CN109685066B - 一种基于深度卷积神经网络的矿井目标检测与识别方法 - Google Patents

一种基于深度卷积神经网络的矿井目标检测与识别方法 Download PDF

Info

Publication number
CN109685066B
CN109685066B CN201811582240.1A CN201811582240A CN109685066B CN 109685066 B CN109685066 B CN 109685066B CN 201811582240 A CN201811582240 A CN 201811582240A CN 109685066 B CN109685066 B CN 109685066B
Authority
CN
China
Prior art keywords
target
mine
network
training
frame
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
CN201811582240.1A
Other languages
English (en)
Other versions
CN109685066A (zh
Inventor
张帆
崔东林
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN201811582240.1A priority Critical patent/CN109685066B/zh
Publication of CN109685066A publication Critical patent/CN109685066A/zh
Application granted granted Critical
Publication of CN109685066B publication Critical patent/CN109685066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于目标检测与智能识别领域，公开了一种深度卷积神经网络的矿井目标检测与识别方法。所述方法主要步骤包括：第一步，制作目标数据集，利用矿井视频图像采集设备捕获煤矿井下目标原始图像的一帧来构建模型输入，据此制作训练验证集和测试集；第二步，训练目标检测网络模型，利用训练验证集离线训练网络模型，直到该模型具有较高的准确率；第三步，使用训练好的目标检测网络模型对测试集中目标携带的数字序列进行检测，并获得该数字序列的四维坐标；第四步，对图片中的数字序列区域进行截取、分割操作，并依次送入LeNet‑5网络中进行识别，依据识别结果来确定移动目标的身份。该方法能有效提高矿井目标检测与识别的速度和精度。

