CN110458082A - 一种城市管理案件分类识别方法 - Google Patents
一种城市管理案件分类识别方法 Download PDFInfo
- Publication number
- CN110458082A CN110458082A CN201910718588.7A CN201910718588A CN110458082A CN 110458082 A CN110458082 A CN 110458082A CN 201910718588 A CN201910718588 A CN 201910718588A CN 110458082 A CN110458082 A CN 110458082A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- case
- scene
- municipal administration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000003242 anti bacterial agent Substances 0.000 claims description 2
- 229940088710 antibiotic agent Drugs 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 206010038743 Restlessness Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种城市管理案件分类识别方法，包括以下步骤，获得大量案件图像样本，通过人工对案件图像进行分类识别，并标识出图像中属于城管案件内容的涉及各类物体对象和位置，将人工标识出来的各类物体对象、位置和图像输入到深度学习模型中进行学习训练。本发明并不直接利用深度学习模型来判断城管案件分类，而是利用深度学习模型得到城管案件图像中出现的各类物体分类以及位置，然后根据场景分类判断算法来判断具体城管案件的类别，降低识别误判率，该方法克服采用深度学习算法模型在实际场景中判断准确率不高的问题，通过本方法可以降低误判率，提高识别的准确率，使之更加符合城管案件识别的实际场景。
Description
技术领域
本发明涉及城市管理案件分类识别技术领域，尤其涉及一种城市管理案件分类识别方法。
背景技术
当今，随着快速发展的城镇化进程，人民群众对城市管理不断提高期望值，导致在城市管理中出现各类问题，城市管理智能化随需求应运而生，其既是现代社会发展的需要，也是对传统城市管理方法的革新的需要。而智慧城市管理***是智能化城市管理的工具和手段，伴随着计算机技术、人工智能及大数据分析等技术的飞速发展而初现雏形，利用图像算法、数据挖掘、调度算法等先进技术能提升城管问题解决效率、最大限度的利用信息资源、减低劳动力成本。
现在流行的是基于深度学习的城市管理图像识别技术，这个技术需要算法能够针对不同的城管案件事件类别学习到图像中有效的形状、颜色、纹理等物体特征从而能进行归类。
根据公开的数据检索到中国专利CN201811292068一种城市违章智能识别方法就是一种基于深度学习的图片类别识别方案，采用深度学习的方法学习训练各类分类样本的特征得到模型，然后用这个模型来判断实际场景中图像对象的分类。
但是这种识别方案存在几个问题：城市管理案件中的图像是在道路、社区、公共场馆等室外场所用手机拍摄或者摄像头采集所得，背景信息较复杂、图像质量较低，采集质量参差不齐，使用现有的深度学习方法进行案件类型识别的结果不理想；另外一个问题在于这种识别方法没有理解城管案件的分类方法：深度学习或者神经网络模型都是采用某种识别算法从大量的样本中学习特征，并建立特征与城管案件类别的关系，而这些识别算法的本质是物体识别，即只能用来判断物体，而并非城管案件中的类别定义，这些类别一般都是定义为一种场景，即多种物体出现的组合条件。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种城市管理案件分类识别方法。
为了实现上述目的，本发明采用了如下技术方案：一种城市管理案件分类识别方法，包括以下步骤：
101：获得大量案件图像样本，通过人工对案件图像进行分类识别，并标识出图像中属于城管案件内容的涉及各类物体对象和位置；
102：将人工标识出来的各类物体对象、位置和图像输入到图像识别模型中进行学习训练，得到改进后的图像识别模型；
103：获得大量的场景分类数据以及场景对应的物体对象清单数据；
104：将场景分类数据和物体分类清单输入场景识别模型中进行学习，得到改进后的场景识别模型；
105：通过城市管理部门业务***获得图像数据；
106：将图像数据作为输入提供给图像识别模型，图像识别模型推理并得到图像中各类物体的预测结果；
107：将结果图像中各类物体分类和位置作为输入提供给场景识别模型，算法判断得到具体城管案件的分类；
108：城管业务***根据案件分类进入相应的案件处理流程。
作为上述技术方案的进一步描述：
所述101步骤中的物体分类包括：人、汽车、三轮车、卷帘门、凳子、桌子、叶蔬菜、水果、垃圾桶、塑料袋、箱子、书本、背景等但不仅限于此；
所述101步骤中的图像样本为城市管理案件处理过程生成的各类图像，包括各类违章停车、乱丢垃圾、出店经营等但不仅限于此。
作为上述技术方案的进一步描述：
所述102步骤中学习训练的目标识别算法为通过不断学习，得到城管物体识别分类的模型，且学习过程包括通过不断调整参数，重复训练过程，其中，目标识别算法包括SSD、YOLO等物体识别算法。
作为上述技术方案的进一步描述：
所述103步骤中的场景分类包括各类违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等但不仅限于此；
所述103步骤中物体对象清单数据的清单数据可以以文本数据、数据库记录的形式提供，一个场景分类对应多个物体对象分类，多个分类数据可以用一个列表或者多条表记录的形式提供。
作为上述技术方案的进一步描述：
