CN117095275A - 一种数据中心资产盘点方法、系统、装置及存储介质 - Google Patents
一种数据中心资产盘点方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN117095275A CN117095275A CN202311131040.5A CN202311131040A CN117095275A CN 117095275 A CN117095275 A CN 117095275A CN 202311131040 A CN202311131040 A CN 202311131040A CN 117095275 A CN117095275 A CN 117095275A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- dimensional code
- processing
- image data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 104
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 22
- 238000003672 processing method Methods 0.000 claims description 20
- 230000008521 reorganization Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 5
- 230000015654 memory Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005530 etching Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明涉及资产盘点技术领域,公开了一种数据中心资产盘点方法、系统、装置及存储介质,本发明通过将每个机柜的初始二维码处理为由目标数量的初始二维码按照预设格式要求组成的目标二维码,解决了机柜门网孔会对机柜内部的二维码形成遮挡,并造成相当概率的识别失败的问题;同时,利用采用双目摄像头的巡检机器人获取对应的包含目标二维码的第一图像数据集,提高了获取的图像中包含目标二维码的数量;进一步,通过对图像进行处理,改善了图像的质量,使每个二维码图像更容易被识别。因此,通过实施本发明,能够突破二维码观测遮挡的技术限制和补偿,提高二维码图像的识别精度,进一步提高对数据中心资产盘点的准确度。
Description
技术领域
本发明涉及资产盘点技术领域,具体涉及一种数据中心资产盘点方法、系统、装置及存储介质。
背景技术
IDC机房是指数据中心,它是企业和机构中极为重要的信息技术基础设施,承担着重要的数据处理和存储功能。为了保证IDC机房设备的安全和稳定运行,都需要定期进行设备盘点。
传统的设备盘点需要大量的人力物力,而随着机器人技术的发展,现在可以利用机器人来实现IDC机房设备的盘点。
目前一般的IDC机房中都布设了大量的计算型、存储型计算器,包括CPU、GP、硬盘、内存等昂贵部件,而日常工作中进出机房的人员较多,包括经常性做服务器上下架操作,极易产生资产遗失问题,因此资产盘点工作非常重要,而传统的盘点方式一般为人员手动抄录并在后台核对,或者通过扫码枪手动扫描,这种方式一方面是速度较慢、效率较低,另一方面是严重捆绑人力,紧缺的人力资源无法从简单重复劳动中解放出来,严重占用了人力时间,一般来讲大型数据中心统计周期在半年、一年的颗粒度,整个盘点周期在一周以上,资产遗失风险极大。另一种主流方式是U位检测模块方式,该方式采用实时在线监测方式实现,整体监测速度(实时)和准确率都比较高,唯一缺点在于整体建造成本高昂,大多数数据中心机房难以全量部署安装。
随着IDC巡检机器人的逐渐普及,机器人开始用新的方式承接资产盘点任务,目前主流的方式是在机柜门外粘贴含有机器资产和U位信息的二维码,通过机器人所带有的可见光云台扫码识别的方式进行周期性统计。之所以在机柜门外粘贴二维码,是因为机柜门网孔会对机柜内部的二维码形成遮挡,并造成相当概率的识别失败,但贴在柜门外会导致机码分离,容易造成资产下架但二维码未拆除等异常情况,会造成盘点误判误报。综上,以往方式很难在成本和效率上达到满意的平衡。
发明内容
有鉴于此,本发明提供了一种数据中心资产盘点方法、系统、装置及存储介质,以解决目前资产盘点方法中,由于二维码粘贴在机柜门外导致机码分离,进而造成资产下架但二维码未拆除等异常情况,并会造成盘点误判误报的问题。
第一方面,本发明提供了一种数据中心资产盘点方法,数据中心包括多个机柜,每个机柜上粘贴有包含机柜资产信息的初始二维码;该数据中心资产盘点方法包括:
按照预设格式要求,将每个机柜的初始二维码进行处理,得到由目标数量的初始二维码组成的目标二维码;利用采用双目相机的巡检机器人获取数据中心内包含目标二维码的第一图像数据集;将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集;将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集;对二维码图像数据集中每个二维码图像进行识别,得到数据中心的资产盘点结果。
