CN116935286B - 一种短视频识别*** - Google Patents
一种短视频识别*** Download PDFInfo
- Publication number
- CN116935286B CN116935286B CN202310969815.XA CN202310969815A CN116935286B CN 116935286 B CN116935286 B CN 116935286B CN 202310969815 A CN202310969815 A CN 202310969815A CN 116935286 B CN116935286 B CN 116935286B
- Authority
- CN
- China
- Prior art keywords
- texture
- image
- morphology
- short video
- portrait
- 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
- 230000008859 change Effects 0.000 claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000026676 system process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation 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
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种短视频识别***,包括根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,得到基准短视频人像/物象形态与纹理单位时间集成曲线图;将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号;本发明同时还提出的采用不同的模型与算法,对短视频数据进行智能处理,提升了短视频识别的效率。
Description
技术领域
本发明涉及短视频识别领域,尤其涉及一种短视频识别***。
背景技术
随着互联网通信技术和多媒体技术的迅速发展,数字视频已广泛传播于大量用户之间,尤其是各大短视频平台的出现,短视频已经成为人们获取娱乐和新闻的重要来源之一。然而,有些短视频属于异常短视频。因此如果对短视频不加以分类管理,不提前进行提醒,那么会存在一定影响。因此,如何对短视频内容的检测、监测、分类、提醒是本领域中迫切需求解决的技术难题。
如何对短视频内容检测涉及多种技术的交叉,其涉及短视频编解码技术,图像处理技术,语音处理技术、文本处理技术、数据库存储技术等等。而现有技术中,通常只涉及利用单一的技术对短视频内容进行简单粗分类,例如可利用图像识别技术将目标短视频分类、利用关键词识别的手段将预警短视频分类等等,很显然上述技术方案不能适应多种类型的短视频识别,同时由于检测手段的单一会导致准确度较低。因此,迫切需要一种针对短视频,进行检测和分类的技术,其不仅能对短视频进行多类型的检测识别,同时通过融合多种短视频中的信息提高短视频识别的准确度。
发明内容
本发明提出了一种短视频识别***和***,以解决上文提到的现有技术的缺陷。
本发明提出了一种短视频识别***,该***运行包括以下步骤:
步骤A1:根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图;
步骤A2:将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号;
步骤A3:利用预设的多尺度卷积神经网络判断所述非正常人像/物象形态与纹理是否为误判,如果是,则消除所述特征异常信号并执行步骤A4,如果不是,执行步骤A5;
步骤A4:构建短视频特征信息中心,智慧识别***后台判断所述固定位置人像/物象形态与纹理是否属于标准短视频人像/物象形态与纹理,如果是,则将所述固定位置人像/物象形态与纹理加入所述短视频特征信息中心,如果不是,则执行步骤A5;
步骤A5:将所述非正常人像/物象形态与纹理置入智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成中,并提取所述非正常人像/物象形态与纹理的不合规数据,根据所述不合规数据构建短视频关键节点信息中心。
以上***运行通过对非正常人像/物象形态与纹理的分类设定,在离线状态下传输基础纯洁的单位时间变化数据,并形成单独识别库,其单独识别库呈离线状态,每一次在比对时皆主要从单独识别库中提取相应信息,并将诊断为非正常人像/物象形态与纹理依据流程步骤分类,通过提取单位时间变化数据合规值的形式,依据误警报数据、短视频特征信息数据和短视频关键节点信息数据分类,并且均单独形成数据集合。
在具体的实施例中,所述合规值包括:人像/物象轮廓与像素点清晰度与密度、人像/物象形态与纹理单位时间波动值和人像/物象边缘处的特征值。
