CN113486687B - 一种卷烟包装盒喷码信息识别方法及其存储介质 - Google Patents
一种卷烟包装盒喷码信息识别方法及其存储介质 Download PDFInfo
- Publication number
- CN113486687B CN113486687B CN202110793063.7A CN202110793063A CN113486687B CN 113486687 B CN113486687 B CN 113486687B CN 202110793063 A CN202110793063 A CN 202110793063A CN 113486687 B CN113486687 B CN 113486687B
- Authority
- CN
- China
- Prior art keywords
- code spraying
- identification
- equal
- light
- packaging box
- 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
- 238000005507 spraying Methods 0.000 title claims abstract description 65
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 59
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003287 optical effect Effects 0.000 claims abstract description 22
- 238000012856 packing Methods 0.000 claims abstract description 8
- 239000013589 supplement Substances 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 241000208125 Nicotiana Species 0.000 description 3
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1413—1D bar codes
-
- 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
Abstract
本发明公开了一种卷烟包装盒喷码信息识别方法及其存储介质,该方法包括S1:开启白光对烟盒表面进行补光并获取卷烟包装盒表面光学特征;S2:自适应灯光调节模块根据卷烟包装盒表面光学特征信息调节光线为最优灯光组,在最优灯光组下分别获取喷码信息并进行识别;S3:根据云端对图像喷码信息的识别结果,进行可信度比较,若可信度大于预设值,则直接采用对应识别结果,若可信度低于预设值,则重复执行S2并再次进行识别;S4:当识别次数达到预设值后,喷码信息识别结果中仍有可信度小于预设值的内容,将多次识别的结果根据每个内容的可信度、激光码规则及前后内容关系,输出一最优结果;此方法大大提升了卷烟包装盒喷码识别的准确性,适宜推广应用。
Description
技术领域
本发明涉及喷码识别技术领域,尤其涉及一种卷烟包装盒喷码信息识别方法及其存储介质。
背景技术
随着烟草专卖部门查获涉烟违法案件量的不断增加,办案过程中越来越多的呈现出卷烟数量大、卷烟品牌多、32位喷码不清晰等问题,执法人员抄录、审查32位喷码的工作工作变得十分繁重。而目前案件现场处置,仍依赖执法人员大量手工作业,当执法人员发现涉烟违法行为后,需要对卷烟进行手工分类、抄录32位喷码、人工审查喷码数据等。而大量的手工作业也造成了卷烟喷码抄录出错、人工审查效率低、来源地信息填写错误等众多问题。
发明内容
有鉴于此,本发明的目的在于提出一种卷烟包装盒喷码信息识别方法及其存储介质。
为了实现上述的技术目的,本发明所采用的技术方案为:
一种卷烟包装盒喷码信息识别方法,包括:
S1:开启白光对烟盒表面进行补光并获取卷烟包装盒表面光学特征;
S2:自适应灯光调节模块根据卷烟包装盒表面光学特征信息通过全色系LED灯光芯片调节光线为最优灯光组,在最优灯光组下分别获取各灯光下的喷码信息并进行云端识别;
S3:根据云端对图像喷码信息的识别结果,进行可信度比较,若可信度大于预设值时,则直接采用对应识别结果,若可信度低于预设值时,则重复执行S2并再次进行识别;
S4:当识别次数达到预设值后,喷码信息的识别结果中仍有可信度小于预设值的内容时,将多次识别的结果根据每个内容的可信度、激光码规则及前后内容的关系,输出一最优结果。
进一步的,所述可信度为当前比较内容和原数据集的相似程度综合计算分值。
