CN113744188A - 压板状态确定方法、装置、计算机设备和可读存储介质 - Google Patents
压板状态确定方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN113744188A CN113744188A CN202110869414.8A CN202110869414A CN113744188A CN 113744188 A CN113744188 A CN 113744188A CN 202110869414 A CN202110869414 A CN 202110869414A CN 113744188 A CN113744188 A CN 113744188A
- Authority
- CN
- China
- Prior art keywords
- pressing plate
- image
- determining
- mask
- edge
- 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
- 238000003825 pressing Methods 0.000 title claims abstract description 306
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims description 86
- 239000000178 monomer Substances 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/23—Clustering techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种压板状态确定方法、装置、计算机设备和存储介质。所述方法包括:采集压板原始图像,所述压板原始图像中包括至少一个单体压板;基于所述压板原始图像,生成对应的掩码图像;根据所述掩码图像,确定所述压板原始图像中各单体压板的边缘直线;基于各所述边缘直线,确定所述压板原始图像中各单体压板的压板状态。采用本方法能够提高变电站压板状态确定的智能化水平。
Description
技术领域
本申请涉及计算机技术(图像处理技术)领域,特别是涉及一种压板状态确定方法、装置、计算机设备和可读存介质。
背景技术
二次压板是变电站二次电力屏柜内重要组件,对于变电站安全、变电站的设备运行起着重要作用,准确记录压板的状态,对变电站的安全运行有着至关重要的意义。
在传统方式中,对压板状态的监测主要通过变电站运维人员定时巡视,并记录其状态。
但是,通过人工巡视进行压板状态的检测存在诸多弊端,例如压板数量众多,巡视耗时长,人工抄录易出错,数据信息化困难,人工成本高等,从而使得压板状态确定过程不够智能化。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高变电站压板状态确定智能化水平的压板状态确定方法、装置、计算机设备和存储介质。
一种压板状态确定方法,包括:
采集压板原始图像,压板原始图像中包括至少一个单体压板;
基于压板原始图像,生成对应的掩码图像;
根据掩码图像,确定压板原始图像中各单体压板的边缘直线;
基于各边缘直线,确定压板原始图像中各单体压板的压板状态。
在其中一个实施例中,根据掩码图像,确定单体压板的边缘直线,包括:
对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像;
对各单体掩码图像进行边缘直线检测,确定各单体压板的边缘直线。
在其中一个实施例中,对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像,包括:
获取掩码图像中各像素点的像素值以及各像素点的坐标位置;
根据各像素值以及各坐标位置,确定掩码图像中相连接的像素点;
基于相连通的像素点,确定连通域,得到对应各单体压板的单体掩码图像。
在其中一个实施例中,确定各单体压板的边缘直线,包括:
对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息;
基于各边缘信息,确定各单体压板的边缘轮廓;
对各边缘轮廓进行分段,生成对应的轮廓线段;
对轮廓线段进行聚类,得到对应各单体压板的边缘直线。
在其中一个实施例中,对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息,包括:
根据单体掩码图像,确定单体掩码图像中各像素点的掩码像素值以及坐标位置;
基于各掩码像素值,确定对应单体压板的目标像素点;
根据目标像素点的坐标位置,得到单体压板的边缘信息。
在其中一个实施例中,基于各边缘直线,确定压板原始图像中各单体压板的压板状态,包括:
根据各单体压板的边缘直线,确定各单体压板的边缘直线夹角;
当边缘直线夹角小于第一预设阈值时,确定单体压板的压板状态为闭合状态;
当边缘直线夹角大于或等于第一预设阈值且小于第二预设阈值时,确定单体压板的压板状态为半闭合状态;
当边缘直线夹角大于或等于第二预设阈值时,确定单体压板的压板状态为开启状态。
