CN111325069B - 产线数据处理方法、装置、计算机设备和存储介质 - Google Patents
产线数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111325069B CN111325069B CN201811536905.5A CN201811536905A CN111325069B CN 111325069 B CN111325069 B CN 111325069B CN 201811536905 A CN201811536905 A CN 201811536905A CN 111325069 B CN111325069 B CN 111325069B
- Authority
- CN
- China
- Prior art keywords
- detected
- image
- target
- face
- training
- 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
Links
Images
Classifications
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种产线管理方法、产线数据处理方法、装置、计算机设备和存储介质。所述方法包括:通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,通过对待检测图像进行分割得到待检测目标的人脸图像,通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。通过目标检测模型对产线上的工作人员进行检测,对工作人员的人脸进行识别确定工作人员,根据检测结果和识别结果对员工的工作进行评估,得到各个工作人员的评估结果,通过自动化管理员工的工作评估结果,从而提高产线的管理效率。
Description
技术领域
本申请涉及计算机视觉领域,尤其涉及一种产线管理方法、产线数据处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,计算机视觉技术,机器学习,深度学习和硬件计算速度的不断提升,使得计算机视觉技术被应用到各个领域成为可能。在生产车间需要大量的工作人员来对设备进行生产,对人员的有效管理能够提升产品的生产效率、产品质量。目前生产车间的管理基本上是管理人员对各个员工的工作进行评价,导致管理效率低下。
发明内容
为了解决上述技术问题,本申请提供了一种产线管理方法、产线数据处理方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种产线数据处理方法,包括:
通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员;
通过对待检测图像进行分割得到待检测目标的人脸图像;
通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果;
根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
一种产线管理方法,包括:
通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员;
通过对待检测图像进行分割得到待检测目标的人脸图像;
通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果;
根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
第二方面,本申请提供了一种产线数据处理装置,包括:
目标检测模块,用于通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员;
图像分割模块,用于通过对待检测图像进行分割得到待检测目标的人脸图像;
目标识别模块,用于通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果;
工作评估结果模块,用于根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线的工作人员;
通过对待检测图像进行分割得到待检测目标的人脸图像;
通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果;
根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线的工作人员;
通过对待检测图像进行分割得到待检测目标的人脸图像;
通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果;
根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
上述产线管理方法、产线数据处理方法、装置、计算机设备和存储介质。所述方法包括:通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员,通过对待检测图像进行分割得到待检测目标的人脸图像,通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。通过目标检测模型对产线上的工作人员进行检测,进一步对工作人员的人脸进行识别确定各个工作人员,根据检测结果和识别结果对产线上的各个员工的工作进行评估,得到各个工作人员的评估结果,通过自动化的管理个人的工作评估结果从而提高产线的管理效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中产线数据处理方法的应用场景图;