所述104步骤中场景分类识别学习为通过不断学习，得到城管案件场景分类的模型，学习过程包括通过不断调整参数，重复训练过程；其中，场景分类算法包括视觉词包模型、深度学习。
作为上述技术方案的进一步描述：
所述105步骤中图像的接收方法可以是基于数据流、本地文件、网络传输等方式，且105步骤中图像来源于城管部门的各类摄像装置。
作为上述技术方案的进一步描述：
所述106步骤中图像识别模型接受一个图像文件，经过图像识别模型的计算，得到一个各类物体的判断概率，通过预定的阈值筛选后，得到图像中物体和物体的位置，且一个图片上面多个物体可以形成一个列表或者数据库记录。
作为上述技术方案的进一步描述：
所述107步骤中场景识别模型接受物***置信息根据预定的判断条件实现场景的判断，输出场景的分类结果，其中，场景包括：违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等但不限于此。
作为上述技术方案的进一步描述：
所述108步骤中城管业务***接收图像分类、位置信息参数作为输入，引入具体的业务模块，接收手段包括本地函数调用、远程rpc调用等；
所述108步骤中案件分类包括：违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等城管案件类别。
作为上述技术方案的进一步描述：
所述图像识别模型用来对图像中各类物体进行判别，并得到图像中出现的各类物体的分类以及对应位置，其中，图像中物体的识别手段包括SSD、YOLO等目标识别深度学习算法；
所述场景识别模型用来对出现的物体组合进行判断，得到图像可能属于的城管案件场景分类，其中，场景识别的手段包括视觉词包模型、深度学习等手段。
有益效果
本发明提供了一种城市管理案件分类识别方法。具备以下有益效果：
(1)：该城市管理案件分类识别方法并不直接利用深度学习模型来判断城管案件分类，而是利用深度学习模型得到城管案件图像中出现的各类物体分类以及位置，然后根据场景分类判断算法来判断具体城管案件的类别，降低识别误判率，该方法克服采用深度学习算法模型在实际场景中判断准确率不高的问题，通过本方法可以降低误判率，提高识别的准确率，使之更加符合城管案件识别的实际场景。
(2)：该城市管理案件分类识别方法通过对图像内容识别判断提高了城市管理中案件分类的自动化程度，且还通过对图像中的场景匹配判断提高了城市管理中案件分类的准确程度，。
附图说明
图1为本发明提出的一种城市管理案件分类识别方法的流程框图。
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。
参照图1，一种城市管理案件分类识别方法，包括以下步骤：
101：获得大量案件图像样本，通过人工对案件图像进行分类识别，并标识出图像中属于城管案件内容的涉及各类物体对象和位置；
102：将人工标识出来的各类物体对象、位置和图像输入到图像识别模型中进行学习训练，得到改进后的图像识别模型；
103：获得大量的场景分类数据以及场景对应的物体对象清单数据；
104：将场景分类数据和物体分类清单输入场景识别模型中进行学习，得到改进后的场景识别模型；
105：通过城市管理部门业务***获得图像数据；
106：将图像数据作为输入提供给图像识别模型，图像识别模型推理并得到图像中各类物体的预测结果；
107：将结果图像中各类物体分类和位置作为输入提供给场景识别模型，算法判断得到具体城管案件的分类；
108：城管业务***根据案件分类进入相应的案件处理流程。
101步骤中的物体分类包括：人、汽车、三轮车、卷帘门、凳子、桌子、叶蔬菜、水果、垃圾桶、塑料袋、箱子、书本、背景等但不仅限于此；
101步骤中的图像样本为城市管理案件处理过程生成的各类图像，包括各类违章停车、乱丢垃圾、出店经营等但不仅限于此。
标注过程可以接受一个输入图像文件，作为输出，人工标注的内容可以存到一个标注记录中，记录的形式可以数据库、文本文件等，两者之间建立一个映射关系。
多个图像文件标注结果形成一个标注记录列表，作为输出以数据记录列表的形式保存下来，数据记录列表可以是数据库，文本文件等。
102步骤中学习训练的目标识别算法为通过不断学习，得到城管物体识别分类的模型，且学习过程包括通过不断调整参数，重复训练过程，其中，目标识别算法包括SSD、YOLO等物体识别算法。
图像识别模型可以接收输入图像、图像对应标注记录的数据记录列表，经过模型计算结果与标注结果的差异，通过优化算法不断调整内部参数形成一个改进的模型
103步骤中的场景分类包括各类违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等但不仅限于此。
物体对象清单数据的清单数据可以以文本数据、数据库记录的形式提供，一个场景分类对应多个物体对象分类，多个分类数据可以用一个列表或者多条表记录的形式提供。
104步骤中场景分类识别学习为通过不断学习，得到城管案件场景分类的模型，学习过程包括通过不断调整参数，重复训练过程，其中，场景分类算法包括视觉词包模型、深度学习。
场景分类识别模型可以接收场景分类和场景对应各种物体的数据记录列表，经过多次计算推理结果与实际结果的差异，通过优化算法不断调整内部参数形成一个改进的模型
105步骤中图像的接收方法可以是基于数据流、本地文件、网络传输等方式，且105步骤中图像来源于城管部门的各类摄像装置。
106步骤中，图像识别模型接受一个图像文件，经过图像识别模型的计算，得到一个各类物体的判断概率，通过预定的阈值筛选后，得到图像中物体和物体的位置，且一个图片上面多个物体可以形成一个列表或者数据库记录。
107步骤中场景识别模型接受物***置信息根据预定的判断条件实现场景的判断，输出场景的分类结果，其中，场景包括：违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等但不限于此。
108步骤中城管业务***接收图像分类、位置信息参数作为输入，引入具体的业务模块，接收手段包括本地函数调用、远程rpc调用等；
