CN115424193A - 一种训练图像信息处理的方法及系统 - Google Patents

一种训练图像信息处理的方法及系统 Download PDF

Info

Publication number
CN115424193A
CN115424193A CN202210877294.0A CN202210877294A CN115424193A CN 115424193 A CN115424193 A CN 115424193A CN 202210877294 A CN202210877294 A CN 202210877294A CN 115424193 A CN115424193 A CN 115424193A
Authority
CN
China
Prior art keywords
water environment
environment detection
water
video
videos
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.)
Withdrawn
Application number
CN202210877294.0A
Other languages
English (en)
Inventor
秦坤
王丛璐
谭子奕
宋琛
沈陕威
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210877294.0A priority Critical patent/CN115424193A/zh
Publication of CN115424193A publication Critical patent/CN115424193A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • G06V10/77—Processing 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种训练图像信息处理的方法及系统，涉及环境检测技术领域。在本发明中，获取移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频；针对每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧；基于每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到神经网络模型对应的水环境识别模型，其中，水环境识别模型用于对水环境检测视频帧进行识别处理。基于上述方法，可以改善现有技术中训练得到的模型的识别精度不佳的问题。

Description

一种训练图像信息处理的方法及系统
技术领域
本发明涉及环境检测技术领域，具体而言，涉及一种训练图像信息处理的方法及系统。
背景技术
随着深度学习技术的不断发展，使得可以应用于环境检测技术领域，如对检测得到的环境检测视频帧进行识别处理，以得到对应的环境污染识别结果。但是，在现有技术中，一般是基于历史视频帧对识别模型进行训练，如此，可能使得训练得到的识别模型的识别精度不佳。
发明内容
有鉴于此，本发明的目的在于提供一种训练图像信息处理的方法及系统，以改善现有技术中训练得到的模型的识别精度不佳的问题。
为实现上述目的，本发明实施例采用如下技术方案：
一种训练图像信息处理的方法，应用于环境监测服务器，所述环境监测服务器通信连接有移动水环境检测设备，所述方法包括：
获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，其中，所述多个水环境检测视频中的每一个水环境检测视频包括多帧水环境检测视频帧，所述多个水环境检测视频和所述多个水域区域之间具有一一对应关系；
针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧；
基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型，其中，所述水环境识别模型用于分别对所述多个水环境检测视频中的每一个水环境检测视频包括的水环境检测视频帧进行识别处理，得到每一个所述水环境检测视频对应的水域区域的水环境识别结果，且所述神经网络模型属于分类模型。
在一些优选的实施例中，在上述训练图像信息处理的方法中，所述获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频的步骤，包括：
确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，生成对应的水环境检测通知信息；
将所述水环境检测通知信息发送给所述移动水环境检测设备，其中，所述移动水环境检测设备用于在接收到所述水环境检测通知信息之后，基于所述水环境检测通知信息对所述目标水域中的多个水域区域分别进行水环境检测处理，得到多个水域区域对应的多个水环境检测视频；
获取所述移动水环境检测设备基于所述水环境检测通知信息对所述目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频。
在一些优选的实施例中，在上述训练图像信息处理的方法中，所述确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，生成对应的水环境检测通知信息的步骤，包括：
确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，对所述目标水域包括的多个水域区域进行多次遍历，其中，每一次遍历的对象包括所述多个水域区域；
