CN109636794B - 一种基于机器学习的地铁高度调节阀紧固螺母定位方法 - Google Patents

一种基于机器学习的地铁高度调节阀紧固螺母定位方法 Download PDF

Info

Publication number
CN109636794B
CN109636794B CN201811537193.9A CN201811537193A CN109636794B CN 109636794 B CN109636794 B CN 109636794B CN 201811537193 A CN201811537193 A CN 201811537193A CN 109636794 B CN109636794 B CN 109636794B
Authority
CN
China
Prior art keywords
image
height adjusting
fastening nut
adjusting valve
subway
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
Application number
CN201811537193.9A
Other languages
English (en)
Other versions
CN109636794A (zh
Inventor
刘书东
冷燚
刘广波
李正倩
陈兴来
苑智伟
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.)
Liaoning Dinghan Qihui Electronic System Engineering Co ltd
Original Assignee
LIAONING QUICKHIGH ELECTRONIC SYSTEM ENGINEERING CO LTD
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 LIAONING QUICKHIGH ELECTRONIC SYSTEM ENGINEERING CO LTD filed Critical LIAONING QUICKHIGH ELECTRONIC SYSTEM ENGINEERING CO LTD
Priority to CN201811537193.9A priority Critical patent/CN109636794B/zh
Publication of CN109636794A publication Critical patent/CN109636794A/zh
Application granted granted Critical
Publication of CN109636794B publication Critical patent/CN109636794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器学习的地铁高度调节阀紧固螺母定位方法，包括以下步骤：S1:采集地铁列车全车底部的图像信息，根据车厢的不同对图像进行切割，获得包含高度调节阀部件的全车底部高清彩色图像；S2:建立深度神经网络分类器对高度调节阀部件进行定位；建立支持向量机分类器对高度调节阀部件中紧固螺母的位置区域进行定位；S3:使用K‑Means聚类算法对定位后的紧固螺母图像进行初步分割；S4:根据边界特征方法对地铁高度调节阀紧固螺母进行精确分割。

