CN114998597A - 基于人工智能的目标检测方法以及装置 - Google Patents
基于人工智能的目标检测方法以及装置 Download PDFInfo
- Publication number
- CN114998597A CN114998597A CN202210470565.0A CN202210470565A CN114998597A CN 114998597 A CN114998597 A CN 114998597A CN 202210470565 A CN202210470565 A CN 202210470565A CN 114998597 A CN114998597 A CN 114998597A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- analysis
- group
- identification
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于人工智能的目标检测方法以及装置,属于图形图像处理领域,该检测方法具体步骤如下:(1)采集并过滤目标图片;(2)对目标图片进行特征提取;(3)依据特征信息进行目标识别;(4)对识别结果进行检测优化;(5)反馈并存储优化方案;本发明能够对多余的目标图片进行筛选过滤,大幅提高其目标检测效率,同时采取卷积神经网络对目标图片特征进行分割提取,提高目标图片的信息提取完整性,能够自行对错误的目标检测结果进行纠错,无需工作人员人工查找,减少工作人员工作量,提高工作效率,方便工作人员使用。
Description
技术领域
本发明涉及图形图像处理领域,尤其涉及基于人工智能的目标检测方法以及装置。
背景技术
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学,是计算机科学的一个综合技术,通过研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等,随着技术的发展,人工智能技术将在更多的领域以得到应用,并发挥越来越重要的价值;
经检索,中国专利号CN112052837A公开了基于人工智能的目标检测方法以及装置,该发明虽然提高目标检测的准确性,但是无法对多余图片进行筛选,降低目标检测效率,同时无法完整提取目标图片的信息;此外,现有的基于人工智能的目标检测方法以及装置需工作人员人工查找错误检测结果,降低工作效率,不方便工作人员使用;为此,我们提出基于人工智能的目标检测方法以及装置。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的基于人工智能的目标检测方法以及装置。
为了实现上述目的,本发明采用了如下技术方案:
基于人工智能的目标检测方法,该检测方法具体步骤如下:
(1)采集并过滤目标图片:采集一组或多组目标图片,并构建数据筛选器,同时将各组目标图片导入数据筛选器中进行数据清洗;
(2)对目标图片进行特征提取:构建卷积神经网络,并将过滤完成的目标图片导入卷积神经网络中进行目标特征提取,同时将提取出的各组特征数据整合归类为特征数据集;
(3)依据特征信息进行目标识别:人工智能接收特征数据集,并依据特征数据集中各组特征数据进行识别分析,并记录各组识别结果;
(4)对识别结果进行检测优化:收集各组识别结果,同时对其识别准确性进行分析,并记录错误的识别结果,之后对错误的识别结果进行二次分析,同时对原有识别方案进行优化调整;
(5)反馈并存储优化方案:将识别结果反馈给工作人员,同是将优化完成的识别方案上传至云端数据库中进行存储反馈。
作为本发明的进一步方案,步骤(1)中所述数据清洗具体步骤如下:
步骤一:计算机通过外部摄像头采集各组目标图片,之后数据筛选器按照各组目标图片相对应的数据源对目标图片进行分类;
步骤二:将不同数据源的各组目标图片导出成为指定格式的文本文件或者其他格式的文件类型,再对得到的目标图片文件进行抽取;
步骤三:对抽取的各组目标图片文件通过对缺失数据、重复数据、异常数据处理以及不一致数据整理以对采集的各组目标图片中无法识别、存在冗余的目标图片进行过滤。
