CN115131686A - 一种基于主动学习和半监督学习的智能电力巡检方法 - Google Patents

一种基于主动学习和半监督学习的智能电力巡检方法 Download PDF

Info

Publication number
CN115131686A
CN115131686A CN202210680712.7A CN202210680712A CN115131686A CN 115131686 A CN115131686 A CN 115131686A CN 202210680712 A CN202210680712 A CN 202210680712A CN 115131686 A CN115131686 A CN 115131686A
Authority
CN
China
Prior art keywords
image
semi
learning
sample
inspection
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
Application number
CN202210680712.7A
Other languages
English (en)
Inventor
邹宁
李晓林
张晓菡
杨瑶莹
吴越
赵子涵
赵�怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210680712.7A priority Critical patent/CN115131686A/zh
Publication of CN115131686A publication Critical patent/CN115131686A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/17Terrestrial scenes taken from planes or by drones
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于主动学习和半监督学习的智能电力巡检方法。本发明通过无人机巡检和定点摄像头拍摄批量获得输电线路的图像数据;对得到的图像数据中的一部分进行人工标注,获得图像标签;对已标注样本进行数据增强,并将其与未标注的样本混合,再通过半监督学习对任务模型进行训练;通过主动学习的方法确定未标注样本与其数据增强后样本的非一致性,对不确定性较高的样本重新进行人工标注;通过该模型识别出电力巡检场景中的各个部件情况,以及发现电网中的异物;基于异常检测算法分析异常部件或异物进行判断及缺陷分析,并提示工作人员进行安全处理。本发明能提高电力巡检的效率和质量,减少巡检的人力物力消耗,保障电网系统安全运行。

