CN114399693A - 承载鞍寿命预算方法及装置 - Google Patents
承载鞍寿命预算方法及装置 Download PDFInfo
- Publication number
- CN114399693A CN114399693A CN202111650197.XA CN202111650197A CN114399693A CN 114399693 A CN114399693 A CN 114399693A CN 202111650197 A CN202111650197 A CN 202111650197A CN 114399693 A CN114399693 A CN 114399693A
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- bearing saddle
- bearing
- enhanced 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 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000004519 grease Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- OVMJVEMNBCGDGM-UHFFFAOYSA-N iron silver Chemical compound [Fe].[Ag] OVMJVEMNBCGDGM-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 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
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种承载鞍寿命预算方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取所述承载鞍的图像数据;基于所述图像数据,根据GAN模型得到增强图像数据;对所述增强图像数据文本检测处理,得到承载鞍生产年限数据,并基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。采用本方法能够有效提高承载鞍寿命预算结果的准确率。
Description
技术领域
本申请涉及铁道车辆检修技术领域,特别是涉及一种承载鞍寿命预算方法及装置。
背景技术
承载鞍是铁路车辆中导框与轮对轴承之间的传力部件,其中承载鞍的寿命将直接影响到铁路车辆轴颈轴承的服役效果。目前,对车轮振动力大、踏面有擦伤、堆铁、缺损、剥离现象的轴承;接近到期或过期的车辆轴承;温度明显高出、外观有大量溢出油脂的轴承;起轴验证时转动沉重、手感卡滞并拌有哗啦声响或拌有周期性咔嗒声响时;转动困难、缺乏灵活、滚子有滑动感觉时;前后密封罩、车轮辐板和车底板处有星点甩油痕迹、油脂成银灰色或发白、手捻油脂有银亮铁粉时……,前述对承载鞍的生产时间、磨耗程度等判断目前都是依靠大量有判断经验的人员进行分析判断。
而人工通过声响及经验进行判断,不易上手,存在出错率高、耗时长的问题,且由人工进行数据记录整合,无法实现系统化管理。
发明内容
基于此,有必要针对上述技术问题,提供一种承载鞍寿命预算方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种承载鞍寿命预算方法。所述方法包括:
获取所述承载鞍的图像数据;
基于所述图像数据,根据GAN模型得到增强图像数据;
对所述增强图像数据文本检测处理,得到承载鞍生产年限数据,并基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。
在其中一个实施例中,所述基于所述图像数据,根据GAN模型得到增强图像数据的步骤包括:
采用所述GAN模型处理所述图像数据,得到图像训练集;
基于所述图像训练集,得到所述增强图像数据。
在其中一个实施例中,所述对所述增强图像数据文本检测处理,得到承载鞍生产年限数据的步骤包括:
采用EAST模型识别所述增强图像数据,得到所述承载鞍生产年限数据。
在其中一个实施例中,所述采用EAST模型识别所述增强图像数据,得到所述承载鞍生产年限数据的步骤中:
采用FCN模型对所述增强图像数据进行预测处理,得到图像预测数据。
在其中一个实施例中,还包括:
对所述图像预测数据进行非极大值抑制处理,得到所述承载鞍生产年限数据。
在其中一个实施例中,所述基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果的步骤包括:
获取当前年限数据,将所述当前年限数据与所述承载鞍生产年限数据作差,得到所述承载鞍寿命预算结果。
第二方面,本申请还提供了一种承载鞍寿命预算装置。所述装置包括:
数据获取模块,用于获取所述承载鞍的图像数据;
数据增强模块,用于基于所述图像数据,根据GAN模型得到增强图像数据;
年限识别模块,用于对所述增强图像数据文本检测处理,得到承载鞍生产年限数据;
寿命预算模块,用于基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。
第三方面,本申请还提供了一种计算机设备。所述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,所述处理器执行所述计算机程序时实现以下步骤:
获取所述承载鞍的图像数据;
基于所述图像数据,根据GAN模型得到增强图像数据;
对所述增强图像数据文本检测处理,得到承载鞍生产年限数据,并基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取所述承载鞍的图像数据;
基于所述图像数据,根据GAN模型得到增强图像数据;
对所述增强图像数据文本检测处理,得到承载鞍生产年限数据,并基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取所述承载鞍的图像数据;
基于所述图像数据,根据GAN模型得到增强图像数据;
对所述增强图像数据文本检测处理,得到承载鞍生产年限数据,并基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。
上述承载鞍寿命预算方法、装置、计算机设备、存储介质和计算机程序产品,通过利用GAN模型对获取的承载鞍的图像数据处理得到增强图像数据,进而对增强图像数据进行文本检测处理得到承载鞍生产年限数据,从而基于得到的承载鞍生产年限数据输出承载鞍寿命预算结果,相较于人工凭经验判断,本申请能够快速对承载鞍寿命进行预算,且能够有效提高承载鞍寿命预算结果的准确率。
