CN105930774A - 一种基于神经网络的桥梁螺栓脱落自动识别方法 - Google Patents
一种基于神经网络的桥梁螺栓脱落自动识别方法 Download PDFInfo
- Publication number
- CN105930774A CN105930774A CN201610229918.2A CN201610229918A CN105930774A CN 105930774 A CN105930774 A CN 105930774A CN 201610229918 A CN201610229918 A CN 201610229918A CN 105930774 A CN105930774 A CN 105930774A
- Authority
- CN
- China
- Prior art keywords
- bolt
- image
- bridge
- server
- neutral net
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的桥梁螺栓自动识别方法,涉及桥梁监测领域,步骤S1:桥梁上安装若干摄像机,同时将摄像机与监控中心的服务器相连;步骤S2:将桥梁划分为多个监测区域;步骤S3:摄像机采集监测区域内螺栓完好时图像和脱落时图像,并传输给服务器;步骤S4:建立神经网络模型,使用步骤S3中采集的螺栓的完好图像和脱落图像对神经网络进行训练;步骤S5:摄像机采集每个区域的图像,并传输给服务器;步骤S6:神经网络对步骤S5图像进行识别,判断螺栓是否脱落。本发明能够精准、便捷对桥梁上的螺栓进行监测。
Description
技术领域
本发明涉及桥梁监测领域,具体涉及一种基于神经网络的桥梁螺栓脱落自动识别方法。
背景技术
当前,我国的大跨桥梁事业飞速发展,桥梁的数目越来越多,因而桥梁的安全越发显得重要,桥梁上的螺栓对桥梁的整个结构起着关键性的作用,为维护桥梁的安全,需要定期对桥梁上的螺栓进行检查,判断其是否脱落,但是整个桥梁上的螺栓的数目众多,且有些位置检修人员难以到达,检修起来,困难重重,特别是高铁桥梁,白天列车运行繁忙,在时间上根本不允许检修人员上桥检查,晚上光线较差,很难清楚地对螺栓进行检查。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于神经网络的桥梁螺栓脱落自动识别方法,能够精准、便捷对桥梁上的螺栓进行监测。
为达到以上目的,本发明采取的技术方案是:包括:
步骤S1:桥梁上安装若干摄像机,同时将摄像机与监控中心的服务器相连;
步骤S2:将桥梁划分为多个监测区域;
步骤S3:摄像机采集监测区域内螺栓完好时图像和脱落时图像,并传输给服务器;
步骤S4:建立神经网络模型,使用步骤S3中采集的螺栓的完好图像和脱落图像对神经网络进行训练;
步骤S5:摄像机采集每个区域的图像,并传输给服务器;
步骤S6:神经网络对步骤S5图像进行识别,判断螺栓是否脱落。
在上述技术方案的基础上,所述步骤S2的具体过程为:
将桥梁划分为多个区域,每个监测区域里至少有一个螺栓,每台摄像机负责至少一个监测区域的监控,且每个监测区域内设一定位标志,并标记出检测区域中的螺栓,记录每个摄像机负责的监测区域、每个监测区域相对应负责其监控的摄像机的旋转角度及变焦倍数、每个监测区域内螺栓的个数、每个检测区域内的每个螺栓相对于定位标志的位置,然后将以上记录的信息录入到服务器的数据库中。
在上述技术方案的基础上,所述定位标志为一“回”字形的黑白标志。
在上述技术方案的基础上,所述步骤S5具体包括以下步骤:
步骤一:根据服务器的数据库中记录每个监测区域相对于负责其监控的摄像机的旋转角度及变焦倍数信息,将摄像机对准待检测的监测区域;
步骤二:摄像机采集监测区域的图像,并传输给服务器,服务器查找图像中的定位标志;
步骤三:服务器根据数据库中每个监测区域中的螺栓相对于定位标志的位置信息,对图像进行分割,得到单个螺栓的图像;
步骤四:服务器对单个螺栓的图像进行归一化处理,所述归一化处理为平滑处理、缩小处理、转换成灰度图、自动色阶处理。
在上述技术方案的基础上,所述步骤S3还包括:
摄像机采集监测区域内不同天气、不同阳光照射下螺栓完好时和脱落时的图像,然后传输给服务器,服务器对采集到的图像进行分割,得到单个螺栓完好和脱落时的图像,然后服务器再对单个螺栓完好和脱落时的图像进行归一化处理,所述归一化处理为平滑处理、缩小处理、转换成灰度图和自动色阶处理。
在上述技术方案的基础上,所述归一化处理中的平滑处理采用中值滤波法。
在上述技术方案的基础上,所述步骤S4的具体过程为:
建立一个三层神经网络模型,根据单个螺栓图像的大小,设置输入层神经元个数,根据经验公式n1=sqrt(n+m)+d,其中n1为隐层单元数,n为输入单元数,m为输出单元数,d为0到10之间的常数,设置输出层神经元个数为1,将步骤S3中归一化处理后的螺栓的完好图像和脱落图像作为输入,并且定义螺栓完好输出为1,螺栓脱落输出为0。
在上述技术方案的基础上,所述步骤S6的具体过程为:
