CN110503046A - 一种基于图像识别技术的铅封识别法 - Google Patents
一种基于图像识别技术的铅封识别法 Download PDFInfo
- Publication number
- CN110503046A CN110503046A CN201910789708.2A CN201910789708A CN110503046A CN 110503046 A CN110503046 A CN 110503046A CN 201910789708 A CN201910789708 A CN 201910789708A CN 110503046 A CN110503046 A CN 110503046A
- Authority
- CN
- China
- Prior art keywords
- lead sealing
- ammeter
- lead
- image recognition
- entirety
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像识别技术的铅封识别法,其属于铅封识别领域,其包括:(1)通过机器学习方法对各类铅封的形状、样式特点、编号以及各类电表上铅封的位置进行建模,构建起铅封图像识别模型;(2)查处人员携带智能移动终端前往现场,利用摄像头拍摄包含铅封的电表整体图片集;(3)智能移动终端将包含铅封的电表整体图片集传入铅封图像识别模型,对包含铅封的电表整体图片集中的图片进行处理,识别出电表整体图片集所拍摄的电表上的所有铅封及其铅封状态与铅封编号;(4)将铅封识别结果反馈给智能移动终端。本方法直接可获取铅封是否破坏,是否被篡改,极大减小现场查窃工作量,且能同时精确检查多个铅封状态,保证查处结果准确性。
Description
技术领域
本发明涉及一种基于图像识别技术的铅封识别法,其属于铅封识别领域。
背景技术
由于传统手工方式进行搭线检查效率低,与智能电网发展不协调,难以满足实际生产的需求。实际使用情况中,窃电用户可能会对电表铅封进行破坏,或是使用违法铅封进行篡改。而且在实际窃电查处过程中非法铅封与原铅封物理外形相同,且单个电表有多个铅封,查窃人员必须顺次手动输入铅封编号以验证该铅封的真实性。
现有的技术在铅封识别存在如下问题:
(1)现场查窃铅封识别工作量大,不够智能。
(2)铅封篡改可能被忽略。
发明内容
本发明所要解决的技术问题是提供了一种节约工作量且铅封篡改不易被忽略的基于图像识别技术的铅封识别法。
本发明为解决上述问题,采用如下技术方案:
一种基于图像识别技术的铅封识别法,具体包括如下步骤:
步骤1、通过机器学习方法对各类铅封的形状、样式特点、编号以及各类电表上铅封的位置进行建模,构建起铅封图像识别模型;
步骤2、查处人员携带智能移动终端前往现场,利用摄像头拍摄包含铅封的电表整体图片集;
步骤3、智能移动终端将包含铅封的电表整体图片集传入铅封图像识别模型,铅封图像识别模型对包含铅封的电表整体图片集中的图片进行处理,识别出电表整体图片集所拍摄的电表上的所有铅封及其铅封状态与铅封编号;
步骤4、铅封图像识别模型将铅封识别结果反馈给智能移动终端便于查窃人员确认窃电。
进一步的,所述步骤1中通过机器学习方法构建的铅封图像识别模型过程如下:获取训练数据集,包括含有铅封电表的样本和不含铅封电表的样本,作为卷积神经网络的输入进行训练,使用目标检测的数据集,对Faster Rcnn卷积神经网络训练得到铅封图像识别模型。
进一步的,所述步骤2中摄像头拍摄的包含铅封的电表整体图片集中铅封编号向上且能显示所有铅封编号。
进一步的,所述步骤3中铅封图像识别模型对包含铅封的电表整体图片集中的图片进行处理,识别出电表整体图片集所拍摄的电表上的所有铅封及其铅封状态与铅封编号,具体方法如下:
使用选择性搜索算法selective search获取铅封的候选区域,使用训练好的铅封图像识别模型对其候选区域进行特征提取,最终输出铅封存在和不存在的概率以及铅封的编号。
本发明的有益效果如下:
1、面对大量电表的现场查窃,相比于传统人工法,本方法直接可以获取铅封是否破坏,是否被篡改,极大的减小现场查窃工作量。
2、本发明能同时精确检查多个铅封状态,保证查处结果准确性。
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地介绍,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它的附图。
图1为本实施例的工作原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合具体实施例和说明书附图对本发明做进一步说明。
如图1所示,本实施例涉及一种基于图像识别技术的铅封识别法,其具体包括如下步骤:
步骤1、通过机器学习方法对各类铅封的形状、样式特点、编号以及各类电表上铅封的位置进行建模,构建起铅封图像识别模型;
步骤2、查处人员携带智能移动终端前往现场,利用摄像头拍摄包含铅封的电表整体图片集;
步骤3、智能移动终端将包含铅封的电表整体图片集传入铅封图像识别模型,铅封图像识别模型对包含铅封的电表整体图片集中的图片进行处理,识别出电表整体图片集所拍摄的电表上的所有铅封及其铅封状态与铅封编号;
步骤4、铅封图像识别模型将铅封识别结果反馈给智能移动终端便于查窃人员确认窃电。
进一步的,所述步骤1中通过机器学习方法构建的铅封图像识别模型过程如下:获取训练数据集,包括含有铅封电表的样本和不含铅封电表的样本,作为卷积神经网络的输入进行训练,使用目标检测的数据集,对Faster Rcnn卷积神经网络训练得到铅封图像识别模型。
RPN网络是解决region proposal的问题,所以输入是一副图像,输出是regionproposal,实际和fast rcnn共享卷积层,所以,输入的是一个conv的feature map。最下面输入一张图片,经过卷积得到feature map,然后RPN提取proposals,然后由RoI pooling提取每个proposal的特征,最后是分类。
其中,Faster Rcnn卷积神经网络训练的主要原理如下:
(1)输入测试图像;
(2)将整张图片输入CNN,进行特征提取;
(3)用RPN生成建议窗口proposals,每张图片生成300个建议窗口;
(4)把建议窗口映射到CNN的最后一层卷积feature map上;
(5)通过RoI pooling层使每个RoI生成固定尺寸的feature map;
(6)利用探测分类概率Softmax Loss和探测边框回归Smooth L1 Loss对分类概率和边框回归Bounding box regression联合训练。
Faster Rcnn创造性地采用卷积网络自行产生建议框,并且和目标检测网络共享卷积网络,使得建议框数目从原有的约2000个减少为300个,且建议框的质量也有本质的提高。
进一步的,所述步骤2中摄像头拍摄的包含铅封的电表整体图片集中铅封编号向上且能显示所有铅封编号。
进一步的,所述步骤3中铅封图像识别模型对包含铅封的电表整体图片集中的图片进行处理,识别出电表整体图片集所拍摄的电表上的所有铅封及其铅封状态与铅封编号,具体方法如下:
使用选择性搜索算法selective search获取铅封的候选区域,使用训练好的铅封图像识别模型对其候选区域进行特征提取,最终输出铅封存在和不存在的概率以及铅封的编号。
本发明面对大量电表的现场查窃,相比于传统人工法,本方法直接可以获取铅封是否破坏,是否被篡改,极大的减小现场查窃工作量。
本发明能同时精确检查多个铅封状态,保证查处结果准确性。
在目标检测时,为了定位到目标的具***置,通常会把图像分成许多子块(sub-regions / patches),然后把子块作为输入,送到目标识别的模型中。选择性搜索算法selective search就是一种选择子块的启发式方法。
选择性搜索算法的主要思路:输入一张图片,首先通过图像分割的方法,获得很多小的区域,然后对这些小的区域不断进行合并,一直到无法合并为止。此时这些原始的小区域和合并得到的区域的就是我们得到的bounding box。图像分割的方法例如felzenszwalb算法。
选择性搜索算法可分为如下几个大步:
(1)可利用felzenszwalb算法,生成原始的区域集R;
(2)计算区域集R里每个相邻区域的相似度S={s1,s2,…};
(3)找出相似度最高的两个区域,将其合并为新集,添加进区域集R;
(4)从S中移除所有与步骤(3)中有关的子集;
(5)计算新集与所有子集的相似度
(6)跳至步骤(3),不断循环,合并,直至S为空或直到不能再合并时为止。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (4)
1.一种基于图像识别技术的铅封识别法,其特征在于,其包括如下步骤:
步骤1、通过机器学习方法对各类铅封的形状、样式特点、编号以及各类电表上铅封的位置进行建模,构建起铅封图像识别模型;
步骤2、查处人员携带智能移动终端前往现场,利用摄像头拍摄包含铅封的电表整体图片集;
步骤3、智能移动终端将包含铅封的电表整体图片集传入铅封图像识别模型,铅封图像识别模型对包含铅封的电表整体图片集中的图片进行处理,识别出电表整体图片集所拍摄的电表上的所有铅封及其铅封状态与铅封编号;
步骤4、铅封图像识别模型将铅封识别结果反馈给智能移动终端便于查窃人员确认窃电。
2.根据权利要求1所述的基于图像识别技术的铅封识别法,其特征在于,所述步骤1中通过机器学习方法构建的铅封图像识别模型过程如下:获取训练数据集,包括含有铅封电表的样本和不含铅封电表的样本,作为卷积神经网络的输入进行训练,使用目标检测的数据集,对Faster Rcnn卷积神经网络训练得到铅封图像识别模型。
3.根据权利要求1所述的基于图像识别技术的铅封识别法,其特征在于,所述步骤2中摄像头拍摄的包含铅封的电表整体图片集中铅封编号向上且能显示所有铅封编号。
4.根据权利要求2所述的基于图像识别技术的铅封识别法,其特征在于,所述步骤3中铅封图像识别模型对包含铅封的电表整体图片集中的图片进行处理,识别出电表整体图片集所拍摄的电表上的所有铅封及其铅封状态与铅封编号,具体方法如下:
使用选择性搜索算法selective search获取铅封的候选区域,使用训练好的铅封图像识别模型对其候选区域进行特征提取,最终输出铅封存在和不存在的概率以及铅封的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789708.2A CN110503046A (zh) | 2019-08-26 | 2019-08-26 | 一种基于图像识别技术的铅封识别法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789708.2A CN110503046A (zh) | 2019-08-26 | 2019-08-26 | 一种基于图像识别技术的铅封识别法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503046A true CN110503046A (zh) | 2019-11-26 |
Family
ID=68589551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910789708.2A Pending CN110503046A (zh) | 2019-08-26 | 2019-08-26 | 一种基于图像识别技术的铅封识别法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503046A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626323A (zh) * | 2020-04-10 | 2020-09-04 | 国网浙江杭州市富阳区供电有限公司 | 一种基于深度学习的电表状态检测和评估方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1287265A (zh) * | 2000-06-22 | 2001-03-14 | 北京供电局大兴供电局 | 带识别码的铅封及其制做方法 |
