CN117291503A - 一种智能仓储管理方法、装置及电子设备 - Google Patents
一种智能仓储管理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117291503A CN117291503A CN202311274494.8A CN202311274494A CN117291503A CN 117291503 A CN117291503 A CN 117291503A CN 202311274494 A CN202311274494 A CN 202311274494A CN 117291503 A CN117291503 A CN 117291503A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- characteristic
- image data
- dangerous
- feature
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
Abstract
本申请提供一种智能仓储管理方法、装置及电子设备,涉及数据处理的技术领域。在该方法中,获取无人机发送的仓库图像数据,仓库图像数据为针对仓库及仓库中所储存货物的图像数据;对仓库图像数据进行图像识别,确定第一具象特征,仓库图像数据包括多个具象特征,第一具象特征为多个具象特征中的任意一个具象特征;采用预设模型判断第一具象特征是否为危险具象特征;若确认第一具象特征为危险具象特征,则向用户设备发送危险提示信息,以使用户设备对应的用户根据危险提示信息对仓库进行管理。实施本申请提供的技术方案,便于对智能仓储进行管理。
Description
技术领域
本申请涉及数据处理的技术领域,具体涉及一种智能仓储管理方法、装置及电子设备。
背景技术
随着经济的发展和科技的进步,仓储行业在供应链管理中变得越来越重要,智能仓储应运而生。
目前,在智能仓储管理过程中,仓库危险情况的自动识别仍然是一个挑战。大多数仓库主要依赖于人为检查和定期巡逻,来检测和预防潜在的危险情况。但是,人为检查可能因疏忽或故意忽略而导致危险情况的发生,定期的巡逻也不能及时发现某些突发的危险情况。所以,上述方式均不利于对智能仓储进行管理。
因此,急需一种智能仓储管理方法、装置及电子设备。
发明内容
本申请提供了一种智能仓储管理方法、装置及电子设备,便于对智能仓储进行管理。
在本申请的第一方面提供了一种智能仓储管理方法,所述方法包括:获取无人机发送的仓库图像数据,所述仓库图像数据为针对仓库及仓库中所储存货物的图像数据;对所述仓库图像数据进行图像识别,确定第一具象特征,所述仓库图像数据包括多个具象特征,所述第一具象特征为多个所述具象特征中的任意一个具象特征;采用预设模型判断所述第一具象特征是否为危险具象特征;若确认所述第一具象特征为危险具象特征,则向用户设备发送危险提示信息,以使所述用户设备对应的用户根据所述危险提示信息对所述仓库进行管理。
通过采用上述技术方案,首先通过获取无人机发送的仓库图像数据,再对仓库图像数据进行图像识别,从而确定出第一具象特征。接下来,通过采用预设模型判断第一具象特征是否为危险具象特征。当确认第一具象特征为危险具象特征后,将向用户设备发送危险提示信息,从而使用户设备对应的用户根据危险提示信息对仓库进行管理。由此,通过对仓库潜在的危险情况进行自动化的检测和预防,便于对智能仓储进行管理。
可选地,所述对所述仓库图像数据进行图像识别,确定第一具象特征,具体包括:对所述仓库图像数据进行角点检测,得到形状特征信息;对所述形状特征信息进行轮廓提取,得到边缘轮廓信息;对所述边缘轮廓信息进行特征编码,得到所述第一具象特征。
通过采用上述技术方案,通过角点检测,可以获取仓库中货物的形状和位置信息,这有助于识别仓库中的潜在危险情况。轮廓提取是从图像中提取边缘的过程,通过轮廓提取,可以识别出图像中的不同区域和形状。这有助于区分仓库中的不同物品和识别其形状和大小,从而帮助确定货物的安全存储方式。特征编码是将图像中的特征转化为后续模型可处理的数据形式,通过特征编码,可以提取出边缘轮廓信息中的更多细节和特征,这有助于识别出更复杂的形状和模式,从而更好地描述和确定出第一具象特征。
可选地,在所述接收无人机发送的仓库图像数据之前,所述方法还包括:响应于用户输入的监控指令,所述监控指令包括所述仓库中所储存货物的位置信息;根据所述监控指令,控制所述无人机按照所述仓库中所储存货物的位置信息进行图像采集。
通过采用上述技术方案,用户根据需要输入监控指令,实现自由地指定用户想要无人机采集图像的特定区域或货物,从而使图像采集更加灵活和针对性强。通过使用无人机进行图像采集,特别是当无人机按照用户指定的货物位置信息进行采集时,可以大大提高工作效率。无人机可以迅速地覆盖大范围区域,并且可以通过远程控制进行精确的操作,从而省去了人工巡逻和检查的时间和精力。通过使用无人机进行图像采集,并基于位置信息进行操作,可以确保采集的图像具有很高的位置准确性,这有助于准确识别和定位仓库中的货物,从而提高了灵活性、效率、实时监控能力和位置准确性,进而为仓库管理提供了有效的解决方案。