在其中一个实施例中,生成对应的掩码图像是通过预先训练完成的掩码生成模型生成的,掩码生成模型的训练方式,包括:
获取训练图像集,训练图像集中包括多张训练图像,各训练图像中包括至少一个单体压板;
对各训练图像中的压板进行标注,标注压板的轮廓区域以及标签,得到标注后的训练图像集;
将标注后的训练图像集输入预先构建的初始掩码生成模型中,通过初始掩码生成模型按照标注的标签,对各训练图像中的压板进行分割,生成对应的输出掩码图像;
基于输出掩码图像以及训练图像集,确定初始掩码生成模型的模型损失;
根据模型损失,对初始掩码生成模型进行迭代训练,得到训练完成的掩码模型。
一种压板状态确定装置,包括:
图像采集模块,采集压板原始图像,压板原始图像中包括至少一个单体压板;
掩码生成模块,基于压板原始图像,生成对应的掩码图像;
掩码图像分析模块,根据掩码图像,确定压板原始图像中各单体压板的边缘直线;
压板状态分析模块,基于各边缘直线,确定压板原始图像中各单体压板的压板状态。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一实施例所述的方法的步骤。
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上述任一实施例所述的方法的步骤。
上述压板状态确定方法、装置、计算机设备和可读存介质,通过采集压板原始图像,压板原始图像中包括至少一个单体压板,然后基于压板原始图像,生成对应的掩码图像,并根据掩码图像,确定压板原始图像中各单体压板的边缘直线,进一步,基于各边缘直线,确定压板原始图像中各单体压板的压板状态。从而,相比于人工进行压板状态的检测,提升了压板状态检测的智能化水平。并且,通过基于原始图像生成掩码图像,然后进行边线的识别,使得后续边线的识别基于掩码图像进行,可以提升边线识别的准确性,进而可以提升后续压板状态分析确定的准确性。
附图说明
图1为压板状态确定方法的流程示意图;
图2为一个实施例中压板状态确定方法的流程示意图;
图3为一个实施例中根据掩码图像确定压板状态的步骤分解示意图;
图4为另一个实施例中服务器生成掩码图像的步骤分解示意图;
图5为一个实施例中压板状态确定装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的压板状态确定方法、装置、计算机设备和可读存介质,可以应用于变电站压板状态分析。其中,终端102通过网络与服务器104进行通信。服务器104给终端提供一个实现压板状态确定方法的环境,终端安装此环境,通过此环境实现压板状态的确定与显示。具体地,服务器104可以获取压板原始图像,并生成对应的掩码图像。进一步,服务器104对掩码图像进行处理,得到压板原始图像上各单体压板图像,并确定各单体压板图像进行中各单体压板的边缘直线。进一步,服务器104基于各边缘直线,可以确定压板原始图像中各单体压板的压板状态。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104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。
在一个实施例中,如图2所示,提供了一种压板状态确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,采集压板原始图像,压板原始图像中包括至少一个单体压板。
其中,压板原始图像是指包含有单体压板的图像,压板原始图像可以是如图3(a)所示,单体压板如图3(a)中的1、2、3、4所示。
在本实施例中,服务器可以图像采集设备等采集包括单体压板的原始压板图像,例如,压板原始图像的来源可以包括但不限于机器人、视频***摄像机等图像采集设备。
步骤204,基于压板原始图像,生成对应的掩码图像。
其中,掩码图像是指仅包括压板轮廓状态的图像,可以如图3(b)所示,掩码图像黑色填充部分为非压板区域,白色填充区域为压板区域。
在本实施例中,服务器在获取压板原始图像之后,可以对压板原始图像进行掩码转换,以生成对应的掩码图像。
具体地,服务器可以通过神经网络模型或者是其他的图像识别方式,对压板原始图像中的单体压板进行识别,并进行转换,以生成对应的掩码图像。
步骤206,根据掩码图像,确定压板原始图像中各单体压板的边缘直线。
其中,边缘直线是指掩码图像中单体压板的边缘线,例如参考图3(b),具体是指压板的长边直线。
在本实施例中,服务器根据掩码图像,识别掩码图像中的各单体压板,进而对各单体进行边缘直线的提取。
在本实施例中,对于各单体压板,服务器可以提取到多条边缘直线,进而基于多条边缘直线,对各单体压板进行后续的状态识别处理。
步骤208,基于各边缘直线,确定压板原始图像中各单体压板的压板状态。
其中,压板原始图像中各单体压板的压板状态可以包括但不限于开启状态、半闭合状态、闭合状态等。
在本实施例中,开启状态是指组成压板的两个压片之间呈现一固定夹角,呈现开启装填,如图3(a)中1和3所示。半闭合状态是指组成压板的两个压片之间夹角较小,并未达到开启状态的状态,如图3(a)中4所示。闭合状态时至组成压板的两个压片呈现重叠关系,如图3(a)中2所示。