Description

一种基于主动学习和半监督学习的智能电力巡检方法
技术领域
本发明属于电力巡检系统及图像处理技术领域,涉及一种基于主动学习和半监督学习的智能电力巡检方法。
背景技术
随着电网行业的不断发展,电力场景也日益复杂。但是,巡检工作是电力企业安全生产的一个重要环节,确保巡检工作严谨有效可以及时发现设备存在的缺陷,尽早处理可以避免很多重大的安全事故。因此,电力巡检工作是否到位对于电力企业的正常经营活动就显得尤为重要。
在人员和成本都较为有限的情况下,电力巡检面临的挑战也与日俱增。在以往的巡检中,主要采用的方式是人工巡检,需要巡检人员实地考察电网情况,并手动记录巡检结果,这不仅耗费了大量的人力、延长了巡检的时间,而且难以确定工作人员是否恪尽职守、巡检到位,对于管理人员来说存在很多技术上的困难。为了保证巡检工作的正确性和准确性,供电企业虽然实行了标准化的作业模式,但是在实际的工作中难以保证标准化的要求。大部分巡检人员可能还是按照自己的习惯进行巡视,管理人员仅凭巡检记录,难以对巡检人员的工作质量进行准确的评价,也容易产生安全事故。鉴于上述情况,电网行业亟需一种智能化识别电网安全隐患和异物的计算机算法,来提高电力巡检的工作效率、破除人工巡检不到位造成的安全隐患。
近年来,随着计算机视觉和数码摄像技术的快速发展,采用网络摄像机和无人机等设备对输电网络进行监控也逐渐得到快速地推广和应用。这些设备除了具备一般传统摄像机所有的图像捕捉功能外,机内还内置了数字化压缩控制器和基于互联网的操作系统,使得图像或视频数据经压缩加密后可以通过局域网直接传送至终端用户。但鉴于这些数据存储量巨大,人工检查需要花费较大的资金和时间,而且识别效率低下,还容易出现漏检和误检的问题,可能丧失安全隐患的最佳发现时机。而通过计算机智能识别检查,不仅可以快速有效地识别大量图像,及时有效地对工作人员做出警告,而且极大程度上减少了人力、财力的浪费,对电力巡检具有重要的意义。
发明内容
本发明的目的就是提供一种基于主动学习和半监督学习的智能电力巡检方法。从输电网络的图像数据入手,研究电网场景的图像、视频等手段对电力场景中的安全隐患和异物进行自动检测和警告的方法。本发明利用无人机和网络摄像头自动巡检采集图像和视频等影像数据,并利用计算机技术对获得的图像进行增强和复原处理,以得到清晰有效的图片数据。再利用基于主动学习和半监督学习的方法训练已有的分类模型,来对图像中的特征目标进行识别和标注,最后通过异常检测算法对图像中的异物和异常缺陷进行识别并通过物联网系统直接发送至工作人员。本发明可以有效提高电力巡检的效率和质量,减少巡检的人力物力消耗,保障电网系统安全运行。
本发明具体包括如下步骤:
步骤1、通过无人机巡检和定点摄像头拍摄批量获得输电线路的图像数据;
步骤2、对得到的图像数据中的一部分进行人工标注,获得图像标签;
步骤3、对已标注样本进行数据增强,并将其与未标注的样本混合,再通过半监督学习对任务模型进行训练;
步骤4、通过主动学习的方法确定未标注样本与其数据增强后样本的非一致性,对不确定性较高的样本重新进行人工标注;
步骤5、重复步骤3、4,不断训练模型,识别出电力巡检场景中的各个部件情况,以及发现电网中的异物;
步骤6、基于异常检测算法分析异常部件或异物进行判断及缺陷分析,并提示工作人员进行安全处理。
进一步,步骤1具体为:通过无人机巡检和定点摄像头拍摄,获取电网系统的各处图像,以数据流的方式批量导入图片处理系统;利用计算机对上述图像进行增强和复原处理,得到噪声较低的理想图片数据。
进一步,步骤2具体为:对图像中的输电网、电线杆、变压器、防震锤等特征目标进行人工标注;对图像中的异物和缺陷进行人工识别和标注。
进一步,步骤3具体为:对已标注的图像进行人为可感知和非可感知的数据增强,包括对图像进行旋转、翻转,以及对图片进行对抗处理,以增强图片噪声;读取增强后图像和未标注图像的标签向量;将未标注图像的标签向量与数据增强后图像的标签向量进行加权处理并进行融合,得到融合样本;基于融合样本和半监督训练的方法对任务模型进行训练。
进一步,步骤4具体为:使用经步骤3训练后的任务模型对所有未标注的图像及其增强后的图像进行标签预测,比对两者预测标签的非一致性;对标签的预测结果进行不确定性排序,筛选出不确定性过高的标签,重新进行人工标注。
进一步,步骤5具体为:利用经步骤4重新标注后的任务模型对电网场景中的输电网、电线杆、变压器、防震锤等特征目标进行智能标注;利用模型对电网场景中的异物、异常缺陷等特征目标进行智能标注。
进一步,步骤6具体为:采用物联网的方式,结合二维码和RFID卡以及手机app,实现设备一物一码管理;在计算机检测到异常时,直接通过算法对需要维修的设备进行派单、接收和撤销管理,通过人机协同控制技术对异常目标进行处理。
附图说明
图1为本发明实施例中一种基于主动学习和半监督学习方法的智能图像电力巡检方法流程图;
图2为本发明实施例中一种基于主动学习和半监督学习方法的识别电力场景目标特征流程图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
如图1所示,一种基于主动学习和半监督学习的智能电力巡检方法,具体包括以下步骤:
步骤1、通过无人机巡检和定点摄像头拍摄批量获得输电线路的图像数据;
具体为:通过无人机巡检和定点摄像头拍摄,获取电网系统的各处图像,以数据流的方式批量导入图片处理系统;利用计算机对上述图像进行增强和复原处理,得到噪声较低的理想图片数据。
其中,图像增强采用的方法为空间域法,主要是在空间域对图像的灰度系数进行处理,而图像直方图可以反应不同灰度的像素面积或像素个数在一帧中的比例。本发明采用直方图均衡的方式,将一幅已知灰度概率分布的图像经过变换成为具有均匀概率分布的图像,从而使之信息熵最大。以电力场景中的拍摄的图片为例,若图片对比度过小,灰度主要集中在灰度级别75-150的范围,就很容易看起来比较模糊。此时可以先将图像灰度范围归一化,即将每一灰度级中所有像素作为一个整体归并到新的量化级上去,原来灰度不同的像素经处理后可能变成相同的灰度区域,各区域之间有了明显界限,就会形成一个伪轮廓,这有利于接下来的人工标注和算法识别。
步骤2、对得到的图像数据中的一部分进行人工标注,获得图像标签;具体为:对图像中的输电网、电线杆、变压器、防震锤等特征目标进行人工标注;对图像中的异物和缺陷进行人工识别和标注。
步骤3、对已标注样本进行数据增强,并将其与未标注的样本混合,再通过半监督学习对任务模型进行训练;
