CN113420919B - 基于无人机视觉感知的工程异常管控方法 - Google Patents
基于无人机视觉感知的工程异常管控方法 Download PDFInfo
- Publication number
- CN113420919B CN113420919B CN202110683982.9A CN202110683982A CN113420919B CN 113420919 B CN113420919 B CN 113420919B CN 202110683982 A CN202110683982 A CN 202110683982A CN 113420919 B CN113420919 B CN 113420919B
- Authority
- CN
- China
- Prior art keywords
- construction
- area
- construction area
- constructors
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000016776 visual perception Effects 0.000 title claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 133
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于无人机视觉感知的工程异常管控方法,该方法包括:计算任意两个施工区域中施工区域A中施工人员转移到施工区域B的概率,整合所得概率得到概率矩阵;将当前时刻工程作业场地各施工区域中施工人员的数量和概率矩阵输入神经网络中,预测预设未来时刻各施工区域中施工人员的数量;获取预设未来时刻各施工区域中施工人员的实际数量,若各施工区域中施工人员的预测数量与实际数量的差异值大于预设差异阈值,则进行工程异常预警。本发明可以根据施工人员的状态及时进行工程异常预警,保证施工人员的人身安全。
Description
技术领域
本发明涉及工程管理领域,具体为一种基于无人机视觉感知的工程异常管控方法。
背景技术
现有的进行工程异常管控的方法主要通过对危险源或关键影响因素进行监控,从而判断工程是否存在异常,但实际上危险源或影响因素种类繁杂,往往需要多个相机进行相关信息的持续采集监控,以识别工程异常,数据量大且监控成本较大。
发明内容
为了解决上述问题,本发明提出一种基于无人机视觉感知的工程异常管控方法,该方法包括:
计算任意两个施工区域中施工区域A中施工人员转移到施工区域B的概率,整合所得概率得到概率矩阵;
将当前时刻工程作业场地各施工区域中施工人员的数量和概率矩阵输入神经网络中,预测预设未来时刻各施工区域中施工人员的数量;
获取预设未来时刻各施工区域中施工人员的实际数量,若各施工区域中施工人员的预测数量与实际数量的差异值大于预设差异阈值,则进行工程异常预警。
进一步地,所述概率矩阵的获取步骤包括:
计算任意两个施工区域中施工区域A中施工人员转移到施工区域B的初始转移概率,以及施工人员在施工区域A的停留概率;
利用所述停留概率对所述初始转移概率进行修正,得到最终转移概率;其中,停留概率越大,最终转移概率越小;
整合最终转移概率得到概率矩阵。
进一步地,所述初始转移概率的计算方法为:
计算所述任意两个施工区域间的距离以及相邻边界长度,根据所述距离和相邻边界长度计算初始转移概率;其中,距离越远,相邻边界长度越短,初始转移概率越小。
进一步地,所述初始转移概率的计算方法为:
以施工人员在作业点的施工时长为依据筛选出施工人员的主要作业点,根据主要作业点获取主要作业区域;
根据所述任意两个施工区域间的距离、相邻边界长度、两个施工区域质心连线经过的主要作业区域的个数,以及所述两个施工区域的相邻边界经过的主要作业区域中的主要作业点与相邻边界间的平均距离计算初始转移概率;其中,所述经过的主要作业区域的个数越多,初始转移概率越小,所述平均距离越大,初始转移概率越小。
进一步地,主要作业点为离散点,绘制泰森多边形,泰森多边形对应区域为主要作业区域。
进一步地,所述停留概率的计算方法为:
基于施工人员在施工区域A中的已施工面积和已施工时间计算施工人员在施工区域A的停留概率。
进一步地,所述已施工面积的获取方法为:获取施工区域A中的主要作业点后,进行凸包检测,凸包面积为已施工面积。
进一步地,对开始施工时刻至当前时刻的多帧施工人员关键点热力图进行遗忘叠加,叠加热力图中像素值的大小反应施工人员在作业点的施工时长。
本发明的有益效果在于:
1.本发明对比预测的未来时刻各施工区域中施工人员的数量和在未来时刻实际获得的各施工区域中施工人员的数量,当数量差异较大时说明工程作业场地出现异常,因此,本发明可以根据施工人员的状态及时进行异常预警,保证施工人员的人身安全。
2.本发明利用神经网络进行未来时刻各施工区域施工人员数量的预测可以很好的拟合施工人员的工程作业习惯,从而得到准确的施工人员的预测数量。
