CN116503807A - 一种设备巡检方法、装置、电子设备及计算机程序产品 - Google Patents

一种设备巡检方法、装置、电子设备及计算机程序产品 Download PDF

Info

Publication number
CN116503807A
CN116503807A CN202310483686.3A CN202310483686A CN116503807A CN 116503807 A CN116503807 A CN 116503807A CN 202310483686 A CN202310483686 A CN 202310483686A CN 116503807 A CN116503807 A CN 116503807A
Authority
CN
China
Prior art keywords
equipment
image
feature vector
inspected
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
CN202310483686.3A
Other languages
English (en)
Inventor
赵勇
王龙
方红波
汪彪
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.)
Terminus Technology Group Co Ltd
Original Assignee
Terminus Technology Group Co Ltd
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 Terminus Technology Group Co Ltd filed Critical Terminus Technology Group Co Ltd
Priority to CN202310483686.3A priority Critical patent/CN116503807A/zh
Publication of CN116503807A publication Critical patent/CN116503807A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/82—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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本公开属于巡检技术领域，具体涉及一种设备巡检方法、装置、电子设备及计算机程序产品。方法包括：获取设备图像，评估所述图像是否质量合格；对质量评估合格的所述图像，提取所述图像的主体目标区域，将所述主体目标区域输入特征提取器，获得所述设备的特征向量；计算所述特征向量与预先获得的待巡检设备的标准特征向量的相似度，如果所述相似度大于预设阈值，则判定所述设备是所述待巡检设备，所述设备巡检合规。

Description

一种设备巡检方法、装置、电子设备及计算机程序产品
技术领域
本公开属于巡检技术领域，具体涉及一种设备巡检方法、装置、电子设备及计算机程序产品。
背景技术
在社区设备巡检场景下，巡检员按照规定路线对特定设备进行巡检，现场拍照并上传。
现有技术是通过对巡检图像人工检查的方式来保证巡检到位并防止巡检员作弊(如将之前巡检拍摄的图像上传重复使用、不按照流程巡检偷工减料等)，但人工检查方式不仅消耗人力，并且出错概率高，无法实质上防止此类行为的发生。
发明内容
本公开实施例提出了一种设备巡检方法、一种设备巡检装置、一种电子设备和计算机程序产品，以解决现在对巡检图像人工检查的方式消耗人力，并且出错概率高的问题。
本公开实施例的第一方面提供了一种设备巡检方法，包括：
获取设备图像，评估所述图像是否质量合格；
对质量评估合格的所述图像，提取所述图像的主体目标区域，将所述主体目标区域输入特征提取器，获得所述设备的特征向量；
计算所述特征向量与预先获得的待巡检设备的标准特征向量的相似度，如果所述相似度大于预设阈值，则判定所述设备是所述待巡检设备，所述设备巡检合规。
在一些实施例中，所述获得待巡检设备的标准特征向量包括：
对所述待巡检设备拍摄多角度模板图；
从所述模板图提取所述待巡检设备的主体目标区域；
将所述主体目标区域输入特征提取器，获得所述待巡检设备的的标准特征向量。
在一些实施例中，所述特征提取器是一个用ImageNet数据集训练的残差网络模型。
在一些实施例中，所述特征提取器输出的是一个128维的特征向量。
在一些实施例中，所述提取主体目标区域包括：
在图像中检测显著性最高的目标；
在图像中分割出所述目标。
在一些实施例中，所述评估所述图像是否质量合格，包括：
对所述图像进行重复判定和模糊识别。
在一些实施例中，所述对所述图像进行模糊识别包括：
用拉普拉斯算子对所述图像进行卷积并计算方差；
如果方差低于预定义阈值，将所述图像标记为模糊。
本公开实施例的第二方面提供了设备巡检装置，其特征在于，包括：
质量评估模块，用于获取设备图像，评估所述图像是否质量合格；
特征提取模块，用于对质量评估合格的所述图像，提取所述图像的主体目标区域，将所述主体目标区域输入特征提取器，获得所述设备的特征向量；
特征比对模块，用于计算所述特征向量与预先获得的待巡检设备的标准特征向量的相似度，如果所述相似度大于预设阈值，则判定所述设备是所述待巡检设备，所述设备巡检合规。
本公开实施例的第三方面提供了一种电子设备，包括存储器和处理器，
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现根据本公开第一方面所述的方法。
本公开实施例的第四方面提供了一种计算机程序产品，包括计算机程序、指令，当所述计算机程序、指令被处理器执行时，实现根据本公开第一方面和所述的方法。
本公开实施例的第五方面提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现根据本公开第一方面的方法。
本公开实施例通过基于人工智能对巡检图像进行验证的方式来保障巡检质量。只需要巡检员按照规定流程采集待巡检设备的图像并上传验证，后续验证工作全部由算法自动完成，以算法的准确性保证方案的准确性，由于算法自动计算，大大降低了人力，并且降低了由于人为因素出错的概率。
附图说明
通过参考附图会更加清楚的理解本公开的特征和优点，附图是示意性的而不应理解为对本公开进行任何限制，在附图中：
图1是本公开适用的一种计算机系统的示意图；
图2是根据本公开的一些实施例所示的一种设备巡检方法的流程图；
图3是根据根据本公开的一些实施例所示的待巡检设备的标准特征向量的生成方法流程图
图4是根据本公开的一些实施例所示的一种设备巡检方法的详细流程图；
图5是根据本公开的一些实施例所示的一种设备巡检装置的示意图；
图6是本公开的一些实施例所示的一种电子设备示意图。
具体实施方式
在下面的详细描述中，通过示例阐述了本公开的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是，本公开中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。
应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本公开所用术语仅为了描述特定实施例，而非限制本公开范围。如本公开说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图，本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本公开的保护范围。可以理解的是，附图并非按比例绘制。
本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。
图1是本公开适用的一种计算机系统的示意图。如图1所示的系统，验证服务器和一种或多种拍照终端(拍照终端1、拍照终端2、拍照终端3、…拍照终端N,N为自然数)网络连接，验证服务器通过人工智能对巡检员通过拍照终端获取并上传的设备图像进行验证，如果设备图像与预设的待巡检设备图像的特征值相符，则确定所述设备是待巡检设备，巡检员的本次巡检合规。
其中：
所述拍照终端可以是各种获得满足最低质量要求的图像的照相机、摄像机、手机、个人数字助理(PDA)或其他带摄像头的便携设备。对图像的最低质量要求由验证服务器根据经验数据给出。所述拍照终端具有wif或无线通信模块，可以与验证服务器网络连接。
