CN112381773B - 关键截面数据分析方法、装置、设备及存储介质 - Google Patents

关键截面数据分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112381773B
CN112381773B CN202011221755.6A CN202011221755A CN112381773B CN 112381773 B CN112381773 B CN 112381773B CN 202011221755 A CN202011221755 A CN 202011221755A CN 112381773 B CN112381773 B CN 112381773B
Authority
CN
China
Prior art keywords
section
convolution module
layer
convolution
image
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
Application number
CN202011221755.6A
Other languages
English (en)
Other versions
CN112381773A (zh
Inventor
杨艺兴
梁翠玲
罗海英
龚仕涛
莫家凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfeng Liuzhou Motor Co Ltd
Original Assignee
Dongfeng Liuzhou Motor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfeng Liuzhou Motor Co Ltd filed Critical Dongfeng Liuzhou Motor Co Ltd
Priority to CN202011221755.6A priority Critical patent/CN112381773B/zh
Publication of CN112381773A publication Critical patent/CN112381773A/zh
Application granted granted Critical
Publication of CN112381773B publication Critical patent/CN112381773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Graphics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明公开了一种关键截面数据分析方法、装置、设备及存储介质，所述方法包括：根据断面图像确定断面关键坐标偏移量，根据标准断面图像对断面图像进行调整获得预测断面图像，根据标准断面关键坐标偏移量对断面关键坐标偏移量进行修正，获得预测断面关键坐标信息；根据预测断面图像和预测断面关键坐标信息获得分类信息及目标位置信息，进而生成断面数据分析报告，由于现有技术中需要个人经验手动记录断面信息，而本发明中根据预测断面图像和预测断面关键坐标信息获得预测断面图像的分类信息及目标位置信息，之后根据分类信息及目标位置信息可直接生成断面数据分析报告，实现了精准获取断面数据，提高了生成断面数据分析报告的工作效率。

Description

关键截面数据分析方法、装置、设备及存储介质
技术领域
本发明涉及车辆技术领域，尤其涉及一种关键截面数据分析方法、装置、设备及存储介质。
背景技术
目前，车辆零部件的断面获取方式可以通过软件二次开发获取，但是还需要人工干预，其中，对于截断面时需要的断面关键坐标偏移量还需要根据人的经验值获取，导致获得的断面数据不精准，并且根据断面数据生成断面数据分析报告的方式为手工制作，进而降低生成断面数据分析报告的工作效率。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种关键截面数据分析方法、装置、设备及存储介质，旨在解决如何精准获取断面数据，提高生成断面数据分析报告的工作效率的技术问题。
为实现上述目的，本发明提供了一种关键截面数据分析方法，所述关键截面数据分析方法包括：
获取车辆零部件立体模型在预设平面上的断面图像，并根据所述断面图像确定断面关键坐标偏移量；
根据标准断面图像对所述断面图像进行调整，获得预测断面图像，且根据标准断面关键坐标偏移量对所述断面关键坐标偏移量进行修正，获得预测断面关键坐标信息；
根据所述预测断面图像和所述预测断面关键坐标信息进行处理，获得所述预测断面图像的分类信息及目标位置信息；
根据所述分类信息及所述目标位置信息生成断面数据分析报告。
可选地，所述获取车辆零部件立体模型在预设平面上的断面图像的步骤，包括：
获取车辆零部件立体模型，根据所述车辆零部件立体模型确定截面位置信息；
根据所述截面位置信息确定模型偏移值和模型偏移角度；
根据所述模型偏移值和所述模型偏移角度获得预设平面上的断面图像。
可选地，所述根据所述断面图像确定断面关键坐标偏移量的步骤，包括：
将所述断面图像转化为断面像素矩阵；
对所述断面像素矩阵进行卷积处理，池化处理，确定断面回归信息，并根据所述断面回归信息确定断面关键坐标偏移量。
可选地，所述根据所述预测断面图像和所述预测断面关键坐标信息进行处理，获得所述预测断面图像的分类信息及目标位置信息的步骤之前，还包括：
根据所述预测断面图像、所述预测断面关键坐标信息、标准的切面、坐标信息输出及标准的坐标数据确定预测断面输出数据；
根据所述预测断面输出数据确定预测概率值；
判断所述预测概率值是否小于预设概率阈值；
在所述预测概率值小于所述预设概率阈值时，执行所述根据所述预测断面图像和所述预测断面关键坐标信息进行处理，获得所述预测断面图像的分类信息及目标位置信息的步骤。
