CN116894930B - 基于ai+ar的数字作业指导系统 - Google Patents
基于ai+ar的数字作业指导系统 Download PDFInfo
- Publication number
- CN116894930B CN116894930B CN202311160294.XA CN202311160294A CN116894930B CN 116894930 B CN116894930 B CN 116894930B CN 202311160294 A CN202311160294 A CN 202311160294A CN 116894930 B CN116894930 B CN 116894930B
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- scene
- object image
- target
- 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.)
- Active
Links
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 55
- 238000010801 machine learning Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 36
- 238000007781 pre-processing Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000007547 defect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 238000010224 classification analysis Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V10/764—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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于生产作业指导技术领域,本发明公开了基于AI+AR的数字作业指导系统,获取作业指导环境中各个目标区域内对应的作业对象图像,所述作业对象图像为对应目标区域内的作业特征图像;获取与所述作业对象图像相匹配的预设作业图像;计算所述作业对象图像与预设作业图像的图像余弦相似度,基于图像余弦相似度获得目标图像;基于目标图像获取相匹配的场景标识,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识;基于现实场景特征的识别和标识反馈至用户端;实现虚拟环境的模拟和可视化,提供了更直观、实时的视觉信息,帮助用户在虚拟环境中进行演练和决策。
Description
技术领域
本发明涉及作业指导技术领域,更具体地说,本发明涉及基于AI+AR的数字作业指导系统。
背景技术
作业指导系统是为了确保工程质量和作业安全而设计的技术指导系统。它根据标准规范和具体要求指导作业人员完成任务和控制工程质量;由于作业过程中需要注意的事项繁多,无法在每个作业现场都有专人进行指导,因此,作业指导系统通过合理、便捷、友好的方式呈现给作业人员,以帮助他们更好、更快地进行作业,以确保工程顺利完成。
当前在作业指导环境下,其作业指导系统主要将传统的纸质文件替换成电子文档的格式,作业标准对应的电子文件通过文字和附图进行体现,如申请公开号为CN102890749A的中国专利公开了一种船舶分段制造三维作业指导书的生成方法及系统,利用数字技术、信息技术将船舶分段制造现场生产作业所需的信息通过三维模型及三维工艺传递,实现船舶分段的无纸化建造,进一步提升现场作业的信息化水平,缩短船舶建造周期,降低生产成本。
但是在实际作业之前,技术人员需要将现场作业情况和预设的标准作业情况进行比较,并根据实际情况进行标记,而且预设的标准作业情况概括比较笼统,只有结论,缺少必要的数据分析,无法获取现场的作业对象图像,无法客观地获取当前作业对象图像与预设作业数据之间的差别,在现场执行时针对性较差,无法通过可视化指导,极易造成作业人员错误理解作业指导系统的表达意图,甚至出现返工现象。
鉴于此,本发明提供了基于AI+AR的数字作业指导系统。
发明内容
为了克服现有技术的上述缺陷,本发明提供基于AI+AR的数字作业指导系统。
根据本发明的一个方面,提供了基于AI+AR的数字作业指导系统,包括AI识别模块、AR增强模块和作业指导模块,上述各个模块通过有线和/或无线连接的方式连接,实现各个模块间的数据传输:
AI识别模块,获取作业指导环境中各个目标区域内对应的作业对象图像,所述作业对象图像为对应目标区域内的作业特征图像;
AR增强模块,获取与所述作业对象图像相匹配的预设作业图像;计算所述作业对象图像与预设作业图像的图像余弦相似度,基于图像余弦相似度获得目标图像;基于目标图像获取相匹配的场景标识,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识;
作业指导模块,基于现实场景特征的识别和标识反馈至用户端,供可视化展示。
作为本发明的一种优选方案,所述作业对象图像的获取逻辑为:
S111:基于图像采集设备对作业指导环境进行图片采集,将作业指导环境中的图片进行预处理获得预处理图片;
S112:基于传感采集设备对作业指导环境中的环境数据进行采集;
S113:将环境数据和预处理图片通过预构建AI机器学习模型进行训练,获得当前作业指导环境对应的作业特征向量;