巡检员携带拍照终端沿规定路线巡检，在距离待巡检设备距离小于规定距离时，以规定角度拍摄待巡检设备的图像。巡检员发送拍摄的图像去验证服务器并等待验证结果。验证服务器首先会确认收到的图像是否质量合格，满足验证需求。如果验证服务器判定图像质量不合格，则要求巡检员重新拍摄图像并上传验证或判定巡检失败。质量验证通过后，验证服务器会进行巡检验证，巡检验证通过后，验证服务器会通知巡检员继续沿规定路线巡检下一设备。
所述验证务器可以是是单机、集群或分布式服务器中的任一种。
图2是根据本公开的一些实施例所示的一种设备巡检方法的流程图。在一些实施例中，所述设备巡检方法可以由图1所示的验证服务器执行。如图2所示，所述设备巡检方法包括以下步骤：
S201，获取设备图像，评估所述图像是否质量合格。
巡检员将拍摄终端拍摄的设备图像网络发送给验证服务器。验证服务器首先评估所述图像是否质量合格，可以满足巡检验证的目的。
在本公开的一些实施例中，巡检管理机构根据对图像进行巡检验证的经验数据，制定有《图像规格》，验证服务器根据《图像规格》对获取的巡检图像进行质量评估。
在本公开的一些实施例中，首先验证所述图像的像素、分辨率是否满足最低要求。图像的像素指的是图像是由多少像素点构成的，分辨率指的是单位长度上的像素值。图像的像素、分辨率过小，则图像携带的信息量过小以致致无法通过神经网络进行巡检验证。此时图像将被判定为质量不合格，要求巡检员重新拍摄图像。如果图像的像素、分辨率过大，则会携带过多冗余信息，导致后续处理需要的资源过大,因此验证服务器将对像素过大的图像进行压缩。
在本公开的一些实施例中，评估所述图像是否质量合格，包括：
对所述图像进行重复判定和模糊识别。
重复判定是防止巡检员上传历史巡检拍摄的图像以使本次巡检通过巡检验证。验证服务器将把接收的设备图像与历史图像进行比对，如与某历史图像相似度大于预设阈值，则判定所述图像与历史图像是重复图像，对所述接收到的设备图像的质量评估失败，巡检员需要重新拍摄图像。
图像模糊指的是图像因为高频信息被过滤，只保留了低频信息，从而细节缺失，无法达到进一步做巡检验证的目的。图像模糊一般来源与拍摄所述图像时拍摄终端的抖动。本公开进行模糊识别的方法为，用Laplacian算子对输入图像进行卷积并计算方差。如果方差低于预先定义的阈值，将图像标记为“模糊”。需要注意的是此阈值需要根据实际巡检图像的历史数据进行选取。
S202，对质量评估合格的所述图像，提取所述图像的主体目标区域，将所述主体目标区域输入特征提取器，获得所述设备的特征向量。
虽然按照规定的拍摄距离和拍摄角度，巡检员拍摄的设备图像中，待巡检设备会位于图像的中心位置。但拍照可能会有杂物进入拍摄区域，同时光线阴影变换等在图像四角可能也会留下印迹。因此，需要对所拍摄图像排除四周的杂物阴影，只保留主体区域的待巡检设备。
在本公开的一些实施例中，进行主体目标检测涉及两个步骤：
首先，从图像中检测显著性最高的物体或目标；
然后，从图像中精确地分割出此物体或目标。
在本公开的一些实施例中，从设备图像提取出来的主体目标区域将被输入特征提取器，以获得所述设备的特征向量。
特征是某一类对象区别于其他类对象的相应特点或特性，或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，如矩、直方图以及主成份等。我们常常将某一类对象的多个或多种特性组合在一起，形成一个特征向量来代表该类对象，如果只有单个数值特征，则特征向量为一个一维向量，如果是n个特性的组合，则为一个n维特征向量。实际上，一个n维特征就是位于n维空间中的点，而识别任务就是找到对这个n维空间的一种划分。
在本公开的一些实施例中，特征提取器基于ResNet神经网络，并在ImageNet数据集上进行过训练，可以从输入图像中提取一个特征为128维的特征向量。
S203，计算所述特征向量与预先获得的待巡检设备的标准特征向量的相似度，如果所述相似度大于预设阈值，则判定所述设备是所述待巡检设备，所述设备巡检合规。
在本公开的一些实施例中，验证服务器保存有对待巡检设备从多个角度拍摄的巡检图像，和从巡检图像提取的标准特征向量。
验证服务器对s202步从设备图像的主体目标区域提取的特征向量与待巡检设备的标准特征向量进行比较，如果两者的相似度大于预设阈值，则判定所述设备是所述待巡检设备，本次设备巡检合规。所述预设阈值由验证服务器根据经验数据确定。
在本公开的一些实施例中，通过计算两个特征向量的余弦距离来确定两个向量的相似度。
图3是根据根据本公开的一些实施例所示的待巡检设备的标准特征向量的生成方法流程图。如图3所示，所述方法包括：
S301，对所述待巡检设备拍摄多角度模板图。
为了能够对巡检员从不同位置拍摄的设备图像进行特征对比，需要对待巡检设备在不同角度拍摄图像。同时，为了保证合适的拍摄距离、角度，在本公开的一些实施例中，对所述待巡检设备从多个角度拍摄模板图。
S302，从所述模板图提取所述待巡检设备的主体目标区域
具体的，通过主体目标检测提取出设备的目标区域，主体目标检测主要是基于视觉注意力机制构建的图像预处理方法，主体目标检测关注从一个自然的图像场景中选择性地抽取出最重要的区域或物体(也称作目标)，主体目标检测技术的数据处理流程通常涉及两个主要步骤：首先，从图像中检测显著性最高的物体或目标；然后，从图像中精确地分割出此物体或目标。
S303，将所述主体目标区域输入特征提取器，获得所述待巡检设备的的标准特征向量
类似于S202，提取出主体之后，把主体目标区域送入一个特征提取器，此特征提取器基于ResNet神经网络，并在ImageNet数据集上进行过训练，可以从输入图像中提取一个特征为128维的特征向量，并保存为标准特征。
图4是根据本公开的一些实施例所示的一种设备巡检方法的详细流程图。如图4所示，所述方法分为提取待巡检设备标准特征向量的设备注册步骤(如S301-S303)和巡检员拍照上传，进行特征对比的手持设备巡检步骤(如S201-S203)。