进一步的,当前比较内容和原数据集的相似程度综合计算分值大于85时,则直接采用对应识别结果;当相似程度综合计算分值小于85时,则则重复执行S2并再次进行识别。
进一步的,所述自适应灯光调节模块采用基于深度学习的算法分析方式,根据卷烟包装盒表面光学特征信息调节出最优灯光组;
根据卷烟包装盒表面的各光学特征配置对应的最优适配灯光,形成一组最优灯光组。
进一步的,所述自适应灯光调节模块是经训练的多层神经网络,所述图像识别模块的训练过程包括:
以卷烟包装盒表面的各光学特征参数作为输入,对自适应灯光调节模块进行训练,直至自适应灯光调节模块收敛。
进一步的,所述卷烟包装盒表面光学特征包括表面色彩、反光度、亮度、色度等。
进一步的,S4中识别次数的预设值不小于3。
进一步的,S4中将多次识别的结果根据每个内容的可信度、喷码规则及前后内容的关系,输出一最优结果,具体包括:
1)定义喷码信息的第二位为B,第三位数为C,其中1≤B*10+C≤12,在B、C满足1≤B*10+C≤12的前提下,当多次识别的结果中只有一组数字B、C满足要求时,则将该组B、C输出,当有多组B、C满足要求时,输出B、C识别可信度最高的组合;
2)定义喷码信息的第一位为A,将卷烟包装盒喷码信息识别当天所对应年份的定义为x,将卷烟包装盒喷码信息识别当天所对应的日期减去保质期后所得日期的年份定义为y,其中A属于y至x年份间任意一年份最后一位所对应的数字,当多次识别的结果中只有一个A满足要求时,则将该A输出,当有多个A满足要求时,输出识别可信度最高的A;
3)定义喷码信息的第十五位为D,第十六位数为E,其中1≤D*10+E≤50,在D、E满足1≤D*10+E≤50的前提下,当多次识别的结果中只有一组数字D、E满足要求时,则将该组D、E输出,当有多组D、E满足要求时,输出D、E识别可信度最高的组合;
4)定义喷码信息的第二十七位为F,其中1≤F≤2,当多次识别的结果中只有一个F满足要求时,则将该F输出,当有两个F满足要求时,输出识别可信度最高的F。
在具有相同硬件基础的情况下,本发明方法具有一定的通配性,因此,本发明还提供一种计算机可读的存储介质,所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述卷烟包装盒喷码信息识别方法。
有益效果:
本发明提供的卷烟包装盒喷码信息识别方法根据卷烟包装盒表面光学特征通过自适应灯光调节模块选取出最优的灯光组,再于最优灯光组下对喷码信息进行识别,在将可信度最高的识别结果进行输出,当可信度较低时则根据每个内容的可信度、喷码规则及前后内容的关系输出一最优识别结果,该种设置大大提升了卷烟包装盒喷码识别的准确性;通过该卷烟包装盒喷码信息自动识别方法避免了人工识别带来的不便,适宜进一步推广应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是卷烟包装盒喷码规则。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种卷烟包装盒喷码信息识别方法,包括:
S1:开启白光对烟盒表面进行补光并获取卷烟包装盒表面光学特征,其中卷烟包装盒表面光学特征包括表面色彩、反光度、亮度、色度;
S2:自适应灯光调节模块根据卷烟包装盒表面光学特征信息通过全色系LED灯光芯片调节光线为最优灯光组,即分别选出对应色彩、反光度、亮度、色度最优的灯光,并将该多种光形成一组最优灯光组;在最优灯光组下分别获取各灯光下的喷码信息并进行云端识别,即识别时依次用最优灯光组中灯光进行照射并对喷码信息并进行云端识别。
S3:根据云端对图像喷码信息的识别结果,进行可信度比较,其中可信度为当前比较内容和原数据集的相似程度综合计算分值,可信度可近似定义为相似度;若可信度大于预设值85时,则直接采用对应识别结果,若可信度低于预设值85时,则重复执行S2并再次进行识别;
S4:当识别次数达到预设值后(预设值不小于3,本实施例中预设值为5);喷码信息的识别结果中仍有可信度小于预设值的内容时,将多次识别的结果根据每个内容的可信度、激光码规则及前后内容的关系,输出一最优结果。
进一步的,自适应灯光调节模块采用基于深度学习的算法分析方式,根据卷烟包装盒表面光学特征信息调节出最优灯光组;根据卷烟包装盒表面的各光学特征配置对应的最优适配灯光,形成一组最优灯光组。
自适应灯光调节模块是经训练的多层神经网络,图像识别模块的训练过程包括:
以卷烟包装盒表面的各光学特征参数作为输入,对自适应灯光调节模块进行训练,直至自适应灯光调节模块收敛。
参照附图1所示,卷烟包装盒喷码为两行,一行16位,共32位;其中第一行为1-16位,第二行为17-32位。S4中将多次识别的结果根据每个内容的可信度、喷码规则及前后内容的关系,输出一最优结果,具体包括:
1)定义喷码信息的第二位为B,第三位数为C,BC两个数满足月份定义调节,其中1≤B*10+C≤12,在B、C满足1≤B*10+C≤12的前提下,当多次识别的结果中只有一组数字B、C满足要求时,则将该组B、C输出,当有多组B、C满足要求时,输出B、C识别可信度最高的组合;当B、C中任意各一数字识别的可信度大于预设值以被输出则通过上述方式确定出识别结果可信度小于预设值的另一个数。
2)定义喷码信息的第一位为A,喷码规则中A为卷烟生产年份的最后一位数;将卷烟包装盒喷码信息识别当天所对应年份的定义为x,将卷烟包装盒喷码信息识别当天所对应的日期减去保质期后所得日期的年份定义为y,其中A属于y至x年份间任意一年份最后一位所对应的数字(A数值通常为卷烟保质期时间内年份的最后一位数)。当多次识别的结果中只有一个A满足要求时,则将该A输出,当有多个A满足要求时,输出识别可信度最高的A;
3)定义喷码信息的第十五位为D,第十六位数为E,一箱卷烟50条,DE表示该条卷烟为该箱中的第几条,其中1≤D*10+E≤50,在D、E满足1≤
D*10+E≤50的前提下,当多次识别的结果中只有一组数字D、E满足要求时,则将该组D、E输出,当有多组D、E满足要求时,输出D、E识别可信度最高的组合;当D、E中任意各一数字识别的可信度大于预设值以被输出则通过上述方式确定出识别结果可信度小于预设值的另一个数。
4)定义喷码信息的第二十七位为F,其中1≤F≤2,其中1表示个体,2表示企业,当多次识别的结果中只有一个F满足要求时,则将该F输出,当有两个F满足要求时,输出识别可信度最高的F。
5)定义喷码信息的第二十一至二十六位分别为G、H、I、J、K、L;其中,GH两位数代表省、IJ两位数代表市、KL代表县;GH、IJ、KL三组数字标号符合烟草省、市、县编号的标码规则,当多次识别的结果中只有一组GH、IJ、KL组合满足要求时,则将该组组合输出;当有多组GH、IJ、KL组合满足要求时,输出GH、IJ、KL识别可信度最高的一组组合。
喷码信息的其余位置将多次识别结果中可信度最高的识别结果输出。
作为进一步改进的,当1)-5)中无满足要求的识别结果时,则输出“识别错误”字样,并标示出错误字样的于喷码中的位置。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种卷烟包装盒喷码信息识别方法,其特征在于,包括:
S1:开启白光对烟盒表面进行补光并获取卷烟包装盒表面光学特征;所述卷烟包装盒表面光学特征包括表面色彩、反光度、亮度、色度;
S2:自适应灯光调节模块根据卷烟包装盒表面光学特征信息通过全色系LED灯光芯片调节光线为最优灯光组,即分别选出对应色彩、反光度、亮度、色度最优的灯光,并将该多种光形成一组最优灯光组,在最优灯光组下分别获取各灯光下的喷码信息并进行云端识别;
S3:根据云端对图像喷码信息的识别结果,进行可信度比较,若可信度大于预设值时,则直接采用对应识别结果,若可信度低于预设值时,则重复执行S2并再次进行识别;
S4:当识别次数达到预设值后,喷码信息的识别结果中仍有可信度小于预设值的内容时,将多次识别的结果根据每个内容的可信度、激光码规则及前后内容的关系,输出一最优结果;
其中,所述可信度为当前比较内容和原数据集的相似程度综合计算分值;
S4中将多次识别的结果根据每个内容的可信度、喷码规则及前后内容的关系,输出一最优结果,具体包括:
1)定义喷码信息的第二位为B,第三位数为C,其中1≤B*10+C≤12,在B、C满足1≤B*10+C≤12的前提下,当多次识别的结果中只有一组数字B、C满足要求时,则将该组B、C输出,当有多组B、C满足要求时,输出B、C识别可信度最高的组合;
2)定义喷码信息的第一位为A,将卷烟包装盒喷码信息识别当天所对应年份的定义为x,将卷烟包装盒喷码信息识别当天所对应的日期减去保质期后所得日期的年份定义为y,其中A属于y至x年份间任意一年份最后一位所对应的数字,当多次识别的结果中只有一个A满足要求时,则将该A输出,当有多个A满足要求时,输出识别可信度最高的A;
3)定义喷码信息的第十五位为D,第十六位数为E,其中1≤D*10+E≤50,在D、E满足1≤D*10+E≤50的前提下,当多次识别的结果中只有一组数字D、E满足要求时,则将该组D、E输出,当有多组D、E满足要求时,输出D、E识别可信度最高的组合;
4)定义喷码信息的第二十七位为F,其中1≤F≤2,当多次识别的结果中只有一个F满足要求时,则将该F输出,当有两个F满足要求时,输出识别可信度最高的F。
2.如权利要求1所述的一种卷烟包装盒喷码信息识别方法,其特征在于,当前比较内容和原数据集的相似程度综合计算分值大于85时,则直接采用对应识别结果;当相似程度综合计算分值小于85时,则重复执行S2并再次进行识别。
3.如权利要求1所述的一种卷烟包装盒喷码信息识别方法,其特征在于,所述自适应灯光调节模块采用基于深度学习的算法分析方式,根据卷烟包装盒表面光学特征信息调节出最优灯光组;
