CN113361430A - 一种车辆状态信息采集监控方法及系统 - Google Patents
一种车辆状态信息采集监控方法及系统 Download PDFInfo
- Publication number
- CN113361430A CN113361430A CN202110661775.3A CN202110661775A CN113361430A CN 113361430 A CN113361430 A CN 113361430A CN 202110661775 A CN202110661775 A CN 202110661775A CN 113361430 A CN113361430 A CN 113361430A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle state
- license plate
- vehicle
- image
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/12—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time in graphical form
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Abstract
本发明公开了一种车辆状态信息采集监控方法及系统,通过获取车辆状态数据并存储;对车辆状态数据进行处理,获得优化数据并展示;根据展示的优化数据设置告警规则、告警阀值、告警联系人和告警方式;监控优化数据,当优化数据达到告警阀值时,进行告警;本发明所公开的车辆状态信息采集监控方法可以对资源进行立体化监控以及展示报警。
Description
技术领域
本发明涉及物流技术领域,尤其涉及一种车辆状态信息采集监控方法。
背景技术
在云计算,大数据等技术日趋成熟的情况下,大数据的应用越来越多,车辆平台对自有资源的资源使用情况、业务的运行状况和健康度,并及时收到异常告警做出反应的需求越来越迫切。监控作为一种可以对资源进行立体化监控的平台,监控数据告警的汇总及展示就显得尤为重要。
在业务规模不断增大、服务不断增多以及频繁变更的情况下,面对复杂的调用链路就带来一系列问题:有效的对数据进行高效处理,以提升展示的有效性。
发明内容
为解决背景技术中存在的技术问题,本发明提出一种车辆状态信息采集监控方法及系统。
本发明提出一种车辆状态信息采集监控方法,包括:
获取车辆状态数据并存储;
对车辆状态数据进行处理,获得优化数据并展示;
根据展示的优化数据设置告警规则、告警阀值、告警联系人和告警方式;
监控优化数据,当优化数据达到告警阀值时,进行告警。
优选地,所述对车辆状态数据进行处理,获得优化数据并展示具体包括:
对车辆状态数据进行标签化处理,获得线索数据;
提取线索数据的相关特征;
根据相关特征构建数据的训练集与测试集;
根据朴素贝叶斯分类算法构建筛选模型,利用训练集与测试集对筛选模型进行训练和测试;
当所述筛选模型通过训练和测试时,根据筛选模型获得优化数据并展示。
优选地,所述对车辆状态数据进行标签化处理,获得线索数据具体包括:
根据车辆状态数据中车辆信息、数据来源、数据内容以及产生数据的运输业务场景对车辆状态数据进行标签分类;所述标签包括有价值数据与无价值数据;其中,有价值数据为线索数据;
所述线索数据的相关特征具体包括基础特征和关联特征;所述基础特征包括数据的基本信息,所述关联特征包括数据获取途径涉及的信息。
优选地,所述车辆状态数据包括车辆信息,获取车辆信息具体包括:
获得车辆影像,提取车牌图像;
将车牌图像进行变换,变为正视角车牌图像;
利用车牌识别网络对正视角车牌图像进行识别。
优选地,所述获得车辆影像,提取车牌图像的具体包括:
获取车辆影像,利用YOLOv5车辆检测算法对图像中的车辆进行目标检测,输出车辆在图像上的四个角点坐标,根据坐标裁剪出车辆图像。
优选地,所述利用车牌识别网络对正视角车牌图像进行识别具体包括:
利用LPRnet宽卷积神经网络对正视角车牌图像进行特征提取,获得局部字符的上下文信息;
对局部字符的概率进行解码,通过集束搜索找到的多个最可能序列,返回与预定义模板集合最匹配的第一个序列,即为车牌识别结果。
本发明还提出一种车辆状态信息采集监控系统,其特征在于,包括:
数据获取模块,用于获取车辆状态数据,并进行规范化及存储;
数据处理模块,用于对车辆状态数据进行处理,获得优化数据并展示;
告警设置模块,用于根据展示的优化数据设置告警规则、告警阀值、告警联系人和告警方式;
监控模块,用于监控优化数据,当优化数据达到告警阀值时,进行告警。
优选地,所述数据处理模块具体包括:
筛选单元,用于构建数据筛选模型,对车辆状态数据进行筛选;
标签化单元,用于对车辆状态数据进行标签化处理,获得线索数据;
提取单元,用于提取线索数据的相关特征;
训练测试单元,用于根据相关特征构建数据的训练集与测试集,对筛选模型进行训练和测试;
当所述筛选模型通过训练和测试时,根据筛选模型获得优化数据并展示。
优选地,所述标签化单元对车辆状态数据进行标签化处理,获得线索数据具体包括:
根据车辆状态数据中车辆信息、数据来源、数据内容以及产生数据的运输业务场景对车辆状态数据进行标签分类;所述标签包括有价值数据与无价值数据;其中,有价值数据为线索数据;
所述线索数据的相关特征具体包括基础特征和关联特征;所述基础特征包括数据的基本信息,所述关联特征包括数据获取途径涉及的信息。
优选地,所述车辆状态数据包括车辆信息,所述数据获取模块包括:
图像获取单元,用于获得车辆影像,利用YOLOv5车辆检测算法提取车牌图像;
图像变换单元,用于将车牌图像进行变换,变为正视角车牌图像;
图像识别单元,用于利用车牌识别网络对正视角车牌图像进行识别;
所述图像识别单元利用车牌识别网络对正视角车牌图像进行识别具体包括:
利用LPRnet宽卷积神经网络对车牌图像进行特征提取,获得局部字符的上下文信息;
对局部字符的概率进行解码,通过集束搜索找到的多个最可能序列,返回与预定义模板集合最匹配的第一个序列,即为车牌识别结果。
通过以上方案可知,本申请提供的一种车辆状态信息采集监控方法及系统,与现有技术相比至少具有以下有益效果:
1、通过本方法可以及时有效的了解车辆目前的资源使用状况,并分析性能问题,在出现故障时能够快速定位和解决,具有良好的推广应用价值;
2、通过本方法,借助引入数据训练方法,可以提高筛选的数据的有效性,有助于提高数据的处理效率,数据监控与人工智能数据处理的有效结合,为车辆状态信息采集监控提供更多的可能性;
3、本方法中对于复杂的图像信息处理,基于深度神经网络进行搭建,网络通过一次前向计算便完成端到端的检测、矫正和识别任务,整个过程不需要人工提取特征,全部由深度神经网络自动学习,提升了算法精度也减少了数据加工时间。
附图说明
图1为本发明提出的一种车辆状态信息采集监控方法的流程框图。
具体实施方式
如图1所示,图1为本发明提出的一种车辆状态信息采集监控方法的流程框图。
参照图1,本发明提出的一种车辆状态信息采集监控方法,包括:
S1:获取车辆状态数据并存储;
本发明实施例中,车辆状态数据包括车辆信息等数据,其中,车辆信息主要包括车牌信息,获取车牌信息方式主要包括:
S101:获得车辆影像,提取车牌图像;
S102:将车牌图像进行变换,变为正视角车牌图像;
S103:利用车牌识别网络对正视角车牌图像进行识别。
需要说明的是,本发明实施例中,提取车牌图像是利用YOLOv5车辆检测算法对图像中的车辆进行目标检测,输出车辆在图像上的四个角点坐标,根据坐标裁剪出车辆图像。
本发明实施例中,利用车牌识别网络对正视角车牌图像进行识别具体是利用LPRnet宽卷积神经网络对正视角车牌图像进行特征提取,获得局部字符的上下文信息;然后对局部字符的概率进行解码,通过集束搜索找到的多个最可能序列,返回与预定义模板集合最匹配的第一个序列,即为车牌识别结果。
S2:对车辆状态数据进行处理,获得优化数据并展示;
本发明实施例中,步骤S2具体包括:
S201:对车辆状态数据进行标签化处理,获得线索数据;
本发明实施例中,对车辆状态数据进行标签化处理,获得线索数据具体包括:根据车辆状态数据中车辆信息、数据来源、数据内容以及产生数据的运输业务场景对车辆状态数据进行标签分类;所述标签包括有价值数据与无价值数据;
S202:提取线索数据的相关特征;
本发明实施例中,线索数据的相关特征具体包括基础特征和关联特征;所述基础特征包括数据的基本信息,所述关联特征包括数据获取途径涉及的信息。
S203:根据相关特征构建数据的训练集与测试集;
S204:构建筛选模型,利用训练集与测试集对筛选模型进行训练和测试;
S205:当所述筛选模型通过训练和测试时,根据筛选模型获得优化数据并展示。
本发明实施例中,根据利用留出法或交叉验证法或自助法构建训练集与测试集;根据朴素贝叶斯分类算法构建筛选模型,当所述筛选模型通过训练和测试时,根据筛选模型对数据进行筛选优化从而获得优化数据并展示。
S3:根据展示的优化数据设置告警规则、告警阀值、告警联系人和告警方式;
S4:监控优化数据,当优化数据达到告警阀值时,进行告警。
在本实施例中,该方法与现有技术相比至少具有以下有益效果:
1、通过本方法可以及时有效的了解车辆系统目前的资源使用状况,并分析性能问题,在出现故障时能够快速定位和解决,具有良好的推广应用价值;
2、通过本方法,借助引入数据训练方法,可以提高筛选的数据的有效性,有助于提高数据的处理效率,数据监控与人工智能数据处理的有效结合,为车辆状态信息采集监控提供更多的可能性;
3、本方法中对于复杂的图像信息处理,基于深度神经网络进行搭建,网络通过一次前向计算便完成端到端的检测、矫正和识别任务,整个过程不需要人工提取特征,全部由深度神经网络自动学习,提升了算法精度也减少了数据加工时间。
本发明实施例还提出一种车辆状态信息采集监控系统,包括:
数据获取模块,用于获取车辆状态数据,并进行规范化及存储;
数据处理模块,用于对车辆状态数据进行处理,获得优化数据并展示;
告警设置模块,用于根据展示的优化数据设置告警规则、告警阀值、告警联系人和告警方式;
监控模块,用于监控优化数据,当优化数据达到告警阀值时,进行告警。
本发明实施例中,优选的,所述数据处理模块具体包括:
筛选单元,用于构建数据筛选模型,对车辆状态数据进行筛选;
标签化单元,用于对车辆状态数据进行标签化处理,获得线索数据;
提取单元,用于提取线索数据的相关特征;本发明实施例中,线索数据的相关特征具体包括基础特征和关联特征;所述基础特征包括数据的基本信息,所述关联特征包括数据获取途径涉及的信息。
训练测试单元,用于根据相关特征构建数据的训练集与测试集,对筛选模型进行训练和测试;
当所述筛选模型通过训练和测试时,根据筛选模型获得优化数据并展示。
本发明实施例中,根据利用留出法或交叉验证法或自助法构建训练集与测试集;根据朴素贝叶斯分类算法构建筛选模型,当所述筛选模型通过训练和测试时,根据筛选模型对数据进行筛选优化从而获得优化数据并展示。
本发明实施例中,数据获取模块中有提取车辆信息的模块,具体包括:
图像获取单元,用于获得车辆影像,提取车牌图像;
图像变换单元,用于将车牌图像进行变换,变为正视角车牌图像;
图像识别单元,用于利用车牌识别网络对正视角车牌图像进行识别。
需要说明的是,本发明实施例中,提取车牌图像是利用YOLOv5车辆检测算法对图像中的车辆进行目标检测,输出车辆在图像上的四个角点坐标,根据坐标裁剪出车辆图像。
本发明实施例中,利用车牌识别网络对正视角车牌图像进行识别具体是利用LPRnet宽卷积神经网络对正视角车牌图像进行特征提取,获得局部字符的上下文信息;然后对局部字符的概率进行解码,通过集束搜索找到的多个最可能序列,返回与预定义模板集合最匹配的第一个序列,即为车牌识别结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种车辆状态信息采集监控方法,其特征在于,包括:
获取车辆状态数据并存储;
对车辆状态数据进行处理,获得优化数据并展示;
根据展示的优化数据设置告警规则、告警阀值、告警联系人和告警方式;
监控优化数据,当优化数据达到告警阀值时,进行告警。
2.根据权利要求1所述的方法,其特征在于,所述对车辆状态数据进行处理,获得优化数据并展示具体包括:
对车辆状态数据进行标签化处理,获得线索数据;
提取线索数据的相关特征;
根据相关特征构建数据的训练集与测试集;
根据朴素贝叶斯分类算法构建筛选模型,利用训练集与测试集对筛选模型进行训练和测试;
当所述筛选模型通过训练和测试时,根据筛选模型获得优化数据并展示。
3.根据权利要求2所述的方法,其特征在于,所述对车辆状态数据进行标签化处理,获得线索数据具体包括:
根据车辆状态数据中车辆信息、数据来源、数据内容以及产生数据的运输业务场景对车辆状态数据进行标签分类;所述标签包括有价值数据与无价值数据;其中,有价值数据为线索数据;
所述线索数据的相关特征具体包括基础特征和关联特征;所述基础特征包括数据的基本信息,所述关联特征包括数据获取途径涉及的信息。
4.根据权利要求1所述的方法,其特征在于,所述车辆状态数据包括车辆信息,获取车辆信息具体包括:
获得车辆影像,提取车牌图像;
将车牌图像进行变换,变为正视角车牌图像;
利用车牌识别网络对正视角车牌图像进行识别。
5.根据权利要求4所述的方法,其特征在于,所述获得车辆影像,提取车牌图像的具体包括:
获取车辆影像,利用YOLOv5车辆检测算法对图像中的车辆进行目标检测,输出车辆在图像上的四个角点坐标,根据坐标裁剪出车辆图像。
6.根据权利要求4所述的方法,其特征在于,所述利用车牌识别网络对正视角车牌图像进行识别具体包括:
利用LPRnet宽卷积神经网络对正视角车牌图像进行特征提取,获得局部字符的上下文信息;
对局部字符的概率进行解码,通过集束搜索找到的多个最可能序列,返回与预定义模板集合最匹配的第一个序列,即为车牌识别结果。
7.一种车辆状态信息采集监控系统,其特征在于,包括:
数据获取模块,用于获取车辆状态数据,并进行规范化及存储;
数据处理模块,用于对车辆状态数据进行处理,获得优化数据并展示;
告警设置模块,用于根据展示的优化数据设置告警规则、告警阀值、告警联系人和告警方式;
监控模块,用于监控优化数据,当优化数据达到告警阀值时,进行告警。
8.根据权利要求7所述的系统,其特征在于,所述数据处理模块具体包括:
筛选单元,用于构建数据筛选模型,对车辆状态数据进行筛选;
标签化单元,用于对车辆状态数据进行标签化处理,获得线索数据;
提取单元,用于提取线索数据的相关特征;
训练测试单元,用于根据相关特征构建数据的训练集与测试集,对筛选模型进行训练和测试;
当所述筛选模型通过训练和测试时,根据筛选模型获得优化数据并展示。
9.根据权利要求8所述的系统,其特征在于,所述标签化单元对车辆状态数据进行标签化处理,获得线索数据具体包括:
根据车辆状态数据中车辆信息、数据来源、数据内容以及产生数据的运输业务场景对车辆状态数据进行标签分类;所述标签包括有价值数据与无价值数据;其中,有价值数据为线索数据;
所述线索数据的相关特征具体包括基础特征和关联特征;所述基础特征包括数据的基本信息,所述关联特征包括数据获取途径涉及的信息。
10.根据权利要求7所述的系统,其特征在于,所述车辆状态数据包括车辆信息,所述数据获取模块包括:
图像获取单元,用于获得车辆影像,利用YOLOv5车辆检测算法提取车牌图像;
