CN117671303B - 基于孪生网络的立体测距隐患预警方法及*** - Google Patents
基于孪生网络的立体测距隐患预警方法及*** Download PDFInfo
- Publication number
- CN117671303B CN117671303B CN202410145778.5A CN202410145778A CN117671303B CN 117671303 B CN117671303 B CN 117671303B CN 202410145778 A CN202410145778 A CN 202410145778A CN 117671303 B CN117671303 B CN 117671303B
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- target
- abnormal
- information
- ranging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 124
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012502 risk assessment Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于孪生网络的立体测距隐患预警方法及***,涉及数据处理技术领域,所述方法包括:基于特征孪生网络对目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;对当前区域监控图像进行隐患识别标记,确定目标隐患框信息的隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;将隐患坐标信息和当前区域监控图像输入至区域隐患特征孪生数据库中相似度优选,获得目标异常图像,基于其测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息进行隐患预警。达到利用孪生网络实现隐患快速准确识别和立体测距误差修正,提高隐患风险等级分析精确性和隐患预警及时性,进而确保隐患处理效率的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及基于孪生网络的立体测距隐患预警方法及***。
背景技术
立体测距的应用非常广泛,包括机器视觉、输电线路、无人机等领域。通过立体测距技术,可以实现物体的测量、定位、识别等功能,进而利用立体测距技术实现隐患识别、安全预警等功能,以便及时处理所存在的隐患。极大地减少监控运维人员工作量,对保障输电通道等应用领域安全运行具有重要意义。然而,现有隐患测距测量误差较大,导致风险分析精度较低,从而影响隐患处理效率。
发明内容
本申请通过提供基于孪生网络的立体测距隐患预警方法及***,解决了现有技术隐患测距测量误差较大,导致风险分析精度较低,从而影响隐患处理效率的技术问题,达到利用孪生网络实现隐患快速准确识别和立体测距误差修正,提高隐患风险等级分析精确性和隐患预警及时性,进而确保隐患处理效率的技术效果。
鉴于上述问题,本发明提供了基于孪生网络的立体测距隐患预警方法及***。
第一方面,本申请提供了基于孪生网络的立体测距隐患预警方法,所述方法包括:分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库;基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;通过视觉传感设备获取所述目标区域的当前区域监控图像,对所述当前区域监控图像进行隐患识别标记,确定目标隐患框信息;对所述目标隐患框信息进行三维标定,得到隐患坐标信息,基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像;调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息,并通过所述目标隐患等级信息对所述目标区域进行隐患预警。
另一方面,本申请还提供了基于孪生网络的立体测距隐患预警***,所述***包括:图像数据库获取模块,用于分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库;孪生数据库生成模块,用于基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;隐患识别标记模块,用于通过视觉传感设备获取所述目标区域的当前区域监控图像,对所述当前区域监控图像进行隐患识别标记,确定目标隐患框信息;测距风险划分模块,用于对所述目标隐患框信息进行三维标定,得到隐患坐标信息,基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;相似度计算优选模块,用于将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像;隐患预警模块,用于调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息,并通过所述目标隐患等级信息对所述目标区域进行隐患预警。
