种分布式的问题解决和生产模式,是解决难以自动处理任务的一种有效方式。人的知识,智慧,经验,技能都可以通过互联网转换成实际收益,对数据质量的提高也能起到一定作用,特别是在人类比较擅长的图像解释方面。因此本发明通过众包方式来收集遥感影像标注样本集。
发明内容
为了满足公众参与遥感影像信息提取工作的需求,同时扩展可用遥感影像训练样本的数据量,本发明提供一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置。
本发明采用的技术方案如下:
一种基于众包模式在线标注遥感影像生成样本数据集的方法,包括以下步骤:
将遥感影像标注众包任务划分为若干子任务;
读取各子任务对应的遥感影像区域数据作为遥感影像子图,采用机器学习模型对遥感影像子图提取待标注的矢量多边形;
将子任务分配给参与众包任务的用户,执行子任务并得到用户对子任务中待标注的矢量多边形的语义标注结果;
采用机器学习模型获得遥感影像未标注区域的语义信息预测结果;
将遥感影像未标注区域的语义信息预测结果与已标注的矢量多边形区域进行叠加合并,生成遥感影像标注样本数据集。
进一步地,所述将遥感影像标注任务划分为若干子任务,包括:根据遥感影像的像素的行列数量,将含有若干像素的子图作为子任务。
进一步地,所述将子任务分配给参与众包任务的用户,包括:
每个子任务有一个具体的任务量和一个参与任务执行的最大人数;
根据当前参与用户的列表,按子任务的优先级进行顺序分配。
进一步地,对子任务按照被处理次数划分所述优先级,未被处理的子任务优先级最高,每个优先级内的子任务随机排序。
进一步地,对于已经被处理过的子任务,判断用户id以避免同一用户多次参与同一子任务;对于被处理完成的子任务,添加参与处理该子任务的用户id,并修改该子任务的优先级。
进一步地,所述执行子任务,包括:用户通过目视解译对待标注的多边形进行语义标注,即标注该多边形内的地物类别。
进一步地,所述得到用户对子任务中待标注的矢量多边形的语义标注结果,包括:对子任务中的每个矢量多边形采用多数投票规则确定其语义类别;对于无法确定语义类别的矢量多边形,修改参与执行子任务的最大人数并重新加入到子任务分配队列中。
一种采用上述方法的基于众包模式在线标注遥感影像生成样本数据集的装置,其包括:
任务预处理模块,用于将遥感影像标注众包任务划分为若干子任务,读取各子任务对应的遥感影像区域数据作为遥感影像子图,采用机器学习模型对遥感影像子图提取待标注的矢量多边形;
子任务分配模块,用于将子任务分配给参与众包任务的用户;
子任务执行模块,用于执行子任务并得到用户对子任务中待标注的矢量多边形的语义标注结果;
结果集成模块,用于将采用机器学习模型获得的遥感影像未标注区域的语义信息预测结果,与已标注的矢量多边形区域进行叠加合并,生成遥感影像标注样本数据集。
本发明的有益效果如下:
本发明设计了一种基于众包模式在线标注遥感影像生成样本数据集的新方案,该方案一方面利用机器学习模型提取待标注多边形,大大降低了众包在线标注的工作量,另一方面,将众包任务划分为子任务,并根据每个子任务的参与情况和优先级,进行自动分配,保证所有子任务均能被执行,而且每个子任务的遥感影像和待标注的矢量多边形数据均较小,能够减轻在线可视化渲染的负担。
附图说明
图1是基于公众众包的遥感影像信息提取业务流程图。
图2是遥感影像子图划分示意图。
图3是待标注多边形提取示意图。
图4是子任务优先级排序分配算法示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步详细说明。
本发明采用众包模式,在线标注遥感影像生成遥感影像标注样本数据集的流程设计如图1所示,包括以下步骤:
1.任务预处理
为了控制每个用户参与众包任务的工作量,提高遥感影像信息提取效率,参考遥感影像的像素的行列数量,对任务进行划分。具体采用按空间范围对遥感影像进行划分的方法,如针对一景10*10像素大小的遥感影像,按区域大小为4*4像素的子图作为子任务进行划分,共划分为9个子图,即9个子任务,如图2所示。
对每个子任务进行预处理,具体步骤为:首先读取子任务对应的遥感影像区域数据,如图2中的灰色区域,保存为遥感影像子图;然后采用机器学习模型对遥感影像子图进行推荐标注区域的提取。如采用深度卷积神经网络和超像素分割技术,提取每个子任务的待人工标注的边界矢量数据,即矢量多边形,如图3中浅灰色区域的多边形数据。
2.子任务分配
在线发布遥感影像信息提取众包任务,用户参与众包任务后,自动分配给用户一个子任务。子任务分配模型如下:
众包任务由一组子任务和参与的用户组成,用户的集合表示为U={u1,u2,…,un},其中u1,u2,…,un表示n个用户。子任务集合为T={t1,t2,…,tn},每个子任务tj∈T有一个具体的任务量V(如待标注的多边形数量)和一个参与任务执行的最大人数M(如设置每个子任务参与人数的上限为3人),即每个子任务可以被不同的用户执行多次。子任务被M人完成后,标志该子任务的完成。
为了保证各个子任务被完成的概率相等,采用优先级排序方法进行子任务的分配。子任务优先级排序分配算法如图4所示,包括以下步骤:
首先对子任务按照被处理次数进行优先级划分,每个优先级内的子任务随机排序。如每个子任务要求至少有三人参与,则未被处理的子任务优先级最高,为3级,被处理1次的子任务优先级为2级,被处理2次的子任务优先级为1级,被处理3次的子任务优先级为0级。同一优先级内的子任务随机进行排序。其中,“处理”是指对子任务中每个待标注的多边形进行语义信息的标注。
