CN108133178A - 一种基于图像识别的智能环境监控***与方法 - Google Patents
一种基于图像识别的智能环境监控***与方法 Download PDFInfo
- Publication number
- CN108133178A CN108133178A CN201711296952.2A CN201711296952A CN108133178A CN 108133178 A CN108133178 A CN 108133178A CN 201711296952 A CN201711296952 A CN 201711296952A CN 108133178 A CN108133178 A CN 108133178A
- Authority
- CN
- China
- Prior art keywords
- image
- task
- unit
- environment monitoring
- intelligent environment
- 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.)
- Granted
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V10/40—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
- G06V10/443—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 by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像识别的智能环境监控***,包括:图像采集单元,用于采集环境监测区域内的图像;任务派发单元,用于对图像采集单元进行任务派发;图像预处理单元,用于对采集的图像进行预处理,并根据任务对处理后的图像进行筛选;图像分析单元,用于根据深度神经网络对筛选后的图像进行识别;处置与应急单元,用于根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出;本发明可以利用现有的图像采集***,对图像进行预处理与筛选,无需采用大规模的铺设特殊传感器,不仅可以降低成本,还可以实现智能化的高效的环境监控***,能够更加密集和精确的对环境相关问题进行反馈,给环保工作提供有力的工具和解决方案。
Description
技术领域
本发明涉及环境检测领域,尤其涉及一种基于图像识别的智能环境监控***与方法。
背景技术
随着经济的增长,自然界储存的资源被广泛地开发和利用。由于人口密集的大城市和工矿区的建立,使大量化学物质进入环境,超过了大自然的自净能力,在环境中不断积累,产生了危及人类生存的公害。为了寻求环境质量变化的原因,必须先从污染物的性质、来源、含量及其分布状态的分析开始。但是,判断环境质量的好坏,仅对单个污染物短时间的样品分析是不够的,必须有代表环境质量的各种标志的数据,即各种污染物在一定范围的长时间的污染数据,才能对环境质量作出确切地评价。
目前,对环境进行监控,一般都是采用特殊传感器(例如颗粒物检测器)或者人工采集样本进行评判(例如人工抽查工地扬尘污染),这些监测方法普遍都需要部署大量的特殊传感器,一方面成本较高,另一方面往往施工困难,而通过人工监控的方式效率非常低,并且受限于操作者的经验,会由于人为因素导致监控结果不够准确。因此,需要一种新的技术手段,能够在提高环境监测的效率,能够更加密集和精确的对环境相关问题进行反馈。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种基于图像识别的智能环境监控***与方法,以解决上述技术问题。
本发明提供基于图像识别的智能环境监控***,包括:
图像采集单元,用于采集环境监测区域内的图像;
任务派发单元,用于对图像采集单元进行任务派发;
图像预处理单元,分别与图像处理单元和任务派发单元连接,用于对采集的图像进行预处理,并根据任务对处理后的图像进行筛选;
图像分析单元,与图像预处理单元连接,用于根据深度神经网络对筛选后的图像进行识别;
处置与应急单元,与图像分析单元连接,用于根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出。
进一步,所述图像分析单元根据任务派发单元派发的不同任务,通过不同的深度神经网络进行图像识别,所述不同的深度神经网络包括卷积神经网络分类模型和回归模型。
进一步,所述任务包括定性检测任务和定量检测任务,所述定性检测任务通过卷积神经网络分类模型进行识别,所述定量检测任务通过卷积神经网络分类模型和回归模型共同识别。
进一步,还包括服务器,所述图像分析单元与服务器连接,所述服务器为云端服务器,所述图像采集单元包括多个设置于环境监测区域内的图像采集器,所述图像采集器为摄像头,所述任务派发单元根据任务控制摄像头采集不同的图像,所述图像预处理单元根据服务器的负载将筛选后的图像按照任务进行分类,并将分类后的图像发送云端服务器的不同节点。
相应地,本发明还提供一种基于图像识别的智能环境监控方法,包括:
采集环境监测区域内的图像;
对图像采集单元进行任务派发;
图对采集的图像进行预处理,并根据任务对处理后的图像进行筛选;
根据深度神经网络对筛选后的图像进行识别;
根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出。
进一步,根据任务派发单元派发的不同任务,通过不同的深度神经网络进行图像识别,所述不同的深度神经网络包括卷积神经网络分类模型和回归模型,所述任务包括定性检测任务和定量检测任务,所述定性检测任务通过卷积神经网络分类模型进行识别,所述定量检测任务通过卷积神经网络分类模型和回归模型共同识别。
进一步,对深度神经网络的输出结果进行筛选处理,所述筛选处理包括根据任务将输出结果中图像特征差异大于预设的差异阈值的图像筛选出来,将图像分类错误的图像通过深度神经网络进行迭代训练,直至错误样本数量小于预设的样本阈值。
