CN115131670A - 一种水稻图片智能审核方法、系统、装置及设备 - Google Patents
一种水稻图片智能审核方法、系统、装置及设备 Download PDFInfo
- Publication number
- CN115131670A CN115131670A CN202211072652.7A CN202211072652A CN115131670A CN 115131670 A CN115131670 A CN 115131670A CN 202211072652 A CN202211072652 A CN 202211072652A CN 115131670 A CN115131670 A CN 115131670A
- Authority
- CN
- China
- Prior art keywords
- picture
- rice
- detection
- audit
- hash value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种水稻图片智能审核方法、装置、设备及介质,涉及图像处理技术领域。该水稻图片智能审核方法通过设置三次审核检测步骤,利用人工智能识别模型,结合地域信息、哈希值信息和水稻作物的生长周期特点对输入的图片进行智能审核,提高了水稻作物图片审核的效率和准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种水稻图片智能审核方法、系统、装置、及设备。
背景技术
随着计算机技术的发展,应用计算机技术实现农业智能化已经成为农业发展的新趋势。比如,在农业生产中利用图像处理技术来提高智能化水平。在水稻的种植过程中,农户可以在管理系统中记录每一次农事操作的细节,然后拍下并上传当时的稻田场景,这样农户可以随时随地查看田块的农事操作历史,然而如何甄别农户所拍图片的有效性或者获取相关的图片信息仍然是目前需要解决的技术问题。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此,本申请实施例的一个目的在于提供一种水稻图片智能审核方法。
为了达到上述技术目的,本申请实施例所采取的技术方案包括:
一方面,本申请实施例提供了一种水稻图片智能审核方法,包括:
接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置;所述用户信息包括用户所属区域;
根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;
根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;
根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
第二方面,本申请实施例提供了一种水稻图片智能审核系统,包括:
待审核图片获取模块,位于移动终端,用于接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置,所述用户信息包括用户所属区域;还用于计算所述第一图片的第一哈希值;
图片元信息检测模块,位于服务器,用于接收所述第一图片、所述用户信息和所述第一哈希值;用于根据所述第一图片、所述用户信息、所述第一哈希值,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
第二审核检测模块,部署于移动终端,用于当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
第三审核检测模块,部署于移动终端,用于当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
所述图片元信息检测模块,还用于当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
第三方面,本申请实施例提供了一种水稻图片智能审核装置,包括:
待审核图片获取模块,用于接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置,所述用户信息包括用户所属区域;
第一审核检测模块,位于服务器,用于接收所述第一图片和所述用户信息;用于根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
第二审核检测模块,用于当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
第三审核检测模块,用于当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
储存模块,用于当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
第四方面,本申请实施例提供了一种计算机设备,所述计算机设备包括:
处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现如前所述的水稻图片智能审核方法。
第五方面,本申请实施例提供了一种计算机可读存储介质,所述所述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,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行,以实现如前所述的水稻图片智能审核方法。
本申请的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本申请实施例所公开的一种水稻图片智能审核方法,接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置;所述用户信息包括用户所属区域;
根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;
根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;
根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
