CN108288273B - 基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 - Google Patents
基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 Download PDFInfo
- Publication number
- CN108288273B CN108288273B CN201810132521.0A CN201810132521A CN108288273B CN 108288273 B CN108288273 B CN 108288273B CN 201810132521 A CN201810132521 A CN 201810132521A CN 108288273 B CN108288273 B CN 108288273B
- Authority
- CN
- China
- Prior art keywords
- candidate region
- candidate
- final candidate
- final
- region
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,得到该图像的多个最终候选区域;将最终候选区域与两次下采样的采样结果输入到多尺度耦合卷积网中,进行参数训练和特征提取;将提取的特征输入极限学习机ELM分类器,对提取的特征进行分类;根据得到的候选框位置,通过使用回归器进行修正候选框的位置,从而得到图像信息中异常目标的位置,即修正后候选框的位置。本发明适用于铁路接触网的异常目标自动检测,可以取得比人眼观察更为准确的异常检测效果,检测精度高,自动化程度高。
Description
技术领域
本发明涉及铁路安全保障技术领域,具体涉及一种基于多尺度耦合卷积网的铁路接触网异常目标自动检测法。
背景技术
电气化铁路普遍采用高架电缆的方式供电,接触网的安全问题直接影响到铁路列车的运行安全,鸟巢等异常现象是直接威胁到铁路电力线路安全可靠运行的一个重要风险来源。目前,在铁路电力线路上需要通过人工巡检的方式发现并清除异常目标,不仅浪费人力,而且不能及时排除安全隐患。为了克服上述问题,于是开展基于铁路接触网的异常目标检测研究,然而,当前针对异常目标自动检测方面的研究才刚刚起步,异常检测精度和效率都无法达到应用需求。
对于人类来说目标检测并不困难,通过对图片中不同颜色模块的感知很容易定位并分类出其中目标物体。但是,对于计算机来说,面对的是RGB像素矩阵,很难从图像中直接得到狗或猫这样的抽象概念并定位其位置,再加上有时候多个物体和杂乱的背景混杂在一起,目标检测更加困难。
针对异常目标自动检测研究,传统方法在检测异常过程检测存在三个主要问题,一个是滑动窗口的区域选择策略没有针对性;二是手工设计的特征对于多样性的变化并没有很好的鲁棒性;三是异常目标自动检测精度中还需要进一步优化,效率也远远无法达到实时应用的要求。
如何克服上述问题,是当前需要解决的。
发明内容
本发明的目的是克服现有的接触网异常目标自动检测方法所存在的问题。本发明的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,适用于铁路接触网的异常目标自动检测,可以取得比人眼观察更为准确的异常检测效果,检测精度高,自动化程度高,具有良好的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
一种基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,包括以下步骤,
步骤(A),获取接触网的图像信息,使用均值漂移和归一化割的方法分别得到该图像信息对应的多组候选区域,并通过共享区域合并方法,将得到的各候选区域进行合并,得到该图像的多个最终候选区域;
步骤(B),将各最终候选区域归一化处理,尺寸均为S*S,S表示归一化后最终候选区域的长宽,对每个归一化后的最终候选区域进行两次下采样,并将最终候选区域与两次下采样的采样结果输入到多尺度耦合卷积网中,进行参数训练和特征提取;
步骤(C),将提取的特征输入极限学习机ELM分类器,对提取的特征进行分类;
步骤(D),根据分类后的特征,通过使用回归器进行修正候选框的位置,从而得到图像信息中异常目标的位置,即修正后候选框的位置。
前述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,步骤(A),通过共享区域合并方法,将得到的各候选区域进行合并,得到该图像的多个最终候选区域,包括以下步骤,
(A1),对于通过均值漂移方法生成的候选区域,逐个进行分析,将其的每个候选区域与归一化割方法生成的对应候选区域进行逐个比对;
(A2),若在归一化割方法生成的候选区域中能够找到与正在分析的均值漂移方法生成的候选区域相似度达到80%及以上时,则该候选区域的分割是正确的,取这两个候选区域重合的并集,得到一个最终候选区域;若在归一化割方法生成的候选区域中不存在与正在分析的均值漂移方法生成的候选区域相似度达到80%的情况时,则认为该候选区域划分不正确,对下一个候选区域进行处理。
前述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,步骤(B),对每个归一化后的最终候选区域进行两次下采样,并将最终候选区域与两次下采样的采样结果输入到多尺度耦合卷积网中,进行参数训练和特征提取,包括以下步骤,
(B1),对每个归一化后的最终候选区域进行两次下采样,该最终候选区域对应的S/2*S/2最终候选区域、S/4*S/4最终候选区域;
