CN113569736A - 刀闸状态识别方法、装置、计算机设备和存储介质 - Google Patents
刀闸状态识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113569736A CN113569736A CN202110858245.8A CN202110858245A CN113569736A CN 113569736 A CN113569736 A CN 113569736A CN 202110858245 A CN202110858245 A CN 202110858245A CN 113569736 A CN113569736 A CN 113569736A
- Authority
- CN
- China
- Prior art keywords
- disconnecting link
- target
- image
- state
- main body
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 210000000746 body region Anatomy 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种刀闸状态识别方法、装置、计算机设备和存储介质。该方法包括:获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的;根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。如此,通过分割网络从目标刀闸的图像中分割出刀闸主体区域图像,准确识别目标刀闸的同时,提高了刀闸主体区域的定位精度。进一步地,从刀闸主体区域图像中获取主体拟合刀闸线,通过与预设的刀闸状态标定线进行对比来判断目标刀闸所处的状态,提高了刀闸状态识别的准确度。
Description
技术领域
本申请涉及变电站监测技术领域,特别是涉及一种刀闸状态识别方法、装置、计算机设备和存储介质。
背景技术
隔离开关作为变电站的重要设备,主要用于高压线路的关合开断,起到隔离电压的作用,是保证电力系统安全运行的重要设备。隔离开关基于机械原理的刀闸来实现开合状态的切换,当刀闸本身出现锈蚀、磨损等情况时,容易出现定位偏差,导致对隔离开关的分合状态判断失误。
相关技术中,变电站内安装的监控设备对各电力设备进行实时监控,并将拍摄监控视频发送至监控室,工作人员通过查看监控视频来确认每个隔离开关所处的状态。
然而,相关技术中很难准确识别隔离开关所处的状态,导致隔离开关的状态识别率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确识别隔离开关,并确定隔离开关所处状态的刀闸状态识别方法、装置、计算机设备和存储介质。
第一方面,提供了一种刀闸状态识别方法,该方法包括:
获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的;
根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;
根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。
在其中一个实施例中,根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线,包括:
对刀闸主体区域图像中的目标刀闸的主体进行细化处理,以提取目标刀闸的刀闸主体骨架;
对刀闸主体骨架进行拟合处理,得到目标刀闸的主体拟合刀闸线。
在其中一个实施例中,根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态,包括:
获取主体拟合刀闸线与刀闸状态标定线之间的计算角度;
根据计算角度与预设的角度阈值,确定目标刀闸所处的状态。
在其中一个实施例中,若刀闸状态标定线为开状态标定线;
则根据计算角度与预设的角度阈值,确定目标刀闸所处的状态,包括:
若计算角度小于或者等于角度阈值,则确定目标刀闸处于开状态。
在其中一个实施例中,若刀闸状态标定线为合状态标定线;
则根据计算角度与预设的角度阈值,确定目标刀闸所处的状态,包括:
若计算角度小于或者等于角度阈值,则确定目标刀闸处于合状态。
在其中一个实施例中,若刀闸状态标定线包括开状态标定线和合状态标定线,计算角度包括主体拟合刀闸线与开状态标定线之间的第一角度,和主体拟合刀闸线与合状态标定线之间的第二角度;
根据计算角度与预设的角度阈值,确定目标刀闸所处的状态,包括:
若第一角度大于角度阈值,且第二角度大于角度阈值,则确定目标刀闸处于异常开合闸状态;
输出报警信息,报警信息用于指示目标刀闸需要检修。
在其中一个实施例中,将目标刀闸的图像输入至预设的分割网络中之前,方法还包括:
获取多个刀闸的刀闸训练图像;刀闸训练图像包括已标注刀闸区域;
将各刀闸训练图像作为初始分割网络的输入,对初始分割网络进行训练,直到初始分割网络输出的刀闸区域满足预设的收敛条件,确定初始分割网络收敛,得到分割网络。