在具体的实施例中,所述根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图,具体包括:
利用所述预设标准人像/物象形态与纹理的合规值构建周期性变化方程,依据单位时间对所述预设标准人像/物象形态与纹理进行变化计算,并保存为基准短视频人像/物象形态与纹理单位时间集成曲线图;
所述周期性变化方程,表达式为:
其中,表示人像/物象形态与纹理变化函数,λ表示人像/物象形态与纹理变化因子,j表示对单位时间的编号,J表示单位时间总个数,Gc表示人像/物象形态与纹理变化人为因素矩阵,Du表示人像/物象形态与纹理变化自然因素矩阵,ξ、ω分别表示化人为因素和自然因素权重,/>表示人像/物象形态与纹理的合规值,/>表示人像/物象形态与纹理的合规值波动范围。
将所述基准短视频人像/物象形态与纹理单位时间集成曲线图和所述周期性变化方程构建为标准的人像/物象形态与纹理集成对照表。
在具体的实施例中,所述短视频特征信息中心的构建依据智慧识别***后台的接入进行直接设置,且所述短视频特征信息中心的人像/物象形态与纹理数据依据排人像/物象量变化计算。
在具体的实施例中,所述步骤A2具体包括:
根据所述基准对比数据,依据单位时间构建多尺度卷积神经网络计算单元;
采集短视频轮廓与像素点单位时间变化数据,对短视频进行特征变化分析;
用相应的特征匹配算法来检查所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据,判断所述轮廓与像素点单位时间变化数据中的包括数据跳变和采集误差在内的问题;
利用预设的多尺度卷积神经网络检查所述轮廓与像素点单位时间变化数据,当所述轮廓与像素点单位时间变化数据中的信息与所述多尺度卷积神经网络中的预设参数相匹配,判断所述轮廓与像素点单位时间变化数据为非正常人像/物象形态与纹理,并发出特征异常信号,将所述特征异常信号传送给智慧识别***人机交互界面进行显示。
在具体的实施例中,所述多尺度卷积神经网络具体包括:对所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据依据预设规则进行数据大小、波动情况、波动原因和短视频亮度识别。
在具体的实施例中,所述步骤A3具体包括:
判断所述预设规则所识别的固定位置人像/物象形态与纹理影响因素,并与所述基准短视频人像/物象形态与纹理单位时间集成曲线图比较关键节点信息并进行短视频亮度识别,依据提前设定的用于判断标准短视频人像/物象形态与纹理的最大值,判断所述非正常人像/物象形态与纹理是否为误判。
在具体的实施例中,所述步骤A4具体包括:
设定数据处理周期,并根据所述周期进行计时,同时提醒智慧识别***处理所述固定位置人像/物象形态与纹理;
智慧识别***在所述时间范围内对所述固定位置人像/物象形态与纹理进行实时远程处理,当智慧识别***将所述固定位置人像/物象形态与纹理处理为标准短视频人像/物象形态与纹理时,提取所述固定位置人像/物象形态与纹理的合规值,记录于所述短视频特征信息中心内;
如果后续接收到的固定位置人像/物象形态与纹理的合规值在所述短视频特征信息中心已存在,则不再提醒智慧识别***对该固定位置人像/物象形态与纹理进行处理;
如果计时完毕后无智慧识别***对所述固定位置人像/物象形态与纹理进行处理,执行步骤A5。
本发明中短视频特征信息中心所形成的报警信息为计时设置,报警操作为智慧识别***主动操作。
在具体的实施例中,所述步骤A5具体包括:
对所有非正常人像/物象形态与纹理进行决策树模型分析分类为如果干个决策树分支,将每个决策树分支的合规值与所述短视频关键节点信息中心内所保存的合规值进行对比;
如果对比到相同的合规值,将对应的非正常人像/物象形态与纹理直接反馈给智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成;
如果未对比到相同的合规值,则判定对应的非正常人像/物象形态与纹理为新型人像/物象轮廓与像素点特征变化人像/物象形态与纹理,根据该非正常人像/物象形态与纹理的单位时间变化数据进行特征提取,将提取到的合规值保存至所述短视频关键节点信息中心内,并同步响应智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成;
对属于相同决策树分支的非正常人像/物象形态与纹理生成相似的人像/物象轮廓与像素点特征变化警报,并依据合规值将属于相同决策树分支的非正常人像/物象形态与纹理划分为同一种类型的人像/物象形态与纹理数据。
本发明对于同一合规值的警报进行划分处理,从而进一步减少警报信息的数量。
本发明提出一种短视频识别***,该***包括:
基准短视频人像/物象形态与纹理集成单元:配置用于根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图;
非正常人像/物象形态与纹理识别单元:配置用于将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号;
异常判断监督单元:配置用于利用预设的多尺度卷积神经网络判断所述非正常人像/物象形态与纹理是否为误判,如果是,则消除所述特征异常信号并执行短视频特征信息识别单元,如果不是,执行短视频关键节点信息中心建立单元;
