CN117292330B - 一种适用于时序数据运维的智能监测系统 - Google Patents

一种适用于时序数据运维的智能监测系统 Download PDF

Info

Publication number
CN117292330B
CN117292330B CN202311585389.6A CN202311585389A CN117292330B CN 117292330 B CN117292330 B CN 117292330B CN 202311585389 A CN202311585389 A CN 202311585389A CN 117292330 B CN117292330 B CN 117292330B
Authority
CN
China
Prior art keywords
pixel
user
layer
target user
gesture
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
Application number
CN202311585389.6A
Other languages
English (en)
Other versions
CN117292330A (zh
Inventor
万力
韩东明
王庆焕
邢军鹏
李晓阳
刘其敏
邵龙
李冬冬
许茂
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.)
Shandong Haibo Technology Information System Co ltd
Original Assignee
Shandong Haibo Technology Information System 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 Shandong Haibo Technology Information System Co ltd filed Critical Shandong Haibo Technology Information System Co ltd
Priority to CN202311585389.6A priority Critical patent/CN117292330B/zh
Publication of CN117292330A publication Critical patent/CN117292330A/zh
Application granted granted Critical
Publication of CN117292330B publication Critical patent/CN117292330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/443—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 matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种适用于时序数据运维的智能监测系统，属于运维监测技术领域，包括图像采集单元、图像处理单元、动作识别单元和姿态监测单元；图像采集单元用于采集各个时刻的用户图像；图像处理单元用于生成各个时刻的目标用户图像；动作识别单元用于识别各个时刻的用户姿态区域；姿态监测单元用于完成对用户动作的监测。本发明采集多个时刻的用户图像，并对用户图像进行预处理，提高图像质量；构建动作识别模型，用于提取各个时刻的目标用户图像中需要重点监测的区域，即各个时刻的用户姿态区域；利用相似度变化来确定用户的动作相似度变化是否较大，若较大表示用户则考试过程中动作幅度较大，可提示监考人员重点观察，为监考提供参考依据。