第二方面,提供了一种刀闸状态识别装置,其特征在于,该装置包括:
分割模块,用于获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的;
获取模块,用于根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;
确定模块,用于根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面中任一项刀闸状态识别方法的步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面中任一项刀闸状态识别方法的步骤。
上述刀闸状态识别方法、装置、计算机设备和存储介质,获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态;其中,目标刀闸的图像为图像采集设备在预设位姿状态下采集的。在本申请中,通过预设的分割网络可以从目标刀闸的图像中精准识别目标刀闸,并分割出目标刀闸的刀闸主体区域图像,提高了目标刀闸的定位精确度;进一步地,主体拟合刀闸线可以反映目标刀闸相对于刀闸底座的偏移位置,因此,通过对比主体拟合刀闸线与预设的刀闸状态标定线,即可有效判断目标刀闸所处的状态,较人工识别而言,提高了刀闸状态识别的准确度。
附图说明
图1为一个实施例中刀闸状态识别方法的应用环境图;
图2为一个实施例中刀闸状态识别方法的流程示意图;
图3为一个实施例中分割网络的示意图;
图4为一个实施例中分割网络的训练流程示意图;
图5为另一个实施例中刀闸状态识别方法的流程示意图;
图6为另一个实施例中刀闸状态识别方法的流程示意图;
图7为另一个实施例中刀闸状态识别方法的流程示意图;
图8为一个实施例中刀闸状态识别装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
隔离开关是一种主要用于“隔离电源、倒闸操作、用以连通和切断小电流电路”,无灭弧功能的开关器件。隔离开关基于机械原理的刀闸来实现开合状态的切换,当刀闸处于开状态时,触头间有符合规定要求的绝缘距离和明显的断开标志,可以保证线路安全;当刀闸处于合状态时,能承载正常回路条件下的电流及在规定时间内异常条件(例如短路)下的电流。
但是,当刀闸这一机械器件本身出现锈蚀、磨损等情况时,容易出现开闸或合闸不到位的情况,往往需要线路维护人员到隔离开关现场确认隔离开关的开关状态。而对于变电站内的电力设备,为保证电路安全,设置的隔离开关较多,很难通过人工确认的方式去逐一检查隔离开关的开关状态,因此,需要采用远程视频监控手段来节约人力成本,提高维护效率。
在此情况下,部署在变电站内的监控设备实时获取厂区内各隔离开关和电力设备的监控图像或监控视频,计算机设备根据监控图像或监控视频确定各隔离开关的开关状态,以实现刀闸状态的自动识别。
然而,相关技术中很难准确识别隔离开关所处的状态,导致隔离开关的状态识别率低,基于此,本申请提供一种能够准确识别隔离开关,并确定隔离开关所处状态的刀闸状态识别方法、装置、计算机设备和存储介质。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
如图1所示,为本申请提供的刀闸状态识别方法的一种应用环境。具体地,图像采集设备110通过网络与监控终端120进行通信。该通信方式可以是有线通信,例如,线缆;或者是无线通信,例如,红外、wifi、6G/5G/4G/3G等。其中,图像采集设备110可以为多个安装在变电站内的摄像头,也可以是其他具有图像拍摄功能的电子设备;监控终端120可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
基于上述应用环境,一种场景中,图像采集设备110用于在变电站中拍摄目标刀闸的图像,并将拍摄的图像通过网络发送给监控终端120,监控终端120通过预设的分割网络从获取的图像中分割出刀闸主体区域图像,进一步地,对刀闸主体区域图像中获取目标刀闸的主体拟合刀闸线,通过对比主体拟合刀闸线和预设的刀闸状态标定线来确定目标刀闸所处的状态。
需要说明的是,下面对本申请实施例提供的一种刀闸状态识别方法进行说明时,以执行主体是监控终端进行说明。显然,下述所描述的实施例是本申请一部分实施例,而不是全部的实施例。
在一个实施例中,如图2所示,提供了一种刀闸状态识别方法,以该方法应用于图1中的监控终端120为例进行说明,包括以下步骤:
步骤210:获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的。
其中,目标刀闸可以是部署在变电站中任一位置的刀闸,目标刀闸的图像中包括目标刀闸和背景,背景可能是变电站中的环境或者电力设备。因此,为了识别刀闸状态,需要先将背景和目标刀闸区分开,然后再判断目标刀闸所处的状态。