在本实施例中,服务器通过边线检测,确定各单体压板的边缘直线之后,可以基于边缘直线,确定各单体压板的边缘直线夹角,并基于各单体压板的边缘直线夹角,确定压板原始图像中各单体压板的压板状态,即确定为开启状态、半闭合状态或者是闭合状态。
上述压板状态确定方法,通过采集压板原始图像,压板原始图像中包括至少一个单体压板,然后基于压板原始图像,生成对应的掩码图像,并根据掩码图像,确定压板原始图像中各单体压板的边缘直线,进一步,基于各边缘直线,确定压板原始图像中各单体压板的压板状态。从而,相比于人工进行压板状态的检测,提升了压板状态检测的智能化水平。并且,通过基于原始图像生成掩码图像,然后进行边线的识别,使得后续边线的识别基于掩码图像进行,可以提升边线识别的准确性,进而可以提升后续压板状态分析确定的准确性。
在其中一个实施例中,根据掩码图像,确定单体压板的边缘直线,可以包括:对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像;对各单体掩码图像进行边缘直线检测,确定各单体压板的边缘直线。
其中,连通域是指图像同像素相同且相连接的区域。
在本实施例中,服务器在获取到掩码图像之后,可以通过对掩码图像上相连接的像素点的像素值进行判定,可以确定掩码图像上两个像素点是否连通。例如,在掩码图像中像素点A和像素点B临接,且像素点A和像素点B的像素值相等,则可以确定像素点A与像素点B连通,否则确定像素点A与像素点B不连通。
在本实施例中,服务器通过对掩码图像做连通域提取,判断掩码图像上各个像素点之间是否连通,若掩码图像上两个像素点连通,则这两个像素点处于一个连通域内,即这两个像素在同一个单体压板的单体掩码图像上或者是处于非单体压板的掩码图像中,即图3(b)中的白色区域或者是黑色区域中。若掩码图像上两个像素点不连通,则这两个像素点处于两个不同的连通域内,即这两个像素点可能分别在两个单体压板的单体掩码图像上,也可能一个像素点位于单体压板的单体掩码图像中,另一像素点位于非单体压板的掩码图像中。
在本实施例中,服务器在得到对应各单体压板的单体压板掩码图像之后,可以对各单体压板掩码图像进行边缘直线检测,以确定各单体压板的边缘直线。
在本实施例中,服务器对各单体掩码图像进行边缘直线检测,可以包括但不限于基于Canny边缘检测算法、直线段检测(LSD,Line Segment Detector)算法、霍夫变换的直线检测算法等进行边缘直线的检测。
在其中一个实施例中,对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像,包括:获取掩码图像中各像素点的像素值以及各像素点的坐标位置;根据各像素值以及各坐标位置,确定掩码图像中相连接的像素点;基于相连通的像素点,确定连通域,得到对应各单体压板的单体掩码图像。
在本实施例中,服务器在掩码图像上建立像素坐标系。例如,在opencv中可以将掩码图像中的左上角定义为原点,将横轴定义为X轴,将纵轴定义为Y轴。
进一步,服务器获取掩码图像中各像素点的像素值,并根据在掩码图像上建立的像素坐标系获取掩码图像中各像素点的坐标位置。
在本实施例中,服务器根据掩码图像中各像素点的像素值以及各像素点的坐标位置,对掩码图像做连通域提取,确定掩码图像中各像素点之间是否连通。
其中,掩码图像中相连通的像素点组成一个连通域,即组成单体压板的单体掩码图像或者是非单体压板区域。
在其中一个实施例中,确定各单体压板的边缘直线,包括:对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息;基于各边缘信息,确定各单体压板的边缘轮廓;对各边缘轮廓进行分段,生成对应的轮廓线段;对轮廓线段进行聚类,得到对应各单体压板的边缘直线。
在本实施例中,边缘提取是指提取各单体压板的单体掩码图像的二值化边缘。
其中,二值化是指只使用两种颜色分别来表示图像的内部(或背景)和边缘。
具体的,如果一个像素的颜色值与周围像素足够接近(属于低频部分)则认为是图像背景或者内部,如果一个像素的颜色值与周围像素相差很大(属于高频部分)则认为是图像边缘。
在本实施例中,服务器可以通过遍历各单体压板的单体掩码图像内的像素点坐标,求得各单体压板内的像素点在X方向最大坐标和最小坐标、各单体压板内的像素点在Y方向最大坐标和最小坐标,得到各单体压板的边界边缘矩形,如图3(c)中5、6、7、8所示。
进一步,服务器可以通过Canny边缘检测算法对各单体压板的单体掩码图像进行边缘提取。具体的,服务器可以对基于各单体压板的单体掩码图像上确定的边界边缘矩形进行边缘提取。
在本实施例中,服务器可以获取边界边缘矩形内的各像素点的像素值以及各像素点的坐标位置,进而基于各像素点的像素值以及各像素点的坐标位置确定各单体压板的边缘轮廓。
进一步,服务器可以使用直线段检测算法对各单体压板的边缘轮廓进行直线段检测,得到多条直线,即得到对应边缘轮廓的轮廓线段。
进一步,服务器可以通过聚类算法进行相近轮廓线段的聚类,以得到对应各单体压板的边缘直线。边缘直线可以如图3(d)中10、11等所示。
在其中一个实施例中,服务器可以对轮廓线段与轮廓线段之间的方向偏差角度和/或直线距离进行计算,并基于确定的方向偏差角度和/或直线距离判定轮廓线段是否为相近轮廓线段。