(B2),将最终候选区域、S/2*S/2最终候选区域、S/4*S/4最终候选区域输入到多尺度耦合卷积网中;
(B3),最终候选区域在卷积过程中使用5*5的卷积核进行处理、S/2*S/2最终候选区域在卷积过程中使用3*3的卷积核进行处理、S/4*S/4最终候选区域在卷积过程中使用1*1的卷积核进行处理;
(B4),将同一最终候选区域下的不同尺度情况下提取的特征直接合并,得到7168维的特征;
(B5),将7168维的特征送入多尺度耦合卷积网的全连接层进行分类,多尺度耦合卷积网参数的训练通过全连接层的分类结果与实际标签的区别来进行,学习率为0.01。
前述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,(B4),将同一最终候选区域下的不同尺度情况下提取的特征直接合并,得到7168维的特征,包括最终候选区域提取得到的4096维特征,S/2*S/2最终候选区域提取得到的2048维特征,S/4*S/4最终候选区域提取得到的1024维特征。
前述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,步骤(C),将提取的特征输入极限学习机ELM分类器,对提取的特征进行分类,并得到最终候选区域对应的候选框位置,过程如下,
设有N个不同的特征样本,X={x1,x2,L,xN|xi∈RD,i=1,2,L,N},Y={y1,y2,L,yN|yi∈RL,i=1,2,L,N},其中,D为光谱维度,L为类别数,X表示训练用特征样本集合,Y表示每个特征样本对应的标签集合,xN表示第N个特征样本,yN表示第N个特征样本的标签,xi表示第i个特征样本,yi表示第i个特征样本的标签,R表示样本数值的取值范围;
令P为隐层节点数,极限学习机的表达式如下,
其中,g(x)为激活函数,ωj和βj分别是输入权重和输出权重,bj为隐层偏置。
前述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,步骤(D),根据步骤(C)得到的候选框位置,通过使用回归器进行修正候选框的位置,得到候选框的五个参数,包括类别标签C、候选框位置(x,y,w,h),其中,x为候选框的左上顶点横坐标,y为候选框的左上顶点纵坐标,w为候选框的宽,h为候选框的高。
本发明的有益效果是:本发明的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,适用于铁路接触网的异常目标自动检测,可以取得比人眼观察更为准确的异常检测效果,检测精度高,自动化程度高,并具有以下优点,
(1)采用均值漂移和归一化割的方法对图像进行候选区域提取,再通过共享区域合并方法将两种方法得到的候选区域合并,得到最终候选区域,从而提高候选区域提取的准确性;
(2)对最终候选区域类别进行分析使用多尺度耦合卷积网来对候选区域进行特征提取,可以最大限度地反映图片的空间分布特征,使得铁路上的接触网的异常检测效果更为稳定可靠;
(3)通过极限学习机对特征进行判别,计算效率高,泛化能力强,进一步提高了检测精度。
附图说明
图1是本发明的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法的流程图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
本发明的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,包括以下步骤,
步骤(A),获取接触网的图像信息,使用均值漂移和归一化割的方法分别得到该图像信息对应的多组候选区域,并通过共享区域合并方法,将得到的各候选区域进行合并,得到该图像的多个最终候选区域,包括以下步骤,
(A1),对于通过均值漂移方法生成的候选区域,逐个进行分析,将其的每个候选区域与归一化割方法生成的对应候选区域进行逐个比对;
(A2),若在归一化割方法生成的候选区域中能够找到与正在分析的均值漂移方法生成的候选区域相似度达到80%及以上时,则该候选区域的分割是正确的,取这两个候选区域重合的并集,得到一个最终候选区域;若在归一化割方法生成的候选区域中不存在与正在分析的均值漂移方法生成的候选区域相似度达到80%的情况时,则认为该候选区域划分不正确,对下一个候选区域进行处理;
均值漂移和归一化割方法的基本步骤,都是对先对图像进行过分割,将其分割为小区域,再重复合并可能性最高的两个区域,直到整张图像合并成一个区域位置,该过程中出现过的所有区域,即是该方法确定的候选区域;
步骤(B),将各最终候选区域归一化处理,尺寸均为S*S,S表示归一化后最终候选区域的长宽,对每个归一化后的最终候选区域进行两次下采样,并将最终候选区域与两次下采样的采样结果输入到多尺度耦合卷积网中,进行参数训练和特征提取,包括以下步骤,
(B1),对每个归一化后的最终候选区域进行两次下采样,该最终候选区域对应的S/2*S/2最终候选区域、S/4*S/4最终候选区域;
(B2),将最终候选区域、S/2*S/2最终候选区域、S/4*S/4最终候选区域输入到多尺度耦合卷积网中;
(B3),最终候选区域在卷积过程中使用5*5的卷积核进行处理、S/2*S/2最终候选区域在卷积过程中使用3*3的卷积核进行处理、S/4*S/4最终候选区域在卷积过程中使用1*1的卷积核进行处理;
(B4),将同一最终候选区域下的不同尺度情况下提取的特征直接合并,得到7168维的特征,包括最终候选区域提取得到的4096维特征,S/2*S/2最终候选区域提取得到的2048维特征,S/4*S/4最终候选区域提取得到的1024维特征;