需要说明的是,本申请是通过采集的图像来判断刀闸所处的状态,采集的图像中必须包括刀闸和底座之间的偏移情况,因此,在变电站中安装图像采集设备时,需要调整图像采集设备的拍摄角度以达到预设位姿。其中,预设位姿状态为图像采集设备可以拍摄到刀闸和底座之间接触程度的角度和位置。
此外,上述输入至分割网络中的图像可以是图像采集设备拍摄的原图,也可以是从变电站的监控图像中选取的部分图像,本申请对此不做限制。
在一种可能的实现方式中,预设的分割网络为SOLOv2神经网络,SOLOv2提供一个性能强大的简单、直接、快速的实例分割框架,以全卷积、box-free、grouping-free的方式,将一张图像作为输入,直接输出实例掩码(mask)以及对应的类别概率来达到实例分割的效果。
一方面,SOLOv2采用动态学习对象分割器的掩码头(mask head),mask head通过位置来动态地分割全景图像。具体地,mask head可以分为两个部分:卷积核学习和特征学习,SOLOv2中将原始掩码分支解耦为掩码核分支(mask kernel branch)和掩码特征分支(mask feature branch),分别用于预测卷积核和卷积特征。
另一方面,为了减少重复预测,在目标检测方法的后处理阶段上使用了非极大值抑制(NonMaximum Suppression,NMS)。以被普遍采用的多类别NMS为例。对于每个类别,根据置信度对预测边框进行排序,然后对每个预测边框,去除高度重叠的预测框,这项操作比较耗时。与预测边框相比,mask NMS需要更多的时间来计算每个mask对之间的交并比(Intersection-over-Union,IOU)。基于此,SOLOv2引入矩阵NMS(matrix NMS)来减少处理时间,matrix NMS一次性使用并行矩阵运算完成NMS操作,显著减少了由于掩码的NMS造成的推理时间开销,并产生了更好的结果。Matrix NMS可以1ms处理500多个masks,其平均精度(Average Precision,AP)要比快速NMS(Fast NMS)高0.4%,在速度和准确率上都超过了NMS。
如图3所示,输入图像被分割为S×S个网格,即最多的得到S2个预测掩码。如果物体的中心落在了某个网格内,则该网格就负责预测物体的语义类别,并给网格内的每个像素点赋一个位置类别,即每个网格相当于一个mask分割器,mask具体包括两个分支:类别分支和mask分支,类别分支预测语义类别,mask分支则分割物体实例,mask分支包括掩码核分支(对应图3中的kernel branch)和掩码特征分支(对应图3中的feature branch)。
具体地,掩码核分支的输入为H×W×E的特征F,输出为卷积核S×S×D。即通过掩码核分支预测D维度的输出,E是输入特征的通道数,S是划分的网格数目,D是卷积核的通道数。掩码特征分支需要预测实例感知特征图F∈RH×W×E,E是掩码特征的维数,F会与掩码核分支的输出做卷积。如果使用所有的预测权重(即S2个分类器),则输出的实例mask将会是H×W×S2。
通过SOLOv2的实例图像分割方法对刀闸进行模型训练,训练完成后得到分割模型,该分割模型即为本申请使用的分割网络。作为一个示例,训练使用的刀闸可以为七式刀闸。
步骤220:根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线。
需要说明的是,为确定刀闸的开合状态,需要对对刀闸主体区域图像做进一步处理,以从该图像中提取可以反映目标刀闸开合程度的信息。
在一种可能的实现方式中,对刀闸主体区域图像做图像细化处理,从刀闸主体区域图像获取主体拟合刀闸线。其中,主体拟合刀闸线为目标刀闸中关键点构成的线,主体拟合刀闸线可以反映目标刀闸相对于刀闸底座的偏移位置。
步骤230:根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。
其中,预设的刀闸状态标定线为目标刀闸在正常状态下的刀闸主体线。
在一种可能的实现方式中,在预设的重叠误差范围内,若主体拟合刀闸线与预设的刀闸状态标定线重合,则确定目标刀闸处于正常开合闸状态;若主体拟合刀闸线与预设的刀闸状态标定线不重合,则确定目标刀闸处于异常开合闸状态。
其中,异常开合闸状态表示开闸不到位或合闸不到位,即目标刀闸存在异常,为保证线路安全,需要及时对目标刀闸进行检修。
在本实施例中,通过获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的;根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。在本申请中,通过预设的分割网络可以从目标刀闸的图像中精准识别目标刀闸,并分割出目标刀闸的刀闸主体区域图像,提高了目标刀闸的定位精确度;进一步地,主体拟合刀闸线可以反映目标刀闸相对于刀闸底座的偏移位置,因此,通过对比主体拟合刀闸线与预设的刀闸状态标定线,即可有效判断目标刀闸所处的状态,较人工识别而言,提高了刀闸状态识别的准确度。
基于上述实施例,分割网络预先训练好的神经网络,在一种可能的实现方式中,如图4所示,分割网络的训练过程包括以下步骤:
步骤410:获取多个刀闸的刀闸训练图像;刀闸训练图像包括已标注刀闸区域。
在一种可能的实现方式中,刀闸训练图像中包括背景和至少一个刀闸,为了便于待训练的神经网络学习以准确识别出刀闸区域,每张刀闸训练图像都预先标注了刀闸区域。可以理解的是,一张刀闸训练图像中可能存在多个刀闸,故一张刀闸训练图像中可能存在多个预先标注的刀闸区域。
此外,为了验证神经网络的学习效果,多个刀闸训练图像还可以包括未标注刀闸区域的训练图像。标注刀闸区域的训练图像用于在训练周期中,验证初始分割网络的学习效果。
作为一个示例,刀闸训练图像可以从变电站中图像采集设备采集图像库中截取的128*128大小的隔离开关图片,还可以是从变电站监控图像中随机截取的,大小同样是128*128。所有的样本图片都被归一化为同样的尺寸大小。
步骤420:将各刀闸训练图像作为初始分割网络的输入,对初始分割网络进行训练,直到初始分割网络输出的刀闸区域满足预设的收敛条件,确定初始分割网络收敛,得到分割网络。
其中,初始分割网络可以采用监督学习的方式进行迭代训练,也可以采用非监督学习的方式进行迭代训练。
作为一个示例,若初始分割网络采用监督学习的方式进行迭代训练,则在一种可能的实现方式中,上述步骤420的实现过程可以为:将各刀闸训练图像作为初始分割网络的输入,对初始分割网络进行迭代训练,直到初始分割网络分割出的刀闸主体区域与已标注刀闸区域之间的交并比小于预设值,则满足预设的收敛条件,确定初始分割网络收敛,得到分割网络。
在本实施例中,将各刀闸训练图像作为初始分割网络的输入,对初始分割网络进行训练,以得到本申请需要的分割网络。如此,训练好的分割网络可以从输入的目标刀闸的图像是识别出目标刀闸的位置,并分割出目标刀闸的刀闸主体区域,刀闸主体区域图像中不含背景等影响因素,提高了拍摄图像中目标刀闸的定位精度。
基于上述刀闸状态识别方法,在一个实施例中,如图5所示,根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线(上述步骤220)的实现过程,包括以下步骤:
步骤510:对刀闸主体区域图像中的目标刀闸的主体进行细化处理,以提取目标刀闸的刀闸主体骨架。
其中,细化处理的目的是将图像的骨架提取出来的同时,保持图像细小部分的连通性,对被处理的图像进行细化有助于突出形状特点,减少冗余信息量。
在一种可能的实现方式中,可以采用细化算法从刀闸主体区域图像中提取刀闸主体骨架。
其中,细化算法采取逐次去除边界的方法进行的,不破坏图像的连通性。通常选择一组结构元素对,不断在结构对中循环,如果所得结果不再变化,则终止迭代过程,随着迭代的进行,集合也不断细化。结构对的选择仅受结构元素不相交的限制(不同的结构对)。在具体实施时,也可以在不断重复的迭代细化过程使用同一个结构对。在细化的过程中,刀闸主体区域图像会缩小,在逐步缩小的过程中,刀闸主体区域图像的连通性质保持不变。
作为一个示例,将刀闸主体区域图像转变为二值化图像,白色为255,黑色为0。然后对二值图像进行骨架提取,即删除不需要的轮廓点,只保留其骨架点。
具体细化时,对于二值化处理后的刀闸主体区域图像中每个像素点,根据与其相邻的8个邻域像素点之间的连通的情况,对像素点进行删除,最终得到的像素点所组成曲线即为刀闸主体骨架。
比如,对于像素点P1,若P1的8像素邻域中含有2连通、3连通、3连通、4连通、5连通、6连通或7连通像素,则将P1从二值化处理后的刀闸主体区域图像删除,通过不断迭代过程来获取伪骨架。由于伪骨架中有部分区域是两个像素宽度,而最终需要得到的是单层像素宽度的目标骨架,因此,对伪骨架图中的每个像素点,再检测其像素邻域中是否含有2连通、3连通、3连通、4连通、5连通、6连通或7连通像素,若有上述连通像素,则将该像素点从伪骨架中删除,得到最终的目标骨架,即刀闸主体骨架。
步骤520:对刀闸主体骨架进行拟合处理,得到目标刀闸的主体拟合刀闸线。
其中,由于得到的刀闸主体骨架并非直线,与预设的刀闸状态标定线进行对比时会存在误差,需要对刀闸主体骨架进行拟合处理,将曲线拟合为直线。
作为一个示例,拟合处理可以采用最小二乘法来来实现曲线拟合。
在本实施例中,通过对刀闸主体区域图像进行处理,可以细化目标刀闸所处位置,得到目标刀闸的主体拟合刀闸线,主体拟合刀闸线可以反映目标刀闸相对于刀闸底座的偏移位置,如此,将主体拟合刀闸线作为刀闸状态的判断依据,可以判断目标刀闸所处的状态。
基于上述刀闸状态识别方法,在一个实施例中,如图6所示,根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态(上述步骤230)的实现过程,包括以下步骤:
步骤610:获取主体拟合刀闸线与刀闸状态标定线之间的计算角度。
其中,刀闸状态标定线为刀闸正常开合闸状态下的刀闸主体线,主体拟合刀闸线与刀闸状态标定线之间的计算角度可以反映目标刀闸的开合闸情况。
需要说明的是,计算角度可以是监控终端通过计算主体拟合刀闸线相对于刀闸状态标定线之间的偏移角度得到的,也可以监控终端从别的设备中直接获取的,本申请实施例对此不做限制。