具体为:对已标注的图像进行人为可感知和非可感知的数据增强,包括对图像进行旋转、翻转,以及对图片进行对抗处理,以增强图片噪声;读取增强后图像和未标注图像的标签向量;将未标注图像的标签向量与数据增强后图像的标签向量进行加权处理并进行融合,得到融合样本;基于融合样本和半监督训练的方法对任务模型进行训练。
其中,采用对抗训练的方式对图片进行噪声增强,即有目的地对样本进行噪声增强。当获得清晰的电力场景图像并生成向量后,可利用半监督标签传播器,通过平滑未标记样本的局部不一致性分布,将标签信息从标记样本传播到未标记样本,并获得主动学习的增强嵌入。本发明利用半监督标签传播器,通过平滑未标记样本的局部不一致性分布,将标签信息从标记样本传播到未标记样本,并获得主动学习的增强嵌入。具体来说,给定未标记数据集
Figure BDA0003696194960000031
Figure BDA0003696194960000032
和标记的数据集
Figure BDA0003696194960000033
首先对于每个未标记的样本
Figure BDA0003696194960000034
通过粗粒度处理,来生成K并扩充未标记样本
Figure BDA0003696194960000035
引入了像素级或嵌入级细粒度增强,在特征空间中为输入的标签添加局部扰动,以迫使模型探索连续的局部分布。在应用两种不同粒度的增强策略后,得到对于在
Figure BDA0003696194960000036
中样本的最终的增强样本
Figure BDA0003696194960000037
然后,将每个未标记的样本
Figure BDA0003696194960000038
及其增广样本
Figure BDA0003696194960000039
插入任务模型以获得预测标签
Figure BDA00036961949600000310
通过平均所有预测标签,为强化样本生成共享猜测标签:
Figure BDA00036961949600000311
其中权重wu和wk平均差异化样本对最终猜测标签的贡献率。执行加权平均操作,以确保任务模型对不同的增强样本输出一致的预测。
首先获取其粗粒度扩充集
Figure BDA00036961949600000312
通过上述操作和将
Figure BDA00036961949600000313
Figure BDA00036961949600000314
插入任务模型以获取它们的预测标签
Figure BDA00036961949600000315
Figure BDA00036961949600000316
然后将
Figure BDA00036961949600000317
Figure BDA00036961949600000318
同时输入排序以获取对抗样本的扰动
Figure BDA0003696194960000041
对应每个扩增样本
Figure BDA0003696194960000042
之后,将每个细粒度的扩充样本
Figure BDA0003696194960000043
再次插入任务模型,以获得细粒度的增强预测标签
Figure BDA0003696194960000044
此外,由于图像的输入空间是离散的,对从任务模型中间层提取的文本嵌入向量进行了细粒度增强。产生敌对情绪的过程如下:
Figure BDA0003696194960000045
其中,p(y|x,θ)表示任务模型的后验概率。在同范数摄动ε下,具有不稳定预测的未标记样本的对抗性样本很有可能改变其原始标签并获得其他类别的预测。因此,计算样本及其对抗性样本的后验概率KL的差异并进行排序,以衡量未标记样本的不一致性。
当样本融合时,增强样本的预测标签与未标注样本的预测标签存在差异,对两者的标签向量进行加权处理,提高了共用预测标签的置信度,平滑了未标注样本的分布,进一步提高了分类模型的训练效果,可以在半监督训练中执行上述操作。
步骤4、通过主动学习的方法确定未标注样本与其数据增强后样本的非一致性,对不确定性较高的样本重新进行人工标注;
具体为:使用经步骤3训练后的任务模型对所有未标注的图像及其增强后的图像进行标签预测,比对两者预测标签的非一致性;对标签的预测结果进行不确定性排序,筛选出不确定性过高的标签,重新进行人工标注。
先粗略地选择非一致性较大的预测标签,作为最终潜在样本的初始召回集。采用一种密度感知的不确定性重新排序器,对注释预测结果进行排序,确保所选样本具有较高的不确定性和非一致性。使用任务模型中预测标签的熵来估计样本的不确定性
Figure BDA0003696194960000046
Figure BDA0003696194960000047
其中,
Figure BDA0003696194960000048
是标注样本i在数据集M中出现的概率。
步骤5、重复步骤3、4,不断训练模型,识别出电力巡检场景中的各个部件情况,以及发现电网中的异物;
具体为:利用经步骤4重新标注后的任务模型对电网场景中的输电网、电线杆、变压器、防震锤等特征目标进行智能标注;利用模型对电网场景中的异物、异常缺陷等特征目标进行智能标注。
以电网场景中的防震锤为例,如图2所示,先通过无人机和定点摄像头拍摄获得大量防震锤的图片,并对其进行复原和增强处理,获得清晰度较高的图片。对其中少量图片进行人工标注,获得防震锤的图像标签。之后,对这些标注好的图片进行数据增强,即通过旋转、翻转和对抗训练等方式增加图片的粗粒度和细粒度,并将其与其它未标注的样本混合,再通过半监督训练的方式用这些混合样本训练模型。然后我们基于主动学习,确定未标注样本和其数据增强后的样本的非一致性,在排序后对少量不确定性较高的样本进行人工的重新标注,并以此继续训练模型,直至模型可以准确识别出所有的防震锤。此时,可以通过该模型识别电网场景中的防震锤,并基于异常检测算法分析防震锤的形态、结构和温度是否异常。
步骤6、基于异常检测算法分析异常部件或异物进行判断及缺陷分析,并提示工作人员进行安全处理。
具体为:采用物联网的方式,结合二维码和RFID卡以及手机app,实现设备一物一码管理;在计算机检测到异常时,直接通过算法对需要维修的设备进行派单、接收和撤销管理,通过人机协同控制技术对异常目标进行处理。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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)