进一步,针对定量检测任务,根据任务类型提取图像中满足任务的区域框,再通过卷积神经网络对所述区域框进行定量识别,获取识别结果,所述区域框通过选择识别结果中图像可信度大于预设的可信度阈值的方式来获取。
进一步,所述定性检测任务包括车辆尾气检测、冒装检测和垃圾检测,所述定量检测包括空气质量检测,所述预处理包括根据任务对采集的图像进行筛选,去除无效图像。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述中任一项所述方法。
本发明的有益效果:本发明中的基于图像识别的智能环境监控***,可以现有的图像采集***,对图像进行预处理与筛选,通过深度神经网络进行识别,无需采用大规模的铺设特殊传感器,不仅可以降低成本,还可以实现智能化的高效的环境监控***,能够更加密集和精确的对环境相关问题进行反馈,给环保工作提供有力的工具和解决方案。
附图说明
图1是本发明实施例中基于图像识别的智能环境监控***的结构示意图。
图2是本发明实施例中基于图像识别的智能环境监控方法的流程示意图。
图3是本发明实施例中基于图像识别的智能环境监控方法中图像预处理的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本实施例中的基于图像识别的智能环境监控***,包括:
图像采集单元,用于采集环境监测区域内的图像;
任务派发单元,用于对图像采集单元进行任务派发;
图像预处理单元,分别与图像处理单元和任务派发单元连接,用于对采集的图像进行预处理,并根据任务对处理后的图像进行筛选;
图像分析单元,与图像预处理单元连接,用于根据深度神经网络对筛选后的图像进行识别;
处置与应急单元,与图像分析单元连接,用于根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出。
在本实施例中,图像采集单元包括多个设置于环境监测区域内的图像采集器,所述图像采集器为摄像头,摄像头可以采用现有的监控***,通过对实时视频帧进行抓拍,可以根据设定参数例如时间间隔进行抓拍,通过图像预处理单元过滤掉不符合条件的图像,如图3所示,以减少***的负载,任务派发单元根据任务控制摄像头采集不同的图像,图像预处理单元根据服务器的负载将筛选后的图像按照任务进行分类,并将分类后的图像发送云端服务器的不同节点,本实施例中的过滤方法可以是根据不同场景的监控任务来过滤,例如任务派发单元派发的为汽车尾气监控任务时,针对于汽车尾气监控任务,过滤掉不包含汽车的图像;当派发的为扬尘任务时,对于工地扬尘的监控,过滤掉雨天的图像,对非地面区域(主要包括树木、建筑)进行预先检测过滤等;当派发任务为垃圾检测任务时,对非地面区域(主要包括树木、建筑)进行预先检测过滤;派发任务为冒装检测时,对小型车辆进行过滤等;处置与应急单元主要根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出,例如可以生成相关的报表,一旦检测到发生重大污染事件时,可以自动进行报警,通知相关的责任人,也可以针对检测结果,对一些可预见的环境问题,做到提前预警。
在本实施例中,任务派发单元的功能主要是将部署的大量的摄像头节点采集到的图像按照监控任务进行派发,相应地,图像分析单元可以按照任务类型划分为多个专门处理对应人物的子单元,例如扬尘监控任务,***在执行时将所有的图像集中发送到服务器中对应的扬尘监控任务的图像分析子单元中,当然,本实施例中的摄像头可以兼顾多个任务,这种情况下,任务派发***将图像分别发送到多个子单元。本实施例中的服务器为云端服务器,用于多种识别任务的运行和资源分配。根据服务器负载情况,将不同的任务或者相同任务的不同处理对象分配到不同云端处理节点进行运算处理。
在本实施例中,图像分析单元根据任务派发单元派发的不同任务,通过不同的深度神经网络进行图像识别,不同的深度神经网络包括卷积神经网络分类模型和回归模型,任务包括定性检测任务和定量检测任务,所述定性检测任务通过卷积神经网络分类模型进行识别,所述定量检测任务通过卷积神经网络分类模型和回归模型共同识别,本实施例中的深度神经网络识别方法主要是基于不同任务采用分类或回归两种模型,对于定性检测的任务例如白色垃圾检测,车辆尾气检测,白色垃圾检测,采用CNN分类的方法,而对于需要输出定量结果的任务例如扬尘检测,则结合分类和回归两种模型,先进行检测,再进行回归分析。检测的方法是通过图像中选取满足特定任务的可能的区域框,再进行分类器识别,识别得到可信度大于一定阈值的区域则表示检测到相应类别对象。
如图2所示,相应地本发明还提供一种基于图像识别的智能环境监控方法,包括:
采集环境监测区域内的图像;
对图像采集单元进行任务派发;
图对采集的图像进行预处理,并根据任务对处理后的图像进行筛选;
根据深度神经网络对筛选后的图像进行识别;
根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出。
在本实施例中,根据任务派发单元派发的不同任务,通过不同的深度神经网络进行图像识别,所述不同的深度神经网络包括卷积神经网络分类模型和回归模型,任务包括定性检测任务和定量检测任务,定性检测任务通过卷积神经网络分类模型进行识别,定量检测任务通过卷积神经网络分类模型和回归模型共同识别,本实施例中对于定性检测的任务例如白色垃圾检测,车辆尾气检测,白色垃圾检测,采用CNN分类的方法,而对于需要输出定量结果的任务例如扬尘检测,则结合分类和回归两种模型,先进行检测,再进行回归分析。检测的方法是通过图像中选取满足特定任务的可能的区域框,再进行分类器识别,识别得到可信度大于预设的可信度阈值的区域则表示检测到相应类别对象。
如图3所示,在本实施例中,对深度神经网络的输出结果进行筛选处理,筛选处理包括根据任务将输出结果中图像差异大于预设的差异阈值的图像筛选出来,并对其进行图像特征分析,获取图像分类结果,再将图像分类错误的图像通过深度神经网络进行迭代训练,直至错误样本数量小于预设的样本阈值,
本实施例中通过选择给定任务中图像差异较大的样本,这一步可以通过图像特征分析自动完成,然后将这些图像分类错误的结果挑选出来,最后将错误结果图像对深度神经网络进行微调训练,这个过程一直迭代,直到对于给定数量结果,挑选错误样本数量少于预设的样本阈值为止。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本实施例中,存储器可能包含随机存取存储器(RandomAccessMemory,简称RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于图像识别的智能环境监控***,其特征在于,包括:
图像采集单元,用于采集环境监测区域内的图像;
任务派发单元,用于对图像采集单元进行任务派发;
图像预处理单元,分别与图像处理单元和任务派发单元连接,用于对采集的图像进行预处理,并根据任务对处理后的图像进行筛选;
图像分析单元,与图像预处理单元连接,用于根据深度神经网络对筛选后的图像进行识别;
处置与应急单元,与图像分析单元连接,用于根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出。
2.根据权利要求1所述的基于图像识别的智能环境监控***,其特征在于,所述图像分析单元根据任务派发单元派发的不同任务,通过不同的深度神经网络进行图像识别,所述不同的深度神经网络包括卷积神经网络分类模型和回归模型。
3.根据权利要求2所述的基于图像识别的智能环境监控***,其特征在于,所述任务包括定性检测任务和定量检测任务,所述定性检测任务通过卷积神经网络分类模型进行识别,所述定量检测任务通过卷积神经网络分类模型和回归模型共同识别。
4.根据权利要求1所述的基于图像识别的智能环境监控***,其特征在于,还包括服务器,所述图像分析单元与服务器连接,所述服务器为云端服务器,所述图像采集单元包括多个设置于环境监测区域内的图像采集器,所述图像采集器为摄像头,所述任务派发单元根据任务控制摄像头采集不同的图像,所述图像预处理单元根据服务器的负载将筛选后的图像按照任务进行分类,并将分类后的图像发送云端服务器的不同节点。
5.一种基于图像识别的智能环境监控方法,其特征在于,包括:
采集环境监测区域内的图像;
对图像采集单元进行任务派发;
图对采集的图像进行预处理,并根据任务对处理后的图像进行筛选;
根据深度神经网络对筛选后的图像进行识别;
根据图像分析单元的识别结果与预设的应急方案进行匹配,生成匹配结果并输出。
6.根据权利要求5所述的基于图像识别的智能环境监控方法,其特征在于,根据任务派发单元派发的不同任务,通过不同的深度神经网络进行图像识别,所述不同的深度神经网络包括卷积神经网络分类模型和回归模型,所述任务包括定性检测任务和定量检测任务,所述定性检测任务通过卷积神经网络分类模型进行识别,所述定量检测任务通过卷积神经网络分类模型和回归模型共同识别。
7.根据权利要求6所述的基于图像识别的智能环境监控方法,其特征在于,对深度神经网络的输出结果进行筛选处理,所述筛选处理包括根据任务将输出结果中图像特征差异大于预设的差异阈值的图像筛选出来,将图像分类错误的图像通过深度神经网络进行迭代训练,直至错误样本数量小于预设的样本阈值。
8.根据权利要求6所述的基于图像识别的智能环境监控方法,其特征在于,针对定量检测任务,根据任务类型提取图像中满足任务的区域框,再通过卷积神经网络对所述区域框进行定量识别,获取识别结果,所述区域框通过选择识别结果中图像可信度大于预设的可信度阈值的方式来获取。
9.根据权利要求5所述的基于图像识别的智能环境监控方法,其特征在于,所述定性检测任务包括车辆尾气检测、冒装检测和垃圾检测,所述定量检测包括空气质量检测,所述预处理包括根据任务对采集的图像进行筛选,去除无效图像。
10.一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:该程序被处理器执行时实现权利要求5至9中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711296952.2A CN108133178B (zh) | 2017-12-08 | 2017-12-08 | 一种基于图像识别的智能环境监控***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711296952.2A CN108133178B (zh) | 2017-12-08 | 2017-12-08 | 一种基于图像识别的智能环境监控***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133178A true CN108133178A (zh) | 2018-06-08 |
CN108133178B CN108133178B (zh) | 2021-11-30 |
Family
ID=62389339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711296952.2A Active CN108133178B (zh) | 2017-12-08 | 2017-12-08 | 一种基于图像识别的智能环境监控***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133178B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108994855A (zh) * | 2018-08-15 | 2018-12-14 | 深圳市烽焌信息科技有限公司 | 垃圾定期清理方法及机器人 |
CN109523013A (zh) * | 2018-10-15 | 2019-03-26 | 西北大学 | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 |
CN109753890A (zh) * | 2018-12-18 | 2019-05-14 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN110210568A (zh) * | 2019-06-06 | 2019-09-06 | 中国民用航空飞行学院 | 基于卷积神经网络的航空器尾涡识别方法及*** |
CN110287939A (zh) * | 2018-12-29 | 2019-09-27 | 中国科学院软件研究所 | 天基智能图像处理方法 |