短视频特征信息识别单元:配置用于构建短视频特征信息中心,智慧识别***后台判断所述固定位置人像/物象形态与纹理是否属于标准短视频人像/物象形态与纹理,如果是,则将所述固定位置人像/物象形态与纹理加入所述短视频特征信息中心,如果不是,则执行短视频关键节点信息中心建立单元;
短视频关键节点信息中心建立单元:配置用于将所述非正常人像/物象形态与纹理置入智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成中,并提取所述非正常人像/物象形态与纹理的不合规数据,根据所述不合规数据构建短视频关键节点信息中心。
有益效果:
本发明提出一种短视频识别***,该***通过对短视频的人像/物象形态与纹理进行监测,构建短视频特征信息中心和短视频关键节点信息中心,对所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据依据预设规则进行数据大小、波动情况、波动原因和短视频亮度识别,该***可以通过不同维度实现对短视频的有效识别,本发明同时还提出的采用不同的模型与算法,对短视频数据进行智能处理,该***实现简单,克服了现有技术中对短视频识别信息单一的缺点,提升了短视频的识别效率与准确度。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明***运行第一流程图;
图2是本发明***运行第二流程图;
图3是本发明***运行第三流程图;
图4是本发明***运行第四流程图;
图5是本发明***单元组成图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的一种短视频识别***,如图1所示,本发明的实施例的一种短视频识别***的运行流程图。该***运行包括以下步骤:
步骤A1:根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图。
在具体的实施例中,所述合规值包括:人像/物象轮廓与像素点清晰度与密度、人像/物象形态与纹理单位时间波动值和人像/物象边缘处的特征值。
在具体的实施例中,所述根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图,具体包括:
利用所述预设标准人像/物象形态与纹理的合规值构建周期性变化方程,依据单位时间对所述预设标准人像/物象形态与纹理进行变化计算,并保存为基准短视频人像/物象形态与纹理单位时间集成曲线图;
所述周期性变化方程,表达式为:
其中,表示人像/物象形态与纹理变化函数,λ表示人像/物象形态与纹理变化因子,j表示对单位时间的编号,J表示单位时间总个数,Gc表示人像/物象形态与纹理变化人为因素矩阵,Du表示人像/物象形态与纹理变化自然因素矩阵,ξ、ω分别表示化人为因素和自然因素权重,/>表示人像/物象形态与纹理的合规值,/>表示人像/物象形态与纹理的合规值波动范围。
将所述基准短视频人像/物象形态与纹理单位时间集成曲线图和所述周期性变化方程构建为标准的人像/物象形态与纹理集成对照表。
步骤A2:将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号。
如图2所示,在具体的实施例中,所述步骤A2具体包括:
根据所述基准对比数据,依据单位时间构建多尺度卷积神经网络计算单元;
采集短视频轮廓与像素点单位时间变化数据,对短视频进行特征变化分析;
用相应的特征匹配算法来检查所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据,判断所述轮廓与像素点单位时间变化数据中的包括数据跳变和采集误差在内的问题;
利用预设的多尺度卷积神经网络检查所述轮廓与像素点单位时间变化数据,当所述轮廓与像素点单位时间变化数据中的信息与所述多尺度卷积神经网络中的预设参数相匹配,判断所述轮廓与像素点单位时间变化数据为非正常人像/物象形态与纹理,并发出特征异常信号,将所述特征异常信号传送给智慧识别***人机交互界面进行显示。
本发明的一个具体的实施例的多尺度卷积神经网络计算单元示意图,如图,多尺度卷积神经网络计算单元包含:
短视频进行特征变化分析单元:负责采集短视频轮廓与像素点单位时间变化数据,对短视频进行特征变化分析;
数据处理单元:该单元用相应的特征匹配算法来检查轮廓与像素点单位时间变化数据,从中发现原始数据的“行为”,如数据跳变,采集误差等,单位时间变化数据经过预处理后才传到规则设置单元;
规则设置单元:该单元是多尺度卷积神经网络的核心单元;当单位时间变化数据从预处理器送过来后,规则设置单元利用预设的规则检查单位时间变化数据,一旦发现单位时间变化数据中的信息和某条规则相匹配,就通知报警输出单元;
报警输出单元:经规则设置单元检查后的多尺度卷积神经网络数据需要以某种方式输出,如果规则设置单元中的某条规则被匹配,则会发出一条报警,这条报警信息会通过协议命令传送给智慧识别***人机交互界面进行显示。