根据卷烟包装盒表面的各光学特征配置对应的最优适配灯光,形成一组最优灯光组。
4.如权利要求3所述的一种卷烟包装盒喷码信息识别方法,其特征在于,所述自适应灯光调节模块是经训练的多层神经网络,所述自适应灯光调节模块的训练过程包括:
以卷烟包装盒表面的各光学特征参数作为输入,对自适应灯光调节模块进行训练,直至自适应灯光调节模块收敛。
5.如权利要求1所述的一种卷烟包装盒喷码信息识别方法,其特征在于,S4中识别次数的预设值不小于3。
6.一种计算机可读的存储介质,其特征在于:所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现如权利要求1-5之一所述的卷烟包装盒喷码信息识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110793063.7A CN113486687B (zh) | 2021-07-14 | 2021-07-14 | 一种卷烟包装盒喷码信息识别方法及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110793063.7A CN113486687B (zh) | 2021-07-14 | 2021-07-14 | 一种卷烟包装盒喷码信息识别方法及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486687A CN113486687A (zh) | 2021-10-08 |
CN113486687B true CN113486687B (zh) | 2024-02-20 |
Family
ID=77938706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110793063.7A Active CN113486687B (zh) | 2021-07-14 | 2021-07-14 | 一种卷烟包装盒喷码信息识别方法及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486687B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503869A (zh) * | 2023-06-28 | 2023-07-28 | 福建迦百农信息技术有限公司 | 一种反光烟盒卷烟喷码识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6062481A (en) * | 1986-04-18 | 2000-05-16 | Cias, Inc. | Optimal error-detecting, error-correcting and other coding and processing, particularly for bar codes, and applications therefor such as counterfeit detection |
CN103607524A (zh) * | 2013-10-18 | 2014-02-26 | 湖南省烟草公司长沙市公司 | 一种条烟32位码图像采集处理装置及条烟32位码识别方法 |
CN110472455A (zh) * | 2019-08-16 | 2019-11-19 | 广州南沙珠江啤酒有限公司 | 一种基于底色识别的二维码扫描方法及系统 |
CN112434544A (zh) * | 2020-12-09 | 2021-03-02 | 广东烟草阳江市有限责任公司 | 一种条烟编码检测识别方法及装置 |
CN113037944A (zh) * | 2021-03-17 | 2021-06-25 | 北京金朗维科技有限公司 | 一种扫描图形码的方法、装置和扫码设备 |
-
2021
- 2021-07-14 CN CN202110793063.7A patent/CN113486687B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6062481A (en) * | 1986-04-18 | 2000-05-16 | Cias, Inc. | Optimal error-detecting, error-correcting and other coding and processing, particularly for bar codes, and applications therefor such as counterfeit detection |