可选地,所述获取无人机发送的仓库图像数据,具体包括:接收无人机发送的仓库图像数据包;对所述仓库图像数据包进行预处理,得到所述仓库图像数据,所述预处理包括去噪、标准化以及归一化处理。
通过采用上述技术方案,去噪处理可以有效地去除图像中的噪声,从而提高图像的质量。标准化处理可以将图像数据的范围调整到一种统一的标准,从而消除货物之间的差异,使图像数据具有一致性,有助于提高图像处理的准确性。归一化处理可以将图像数据的尺度调整到相同的范围,进一步提高图像处理的效率和准确性。通过对仓库图像数据包进行预处理,可以去除噪声、统一数据范围和尺度,从而提高图像处理的准确性,便于更准确地识别仓库中的危险具象特征,并提高危险提示信息的准确性。
可选地,所述采用预设模型判断所述第一具象特征是否为危险具象特征,具体包括:获取第二具象特征,所述预设模型中预先存储有多种危险具象特征,所述第二具象特征为多个所述危险具象特征中的任意一个危险具象特征;将所述第一具象特征与所述第二具象特征进行特征比对,计算得到特征相似度值;根据所述特征相似度值,判断所述第一具象特征是否为危险具象特征。
通过采用上述技术方案,通过预设模型中预先存储多种危险具象特征,可以实现对多种危险情况的识别。这种方法不仅限于单一的危险具象特征,而是考虑了多种可能性,从而增加了识别可靠性和准确性。通过获取第二具象特征进行特征比对和相似度计算,可以定量地评估两者的相似度,可以为后续的危险判断提供量化的依据,从而增加了判断的准确性和客观性。通过预设模型和特征比对,可以减少人工识别和判断的干预,提高仓库管理的自动化程度,从而提高了工作效率和响应速度。通过实时监控仓库图像,可以及时发出危险预警,有助于用户及时采取相应的措施,降低潜在危险情况发生的概率。
可选地,所述根据所述特征相似度值,判断所述第一具象特征是否为危险具象特征,具体包括:获取所述特征相似度值;将所述特征相似度值与预设阈值进行比较;若所述特征相似度值大于或等于所述预设阈值,则确定所述第一具象特征为危险具象特征。
通过采用上述技术方案,通过将特征相似度值与预设阈值进行比较,可以建立一个客观的标准来判定第一具象特征是否为危险具象特征,从而确保了判断的准确性和可靠性。通过使用特征相似度值作为判断的依据,可以将具象特征的相似度进行量化和标准化,以便于在不同的数据集和场景中重复使用,从而提高判断的客观性和一致性。通过将特征相似度值与预设阈值进行比较,可以实时监测仓库中的危险情况。当特征相似度值超过预设阈值时,可以立即发出危险预警,从而及时采取相应的措施,便于预防潜在的危险情况的发生。
可选地,所述危险提示信息包括危险区域信息,所述方法还包括:根据所述所述仓库中所储存货物的位置信息,确定危险区域;向所述用户设备发送所述危险区域,以使所述用户设备对应的用户前往所述危险区域采取相应措施。
通过采用上述技术方案,通过使用无人机采集的图像数据和仓库中货物的位置信息,可以准确地确定危险区域的位置,有助于用户快速找到危险区域,并采取相应的措施。向用户设备发送危险区域信息,可以及时地提醒用户前往危险区域采取相应的措施,有助于在危险情况发生之前采取有效的应对措施,从而减少潜在的危险和损失。通过确定危险区域并发送给用户设备,可以减少人工搜索和排查的时间和精力,从而有助于提高仓库管理的效率,并使用户能够更快速地采取必要的措施,进一步地减少潜在的危险情况的发生。
在本申请的第二方面提供了一种智能仓储管理装置,所述智能仓储管理装置包括获取模块和处理模块,其中,所述获取模块,用于获取无人机发送的仓库图像数据,所述仓库图像数据为针对仓库及仓库中所储存货物的图像数据;所述处理模块,用于对所述仓库图像数据进行图像识别,确定第一具象特征,所述仓库图像数据包括多个具象特征,所述第一具象特征为多个所述具象特征中的任意一个具象特征;所述处理模块,还用于采用预设模型判断所述第一具象特征是否为危险具象特征;所述处理模块,还用于若确认所述第一具象特征为危险具象特征,则向用户设备发送危险提示信息,以使所述用户设备对应的用户根据所述危险提示信息对所述仓库进行管理。
在本申请的第三方面提供了一种电子设备,所述电子设备包括处理器、存储器、用户接口以及网络接口,所述存储器用于存储指令,所述用户接口和所述网络接口均用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如上所述的方法。
在本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有指令,当所述指令被执行时,执行如上所述的方法。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.首先通过获取无人机发送的仓库图像数据,再对仓库图像数据进行图像识别,从而确定出第一具象特征。接下来,通过采用预设模型判断第一具象特征是否为危险具象特征。当确认第一具象特征为危险具象特征后,将向用户设备发送危险提示信息,从而使用户设备对应的用户根据危险提示信息对仓库进行管理。由此,通过对仓库潜在的危险情况进行自动化的检测和预防,便于对智能仓储进行管理;