然后,根据当前参与用户的列表,按子任务优先级进行顺序分配。对于已经被处理过的子任务,则需要判断用户id,避免同一用户多次参与同一子任务。如图4所示,将子任务1分配给用户1,子任务2分配给用户2,子任务3分配给用户3,子任务4分配给用户4。
最后,对于被处理完成的子任务,添加参与处理该子任务的用户id,并修改该子任务的优先级。
3.子任务执行
对于分配给用户的子任务,通过在线标注平台渲染众包子任务的待标注的矢量多边形数据和对应的遥感影像数据,用户通过目视解译(即利用自身的经验对图像的影像特征和空间特征做出分析),对待标注的多边形进行语义标注,即标注该多边形内的地物类别,如建筑物/非建筑物。子任务中所有多边形都标注完成后,提交最终数据结果。
4.结果集成
对每个子任务提交的数据结果进行处理,对子任务中每个多边形,采用多数投票规则确定其语义类别,即选择标注人数最多的的语义类别。如针对某一多边形,5人标注为建筑物,1人标注为非建筑物,则最后该多边形的语义信息为建筑物。
子任务中每个待标注多边形的语义信息都确定后,采用任务预处理时使用的机器学习模型对遥感影像未标注区域进行像素级的语义信息的预测,将语义结果填充到对应遥感影像的未标注区域,最后将遥感影像未标注区域的预测结果与已标注的多边形区域进行叠加合并,生成遥感影像标注样本数据集,进行存储,并删除该子任务的矢量标注数据。对于无法确定语义信息的多边形(如针对某一多边形,3个参与人标注为建筑物,3人标注为非建筑物),修改该子任务执行参与的最大人数M,重新加入到子任务分配队列(图1中的子任务池)中。
基于同一发明构思,本发明的另一实施例提供一种采用上述方法的基于众包模式在线标注遥感影像生成样本数据集的装置,其包括:
任务预处理模块,用于将遥感影像标注众包任务划分为若干子任务,读取各子任务对应的遥感影像区域数据作为遥感影像子图,采用机器学习模型对遥感影像子图提取待标注的矢量多边形;
子任务分配模块,用于将子任务分配给参与众包任务的用户;
子任务执行模块,用于执行子任务并得到用户对子任务中待标注的矢量多边形的语义标注结果;
结果集成模块,用于采用机器学习模型获得遥感影像未标注区域的预测结果,将遥感影像未标注区域的预测结果与已标注的矢量多边形区域进行叠加合并,生成遥感影像标注样本数据集。
基于同一发明构思,本发明的另一实施例提供一种电子装置(计算机、服务器、智能手机等),其包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思,本发明的另一实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘),所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现本发明方法的各个步骤。
以上公开的本发明的具体实施例,其目的在于帮助理解本发明的内容并据以实施,本领域的普通技术人员可以理解,在不脱离本发明的精神和范围内,各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例所公开的内容,本发明的保护范围以权利要求书界定的范围为准。
Claims (6)
1.一种基于众包模式在线标注遥感影像生成样本数据集的方法,其特征在于,包括以下步骤:
将遥感影像标注众包任务划分为若干子任务;
读取各子任务对应的遥感影像区域数据作为遥感影像子图,采用机器学习模型对遥感影像子图提取待标注的矢量多边形;
将子任务分配给参与众包任务的用户,执行子任务并得到用户对子任务中待标注的矢量多边形的语义标注结果;
采用机器学习模型获得遥感影像未标注区域的语义信息预测结果;
将遥感影像未标注区域的语义信息预测结果与已标注的矢量多边形区域进行叠加合并,生成遥感影像标注样本数据集;
所述将子任务分配给参与众包任务的用户,包括:
每个子任务有一个具体的任务量和一个参与任务执行的最大人数;
根据当前参与用户的列表,按子任务的优先级进行顺序分配;
对子任务按照被处理次数划分所述优先级,未被处理的子任务优先级最高,每个优先级内的子任务随机排序;
所述执行子任务,包括:用户通过目视解译对待标注的多边形进行语义标注,即标注该多边形内的地物类别;
所述得到用户对子任务中待标注的矢量多边形的语义标注结果,包括:对子任务中的每个矢量多边形采用多数投票规则确定其语义类别;对于无法确定语义类别的矢量多边形,修改参与执行子任务的最大人数并重新加入到子任务分配队列中。
2.根据权利要求1所述的方法,其特征在于,所述将遥感影像标注任务划分为若干子任务,包括:根据遥感影像的像素的行列数量,将含有若干像素的子图作为子任务。
3.根据权利要求1所述的方法,其特征在于,对于已经被处理过的子任务,判断用户id以避免同一用户多次参与同一子任务;对于被处理完成的子任务,添加参与处理该子任务的用户id,并修改该子任务的优先级。
4.一种采用权利要求1~3中任一权利要求所述方法的基于众包模式在线标注遥感影像生成样本数据集的装置,其特征在于,包括:
任务预处理模块,用于将遥感影像标注众包任务划分为若干子任务,读取各子任务对应的遥感影像区域数据作为遥感影像子图,采用机器学习模型对遥感影像子图提取待标注的矢量多边形;
子任务分配模块,用于将子任务分配给参与众包任务的用户;