CN103607524A (zh) * | 2013-10-18 | 2014-02-26 | 湖南省烟草公司长沙市公司 | 一种条烟32位码图像采集处理装置及条烟32位码识别方法 |
CN110472455A (zh) * | 2019-08-16 | 2019-11-19 | 广州南沙珠江啤酒有限公司 | 一种基于底色识别的二维码扫描方法及系统 |
CN112434544A (zh) * | 2020-12-09 | 2021-03-02 | 广东烟草阳江市有限责任公司 | 一种条烟编码检测识别方法及装置 |
CN113037944A (zh) * | 2021-03-17 | 2021-06-25 | 北京金朗维科技有限公司 | 一种扫描图形码的方法、装置和扫码设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113486687A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321671B2 (en) | Job skill taxonomy | |
Krizhevsky et al. | Using very deep autoencoders for content-based image retrieval. | |
CN113486687B (zh) | 一种卷烟包装盒喷码信息识别方法及其存储介质 | |
CN110334724B (zh) | 基于lstm的遥感对象自然语言描述及多尺度矫正方法 | |
CN109284371A (zh) | 反欺诈方法、电子装置及计算机可读存储介质 | |
CN107168968A (zh) | 面向情感的图像色彩提取方法及系统 | |
CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
US20230206675A1 (en) | Systems and methods for information retrieval and extraction | |
US20240020957A1 (en) | Imaging system with unsupervised learning | |
TW201604795A (zh) | 人臉標註方法以及人臉標註系統 | |
Yang et al. | Application of deep learning in wood classification | |
CN113821602A (zh) | 基于图文聊天记录的自动答疑方法、装置、设备及介质 | |
US20220318506A1 (en) | Method and apparatus for event extraction and extraction model training, device and medium | |
CN110069647B (zh) | 图像标签去噪方法、装置、设备及计算机可读存储介质 | |
Buayai et al. | Supporting table grape berry thinning with deep neural network and augmented reality technologies | |
CN112488437A (zh) | 人力资源管理系统及其方法 | |
Saunders et al. | The trajectory of color | |
CN112100202B (zh) | 一种产品识别及产品信息补全方法、存储介质及机器人 | |
CN111783473B (zh) | 医疗问答中最佳答案的识别方法、装置和计算机设备 | |
CN111898612A (zh) | 结合rpa和ai的ocr识别方法及装置、设备、介质 | |
US20130194171A1 (en) | Apparatus and Method for Mapping User-Supplied Data Sets to Reference Data Sets in a Variable Data Campaign | |
Gallo et al. | Picture What you Read | |
Forde | Processing the evidence to evaluate mechanisms, costs and future solutions | |
Vanegas et al. | MindLab at ImageCLEF 2014: Scalable Concept Image Annotation. | |
CN117094691B (zh) | 一种基于大数据平台的人力资源管理方法 |
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 |