Description

一种基于机器学习的地铁高度调节阀紧固螺母定位方法
技术领域
本发明涉及地铁机械部件故障检测领域，尤其涉及一种基于机器学习的地铁高度调节阀紧固螺母定位方法。
背景技术
目前在地铁走行部的日常检测中，高度调节阀紧固螺母是需要重点监测的部件。为保证地铁车辆的行车安全，实现重点部件的精准监测，对高度调节阀紧固螺母部件的精准定位就成为了整个部件异常检测的关键前提。地铁列车长期运行时产生的震动或检修失误都可能导致高度调节阀紧固螺母出现脱落、松动等不良状态，使得调节阀的承力能力降低，机械强度下降，使事故发生的可能性增加。因此，实现高度调节阀紧固螺母的精准定位十分关键。
目前对地铁高度调节阀紧固螺母的异常检测仍以人工检测为主，由于待检测区域面积大，而待检螺母所占面积极小，完成螺母定位和异常检测都需要大量人力，工作量大，效率十分低下。基于数字图像处理技术的地铁高度调节阀紧固螺母在非接触的情况下完成在线实时定位，具有较强优势。国内外专门针对地铁走行部中高度调节阀紧固螺母的状态监测尚属空白，针对此种部件的螺母定位研究更鲜有报道。由于紧固螺母相对于整车图像的尺寸极小，且该部件易受到反光的影响，采用图像处理技术的检测存在一定难度，目前尚未检索到此方面的研究报道。
发明内容
根据现有技术存在的问题，本发明公开了一种基于深度学习分类器的地铁高度调节阀紧固螺母定位方法，具体包括以下步骤：
S1:采集地铁列车全车底部的图像信息，根据车厢的不同对图像进行切割，获得包含高度调节阀部件的全车底部高清彩色图像；
S2:建立深度神经网络分类器对高度调节阀部件进行定位；建立支持向量机分类器对高度调节阀部件中紧固螺母的位置区域进行定位；
S3:使用K-Means聚类算法对定位后的紧固螺母图像进行初步分割；
S4:根据边界特征方法对地铁高度调节阀紧固螺母进行精确分割：采用区域生长法对初步分割后的二值图像进行限定区域搜索去除背景杂点，精确提取紧固螺母。
所述S2具体采用如下方式：
a、生成高度调节阀部件的样本库，其中正样本为只包含高度调节阀部件的图像，负样本为不包含高度调节阀的其他部件图像；
b、采用深度神经网络算法对样本进行训练，建立深度学习分类器，对高度调节阀部件进行整体定位；
c、生成高度调节阀部件中紧固螺母的样本库，其中正样本为包含紧固螺母的图像，负样本为不包含紧固螺母的其他部件图像；
d、采用支持向量机完成正负样本训练，建立紧固螺母分类器，实现紧固螺母的定位。
所述S3具体采用如下方式：
S31:对定位后的紧固螺母图像进行对比度增强处理，采用直方图均衡化方法增大图像中感兴趣的紧固螺母区域与背景区域的对比度差异；
S32:利用K-Means聚类算法将图像聚类划分，将紧固螺母区域与图像背景区域分离，具体采用如下方式：
S321:设定样本分类数量为2，即划分为C1、C2两个类别，每个类别选择一个聚类中心，采用中心化算法确定初始聚类中心点；
S322:对于图像中的每一个像素点，采用公式(2)计算每个像素点与这些聚类中心的欧氏距离，采用公式(3)按距离最近的准则将每个像素点分到距离它们最近的聚类中心所对应的类；
Figure BDA0001907182610000021
Figure BDA0001907182610000022
其中，E是平方误差，x是样本点，μi是类别Ci的均值向量；
S323:更新聚类中心：将每个类别中所有对象对应的均值作为该类别的聚类中心，得到更新后的2个中心点；
S324:设定算法终止条件为最大循环数目M和精度阈值N，比较更新后的2个中心点与S321中的2个初始聚类中心点之间的差值，若差值小于精度阈值N，则按照类别不同赋予像素点0或255的灰度值并输出图像；若差值大于精度阈值，则继续S322～S324直至循环满足条件为止；
S325:对图像进行灰度判定，由于ROI区域像素数小于背景区域所占像素，如果输出图像灰度值为255的像素个数较多，则图像灰度取反后输出最终结果；反之，直接输出最终结果；
S33:使用图像形态学的开运算对图像进行处理消除部分的干扰像点。
S4具体包括以下步骤：
计算ROI区域的水平方向投影和竖直方向投影，根据投影曲线表现的边界特征进一步确定螺母所在区域，在水平方向投影中，以经过峰值点纵坐标的水平直线为中心分割原图像，取上下两图像各自高度的二分之一位置划定水平线，分别设定为ROI上边界和下边界；在垂直方向投影中，将峰值右侧出现的第一个波谷记为ROI左边界，图像右侧出现的第一个非零值记为ROI右边界，完成螺母所在区域的精准提取。
由于采用了上述技术方案，本发明提供的一种基于深度学习分类器的地铁高度调节阀紧固螺母定位方法，本方法直接利用图像处理技术实现地铁高度调节阀紧固螺母的定位，可以给出客观、准确的定位结果，避免了传统人工定位方法的缺陷。本方法为后续地铁高度调节阀紧固螺母的不良状态检测提供了一种有意义的参考。本方法根据高度调节阀紧固螺母在整车图像中的数据特点，将深度学习与机器学习的分类器相结合，逐步定位，有效地解决数据量大、运算耗时的问题；本方法充分考虑螺母自身特征与所处背景环境，结合K-Means算法、区域生长法、目标灰度分布特征等设计螺母定位方法，克服了螺母在复杂背景环境下的易被误判的影响，定位结果准确、有效；本发明涉及的地铁高度调节阀紧固螺母定位方法，相关研究鲜有报道。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的流程框图。
