CN113505780A - 一种基于二维码的智能检测维保的方法和设备 - Google Patents
一种基于二维码的智能检测维保的方法和设备 Download PDFInfo
- Publication number
- CN113505780A CN113505780A CN202110893798.7A CN202110893798A CN113505780A CN 113505780 A CN113505780 A CN 113505780A CN 202110893798 A CN202110893798 A CN 202110893798A CN 113505780 A CN113505780 A CN 113505780A
- Authority
- CN
- China
- Prior art keywords
- dimensional code
- picture
- model
- maintenance
- artificial intelligence
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000004049 embossing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005577 local transmission Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于二维码的智能检测维保的方法和设备,涉及维保检测技术领域。该方法包括:创建二维码,收集并上传标准参照图片,标注示例图中的目标区域,根据示例图生成平衡样本,利用人工智能模型自动训练样本;维保施工过程中扫描二维码,采集拍照设备的图片并上传图片,提交至人工智能识别系统,人工智能模型对图片进行识别,人工核对识别结果,人工智能模型自动增强模型训练。该方法利用计算机控制平台实现,主要设备包括移动终端和计算机,移动终端通过数据网络将图片等数据传输至计算机,计算机配置的增强模型可以自动进行强化和纠正,增强学习保证识别的准确性,另外还具有自动纠错,电子管理等优点。
Description
技术领域
本发明涉及维保检测技术领域,尤其是一种基于二维码的智能检测维保的方法和设备。
背景技术
目前的燃气设备的维保一般是工作人员现场进行施工,然后在工作表格上手写备注维保日期,另外检测人员,会按需人工到施工位置进行检查,检查后反馈维保情况。其中设备维保场景包括:在燃气行业有很多的关键固定设备资产,为了保障业务能持之以恒的运行,需要对固定的设备进行定期维保,包括对过滤器头、阀门、过滤器等设备的维护。
利用现有的图片模型识别维保结果需要大量的数据样本进行训练,并且由于现场的维保情况复杂,图片背景噪音多等问题存在,所以不能实现很好的审核判断,为此需要进一步的提升维保检测的效率,提供一种方便快捷的维保检测方法。
发明内容
为了增强学习保证识别的准确性,方便检测人员进行设备维保检测,实现电子化管理,本发明提供了一种基于二维码的智能检测维保的方法和设备,具体技术方案如下。
一种基于二维码的智能检测维保方法,步骤包括:
A.创建二维码信息入口;
B.收集并上传标准参照图片;
C.标注示例图中的目标区域;
D.根据示例图生成平衡样本;
E.利用人工智能算法模型自动训练样本;
F.维保施工过程中扫描二维码;
G.采集拍照设备的图片并上传图片;
H.提交至人工智能识别系统;
I.人工智能模型对图片进行识别;
J.人工核对识别结果;
K.人工智能算法模型根据结果自动增强模型训练。
优选的是,二维码设置于维保设备上,计算机控制平台创建二维码并将设备正确的参考图片上传至管理页面。
优选的是,平衡样本中的图片删除背景图像,平衡样本包括正例样本和负例样本,所述正例样本为操作合规的图片,所述负例样本为不包含目标物或操作不合规的图片。
优选的是,平衡样本具体是对示例图进行数据增强处理,并生成多张照片,照片模拟不同拍摄角度、不同光照时间和不同拍摄工具的拍摄效果。
优选的是,示例图的处理包括使用imgaug工具包的augmenters功能模块对图像进行翻转、旋转、变形、缩放、像素颜色变换、模糊、RGB颜色扰动、蜕化和浮雕。
还优选的是,人工智能算法模型采用预训练模型tinyResnet和小样本学习方法;模型的输入包括示例照片和待检测的照片,提取图片像素,模型计算得到sigmoid分数;模型的损失函数选择交叉熵损失函数。
还优选的是,图片使用移动终端上传,移动终端扫描二维码后通过网络传输至计算机平台,或者进行本地传输。
一种基于二维码的智能检测维保的设备,利用上述的一种基于二维码的智能检测维保方法,包括移动终端和计算机,所述移动终端通过数据网络将数据上传至计算机,计算机平台配置的人工智能算法模型自动进行强化和纠正。
进一步优选的是,识别结果经过人工核对图片识别结果,当结果错误时,重复步骤B至步骤I,人工智能算法模型增强学习。
本发明提供的一种基于二维码的智能检测维保的方法和设备有益效果包括:
该方法提供的智能检测设备及方法可以对燃气设备的使用状态和维修状况进行判断,并且该方法可以自动纠错和增强学习;解决了人工智能模型样本少的问题,并且在模型推理阶段即使识别错误也可以做到自动纠正的增强学习,另外该方法统一了维保实施和审核的标准,以二维码为入口把维保工作和审核很好的联系起来。该方法还通过图片处理以及数据增强的方式保证训练样本集合的有效性;通过增强学习在AI模型识别不准的时候自动的就模型进行强化和纠正,随着使用的次数的增多或者纠正次数越多,AI模型就越来越准确。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,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是基于二维码的智能检测维保的方法的流程示意图;
图2是人工智能算法模型的神经网络示意图。
具体实施方式
结合图1和图2所示,对本发明提供的一种基于二维码的智能检测维保的方法和设备具体实施方式进行说明。
结合人工智能与计算机视觉的相关任务对燃气设备维保的流程方法进行改进,提供一种智能的自动检测设备,对燃气设备的使用状态与维修状况进行检测,实现小样本自动训练,并提升系统的自动纠错和学习能力。一种基于二维码的智能检测维保方法具体的步骤包括:
A.创建二维码信息入口;其中二维码可以设置于维保设备上,计算机控制平台创建二维码并将设备正确的参考图片上传至管理页面。二维码为入口,把维保实施与维保审核联系到一起,可以很好的解决判定标准不统一的问题。
B.收集并上传标准参照图片。
C.标注示例图中的目标区域。
对图片中目标物体的位置信息用方框进行标注,这里标注只需要鼠标用框选中图片中目标,框的要求是恰好选中目标。选框确定后,系统会自截取选中的目标物的图作为训练原始样本。因为无法分离图片前景与背景,这样做的好处可以尽可能的删除掉背景图像,以防止AI模型在训练和推理阶段,泛化能力的降低。
D.根据示例图生成平衡样本;
平衡样本中的图片删除背景图像,平衡样本包括正例样本和负例样本,其中正例样本为操作合规的图片,负例样本为不包含目标物或操作不合规的图片。
具体的是,第一部分为包含目标的图片,并且目标物操作合规的照片,此集合为正例样本;第二部分是分两种,第一种是包含目标物但是操作不合规,第二种是不包含目标物不含目标物时,就不需要进行鼠标框选操作,此集合为负例样本。前后每种照片若干,此处要求可以根据实际场景情况提供。从深度学习的有监督原理上分析,提供的图片越多训练的模型越准确。本发明设置为每类6张,即第一部分的为6张,第二部分两种情况各3张。操作合规的照片指维修保养操作过程中的关键步骤照片,比如周期性换设备滤网时,合规操作照片包含:拆外部设备照片,拆关键部位照片,取滤网动作的照片。操作不合规的照片,指照片的目标物如动作等与合规照片不一致;或者照片根本就没有目标。
平衡样本具体是对示例图进行数据增强处理,并生成多张照片,照片模拟不同拍摄角度、不同光照时间和不同拍摄工具的拍摄效果。示例图的处理包括使用imgaug工具包的augmenters功能模块对图像进行翻转、旋转、变形、缩放、像素颜色变换、模糊、RGB颜色扰动、蜕化和浮雕。具体的是使用imgaug工具包的augmenters功能模块对图像进行翻转,旋转,裁剪,变形,缩放等。其中iaa.Fliplr()翻转,iaa.CropAndPad()裁剪,iaa.Crop()剪切,缩放变形iaa.Resize()。像素颜色变换类,随机噪声是在原来的图片的基础上,随机叠加一些噪声,iaa.AdditiveGaussianNoise,iaa.CoarseDropout。模糊类,减少各像素点值的差异实现图片模糊,实现像素的平滑化;使用高斯内核模糊图像的增强器,用高斯内核模糊每个图像,sigma为3.0:iaa.GaussianBlur()通过向HSV空间中的每个像素添加或减少V值,修改色调和饱和度实现对比度转换。RGB颜色扰动,将图片从RGB颜色空间转换到另一颜色空间,增加或减少颜色参数后返回RGB颜色空间。超像素法(Superpixels)在最大分辨率处生成图像的若干个超像素,并将其调整到原始大小,再将原始图像中所有超像素区域按一定比例替换为超像素,其他区域不改变。锐化(sharpen)与浮雕(emboss)对图像执行某一程度的锐化或浮雕操作,通过某一通道将结果与图像融合。
E.利用人工智能算法模型自动训练样本。
该人工智能模型可以很好的解决样本少的问题,并且在模型推理阶段即使识别错误也可以做到自动纠正的增强学习功能。
进行人工智能模型的自动训练,由于深度学习依赖大量的样本,而此场景无法提供大量训练样本。为此通过步骤D,数据生成或者数据增强方法;另外还选择小样本的AI模型,此处采用的预训练模型tinyResnet和小样本学习方法,设计的AI模型可以很好的解决训练样本不足时,依然能得到很好的监督学习效果。
