CN113989268A - 一种识别红外图像中指定设备的gis套管的方法及存储介质 - Google Patents
一种识别红外图像中指定设备的gis套管的方法及存储介质 Download PDFInfo
- Publication number
- CN113989268A CN113989268A CN202111338584.XA CN202111338584A CN113989268A CN 113989268 A CN113989268 A CN 113989268A CN 202111338584 A CN202111338584 A CN 202111338584A CN 113989268 A CN113989268 A CN 113989268A
- Authority
- CN
- China
- Prior art keywords
- infrared image
- target
- gis
- infrared
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000003321 amplification Effects 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000001559 infrared map Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular 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
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别红外图像中指定设备的GIS套管的方法及存储介质,具体包括以下步骤:S101:预先对初始训练样本集进行图像预处理,对红外图谱进行标注,再对红外图谱通过旋转、翻转进行红外图谱总数扩增处理,得到训练样本集训练神经网络模型得到目标识别模型;S102:获取包含目标GIS套管的待处理红外图像;S103:将所述待处理红外图像输入至所述目标识别模型中,得到包含利用所述数据标注格式标注所述目标GIS套管掩码及其所属设备检测框的红外图像;本发明利用深度学习基于该训练样本集得到的目标识别模型可实时对红外图片中的GIS套管进行有效的标注,提高了GIS套管在红外图像中检测位置和真实目标GIS套管检测的准确率。
Description
技术领域
本发明属于图像处理技术领域,具体为一种识别红外图像中指定设备的GIS套管的方法及存储介质。
背景技术
伴随着红外设备在带电检测中的广泛应用,供电公司积累了大量的运维红外图片数据,目前均由人工对红外图片中是否存在GIS套管进行筛检,并由人工标注GIS套管在红外图像中所处的位置,以便用于后期存储和统计等。
但是,人工检测效率低,室外环境复杂,无法实时给出检测结果,此外,人工标注格式不规范,标注后的图片数据对于日后提高检测效率和识别率没有任何帮助,从而使得历史数据的使用分析效率低下,不能对日后巡检识别工作做到有力的帮助。
为了解决人工检测并标注存在的问题,相关技术通过图像识别技术进行筛选,但由于红外图片拍摄角度问题,需要大规模的图片做训练样本集,并且识别结果往往并非按照GIS套管在图片中的角度进行标注,标注得到的区域存在大部分无用的背景信息。
发明内容
本发明的目的在于提供了一种识别红外图像中指定设备的GIS套管的方法及存储介质,不需要收集大量训练样本集便可训练得到精度高的模型,提高了GIS套管在红外图像中检测位置和真实目标GIS套管检测的准确率,大大减小了非目标GIS套管识别的错误率及减少了无用背景信息。
实现本发明目的技术解决方案为:一种识别红外图像中指定设备的GIS套管的方法,具体包括以下步骤:
S101:预先对初始训练样本集进行图像预处理,对红外图谱进行标注,再对红外图谱通过旋转、翻转进行红外图谱总数扩增处理,得到训练样本集训练神经网络模型得到目标识别模型;
S102:获取包含目标GIS套管的待处理红外图像;
S103:将所述待处理红外图像输入至所述目标识别模型中,得到包含利用所述数据标注格式标注所述目标GIS套管掩码及其所属设备检测框的红外图像。
进一步地,所述获取包含目标GIS套管的待处理红外图像之后,还包括:
生成所述待处理红外图像的标识信息,以用于将所述待处理红外图像和所述目标GIS套管及其所属设备建立对应关系。
进一步地,所述标识信息为所述目标设备及其所属设备的编号信息。
进一步地,所述S103中的所属设备检测为矩形框,将所述待处理红外图像输入至所述目标识别模型中,得到包含利用所述数据标注格式标注所述目标GIS套管位置掩码及其所属设备检测框的红外图像之后,还包括:
输出所述目标GIS套管位置掩码的位置坐标及其所属设备检测框的四个顶点坐标的参数信息,以作为所述红外图像的属性信息进行存储。
进一步地,所述目标识别模型为基于Yolov5图像目标识别方法和Yolact++图像分割方法,所述目标识别模型识别红外图像中指定设备的GIS套管及其所属设备,并采用掩码方式标注GIS套管位置、检测框标注其所属设备位置。
进一步地,所述获取包含GIS套管的待处理红外图像之后,还包括:
获取所述待处理红外图像温度数据,通过对温度数据进行分析处理并进行变换处理,得到二值化红外图像,以用于将所述二值化红外图像输入至所述目标识别模型中。