附图说明
图1为一个实施例中承载鞍寿命预算方法的流程示意图;
图2为一个实施例中GAN模型的处理流程示意图;
图3为一个实施例中EAST模型的处理流程示意图;
图4为一个实施例中承载鞍的数字序列检测框为水平矩形的示意图;
图5为一个实施例中承载鞍的数字序列检测框为旋转矩形的示意图;
图6为一个实施例中承载鞍寿命预算装置的结构示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
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。
在一个实施例中,如图1所示,提供了一种承载鞍寿命预算方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法可以包括以下步骤:
步骤S110,获取承载鞍的图像数据;
其中,在一些示例中,可以通过相机、光源、视觉控制系统等边缘服务器对承载鞍工件进行图像数据的采集获取。
步骤S120,基于图像数据,根据GAN模型得到增强图像数据;
其中,由于现场可提供的图片数量不足,即获取的图像数据有限,因此采用机器视觉的学习方式对其进行训练,具体可以通过GAN(Generative Adversarial Network,GAN)模型进行训练;
在一些示例中,GAN模型可以同时训练两个模型:生成模型和判别模型,其中生成模型的目标是学习数据的分布,判别模型的目标是区别真实数据和生成模型生成的数据;以生成承载鞍的图片为例,如图2所示,生成网络的目标是生成尽量真实的承载鞍图片去欺骗判别网络,而判别网络的目标就是尽量把生成网络生成的承载鞍图片和真实的承载鞍图片分别出,因此,生成网络和判别网络构成了一个动态的“博弈过程”,通过迭代使双方能力都不断提高,可见,GAN模型可以用于生成数据、数据增强、生成特定数据以及使用判断模型;根据GAN模型具备的数据增强用途,可以通过输入集网络噪声限制,进一步通过GAN模型生成大量非真实字符集,从而对承载鞍的图像数据进行图像增强,凸显图像数据中标识符特征,得到增强图像数据。
在其中一个实施例中,基于图像数据,根据GAN模型得到增强图像数据的步骤包括:
采用GAN模型处理图像数据,得到图像训练集;
基于图像训练集,得到增强图像数据。
具体来说,GAN模型可以用于扩展现有的承载鞍的图像数据,使用GAN模型训练好的生成网络,可以在数据不足时用于补充数据,进一步地,采用GAN模型中训练好的生成网络,生成承载鞍的图像训练集,并通过迁移学习充分利用先验知识,可以在仅使用少量承载鞍的图像训练数据的情况下,基于该图像训练集,得到增强图像数据。
步骤S130,对增强图像数据文本检测处理,得到承载鞍生产年限数据;
具体来说,对增强图像数据的文本检测处理,可以通过深度学习算法快速准确的提取承载鞍的增强图像数据中特定字符的特征,在一些示例中,基于小样本的深度学习OCR(Optical Character Recognition,OCR)模型可以在仅有少量字符样本的情况下,对特定字符的特征进行快速且准确的提取;进一步地,通过对增强图像数据中特定的数字序列的文本检测及提取,得到承载鞍生产年限数据。
在其中一个实施例中,对增强图像数据文本检测处理,得到承载鞍生产年限数据的步骤包括:
采用EAST模型识别增强图像数据,得到承载鞍生产年限数据。
具体地,在一些示例中,具体到算法本身,可以通过采用数字检测EAST(Efficientand Accuracy Scene Text,EAST)模型进行增强图像数据中数字序列的检测与识别,得到承载鞍生产年限数据。
在其中一个实施例中,采用EAST模型识别增强图像数据,得到承载鞍生产年限数据的步骤中:
采用FCN模型对增强图像数据进行预测处理,得到图像预测数据。
其中,EAST模型处理的一个阶段是将承载鞍的增强图像数据送到FCN(FullyConvolutional Network,FCN)模型网络结构中,进行数字序列预测处理,在一些示例中,FCN模型网络结构中可以生成单通道像素级的文本分数特征图和多通道几何图形特征图,其中文本区域可以采用两种几何形状:旋转框和水平框,FCN模型中还为每个几何形状设计了不同的损失函数,然后,将阈值应用于每个预测区域,其中评分超过预定阈值的几何形状被认为是有效的,并且保存以用于EAST模型处理的下一阶段;
在一些示例中,当承载鞍转向架年限字符部分存在倾斜状态,即数字序列检测框为旋转的矩形框时,可以根据该数字序列检测框计算其水平夹角,随后采用仿射变换将检测框的最长边保持水平,最后将变换后的图片输入到识别网络中,进而进行数字序列检测框中的字符预测处理;
可见,无论增强图像数据中的数字序列检测框是何种形状,FCN模型均可以对数字序列检测框中的字符精准定位,并进行预测处理得到图像预测数据。
在其中一个实施例中,还包括:
对图像预测数据进行非极大值抑制处理,得到承载鞍生产年限数据。
其中,EAST模型处理的另一个阶段是将得到的图像预测数据经过非极大值抑制以产生最终结果,得到承载鞍生产年限数据;
在一些示例中,EAST模型处理的具体过程如图3所示,承载鞍的增强图像数据首先通过FCN模型中的分类模块进行数字特征提取,其中数字特征提取包括输入数字特征和精确特征,且定位模块可以使输入的数字特征快速精确特征;提取的数字特征通过分类器进入到非极大值抑制处理,以产生最终结果。
步骤S140,基于承载鞍生产年限数据,输出承载鞍寿命预算结果。
具体来说,根据上述处理过程得到的承载鞍生产年限数据,可以依据检测系统当前时间,进行承载鞍的寿命剩余计算,从而输出承载鞍寿命预算结果。
在其中一个实施例中,基于承载鞍生产年限数据,输出承载鞍寿命预算结果的步骤包括:
获取当前年限数据,将当前年限数据与承载鞍生产年限数据作差,得到承载鞍寿命预算结果。
具体来说,获取到当前年限数据,进一步地,将获取的当前年限时间与承载鞍生产年限时间相减,即可得到相应承载鞍的寿命预算结果;
在一个具体地示例中,通过对增强图像数据进行文本检测处理而得到的承载鞍生产年限图片,如图4、图5所示,其中图4所示的承载鞍生产年限的数字序列检测框为水平矩形,图5所示的数字序列检测框为旋转矩形,可见,两种不同形状的数字序列检测框中的生产年限数字字符均清晰准确,其中,图4中承载鞍的生产年限时间为2007年1月、图5中承载鞍的生产年限时间为2007年8月,进一步地,若当前年限时间为2021年8月,则得到图4中承载鞍的寿命预算结果为14年7个月,图5中承载鞍的寿命预算结果为14年0个月。