CN110298347A (zh) * | 2019-05-30 | 2019-10-01 | 长安大学 | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 |
CN110321932A (zh) * | 2019-06-10 | 2019-10-11 | 浙江大学 | 一种基于深度多源数据融合的全城市空气质量指数估计方法 |
CN110688945A (zh) * | 2019-09-26 | 2020-01-14 | 成都睿云物联科技有限公司 | 整洁度检测方法、装置、计算机设备和存储介质 |
CN110782653A (zh) * | 2018-11-07 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种道路信息采集方法和*** |
CN111723772A (zh) * | 2020-06-30 | 2020-09-29 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 |
CN113420631A (zh) * | 2021-06-17 | 2021-09-21 | 广联达科技股份有限公司 | 一种基于图像识别的安全报警方法及装置 |
CN116883755A (zh) * | 2023-07-20 | 2023-10-13 | 广州新城建筑设计院有限公司 | 一种乡村建设环境监测方法、***、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345656A (zh) * | 2013-07-17 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于多任务深度神经网络的数据识别方法及装置 |
CN103984310A (zh) * | 2014-05-12 | 2014-08-13 | 华迪计算机集团有限公司 | 基于多源遥感数据的化工园区环境污染检测方法和装置 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
CN106327738A (zh) * | 2016-08-26 | 2017-01-11 | 特斯联(北京)科技有限公司 | 一种智能分级监控*** |
CN106919065A (zh) * | 2015-12-24 | 2017-07-04 | 天津市军联科技有限公司 | 基于物联网的建筑工地远程实时监控及扬尘噪声监测*** |
CN106951889A (zh) * | 2017-05-23 | 2017-07-14 | 煤炭科学技术研究院有限公司 | 井下高危区域动目标监测和管理*** |
US20170337467A1 (en) * | 2016-05-18 | 2017-11-23 | Nec Laboratories America, Inc. | Security system using a convolutional neural network with pruned filters |
-
2017
- 2017-12-08 CN CN201711296952.2A patent/CN108133178B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345656A (zh) * | 2013-07-17 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于多任务深度神经网络的数据识别方法及装置 |
CN103984310A (zh) * | 2014-05-12 | 2014-08-13 | 华迪计算机集团有限公司 | 基于多源遥感数据的化工园区环境污染检测方法和装置 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
CN106919065A (zh) * | 2015-12-24 | 2017-07-04 | 天津市军联科技有限公司 | 基于物联网的建筑工地远程实时监控及扬尘噪声监测*** |
US20170337467A1 (en) * | 2016-05-18 | 2017-11-23 | Nec Laboratories America, Inc. | Security system using a convolutional neural network with pruned filters |
CN106327738A (zh) * | 2016-08-26 | 2017-01-11 | 特斯联(北京)科技有限公司 | 一种智能分级监控*** |
CN106951889A (zh) * | 2017-05-23 | 2017-07-14 | 煤炭科学技术研究院有限公司 | 井下高危区域动目标监测和管理*** |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108994855A (zh) * | 2018-08-15 | 2018-12-14 | 深圳市烽焌信息科技有限公司 | 垃圾定期清理方法及机器人 |
CN109523013A (zh) * | 2018-10-15 | 2019-03-26 | 西北大学 | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 |
CN110782653A (zh) * | 2018-11-07 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种道路信息采集方法和*** |
CN109753890B (zh) * | 2018-12-18 | 2022-09-23 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN109753890A (zh) * | 2018-12-18 | 2019-05-14 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN110287939A (zh) * | 2018-12-29 | 2019-09-27 | 中国科学院软件研究所 | 天基智能图像处理方法 |