108步骤中案件分类包括：违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等城管案件类别。
图像识别模型用来对图像中各类物体进行判别，并得到图像中出现的各类物体的分类以及对应位置，其中，图像中物体的识别手段包括SSD、YOLO等目标识别深度学习算法；
场景识别模型用来对出现的物体组合进行判断，得到图像可能属于的城管案件场景分类，其中，场景识别的手段包括视觉词包模型、深度学习等手段。
城管案件场景分类包括：违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等城管案件类别
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种城市管理案件分类识别方法，其特征在于，包括以下步骤：
101：获得大量案件图像样本，通过人工对案件图像进行分类识别，并标识出图像中属于城管案件内容的涉及各类物体对象和位置；
102：将人工标识出来的各类物体对象、位置和图像输入到图像识别模型中进行学习训练，得到改进后的图像识别模型；
103：获得大量的场景分类数据以及场景对应的物体对象清单数据；
104：将场景分类数据和物体分类清单输入场景识别模型中进行学习，得到改进后的场景识别模型；
105：通过城市管理部门业务***获得图像数据；
106：将图像数据作为输入提供给图像识别模型，图像识别模型推理并得到图像中各类物体的预测结果；
107：将结果图像中各类物体分类和位置作为输入提供给场景识别模型，算法判断得到具体城管案件的分类；
108：城管业务***根据案件分类进入相应的案件处理流程。
2.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述101步骤中的物体分类包括：人、汽车、三轮车、卷帘门、凳子、桌子、叶蔬菜、水果、垃圾桶、塑料袋、箱子、书本、背景等但不仅限于此；
所述101步骤中的图像样本为城市管理案件处理过程生成的各类图像，包括各类违章停车、乱丢垃圾、出店经营等但不仅限于此。
3.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述102步骤中学习训练的目标识别算法为通过不断学习，得到城管物体识别分类的模型，且学习过程包括通过不断调整参数，重复训练过程，其中，目标识别算法包括SSD、YOLO等物体识别算法。
4.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述103步骤中的场景分类包括各类违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等但不仅限于此；
所述103步骤中物体对象清单数据的清单数据可以以文本数据、数据库记录的形式提供，一个场景分类对应多个物体对象分类，多个分类数据可以用一个列表或者多条表记录的形式提供。
5.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述104步骤中场景分类识别学习为通过不断学习，得到城管案件场景分类的模型，学习过程包括通过不断调整参数，重复训练过程；其中，场景分类算法包括视觉词包模型、深度学习。
6.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述105步骤中图像的接收方法可以是基于数据流、本地文件、网络传输等方式，且105步骤中图像来源于城管部门的各类摄像装置。
7.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述106步骤中图像识别模型接受一个图像文件，经过图像识别模型的计算，得到一个各类物体的判断概率，通过预定的阈值筛选后，得到图像中物体和物体的位置，且一个图片上面多个物体可以形成一个列表或者数据库记录。
8.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述107步骤中场景识别模型接受物***置信息根据预定的判断条件实现场景的判断，输出场景的分类结果，其中，场景包括：违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等但不限于此。
9.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述108步骤中城管业务***接收图像分类、位置信息参数作为输入，引入具体的业务模块，接收手段包括本地函数调用、远程rpc调用等；
所述108步骤中案件分类包括：违章停车、乱丢垃圾、出店经营、流动摊贩、乱堆物料等城管案件类别。
10.根据权利要求1所述的一种城市管理案件分类识别方法，其特征在于，所述图像识别模型用来对图像中各类物体进行判别，并得到图像中出现的各类物体的分类以及对应位置，其中，图像中物体的识别手段包括SSD、YOLO等目标识别深度学习算法；
所述场景识别模型用来对出现的物体组合进行判断，得到图像可能属于的城管案件场景分类，其中，场景识别的手段包括视觉词包模型、深度学习等手段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910718588.7A CN110458082B (zh) | 2019-08-05 | 2019-08-05 | 一种城市管理案件分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910718588.7A CN110458082B (zh) | 2019-08-05 | 2019-08-05 | 一种城市管理案件分类识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458082A true CN110458082A (zh) | 2019-11-15 |
| CN110458082B CN110458082B (zh) | 2022-05-03 |
Family