可选地，所述判断所述预测概率值是否小于预设概率阈值的步骤之后，还包括：
在所述预测概率值大于或等于所述预设概率阈值时，返回所述根据所述断面图像确定断面关键坐标偏移量的步骤。
可选地，所述根据所述分类信息及所述目标位置信息生成断面数据分析报告的步骤之后，还包括：
将所述断面图像、所述分类信息及所述目标位置信息存储至断面属性数据库。
此外，为实现上述目的，本发明还提出一种关键截面数据分析装置，所述关键截面数据分析装置包括：
获取模块，用于获取车辆零部件立体模型在预设平面上的断面图像，并根据所述断面图像确定断面关键坐标偏移量；
调整模块，用于根据标准断面图像对所述断面图像进行调整，获得预测断面图像，且根据标准断面关键坐标偏移量对所述断面关键坐标偏移量进行修正，获得预测断面关键坐标信息；
处理模块，用于根据所述预测断面图像和所述预测断面关键坐标信息进行处理，获得所述预测断面图像的分类信息及目标位置信息；
生成模块，用于根据所述分类信息及所述目标位置信息生成断面数据分析报告。
此外，为实现上述目的，本发明还提出一种关键截面数据分析设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的关键截面数据分析程序，所述关键截面数据分析程序配置为实现如上文所述的关键截面数据分析方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有关键截面数据分析程序，所述关键截面数据分析程序被处理器执行时实现如上文所述的关键截面数据分析方法的步骤。
本发明首先获取车辆零部件立体模型在预设平面上的断面图像，并根据断面图像确定断面关键坐标偏移量，然后根据标准断面图像对断面图像进行调整获得预测断面图像，且根据标准断面关键坐标偏移量对断面关键坐标偏移量进行修正，获得预测断面关键坐标信息，之后根据预测断面图像和预测断面关键坐标信息进行处理，获得预测断面图像的分类信息及目标位置信息，根据分类信息及目标位置信息生成断面数据分析报告，由于现有技术中需要根据个人经验手动记录断面信息，而本发明中根据预测断面图像和预测断面关键坐标信息获得预测断面图像的分类信息及目标位置信息，之后根据分类信息及目标位置信息可直接生成断面数据分析报告，实现了精准获取断面数据，提高了生成断面数据分析报告的工作效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的关键截面数据分析设备的结构示意图；
图2为本发明关键截面数据分析方法第一实施例的流程示意图；
图3为本发明关键截面数据分析装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的关键截面数据分析设备结构示意图。
如图1所示，该关键截面数据分析设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对关键截面数据分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、数据存储模块、网络通信模块、用户接口模块以及关键截面数据分析程序。
在图1所示的关键截面数据分析设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明关键截面数据分析设备中的处理器1001、存储器1005可以设置在关键截面数据分析设备中，所述关键截面数据分析设备通过处理器1001调用存储器1005中存储的关键截面数据分析程序，并执行本发明实施例提供的关键截面数据分析方法。
本发明实施例提供了一种关键截面数据分析方法，参照图2，图2为本发明关键截面数据分析方法第一实施例的流程示意图。
本实施例中，所述关键截面数据分析方法包括以下步骤：
步骤S10：获取车辆零部件立体模型在预设平面上的断面图像，并根据所述断面图像确定断面关键坐标偏移量。
易于理解的是，本实施例的执行主体可以是具有图像处理、数据处理、网络通讯和程序运行等功能的关键截面数据分析设备，也可以为其他具有相似功能的计算机设备，本实施例并不加以限制。
可以理解的是，车辆零部件立体模型可以为车辆零部件的3D模型，其中，车辆零部件可以为车门，也可以轮胎等，本实施例并不加以限制。
断面图像为二维图像，也就是平面图像，从车辆零部件立体模型中任意位置进行切分，可获得切分位置对应的预设平面上的断面图像等，本实施例并不加以限制。
断面关键坐标偏移量可以为车辆零部件立体模型中切断位置对应的坐标偏移量等，本实施例并不加以限制。
进一步地，获取车辆零部件立体模型在预设平面上的断面图像的方式可以为，获取车辆零部件立体模型，根据车辆零部件立体模型确定截面位置信息，根据截面位置信息确定模型偏移值和模型偏移角度，根据模型偏移值和所述模型偏移角度获得预设平面上的断面图像，其中模型偏移值可以为坐标，也可以为数值等，模型偏移角度可以为左上方15度，也可以为右下方16度等，本实施例并不加以限制。
截面位置信息可以为截面的切分坐标或角度等。
此外，为了便于理解，以下进行举例说明：
步骤一：偏移值创建截面，在定义好原点之后，根据定义的偏移值沿定义的偏移方向调用应用程序编程接口(CATIA Application Programming Interface，CATIA API)程序创建基准平面，基准平面会与选定总成的体对象相交，根据CATIA提供的API接口，可创建出相交位置的相交线。
步骤二：偏移角度创建截面,偏移角度的偏转角可由运动方向和过原点的垂直与运动方向确定，由该旋转角度可确定一个基准平面，基准平面选定总成的体对象相交，截面创建过程同上。
步骤三：选取现有的平面，基于现有平面进行偏移，程序中读取偏移值，传入CATIA提供的接口，接口要求输入原平面以及偏移距离值。创建出新的基准平面后，识别选中的总成，读取总成下面的体对象，与新创建的基准进行相交求解。