本申请通过设置三次审核检测步骤,利用人工智能识别模型,结合地域信息、哈希值信息和水稻作物的生长周期特点对输入的图片进行智能审核,提高了水稻作物图片审核的效率和准确性。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本申请实施例中提供的一种水稻图片智能审核方法的流程图;
图2为本申请实施例中提供的一种水稻图片智能审核系统的结构示意图;
图3为本申请实施例中提供的一种水稻图片智能审核装置的结构示意图。
具体实施方式
下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
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。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
随着计算机技术的发展,应用计算机技术实现农业智能化已经成为农业发展的新趋势。比如,在农业生产中利用图像处理技术来提高智能化水平。在水稻的种植过程中,农户可以在管理系统中记录每一次农事操作的细节,然后拍下并上传当时的稻田场景,这样农户可以随时随地查看田块的农事操作历史,然而如何甄别农户所拍图片的有效性或者获取相关的图片信息仍然是目前需要解决的技术问题。
因此,本申请实施例针对上述问题提供的技术方案至少能够部分地解决上述问题地至少之一。
需要说明的是,以上的应用场景仅为示例,并不作为对本申请实施例的限制。本申请中多个的含义为超过1个,即2个、3个,以及3个以上。
如图1所示,本申请实施例提供的水稻图片智能审核方法,包括:
步骤S100:接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置;所述用户信息包括用户所属区域;
步骤S200,根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
步骤S300,当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;
根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
步骤S400,当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;
根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
步骤S500,当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
本实施例通过设置三次审核检测步骤,利用人工智能识别模型,结合地域信息、哈希值信息和水稻作物的生长周期特点对输入的图片进行智能审核,提高了水稻作物图片审核的效率和准确性。
在一些实施例中,所述根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,包括:
根据所述图片地理位置信息确定图片所属区域,判断所述图片所属区域与所述用户所属区域是否相符;
当所述图片所属区域与所述用户所属区域不相符,则图片审核失败,发出区域审核失败通知信息;
当所述图片所属区域与所述用户所属区域相符,则计算所述第一图片的第一哈希值;
比较所述第一哈希值与图片数据库中的各图片哈希值,当所述第一哈希值与所述图片数据库中的任意图片哈希值相同,则发送图片重复信息,表示已经存储有该图片;当所述第一哈希值与所述图片数据库中的所有图片哈希值均不相同,则确定所述第一图片通过第一审核检测。
本实施例中,第一审核检测包括区域审核检测和重复审核检测。农户等操作人员可以使用移动终端内安装的APP应用来执行拍照上传或照片上传功能。图片所属区域可以是所拍摄图片所在行政区县,用户所属区域也可以是用户所在行政区县。移动终端在图片拍摄时自动携带图片地理位置信息,将该地理位置信息传递给服务器,服务器根据该地理位置信息可以判断其所属行政区县。如果图片所属区县和用户所属区县不相同,则说明该图片不是该用户的,图片审核失败。如果图片所属区县和用户所属区县相同,则进入下一步重复审核。区域审核失败,可发送失败通知信息给到移动终端。
重复审核步骤中,计算所述第一图片的第一哈希值;比较所述第一哈希值与图片数据库中的各图片哈希值,当所述第一哈希值与所述图片数据库中的任意图片哈希值相同,则发送图片重复信息,表示已经存储有该图片;当所述第一哈希值与所述图片数据库中的所有图片哈希值均不相同,则确定所述第一图片通过重复审核检测,即通过第一审核检测。计算所述第一图片的第一哈希值可以在服务器中进行,也可以在移动终端中进行,比如,在移动终端发送第一图片时,就将该第一图片的哈希值发送给服务器;或者,在区域审核通过后,服务器向移动终端发出获取第一哈希值的请求,移动终端根据该请求计算第一图片的第一哈希值发送至服务器。
在一些实施例中,预先获取并保存目标范围内所有区域的地理轮廓数据,所述根据所述图片地理位置信息确定图片所属区域,包括:
根据所述图片地理位置信息和所述地理轮廓数据确定所述图片所属区域。
该实施例中,由服务器获取并保存目标范围内,比如全国范围内、或者某个省的范围内的地理轮廓数据,并根据图片地理位置信息和地理轮廓数据确定所述图片所在区县。
在一些实施例中,所述将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型,包括:
将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果,所述类型识别结果包括识别为水稻的第一概率和识别为非水稻的第二概率;
当所述第一概率超过第一概率阈值,则确定所述第一图片通过第二审核检测,并确定所述作物类型为水稻;
当所述第一概率低于第二概率阈值,则确定所述第一图片未通过第二审核检测,并确定所述作物类型为非水稻;
当所述第一概率位于第一概率阈值和第二概率阈值之间,则将所述第一图片发送至人工审核界面,根据所述人工审核界面的输入确定是否通过第二审核检测,以及确定作物类型。