(B5),将7168维的特征送入多尺度耦合卷积网的全连接层进行分类,多尺度耦合卷积网参数的训练通过全连接层的分类结果与实际标签的区别来进行,学习率为0.01;
该步骤的多尺度耦合卷积网,包括卷积层,池化层,全连接层的组合,在保证足够精度的前提下,提高检测效率;
步骤(C),将提取的特征输入极限学习机ELM分类器,对提取的特征进行分类,过程如下,
设有N个不同的特征样本,X={x1,x2,L,xN|xi∈RD,i=1,2,L,N},Y={y1,y2,L,yN|yi∈RL,i=1,2,L,N},其中,D为光谱维度,L为类别数,X表示训练用特征样本集合,Y表示每个特征样本对应的标签集合,xN表示第N个特征样本,yN表示第N个特征样本的标签,xi表示第i个特征样本,yi表示第i个特征样本的标签,R表示样本数值的取值范围;
令P为隐层节点数,极限学习机的表达式如下,
其中,g(x)为激活函数,ωj和βj分别是输入权重和输出权重,bj为隐层偏置;
在该步骤中,对每一类目标,都是用一个极限学习机ELM分类器进行判别,极限学习机ELM分类器是一种新型的单隐层前馈神经网络,其特点是通过随机初始化输入权重和偏置并得到相应的输出。由于其计算效率高和泛化能力强,极限学习机近些年在图像处理领域应用广泛;
步骤(D),根据分类后的特征,通过使用回归器进行修正候选框的位置,从而得到图像信息中异常目标的位置,即修正后候选框的位置,
通过使用回归器进行修正候选框的位置,得到候选框的五个参数,包括类别标签C、候选框位置(x,y,w,h),其中,x为候选框的左上顶点横坐标,y为候选框的左上顶点纵坐标,w为候选框的宽,h为候选框的高。
异常目标检测问题的衡量标准是重叠面积:许多看似准确的检测结果,往往因为候选框不够准确,重叠面积很小。故需要进行修正候选框的位置,对每一类目标,选择使用一个线性脊回归器来进行精修,其中正则项入取10000,输入为通过多尺度耦合卷积网最后池化层得到的7168维特征,输出为x、y方向的缩放和平移。
综上所述,本发明的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,适用于铁路接触网的异常目标自动检测,可以取得比人眼观察更为准确的异常检测效果,检测精度高,自动化程度高,并具有以下优点,
(1)采用均值漂移和归一化割的方法对图像进行候选区域提取,再通过共享区域合并方法将两种方法得到的候选区域合并,得到最终候选区域,从而提高候选区域提取的准确性;
(2)对最终候选区域类别进行分析使用多尺度耦合卷积网来对候选区域进行特征提取,可以最大限度地反映图片的空间分布特征,使得铁路上的接触网的异常检测效果更为稳定可靠;
(3)通过极限学习机对特征进行判别,计算效率高,泛化能力强,进一步提高了检测精度。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,其特征在于:包括以下步骤,
步骤(A),获取接触网的图像信息,使用均值漂移和归一化割的方法分别得到该图像信息对应的多组候选区域,并通过共享区域合并方法,将得到的各候选区域进行合并,得到该图像的多个最终候选区域;
步骤(B),将各最终候选区域归一化处理,尺寸均为S*S,S表示归一化后最终候选区域的长宽,对每个归一化后的最终候选区域进行两次下采样,并将最终候选区域与两次下采样的采样结果输入到多尺度耦合卷积网中,进行参数训练和特征提取;
步骤(C),将提取的特征输入极限学习机ELM分类器,对提取的特征进行分类;
步骤(D),根据分类后的特征,通过使用回归器进行修正候选框的位置,从而得到图像信息中异常目标的位置,即修正后候选框的位置;
步骤(A),通过共享区域合并方法,将得到的各候选区域进行合并,得到该图像的多个最终候选区域,包括以下步骤,
(A1),对于通过均值漂移方法生成的候选区域,逐个进行分析,将其每个候选区域与归一化割方法生成的对应候选区域进行逐个比对;
(A2),若在归一化割方法生成的候选区域中能够找到与正在分析的均值漂移方法生成的候选区域相似度达到80%及以上时,则该候选区域的分割是正确的,取这两个候选区域重合的并集,得到一个最终候选区域;若在归一化割方法生成的候选区域中不存在与正在分析的均值漂移方法生成的候选区域相似度达到80%的情况时,则认为该候选区域划分不正确,对下一个候选区域进行处理。
2.根据权利要求1所述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,其特征在于:步骤(B),对每个归一化后的最终候选区域进行两次下采样,并将最终候选区域与两次下采样的采样结果输入到多尺度耦合卷积网中,进行参数训练和特征提取,包括以下步骤,
(B1),对每个归一化后的最终候选区域进行两次下采样,得到该最终候选区域对应的S/2*S/2最终候选区域、S/4*S/4最终候选区域;
(B2),将最终候选区域、S/2*S/2最终候选区域、S/4*S/4最终候选区域输入到多尺度耦合卷积网中;
(B3),最终候选区域在卷积过程中使用5*5的卷积核进行处理、S/2*S/2最终候选区域在卷积过程中使用3*3的卷积核进行处理、S/4*S/4最终候选区域在卷积过程中使用1*1的卷积核进行处理;
(B4),将同一最终候选区域下的不同尺度情况下提取的特征直接合并,得到7168维的特征;
(B5),将7168维的特征送入多尺度耦合卷积网的全连接层进行分类,多尺度耦合卷积网参数的训练通过全连接层的分类结果与实际标签的区别来进行,学习率为0.01。