第三方面,本申请提供了一种电子设备,包括总线、收发器、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计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库,基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;对当前区域监控图像进行隐患识别标记,确定目标隐患框信息进行三维标定,得到隐患坐标信息,再基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像,调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息进行隐患预警的技术方案。进而达到利用孪生网络实现隐患快速准确识别和立体测距误差修正,提高隐患风险等级分析精确性和隐患预警及时性,进而确保隐患处理效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请基于孪生网络的立体测距隐患预警方法的流程示意图;
图2为本申请基于孪生网络的立体测距隐患预警方法中生成区域隐患特征孪生数据库的流程示意图;
图3为本申请基于孪生网络的立体测距隐患预警***的结构示意图;
图4为本申请示例性电子设备的结构示意图。
附图标记说明:图像数据库获取模块11,孪生数据库生成模块12,隐患识别标记模块13,测距风险划分模块14,相似度计算优选模块15,隐患预警模块16,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作***1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了基于孪生网络的立体测距隐患预警方法,所述方法包括:
步骤S1:分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库;
具体的,为实现隐患智能化快速识别,首先分别对目标区域的常规区域图像和异常区域图像进行采集实测,其中,所述目标区域为监控巡检区域,例如,输电通道巡检区域等。通过该目标区域的历史监控数据以及现场实测数据获取目标区域图像数据库,所述目标区域图像数据库包括所述目标区域的常规区域图像,即该目标区域的正常运行情况图像集合;以及异常区域图像,即该目标区域各隐患类型的异常运行情况图像集合,为后续区域隐患的智能识别提供数据分析基础。
步骤S2:基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;
如图2所示,进一步而言,所述生成区域隐患特征孪生数据库,本申请步骤还包括:
搭建所述特征孪生网络,所述特征孪生网络包括常规孪生子网络和异常孪生子网络,且所述常规孪生子网络和异常孪生子网络为共享权值网络;
将所述目标区域图像数据库中的所述常规区域图像和所述异常区域图像分别输入至所述常规孪生子网络和所述异常孪生子网络中,输出常规区域分布特征集和异常区域分布特征集;
引入特征损失函数对所述常规区域分布特征集和异常区域分布特征集进行损失分析,输出区域分布损失数据集;
对所述区域分布损失数据集进行多维隐患特征标记,生成所述区域隐患特征孪生数据库。
进一步而言,所述特征损失函数具体为:
;
其中,为所述常规区域分布特征集和所述异常区域分布特征集的损失函数,/>为数据样本的特征权值分配信息,i为数据样本的特征顺序,n为数据样本的特征总数量,/>为所述常规区域分布特征集和异常区域分布特征集的当前特征相似度,/>为所述常规区域分布特征集和异常区域分布特征集的预设特征相似度。
具体的,基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,即对目标区域图像数据库中的各异常图像进行隐患特征分析。首先搭建特征孪生网络,所述特征孪生网络是以比较两个区域样本的相似程度,且权重共享的神经网络拼接而成的网络结构,包括常规孪生子网络和异常孪生子网络,且所述常规孪生子网络和异常孪生子网络为共享权值网络,即上述两个孪生子网络的网络结构相同,且数据训练处理过程也相同。将所述目标区域图像数据库中的所述常规区域图像和所述异常区域图像分别输入至所述常规孪生子网络和所述异常孪生子网络中,通过常规孪生子网络和异常孪生子网络分别对所述常规区域图像和所述异常区域图像进行区域多维特征提取,通过相同的图像卷积特征提取方式,输出相应的常规区域分布特征集和异常区域分布特征集,包括区域设施特征、形状特征、色彩特征、空间分布特征、异常位置特征、纹理特征等。