针对每一次遍历，计算该遍历对应的遍历路径的路径长度，并确定出具有最小值的路径长度作为目标路径长度，以及，将所述目标路径长度对应的遍历路径确定为目标遍历路径，再基于所述目标遍历路径中所述多个水域区域之间的遍历先后关系，生成对应的水环境检测通知信息，其中，所述移动水环境检测设备用于基于所述水环境检测通知信息中的所述遍历先后关系对所述目标水域中的多个水域区域依次进行水环境检测处理，得到所述多个水域区域对应的多个水环境检测视频。
在一些优选的实施例中，在上述训练图像信息处理的方法中，所述针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧的步骤，包括：
针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧之间的相似度，得到每两帧水环境检测视频帧对应的视频帧相似度；
针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
在一些优选的实施例中，在上述训练图像信息处理的方法中，所述针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧的步骤，包括：
针对所述多个水环境检测视频中的每一个水环境检测视频，基于每两帧水环境检测视频帧对应的视频帧相似度，对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合，其中，所述至少一个视频帧分类集合中的每一个视频帧分类集合包括至少一帧水环境检测视频帧；
针对所述多个水环境检测视频中的每一个水环境检测视频，分别在该水环境检测视频对应的所述至少一个视频帧分类集合中的每一个视频帧分类集合中筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
在一些优选的实施例中，在上述训练图像信息处理的方法中，所述针对所述多个水环境检测视频中的每一个水环境检测视频，基于每两帧水环境检测视频帧对应的视频帧相似度，对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合的步骤，包括：
针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧对应的视频帧相似度的平均值，得到该水环境检测视频对应的相似度均值；
针对所述多个水环境检测视频中的每一个水环境检测视频，基于该水环境检测视频对应的相似度均值，对该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧对应的视频帧相似度进行离散度计算处理，得到该水环境检测视频对应的相似度离散度；
针对所述多个水环境检测视频中的每一个水环境检测视频，基于该水环境检测视频对应的相似度离散度，确定出该水环境检测视频对应的相似度更新系数，其中，所述相似度更新系数与所述相似度离散度之间具有负相关关系，且所述相似度更新系数大于0、小于1；
针对所述多个水环境检测视频中的每一个水环境检测视频，对该水环境检测视频对应的所述相似度均值和所述相似度更新系数进行融合处理，得到该水环境检测视频对应的参考相似度，并基于该参考相似度对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合，其中，每一个所述视频帧分类集合中的任意两帧水环境检测视频帧对应的视频帧相似度大于或等于该视频帧分类集合对应的水环境检测视频对应的参考相似度。
在一些优选的实施例中，在上述训练图像信息处理的方法中，所述基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型的步骤，包括：
对所述多个水环境检测视频中的每一个水环境检测视频包括的每一帧水环境训练视频帧进行标注处理，得到每一帧水环境训练视频帧的水环境标签信息，其中，所述水环境标签信息用于表征对应的水域区域是否存在水环境污染或表征对应的水域区域的水环境污染程度；
基于所述多个水环境检测视频中的每一个水环境检测视频对应的每一帧水环境训练视频帧和该水环境训练视频帧的水环境标签信息，对预先构建的神经网络模型进行训练，得到对应的水环境识别模型，其中，若所述水环境标签信息用于表征对应的水域区域是否存在水环境污染，则所述神经网络模型和所述水环境识别模型属于二分类模型，若所述水环境标签信息用于表征对应的水域区域的水环境污染程度，则所述神经网络模型和所述水环境识别模型属于多分类模型。
本发明实施例还提供一种训练图像信息处理的系统，应用于环境监测服务器，所述环境监测服务器通信连接有移动水环境检测设备，所述系统包括：
检测视频获取模块，用于获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，其中，所述多个水环境检测视频中的每一个水环境检测视频包括多帧水环境检测视频帧，所述多个水环境检测视频和所述多个水域区域之间具有一一对应关系；
检测视频筛选模块，用于针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧；
识别模型训练模块，用于基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型，其中，所述水环境识别模型用于分别对所述多个水环境检测视频中的每一个水环境检测视频包括的水环境检测视频帧进行识别处理，得到每一个所述水环境检测视频对应的水域区域的水环境识别结果，且所述神经网络模型属于分类模型。