该实施例中,在移动终端部署训练后的水稻作物类型识别模型。移动终端APP读取第一图片,输入至水稻作物类型识别模型得到类型识别结果,该识别结果包括第一图片是水稻的第一概率,和第一图片不是水稻的第二概率。根据第一概率来进行第二审核。比如,如果输出水稻类型的得分超过90%,则进入下一步的审核,如果得分低于10%,则审核不通过,介于10%-90%之间时转人工审核。操作人员可在APP中执行人工审核交互,通过人工甄别,在APP中确认是否是水稻,如果确定是水稻,则也通过了该第二审核。
在一些实施例中,所述第一图片还携带有日期信息,
所述将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期,包括:
将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果,所述周期识别结果包括返青期、抽穗期、拔节孕穗期、分蘖期和成熟期,以及不同生长周期的概率;所述返青期、抽穗期、拔节孕穗期、分蘖期和成熟期为水稻作物依次经历的生长周期;
当任一生长周期的概率超过第三概率阈值,将概率超过第三概率阈值的生长周期确定为第一预测生长周期;
根据所述用户所属区域和所述日期信息确定第二预测生长周期;
当第一预测生长周期与第二预测生长周期不相同且不相邻,则确定第一图片未通过第三审核检测;
当第一预测生长周期与第二预测生长周期相同或者相邻,则确定第一图片通过第三审核检测,确定水稻生长周期为第一预测生长周期;
当所有生长周期的概率均低于第四概率阈值,则确定第一图片未通过第三审核检测;
当周期识别结果为其他情况,则将所述第一图片发送至人工审核界面,根据所述人工审核界面的输入确定是否通过第三审核检测,以及确定水稻生长周期。
该实施例中,训练好的水稻生长周期识别模型部署于移动终端。示例性地,模型输入通过上一步审核的图片,输出水稻各生长周期的得分;水稻生长周期有5个类型,分别是返青期、抽穗期、拔节孕穗期、分蘖期和成熟期;如果输出中存在得分超过90%的生长周期类别,则所述图片被识别为该生长周期,获取用户所属区县当前的水稻实际生长周期,如果图片识别的生长周期与区县实际生长周期相差不超过一个生长周期阶段时审核通过,否则审核失败;如果各个生长周期的得分均不超过25%则审核失败,其余情况转人工审核。人工审核过程与前述方案类似,操作人员可在APP中执行人工审核交互,通过人工甄别,在APP中确认水稻的生长周期,如果该生长周期与第二预测生长周期相同或者相邻,则确定第一图片通过第三审核检测,否则就确定为未通过第三审核检测。该实施例用于识别待审核的图片是否为真实有效的水稻农事图片,拍照时间是否符合当地的水稻生长进度,避免用户任意上传无意义的图片。
在一些实施例中,所述根据所述用户所属区域和所述日期信息确定第二预测生长周期,包括:
根据所述用户所属区域,确定水稻的造别;
根据所属造别确定水稻造别的开始日期;
根据所述开始日期和所述日期信息确定所述第二预测生长周期。
在该实施例中,首先,根据用户所属区域,确定水稻的造别。水稻的造别包括早造、中造和晚造。即俗称的早稻、中稻和晚稻。不同造别的水稻的总生长周期的起始时间和结束时间不相同,每个生长周期的起始时间和结束时间也会存在差异。每个区域的造别是固定的,也就是说水稻造别的开始时间是固定的,因此可以以此来计算出某个时间点水稻所处的生长周期。比如,利用第一图片的日期信息确定该日期信息位于该水稻造别的哪个生长周期的起始时间和结束时间之间,就可以确定该生长周期为第二预测生长周期。
在一些实施例中,获取多个第二图片,将所述第二图片发送至人工审核界面,根据所述人工审核界面的输入确定所述第二图片的作物类型;
将所述作物类型为水稻的图片标记为第三图片,根据所述人工审核界面的输入确定所述第三图片的生长周期;
将所述第二图片和所述第二图片的作物类型作为训练集用于训练所述水稻作物类型识别模型;
将所述第三图片和所述第三图片的生长周期作为训练集用于训练所述水稻生长周期识别模型。
该实施例中,搭建水稻作物类型识别模型和水稻生长周期识别模型,输入训练集来训练上述2个模型。示例性地,收集训练图片的过程如下:在初期水稻农事图片的审核由人工完成,需要分类出非水稻作物的图片以及水稻作物图片,对于水稻作物图片按照生长周期再次分类,这样同时收集两个模型所需的训练图片训练水稻作物类型识别模型以及水稻生长周期识别模型,识别模型各层权重的初始数值使用ImageNet数据集上训练好的的权重,将上述收集的图片按照0.6:0.4:0.4的比例划为训练集、验证集和测试集,损失函数使用交叉熵误差函数,优化器使用Adam,初始学习率为1e-3,最多训练100 Epoch,如果连续两个Epoch损失之间的下降的差值少于1e-6时可以提前停止训练。
为了减少自动审核流程的延迟以及硬件成本,这两种模型必须满足轻量级和低延时的要求,并且精度不会因为模型结构的简单化而损失太多,可使用Google提出的小巧且高效专为移动端或嵌入式设备应用的网络结构MobileNetV3,MobileNetV3包含两种网络结构设计MobileNetV3-Large和MobileNetV3-Small,为了进一步简化网络结构,使用MobileNetV3-Small搭建水稻作物类型识别模型以及水稻生长周期的识别模型。
原有的MobileNetV3-Small模型是针对ImageNet分类任务的,其分类数量为1000,原有模型输出的是1000个不同类别的置信度,对于水稻作物类型的识别,仅需要与水稻作物以及非水稻作物这两个分类,故搭建水稻作物类型识别模型时,在原有的MobileNetV3-Small基础上,输出部分由1000改为2,对于水稻生长周期的识别模型,输出部分由1000改为5。
在一些实施例中,所述水稻作物类型识别模型以及所述水稻生长周期识别模型部署到移动终端。
该实施例中,在服务器端完成训练,训练后的模型部署于移动端,节省服务器的计算支出。
在一些实施例中,对于审核通过的图片,将该图片的MD5值上传给服务器。
在图1所示实施例中,任何审核不通过时,均可以返回相关通知信息至移动终端,通知信息可以包括审核不通过的结果,还可以包括审核不通过的原因。图1所示实施例使用基于深度学习的自动审核方法可以快速有效地筛选出重复的、无意义的图像,提高了审核效率,减少了大量的人工审核。
如图2所示,本申请实施例提供的一种水稻图片智能审核系统,包括:
待审核图片获取模块,位于移动终端,用于接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置,所述用户信息包括用户所属区域;还用于计算所述第一图片的第一哈希值;
图片元信息检测模块,位于服务器,用于接收所述第一图片、所述用户信息和所述第一哈希值;用于根据所述第一图片、所述用户信息、所述第一哈希值,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
第二审核检测模块,部署于移动终端,用于当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
第三审核检测模块,部署于移动终端,用于当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
所述图片元信息检测模块,还用于当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
可以理解的是,如图1所示的水稻图片智能审核方法实施例中的内容均适用于本实施例中,本实施例所具体实现的功能与如图1所示的水稻图片智能审核方法实施例相同,并且达到的有益效果与如图1所示的水稻图片智能审核方法实施例所达到的有益效果也相同。
如图3所示,本申请实施例提供的一种水稻图片智能审核装置,包括:
待审核图片获取模块,用于接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置,所述用户信息包括用户所属区域;
第一审核检测模块,位于服务器,用于接收所述第一图片和所述用户信息;用于根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
第二审核检测模块,用于当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
第三审核检测模块,用于当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
储存模块,用于当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
可以理解的是,如图1所示的水稻图片智能审核方法实施例中的内容均适用于本实施例中,本实施例所具体实现的功能与如图1所示的水稻图片智能审核方法实施例相同,并且达到的有益效果与如图1所示的水稻图片智能审核方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机设备,所述计算机设备包括:
处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现前述的水稻图片智能审核方法。
可以理解的是,如图1所示的水稻图片智能审核方法实施例中的内容均适用于本实施例中,本实施例所具体实现的功能与如图1所示的水稻图片智能审核方法实施例相同,并且达到的有益效果与如图1所示的水稻图片智能审核方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机可读存储介质,所述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,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行,以实现如前所述的水稻图片智能审核方法。
可以理解的是,如图1所示的水稻图片智能审核方法实施例中的内容均适用于本实施例中,本实施例所具体实现的功能与如图1所示的水稻图片智能审核方法实施例相同,并且达到的有益效果与如图1所示的水稻图片智能审核方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能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,本申请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部分可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终端设备(可以是个人计算机,游戏服务器,或者网络设备等)执行本申请各个实施例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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于实施例,熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
在本说明书的描述中,参考术语“一个实施方式”、“另一实施方式”或“某些实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种水稻图片智能审核方法,其特征在于,包括:
接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置;所述用户信息包括用户所属区域;
根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;
根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;
根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
2.根据权利要求1所述的水稻图片智能审核方法,其特征在于,
所述根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,包括:
根据所述图片地理位置信息确定图片所属区域,判断所述图片所属区域与所述用户所属区域是否相符;
当所述图片所属区域与所述用户所属区域不相符,则图片审核失败,发出区域审核失败通知信息;
当所述图片所属区域与所述用户所属区域相符,则计算所述第一图片的第一哈希值;
比较所述第一哈希值与图片数据库中的各图片哈希值,当所述第一哈希值与所述图片数据库中的任意图片哈希值相同,则发送图片重复信息;当所述第一哈希值与所述图片数据库中的所有图片哈希值均不相同,则确定所述第一图片通过第一审核检测。
3.根据权利要求2所述的水稻图片智能审核方法,其特征在于,