本发明提供的数据中心资产盘点方法,通过将每个机柜的初始二维码处理为由目标数量的初始二维码按照预设格式要求组成的目标二维码,解决了机柜门网孔会对机柜内部的二维码形成遮挡,并造成相当概率的识别失败的问题;同时,利用采用双目摄像头的巡检机器人获取对应的包含目标二维码的第一图像数据集,提高了获取的图像中包含目标二维码的数量;进一步,通过图像增强处理方法处理,可以增强图像中的有用信息,有目的地强调二维码区域,抑制非二维码区域,扩大图像中不同特征之间的差别,改善图像的质量,加强的判读和识别效果,使二维码图像更能满足分析或机器决策的需要。进一步,通过图像重组方法处理,得到二维码图像数据集,可以使二维码图像数据集中每个二维码图像提供更多的深度感和几何信息,并使每个二维码图像更容易被识别。因此,通过实施本发明,能够突破二维码观测遮挡的技术限制和补偿,提高二维码图像的识别精度,进一步提高对数据中心资产盘点的准确度。
在一种可选的实施方式中,将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集,包括:
对第一图像数据集进行图像预处理,得到第四图像数据集;将第四图像数据集经过形态学处理方法处理,得到第五图像数据集;将第五图像数据集经过预设区域检测方法处理,得到第二图像数据集。
本发明通过图像预处理有助于简化二维码图像处理过程,同时,通过形态学处理方法处理,可以消除二维码图像中的小的噪点和不必要的细节,使图像变得更加平滑,并能够填充图像中的空洞和连接断开的区域,使得二维码区域更加连续。进一步,通过预设区域检测方法处理,可以改善二维码图像的质量,加强二维码图像的判读和识别效果,使二维码图像更能满足分析或机器决策的需要。
在一种可选的实施方式中,将第五图像数据集经过预设区域检测方法处理,得到第二图像数据集,包括:
对第五图像数据集进行连通区域检测,得到目标连通区域;将目标连通区域经过预设区域特征计算方法,得到区域特征计算结果;基于区域特征计算结果,在第五图像数据集中确定第二图像数据集。
本发明通过连通区域检测可以确定第五图像数据集中连通区域,进一步,通过预设区域特征计算方法可以计算得到区域特征计算结果,并可以根据区域特征计算结果确定第二图像数据集,扩大了二维码图像中不同特征之间的差别,改善了图像质量,加强了图像判读和识别效果。
在一种可选的实施方式中,将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集,包括:
获取巡检机器人的相机的矩阵数据集;基于第二图像数据集和矩阵数据集,经过立体视觉算法计算,得到视差图像数据集;基于视差图像数据集对第二图像数据集进行重组处理,得到第六图像数据集;利用预设二维码图像模型对第六图像数据集进行增强学习,得到二维码图像数据集。
本发明通过立体视觉算法可以实现第二图像数据集的重组,能够使二维码图像提供更多的深度感和几何信息,并使二维码图像更容易被识别。
在一种可选的实施方式中,该方法还包括:
将二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集;对二维码目标图像数据集中每个二维码目标图像进行识别,得到数据中心的资产盘点结果。
本发明通过图像去重方法处理,可以对二维码图像进行校验、纠错,进而提高二维码图像的质量。
在一种可选的实施方式中,将二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集,包括:
将二维码图像数据集经过第一图像特征提取算法和预设角点检测算法进行处理,得到第一图像特征点数据集;将第一图像特征点数据集经过预设描述符算法计算,得到第一图像特征点数据集中每个图像特征点的特征描述符;计算每个图像特征点的特征方向;基于每个特征描述符和每个特征方向对二维码图像数据集进行图像特征点匹配,得到第二图像特征点数据集;将第二图像特征点数据集经过预设特征表达方法处理,得到二维码目标图像数据集。
本发明通过图像特征提取算法和预设角点检测算法可以快速找到二维码图像中的关键特征点,进一步,利用特征描述符和特征方向,可以实现图像特征点的匹配,进一步,对匹配后的图像特征点进行特征表达,可以得到质量更好且能够提供更多深度感和几何信息的二维码图像。
在一种可选的实施方式中,将二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集,还包括:
将二维码图像数据集经过第二图像特征提取算法处理,得到图像高维特征数据集;将图像高维特征数据集经过哈希编码处理,得到二元编码数据集;基于二元编码数据集和二维码图像数据集,确定二维码目标图像数据集。
本发明通过第二图像特征提取算法和哈希编码处理,可以得到质量更好且能够提供更多深度感和几何信息的二维码图像。
第二方面,本发明提供了一种数据中心资产盘点系统,该数据中心资产盘点系统包括:数据中心、巡检机器人和终端处理平台,数据中心包括多个机柜,每个机柜上粘贴有包含机柜资产信息的初始二维码,巡检机器人采用双目摄像头;巡检机器人,用于获取数据中心内包含目标二维码的第一图像数据集,以及将第一图像数据集发送至终端处理平台,目标二维码由目标数量的初始二维码按照预设格式要求组成;终端处理平台,用于基于第一图像数据集,经过上述第一方面或其对应的任一实施方式的数据中心资产盘点方法处理,得到数据中心的资产盘点结果。
本发明提供的数据中心资产盘点系统,通过本发明提供的数据中心资产盘点方法,可以提高对数据中心资产盘点的准确度。
第三方面,本发明提供了一种数据中心资产盘点装置,数据中心包括多个机柜,每个机柜上粘贴有包含机柜资产信息的初始二维码;该数据中心资产盘点装置包括:
二维码处理模块,用于按照预设格式要求,将每个机柜的初始二维码进行处理,得到由目标数量的初始二维码组成的目标二维码;获取模块,用于利用采用双目相机的巡检机器人获取数据中心内包含目标二维码的第一图像数据集;第一处理模块,用于将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集;第二处理模块,用于将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集;识别模块,用于对二维码图像数据集中每个二维码图像进行识别,得到数据中心的资产盘点结果。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的数据中心资产盘点方法。
第五方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的数据中心资产盘点方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的数据中心资产盘点方法的流程示意图;
图2是根据本发明实施例的另一数据中心资产盘点方法的流程示意图;
图3是根据本发明实施例的又一数据中心资产盘点方法的流程示意图;
图4是根据本发明实施例的再一数据中心资产盘点方法的流程示意图;
图5是根据本发明实施例的数据中心资产盘点系统的结构框图;
图6是根据本发明实施例的数据中心资产盘点装置的结构框图;
图7是本发明实施例的计算机设备的硬件结构示意图。
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。
本发明实施例提供了一种数据中心资产盘点方法,通过图像增强处理方法和图像重组方法处理以达到提高二维码图像的识别精度,进一步提高对数据中心资产盘点的准确度的效果。
根据本发明实施例,提供了一种数据中心资产盘点方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种数据中心资产盘点方法,图1是根据本发明实施例的数据中心资产盘点方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,按照预设格式要求,将每个机柜的初始二维码进行处理,得到由目标数量的初始二维码组成的目标二维码。
其中,数据中心包括多个机柜,且每个机柜上粘贴有包含机柜资产信息的初始二维码。进一步,机柜资产信息可以包括机器资产和U位信息等。
具体地,将每个机柜的初始二维码处理为由8个重复的初始二维码组成的目标二维码,且该目标二维码由4列和2行方格组成,即采用4*2格式。
步骤S102,利用采用双目相机的巡检机器人获取数据中心内包含目标二维码的第一图像数据集。
具体地,巡检机器人内集成有视觉硬件,本实施例中通过在巡检机器人中采用双目相机来采集数据中心内包含目标二维码的图像。其中,双目相机由两个平行放置的摄像头组成。
进一步,在图像采集过程中,将两个摄像头设置在一定的距离内,并确保它们可以同时拍摄到数据中心内包含目标二维码的场景。此时,利用设置好两个摄像头的双目相机可以采集到数据中心内包含每个目标二维码的图像,并形成第一图像数据集。
步骤S103,将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集。
具体地,利用图像增强处理方法对采集得到的每个包含二维码的图像进行增强处理,可以增强每个图像中的有用信息,有目的地强调每个图像中的二维码区域,抑制每个图像中的非二维码区域,扩大图像中不同特征之间的差别,改善每个图像的质量,加强每个图像的判读和识别效果,使每个图像更能满足分析或机器决策的需要。
步骤S104,将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集。
具体地,利用图像重组方对图像增强处理后的第二图像数据集中相同或相似的图像进行图像重组,进一步,利用预设二维码图像模型进行增强训练,可以使得到的二维码图像数据集中的每个二维码图像提供更多的深度感和几何信息,并使每个二维码图像更容易被识别。
步骤S105,对二维码图像数据集中每个二维码图像进行识别,得到数据中心的资产盘点结果。
具体地,通过对重组后的二维码图像数据集中每个二维码图像进行识别,可以得到每个二维码图对应的机柜的机器资产和U位信息,进一步,根据每个机柜的机器资产和U位信息,可以完成对数据中心的资产盘点并得到对应的资产盘点结果。
其中,可以利用ZBar(二维码识别工具)或OpenCV(跨平台计算机视觉库)中的二维码识别功能对二维码图像进行识别。
本实施例提供的数据中心资产盘点方法,通过将每个机柜的初始二维码处理为由目标数量的初始二维码按照预设格式要求组成的目标二维码,解决了机柜门网孔会对机柜内部的二维码形成遮挡,并造成相当概率的识别失败的问题;同时,利用采用双目摄像头的巡检机器人获取对应的包含目标二维码的第一图像数据集,提高了获取的图像中包含目标二维码的数量;进一步,通过图像增强处理方法处理,可以增强图像中的有用信息,有目的地强调二维码区域,抑制非二维码区域,扩大图像中不同特征之间的差别,改善图像的质量,加强的判读和识别效果,使二维码图像更能满足分析或机器决策的需要。进一步,通过图像重组方法处理,得到二维码图像数据集,可以使二维码图像数据集中每个二维码图像提供更多的深度感和几何信息,并使每个二维码图像更容易被识别。因此,通过实施本发明,能够突破二维码观测遮挡的技术限制和补偿,提高二维码图像的识别精度,进一步提高对数据中心资产盘点的准确度。