以上承载鞍寿命预算方法,通过利用GAN模型对获取的承载鞍的图像数据处理得到增强图像数据,进而对增强图像数据进行文本检测处理得到承载鞍生产年限数据,从而基于得到的承载鞍生产年限数据输出承载鞍寿命预算结果,比人工凭经验判断更加准确有效,实现了承载鞍寿命预算结果准确率的有效提高。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的承载鞍寿命预算方法的承载鞍寿命预算装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个承载鞍寿命预算装置实施例中的具体限定可以参见上文中对于承载鞍寿命预算方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种承载鞍寿命预算装置,包括:数据获取模块610、数据增强模块620、年限识别模块630和寿命预算模块640,其中:
数据获取模块610,用于获取承载鞍的图像数据;
数据增强模块620,用于基于图像数据,根据GAN模型得到增强图像数据;
年限识别模块630,用于对增强图像数据文本检测处理,得到承载鞍生产年限数据;
寿命预算模块640,用于基于承载鞍生产年限数据,输出承载鞍寿命预算结果。
在其中一个实施例中,数据增强模块620还用于:
采用GAN模型处理图像数据,得到图像训练集;
基于图像训练集,得到增强图像数据。
在其中一个实施例中,年限识别模块630还用于:
采用EAST模型识别增强图像数据,得到承载鞍生产年限数据。
在其中一个实施例中,年限识别模块630还用于:
采用FCN模型对增强图像数据进行预测处理,得到图像预测数据。
在其中一个实施例中,年限识别模块630还用于:
对图像预测数据进行非极大值抑制处理,得到承载鞍生产年限数据。
在其中一个实施例中,寿命预算模块640还用于:
获取当前年限数据,将当前年限数据与承载鞍生产年限数据作差,得到承载鞍寿命预算结果。
上述承载鞍寿命预算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。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、移动蜂窝网络、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承载鞍寿命预算方法。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。
在一个实施例中,还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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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、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-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种承载鞍寿命预算方法,其特征在于,所述方法包括:
获取所述承载鞍的图像数据;
基于所述图像数据,根据GAN模型得到增强图像数据;
对所述增强图像数据文本检测处理,得到承载鞍生产年限数据,并基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述图像数据,根据GAN模型得到增强图像数据的步骤包括:
采用所述GAN模型处理所述图像数据,得到图像训练集;
基于所述图像训练集,得到所述增强图像数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述增强图像数据文本检测处理,得到承载鞍生产年限数据的步骤包括:
采用EAST模型识别所述增强图像数据,得到所述承载鞍生产年限数据。
4.根据权利要求3所述的方法,其特征在于,所述采用EAST模型识别所述增强图像数据,得到所述承载鞍生产年限数据的步骤中:
采用FCN模型对所述增强图像数据进行预测处理,得到图像预测数据。
5.根据权利要求4所述的方法,其特征在于,还包括:
对所述图像预测数据进行非极大值抑制处理,得到所述承载鞍生产年限数据。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果的步骤包括:
获取当前年限数据,将所述当前年限数据与所述承载鞍生产年限数据作差,得到所述承载鞍寿命预算结果。
7.一种承载鞍寿命预算装置,其特征在于,所述装置包括:
数据获取模块,用于获取所述承载鞍的图像数据;
数据增强模块,用于基于所述图像数据,根据GAN模型得到增强图像数据;
年限识别模块,用于对所述增强图像数据文本检测处理,得到承载鞍生产年限数据;
寿命预算模块,用于基于所述承载鞍生产年限数据,输出承载鞍寿命预算结果。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650197.XA CN114399693A (zh) | 2021-12-29 | 2021-12-29 | 承载鞍寿命预算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650197.XA CN114399693A (zh) | 2021-12-29 | 2021-12-29 | 承载鞍寿命预算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399693A true CN114399693A (zh) | 2022-04-26 |
Family
ID=81229506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111650197.XA Pending CN114399693A (zh) | 2021-12-29 | 2021-12-29 | 承载鞍寿命预算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399693A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065992A1 (en) * | 2018-08-23 | 2020-02-27 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing image and method and apparatus for training recognition model based on data augmentation |