在判断目标刀闸所处的状态时,刀闸状态标定线可以具体为开状态标定线和合状态标定线。
步骤620:根据计算角度与预设的角度阈值,确定目标刀闸所处的状态。
其中,目标刀闸所处的状态可能为正常状态,也可能为异常状态,刀闸状态标定线包括开状态标定线和/或合状态标定线。
可以理解的是,开闸时,目标刀闸的主体拟合刀闸线应该向开状态标定线靠近,直到主体拟合刀闸线和开状态标定线重合。合闸时,目标刀闸的主体拟合刀闸线应该向合状态标定线靠近,直到主体拟合刀闸线和合状态标定线重合。
可以理解的是,在实际应用中,因主体拟合刀闸线的拟合效果和目标刀闸的自身设计等原因,导致安全开合闸时,主体拟合刀闸线与刀闸状态标定线之间存在较小的夹角。因此,预设的角度阈值可以为将安全开合闸情况下主体拟合刀闸线与刀闸状态标定线之间的最大夹角。
作为一个示例,预设的角度阈值可以为0°、2°、5°等,本申请对此不做限制。
基于此,上述步骤620包括以下三种情况:
(1)若刀闸状态标定线为开状态标定线,则上述步骤620的实现过程可以为:若主体拟合刀闸线与开状态标定线之间的计算角度小于或者等于角度阈值,则确定目标刀闸处于开状态。
(2)若刀闸状态标定线为合状态标定线,则上述步骤620的实现过程可以为:若主体拟合刀闸线与合状态标定线之间的计算角度小于或者等于角度阈值,则确定目标刀闸处于合状态。
也即是,当计算角度小于或等于预设的角度阈值,目标刀闸处于开状态或者合状态中的任一种通过主体拟合刀闸线和一条状态标定线之间的夹角,即可确定目标刀闸所处的状态。
(3)若刀闸状态标定线包括开状态标定线和合状态标定线,计算角度包括主体拟合刀闸线与开状态标定线之间的第一角度,和主体拟合刀闸线与合状态标定线之间的第二角度,则上述步骤620的实现过程可以为:若第一角度大于角度阈值,且第二角度大于角度阈值,则确定目标刀闸处于异常分合闸状态,输出报警信息,报警信息用于指示目标刀闸需要检修。
其中,报警信息中可以携带目标刀闸所处的区域,以及目标刀闸的计算角度与预设的角度阈值之间的差值。
在本实施例中,通过主体拟合刀闸线与预设的刀闸状态标定线之间的计算角度来判断目标刀闸所处的状态,可以对目标刀闸状态进行有效识别,较人工识别而言,刀闸状态识别效率高。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于上述实施例,如图7所示,本申请还提供了另一种刀闸状态识别方法,以该方法应用于图1中的监控终端120为例进行说明,包括以下步骤:
步骤710:获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;
步骤720:对刀闸主体区域图像中的目标刀闸的主体进行细化处理,以提取目标刀闸的刀闸主体骨架;
步骤730:对刀闸主体骨架进行拟合处理,得到目标刀闸的主体拟合刀闸线;
步骤740:获取主体拟合刀闸线与刀闸状态标定线之间的计算角度;
步骤750:若刀闸状态标定线为开状态标定线,则计算角度小于或者等于角度阈值时,确定目标刀闸处于开状态;
步骤760:若刀闸状态标定线为合状态标定线,则计算角度小于或者等于角度阈值时,确定目标刀闸处于合状态;
步骤770:若刀闸状态标定线包括开状态标定线和合状态标定线,第一角度大于角度阈值,且第二角度大于角度阈值时,确定目标刀闸处于异常开合闸状态;其中,第一角度为主体拟合刀闸线与开状态标定线之间的计算角度,第二角度为主体拟合刀闸线与合状态标定线之间的计算角度;
步骤780:输出报警信息,报警信息用于指示目标刀闸需要检修。
上述步骤的具体实现过程可参见上述实施例,在此不再赘述。上述刀闸状态识别方法,通过预设的分割网络可以从包括背景的图像中精准识别并确定目标刀闸的刀闸主体,分割处理得到刀闸主体区域图像,提高了刀闸区域的定位精确度;从刀闸主体区域图像中获取主体拟合刀闸线,主体拟合刀闸线可以反映目标刀闸相对于刀闸底座的偏移位置,因此,通过主体拟合刀闸线与预设的刀闸状态标定线可以判断刀闸所处的状态,以实现对刀闸状态的有效识别,较人工识别而言,刀闸状态识别效率高。
在一个实施例中,如图8所示,提供了一种刀闸状态识别装置,包括:分割模块810、获取模块820和确定模块830,其中:
分割模块810,用于获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的;
获取模块820,用于根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;
确定模块830,用于根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。
在其中一个实施例中,获取模块820,包括:
细化单元,用于对刀闸主体区域图像中的目标刀闸的主体进行细化处理,以提取目标刀闸的刀闸主体骨架;
拟合单元,用于对刀闸主体骨架进行拟合处理,得到目标刀闸的主体拟合刀闸线。
在其中一个实施例中,确定模块830,包括:
获取单元,用于获取主体拟合刀闸线与刀闸状态标定线之间的计算角度;