引入特征损失函数对所述常规区域分布特征集和异常区域分布特征集进行损失分析,所述特征损失函数具体为:。其中,/>为所述常规区域分布特征集和所述异常区域分布特征集的损失函数;为数据样本的特征权值分配信息,即区域分布特征集中各特征的权重分配结果,可通过图像处理经验设置,权值越大,表明该分布特征的重要程度越大;i为数据样本的特征顺序,即各特征的计算排布顺序;n为数据样本的特征总数量;/>为所述常规区域分布特征集和异常区域分布特征集的当前特征相似度,可采用相关系数等方法计算,取值0到1之间,相似度越高,表明两图像的特征状态越相似;/>为所述常规区域分布特征集和异常区域分布特征集的预设特征相似度,取值0到1之间,为两图像特征集的理想相似状态。
通过所述特征损失函数计算输出区域分布损失数据集,所述区域分布损失数据集为异常区域图像与常规区域图像相似度比对的特征损失数据,为区域异常特征数据。对所述区域分布损失数据集进行多维隐患特征标记,包括异常位置、形状、色彩等,获取标记后的多维隐患特征数据,以此生成区域隐患特征孪生数据库,所述区域隐患特征孪生数据库为目标区域各类型隐患的多维特征数据集合。利用孪生网络损失分析实现隐患特征数据库构建,以用于后续隐患快速准确识别,提高隐患风险分析精确性,进而确保隐患预警及时性。
步骤S3:通过视觉传感设备获取所述目标区域的当前区域监控图像,对所述当前区域监控图像进行隐患识别标记,确定目标隐患框信息;
具体的,通过视觉传感设备获取所述目标区域的当前区域监控图像,其中,所述视觉传感设备可为高精度照相机或无人机,以此对目标区域进行图像监控采集。再利用所述特征孪生网络对所述当前区域监控图像进行隐患相似度识别,并通过锚框对隐患识别区域进行标记,确定目标隐患框信息,所述目标隐患框信息为根据图像识别结果所框选的隐患区域。实现隐患框选针对性测距,提高隐患立体测距效率。
步骤S4:对所述目标隐患框信息进行三维标定,得到隐患坐标信息,基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;进一步而言,所述得到隐患坐标信息,本申请步骤还包括:
通过激光雷达对所述目标区域进行感应扫描、滤波预处理,获取区域三维点云数据信息;
基于所述区域三维点云数据信息进行点云特征融合,生成目标区域三维点云模型;
将所述当前区域监控图像映射至所述目标区域三维点云模型进行配准标定,得到区域点云测距模型;
根据所述区域点云测距模型定义测距坐标轴,基于所述定义测距坐标轴对所述目标隐患框信息进行立体标定,得到所述隐患坐标信息。
进一步而言,所述确定隐患风险等级信息,本申请步骤还包括:
获取隐患测距因素信息,所述隐患测距因素信息包括防护区相对位置和隐患净空距离;
基于所述隐患测距因素信息对所述隐患坐标信息进行距离标识,得到隐患防护区相对距离信息和目标隐患净空距离信息;
对所述隐患测距因素信息中的各测距因素进行关键度分配,获得测距因素关键度分配因子信息;
基于所述测距因素关键度分配因子信息对所述隐患防护区相对距离信息和目标隐患净空距离信息进行风险评价、加权融合,确定所述隐患风险等级信息。
进一步而言,本申请步骤还包括:
对所述目标隐患框信息进行风险类型识别,获得隐患目标物类型;
通过目标区域隐患数据库对所述隐患目标物类型进行损失影响分析,确定区域隐患损失因子;
监测获取隐患目标物持续时间,基于所述隐患目标物持续时间对所述区域隐患损失因子进行融合,获得增益隐患风险系数;
基于所述增益隐患风险系数对所述隐患风险等级信息进行增益补充修正。
具体的,对所述目标隐患框信息进行三维标定,以确定其空间位置坐标。首先通过激光雷达对所述目标区域进行感应扫描,获取区域点云数据信息,所述区域点云数据信息包括区域设施分布、结构尺寸等信息。再通过高斯滤波等方式对区域点云数据信息中的异常点进行滤波预处理,获取滤波后可用的区域三维点云数据信息。将所述区域三维点云数据信息按照空间位置进行点云特征融合,生成目标区域三维点云模型,所述目标区域三维点云模型用于可视化展现目标区域的空间分布信息。进而将所述当前区域监控图像映射至所述目标区域三维点云模型进行配准标定,即通过ICP算法等比较和匹配点云数据与监控图像数据,将实际环境中的三维坐标与点云数据中的坐标对应起来,得到区域分布的精确位置和姿态信息,从而实现点云数据的标定,以此得到区域点云测距模型,所述区域点云测距模型用于对实际区域中的隐患信息进行三维立体测距。
根据所述区域点云测距模型定义测距坐标轴,可自行定义坐标轴原点,以此获取所述测距坐标轴用于对区域隐患三维坐标进行标定。基于所述定义测距坐标轴对所述目标隐患框信息进行立体标定,得到相应的隐患坐标信息,所述隐患坐标信息为区域隐患的实际三维坐标信息。实现隐患坐标快速准确标定,提高坐标测距合理性。