2.通过角点检测,可以获取仓库中货物的形状和位置信息,这有助于识别仓库中的潜在危险情况。轮廓提取是从图像中提取边缘的过程,通过轮廓提取,可以识别出图像中的不同区域和形状。这有助于区分仓库中的不同物品和识别其形状和大小,从而帮助确定货物的安全存储方式。特征编码是将图像中的特征转化为后续模型可处理的数据形式,通过特征编码,可以提取出边缘轮廓信息中的更多细节和特征,这有助于识别出更复杂的形状和模式,从而更好地描述和确定出第一具象特征;
3.通过确定危险区域并发送给用户设备,可以减少人工搜索和排查的时间和精力,从而有助于提高仓库管理的效率,并使用户能够更快速地采取必要的措施,进一步地降低潜在的危险情况的发生概率。
附图说明
图1为本申请实施例提供的一种智能仓储管理方法的流程示意图。
图2为本申请实施例提供的一种智能仓储管理装置的模块示意图。
图3为本申请实施例提供的一种电子设备的结构示意图。
附图标记说明:21、获取模块;22、处理模块;31、处理器;32、通信总线;33、用户接口;34、网络接口;35、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
随着全球经济的一体化和科学技术的不断进步,仓储行业在供应链管理中的地位日益凸显。为了适应这一变化,智能仓储应运而生,为仓储行业带来了革命性的变革。
然而,尽管智能仓储在管理上已经取得了显著的进步,但仓库危险情况的自动识别仍然是一个重大挑战。目前,大多数仓库主要依赖人工检查和定期巡逻的方式,来发现和预防潜在的危险情况。但是,这种做法存在一些明显的弊端。首先,人工检查可能会因为疏忽或故意忽略,而导致危险情况无法及时被发现。其次,定期巡逻虽然能够在一定程度上发现危险情况,但却无法及时处理某些突发的危险情况。因此,这种传统的仓库管理模式显然已经无法满足现代智能仓储管理的需求。
为了解决上述技术问题,本申请提供了一种智能仓储管理方法,参照图1,图1为本申请实施例提供的一种智能仓储管理方法的流程示意图。该智能仓储管理方法应用于服务器,包括步骤S110至步骤S140,上述步骤如下:
S110、获取无人机发送的仓库图像数据,仓库图像数据为针对仓库及仓库中所储存货物的图像数据。
具体地,当用户有需要对仓库进行监管的需求时,可以通过控制无人机拍摄仓库图像数据,服务器此时将获取无人机发送的仓库图像数据。其中,无人机为具有拍摄图像数据功能的无人机,可以接收来自服务器的控制指令。举例来说,当服务器向无人机发送需要拍摄的仓库区域的具体位置信息时,无人机根据该指令能够自动飞往该区域,并进行图像采集,并将采集到的图像数据发送给服务器。仓库图像数据可以为仓库内部或者外部的整体图像数据或者仓库内所储存货物的图像数据。
在本申请实施例中,服务器为管理仓库图像数据的服务器,用于提供后台服务,服务器可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。用户设备的类型包括但不限于:安卓(Android)系统设备、苹果公司开发的移动操作系统(iOS)设备、个人计算机(PC)、全球局域网(World Wide Web,web)设备、虚拟现实(Virtual Reality,VR)设备、增强现实(Augmented Reality,AR)设备等设备。在本申请实施例中,用户设备为电脑,用户设备对应的用户为仓库管理人员。
在一种可能的实施方式中,获取无人机发送的仓库图像数据,具体包括:接收无人机发送的仓库图像数据包;对仓库图像数据包进行预处理,得到仓库图像数据,预处理包括去噪、标准化以及归一化处理。
具体地,上述过程为本申请实施例提供的一种服务器获取无人机发送的仓库图像数据的具体方式。首先,无人机在仓库环境中飞行并采集图像,然后这些图像数据被打包成数据包后发送给服务器。服务器通过某种形式的无线连接接收这些数据包,比如通过Wi-Fi、蓝牙以及4G/5G网络等。预处理是指对接收到的仓库图像数据包进行处理,以优化或清理数据,以便后续的分析和处理。预处理包括去噪、标准化和归一化处理,去噪处理是为了消除图像中的噪声,这些噪声可能来自于图像的采集过程,例如摄像头的灵敏度问题,光线条件等,或者来自于传输过程,例如数据压缩或无线传输的问题。接下来,标准化处理是为了让图像数据在不同的尺度或条件下具有可比性。这通常涉及到将图像数据的值转换为一种标准尺度,例如将所有的像素值缩放到0-1的范围内。
最后,归一化处理是为了让图像数据在不同的尺度或条件下具有一致性。这通常涉及到将图像数据的值进行线性变换,使得它们在一个统一的尺度上。举例来说,服务器接收到的仓库图像数据包可能包含噪声和一些失真。通过去噪处理,可以消除这些噪声和失真。然后通过标准化处理,将所有像素值缩放到0-1的范围内,使得图像数据在不同的光照和颜色条件下具有可比性。最后,通过归一化处理,将图像数据的值进行线性变换,使得它们在一个统一的尺度上,从而更容易进行后续的分析和处理。经过这些预处理步骤后,服务器得到的仓库图像数据就可以用于进一步的分析和处理。
在一种可能的实施方式中,在接收无人机发送的仓库图像数据之前,具体还包括:响应于用户输入的监控指令,监控指令包括仓库中所储存货物的位置信息;根据监控指令,控制无人机按照仓库中所储存货物的位置信息进行图像采集。