S114:基于作业特征向量获得对应的作业缺陷类型;根据作业缺陷类型对所述预处理图片进行划分,获得对应的作业特征图像;将作业特征图像标记为作业对象图像;将作业对象图像对应的区域标记为目标区域。
作为本发明的一种优选方案,所述作业特征向量的获取逻辑为:
预先收集各作业指导环境中的历史环境数据和历史预处理图片;将历史环境数据和历史预处理图片作为样本集;将样本集划分为训练集和测试集,构建AI机器学习模型,将所述训练集输入所述AI机器学习模型中进行训练,以生成待验证作业特征向量,根据所述测试集对所述待验证作业特征向量进行测试,以输出大于等于预设准确阈值的作业特征向量;
所述AI机器学习模型为AI图像识别的机器学习模型,所述机器学习模型具体为神经网络模型、LSTM、支持向量机和逻辑回归中的一种。
作为本发明的一种优选方案,AI机器学习模型的训练方式为:
将作业指导环境中单次采集的历史环境数据和历史预处理图片作为AI机器学习模型的输入;所述AI机器学习模型的输出为预测作业特征向量,实测作业特征向量为预测目标,以预测作业特征向量和实测作业特征向量之间的差值为预测准确度;对AI机器学习模型进行训练,直至预测准确度大于等于预设准确阈值时停止训练。
作为本发明的一种优选方案,所述目标图像的获取逻辑为:
将所述作业对象图像与预设作业图像通过余弦相似系数计算获得图像余弦相似度;
若图像余弦相似度小于预设图像特征阈值,则计算下一张预设作业图像与作业对象图像的图像余弦相似度,若遍历所有的预设作业图像与当前作业对象图像的图像余弦相似度均小于预设图像特征阈值,则将当前作业对象图像更新为预设作业图像;
若图像余弦相似度大于等于预设图像特征阈值,则将预设作业图像作为作业对象图像的虚拟参照图;
将所有的虚拟参照图按照图像余弦相似度由大到小进行排序,将最大的图像余弦相似度对应的虚拟参照图标记为目标图像。
作为本发明的一种优选方案,基于目标图像获取相匹配的场景标识的分析逻辑为:
将目标图像与作业对象图像生成像素大小相同的像素值矩阵,根据像素位置获得目标图像与作业对象图像之间的像素差值矩阵,其中/>,/>为所述像素差值矩阵中的像素差值,/>为0到255的整数,/>为所述像素差值矩阵的矩阵行数,/>为所述像素差值矩阵的矩阵列数,/>、/>均为大于等于1的整数,每个所述像素差值均具有对应的匹配值;
将像素差值与预设的场景像素差值阈值进行比较;
若像素差值大于等于预设的场景像素差值阈值,则对目标图像对应像素位置不进行场景标识;
若像素差值小于预设的场景像素差值阈值,则对目标图像对应像素位置进行场景标识。
作为本发明的一种优选方案,所述像素差值与预设的场景像素差值阈值之间的差值标记为匹配值。
作为本发明的一种优选方案,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑为:
基于场景标识将当前目标图像进行分割,以获取r个目标标识图像,每个目标标识图像为现实场景特征,r为正整数;
将目标标识图像与对应像素位置的作业对象图像进行区域叠加,得到所述作业对象图像对应的现实场景特征的识别和标识。
作为本发明的一种优选方案,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑,还包括:
对所述作业对象图像进行网格简化处理和分类分析,识别所述作业对象图像中对应的场景标识;并将所述场景标识以具有简化平面和不同材质的扁平立方体替换原有场景中的作业对象图像,实现虚拟场景中所述作业对象图像对应现实场景特征的识别和标识。
根据本发明的另一个方面,提供了基于AI+AR的数字作业指导方法,其基于上述基于AI+AR的数字作业指导系统实现,包括:
获取作业指导环境中各个目标区域内对应的作业对象图像,所述作业对象图像为对应目标区域内的作业特征图像;
获取与所述作业对象图像相匹配的预设作业图像;计算所述作业对象图像与预设作业图像的图像余弦相似度,基于图像余弦相似度获得目标图像;基于目标图像获取相匹配的场景标识,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识;
基于现实场景特征的识别和标识反馈至用户端,供可视化展示。
根据本发明的又一个方面,提供了一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述基于AI+AR的数字作业指导方法。
根据本发明的再一个方面,提供了一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述基于AI+AR的数字作业指导方法。
本发明基于AI+AR的数字作业指导系统的技术效果和优点:
本发明通过使用AI技术和AR图像增强分析方法,可以自动化地识别和标识作业对象图像中的现实场景特征,减少了手动分析和标记的工作量,提高了效率和准确性,将识别和标识的现实场景特征反馈至用户端,并进行可视化展示,使用户能够实时获取和观察现实场景特征的识别结果,这有助于用户更好地理解和分析相关信息,并进行决策和交互;通过识别和标识现实场景特征,可以提供更丰富、准确的数据和信息,从而增强决策的支持能力;用户可以基于识别的现实场景特征进行更准确、有针对性的决策,提高作业的效率和质量;将作业对象图像对应的现实场景特征转换为虚拟场景中的标识和展示,可以实现虚拟环境的模拟和可视化,这为用户提供了更直观、实时的视觉信息,帮助他们在虚拟环境中进行实验、演练和决策。
附图说明
图1为本发明基于AI+AR的数字作业指导系统应用图;
图2为本发明基于AI+AR的数字作业指导系统框架图;
图3为本发明基于AI+AR的数字作业指导方法流程图;
图4为本发明基于AI图像分析方法流程图;
图5为本发明一种电子设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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,都属于本发明保护的范围。
实施例1
本发明提供了如图1-2所示的基于AI+AR的数字作业指导系统,包括:AI识别模块100、AR增强模块200和作业指导模块300,上述各个模块通过有线和/或无线连接的方式连接,实现各个模块间的数据传输;
AI识别模块100,获取作业指导环境中各个目标区域内对应的作业对象图像,所述作业对象图像为对应目标区域内的作业特征图像;将作业对象图像传递至AR增强模块200;
这里需要说明的是:在作业指导环境中会安装摄像头或者智能眼镜等图像采集装置,对需要作业指导环境中的实时环境进行监测和分析作业活动;因此,本发明所表述的目标区域为当前作业指导环境中具有不同功能的区域划分;因此在获取目标区域之前,还需要对作业指导环境进行分析;
具体的,如图4所示,所述作业对象图像的获取逻辑为:
S111:基于图像采集设备对作业指导环境进行图片采集,将作业指导环境中的图片进行预处理获得预处理图片;
S112:基于传感采集设备对作业指导环境中的环境数据进行采集;
S113:将环境数据和预处理图片通过预构建AI机器学习模型进行训练,获得当前作业指导环境对应的作业特征向量;
S114:基于作业特征向量获得对应的作业缺陷类型;根据作业缺陷类型对所述预处理图片进行划分,获得对应的作业特征图像;将作业特征图像标记为作业对象图像;将作业对象图像对应的区域标记为目标区域。
这里需要说明的是:使用图像采集设备对作业指导环境进行图片采集,得到原始图像,然后对这些原始图像进行预处理,预处理为本领域技术人员常用的预处理手段,例如去噪、调整大小或者其他必要的图像处理操作,从而保证预处理图片的清晰度和大小在同一个维度空间,在后续的处理过程中,减少误判可能性;所述环境数据包括环境温度数据、环境湿度数据以及光照强度数据;主要通过对应的传感器实时采集,可以通过控制环境数据以获得不同环境数据下的预处理图片;将环境数据和对应的预处理图片经过AI机器学习模型学习训练后,获得的对应的作业特征向量;作业特征向量表征的数据为消除环境数据对预处理图片的影响,从而获得更加接近真实作业缺陷的图片,因此通过作业特征向量表征作业缺陷类型。
使用AI机器学习模型与预处理图片进行分析,是基于深度学习的目标检测、图像分割或特征提取模型。它将识别作业缺陷类型,并生成相应的作业特征向量。
根据AI机器学习模型分析获得作业特征向量和作业缺陷类型,根据作业特征向量和作业缺陷类型对预处理图片进行划分,获得对应的目标区域。具体可以使用计算机视觉算法和技术,例如图像分割、边缘检测或聚类等方法来实现。
通过AI机器学习模型实现自动化的作业特征图像划分,消除了人工标记的需求,节省了时间和人力资源,并提高了标记的准确性和一致性;实现目标区域的自动化标记和划分可以提高工作效率、减少人力成本、提供准确的缺陷分类信息,并帮助指导后续的处理和修复工作,从而改善作业质量和减少潜在风险。
所述作业特征向量的获取逻辑为:
预先收集各作业指导环境中的历史环境数据和历史预处理图片;将历史环境数据和历史预处理图片作为样本集;将样本集划分为训练集和测试集,构建AI机器学习模型,将所述训练集输入所述AI机器学习模型中进行训练,以生成待验证作业特征向量,根据所述测试集对所述待验证作业特征向量进行测试,以输出大于等于预设准确阈值的作业特征向量,预设准确阈值作为AI机器学习模型预测准确度的一个参考值,具体根据应用需求做出适当的权衡,因此未公开具体数值;
所述AI机器学习模型为AI图像识别的机器学习模型,所述机器学习模型具体为神经网络模型、LSTM、支持向量机和逻辑回归中的一种;
这里需要说明的是:预先收集各作业指导环境中的历史环境数据和历史预处理图片。历史环境数据和历史预处理图片为各作业指导环境中采集的环境数据和预处理图片;将环境数据和预处理图片储存在对应的历史数据库中,在后续应用中使用时,储存在对应的历史数据库中的环境数据和预处理图片为当前时刻的历史环境数据和历史预处理图片。
将历史环境数据和历史预处理图片作为样本集,并将样本集划分为训练集和测试集;训练集将用于训练AI机器学习模型,测试集将用于评估模型的性能;
选择适当的AI机器学习模型,例如神经网络模型、LSTM、支持向量机(SVM)或逻辑回归等。将训练集输入AI机器学习模型进行训练,以学习样本集中的模式和特征,并生成待验证的作业特征向量。
AI机器学习模型的训练方式为:
将作业指导环境中单次采集的历史环境数据和历史预处理图片作为AI机器学习模型的输入;所述AI机器学习模型的输出为预测作业特征向量,实测作业特征向量为预测目标,以预测作业特征向量和实测作业特征向量之间的差值为预测准确度;对AI机器学习模型进行训练,直至预测准确度大于等于预设准确阈值时停止训练。
这里需要说明的是:将现实中采集的历史环境数据和历史预处理图片通过AI机器学习模型,获得消除历史环境数据对历史预处理图片的影响的向量标记为作业特征向量;
环境参数如作业现场的温度、湿度和光照等环境参数,图像特征参数包括边缘信息、纹理特征和颜色分布等参数,通过图像特征参数可以表征当前预处理图片存在的作业缺陷类型,例如裂缝、漏水、材料损坏等。
将作业指导环境中单次采集的历史环境数据和历史预处理图片作为AI机器学习模型的输入数据。实测作业特征向量为预设环境数据下的作业特征向量,将实测作业特征向量作为预测目标;预测作业特征向量为AI机器学习模型的输出。将预测作业特征与实测作业特征向量进行比较,计算它们之间的差值作为预测准确度的评估指标。
在训练过程中,持续监控预测准确度的数值。当预测准确度达到或超过预设准确阈值时,停止训练。这表示模型已经达到预期的预测准确度,可以用于后续的预测任务。
AR增强模块200,获取与所述作业对象图像相匹配的预设作业图像;计算所述作业对象图像与预设作业图像的图像余弦相似度,基于图像余弦相似度获得目标图像;基于目标图像获取相匹配的场景标识,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识;将现实场景特征的识别和标识传递至作业指导模块300;
这里需要说明的是:这里的预设作业图像主要通过事先收集作业对象相关联的参考图纸,将这些参考图纸标记为预设作业图像,其主要用于与作业对象图像进行比对。根据比对结果,获取与比对结果相匹配的场景标识,这些场景标识可以是预先定义的标签或标识符,用于指示作业对象图像对应的现实场景特征。例如,如果比对结果表明作业对象图像与某个预设作业图像相匹配,那么相应的场景标识通过AR现实增强技术将指示该图像对应的特定作业场景,确定作业对象图像对应的现实场景特征的识别和标识。这样可以将作业对象图像与特定作业场景相关联,并进行后续的处理和分析,例如进一步的缺陷检测、修复规划或数据分析。
所述目标图像的获取逻辑为:
将所述作业对象图像与预设作业图像通过余弦相似系数计算获得图像余弦相似度;
若图像余弦相似度小于预设图像特征阈值,则计算下一张预设作业图像与作业对象图像的图像余弦相似度,若遍历所有的预设作业图像与当前作业对象图像的图像余弦相似度均小于预设图像特征阈值,则将当前作业对象图像更新为预设作业图像;
若图像余弦相似度大于等于预设图像特征阈值,则将预设作业图像作为作业对象图像的虚拟参照图;
将所有的虚拟参照图按照图像余弦相似度由大到小进行排序,将最大的图像余弦相似度对应的虚拟参照图标记为目标图像。
这里需要说明的是:通过计算图像余弦相似度,并根据预设图像特征阈值进行判断和标记,可以实现对作业对象图像的自动化标记。这消除了人工判断和标记的需求,提高了效率和准确性。使用图像余弦相似度和设定预设图像特征阈值,可以灵活地调整图像特征阈值的判定标准,这个主要通过专业技术人员根据具体需求进行设定,设定较低的阈值以容忍较小的差异,或设定较高的阈值以要求更严格的相似度匹配。这样可以根据实际情况进行适应性调整,提高灵活性和适应性。
自动化的图像标记和匹配过程可以大大提高处理效率,并减少人为错误。通过自动化处理,可以快速地对作业对象图像进行识别和标记,避免了手动比对的繁琐过程,提高了准确性和一致性。
遍历所有的预设作业图像,如果所有图像余弦相似度均小于预设图像特征阈值,这说明当前采集的作业对象图像是历史数据库中不包含的预设作业图像,那么将该作业对象图像标记为预设作业图像;如果作业对象图像与当前预设作业图像的图像余弦相似度大于等于预设图像特征阈值,则将当前预设作业图像作为作业对象图像的虚拟参照图,这里还存在一个问题就是虚拟参照图可能包含多个,选择其中图像余弦相似度最大的作为目标图像。
基于目标图像获取相匹配的场景标识的分析逻辑为:
所述场景标识包括一级场景标识、二级场景标识、三级场景标识;
将目标图像与作业对象图像生成像素大小相同的像素值矩阵,根据像素位置获得目标图像与作业对象图像之间的像素差值矩阵,其中/>,/>为所述像素差值矩阵中的像素差值,/>为0到255的整数,/>为所述像素差值矩阵的矩阵行数,/>为所述像素差值矩阵的矩阵列数,/>、/>均为大于等于1的整数,每个所述像素差值均具有对应的匹配值;
将像素差值与预设的场景像素差值阈值进行比较;
若像素差值大于等于预设的场景像素差值阈值,则对目标图像对应像素位置不进行场景标识;
若像素差值小于预设的场景像素差值阈值,则对目标图像对应像素位置进行场景标识,对应的像素差值与预设的场景像素差值阈值之间的差值标记为匹配值。
这里需要说明的是:将目标图像和作业对象图像生成相同大小的像素值矩阵。对应位置的像素差值可以通过计算两幅图像相同位置的像素值差来得到。将像素差值与预设的场景像素差值阈值进行比较。如果像素差值小于预设的场景像素差值阈值,则表示该像素位置匹配目标图像的场景标识。同时,将像素差值与预设的场景像素差值阈值之间的差值作为匹配值标记,场景像素差值阈值根据目标图像以及作业对象图像相同位置的像素值差值大小进行设置,若要求的匹配精度越高,则相应的场景像素差值阈值具体数值就越小,反之则相反。
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的具体分析逻辑为:
基于场景标识将当前目标图像进行分割,以获取r个目标标识图像,每个目标标识图像为现实场景特征,r为正整数;
将目标标识图像与对应像素位置的作业对象图像进行区域叠加,得到所述作业对象图像对应的现实场景特征的识别和标识。
这里需要说明的是:根据获取的场景标识,对当前目标图像进行分割。将目标图像划分为r个目标标识图像,每个目标标识图像代表一个现实场景特征。将每个目标标识图像与对应像素位置的作业对象图像进行区域叠加。通过将目标标识图像与作业对象图像进行像素级别的叠加,可以得到作业对象图像对应的现实场景特征的识别和标识。
作业指导模块300,基于现实场景特征的识别和标识反馈至用户端,供可视化展示。
这里需要说明的是:本实施例通过使用AI技术和图像分析方法,可以自动化地识别和标识作业对象图像中的现实场景特征,减少了手动分析和标记的工作量,提高了效率和准确性,将识别和标识的现实场景特征反馈至用户端,并进行可视化展示,使用户能够实时获取和观察现实场景特征的识别结果。这有助于用户更好地理解和分析相关信息,并进行决策和交互;通过识别和标识现实场景特征,可以提供更丰富、准确的数据和信息,从而增强决策的支持能力。用户可以基于识别的现实场景特征进行更准确、有针对性的决策,提高作业的效率和质量;将作业对象图像对应的现实场景特征转换为虚拟场景中的标识和展示,可以实现虚拟环境的模拟和可视化。这为用户提供了更直观、实时的视觉信息,帮助他们在虚拟环境中进行实验、演练和决策。