图2为一个实施例中产线数据处理方法的流程示意图;
图3为另一个实施例中产线数据处理方法的流程示意图;
图4为再一个实施例中产线数据处理方法的流程示意图;
图5为又一个实施例中产线数据处理方法的流程示意图;
图6为一个实施例中产线数据处理装置的结构框图;
图7为一个实施例中计算机设备的内部结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为一个实施例中产线数据处理方法的应用环境图。参照图1,该产线数据处理方法应用于产线数据处理***。该产线数据处理***包括终端110和服务器120。终端110和服务器120通过网络连接。终端或服务器通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员,通过对待检测图像进行分割得到待检测目标的人脸图像,通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在一个实施例中,提供了一种产线数据处理方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明。参照图2,该产线数据处理方法具体包括如下步骤:
步骤S201,通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标。
在本具体实施例中,待检测目标为产线上的工作人员。
具体地,已训练的目标检测模型是指通过对大量的携带目标标签的图像进行训练得到的。其中目标检测模型可以为深度学习神经网络模型,模型的训练方法可以采用端到端的训练方式、最小二乘法拟合、和梯度下降法等。待检测图像是通过拍摄设备拍摄得到的图像,待检测图像中包含至少一个待检测目标。通过已训练的目标检测模型提取待检测目标的待检测图像的图像特征,根据提取到的图像特征确定待检测图像中哪些图像区域为待检测目标。
在一个实施例中,统计待检测图像中的检测到的待检测目标的数量,若待检测图像整个产线的图像,则通过检测到的数量为正在产线上工作的人员的数量。通过已训练的目标检测模型实现人员的监控更为便捷,避免了人为干预带来的不便。
在一个实施例中,通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测之前,还包括:获取各个待检测图像对应的存储地址,根据各个待检测图像对应的存储地址获取待检测图像。
具体地,存储地址是待检测图像所存储的地址,不同的拍摄设备采集的图像可以采用分布式存储方式进行存储,根据待检测图像的存储地址获取对应的待检测图像。分布式存储具有高性能、多副本一致性、容灾和备份性好、容易弹性拓展、数据存储标准化程度高的有点,采用分布式存储能够提高数据获取效率,能够支持数据的高效读写缓存、支持数据自动分级存储、支持数据高速数据映射,同时多备份机制保证了数据的存储安全性。
在一个实施例中,在通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测之前,还包括:对待检测图像进行预处理。其中预处理包括但不限于图像去燥、拼接、校正、仿射变换等。
在一个实施例中,在对待检测图像进行预处理之前,还包括:根据预设筛选规则对待检测图像进行筛选。预设筛选规则可以自定义,如图像质量、图像对比度等。
步骤S202,通过对待检测图像进行分割得到待检测目标的人脸图像。
具体地,分割是把待检测图像分成若干个具有人脸特征的区域。图像分割方法包括基于阈值分割、基于边缘分割、基于区域的分割方法、基于图论的分割方法和基于能量泛函的分割方法。根据业务需求可以选取任意一种或多种分割方法对待检测图像进行分割,得到包含待检测目标的人脸的人脸图像。将人脸图像分割出来便于后续人脸识别,减少图像中的背景信息带来的干扰,提高后续人脸识别的识别准确率。
步骤S203,通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果。
具体地,已训练的人脸识别模型是指对大量携带人脸标签的图像数据进行训练得到的,其中人脸标签是用于标识该人脸的标签数据,如图像A中包含用户A的脸,则采用人脸标签标识图像A中的人脸为用户A的人脸。人脸特征是用于描述人脸的特征数据。特征数据可以为人脸的五官、五官之间的位置关系等等,通过学习到的人脸特征确定各个待检测目标的人脸的人脸标签为识别结果。
步骤S204,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
具体地,工作评估结果是指对工作人员的工作进行评估得到的结果。通过已训练的目标检测模型检测得到的待检测目标和对应的识别结果评估工作人员的工作表现,得到对应的工作评估结果。工作评估的内容包括但不限于工作时间、工作状态、工作成果等。其中工作时间可以是根据待检测图像携带的时间信息确定,也可以是根据识别结果对应的工作数据中获取到的,工作状态可以是根据识别结果