3.本发明根据两个施工区域A、B间的空间位置联系以及施工人员在施工区域A的已施工面积和已施工时间计算得到的施工区域A中的施工人员转移到施工区域B的概率可有效表征施工区域A中的施工人员的移动意向,更加契合实际工程状态,可有效提高工程进度预测或分析的准确性。
附图说明
图1为本发明方法实施流程图。
具体实施方式
为了让本领域技术人员更好的理解本发明,下面结合实施例对本发明进行详细描述。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
本发明所针对场景为:平面或近似平面的工程作业场地,可通过无人机进行平面工程作业场地图像信息的采集,所采集区域可覆盖工程作业场地,无人机以固定频次按预设路线飞行并采集图像,为了后续图像拼接操作,无人机所采集图像要存在重合区域,图像经拼接操作后可获取工程作业场地全景图。
实施例一:
该实施例提供了一种基于无人机视觉感知的工程异常管控方法,该方法实施流程如图1所示,具体地,该方法包括:
a)统计当前时刻工程作业场地各施工区域中施工人员的数量:
将经过预处理的工程作业场地全景图送入关键点检测网络进行施工人员的定位,得到关键点热力图;实施例中以施工人员两脚之间的中心点作为关键点,避免俯视视角下采用常规人体中心点带来定位偏差。在工程作业场地全景图中将施工区域设置为ROI区域,各ROI区域中关键点的数量即为各施工区域中施工人员的数量。
b)计算任意两个施工区域中施工区域A中施工人员转移到施工区域B的概率,整合所得概率得到概率矩阵;具体地:
计算任意两个施工区域中施工区域A中施工人员转移到施工区域B的初始转移概率,以及施工人员在施工区域A的停留概率;利用所述停留概率对所述初始转移概率进行修正,得到最终转移概率;其中,停留概率越大,最终转移概率越小;整合最终转移概率得到概率矩阵。
i)计算所述任意两个施工区域A、B间的距离以及相邻边界长度,实施例中D(A,B)表示施工区域A、B质心之间的距离,L(A,B)表示施工区域A、B的相邻边界长度,若施工区域A、B不直接相邻,则L(A,B)为0。
一种实施方式中,根据所述距离和相邻边界长度计算初始转移概率;其中,距离越远,相邻边界长度越短,初始转移概率越小,具体地:
其中,α(A,B)表示施工区域A中施工人员转移到施工区域B的转移难度;ω1、ω2为质心距离和相邻边界长度的权值,实施例中ω1、ω2分别设置为0.6、0.4;max[D]表示得到的所有两个施工区域质心距离中的最大值,min[D]表示得到的所有两个施工区域质心距离中的最小值,max[L]表示得到的所有两个施工区域相邻边界长度中的最大值。
P(A,B)表示施工区域A中施工人员转移到施工区域B的第一概率,K表示工程作业场地施工区域的总个数,Bl表示施工区域B是工程作业场地除施工区域A以外的K-1施工区域中的第l个施工区域。
另一种实施方式中,以施工人员在作业点的施工时长为依据筛选出施工人员的主要作业点,优选地,对开始施工时刻至当前时刻的多帧施工人员关键点热力图进行遗忘叠加,叠加热力图中像素值的大小反应施工人员在作业点的施工时长,像素值大于预设热力值阈值的点为施工人员的主要作业点。
根据主要作业点获取主要作业区域,优选地,主要作业点为离散点,绘制泰森多边形,泰森多边形对应区域为主要作业区域。
根据所述任意两个施工区域间的距离、相邻边界长度、两个施工区域质心连线经过的主要作业区域的个数,以及所述两个施工区域的相邻边界经过的主要作业区域中的主要作业点与相邻边界间的平均距离计算初始转移概率;其中,所述经过的主要作业区域的个数越多,初始转移概率越小,所述平均距离越大,初始转移概率越小,具体地:
其中,c表示施工区域A、B质心连线经过的主要作业区域的个数,τ为超参数,实施例中设置为0.1,ρ表示施工区域A、B的相邻边界经过的主要作业区域中的主要作业点与相邻边界间的平均距离。
其中,ρ的获取方法为:获取施工区域A、B的相邻边界经过的主要作业区域,对于每个获取的主要作业区域,计算该主要作业区域中的主要作业点与该主要作业区域中包括的相邻边界上每个点的点间距离均值,施工区域A、B的相邻边界经过的c个主要作业区域对应的点间距离均值的和与c的比值为ρ。
该实施方式中根据转移难度α(A,B)计算第一概率P(A,B)的方法和上一实施方式相同。
ii)基于施工人员在施工区域A中的已施工面积和已施工时间计算施工人员在施工区域A的停留概率:
其中,PA施工人员在施工区域A的停留概率;SA表示施工区域A的面积,S′表示施工区域A中的已施工面积,tA表示施工区域A的实际已施工时间,TA表示施工区域A的预计施工完成所需时间。
优选地,已施工面积的获取方法为:对施工区域A中的主要作业点进行凸包检测,凸包面积为已施工面积。
iii)利用所述停留概率对所述初始转移概率进行修正,得到最终转移概率,优选地,最终转移概率P′(A,B)的计算方法为:P′(A,B)=P(A,B)*(1-PA)。
至此,可得到任意两个施工区域中一个施工区域中的施工人员转移至另一个施工区域的最终转移概率,经过整合后可得到大小为K*K的概率矩阵,概率矩阵内元素表示施工人员从一个施工区域转移到另一个施工区域的最终转移概率。