CN111738262A (zh) * | 2020-08-21 | 2020-10-02 | 北京易真学思教育科技有限公司 | 目标检测模型训练、检测方法、装置、设备及存储介质 |
CN111860496A (zh) * | 2020-06-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 车牌识别方法、装置、设备及计算机可读存储介质 |
CN112348747A (zh) * | 2019-08-08 | 2021-02-09 | 苏州科达科技股份有限公司 | 图像增强方法、装置及存储介质 |
CN112966685A (zh) * | 2021-03-23 | 2021-06-15 | 平安国际智慧城市科技股份有限公司 | 用于场景文本识别的攻击网络训练方法、装置及相关设备 |
CN113807343A (zh) * | 2021-09-22 | 2021-12-17 | 平安科技(深圳)有限公司 | 文字识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-12-29 CN CN202111650197.XA patent/CN114399693A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065992A1 (en) * | 2018-08-23 | 2020-02-27 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing image and method and apparatus for training recognition model based on data augmentation |
CN112348747A (zh) * | 2019-08-08 | 2021-02-09 | 苏州科达科技股份有限公司 | 图像增强方法、装置及存储介质 |
CN111860496A (zh) * | 2020-06-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 车牌识别方法、装置、设备及计算机可读存储介质 |
CN111738262A (zh) * | 2020-08-21 | 2020-10-02 | 北京易真学思教育科技有限公司 | 目标检测模型训练、检测方法、装置、设备及存储介质 |
CN112966685A (zh) * | 2021-03-23 | 2021-06-15 | 平安国际智慧城市科技股份有限公司 | 用于场景文本识别的攻击网络训练方法、装置及相关设备 |
CN113807343A (zh) * | 2021-09-22 | 2021-12-17 | 平安科技(深圳)有限公司 | 文字识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7110414B2 (ja) | 画像に基づく車両損傷判定方法、装置および電子デバイス | |
US11188783B2 (en) | Reverse neural network for object re-identification | |
Guo et al. | An efficient fusion-based defogging | |
CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
US20170293894A1 (en) | Automatic assessment of damage and repair costs in vehicles | |
Hadjidemetriou et al. | Vision-and entropy-based detection of distressed areas for integrated pavement condition assessment | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 | |
CN111274937B (zh) | 摔倒检测方法、装置、电子设备及计算机可读存储介质 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN112651342A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112085721A (zh) | 基于人工智能的水淹车定损方法、装置、设备及存储介质 | |
Hardini et al. | Image-based Air Quality Prediction using Convolutional Neural Networks and Machine Learning | |
Xue et al. | Nighttime pedestrian and vehicle detection based on a fast saliency and multifeature fusion algorithm for infrared images | |
CN114399693A (zh) | 承载鞍寿命预算方法及装置 | |
CN116843983A (zh) | 路面病害识别方法、模型训练方法、电子设备及介质 | |
Hepburn et al. | Enforcing perceptual consistency on generative adversarial networks by using the normalised laplacian pyramid distance | |
Ali et al. | Active contour image segmentation model with de‐hazing constraints | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN114155363A (zh) | 换流站车辆识别方法、装置、计算机设备和存储介质 | |
CN111860261B (zh) | 一种客流值的统计方法、装置、设备及介质 | |
CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 |
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 |