一种计算机可读存储介质,所述计算机可读存储介质上存储有识别红外图像中的GIS套管的程序,所述识别红外图像中的GIS套管的程序被处理器执行时实现所述识别红外图像中的指定设备的GIS套管的方法的步骤。
本发明与现有技术相比,其显著优点为:本发明通过对样本图像进行图像预处理,再通过旋转、翻转样本图像增加红外图谱总数,可使得训练样本集中的涵盖各种各样的GIS套管所处图像中的角度,无需大量收集训练样本集也可得到识别精度高的模型;利用深度学习基于该训练样本集得到的目标识别模型可实时对红外图片中的GIS套管进行有效的标注,提高了GIS套管在红外图像中检测位置和真实目标GIS套管检测的准确率,大大减小了非目标GIS套管识别的错误率及减少了无用背景信息;此外,生成统一格式化的图像数据,还有助于后端服务器存储与日后使用。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明实施例提供的一种识别红外图像中指定设备的GIS套管的方法的流程示意图;
图2为本发明实施例提供的一种标注有GIS套管区域的GIS套管区域红外图像示意图。
具体实施方式
为了更加清楚地描述本发明的思想,技术方案和优点,具体实施方式通过实施例和附图来表明。显然地,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在未付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1和2所示,一种识别红外图像中指定设备的GIS套管的方法,具体包括以下步骤:
S101:预先对初始训练样本集进行图像预处理,对红外图谱进行标注,再对红外图谱通过旋转、翻转进行红外图谱总数扩增处理,得到训练样本集训练神经网络模型得到目标识别模型;
初始训练样本集中每个红外样本图像均包含相应标签,标签用于表示图中目标设备及其GIS套管。例如可包括2组标签,分别是设备类型标签组,如BLQ代表避雷器设备,即指定的设备的标签;指定设备的GIS套管标签组,如BLQ_TG代表避雷器设备的GIS套管,即指定设备的GIS套管的标签。
由于实际场景中采集到的样本较少,不能覆盖各种各样的目标角度,训练模型的样本数量和样本种类在一定范围内决定模型训练精度;基于此,对初始训练样本集中的红外图谱进行图像角度旋转和翻转,将旋转、翻转后的红外图谱保存作为新增红外图谱,从而增加训红外图谱的数量和多样性,提升模型训练精度。
图像预处理分为两个步骤,第一步首先在红外图像中识别图像中的GIS套管所属设备,并为该设备在图像中设置检测框;第二步在识别出GIS套管所属设备的基础上进行目标GIS套管的识别并生成目标GIS套管的位置掩码,以标出GIS套管所处红外图像的区域位置,图像预处理后实现对红外图谱进行标注;
目标识别模型为基于Yolov5图像目标识别方法和Yolact++图像分割方法,所述目标识别模型识别红外图像中指定设备的GIS套管及其所属设备,并采用掩码方式标注GIS套管位置、检测框标注其所属设备位置。
S102:获取包含目标GIS套管的待处理红外图像;
所述获取包含目标GIS套管的待处理红外图像之后,还包括:
生成所述待处理红外图像的标识信息,以用于将所述待处理红外图像和所述目标GIS套管及其所属设备建立对应关系;所述标识信息为所述目标设备及其所属设备的编号信息。
S103:将包含目标GIS套管的待处理红外图像输入至所述目标识别模型中,得到包含利用所述数据标注格式标注所述目标GIS套管掩码及其所属设备检测框的红外图像;
所属设备检测为矩形框,将所述待处理红外图像输入至所述目标识别模型中,得到包含利用所述数据标注格式标注所述目标GIS套管位置掩码及其所属设备检测框的红外图像之后,还包括:
输出所述目标GIS套管位置掩码的位置坐标及其所属设备检测框的四个顶点坐标的参数信息,以作为所述红外图像的属性信息进行存储。
所述获取包含GIS套管的待处理红外图像之后,还包括:
获取所述待处理红外图像温度数据,通过对温度数据进行分析处理并进行变换处理,得到二值化红外图像,以用于将所述二值化红外图像输入至所述目标识别模型中。
包含利用所述数据标注格式标注所述目标GIS套管位置掩码及其所属设备检测框的红外图像和二值化红外图像相结合得到标注有GIS套管区域的GIS套管区域红外图像,标注有GIS套管区域的GIS套管区域红外图像中的浅色区为高温区,深色区为低温区。
红外图像采集设备采集目标GIS套管的红外图像,红外图像采集设备集成在采集红外图像的设备中,红外图像采集设备在获取到清晰度满足要求的红外图像后,利用S101训练得到目标识别模型将图中GIS套管利用检测框标注出来;
红外图像采集设备集成在手持终端或任何一种智能终端设备上或服务器上,红外图像采集设备将采集的包含目标GIS套管的红外图像发送给该手持终端或智能终端或服务器上。为了便于后续红外图像的存储和追溯,解决图片存储不规范造成的误检的问题,在接收到红外图像后可为该图像添加索引信息,用于通过将待处理红外图像和目标GIS套管及其所属设备建立对应关系来唯一识别该红外图像的信息,也即生成待处理红外图像的标识信息,标识信息例如可为GIS套管及其所属设备的编号信息。
本发明通过对样本图像进行图像预处理,再通过旋转、翻转样本图像增加红外图谱总数,可使得训练样本集中的涵盖各种各样的GIS套管所处图像中的角度,无需大量收集训练样本集也可得到识别精度高的模型;利用深度学习基于该训练样本集得到的目标识别模型可实时对红外图片中的GIS套管进行有效的标注,提高了GIS套管在红外图像中检测位置和真实目标GIS套管检测的准确率,大大减小了非目标GIS套管识别的错误率及减少了无用背景信息;此外,生成统一格式化的图像数据,还有助于后端服务器存储与日后使用。