需要说明,概率矩阵中施工区域A中的施工人员转移到施工区域A的最终转移概率P′(A,A)为施工人员在施工区域A的停留概率。
c)将当前时刻各施工区域中施工人员的数量和概率矩阵输入神经网络中,预测预设未来时刻各施工区域中施工人员的数量;优选地,实施例中将各施工区域中施工人员的数量整合成向量,将向量和概率矩阵输入神经网络中,输出预设未来时刻对应的向量。
d)获取预设未来时刻各施工区域中施工人员的实际数量,若各施工区域中施工人员的预测数量与实际数量的差异值大于预设差异阈值,则进行工程异常预警;优选地,实施例中计算预设未来时刻对应的预测向量与实际得到的向量间的余弦相似度,当两向量余弦相似度小于预设预警阈值时进行工程异常预警。
以上所述旨在让本领域技术人员更好的理解本发明,并不用于限制本发明,凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。
Claims (5)
1.一种基于无人机视觉感知的工程异常管控方法,其特征在于,该方法包括:
计算任意两个施工区域中施工区域A中施工人员转移到施工区域B的概率,整合所得概率得到概率矩阵;
将当前时刻工程作业场地各施工区域中施工人员的数量和概率矩阵输入神经网络中,预测预设未来时刻各施工区域中施工人员的数量;
获取预设未来时刻各施工区域中施工人员的实际数量,若各施工区域中施工人员的预测数量与实际数量的差异值大于预设差异阈值,则进行工程异常预警;
所述概率矩阵的获取步骤包括:
计算任意两个施工区域中施工区域A中施工人员转移到施工区域B的初始转移概率P(A,B),以及施工人员在施工区域A的停留概率PA;
利用所述停留概率PA对所述初始转移概率P(A,B)进行修正,得到最终转移概率P′(A,B);其中,停留概率PA越大,最终转移概率P′(A,B)越小;
整合最终转移概率得到概率矩阵;
所述初始转移概率的计算方法为:
以施工人员在作业点的施工时长为依据筛选出施工人员的主要作业点,根据主要作业点获取主要作业区域;
根据所述任意两个施工区域间的距离、相邻边界长度、两个施工区域质心连线经过的主要作业区域的个数,以及所述两个施工区域的相邻边界经过的主要作业区域中的主要作业点与相邻边界间的平均距离计算初始转移概率;其中,所述经过的主要作业区域的个数越多,初始转移概率越小,所述平均距离越大,初始转移概率越小;
其中,初始转移概率的计算方法为:
P(A,B)表示施工区域A中施工人员转移到施工区域B的初始转移概率,K表示工程作业场地施工区域的总个数,Bl表示施工区域B是工程作业场地除施工区域A以外的K-1施工区域中的第l个施工区域;
其中,α(A,B)表示施工区域A中施工人员转移到施工区域B的转移难度;ω1、ω2为质心距离和相邻边界长度的权值,ω1、ω2分别设置为0.6、0.4;max[D]表示得到的所有两个施工区域质心距离中的最大值,min[D]表示得到的所有两个施工区域质心距离中的最小值,max[L]表示得到的所有两个施工区域相邻边界长度中的最大值;
所述停留概率的计算方法为:
基于施工人员在施工区域A中的已施工面积和已施工时间计算施工人员在施工区域A的停留概率;
其中,停留概率为:
其中,PA为施工人员在施工区域A的停留概率;SA表示施工区域A的面积,S′表示施工区域A中的已施工面积,tA表示施工区域A的实际已施工时间,TA表示施工区域A的预计施工完成所需时间;
最终转移概率P′(A,B)的计算方法为:P′(A,B)=P(A,B)*(1-PA)。
2.如权利要求1所述的方法,其特征在于,所述初始转移概率的计算方法为:
计算所述任意两个施工区域间的距离以及相邻边界长度,根据所述距离和相邻边界长度计算初始转移概率;其中,距离越远,相邻边界长度越短,初始转移概率越小。
3.如权利要求1所述的方法,其特征在于,重要作业点为离散点,绘制泰森多边形,泰森多边形对应区域为主要作业区域。
4.如权利要求1所述的方法,其特征在于,所述已施工面积的获取方法为:获取施工区域A中的主要作业点后,进行凸包检测,凸包面积为已施工面积。
5.如权利要求1所述的方法,其特征在于,对开始施工时刻至当前时刻的多帧施工人员关键点热力图进行遗忘叠加,叠加热力图中像素值的大小反应施工人员在作业点的施工时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683982.9A CN113420919B (zh) | 2021-06-21 | 2021-06-21 | 基于无人机视觉感知的工程异常管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683982.9A CN113420919B (zh) | 2021-06-21 | 2021-06-21 | 基于无人机视觉感知的工程异常管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420919A CN113420919A (zh) | 2021-09-21 |
CN113420919B true CN113420919B (zh) | 2023-05-05 |