在本实施例中,方向偏差角度是指轮廓线段的法向量之间的夹角,可以基于两条轮廓线段的法向量进行计算。直线距离是指两条轮廓线段之间的距离。
在本实施例中,当服务器可以确定方向偏差角度小于方向阈值的轮廓线段和/或距离小于距离阈值的轮廓线段为相近轮廓线段。
其中,对于方向阈值和距离阈值,服务器可以基于压板像素间距先验值进行预先设定,对于不同的应用场景,方向阈值和距离阈值的设定可以并不相同,本申请对此不作限制。
在其中一个实施例中,对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息,包括:根据单体掩码图像,确定单体掩码图像中各像素点的掩码像素值以及坐标位置;基于各掩码像素值,确定对应单体压板的目标像素点;根据目标像素点的坐标位置,得到单体压板的边缘信息。
在本实施例中,在服务器对掩码图像做连通域提取,得到对应的各单体掩码图像之后,服务器可以根据单体掩码图像,获取单体掩码图像中各像素点的像素值和坐标位置。
进一步,继续参考图3(b),对于各单体压板,服务器可以确定对应像素值对应为白色的各像素点,即对应单体压板的各目标像素点,进而根据确定目标像素点的坐标位置,确定单体压板的边缘信息。
具体地,服务器基于对各单体压板的单体掩码图像的二值化边缘提取,使得像素值不同的像素点分别指示单体掩码图像中的背景和边缘,即提取出单体压板的边缘信息。例如,单体掩码图像的背景为黑色,单体掩码图像中单体压板的边缘为白色。
在其中一个实施例中,基于各边缘直线,确定压板原始图像中各单体压板的压板状态,包括:根据各单体压板的边缘直线,确定各单体压板的边缘直线夹角;当边缘直线夹角小于第一预设阈值时,确定单体压板的压板状态为闭合状态;当边缘直线夹角大于或等于第一预设阈值且小于第二预设阈值时,确定单体压板的压板状态为半闭合状态;当边缘直线夹角大于或等于第二预设阈值时,确定单体压板的压板状态为开启状态。
在本实施例中,服务器得到单体压板的边缘直线之后,可以通过计算两边缘直线的边缘直线夹角,进而进行压板状态的判定。
在本实施例中,服务器可以设定第一预设阈值T0以及第二预设阈值T1。当服务器确定存在两条直线的边缘直线夹角小于设定的第一预设阈值T0时,则服务器可以确定单体压板的压板状态为闭合状态;当服务器确定如果存在两条直线的边缘直线夹角大于设定的第一预设阈值T0而小于设定的第二预设阈值T1时,确定单体压板的压板状态为半闭合状态;当服务器确定存在两条直线的边缘直线夹角大于设定第二预设阈值T1时,确定单体压板的压板状态为开启状态。
在其中一个实施例中,服务器生成对应的掩码图像是通过预先训练完成的掩码生成模型生成的,掩码生成模型的训练方式,包括:获取训练图像集,训练图像集中包括多张训练图像,各训练图像中包括至少一个单体压板;对各训练图像中的压板进行标注,标注压板的轮廓区域以及标签,得到标注后的训练图像集;将标注后的训练图像集输入预先构建的初始掩码生成模型中,通过初始掩码生成模型按照标注的标签,对各训练图像中的压板进行分割,生成对应的输出掩码图像;基于输出掩码图像以及所述训练图像集,确定初始掩码生成模型的模型损失;根据模型损失,对初始掩码生成模型进行迭代训练,得到训练完成的掩码模型。
其中,训练图像集的来源可以包括但不限于机器人、视频***摄像机等拍摄设备采集的历史图像数据集。
其中,模型损失可以使用合页损失函数、指数损失函数、对数损失函数、平方损失函数、绝对值损失函数等损失函数进行计算。
其中,训练图像集可以包括训练集、测试集、验证集等。服务器可以使用训练集的数据来训练模型。进一步,服务器将训练好的模型在测试集上计算误差,将上述误差作为最终模型在应对现实场景中的泛化误差。
在本实施例中,服务器对各训练图像中的压板进行图像目标标注,将压板图像分为非轮廓区域和轮廓内区域,并对压板图像的轮廓内区域和非轮廓区域进行标签的填充。例如,服务器基于多边形图像目标标注的方法,对各训练图像中的压板的轮廓进行标注,将压板图像分为非轮廓区域和轮廓内区域,并在压板图像的轮廓内区域内填充标签“1”,在各单体压板图像的非轮廓内区域内填充标签“0”。
其中,服务器对各训练图像中的压板进行图像目标标注的实现工具可以包括但不限于labelme等图像标注工具。
进一步,服务器对标注好的各训练图像进行数据预处理操作,并将数据预处理后的各训练图像将标注后的训练图像集输入预先构建的初始掩码生成模型中,通过初始掩码生成模型按照标注的标签,对各训练图像中的压板进行分割,生成对应的输出掩码图像。
在本实施例中,上述对各训练图像中的压板进行分割,具体是指基于语义分割网络进行的分割。
其中,语义分割是指在图像上实现像素级别上的分类。在本实施例中,将压板图像上的像素分为非轮廓区域和轮廓内区域。
在本实施例中,服务器可以采用基于FCN(Fully Convolutional Networks,全卷积网络)的encoder-decoder架构进行语义分割。具体地,FCN的网络结构可以如图4所示,服务器可以将RGB图像输入FCN网络中,通过FCN网络进行语义分割,输出对应输入图像的语义分割后的图像。