在一些优选的实施例中，在上述训练图像信息处理的系统中，所述检测视频筛选模块具体用于：
针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧之间的相似度，得到每两帧水环境检测视频帧对应的视频帧相似度；
针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
在一些优选的实施例中，在上述训练图像信息处理的系统中，所述识别模型训练模块具体用于：
对所述多个水环境检测视频中的每一个水环境检测视频包括的每一帧水环境训练视频帧进行标注处理，得到每一帧水环境训练视频帧的水环境标签信息，其中，所述水环境标签信息用于表征对应的水域区域是否存在水环境污染或表征对应的水域区域的水环境污染程度；
基于所述多个水环境检测视频中的每一个水环境检测视频对应的每一帧水环境训练视频帧和该水环境训练视频帧的水环境标签信息，对预先构建的神经网络模型进行训练，得到对应的水环境识别模型，其中，若所述水环境标签信息用于表征对应的水域区域是否存在水环境污染，则所述神经网络模型和所述水环境识别模型属于二分类模型，若所述水环境标签信息用于表征对应的水域区域的水环境污染程度，则所述神经网络模型和所述水环境识别模型属于多分类模型。
本发明实施例提供的一种训练图像信息处理的方法及系统，可以先获取移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，然后，可以针对每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧，使得可以基于每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到神经网络模型对应的水环境识别模型。如此，由于训练模型的数据与模型识别的对象数据之间属于同一批数据，可以在一定程度上提高训练得到的水环境识别模型对检测得到的水环境训练视频帧的识别精度，从而改善现有技术中训练得到的模型的识别精度不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的环境监测服务器的结构框图。
图2为本发明实施例提供的训练图像信息处理的方法包括的各步骤的流程示意图。
图3为本发明实施例提供的训练图像信息处理的系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
如图1所示，本发明实施例提供了一种环境监测服务器。其中，所述环境监测服务器可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式，存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例(如后文所述)提供的训练图像信息处理的方法。
举例来说，在一些可以替代的实施方式中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，EEPROM)等。
举例来说，在一些可以替代的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、片上系统(System on Chip，SoC)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
并且，图1所示的结构仅为示意，所述环境监测服务器还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于与其它设备进行信息交互的通信单元。
结合图2，本发明实施例还提供一种训练图像信息处理的方法，可应用于上述环境监测服务器。其中，所述训练图像信息处理的方法有关的流程所定义的方法步骤，可以由所述环境监测服务器实现。并且，所述环境监测服务器通信连接有移动水环境检测设备。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频。
在本发明实施例中，所述环境监测服务器可以获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频。其中，所述多个水环境检测视频中的每一个水环境检测视频包括多帧水环境检测视频帧，所述多个水环境检测视频和所述多个水域区域之间具有一一对应关系。
步骤S120，针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
在本发明实施例中，所述环境监测服务器可以针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
步骤S130，基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型。
在本发明实施例中，所述环境监测服务器可以基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型。其中，所述水环境识别模型用于分别对所述多个水环境检测视频中的每一个水环境检测视频包括的水环境检测视频帧进行识别处理，得到每一个所述水环境检测视频对应的水域区域的水环境识别结果，且所述神经网络模型属于分类模型(如二分类或多分类)。
