CN112148723B - 一种基于电子围网的异常数据优化方法、装置及电子设备 - Google Patents
一种基于电子围网的异常数据优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112148723B CN112148723B CN202011103584.7A CN202011103584A CN112148723B CN 112148723 B CN112148723 B CN 112148723B CN 202011103584 A CN202011103584 A CN 202011103584A CN 112148723 B CN112148723 B CN 112148723B
- Authority
- CN
- China
- Prior art keywords
- abnormal data
- data
- real
- monitoring
- abnormal
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种基于电子围网的异常数据优化方法、装置及电子设备。其方法包括：获取监测样本数据，从监测样本数据中提取异常数据特征；基于异常数据特征进行主成分分析确定出异常数据样本，并根据异常数据样本构建异常数据检测模型；利用异常数据检测模型对实时监测数据进行异常数据检测得到实时异常数据，对实时异常数据进行分析得到分析结果；基于分析结果对实时异常数据进行修正，以获得异常数据优化结果。获得实时异常数据，对实时异常数据进行分析修正，从而减少异常数据的产生，减少异常数据监测结果的监测次数，提高有效监测结果的效率情况，进一步保证电子围网中数据监测的正常运作。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于电子围网的异常数据优化方法、装置及电子设备。
背景技术
由于在电子围网中的需要监测识别多类别的目标数据，而又由于现有的目标监测识别算法的单一化无法对复杂类别的目标(例如：多个目标重叠或是待识别目标图像残缺等)进行准确监测识别，因此在电子围网的监测识别***中常常会出现误识别数据或是无法识别的异常数据，而由于所产生的误识别数据和无法识别的异常数据使得电子围网内的目标监测结果不能被有效识别且还影响了电子围网中数据监测的正常运作。
发明内容
有鉴于此，本发明实施例提供了一种基于电子围网的异常数据优化方法、装置及电子设备，以解决现有技术中电子围网内的监测数据异常而导致监测结果不能被有效识别的问题。
根据第一方面，本发明实施例提供了一种基于电子围网的异常数据优化方法，包括：获取监测样本数据，从所述监测样本数据中提取异常数据特征；基于所述异常数据特征进行主成分分析确定出异常数据样本，并根据所述异常数据样本构建异常数据检测模型；利用所述异常数据检测模型对实时监测数据进行异常数据检测得到实时异常数据，所述实时监测数据是采用电子围网进行实时监测得到的数据；对所述实时异常数据进行分析得到分析结果；基于所述分析结果对实时异常数据进行修正，以获得异常数据优化结果。
结合第一方面，在第一方面第一实施方式中，基于所述获取监测样本数据利用分类模型对监测样本中的异常数据进行提取得到监测样本异常数据；根据所述监测样本异常数据进行异常数据特征提取得到监测样本数据的异常数据特征。
结合第一方面的第一实施方式，在第一方面第二实施方式中，基于所述监测样本数据设置异常数据的后验概率；利用所述监测样本数据和所述异常数据的后验概率提取所述监测样本数据异常数据。
结合第一方面，在第一方面第三实施方式中，基于所述异常数据特征求取所述异常数据特征的特征均值和标准差；根据所述异常数据特征的特征均值和标准差进行变换得到所述异常数据特征的特征向量；根据所述异常数据特征的特征向量计算累计贡献率对所获取的累计贡献率所对应的所述异常数据特征的特征向量进行排序，输出异常数据特征的特征向量；基于所述异常数据特征的特征向量输出对应于所述异常数据特征的特征向量的异常数据样本。
结合第一方面，在第一方面第四实施方式中，对所述实时异常数据中的异常值进行标注，求取异常值在所述实时异常数据中的占比。
结合第一方面，在第一方面第五实施方式中，提取分析结果中不小于预设占比所对应的实时异常数据，根据所述预设占比所对应的实时异常数据从所述实时监测数据中查找与所述预设占比所对应的相关数据，并利用相关数据对实时异常数据进行修正。
根据第二方面，本发明实施例提供了一种基于电子围网的异常数据优化装置，包括：获取模块，用于获取监测样本数据，从所述监测样本数据中提取异常数据特征；分析模块，用于基于所述异常数据特征进行主成分分析确定出异常数据样本，并根据所述异常数据样本构建异常数据检测模型；检测模块，用于利用所述异常数据检测模型对实时监测数据进行异常数据检测得到实时异常数据，所述实时监测数据是采用电子围网进行实时监测得到的数据；比例分析模块，用于对所述实时异常数据进行分析得到分析结果；输出模块，用于基于所述分析结果对实时异常数据进行修正，以获得异常数据优化结果。