步骤四：创建零件断面，输入曲线位置可以求解出过曲线处与选择装配体相交的出交线，通过设定的偏移值，可创建出偏移面，偏移面与装配体相交得到交线，交线投影到交线所在平面可得该处的断面效果即预设平面上的断面图像。
步骤五：可以将断面图像输入至深度学习目标检测网络模型中，通过目标检测模型处理可确定断面类别以及坐标偏移量。
其中，深度学习目标检测网络的模型结构依次逻辑设置的输入层、第一卷积模块、第二卷积模块、第三卷积模块、第一Add层、第四卷积模块、第二Add层、第五卷积模、第三Add层、第六卷积模块、第七卷积模块、第四Add层、第八卷积模块、第五Add层、第九卷积模块、第六Add层、第十卷积模块、第七Add层、第十一卷积、第十二卷积模块、第八Add层、第十三卷积模块、第九Add层、第十四卷积模块、第十Add层、第十五卷积模块、第十一Add层、第十六卷积模块、第十二Add层、第十七卷积模块、第十三Add层、第十八卷积模块、第十九卷积模块、第十四Add层、第二十卷积模块、、第十五Add层、第二十一卷积模块、第十六Add层、第二十二卷积、第二十三卷积、第十七Add层、第二十四卷积模块、第二十五卷积模块、第十八Add层、第二十六卷积模块、第二十七卷积模块、第二十八卷积模块、第二十九卷积模块、第三十卷积模块、第三十一卷积模块、第三十二卷积模块、RegressBoxes层、ClipBoxes层、filterDetections层。
在深度学习目标检测网络中，使用的损失值是通过以下损失函数Lfl计算：
Figure BDA0002763107770000061
式中，y'为深度卷积神经网络对样本输入图像的推理输出即样本预测断面输出数据，y为评估对象是否是前景，γ为调节简单样本权重降低的速率，γ∈[0,5]，α是权重因子，用于平衡正/负数样本的重要性，且α∈[0,1]。
进一步地，根据断面图像确定断面关键坐标偏移量的方式可以为将断面图像转化为断面像素矩阵，对断面像素矩阵进行卷积处理、池化处理，确定断面回归信息，并根据断面回归信息确定断面关键坐标偏移量。
在具体实现中，所述输入层是将断面图片输入到网络中，460*600*3像素的矩阵；所述第一卷积模块的卷积核尺寸为7*7，卷积核个数为64，输出大小为230*300*64的矩阵。
所述第二卷积模块的输入是第一卷积模块的输出，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为64，64，256；该模块的输出为115*150*256的矩阵。
所述第三卷积模块的输入是第一池化层，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数256；该模块的输出为115*150*256的矩阵。
所述第一Add层，把第二卷积模块的输出和第三卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为115*150*256的矩阵。
所述第四卷积模块的输入是第一Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为64，64，256；该模块的输出为115*150*256的矩阵。
所述第二Add层把第一Add层的输出和第四卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为115*150*256的矩阵。
所述第五卷积模块的输入是第二Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为64，64，256；该模块的输出为115*150*256的矩阵。
所述第三Add层把第二Add层的输出和第五卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为115*150*256的矩阵。
所述第六卷积模块的输入是第三Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为128，128，256；该模块的输出为58*75*512的矩阵。
所述第七卷积模块的输入是第三Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数512；该模块的输出为58*75*512的矩阵。
所述第四Add层把第六卷积模块的输出和第七卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为58*75*512的矩阵。
所述第八卷积模块的输入是第四Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为128，128，256；该模块的输出为58*75*512的矩阵。
所述第五Add层把第四Add层的输出和第八卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为58*75*512的矩阵。
所述第九卷积模块的输入是第五Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为128，128，256；该模块的输出为58*75*512的矩阵。
所述第六Add层把第五Add层的输出和第九卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为58*75*512的矩阵。
所述第十卷积模块的输入是第六Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为256，256，1024，；该模块的输出为58*75*512的矩阵。
所述第七Add层把第六Add层的输出和第十卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为58*75*512的矩阵。
所述第十一卷积模块的输入是第三Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数1024；该模块的输出为29*38*1024的矩阵。