实施例2
与上述实施例1不同点在于,本实施例对作业对象图像进行网格简化处理和分类分析,识别场景标识,并在虚拟场景中用具有简化平面和不同材质的扁平立方体等模型替换原有场景中的作业对象图像,实现对应现实场景特征的识别和标识。这样可以在虚拟环境中模拟和呈现作业对象图像对应的现实场景特征,提供更直观、具体的视觉信息,支持后续的分析、决策和交互。
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑,还包括:
对所述作业对象图像进行网格简化处理和分类分析,识别所述作业对象图像中对应的场景标识;并将所述场景标识以具有简化平面和不同材质的扁平立方体替换原有场景中的作业对象图像,实现虚拟场景中所述作业对象图像对应现实场景特征的识别和标识;
与对作业对象图像中的网格进行简化处理,网格简化是一种减少网格细分级别的技术,可以减少模型的复杂性,提高处理效率。简化后的网格仍需保持足够的准确性以保留关键特征,对简化后的作业对象图像进行分类分析,使用机器学习算法或其他分类技术,识别其中的场景标识。这可以通过训练一个分类模型,将简化后的作业对象图像作为输入,并输出对应的场景标识,将识别得到的场景标识应用于虚拟场景中。通过将简化后的作业对象图像替换为具有简化平面和不同材质的扁平立方体或其他表示虚拟场景特征的模型,实现对应现实场景特征的识别和标识。
实施例3
如图3所示,本实施例提供基于AI+AR的数字作业指导方法,包括以下步骤:
获取作业指导环境中各个目标区域内对应的作业对象图像,所述作业对象图像为对应目标区域内的作业特征图像;
获取与所述作业对象图像相匹配的预设作业图像;计算所述作业对象图像与预设作业图像的图像余弦相似度,基于图像余弦相似度获得目标图像;基于目标图像获取相匹配的场景标识,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识;
基于现实场景特征的识别和标识反馈至用户端,供可视化展示。
所述作业对象图像的获取逻辑为:
S111:基于图像采集设备对作业指导环境进行图片采集,将作业指导环境中的图片进行预处理获得预处理图片;
S112:基于传感采集设备对作业指导环境中的环境数据进行采集;
S113:将环境数据和预处理图片通过预构建AI机器学习模型进行训练,获得当前作业指导环境对应的作业特征向量;
S114:基于作业特征向量获得对应的作业缺陷类型;根据作业缺陷类型对所述预处理图片进行划分,获得对应的作业特征图像;将作业特征图像标记为作业对象图像;将作业对象图像对应的区域标记为目标区域。
所述作业特征向量的获取逻辑为:
预先收集各作业指导环境中的历史环境数据和历史预处理图片;将历史环境数据和历史预处理图片作为样本集;将样本集划分为训练集和测试集,构建AI机器学习模型,将所述训练集输入所述AI机器学习模型中进行训练,以生成待验证作业特征向量,根据所述测试集对所述待验证作业特征向量进行测试,以输出大于等于预设准确阈值的作业特征向量;
所述AI机器学习模型为AI图像识别的机器学习模型,所述机器学习模型具体为神经网络模型、LSTM、支持向量机和逻辑回归中的一种。
AI机器学习模型的训练方式为:
将作业指导环境中单次采集的历史环境数据和历史预处理图片作为AI机器学习模型的输入;所述AI机器学习模型的输出为预测作业特征向量,实测作业特征向量为预测目标,以预测作业特征向量和实测作业特征向量之间的差值为预测准确度;对AI机器学习模型进行训练,直至预测准确度大于等于预设准确阈值时停止训练。
所述目标图像的获取逻辑为:
将所述作业对象图像与预设作业图像通过余弦相似系数计算获得图像余弦相似度;
若图像余弦相似度小于预设图像特征阈值,则计算下一张预设作业图像与作业对象图像的图像余弦相似度,若遍历所有的预设作业图像与当前作业对象图像的图像余弦相似度均小于预设图像特征阈值,则将当前作业对象图像更新为预设作业图像;
若图像余弦相似度大于等于预设图像特征阈值,则将预设作业图像作为作业对象图像的虚拟参照图;
将所有的虚拟参照图按照图像余弦相似度由大到小进行排序,将最大的图像余弦相似度对应的虚拟参照图标记为目标图像。
基于目标图像获取相匹配的场景标识的分析逻辑为:
将目标图像与作业对象图像生成像素大小相同的像素值矩阵,根据像素位置获得目标图像与作业对象图像之间的像素差值矩阵,其中/>,/>为所述像素差值矩阵中的像素差值,/>为0到255的整数,/>为所述像素差值矩阵的矩阵行数,/>为所述像素差值矩阵的矩阵列数,/>、/>均为大于等于1的整数,每个所述像素差值均具有对应的匹配值;
将像素差值与预设的场景像素差值阈值进行比较;
若像素差值大于等于预设的场景像素差值阈值,则对目标图像对应像素位置不进行场景标识;
若像素差值小于预设的场景像素差值阈值,则对目标图像对应像素位置进行场景标识。
所述像素差值与预设的场景像素差值阈值之间的差值标记为匹配值。
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑为:
基于场景标识将当前目标图像进行分割,以获取r个目标标识图像,每个目标标识图像为现实场景特征,r为正整数;
将目标标识图像与对应像素位置的作业对象图像进行区域叠加,得到所述作业对象图像对应的现实场景特征的识别和标识。
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑,还包括:
对所述作业对象图像进行网格简化处理和分类分析,识别所述作业对象图像中对应的场景标识;并将所述场景标识以具有简化平面和不同材质的扁平立方体替换原有场景中的作业对象图像,实现虚拟场景中所述作业对象图像对应现实场景特征的识别和标识。