在本实施例中提供了一种数据中心资产盘点方法,图2是根据本发明实施例的数据中心资产盘点方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,按照预设格式要求,将每个机柜的初始二维码进行处理,得到由目标数量的初始二维码组成的目标二维码。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,利用采用双目相机的巡检机器人获取数据中心内包含目标二维码的第一图像数据集。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S203,将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集。
具体地,上述步骤S203包括:
步骤S2031,对第一图像数据集进行图像预处理,得到第四图像数据集。
首先,将第一图像数据集中每个图像(RGB图像)转换为灰度图像,并形成第四图像数据集。
具体地,可以通过对每个像素的红、绿、蓝通道值取平均值来实现图像的转换。进一步,通过转换为灰度图像可以简化图像处理过程并减少计算量。
其次,将转换得到的灰度图像继续转换为二值图像,其中二值图像只有两个像素值,通常是白色(255)和黑色(0)。
具体地,可以通过使用简单的阈值分割方法,将像素值高于某个阈值的像素设为白色,低于阈值的像素设为黑色。
步骤S2032,将第四图像数据集经过形态学处理方法处理,得到第五图像数据集。
其中,形态学处理方法可以包括腐蚀操作和膨胀操作。
具体地,腐蚀操作是将图像中的每个像素与其周围像素进行比较,并将该像素设为周围像素中的最小值,通过腐蚀操作可以消除每个图像中的小的噪点和不必要的细节,使二维码图像变得更加平滑。
进一步,膨胀操作是将图像中的每个像素与其周围像素进行比较,并将该像素设为周围像素中的最大值,通过膨胀操作可以填充每个图像中的空洞和连接断开的区域,使得每个图像中的二维码区域更加连续。
进一步,通过腐蚀操作和膨胀操作,可以得到对应的第五图像数据集。
步骤S2033,将第五图像数据集经过预设区域检测方法处理,得到第二图像数据集。
具体地,通过预设区域检测方法对第五图像数据集中包含的每个图像进行检测处理,可以确定最终的包含二维码区域的第二图像数据集。
在一些可选的实施方式中,上述步骤S2033包括:
步骤a1,对第五图像数据集进行连通区域检测,得到目标连通区域。
步骤a2,将目标连通区域经过预设区域特征计算方法,得到区域特征计算结果。
步骤a3,基于区域特征计算结果,在第五图像数据集中确定第二图像数据集。
首先,可以利用连通组件标记算法或基于连通性的区域增长算法对第五图像数据集进行连通区域检测。
具体地,连通组件标记算法是一种用于检测图像中连通区域的常见算法,通过从图像的左上角开始遍历每个像素,并为每个连通区域分配一个唯一的标签,进一步,通过逐行扫描和连接相邻像素来确定目标连通区域。
基于连通性的区域增长算法是从种子像素开始,逐渐生长并合并与种子像素具有相似属性(如颜色、灰度值)的相邻像素,直到不再满足合并条件,可以检测并确定图像中不规则形状的目标连通区域。
其次,进行区域特征计算,可以采用如下区域特征计算方法:
(1)面积计算:计算区域内像素的总数,也可以简单地通过对区域中的像素进行计数来实现。
(2)周长计算:计算区域的边界像素数,也可以通过遍历区域的边界,并计算边界像素数来实现。
(3)长宽比计算:计算区域的长边长度与短边长度之比。
最后,根据区域特征计算结果在第五图像数据集中确定第二图像数据集。
具体地,可以通过设置一些阈值或规则来选择图像中最可能是二维码的区域,并根据确定的二维码区域确定对应的第二图像数据集。
其中,对于面积或周长,可以根据二维码的一般大小设置一个合适的阈值范围,排除过大或过小的区域。
对于长宽比,可以根据已知的二维码形状设定一个合适的阈值,排除不符合要求的区域。
步骤S204,将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集。
具体地,上述步骤S204包括:
步骤S2041,获取巡检机器人的相机的矩阵数据集。
其中,矩阵数据集包括巡检机器人内双目相机的内参矩阵和外参矩阵。
具体地,可以通过对双目相机进行相机标定以获取对应的内参矩阵和外参矩阵。
步骤S2042,基于第二图像数据集和矩阵数据集,经过立体视觉算法计算,得到视差图像数据集。
其中,立体视觉算法为基于区域的视差计算方法,比如Semi-Global Matching、Graph Cuts等。
具体地,结合第二图像数据集和矩阵数据,并利用立体视觉算法可以计算出双目相机两个摄像头采集的图像之间的视差图像,并形成对应的视差图像数据集。
其中,视差图像可以表示第二图像数据集中不同图像的深度信息。
步骤S2043,基于视差图像数据集对第二图像数据集进行重组处理,得到第六图像数据集。
具体地,根据视差图像数据可以对双目相机两个摄像头采集的图像进行重组,形成一个合成的图像,即得到对应的第六图像数据集。
通过图像重组可以使第六图像数据集中每个图像提供更多的深度感和几何信息,并使每个图像更容易被识别。
步骤S2044,利用预设二维码图像模型对第六图像数据集进行增强学习,得到二维码图像数据集。
具体地,以预先建立设置的标准单个二维码图像模型为基准,对重组后的第六图像数据集进行增强学习,可以提高第六图像数据集的质量,并形成对应的最终的二维码图像数据集。
步骤S205,对二维码图像数据集中每个二维码图像进行识别,得到数据中心的资产盘点结果。详细请参见图1所示实施例的步骤S105,在此不再赘述。
本实施例提供的数据中心资产盘点方法,通过图像预处理有助于简化二维码图像处理过程,同时,通过形态学处理方法处理,可以消除二维码图像中的小的噪点和不必要的细节,使图像变得更加平滑,并能够填充图像中的空洞和连接断开的区域,使得二维码区域更加连续。进一步,通过预设区域检测方法处理,可以改善二维码图像的质量,加强二维码图像的判读和识别效果,使二维码图像更能满足分析或机器决策的需要。
