CN111985362A - 一种基于深度学习框架的船舶名称检测***及方法 - Google Patents
一种基于深度学习框架的船舶名称检测***及方法 Download PDFInfo
- Publication number
- CN111985362A CN111985362A CN202010782667.7A CN202010782667A CN111985362A CN 111985362 A CN111985362 A CN 111985362A CN 202010782667 A CN202010782667 A CN 202010782667A CN 111985362 A CN111985362 A CN 111985362A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- target
- deep learning
- maritime
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习框架的船舶名称检测***及方法,属于深度学习领域,本***主要由海事监管无人机、机载图像处理模块、机载通信模块及海事监管中心组成。无人机通过对海事监管区域进行巡航,采集监管区域违法船舶图像信息并传递给图像处理模块;图像处理模块通过深度学习对在航船舶进行船舶名称位置检测与船名识别,而后通过通信模块将船舶名称信息传递给海事监管中心,对海事违法行为进行依法管控。通过本发明可以有效地识别出违法船舶名称信息,为海事监管中的船名检测问题提供了一种有效的解决方法。
Description
技术领域
本发明属于深度学习领域,更具体地,涉及一种基于深度学习的船舶名称检测识别***及方法。
背景技术
在海事监管中,对船舶的身份进行识别至关重要,其中船舶名称是其最重要的身份信息之一,标识着船舶基本身份信息。目前,300总吨以上的非国际航行船舶以及500总吨以上的国际航行船舶,必须强制安装船舶自动识别***(Automatic IdentificationSystem,AIS)设备。然而300总吨以下的船舶却未有强制安装AIS的规定。同时,部分营运船舶出于节省燃油成本、逃避主管机关监管及AIS设备故障等原因,擅自关闭AIS设备的情况时有发生。AIS的缺失或者暂停工作的情况,导致了海事监管出现管理的盲区。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于深度学习框架的船舶名称检测***及方法,用于预置神经网络对船舶名称进行检测识别,以消除海事监管出现管理的盲区。
为实现上述目的,按照本发明的一个方面,提供了一种基于深度学习框架的船舶名称检测***,包括:海事监管无人机、机载图像处理模块、机载通信模块及海事监控中心;
所述海事监管无人机搭载所述机载图像处理模块与所述机载通信模块,所述机载通信模块与所述海事监控中心相连;
所述海事监管无人机采集目标船舶图像并将所述目标船舶图像传递至所述机载图像处理模块,其中,所述目标船舶图像中包括船舶名称信息;
所述机载图像处理模块采用深度学习方法判断出所述目标船舶图像中的船舶名称信息,并通过所述机载通信模块将所述船舶名称信息传递至所述海事监控中心;
所述海事监控中心根据所述船舶名称信息向对应船舶发出警示信息。
优选地,所述机载图像处理模块包括船舶图像信息存储单元、检测模型存储单元以及处理单元;
所述船舶图像信息存储单元存储接收的所述目标船舶图像以扩充船名检测***数据集;
所述检测模型存储单元用于存储深度学习检测模型;
所述处理单元接收所述海事监管无人机传递的所述目标船舶图像,并调用所述检测模型存储单元存储的所述深度学习检测模型,将所述目标船舶图像作为所述深度学习检测模型的输入,得到所述目标船舶图像中含有的船舶名称信息。
优选地,所述深度学习检测模型的训练方法为:
通过无人机拍摄与实地拍摄获取含有船舶名称的船舶图像;
对各所述船舶图像进行标注,生成与各所述船舶图像对应的含有船舶名称位置信息的目标格式文件,由各所述目标格式文件形成船舶名称检测数据集;
采用所述船舶名称检测数据集对神经网络模型进行训练,得到训练好的深度学习检测模型。
优选地,所述海事监控中心包括监管平台及海事违法行为处理端;
所述监管平台接收记录所述船舶名称信息,并根据所述船舶名称信息控制所述海事违法行为处理端进行相应处罚及通过所述海事监管无人机发出声音警示。
优选地,所述海事监管无人机包括海事无人机以及吊舱;
所述海事无人机与所述吊舱由所述海事监控中心根据海事监管距离、海事监管类型、监管设备载重进行选择。
按照本发明的另一方面,提供了一种基于深度学习框架的船舶名称检测方法,包括:
S1:通过海事监管无人机拍摄含有船舶名称的目标船舶图像;
S2:将所述目标船舶图像作为训练好的深度学习检测模型的输入,提取所述目标船舶图像中疑似船舶名称的图像特征,并形成目标物;
S3:检测出目标物阈值,并对所述目标物进行标注,在所述目标船舶图像中形成标注框;
S4:判断目标物的置信度是否大于等于所述目标物阈值;若为否,则重新输入船舶图像至所述训练好的深度学习检测模型;若为是,则检测识别所述目标船舶图像中的船舶名称信息。
优选地,所述目标物的置信度通过以下方式实现:
优选地,所述方法还包括:
通过无人机拍摄与实地拍摄获取含有船舶名称的船舶图像;
对各所述船舶图像进行标注,生成与各所述船舶图像对应的含有船舶名称位置信息的目标格式文件,由各所述目标格式文件形成船舶名称检测数据集;
采用所述船舶名称检测数据集对神经网络模型进行训练,得到训练好的深度学习检测模型。
按照本发明的另一方面,提供了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上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
无人机通过对海事监管区域进行巡航,采集监管区域违法船舶图像信息并传递给图像处理模块;图像处理模块通过深度学习对在航船舶进行船舶名称位置检测与船名识别,而后通过通信模块将船舶名称信息传递给海事监控中心,对海事违法行为进行依法管控,为海事监管中的船名检测问题提供了一种有效的解决方法,以消除海事监管出现管理的盲区。
附图说明
图1是本发明实施例提供的一种基于深度学习的船舶名称检测***的结构示意图;
图2是本发明实施例提供的一种基于深度学习的船舶名称检测方法的流程示意图;
图3是本发明实施例提供的一种感兴趣区域示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
如图1所示是本发明实施例提供的一种基于深度学习的船舶名称检测***的结构示意图,包括:海事监管无人机、机载图像处理模块、机载通信模块及海事监控中心;
海事监管无人机搭载机载图像处理模块与机载通信模块,机载通信模块与海事监控中心相连;
海事监管无人机采集目标船舶图像并将目标船舶图像传递至机载图像处理模块;
其中,海事监管无人机包括海事无人机以及吊舱;
海事无人机与吊舱由海事监控中心根据海事监管距离、海事监管类型及监管设备载重进行选择。
机载图像处理模块采用深度学习方法判断出目标船舶图像中的船舶名称信息,并通过机载通信模块将船舶名称信息传递至海事监控中心;
海事监控中心根据船舶名称信息对违法船舶进行依法管控,向对应船舶发出警示信息。
在本发明实施例中,机载图像处理模块包括船舶图像信息存储单元、检测模型存储单元以及处理单元;
船舶图像信息存储单元存储接收的目标船舶图像以扩充船名检测***数据集;
检测模型存储单元用于存储深度学习检测模型;
处理单元接收海事监管无人机传递的目标船舶图像,并调用检测模型存储单元存储的深度学习检测模型,将目标船舶图像作为深度学习检测模型的输入,得到目标船舶图像中含有的船舶名称信息。
在本发明实施例中,深度学习检测模型的训练方法为:
通过无人机拍摄与实地拍摄获取含有船舶名称的船舶图像;
对各船舶图像进行标注,生成与各船舶图像对应的含有船舶名称位置信息的目标格式文件,由各目标格式文件形成船舶名称检测数据集;
其中,对船舶图像进行标注可以通过以下方式实现:
对船舶图像进行处理,标记出含有船舶名称的区域。
其中,目标格式文件可以是json文件。
采用船舶名称检测数据集对神经网络模型进行训练,得到训练好的深度学习检测模型。
其中,神经网络模型可以是Mask_Rcnn神经网络模型。
在本发明实施例中,海事监控中心包括监管平台及海事违法行为处理端;
监管平台接收记录船舶名称信息,并根据船舶名称信息控制海事违法行为处理端进行相应处罚及通过海事监管无人机发出声音警示,以制止海事违法行为。
实施例二
如图2所示是本发明实施例提供的一种基于深度学习的船舶名称检测方法的流程示意图,包括以下步骤:
S1:通过海事监管无人机拍摄含有船舶名称的目标船舶图像;
S2:将目标船舶图像作为训练好的深度学习检测模型的输入,提取目标船舶图像中疑似船舶名称的图像特征,并形成目标物;
S3:检测出目标物阈值,并对目标物进行标注,在目标船舶图像中形成标注框;
在本发明实施例中,目标物阈值表示目标船舶图像的阈值。
在本发明实施例中,对目标物进行标注可以通过以下方式实现:
首先对含有船舶名称的船舶图形进行预处理,含有船舶名称的图像预处理主要包括对面向海事监管的船名图像尺度的处理及船名位置区域标注。在预处理阶段,由于船名图像数据集中的船名图片尺寸差异较大,若直接将船名图片放入船名检测网络中训练会致使网络参数指数式增长,不利于船名检测网络的训练学习。因此可以通过随机裁剪的方式将船名图片统一裁剪为227×227大小,以减少网络参数数量加快网络训练。
船名区域标注是指对船名图像中有效的船名区域以轴对齐矩形框(即矩形框边界与船名图像边界垂直或平行)的形式标注出来,作为船名检测网络训练和测试的标注数据。可以选取Labelme对船名图像区域进行标注并生成json文件,进一步将json文件转化为可被网络接收训练的info.yaml及labnel.png文件。
S4:判断目标物的置信度是否大于等于目标物阈值;若为否,则重新输入船舶图像至训练好的深度学习检测模型;若为是,则所述目标物为船舶名称信息,并检测识别目标船舶图像中的船舶名称信息。
在本发明实施例中,目标物的置信度可以通过以下方式实现:
对于深度学习检测模型的检测结果,即深度学习检测模型检测到的船名区域与船名区域的真实边界(即人工标注所划定的船名区域)二者的重合度,称之为感兴趣区域IOU值。如下图3所示,假设图3中区域P为深度学习检测模型定位到的船名位置,区域S为真实船名位置,则IOU可由下式计算得出:
对于目标检测而言,还需要设置一个目标物阈值T,通过比较T与IOU值的大小,来判断是否正确定位到了目标位置。若IOU≥T则表示正确的定位到了目标区域,反之则表示定位失败。
进一步地,上述方法还包括:
通过无人机拍摄与实地拍摄获取含有船舶名称的船舶图像;
对各船舶图像进行标注,生成与各船舶图像对应的含有船舶名称位置信息的目标格式文件,由各目标格式文件形成船舶名称检测数据集;
其中,目标格式文件可以是json文件。
采用船舶名称检测数据集对神经网络模型进行训练,得到训练好的深度学习检测模型。
其中,神经网络模型的输出为带有船名标注框的船舶图片。
其中,神经网络模型可以是Mask_Rcnn神经网络模型。
实施例三
本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现方法实施例中的基于深度学习框架的船舶名称检测方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习框架的船舶名称检测***,其特征在于,包括:海事监管无人机、机载图像处理模块、机载通信模块及海事监控中心;
所述海事监管无人机搭载所述机载图像处理模块与所述机载通信模块,所述机载通信模块与所述海事监控中心相连;
所述海事监管无人机采集目标船舶图像并将所述目标船舶图像传递至所述机载图像处理模块,其中,所述目标船舶图像中包括船舶名称信息;
所述机载图像处理模块采用深度学习方法判断出所述目标船舶图像中的船舶名称信息,并通过所述机载通信模块将所述船舶名称信息传递至所述海事监控中心;
所述海事监控中心根据所述船舶名称信息向对应船舶发出警示信息。
2.根据权利要求1所述的***,其特征在于,所述机载图像处理模块包括船舶图像信息存储单元、检测模型存储单元以及处理单元;
所述船舶图像信息存储单元存储接收的所述目标船舶图像以扩充船名检测***数据集;
所述检测模型存储单元用于存储深度学习检测模型;
所述处理单元接收所述海事监管无人机传递的所述目标船舶图像,并调用所述检测模型存储单元存储的所述深度学习检测模型,将所述目标船舶图像作为所述深度学习检测模型的输入,得到所述目标船舶图像中含有的船舶名称信息。
3.根据权利要求2所述的***,其特征在于,所述深度学习检测模型的训练方法为:
通过无人机拍摄与实地拍摄获取含有船舶名称的船舶图像;
对各所述船舶图像进行标注,生成与各所述船舶图像对应的含有船舶名称位置信息的目标格式文件,由各所述目标格式文件形成船舶名称检测数据集;
采用所述船舶名称检测数据集对神经网络模型进行训练,得到训练好的深度学习检测模型。
4.根据权利要求1至3任意一项所述的***,其特征在于,所述海事监控中心包括监管平台及海事违法行为处理端;
所述监管平台接收记录所述船舶名称信息,并根据所述船舶名称信息控制所述海事违法行为处理端进行相应处罚及通过所述海事监管无人机发出声音警示。
5.根据权利要求4所述的***,其特征在于,所述海事监管无人机包括海事无人机以及吊舱;
所述海事无人机与所述吊舱由所述海事监控中心根据海事监管距离、海事监管类型、监管设备载重进行选择。
6.一种基于深度学习框架的船舶名称检测方法,其特征在于,包括:
S1:通过海事监管无人机拍摄含有船舶名称的目标船舶图像;
S2:将所述目标船舶图像作为训练好的深度学习检测模型的输入,提取所述目标船舶图像中疑似船舶名称的图像特征,并形成目标物;
S3:检测出目标物阈值,并对所述目标物进行标注,在所述目标船舶图像中形成标注框;
S4:判断目标物的置信度是否大于等于所述目标物阈值;若为否,则重新输入船舶图像至所述训练好的深度学习检测模型;若为是,则检测识别所述目标船舶图像中的船舶名称信息。
8.根据权利要求6或7所述的方法,其特征在于,所述方法还包括:
通过无人机拍摄与实地拍摄获取含有船舶名称的船舶图像;
对各所述船舶图像进行标注,生成与各所述船舶图像对应的含有船舶名称位置信息的目标格式文件,由各所述目标格式文件形成船舶名称检测数据集;
采用所述船舶名称检测数据集对神经网络模型进行训练,得到训练好的深度学习检测模型。
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6至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782667.7A CN111985362A (zh) | 2020-08-06 | 2020-08-06 | 一种基于深度学习框架的船舶名称检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782667.7A CN111985362A (zh) | 2020-08-06 | 2020-08-06 | 一种基于深度学习框架的船舶名称检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985362A true CN111985362A (zh) | 2020-11-24 |
Family
ID=73446052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010782667.7A Pending CN111985362A (zh) | 2020-08-06 | 2020-08-06 | 一种基于深度学习框架的船舶名称检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985362A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112542063A (zh) * | 2020-12-01 | 2021-03-23 | 慧泉智能科技(苏州)有限公司 | 一种监测古运河河道水上交通工具违规停靠的方法 |
CN114358649A (zh) * | 2022-01-17 | 2022-04-15 | 安徽君鲲科技有限公司 | 一种海事现场监管方法及*** |
CN115620557A (zh) * | 2022-12-20 | 2023-01-17 | 深之蓝海洋科技股份有限公司 | 智慧口岸的智能作业***和智能作业方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230390A (zh) * | 2017-06-26 | 2017-10-03 | 山东中创软件工程股份有限公司 | 一种船舶***方法及装置 |
CN108806334A (zh) * | 2018-04-27 | 2018-11-13 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种基于图像的智能船舶身份识别方法 |
CN109460740A (zh) * | 2018-11-15 | 2019-03-12 | 上海埃威航空电子有限公司 | 基于ais与视频数据融合的船舶身份识别方法 |
CN109993163A (zh) * | 2019-03-19 | 2019-07-09 | 苏州大学 | 一种基于人工智能的非标铭牌识别***及其识别方法 |
CN110060508A (zh) * | 2019-04-08 | 2019-07-26 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
-
2020
- 2020-08-06 CN CN202010782667.7A patent/CN111985362A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230390A (zh) * | 2017-06-26 | 2017-10-03 | 山东中创软件工程股份有限公司 | 一种船舶***方法及装置 |
CN108806334A (zh) * | 2018-04-27 | 2018-11-13 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种基于图像的智能船舶身份识别方法 |
CN109460740A (zh) * | 2018-11-15 | 2019-03-12 | 上海埃威航空电子有限公司 | 基于ais与视频数据融合的船舶身份识别方法 |
CN109993163A (zh) * | 2019-03-19 | 2019-07-09 | 苏州大学 | 一种基于人工智能的非标铭牌识别***及其识别方法 |
CN110060508A (zh) * | 2019-04-08 | 2019-07-26 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112542063A (zh) * | 2020-12-01 | 2021-03-23 | 慧泉智能科技(苏州)有限公司 | 一种监测古运河河道水上交通工具违规停靠的方法 |
CN114358649A (zh) * | 2022-01-17 | 2022-04-15 | 安徽君鲲科技有限公司 | 一种海事现场监管方法及*** |
CN115620557A (zh) * | 2022-12-20 | 2023-01-17 | 深之蓝海洋科技股份有限公司 | 智慧口岸的智能作业***和智能作业方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985362A (zh) | 一种基于深度学习框架的船舶名称检测***及方法 | |
CN111985363B (zh) | 一种基于深度学习框架的船舶名称识别***及方法 | |
CN109584100A (zh) | 一种电力巡检方法和*** | |
CN111935446B (zh) | 基于区块链的船舶监测方法、装置、监测***和设备 | |
WO2020038138A1 (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN109655075B (zh) | 无人车定位方法及设备 | |
CN111507957B (zh) | 身份证图片转换方法、装置、计算机设备及存储介质 | |
CN113002726A (zh) | 异常船舶检测方法、装置、电子设备和存储介质 | |
CN111366196A (zh) | 一种海洋用海区域信息化监管*** | |
CN115035539B (zh) | 文档异常检测网络模型构建方法、装置、电子设备及介质 | |
CN110414399A (zh) | 信号灯的检测方法、装置及智能驾驶设备 | |
CN112257673A (zh) | 基于旅游图像的动物识别方法、***、设备及存储介质 | |
CN114693614A (zh) | 防震锤缺陷检测方法、装置、设备及存储介质 | |
Wawrzyniak et al. | Vessel identification based on automatic hull inscriptions recognition | |
CN116863288A (zh) | 基于深度学习的目标检测和报警方法、装置及设备 | |
CN110817674A (zh) | 一种扶梯的缺级检测方法、装置、设备及存储介质 | |
CN113191266B (zh) | 船舶动力装置远程监控管理方法及*** | |
CN114724028A (zh) | 船只信息的确定方法及相关装置、设备和存储介质 | |
CN112926558B (zh) | 动物识别方法和装置 | |
CN110555344A (zh) | 车道线识别方法、装置、电子设备、存储介质 | |
CN114722982A (zh) | 一种基于rfid技术的海洋渔船监管***及方法 | |
JP6934913B2 (ja) | 監視システム、画像管理装置、飛翔体、及びプログラム | |
CN117951648B (zh) | 一种机载多源信息融合方法及*** | |
JP2003302898A (ja) | 地図解析装置及びその実現のためのプログラム | |
CN116684107A (zh) | 一种威胁检测方法、***及装置 |
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 |