结合第二方面，在第二方面第一实施方式中，所述装置还包括：分类模块，用于基于所述获取监测样本数据利用分类模型对监测样本中的异常数据进行提取得到监测样本异常数据；提取模块，用于根据所述监测样本异常数据进行异常数据特征提取得到监测样本数据的异常数据特征。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面的任意一种实施方式中所述的基于电子围网的异常数据优化方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或第一方面的任意一种实施方式中所述的基于电子围网的异常数据优化方法。
本申请实施例的优点：通过获取监测样本数据，从监测样本数据中提取出异常数据特征，将所提出的异常数据特征进行主成分分析得到异常数据样本，之后对所获得的异常数据样本进行建模训练将所得到的异常数据模型投入实际应用中对实时监测数据进行异常数据检测，以获得实时异常数据，对所获得的实时异常数据进行分析，利用分析结果对实时异常数据进行修正，并输出异常数据修正结果。通过从监测样本数据中提取异常数据，利用异常数据训练异常数据训练模型，在将实时监测数据输入训练异常数据训练模型，以获得实时异常数据，对实时异常数据进行分析修正，从而减少异常数据的产生，减少异常数据监测结果的监测次数，提高有效监测结果的效率情况，进一步保证电子围网中数据监测的正常运作。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为根据本发明实施例提供的一种基于电子围网的异常数据优化方法的流程图；
图2为根据本发明实施例提供的一种基于电子围网的异常数据优化方法中S10的流程图；
图3为根据本发明实施例提供的一种基于电子围网的异常数据优化装置的结构框图；
图4为根据本发明实施例提供的一种电子设备的结构示意图。
附图标记
1-获取模块；2-分析模块；3-检测模块；4-比例分析模块；5-输出模块；6-存储器；7-处理器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开了一种基于电子围网的异常数据优化方法，参见图1为根据本发明实施例提供的一种基于电子围网的异常数据优化方法的流程图，如图1所示，包括：
S10，获取监测样本数据，从所述监测样本数据中提取异常数据特征。在本实施例中，监测样本数据可以是预先采集10-30天内电子围网内的视频监测数据，其中，监测样本数据所记录的内容可以是电子围网内的车辆信息、人的行为信息以及船只信息等通过摄像头所拍摄的图像数据。异常数据特征可以是监测样本数据中存在重叠、遮挡及残缺的数据特征，例如：在监测样本数据中，部分车辆的车身存在重叠、摄像头无法记录完整的船只信息以及行人在运动产生的模糊重影等无法识别的数据特征。
S11，基于异常数据特征进行主成分分析确定出异常数据样本，并根据异常数据样本构建异常数据检测模型。
在本实施例中，异常数据样本可以是图片数据集合，通过主成分分析方法和异常数据特征从监测样本数据中提取出标记有异常数据特征的图片集合。而构建异常数据检测模型可以是对异常数据样本进行数据迭代训练所获得，其中数据迭代可以是最大值迭代。
S12，利用所述异常数据检测模型对实时监测数据进行异常数据检测得到实时异常数据，所述实时监测数据是采用电子围网进行实时监测得到的数据。
在本实施例中，实时异常数据是将电子围网内监测摄像头实时监测数据导入异常数据检测模型中进行实时检测输出的图像数据。
S13，对所述实时异常数据进行分析得到分析结果。
在本实施例中，对异常数据进行分析可以是将所获取的实时异常数据按异常数据大小以及占比进行排列。其分析结果可以是对实时异常数据进行异常数据标记，其标记内容可以是异常数据的种类和占比信息。
S14，基于所述分析结果对实时异常数据进行修正，以获得异常数据优化结果。
在本实施例中，对实时异常数据进行修正可以是根据实时异常数据分析结果进行类别占比排序，并根据排列顺序逐一从实时监测数据中查找前一帧或预设时间内与实时异常数据分析结果中占比数据信息相似的异常数据，根据参照异常数据前一帧或预设时间内的数据信息进行数据替换或还原。可选的，异常数据优化结果可以是获得修正后的数据信息或是获得前一帧或预设时间内与实时异常数据对应的图像数据。
在本实施例中，通过获取监测样本数据，从监测样本数据中提取出异常数据特征，将所提出的异常数据特征进行主成分分析得到异常数据样本，之后对所获得的异常数据样本进行建模训练将所得到的异常数据模型投入实际应用中对实时监测数据进行异常数据检测，以获得实时异常数据，对所获得的实时异常数据进行分析，利用分析结果对实时异常数据进行修正，并输出异常数据修正结果。通过从监测样本数据中提取异常数据，利用异常数据训练异常数据训练模型，在将实时监测数据输入训练异常数据训练模型，以获得实时异常数据，对实时异常数据进行分析修正，从而减少异常数据的产生，减少异常数据监测结果的监测次数，提高有效监测结果的效率情况，进一步保证电子围网中数据监测的正常运作。