预先获取并保存目标范围内所有区域的地理轮廓数据,所述根据所述图片地理位置信息确定图片所属区域,包括:
根据所述图片地理位置信息和所述地理轮廓数据确定所述图片所属区域。
4.根据权利要求1所述的水稻图片智能审核方法,其特征在于,
所述将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型,包括:
将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果,所述类型识别结果包括识别为水稻的第一概率;
当所述第一概率超过第一概率阈值,则确定所述第一图片通过第二审核检测,并确定所述作物类型为水稻;
当所述第一概率低于第二概率阈值,则确定所述第一图片未通过第二审核检测,并确定所述作物类型为非水稻;
当所述第一概率位于第一概率阈值和第二概率阈值之间,则将所述第一图片发送至人工审核界面,根据所述人工审核界面的输入确定是否通过第二审核检测,以及确定作物类型。
5.根据权利要求1所述的水稻图片智能审核方法,其特征在于:
所述第一图片还携带有日期信息,
所述将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期,包括:
将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果,所述周期识别结果包括返青期、抽穗期、拔节孕穗期、分蘖期和成熟期,以及不同生长周期的概率;所述返青期、抽穗期、拔节孕穗期、分蘖期和成熟期为水稻作物依次经历的生长周期;
当任一生长周期的概率超过第三概率阈值,将概率超过第三概率阈值的生长周期确定为第一预测生长周期;
根据所述用户所属区域和所述日期信息确定第二预测生长周期;
当第一预测生长周期与第二预测生长周期不相同且不相邻,则确定第一图片未通过第三审核检测;
当第一预测生长周期与第二预测生长周期相同或者相邻,则确定第一图片通过第三审核检测,确定水稻生长周期为第一预测生长周期;
当所有生长周期的概率均低于第四概率阈值,则确定第一图片未通过第三审核检测;
当周期识别结果为其他情况,则将所述第一图片发送至人工审核界面,根据所述人工审核界面的输入确定是否通过第三审核检测,以及确定水稻生长周期。
6.根据权利要求1所述的水稻图片智能审核方法,其特征在于,
获取多个第二图片,将所述第二图片发送至人工审核界面,根据所述人工审核界面的输入确定所述第二图片的作物类型;
将所述作物类型为水稻的图片标记为第三图片,根据所述人工审核界面的输入确定所述第三图片的生长周期;
将所述第二图片和所述第二图片的作物类型作为训练集用于训练所述水稻作物类型识别模型;
将所述第三图片和所述第三图片的生长周期作为训练集用于训练所述水稻生长周期识别模型。
7.根据权利要求1-6任一项所述的水稻图片智能审核方法,其特征在于,
所述水稻作物类型识别模型以及所述水稻生长周期识别模型部署到移动终端。
8.一种水稻图片智能审核系统,其特征在于,包括:
待审核图片获取模块,位于移动终端,用于接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置,所述用户信息包括用户所属区域;还用于计算所述第一图片的第一哈希值;
图片元信息检测模块,位于服务器,用于接收所述第一图片、所述用户信息和所述第一哈希值;用于根据所述第一图片、所述用户信息、所述第一哈希值,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
第二审核检测模块,部署于移动终端,用于当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
第三审核检测模块,部署于移动终端,用于当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
所述图片元信息检测模块,还用于当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
9.一种水稻图片智能审核装置,其特征在于,包括:
待审核图片获取模块,用于接收第一图片和用户信息,所述第一图片携带图片地理位置信息,所述图片地理位置信息表示所述第一图片拍摄时的地理位置,所述用户信息包括用户所属区域;
第一审核检测模块,位于服务器,用于接收所述第一图片和所述用户信息;用于根据所述第一图片、所述用户信息,以及哈希值数据库内所存储的图片哈希值判断所述第一图片是否通过第一审核检测,所述第一审核检测包括区域检测和重复检测,所述哈希值数据库用于存储通过智能审核的第一图片的哈希值;
第二审核检测模块,用于当通过第一审核检测,将所述第一图片输入至水稻作物类型识别模型,得到类型识别结果;根据所述类型识别结果确定所述第一图片是否通过第二审核检测,以及确定作物类型;
第三审核检测模块,用于当通过第二审核检测,将所述第一图片输入至水稻生长周期识别模型,得到周期识别结果;根据所述周期识别结果确定所述第一图片是否通过第三审核检测,以及确定水稻生长周期;
储存模块,用于当通过第三审核检测,将所述第一图片存储至图片数据库,以及所述第一图片的哈希值存储至所述哈希值数据库,所述图片数据库用于存储通过智能审核的第一图片。
10.一种计算机设备,所述计算机设备包括:
处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现如权利要求1至7任一项所述的水稻图片智能审核方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211072652.7A CN115131670B (zh) | 2022-09-02 | 2022-09-02 | 一种水稻图片智能审核方法、系统、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211072652.7A CN115131670B (zh) | 2022-09-02 | 2022-09-02 | 一种水稻图片智能审核方法、系统、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131670A true CN115131670A (zh) | 2022-09-30 |