在本实施例中提供了一种数据中心资产盘点方法,图3是根据本发明实施例的数据中心资产盘点方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,按照预设格式要求,将每个机柜的初始二维码进行处理,得到由目标数量的初始二维码组成的目标二维码。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S302,利用采用双目相机的巡检机器人获取数据中心内包含目标二维码的第一图像数据集。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S303,将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集。详细请参见图2所示实施例的步骤S203,在此不再赘述。
步骤S304,将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集。详细请参见图2所示实施例的步骤S204,在此不再赘述。
步骤S305,将二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集。
通过图像去重方法可以进一步去除掉二维码图像数据集中的相同或相似的二维码图像,并形成对应的二维码目标图像数据集。
具体地,上述步骤S305包括:
步骤S3051,将二维码图像数据集经过第一图像特征提取算法和预设角点检测算法进行处理,得到第一图像特征点数据集。
其中,第一图像特征提取算法可以为ORB(Oriented FAST and Rotated BRIEF)算法;预设角点检测算法可以为FAST(Features from Accelerated Segment Test)角点检测算法。
具体地,使用ORB算法对二维码图像数据集进行初始化并设置参数,比如特征点数量、尺度级数、金字塔层数等。
进一步,使用FAST角点检测算法快速检测二维码图像数据集中每个二维码图像中的角点,即图像特征点并形成对应的第一图像特征点数据集。
步骤S3052,将第一图像特征点数据集经过预设描述符算法计算,得到第一图像特征点数据集中每个图像特征点的特征描述符。
其中,预设描述符算法为BRIEF(Binary Robust Independent ElementaryFeatures)描述符算法,是一种二进制描述符,用于描述特征点周围的图像局部区域的特征。
具体地,对检测到的每个图像特征点,利用BRIEF描述符算法计算对应的特征描述符。
步骤S3053,计算每个图像特征点的特征方向。
具体地,为了使ORB特征具有旋转不变性,可以利用图像梯度信息计算每个图像特征点的主要方向即特征方向。
步骤S3054,基于每个特征描述符和每个特征方向对二维码图像数据集进行图像特征点匹配,得到第二图像特征点数据集。
具体地,结合每个图像特征点的特征描述符和特征方向,并利用最近邻匹配、最近邻距离比匹配等方法对二维码图像数据集中每两个二维码图像的图像特征点进行匹配,形成对应的第二图像特征点数据集。
步骤S3055,将第二图像特征点数据集经过预设特征表达方法处理,得到二维码目标图像数据集。
具体地,将匹配的特征点即第二图像特征点数据集进行特征表达,可以使用坐标位置、尺度、角度等信息。
进一步,使用汉明距离完成相似度计算,并将两个字符串调整为相同的长度,如果两个字符串长度不同,则可以在较短的字符串后面添加空格或者在较长的字符串末尾截断多余的字符,使得两个字符串具有相同的长度。
进一步,将两个字符串的每个字符进行逐一比较,统计不相等字符的个数,即统计得到对应的二维码目标图像数据集。
其中,统计不相等字符的个数即为将汉明距离转换为相似度得分,如下关系式(1)所示:
相似度=(字符串长度-汉明距离)/字符串长度 (1)
比如,如果两个字符串的长度都是10,汉明距离是2,那么相似度=(10-2)/10=0.8,即相似度为80%。
进一步,通过上述计算得到的相似度得分可以得到对应的二维码目标图像数据集。
步骤S306,对二维码目标图像数据集中每个二维码目标图像进行识别,得到数据中心的资产盘点结果。
具体的识别方法参考上述步骤S105的描述,此处不再赘述。
本实施例提供的数据中心资产盘点方法,通过图像特征提取算法和预设角点检测算法可以快速找到二维码图像中的关键特征点,进一步,利用特征描述符和特征方向,可以实现图像特征点的匹配,进一步,对匹配后的图像特征点进行特征表达,可以得到质量更好且能够提供更多深度感和几何信息的二维码图像,进一步,使每个二维码图像更容易被识别。
在本实施例中提供了一种数据中心资产盘点方法,图4是根据本发明实施例的数据中心资产盘点方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,按照预设格式要求,将每个机柜的初始二维码进行处理,得到由目标数量的初始二维码组成的目标二维码。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S402,利用采用双目相机的巡检机器人获取数据中心内包含目标二维码的第一图像数据集。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S402,将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集。详细请参见图2所示实施例的步骤S203,在此不再赘述。
步骤S404,将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集。详细请参见图2所示实施例的步骤S204,在此不再赘述。
步骤S405,将二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集。
具体地,上述步骤S405包括:
步骤S4051,将二维码图像数据集经过第二图像特征提取算法处理,得到图像高维特征数据集。
其中,第二图像特征提取算法可以为卷积神经网络(CNN)或其他特征提取器。
具体地,通过第二图像特征提取算法提取二维码图像数据集中每个二维码图像的高维特征表示,并形成对应的图像高维特征数据集。
步骤S4052,将图像高维特征数据集经过哈希编码处理,得到二元编码数据集。
具体地,可以利用哈希学习方法将高维特征转换为低维的二元编码,即通过哈希学习将图像高维特征数据集中相似的图像映射到相似的二元编码,并形成对应的二元编码数据集,以便通过汉明距离进行快速相似度计算。
其中,哈希学习方法可以包括局部敏感哈希(Locality Sensitive Hashing,LSH)、二值编码哈希(Binary Code Hashing)等。
步骤S4053,基于二元编码数据集和二维码图像数据集,确定二维码目标图像数据集。
首先,将二元编码数据集中每个二维码图像的二元编码存储在哈希表中,以便进行快速的相似度搜索。
其次,利用汉明距离计算二维码图像数据集对应的二元编码数据集中每个二维码图像的二元编码与其他二维码图像的二元编码之间的距离。距离越小,表示两个二维码图像越相似。
然后,根据计算得到的距离进行排序,并根据排序结果确定与当前二维码图像最相似的其他二维码图像。
最后,根据确定的与当前二维码图像最相似的其他二维码图像对二维码图像数据集进行图像去重处理,可以得到对应的图像去重后的二维码目标图像数据集。
步骤S406,对二维码目标图像数据集中每个二维码目标图像进行识别,得到数据中心的资产盘点结果。详细请参见图3所示实施例的步骤S306,在此不再赘述。
本实施例提供的数据中心资产盘点方法,通过第二图像特征提取算法和哈希编码处理,可以得到质量更好且能够提供更多深度感和几何信息的二维码图像,进一步,使每个二维码图像更容易被识别。
在本实施例中提供了一种数据中心资产盘点系统,图5是根据本发明实施例的数据中心资产盘点系统的结构框图,如图5所示,该数据中心资产盘点系统5包括:数据中心51、巡检机器人52和终端处理平台53。
其中,数据中心51包括多个机柜511,每个机柜511上粘贴有包含机柜资产信息的初始二维码;巡检机器人52采用双目摄像头521。
进一步,对上述系统中各个装置的功能进行描述。
具体地,巡检机器人52,用于获取数据中心51内包含目标二维码的第一图像数据集,以及将第一图像数据集发送至终端处理平台53。
其中,目标二维码由目标数量的初始二维码按照预设格式要求组成,具体的过程参考上述步骤S101的描述,此处不再赘述。
进一步,获取第一图像数据集的过程参考上述步骤S102的描述,此处不再赘述。
进一步,终端处理平台53,用于基于第一图像数据集,经过本发明上述实施例提供的数据中心资产盘点方法处理,得到数据中心的资产盘点结果。
具体的处理过程参考本发明上述实施例提供的数据中心资产盘点方法的过程描述,此处不再赘述。
在本实施例中还提供了一种数据中心资产盘点装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种数据中心资产盘点装置,数据中心包括多个机柜,每个机柜上粘贴有包含机柜资产信息的初始二维码;如图6所示,该数据中心资产盘点装置包括:
二维码处理模块601,用于按照预设格式要求,将每个机柜的初始二维码进行处理,得到由目标数量的初始二维码组成的目标二维码。
获取模块602,用于利用采用双目相机的巡检机器人获取数据中心内包含目标二维码的第一图像数据集。
第一处理模块603,用于将第一图像数据集经过图像增强处理方法处理,得到第二图像数据集。
第二处理模块604,用于将第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集。
识别模块605,用于对二维码图像数据集中每个二维码图像进行识别,得到数据中心的资产盘点结果。
在一些可选的实施方式中,第一处理模块603包括:
预处理单元,用于对第一图像数据集进行图像预处理,得到第四图像数据集。
第一处理单元,用于将第四图像数据集经过形态学处理方法处理,得到第五图像数据集。
第二处理单元,用于将第五图像数据集经过预设区域检测方法处理,得到第二图像数据集。
在一些可选的实施方式中,第二处理单元包括:
检测子单元,用于对第五图像数据集进行连通区域检测,得到目标连通区域。
计算子单元,用于将目标连通区域经过预设区域特征计算方法,得到区域特征计算结果。
确定子单元,用于基于区域特征计算结果,在第五图像数据集中确定第二图像数据集。
在一些可选的实施方式中,第二处理模块604包括:
获取单元,用于获取巡检机器人的相机的矩阵数据集。
第一计算单元,用于基于第二图像数据集和矩阵数据集,经过立体视觉算法计算,得到视差图像数据集。
重组处理单元,用于基于视差图像数据集对第二图像数据集进行重组处理,得到第六图像数据集。
增强学习单元,用于利用预设二维码图像模型对第六图像数据集进行增强学习,得到二维码图像数据集。
在一些可选的实施方式中,上述数据中心资产盘点装置还包括:
第三处理模块,用于将二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集。
第一识别模块,用于对二维码目标图像数据集中每个二维码目标图像进行识别,得到数据中心的资产盘点结果。
在一些可选的实施方式中,第三处理模块包括:
第三处理单元,用于将二维码图像数据集经过第一图像特征提取算法和预设角点检测算法进行处理,得到第一图像特征点数据集。
第二计算单元,用于将第一图像特征点数据集经过预设描述符算法计算,得到第一图像特征点数据集中每个图像特征点的特征描述符。
第三计算单元,用于计算每个图像特征点的特征方向。
匹配单元,用于基于每个特征描述符和每个特征方向对二维码图像数据集进行图像特征点匹配,得到第二图像特征点数据集。
第四处理单元,用于将第二图像特征点数据集经过预设特征表达方法处理,得到二维码目标图像数据集。
在一些可选的实施方式中,第三处理模块还包括:
第五处理单元,用于将二维码图像数据集经过第二图像特征提取算法处理,得到图像高维特征数据集。
第六处理单元,用于将图像高维特征数据集经过哈希编码处理,得到二元编码数据集。
确定单元,用于基于二元编码数据集和二维码图像数据集,确定二维码目标图像数据集。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的数据中心资产盘点装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图6所示的数据中心资产盘点装置。
请参阅图7,图7是本发明可选实施例提供的一种计算机设备的结构示意图,如图7所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种数据中心资产盘点方法,其特征在于,数据中心包括多个机柜,每个机柜上粘贴有包含机柜资产信息的初始二维码;所述方法包括:
按照预设格式要求,将每个所述机柜的初始二维码进行处理,得到由目标数量的所述初始二维码组成的目标二维码;
利用采用双目相机的巡检机器人获取数据中心内包含所述目标二维码的第一图像数据集;
将所述第一图像数据集经过图像增强处理方法处理,得到第二图像数据集;
将所述第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集;
对所述二维码图像数据集中每个二维码图像进行识别,得到所述数据中心的资产盘点结果。
2.根据权利要求1所述的方法,其特征在于,将所述第一图像数据集经过图像增强处理方法处理,得到第二图像数据集,包括:
对所述第一图像数据集进行图像预处理,得到第四图像数据集;
将所述第四图像数据集经过形态学处理方法处理,得到第五图像数据集;
将所述第五图像数据集经过预设区域检测方法处理,得到所述第二图像数据集。
3.根据权利要求2所述的方法,其特征在于,将所述第五图像数据集经过预设区域检测方法处理,得到所述第二图像数据集,包括:
对所述第五图像数据集进行连通区域检测,得到目标连通区域;
将所述目标连通区域经过预设区域特征计算方法,得到区域特征计算结果;
基于所述区域特征计算结果,在所述第五图像数据集中确定所述第二图像数据集。
4.根据权利要求1所述的方法,其特征在于,将所述第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集,包括:
获取所述巡检机器人的相机的矩阵数据集;
基于所述第二图像数据集和所述矩阵数据集,经过立体视觉算法计算,得到视差图像数据集;
基于所述视差图像数据集对所述第二图像数据集进行重组处理,得到第六图像数据集;
利用预设二维码图像模型对所述第六图像数据集进行增强学习,得到所述二维码图像数据集。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集;
对所述二维码目标图像数据集中每个二维码目标图像进行识别,得到所述数据中心的资产盘点结果。
6.根据权利要求5所述的方法,其特征在于,将所述二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集,包括:
将所述二维码图像数据集经过第一图像特征提取算法和预设角点检测算法进行处理,得到第一图像特征点数据集;
将所述第一图像特征点数据集经过预设描述符算法计算,得到所述第一图像特征点数据集中每个图像特征点的特征描述符;
计算每个所述图像特征点的特征方向;
基于每个所述特征描述符和每个所述特征方向对所述二维码图像数据集进行图像特征点匹配,得到第二图像特征点数据集;
将所述第二图像特征点数据集经过预设特征表达方法处理,得到所述二维码目标图像数据集。
7.根据权利要求5所述的方法,其特征在于,将所述二维码图像数据集经过图像去重方法处理,得到二维码目标图像数据集,还包括:
将所述二维码图像数据集经过第二图像特征提取算法处理,得到图像高维特征数据集;
将所述图像高维特征数据集经过哈希编码处理,得到二元编码数据集;
基于所述二元编码数据集和所述二维码图像数据集,确定所述二维码目标图像数据集。
8.一种数据中心资产盘点系统,其特征在于,所述系统包括:数据中心、巡检机器人和终端处理平台,所述数据中心包括多个机柜,每个机柜上粘贴有包含机柜资产信息的初始二维码,所述巡检机器人采用双目摄像头;
所述巡检机器人,用于获取所述数据中心内包含目标二维码的第一图像数据集,以及将所述第一图像数据集发送至所述终端处理平台,所述目标二维码由目标数量的所述初始二维码按照预设格式要求组成;
所述终端处理平台,用于基于所述第一图像数据集,经过如权利要求1至7中任一项所述的数据中心资产盘点方法处理,得到所述数据中心的资产盘点结果。