作为本申请可选的实施方式，步骤S10还包括：
S101，基于所述获取监测样本数据利用分类模型对监测样本中的异常数据进行提取得到监测样本异常数据。
在本实施例中，可以是通过现有的分类模型对监测样本中的数据进行分类，可以将检测样本的数据分为监测样本异常数据和监测样本正常数据。可选的，分类模型可以是Logistic回归。
S102，根据所述监测样本异常数据进行异常数据特征提取得到监测样本数据的异常数据特征。
在本实施例中，异常数据特征可以是获取监测样本异常数据通过特征标记工具将异常数据特征标注出来。
作为本申请可选的实施方式，步骤S101还包括：
S1011，基于所述监测样本数据设置异常数据的后验概率。
在本实施例中，后验概率可以是根据以往经验分析得到的监测样本内异常数据根据似然函数计算获得的概率值。
S1012，利用所述监测样本数据和所述异常数据的后验概率提取所述监测样本数据异常数据。
在本实施例中，监测样本异常数据可以是获取后验概率值后根据后验概率值计算出的监测样本数据。具体的，可以是引入后验概率并利用贝叶斯公式进行先验概率参数修正，再获得后验概率对监测样本异常数据进行分析，从而保证电子围网中数据监测的正常运作，提取准确的异常数据。
作为本申请可选的实施方式，如图2所示，步骤S11还包括：
步骤S111，基于异常数据特征求取异常数据特征的特征均值和标准差；
在本实施例中，可以通过以下公式求取异常数据特征的特征均值和标准差：
其中，χij是监测样本异常数据特征向量，
和σi分别为第i个监测样本异常数据的特征均值和标准差。
步骤S112，根据异常数据特征的特征均值和标准差进行变换得到异常数据特征的特征向量。具体的特征变换方式在此不在赘述，可参考现有技术中的特变换。
步骤S113，根据异常数据特征的特征向量计算累计贡献率并对所获取的累计贡献率所对应的异常数据特征的特征向量进行排序，并输出异常数据特征的特征向量。在本实施例中，对特征向量进行由大到小的方式进行排序，也可以是从预设数量中的特征向量中，获取最大值的特征向量，即为异常数据特征的特征向量。
步骤S114，基于异常数据特征的特征向量输出对应于异常数据特征的特征向量的异常数据样本。
在本实施例中，根据异常数据特征的特征向量以及各个异常数据特征的特征向量和计算累计贡献率，在根据累计贡献率的占比大小进行排序，并按照其产比大小输出异常数据特征的特征向量。根据所输出的特征向量与异常数据样本进行对应。
利用贡献率对异常数据进行排列，从而能够快速有效的获取异常数据，进一步方便对异常数据进行处理。
作为本申请可选的实施方式，步骤S13还包括：
对所述实时异常数据中的异常值进行标注，求取异常值在所述实时异常数据中的占比。
在本实施例中，对异常值进行标注可以是获取实时异常数据图像，对实时异常数据中的异常值进行框选，当框选出异常值后，将对被框选的异常值进行类别标注，计算异常值在选框中的占比从而为后续进行异常数据的修正做准备。例如：首先对实时异常数据中的异常值进行框选，其框选对象是不同颜色重叠的车辆车身和多个残缺的船只信息，其次对被框选对象是不同颜色重叠的车辆车身和多个残缺的船只信息进行标注，其标注内容为车1占比为10％，车2占比为30％，人1占比为3％，人2占比为2％，其中所标注的百分比为在实时异常数据图像中异常值占的图像占比数。
作为本申请可选的实施方式，步骤S14还包括：
提取分析结果中不小于预设占比所对应的实时异常数据，根据所述预设占比所对应的实时异常数据从所述实时监测数据中查找与所述预设占比所对应的相关数据，并利用相关数据对实时异常数据进行修正。
在本实施例中，不小于预设占比所对应的实时异常数据可以是通过设置预设占比筛选剔除无法进行识别的异常数据，保留能够被修正的数据以节约数据资源。其中，预设占比可以根据数据修正能力进行调整。另外在本实施例中，可以将大于预设占比的实时异常数据，根据其实时异常数据的占比值大小，对异常数据占比值大的数据进行数据修正。预设占比所对应的相关数据可以是在预设时间内或指定实时监测数据中大于实时异常数据分析结果的数据，根据通过查找该数据从而实现修正实时异常数据的目的，通过获取相关数据对相关数据进行识别，并将所识别出的相关数据信息与实时异常数据比对，预设相似度数据，将大于相似度的相关数据与实时异常数据进行替换完成异常数据修正。从而减少异常数据的产生数量以及提高监测结果有效识别率。
另外，本发明实施例还公开了一种基于电子围网的异常数据优化装置，如图3所示，根据本发明实施例提供的一种质量检测装置的结构框图，包括：
获取模块1，用于获取监测样本数据，从所述监测样本数据中提取异常数据特征，详细内容参考步骤S10。
分析模块2，用于基于所述异常数据特征进行主成分分析确定出异常数据样本，并根据所述异常数据样本构建异常数据检测模型，详细内容参考步骤S11；
检测模块3，用于利用所述异常数据检测模型对实时监测数据进行异常数据检测得到实时异常数据，所述实时监测数据是采用电子围网进行实时监测得到的数据，详细内容参考步骤S12；