1.一种基于主动学习和半监督学习的智能电力巡检方法,其特征在于:具体包括如下步骤:
步骤1、通过无人机巡检和定点摄像头拍摄批量获得输电线路的图像数据;
步骤2、对得到的图像数据中的一部分进行人工标注,获得图像标签;
步骤3、对已标注样本进行数据增强,并将其与未标注的样本混合,再通过半监督学习对任务模型进行训练;
步骤4、通过主动学习的方法确定未标注样本与其数据增强后样本的非一致性,对不确定性较高的样本重新进行人工标注;
步骤5、重复步骤3、4,不断训练模型,识别出电力巡检场景中的各个部件情况,以及发现电网中的异物;
步骤6、基于异常检测算法分析异常部件或异物进行判断及缺陷分析,并提示工作人员进行安全处理。
2.如权利要求1所述的基于主动学习和半监督学习的智能电力巡检方法,其特征在于:所述的步骤1具体为:通过无人机巡检和定点摄像头拍摄,获取电网系统的各处图像,以数据流的方式批量导入图片处理系统;利用计算机对上述图像进行增强和复原处理,得到噪声较低的理想图片数据。
3.如权利要求1所述的基于主动学习和半监督学习的智能电力巡检方法,其特征在于:所述步骤2具体为:对图像中的输电网、电线杆、变压器、防震锤等特征目标进行人工标注;对图像中的异物和缺陷进行人工识别和标注。
4.如权利要求1所述的基于主动学习和半监督学习的智能电力巡检方法,其特征在于:所述步骤3具体为:对已标注的图像进行人为可感知和非可感知的数据增强,包括对图像进行旋转、翻转,以及对图片进行对抗处理,以增强图片噪声;读取增强后图像和未标注图像的标签向量;将未标注图像的标签向量与数据增强后图像的标签向量进行加权处理并进行融合,得到融合样本;基于融合样本和半监督训练的方法对任务模型进行训练。
5.如权利要求1所述的基于主动学习和半监督学习的智能电力巡检方法,其特征在于:所述步骤4具体为:使用经步骤3训练后的任务模型对所有未标注的图像及其增强后的图像进行标签预测,比对两者预测标签的非一致性;对标签的预测结果进行不确定性排序,筛选出不确定性过高的标签,重新进行人工标注。
6.如权利要求1所述的基于主动学习和半监督学习的智能电力巡检方法,其特征在于:所述步骤5具体为:利用经步骤4重新标注后的任务模型对电网场景中的输电网、电线杆、变压器、防震锤等特征目标进行智能标注;利用模型对电网场景中的异物、异常缺陷等特征目标进行智能标注。
7.如权利要求1所述的基于主动学习和半监督学习的智能电力巡检方法,其特征在于:所述步骤6具体为:采用物联网的方式,结合二维码和RFID卡以及手机app,实现设备一物一码管理;在计算机检测到异常时,直接通过算法对需要维修的设备进行派单、接收和撤销管理,通过人机协同控制技术对异常目标进行处理。
CN202210680712.7A 2022-06-15 2022-06-15 一种基于主动学习和半监督学习的智能电力巡检方法 Pending CN115131686A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210680712.7A CN115131686A (zh) 2022-06-15 2022-06-15 一种基于主动学习和半监督学习的智能电力巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210680712.7A CN115131686A (zh) 2022-06-15 2022-06-15 一种基于主动学习和半监督学习的智能电力巡检方法

