CN107679452A - 大数据下基于卷积神经网络的货运列车车号实时识别*** - Google Patents

大数据下基于卷积神经网络的货运列车车号实时识别*** Download PDF

Info

Publication number
CN107679452A
CN107679452A CN201710748749.8A CN201710748749A CN107679452A CN 107679452 A CN107679452 A CN 107679452A CN 201710748749 A CN201710748749 A CN 201710748749A CN 107679452 A CN107679452 A CN 107679452A
Authority
CN
China
Prior art keywords
neural networks
license number
convolutional neural
big data
goods train
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
Application number
CN201710748749.8A
Other languages
English (en)
Inventor
马焕芳
冯俊
柯正祥
李惠柯
杨权
丁灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN201710748749.8A priority Critical patent/CN107679452A/zh
Publication of CN107679452A publication Critical patent/CN107679452A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了大数据下基于卷积神经网络的货运列车车号实时识别***，包括以下几个步骤：采集大量的货运列车图像，构建车号数据集；设计车号识别的卷积神经网络模型结构和并行化训练算法；在大数据平台上，训练卷积神经网络；利用大数据实时处理技术处理采集到的图像，经过车型车号区域定位、车型车号字符分割后，利用训练好的模型进行识别，输出识别结果。本发明提出的大数据环境下基于卷积神经网络的货运列车车号实时识别方法，把大数据技术、深度学习技术、图像处理技术相结合，缩短了卷积神经网络的训练时间，提高了货运列车车号识别的准确率并可以实时识别出货运列车车号。

Description

大数据下基于卷积神经网络的货运列车车号实时识别***
技术领域
本发明涉及车号识别领域，尤其涉及大数据下基于卷积神经网络的货运列车车号实时识别***。
背景技术
铁路货物运输是现代货物运输的主要方式之一，而货运列车的车号作为每一节车厢的唯一标识，在铁路货运过程中起着至关重要的作用：在计划、调度、结算以及合同管理等运销全程跟踪、统计和分析工作中，无一例外都需要与列车车号发生关联。研究车号识别技术变得尤为重要。
现有的车号识别技术对车号的识别普遍采用录像识别，即依靠列车图像采集装置获取列车标志，然后通过图像处理技术识别车号。但是这种方式存在以下缺点：(1)货运列车车号的实时识别虽然属于弱实时性，但是仍然由于缺乏海量视频存储技术和实时处理技术，导致车号的实时识别难以取得较好的效果；(2)由于缺乏较好的货运列车车号识别模型，车号识别准确率难以达到理想的效果；(3)当数据集规模较大时，识别模型训练时间耗时长。
近年来大数据处理技术的快速发展，大大提高了***的计算能力和存储能力，为海量视频图像的存储和基于大数据的图像智能分析提供了解决方案。深度学习是目前主流的机器学习方法，卷积神经网络是深度学习应用最成熟和广泛的模型，在语音识别、图像处理、自然语言分析、信息检索等领域已经取得了显著的成果。把大数据和深度学习技术用于解决货运列车车号的实时识别具有重要的意义。
目前没有成型的基于大数据深度学习的车号识别方法，建立高效、准确的车号识别方法是现有货运列车车号识别研究的迫切需要。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种大数据环境下基于卷积神经网络的货运列车车号实时识别***，将大数据技术和深度学习技术相结合；以深度学习技术为支撑，识别方法可以大大提高车号识别的准确率；以大数据实时流处理技术为支撑，能够实时的识别车号提高车号识别速率。
本发明的技术方案如下：
大数据下基于卷积神经网络的货运列车车号实时识别***，包括大数据平台并行训练卷积神经网络模块和货运列车车号实时识别模块；
所述大数据平台并行训练卷积神经网络模块采用大数据平台进行卷积神经网络的训练，得到最优的网络模型参数；
所述货运列车车号实时识别模块基于最优的网络模型参数进行车号的实时识别，输出识别结果。
所述大数据平台并行训练卷积神经网络模块执行如下步骤：
步骤1-1，安装支架、补光灯阵列、车号摄像机、启停摄像机、高速数据采集***、高性能数据数理工作站构成货运列车图像获取硬件***，图像获取硬件***获取摄像机拍摄到的货运列车的图像，根据获取的货运列车的图像的序列得到车号图像，货运列车的图像序列按上午(7:00～11:00)、中午(11:00～14:00)、下午(14:00～17:00)和晚上(17:00～7:00)四个分时段进行分类采集，获取的图像采用用单尺度Retinex算法[1]([1]唐磊，赵春霞，王鸿南，等.基于各向异性Retinex的路面图像阴影消除[J].中国图象图形学报，2008，13(2):264-268.)、同态滤波[2]([2]欧阳庆.不均匀光照下车牌图像二值化研究[J].武汉大学学报:工学版，2006，39(4):143-146.)、中值滤波进行预处理后，采用[3]([3]牛智慧，赵歆波，葛莉等.一种新的货运列车车号分割算法，计算机技术与发展)中算法进行车号区域定位、车号分割，之后经过Otsu算法二值化[4](Sahoo P K，Sohani S，Wong AK C，etal.A survey of thresholding techniques[J].Computer Vision Graphics and ImageProcessing，1988，41(2):233-260.)、图像大小归一等处理后得到车号图像，采用80000张车号图像构建车号训练集；
步骤1-2，构建卷积神经网络的模型结构；
步骤1-3，设计并行训练算法；
步骤1-4，训练卷积神经网络得到最优的网络模型参数。
步骤1-2包括：
卷积神经网络的模型结构包括输入层、卷积层、采样层和输出层，不包括输入层一共有6层，分别是C1层(卷积层)、S2层(采样层)、C3层(卷积层)、S4层(采样层)、C5层(卷积层)和输出层，每一层都包括可训练的参数，这些参数包括每层采用的特征图的权重值和偏置值；比如：C1层是卷积层，采用的特征图大小为5×5，所以每个特征图包含5*5＝25个权重值，每个特征图最后要经过一个输出函数输出，输出函数由偏置值控制，所以每个特征图有一个偏置值；输入层大小为32×32，C5层和输出层全连接，模型激活函数采用sigmod函数，货运列车车号的识别中，需要识别的字符包括10个***数字和16个英文字母，输出神经元的个数为26。
步骤1-3中所述并行训练算法采用基于大数据平台数据并行和GPU(GraphicsProcessing Unit，图形处理器)加速相结合的方法。
步骤1-3包括：
步骤1-3-1，搭建由两台以上服(一般为8台)服务器组成的大数据平台，步骤1-1得到的车号训练集分布式存储在大数据平台的每个节点上，大数据平台的节点表示实际的PC机或服务器；
步骤1-3-2，大数据平台每个节点存储一个相同的完整的卷积神经网络，各个节点使用该节点存储的数据对卷积神经网络进行训练。
步骤1-4包括：
步骤1-4-1，在大数据平台上开始卷积神经网络的训练，训练中每次迭代经过Map过程和Reduce过程；Map过程表示分解过程，把整个训练数据集分解成两个以上数据集分发给不同的节点去训练，Reduce过程表示合并过程，接受Map过程的输出，合并不同Map过程的输出结果并汇总结果；每个Map过程和Reduce过程采用GPU(Graphics Processing Unit，图形处理器)加速计算；
步骤1-4-2，多次迭代直到卷积神经网络收敛或达到最大循环次数，得到最优的网络模型参数，本设计采用的最大循环次数为32。
所述货运列车车号实时识别模块基于最优的网络模型参数进行车号的实时识别，输出识别结果执行如下步骤：
步骤2-1，采集货运列车图像，采集的图像流作为实时流处理框架SparkStreaming的输入；
步骤2-2，Spark Streaming中执行车号定位算法定位货运列车车号区域，定位后的货运列车图像剔除图像中的无用信息，只保留车号信息；
步骤2-3，采用字符分割算法分割步骤2-2处理后的图像，得到只包括单个字符信息的图像；比如车型号(K56)和车牌号(0,1,2,3,4,5,6,7,8,9)的图像；
步骤2-4，用货运列车车号实时识别模块识别步骤2-3处理后的图像，并将输出结果持久化到分布式列式数据库HBase中。
步骤2-2中的车号定位算法采用的是基于深度学习的车号字符区域定位算法，使用深度学习框架Caffe(Convolutional Architecture for Fast Feature Embedding，Caffe)，运用大量训练数据，训练字符区域定位模型，将图像中字符区域准确高效的定位。
步骤2-4中，车型车号识别模块采用卷积神经网络进行识别，卷积神经网络模型结构的设计采用的是基于步骤1-4得到的最优参数。
有益效果：本发明的有益效果是：
(1)通过大数据平台采用数据并行和GPU加速方式，并行训练卷积神经网络，提高了卷积神经网络的训练速度和识别准确率。
(2)用Spark Streaming并行化识别车号，延时较低的微型的批处理正好适应货运列车的车号识别，不仅可以实时识别车号还有效地提高了车号识别的速率。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其它方面的优点将会变得更加清楚。
图1是本发明一种大数据环境下基于卷积神经网络的货运列车车号实时识别方法的总流程示意图。
图2是本发明采用的卷积神经网络模型结构图。
图3是本发明中基于大数据平台数据并行和GPU加速相结合的方法并行训练卷积神经网络的流程图。
图4是本发明中货运列车车号的识别模块流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本发明一种大数据环境下基于卷积神经网络的货运列车车号实时识别方法，包括：大数据平台并行训练卷积神经网络模块和货运列车车号实时识别模块。
所述大数据平台并行训练卷积神经网络模块采用大数据平台进行卷积神经网络的训练，得到最优的网络模型参数；
所述货运列车车号实时识别模块基于最优的网络模型参数进行车号的实时识别，输出识别结果。
所述大数据平台并行训练卷积神经网络模块执行如下步骤：
步骤1-1，安装支架、补光灯阵列、车号摄像机、启停摄像机、高速数据采集***、高性能数据数理工作站构成货运列车图像获取硬件***，图像获取硬件***获取摄像机拍摄到的货运列车的图像；获取的图像经过去燥和模糊处理等预处理、二值化、车号区域定位、车号分割、大小归一化等操作后得到车号图像；采用80000张车号图像构建车号训练集；
步骤1-2，构建卷积神经网络的模型结构；
步骤1-3，设计并行训练算法；
步骤1-4，训练卷积神经网络得到最优的网络模型参数。
步骤1-2包括：
卷积神经网络的模型结构包括输入层、卷积层、采样层和输出层，不包括输入层一共有6层，分别是C1层(卷积层)、S2层(采样层)、C3层(卷积层)、S4层(采样层)、C5层(卷积层)、输出层，每一层都包括可训练的参数，这些参数包括每层采用的特征图的权重值和偏置值；输入层大小为32×32，C5层和输出层全连接，模型激活函数采用sigmod函数，货运列车车号的识别中，需要识别的字符包括10个***数字和16个英文字母，输出神经元的个数为26。
步骤1-3中所述并行训练算法采用基于大数据平台数据并行和GPU(GraphicsProcessing Unit，图形处理器)加速相结合的方法。
步骤1-3包括：
步骤1-3-1，搭建由两台以上服(一般为8台)服务器组成的大数据平台，步骤1-1得到的车号训练集分布式存储在大数据平台的每个节点上，大数据平台的节点表示实际的PC机或服务器；
步骤1-3-2，大数据平台每个节点存储一个相同的完整的卷积神经网络，各个节点使用该节点存储的数据对卷积神经网络进行训练。
步骤1-4包括：
步骤1-4-1，在大数据平台上开始卷积神经网络的训练，训练中每次迭代经过Map过程和Reduce过程；Map过程表示分解过程，把整个训练数据集分解成两个以上数据集分发给不同的节点去训练，Reduce过程表示合并过程，接受Map过程的输出，合并不同Map过程的输出结果并汇总结果；每个Map过程和Reduce过程采用GPU(Graphics Processing Unit，图形处理器)加速计算；
步骤1-4-2，多次迭代直到卷积神经网络收敛或达到最大循环次数，得到最优的网络模型参数，本设计采用的最大循环次数为32。
所述货运列车车号实时识别模块基于最优的网络模型参数进行车号的实时识别，输出识别结果执行如下步骤：
步骤2-1，采集货运列车图像，采集的图像流作为实时流处理框架SparkStreaming的输入；
步骤2-2，Spark Streaming中执行车号定位算法定位货运列车车号区域，定位后的货运列车图像剔除图像中的无用信息，只保留车号信息；
步骤2-3，采用字符分割算法分割步骤2-2处理后的图像，得到只包括单个字符信息的图像；比如车型号(K56)和车牌号(0,1,2,3,4,5,6,7,8,9)的图像；
步骤2-4，用货运列车车号实时识别模块识别步骤2-3处理后的图像，并将输出结果持久化到分布式列式数据库HBase中。
步骤2-2中的车号定位算法采用的是基于深度学习的车号字符区域定位算法，使用深度学习框架Caffe(Convolutional Architecture for Fast Feature Embedding，Caffe)，运用大量训练数据，训练字符区域定位模型，将图像中字符区域准确高效的定位。
步骤2-4中，车型车号识别模块采用卷积神经网络进行识别，卷积神经网络模型结构的设计采用的是基于步骤1-4得到的最优参数。
实施例
下面结合图1、图2、图3和图4，对大数据环境下基于卷积神经网络的货运列车车号实时识别方法的流程做详细说明：
如图1所示，大数据平台并行训练卷积神经网络模块图像采集设备采集图像，选取采集的部分图像作为训练数据集，设计卷积神经网络的模型结构，最后用设计好的卷积神经网络和并行化算法，并行训练卷积神经网络得到最优的模型参数。其中训练数据集采集的图片7万张，约60GB，采用的卷积神经网络的模型结构如图2所示，图2中卷积神经网络的模型结构为：由输入层、卷积层、采样层、输出层组成，不包括输入层一共有6层，分别是C1层、S2层、C3层、S4层、C5层、输出层，每一层都包括可训练的参数。输入层大小为32×32，C5层和输出层全连接，模型激活函数采用sigmod函数。货运列车车号的识别中，需要识别的字符包括10个***数字和16个英文字母，输出神经元的个数为26。
如图3所示，在大数据平台上并行化训练卷积神经网络采用数据并行和GPU加速相结合的方法。步骤包括：
(1)训练集分布式存储在大数据平台的每个节点上；
(2)大数据平台每个节点存储一个相同的完整的卷积神经网络，各个节点使用该节点存储的数据对网络进行训练；
(3)训练中每次迭代经过Map过程和Reduce过程，每个过程用GPU加速计算；
(4)多次迭代直到网络收敛或达到最大循环次数，得到网络的最优参数，多次迭代直到卷积神经网络收敛或达到最大循环次数，得到最优的网络模型参数，本设计采用的最大循环次数为32。
如图4所示，货运列车车号实时识别模块进行车号的实时识别，Spark Streaming把实时输入的图像以时间片为单位切分成块，Spark Streaming把每块数据作为一个弹性分布式数据集(Resilient Distribute Datasets，RDD)，经过车型车号区域定位、车型车号字符分割、车型车号字符识别等一系列的操作后，得到最终的结果并把结果持久化到HBase中，其中车型车号字符识别使用训练好的卷积神经网络。
表1为本发明车号识别采用的卷积神经网络和BP神经网络在识别准确率的对比。这里采用相同的训练数据对常用的三层BP网络进行训练，BP网络隐含层节点数量为450，学习速率采用0.01。试验结果对比如表1。
表1卷积神经网络和BP网络识别对比
网络类型 卷积神经网络 BP网络
识别正确率 98.96％ 94.34％
识别100个字符所需时间(秒) 0.253 0.731
本发明提供了大数据下基于卷积神经网络的货运列车车号实时识别***，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，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，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (8)

1.大数据下基于卷积神经网络的货运列车车号实时识别***，其特征在于，包括大数据平台并行训练卷积神经网络模块和货运列车车号实时识别模块；
所述大数据平台并行训练卷积神经网络模块采用大数据平台进行卷积神经网络的训练，得到最优的网络模型参数；
所述货运列车车号实时识别模块基于最优的网络模型参数进行车号的实时识别，输出识别结果。
2.根据权利要求1所述的***，其特征在于，所述大数据平台并行训练卷积神经网络模块执行如下步骤：
步骤1-1，获取货运列车的图像，根据获取的货运列车的图像得到车号图像，基于车号图像构建车号训练集；
步骤1-2，构建卷积神经网络的模型结构；
步骤1-3，设计并行训练算法；
步骤1-4，训练卷积神经网络得到最优的网络模型参数。
3.根据权利要求2所述的***，其特征在于，步骤1-2包括：
卷积神经网络的模型结构包括输入层、卷积层、采样层和输出层，不包括输入层一共有6层，分别是C1层卷积层、S2层采样层、C3层卷积层、S4层采样层、C5层卷积层和输出层，每一层都包括用于训练的参数，这些参数包括每层采用的特征图的权重值和偏置值，输入层大小为32×32，C5层和输出层全连接，模型激活函数采用sigmod函数，货运列车车号的识别中，需要识别的字符包括10个***数字和16个英文字母，输出神经元的个数为26。
4.根据权利要求3所述的***，其特征在于，步骤1-3中所述并行训练算法采用基于大数据平台数据并行和GPU加速相结合的方法。
5.根据权利要求4所述的***，其特征在于，步骤1-3包括：
步骤1-3-1，搭建由两台以上服务器组成的大数据平台，步骤1-1得到的车号训练集分布式存储在大数据平台的每个节点上，大数据平台的节点表示服务器；
步骤1-3-2，大数据平台每个节点存储一个相同的完整的卷积神经网络，各个节点使用该节点存储的数据对卷积神经网络进行训练。
6.根据权利要求5所述的***，其特征在于，步骤1-4包括：
步骤1-4-1，在大数据平台上开始卷积神经网络的训练，训练中每次迭代经过Map过程和Reduce过程；Map过程表示分解过程，把整个训练数据集分解成两个以上数据集分发给不同的节点去训练，Reduce过程表示合并过程，接受Map过程的输出，合并不同Map过程的输出结果并汇总结果；每个Map过程和Reduce过程采用GPU加速计算；
步骤1-4-2，多次迭代直到卷积神经网络收敛或达到最大循环次数，得到最优的网络模型参数。
7.根据权利要求6所述的***，其特征在于，所述货运列车车号实时识别模块基于最优的网络模型参数进行车号的实时识别，输出识别结果，具体包括如下步骤：
步骤2-1，采集货运列车图像，采集的图像流作为实时流处理框架Spark Streaming的输入；
步骤2-2，Spark Streaming中执行车号定位算法定位货运列车车号区域，定位后的货运列车图像只保留车号信息；
步骤2-3，采用字符分割算法分割步骤2-2处理后的图像，得到只包括单个字符信息的图像；
步骤2-4，用货运列车车号实时识别模块识别步骤2-3处理后的图像，得到识别结果，并将输出结果持久化到分布式列式数据库HBase中。
8.根据权利要求7所述***，所述的***，其特征在于，步骤2-4中，货运列车车号实时识别模块采用卷积神经网络识别步骤2-3处理后的图像，卷积神经网络模型结构的设计采用的是基于步骤1-4得到的最优参数。
CN201710748749.8A 2017-08-28 2017-08-28 大数据下基于卷积神经网络的货运列车车号实时识别*** Pending CN107679452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710748749.8A CN107679452A (zh) 2017-08-28 2017-08-28 大数据下基于卷积神经网络的货运列车车号实时识别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710748749.8A CN107679452A (zh) 2017-08-28 2017-08-28 大数据下基于卷积神经网络的货运列车车号实时识别***

Publications (1)

Publication Number Publication Date
CN107679452A true CN107679452A (zh) 2018-02-09

Family

ID=61134542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710748749.8A Pending CN107679452A (zh) 2017-08-28 2017-08-28 大数据下基于卷积神经网络的货运列车车号实时识别***

Country Status (1)

Country Link
CN (1) CN107679452A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635795A (zh) * 2018-10-22 2019-04-16 小黄狗环保科技有限公司 一种基于vgg16网络模型提高瓶罐识别率的智能补光方法
CN109747681A (zh) * 2019-01-14 2019-05-14 卡斯柯信号有限公司 一种列车定位装置及方法
CN109840523A (zh) * 2018-12-29 2019-06-04 南京睿速轨道交通科技有限公司 一种基于图像处理的城轨列车车号识别算法
CN110619329A (zh) * 2019-09-03 2019-12-27 中国矿业大学 基于机载视觉的铁路货运敞车车厢编号及装载状态识别方法
CN110659643A (zh) * 2018-06-29 2020-01-07 杭州海康威视数字技术股份有限公司 一种集装箱号的识别方法和装置
CN110853179A (zh) * 2018-08-21 2020-02-28 上海博泰悦臻网络技术服务有限公司 车联网服务器、车辆及基于行驶数据的车辆油耗提示方法
CN110909745A (zh) * 2019-12-24 2020-03-24 新疆九洲熏蒸消毒有限责任公司 列车消毒通道识别***
CN111414915A (zh) * 2020-02-21 2020-07-14 华为技术有限公司 一种文字识别方法以及相关设备
CN111815920A (zh) * 2020-07-21 2020-10-23 华普通用技术研究（广州）有限公司 一种基于大数据的停车场安全监控设备及方法
CN112329569A (zh) * 2020-10-27 2021-02-05 武汉理工大学 一种基于图像深度学习***的货运车辆状态实时识别方法
CN113537219A (zh) * 2021-08-05 2021-10-22 上海画骨智能科技有限公司 铁路货车厢号识别***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927534A (zh) * 2014-04-26 2014-07-16 无锡信捷电气股份有限公司 一种基于卷积神经网络的喷码字符在线视觉检测方法
CN104992147A (zh) * 2015-06-09 2015-10-21 中国石油大学(华东) 一种基于快慢结合云计算环境的深度学习的车牌识别方法
CN105354572A (zh) * 2015-12-10 2016-02-24 苏州大学 一种基于简化卷积神经网络的车牌自动识别***
CN106096602A (zh) * 2016-06-21 2016-11-09 苏州大学 一种基于卷积神经网络的中文车牌识别方法
CN106778659A (zh) * 2016-12-28 2017-05-31 深圳市捷顺科技实业股份有限公司 一种车牌识别方法及装置
US20170193310A1 (en) * 2015-12-31 2017-07-06 Pinhole (Beijing) Technology Co., Ltd. Method and apparatus for detecting a speed of an object
CN106980854A (zh) * 2017-03-29 2017-07-25 珠海习悦信息技术有限公司 车牌号码识别方法、装置、存储介质及处理器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927534A (zh) * 2014-04-26 2014-07-16 无锡信捷电气股份有限公司 一种基于卷积神经网络的喷码字符在线视觉检测方法
CN104992147A (zh) * 2015-06-09 2015-10-21 中国石油大学(华东) 一种基于快慢结合云计算环境的深度学习的车牌识别方法
CN105354572A (zh) * 2015-12-10 2016-02-24 苏州大学 一种基于简化卷积神经网络的车牌自动识别***
US20170193310A1 (en) * 2015-12-31 2017-07-06 Pinhole (Beijing) Technology Co., Ltd. Method and apparatus for detecting a speed of an object
CN106096602A (zh) * 2016-06-21 2016-11-09 苏州大学 一种基于卷积神经网络的中文车牌识别方法
CN106778659A (zh) * 2016-12-28 2017-05-31 深圳市捷顺科技实业股份有限公司 一种车牌识别方法及装置
CN106980854A (zh) * 2017-03-29 2017-07-25 珠海习悦信息技术有限公司 车牌号码识别方法、装置、存储介质及处理器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马焕芳等: "基于Map Reduce的卷积神经网络算法研究", 《中国体视学与图像分析》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659643B (zh) * 2018-06-29 2022-08-26 杭州海康威视数字技术股份有限公司 一种集装箱号的识别方法和装置
CN110659643A (zh) * 2018-06-29 2020-01-07 杭州海康威视数字技术股份有限公司 一种集装箱号的识别方法和装置
CN110853179A (zh) * 2018-08-21 2020-02-28 上海博泰悦臻网络技术服务有限公司 车联网服务器、车辆及基于行驶数据的车辆油耗提示方法
CN109635795A (zh) * 2018-10-22 2019-04-16 小黄狗环保科技有限公司 一种基于vgg16网络模型提高瓶罐识别率的智能补光方法
CN109840523A (zh) * 2018-12-29 2019-06-04 南京睿速轨道交通科技有限公司 一种基于图像处理的城轨列车车号识别算法
CN109840523B (zh) * 2018-12-29 2023-08-22 南京睿速轨道交通科技有限公司 一种基于图像处理的城轨列车车号识别方法
CN109747681A (zh) * 2019-01-14 2019-05-14 卡斯柯信号有限公司 一种列车定位装置及方法
CN110619329A (zh) * 2019-09-03 2019-12-27 中国矿业大学 基于机载视觉的铁路货运敞车车厢编号及装载状态识别方法
CN110619329B (zh) * 2019-09-03 2022-03-22 煤炭科学研究总院 基于机载视觉的铁路货运敞车车厢编号及装载状态识别方法
CN110909745A (zh) * 2019-12-24 2020-03-24 新疆九洲熏蒸消毒有限责任公司 列车消毒通道识别***
CN111414915A (zh) * 2020-02-21 2020-07-14 华为技术有限公司 一种文字识别方法以及相关设备
CN111414915B (zh) * 2020-02-21 2024-03-26 华为技术有限公司 一种文字识别方法以及相关设备
CN111815920A (zh) * 2020-07-21 2020-10-23 华普通用技术研究（广州）有限公司 一种基于大数据的停车场安全监控设备及方法
CN112329569B (zh) * 2020-10-27 2024-02-09 武汉理工大学 一种基于图像深度学习***的货运车辆状态实时识别方法
CN112329569A (zh) * 2020-10-27 2021-02-05 武汉理工大学 一种基于图像深度学习***的货运车辆状态实时识别方法
CN113537219A (zh) * 2021-08-05 2021-10-22 上海画骨智能科技有限公司 铁路货车厢号识别***

Similar Documents

Publication Publication Date Title
CN107679452A (zh) 大数据下基于卷积神经网络的货运列车车号实时识别***
CN107563381B (zh) 基于全卷积网络的多特征融合的目标检测方法
CN109034210A (zh) 基于超特征融合与多尺度金字塔网络的目标检测方法
CN107506722A (zh) 一种基于深度稀疏卷积神经网络人脸情感识别方法
CN107451661A (zh) 一种基于虚拟图像数据集的神经网络迁移学习方法
CN105740773A (zh) 基于深度学习和多尺度信息的行为识别方法
CN109508675A (zh) 一种针对复杂场景的行人检测方法
CN107704970A (zh) 一种基于Spark的需求侧负荷预测方法
CN110490298A (zh) 基于膨胀卷积的轻量化深度卷积神经网络模型
CN110008853A (zh) 行人检测网络及模型训练方法、检测方法、介质、设备
Yu et al. Loss rank mining: A general hard example mining method for real-time detectors
CN112528845A (zh) 一种基于深度学习的物理电路图识别方法及其应用
CN113268370A (zh) 一种根因告警分析方法、***、设备及存储介质
Wu et al. Traffic sign detection based on SSD combined with receptive field module and path aggregation network
CN112766134B (zh) 一种强化类间区分的表情识别方法
CN117079095A (zh) 基于深度学习的高空抛物检测方法、***、介质和设备
CN117058669A (zh) 一种基于深度学习的荔枝果实识别方法
CN117079039A (zh) 一种基于多任务的自监督小样本目标检测方法及***
Shu et al. A Semantic Relation Graph Reasoning Network for Object Detection
CN110554429A (zh) 一种基于变邻域滑动窗口机器学习的地震断层识别方法
CN109815887A (zh) 一种基于多智能体协作的复杂光照下人脸图像的分类方法
CN117437667A (zh) 基于双向融合与注意力机制的轻量ssd口罩佩戴检测方法
CN113591614B (zh) 一种基于紧邻空间特征学习的遥感影像道路提取方法
CN115937579A (zh) 基于深度学习的植物病害识别方法和***
Shang et al. RiceNet: a lightweight instance segmentation network for adhesive rice grains

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
CB02 Change of applicant information

Address after: No.1 Lingshan South Road, Qixia District, Nanjing, Jiangsu Province, 210000

Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

Address before: 210007 No. 1 East Street, alfalfa garden, Jiangsu, Nanjing

Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20180209

RJ01 Rejection of invention patent application after publication