在具体的实施例中,所述多尺度卷积神经网络具体包括:对所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据依据预设规则进行数据大小、波动情况、波动原因和短视频亮度识别。
在具体的实施例中,依据预设规则的数据大小、波动情况、波动原因和短视频亮度识别,具体包括如下步骤:
(1)先判断预设规则所识别的固定位置人像/物象形态与纹理影响因素,并与基准短视频人像/物象形态与纹理单位时间集成曲线图比较关键节点信息和短视频亮度识别,依据对标准短视频人像/物象形态与纹理设定的最大值,在超过最大值的情况下再次进一步增加最大值的百分比上线,以3%为设定基础,测定固定位置人像/物象形态与纹理是否为误判断,如果非误判断则直接进入下一步骤;
(2)依据报警输出单元,发出一条报警消息,此时报警消息为黄色报警消息,根据所设定的时间计时时效,给与智慧识别***的实时远程处理的时间,如果智慧识别***即时处理为标准短视频人像/物象形态与纹理时,则提取固定位置单位时间变化数据的合规值,记录于短视频特征信息中心内,并在后续不再提醒,如果计时完毕后无智慧识别***处理,即进入下一步骤;
(3)将所有非正常人像/物象轮廓与像素点特征变化人像/物象形态与纹理决策树模型分析后,与短视频关键节点信息中心内所保存的合规值对比,在合规值相同情况下直接反馈智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成,在短视频关键节点信息中心内没有相应合规值时,则判定为识别出新型的人像/物象轮廓与像素点特征变化人像/物象形态与纹理,先根据固定位置单位时间变化数据进行特征提取,所提取后的合规值保存至短视频关键节点信息中心内,并同步响应智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成,且最终仅依据决策树模型分析后的条目形成相似人像/物象轮廓与像素点特征变化警报,并将其按合规值划分为同一种类。
步骤A3:利用预设的多尺度卷积神经网络判断所述非正常人像/物象形态与纹理是否为误判,如果是,则消除所述特征异常信号并执行步骤A4,如果不是,执行步骤A5。
在具体的实施例中,所述步骤A3具体包括:
判断所述预设规则所识别的固定位置人像/物象形态与纹理影响因素,并与所述基准短视频人像/物象形态与纹理单位时间集成曲线图比较关键节点信息并进行短视频亮度识别,依据提前设定的用于判断标准短视频人像/物象形态与纹理的最大值,判断所述非正常人像/物象形态与纹理是否为误判。
步骤A4:构建短视频特征信息中心,智慧识别***后台判断所述固定位置人像/物象形态与纹理是否属于标准短视频人像/物象形态与纹理,如果是,则将所述固定位置人像/物象形态与纹理加入所述短视频特征信息中心,如果不是,则执行步骤A5。
在具体的实施例中,所述短视频特征信息中心的构建依据智慧识别***后台的接入进行直接设置,且所述短视频特征信息中心的人像/物象形态与纹理数据依据排人像/物象量变化计算。
如图3所示,在具体的实施例中,所述步骤A4具体包括:
设定数据处理周期,并根据所述周期进行计时,同时提醒智慧识别***处理所述固定位置人像/物象形态与纹理;
智慧识别***在所述时间范围内对所述固定位置人像/物象形态与纹理进行实时远程处理,当智慧识别***将所述固定位置人像/物象形态与纹理处理为标准短视频人像/物象形态与纹理时,提取所述固定位置人像/物象形态与纹理的合规值,记录于所述短视频特征信息中心内;
如果后续接收到的固定位置人像/物象形态与纹理的合规值在所述短视频特征信息中心已存在,则不再提醒智慧识别***对该固定位置人像/物象形态与纹理进行处理;
如果计时完毕后无智慧识别***对所述固定位置人像/物象形态与纹理进行处理,执行步骤A5。
步骤A5:将所述非正常人像/物象形态与纹理置入智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成中,并提取所述非正常人像/物象形态与纹理的不合规数据,根据所述不合规数据构建短视频关键节点信息中心。
如图4所示,在具体的实施例中,所述步骤A5具体包括:
对所有非正常人像/物象形态与纹理进行决策树模型分析分类为如果干个决策树分支,将每个决策树分支的合规值与所述短视频关键节点信息中心内所保存的合规值进行对比;
如果对比到相同的合规值,将对应的非正常人像/物象形态与纹理直接反馈给智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成;
如果未对比到相同的合规值,则判定对应的非正常人像/物象形态与纹理为新型人像/物象轮廓与像素点特征变化人像/物象形态与纹理,根据该非正常人像/物象形态与纹理的单位时间变化数据进行特征提取,将提取到的合规值保存至所述短视频关键节点信息中心内,并同步响应智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成;
对属于相同决策树分支的非正常人像/物象形态与纹理生成相似的人像/物象轮廓与像素点特征变化警报,并依据合规值将属于相同决策树分支的非正常人像/物象形态与纹理划分为同一种类型的人像/物象形态与纹理数据。