在一个实施例中,根据待检测图像携带的时间信息确定各个待检测目标的工作间信息,获取与识别结果对应的待检测目标的工作数据。根据工作时间信息和工作数据确定待检测目标的工作评估结果。
具体地,待检测图像中包含了时间信息,根据待检测目标对应的识别结果确定各个待检测目标的工作时间信息,获取各个识别结果对应的待检测目标的工作数据,其中工作数据包括工作内容、工作状态、工作态度、工作成果等。根据工作数据和工作时间信息对各个待检测目标进行工作评估得到对应的工作评估结果。工作评估结果可以设置多个等级如优秀、合格、不合格等。
在一个实施例中,在根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果之后,还包括:获取各个待检测目标对应的工作评估结果对应的奖罚规则。
具体地,奖罚规则用于指导产线上的管理人员对工作人员进行管理,不同的奖罚规则对应不同的工作评估结果。不同的工作评估结果对应的不同的奖罚规则,如对于工作评估结果为优秀的员工发放奖金,对于不合格的员工给与通告批评、经济处罚等。通过制定的奖罚制度对产线上的工作人员进行管理,避免了奖罚制度不明晰带来的问题,从而使得管理更为便捷。
上述产线数据处理方法,通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员,通过对待检测图像进行分割得到所述待检测目标的人脸图像,通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。通过检测模型检测产线上的工作人员,识别模型识别工作人员,根据检测结果和识别结果对工作人员的工作进行评估,得到各个工作人员的评估结果,根据评估结果管理工作人员使得管理更为便捷。
在一个实施例中,如图3所示,步骤S201之前,还包括:
步骤S301,获取多个拍摄设备采集的初始图像。
步骤S302,按照各个拍摄设备之间的位置关系对初始图像进行拼接,得到待检测图像。
具体地,初始图像是指拍摄设备拍摄的图像,由于生产车间的产线中人数较多,且所占的位置也叫大,无法通过一个拍摄设备监控整个产线,故可以设置多个拍摄设备,通过各个拍摄设备拍摄监控范围内的图像,得到初始图像,获取各个拍摄设备拍摄的初始图像。图像拼接是指对存在重叠区域的图像拼接,使得拼接后的图像能够呈现更多产线上的信息,如使待检测图像能够呈现产线上的全部工作人员。通过图像拼接能够使得图像能够呈现更多的产线信息,从而能够更好的对产线进行管理。
在一个实施例中,步骤S302,包括:
步骤S3021,创建图像拼接的线程。
步骤S3022,为各个拍摄设备分配对应的线程,通过各个拍摄设备对应的线程,按照各个拍摄设备之间的位置关系进行图像拼接,得到待检测图像。
具体地,线程是程序执行流的最小单元,是用于处理图像拼接的进程。线程的数量根据具体的产线需求自定义设置。通过各个线程对对应的拍摄设备拍摄的图像进行图像拼接,拼接时按照各个照相机的之间的位置关系进行拼接,如1号拍摄设备的左边为2号拍摄设备,则1号拍摄设备的图像左边拼接的图像为2号拍摄设备拍摄的图像。如每十个拍摄设备对应一个线程,则场景涉及20个摄像头,为了速度和同步需求可以设置两个线程,可以将1~10号摄像头对应的图像采用一个线程进行处理,11~20采用另外一个线程进行处理。采用多线程能够提高数据处理速率和保证同步性。
在一个实施例中,如图4所示,生成已训练的目标检测模型的步骤,包括:
步骤S401,获取多个包含训练目标的第一训练图像,第一训练图像携带目标标签。
具体地,训练目标是指训第一练图像中存在的目标,目标为图像中包含的人体,目标标签是指第一训练图像中各个区域的标注信息,该标注信息包括但不限于目标所在的区域坐标信息、目标编号等。获取各个包含训练目标的第一训练图像。
在一个实施例中,在获取多个包含训练目标的第一训练图像之前,还包括:对各个第一训练图像进行标注。标注可以采取人工标注和/或自动标注的。
步骤S402,将各个第一训练图像和对应的目标标签输入初始目标检测模型,通过初始目标检测模型对第一训练图像进行检测,得到对应的检测结果。
步骤S403,根据各个第一训练图像的检测结果与对应的目标标签的匹配结果调整初始目标检测模型的模型参数,直至初始目标检测模型满足第一预设收敛条件,得到已训练的目标检测模型。
具体地,将各个第一训练图像和对应的目标标签输入初始目标检测模型,通过初始目标检测模型学习各个第一训练图像的人体特征,根据学习到的人体特征确定各个第一训练图像中的人体的位置信息,计算各个人***置信息与对应的目标标签中的人***置信息的差异度,统计差异度,得到总差异度,当总差异度小于预设差异度时,表示初始目标检测模型满足第一预设收敛条件,得到已训练的目标检测模型。第一预设收敛条件是指预先设置的用于判断初始目标检测模型是否收敛的临界条件。当总差异度大于或等于预设差异度时,表示初始目标检测模型未满足第一预设收敛条件,更新初始目标检测模型的模型参数,直至总差异度小于预设差异度时,得到已训练的目标检测模型。通过对大量的携带目标标签的图像进行训练能,由于目标检测模型是学习了大量的图像中的人体特征,故能够准确的识别出人体。
在一个实施例中,如图5所示,生成已训练的人脸识别模型的步骤,包括:
步骤S501,获取多个包含训练目标的人脸的第二训练图像,第二训练图像携人脸标签。
步骤S502,将各个第二训练图像和对应的人脸标签输入初始人脸识别模型,通过初始人脸识别模型对第二训练图像进行检测,得到对应的识别结果。
步骤S503,根据各个第二训练图像的所述识别结果与对应的人脸标签的匹配结果调整初始人脸识别模型的模型参数,直至初始人脸识别模型满足第二预设收敛条件,得到已训练的人脸识别模型。
具体地,训练目标的人脸是指第二训练图像中存在的目标的人脸,目标为图像中包含的人体,人脸标签是指第二训练图像中各个人脸的标注信息,该人脸的标注信息包括但不限于人脸所在的区域坐标信息、人脸标识等。获取各个包含训练目标的人脸的二训练图像。
将各个第二训练图像和对应的人脸标签输入初始人脸识别模型,通过初始人脸识别模型学习各个第二训练图像的人脸特征,根据学习到的人脸特征确定各个第二训练图像中的人脸对应的用户标识,统计识别得到的各个用户标识与对应的人脸标签中的用户标识是否匹配,得到对应的匹配结果,根据匹配结果统计识别准确率,当识别准确率大于或等于预设识别准确率时,表示初始人脸识别模型满足第二预设收敛条件,得到已训练的人脸识别模型。第二预设收敛条件是指预先设置的用于判断初始人脸识别模型是否收敛的临界条件。当识别准确率小于预设准确率时,表示初始人脸识别模型未满足第二预设收敛条件,更新初始人脸识别模型的模型参数,直至总差异度小于预设差异度时,得到已训练的人脸识别模型。通过对大量的携带人脸标签的图像进行训练能,由于人脸识别模型是学习了大量的图像中的人脸特征,故能够准确的识别出人脸。
在一个具体的实施例中,上述产线数据处理方法,包括:
步骤S601,数据串联。使用Opencv视觉处理库,对多个摄像头输入的视频或图片按预设串联规则进行串接。其中,串接是指基于安装空间位置的视频图像按序连接。对图像进行串联后,能够在有限的展示屏上看到目标区域的全貌。比如,可以展示一条产线从线头到线尾的状态。摄像头安装时,严格按照图像串接的景深实际需求进行部署和安装高度与方向角度调试。
并利用python语言的多线程技术实现视频或图片的事实串接和显示,为下一步的目标识别做准备。多线程能够提高视频或图像的处理速率。线程数量和单个线程的规模两划分,可以根据调试和业务具体需求确定。如场景涉及20个摄像头,为了速度和同步需求,可以1~10号摄像头采用一个线程处理,11~20号摄像头采用另一个线程处理。
步骤S602,训练目标检测模型。获取图像数据集合,利用图像标注工具对产线的图片进行筛选和标注。按照数据标注规则和数据存储规则存储筛选并进行标注后的图像。将标注后的图像用于深度学习网络模型的训练,得到已训练的目标检测模型。
搭建end-to-end的深度学习神经网络模型,采用深度学习神经网络模型可以做到实时检测识别,比传统的利用卷积神经网络的深度神经网络快数十倍。从特征提取上看,端到端CNN(Convolutional Neural Networks)和传统CNN的区别在于,端到端CNN的输入是待检测图像而非提取待检测图像的图像特征,具体特征的提取和选择,是融入end to endCNN网络得到的,不需要人为干预。从训练和检测速度上看,端到端网络调参和优化参数,不需人工介入,优化过程机器自动实现,迭代效率从数分钟一次,提升到一秒钟多次。
步骤S603,训练人脸识别模型。获取人脸数据集合。对人脸数据集进行二次的图像处理。其中二次处理包括图像仿射变换、图像去噪、图像缩放等。二次处理后的图像是为了符合人脸识别模型的输入要求,对人脸数据进行训练,得到已训练的人脸识别模型。其中已训练的人脸识别模型为端到端CNN。该模型可以识别的人脸像素图片最小像素为50*50。
步骤S604,产线管理。获取待检测图像,将待检测图像输入训练后得到的已训练目标检测模型,通过已训练目标检测模型对待检测图像进行检测,对检测到的人进行评分和统计。根据检测到的人对待检测图像进行分割,得到包含人脸的人脸图像,将人脸图像输入已训练的人脸识别模型,根据已训练的人脸识别模型对人脸图像进行识别得到对应的识别结果。根据识别结果获取对应的工作数据,根据工作数据对待检测目标的工作进行评估得到对应的工作评估结果。通过图像检测和人脸识别能够对产线状况和产线人员进行合理有效的监控和管理,从而提高生产效率,提升产品质量,加快工厂实现智能制造的目标。
在一个实施例中,提供了一种产线管理方法,所述方法包括但不限于上述产线数据处理方法任意实施例中所述的方法。
图2为一个实施例中产线数据处理方法的流程示意图。应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种产线数据处理装置200,包括:
目标检测模块201,用于通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员。
图像分割模块202,用于通过对待检测图像进行分割得到待检测目标的人脸图像。
目标识别模块203,用于通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果。
工作评估结果模块204,用于根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
在一个实施例中,上述产线数据处理装置200,还包括:
第一数据获取模块,用于获取多个拍摄设备采集的初始图像。
图像拼接模块,用于按照各个拍摄设备之间的位置关系对初始图像进行拼接,得到待检测图像。
在一个实施例中,图像拼接模块302,包括:
线程创建单元,用于创建图像拼接的线程。
图像拼接单元,用于为各个拍摄设备分配对应的线程,通过各个拍摄设备对应的线程,按照各个拍摄设备之间的位置关系进行图像拼接,得到待检测图像。