具体地,在无人机向服务器发送仓库图像数据之前,需要服务器接收来自用户的命令,即服务器可以接收来自用户的监控指令。这些指令可能包括仓库中货物的位置信息,用户可以控制无人机自动去采集这个位置的图像。例如,假设一个仓库管理人员希望无人机去拍摄货架1-10的货物存储情况。管理员使用电脑输入了一条指令,包括货架的位置信息,例如货架1-10。服务器接收到该指令后,向无人机发送该监控指令,控制无人机按照仓库中所储存货物的位置信息进行图像采集。这个过程可以是实时的,也可以是提前预设好的任务。
S120、对仓库图像数据进行图像识别,确定第一具象特征,仓库图像数据包括多个具象特征,第一具象特征为多个具象特征中的任意一个具象特征。
具体地,当服务器获取到仓库图像数据之后,将对该仓库图像数据进行图像识别,以识别和提取图像中的特定元素或特征。其中,这种识别过程可以包括边缘检测、特征匹配、对象识别、角点检测以及数据聚类等不同的图像处理技术。在识别图像中的特定元素或特征后,服务器会从这些特征中确定第一具象特征。仓库图像数据中包含多个不同的具象特征,这些特征代表不同的对象、元素或属性。例如,第一具象特征可以为在货架边缘的货物,或者是仓库地面上掉落的货物等。
在一种可能的实施方式中,对仓库图像数据进行图像识别,确定第一具象特征,具体包括:对仓库图像数据进行角点检测,得到形状特征信息;对形状特征信息进行轮廓提取,得到边缘轮廓信息;对边缘轮廓信息进行特征编码,得到第一具象特征。
具体地,上述过程为本申请实施例提供的一种服务器通过图像识别确定第一具象特征的具体方式。角点检测是一种图像处理技术,用于在图像中找出可能的角点。角点是图像中具有强烈变化的区域,通常对应于物体的边缘或者结构的交点,这种检测方法便于提取图像中的重要特征。例如,在仓库图像中,货架、货箱等物体的边缘或者结构的交点可能形成角点。通过角点检测,可以快速找出这些角点。轮廓提取是图像处理中的一项基本技术,用于找出图像中的边缘或轮廓。通过轮廓提取,可以得到关于物体形状的重要信息。例如,在之前角点检测的基础上,进一步使用轮廓提取技术,找到与这些角点相关的轮廓。特征编码是一种将图像中的边缘轮廓信息转化为可以处理和识别的形式的方法,这些编码可以代表图像中的具象特征。例如,可以使用傅里叶变换或者HOG等方法进行特征编码。经过这些步骤后,第一具象特征就可以代表图像中的某些具体特征,例如货箱的形状、货架的布局等,这些具象特征可以用于后续的危险预警或其他决策。
S130、采用预设模型判断第一具象特征是否为危险具象特征。
具体地,服务器通过图像识别确定出第一具象特征后,将采用预设模型判断第一具象特征是否为危险具象特征。其中,预设模型为预先构建的分类模型,采用神经网络训练得到,预设模型中预先存储有多种危险具象特征,多种危险具象特征可以为服务器的管理人员输入。
S140、若确认第一具象特征为危险具象特征,则向用户设备发送危险提示信息,以使用户设备对应的用户根据危险提示信息对仓库进行管理。
具体地,当确认第一具象特征为危险具象特征后,将向用户设备发送危险提示信息,从而使用户设备对应的用户根据危险提示信息对仓库进行管理。由此,通过对仓库潜在的危险情况进行自动化的检测和预防,便于对智能仓储进行管理。
在一种可能的实施方式中,采用预设模型判断第一具象特征是否为危险具象特征,具体包括:获取第二具象特征,预设模型中预先存储有多种危险具象特征,第二具象特征为多个危险具象特征中的任意一个危险具象特征;将第一具象特征与第二具象特征进行特征比对,计算得到特征相似度值;根据特征相似度值,判断第一具象特征是否为危险具象特征。
具体地,上述过程为本申请实施例提供的一种服务器判断危险具象特征的具体方式。服务器通过将第一具象特征与多种危险具象特征进行逐一比较,能够结合相似度算法计算得到特征相似度值,从而根据特征相似度值的大小,判断第一具象特征是否为危险具象特征。其中,相似度算法可以包括余弦相似度或者汉明相似度,具体计算方式根据具体情况确定,这里不再赘述。
在一种可能的实施方式中,根据特征相似度值,判断第一具象特征是否为危险具象特征,具体包括:获取特征相似度值;将特征相似度值与预设阈值进行比较;若特征相似度值大于或等于预设阈值,则确定第一具象特征为危险具象特征。
具体地,当服务器计算得到特征相似度值之后,服务器将特征相似度值与预设阈值进行比较。当特征相似度值大于或等于预设阈值后,服务器便确定该第一具象特征为危险具象特征,即存在潜在危险情况。当特征相似度值小于预设阈值时,服务器认为第一具象特征不是危险具象特征。其中,预设阈值为服务器的管理人员根据历史数据的大量计算总结得到的,这里不作限定。通过将特征相似度值与预设阈值进行比较,可以建立一个客观的标准来判定第一具象特征是否为危险具象特征,从而确保了判断的准确性和可靠性。通过使用特征相似度值作为判断的依据,可以将具象特征的相似度进行量化和标准化,以便于在不同的数据集和场景中重复使用,从而提高判断的客观性和一致性。通过将特征相似度值与预设阈值进行比较,可以实时监测仓库中的危险情况。
在一种可能的实施方式中,危险提示信息包括危险区域信息,还包括:根据仓库中所储存货物的位置信息,确定危险区域;向用户设备发送危险区域,以使用户设备对应的用户前往危险区域采取相应措施。