如图5所示,本发明的一个实施例的一种短视频识别***的框架图。该***包括基准短视频人像/物象形态与纹理集成单元、非正常人像/物象形态与纹理识别单元、异常判断监督单元、短视频特征信息识别单元和短视频关键节点信息中心建立单元。
在具体的实施例中,基准短视频人像/物象形态与纹理集成单元被配置用于根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图;
非正常人像/物象形态与纹理识别单元被配置用于将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号;
异常判断监督单元被配置用于利用预设的多尺度卷积神经网络判断所述非正常人像/物象形态与纹理是否为误判,如果是,则消除所述特征异常信号并执行短视频特征信息识别单元,如果不是,执行短视频关键节点信息中心建立单元;
短视频特征信息识别单元被配置用于构建短视频特征信息中心,智慧识别***后台判断所述固定位置人像/物象形态与纹理是否属于标准短视频人像/物象形态与纹理,如果是,则将所述固定位置人像/物象形态与纹理加入所述短视频特征信息中心,如果不是,则执行短视频关键节点信息中心建立单元;
短视频关键节点信息中心建立单元被配置用于将所述非正常人像/物象形态与纹理置入智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成中,并提取所述非正常人像/物象形态与纹理的不合规数据,根据所述不合规数据构建短视频关键节点信息中心。
本***根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,得到基准短视频人像/物象形态与纹理单位时间集成曲线图;将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号;本***通过对短视频的人像/物象形态与纹理进行监测,构建短视频特征信息中心和短视频关键节点信息中心,对所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据依据预设规则进行数据大小、波动情况、波动原因和短视频亮度识别,该***可以通过不同维度实现对短视频的有效识别,本发明同时还提出的采用不同的模型与算法,对短视频数据进行智能处理,该***实现简单,克服了现有技术中需要在短视频外在设置检测层,安装施工过程复杂并且容易损坏这一缺点,提升了短视频的识别效率。
在本发明描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (2)
1.一种短视频识别***,其特征在于,该***运行包括:
步骤A1:根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图;
步骤A2:将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号;
步骤A3:利用预设的多尺度卷积神经网络判断所述非正常人像/物象形态与纹理是否为误判;
步骤A4:如果是,则消除所述特征异常信号并构建短视频特征信息中心,智慧识别***后台判断所述固定位置人像/物象形态与纹理是否属于标准短视频人像/物象形态与纹理,如果是,则将所述固定位置人像/物象形态与纹理加入所述短视频特征信息中心;
步骤A5:如果不是,则将所述非正常人像/物象形态与纹理置入智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成中,并提取所述非正常人像/物象形态与纹理的不合规数据,根据所述不合规数据构建短视频关键节点信息中心;
所述合规值包括:人像/物象轮廓与像素点清晰度与密度、人像/物象形态与纹理单位时间波动值和人像/物象边缘处的特征值;
所述根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图,具体包括:
利用所述预设标准人像/物象形态与纹理的合规值构建周期性变化方程,依据单位时间对所述预设标准人像/物象形态与纹理进行变化计算,并保存为基准短视频人像/物象形态与纹理单位时间集成曲线图;
所述周期性变化方程,表达式为:
其中,表示人像/物象形态与纹理变化函数,λ表示人像/物象形态与纹理变化因子,j表示对单位时间的编号,J表示单位时间总个数,Gc表示人像/物象形态与纹理变化人为因素矩阵,Du表示人像/物象形态与纹理变化自然因素矩阵,ξ、ω分别表示化人为因素和自然因素权重,/>表示人像/物象形态与纹理的合规值,/>表示人像/物象形态与纹理的合规值波动范围;
将所述基准短视频人像/物象形态与纹理单位时间集成曲线图和所述周期性变化方程构建为标准的人像/物象形态与纹理集成对照表;
所述短视频特征信息中心的构建依据智慧识别***后台的接入进行直接设置,且所述短视频特征信息中心的人像/物象形态与纹理数据依据排人像/物象量变化计算;
所述步骤A2具体包括:
根据所述基准对比数据,依据单位时间构建多尺度卷积神经网络计算单元;
采集短视频轮廓与像素点单位时间变化数据,对短视频进行特征变化分析;