3.根据权利要求2所述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,其特征在于:(B4),将同一最终候选区域下的不同尺度情况下提取的特征直接合并,得到7168维的特征,包括最终候选区域提取得到的4096维特征,S/2*S/2最终候选区域提取得到的2048维特征,S/4*S/4最终候选区域提取得到的1024维特征。
4.根据权利要求1所述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,其特征在于:步骤(C),将提取的特征输入极限学习机ELM分类器,对提取的特征进行分类,并得到最终候选区域对应的候选框位置,过程如下,
设有N个不同的特征样本,X={x1,x2,…,xN|xi∈RD,i=1,2,…,N},Y={y1,y2,…,yN|yi∈RL,i=1,2,…,N},其中,D为光谱维度,L为类别数,X表示训练用特征样本集合,Y表示每个特征样本对应的标签集合,xN表示第N个特征样本,yN表示第N个特征样本的标签,xi表示第i个特征样本,yi表示第i个特征样本的标签,R表示样本数值的取值范围;
令P为隐层节点数,极限学习机的表达式如下,
其中,g(x)为激活函数,ωj和βj分别是输入权重和输出权重,bj为隐层偏置。
5.根据权利要求1所述的基于多尺度耦合卷积网的铁路接触网异常目标自动检测法,其特征在于:步骤(D),根据步骤(C)得到的候选框位置,通过使用回归器进行修正候选框的位置,得到候选框的五个参数,包括类别标签C、候选框位置(x,y,w,h),其中,x为候选框的左上顶点横坐标,y为候选框的左上顶点纵坐标,w为候选框的宽,h为候选框的高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810132521.0A CN108288273B (zh) | 2018-02-09 | 2018-02-09 | 基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810132521.0A CN108288273B (zh) | 2018-02-09 | 2018-02-09 | 基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288273A CN108288273A (zh) | 2018-07-17 |
CN108288273B true CN108288273B (zh) | 2021-07-27 |
Family
ID=62832826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810132521.0A Active CN108288273B (zh) | 2018-02-09 | 2018-02-09 | 基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288273B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034366B (zh) * | 2018-07-18 | 2021-10-01 | 北京化工大学 | 基于多激活函数的elm集成模型在化工建模中的应用 |
CN110210474B (zh) | 2019-04-30 | 2021-06-01 | 北京市商汤科技开发有限公司 | 目标检测方法及装置、设备及存储介质 |
CN110432895B (zh) * | 2019-08-09 | 2022-02-11 | 上海鹰瞳医疗科技有限公司 | 训练数据处理、心电波形检测方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8345976B2 (en) * | 2010-08-06 | 2013-01-01 | Sony Corporation | Systems and methods for segmenting digital images |
CN104156942A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种用于复杂环境遗留物的检测方法 |
CN105160330A (zh) * | 2015-09-17 | 2015-12-16 | 中国地质大学(武汉) | 一种车标识别方法及车标识别*** |
CN106611427A (zh) * | 2015-10-21 | 2017-05-03 | 中国人民解放军理工大学 | 基于候选区域融合的视频显著性检测方法 |
-
2018
- 2018-02-09 CN CN201810132521.0A patent/CN108288273B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8345976B2 (en) * | 2010-08-06 | 2013-01-01 | Sony Corporation | Systems and methods for segmenting digital images |
CN104156942A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种用于复杂环境遗留物的检测方法 |
CN105160330A (zh) * | 2015-09-17 | 2015-12-16 | 中国地质大学(武汉) | 一种车标识别方法及车标识别*** |
CN106611427A (zh) * | 2015-10-21 | 2017-05-03 | 中国人民解放军理工大学 | 基于候选区域融合的视频显著性检测方法 |