具体地,服务器通过使用无人机采集的图像数据和仓库中货物的位置信息,可以准确地确定危险区域的位置,有助于用户快速找到危险区域,并采取相应的措施。服务器向用户设备发送危险区域信息,可以及时地提醒用户前往危险区域采取相应的措施,有助于在危险情况发生之前采取有效的应对措施,从而减少潜在的危险和损失。服务器通过确定危险区域并发送给用户设备,可以减少人工搜索和排查的时间和精力,从而有助于提高仓库管理的效率,并使用户能够更快速地采取必要的措施,进一步地减少潜在的危险情况的发生。举例来说,危险提示信息可以为“X仓库XX区域存在货架坠物风险”。
本申请还提供了一种智能仓储管理装置,参照图2,图2为本申请实施例提供的一种智能仓储管理装置的模块示意图。该智能仓储管理装置为服务器,服务器包括获取模块21和处理模块22,其中,获取模块21,用于获取无人机发送的仓库图像数据,仓库图像数据为针对仓库及仓库中所储存货物的图像数据;处理模块22,用于对仓库图像数据进行图像识别,确定第一具象特征,仓库图像数据包括多个具象特征,第一具象特征为多个具象特征中的任意一个具象特征;处理模块22,还用于采用预设模型判断第一具象特征是否为危险具象特征;处理模块22,还用于若确认第一具象特征为危险具象特征,则向用户设备发送危险提示信息,以使用户设备对应的用户根据危险提示信息对仓库进行管理。
在一种可能的实施方式中,处理模块22对仓库图像数据进行图像识别,确定第一具象特征,具体包括:处理模块22对仓库图像数据进行角点检测,得到形状特征信息;处理模块22对形状特征信息进行轮廓提取,得到边缘轮廓信息;处理模块22对边缘轮廓信息进行特征编码,得到第一具象特征。
在一种可能的实施方式中,在接收无人机发送的仓库图像数据之前,具体还包括:处理模块22响应于用户输入的监控指令,监控指令包括仓库中所储存货物的位置信息;处理模块22根据监控指令,控制无人机按照仓库中所储存货物的位置信息进行图像采集。
在一种可能的实施方式中,获取模块21获取无人机发送的仓库图像数据,具体包括:获取模块21接收无人机发送的仓库图像数据包;处理模块22对仓库图像数据包进行预处理,得到仓库图像数据,预处理包括去噪、标准化以及归一化处理。
在一种可能的实施方式中,处理模块22采用预设模型判断第一具象特征是否为危险具象特征,具体包括:获取模块21获取第二具象特征,预设模型中预先存储有多种危险具象特征,第二具象特征为多个危险具象特征中的任意一个危险具象特征;处理模块22将第一具象特征与第二具象特征进行特征比对,计算得到特征相似度值;处理模块22根据特征相似度值,判断第一具象特征是否为危险具象特征。
在一种可能的实施方式中,处理模块22根据特征相似度值,判断第一具象特征是否为危险具象特征,具体包括:获取模块21获取特征相似度值;处理模块22将特征相似度值与预设阈值进行比较;若特征相似度值大于或等于预设阈值,则处理模块22确定第一具象特征为危险具象特征。
在一种可能的实施方式中,危险提示信息包括危险区域信息,具体还包括:处理模块22根据仓库中所储存货物的位置信息,确定危险区域;处理模块22向用户设备发送危险区域,以使用户设备对应的用户前往危险区域采取相应措施。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还提供了一种电子设备,参照图3,图3为本申请实施例提供的一种电子设备的结构示意图。电子设备可以包括:至少一个处理器31,至少一个网络接口34,用户接口33,存储器35,至少一个通信总线32。
其中,通信总线32用于实现这些组件之间的连接通信。
其中,用户接口33可以包括显示屏(Display)、摄像头(Camera),可选用户接口33还可以包括标准的有线接口、无线接口。
其中,网络接口34可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器31可以包括一个或者多个处理核心。处理器31利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器35内的指令、程序、代码集或指令集,以及调用存储在存储器35内的数据,执行服务器的各种功能和处理数据。可选的,处理器31可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器31可集成中央处理器(Central ProcessingUnit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器31中,单独通过一块芯片进行实现。
其中,存储器35可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器35包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器35可用于存储指令、程序、代码、代码集或指令集。存储器35可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器35可选的还可以是至少一个位于远离前述处理器31的存储装置。如图3所示,作为一种计算机存储介质的存储器35中可以包括操作系统、网络通信模块、用户接口模块以及一种智能仓储管理方法的应用程序。