图2为本发明原始图像中截取的包含高度调节阀的图像。
图3为本发明采用深度神经网络分类所得的高度调节阀部件图例。
图4为本发明关于高度调节阀部件紧固螺母的支持向量机样本，图4(a)正样本，图4(b)负样本。
图5为本发明初步定位的紧固螺母图像。
图6为本发明对比度增强后的紧固螺母图像。
图7为本发明采用K-Means聚类算法分割后的紧固螺母示意图。
图8为本发明经形态学算法处理后的紧固螺母示意图。
图9为本发明紧固螺母图像在水平和垂直方向投影图像的示意图。
图10为本发明基于边界特征的紧固螺母精确分割示意图。图10(a)正样本，图10(b)负样本。
图11为本发明采用区域生长法去除背景杂点后精确分割的紧固螺母定位示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
如图1所示的一种基于机器学习的地铁高度调节阀紧固螺母定位方法，具体包括以下步骤：
一、使用高清彩色线阵相机和测速模块采集地铁列车全车底部图像信息，按车厢的不同进行切割，获得包含高度调节阀部件的全车底部高清彩色图像，由于图像过大，为方便观察，截取一部分图像展示，如图2所示。
二、基于深度学习分类器的地铁高度调节阀紧固螺母初步定位：
2.1建立高度调节阀紧固螺母部件的样本库，截取包含高度调节阀紧固螺母的图像为样本，并设定相应标签，样本数量为3500；
2.2采用深度神经网络算法完成样本的训练，建立部件分类器，实现高度调节阀紧固螺母部件的整体定位，获取高度调节阀紧固螺母部件的图像集，样图如图3；
2.3建立高度调节阀部件中紧固螺母的样本库，其中正样本为紧固螺母的图像，数量为150，负样本为其余部件的图像，数量为200，如图4所示；
2.4采用支持向量机完成正负样本训练，建立紧固螺母分类器，提取感兴趣的紧固螺母区域，提取结果如图5；使用支持向量机解决训练数据集线性不可分情况下的最优分类超平面求解问题，即凸二次规划问题。
三、基于K-Means聚类算法的紧固螺母初步分割；
3.1由于待检测螺母相对于整列车来说尺寸极小，在图像中所占像素数很少，为方便分析其当前状态，需要对提取的紧固螺母区域进行对比度增强处理，采用直方图均衡化处理图像，使得紧固螺母与背景差异增大，利于分割，处理结果如图6；
3.2利用K-Means聚类算法将图像分为2个聚类，以二值图像形式呈现，同时增加二值图像判据，将紧固螺母与图像背景相分离；具体过程如下：
(1)设定样本分类数量为2，即划分为C1、C2两个类别，每个类别选择一个聚类中心，采用基于中心化算法决定初始聚类中心点；
(2)对于图像中的每一个像素点，计算它们与这些聚类中心的欧氏距离，如式(2)，E是平方误差，x是样本点，μi是类别Ci的均值向量，如式(3)，按距离最近的准则将它们分到距离它们最近的聚类中心所对应的类；
Figure BDA0001907182610000051
Figure BDA0001907182610000052
(3)更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，得到新的2个中心点；
(4)设定算法终止条件为最大循环数目10和精度阈值1.0。比较新的2个中心点之间与(1)中的2个中心差值，若差值小于精度阈值，则按照类别不同赋予像素点0或255的灰度值，输出图像；若大于精度阈值，则继续(2)～(4)步，直至循环满足终止条件。
(5)进行灰度判定，由于目标所占像素数小于背景所占像素，若输出图像灰度值为255的像素个数较多，则图像灰度取反后输出最终结果；反之，直接输出最终结果，如图7。
3.3使用图像形态学的开运算处理图像，消除干扰像点，如图8所示。
四、基于边界特征的地铁高度调节阀紧固螺母精确分割
4.1采用区域生长法对分割后的二值图像进行限定区域搜索，去除背景杂点、完成紧固螺母的精确分割。具体过程为：
(1)选取种子：首先设定区域生长种子可能出现的矩形区域，矩形左边界为图像的左边界，水平中线为图像的水平中线；矩形水平宽度为图像的85％，近似图像中螺杆长度；矩形竖直高度为ROI图像的60％，近似为螺母高度。在此区域随机生成10000个点，判断其像素值，选取其中100个非零像素点作为区域生长开始的种子。
(2)区域生长：搜索种子的四邻域像素点，若像素点灰度为255且未被搜索，则将该点合并，并标记为已搜索。当四邻域点均搜索完毕，则按合并顺序设定新合并的像素为新种子，继续充分上述区域生长过程，直至遍历所有像素点。
(3)生成结果图像：将生成100幅区域生长结果图相累加，并将累加结果图中的非零像素值置为255，由此可得到包含全部螺母轮廓，同时去除了复杂背景干扰的二值图像，结果如图9。