用相应的特征匹配算法来检查所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据,判断所述轮廓与像素点单位时间变化数据中的包括数据跳变和采集误差在内的问题;
利用预设的多尺度卷积神经网络检查所述轮廓与像素点单位时间变化数据,当所述轮廓与像素点单位时间变化数据中的信息与所述多尺度卷积神经网络中的预设参数相匹配,判断所述轮廓与像素点单位时间变化数据为非正常人像/物象形态与纹理,并发出特征异常信号,将所述特征异常信号传送给智慧识别***人机交互界面进行显示;
所述多尺度卷积神经网络具体包括:对所述固定位置人像/物象形态与纹理的轮廓与像素点单位时间变化数据依据预设规则进行数据大小、波动情况、波动原因和短视频亮度识别;
所述步骤A3具体包括:
判断所述预设规则所识别的固定位置人像/物象形态与纹理影响因素,并与所述基准短视频人像/物象形态与纹理单位时间集成曲线图比较关键节点信息并进行短视频亮度识别,依据提前设定的用于判断标准短视频人像/物象形态与纹理的最大值,判断所述非正常人像/物象形态与纹理是否为误判;
所述步骤A4具体包括:
设定数据处理周期,并根据所述周期进行计时,同时提醒智慧识别***处理所述固定位置人像/物象形态与纹理;
智慧识别***在时间范围内对所述固定位置人像/物象形态与纹理进行实时远程处理,当智慧识别***将所述固定位置人像/物象形态与纹理处理为标准短视频人像/物象形态与纹理时,提取所述固定位置人像/物象形态与纹理的合规值,记录于所述短视频特征信息中心内;
如果后续接收到的固定位置人像/物象形态与纹理的合规值在所述短视频特征信息中心已存在,则不再提醒智慧识别***对该固定位置人像/物象形态与纹理进行处理;
如果计时完毕后无智慧识别***对所述固定位置人像/物象形态与纹理进行处理,执行步骤A5;
所述步骤A5具体包括:
对所有非正常人像/物象形态与纹理进行决策树模型分析分类为如果干个决策树分支,将每个决策树分支的合规值与所述短视频关键节点信息中心内所保存的合规值进行对比;
如果对比到相同的合规值,将对应的非正常人像/物象形态与纹理直接反馈给智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成;
如果未对比到相同的合规值,则判定对应的非正常人像/物象形态与纹理为新型人像/物象轮廓与像素点特征变化人像/物象形态与纹理,根据该非正常人像/物象形态与纹理的单位时间变化数据进行特征提取,将提取到的合规值保存至所述短视频关键节点信息中心内,并同步响应智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成;
对属于相同决策树分支的非正常人像/物象形态与纹理生成相似的人像/物象轮廓与像素点特征变化警报,并依据合规值将属于相同决策树分支的非正常人像/物象形态与纹理划分为同一种类型的人像/物象形态与纹理数据。
2.根据权利要求1所述的一种短视频识别***,其特征在于,该***包括:
基准短视频人像/物象形态与纹理集成单元,用于根据短视频中的不同人像/物象色彩变化时轮廓与像素点特征,采集并集成短视频中的预设标准人像/物象形态与纹理的合规值,根据集成得到的所述预设标准人像/物象形态与纹理的合规值对所述预设标准人像/物象形态与纹理进行曲线刻画得到基准短视频人像/物象形态与纹理单位时间集成曲线图;
非正常人像/物象形态与纹理识别单元,用于将所述基准短视频人像/物象形态与纹理单位时间集成曲线图作为基准对比数据,利用预设的多尺度卷积神经网络对接收到的固定位置人像/物象形态与纹理进行人像/物象轮廓与像素点特征变化识别,判断所述固定位置人像/物象形态与纹理是否为非正常人像/物象形态与纹理,并针对所述非正常人像/物象形态与纹理发出特征异常信号;
异常判断监督单元,用于利用预设的多尺度卷积神经网络判断所述非正常人像/物象形态与纹理是否为误判,如果是,则消除所述特征异常信号并执行短视频特征信息识别单元,如果不是,执行短视频关键节点信息中心建立单元;
短视频特征信息识别单元,配置用于构建短视频特征信息中心,智慧识别***后台判断所述固定位置人像/物象形态与纹理是否属于标准短视频人像/物象形态与纹理,如果是,则将所述固定位置人像/物象形态与纹理加入所述短视频特征信息中心,如果不是,则执行短视频关键节点信息中心建立单元;
短视频关键节点信息中心建立单元,用于将所述非正常人像/物象形态与纹理置入智慧识别***进行自适应人像/物象轮廓与像素点特征变化响应和人像/物象轮廓与像素点特征变化分类策略生成中,并提取所述非正常人像/物象形态与纹理的不合规数据,根据所述不合规数据构建短视频关键节点信息中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969815.XA CN116935286B (zh) | 2023-08-03 | 2023-08-03 | 一种短视频识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969815.XA CN116935286B (zh) | 2023-08-03 | 2023-08-03 | 一种短视频识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935286A CN116935286A (zh) | 2023-10-24 |