图像变换单元,用于将车牌图像进行变换,变为正视角车牌图像;
图像识别单元,用于利用车牌识别网络对正视角车牌图像进行识别;
所述图像识别单元利用车牌识别网络对正视角车牌图像进行识别具体包括:
利用LPRnet宽卷积神经网络对车牌图像进行特征提取,获得局部字符的上下文信息;
对局部字符的概率进行解码,通过集束搜索找到的多个最可能序列,返回与预定义模板集合最匹配的第一个序列,即为车牌识别结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110661775.3A CN113361430A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆状态信息采集监控方法及系统 |
US17/772,144 US11954955B2 (en) | 2021-06-15 | 2021-06-30 | Method and system for collecting and monitoring vehicle status information |
PCT/CN2021/103582 WO2022262013A1 (zh) | 2021-06-15 | 2021-06-30 | 一种车辆状态信息采集监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110661775.3A CN113361430A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆状态信息采集监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361430A true CN113361430A (zh) | 2021-09-07 |
Family
ID=77534269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110661775.3A Pending CN113361430A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆状态信息采集监控方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11954955B2 (zh) |
CN (1) | CN113361430A (zh) |
WO (1) | WO2022262013A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597432B (zh) * | 2023-05-22 | 2023-10-13 | 江苏大学 | 一种基于改进yolov5算法的车牌识别系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294775A (zh) * | 2013-05-10 | 2013-09-11 | 苏州祥益网络科技有限公司 | 基于地理时空约束的警务云图像识别车辆管控系统 |
CN110674269A (zh) * | 2019-08-23 | 2020-01-10 | 广东昭阳信息技术有限公司 | 一种线索信息管控方法及系统 |
CN111415533A (zh) * | 2020-04-22 | 2020-07-14 | 湖北民族大学 | 弯道安全预警监控方法、装置以及系统 |
CN112784834A (zh) * | 2019-11-09 | 2021-05-11 | 北京航天长峰科技工业集团有限公司 | 一种自然场景下的车牌自动识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100207757A1 (en) * | 2009-02-16 | 2010-08-19 | Ford Global Technologies, Llc | System and method for adjusting the resolution of an information display for a vehicle |
CN105472233B (zh) * | 2014-09-09 | 2019-01-18 | 北京智谷技术服务有限公司 | 光场采集控制方法和装置、光场采集设备 |
US10740643B2 (en) | 2018-08-28 | 2020-08-11 | Sony Corporation | Automatic license plate recognition based on augmented datasets |
CN111475370A (zh) * | 2020-03-06 | 2020-07-31 | 平安科技(深圳)有限公司 | 基于数据中心的运维监控方法、装置、设备及存储介质 |
CN111539686B (zh) * | 2020-04-22 | 2023-09-08 | 成都云科新能汽车技术有限公司 | 基于车辆行驶记录可视化的运输管理监控方法 |
CN111814751A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 |
CN112215222A (zh) * | 2020-10-12 | 2021-01-12 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、设备及存储介质 |
-
2021
- 2021-06-15 CN CN202110661775.3A patent/CN113361430A/zh active Pending
- 2021-06-30 US US17/772,144 patent/US11954955B2/en active Active
- 2021-06-30 WO PCT/CN2021/103582 patent/WO2022262013A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294775A (zh) * | 2013-05-10 | 2013-09-11 | 苏州祥益网络科技有限公司 | 基于地理时空约束的警务云图像识别车辆管控系统 |
CN110674269A (zh) * | 2019-08-23 | 2020-01-10 | 广东昭阳信息技术有限公司 | 一种线索信息管控方法及系统 |
CN112784834A (zh) * | 2019-11-09 | 2021-05-11 | 北京航天长峰科技工业集团有限公司 | 一种自然场景下的车牌自动识别方法 |
CN111415533A (zh) * | 2020-04-22 | 2020-07-14 | 湖北民族大学 | 弯道安全预警监控方法、装置以及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11954955B2 (en) | 2024-04-09 |
US20230267779A1 (en) | 2023-08-24 |
WO2022262013A1 (zh) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414320B (zh) | 一种安全生产监管的方法及系统 | |
CN109992484B (zh) | 一种网络告警相关性分析方法、装置和介质 | |
CN111310850A (zh) | 车牌检测模型的构建方法及系统、车牌检测方法及系统 | |
CN112258254B (zh) | 基于大数据架构的互联网广告风险监测方法及系统 | |
WO2023241102A1 (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
CN111523527B (zh) | 特种运输车辆监控方法、装置、介质及电子设备 | |
WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
CN112529210A (zh) | 模型训练方法、装置以及计算机可读存储介质 | |
CN111723772B (zh) | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 | |
CN112541372A (zh) | 一种困难样本筛选方法及装置 | |
CN113361430A (zh) | 一种车辆状态信息采集监控方法及系统 | |
CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
CN115131826B (zh) | 物品检测识别方法、网络模型的训练方法和装置 | |
CN113051958A (zh) | 基于深度学习的驾驶员状态检测方法、系统、设备及介质 | |
CN116030050A (zh) | 基于无人机与深度学习的风机表面缺陷在线检测分割方法 | |
CN114038010B (zh) | 一种行人属性识别方法、设备和介质 | |
CN114140731B (zh) | 一种牵引变电所异常检测方法 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN113792293A (zh) | 一种基于软件功能、性能、数据安全的信息监理检测方法 | |
CN114417788A (zh) | 图纸解析方法、装置、存储介质及电子设备 | |
CN112131418A (zh) | 目标标注方法、目标标注装置和计算机可读存储介质 | |
CN117152596B (zh) | 一种定制家具五金配件袋数与类别智能核验方法 | |
CN113779251B (zh) | 线索信息获取方法、装置、介质及电子设备 | |
CN113111815B (zh) | 一种变电站图模校验方法、装置及设备 | |
CN109783692B (zh) | 一种快数据和慢数据结合的目标特征码比对方法和装置 |
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 |