CN110287939B (zh) * | 2018-12-29 | 2024-01-05 | 中国科学院软件研究所 | 天基智能图像处理方法 |
CN110298347A (zh) * | 2019-05-30 | 2019-10-01 | 长安大学 | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 |
CN110298347B (zh) * | 2019-05-30 | 2022-11-01 | 长安大学 | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 |
CN110210568A (zh) * | 2019-06-06 | 2019-09-06 | 中国民用航空飞行学院 | 基于卷积神经网络的航空器尾涡识别方法及*** |
CN110321932B (zh) * | 2019-06-10 | 2021-06-25 | 浙江大学 | 一种基于深度多源数据融合的全城市空气质量指数估计方法 |
CN110321932A (zh) * | 2019-06-10 | 2019-10-11 | 浙江大学 | 一种基于深度多源数据融合的全城市空气质量指数估计方法 |
CN110688945A (zh) * | 2019-09-26 | 2020-01-14 | 成都睿云物联科技有限公司 | 整洁度检测方法、装置、计算机设备和存储介质 |
CN111723772A (zh) * | 2020-06-30 | 2020-09-29 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 |
CN111723772B (zh) * | 2020-06-30 | 2024-03-19 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 |
CN113420631A (zh) * | 2021-06-17 | 2021-09-21 | 广联达科技股份有限公司 | 一种基于图像识别的安全报警方法及装置 |
CN116883755A (zh) * | 2023-07-20 | 2023-10-13 | 广州新城建筑设计院有限公司 | 一种乡村建设环境监测方法、***、设备及存储介质 |
CN116883755B (zh) * | 2023-07-20 | 2024-03-26 | 广州新城建筑设计院有限公司 | 一种乡村建设环境监测方法、***、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108133178B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133178A (zh) | 一种基于图像识别的智能环境监控***与方法 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的*** | |
CN102239402B (zh) | 用于颗粒分析的非线性的直方图分割 | |
CN109639481A (zh) | 一种基于深度学习的网络流量分类方法、***及电子设备 | |
Bu et al. | Crack detection using a texture analysis-based technique for visual bridge inspection | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
KR20150011329A (ko) | 폐쇄-루프 자동 결함 검사 및 분류 | |
CN112871703A (zh) | 一种智能管理选煤平台及其方法 | |
CN111223129A (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN109815945A (zh) | 一种基于图像识别的呼吸道检查结果判读***和方法 | |
EP4044066A1 (en) | Network of intelligent machines | |
KR102403170B1 (ko) | 외부기기 제어 및 차량번호판 인식기능을 가진 영상감시장치 | |
CN106781167B (zh) | 监测物体运动状态的方法及设备 | |
CN115269438A (zh) | 针对图像处理算法的自动化测试方法及装置 | |
TWI798386B (zh) | 用於新穎缺陷發現之損害探勘 | |
CN117274245B (zh) | 基于图像处理技术的aoi光学检测方法及*** | |
CN202815869U (zh) | 一种车载微机图像视频数据提取装置 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN112418362B (zh) | 一种目标检测训练样本筛选方法 | |
Shahrabadi et al. | Benchmarking deep learning models and hyperparameters for bridge defects classification | |
CN109977783B (zh) | 基于直梯场景婴儿车单独乘梯检测的方法 | |
CN109544855B (zh) | 基于计算机视觉的轨道交通综合监控火灾闭路电视***及实现方法 | |
CN112108263A (zh) | 基于涡流过滤器和3D U-Net网络的流体悬浮物分类***及方法 | |
Deepa et al. | Estimation of garbage coverage area in water terrain |
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 |