确定单元,用于根据计算角度与预设的角度阈值,确定目标刀闸所处的状态。
在一个实施例中,若刀闸状态标定线为开状态标定线,则确定单元包括:
第一确定子单元,用于若计算角度小于或者等于角度阈值,则确定目标刀闸处于开状态。
在一个实施例中,若刀闸状态标定线为合状态标定线,则确定单元包括:
第二确定子单元,用于若计算角度小于或者等于角度阈值,则确定目标刀闸处于合状态。
在一个实施例中,若刀闸状态标定线包括开状态标定线和合状态标定线,计算角度包括主体拟合刀闸线与开状态标定线之间的第一角度,和主体拟合刀闸线与合状态标定线之间的第二角度,则确定单元包括:
第三确定子单元,用于若第一角度大于角度阈值,且第二角度大于角度阈值,则确定目标刀闸处于异常开合闸状态;
提示单元,用于输出报警信息,报警信息用于指示目标刀闸需要检修。
在其中一个实施例中,该装置800还包括:
训练数据获取模块,用于获取多个刀闸的刀闸训练图像;刀闸训练图像包括已标注刀闸区域;
训练模块,用于将各刀闸训练图像作为初始分割网络的输入,对初始分割网络进行训练,直到初始分割网络输出的刀闸区域满足预设的收敛条件,确定初始分割网络收敛,得到分割网络。
关于刀闸状态识别装置的具体限定可以参见上文中对于刀闸状态识别方法的限定,在此不再赘述。上述刀闸状态识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种刀闸状态识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的;
根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;
根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。
本实施例提供的计算机设备在实现以上步骤时,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标刀闸的图像,并将目标刀闸的图像输入至预设的分割网络中,得到目标刀闸的刀闸主体区域图像;目标刀闸的图像为图像采集设备在预设位姿状态下采集的;
根据刀闸主体区域图像,获取目标刀闸的主体拟合刀闸线;
根据主体拟合刀闸线和预设的刀闸状态标定线,确定目标刀闸所处的状态。
本实施例提供的计算机可读存储介质在实现以上步骤时,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种刀闸状态识别方法,其特征在于,所述方法包括:
获取目标刀闸的图像,并将所述目标刀闸的图像输入至预设的分割网络中,得到所述目标刀闸的刀闸主体区域图像;所述目标刀闸的图像为图像采集设备在预设位姿状态下采集的;
根据所述刀闸主体区域图像,获取所述目标刀闸的主体拟合刀闸线;
根据所述主体拟合刀闸线和预设的刀闸状态标定线,确定所述目标刀闸所处的状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述刀闸主体区域图像,获取所述目标刀闸的主体拟合刀闸线,包括:
对所述刀闸主体区域图像中的所述目标刀闸的主体进行细化处理,以提取所述目标刀闸的刀闸主体骨架;
对所述刀闸主体骨架进行拟合处理,得到所述目标刀闸的主体拟合刀闸线。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述主体拟合刀闸线和预设的刀闸状态标定线,确定所述目标刀闸所处的状态,包括:
获取所述主体拟合刀闸线与所述刀闸状态标定线之间的计算角度;
根据所述计算角度与预设的角度阈值,确定所述目标刀闸所处的状态。
4.根据权利要求3所述的方法,其特征在于,若所述刀闸状态标定线为开状态标定线;
则所述根据所述计算角度与预设的角度阈值,确定所述目标刀闸所处的状态,包括:
若所述计算角度小于或者等于所述角度阈值,则确定所述目标刀闸处于开状态。
5.根据权利要求3所述的方法,其特征在于,若所述刀闸状态标定线为合状态标定线;
则所述根据所述计算角度与预设的角度阈值,确定所述目标刀闸所处的状态,包括:
若所述计算角度小于或者等于所述角度阈值,则确定所述目标刀闸处于合状态。
6.根据权利要求3所述的方法,其特征在于,若所述刀闸状态标定线包括开状态标定线和合状态标定线,所述计算角度包括所述主体拟合刀闸线与所述开状态标定线之间的第一角度,和所述主体拟合刀闸线与所述合状态标定线之间的第二角度;
所述根据所述计算角度与预设的角度阈值,确定所述目标刀闸所处的状态,包括:
若所述第一角度大于所述角度阈值,且所述第二角度大于所述角度阈值,则确定所述目标刀闸处于异常开合闸状态;
输出报警信息,所述报警信息用于指示所述目标刀闸需要检修。
7.根据权利要求1或2所述的方法,其特征在于,所述将所述目标刀闸的图像输入至预设的分割网络中之前,所述方法还包括:
获取多个刀闸的刀闸训练图像;所述刀闸训练图像包括已标注刀闸区域;
将各所述刀闸训练图像作为初始分割网络的输入,对所述初始分割网络进行训练,直到所述初始分割网络输出的刀闸区域满足预设的收敛条件,确定所述初始分割网络收敛,得到所述分割网络。