基于所述隐患坐标信息进行立体测距和风险等级划分,首先制定获取隐患测距因素信息,所述隐患测距因素信息包括防护区相对位置,即隐患与防护区的相对位置,以输电通道场景为例,防护区为导线到地面的投影向外扩展预设距离的区域;隐患净空距离,即导线到隐患的净空距离。通过所述区域点云测距模型按照所述隐患测距因素信息对所述隐患坐标信息进行距离标识,得到隐患立体测距相应的隐患防护区相对距离信息和目标隐患净空距离信息。对所述隐患测距因素信息中的各测距因素进行关键度分配,即通过主观赋值或客观经验对各测距因素进行权重分配,获得测距因素关键度分配因子信息,所述测距因素关键度分配因子信息为各测距因素对隐患风险评估的重要程度,分配因子越大,该因素对隐患风险评估所占重要程度越大。
基于所述测距因素关键度分配因子信息对所述隐患防护区相对距离信息和目标隐患净空距离信息进行风险评价,可按照目标区域的应用场景自行设置隐患距离风险评估体系,再通过隐患距离风险评估体系对所述隐患防护区相对距离信息和目标隐患净空距离信息进行风险等级评估,进而按照所述测距因素关键度分配因子信息对风险等级评估结果进行加权融合,计算确定隐患风险等级信息,风险等级越大,表明该风险的预警处理优先级越高。通过立体测距实现隐患风险等级智能评估,提高风险等级分析准确性和划分效率。
为提高隐患风险评估全面性,可通过隐患目标物数据库对所述目标隐患框信息进行风险类型识别,搜索比对获得隐患目标物类型,例如,障碍物、施工设备等。通过目标区域隐患数据库对所述隐患目标物类型进行损失影响分析,其中,所述目标区域隐患数据库为该目标区域各类型隐患目标物所造成的损失价值数据,通过隐患目标物类型确定区域隐患损失因子,所述区域隐患损失因子为该隐患目标物类型所造成的损失风险。同时监测获取隐患目标物持续时间,隐患目标物的持续时间越长,造成的隐患风险越大,基于所述隐患目标物持续时间对所述区域隐患损失因子进行参数融合,获得增益隐患风险系数,所述增益隐患风险系数为该隐患目标物造成的附加风险程度。基于所述增益隐患风险系数对所述隐患风险等级信息进行增益补充修正,提高隐患风险分析全面性和准确性。
步骤S5:将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像;
进一步而言,所述获得目标异常图像,本申请步骤还包括:
基于所述异常孪生子网络对所述隐患坐标信息和所述当前区域监控图像进行特征提取,得到当前异常区域分布特征集;
采用相似度算法对所述当前异常区域分布特征集和所述区域隐患特征孪生数据库进行相似度计算,获得区域隐患相似度集合;
将所述区域隐患相似度集合进行降序排列,优选输出所述目标异常图像。
具体的,将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,即对相似隐患类型图像进行筛选获取。首先基于所述异常孪生子网络对所述隐患坐标信息和所述当前区域监控图像进行特征提取,卷积特征提取方式与所述异常区域分布特征集相同,得到当前异常区域分布特征集。采用相似度算法对所述当前异常区域分布特征集和所述区域隐患特征孪生数据库中的所述异常区域分布特征集进行相似度计算,其中,所述相似度算法可优选为余弦相似度算法,计算获得区域隐患相似度集合,所述区域隐患相似度集合为所述当前异常区域分布特征集与所述异常区域分布特征集的特征相似度集合。将所述区域隐患相似度集合进行降序排列,按照相似度顺序优选输出目标异常图像,所述目标异常图像为特征相似度最大的异常区域图像。利用孪生网络实现隐患快速匹配识别,提高隐患识别准确性和识别效率。
步骤S6:调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息,并通过所述目标隐患等级信息对所述目标区域进行隐患预警。
具体的,为确保隐患测距精确性,通过所述区域点云测距模型对异常区域图像进行立体测距的同时,对其进行隐患区域现场实测,并对模型立体测距数据和现场实测数据进行存储。调取所述目标异常图像的测距准确度,所述测距准确度为该隐患目标物的模型立体测距数据与现场实测数据的测量误差。基于所述测距准确度对所述隐患风险等级信息进行修正,即通过误差调整后的测距数据进行风险等级评估,获取修正后的目标隐患等级信息。并通过所述目标隐患等级信息对所述目标区域进行隐患预警,便于优先快速处理高等级风险,实现立体测距误差修正,提高隐患风险等级分析精确性和隐患预警及时性,进而确保隐患处理效率。
综上所述,本申请所提供的基于孪生网络的立体测距隐患预警方法及***具有如下技术效果:
由于采用了分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库,基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;对当前区域监控图像进行隐患识别标记,确定目标隐患框信息进行三维标定,得到隐患坐标信息,再基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像,调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息进行隐患预警的技术方案。进而达到利用孪生网络实现隐患快速准确识别和立体测距误差修正,提高隐患风险等级分析精确性和隐患预警及时性,进而确保隐患处理效率的技术效果。