基于上述的训练图像信息处理的方法，可以先获取移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，然后，可以针对每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧，使得可以基于每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到神经网络模型对应的水环境识别模型。如此，由于训练模型的数据与模型识别的对象数据之间属于同一批数据，可以在一定程度上提高训练得到的水环境识别模型对检测得到的水环境训练视频帧的识别精度，从而改善现有技术中训练得到的模型的识别精度不佳的问题。
举例来说，在一些可以替代的实施方式中，步骤S110可以进一步包括：
首先，确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，生成对应的水环境检测通知信息；
其次，将所述水环境检测通知信息发送给所述移动水环境检测设备，其中，所述移动水环境检测设备用于在接收到所述水环境检测通知信息之后，基于所述水环境检测通知信息对所述目标水域中的多个水域区域分别进行水环境检测处理，得到多个水域区域对应的多个水环境检测视频；
然后，获取所述移动水环境检测设备基于所述水环境检测通知信息对所述目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频(即一个水域区域对应有一个水环境检测视频)。
举例来说，在一些可以替代的实施方式中，所述确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，生成对应的水环境检测通知信息的步骤，可以进一步包括：
首先，确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，对所述目标水域包括的多个水域区域进行多次遍历，其中，每一次遍历的对象包括所述多个水域区域；
其次，针对每一次遍历，计算该遍历对应的遍历路径的路径长度，并确定出具有最小值的路径长度作为目标路径长度，以及，将所述目标路径长度对应的遍历路径确定为目标遍历路径，再基于所述目标遍历路径中所述多个水域区域之间的遍历先后关系，生成对应的水环境检测通知信息，其中，所述移动水环境检测设备用于基于所述水环境检测通知信息中的所述遍历先后关系对所述目标水域中的多个水域区域依次进行水环境检测处理，得到所述多个水域区域对应的多个水环境检测视频。
举例来说，在一些可以替代的实施方式中，步骤S120可以进一步包括：
首先，针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧之间的相似度，得到每两帧水环境检测视频帧对应的视频帧相似度；
其次，针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
举例来说，在一些可以替代的实施方式中，所述针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧之间的相似度，得到每两帧水环境检测视频帧对应的视频帧相似度的步骤，可以进一步包括：
针对所述多个水环境检测视频中的每一个水环境检测视频，对该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧进行相似度计算操作，得到该水环境检测视频包括的每两帧水环境检测视频帧对应的视频帧相似度，其中，所述相似度计算操作包括：
首先，针对所述两帧水环境检测视频帧中的每一帧水环境检测视频帧中的每一个像素点，分别计算该像素点的像素值与每一个相邻像素点的像素值之间的像素差值，并确定该像素差值与预先配置的像素差值阈值之间的相对大小关系，以及，在该像素差值大于或等于所述像素差值阈值时，将该像素差值对应的相邻像素点确定为该像素点对应的差异像素点，再计算该像素点对应的差异像素点的数量与该像素点对应的相邻像素点的数量之间的比值，得到该像素点对应的差异占比；
其次，针对所述两帧水环境检测视频帧中的每一帧水环境检测视频帧中的每一个像素点，确定该像素点对应的差异占比与预先配置的差异占比阈值之间的大小关系，并在该像素点对应的差异占比大于或等于所述差异占比阈值时，将该像素点确定为该水环境检测视频帧对应的代表像素点；
然后，针对所述两帧水环境检测视频帧中的每一帧水环境检测视频帧，统计该水环境检测视频帧对应的代表像素点的数量，得到该水环境检测视频帧对应的像素点统计数量，并确定所述两帧水环境检测视频帧对应的像素点统计数量之间的相对大小关系，以及，在所述两帧水环境检测视频帧对应的像素点统计数量不同时，对所述像素差值阈值和/或所述差异占比进行更新处理，并基于更新处理后的所述像素差值阈值和/或所述差异占比，在像素点统计数量较小的一帧水环境检测视频帧重新确定出新的代表像素点，直到该新的代表像素点的数量与所述两帧水环境检测视频帧对应的像素点统计数量中的较大值相同；
之后，针对所述两帧水环境检测视频帧中的每一帧水环境检测视频帧，基于预先配置的像素路径确定该水环境检测视频帧对应的每一个代表像素点的路径先后关系，并确定每一个代表像素点在该水环境检测视频帧中的像素坐标；
进一步，分别计算所述两帧水环境检测视频帧之间具有相同路径先后关系的每一对代表像素点的像素值之间的像素值相似度，并分别计算所述两帧水环境检测视频帧之间具有相同路径先后关系的每一对代表像素点的像素坐标之间的坐标相似度，其中，所述坐标相似度与每一对代表像素点的像素坐标之间的坐标距离具有负相关关系；
最后，分别对所述两帧水环境检测视频帧之间具有相同路径先后关系的每一对代表像素点的像素坐标之间的像素值相似度和坐标相似度进行融合处理(如计算乘积)，得到具有相同路径先后关系的每一对代表像素点的像素坐标之间的像素相似度，计算具有相同路径先后关系的每一对代表像素点的像素坐标之间的像素相似度的平均值，得到所述两帧水环境检测视频帧对应的视频帧相似度。
举例来说，在一些可以替代的实施方式中，所述针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧的步骤，可以进一步包括：
首先，针对所述多个水环境检测视频中的每一个水环境检测视频，基于每两帧水环境检测视频帧对应的视频帧相似度，对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合，其中，所述至少一个视频帧分类集合中的每一个视频帧分类集合包括至少一帧水环境检测视频帧；
其次，针对所述多个水环境检测视频中的每一个水环境检测视频，分别在该水环境检测视频对应的所述至少一个视频帧分类集合中的每一个视频帧分类集合中筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
举例来说，在一些可以替代的实施方式中，所述针对所述多个水环境检测视频中的每一个水环境检测视频，基于每两帧水环境检测视频帧对应的视频帧相似度，对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合的步骤，可以进一步包括：
首先，针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧对应的视频帧相似度的平均值，得到该水环境检测视频对应的相似度均值；
其次，针对所述多个水环境检测视频中的每一个水环境检测视频，基于该水环境检测视频对应的相似度均值，对该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧对应的视频帧相似度进行离散度计算处理，得到该水环境检测视频对应的相似度离散度；
然后，针对所述多个水环境检测视频中的每一个水环境检测视频，基于该水环境检测视频对应的相似度离散度，确定出该水环境检测视频对应的相似度更新系数，其中，所述相似度更新系数与所述相似度离散度之间具有负相关关系，且所述相似度更新系数大于0、小于1；
最后，针对所述多个水环境检测视频中的每一个水环境检测视频，对该水环境检测视频对应的所述相似度均值和所述相似度更新系数进行融合处理(如计算所述相似度均值和所述相似度更新系数之间的乘积)，得到该水环境检测视频对应的参考相似度，并基于该参考相似度对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合，其中，每一个所述视频帧分类集合中的任意两帧水环境检测视频帧对应的视频帧相似度大于或等于该视频帧分类集合对应的水环境检测视频对应的参考相似度。
举例来说，在一些可以替代的实施方式中，步骤S130可以进一步包括：
首先，对所述多个水环境检测视频中的每一个水环境检测视频包括的每一帧水环境训练视频帧进行标注处理，得到每一帧水环境训练视频帧的水环境标签信息，其中，所述水环境标签信息用于表征对应的水域区域是否存在水环境污染或表征对应的水域区域的水环境污染程度；
其次，基于所述多个水环境检测视频中的每一个水环境检测视频对应的每一帧水环境训练视频帧和该水环境训练视频帧的水环境标签信息，对预先构建的神经网络模型进行训练，得到对应的水环境识别模型，其中，若所述水环境标签信息用于表征对应的水域区域是否存在水环境污染，则所述神经网络模型和所述水环境识别模型属于二分类模型，若所述水环境标签信息用于表征对应的水域区域的水环境污染程度，则所述神经网络模型和所述水环境识别模型属于多分类模型。
结合图3，本发明实施例还提供一种训练图像信息处理的系统。所述训练图像信息处理的系统可以包括：
检测视频获取模块，用于获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，其中，所述多个水环境检测视频中的每一个水环境检测视频包括多帧水环境检测视频帧，所述多个水环境检测视频和所述多个水域区域之间具有一一对应关系；
检测视频筛选模块，用于针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧；
识别模型训练模块，用于基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型，其中，所述水环境识别模型用于分别对所述多个水环境检测视频中的每一个水环境检测视频包括的水环境检测视频帧进行识别处理，得到每一个所述水环境检测视频对应的水域区域的水环境识别结果，且所述神经网络模型属于分类模型。
所述检测视频筛选模块具体用于：
针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧之间的相似度，得到每两帧水环境检测视频帧对应的视频帧相似度；
针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
所述识别模型训练模块具体用于：
对所述多个水环境检测视频中的每一个水环境检测视频包括的每一帧水环境训练视频帧进行标注处理，得到每一帧水环境训练视频帧的水环境标签信息，其中，所述水环境标签信息用于表征对应的水域区域是否存在水环境污染或表征对应的水域区域的水环境污染程度；
基于所述多个水环境检测视频中的每一个水环境检测视频对应的每一帧水环境训练视频帧和该水环境训练视频帧的水环境标签信息，对预先构建的神经网络模型进行训练，得到对应的水环境识别模型，其中，若所述水环境标签信息用于表征对应的水域区域是否存在水环境污染，则所述神经网络模型和所述水环境识别模型属于二分类模型，若所述水环境标签信息用于表征对应的水域区域的水环境污染程度，则所述神经网络模型和所述水环境识别模型属于多分类模型。