作为本发明的进一步方案,步骤(2)中所述特征提取具体步骤如下:
第一步:卷积神经网络根据目标相对应的拓扑结构,按照不同的均分标准将得到的特征图水平分割为多个局部特征,并将相同标准下获得的局部特征归属于同一个小组;
第二步:构建邻接矩阵对各组局部区域进行增强,并使每一个局部特征初步学习到其他局部特征的信息,同时对上下分支进行卷积操作并进行拼接;
第三步:利用残差网络的思想将各组局部区域进行特征融合即得到一个经过浅层关系增强的局部特征,同时将同一目标图片的各组局部特征进行数据拼接以生成对应全局特征。
作为本发明的进一步方案,步骤(3)中所述识别分析具体步骤如下:
S1.1:人工智能从特征数据集中按照采集时间先后顺序提取全局特征,同时与互联网进行通信连接;
S1.2:依据目标图片的全局特征,从数据存储库或互联网中查询相关信息,并确定该目标图片相对应的物体信息,并构建分析记录表以记录目标图片信息以及分析结果。
作为本发明的进一步方案,步骤(4)中所述准确性分析具体步骤如下:
S2.1:构建分析神经模型,并将分析记录表导入分析神经模型,同时分析神经模型提取分析记录表中的各组信息以构建模拟数据集,并选取一个模拟数据作为验证数据,并重复多次使用该验证数据来验证该分析神经模型的精度;
S2.2:对于每一组模拟数据,选取任意一个子集作为测试集,再取剩余子集作为训练集,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
S2.3:依据最优参数对训练数据集进行标准化处理,最后将训练样本输送到分析神经模型中,同时训练完成的分析神经模型进行迭代训练;
S2.4:依据分析神经模型的训练结果绘制对应曲线图,同时依据曲线图对目标检测存在误差的目标图片以及分析结果进行提取,并将提取出的各组数据整合归类生成纠错数据集;
S2.5:对纠错数据集进行二次检测分析,并将无法检测出的数据反馈给工作人员进行人工分析,同时统计检测目标总数、检测错误数量以检测正确数量,并绘制检测错误以及检测正确占比饼图。
作为本发明的进一步方案,步骤(4)中所述优化调整具体步骤如下:
P1:优化更新模块收集分析神经模型生成的曲线图,并将人工智能原有识别方案进行提取,同时与外部服务器端口进行数据连接;
P2:同时对收集到的各组数据进行归一化处理,同时依据处理结果绘制相关离散模型,并将纠错完成后的各组目标数据导入优化更新模块;
P3:优化更新模块从外部服务器中提取一组或多组识别方案,同时测试其检测正确率,并将正确率最高的识别方案与原有识别方案进行归纳整合,同时对原有方案中的目标检测参数依据分析神经模型输出的最佳参数进行更新,将原有的识别方案替换为整合生成的最新识别方案。
基于人工智能的目标检测装置,包括数据采集模块、特征提取模块、目标识别模块、结果分析模块、优化更新模块、云端数据库以及反馈显示模块;
其中,所述数据采集模块用于与外部摄像头通信连接,并采集目标物体相关图片;
所述特征提取模块用于接收采集到的各组目标图片,同时构建卷积神经网络对各组目标图片进行特征提取,同时构建相关特征数据集;
所述目标识别模块用于对特征数据集中各组特征数据进行分析,并于外部互联网通信连接,同时对该目标信息进行收集记录;
所述结果分析模块用于收集目标识别结果,同时分析各组识别结果的准确性,之后对错误识别结果进行纠错,并依据分析结构绘制相对应的饼图;
所述优化更新模块用于接收原有识别方案、识别结果以及分析结果,同时对原有识别方案进行优化更新;
所述云端数据库用于接收更新后的识别方案,并对其进行有序存储;
所述反馈显示模块用于接收目标识别结果、纠错记录以及优化后的识别方案,并将其反馈给工作人员。
相比于现有技术,本发明的有益效果在于:
1、该基于人工智能的目标检测方法相较于以往检测方法,本发明通过数据筛选器将各组目标图片按照相对应的数据源进行分类,并将不同数据源的各组目标图片导出成为指定格式的文本文件或者其他格式的文件类型,再对得到的目标图片文件进行抽取,再对抽取的各组目标图片文件通过对缺失数据、重复数据、异常数据处理以及不一致数据整理以对采集的各组目标图片中无法识别、存在冗余的目标图片进行过滤,之后卷积神经网络根据目标相对应的拓扑结构,按照不同的均分标准将得到的特征图水平分割为多个局部特征,并将相同标准下获得的局部特征归属于同一个小组,之后构建邻接矩阵对各组局部区域进行增强,能够对多余的目标图片进行筛选过滤,大幅提高其目标检测效率,同时采取卷积神经网络对目标图片特征进行分割提取,提高目标图片的信息提取完整性;