CN115131670B CN115131670B (zh) | 2022-12-20 |
Family
ID=83387537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211072652.7A Active CN115131670B (zh) | 2022-09-02 | 2022-09-02 | 一种水稻图片智能审核方法、系统、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131670B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379150A (zh) * | 2022-10-25 | 2022-11-22 | 广州艾米生态人工智能农业有限公司 | 可远程自动化生成水稻生长过程动态视频的系统和方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010287021A (ja) * | 2009-06-11 | 2010-12-24 | Dainippon Printing Co Ltd | 農作物買取システム、農作物買取方法、管理サーバ、プログラム及び記録媒体 |
US20160224703A1 (en) * | 2015-01-30 | 2016-08-04 | AgriSight, Inc. | Growth stage determination system and method |
CN109409412A (zh) * | 2018-09-28 | 2019-03-01 | 新华三大数据技术有限公司 | 图片处理方法及装置 |
CN109740483A (zh) * | 2018-12-26 | 2019-05-10 | 南宁五加五科技有限公司 | 一种基于深层神经网络的水稻生长期检测方法 |
CN110689323A (zh) * | 2019-09-30 | 2020-01-14 | 深圳市珍爱捷云信息技术有限公司 | 图片审核方法、装置、计算机设备和存储介质 |
CN111626148A (zh) * | 2020-05-09 | 2020-09-04 | 杭州学联土地规划设计咨询有限公司 | 一种无人机农田核查方法、系统、智能终端及存储介质 |
CN112579807A (zh) * | 2020-12-18 | 2021-03-30 | 杭州宣迅电子科技有限公司 | 一种基于云计算和大数据分析的智慧农业全周期种植数据云共享平台 |
US20210183045A1 (en) * | 2018-08-30 | 2021-06-17 | Ntt Data Ccs Corporation | Server of crop growth stage determination system, growth stage determination method, and storage medium storing program |
CN113780321A (zh) * | 2021-01-13 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 图片审核方法、系统、电子设备及计算机可读介质 |
CN113780316A (zh) * | 2020-06-10 | 2021-12-10 | 苏宁云计算有限公司 | 图片的重复检测方法、装置、计算机设备和存储介质 |
CN114332849A (zh) * | 2022-03-16 | 2022-04-12 | 科大天工智能装备技术(天津)有限公司 | 一种农作物生长状态联合监测方法、装置及存储介质 |
CN114491184A (zh) * | 2022-04-02 | 2022-05-13 | 飞狐信息技术(天津)有限公司 | 一种数据处理方法及装置、存储介质及电子设备 |
CN114627467A (zh) * | 2022-02-22 | 2022-06-14 | 华南农业大学 | 基于改进神经网络的水稻生育期识别方法及系统 |
-
2022
- 2022-09-02 CN CN202211072652.7A patent/CN115131670B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010287021A (ja) * | 2009-06-11 | 2010-12-24 | Dainippon Printing Co Ltd | 農作物買取システム、農作物買取方法、管理サーバ、プログラム及び記録媒体 |
US20160224703A1 (en) * | 2015-01-30 | 2016-08-04 | AgriSight, Inc. | Growth stage determination system and method |
US20210183045A1 (en) * | 2018-08-30 | 2021-06-17 | Ntt Data Ccs Corporation | Server of crop growth stage determination system, growth stage determination method, and storage medium storing program |
CN109409412A (zh) * | 2018-09-28 | 2019-03-01 | 新华三大数据技术有限公司 | 图片处理方法及装置 |
CN109740483A (zh) * | 2018-12-26 | 2019-05-10 | 南宁五加五科技有限公司 | 一种基于深层神经网络的水稻生长期检测方法 |
CN110689323A (zh) * | 2019-09-30 | 2020-01-14 | 深圳市珍爱捷云信息技术有限公司 | 图片审核方法、装置、计算机设备和存储介质 |
CN111626148A (zh) * | 2020-05-09 | 2020-09-04 | 杭州学联土地规划设计咨询有限公司 | 一种无人机农田核查方法、系统、智能终端及存储介质 |