在图3所示的电子设备中,用户接口33主要用于为用户提供输入的接口,获取用户输入的数据;而处理器31可以用于调用存储器35中存储一种智能仓储管理方法的应用程序,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个的方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有指令。当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,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服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
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实施例方案的目的。
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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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器中。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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种智能仓储管理方法,其特征在于,所述方法包括:
获取无人机发送的仓库图像数据,所述仓库图像数据为针对仓库及仓库中所储存货物的图像数据;
对所述仓库图像数据进行图像识别,确定第一具象特征,所述仓库图像数据包括多个具象特征,所述第一具象特征为多个所述具象特征中的任意一个具象特征;
采用预设模型判断所述第一具象特征是否为危险具象特征;
若确认所述第一具象特征为危险具象特征,则向用户设备发送危险提示信息,以使所述用户设备对应的用户根据所述危险提示信息对所述仓库进行管理。
2.根据权利要求1所述的智能仓储管理方法,其特征在于,所述对所述仓库图像数据进行图像识别,确定第一具象特征,具体包括:
对所述仓库图像数据进行角点检测,得到形状特征信息;
对所述形状特征信息进行轮廓提取,得到边缘轮廓信息;
对所述边缘轮廓信息进行特征编码,得到所述第一具象特征。
3.根据权利要求1所述的智能仓储管理方法,其特征在于,在所述接收无人机发送的仓库图像数据之前,所述方法还包括:
响应于用户输入的监控指令,所述监控指令包括所述仓库中所储存货物的位置信息;
根据所述监控指令,控制所述无人机按照所述仓库中所储存货物的位置信息进行图像采集。
4.根据权利要求1所述的智能仓储管理方法,其特征在于,所述获取无人机发送的仓库图像数据,具体包括:
接收无人机发送的仓库图像数据包;
对所述仓库图像数据包进行预处理,得到所述仓库图像数据,所述预处理包括去噪、标准化以及归一化处理。
5.根据权利要求1所述的智能仓储管理方法,其特征在于,所述采用预设模型判断所述第一具象特征是否为危险具象特征,具体包括:
获取第二具象特征,所述预设模型中预先存储有多种危险具象特征,所述第二具象特征为多个所述危险具象特征中的任意一个危险具象特征;
将所述第一具象特征与所述第二具象特征进行特征比对,计算得到特征相似度值;
根据所述特征相似度值,判断所述第一具象特征是否为危险具象特征。
6.根据权利要求5所述的智能仓储管理方法,其特征在于,所述根据所述特征相似度值,判断所述第一具象特征是否为危险具象特征,具体包括:
获取所述特征相似度值;
将所述特征相似度值与预设阈值进行比较;
若所述特征相似度值大于或等于所述预设阈值,则确定所述第一具象特征为危险具象特征。
7.根据权利要求3所述的智能仓储管理方法,其特征在于,所述危险提示信息包括危险区域信息,所述方法还包括:
根据所述所述仓库中所储存货物的位置信息,确定危险区域;
向所述用户设备发送所述危险区域,以使所述用户设备对应的用户前往所述危险区域采取相应措施。
8.一种智能仓储管理装置,其特征在于,所述智能仓储管理装置包括获取模块(21)和处理模块(22),其中,
所述获取模块(21),用于获取无人机发送的仓库图像数据,所述仓库图像数据为针对仓库及仓库中所储存货物的图像数据;
所述处理模块(22),用于对所述仓库图像数据进行图像识别,确定第一具象特征,所述仓库图像数据包括多个具象特征,所述第一具象特征为多个所述具象特征中的任意一个具象特征;
所述处理模块(22),还用于采用预设模型判断所述第一具象特征是否为危险具象特征;
所述处理模块(22),还用于若确认所述第一具象特征为危险具象特征,则向用户设备发送危险提示信息,以使所述用户设备对应的用户根据所述危险提示信息对所述仓库进行管理。
9.一种电子设备,其特征在于,所述电子设备包括处理器(31)、存储器(35)、用户接口(33)以及网络接口(34),所述存储器(35)用于存储指令,所述用户接口(33)和所述网络接口(34)均用于给其他设备通信,所述处理器(31)用于执行所述存储器(35)中存储的指令,以使所述电子设备执行如权利要求1至7任意一项所述的方法。