ID=68484889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910718588.7A Active CN110458082B (zh) | 2019-08-05 | 2019-08-05 | 一种城市管理案件分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458082B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126252A (zh) * | 2019-12-20 | 2020-05-08 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
| CN111539400A (zh) * | 2020-07-13 | 2020-08-14 | 追创科技(苏州)有限公司 | 自移动设备的控制方法、装置、存储介质及自移动设备 |
| CN112214628A (zh) * | 2020-10-28 | 2021-01-12 | 城云科技（中国）有限公司 | 城市管理的信息分发方法、***、***设备及存储介质 |
| CN112329605A (zh) * | 2020-11-03 | 2021-02-05 | 中再云图技术有限公司 | 一种城市容貌乱贴乱画行为识别方法，存储装置及服务器 |
| CN112651871A (zh) * | 2020-12-17 | 2021-04-13 | 北京无线电计量测试研究所 | 一种基于增强现实技术的城市管理的执法***及方法 |
| CN112733909A (zh) * | 2020-12-31 | 2021-04-30 | 北京软通智慧城市科技有限公司 | 一种城市案件的去重识别方法、装置、介质及电子设备 |
| CN113221804A (zh) * | 2021-05-25 | 2021-08-06 | 城云科技（中国）有限公司 | 一种基于监控视频的乱堆物料检测方法、装置及应用 |
| WO2022012471A1 (zh) * | 2020-07-13 | 2022-01-20 | 追觅创新科技(苏州)有限公司 | 自移动设备的控制方法、装置、存储介质及自移动设备 |
| CN114187156A (zh) * | 2021-12-17 | 2022-03-15 | 江西洪都航空工业集团有限责任公司 | 一种面向移动背景下的城市管理事部件智能识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250871A (zh) * | 2016-08-16 | 2016-12-21 | 桂林电子科技大学 | 城市管理案件分类方法及装置 |
| CN108133236A (zh) * | 2017-12-25 | 2018-06-08 | 城云科技（中国）有限公司 | 一种城市管理图像智能识别分类的方法、集成装置及*** |
| CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
| CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
| CN109063612A (zh) * | 2018-07-19 | 2018-12-21 | 中智城信息技术有限公司 | 城市智能红线管理方法及机器可读存储介质 |
| CN109190608A (zh) * | 2018-10-30 | 2019-01-11 | 长威信息科技发展股份有限公司 | 一种城市违章智能识别方法 |
| CN109471922A (zh) * | 2018-09-29 | 2019-03-15 | 平安科技（深圳）有限公司 | 基于深度学习模型的案件类型识别方法、装置、设备及介质 |
| CN109993047A (zh) * | 2017-12-28 | 2019-07-09 | 杭州海康威视***技术有限公司 | 城市乱堆物料的违规识别方法、装置及电子设备 |
| CN110020755A (zh) * | 2019-04-12 | 2019-07-16 | 城云科技（中国）有限公司 | 基于人机协同的城市管理*** |
-
2019
- 2019-08-05 CN CN201910718588.7A patent/CN110458082B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250871A (zh) * | 2016-08-16 | 2016-12-21 | 桂林电子科技大学 | 城市管理案件分类方法及装置 |
| CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
| CN108133236A (zh) * | 2017-12-25 | 2018-06-08 | 城云科技（中国）有限公司 | 一种城市管理图像智能识别分类的方法、集成装置及*** |
| CN109993047A (zh) * | 2017-12-28 | 2019-07-09 | 杭州海康威视***技术有限公司 | 城市乱堆物料的违规识别方法、装置及电子设备 |
| CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
| CN109063612A (zh) * | 2018-07-19 | 2018-12-21 | 中智城信息技术有限公司 | 城市智能红线管理方法及机器可读存储介质 |
| CN109471922A (zh) * | 2018-09-29 | 2019-03-15 | 平安科技（深圳）有限公司 | 基于深度学习模型的案件类型识别方法、装置、设备及介质 |
| CN109190608A (zh) * | 2018-10-30 | 2019-01-11 | 长威信息科技发展股份有限公司 | 一种城市违章智能识别方法 |