2、该基于人工智能的目标检测方法通过构建分析神经模型,并将分析记录表导入分析神经模型,同时分析神经模型提取分析记录表中的各组信息以构建模拟数据集,并选取一个模拟数据作为验证数据,并重复多次使用该验证数据来验证该分析神经模型的精度,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出,依据最优参数对训练数据集进行标准化处理,最后将训练样本输送到分析神经模型中,同时训练完成的分析神经模型进行迭代训练,之后依据分析神经模型的训练结果绘制对应曲线图,同时依据曲线图对目标检测存在误差的目标图片以及分析结果进行提取,并将提取出的各组数据整合归类生成纠错数据集,对纠错数据集进行二次检测分析,并将无法检测出的数据反馈给工作人员进行人工分析,能够自行对错误的目标检测结果进行纠错,无需工作人员人工查找,减少工作人员工作量,提高工作效率,方便工作人员使用。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的基于人工智能的目标检测方法的流程框图;
图2为本发明提出的基于人工智能的目标检测装置的***框图。
具体实施方式
实施例1
参照图1,基于人工智能的目标检测方法,该检测方法具体步骤如下:
采集并过滤目标图片:采集一组或多组目标图片,并构建数据筛选器,同时将各组目标图片导入数据筛选器中进行数据清洗。
具体的,计算机通过外部摄像头采集各组目标图片,之后数据筛选器按照各组目标图片相对应的数据源对目标图片进行分类,并将不同数据源的各组目标图片导出成为指定格式的文本文件或者其他格式的文件类型,再对得到的目标图片文件进行抽取,再对抽取的各组目标图片文件通过对缺失数据、重复数据、异常数据处理以及不一致数据整理以对采集的各组目标图片中无法识别、存在冗余的目标图片进行过滤,能够对多余的目标图片进行筛选过滤,大幅提高其目标检测效率,同时采取卷积神经网络对目标图片特征进行分割提取,提高目标图片的信息提取完整性。
对目标图片进行特征提取:构建卷积神经网络,并将过滤完成的目标图片导入卷积神经网络中进行目标特征提取,同时将提取出的各组特征数据整合归类为特征数据集。
具体的,卷积神经网络根据目标相对应的拓扑结构,按照不同的均分标准将得到的特征图水平分割为多个局部特征,并将相同标准下获得的局部特征归属于同一个小组,之后构建邻接矩阵对各组局部区域进行增强,并使每一个局部特征初步学习到其他局部特征的信息,同时对上下分支进行卷积操作并进行拼接,并利用残差网络的思想将各组局部区域进行特征融合即得到一个经过浅层关系增强的局部特征,同时将同一目标图片的各组局部特征进行数据拼接以生成对应全局特征。
依据特征信息进行目标识别:人工智能接收特征数据集,并依据特征数据集中各组特征数据进行识别分析,并记录各组识别结果。
具体的,人工智能从特征数据集中按照采集时间先后顺序提取全局特征,同时与互联网进行通信连接,再依据目标图片的全局特征,从数据存储库或互联网中查询相关信息,并确定该目标图片相对应的物体信息,并构建分析记录表以记录目标图片信息以及分析结果。
对识别结果进行检测优化:收集各组识别结果,同时对其识别准确性进行分析,并记录错误的识别结果,之后对错误的识别结果进行二次分析,同时对原有识别方案进行优化调整。