所述第十二卷积模块的输入是第七Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为256，256，1024，；该模块的输出为29*38*1024的矩阵。
所述第八Add层把第七Add层的输出和第十二卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为29*38*1024的矩阵。
所述第十三卷积模块的输入是第八Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为256，256，1024，；该模块的输出为29*38*1024的矩阵。
所述第九Add层把第八Add层的输出和第十三卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为29*38*1024的矩阵。
所述第十四卷积模块的输入是第九Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为256，256，1024，；该模块的输出为29*38*1024的矩阵。
所述第十Add层把第九Add层的输出和第十四卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为29*38*1024的矩阵。
所述第十五卷积模块的输入是第十Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为256，256，1024，；该模块的输出为29*38*1024的矩阵。
所述第十一Add层把第十Add层的输出和第十五卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为29*38*1024的矩阵。
所述第十六卷积模块的输入是第十一Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为256，256，1024，；该模块的输出为29*38*1024的矩阵。
所述第十二Add层把第十一Add层的输出和第十六卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为29*38*1024的矩阵。
所述第十七卷积模块的输入是第十二Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为512，512，2048；该模块的输出为29*38*1024的矩阵。
所述第十三Add层把第十二Add层的输出和第十七卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为29*38*1024的矩阵。
所述第十八卷积模块的输入是第十三Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为512，512，2048；该模块的输出为15*19*2048的矩阵。
所述第十九卷积模块的输入是第十三Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数256；该模块的输出为15*19*2048的矩阵。
所述第十四Add层把第十八卷积模块的输出和十九卷积模块的输出进行相加；后加一层RELU激活层，该模块输出大小为15*19*2048的矩阵。
所述第二十卷积模块的输入是第十四Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为512，512，2048；该模块的输出为15*19*2048的矩阵。
所述第十五Add层把第二十卷积模块的输出和第十三Add层的输出进行相加；后加一层RELU激活层，该模块输出大小为15*19*2048的矩阵。
所述第二十一卷积模块的输入是第十五Add层的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3。卷积层1、2、3的卷积核尺寸分别为1*1，3*3，1*1，卷积核个数分别为512，512，2048；该模块的输出为15*19*2048的矩阵。
所述第十六Add层把第二十一卷积模块的输出和第十五Add层的输出进行相加；后加一层RELU激活层，该模块输出大小为15*19*2048的矩阵。
所述第二十二卷积模块的输入是第十六Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数分别为256；该模块的输出为15*19*256的矩阵。
所述第二十三卷积模块的输入是第十三Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数为256；该模块的输出为15*19*256的矩阵。
所述第十七Add层把经过上采样后的第二十二卷积模块的输出和第二十三卷积模块的输出进行相加，该模块输出大小为15*19*256的矩阵。
所述第二十四卷积模块的输入是第十六Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数为256；该模块的输出为8*10*256的矩阵。
所述第二十五卷积模块的输入是第七Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为1*1，卷积核个数为256；该模块的输出为15*19*256的矩阵。
所述第十八Add层把经过上采样后的第十六Add层的输出和第二十五卷积模块的输出进行相加，该模块输出大小为15*19*256的矩阵。
所述第二十六卷积模块的输入是第十七Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为3*3，卷积核个数为256；该模块的输出为15*19*256的矩阵。