人工智能算法模型如图2所示,其中Input1与Input2的输入不一样。这里模型需要有两个照片作为输入,一个照片是示例照片x1,另外一个输入是待合规检测的照片x.照片的像素直接作为x1或者x进入到模型,最后经过模型计算出一个sigmoid分数。损失函数为sigmoid_cross_entropy_with_logits(交叉熵损失)。
F.维保施工过程中扫描二维码。
在燃气设备中有很多的关键固定设备资产,为了保障其持续运行,需要对固定的设备进行定期维保。通过扫描二维码分级别上传不同的维保图片,其中低级维保需要上传过滤器头部是否清洗、阀门起闭是否灵活、阀门内部橡胶圈是否更换、设备的固定值是否正常等图片,高一级的维保包括对阀门或者过滤器进行拆卸检查,分别需要上传拆卸前的设备、拆卸的设备、装好的设备的照片。
G.采集拍照设备的图片并上传图片。图片使用移动终端上传,移动终端扫描二维码后通过网络传输至计算机平台,或者进行本地传输。
在提交照片的页面,按施工标准对现场设备进行操作与拍照,这就完成了图片采集的过程,采集完图片后,进行提交。这时候会把图片传送给二维码系统。这里传送方式可以网络传输,也可以保存在防爆手机的当前手机内存卡中(本地传输)。考虑到中心端管理的问题,选用网络传输,传输给中心云端处理。
另外,可以由施工人员用手机拍照施工照片后,通过扫描二维码弹出的界面进行提交,在该界面提交后,会自动网络传输给中心端的AI服务器里的AI维保服务。AI维保服务也可以以手机app的方式安装到施工人员手机,这种方式不需要网络传输照片给ai服务,因为ai服务就在手机里面。所以称作本地传输,但是这种方式对手机性能有要求,所以本发明采用网络传输的方式进行提交。
H.提交至人工智能识别系统。
人工智能算法模型采用预训练模型TinyResnet和小样本学习方法;模型的输入包括示例照片和待检测的照片,提取图片像素,模型计算得到sigmoid分数;模型的损失函数选择交叉熵损失函数。
I.人工智能模型对图片进行识别。
上传图片后需要对图片的内容进行识别,如果判定内容不符合,二维码程序将不允许提交当前维保表单。
系统在接收到提交的照片后,会启动人工智能模型的合规识别,这是模型的推理阶段,以收到的图片为模型输入元素x进行推理,输出检测结果。输入的元素有两个,第一个为x,另一个为x1。x1需要从参考图片中抽取。一个待合规检测x需要与多个参考照片x1进行计算。每次计算的输出为一个分数,大于阈值,则表示x与x1不匹配,反之匹配。这里的阈值设置为0.6。这个阈值需按实际训练效果设置。因为x1有多个,所以需要以少数服从多数的原则进行投票,最终的结果,作为违规检测的结果,如果维保符合步骤B中的标准示例图片要求,则表示维保合规;反之维保失败。其中少数服从多数的原则是指x与多个参考照片x1匹配时,匹配数量大于x1数量的一半及以上,表示维保合规。
sigmoid分数的计算方式:x图片的像素输入到input1,x1图的像素输入到input2,然后AI模型会自动计算并且输出最终分数。
J.人工核对识别结果。
审核人员检测AI审核结果,这过程可以抽样也可以全量检测,当发现AI模型审核错误的时候,启动AI模型增强学习。
K.人工智能算法模型根据结果自动增强模型训练。
当增强学习触发时,会自动跳转步骤B,把审核错误的照片按照步骤B到步骤I的过程,成功的增强学习的过程。这样做的好处是,当ai模型识别不准的时候,可以自动的就模型进行强化和纠正。随着使用的次数的增多或者纠正次数越多,ai模型就越来越准确。
X照片是需要进行合规检测,这里审核错误指当AI模型对x照片金进行错误识别,此时这种错误识别的照片通过步骤B进行添加训练集,接着本系统会触发后续流程,从而实现自动的增强学习目的。
一种基于二维码的智能检测维保的设备,利用上述的一种基于二维码的智能检测维保方法,包括移动终端和计算机,所述移动终端通过数据网络将数据上传至计算机,计算机平台配置的人工智能算法模型自动进行强化和纠正。
识别结果经过人工核对图片识别结果,当结果错误时,重复步骤B至步骤I,人工智能算法模型增强学习。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种基于二维码的智能检测维保方法,其特征在于,步骤包括:
A.创建二维码信息入口;
B.收集并上传标准参照图片;
C.标注示例图中的目标区域;
D.根据示例图生成平衡样本;
E.利用人工智能算法模型自动训练样本;
F.维保施工过程中扫描二维码;
G.采集拍照设备的图片并上传图片;
H.提交至人工智能识别系统;
I.人工智能模型对图片进行识别;
J.人工核对识别结果;
K.人工智能算法模型根据结果自动增强模型训练。
2.根据权利要求1所述的一种基于二维码的智能检测维保方法,其特征在于,所述二维码设置在维保设备上,计算机控制平台创建二维码并将设备正确的参考图片上传至管理页面。
3.根据权利要求1所述的一种基于二维码的智能检测维保方法,其特征在于,所述平衡样本中的图片删除背景图像,平衡样本包括正例样本和负例样本,所述正例样本为操作合规的图片,所述负例样本为不包含目标物或操作不合规的图片。
4.根据权利要求1所述的一种基于二维码的智能检测维保方法,其特征在于,所述平衡样本具体是对示例图进行数据增强处理,并生成多张照片,照片模拟不同拍摄角度、不同光照时间和不同拍摄工具的拍摄效果。
5.根据权利要求4所述的一种基于二维码的智能检测维保方法,其特征在于,所述示例图的处理包括使用imgaug工具包的augmenters功能模块对图像进行翻转、旋转、变形、缩放、像素颜色变换、模糊、RGB颜色扰动、蜕化和浮雕。
6.根据权利要求1所述的一种基于二维码的智能检测维保方法,其特征在于,所述人工智能算法模型采用预训练模型tinyResnet和小样本学习方法;模型的输入包括示例照片和待检测的照片,提取图片像素,模型计算得到sigmoid分数;模型的损失函数选择交叉熵损失函数。
7.根据权利要求1所述的一种基于二维码的智能检测维保方法,其特征在于,所述图片使用移动终端上传,移动终端扫描二维码后通过网络传输至计算机平台,或者进行本地传输。
8.一种基于二维码的智能检测维保的设备,利用权利要求1至7任一项所述的一种基于二维码的智能检测维保方法,其特征在于,包括移动终端和计算机,所述移动终端通过数据网络将数据上传至计算机,计算机平台配置的人工智能算法模型自动进行强化和纠正。
9.根据权利要求8所述的一种基于二维码的智能检测维保的设备,其特征在于,所述识别结果经过人工核对图片识别结果,当结果错误时,重复步骤B至步骤I,人工智能算法模型增强学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893798.7A CN113505780A (zh) | 2021-08-05 | 2021-08-05 | 一种基于二维码的智能检测维保的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893798.7A CN113505780A (zh) | 2021-08-05 | 2021-08-05 | 一种基于二维码的智能检测维保的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505780A true CN113505780A (zh) | 2021-10-15 |
Family
ID=78015640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110893798.7A Pending CN113505780A (zh) | 2021-08-05 | 2021-08-05 | 一种基于二维码的智能检测维保的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505780A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332465A (zh) * | 2022-01-05 | 2022-04-12 | 上海秦润数据科技有限公司 | 一种基于计算机视觉和深度学习发现天然气终端设备异常的方法 |
CN114881268A (zh) * | 2022-06-07 | 2022-08-09 | 新智认知数据服务有限公司 | 基于二维码的智能维保系统 |
CN116737711A (zh) * | 2023-08-14 | 2023-09-12 | 广东星云开物科技股份有限公司 | 设备滤芯重置方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN110956285A (zh) * | 2019-11-25 | 2020-04-03 | 科大国创软件股份有限公司 | 一种基于深度学习的装维施工规范性检测方法及系统 |
CN111079841A (zh) * | 2019-12-17 | 2020-04-28 | 深圳奇迹智慧网络有限公司 | 目标识别的训练方法、装置、计算机设备和存储介质 |
WO2020213750A1 (ko) * | 2019-04-16 | 2020-10-22 | 엘지전자 주식회사 | 객체를 인식하는 인공 지능 장치 및 그 방법 |
-
2021
- 2021-08-05 CN CN202110893798.7A patent/CN113505780A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020213750A1 (ko) * | 2019-04-16 | 2020-10-22 | 엘지전자 주식회사 | 객체를 인식하는 인공 지능 장치 및 그 방법 |
CN110956285A (zh) * | 2019-11-25 | 2020-04-03 | 科大国创软件股份有限公司 | 一种基于深度学习的装维施工规范性检测方法及系统 |
CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN111079841A (zh) * | 2019-12-17 | 2020-04-28 | 深圳奇迹智慧网络有限公司 | 目标识别的训练方法、装置、计算机设备和存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332465A (zh) * | 2022-01-05 | 2022-04-12 | 上海秦润数据科技有限公司 | 一种基于计算机视觉和深度学习发现天然气终端设备异常的方法 |
CN114881268A (zh) * | 2022-06-07 | 2022-08-09 | 新智认知数据服务有限公司 | 基于二维码的智能维保系统 |
CN116737711A (zh) * | 2023-08-14 | 2023-09-12 | 广东星云开物科技股份有限公司 | 设备滤芯重置方法、系统、设备及介质 |
CN116737711B (zh) * | 2023-08-14 | 2023-10-13 | 广东星云开物科技股份有限公司 | 设备滤芯重置方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569695B (zh) | 基于定损图像判定模型的图像处理方法和装置 | |
CN113505780A (zh) | 一种基于二维码的智能检测维保的方法和设备 | |
KR102220174B1 (ko) | 머신러닝 학습 데이터 증강장치 및 증강방법 | |
CN110765740B (zh) | 一种基于dom树的全类型文本替换方法、系统、装置及存储介质 | |
US20210334529A1 (en) | On-device partial recognition systems and methods | |
Sidhwa et al. | Text extraction from bills and invoices | |
CN114092938B (zh) | 图像的识别处理方法、装置、电子设备及存储介质 | |
CN112001200A (zh) | 识别码识别方法、装置、设备、存储介质和系统 | |
CN109697442B (zh) | 一种字符识别模型的训练方法和装置 | |
CN110796210A (zh) | 一种标签信息的识别方法及装置 | |
CN111507119B (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
CN113159029A (zh) | 一种图片中局部信息精准抓取的方法和系统 | |
CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
CN111414889A (zh) | 基于文字识别的财务报表识别方法及装置 | |
CN111325207A (zh) | 基于预处理的票据识别方法及装置 | |
CN115439850A (zh) | 基于审单的图文字符识别方法、装置、设备及存储介质 | |
CN111797922B (zh) | 文本图像分类方法及装置 | |
CN112287898B (zh) | 一种图像的文本检测质量评价方法及系统 | |
CN114612907A (zh) | 一种车牌识别方法及装置 | |
CN113610155A (zh) | 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质 | |
CN113065619A (zh) | 数据处理方法、装置、计算机可读存储介质及设备 | |
CN114881268A (zh) | 基于二维码的智能维保系统 | |
CN116259091B (zh) | 一种静默活体检测的方法和装置 | |
Pawar et al. | Deep Learning Approach for the Detection of Noise Type in Ancient Images. Sustainability 2022, 14, 11786 | |
CN117612180A (zh) | 一种文字识别方法、装置、终端设备及介质 |
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 |