子任务执行模块,用于执行子任务并得到用户对子任务中待标注的矢量多边形的语义标注结果;
结果集成模块,用于将采用机器学习模型获得的遥感影像未标注区域的语义信息预测结果,与已标注的矢量多边形区域进行叠加合并,生成遥感影像标注样本数据集。
5.一种电子装置,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1~3中任一权利要求所述方法的指令。
6.一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存储计算机程序,所述计算机程序被计算机执行时,实现权利要求1~3中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401101.XA CN113297902B (zh) | 2021-04-14 | 2021-04-14 | 一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401101.XA CN113297902B (zh) | 2021-04-14 | 2021-04-14 | 一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297902A CN113297902A (zh) | 2021-08-24 |
CN113297902B true CN113297902B (zh) | 2023-08-08 |
Family
ID=77319753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401101.XA Active CN113297902B (zh) | 2021-04-14 | 2021-04-14 | 一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297902B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989132A (zh) * | 2021-09-18 | 2022-01-28 | 北京数慧时空信息技术有限公司 | 全自动遥感影像预处理装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194608A (zh) * | 2017-06-13 | 2017-09-22 | 复旦大学 | 一种面向残疾人社区的众包标注任务分配策略 |
WO2018000269A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳狗尾草智能科技有限公司 | 一种基于数据挖掘和众包的数据标注方法及系统 |
CN109241513A (zh) * | 2018-08-27 | 2019-01-18 | 上海宝尊电子商务有限公司 | 一种基于大数据众包模式数据标注的方法及装置 |
CN109670060A (zh) * | 2018-12-10 | 2019-04-23 | 北京航天泰坦科技股份有限公司 | 一种基于深度学习的遥感影像半自动化标注方法 |
CN109800320A (zh) * | 2019-01-04 | 2019-05-24 | 平安科技(深圳)有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
CN110647985A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 一种基于人工智能模型库的众包数据标注方法 |
CN110826555A (zh) * | 2019-10-12 | 2020-02-21 | 天津大学 | 一种人机协同的图像目标检测数据半自动标注方法 |
CN111144749A (zh) * | 2019-12-26 | 2020-05-12 | 智洋创新科技股份有限公司 | 电网图像智能标注众包平台及工作方法 |
CN111580947A (zh) * | 2020-04-29 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种基于人工智能的在线协同化遥感图像标注系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10606982B2 (en) * | 2017-09-06 | 2020-03-31 | International Business Machines Corporation | Iterative semi-automatic annotation for workload reduction in medical image labeling |
-
2021
- 2021-04-14 CN CN202110401101.XA patent/CN113297902B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000269A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳狗尾草智能科技有限公司 | 一种基于数据挖掘和众包的数据标注方法及系统 |