8.一种刀闸状态识别装置,其特征在于,所述装置包括:
分割模块,用于获取目标刀闸的图像,并将所述目标刀闸的图像输入至预设的分割网络中,得到所述目标刀闸的刀闸主体区域图像;所述目标刀闸的图像为图像采集设备在预设位姿状态下采集的;
获取模块,用于根据所述刀闸主体区域图像,获取所述目标刀闸的主体拟合刀闸线;
确定模块,用于根据所述主体拟合刀闸线和预设的刀闸状态标定线,确定所述目标刀闸所处的状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858245.8A CN113569736A (zh) | 2021-07-28 | 2021-07-28 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858245.8A CN113569736A (zh) | 2021-07-28 | 2021-07-28 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569736A true CN113569736A (zh) | 2021-10-29 |
Family
ID=78168518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858245.8A Pending CN113569736A (zh) | 2021-07-28 | 2021-07-28 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569736A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037960A (zh) * | 2022-01-11 | 2022-02-11 | 合肥金星智控科技股份有限公司 | 一种基于机器视觉的翻板阀状态识别方法和系统 |
CN114076894A (zh) * | 2021-11-26 | 2022-02-22 | 广东电网有限责任公司 | 刀闸操作的检测方法、装置、电子设备及存储介质 |
CN114612480A (zh) * | 2022-02-21 | 2022-06-10 | 北京百度网讯科技有限公司 | 检测防振锤弯曲状态的方法、装置、设备、介质及产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018050128A1 (zh) * | 2016-09-13 | 2018-03-22 | 纳恩博(北京)科技有限公司 | 目标跟踪方法、电子设备及存储介质 |
CN107944396A (zh) * | 2017-11-27 | 2018-04-20 | 国网安徽省电力有限公司经济技术研究院 | 一种基于改进深度学习的刀闸状态识别方法 |
CN110163833A (zh) * | 2018-02-12 | 2019-08-23 | 杭州海康威视数字技术股份有限公司 | 确定刀闸的开合状态的方法和装置 |
CN110189344A (zh) * | 2019-04-24 | 2019-08-30 | 河海大学常州校区 | 一种电力刀闸图像中直线段提取方法 |
CN110705571A (zh) * | 2019-09-21 | 2020-01-17 | 南京鑫和汇通电子科技有限公司 | 一种剪刀式刀闸开合状态检测方法 |
CN111814734A (zh) * | 2020-07-24 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 识别刀闸状态的方法 |
CN111814742A (zh) * | 2020-07-29 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 基于深度学习的刀闸状态识别方法 |
CN112541890A (zh) * | 2020-12-07 | 2021-03-23 | 国网江苏省电力有限公司常州供电分公司 | 刀闸行程状态的检测方法、设备和可读存储介质 |
-
2021
- 2021-07-28 CN CN202110858245.8A patent/CN113569736A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018050128A1 (zh) * | 2016-09-13 | 2018-03-22 | 纳恩博(北京)科技有限公司 | 目标跟踪方法、电子设备及存储介质 |
CN107944396A (zh) * | 2017-11-27 | 2018-04-20 | 国网安徽省电力有限公司经济技术研究院 | 一种基于改进深度学习的刀闸状态识别方法 |
CN110163833A (zh) * | 2018-02-12 | 2019-08-23 | 杭州海康威视数字技术股份有限公司 | 确定刀闸的开合状态的方法和装置 |