实施例二
基于与前述实施例中基于孪生网络的立体测距隐患预警方法同样发明构思,本发明还提供了基于孪生网络的立体测距隐患预警***,如图3所示,所述***包括:
图像数据库获取模块11,用于分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库;
孪生数据库生成模块12,用于基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;
隐患识别标记模块13,用于通过视觉传感设备获取所述目标区域的当前区域监控图像,对所述当前区域监控图像进行隐患识别标记,确定目标隐患框信息;
测距风险划分模块14,用于对所述目标隐患框信息进行三维标定,得到隐患坐标信息,基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;
相似度计算优选模块15,用于将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像;
隐患预警模块16,用于调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息,并通过所述目标隐患等级信息对所述目标区域进行隐患预警。
进一步的,所述***还包括:
特征孪生网络搭建单元,用于搭建所述特征孪生网络,所述特征孪生网络包括常规孪生子网络和异常孪生子网络,且所述常规孪生子网络和异常孪生子网络为共享权值网络;
分布特征集输出单元,用于将所述目标区域图像数据库中的所述常规区域图像和所述异常区域图像分别输入至所述常规孪生子网络和所述异常孪生子网络中,输出常规区域分布特征集和异常区域分布特征集;
损失分析单元,用于引入特征损失函数对所述常规区域分布特征集和异常区域分布特征集进行损失分析,输出区域分布损失数据集;
隐患特征标记单元,用于对所述区域分布损失数据集进行多维隐患特征标记,生成所述区域隐患特征孪生数据库。
进一步的,所述***还包括:
点云数据获取单元,用于通过激光雷达对所述目标区域进行感应扫描、滤波预处理,获取区域三维点云数据信息;
点云模型生成单元,用于基于所述区域三维点云数据信息进行点云特征融合,生成目标区域三维点云模型;
模型配准标定单元,用于将所述当前区域监控图像映射至所述目标区域三维点云模型进行配准标定,得到区域点云测距模型;
隐患立体标定单元,用于根据所述区域点云测距模型定义测距坐标轴,基于所述定义测距坐标轴对所述目标隐患框信息进行立体标定,得到所述隐患坐标信息。
进一步的,所述***还包括:
测距因素获取单元,用于获取隐患测距因素信息,所述隐患测距因素信息包括防护区相对位置和隐患净空距离;
隐患距离标识单元,用于基于所述隐患测距因素信息对所述隐患坐标信息进行距离标识,得到隐患防护区相对距离信息和目标隐患净空距离信息;
关键度分配单元,用于对所述隐患测距因素信息中的各测距因素进行关键度分配,获得测距因素关键度分配因子信息;
风险评价融合单元,用于基于所述测距因素关键度分配因子信息对所述隐患防护区相对距离信息和目标隐患净空距离信息进行风险评价、加权融合,确定所述隐患风险等级信息。
进一步的,所述***还包括:
风险类型识别单元,用于对所述目标隐患框信息进行风险类型识别,获得隐患目标物类型;
损失影响分析单元,用于通过目标区域隐患数据库对所述隐患目标物类型进行损失影响分析,确定区域隐患损失因子;
损失因子融合单元,用于监测获取隐患目标物持续时间,基于所述隐患目标物持续时间对所述区域隐患损失因子进行融合,获得增益隐患风险系数;
增益补充修正单元,用于基于所述增益隐患风险系数对所述隐患风险等级信息进行增益补充修正。
进一步的,所述***还包括:
异常特征提取单元,用于基于所述异常孪生子网络对所述隐患坐标信息和所述当前区域监控图像进行特征提取,得到当前异常区域分布特征集;
相似度计算单元,用于采用相似度算法对所述当前异常区域分布特征集和所述区域隐患特征孪生数据库进行相似度计算,获得区域隐患相似度集合;
相似度优选单元,用于将所述区域隐患相似度集合进行降序排列,优选输出所述目标异常图像。
进一步的,所述***还包括:
损失函数单元,具体为:,其中,/>为所述常规区域分布特征集和所述异常区域分布特征集的损失函数,为数据样本的特征权值分配信息,i为数据样本的特征顺序,n为数据样本的特征总数量,/>为所述常规区域分布特征集和异常区域分布特征集的当前特征相似度,/>为所述常规区域分布特征集和异常区域分布特征集的预设特征相似度。