Publications (1)

Publication Number Publication Date
CN115131686A true CN115131686A (zh) 2022-09-30

Family

ID=83378156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210680712.7A Pending CN115131686A (zh) 2022-06-15 2022-06-15 一种基于主动学习和半监督学习的智能电力巡检方法

Country Status (1)

Country Link
CN (1) CN115131686A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116337154A (zh) * 2023-03-27 2023-06-27 成都铁路科创有限责任公司 一种接触网健康状态监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116337154A (zh) * 2023-03-27 2023-06-27 成都铁路科创有限责任公司 一种接触网健康状态监测方法及系统
CN116337154B (zh) * 2023-03-27 2024-04-19 成都铁路科创有限责任公司 一种接触网健康状态监测方法及系统

Similar Documents

Publication Publication Date Title
CN108229267B (zh) 对象属性检测、神经网络训练、区域检测方法和装置
WO2020124247A1 (en) Automated inspection system and associated method for assessing the condition of shipping containers
Fan et al. No reference image quality assessment based on multi-expert convolutional neural networks
Yu et al. Face biometric quality assessment via light CNN
TWI716012B (zh) 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置
CN111461101B (zh) 工服标志的识别方法、装置、设备及存储介质
CN112488071B (zh) 提取行人特征的方法、装置、电子设备和存储介质
CN112270309A (zh) 一种车辆卡口设备抓拍质量评估方法、装置及可读介质
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN114169381A (zh) 图像标注方法、装置、终端设备及存储介质
Xu et al. Pairwise comparison and rank learning for image quality assessment
CN115131686A (zh) 一种基于主动学习和半监督学习的智能电力巡检方法
CN111950457A (zh) 油田安全生产图像识别方法及系统
CN112949456B (zh) 视频特征提取模型训练、视频特征提取方法和装置
Katsamenis et al. A Few-Shot Attention Recurrent Residual U-Net for Crack Segmentation
CN117197746A (zh) 基于深度学习的安全监测系统及方法
CN114693554B (zh) 一种大数据图像处理方法及系统
CN116958035A (zh) 产品零件缺陷检测方法、装置、介质及电子设备
CN114373116A (zh) 一种运维现场图像的筛选方法、装置、设备及产品
CN116977260A (zh) 目标物的缺陷检测方法、装置、电子设备及存储介质
CN105959685A (zh) 一种基于视频内容及聚类分析的压缩码率预测方法
CN113808107B (zh) 图像推荐方法、装置、电子设备和存储介质
CN114445751A (zh) 视频关键帧图像轮廓特征的提取方法和装置
CN115984158A (zh) 缺陷分析方法、装置、电子设备及计算机可读存储介质
CN113362069A (zh) 风控模型的动态调整方法、装置、设备及可读存储介质

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