比例分析模块4，用于对所述实时异常数据进行分析得到分析结果，详细内容参考步骤S13。
输出模块5，用于基于所述分析结果对实时异常数据进行修正，以获得异常数据优化结果，详细内容参考步骤S14。
在本实施例中，通过从获取模块中提取异常数据，利用分析模块对异常数据进行分析，再根据检测模块、比例分析模块以及输出模块对对异常数据进行修正，从而减少异常数据的产生，改善监测结果有效识别情况，进一步保证电子围网中数据监测的正常运作。
可选的，本发明实施例提供的质量检测装置，除上述实施例的模块外，还可以包括：
识别模块，用于基于所述获取监测样本数据利用分类模型对监测样本中的异常数据进行提取得到监测样本异常数据，详细内容参考步骤S101。
分类模块，用于根据所述监测样本异常数据进行异常数据特征提取得到监测样本数据的异常数据特征，详细内容参考步骤S102。
本发明实施例还提供了一种电子设备，如图4所示，该电子设备可以包括处理器6和存储器7，其中处理器6和存储器7可以通过总线或者其他方式连接，图4中以通过总线连接为例。
处理器6可以为中央处理器(Central Processing Unit，CPU)。处理器7还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器7作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的基于电子围网的异常数据优化方法对应的程序指令/模块(例如，图3所示的获取模块1、分析模块2、检测模块3、比例分析模块4、输出模块5)。处理器6通过运行存储在存储器7中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于电子围网的异常数据优化方法。
存储器7可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器6所创建的数据等。此外，存储器7可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器7可选包括相对于处理器6远程设置的存储器，这些远程存储器可以通过网络连接至处理器6。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器7中，当被所述处理器6执行时，执行如图1-图2所示实施例中的基于电子围网的异常数据优化方法。
上述提供的电子设备和基于电子围网的异常数据优化装置的具体细节可以对应参阅图1-图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，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，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种基于电子围网的异常数据优化方法，其特征在于，包括：
获取监测样本数据，从所述监测样本数据中提取异常数据特征；
基于所述异常数据特征进行主成分分析确定出异常数据样本，并根据所述异常数据样本构建异常数据检测模型；
利用所述异常数据检测模型对实时监测数据进行异常数据检测得到实时异常数据，所述实时监测数据是采用电子围网进行实时监测得到的数据；
对所述实时异常数据进行分析得到分析结果；
基于所述分析结果对实时异常数据进行修正，以获得异常数据优化结果；
其中，所述对所述实时异常数据进行分析得到分析结果，包括：
对所述实时异常数据中的异常值进行标注，求取异常值在所述实时异常数据中的占比。
2.根据权利要求1所述的方法，其特征在于，所述获取监测样本数据，从所述监测样本数据中提取异常数据特征，包括：
基于所述获取监测样本数据利用分类模型对监测样本中的异常数据进行提取得到监测样本异常数据；
根据所述监测样本异常数据进行异常数据特征提取得到监测样本数据的异常数据特征。
3.根据权利要求2所述的方法，其特征在于，所述基于所述获取的监测样本数据利用分类模型对中的监测样本中的异常数据进行提取得到监测样本异常数据，包括：
基于所述监测样本数据设置异常数据的后验概率；
利用所述监测样本数据和所述异常数据的后验概率提取所述监测样本数据异常数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述异常数据特征进行主成分分析确定出异常数据样本，包括：
基于所述异常数据特征求取所述异常数据特征的特征均值和标准差；
根据所述异常数据特征的特征均值和标准差进行变换得到所述异常数据特征的特征向量；
根据所述异常数据特征的特征向量计算累计贡献率对所获取的累计贡献率所对应的所述异常数据特征的特征向量进行排序，输出异常数据特征的特征向量；
基于所述异常数据特征的特征向量输出对应于所述异常数据特征的特征向量的异常数据样本。
5.根据权利要求1所述的方法，其特征在于，所述基于所述分析结果对实时异常数据进行修正，以获得异常数据优化结果，包括：