Description

一种适用于时序数据运维的智能监测系统
技术领域
本发明属于运维监测技术领域，具体涉及一种适用于时序数据运维的智能监测系统。
背景技术
传统考试在考场中采用人力监考的方式保证考试的公平和有效，因此考试需要投入大量的人力，过程操作复杂，效率低，容易出错。例如依靠监考人员进行巡查监考，也存在主观不可控因素，无法对考场现场考生的监考状况（动作）进行及时、准确的监测，从而制约了考试公平性及质量的提高。
发明内容
本发明为了解决以上问题，提出了一种适用于时序数据运维的智能监测系统。
本发明的技术方案是：一种适用于时序数据运维的智能监测系统包括图像采集单元、图像处理单元、动作识别单元和姿态监测单元；
图像采集单元用于采集各个时刻的用户图像；
图像处理单元用于对各个时刻的用户图像进行预处理，生成各个时刻的目标用户图像；
动作识别单元用于构建动作识别模型，并将各个时刻的目标用户图像输入至动作识别模型中，识别各个时刻的用户姿态区域；
姿态监测单元用于根据各个时刻的用户姿态区域完成对用户动作的监测。
进一步地，图像处理单元生成各个时刻的目标用户图像的具体方法为：对各个时刻的用户图像依次进行去噪处理和裁剪处理，生成各个时刻的目标用户图像。
进一步地，动作识别模型包括依次连接的像素值提取模块、像素姿态标签值生成模块和姿态区域生成模块；
像素值提取模块用于提取各个时刻的目标用户图像中像素点的像素值；
像素姿态标签值生成模块用于根据各个时刻的目标用户图像中像素点的像素值，确定目标用户图像中像素点的姿态标签值；
姿态区域生成模块用于根据各个时刻的目标用户图像中所有像素点的姿态标签值，确定各个时刻的用户姿态区域。
上述进一步方案的有益效果是：在本发明中，像素姿态标签值生成模块根据各个时刻的目标用户图像中所有像素点的像素值，为每个时刻的目标用户图像中各个像素点生成对应的姿态标签值，再根据姿态标签值确定需重点监测的区域，即用户姿态区域。
进一步地，像素姿态标签值生成模块包括若干个卷积层、融合层、激活层和输出层；
若干个卷积层的输入端作为像素姿态标签值生成模块的输入；若干个卷积层的输出端均与融合层的输入端连接；融合层的输出端、激活层和输出层的输入端依次连接；输出层的输出端作为像素姿态标签值生成模块的输出。
上述进一步方案的有益效果是：在本发明中，在像素姿态标签值生成模块中，利用多个卷积层来提取目标用户图像中多个像素点的特征，利用融合层对提取的多个像素点的特征进行融合，最后经由激活层和输出层进行输出，保证像素姿态标签值生成模块所提取的像素特征丰富，且生成的像素姿态标签值准确。
进一步地，卷积层的表达式为：；式中，X表示卷积层的输出，l表示像素点的像素值，a表示卷积层中卷积核的宽度，b表示卷积层中卷积核的高度。
卷积层的个数与目标用户图像中像素点的个数相同。
进一步地，融合层的表达式为：；式中，Y表示融合层的输出，Xi表示第i个卷积层的输出，I表示卷积层个数，lm表示目标用户图像中第m个像素点的像素值，M表示目标用户图像的像素点个数，max(·)表示最大值运算，min(·)表示最小值运算。
进一步地，激活层的表达式为：；式中，Z表示激活层的输出，sigmoid(·)表示激活函数，c表示常数，e表示指数，p表示激活层的偏置，q表示激活层的权重，Y表示融合层的输出，Xi表示第i个卷积层的输出。
进一步地，姿态区域生成模块确定各个时刻的用户姿态区域的具体方法为：计算目标用户图像中所有像素点的姿态标签值的均值，作为姿态标签阈值，将大于姿态标签阈值的姿态标签值对应的所有像素点所在区域作为目标用户图像对应时刻的用户姿态区域。
进一步地，姿态监测单元完成对用户动作的监测的具体方法为：根据各个时刻的用户姿态区域，计算用户动作变化相似度，若用户动作变化相似度大于或等于0.5，则用户动作异常，否则用户动作正常。
进一步地，用户动作变化相似度S的计算公式为：；式中，st表示t时刻的用户姿态区域面积，st+1表示t+1时刻的用户姿态区域面积，T表示所有时刻，St表示t时刻的目标用户图像的面积，St+1表示t+1时刻的目标用户图像的面积，lt表示t时刻的用户姿态区域面积中所有像素点的像素值，lt+1表示t+1时刻的用户姿态区域面积中所有像素点的像素值，Lt表示t时刻的目标用户图像中所有像素点的像素值，Lt+1表示t+1时刻的目标用户图像中所有像素点的像素值。
本发明的有益效果是：本发明采集多个时刻的用户图像，并对用户图像进行预处理，提高图像质量；构建动作识别模型，用于提取各个时刻的目标用户图像中需要重点监测的区域，即各个时刻的用户姿态区域；利用相似度变化来确定用户的动作相似度变化是否较大，若较大表示用户则考试过程中动作幅度较大，可提示监考人员重点观察，为监考提供参考依据。
附图说明
图1为适用于时序数据运维的智能监测系统的结构示意图；
图2为动作识别模型的结构示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种适用于时序数据运维的智能监测系统，包括图像采集单元、图像处理单元、动作识别单元和姿态监测单元；
图像采集单元用于采集各个时刻的用户图像；
图像处理单元用于对各个时刻的用户图像进行预处理，生成各个时刻的目标用户图像；
动作识别单元用于构建动作识别模型，并将各个时刻的目标用户图像输入至动作识别模型中，识别各个时刻的用户姿态区域；
姿态监测单元用于根据各个时刻的用户姿态区域完成对用户动作的监测。
在本发明实施例中，图像处理单元生成各个时刻的目标用户图像的具体方法为：对各个时刻的用户图像依次进行去噪处理和裁剪处理，生成各个时刻的目标用户图像。
在本发明实施例中，动作识别模型包括依次连接的像素值提取模块、像素姿态标签值生成模块和姿态区域生成模块；
像素值提取模块用于提取各个时刻的目标用户图像中像素点的像素值；
像素姿态标签值生成模块用于根据各个时刻的目标用户图像中像素点的像素值，确定目标用户图像中像素点的姿态标签值；
姿态区域生成模块用于根据各个时刻的目标用户图像中所有像素点的姿态标签值，确定各个时刻的用户姿态区域。
在本发明中，像素姿态标签值生成模块根据各个时刻的目标用户图像中所有像素点的像素值，为每个时刻的目标用户图像中各个像素点生成对应的姿态标签值，再根据姿态标签值确定需重点监测的区域，即用户姿态区域。
在本发明实施例中，如图2所示，像素姿态标签值生成模块包括若干个卷积层、融合层、激活层和输出层；