前述图1实施例一中的基于孪生网络的立体测距隐患预警方法的各种变化方式和具体实例同样适用于本实施例的基于孪生网络的立体测距隐患预警***,通过前述对基于孪生网络的立体测距隐患预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于孪生网络的立体测距隐患预警***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图4所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、***总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、***部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如***设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以及两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作***1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作***1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.基于孪生网络的立体测距隐患预警方法,其特征在于,所述方法包括:
分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库;
基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;
通过视觉传感设备获取所述目标区域的当前区域监控图像,对所述当前区域监控图像进行隐患识别标记,确定目标隐患框信息;
对所述目标隐患框信息进行三维标定,得到隐患坐标信息,基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;
将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像;
调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息,并通过所述目标隐患等级信息对所述目标区域进行隐患预警;
其中,所述生成区域隐患特征孪生数据库,包括:
搭建所述特征孪生网络,所述特征孪生网络包括常规孪生子网络和异常孪生子网络,且所述常规孪生子网络和异常孪生子网络为共享权值网络;
将所述目标区域图像数据库中的所述常规区域图像和所述异常区域图像分别输入至所述常规孪生子网络和所述异常孪生子网络中,输出常规区域分布特征集和异常区域分布特征集;
引入特征损失函数对所述常规区域分布特征集和异常区域分布特征集进行损失分析,输出区域分布损失数据集;
对所述区域分布损失数据集进行多维隐患特征标记,生成所述区域隐患特征孪生数据库;
其中,所述获得目标异常图像,包括:
基于所述异常孪生子网络对所述隐患坐标信息和所述当前区域监控图像进行特征提取,得到当前异常区域分布特征集;
采用相似度算法对所述当前异常区域分布特征集和所述区域隐患特征孪生数据库进行相似度计算,获得区域隐患相似度集合;
将所述区域隐患相似度集合进行降序排列,优选输出所述目标异常图像。
2.如权利要求1所述的方法,其特征在于,所述得到隐患坐标信息,包括:
通过激光雷达对所述目标区域进行感应扫描、滤波预处理,获取区域三维点云数据信息;
基于所述区域三维点云数据信息进行点云特征融合,生成目标区域三维点云模型;
将所述当前区域监控图像映射至所述目标区域三维点云模型进行配准标定,得到区域点云测距模型;
根据所述区域点云测距模型定义测距坐标轴,基于所述定义测距坐标轴对所述目标隐患框信息进行立体标定,得到所述隐患坐标信息。
3.如权利要求1所述的方法,其特征在于,所述确定隐患风险等级信息,包括:
获取隐患测距因素信息,所述隐患测距因素信息包括防护区相对位置和隐患净空距离;
基于所述隐患测距因素信息对所述隐患坐标信息进行距离标识,得到隐患防护区相对距离信息和目标隐患净空距离信息;
对所述隐患测距因素信息中的各测距因素进行关键度分配,获得测距因素关键度分配因子信息;
基于所述测距因素关键度分配因子信息对所述隐患防护区相对距离信息和目标隐患净空距离信息进行风险评价、加权融合,确定所述隐患风险等级信息。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
对所述目标隐患框信息进行风险类型识别,获得隐患目标物类型;
通过目标区域隐患数据库对所述隐患目标物类型进行损失影响分析,确定区域隐患损失因子;
监测获取隐患目标物持续时间,基于所述隐患目标物持续时间对所述区域隐患损失因子进行融合,获得增益隐患风险系数;