本公开的一些实施例提供了一种设备巡检装置。如图5所述，所述设备巡检装置500包括质量评估模块510、特征提取模块520和特征提取模块530。所述设备巡检功能可以由图1中的验证服务器执行。其中：
质量评估模块510，用于获取设备图像，评估所述图像是否质量合格；
特征提取模块520，用于对质量评估合格的所述图像，提取所述图像的主体目标区域，将所述主体目标区域输入特征提取器，获得所述设备的特征向量；
特征比对模块530，用于计算所述特征向量与预先获得的待巡检设备的标准特征向量的相似度，如果所述相似度大于预设阈值，则判定所述设备是所述待巡检设备，所述设备巡检合规。
本公开的一个实施例提供了一种电子设备，所述电子设备600包括存储器620和处理器610，所述存储器620，用于存储计算机程序；所述处理器610，用于当执行所述计算机程序时，实现图2中S201-S203所述的方法。
本公开的一个实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现图2中S201-S203所述的方法。
本公开的一个实施例提供了一种计算机程序产品，包括计算机程序、指令，当所述计算机程序、指令被处理器执行时，实现图2中S201-S203所述的方法。
综上所述，本公开各实施例提供的设备巡检方法、设备巡检装置、电子设备、计算机可读存储介质和计算机程序产品，通过基于人工智能对巡检图像进行验证的方式来保障巡检质量。只需要巡检员按照规定流程采集待巡检设备的图像并上传验证，后续验证工作全部由算法自动完成，以算法的准确性保证方案的准确性，由于算法自动计算，大大降低了人力，并且降低了由于人为因素出错的概率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述装置实施例中的对应描述，在此不再赘述。
尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机系统配置来实践，包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
应当理解的是，本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理，而不构成对本公开的限制。因此，在不偏离本公开的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。此外，本公开所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种设备巡检方法，其特征在于，包括：
获取设备图像，评估所述图像是否质量合格；
对质量评估合格的所述图像，提取所述图像的主体目标区域，将所述主体目标区域输入特征提取器，获得所述设备的特征向量；
计算所述特征向量与预先获得的待巡检设备的标准特征向量的相似度，如果所述相似度大于预设阈值，则判定所述设备是所述待巡检设备，所述设备巡检合规。
2.根据权利要求1所述的方法，其特征在于，所述获得待巡检设备的标准特征向量包括：
对所述待巡检设备拍摄多角度模板图；
从所述模板图提取所述待巡检设备的主体目标区域；
将所述主体目标区域输入特征提取器，获得所述待巡检设备的的标准特征向量。
3.根据权利要求1或2任一项所述的方法，其特征在于，所述特征提取器是一个用ImageNet数据集训练的残差网络模型。
4.根据权利要求3所述的方法，其特征在于，所述特征提取器输出的是一个128维的特征向量。
5.根据权利要求1或2任一项所述的方法，其特征在于，所述提取主体目标区域包括：
在图像中检测显著性最高的目标；
在图像中分割出所述目标。
6.根据权利要求1所述的方法，其特征在于，所述评估所述图像是否质量合格，包括：
对所述图像进行重复判定和模糊识别。
7.根据权利要求6所述的方法，其特征在于，所述对所述图像进行模糊识别包括：
用拉普拉斯算子对所述图像进行卷积并计算方差；
如果方差低于预定义阈值，将所述图像标记为模糊。
8.一种设备巡检装置，其特征在于，包括：
质量评估模块，用于获取设备图像，评估所述图像是否质量合格；
特征提取模块，用于对质量评估合格的所述图像，提取所述图像的主体目标区域，将所述主体目标区域输入特征提取器，获得所述设备的特征向量；
特征比对模块，用于计算所述特征向量与预先获得的待巡检设备的标准特征向量的相似度，如果所述相似度大于预设阈值，则判定所述设备是所述待巡检设备，所述设备巡检合规。
9.一种电子设备，其特征在于：包括存储器和处理器，
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现根据权利要求1-7任一项所述的方法。
10.一种计算机程序产品，包括计算机程序、指令，当所述计算机程序、指令被处理器执行时，实现根据权利要求1-7任一项所述的方法。
CN202310483686.3A 2023-04-28 2023-04-28 一种设备巡检方法、装置、电子设备及计算机程序产品 Pending CN116503807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310483686.3A CN116503807A (zh) 2023-04-28 2023-04-28 一种设备巡检方法、装置、电子设备及计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310483686.3A CN116503807A (zh) 2023-04-28 2023-04-28 一种设备巡检方法、装置、电子设备及计算机程序产品