所述第二十七卷积模块的输入是第二十二卷积模块的输出矩阵，该模块设置1层卷积层，卷积核尺寸为3*3，卷积核个数为256；该模块的输出为15*19*256的矩阵。
所述第二十八卷积模块的输入是第十八Add层的输出矩阵，该模块设置1层卷积层，卷积核尺寸为3*3，卷积核个数为256；该模块的输出为15*19*256的矩阵。
所述第二十九卷积模块的输入是第二十四卷积模块的输出矩阵，该模块设置1层卷积层，卷积核尺寸为3*3，卷积核个数为256；该模块的输出为15*19*256的矩阵。
所述第三十卷积模块的输入是第二十八卷积模块的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3，卷积层4，卷积层5。卷积层1、2、3的卷积核尺寸都是3*3，前4层卷积核个数都是256，卷积层5的卷积核个数是36；该模块的输出为15*19*256的矩阵。
所述第三十一卷积模块的输入是第二十八卷积模块的输出矩阵，该模块依次设置卷积层1，卷积层2，卷积层3，卷积层4，卷积层5。卷积层1、2、3的卷积核尺寸都是3*3，前4层卷积核个数都是256，卷积层5的卷积核个数是54；该模块的输出为15*19*54的矩阵。
所述第三十二卷积模块的输入是第三十一卷积模块卷积层1的输出矩阵，该模块设置1层卷积层，卷积核尺寸都是3*3，卷积核个数是27；该模块的输出为15*19*27的矩阵。
所述RegressBoxes层的输入是第二十四、第二十六、第二十七、第二十八卷积模块经过concatenate操作生成的anchor及第三十卷积模块的输出经过concatenate生成的回归信息，该层输出的回归信息是每个坐标的偏移量即断面关键坐标偏移量。
步骤S20：根据标准断面图像对所述断面图像进行调整，获得预测断面图像，且根据标准断面关键坐标偏移量对所述断面关键坐标偏移量进行修正，获得预测断面关键坐标信息。
可以理解的是，在深度学习目标检测网络模型中，可以根据标准断面图像对断面图像进行调整，获得预测断面图像，还可以根据标准断面关键坐标偏移量对断面关键坐标偏移量进行修正，获得预测断面关键坐标信息。
也就是说，ClipBoxes层的输入是输入层中的断面图像和RegressBoxes层的输出的断面关键坐标偏移量，该层是对预测的模型做进一步调整和修正，获得预测断面图像和预测断面关键坐标信息等，本实施例并不加以限制。
步骤S30：根据所述预测断面图像和所述预测断面关键坐标信息进行处理，获得所述预测断面图像的分类信息及目标位置信息。
预测断面图像的分类信息可以为属于某种类型，可以为车门类型，也可以为轮胎类型等，本实施例并不加以限制。
还可以理解为，在深度学习目标检测网络模型中的filterDetections层进行数据允许，也就是说，filterDetections层的输入是ClipBoxesc层的输出以及第三十一卷积模块以及第三十二卷积模块经过concatenate生成的分类信息，该层输出图像的分类信息即预测断面图像的分类信息以及图像种目标框的位置信息即目标位置信息。
进一步地，根据预测断面图像和预测断面关键坐标信息进行处理，获得预测断面图像的分类信息及目标位置信息的步骤之前，还可以为，根据预测断面图像和预测断面关键坐标信息确定断面预测概率值，根据预测概率值是否小于预设概率阈值，在预测概率值小于预设概率阈值时，执行根据所述预测断面图像和预测断面关键坐标信息进行连接处理，获得预测断面图像的分类信息及目标位置信息的步骤。在预测概率值大于或等于预设概率阈值时，返回根据所述断面图像确定断面关键坐标偏移量的步骤。
步骤S40：根据所述分类信息及所述目标位置信息生成断面数据分析报告。
断面数据分析报告可以根据分类信息即目标位置信息自动生成，其中断面数据分析报告中还可以包括工程师名字、员工编号、项目、截面名称、零件编号、级别、中英文名称、材料、关键尺寸、断面图像、主断面性能参数等，本实施例并不加以限制。
进一步地，根据分类信息及目标位置信息生成断面数据分析报告的步骤之后，还可以将断面图像、分类信息即目标位置信息或断面数据分析表存储至断面属性数据库中，便于用户查看及分析等，本实施例并不加以限制。
本实施例中首先获取车辆零部件立体模型在预设平面上的断面图像，并根据断面图像确定断面关键坐标偏移量，然后根据标准断面图像对断面图像进行调整获得预测断面图像，且根据标准断面关键坐标偏移量对断面关键坐标偏移量进行修正，获得预测断面关键坐标信息，之后根据预测断面图像和预测断面关键坐标信息进行处理，获得预测断面图像的分类信息及目标位置信息，根据分类信息及目标位置信息生成断面数据分析报告，由于现有技术中需要根据个人经验手动记录断面信息，而本实施例中根据预测断面图像和预测断面关键坐标信息获得预测断面图像的分类信息及目标位置信息，之后根据分类信息及目标位置信息可直接生成断面数据分析报告，实现了精准获取断面数据，提高了生成断面数据分析报告的工作效率。
参照图3，图3为本发明关键截面数据分析装置第一实施例的结构框图。
如图3所示，本发明实施例提出的关键截面数据分析装置包括：
获取模块4001，用于获取车辆零部件立体模型在预设平面上的断面图像，并根据所述断面图像确定断面关键坐标偏移量；
调整模块4002，用于根据标准断面图像对所述断面图像进行调整，获得预测断面图像，且根据标准断面关键坐标偏移量对所述断面关键坐标偏移量进行修正，获得预测断面关键坐标信息；
处理模块4003，用于根据所述预测断面图像和所述预测断面关键坐标信息进行处理，获得所述预测断面图像的分类信息及目标位置信息；
生成模块4004，用于根据所述分类信息及所述目标位置信息生成断面数据分析报告。