实施例4
本实施例示出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的基于AI+AR的数字作业指导方法。
图5是本申请实施例提供的一种电子设备的结构示意图,该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上处理器(Central ProcessingUnits,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该至少一条计算机程序由该处理器加载并执行以实现上述各个方法实施例提供的基于AI+AR的数字作业指导方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有线或无线网络接口以及输入输出接口等部件,以便进行输入输出。本申请实施例在此不做赘述。
实施例5
本实施例示出的一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的基于AI+AR的数字作业指导方法。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
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算法步骤,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申请的范围。
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,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述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计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述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(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后: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,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 (8)
1.基于AI+AR的数字作业指导系统,其特征在于,包括;
AI识别模块(100),获取作业指导环境中各个目标区域内对应的作业对象图像,所述作业对象图像为对应目标区域内的作业特征图像;
AR增强模块(200),获取所述作业对象图像相匹配的预设作业图像;计算所述作业对象图像与预设作业图像的图像余弦相似度,基于图像余弦相似度获得目标图像;基于目标图像获取相匹配的场景标识,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识;
作业指导模块(300),基于现实场景特征的识别和标识反馈至用户端,供可视化展示;
所述作业对象图像的获取逻辑为:
S111:基于图像采集设备对作业指导环境进行图片采集,将作业指导环境中的图片进行预处理获得预处理图片;
S112:基于传感采集设备对作业指导环境中的环境数据进行采集;
S113:将环境数据和预处理图片通过预构建AI机器学习模型进行训练,获得当前作业指导环境对应的作业特征向量;
S114:基于作业特征向量获得对应的作业缺陷类型;根据作业缺陷类型对所述预处理图片进行划分,获得对应的作业特征图像;将作业特征图像标记为作业对象图像;将作业对象图像对应的区域标记为目标区域;
所述作业特征向量的获取逻辑为:
预先收集各作业指导环境中的历史环境数据和历史预处理图片;将历史环境数据和历史预处理图片作为样本集;将样本集划分为训练集和测试集,构建AI机器学习模型,将所述训练集输入所述AI机器学习模型中进行训练,以生成待验证作业特征向量,根据所述测试集对所述待验证作业特征向量进行测试,以输出大于等于预设准确阈值的作业特征向量;
所述AI机器学习模型为AI图像识别的机器学习模型,所述机器学习模型为神经网络模型、LSTM、支持向量机和逻辑回归中的一种;
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑为:
基于场景标识将当前目标图像进行分割,以获取r个目标标识图像,每个目标标识图像为现实场景特征,r为正整数;
将目标标识图像与对应像素位置的作业对象图像进行区域叠加,得到所述作业对象图像对应现实场景特征的识别和标识;
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑,还包括:
对所述作业对象图像进行网格简化处理和分类分析,识别所述作业对象图像中对应的场景标识;并将所述场景标识以具有简化平面和不同材质的扁平立方体替换原有场景中的作业对象图像,实现虚拟场景中所述作业对象图像对应现实场景特征的识别和标识。
2.根据权利要求1所述的基于AI+AR的数字作业指导系统,其特征在于:AI机器学习模型的训练方式为:
将作业指导环境中单次采集的历史环境数据和历史预处理图片作为AI机器学习模型的输入;所述AI机器学习模型的输出为预测作业特征向量,实测作业特征向量为预测目标,以预测作业特征向量和实测作业特征向量之间的差值为预测准确度;对AI机器学习模型进行训练,直至预测准确度大于等于预设准确阈值时停止训练。
3.根据权利要求2所述的基于AI+AR的数字作业指导系统,其特征在于:所述目标图像的获取逻辑为:
将所述作业对象图像与预设作业图像通过余弦相似系数计算获得图像余弦相似度;
若图像余弦相似度小于预设图像特征阈值,则计算下一张预设作业图像与作业对象图像的图像余弦相似度,若遍历所有的预设作业图像与当前作业对象图像的图像余弦相似度均小于预设图像特征阈值,则将当前作业对象图像更新为预设作业图像;
若图像余弦相似度大于等于预设图像特征阈值,则将预设作业图像作为作业对象图像的虚拟参照图;
将所有的虚拟参照图按照图像余弦相似度由大到小进行排序,将最大的图像余弦相似度对应的虚拟参照图标记为目标图像。
4.根据权利要求3所述的基于AI+AR的数字作业指导系统,其特征在于:基于目标图像获取相匹配的场景标识的分析逻辑为:
将目标图像与作业对象图像生成像素大小相同的像素值矩阵,根据像素位置获得目标图像与作业对象图像之间的像素差值矩阵,其中/>,/>为所述像素差值矩阵中的像素差值,/>为0到255的整数,/>为所述像素差值矩阵的矩阵行数,为所述像素差值矩阵的矩阵列数,/>、/>均为大于等于1的整数,每个所述像素差值均具有对应的匹配值;
将像素差值与预设的场景像素差值阈值进行比较;
若像素差值大于等于预设的场景像素差值阈值,则对目标图像对应像素位置不进行场景标识;
若像素差值小于预设的场景像素差值阈值,则对目标图像对应像素位置进行场景标识。
5.根据权利要求4所述的基于AI+AR的数字作业指导系统,其特征在于:所述像素差值与预设的场景像素差值阈值之间的差值标记为匹配值。
6.基于AI+AR的数字作业指导方法,其基于权利要求1-5任意一项所述的基于AI+AR的数字作业指导系统实现,其特征在于,包括:
获取作业指导环境中各个目标区域内对应的作业对象图像,所述作业对象图像为对应目标区域内的作业特征图像;
获取与所述作业对象图像相匹配的预设作业图像;计算所述作业对象图像与预设作业图像的图像余弦相似度,基于图像余弦相似度获得目标图像;基于目标图像获取相匹配的场景标识,将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识;
基于现实场景特征的识别和标识反馈至用户端,供可视化展示;
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑为:
基于场景标识将当前目标图像进行分割,以获取r个目标标识图像,每个目标标识图像为现实场景特征,r为正整数;
将目标标识图像与对应像素位置的作业对象图像进行区域叠加,得到所述作业对象图像对应现实场景特征的识别和标识;
将所述场景标识所指示的应用场景确定为所述作业对象图像对应现实场景特征的识别和标识的分析逻辑,还包括:
对所述作业对象图像进行网格简化处理和分类分析,识别所述作业对象图像中对应的场景标识;并将所述场景标识以具有简化平面和不同材质的扁平立方体替换原有场景中的作业对象图像,实现虚拟场景中所述作业对象图像对应现实场景特征的识别和标识。
7.一种电子设备,其特征在于:包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行如权利要求6所述的基于AI+AR的数字作业指导方法。
8.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求6所述的基于AI+AR的数字作业指导方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160294.XA CN116894930B (zh) | 2023-09-11 | 2023-09-11 | 基于ai+ar的数字作业指导系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160294.XA CN116894930B (zh) | 2023-09-11 | 2023-09-11 | 基于ai+ar的数字作业指导系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894930A CN116894930A (zh) | 2023-10-17 |
CN116894930B true CN116894930B (zh) | 2023-12-01 |
Family
ID=88315218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311160294.XA Active CN116894930B (zh) | 2023-09-11 | 2023-09-11 | 基于ai+ar的数字作业指导系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894930B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652929A (zh) * | 2020-06-03 | 2020-09-11 | 全球能源互联网研究院有限公司 | 一种视觉特征的识别定位方法及系统 |
CN112288883A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 作业指导信息的提示方法、装置、电子设备及存储介质 |
CN112949457A (zh) * | 2021-02-26 | 2021-06-11 | 中国国际航空股份有限公司 | 基于增强现实技术的维修方法、装置及系统 |
CN114510173A (zh) * | 2022-01-21 | 2022-05-17 | 上海维智卓新信息科技有限公司 | 基于增强现实的施工作业方法及装置 |