神经网络对图像进行识别,并对识别出的脱落的螺栓进行报警,提醒工作人员,对于识别不确定的疑似脱落的螺栓,则请求人工确认,待人工确认后将该特殊情况加入到神经网络的训练集中,并重新训练神经网络。
与现有技术相比,本发明的优点在于:
(1)使用摄像机对桥梁上的螺栓进行监控和识别,无需人工上桥检修,且摄像机还可以对桥梁上某些人工无法到达的位置的螺栓进行监测。
(2)将图像分割成单个螺栓的图像,并进行归一化处理,提高了螺栓完好和脱落两种状态时的特征差异,进一步提高了识别准确度。
(3)该桥梁螺栓的脱落识别方法能够适用于不同天气状况下对桥梁的安全监测,弥补了人工检测的不足,有效地保障了桥梁的安全,同时也大幅降低了桥梁的维护成本。
(4)可以利用桥梁上现有的交通监控等摄像头来作为本发明的监测摄像头使用,减少本桥梁螺栓脱落自动识别方法的投入成本。
附图说明
图1为本发明一种基于神经网络的桥梁螺栓脱落自动识别方法的流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参见图1所示,本发明提供一种基于神经网络的桥梁螺栓脱落自动识别方法,用于对桥梁上的螺栓进行监测并判断其是否脱落,该方法具体包括以下步骤:
步骤S1:***组建:桥梁上安装若干摄像机,同时将摄像机与监控中心的服务器相连;
步骤S2:区域划分及标记:人工将桥梁划分为多个监测区域,每个监测区域里有一个或多个螺栓,每台摄像机负责一个或多个监测区域的监控,然后在每个监测区域内水平张贴一“回”字形的黑白定位标志,定位标志的中间为黑色,然后人工记录每个摄像机负责的监测区域、每个监测区域相对于负责其监控的摄像机的旋转角度及变焦倍数、每个监测区域内螺栓的个数、每个检测区域内的每个螺栓相对于定位标志的位置,然后将以上记录的信息录入到服务器的数据库中。
步骤S3:训练集的图像采集:摄像机尽可能多的采集监测区域中在不同天气、不同阳光照射下螺栓完好时和脱落时的图像,然后传输给服务器,服务器对采集到的图像进行分割,得到单个螺栓完好和脱落时的图像,然后服务器再对单个螺栓完好和脱落时的图像进行归一化处理,形成一训练集,归一化处理包括平滑处理、缩小处理、转换成灰度图和自动色阶处理,其具体过程为:平滑处理为去除图像细节信息,减少噪声,保留图像的总体特征,平滑处理采用中值滤波法,然后将图像缩小到标准大小,接着将图像转换成灰度图,最后对图像进行自动色阶处理,使得每幅图像的像素值分布在0到1区间,进行归一化处理,提高了螺栓完好和脱落两种状态时的特征差异,进一步提高了识别准确度。
步骤S4:建立并训练神经网络:建立一个三层神经网络模型,根据单个螺栓图像的大小,设置输入层神经元个数,根据经验公式n1=sqrt(n+m)+d,其中n1为隐层单元数,n为输入单元数,m为输出单元数,d为0到10之间的常数,设置输出层神经元个数为1。将训练集中的单个螺栓的完好和脱落时的图像作为输入,并且定义螺栓完好输出为1,螺栓脱落输出为0,使用反向传播法对神经网络进行训练,直到神经网络的识别误差小于我们设定的某一阀值。
步骤S5:图像采集:摄像机对监测区域进行图像采集,具体包括以下步骤:
步骤一:根据服务器的数据库中记录每个监测区域相对于负责其监控的摄像机的旋转角度及变焦倍数信息,将摄像机对准待检测的监测区域;
步骤二:摄像机采集监测区域的图像,并传输给服务器,服务器查找图像中的定位标志;
步骤三:服务器根据数据库中每个监测区域中的螺栓相对于定位标志的位置信息,对图像进行分割,得到单个螺栓的图像;
步骤四:服务器对单个螺栓的图像进行归一化处理,所述归一化处理为平滑处理、缩小处理、转换成灰度图、自动色阶处理。
步骤S6:图像识别:神经网络对归一化处理后的图像进行识别,并对识别出的脱落的螺栓进行报警,服务器根据数据库中每个监测区域中的螺栓相对于定位标志的位置信息对图像进行分割的,因此可以确定具体是哪一个螺栓脱落了,以便于工作人员对其进行维修,对于识别不确定的疑似脱落的螺栓,则请求人工确认,待人工确认后将该特殊情况加入到神经网络的训练集中,并重新训练神经网络,以提高神经网络的识别准确度。
当然,我们可以利用桥梁上现有的交通监控等摄像头来作为本发明的监测摄像头使用,减少本桥梁螺栓脱落自动识别方法的投入成本。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于,其包括:
步骤S1:桥梁上安装若干摄像机,同时将摄像机与监控中心的服务器相连;
步骤S2:将桥梁划分为多个监测区域;
步骤S3:摄像机采集监测区域内螺栓完好时图像和脱落时图像,并传输给服务器;
步骤S4:建立神经网络模型,使用步骤S3中采集的螺栓的完好图像和脱落图像对神经网络进行训练;
步骤S5:摄像机采集每个区域的图像,并传输给服务器;
步骤S6:神经网络对步骤S5图像进行识别,判断螺栓是否脱落。
2.如权利要求1所述的一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于,所述步骤S2的具体过程为:
将桥梁划分为多个区域,每个监测区域里至少有一个螺栓,每台摄像机负责至少一个监测区域的监控,且每个监测区域内设一定位标志,并标记出检测区域中的螺栓,记录每个摄像机负责的监测区域、每个监测区域相对应负责其监控的摄像机的旋转角度及变焦倍数、每个监测区域内螺栓的个数、每个检测区域内的每个螺栓相对于定位标志的位置,然后将以上记录的信息录入到服务器的数据库中。
3.如权利要求2所述的一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于:所述定位标志为一“回”字形的黑白标志。
4.如权利要求2所述的一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于,所述步骤S5具体包括以下步骤:
步骤一:根据服务器的数据库中记录每个监测区域相对于负责其监控的摄像机的旋转角度及变焦倍数信息,将摄像机对准待检测的监测区域;
步骤二:摄像机采集监测区域的图像,并传输给服务器,服务器查找图像中的定位标志;
步骤三:服务器根据数据库中每个监测区域中的螺栓相对于定位标志的位置信息,对图像进行分割,得到单个螺栓的图像;
步骤四:服务器对单个螺栓的图像进行归一化处理,所述归一化处理为平滑处理、缩小处理、转换成灰度图、自动色阶处理。
5.如权利要求1所述的一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于,所述步骤S3还包括:
摄像机采集监测区域内不同天气、不同阳光照射下螺栓完好时和脱落时的图像,然后传输给服务器,服务器对采集到的图像进行分割,得到单个螺栓完好和脱落时的图像,然后服务器再对单个螺栓完好和脱落时的图像进行归一化处理,所述归一化处理为平滑处理、缩小处理、转换成灰度图和自动色阶处理。
6.如权利要求5所述的一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于:所述归一化处理中的平滑处理采用中值滤波法。
7.如权利要求5所述的一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于,所述步骤S4的具体过程为:
建立一个三层神经网络模型,根据单个螺栓图像的大小,设置输入层神经元个数,根据经验公式n1=sqrt(n+m)+d,其中n1为隐层单元数,n为输入单元数,m为输出单元数,d为0到10之间的常数,设置输出层神经元个数为1,将步骤S3中归一化处理后的螺栓的完好图像和脱落图像作为输入,并且定义螺栓完好输出为1,螺栓脱落输出为0。
8.如权利要求1所述的一种基于神经网络的桥梁螺栓脱落自动识别方法,其特征在于,所述步骤S6的具体过程为:
神经网络对图像进行识别,并对识别出的脱落的螺栓进行报警,提醒工作人员,对于识别不确定的疑似脱落的螺栓,则请求人工确认,待人工确认后将该特殊情况加入到神经网络的训练集中,并重新训练神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229918.2A CN105930774A (zh) | 2016-04-14 | 2016-04-14 | 一种基于神经网络的桥梁螺栓脱落自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229918.2A CN105930774A (zh) | 2016-04-14 | 2016-04-14 | 一种基于神经网络的桥梁螺栓脱落自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105930774A true CN105930774A (zh) | 2016-09-07 |
Family
ID=56838968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610229918.2A Pending CN105930774A (zh) | 2016-04-14 | 2016-04-14 | 一种基于神经网络的桥梁螺栓脱落自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930774A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107588809A (zh) * | 2017-10-24 | 2018-01-16 | 中国矿业大学 | 一种杆件连接节点中的摩擦型高强螺栓脱落识别方法 |
CN108764278A (zh) * | 2018-04-16 | 2018-11-06 | 苏州富鑫林光电科技有限公司 | 一种基于视觉的自学习工业智能检测***及方法 |
CN108989756A (zh) * | 2018-08-06 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 建筑工程质量监测方法、装置及存储介质 |