本实施例中首先获取车辆零部件立体模型在预设平面上的断面图像，并根据断面图像确定断面关键坐标偏移量，然后根据标准断面图像对断面图像进行调整获得预测断面图像，且根据标准断面关键坐标偏移量对断面关键坐标偏移量进行修正，获得预测断面关键坐标信息，之后根据预测断面图像和预测断面关键坐标信息进行处理，获得预测断面图像的分类信息及目标位置信息，根据分类信息及目标位置信息生成断面数据分析报告，由于现有技术中需要根据个人经验手动记录断面信息，而本实施例中根据预测断面图像和预测断面关键坐标信息获得预测断面图像的分类信息及目标位置信息，之后根据分类信息及目标位置信息可直接生成断面数据分析报告，实现了精准获取断面数据，提高了生成断面数据分析报告的工作效率。
进一步地，所述获取模块4001，还用于获取车辆零部件立体模型，根据所述车辆零部件立体模型确定截面位置信息；
所述获取模块4001，还用于根据所述截面位置信息确定模型偏移值和模型偏移角度；
所述获取模块4001，还用于根据所述模型偏移值和所述模型偏移角度获得预设平面上的断面图像。
进一步地，所述获取模块4001，还用于将所述断面图像转化为断面像素矩阵；
所述获取模块4001，还用于对所述断面像素矩阵进行卷积处理，获得断面卷积矩阵；
所述获取模块4001，还用于对所述断面卷积矩阵进行池化处理，获得断面池化矩阵；
所述获取模块4001，还用于根据所述断面卷积矩阵和所述断面池化矩阵确定断面回归信息，并根据所述断面回归信息确定断面关键坐标偏移量。
进一步地，所述获取模块4001，还用于对所述断面卷积矩阵和所述断面池化矩阵进行计算，获得断面累加矩阵；
所述获取模块4001，还用于对所述断面累加矩阵进行非线性处理，获得断面激活矩阵；
所述获取模块4001，还用于根据所述断面激活矩阵确定断面回归信息。
进一步地，所述处理模块4003，还用于根据所述预测断面图像和所述预测断面关键坐标信息确定预测断面输出数据；
所述处理模块4003，还用于根据所述预测断面输出数据确定预测概率值；
所述处理模块4003，还用于判断所述预测概率值是否小于预设概率阈值；
所述处理模块4003，还用于在所述预测概率值小于所述预设概率阈值时，执行所述根据所述预测断面图像和所述预测断面关键坐标信息进行连接处理，获得所述预测断面图像的分类信息及目标位置信息的操作。
进一步地，所述处理模块4003，还用于在所述预测概率值大于或等于所述预设概率阈值时，返回所述根据所述断面图像确定断面关键坐标偏移量的操作。
进一步地，所述生成模块4004，还用于将所述断面图像、所述分类信息及所述目标位置信息存储至断面属性数据库。
本发明关键截面数据分析装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，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***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***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种关键截面数据分析方法，其特征在于，所述关键截面数据分析方法包括：
获取车辆零部件立体模型在预设平面上的断面图像，并通过预设目标检测模型对所述断面图像进行处理，获得断面关键坐标偏移量；
通过所述预设目标检测模型以及标准断面图像对所述断面图像进行调整，获得预测断面图像，且根据标准断面关键坐标偏移量对所述断面关键坐标偏移量进行修正，获得预测断面关键坐标信息；
获取所述预设目标检测模型根据所述预测断面图像和所述预测断面关键坐标信息生成的图像分类信息以及图像中目标框的位置信息；其中，所述图像分类信息即为所述预测断面图像的分类信息，所述目标框的位置信息即为目标位置信息；
根据所述分类信息及所述目标位置信息生成断面数据分析报告；
其中，所述预设目标检测模型结构依次逻辑设置输入层、第一卷积模块、第二卷积模块、第三卷积模块、第一Add层、第四卷积模块、第二Add层、第五卷积模块、第三Add层、第六卷积模块、第七卷积模块、第四Add层、第八卷积模块、第五Add层、第九卷积模块、第六Add层、第十卷积模块、第七Add层、第十一卷积模块、第十二卷积模块、第八Add层、第十三卷积模块、第九Add层、第十四卷积模块、第十Add层、第十五卷积模块、第十一Add层、第十六卷积模块、第十二Add层、第十七卷积模块、第十三Add层、第十八卷积模块、第十九卷积模块、第十四Add层、第二十卷积模块、第十五Add层、第二十一卷积模块、第十六Add层、第二十二卷积模块、第二十三卷积模块、第十七Add层、第二十四卷积模块、第二十五卷积模块、第十八Add层、第二十六卷积模块、第二十七卷积模块、第二十八卷积模块、第二十九卷积模块、第三十卷积模块、第三十一卷积模块、第三十二卷积模块、RegressBoxes层、ClipBoxes层、FilterDetections层，所述FilterDetections层用于输出所述图像分类信息以及所述图像中目标框的位置信息，所述ClipBoxes层用于对所述输入层的所述断面图像进行调整，获得所述预测断面图像，所述ClipBoxes层还用于对所述RegressBoxes层输出的所述断面关键坐标偏移量进行修正，获得所述预测断面关键坐标信息。
2.如权利要求1所述的方法，其特征在于，所述获取车辆零部件立体模型在预设平面上的断面图像的步骤，包括：
获取车辆零部件立体模型，根据所述车辆零部件立体模型确定截面位置信息；
根据所述截面位置信息确定模型偏移值和模型偏移角度；
根据所述模型偏移值和所述模型偏移角度获得预设平面上的断面图像。
3.如权利要求1所述的方法，其特征在于，所述通过预设目标检测模型对所述断面图像进行处理，获得断面关键坐标偏移量的步骤，包括：
通过所述预设目标检测模型将所述断面图像转化为断面像素矩阵；
通过所述预设目标检测模型对所述断面像素矩阵进行卷积处理，获得断面卷积矩阵；
通过所述预设目标检测模型对所述断面卷积矩阵进行池化处理，获得断面池化矩阵；
通过所述预设目标检测模型根据所述断面卷积矩阵和所述断面池化矩阵确定断面回归信息，并根据所述断面回归信息确定断面关键坐标偏移量。
4.如权利要求3所述的方法，其特征在于，所述根据所述断面卷积矩阵和所述断面池化矩阵确定断面回归信息的步骤，包括：