Family
ID=77789387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110683982.9A Active CN113420919B (zh) | 2021-06-21 | 2021-06-21 | 基于无人机视觉感知的工程异常管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420919B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082276B (zh) * | 2022-08-22 | 2022-12-06 | 水利部珠江水利委员会水文局 | 基于模型交互的河湖乱象监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106982413A (zh) * | 2016-01-15 | 2017-07-25 | 中国移动通信集团上海有限公司 | 一种区域客流趋势的预测方法及装置 |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测系统 |
US9946960B1 (en) * | 2017-10-13 | 2018-04-17 | StradVision, Inc. | Method for acquiring bounding box corresponding to an object in an image by using convolutional neural network including tracking network and computing device using the same |
CN109657575A (zh) * | 2018-12-05 | 2019-04-19 | 国网安徽省电力有限公司检修分公司 | 室外施工人员智能视频跟踪算法 |
CN111639888A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 仓库出库量预测方法、装置、计算机设备及存储介质 |
CN112364295A (zh) * | 2020-11-13 | 2021-02-12 | 中国科学院数学与系统科学研究院 | 网络节点重要性的确定方法、装置、电子设备及介质 |
KR20210064741A (ko) * | 2019-11-26 | 2021-06-03 | 한국과학기술원 | 저전력 통신을 위한 직교 주파수 분할 다중화 및 색인 변조 시스템에서 딥 멀티 암드 밴딧을 활용한 오류 확률 최적화 방법 및 장치 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10540611B2 (en) * | 2015-05-05 | 2020-01-21 | Retailmenot, Inc. | Scalable complex event processing with probabilistic machine learning models to predict subsequent geolocations |
CN109214502B (zh) * | 2017-07-03 | 2021-02-26 | 清华大学 | 神经网络权重离散化方法和系统 |
-
2021
- 2021-06-21 CN CN202110683982.9A patent/CN113420919B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106982413A (zh) * | 2016-01-15 | 2017-07-25 | 中国移动通信集团上海有限公司 | 一种区域客流趋势的预测方法及装置 |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测系统 |
US9946960B1 (en) * | 2017-10-13 | 2018-04-17 | StradVision, Inc. | Method for acquiring bounding box corresponding to an object in an image by using convolutional neural network including tracking network and computing device using the same |
CN109657575A (zh) * | 2018-12-05 | 2019-04-19 | 国网安徽省电力有限公司检修分公司 | 室外施工人员智能视频跟踪算法 |
KR20210064741A (ko) * | 2019-11-26 | 2021-06-03 | 한국과학기술원 | 저전력 통신을 위한 직교 주파수 분할 다중화 및 색인 변조 시스템에서 딥 멀티 암드 밴딧을 활용한 오류 확률 최적화 방법 및 장치 |