提取分析结果中不小于预设占比所对应的实时异常数据，根据所述预设占比所对应的实时异常数据从所述实时监测数据中查找与所述预设占比所对应的相关数据，并利用相关数据对实时异常数据进行修正。
6.一种基于电子围网的异常数据优化装置，其特征在于，包括：
获取模块，用于获取监测样本数据，从所述监测样本数据中提取异常数据特征；
分析模块，用于基于所述异常数据特征进行主成分分析确定出异常数据样本，并根据所述异常数据样本构建异常数据检测模型；
检测模块，用于利用所述异常数据检测模型对实时监测数据进行异常数据检测得到实时异常数据，所述实时监测数据是采用电子围网进行实时监测得到的数据；
比例分析模块，用于对所述实时异常数据进行分析得到分析结果；
输出模块，用于基于所述分析结果对实时异常数据进行修正，以获得异常数据优化结果。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
分类模块，用于基于所述获取监测样本数据利用分类模型对监测样本中的异常数据进行提取得到监测样本异常数据；
提取模块，用于根据所述监测样本异常数据进行异常数据特征提取得到监测样本数据的异常数据特征。
8.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-5中任一项所述的基于电子围网的异常数据优化方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的基于电子围网的异常数据优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011103584.7A CN112148723B (zh) | 2020-10-15 | 2020-10-15 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011103584.7A CN112148723B (zh) | 2020-10-15 | 2020-10-15 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112148723A CN112148723A (zh) | 2020-12-29 |
| CN112148723B true CN112148723B (zh) | 2022-02-18 |
Family
ID=73952018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011103584.7A Active CN112148723B (zh) | 2020-10-15 | 2020-10-15 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112148723B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764311A (zh) * | 2018-05-17 | 2018-11-06 | 淘然视界(杭州)科技有限公司 | 一种遮挡目标检测方法、电子设备、存储介质及*** |
| CN109583424A (zh) * | 2018-12-21 | 2019-04-05 | 杭州电子科技大学 | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 |
| WO2020147698A1 (zh) * | 2019-01-15 | 2020-07-23 | 深圳看到科技有限公司 | 画面优化方法、装置、终端及对应的存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3107063A1 (en) * | 2015-06-16 | 2016-12-21 | Continental Automotive GmbH | Method for processing camera images |
| CN107977710B (zh) * | 2017-12-21 | 2020-12-25 | 南方电网科学研究院有限责任公司 | 用电异常数据检测方法和装置 |
| CN109740630A (zh) * | 2018-12-06 | 2019-05-10 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
| CN109767397B (zh) * | 2019-01-09 | 2022-07-12 | 三星电子（中国）研发中心 | 一种基于人工智能的图像优化方法和*** |
| US11494690B2 (en) * | 2019-03-15 | 2022-11-08 | Hong Kong Applied Science and Technology Research Institute Company Limited | Apparatus and method of high dimensional data analysis in real-time |
| CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
| CN111523558A (zh) * | 2019-12-27 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
| CN111275288B (zh) * | 2019-12-31 | 2023-12-26 | 华电国际电力股份有限公司十里泉发电厂 | 基于XGBoost的多维数据异常检测方法与装置 |
-
2020
- 2020-10-15 CN CN202011103584.7A patent/CN112148723B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764311A (zh) * | 2018-05-17 | 2018-11-06 | 淘然视界(杭州)科技有限公司 | 一种遮挡目标检测方法、电子设备、存储介质及*** |
| CN109583424A (zh) * | 2018-12-21 | 2019-04-05 | 杭州电子科技大学 | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 |
| WO2020147698A1 (zh) * | 2019-01-15 | 2020-07-23 | 深圳看到科技有限公司 | 画面优化方法、装置、终端及对应的存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112148723A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
| CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
| CN110096938B (zh) | 一种视频中的动作行为的处理方法和装置 | |
| CN110070029B (zh) | 一种步态识别方法及装置 | |
| CN111639653B (zh) | 一种误检图像确定方法、装置、设备和介质 | |
| CN112862093A (zh) | 一种图神经网络训练方法及装置 | |
| CN112434178B (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
| CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
| CN110866428B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN111368143A (zh) | 一种视频相似度检索方法、装置、电子设备及存储介质 | |
| CN112949456B (zh) | 视频特征提取模型训练、视频特征提取方法和装置 | |
| CN115035450A (zh) | 确定动物种类的方法及装置 | |
| CN112148723B (zh) | 一种基于电子围网的异常数据优化方法、装置及电子设备 | |
| Zhou et al. | A low-resolution image restoration classifier network to identify stored-grain insects from images of sticky boards | |
| CN114038010B (zh) | 一种行人属性识别方法、设备和介质 | |
| CN112784691B (zh) | 一种目标检测模型训练方法、目标检测方法和装置 | |
| CN112766387B (zh) | 一种训练数据的纠错方法、装置、设备及存储介质 | |
| CN114565894A (zh) | 一种工作服装识别方法、装置、电子设备及存储介质 | |
| CN110489592B (zh) | 视频分类方法、装置、计算机设备和存储介质 | |
| Obu et al. | Crop Disease Detection using Yolo V5 on Raspberry Pi | |
| CN112395993A (zh) | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 | |
| CN111401317A (zh) | 视频分类方法、装置、设备及存储介质 | |
| CN116863298B (zh) | 训练、预警发送方法、***、装置、设备和介质 | |
| CN113177487B (zh) | 行人重识别方法、装置、计算机设备和存储介质 |
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 |