CN116935286B true CN116935286B (zh) | 2024-01-09 |
Family
ID=88387744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969815.XA Active CN116935286B (zh) | 2023-08-03 | 2023-08-03 | 一种短视频识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935286B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798308A (zh) * | 2017-11-09 | 2018-03-13 | 石数字技术成都有限公司 | 一种基于短视频训练法的人脸识别方法 |
CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
CN110110710A (zh) * | 2019-06-03 | 2019-08-09 | 北京启瞳智能科技有限公司 | 一种场景异常状态识别方法、***和智能终端 |
CN111582092A (zh) * | 2020-04-27 | 2020-08-25 | 西安交通大学 | 一种基于人体骨架的行人异常行为检测方法 |
CN112833808A (zh) * | 2021-01-05 | 2021-05-25 | 厦门银江智慧城市技术股份有限公司 | 基于卷积神经网络算法的设备形变检测方法和装置 |
WO2021243895A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、***,机器人及存储介质 |
CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备 |
CN114035604A (zh) * | 2021-09-27 | 2022-02-11 | 广州市赋安电子科技有限公司 | 一种视频监控和无人机空地联动的异常目标检测方法 |
CN114220543A (zh) * | 2021-12-15 | 2022-03-22 | 四川大学华西医院 | 一种肿瘤患者身心痛苦指数评估方法以及*** |
CN114582023A (zh) * | 2022-03-14 | 2022-06-03 | 山东大学 | 一种基于广义卷积神经网络的骨架异常步态识别方法及*** |
CN115170805A (zh) * | 2022-07-26 | 2022-10-11 | 南京邮电大学 | 一种结合超像素和多尺度分层特征识别的图像分割方法 |
CN115690636A (zh) * | 2021-07-22 | 2023-02-03 | 中国科学院沈阳计算技术研究所有限公司 | 一种针对互联网直播异常行为的智能检测*** |
CN116153329A (zh) * | 2023-01-12 | 2023-05-23 | 桂林电子科技大学 | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 |
CN116259007A (zh) * | 2023-02-24 | 2023-06-13 | 山东大学 | 一种园区巡逻职工异常行为检测方法及*** |
CN116340815A (zh) * | 2023-03-06 | 2023-06-27 | 重庆邮电大学 | 一种基于卷积神经网络的高校异常行为学生识别方法 |
-
2023
- 2023-08-03 CN CN202310969815.XA patent/CN116935286B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798308A (zh) * | 2017-11-09 | 2018-03-13 | 石数字技术成都有限公司 | 一种基于短视频训练法的人脸识别方法 |
CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
CN110110710A (zh) * | 2019-06-03 | 2019-08-09 | 北京启瞳智能科技有限公司 | 一种场景异常状态识别方法、***和智能终端 |
CN111582092A (zh) * | 2020-04-27 | 2020-08-25 | 西安交通大学 | 一种基于人体骨架的行人异常行为检测方法 |
WO2021243895A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、***,机器人及存储介质 |
CN112833808A (zh) * | 2021-01-05 | 2021-05-25 | 厦门银江智慧城市技术股份有限公司 | 基于卷积神经网络算法的设备形变检测方法和装置 |