综上所述，本发明提供的一种训练图像信息处理的方法及系统，可以先获取移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，然后，可以针对每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧，使得可以基于每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到神经网络模型对应的水环境识别模型。如此，由于训练模型的数据与模型识别的对象数据之间属于同一批数据，在一定程度上提高训练得到的水环境识别模型对检测得到的水环境训练视频帧的识别精度，从而改善现有技术中训练得到的模型的识别精度不佳的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种训练图像信息处理的方法，其特征在于，应用于环境监测服务器，所述环境监测服务器通信连接有移动水环境检测设备，所述方法包括：
获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，其中，所述多个水环境检测视频中的每一个水环境检测视频包括多帧水环境检测视频帧，所述多个水环境检测视频和所述多个水域区域之间具有一一对应关系；
针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧；
基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型，其中，所述水环境识别模型用于分别对所述多个水环境检测视频中的每一个水环境检测视频包括的水环境检测视频帧进行识别处理，得到每一个所述水环境检测视频对应的水域区域的水环境识别结果，且所述神经网络模型属于分类模型。
2.如权利要求1所述的训练图像信息处理的方法，其特征在于，所述获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频的步骤，包括：
确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，生成对应的水环境检测通知信息；
将所述水环境检测通知信息发送给所述移动水环境检测设备，其中，所述移动水环境检测设备用于在接收到所述水环境检测通知信息之后，基于所述水环境检测通知信息对所述目标水域中的多个水域区域分别进行水环境检测处理，得到多个水域区域对应的多个水环境检测视频；
获取所述移动水环境检测设备基于所述水环境检测通知信息对所述目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频。
3.如权利要求2所述的训练图像信息处理的方法，其特征在于，所述确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，生成对应的水环境检测通知信息的步骤，包括：
确定是否需要对目标水域进行水环境检测处理，并在需要对所述目标水域进行水环境检测处理时，对所述目标水域包括的多个水域区域进行多次遍历，其中，每一次遍历的对象包括所述多个水域区域；
针对每一次遍历，计算该遍历对应的遍历路径的路径长度，并确定出具有最小值的路径长度作为目标路径长度，以及，将所述目标路径长度对应的遍历路径确定为目标遍历路径，再基于所述目标遍历路径中所述多个水域区域之间的遍历先后关系，生成对应的水环境检测通知信息，其中，所述移动水环境检测设备用于基于所述水环境检测通知信息中的所述遍历先后关系对所述目标水域中的多个水域区域依次进行水环境检测处理，得到所述多个水域区域对应的多个水环境检测视频。
4.如权利要求1所述的训练图像信息处理的方法，其特征在于，所述针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧的步骤，包括：
针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧之间的相似度，得到每两帧水环境检测视频帧对应的视频帧相似度；
针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
5.如权利要求4所述的训练图像信息处理的方法，其特征在于，所述针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧的步骤，包括：
针对所述多个水环境检测视频中的每一个水环境检测视频，基于每两帧水环境检测视频帧对应的视频帧相似度，对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合，其中，所述至少一个视频帧分类集合中的每一个视频帧分类集合包括至少一帧水环境检测视频帧；
针对所述多个水环境检测视频中的每一个水环境检测视频，分别在该水环境检测视频对应的所述至少一个视频帧分类集合中的每一个视频帧分类集合中筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
6.如权利要求5所述的训练图像信息处理的方法，其特征在于，所述针对所述多个水环境检测视频中的每一个水环境检测视频，基于每两帧水环境检测视频帧对应的视频帧相似度，对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合的步骤，包括：