具体的,计算机构建分析神经模型,并将分析记录表导入分析神经模型,同时分析神经模型提取分析记录表中的各组信息以构建模拟数据集,并选取一个模拟数据作为验证数据,并重复多次使用该验证数据来验证该分析神经模型的精度,对于每一组模拟数据,选取任意一个子集作为测试集,再取剩余子集作为训练集,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出,依据最优参数对训练数据集进行标准化处理,最后将训练样本输送到分析神经模型中,同时训练完成的分析神经模型进行迭代训练,之后依据分析神经模型的训练结果绘制对应曲线图,同时依据曲线图对目标检测存在误差的目标图片以及分析结果进行提取,并将提取出的各组数据整合归类生成纠错数据集,对纠错数据集进行二次检测分析,并将无法检测出的数据反馈给工作人员进行人工分析,同时统计检测目标总数、检测错误数量以检测正确数量,并绘制检测错误以及检测正确占比饼图,能够自行对错误的目标检测结果进行纠错,无需工作人员人工查找,减少工作人员工作量,提高工作效率,方便工作人员使用。
具体的,优化更新模块收集分析神经模型生成的曲线图,并将人工智能原有识别方案进行提取,同时与外部服务器端口进行数据连接,同时对收集到的各组数据进行归一化处理,同时依据处理结果绘制相关离散模型,并将纠错完成后的各组目标数据导入优化更新模块,之后优化更新模块从外部服务器中提取一组或多组识别方案,同时测试其检测正确率,并将正确率最高的识别方案与原有识别方案进行归纳整合,同时对原有方案中的目标检测参数依据分析神经模型输出的最佳参数进行更新,将原有的识别方案替换为整合生成的最新识别方案。
反馈并存储优化方案:将识别结果反馈给工作人员,同是将优化完成的识别方案上传至云端数据库中进行存储反馈。
实施例2
参照图2,基于人工智能的目标检测装置,包括数据采集模块、特征提取模块、目标识别模块、结果分析模块、优化更新模块、云端数据库以及反馈显示模块;
其中,数据采集模块用于与外部摄像头通信连接,并采集目标物体相关图片;
特征提取模块用于接收采集到的各组目标图片,同时构建卷积神经网络对各组目标图片进行特征提取,同时构建相关特征数据集;
目标识别模块用于对特征数据集中各组特征数据进行分析,并于外部互联网通信连接,同时对该目标信息进行收集记录;
结果分析模块用于收集目标识别结果,同时分析各组识别结果的准确性,之后对错误识别结果进行纠错,并依据分析结构绘制相对应的饼图;
优化更新模块用于接收原有识别方案、识别结果以及分析结果,同时对原有识别方案进行优化更新;
云端数据库用于接收更新后的识别方案,并对其进行有序存储;
反馈显示模块用于接收目标识别结果、纠错记录以及优化后的识别方案,并将其反馈给工作人员。
Claims (7)
1.基于人工智能的目标检测方法,其特征在于,该检测方法具体步骤如下:
(1)采集并过滤目标图片:采集一组或多组目标图片,并构建数据筛选器,同时将各组目标图片导入数据筛选器中进行数据清洗;
(2)对目标图片进行特征提取:构建卷积神经网络,并将过滤完成的目标图片导入卷积神经网络中进行目标特征提取,同时将提取出的各组特征数据整合归类为特征数据集;
(3)依据特征信息进行目标识别:人工智能接收特征数据集,并依据特征数据集中各组特征数据进行识别分析,并记录各组识别结果;
(4)对识别结果进行检测优化:收集各组识别结果,同时对其识别准确性进行分析,并记录错误的识别结果,之后对错误的识别结果进行二次分析,同时对原有识别方案进行优化调整;
(5)反馈并存储优化方案:将识别结果反馈给工作人员,同是将优化完成的识别方案上传至云端数据库中进行存储反馈。
2.根据权利要求1所述的基于人工智能的目标检测方法,其特征在于,步骤(1)中所述数据清洗具体步骤如下:
步骤一:计算机通过外部摄像头采集各组目标图片,之后数据筛选器按照各组目标图片相对应的数据源对目标图片进行分类;
步骤二:将不同数据源的各组目标图片导出成为指定格式的文本文件或者其他格式的文件类型,再对得到的目标图片文件进行抽取;
步骤三:对抽取的各组目标图片文件通过对缺失数据、重复数据、异常数据处理以及不一致数据整理以对采集的各组目标图片中无法识别、存在冗余的目标图片进行过滤。
3.根据权利要求1所述的基于人工智能的目标检测方法,其特征在于,步骤(2)中所述特征提取具体步骤如下:
第一步:卷积神经网络根据目标相对应的拓扑结构,按照不同的均分标准将得到的特征图水平分割为多个局部特征,并将相同标准下获得的局部特征归属于同一个小组;
第二步:构建邻接矩阵对各组局部区域进行增强,并使每一个局部特征初步学习到其他局部特征的信息,同时对上下分支进行卷积操作并进行拼接;