CN115690636A (zh) * | 2021-07-22 | 2023-02-03 | 中国科学院沈阳计算技术研究所有限公司 | 一种针对互联网直播异常行为的智能检测*** |
CN114035604A (zh) * | 2021-09-27 | 2022-02-11 | 广州市赋安电子科技有限公司 | 一种视频监控和无人机空地联动的异常目标检测方法 |
CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、***及计算机设备 |
CN114220543A (zh) * | 2021-12-15 | 2022-03-22 | 四川大学华西医院 | 一种肿瘤患者身心痛苦指数评估方法以及*** |
CN114582023A (zh) * | 2022-03-14 | 2022-06-03 | 山东大学 | 一种基于广义卷积神经网络的骨架异常步态识别方法及*** |
CN115170805A (zh) * | 2022-07-26 | 2022-10-11 | 南京邮电大学 | 一种结合超像素和多尺度分层特征识别的图像分割方法 |
CN116153329A (zh) * | 2023-01-12 | 2023-05-23 | 桂林电子科技大学 | 一种基于cwt-lbp的声音信号时频纹理特征提取方法 |
CN116259007A (zh) * | 2023-02-24 | 2023-06-13 | 山东大学 | 一种园区巡逻职工异常行为检测方法及*** |
CN116340815A (zh) * | 2023-03-06 | 2023-06-27 | 重庆邮电大学 | 一种基于卷积神经网络的高校异常行为学生识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116935286A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、***、终端以及计算机可读存储介质 | |
CN111008640A (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN111766253A (zh) | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 | |
CN109150564A (zh) | 一种用于小区故障告警的预测方法及装置 | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和*** | |
CN115865649B (zh) | 一种智能运维管理控制方法、***和存储介质 | |
CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN112153373A (zh) | 明厨亮灶设备的故障识别方法、装置及存储介质 | |
KR102488789B1 (ko) | 인공지능 기반 단일 클래스 이상 탐지 모델을 이용한 예측 분류 방법, 장치 및 프로그램 | |
CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及*** | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN109446964A (zh) | 基于端到端单级多尺度检测器的面部检测分析方法及装置 | |
CN116935286B (zh) | 一种短视频识别*** | |
CN112734699A (zh) | 物品状态告警方法、装置、存储介质及电子装置 | |
WO2008127235A2 (en) | Machine vision system for enterprise management | |
CN117368862A (zh) | 一种高效气象雷达数据质量评估*** | |
CN115310704A (zh) | 一种基于***安全模型的多维度消防安全评估预警*** | |
CN114419034A (zh) | 一种智能穿戴用硅胶材料的自动化检测方法、***及介质 | |
CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
CN112288019A (zh) | 一种基于关键点定位的厨师帽检测方法 | |
Zhao et al. | Research on machine learning-based correlation analysis method for power equipment alarms | |
CN112328424B (zh) | 一种用于数值型数据的智能异常检测方法及装置 | |
CN115272249A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN117609916A (zh) | 电力缺陷识别方法、装置、设备、介质和产品 |
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 |