针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧对应的视频帧相似度的平均值，得到该水环境检测视频对应的相似度均值；
针对所述多个水环境检测视频中的每一个水环境检测视频，基于该水环境检测视频对应的相似度均值，对该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧对应的视频帧相似度进行离散度计算处理，得到该水环境检测视频对应的相似度离散度；
针对所述多个水环境检测视频中的每一个水环境检测视频，基于该水环境检测视频对应的相似度离散度，确定出该水环境检测视频对应的相似度更新系数，其中，所述相似度更新系数与所述相似度离散度之间具有负相关关系，且所述相似度更新系数大于0、小于1；
针对所述多个水环境检测视频中的每一个水环境检测视频，对该水环境检测视频对应的所述相似度均值和所述相似度更新系数进行融合处理，得到该水环境检测视频对应的参考相似度，并基于该参考相似度对该水环境检测视频包括的多帧水环境检测视频帧进行视频帧分类处理，得到该水环境检测视频对应的至少一个视频帧分类集合，其中，每一个所述视频帧分类集合中的任意两帧水环境检测视频帧对应的视频帧相似度大于或等于该视频帧分类集合对应的水环境检测视频对应的参考相似度。
7.如权利要求1-6任意一项所述的训练图像信息处理的方法，其特征在于，所述基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型的步骤，包括：
对所述多个水环境检测视频中的每一个水环境检测视频包括的每一帧水环境训练视频帧进行标注处理，得到每一帧水环境训练视频帧的水环境标签信息，其中，所述水环境标签信息用于表征对应的水域区域是否存在水环境污染或表征对应的水域区域的水环境污染程度；
基于所述多个水环境检测视频中的每一个水环境检测视频对应的每一帧水环境训练视频帧和该水环境训练视频帧的水环境标签信息，对预先构建的神经网络模型进行训练，得到对应的水环境识别模型，其中，若所述水环境标签信息用于表征对应的水域区域是否存在水环境污染，则所述神经网络模型和所述水环境识别模型属于二分类模型，若所述水环境标签信息用于表征对应的水域区域的水环境污染程度，则所述神经网络模型和所述水环境识别模型属于多分类模型。
8.一种训练图像信息处理的系统，其特征在于，应用于环境监测服务器，所述环境监测服务器通信连接有移动水环境检测设备，所述系统包括：
检测视频获取模块，用于获取所述移动水环境检测设备对目标水域中的多个水域区域分别进行检测得到的多个水环境检测视频，其中，所述多个水环境检测视频中的每一个水环境检测视频包括多帧水环境检测视频帧，所述多个水环境检测视频和所述多个水域区域之间具有一一对应关系；
检测视频筛选模块，用于针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧；
识别模型训练模块，用于基于所述多个水环境检测视频中的每一个水环境检测视频对应的水环境训练视频帧，对预先构建的神经网络模型进行训练，得到所述神经网络模型对应的水环境识别模型，其中，所述水环境识别模型用于分别对所述多个水环境检测视频中的每一个水环境检测视频包括的水环境检测视频帧进行识别处理，得到每一个所述水环境检测视频对应的水域区域的水环境识别结果，且所述神经网络模型属于分类模型。
9.如权利要求8所述的训练图像信息处理的系统，其特征在于，所述检测视频筛选模块具体用于：
针对所述多个水环境检测视频中的每一个水环境检测视频，计算该水环境检测视频包括的多帧水环境检测视频帧中每两帧水环境检测视频帧之间的相似度，得到每两帧水环境检测视频帧对应的视频帧相似度；
针对所述多个水环境检测视频中的每一个水环境检测视频，在该水环境检测视频包括的多帧水环境检测视频帧中，基于每两帧水环境检测视频帧对应的视频帧相似度，筛选出部分数量的水环境检测视频帧，作为该水环境检测视频对应的水环境训练视频帧。
10.如权利要求8所述的训练图像信息处理的系统，其特征在于，所述识别模型训练模块具体用于：
对所述多个水环境检测视频中的每一个水环境检测视频包括的每一帧水环境训练视频帧进行标注处理，得到每一帧水环境训练视频帧的水环境标签信息，其中，所述水环境标签信息用于表征对应的水域区域是否存在水环境污染或表征对应的水域区域的水环境污染程度；
基于所述多个水环境检测视频中的每一个水环境检测视频对应的每一帧水环境训练视频帧和该水环境训练视频帧的水环境标签信息，对预先构建的神经网络模型进行训练，得到对应的水环境识别模型，其中，若所述水环境标签信息用于表征对应的水域区域是否存在水环境污染，则所述神经网络模型和所述水环境识别模型属于二分类模型，若所述水环境标签信息用于表征对应的水域区域的水环境污染程度，则所述神经网络模型和所述水环境识别模型属于多分类模型。
CN202210877294.0A 2022-07-25 2022-07-25 一种训练图像信息处理的方法及系统 Withdrawn CN115424193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210877294.0A CN115424193A (zh) 2022-07-25 2022-07-25 一种训练图像信息处理的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210877294.0A CN115424193A (zh) 2022-07-25 2022-07-25 一种训练图像信息处理的方法及系统