第三步:利用残差网络的思想将各组局部区域进行特征融合即得到一个经过浅层关系增强的局部特征,同时将同一目标图片的各组局部特征进行数据拼接以生成对应全局特征。
4.根据权利要求3所述的基于人工智能的目标检测方法,其特征在于,步骤(3)中所述识别分析具体步骤如下:
S1.1:人工智能从特征数据集中按照采集时间先后顺序提取全局特征,同时与互联网进行通信连接;
S1.2:依据目标图片的全局特征,从数据存储库或互联网中查询相关信息,并确定该目标图片相对应的物体信息,并构建分析记录表以记录目标图片信息以及分析结果。
5.根据权利要求4所述的基于人工智能的目标检测方法,其特征在于,步骤(4)中所述准确性分析具体步骤如下:
S2.1:构建分析神经模型,并将分析记录表导入分析神经模型,同时分析神经模型提取分析记录表中的各组信息以构建模拟数据集,并选取一个模拟数据作为验证数据,并重复多次使用该验证数据来验证该分析神经模型的精度;
S2.2:对于每一组模拟数据,选取任意一个子集作为测试集,再取剩余子集作为训练集,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
S2.3:依据最优参数对训练数据集进行标准化处理,最后将训练样本输送到分析神经模型中,同时训练完成的分析神经模型进行迭代训练;
S2.4:依据分析神经模型的训练结果绘制对应曲线图,同时依据曲线图对目标检测存在误差的目标图片以及分析结果进行提取,并将提取出的各组数据整合归类生成纠错数据集;
S2.5:对纠错数据集进行二次检测分析,并将无法检测出的数据反馈给工作人员进行人工分析,同时统计检测目标总数、检测错误数量以检测正确数量,并绘制检测错误以及检测正确占比饼图。
6.根据权利要求5所述的基于人工智能的目标检测方法,其特征在于,步骤(4)中所述优化调整具体步骤如下:
P1:优化更新模块收集分析神经模型生成的曲线图,并将人工智能原有识别方案进行提取,同时与外部服务器端口进行数据连接;
P2:同时对收集到的各组数据进行归一化处理,同时依据处理结果绘制相关离散模型,并将纠错完成后的各组目标数据导入优化更新模块;
P3:优化更新模块从外部服务器中提取一组或多组识别方案,同时测试其检测正确率,并将正确率最高的识别方案与原有识别方案进行归纳整合,同时对原有方案中的目标检测参数依据分析神经模型输出的最佳参数进行更新,将原有的识别方案替换为整合生成的最新识别方案。
7.基于人工智能的目标检测装置,其特征在于,包括数据采集模块、特征提取模块、目标识别模块、结果分析模块、优化更新模块、云端数据库以及反馈显示模块;
其中,所述数据采集模块用于与外部摄像头通信连接,并采集目标物体相关图片;
所述特征提取模块用于接收采集到的各组目标图片,同时构建卷积神经网络对各组目标图片进行特征提取,同时构建相关特征数据集;
所述目标识别模块用于对特征数据集中各组特征数据进行分析,并于外部互联网通信连接,同时对该目标信息进行收集记录;
所述结果分析模块用于收集目标识别结果,同时分析各组识别结果的准确性,之后对错误识别结果进行纠错,并依据分析结构绘制相对应的饼图;
所述优化更新模块用于接收原有识别方案、识别结果以及分析结果,同时对原有识别方案进行优化更新;
所述云端数据库用于接收更新后的识别方案,并对其进行有序存储;
所述反馈显示模块用于接收目标识别结果、纠错记录以及优化后的识别方案,并将其反馈给工作人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210470565.0A CN114998597A (zh) | 2022-04-28 | 2022-04-28 | 基于人工智能的目标检测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210470565.0A CN114998597A (zh) | 2022-04-28 | 2022-04-28 | 基于人工智能的目标检测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998597A true CN114998597A (zh) | 2022-09-02 |