基于所述增益隐患风险系数对所述隐患风险等级信息进行增益补充修正。
5.如权利要求1所述的方法,其特征在于,所述特征损失函数具体为:
;
其中,为所述常规区域分布特征集和所述异常区域分布特征集的损失函数,为数据样本的特征权值分配信息,i为数据样本的特征顺序,n为数据样本的特征总数量,/>为所述常规区域分布特征集和异常区域分布特征集的当前特征相似度,/>为所述常规区域分布特征集和异常区域分布特征集的预设特征相似度。
6.基于孪生网络的立体测距隐患预警***,其特征在于,所述***包括:
图像数据库获取模块,用于分别对目标区域的常规区域图像和异常区域图像进行采集实测,获取目标区域图像数据库;
孪生数据库生成模块,用于基于特征孪生网络对所述目标区域图像数据库进行异常损失分析,生成区域隐患特征孪生数据库;
隐患识别标记模块,用于通过视觉传感设备获取所述目标区域的当前区域监控图像,对所述当前区域监控图像进行隐患识别标记,确定目标隐患框信息;
测距风险划分模块,用于对所述目标隐患框信息进行三维标定,得到隐患坐标信息,基于所述隐患坐标信息进行立体测距、风险等级划分,确定隐患风险等级信息;
相似度计算优选模块,用于将所述隐患坐标信息和所述当前区域监控图像输入至所述区域隐患特征孪生数据库中进行相似度计算优选,获得目标异常图像;
隐患预警模块,用于调取所述目标异常图像的测距准确度,基于所述测距准确度对所述隐患风险等级信息进行修正,获取目标隐患等级信息,并通过所述目标隐患等级信息对所述目标区域进行隐患预警;
特征孪生网络搭建单元,用于搭建所述特征孪生网络,所述特征孪生网络包括常规孪生子网络和异常孪生子网络,且所述常规孪生子网络和异常孪生子网络为共享权值网络;
分布特征集输出单元,用于将所述目标区域图像数据库中的所述常规区域图像和所述异常区域图像分别输入至所述常规孪生子网络和所述异常孪生子网络中,输出常规区域分布特征集和异常区域分布特征集;
损失分析单元,用于引入特征损失函数对所述常规区域分布特征集和异常区域分布特征集进行损失分析,输出区域分布损失数据集;
隐患特征标记单元,用于对所述区域分布损失数据集进行多维隐患特征标记,生成所述区域隐患特征孪生数据库;
异常特征提取单元,用于基于所述异常孪生子网络对所述隐患坐标信息和所述当前区域监控图像进行特征提取,得到当前异常区域分布特征集;
相似度计算单元,用于采用相似度算法对所述当前异常区域分布特征集和所述区域隐患特征孪生数据库进行相似度计算,获得区域隐患相似度集合;
相似度优选单元,用于将所述区域隐患相似度集合进行降序排列,优选输出所述目标异常图像。
7.一种电子设备,包括总线、收发器、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计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述的基于孪生网络的立体测距隐患预警方法中的步骤。
8.一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如权利要求1-5中任一项所述的基于孪生网络的立体测距隐患预警方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145778.5A CN117671303B (zh) | 2024-02-02 | 2024-02-02 | 基于孪生网络的立体测距隐患预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145778.5A CN117671303B (zh) | 2024-02-02 | 2024-02-02 | 基于孪生网络的立体测距隐患预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671303A CN117671303A (zh) | 2024-03-08 |
CN117671303B true CN117671303B (zh) | 2024-04-12 |
Family
ID=90069896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145778.5A Active CN117671303B (zh) | 2024-02-02 | 2024-02-02 | 基于孪生网络的立体测距隐患预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671303B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070680A (zh) * | 2024-04-18 | 2024-05-24 | 江苏濠汉信息技术有限公司 | 一种变电站空间建模测距的监测预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308302A (zh) * | 2023-05-19 | 2023-06-23 | 深圳抛物线科技有限公司 | 一种基于数字孪生的绝缘隐患超前预警方法及*** |