CN109255805A (zh) * | 2018-08-23 | 2019-01-22 | 苏州富鑫林光电科技有限公司 | 机器学习的工业智能数据收集***和方法 |
CN109461133A (zh) * | 2018-08-27 | 2019-03-12 | 石家庄铁道大学 | 桥梁螺栓脱落检测方法及终端设备 |
CN109657685A (zh) * | 2018-12-17 | 2019-04-19 | 哈尔滨工业大学 | 一种基于灰度像素的图像表示方法及*** |
CN112507915A (zh) * | 2020-12-15 | 2021-03-16 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN113821856A (zh) * | 2021-09-17 | 2021-12-21 | 中铁六局集团有限公司 | 一种基于bim的弦杆栓接防螺栓掉落方法、电子设备及介质 |
CN114359880A (zh) * | 2022-03-18 | 2022-04-15 | 北京理工大学前沿技术研究院 | 一种基于智能学习模型的乘车体验增强方法、装置及云端 |
US11599796B2 (en) | 2018-09-30 | 2023-03-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating a neural network model for image processing |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645173A (zh) * | 2011-02-16 | 2012-08-22 | 张文杰 | 一种基于多目视觉的桥梁三维变形监测方法 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104266786A (zh) * | 2014-09-05 | 2015-01-07 | 武汉理工光科股份有限公司 | 基于otdr技术的螺栓紧固程度在线监测***及方法 |
CN104680517A (zh) * | 2015-01-22 | 2015-06-03 | 清华大学 | 一种螺栓松动的检测方法 |
-
2016
- 2016-04-14 CN CN201610229918.2A patent/CN105930774A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645173A (zh) * | 2011-02-16 | 2012-08-22 | 张文杰 | 一种基于多目视觉的桥梁三维变形监测方法 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104266786A (zh) * | 2014-09-05 | 2015-01-07 | 武汉理工光科股份有限公司 | 基于otdr技术的螺栓紧固程度在线监测***及方法 |
CN104680517A (zh) * | 2015-01-22 | 2015-06-03 | 清华大学 | 一种螺栓松动的检测方法 |
Non-Patent Citations (2)
Title |
---|
刘超华: "基于机器视觉高空飞机螺栓松动监测仿真", 《计算机仿真》 * |
蔡红梅: "基于图像处理的螺栓松动智能监测方法研究", 《计算机仿真》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107588809B (zh) * | 2017-10-24 | 2019-07-30 | 中国矿业大学 | 一种杆件连接节点中的摩擦型高强螺栓脱落识别方法 |
CN107588809A (zh) * | 2017-10-24 | 2018-01-16 | 中国矿业大学 | 一种杆件连接节点中的摩擦型高强螺栓脱落识别方法 |
CN108764278A (zh) * | 2018-04-16 | 2018-11-06 | 苏州富鑫林光电科技有限公司 | 一种基于视觉的自学习工业智能检测***及方法 |
CN108989756A (zh) * | 2018-08-06 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 建筑工程质量监测方法、装置及存储介质 |
CN109255805A (zh) * | 2018-08-23 | 2019-01-22 | 苏州富鑫林光电科技有限公司 | 机器学习的工业智能数据收集***和方法 |
CN109255805B (zh) * | 2018-08-23 | 2021-10-01 | 苏州富鑫林光电科技有限公司 | 机器学习的工业智能数据收集***和方法 |
CN109461133A (zh) * | 2018-08-27 | 2019-03-12 | 石家庄铁道大学 | 桥梁螺栓脱落检测方法及终端设备 |
CN109461133B (zh) * | 2018-08-27 | 2020-10-23 | 石家庄铁道大学 | 桥梁螺栓脱落检测方法及终端设备 |
US11599796B2 (en) | 2018-09-30 | 2023-03-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating a neural network model for image processing |
US11907852B2 (en) | 2018-09-30 | 2024-02-20 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating a neural network model for image processing |
CN109657685A (zh) * | 2018-12-17 | 2019-04-19 | 哈尔滨工业大学 | 一种基于灰度像素的图像表示方法及*** |
CN112507915A (zh) * | 2020-12-15 | 2021-03-16 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN112507915B (zh) * | 2020-12-15 | 2023-06-20 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN113821856A (zh) * | 2021-09-17 | 2021-12-21 | 中铁六局集团有限公司 | 一种基于bim的弦杆栓接防螺栓掉落方法、电子设备及介质 |
CN114359880B (zh) * | 2022-03-18 | 2022-05-24 | 北京理工大学前沿技术研究院 | 一种基于智能学习模型的乘车体验增强方法、装置及云端 |
CN114359880A (zh) * | 2022-03-18 | 2022-04-15 | 北京理工大学前沿技术研究院 | 一种基于智能学习模型的乘车体验增强方法、装置及云端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930774A (zh) | 一种基于神经网络的桥梁螺栓脱落自动识别方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN110136447B (zh) | 行车变道检测及违法变道识别的方法 | |
CN108765404A (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
CN106297330B (zh) | 减少行人过街对平面感知信号控制效率影响的方法及*** | |
CN107609491A (zh) | 一种基于卷积神经网络的车辆违章停车检测方法 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN103186982B (zh) | 一种治安智能卡口*** | |
CN103106766A (zh) | 林火识别方法与*** | |
CN110910354A (zh) | 道路检测车及道路检测方法、装置 | |
CN109448365A (zh) | 一种跨尺度空基平台区域道路交通***综合监视方法 | |
CN102346844B (zh) | 一种货车下心盘螺栓丢失故障识别装置及其识别方法 | |
CN110570537B (zh) | 基于视频识别的航标监测方法及船载航标智能巡检设备 | |
CN102867417A (zh) | 一种出租车防伪***及方法 | |
CN108332927A (zh) | 一种桥梁表面裂缝检测装置 | |
CN103236181A (zh) | 一种基于机器视觉的交通信号灯状态监控***及方法 | |
CN102445453B (zh) | 一种高速铁路线路护栏完整性自动检测装置及识别方法 | |
CN112883921A (zh) | 一种垃圾桶满溢检测模型训练方法及垃圾桶满溢检测方法 | |
JP3466169B2 (ja) | 道路や周辺施設等の管理システム | |
CN110321823A (zh) | 基于深度学习的斑马线礼让行人违法二次检测方法 | |
CN112084892B (zh) | 一种道路异常事件检测管理装置及其方法 | |
CN115393347B (zh) | 一种基于城市大脑的电网智能巡检方法及*** | |
CN108364474A (zh) | 基于图像和rfid信息的数据融合处理方法及*** | |
CN112633722A (zh) | 车载道路安全风险评估***及方法 | |
CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160907 |