此外,可设置红外图谱数据库,该数据库中存储GIS套管的红外图像,为了提高数据库中存储信息的丰富性,便于后续GIS套管的日常维护和检修等操作。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1只是一种示意方式,并不代表只能是这样的执行顺序。
一种计算机可读存储介质,所述计算机可读存储介质上存储有识别红外图像中的GIS套管的程序,所述识别红外图像中的GIS套管的程序被处理器执行时实现所述识别红外图像中的指定设备的GIS套管的方法的步骤。
存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
上述所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种识别红外图像中指定设备的GIS套管的方法,其特征在于,具体包括以下步骤:
S101:预先对初始训练样本集进行图像预处理,对红外图谱进行标注,再对红外图谱通过旋转、翻转进行红外图谱总数扩增处理,得到训练样本集训练神经网络模型得到目标识别模型;
S102:获取包含目标GIS套管的待处理红外图像;
S103:将所述待处理红外图像输入至所述目标识别模型中,得到包含利用所述数据标注格式标注所述目标GIS套管掩码及其所属设备检测框的红外图像。
2.根据权利要求1所述的识别红外图像中指定设备的GIS套管的方法,其特征在于,所述获取包含目标GIS套管的待处理红外图像之后,还包括:
生成所述待处理红外图像的标识信息,以用于将所述待处理红外图像和所述目标GIS套管及其所属设备建立对应关系。
3.根据权利要求2所述的识别红外图像中指定设备的GIS套管的方法,其特征在于,所述标识信息为所述目标设备及其所属设备的编号信息。
4.根据权利要求1述的识别红外图像中指定设备的GIS套管的方法,其特征在于,所述S103中的所属设备检测为矩形框,将所述待处理红外图像输入至所述目标识别模型中,得到包含利用所述数据标注格式标注所述目标GIS套管位置掩码及其所属设备检测框的红外图像之后,还包括:
输出所述目标GIS套管位置掩码的位置坐标及其所属设备检测框的四个顶点坐标的参数信息,以作为所述红外图像的属性信息进行存储。
5.根据权利要求4所述的识别红外图像中指定设备的GIS套管的方法,其特征在于,所述目标识别模型为基于Yolov5图像目标识别方法和Yolact++图像分割方法,所述目标识别模型识别红外图像中指定设备的GIS套管及其所属设备,并采用掩码方式标注GIS套管位置、检测框标注其所属设备位置。
6.根据权利要求1所述的识别红外图像中指定设备的GIS套管的方法,其特征在于,所述获取包含GIS套管的待处理红外图像之后,还包括:
获取所述待处理红外图像温度数据,通过对温度数据进行分析处理并进行变换处理,得到二值化红外图像,以用于将所述二值化红外图像输入至所述目标识别模型中。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有识别红外图像中的GIS套管的程序,所述识别红外图像中的GIS套管的程序被处理器执行时实现如权利要求1至5任一项所述识别红外图像中的指定设备的GIS套管的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338584.XA CN113989268A (zh) | 2021-11-12 | 2021-11-12 | 一种识别红外图像中指定设备的gis套管的方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338584.XA CN113989268A (zh) | 2021-11-12 | 2021-11-12 | 一种识别红外图像中指定设备的gis套管的方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989268A true CN113989268A (zh) | 2022-01-28 |
Family
ID=79748189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111338584.XA Pending CN113989268A (zh) | 2021-11-12 | 2021-11-12 | 一种识别红外图像中指定设备的gis套管的方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989268A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587975A (zh) * | 2022-09-28 | 2023-01-10 | 国网湖北省电力有限公司超高压公司 | 充油设备套管积污缺陷诊断系统、方法和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 |