9.一种数据中心资产盘点装置,其特征在于,数据中心包括多个机柜,每个机柜上粘贴有包含机柜资产信息的初始二维码;所述装置包括:
二维码处理模块,用于按照预设格式要求,将每个所述机柜的初始二维码进行处理,得到由目标数量的所述初始二维码组成的目标二维码;
获取模块,用于利用采用双目相机的巡检机器人获取数据中心内包含所述目标二维码的第一图像数据集;
第一处理模块,用于将所述第一图像数据集经过图像增强处理方法处理,得到第二图像数据集;
第二处理模块,用于将所述第二图像数据集经过图像重组方法和预设二维码图像模型处理,得到二维码图像数据集;
识别模块,用于对所述二维码图像数据集中每个二维码图像进行识别,得到所述数据中心的资产盘点结果。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的数据中心资产盘点方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131040.5A CN117095275A (zh) | 2023-08-31 | 2023-08-31 | 一种数据中心资产盘点方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311131040.5A CN117095275A (zh) | 2023-08-31 | 2023-08-31 | 一种数据中心资产盘点方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117095275A true CN117095275A (zh) | 2023-11-21 |
Family
ID=88780156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311131040.5A Pending CN117095275A (zh) | 2023-08-31 | 2023-08-31 | 一种数据中心资产盘点方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095275A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745044A (zh) * | 2024-02-21 | 2024-03-22 | 广东广宇科技发展有限公司 | 物业资产管理方法、装置、设备及存储介质 |
-
2023
- 2023-08-31 CN CN202311131040.5A patent/CN117095275A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745044A (zh) * | 2024-02-21 | 2024-03-22 | 广东广宇科技发展有限公司 | 物业资产管理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008809B (zh) | 表格数据的获取方法、装置和服务器 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN111753727B (zh) | 用于提取结构化信息的方法、装置、设备及可读存储介质 | |
CN109753953B (zh) | 图像中定位文本的方法、装置、电子设备和存储介质 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN111353956B (zh) | 图像修复方法、装置、计算机设备及存储介质 | |
CN117095275A (zh) | 一种数据中心资产盘点方法、系统、装置及存储介质 | |
CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
CN115330940A (zh) | 一种三维重建方法、装置、设备和介质 | |
CN114758249A (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN108268868B (zh) | 身份证图像的倾斜值获取方法及装置、终端、存储介质 | |
CN109919164B (zh) | 用户界面对象的识别方法及装置 | |
CN112583900A (zh) | 云计算的数据处理方法及相关产品 | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN114299307A (zh) | 一种输电线路图像标注方法及相关装置 | |
CN113469087B (zh) | 建筑图纸中的图框检测方法、装置、设备及介质 | |
CN115457581A (zh) | 表格提取方法、装置及计算机设备 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114298992A (zh) | 一种视频帧去重方法、装置、电子设备及存储介质 | |
CN112580505A (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN111222504A (zh) | 一种弹孔报靶方法、装置、设备及介质 | |
CN115620321B (zh) | 表格识别方法及装置、电子设备和存储介质 |
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 |