CN101699520A (zh) * | 2009-09-23 | 2010-04-28 | 北京子天汇科信息技术有限公司 | 一种用于电表的新型电子防伪*** |
CN201927067U (zh) * | 2010-12-01 | 2011-08-10 | 河南省电力公司南阳供电公司 | 电力计量中rfid技术模式 |
CN203397372U (zh) * | 2013-05-16 | 2014-01-15 | 大连口岸物流科技有限公司 | 基于dsp的集装箱图像采集与识别处理智能终端 |
CN103530758A (zh) * | 2013-10-31 | 2014-01-22 | 郑恒强 | 基于智能终端、ocr技术的集装箱信息自动采集*** |
CN203950314U (zh) * | 2014-03-18 | 2014-11-19 | 泉州智勇达电气有限责任公司 | 铅封自助管理机 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及*** |
CN205982380U (zh) * | 2016-08-24 | 2017-02-22 | 山东正煦电气有限公司 | 一种基于rfid技术的防窃电实时检测装置 |
CN106892255A (zh) * | 2017-03-16 | 2017-06-27 | 浙江厚达智能科技股份有限公司 | 电表铅封机铅封上料排队机构 |
CN107145889A (zh) * | 2017-04-14 | 2017-09-08 | 中国人民解放军国防科学技术大学 | 基于具有RoI池化的双CNN网络的目标识别方法 |
CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
CN107358680A (zh) * | 2017-08-29 | 2017-11-17 | 无锡北斗星通信息科技有限公司 | 一种人员特征深度处理方法 |
CN107392276A (zh) * | 2017-08-30 | 2017-11-24 | 王晓晴 | 一种定位铅封锁及其*** |
CN107617573A (zh) * | 2017-09-30 | 2018-01-23 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流编码识别和分拣方法 |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN207149160U (zh) * | 2017-06-20 | 2018-03-27 | 国网山东省电力公司威海供电公司 | 电能计量表的铅封及电能计量柜 |
CN108073905A (zh) * | 2017-12-21 | 2018-05-25 | 北京邮电大学 | 一种智能水尺读数的方法、***和设备 |
CN108256520A (zh) * | 2017-12-27 | 2018-07-06 | 中国科学院深圳先进技术研究院 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
CN108416412A (zh) * | 2018-01-23 | 2018-08-17 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流复合码识别方法 |
CN108564077A (zh) * | 2018-04-03 | 2018-09-21 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中数字的检测和识别方法 |
CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
CN110108914A (zh) * | 2019-05-21 | 2019-08-09 | 国网湖南省电力有限公司 | 一种反窃电智能化决策方法、***、设备及介质 |
-
2019
- 2019-08-26 CN CN201910789708.2A patent/CN110503046A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1287265A (zh) * | 2000-06-22 | 2001-03-14 | 北京供电局大兴供电局 | 带识别码的铅封及其制做方法 |
CN101699520A (zh) * | 2009-09-23 | 2010-04-28 | 北京子天汇科信息技术有限公司 | 一种用于电表的新型电子防伪*** |
CN201927067U (zh) * | 2010-12-01 | 2011-08-10 | 河南省电力公司南阳供电公司 | 电力计量中rfid技术模式 |
CN203397372U (zh) * | 2013-05-16 | 2014-01-15 | 大连口岸物流科技有限公司 | 基于dsp的集装箱图像采集与识别处理智能终端 |
CN103530758A (zh) * | 2013-10-31 | 2014-01-22 | 郑恒强 | 基于智能终端、ocr技术的集装箱信息自动采集*** |
CN203950314U (zh) * | 2014-03-18 | 2014-11-19 | 泉州智勇达电气有限责任公司 | 铅封自助管理机 |
CN205982380U (zh) * | 2016-08-24 | 2017-02-22 | 山东正煦电气有限公司 | 一种基于rfid技术的防窃电实时检测装置 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及*** |
CN106892255A (zh) * | 2017-03-16 | 2017-06-27 | 浙江厚达智能科技股份有限公司 | 电表铅封机铅封上料排队机构 |
CN107145889A (zh) * | 2017-04-14 | 2017-09-08 | 中国人民解放军国防科学技术大学 | 基于具有RoI池化的双CNN网络的目标识别方法 |
CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
CN207149160U (zh) * | 2017-06-20 | 2018-03-27 | 国网山东省电力公司威海供电公司 | 电能计量表的铅封及电能计量柜 |
CN107358680A (zh) * | 2017-08-29 | 2017-11-17 | 无锡北斗星通信息科技有限公司 | 一种人员特征深度处理方法 |
CN107392276A (zh) * | 2017-08-30 | 2017-11-24 | 王晓晴 | 一种定位铅封锁及其*** |
CN107617573A (zh) * | 2017-09-30 | 2018-01-23 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流编码识别和分拣方法 |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN108073905A (zh) * | 2017-12-21 | 2018-05-25 | 北京邮电大学 | 一种智能水尺读数的方法、***和设备 |
CN108256520A (zh) * | 2017-12-27 | 2018-07-06 | 中国科学院深圳先进技术研究院 | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 |
CN108416412A (zh) * | 2018-01-23 | 2018-08-17 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流复合码识别方法 |
CN108564077A (zh) * | 2018-04-03 | 2018-09-21 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中数字的检测和识别方法 |
CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
CN110108914A (zh) * | 2019-05-21 | 2019-08-09 | 国网湖南省电力有限公司 | 一种反窃电智能化决策方法、***、设备及介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626323A (zh) * | 2020-04-10 | 2020-09-04 | 国网浙江杭州市富阳区供电有限公司 | 一种基于深度学习的电表状态检测和评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Learning to parse wireframes in images of man-made environments | |
Huang et al. | Part-level graph convolutional network for skeleton-based action recognition | |
Wu et al. | Decomposition and completion network for salient object detection | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数***及方法 | |
CN103310466B (zh) | 一种单目标跟踪方法及其实现装置 | |
CN107943837A (zh) | 一种前景目标关键帧化的视频摘要生成方法 | |
CN109949296A (zh) | 一种输电线路缺陷识别方法、装置及存储介质 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN104731964A (zh) | 基于人脸识别的人脸摘要方法、视频摘要方法及其装置 | |
CN109670405B (zh) | 一种基于深度学习的复杂背景行人检测方法 | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
CN103714181B (zh) | 一种层级化的特定人物检索方法 | |
CN107423747B (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
CN102496001A (zh) | 一种视频监控目标自动检测的方法和*** | |
CN114758362B (zh) | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 | |
CN109740537A (zh) | 人群视频图像中行人图像属性的精确标注方法及*** | |
CN103853794B (zh) | 一种基于部件关联的行人检索方法 | |
CN104751485B (zh) | 一种基于gpu自适应的前景提取方法 | |
CN112528845B (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
Yang et al. | Multi-scale bidirectional fcn for object skeleton extraction | |
CN106874913A (zh) | 一种菜品检测方法 | |
JP2022082493A (ja) | ノイズチャネルに基づくランダム遮蔽回復の歩行者再識別方法 | |
CN111046213B (zh) | 一种基于图像识别的知识库构建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |
|
RJ01 | Rejection of invention patent application after publication |