4.2计算图像的水平方向投影和竖直方向投影，根据投影曲线表现的边界特征可以进一步确定螺母所在区域。在水平方向投影中，以经过峰值点纵坐标的水平直线为中心分割原图像，取上下两图像各自高度的二分之一位置划定水平线，分别设定为ROI上边界和下边界；在垂直方向投影中，将峰值右侧出现的第一个波谷记为ROI左边界，图像右侧出现的第一个非零值记为ROI右边界，水平和垂直方向投影分别如图10(a)、(b)所示。
根据ROI的上下左右边界完成螺母所在区域的精准提取，螺母定位结果如图11，算法返回ROI矩形信息，在原图标画。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于机器学习的地铁高度调节阀紧固螺母定位方法，其特征在于包括以下步骤：
S1:采集地铁列车全车底部的图像信息，根据车厢的不同对图像进行切割，获得包含高度调节阀部件的全车底部高清彩色图像；
S2:建立深度神经网络分类器对高度调节阀部件进行定位；建立支持向量机分类器对高度调节阀部件中紧固螺母的位置区域进行定位；
S3:使用K-Means聚类算法对定位后的紧固螺母图像进行初步分割；
S4:根据边界特征方法对地铁高度调节阀紧固螺母进行精确分割：采用区域生长法对初步分割后的二值图像进行限定区域搜索去除背景杂点，精确提取紧固螺母；
S4具体包括以下步骤：计算ROI区域的水平方向投影和竖直方向投影，根据投影曲线表现的边界特征进一步确定螺母所在区域，在水平方向投影中，以经过峰值点纵坐标的水平直线为中心分割原图像，取上下两图像各自高度的二分之一位置划定水平线，分别设定为ROI上边界和下边界；在垂直方向投影中，将峰值右侧出现的第一个波谷记为ROI左边界，图像右侧出现的第一个非零值记为ROI右边界，完成螺母所在区域的精准提取。
2.根据权利要求1所述的一种基于机器学习的地铁高度调节阀紧固螺母定位方法，其特征还在于：所述S2具体采用如下方式：
a、生成高度调节阀部件的样本库，其中正样本为只包含高度调节阀部件的图像，负样本为不包含高度调节阀的其他部件图像；
b、采用深度神经网络算法对样本进行训练，建立深度学习分类器，对高度调节阀部件进行整体定位；
c、生成高度调节阀部件中紧固螺母的样本库，其中正样本为包含紧固螺母的图像，负样本为不包含紧固螺母的其他部件图像；
d、采用支持向量机完成正负样本训练，建立紧固螺母分类器，实现紧固螺母的定位。
3.根据权利要求1所述的一种基于机器学习的地铁高度调节阀紧固螺母定位方法，其特征还在于：所述S3具体采用如下方式：
S31:对定位后的紧固螺母图像进行对比度增强处理，采用直方图均衡化方法增大图像中感兴趣的紧固螺母区域与背景区域的对比度差异；
S32:利用K-Means聚类算法将图像聚类划分，将紧固螺母区域与图像背景区域分离，具体采用如下方式：
S321:设定样本分类数量为2，即划分为C1、C2两个类别，每个类别选择一个聚类中心，采用中心化算法确定初始聚类中心点；
S322:对于图像中的每一个像素点，采用公式(2)计算每个像素点与这些聚类中心的欧氏距离，采用公式(3)按距离最近的准则将每个像素点分到距离它们最近的聚类中心所对应的类；
Figure FDA0003934967870000021
Figure FDA0003934967870000022
其中，E是平方误差，x是样本点，μi是类别Ci的均值向量；
S323:更新聚类中心：将每个类别中所有对象对应的均值作为该类别的聚类中心，得到更新后的2个中心点；
S324:设定算法终止条件为最大循环数目M和精度阈值N，比较更新后的2个中心点与S321中的2个初始聚类中心点之间的差值，若差值小于精度阈值N，则按照类别不同赋予像素点0或255的灰度值并输出图像；若差值大于精度阈值，则继续S322～S324直至循环满足条件为止；
S325:对图像进行灰度判定，由于ROI区域像素数小于背景区域所占像素，如果输出图像灰度值为255的像素个数较多，则图像灰度取反后输出最终结果；反之，直接输出最终结果；
S33:使用图像形态学的开运算对图像进行处理消除部分的干扰像点。
CN201811537193.9A 2018-12-14 2018-12-14 一种基于机器学习的地铁高度调节阀紧固螺母定位方法 Active CN109636794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811537193.9A CN109636794B (zh) 2018-12-14 2018-12-14 一种基于机器学习的地铁高度调节阀紧固螺母定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811537193.9A CN109636794B (zh) 2018-12-14 2018-12-14 一种基于机器学习的地铁高度调节阀紧固螺母定位方法