在一个实施例中,上述产线数据管理装置200,还包括:
第一训练图像获取模块,用于获取多个包含训练目标的第一训练图像,第一训练图像携带目标标签。
检测模型训练模块,用于将各个第一训练图像和对应的目标标签输入初始目标检测模型,通过初始目标检测模型对第一训练图像进行检测,得到对应的检测结果。
检测模型更新模块,用于根据各个第一训练图像的检测结果与对应的目标标签的匹配结果调整初始目标检测模型的模型参数,直至初始目标检测模型满足第一预设收敛条件,得到已训练的目标检测模型。
在一个实施例中,上述产线数据管理装置200,还包括:
第二训练数据获取模块,用于获取多个包含训练目标的人脸的第二训练图像,第二训练图像携人脸标签。
识别模型训练模块,用于将各个第二训练图像和对应的人脸标签输入初始人脸识别模型,通过初始人脸识别模型对第二训练图像进行检测,得到对应的识别结果。
识别模型更新模块,用于根据各个第二训练图像的识别结果与对应的人脸标签的匹配结果调整初始人脸识别模型的模型参数,直至初始人脸识别模型满足第二预设收敛条件,得到已训练的人脸识别模型。
在一个实施例中,工作评估结果模块204,包括:
工作时间计算单元,用于根据待检测图像携带的时间信息确定各个待检测目标的工作间信息。
工作时间计算单元,用于获取与识别结果对应的待检测目标的工作数据。
工作时间计算单元,用于根据工作时间信息和工作数据确定待检测目标的工作评估结果。
在一个实施例中,上述产线数据处理装置200,包括:
地址获取模块,用于获取各个待检测图像对应的存储地址。
第二数据获取模块,用于根据各个待检测图像对应的存储地址获取待检测图像。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图7所示,该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现产线数据处理方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行产线管理方法和/或产线数据处理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的产线数据处理装置可以实现为一种计算机程序的形式,计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该产线数据处理装置的各个程序模块,比如,图6所示的目标检测模块201、图像分割模块202、目标识别模块203和工作评估结果模块204。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的产线数据管理方法和/或产线数据处理方法中的步骤。
例如,图7所示的计算机设备可以通过如图6所示的产线数据处理装置中的目标检测模块201执行通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员。计算机设备可通过图像分割模块202执行通过对待检测图像进行分割得到待检测目标的人脸图像。计算机设备可通过目标识别模块203执行通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果。计算机设备可通过工作评估结果模块204执行根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员,通过对待检测图像进行分割得到待检测目标的人脸图像,通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
在一个实施例中,通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测之前,计算机程序被处理器执行时还实现以下步骤:获取多个拍摄设备采集的初始图像,按照各个拍摄设备之间的位置关系对初始图像进行拼接,得到待检测图像。
在一个实施例中,按照预设串联规则对初始图像进行拼接,得到待检测图像,包括:创建图像拼接的线程,为各个拍摄设备分配对应的线程,通过各个拍摄设备对应的线程,按照各个拍摄设备之间的位置关系进行图像拼接,得到待检测图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个包含训练目标的第一训练图像,第一训练图像携带目标标签,将各个第一训练图像和对应的目标标签输入初始目标检测模型,通过初始目标检测模型对第一训练图像进行检测,得到对应的检测结果,根据各个第一训练图像的检测结果与对应的目标标签的匹配结果调整初始目标检测模型的模型参数,直至初始目标检测模型满足第一预设收敛条件,得到已训练的目标检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个包含训练目标的人脸的第二训练图像,第二训练图像携人脸标签,将各个第二训练图像和对应的人脸标签输入初始人脸识别模型,通过初始人脸识别模型对第二训练图像进行检测,得到对应的识别结果,根据各个第二训练图像的识别结果与对应的人脸标签的匹配结果调整初始人脸识别模型的模型参数,直至初始人脸识别模型满足第二预设收敛条件,得到已训练的人脸识别模型。