CN107194608A (zh) * | 2017-06-13 | 2017-09-22 | 复旦大学 | 一种面向残疾人社区的众包标注任务分配策略 |
CN109241513A (zh) * | 2018-08-27 | 2019-01-18 | 上海宝尊电子商务有限公司 | 一种基于大数据众包模式数据标注的方法及装置 |
CN109670060A (zh) * | 2018-12-10 | 2019-04-23 | 北京航天泰坦科技股份有限公司 | 一种基于深度学习的遥感影像半自动化标注方法 |
CN109800320A (zh) * | 2019-01-04 | 2019-05-24 | 平安科技(深圳)有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
CN110647985A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 一种基于人工智能模型库的众包数据标注方法 |
CN110826555A (zh) * | 2019-10-12 | 2020-02-21 | 天津大学 | 一种人机协同的图像目标检测数据半自动标注方法 |
CN111144749A (zh) * | 2019-12-26 | 2020-05-12 | 智洋创新科技股份有限公司 | 电网图像智能标注众包平台及工作方法 |
CN111580947A (zh) * | 2020-04-29 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种基于人工智能的在线协同化遥感图像标注系统 |
Non-Patent Citations (1)
Title |
---|
科学数据众包处理研究;赵江华 等;《计算机研究与发展》;20171231;第54卷(第2期);第284-294页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113297902A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210256320A1 (en) | Machine learning artificialintelligence system for identifying vehicles | |
CN111291266A (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN112486788B (zh) | 一种工作量评估方法、装置、电子设备和可读存储介质 | |
CN110889450B (zh) | 超参数调优、模型构建方法和装置 | |
CN114902273A (zh) | 使用gpu优化资源分配的系统和方法 | |
CN109948807A (zh) | 一种主动学习方法及装置 | |
CN107122147A (zh) | 用于将图像基元部署至计算构造的图像流管线控制器 | |
Mahmoud et al. | Multiobjective task scheduling in cloud environment using decision tree algorithm | |
CN113297902B (zh) | 一种基于众包模式在线标注遥感影像生成样本数据集的方法和装置 | |
CN107066322B (zh) | 一种面向自组织群智感知系统的在线任务分派方法 | |
CN111949795A (zh) | 工单自动分类方法及装置 | |
CN108549909A (zh) | 基于众包的对象分类方法及对象分类系统 | |
CN113436329A (zh) | 可视化乘梯方法、装置、计算机设备及可读存储介质 | |
CN113947322A (zh) | 一种基于FP-Growth算法的画像匹配方法及系统 | |
CN114387608A (zh) | 一种联合卷积与图神经网络的表格结构识别方法 | |
CN117193992B (zh) | 模型训练方法、任务调度方法、装置以及计算机存储介质 | |
CN113568747A (zh) | 基于任务分类与时序预测的云机器人资源调度方法及系统 | |
CN115829219A (zh) | 基于人员画像的供电企业派工方法、系统、介质及设备 | |
Zhang et al. | Online task scheduling for LiDAR data preprocessing on hybrid GPU/CPU devices: A reinforcement learning approach | |
CN108052378B (zh) | 一种面向复杂仿真工作流应用的利润敏感的任务调度方法 | |
CN115689201A (zh) | 面向企业资源供需调配的多准则智能决策优化方法及系统 | |
CN115222370A (zh) | 多维度创业孵化项目评测方法、系统及电子设备 | |
CN112365189A (zh) | 案件分配方法及装置 | |
JP2022021268A (ja) | 屋根の劣化診断方法および劣化診断システム | |
JP3238461U (ja) | 屋根の劣化診断システム |
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 |