CN116524691A (zh) * | 2023-07-05 | 2023-08-01 | 广东电网有限责任公司广州供电局 | 输电线路隐患告警方法、装置、存储介质及计算机设备 |
CN116908214A (zh) * | 2023-09-14 | 2023-10-20 | 中交路建交通科技有限公司 | 一种基于数字孪生的隧道施工缺陷检测方法及*** |
CN117422205A (zh) * | 2023-12-18 | 2024-01-19 | 天津电力工程监理有限公司 | 基于数字孪生的装配式钢结构变电站建造管理***和方法 |
-
2024
- 2024-02-02 CN CN202410145778.5A patent/CN117671303B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308302A (zh) * | 2023-05-19 | 2023-06-23 | 深圳抛物线科技有限公司 | 一种基于数字孪生的绝缘隐患超前预警方法及*** |
CN116524691A (zh) * | 2023-07-05 | 2023-08-01 | 广东电网有限责任公司广州供电局 | 输电线路隐患告警方法、装置、存储介质及计算机设备 |
CN116908214A (zh) * | 2023-09-14 | 2023-10-20 | 中交路建交通科技有限公司 | 一种基于数字孪生的隧道施工缺陷检测方法及*** |
CN117422205A (zh) * | 2023-12-18 | 2024-01-19 | 天津电力工程监理有限公司 | 基于数字孪生的装配式钢结构变电站建造管理***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117671303A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117671303B (zh) | 基于孪生网络的立体测距隐患预警方法及*** | |
CN111126399B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN117875719B (zh) | 基于目标三维立体测距的变电站安全预警方法 | |
CN112469066B (zh) | 5g网络覆盖评估方法及装置 | |
CN112767366A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及*** | |
CN112489099A (zh) | 点云配准方法、装置、存储介质及电子设备 | |
CN117146739B (zh) | 用于光学瞄准镜的测角检定方法及*** | |
CN116245193A (zh) | 目标检测模型的训练方法、装置、电子设备及介质 | |
CN117689084A (zh) | 一种电控趾端滑套的制造工艺优化方法及*** | |
CN117129527A (zh) | 一种城市道路铺设质量检测方法及*** | |
CN108540926A (zh) | 一种无线信号指纹的构建方法及装置 | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及*** | |
CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN115758717A (zh) | 模拟亮温偏差的估算方法、装置、电子设备及存储介质 | |
CN108307400B (zh) | 一种无线网络规划仿真结果的验证方法及*** | |
CN115035481A (zh) | 一种图像物距融合方法、装置、设备及存储介质 | |
CN113870210A (zh) | 一种图像质量评估方法、装置、设备及存储介质 | |
CN109831737B (zh) | 一种基于置信度的蓝牙定位方法、装置、设备和*** | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN117516276A (zh) | 一种无人机干扰设备的智能控制方法及*** | |
CN113038357B (zh) | 一种室内定位方法及电子设备 | |
CN112052572A (zh) | 基于wlan位置感知的数字孪生工业仿真*** | |
CN111401123A (zh) | 一种基于深度学习的slam回环检测方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |