道路障碍物识别方法和装置
阅读：812发布：2020-05-15
专利汇可以提供道路障碍物识别方法和装置专利检索，专利查询，专利分析的服务。并且本 申请 公开了道路障碍物识别方法和装置。该方法的一具体实施方式包括：获取道路上的障碍物对象的激光点 云 ；基于激光点云，获取障碍物对象的标注信息；基于标注信息，生成 机器学习 模型的训练样本。实现了通过基于障碍物对象的激光点云，获取不同类型的障碍物对象的标注信息，从而准确地确定出不同类型的障碍物对象的大小、 位置 、 角 度，进一步基于障碍物对象的标注信息，生成以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型的训练样本，进而不断地提升机器学习模型的识别准确率。，下面是道路障碍物识别方法和装置专利的具体信息内容。
1.一种道路障碍物识别方法，其特征在于，所述方法包括：
获取道路上的障碍物对象的激光点云；
基于所述激光点云，获取障碍物对象的标注信息，所述标注信息包括：大小、位置、角度；
基于所述标注信息，生成机器学习模型的训练样本，以利用所述训练样本对机器学习模型进行训练，所述机器学习模型为基于障碍物对象的激光点云对障碍物对象的大小、位置、角度进行识别的模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述激光点云，获取障碍物对象的标注信息包括：
利用开源框架cloudcompare框架中的立方体对象基于所述激光点云，获取障碍物对象的标注信息。
3.根据权利要求2所述的方法，其特征在于，障碍物对象包括：车辆对象、行人对象、交通标识对象。
4.根据权利要求3所述的方法，其特征在于，利用开源框架cloudcompare框架中的立方体对象基于所述激光点云，获取障碍物对象的标注信息包括：
创建障碍物对象对应的立方体对象；
调整立方体对象的中心点与障碍物对象的中心点重合；
调整立方体对象的大小、位置、角度，以使立方体对象覆盖障碍物对象；
获取调整后的立方体对象的大小、位置、角度；
将所述大小、位置、角度作为所述标注信息。
5.根据权利要求4所述的方法，其特征在于，获取道路上的障碍物对象的激光点云包括：
从服务器获取道路上的障碍物对象的激光点云。
6.根据权利要求5所述的方法，其特征在于，基于所述标注信息，生成机器学习模型的训练样本包括：
向服务器发送所述标注信息，以在服务器上基于所述标注信息生成用于对设置于服务器上的所述机器学习模型进行训练的训练样本。
7.一种道路障碍物对象识别装置，其特征在于，所述装置包括：
点云获取单元，配置用于获取道路上的障碍物对象的激光点云；
信息获取单元，配置用于基于所述激光点云，获取障碍物对象的标注信息，所述标注信息包括：大小、位置、角度；
生成单元，配置用于基于所述标注信息，生成机器学习模型的训练样本，以利用所述训练样本对机器学习模型进行训练，所述机器学习模型为基于障碍物对象的激光点云对障碍物对象的大小、位置、角度进行识别的模型。
8.根据权利要求7所述的装置，其特征在于，信息获取单元包括：
标注信息获取子单元，配置用于利用开源框架cloudcompare框架中的立方体对象基于所述激光点云，获取障碍物对象的标注信息。
9.根据权利要求8所述的装置，其特征在于，障碍物对象包括：车辆对象、行人对象、交通标识对象。
10.根据权利要求9所述的装置，其特征在于，标注信息获取子单元进一步配置用于：创建障碍物对象对应的立方体对象；调整立方体对象的中心点与障碍物对象的中心点重合；
调整立方体对象的大小、位置、角度，以使立方体对象覆盖障碍物对象；获取调整后的立方体对象的大小、位置、角度；将所述大小、位置、角度作为所述标注信息。
11.根据权利要求10所述的装置，其特征在于，点云获取单元包括激光点云获取子单元，配置用于从服务器获取道路上的障碍物对象的激光点云。
12.根据权利要求11所述的装置，其特征在于，所述生成单元包括：
发送子单元，配置用于向服务器发送所述标注信息，以在服务器上基于所述标注信息生成用于对设置于服务器上的所述机器学习模型进行训练的训练样本。
道路障碍物识别方法和装置
技术领域
背景技术
[0002] 计算机技术在汽车上的广泛应用使得汽车越来越智能。在汽车行驶过程中，可以利用车载激光扫描设备获取道路上的障碍物的激光点云，需要利用机器学习模型以激光点云为输入，对障碍物的大小、位置、角度进行识别。
[0003] 然而，由于获取到的所有障碍物对象的激光点云是混合在一起的，会出现机器学习模型无法正确区分位置出现重叠的障碍物对象的情况，进而导致错误的识别结果无法及时得到校正，降低机器学习模型的识别准确率。发明内容
[0004] 本申请提供了道路障碍物识别方法和装置，用于解决上述背景技术部分存在的技术问题。
[0005] 第一方面，本申请提供了道路障碍物识别方法，该方法包括：获取道路上的障碍物对象的激光点云；基于激光点云，获取障碍物对象的标注信息，标注信息包括：大小、位置、角度；基于标注信息，生成机器学习模型的训练样本，以利用训练样本对机器学习模型进行训练，机器学习模型为基于障碍物对象的激光点云对障碍物对象的大小、位置、角度进行识别的模型。
[0006] 第二方面，本申请提供了道路障碍物识别装置，该装置包括：点云获取单元，配置用于获取道路上的障碍物对象的激光点云；信息获取单元，配置用于基于激光点云，获取障碍物对象的标注信息，标注信息包括：大小、位置、角度；生成单元，配置用于基于标注信息，生成机器学习模型的训练样本，以利用训练样本对机器学习模型进行训练，机器学习模型为基于障碍物对象的激光点云对障碍物对象的大小、位置、角度进行识别的模型。
[0007] 本申请提供的道路障碍物识别方法和装置，获取道路上的障碍物对象的激光点云；基于激光点云，获取障碍物对象的标注信息；基于标注信息，生成机器学习模型的训练样本。实现了通过基于障碍物对象的激光点云，获取不同类型的障碍物对象的标注信息，从而准确地确定出不同类型的障碍物对象的大小、位置、角度，进一步基于障碍物对象的标注信息，生成以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型的训练样本，进而不断地提升机器学习模型的识别准确率。附图说明
[0008] 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：
[0009] 图1是本申请可以应用于其中的示例性系统架构图；
[0010] 图2示出了根据本申请的道路障碍物识别方法的一个实施例的流程图；
[0011] 图3示出了本申请的道路障碍物识别方法一个示例性原理图；
[0012] 图4示出了根据本申请的道路障碍物识别装置的一个实施例的结构示意图；
具体实施方式
[0014] 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。
[0015] 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。
[0016] 图1示出了可以应用本申请的道路障碍物识别方法或装置的实施例的示例性系统架构100。
[0017] 如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供传输链路的介质。网络104可以包括各种连接类型，例如有线、无线传输链路或者光纤电缆等等。
[0018] 用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯应用，例如、激光点云处理类应用、浏览器类应用、搜索类应用、文字处理类应用等。
[0019] 终端设备101、102、103可以是具有显示屏并且支持网络通信的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
[0020] 服务器105可以向终端设备101、102、103发送障碍物对象的激光点云。由终端设备101、102、103对障碍物对象进行标注，即获取障碍物对象的大小、位置、角度等标注信息。终端设备101、102、103可以将障碍物对象的标注信息发送给服务器105，以使得服务器105上的基于激光点云对障碍物对象进行识别的机器学习模型可以利用基于标注信息而生成的训练样本进行训练，提升机器学习模型对障碍物对象的大小、位置、角度的识别准确率。
[0021] 应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0022] 请参考图2，其示出了根据本申请的道路障碍物识别方法的一个实施例的流程200。需要说明的是，本申请实施例所提供的道路障碍物识别方法一般由图1中的终端101、
102、103执行。
102、103执行。
[0023] 步骤201，获取道路上的障碍物对象的激光点云。
[0024] 在本实施例中，可以采用车载激光扫描设备预先采集道路上的障碍物对象的激光点云。例如，在车辆(例如无人驾驶汽车)行驶过程中，可以利用车辆上的车载激光扫描仪以预设采集频率采集车辆行驶的道路上的障碍物对象的激光点云，从而获取到道路上的障碍物对象的激光点云。
[0025] 在本实施例的一些可选的实现方式中，障碍物对象包括：车辆对象、行人对象、交通标识对象。车辆对象可以包括但不限于：自行车、小汽车、卡车、中巴车、大巴车。交通标识对象可以包括但不限于：车道线、交通标志牌、指示标线、红绿灯。
[0026] 在本实施例的一些可选的实现方式中，获取道路上的障碍物对象的激光点云包括：从服务器获取道路上的障碍物对象的激光点云。
[0027] 在本实施例中，障碍物对象的激光点云可以存储在服务器上。例如，在车辆(例如无人驾驶汽车)行驶过程中，可以利用车辆上的车载激光扫描仪以预设采集频率采集车辆行驶的道路上的障碍物对象的激光点云，然后，可以将采集到的海量的激光点云发送至服务器进行存储。当需要对障碍物对象进行标注时，可以从云服务器获取障碍物对象的激光点云。
[0028] 步骤202，基于激光点云，获取障碍物对象的标注信息。
[0029] 在本实施例中，在通过步骤201获取道路上的障碍物对象，例如车辆对象、行人对象、交通标识对象的激光点云之后，可以基于车辆对象、行人对象、交通标识对象等障碍物对象的激光点云，获取障碍物对象的标注信息。障碍物对象的标注信息可以包括但不限于：大小、位置、角度。
[0031] 在本实施例的一些可选的实现方式中，利用开源框架cloudcompare框架中的立方体对象基于激光点云，获取障碍物对象的标注信息包括：创建障碍物对象对应的立方体对象；调整立方体对象的中心点与障碍物对象的中心点重合；调整立方体对象的大小、位置、角度，以使立方体对象覆盖障碍物对象；获取调整后的立方体对象的大小、位置、角度；将大小、位置、角度作为标注信息。
[0032] 在本实施例中，可以通过以下方式利用开源框架cloudcompare框架中的立方体对象即cube对象基于激光点云，获取障碍物对象的标注信息：可以首先将获取到的车辆对象、行人对象、交通标识对象等障碍物对象的激光点云导入cloudcompare框架。cloudcompare框架可以用于处理激光点云。在将障碍物对象的激光点云导入cloudcompare框架之后，障碍物对象的激光点云可以显示在cloudcompare框架的界面上。
[0033] 在本实施例中，可以在cloudcompare框架中，针对车辆对象、行人对象等障碍物对象，预先设置各种类型的障碍物对象各自对应的立方体对象即cube对象。不同类型的障碍物对象对应的cube对象可以使用不同的颜色进行区分。
[0034] 在本实施例中，可以基于显示在cloudcompare框架的界面上车辆对象、行人对象、交通标识对象的激光点云，调整车辆对象、行人对象、交通标识对象等障碍物对象各自对应的cube对象的大小、位置、角度。然后，可以根据调整后的cube对象的大小、位置、角度，得到车辆对象、行人对象、交通标识对象等障碍物对象的大小、位置、角度等障碍物对象的标注信息。
[0035] 在本实施例中，可以采用以下方式调整障碍物对象对应的cube对象的大小、位置、角度，得到障碍物对象的标注信息：可以首先创建不同类型的障碍物对象对应的cube对象。然后，在cloudcompare框架的界面上添加不同类型的障碍物对应的cube对象，使得不同类型的障碍物对象对应的cube对象显示在cloudcompare框架的界面上。显示在cloudcompare框架的界面上的障碍物对象的激光点云可以用于描述障碍物的轮廓，可以根据显示在cloudcompare框架的界面上的激光点云，确定不同类型的障碍物对象的轮廓。可以将在cloudcompare框架的界面上的cube对象的中心点与该cube对象对应障碍物对象的中心点重合。然后，可以调整cube对象的大小、位置、角度，使得cube对象可以覆盖对应的障碍物对象，例如，调整cube对象的轮廓与障碍物对象的轮廓重合。可以分别调整不同类型的障碍物对象对应的cube对象的大小、位置、角度，从而使得不同类型的cube对象可以覆盖各自对应的障碍物对象。
[0036] 在本实施例中，在调整不同的类型的障碍物对象对应的cube对象的大小、位置、角度，覆盖障碍物对象之后，可以进一步通过cloudcompare框架提供的读取cube对象的接口获取经调整后的cube对象的大小、位置、角度，即cube对象的大小、位置、角度。从而可以利用经调整后的cube对象的大小、位置、角度来描述对应的障碍物对象的大小、位置、角度。可以将cube对象的大小、位置、角度作为障碍物对象的标注信息，从而获取到障碍物对象的标注信息，即完成对障碍物对象的标注。
[0037] 步骤203，基于标注信息，生成机器学习模型的训练样本。
[0038] 在本实施例中，在通过步骤202基于激光点云，获取障碍物对象的标注信息之后，可以基于障碍物对象的标注信息，生成机器学习模型的训练样本。例如，将标注信息转换为机器学习模型的输入向量，从而利用训练样本对机器学习模型进行训练。该机器学习模型可以为以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型，例如深度学习模型。
[0039] 在本实施例中，通过基于障碍物对象的激光点云，获取不同类型的障碍物对象的大小、位置、角度等标注信息，从而准确地确定出不同类型的障碍物对象的大小、位置、角度。然后，可以基于障碍物对象的标注信息，生成以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型的训练样本。可以利用该训练样本对以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型进行训练，进而不断地提升机器学习模型的识别准确率。
[0040] 在本实施例的一些可选的实现方式中，基于标注信息，生成机器学习模型的训练样本包括：向服务器发送标注信息，以在服务器上基于标注信息生成用于对设置于服务器上的机器学习模型进行训练的训练样本。
[0041] 在本实施例中，以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型可以设置在服务器上。可以将标注信息发送至服务器，从而可以在服务器上基于障碍物对象的标注信息，生成训练样本，利用该训练样本对以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型进行训练，进而不断地提升机器学习模型对障碍物的大小、位置、角度的识别准确率。
[0042] 请参考图3，其示出了本申请的道路障碍物识别方法一个示例性原理图。
[0043] 在图3中，示出了客户端和服务器。客户端可以设置于终端上，客户端可以配置有cloudcompare框架。客户端可以配置有对cloudcompare框架中的立方体对象即cube对象进行操作的cube对象操作接口。例如，客户端可以配置有添加不同类型的障碍物对应的cube对象的接口、编辑cube对象的接口、调整障碍物对应的cube对象的大小的接口、调整障碍物对应的cube对象的位置的接口、调整障碍物对象对应的cube对象的角度的接口。
[0044] 服务器可以存储海量的障碍物对象的激光点云(也可称之为原始激光点云)以及障碍物对象的标注信息。服务器上可以设置有以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型。
[0045] 客户端可以从服务器获取到障碍物对象的激光点云。然后，可以基于障碍物对象的激光点云对障碍物对象进行标注，即获取障碍物对象的大小、位置、角度等标注信息。例如，客户端可以接收用户输入的操作指令，操作指令可以调用cube对象操作接口，对障碍物对应的cube对象的大小、位置、角度进行调整。可以通过cloudcompare框架提供的API获取经调整后的cube对象的大小、位置、角度。
[0046] 从而可以利用经调整后的cube对象的大小、位置、角度来描述对应的障碍物对象的大小、位置、角度。可以将cube对象的大小、位置、角度作为障碍物对象的标注信息，从而获取到障碍物对象的标注信息，即完成对障碍物对象的标注。
[0047] 在客户端完成对障碍物对象的标注，即获取到障碍物对象的标注信息之后，可以在客户端采用JSON(JavaScript Object Notation)数据格式存储障碍物对象的标注信息。用户可以在客户端上对障碍物对象的历史标注信息进行查看、编辑等操作。
[0048] 同时，客户端可以将障碍物对象的标注信息发送至服务器，从而可以在服务器上基于障碍物对象的标注信息，生成训练样本。可以利用该训练样本对以障碍物的激光点云作为输入，对障碍物的大小、位置、角度进行识别的机器学习模型进行训练，进而不断地提升机器学习模型的识别准确率。
[0049] 进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种道路障碍物识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0050] 如图4所示，本实施例的道路障碍物识别装置400包括：点云获取单元401，信息获取单元402，生成单元403。其中，点云获取单元401配置用于获取道路上的障碍物对象的激光点云；信息获取单元402配置用于基于激光点云，获取障碍物对象的标注信息，标注信息包括：大小、位置、角度；生成单元403配置用于基于标注信息，生成机器学习模型的训练样本，以利用训练样本对机器学习模型进行训练，机器学习模型为基于障碍物对象的激光点云对障碍物对象的大小、位置、角度进行识别的模型。
[0051] 在本实施例的一些可选的实现方式中，信息获取单元402包括：标注信息获取子单元(未示出)，配置用于利用开源框架cloudcompare框架中的立方体对象基于所述激光点云，获取障碍物对象的标注信息。
[0052] 在本实施例的一些可选的实现方式中，障碍物对象包括：车辆对象、行人对象、交通标识对象。
[0053] 在本实施例的一些可选的实现方式中，标注信息获取子单元进一步配置用于：创建障碍物对象对应的立方体对象；调整立方体对象的中心点与障碍物对象的中心点重合；调整立方体对象的大小、位置、角度，以使立方体对象覆盖障碍物对象；获取调整后的立方体对象的大小、位置、角度；将所述大小、位置、角度作为所述标注信息。
[0054] 在本实施例的一些可选的实现方式中，点云获取单元401包括：激光点云获取子单元(未示出)，配置用于从服务器获取道路上的障碍物对象的激光点云。
[0055] 在本实施例的一些可选的实现方式中，生成单元403包括：发送子单元(未示出)，配置用于向服务器发送标注信息，以在服务器上基于标注信息生成用于对设置于服务器上的所述机器学习模型进行训练的训练样本。
[0056] 图5示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
[0057] 如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有系统500操作所需的各种程序和数据。CPU701、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线
504。
504。
[0058] 以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0059] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。
[0060] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0061] 作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取道路上的障碍物对象的激光点云；基于所述激光点云，获取障碍物对象的标注信息，所述标注信息包括：大小、位置、角度；基于所述标注信息，生成机器学习模型的训练样本，以利用所述训练样本对机器学习模型进行训练，所述机器学习模型为基于障碍物对象的激光点云对障碍物对象的大小、位置、角度进行识别的模型。
[0062] 以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于深度学习的道路障碍物轨迹预测方法和系统 | 2020-05-12 | 793 |
| 改善伴有学习/记忆障碍和运动障碍等的中枢神经变性疾病的干燥植物组织和植物组织提取物以及含有它们的药品和食品 | 2020-05-14 | 684 |
| 包含生姜提取物或姜烯酚的药物组合物 | 2020-05-15 | 228 |
| 新型的苯并二氮杂的制备方法 | 2020-05-14 | 66 |
| 包含生姜提取物或姜烯酚的药物组合物 | 2020-05-15 | 791 |
| 人参皂苷Rg1、Rh1和Ppt抗认知、学习记忆功能障碍的用途 | 2020-05-13 | 915 |
| 含有水芹菜提取物作为有效成分的学习能力或记忆力障碍预防或治疗用组合物及其制造方法 | 2020-05-14 | 708 |
| 木豆素及其组合物在改善学习记忆方面的用途 | 2020-05-14 | 598 |
| 一种基于深度学习的无人驾驶汽车障碍物识别检测方法 | 2020-05-12 | 447 |
| 自设障碍多功能益智学习器 | 2020-05-11 | 672 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