Family
ID=83024870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210470565.0A Pending CN114998597A (zh) | 2022-04-28 | 2022-04-28 | 基于人工智能的目标检测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998597A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894768A (zh) * | 2023-09-11 | 2023-10-17 | 成都航空职业技术学院 | 一种基于人工智能的目标检测优化方法和*** |
-
2022
- 2022-04-28 CN CN202210470565.0A patent/CN114998597A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894768A (zh) * | 2023-09-11 | 2023-10-17 | 成都航空职业技术学院 | 一种基于人工智能的目标检测优化方法和*** |
CN116894768B (zh) * | 2023-09-11 | 2023-11-21 | 成都航空职业技术学院 | 一种基于人工智能的目标检测优化方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
CN110751137A (zh) | 一种自动求解数学题的方法和*** | |
CN111708810B (zh) | 模型优化推荐方法、装置和计算机存储介质 | |
CN111444793A (zh) | 基于ocr的票据识别方法、设备、存储介质及装置 | |
CN113094512A (zh) | 一种工业生产制造中故障分析***及方法 | |
CN115062675A (zh) | 一种基于神经网络的全光谱污染溯源方法及云*** | |
CN114625901B (zh) | 一种多算法整合方法及装置 | |
CN113158969A (zh) | 一种苹果外观缺陷识别***及方法 | |
CN114998597A (zh) | 基于人工智能的目标检测方法以及装置 | |
CN114037653A (zh) | 基于二阶段知识蒸馏的工业机器视觉缺陷检测方法和*** | |
CN111882034A (zh) | 神经网络处理及人脸识别方法、装置、设备和存储介质 | |
CN113269903A (zh) | 人脸识别课堂考勤*** | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN110807108A (zh) | 一种亚洲人脸数据自动收集及清洗的方法和*** | |
CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及*** | |
CN114116831B (zh) | 一种大数据挖掘处理方法及装置 | |
CN109409664A (zh) | 一种设计规范检测方法及*** | |
CN114722960A (zh) | 一种业务过程事件日志不完整轨迹检测方法与*** | |
CN111538843B (zh) | 游戏领域的知识图谱关系匹配方法、模型构建方法及装置 | |
CN117197574A (zh) | 一种海洋浮游植物的鉴定方法 | |
CN116596132A (zh) | 基于数据迭代的输电模型优化***及方法 | |
CN118210946A (zh) | 一种数字教学视频课件自动生成方法、介质及*** | |
CN115439674A (zh) | 一种基于电力影像知识图谱的图像智能标注方法及装置 | |
CN118349664A (zh) | 一种基于网页语义分析的用户画像优化方法及*** |
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 |