若干个卷积层的输入端作为像素姿态标签值生成模块的输入；若干个卷积层的输出端均与融合层的输入端连接；融合层的输出端、激活层和输出层的输入端依次连接；输出层的输出端作为像素姿态标签值生成模块的输出。
在本发明中，在像素姿态标签值生成模块中，利用多个卷积层来提取目标用户图像中多个像素点的特征，利用融合层对提取的多个像素点的特征进行融合，最后经由激活层和输出层进行输出，保证像素姿态标签值生成模块所提取的像素特征丰富，且生成的像素姿态标签值准确。
在本发明实施例中，卷积层的表达式为：；式中，X表示卷积层的输出，l表示像素点的像素值，a表示卷积层中卷积核的宽度，b表示卷积层中卷积核的高度。
卷积层的个数与目标用户图像中像素点的个数相同。
在本发明实施例中，融合层的表达式为：；式中，Y表示融合层的输出，Xi表示第i个卷积层的输出，I表示卷积层个数，lm表示目标用户图像中第m个像素点的像素值，M表示目标用户图像的像素点个数，max(·)表示最大值运算，min(·)表示最小值运算。
在本发明实施例中，激活层的表达式为：；式中，Z表示激活层的输出，sigmoid(·)表示激活函数，c表示常数，e表示指数，p表示激活层的偏置，q表示激活层的权重，Y表示融合层的输出，Xi表示第i个卷积层的输出。
在本发明实施例中，姿态区域生成模块确定各个时刻的用户姿态区域的具体方法为：计算目标用户图像中所有像素点的姿态标签值的均值，作为姿态标签阈值，将大于姿态标签阈值的姿态标签值对应的所有像素点所在区域作为目标用户图像对应时刻的用户姿态区域。
在本发明实施例中，姿态监测单元完成对用户动作的监测的具体方法为：根据各个时刻的用户姿态区域，计算用户动作变化相似度，若用户动作变化相似度大于或等于0.5，则用户动作异常，否则用户动作正常。
在本发明实施例中，用户动作变化相似度S的计算公式为：；式中，st表示t时刻的用户姿态区域面积，st+1表示t+1时刻的用户姿态区域面积，T表示所有时刻，St表示t时刻的目标用户图像的面积，St+1表示t+1时刻的目标用户图像的面积，lt表示t时刻的用户姿态区域面积中所有像素点的像素值，lt+1表示t+1时刻的用户姿态区域面积中所有像素点的像素值，Lt表示t时刻的目标用户图像中所有像素点的像素值，Lt+1表示t+1时刻的目标用户图像中所有像素点的像素值。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种适用于时序数据运维的智能监测系统，其特征在于，包括图像采集单元、图像处理单元、动作识别单元和姿态监测单元；
所述图像采集单元用于采集各个时刻的用户图像；
所述图像处理单元用于对各个时刻的用户图像进行预处理，生成各个时刻的目标用户图像；
所述动作识别单元用于构建动作识别模型，并将各个时刻的目标用户图像输入至动作识别模型中，识别各个时刻的用户姿态区域；
所述姿态监测单元用于根据各个时刻的用户姿态区域完成对用户动作的监测；
所述动作识别模型包括依次连接的像素值提取模块、像素姿态标签值生成模块和姿态区域生成模块；
所述像素值提取模块用于提取各个时刻的目标用户图像中像素点的像素值；
所述像素姿态标签值生成模块用于根据各个时刻的目标用户图像中像素点的像素值，确定目标用户图像中像素点的姿态标签值；
所述姿态区域生成模块用于根据各个时刻的目标用户图像中所有像素点的姿态标签值，确定各个时刻的用户姿态区域；
所述像素姿态标签值生成模块包括若干个卷积层、融合层、激活层和输出层；
若干个所述卷积层的输入端作为像素姿态标签值生成模块的输入；若干个所述卷积层的输出端均与融合层的输入端连接；所述融合层的输出端、激活层和输出层的输入端依次连接；所述输出层的输出端作为像素姿态标签值生成模块的输出；
所述卷积层的表达式为：；式中，X表示卷积层的输出，l表示像素点的像素值，a表示卷积层中卷积核的宽度，b表示卷积层中卷积核的高度；
所述融合层的表达式为：；式中，Y表示融合层的输出，Xi表示第i个卷积层的输出，I表示卷积层个数，lm表示目标用户图像中第m个像素点的像素值，M表示目标用户图像的像素点个数，max(·)表示最大值运算，min(·)表示最小值运算；
所述激活层的表达式为：；式中，Z表示激活层的输出，sigmoid(·)表示激活函数，c表示常数，e表示指数，p表示激活层的偏置，q表示激活层的权重，Y表示融合层的输出，Xi表示第i个卷积层的输出；
所述姿态区域生成模块确定各个时刻的用户姿态区域的具体方法为：计算目标用户图像中所有像素点的姿态标签值的均值，作为姿态标签阈值，将大于姿态标签阈值的姿态标签值对应的所有像素点所在区域作为目标用户图像对应时刻的用户姿态区域；
所述姿态监测单元完成对用户动作的监测的具体方法为：根据各个时刻的用户姿态区域，计算用户动作变化相似度，若用户动作变化相似度大于或等于0.5，则用户动作异常，否则用户动作正常；
所述用户动作变化相似度S的计算公式为：；式中，st表示t时刻的用户姿态区域面积，st+1表示t+1时刻的用户姿态区域面积，T表示所有时刻，St表示t时刻的目标用户图像的面积，St+1表示t+1时刻的目标用户图像的面积，lt表示t时刻的用户姿态区域面积中所有像素点的像素值，lt+1表示t+1时刻的用户姿态区域面积中所有像素点的像素值，Lt表示t时刻的目标用户图像中所有像素点的像素值，Lt+1表示t+1时刻的目标用户图像中所有像素点的像素值。
2.根据权利要求1所述的适用于时序数据运维的智能监测系统，其特征在于，所述图像处理单元生成各个时刻的目标用户图像的具体方法为：对各个时刻的用户图像依次进行去噪处理和裁剪处理，生成各个时刻的目标用户图像。
CN202311585389.6A 2023-11-27 2023-11-27 一种适用于时序数据运维的智能监测系统 Active CN117292330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311585389.6A CN117292330B (zh) 2023-11-27 2023-11-27 一种适用于时序数据运维的智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311585389.6A CN117292330B (zh) 2023-11-27 2023-11-27 一种适用于时序数据运维的智能监测系统