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存储有指令,当所述指令被执行时,执行如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274494.8A CN117291503B (zh) | 2023-09-28 | 一种智能仓储管理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274494.8A CN117291503B (zh) | 2023-09-28 | 一种智能仓储管理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291503A true CN117291503A (zh) | 2023-12-26 |
CN117291503B CN117291503B (zh) | 2024-07-05 |
Family
ID=
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845494A (zh) * | 2016-12-22 | 2017-06-13 | 歌尔科技有限公司 | 一种检测图像中轮廓角点的方法及装置 |
CN106934579A (zh) * | 2017-03-20 | 2017-07-07 | 南京医科大学第附属医院 | 基于无人机的自动仓储系统的控制方法 |
CN108346024A (zh) * | 2018-02-26 | 2018-07-31 | 上海蓓玲发展有限公司 | 危险化学品仓储无人化智能物流运行系统及方法 |
CN108960737A (zh) * | 2018-07-16 | 2018-12-07 | 武汉理工大学 | 基于机器视觉的仓库自动巡检系统及方法 |
CN112396128A (zh) * | 2020-12-08 | 2021-02-23 | 中国铁路设计集团有限公司 | 一种铁路外部环境风险源样本自动标注方法 |
CN114115346A (zh) * | 2021-11-24 | 2022-03-01 | 杭州米阳信息技术有限公司 | 基于无人机的仓储运输管理设备 |
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN114724076A (zh) * | 2022-03-23 | 2022-07-08 | 上海东普信息科技有限公司 | 图像识别方法、装置、设备及存储介质 |
CN115082864A (zh) * | 2022-07-25 | 2022-09-20 | 青岛亨通建设有限公司 | 一种建筑施工安全监控系统 |
CN115511875A (zh) * | 2022-10-28 | 2022-12-23 | 上海东普信息科技有限公司 | 货物堆积的检测方法、装置、设备及存储介质 |
CN115604424A (zh) * | 2022-09-09 | 2023-01-13 | 国网西藏电力有限公司拉萨供电公司(Cn) | 一种物资仓储安防管理系统 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN106845494A (zh) * | 2016-12-22 | 2017-06-13 | 歌尔科技有限公司 | 一种检测图像中轮廓角点的方法及装置 |
CN106934579A (zh) * | 2017-03-20 | 2017-07-07 | 南京医科大学第附属医院 | 基于无人机的自动仓储系统的控制方法 |
CN108346024A (zh) * | 2018-02-26 | 2018-07-31 | 上海蓓玲发展有限公司 | 危险化学品仓储无人化智能物流运行系统及方法 |
CN108960737A (zh) * | 2018-07-16 | 2018-12-07 | 武汉理工大学 | 基于机器视觉的仓库自动巡检系统及方法 |
CN112396128A (zh) * | 2020-12-08 | 2021-02-23 | 中国铁路设计集团有限公司 | 一种铁路外部环境风险源样本自动标注方法 |
CN114115346A (zh) * | 2021-11-24 | 2022-03-01 | 杭州米阳信息技术有限公司 | 基于无人机的仓储运输管理设备 |
CN114724076A (zh) * | 2022-03-23 | 2022-07-08 | 上海东普信息科技有限公司 | 图像识别方法、装置、设备及存储介质 |
CN115082864A (zh) * | 2022-07-25 | 2022-09-20 | 青岛亨通建设有限公司 | 一种建筑施工安全监控系统 |
CN115604424A (zh) * | 2022-09-09 | 2023-01-13 | 国网西藏电力有限公司拉萨供电公司(Cn) | 一种物资仓储安防管理系统 |