Publications (2)

Publication Number Publication Date
CN109636794A CN109636794A (zh) 2019-04-16
CN109636794B true CN109636794B (zh) 2023-02-28

Family

ID=66074261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811537193.9A Active CN109636794B (zh) 2018-12-14 2018-12-14 一种基于机器学习的地铁高度调节阀紧固螺母定位方法

Country Status (1)

Country Link
CN (1) CN109636794B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365481B (zh) * 2020-11-13 2021-06-18 哈尔滨市科佳通用机电股份有限公司 基于图像处理的横跨梁组装螺栓丢失检测方法
CN116012375B (zh) * 2023-03-22 2023-08-04 西南交通大学 一种接触网软横跨悬吊滑轮开口销缺陷检测方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008151471A1 (fr) * 2007-06-15 2008-12-18 Tsinghua University Procédé de positionnementrobuste et précis de l'oeil dans une image d'arrière-plan compliquée
CN106485694A (zh) * 2016-09-11 2017-03-08 西南交通大学 一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法
CN108648233A (zh) * 2018-03-24 2018-10-12 北京工业大学 一种基于深度学习的目标识别与抓取定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008151471A1 (fr) * 2007-06-15 2008-12-18 Tsinghua University Procédé de positionnementrobuste et précis de l'oeil dans une image d'arrière-plan compliquée
CN106485694A (zh) * 2016-09-11 2017-03-08 西南交通大学 一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法
CN108648233A (zh) * 2018-03-24 2018-10-12 北京工业大学 一种基于深度学习的目标识别与抓取定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的脑部核磁图像分割算法;程俊龙等;《轻工科技》;20171231(第08期);全文 *

Also Published As

Publication number Publication date
CN109636794A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN110334706B (zh) 一种图像目标识别方法及装置
CN105261017B (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN109840521B (zh) 一种基于深度学习的一体化车牌识别方法
CN109101924B (zh) 一种基于机器学习的路面交通标志识别方法
CN102902967B (zh) 基于人眼结构分类的虹膜和瞳孔的定位方法
CN102509091B (zh) 一种飞机尾号识别方法
CN105809184B (zh) 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法
CN105844621A (zh) 一种印刷品质量检测方法
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN105335743A (zh) 一种车牌识别方法
Murugan et al. A deep learning RCNN approach for vehicle recognition in traffic surveillance system
CN108052904B (zh) 车道线的获取方法及装置
CN104050684B (zh) 一种基于在线训练的视频运动目标分类方法与***
CN111340855A (zh) 一种基于轨迹预测的道路移动目标检测方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN109636794B (zh) 一种基于机器学习的地铁高度调节阀紧固螺母定位方法
CN110706235A (zh) 一种基于双级级联分割的远红外行人检测方法
CN101526994A (zh) 一种与采集设备无关的指纹图像分割方法
CN115100196B (zh) 一种基于图像分割的冲压件除锈效果评估方法
Yang et al. An efficient method for vehicle model identification via logo recognition
CN111476804A (zh) 托辊图像高效分割方法、装置、设备及存储介质
Zhou et al. Learning-based seat belt detection in image using salient gradient
CN109543498B (zh) 一种基于多任务网络的车道线检测方法
CN107247967B (zh) 一种基于r-cnn的车窗年检标检测方法
CN108073940A (zh) 一种非结构化环境中的3d目标实例物体检测的方法

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
CP03 Change of name, title or address

Address after: No.52a (1001), Beiyi West Road, Tiexi District, Shenyang, Liaoning Province, 110000

Patentee after: LIAONING DINGHAN QIHUI ELECTRONIC SYSTEM ENGINEERING Co.,Ltd.

Address before: 110000 10th floor, building AC, Jingu project, no.52a, beiyixi Road, Tiexi District, Shenyang City, Liaoning Province

Patentee before: LIAONING QUICKHIGH ELECTRONIC SYSTEM ENGINEERING CO.,LTD.

CP03 Change of name, title or address