在本实施例中,encoder-decoder架构中的encoder指的是编码器,编码器主要用于提取图像特征,decoder指的是解码器,主要负责将编码后特征图上采样到原始图像尺寸大小。
本领域技术人员可以理解的是,服务器通过语义分割网络对图像进行语义分割时,不局限于某个具体的语义分割网络,除了上述的FCN网络,还可以采用轻量级网络结构,如高效神经网络(efficient neural network,ENet)、多重分辨率分支图像级联网络(image cascade network,ICNet)、深度的特征聚合的网络结构(Deep FeatureAggregation,DFANet)等,或者也可以采用DeepLapv3,金字塔场景解析网络(PyramidScene Parsing Network,PSPNet)等,本申请对此不作限制。
在本实施例中,服务器对标注好的各训练图像进行得数据预处理操作可以包括但不限于减均值处理、图像标准化处理、图像归一化处理等。
在本实施例中,服务器可以基于输入的训练图像以及得到的掩码图像,进行模型损失的计算,并基于计算得到的模型损失进行模型参数的迭代更新,以得到训练后的掩码生成模型。
进一步,服务器可以基于测试集数据对训练后的掩码生成模型进行测试,并在测试通过后,得到训练完成的掩码生成模型,而在测试不通过时,集训训练数据进行再次训练,以及进行再次测试,直至测试通过。
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5所示,提供了一种压板状态确定装置,可以包括:图像采集模块100、掩码生成模块200、掩码图像分析模块300和压板状态分析模块400,其中:
图像采集模块100,用于采集压板原始图像,压板原始图像中包括至少一个单体压板。
掩码生成模块200,用于基于压板原始图像,生成对应的掩码图像。
掩码图像分析模块300,用于根据掩码图像,确定压板原始图像中各单体压板的边缘直线。
压板状态分析模块400,用于基于各边缘直线,确定压板原始图像中各单体压板的压板状态。
在其中一个实施例中,掩码图像分析模块300,可以包括:
单体掩码图像确定子模块,用于对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像。
边缘直线检测子模块,用于对各单体掩码图像进行边缘直线检测,确定各单体压板的边缘直线。
在其中一个实施例中,单体掩码图像确定子模块,可以包括:
掩码图像像素信息获取单元,用于获取掩码图像中各像素点的像素值以及各像素点的坐标位置。
掩码图像像素点确定单元,用于根据各像素值以及各坐标位置,确定掩码图像中相连接的像素点。
单体掩码图像获取单元,用于基于相连通的像素点,确定连通域,得到对应各单体压板的单体掩码图像。
在其中一个实施例中,边缘直线检测子模块,可以包括:
边缘信息提取单元,用于对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息。
边缘轮廓确定单元,用于基于各边缘信息,确定各单体压板的边缘轮廓。
轮廓线段生成单元,用于对各边缘轮廓进行分段,生成对应的轮廓线段。
边缘直线获取单元,用于对轮廓线段进行聚类,得到对应各单体压板的边缘直线。
在其中一个实施例中,边缘信息提取单元,可以包括:
单体掩码图像像素信息获取子单元,用于根据单体掩码图像,确定单体掩码图像中各像素点的掩码像素值以及坐标位置。
单体压板像素点确定子单元,用于基于各掩码像素值,确定对应单体压板的目标像素点。
单体压板边缘信息获取子单元,根据目标像素点的坐标位置,得到单体压板的边缘信息。
在其中一个实施例中,压板状态分析模块400,可以包括:
边缘直线夹角确定子模块,用于根据各单体压板的边缘直线,确定各单体压板的边缘直线夹角。
闭合状态确定子模块,用于当边缘直线夹角小于第一预设阈值时,确定单体压板的压板状态为闭合状态。
半闭合状态确定子模块,用于当边缘直线夹角大于或等于第一预设阈值且小于第二预设阈值时,确定单体压板的压板状态为半闭合状态。
开启状态确定子模块,用于当边缘直线夹角大于或等于第二预设阈值时,确定单体压板的压板状态为开启状态。
在其中一个实施例中,上述装置还可以包括:模型训练模块,用于掩码生成模型。
在本实施例中,模型训练模块,可以包括:
训练图像集获取子模块,用于获取训练图像集,训练图像集中包括多张训练图像,各训练图像中包括至少一个单体压板。
训练图像集标注子模块,用于对各训练图像中的压板进行标注,标注压板的轮廓区域以及标签,得到标注后的训练图像集。
初始掩码图像生成子模块,用于将标注后的训练图像集输入预先构建的初始掩码生成模型中,通过初始掩码生成模型按照标注的标签,对各训练图像中的压板进行分割,生成对应的输出掩码图像。
模型损失确定子模块,用于基于输出掩码图像以及训练图像集,确定初始掩码生成模型的模型损失。
训练模型迭代训练子模块,用于根据模型损失,对初始掩码生成模型进行迭代训练,得到训练完成的掩码模型。
关于压板状态确定装置的具体限定可以参见上文中对于压板状态确定方法的限定,在此不再赘述。上述压板状态确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储掩码图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种压板状态确定方法。