CN115511875A (zh) * | 2022-10-28 | 2022-12-23 | 上海东普信息科技有限公司 | 货物堆积的检测方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
WEI DONGYAN等: "Geomagnetism-Aided Indoor Wi-Fi Radio-Map Construction via Smartphone Crowdsourcing", 《SENSORS》, vol. 18, no. 05, 20 August 2018 (2018-08-20), pages 1 - 36 * |
刘伟等著: "《极化成像与识别技术丛书 高分辨率SAR图像海洋目标识别》", vol. 01, 31 May 2022, 国防工业出版社, pages: 219 - 222 * |
金卓鑫: "基于轮廓特征的仓储箱体识别与定位算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, 15 January 2022 (2022-01-15), pages 029 - 708 * |
魏冬艳: "林业病虫害防治技术及应用方法探讨", 《农业灾害研究》, vol. 13, no. 11, 30 November 2023 (2023-11-30), pages 40 - 42 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11132581B2 (en) | Method and apparatus for face image deduplication and storage medium | |
US20220044005A1 (en) | Methods and apparatuses for determining face image quality, electronic devices, and computer storage media | |
WO2019104780A1 (zh) | 激光雷达点云数据分类方法、装置、设备及存储介质 | |
CN110216661B (zh) | 跌落区域识别的方法及装置 | |
US20230410517A1 (en) | Information processing apparatus, control method, and program | |
CN113392681A (zh) | 人体跌倒检测方法、装置及终端设备 | |
JP7429756B2 (ja) | 画像処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN117291503B (zh) | 一种智能仓储管理方法、装置及电子设备 | |
CN111597889B (zh) | 一种视频中目标移动的检测方法、装置及系统 | |
CN117291503A (zh) | 一种智能仓储管理方法、装置及电子设备 | |
US10916016B2 (en) | Image processing apparatus and method and monitoring system | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
US20220148205A1 (en) | Foreign matter detection device, foreign matter detection method, and program | |
US20200279103A1 (en) | Information processing apparatus, control method, and program | |
CN115423795A (zh) | 静帧检测方法、电子设备及存储介质 | |
CN114332694A (zh) | 电梯烟雾识别方法、系统、终端设备及存储介质 | |
CN113158730A (zh) | 一种基于人形识别的多人在离岗识别方法、装置、电子装置和存储介质 | |
CN113365027B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN114973057B (zh) | 基于人工智能的视频图像检测方法及相关设备 | |
US20240153274A1 (en) | Artificial intelligence enabled distance event detection using image analysis | |
CN117557089A (zh) | 一种工程监理项目风险评估方法、装置及电子设备 | |
CN115713758B (zh) | 一种车厢识别方法、系统、装置及存储介质 | |
KR102658518B1 (ko) | 심층 신경망 기반 레이더를 이용한 객체 행동 인식을 위한 자동 학습데이터 수집 장치 | |
JP7483140B2 (ja) | 画像処理システム、撮像装置、端末装置及び画像処理方法 |
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 |