CN115331002A (zh) * | 2022-08-23 | 2022-11-11 | 北京宇乾能源科技有限责任公司 | 一种基于ar眼镜实现热力站故障远程处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481327B (zh) * | 2017-09-08 | 2019-03-15 | 腾讯科技(深圳)有限公司 | 关于增强现实场景的处理方法、装置、终端设备及系统 |
WO2019209887A1 (en) * | 2018-04-23 | 2019-10-31 | The Regents Of The University Of Colorado, A Body Corporate | Mobile and augmented reality based depth and thermal fusion scan |
US11551344B2 (en) * | 2019-12-09 | 2023-01-10 | University Of Central Florida Research Foundation, Inc. | Methods of artificial intelligence-assisted infrastructure assessment using mixed reality systems |
-
2023
- 2023-09-11 CN CN202311160294.XA patent/CN116894930B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652929A (zh) * | 2020-06-03 | 2020-09-11 | 全球能源互联网研究院有限公司 | 一种视觉特征的识别定位方法及系统 |
CN112288883A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 作业指导信息的提示方法、装置、电子设备及存储介质 |
CN112949457A (zh) * | 2021-02-26 | 2021-06-11 | 中国国际航空股份有限公司 | 基于增强现实技术的维修方法、装置及系统 |
CN114510173A (zh) * | 2022-01-21 | 2022-05-17 | 上海维智卓新信息科技有限公司 | 基于增强现实的施工作业方法及装置 |
CN115331002A (zh) * | 2022-08-23 | 2022-11-11 | 北京宇乾能源科技有限责任公司 | 一种基于ar眼镜实现热力站故障远程处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116894930A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229485B (zh) | 用于测试用户界面的方法和装置 | |
JP2021532434A (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
CN108830837A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN109800153A (zh) | 移动应用测试方法与装置、电子设备、存储介质 | |
CN112633313B (zh) | 一种网络终端的不良信息识别方法及局域网终端设备 | |
CN110968712B (zh) | Bim族模型获取的方法、装置及系统 | |
CN110133443B (zh) | 基于平行视觉的输电线路部件检测方法、系统、装置 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN112749813A (zh) | 一种数据处理系统、方法、电子设备及存储介质 | |
CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
CN115372877B (zh) | 基于无人机的变电站的避雷器泄露电流表计巡检方法 | |
CN115331002A (zh) | 一种基于ar眼镜实现热力站故障远程处理方法 | |
CN107316131A (zh) | 一种基于图像识别的电能计量装置安装工艺质量检测系统 | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
CN113345052B (zh) | 基于相似显著性的分类数据多视图可视化着色方法及系统 | |
CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
CN112561276B (zh) | 作业操作风险演示方法及装置、存储介质、电子装置 | |
CN116894930B (zh) | 基于ai+ar的数字作业指导系统 | |
CN117218104A (zh) | 电子雷管模块外观检测方法、系统、存储介质及电子设备 | |
CN110334818B (zh) | 一种管路自动识别的方法及系统 | |
CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN114612889A (zh) | 一种仪表信息获取方法、系统、电子设备及存储介质 | |
CN114625627A (zh) | 一种基于大数据多维分析的用户智能感知方法 | |
CN114155421A (zh) | 一种深度学习算法模型自动迭代方法 |
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 |