本领域技术人员可以理解,图6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,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:采集压板原始图像,压板原始图像中包括至少一个单体压板;基于压板原始图像,生成对应的掩码图像;根据掩码图像,确定压板原始图像中各单体压板的边缘直线;基于各边缘直线,确定压板原始图像中各单体压板的压板状态。
在其中一个实施例中,处理器执行计算机程序时实现根据掩码图像,确定单体压板的边缘直线,可以包括:对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像;对各单体掩码图像进行边缘直线检测,确定各单体压板的边缘直线。
在其中一个实施例中,处理器执行计算机程序时实现对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像,可以包括:获取掩码图像中各像素点的像素值以及各像素点的坐标位置;根据各像素值以及各坐标位置,确定掩码图像中相连接的像素点;基于相连通的像素点,确定连通域,得到对应各单体压板的单体掩码图像。
在其中一个实施例中,处理器执行计算机程序时实现确定各单体压板的边缘直线,包括:对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息;基于各边缘信息,确定各单体压板的边缘轮廓;对各边缘轮廓进行分段,生成对应的轮廓线段;对轮廓线段进行聚类,得到对应各单体压板的边缘直线。
在其中一个实施例中,处理器执行计算机程序时实现对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息,包括:根据单体掩码图像,确定单体掩码图像中各像素点的掩码像素值以及坐标位置;基于各掩码像素值,确定对应单体压板的目标像素点;根据目标像素点的坐标位置,得到单体压板的边缘信息。
在其中一个实施例中,处理器执行计算机程序时实现基于各边缘直线,确定压板原始图像中各单体压板的压板状态,包括:根据各单体压板的边缘直线,确定各单体压板的边缘直线夹角;当边缘直线夹角小于第一预设阈值时,确定单体压板的压板状态为闭合状态;当边缘直线夹角大于或等于第一预设阈值且小于第二预设阈值时,确定单体压板的压板状态为半闭合状态;当边缘直线夹角大于或等于第二预设阈值时,确定单体压板的压板状态为开启状态。
在其中一个实施例中,上述生成对应的掩码图像是通过预先训练完成的掩码生成模型生成的。
在本实施例中,处理器执行计算机程序时实现掩码生成模型的训练方式,可以包括:获取训练图像集,训练图像集中包括多张训练图像,各训练图像中包括至少一个单体压板;对各训练图像中的压板进行标注,标注压板的轮廓区域以及标签,得到标注后的训练图像集;将标注后的训练图像集输入预先构建的初始掩码生成模型中,通过初始掩码生成模型按照标注的标签,对各训练图像中的压板进行分割,生成对应的输出掩码图像;基于输出掩码图像以及训练图像集,确定初始掩码生成模型的模型损失;根据模型损失,对初始掩码生成模型进行迭代训练,得到训练完成的掩码模型。
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:采集压板原始图像,压板原始图像中包括至少一个单体压板;基于压板原始图像,生成对应的掩码图像;根据掩码图像,确定压板原始图像中各单体压板的边缘直线;基于各边缘直线,确定压板原始图像中各单体压板的压板状态。
在其中一个实施例中,计算机程序被处理器执行时实现根据掩码图像,确定单体压板的边缘直线,可以包括:对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像;对各单体掩码图像进行边缘直线检测,确定各单体压板的边缘直线。
在其中一个实施例中,计算机程序被处理器执行时实现对掩码图像做连通域提取,确定对应各单体压板的单体掩码图像,包括:获取掩码图像中各像素点的像素值以及各像素点的坐标位置;根据各像素值以及各坐标位置,确定掩码图像中相连接的像素点;基于相连通的像素点,确定连通域,得到对应各单体压板的单体掩码图像。
在其中一个实施例中,计算机程序被处理器执行时实现确定各单体压板的边缘直线,可以包括:对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息;基于各边缘信息,确定各单体压板的边缘轮廓;对各边缘轮廓进行分段,生成对应的轮廓线段;对轮廓线段进行聚类,得到对应各单体压板的边缘直线。
在其中一个实施例中,计算机程序被处理器执行时实现对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息,可以包括:根据单体掩码图像,确定单体掩码图像中各像素点的掩码像素值以及坐标位置;基于各掩码像素值,确定对应单体压板的目标像素点;根据目标像素点的坐标位置,得到单体压板的边缘信息。