对所述断面卷积矩阵和所述断面池化矩阵进行计算，获得断面累加矩阵；
对所述断面累加矩阵进行非线性处理，获得断面激活矩阵；
根据所述断面激活矩阵确定断面回归信息。
5.如权利要求1所述的方法，其特征在于，所述获取所述预设目标检测模型根据所述预测断面图像和所述预测断面关键坐标信息生成的图像分类信息以及图像中目标框的位置信息；其中，所述图像分类信息即为所述预测断面图像的分类信息，所述目标框的位置信息即为目标位置信息的步骤之前，还包括：
根据所述预测断面图像和所述预测断面关键坐标信息确定预测断面输出数据；
根据所述预测断面输出数据确定预测概率值；
判断所述预测概率值是否小于预设概率阈值；
在所述预测概率值小于所述预设概率阈值时，执行所述获取所述预设目标检测模型根据所述预测断面图像和所述预测断面关键坐标信息生成的图像分类信息以及图像中目标框的位置信息；其中，所述图像分类信息即为所述预测断面图像的分类信息，所述目标框的位置信息即为目标位置信息的步骤。
6.如权利要求5所述的方法，其特征在于，所述判断所述预测概率值是否小于预设概率阈值的步骤之后，还包括：
在所述预测概率值大于或等于所述预设概率阈值时，返回所述根据所述断面图像确定断面关键坐标偏移量的步骤。
7.如权利要求5所述的方法，其特征在于，所述根据所述分类信息及所述目标位置信息生成断面数据分析报告的步骤之后，还包括：
将所述断面图像、所述分类信息及所述目标位置信息存储至断面属性数据库。
8.一种关键截面数据分析装置，其特征在于，所述关键截面数据分析装置包括：
获取模块，用于获取车辆零部件立体模型在预设平面上的断面图像，并通过预设目标检测模型对所述断面图像进行处理，获得断面关键坐标偏移量；
调整模块，用于通过所述预设目标检测模型以及标准断面图像对所述断面图像进行调整，获得预测断面图像，且根据标准断面关键坐标偏移量对所述断面关键坐标偏移量进行修正，获得预测断面关键坐标信息，其中，所述预设目标检测模型结构依次逻辑设置输入层、第一卷积模块、第二卷积模块、第三卷积模块、第一Add层、第四卷积模块、第二Add层、第五卷积模块、第三Add层、第六卷积模块、第七卷积模块、第四Add层、第八卷积模块、第五Add层、第九卷积模块、第六Add层、第十卷积模块、第七Add层、第十一卷积模块、第十二卷积模块、第八Add层、第十三卷积模块、第九Add层、第十四卷积模块、第十Add层、第十五卷积模块、第十一Add层、第十六卷积模块、第十二Add层、第十七卷积模块、第十三Add层、第十八卷积模块、第十九卷积模块、第十四Add层、第二十卷积模块、第十五Add层、第二十一卷积模块、第十六Add层、第二十二卷积模块、第二十三卷积模块、第十七Add层、第二十四卷积模块、第二十五卷积模块、第十八Add层、第二十六卷积模块、第二十七卷积模块、第二十八卷积模块、第二十九卷积模块、第三十卷积模块、第三十一卷积模块、第三十二卷积模块、RegressBoxes层、ClipBoxes层、FilterDetections层，所述ClipBoxes层用于对所述输入层的所述断面图像进行调整，获得所述预测断面图像，所述ClipBoxes层还用于对所述RegressBoxes层输出的所述断面关键坐标偏移量进行修正，获得所述预测断面关键坐标信息；
处理模块，用于获取所述预设目标检测模型根据所述预测断面图像和所述预测断面关键坐标信息生成的图像分类信息以及图像中目标框的位置信息；其中，所述图像分类信息即为所述预测断面图像的分类信息，所述目标框的位置信息即为目标位置信息，所述FilterDetections层用于输出所述图像分类信息以及所述图像中目标框的位置信息；
生成模块，用于根据所述分类信息及所述目标位置信息生成断面数据分析报告。
9.一种电子设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的关键截面数据分析程序，所述关键截面数据分析程序配置为实现如权利要求1至7中任一项所述的关键截面数据分析方法的步骤。
10.一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上存储有关键截面数据分析程序，所述关键截面数据分析程序被处理器执行时实现如权利要求1至7任一项所述的关键截面数据分析方法的步骤。
CN202011221755.6A 2020-11-05 2020-11-05 关键截面数据分析方法、装置、设备及存储介质 Active CN112381773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011221755.6A CN112381773B (zh) 2020-11-05 2020-11-05 关键截面数据分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011221755.6A CN112381773B (zh) 2020-11-05 2020-11-05 关键截面数据分析方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112381773A CN112381773A (zh) 2021-02-19
CN112381773B true CN112381773B (zh) 2023-04-18

Family

ID=74578760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011221755.6A Active CN112381773B (zh) 2020-11-05 2020-11-05 关键截面数据分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112381773B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591530B (zh) * 2024-01-17 2024-04-19 杭银消费金融股份有限公司 一种数据截面处理方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003672A (zh) * 2018-07-16 2018-12-14 北京睿客邦科技有限公司 一种基于深度学习的早期肺癌检测分类一体化设备及***