Publications (2)

Publication Number Publication Date
CN117292330A CN117292330A (zh) 2023-12-26
CN117292330B true CN117292330B (zh) 2024-02-02

Family

ID=89244767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311585389.6A Active CN117292330B (zh) 2023-11-27 2023-11-27 一种适用于时序数据运维的智能监测系统

Country Status (1)

Country Link
CN (1) CN117292330B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117671464B (zh) * 2024-02-02 2024-04-16 深圳市拓远能源科技有限公司 一种基于边缘计算的设备物联网数据管理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796272A (zh) * 2020-06-08 2020-10-20 桂林电子科技大学 穿墙雷达人体图像序列的姿态实时识别方法及计算机设备
CN112184734A (zh) * 2020-09-30 2021-01-05 南京景瑞康分子医药科技有限公司 一种基于红外图像和穿戴式光纤的动物长时间姿态识别系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796272A (zh) * 2020-06-08 2020-10-20 桂林电子科技大学 穿墙雷达人体图像序列的姿态实时识别方法及计算机设备
CN112184734A (zh) * 2020-09-30 2021-01-05 南京景瑞康分子医药科技有限公司 一种基于红外图像和穿戴式光纤的动物长时间姿态识别系统

Also Published As

Publication number Publication date
CN117292330A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN117292330B (zh) 一种适用于时序数据运维的智能监测系统
CN111079655A (zh) 一种基于融合神经网络的视频中人体行为识别方法
CN110135319A (zh) 一种异常行为检测方法及其系统
CN109359697A (zh) 一种电力设备巡检中使用的图形图像识别方法及巡查系统
CN109801265B (zh) 一种基于卷积神经网络的实时输电设备异物检测系统
CN111709397B (zh) 一种基于多头自注意力机制的无人机变尺寸目标检测方法
CN108629753A (zh) 一种基于循环神经网络的人脸图像恢复方法及装置
WO2020029915A1 (zh) 基于人工智能的中医舌像分割装置、方法及存储介质
Naga Srinivasu et al. A comparative review of optimisation techniques in segmentation of brain MR images
CN111401156B (zh) 基于Gabor卷积神经网络的图像识别方法
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN109712127A (zh) 一种用于机巡视频流的输电线路故障检测方法
CN112597980B (zh) 一种面向动态视觉传感器的类脑手势序列识别方法
CN113421222B (zh) 一种轻量化煤矸目标检测方法
CN112308087B (zh) 基于动态视觉传感器的一体化成像识别方法
KR20210080055A (ko) 버섯 병해충 검출 시스템
CN113435335A (zh) 微观表情识别方法、装置、电子设备及存储介质
CN104794726B (zh) 一种水下图像并行分割方法及装置
CN110837777A (zh) 基于改进VGG-Net的部分遮挡的人脸表情识别方法
CN110163103A (zh) 一种基于视频图像的生猪行为识别方法和装置
CN110674675A (zh) 一种行人面部反欺诈方法
CN114140731B (zh) 一种牵引变电所异常检测方法
Zhang Computer image processing and neural network technology for thermal energy diagnosis of boiler plants
CN112560848A (zh) 兴趣点poi预训练模型的训练方法、装置及电子设备
Brander et al. Improving data-scarce image classification through multimodal synthetic data pretraining

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