在其中一个实施例中,计算机程序被处理器执行时实现基于各边缘直线,确定压板原始图像中各单体压板的压板状态,可以包括:根据各单体压板的边缘直线,确定各单体压板的边缘直线夹角;当边缘直线夹角小于第一预设阈值时,确定单体压板的压板状态为闭合状态;当边缘直线夹角大于或等于第一预设阈值且小于第二预设阈值时,确定单体压板的压板状态为半闭合状态;当边缘直线夹角大于或等于第二预设阈值时,确定单体压板的压板状态为开启状态。
在其中一个实施例中,上述生成对应的掩码图像是通过预先训练完成的掩码生成模型生成的。
在本实施例中,计算机程序被处理器执行时实现掩码生成模型的训练方式,可以包括:获取训练图像集,训练图像集中包括多张训练图像,各训练图像中包括至少一个单体压板;对各训练图像中的各单体压板进行标注,标注各单体压板的轮廓区域以及标签,得到标注后的训练图像集;将标注后的训练图像集输入预先构建的初始掩码生成模型中,通过初始掩码生成模型按照标注的标签,对各训练图像中的单体压板进行分割,生成对应的输出掩码图像;基于输出掩码图像以及训练图像集,确定初始掩码生成模型的模型损失;根据模型损失,对初始掩码生成模型进行迭代训练,得到训练完成的掩码模型。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种压板状态确定方法,其特征在于,所述方法包括:
采集压板原始图像,所述压板原始图像中包括至少一个单体压板;
基于所述压板原始图像,生成对应的掩码图像;
根据所述掩码图像,确定所述压板原始图像中各单体压板的边缘直线;
基于各所述边缘直线,确定所述压板原始图像中各单体压板的压板状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述掩码图像,确定单体压板的边缘直线,包括:
对所述掩码图像做连通域提取,确定对应各单体压板的单体掩码图像;
对各所述单体掩码图像进行边缘直线检测,确定各所述单体压板的边缘直线。
3.根据权利要求2所述的方法,其特征在于,所述对所述掩码图像做连通域提取,确定对应各单体压板的单体掩码图像,包括:
获取掩码图像中各像素点的像素值以及各所述像素点的坐标位置;
根据各所述像素值以及各所述坐标位置,确定掩码图像中相连接的像素点;
基于相连通的像素点,确定连通域,得到对应各所述单体压板的单体掩码图像。
4.根据权利要求2所述的方法,其特征在于,所述确定各单体压板的边缘直线,包括:
对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息;
基于各所述边缘信息,确定各单体压板的边缘轮廓;
对各所述边缘轮廓进行分段,生成对应的轮廓线段;
对所述轮廓线段进行聚类,得到对应各单体压板的边缘直线。
5.根据权利要求4所述的方法,其特征在于,所述对各单体压板的单体掩码图像进行边缘提取,得到各单体压板的边缘信息,包括:
根据所述单体掩码图像,确定单体掩码图像中各像素点的掩码像素值以及坐标位置;
基于各所述掩码像素值,确定对应所述单体压板的目标像素点;
根据所述目标像素点的坐标位置,得到所述单体压板的边缘信息。
6.根据权利要求1所述的方法,其特征在于,所述基于各所述边缘直线,确定所述压板原始图像中各单体压板的压板状态,包括:
根据各单体压板的边缘直线,确定各单体压板的边缘直线夹角;
当所述边缘直线夹角小于第一预设阈值时,确定所述单体压板的压板状态为闭合状态;
当所述边缘直线夹角大于或等于所述第一预设阈值且小于第二预设阈值时,确定所述单体压板的压板状态为半闭合状态;
当所述边缘直线夹角大于或等于所述第二预设阈值时,确定所述单体压板的压板状态为开启状态。
7.根据权利要求1所述的方法,其特征在于,所述生成对应的掩码图像是通过预先训练完成的掩码生成模型生成的,所述掩码生成模型的训练方式,包括:
获取训练图像集,所述训练图像集中包括多张训练图像,各所述训练图像中包括至少一个单体压板;
对各所述训练图像中的压板进行标注,标注压板的轮廓区域以及标签,得到标注后的训练图像集;
将所述标注后的训练图像集输入预先构建的初始掩码生成模型中,通过所述初始掩码生成模型按照标注的标签,对各所述训练图像中的压板进行分割,生成对应的输出掩码图像;
基于所述输出掩码图像以及所述训练图像集,确定所述初始掩码生成模型的模型损失;
根据所述模型损失,对所述初始掩码生成模型进行迭代训练,得到训练完成的掩码模型。
8.一种压板状态确定装置,其特征在于,所述装置包括:
图像采集模块,采集压板原始图像,所述压板原始图像中包括至少一个单体压板;
掩码生成模块,基于所述压板原始图像,生成对应的掩码图像;
掩码图像分析模块,根据所述掩码图像,确定所述压板原始图像中各单体压板的边缘直线;
压板状态分析模块,基于各所述边缘直线,确定所述压板原始图像中各单体压板的压板状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869414.8A CN113744188A (zh) | 2021-07-30 | 2021-07-30 | 压板状态确定方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869414.8A CN113744188A (zh) | 2021-07-30 | 2021-07-30 | 压板状态确定方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744188A true CN113744188A (zh) | 2021-12-03 |