Publications (1)

Publication Number Publication Date
CN116503807A true CN116503807A (zh) 2023-07-28

Family

ID=87317898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310483686.3A Pending CN116503807A (zh) 2023-04-28 2023-04-28 一种设备巡检方法、装置、电子设备及计算机程序产品

Country Status (1)

Country Link
CN (1) CN116503807A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195860A (zh) * 2023-11-07 2023-12-08 品茗科技股份有限公司 智能巡检方法、系统、电子设备和计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195860A (zh) * 2023-11-07 2023-12-08 品茗科技股份有限公司 智能巡检方法、系统、电子设备和计算机可读存储介质
CN117195860B (zh) * 2023-11-07 2024-03-26 品茗科技股份有限公司 智能巡检方法、系统、电子设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
US9135492B2 (en) Image based dial gauge reading
US20200294222A1 (en) Method and apparatus for outputting information
CN112950667B (zh) 一种视频标注方法、装置、设备及计算机可读存储介质
CN110580475A (zh) 基于无人机巡检的线路诊断方法、电子装置及存储介质
CN108337505B (zh) 信息获取方法和装置
US11657644B2 (en) Automatic ruler detection
CN116503807A (zh) 一种设备巡检方法、装置、电子设备及计算机程序产品
CN111767915A (zh) 车牌检测方法、装置、设备及存储介质
US10395090B2 (en) Symbol detection for desired image reconstruction
CN108229482B (zh) 燃气表的识别方法及系统
CN113505780A (zh) 一种基于二维码的智能检测维保的方法和设备
CN115880260A (zh) 基站施工的检测方法、装置、设备及计算机可读存储介质
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN112631333A (zh) 无人机的目标跟踪方法、装置及图像处理芯片
CN117218633A (zh) 一种物品检测方法、装置、设备及存储介质
CN115272340B (zh) 工业产品缺陷检测方法和装置
CN110826473A (zh) 一种基于神经网络的绝缘子图像自动识别方法
CN115601712A (zh) 适用于现场安全措施的图像数据处理方法及系统
CN113727022B (zh) 巡检图像的采集方法及装置、电子设备、存储介质
CN115311680A (zh) 人体图像质量检测方法、装置、电子设备及存储介质
CN114742142A (zh) 液晶显示屏的检测方法及液晶显示屏检测设备
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN115019055A (zh) 一种图像匹配方法、装置、智能设备及存储介质
CN112529845A (zh) 图像质量值确定方法、装置、存储介质及电子装置

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