CN113780316A (zh) * | 2020-06-10 | 2021-12-10 | 苏宁云计算有限公司 | 图片的重复检测方法、装置、计算机设备和存储介质 |
CN112579807A (zh) * | 2020-12-18 | 2021-03-30 | 杭州宣迅电子科技有限公司 | 一种基于云计算和大数据分析的智慧农业全周期种植数据云共享平台 |
CN113780321A (zh) * | 2021-01-13 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 图片审核方法、系统、电子设备及计算机可读介质 |
CN114627467A (zh) * | 2022-02-22 | 2022-06-14 | 华南农业大学 | 基于改进神经网络的水稻生育期识别方法及系统 |
CN114332849A (zh) * | 2022-03-16 | 2022-04-12 | 科大天工智能装备技术(天津)有限公司 | 一种农作物生长状态联合监测方法、装置及存储介质 |
CN114491184A (zh) * | 2022-04-02 | 2022-05-13 | 飞狐信息技术(天津)有限公司 | 一种数据处理方法及装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
张涵笑等: "基于感知哈希的水稻生长期检测", 《安徽农业科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379150A (zh) * | 2022-10-25 | 2022-11-22 | 广州艾米生态人工智能农业有限公司 | 可远程自动化生成水稻生长过程动态视频的系统和方法 |
CN115379150B (zh) * | 2022-10-25 | 2023-03-14 | 广州艾米生态人工智能农业有限公司 | 可远程自动化生成水稻生长过程动态视频的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115131670B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101967089B1 (ko) | 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가 | |
US11176418B2 (en) | Model test methods and apparatuses | |
CN111160406A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN104217216A (zh) | 生成检测模型的方法和设备、用于检测目标的方法和设备 | |
CN108805137A (zh) | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 | |
CN115131670B (zh) | 一种水稻图片智能审核方法、系统、装置及设备 | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
CN110705573A (zh) | 一种目标检测模型的自动建模方法及装置 | |
CN112215293A (zh) | 植物病虫害识别方法、装置及计算机设备 | |
CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
CN115907436A (zh) | 基于量质耦合预报的水资源水环境调控方法和系统 | |
CN112906734A (zh) | 牲畜智能选种方法、装置、计算机设备和存储介质 | |
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN111563439A (zh) | 一种水产生物病害检测方法、装置及设备 | |
CN116128879B (zh) | 一种轻量化输电线路缺陷检测方法和装置 | |
CN112004063A (zh) | 一种基于多相机联动的卸油油管连接正确性的监控方法 | |
CN113902963B (zh) | 一种隧道火灾检测能力的评估方法及装置 | |
CN116302870A (zh) | 基于进化图的机械硬盘健康评估方法、系统和存储介质 | |
CN115423809A (zh) | 图像质量评价方法、装置、可读存储介质及电子设备 | |
CN114926627A (zh) | 口腔结构定位模型训练方法、定位方法、装置和电子设备 | |
CN111914766A (zh) | 一种城市管理业务游商行为检测方法、设备及可读存储介质 | |
CN111507432A (zh) | 农险理赔智能称重方法、系统、电子设备和存储介质 | |
CN115170973B (zh) | 一种智能化稻田杂草识别方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230414 Address after: Room 619, No. 377 Tianhe Road, Tianhe District, Guangzhou City, Guangdong Province, 510000, self compiled C020 (office only) Patentee after: Guangzhou amehui Ecological Agricultural Technology Co.,Ltd. Address before: Room 101, Nongzhigu Office Building, Aimidaoxiang Town, Fengyunling Forest Park, Jiekou Street, Conghua District, Guangzhou City, Guangdong Province, 510900 Patentee before: Guangzhou Amy ecological artificial intelligence agriculture Co.,Ltd. |