Publications (1)

Publication Number Publication Date
CN115424193A true CN115424193A (zh) 2022-12-02

Family

ID=84196275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210877294.0A Withdrawn CN115424193A (zh) 2022-07-25 2022-07-25 一种训练图像信息处理的方法及系统

Country Status (1)

Country Link
CN (1) CN115424193A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620243A (zh) * 2022-12-20 2023-01-17 深圳联和智慧科技有限公司 基于人工智能的污染源监测方法、系统及云平台

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620243A (zh) * 2022-12-20 2023-01-17 深圳联和智慧科技有限公司 基于人工智能的污染源监测方法、系统及云平台
CN115620243B (zh) * 2022-12-20 2023-03-21 深圳联和智慧科技有限公司 基于人工智能的污染源监测方法、系统及云平台

Similar Documents

Publication Publication Date Title
CN107944450B (zh) 一种车牌识别方法及装置
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN109978893A (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
CN114140713A (zh) 一种图像识别系统、图像识别方法
CN115018840B (zh) 精密铸件裂纹检测方法、系统及装置
CN109886978B (zh) 一种基于深度学习的端到端告警信息识别方法
CN114140712A (zh) 一种自动图像识别分发系统及方法
CN114581856A (zh) 基于北斗系统的农业机组运动状态识别方法、系统及云平台
CN115424193A (zh) 一种训练图像信息处理的方法及系统
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置
CN113902993A (zh) 一种基于环境监测的环境状态分析方法及系统
CN114139016A (zh) 一种智慧小区的数据处理方法及系统
CN113868471A (zh) 一种基于监控设备关系的数据匹配方法及系统
CN111199240A (zh) 银行卡识别模型的训练方法、银行卡识别方法以及装置
CN115100541B (zh) 一种卫星遥感数据的处理方法、系统及云平台
CN115375886A (zh) 一种基于云计算服务的数据采集方法及系统
Promsuk et al. Numerical Reader System for Digital Measurement Instruments Embedded Industrial Internet of Things.
CN112819859B (zh) 一种应用于智慧安防的多目标跟踪方法及装置
CN113808088A (zh) 一种污染检测方法及系统
CN114677615A (zh) 一种环境检测方法和检测系统
CN113902412A (zh) 一种基于数据处理的环境监测方法
CN112308061A (zh) 一种车牌字符排序方法、识别方法及装置
CN115082711B (zh) 土壤普查数据处理方法、系统及云平台
CN117710756B (zh) 一种目标检测及模型训练方法、装置、设备、介质
CN115082709B (zh) 遥感大数据处理方法、系统及云平台

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221202

WW01 Invention patent application withdrawn after publication