CN109977943A (zh) * 2019-02-14 2019-07-05 平安科技（深圳）有限公司 一种基于yolo的图像目标识别方法、***和存储介质
CN111814744A (zh) * 2020-07-30 2020-10-23 河南威虎智能科技有限公司 一种人脸检测方法、装置、电子设备和计算机存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7599560B2 (en) * 2005-04-22 2009-10-06 Microsoft Corporation Embedded interaction code recognition
JP6103526B2 (ja) * 2013-03-15 2017-03-29 オリンパス株式会社 撮影機器，画像表示機器，及び画像表示機器の表示制御方法
CN104239904A (zh) * 2014-09-28 2014-12-24 中南大学 轨道车辆外部轮廓非接触式检测方法
US11080920B2 (en) * 2015-03-25 2021-08-03 Devar Entertainment Limited Method of displaying an object
CN109299644A (zh) * 2018-07-18 2019-02-01 广东工业大学 一种基于区域全卷积网络的车辆目标检测方法
CN109654998B (zh) * 2019-02-28 2020-09-22 信阳同合车轮有限公司 车轮检测方法及***
CN110793501A (zh) * 2019-11-19 2020-02-14 上海勘察设计研究院(集团)有限公司 一种地铁隧道限界检测方法
CN111581859B (zh) * 2020-03-31 2024-01-26 桂林电子科技大学 一种悬架耦合非线性商用车的平顺性建模分析方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003672A (zh) * 2018-07-16 2018-12-14 北京睿客邦科技有限公司 一种基于深度学习的早期肺癌检测分类一体化设备及***
CN109977943A (zh) * 2019-02-14 2019-07-05 平安科技（深圳）有限公司 一种基于yolo的图像目标识别方法、***和存储介质
CN111814744A (zh) * 2020-07-30 2020-10-23 河南威虎智能科技有限公司 一种人脸检测方法、装置、电子设备和计算机存储介质

Also Published As

Publication number Publication date
CN112381773A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN113094770B (zh) 图纸生成方法、装置、计算机设备和存储介质
CN111814905A (zh) 目标检测方法、装置、计算机设备和存储介质
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别***
CN116188805A (zh) 海量图像的图像内容分析方法、装置和图像信息网络
CN115482522A (zh) 飞机结构件转角特征识别方法、装置、设备及存储介质
CN112683169A (zh) 物体尺寸测量方法、装置、设备及存储介质
CN104299241A (zh) 基于 Hadoop 的遥感图像显著性目标检测方法及***
CN112381773B (zh) 关键截面数据分析方法、装置、设备及存储介质
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN112528428B (zh) 对工程结构的物理参数展示的方法、装置和计算机设备
JP2018045266A (ja) 設計支援装置
CN113269897A (zh) 表面点云的获取方法、装置、设备及存储介质
CN113378435A (zh) 粒子生成方法、装置、设备及存储介质
CN111626789A (zh) 房屋价格预测方法、装置、设备及存储介质
CN111768406A (zh) 细胞图像处理方法、装置、设备和存储介质
CN108805121B (zh) 一种车牌检测定位方法、装置、设备及计算机可读介质
CN112528500B (zh) 一种场景图构造模型的评估方法及评估设备
CN111179337A (zh) 空间直线朝向测量方法、装置、计算机设备和存储介质
CN112669426B (zh) 基于生成对抗网络的三维地理信息模型渲染方法及***
US20030225553A1 (en) Topology modeler
CN111709955A (zh) 图像分割检验方法、装置、终端及存储介质
CN110837779A (zh) 车辆外观智能诊断方法、装置及计算机可读存储介质
CN113706503B (zh) 整车点云图像分析方法、装置、设备及存储介质
CN110750847B (zh) 网格切分关系的确定方法、装置、设备和介质
CN112597237A (zh) 基于b/s架构的天气分型可视化方法、***、电子设备及介质

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