CN111639888A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 仓库出库量预测方法、装置、计算机设备及存储介质 |
CN112364295A (zh) * | 2020-11-13 | 2021-02-12 | 中国科学院数学与系统科学研究院 | 网络节点重要性的确定方法、装置、电子设备及介质 |
Non-Patent Citations (2)
Title |
---|
基于人工免疫算法的优化策略研究;王爱军;《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》(第03期);第I140-20页 * |
基于蜂窝网络大数据的用户行为分析及预测;蒋帅;《中国优秀硕士学位论文全文数据库信息科技辑》(第09期);第I136-479页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420919A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232231B (zh) | 行人属性的识别方法、系统、计算机设备和存储介质 | |
US9852019B2 (en) | System and method for abnormality detection | |
US10592725B2 (en) | Neural network systems | |
US9092851B2 (en) | Information processing system, information processing method, information processing apparatus, control method therefor, and storage medium storing control program therefor | |
EP3151160A1 (en) | Visual attention detector and visual attention detection method | |
CN113324864A (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN113420919B (zh) | 基于无人机视觉感知的工程异常管控方法 | |
CN112232237A (zh) | 车辆流量的监控方法、系统、计算机设备和存储介质 | |
Rezaee et al. | IoMT-assisted medical vehicle routing based on UAV-Borne human crowd sensing and deep learning in smart cities | |
CN114035606A (zh) | 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质 | |
CN113538513A (zh) | 监控对象的进出控制方法、装置、设备及存储介质 | |
KR20200084947A (ko) | 차량의 주차면 분석을 위한 지능형 cctv 시스템 | |
CN112232236A (zh) | 行人流量的监测方法、系统、计算机设备和存储介质 | |
CN111597900A (zh) | 非法遛狗识别方法 | |
CN111582278B (zh) | 人像分割方法、装置及电子设备 | |
CN110287929B (zh) | 群体区域中目标的数量确定方法、装置、设备及存储介质 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN111783726A (zh) | 基于人工智能和bim的放牧牲畜离群视频采集方法 | |
CN113837173A (zh) | 目标对象检测方法、装置、计算机设备和存储介质 | |
JP2021063706A (ja) | プログラム、情報処理装置、情報処理方法及び学習済みモデルの生成方法 | |
JP7203277B2 (ja) | 車両ナンバープレートの認識率をモニタリングする方法及び装置、並びにコンピュータ読み取り可能な格納媒体 | |
CN116665135B (zh) | 储能站电池组的热失控风险预警方法、装置和电子设备 | |
CN117058767B (zh) | 训练场监测方法、设备、存储介质及装置 | |
JP7441654B2 (ja) | 認識装置、学習装置、認識システム、認識方法、認識プログラム、学習方法、及び学習プログラム | |
WO2024048639A1 (ja) | 方法、学習モデル評価システム、及びプログラム |
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 |