CN110189344A (zh) * | 2019-04-24 | 2019-08-30 | 河海大学常州校区 | 一种电力刀闸图像中直线段提取方法 |
CN110705571A (zh) * | 2019-09-21 | 2020-01-17 | 南京鑫和汇通电子科技有限公司 | 一种剪刀式刀闸开合状态检测方法 |
CN111814734A (zh) * | 2020-07-24 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 识别刀闸状态的方法 |
CN111814742A (zh) * | 2020-07-29 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 基于深度学习的刀闸状态识别方法 |
CN112541890A (zh) * | 2020-12-07 | 2021-03-23 | 国网江苏省电力有限公司常州供电分公司 | 刀闸行程状态的检测方法、设备和可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114076894A (zh) * | 2021-11-26 | 2022-02-22 | 广东电网有限责任公司 | 刀闸操作的检测方法、装置、电子设备及存储介质 |
CN114076894B (zh) * | 2021-11-26 | 2023-08-18 | 广东电网有限责任公司 | 刀闸操作的检测方法、装置、电子设备及存储介质 |
CN114037960A (zh) * | 2022-01-11 | 2022-02-11 | 合肥金星智控科技股份有限公司 | 一种基于机器视觉的翻板阀状态识别方法和系统 |
CN114612480A (zh) * | 2022-02-21 | 2022-06-10 | 北京百度网讯科技有限公司 | 检测防振锤弯曲状态的方法、装置、设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569736A (zh) | 刀闸状态识别方法、装置、计算机设备和存储介质 | |
CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
WO2022160413A1 (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
WO2021135500A1 (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN111734885B (zh) | 一种换流阀在线监测与评估的方法及系统 | |
CN110826521A (zh) | 驾驶员疲劳状态识别方法、系统、电子设备和存储介质 | |
CN111222423A (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
CN114902279A (zh) | 基于机器视觉的自动化缺陷检测 | |
WO2020073201A1 (en) | Method and system for circuit breaker condition monitoring | |
CN110910360B (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN111126208B (zh) | 行人归档方法、装置、计算机设备及存储介质 | |
CN109544870B (zh) | 用于智能监控系统的报警判断方法与智能监控系统 | |
CN112686102B (zh) | 一种适应于地铁站点的快速排障方法 | |
CN111401131A (zh) | 隧道管廊的图像处理方法、装置、计算机设备和存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN115809982B (zh) | 电芯压伤检测方法、装置及系统 | |
CN111401239B (zh) | 一种视频分析方法、装置、系统、设备及存储介质 | |
CN112367559A (zh) | 视频展示方法、装置、电子设备、服务器及存储介质 | |
CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
CN111523423B (zh) | 一种电力设备识别方法及装置 | |
CN114140746A (zh) | 一种箱内摄像头遮挡检测方法、电梯运行控制方法及装置 | |
CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
CN114596638A (zh) | 人脸活体检测方法、装置及存储介质 | |
CN113449545A (zh) | 数据处理方法、装置、存储介质和处理器 |
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 |