| CN110020755A (zh) * | 2019-04-12 | 2019-07-16 | 城云科技（中国）有限公司 | 基于人机协同的城市管理*** |
Non-Patent Citations (1)
| Title |
|---|
| 杨浩: "城市管理案件的图像分类算法研究", 《万方数据知识服务平台》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126252A (zh) * | 2019-12-20 | 2020-05-08 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
| CN111126252B (zh) * | 2019-12-20 | 2023-08-18 | 浙江大华技术股份有限公司 | 摆摊行为检测方法以及相关装置 |
| CN111539400A (zh) * | 2020-07-13 | 2020-08-14 | 追创科技(苏州)有限公司 | 自移动设备的控制方法、装置、存储介质及自移动设备 |
| WO2022012471A1 (zh) * | 2020-07-13 | 2022-01-20 | 追觅创新科技(苏州)有限公司 | 自移动设备的控制方法、装置、存储介质及自移动设备 |
| CN112214628A (zh) * | 2020-10-28 | 2021-01-12 | 城云科技（中国）有限公司 | 城市管理的信息分发方法、***、***设备及存储介质 |
| CN112329605A (zh) * | 2020-11-03 | 2021-02-05 | 中再云图技术有限公司 | 一种城市容貌乱贴乱画行为识别方法，存储装置及服务器 |
| CN112329605B (zh) * | 2020-11-03 | 2022-05-17 | 中再云图技术有限公司 | 一种城市容貌乱贴乱画行为识别方法，存储装置及服务器 |
| CN112651871A (zh) * | 2020-12-17 | 2021-04-13 | 北京无线电计量测试研究所 | 一种基于增强现实技术的城市管理的执法***及方法 |
| CN112733909A (zh) * | 2020-12-31 | 2021-04-30 | 北京软通智慧城市科技有限公司 | 一种城市案件的去重识别方法、装置、介质及电子设备 |
| CN113221804A (zh) * | 2021-05-25 | 2021-08-06 | 城云科技（中国）有限公司 | 一种基于监控视频的乱堆物料检测方法、装置及应用 |
| CN114187156A (zh) * | 2021-12-17 | 2022-03-15 | 江西洪都航空工业集团有限责任公司 | 一种面向移动背景下的城市管理事部件智能识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458082B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458082A (zh) | 一种城市管理案件分类识别方法 | |
| CN105512640B (zh) | 一种基于视频序列的人流量统计方法 | |
| CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
| CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
| CN109816024A (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
| CN106874954A (zh) | 一种信息获取的方法以及相关装置 | |
| CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
| CN108897857A (zh) | 面向领域的中文文本主题句生成方法 | |
| CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
| CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
| CN109508360A (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN109146144A (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
| CN1561503A (zh) | 通过模型集合体的对象分类 | |
| CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
| CN111186656A (zh) | 一种目标垃圾分类方法及智能垃圾桶 | |
| CN104636755A (zh) | 一种基于深度学习的人脸美丽评价方法 | |
| CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN104680193B (zh) | 基于快速相似性网络融合算法的在线目标分类方法与*** | |
| CN107785061A (zh) | 孤独症谱系障碍儿童情绪能力干预*** | |
| CN107748889A (zh) | 一种乳腺肿瘤超声图像自动分类方法 | |
| CN109376613A (zh) | 基于大数据和深度学习技术的视频智能监控*** | |
| CN107729363A (zh) | 基于GoogLeNet网络模型鸟类种群识别分析方法 | |
| CN106682681A (zh) | 一种基于相关反馈的识别算法自动改进方法 | |
| CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测***及方法 |
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 |