在一个实施例中,待检测图像携带时间信息,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果,包括:根据待检测图像携带的时间信息确定各个待检测目标的工作间信息,获取与识别结果对应的待检测目标的工作数据,根据工作时间信息和工作数据确定待检测目标的工作评估结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:制定工作评估结果对应的奖罚规则,获取各个待检测目标对应的工作评估结果对应的奖罚规则,奖罚规则用于指导产线上的管理人员对工作人员进行管理。
在一个实施例中,通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测之前,计算机程序被处理器执行时还实现以下步骤:获取各个待检测图像对应的存储地址,根据各个待检测图像对应的存储地址获取待检测图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中待检测目标为产线上的工作人员,通过对待检测图像进行分割得到待检测目标的人脸图像,通过已训练的人脸识别模型提取人脸图像的人脸特征,根据人脸特征确定与待检测目标对应的识别结果,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果。
在一个实施例中,通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测之前,计算机程序被处理器执行时还实现以下步骤:获取多个拍摄设备采集的初始图像,按照各个拍摄设备之间的位置关系对初始图像进行拼接,得到待检测图像。
在一个实施例中,按照预设串联规则对初始图像进行拼接,得到待检测图像,包括:创建图像拼接的线程,为各个拍摄设备分配对应的线程,通过各个拍摄设备对应的线程,按照各个拍摄设备之间的位置关系进行图像拼接,得到待检测图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个包含训练目标的第一训练图像,第一训练图像携带目标标签,将各个第一训练图像和对应的目标标签输入初始目标检测模型,通过初始目标检测模型对第一训练图像进行检测,得到对应的检测结果,根据各个第一训练图像的检测结果与对应的目标标签的匹配结果调整初始目标检测模型的模型参数,直至初始目标检测模型满足第一预设收敛条件,得到已训练的目标检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个包含训练目标的人脸的第二训练图像,第二训练图像携人脸标签,将各个第二训练图像和对应的人脸标签输入初始人脸识别模型,通过初始人脸识别模型对第二训练图像进行检测,得到对应的识别结果,根据各个第二训练图像的识别结果与对应的人脸标签的匹配结果调整初始人脸识别模型的模型参数,直至初始人脸识别模型满足第二预设收敛条件,得到已训练的人脸识别模型。
在一个实施例中,待检测图像携带时间信息,根据各个待检测目标和对应的识别结果确定各个待检测目标对应的工作评估结果,包括:根据待检测图像携带的时间信息确定各个待检测目标的工作间信息,获取与识别结果对应的待检测目标的工作数据,根据工作时间信息和工作数据确定待检测目标的工作评估结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:制定工作评估结果对应的奖罚规则,获取各个待检测目标对应的工作评估结果对应的奖罚规则,奖罚规则用于指导产线上的管理人员对工作人员进行管理。
在一个实施例中,通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测之前,计算机程序被处理器执行时还实现以下步骤:获取各个待检测图像对应的存储地址,根据各个待检测图像对应的存储地址获取待检测图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种产线数据处理方法,所述方法包括:
创建图像拼接的第一线程和第二线程;
按照多个拍摄设备的位置关系,将所述多个拍摄设备中,一半拍摄设备分配给所述第一线程,另一半拍摄设备分配给所述第二线程;
获取所述多个拍摄设备采集的初始图像;
通过各个所述拍摄设备对应的线程,按照各个所述拍摄设备之间的位置关系进行图像拼接,得到待检测图像,在拼接所述待检测图像的过程中,将所述多个拍摄设备输入的初始图像按预设串联规则,基于安装空间位置的视频图像按序连接,使拼接后的所述待检测图像可在展示屏中显示所述产线的线头到线尾;
按照图像质量与图像对比度对所述待检测图像进行筛选,得到筛选后的所述待检测图像;
通过已训练的目标检测模型对包含待检测目标的所述待检测图像进行检测,得到对应的所述待检测目标,其中所述待检测目标为产线上的工作人员;
通过对待检测图像进行分割得到所述待检测目标的人脸图像;
通过已训练的人脸识别模型提取所述人脸图像的人脸特征,根据所述人脸特征确定与所述待检测目标对应的识别结果;
根据各个所述待检测目标和对应的所述识别结果确定各个所述待检测目标对应的工作评估结果。
2.根据权利要求1所述的方法,其特征在于,生成所述已训练的目标检测模型的步骤,包括:
获取多个包含训练目标的第一训练图像,所述第一训练图像携带目标标签;
将各个所述第一训练图像和对应的目标标签输入初始目标检测模型,通过所述初始目标检测模型对所述第一训练图像进行检测,得到对应的检测结果;
根据各个所述第一训练图像的所述检测结果与对应的所述目标标签的匹配结果调整所述初始目标检测模型的模型参数,直至所述初始目标检测模型满足第一预设收敛条件,得到所述已训练的目标检测模型。
3.根据权利要求1所述的方法,其特征在于,生成所述已训练的人脸识别模型的步骤,包括:
获取多个包含训练目标的人脸的第二训练图像,所述第二训练图像携人脸标签;
将各个所述第二训练图像和对应的人脸标签输入初始人脸识别模型,通过所述初始人脸识别模型对所述第二训练图像进行检测,得到对应的识别结果;
根据各个所述第二训练图像的所述识别结果与对应的所述人脸标签的匹配结果调整所述初始人脸识别模型的模型参数,直至所述初始人脸识别模型满足第二预设收敛条件,得到所述已训练的人脸识别模型。
4.根据权利要求1所述的方法,其特征在于,所述待检测图像携带时间信息,所述根据各个所述待检测目标和对应的所述识别结果确定各个所述待检测目标对应的工作评估结果,包括:
根据所述待检测图像携带的时间信息确定各个所述待检测目标的工作时间信息;
获取与所述识别结果对应的所述待检测目标的工作数据;
根据所述工作时间信息和所述工作数据确定所述待检测目标的工作评估结果。
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:
获取各个所述待检测目标对应的工作评估结果对应的奖罚规则,所述奖罚规则用于指导所述产线上的管理人员对所述工作人员进行管理。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测之前,还包括:
获取各个所述待检测图像对应的存储地址;
根据各个所述待检测图像对应的存储地址获取所述待检测图像。
7.一种产线数据处理装置,其特征在于,所述装置包括:
图像拼接模块,包括线程创建单元,用于创建图像拼接的第一线程和第二线程;按照多个拍摄设备的位置关系,将所述多个拍摄设备中,一半拍摄设备分配给所述第一线程,另一半拍摄设备分配给所述第二线程;
第一数据获取模块,用于获取多个拍摄设备采集的初始图像;
所述图像拼接模块还用于通过各个拍摄设备对应的线程,按照各个拍摄设备之间的位置关系进行图像拼接,得到待检测图像,在拼接所述待检测图像的过程中,将所述多个拍摄设备输入的初始图像按预设串联规则,基于安装空间位置的视频图像按序连接,使拼接后的所述待检测图像可在展示屏中显示所述产线的线头到线尾;按照图像质量与图像对比度对所述待检测图像进行筛选,得到筛选后的所述待检测图像;
目标检测模块,用于通过已训练的目标检测模型对包含待检测目标的待检测图像进行检测,得到对应的待检测目标,其中所述待检测目标为所述产线上的工作人员;
图像分割模块,用于通过对待检测图像进行分割得到所述待检测目标的人脸图像;
目标识别模块,用于通过已训练的人脸识别模型提取所述人脸图像的人脸特征,根据所述人脸特征确定与所述待检测目标对应的识别结果;
工作评估结果模块,用于根据各个所述待检测目标和对应的所述识别结果确定各个所述待检测目标对应的工作评估结果。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536905.5A CN111325069B (zh) | 2018-12-14 | 2018-12-14 | 产线数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536905.5A CN111325069B (zh) | 2018-12-14 | 2018-12-14 | 产线数据处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325069A CN111325069A (zh) | 2020-06-23 |
CN111325069B true CN111325069B (zh) | 2022-06-10 |
Family
ID=71163405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811536905.5A Active CN111325069B (zh) | 2018-12-14 | 2018-12-14 | 产线数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325069B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950621B (zh) * | 2020-08-10 | 2024-06-14 | 中国平安人寿保险股份有限公司 | 基于人工智能的目标数据检测方法、装置、设备及介质 |
CN112766059B (zh) * | 2020-12-30 | 2024-05-03 | 富联裕展科技(深圳)有限公司 | 产品加工品质的检测方法、检测装置 |
CN113030996B (zh) * | 2021-03-03 | 2022-12-13 | 首钢京唐钢铁联合有限责任公司 | 一种产线设备位置偏移检测方法、***、设备和介质 |
CN113128876A (zh) * | 2021-04-22 | 2021-07-16 | 北京房江湖科技有限公司 | 基于图像的对象管理方法、装置及计算机可读存储介质 |
CN113435380A (zh) * | 2021-07-06 | 2021-09-24 | 北京市商汤科技开发有限公司 | 一种人岗匹配检测方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279768A (zh) * | 2013-05-31 | 2013-09-04 | 北京航空航天大学 | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 |
CN104376611A (zh) * | 2014-10-20 | 2015-02-25 | 胡昔兵 | 一种基于人脸识别的下井考勤方法及其装置 |
WO2016088369A1 (ja) * | 2014-12-04 | 2016-06-09 | 日本電気株式会社 | 情報処理装置、言動評価方法およびプログラム記憶媒体 |
CN108229855A (zh) * | 2018-02-06 | 2018-06-29 | 上海小蚁科技有限公司 | 服务质量监测方法及装置、计算机可读存储介质、终端 |
-
2018
- 2018-12-14 CN CN201811536905.5A patent/CN111325069B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279768A (zh) * | 2013-05-31 | 2013-09-04 | 北京航空航天大学 | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 |
CN104376611A (zh) * | 2014-10-20 | 2015-02-25 | 胡昔兵 | 一种基于人脸识别的下井考勤方法及其装置 |
WO2016088369A1 (ja) * | 2014-12-04 | 2016-06-09 | 日本電気株式会社 | 情報処理装置、言動評価方法およびプログラム記憶媒体 |
CN108229855A (zh) * | 2018-02-06 | 2018-06-29 | 上海小蚁科技有限公司 | 服务质量监测方法及装置、计算机可读存储介质、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111325069A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325069B (zh) | 产线数据处理方法、装置、计算机设备和存储介质 | |
CN109583489B (zh) | 缺陷分类识别方法、装置、计算机设备和存储介质 | |
CN108681690B (zh) | 一种基于深度学习的流水线人员规范操作检测*** | |
JP7048499B2 (ja) | データセットの半自動ラベル付け | |
CN105518744A (zh) | 行人再识别方法及设备 | |
CN108985162A (zh) | 目标实时跟踪方法、装置、计算机设备及存储介质 | |
WO2020125057A1 (zh) | 牲畜个数的识别方法及装置 | |
CN109543627A (zh) | 一种判断驾驶行为类别的方法、装置、及计算机设备 | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN111898486B (zh) | 监控画面异常的检测方法、装置及存储介质 | |
WO2020238256A1 (zh) | 基于弱分割的损伤检测方法及装置 | |
US11004204B2 (en) | Segmentation-based damage detection | |
DE102016200553A1 (de) | Computer-vision-gestützte prozesserkennung | |
US11599983B2 (en) | System and method for automated electronic catalogue management and electronic image quality assessment | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN111325128A (zh) | 违规操作检测方法、装置、计算机设备和存储介质 | |
CN112836682B (zh) | 视频中对象的识别方法、装置、计算机设备和存储介质 | |
CN113706481A (zh) | ***质量检测方法、装置、计算机设备和存储介质 | |
CN113780145A (zh) | ***形态检测方法、装置、计算机设备和存储介质 | |
CN110517221B (zh) | 基于现实坐标的缝隙定位方法、装置和存储介质 | |
CN113128448B (zh) | 基于肢体识别的视频匹配方法、装置、设备及存储介质 | |
CN109919017B (zh) | 人脸识别优化方法、装置、计算机设备和存储介质 | |
CN111126376A (zh) | 基于面部特征点检测的图片纠正方法、装置和计算机设备 | |
CN115690514A (zh) | 图像识别方法及相关设备 | |
Midwinter et al. | Unsupervised defect segmentation with pose priors |
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 |