Non-Patent Citations (2)
Title |
---|
Image segmentation based on genetic algorithm for region growth and region merging;S Angelina et al.;《 2012 International Conference on Computing, Electronics and Electrical Technologies》;20120524;全文 * |
基于马尔可夫随机场的图像分割方法综述;徐胜军等;《计算机应用研究》;20130930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108288273A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
US9639748B2 (en) | Method for detecting persons using 1D depths and 2D texture | |
CN109492706B (zh) | 一种基于循环神经网络的染色体分类预测装置 | |
CN108288273B (zh) | 基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
Umamaheswari et al. | Weed detection in farm crops using parallel image processing | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测***及检测方法 | |
Tamilselvi et al. | Unsupervised machine learning for clustering the infected leaves based on the leaf-colours | |
Huo et al. | Tongue shape classification integrating image preprocessing and convolution neural network | |
CN114973116A (zh) | 一种自注意力特征嵌入夜间机场跑道异物检测方法与*** | |
Isa et al. | CNN transfer learning of shrimp detection for underwater vision system | |
Li et al. | Temporal aggregation network using micromotion features for early lameness recognition in dairy cows | |
CN113191320A (zh) | 一种基于深度学习的食品安全指标监测方法 | |
Gurunathan et al. | Plant leaf diseases detection using KNN classifier | |
CN110363240B (zh) | 一种医学影像分类方法与*** | |
CN111814547A (zh) | 一种基于视觉识别的架空高压导线追踪检测***及方法 | |
Zhang et al. | An approach for goose egg recognition for robot picking based on deep learning | |
CN114792300A (zh) | 一种基于多尺度注意力x光断针检测方法 | |
CN106156771B (zh) | 一种基于多特征融合的水表读数区域检测算法 | |
Mohanapriya et al. | Identification of Fruit Disease Using Instance Segmentation | |
CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 | |
CN111754547B (zh) | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 | |
Zin et al. | A deep learning method of edge-based cow region detection and multiple linear classification |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191210 Address after: 210012 floor 3-012, North Building D2, No. 32, Dazhou Road, Yuhuatai District, Nanjing City, Jiangsu Province Applicant after: Nanjing zhiliansen Information Technology Co., Ltd Address before: 210014 9 fresh 506 homes in Guanghua Road, Qinhuai District, Nanjing, Jiangsu Applicant before: Wu Zebin |
|
GR01 | Patent grant | ||
GR01 | Patent grant |