Family
ID=78729486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110869414.8A Pending CN113744188A (zh) | 2021-07-30 | 2021-07-30 | 压板状态确定方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744188A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778407A (zh) * | 2023-05-17 | 2023-09-19 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站保护屏内装置状态自动识别的识别分析方法及装置 |
-
2021
- 2021-07-30 CN CN202110869414.8A patent/CN113744188A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778407A (zh) * | 2023-05-17 | 2023-09-19 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站保护屏内装置状态自动识别的识别分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021047232A1 (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN109492643B (zh) | 基于ocr的证件识别方法、装置、计算机设备及存储介质 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN109325412B (zh) | 行人识别方法、装置、计算机设备及存储介质 | |
CN111079632A (zh) | 文本检测模型的训练方法、装置、计算机设备和存储介质 | |
WO2021008252A1 (zh) | 识别图像中人物位置方法、装置、计算机设备和存储介质 | |
CN110619330A (zh) | 识别模型的训练方法、装置、计算机设备及识别方法 | |
CN111191532B (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
US9489561B2 (en) | Method and system for estimating fingerprint pose | |
CN110634153A (zh) | 目标跟踪模板更新方法、装置、计算机设备和存储介质 | |
CN110348331B (zh) | 人脸识别方法及电子设备 | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
US10489636B2 (en) | Lip movement capturing method and device, and storage medium | |
CN110569341A (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
CN106683073A (zh) | 一种车牌的检测方法及摄像机和服务器 | |
WO2021217940A1 (zh) | 车辆部件识别方法、装置、计算机设备和存储介质 | |
CN111753882B (zh) | 图像识别网络的训练方法和装置、电子设备 | |
CN111695392A (zh) | 基于级联的深层卷积神经网络的人脸识别方法及*** | |
US11893773B2 (en) | Finger vein comparison method, computer equipment, and storage medium | |
CN113469092B (zh) | 字符识别模型生成方法、装置、计算机设备和存储介质 | |
CN110866457A (zh) | 一种电子保单的获得方法、装置、计算机设备和存储介质 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别*** | |
CN111191653A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN113298158A (zh) | 数据检测方法、装置、设备及存储介质 | |
CN109002776B (zh) | 人脸识别方法、***、计算机设备和计算机可读存储介质 |
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 |