CN110378424A (zh) * | 2019-07-23 | 2019-10-25 | 国网河北省电力有限公司电力科学研究院 | 基于卷积神经网络的变压器套管故障红外图像识别方法 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
CN112529877A (zh) * | 2020-12-15 | 2021-03-19 | 中国联合网络通信集团有限公司 | 一种瓶装液体杂质检测方法及装置 |
CN113344475A (zh) * | 2021-08-05 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
-
2021
- 2021-11-12 CN CN202111338584.XA patent/CN113989268A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 |
CN110378424A (zh) * | 2019-07-23 | 2019-10-25 | 国网河北省电力有限公司电力科学研究院 | 基于卷积神经网络的变压器套管故障红外图像识别方法 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
CN112529877A (zh) * | 2020-12-15 | 2021-03-19 | 中国联合网络通信集团有限公司 | 一种瓶装液体杂质检测方法及装置 |
CN113344475A (zh) * | 2021-08-05 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
NANNAN YAN 等: "Instance Segmentation Model for Substation Equipment Based on Mask R-CNN", 《2020 CEECT》, 24 December 2020 (2020-12-24), pages 1 - 2 * |
别一凡 等: "基于改进 SSD 的变压器套管红外图像油位智能识别方法", 《电力工程技术》, vol. 40, no. 5, 8 October 2021 (2021-10-08), pages 158 - 163 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587975A (zh) * | 2022-09-28 | 2023-01-10 | 国网湖北省电力有限公司超高压公司 | 充油设备套管积污缺陷诊断系统、方法和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284758B (zh) | 一种发票印章消除方法、装置和计算机存储介质 | |
CN108805076B (zh) | 环境影响评估报告书表格文字的提取方法及系统 | |
CN104778470B (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
CN109522417A (zh) | 一种公司名的商号抽取方法 | |
CN111027456A (zh) | 基于图像识别的机械水表读数识别方法 | |
CN106777336A (zh) | 一种基于深度学习的公司名成分抽取系统和方法 | |
CN105183950B (zh) | 一种基于移动终端查阅工程图纸的方法及系统 | |
CN109753962A (zh) | 基于混合网络的自然场景图像中文本区域的处理方法 | |
CN114120094A (zh) | 一种基于人工智能的水污染识别方法及系统 | |
CN113989268A (zh) | 一种识别红外图像中指定设备的gis套管的方法及存储介质 | |
CN109271616A (zh) | 一种基于标准文献题录特征值的智能提取方法 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN109492573A (zh) | 一种指针读取方法及装置 | |
CN111598090B (zh) | 印刷电路板上标记的识别方法、装置、设备及存储介质 | |
CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
CN112613362A (zh) | 一种基于物联网的物品标志识别系统 | |
CN117058157A (zh) | 一种cad图纸的切割与标注方法 | |
CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 | |
Mayhua et al. | Extracting visual encodings from map chart images with color-encoded scalar values | |
CN116129459A (zh) | 一种厂站模型自动生成方法 | |
CN115099834A (zh) | 一种物品溯源码系统 | |
CN110175563B (zh) | 金属切削刀具图纸标注识别方法及系统 | |
CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 |
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 |