Description

一种基于深度卷积神经网络的矿井目标检测与识别方法
技术领域
本发明属于目标检测与智能识别领域，具体地说涉及一种基于深度卷积神经网络的矿井目标检测与识别方法。
背景技术
智能化开采是矿井安全、高效集约化生产的发展趋势，研究井下作业人员、机车设备和机器人等移动目标准确检测与实时跟踪识别，对保障矿井智能安全开采和提高煤矿灾害智能预警具有重要意义。现有矿井人员和井下机车等移动目标检测识别方法主要采用静态的射频识别技术，但是上述方式无法实现对目标的多维信息检测与跟踪识别，尤其是在井下雾尘、低照度环境中难以实现对矿井移动目标进行实时跟踪与准确识别。近年来，针对深度学习的理论研究已引起国内外许多学者关注，深度卷积神经网络(DCNN)被认为是一种适合目标检测和分类任务的重要深度学习方法，并且具有识别精度高、抗干扰能力强和可远距离获取目标图像等特点，其在智能监控、运动目标检测与识别、视觉导航等领域的应用成为研究热点。因此，为了克服现有矿井目标识别技术的不足，本发明提出采用基于深度卷积神经网络的矿井目标检测与识别方法，实现对矿井目标准确检测与跟踪识别。
发明内容
本发明提出一种矿井目标检测与识别方法。主要用于解决精确识别矿井目标的类别，精准定位目标在图像中的位置、尺寸，实现矿井人员、机车和机器人移动目标的检测与识别，以及矿井工作面的煤岩识别和环境场景的视觉导航与定位功能。
本发明是一种基于深度卷积神经网络的矿井目标检测与识别方法，包括模型训练方法，目标位置检测方法和目标类别识别方法。
所述矿井目标检测与识别方法，其实现步骤包括：
步骤1、制作目标样本的数据集，利用矿井视频图像采集设备捕获煤矿井下目标原始图像或环境场景的一帧来构建模型输入，据此制作含有数字序列及其位置信息的目标数据集，并将该数据集分成训练验证集和测试集；
步骤2、训练目标检测的网络模型，利用步骤1中的训练验证集离线训练用于目标检测的网络模型，直到该模型达到检测目标图像中数字序列的准确率；
步骤3、使用训练好的目标检测网络模型对测试集中携带数字序列的目标进行检测，并获得该数字序列的四维坐标(cx,cy,w,h),其中，cx,cy分别表示候选框中心在图像中的横纵坐标,w,h表示候选框的宽和高；
步骤4、根据步骤3检测到的数字序列四维坐标，对图像中的数字序列区域进行特征提取和字符分割操作，然后将单个字符依次输入LeNet-5网络中进行识别，并将识别出的字符按序排列，最终得到该数字序列的内容信息，据此来确定目标的身份；
步骤2进一步包括以下子步骤：
2.1初始化：采用ImageNet预训练模型VGG16网络初始化SSD网络的主体网络层部分，采用零均值、方差为0.01的高斯分布初始化SSD网络的扩展层部分，设定置信阈值和训练阈值；
2.2候选区域提取：输入移动目标训练样本，使用卷积核从Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2六个不同尺度的特征图上提取一系列候选框；对目标的真实框标注信息进行预处理，并将其映射到相应的候选框上；根据设定的置信阈值来选取正负样本，依据匹配策略与目标的真实框进行匹配；
2.3误差计算：计算步骤2.2中选取的正负样本与其匹配的真实框的位置偏移量及类别置信度的误差损失值；
2.4权值更新：利用基于梯度下降的深度学习反向传播算法更新网络模型的权值；
2.5迭代收敛：遍历整个移动目标训练集，重复执行步骤2.2～步骤2.4，迭代并计算网络模型在目标验证集上的误差值，直到该误差值达到训练阈值为止；以及，
步骤3进一步包括以下子步骤：
3.1将一幅待检测图像输入到所述网络模型中，自动提取目标图像特征；
3.2根据步骤3.1中提取的目标图像特征，选取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2六个不同尺度的特征图，从其中提取出得分最高的一系列预测框；
3.3设定目标尺寸阈值和置信阈值，通过非极大值抑制方法，从步骤3.2中的一系列预测框去除重叠率较高且置信度较低的预测框，保留最后的目标预测框；
步骤4进一步包括以下子步骤：
4.1从MNIST数据集中选取一个样本输入LeNet-5网络，对样本的特征向量进行卷积计算、非线性变化、下采样及全连接计算，输出一个预测结果；
4.2通过随机梯度下降算法优化目标函数，得到网络参数的更新值；
4.3重复执行步骤4.1～步骤4.2，迭代更新网络的权值，最小化损失函数，直到网络的误差减小到预先设定的训练阈值为止；
4.4根据目标检测框中的位置坐标，使用openCV对目标图像的待识别区域进行截取、灰度化和二值化处理，并使用像素投影的方式进行字符分割；
4.5将分割后的目标特征进行识别，并将识别出的特征字符合并成数字序列，对候选目标进行识别，输出测试图像的特征类别；
4.6最后从目标身份标识数据库中检索和确认目标身份信息。
所述矿井目标检测与识别方法，其中，所述数字序列，指煤矿井下目标携带的能唯一识别目标身份信息的数字标识符；所述数字序列的位置信息，指目标原始图像中数字序列所在区域的四维坐标信息。
所述矿井目标检测与跟踪识别方法，其中，所述矿井视频图像采集设备包括矿用本安型视觉传感器、矿用本安型相机和矿用本安型摄像机。
所述矿井目标检测与跟踪识别方法，用于实现对井下作业人员、机车设备和移动机器人的目标检测与识别，以及矿井工作面的煤岩识别和环境场景的视觉导航与定位功能。
本发明的有益效果在于：
该发明采用深度卷积神经网络的方法，对矿井目标图像通过网络模型训练输出与自身位置对应的目标特征类别，在多层特征图上生成不同尺度的区域候选框，避免了选择性搜索方法的大量计算；通过扩大局部感受野和减小卷积滤波器尺寸的方法，获取更具显著区分力和表达力的多尺度特征，有效提高了目标检测的准确率，从而实现对矿井不同大小目标的精准、快速检测与识别。本发明对保障井下人员避险、车辆防撞和智能安全开采具有重要意义。
附图说明
图1为依照本发明实施例的矿井目标检测与识别流程框图
图2为依照本发明实施例的网络模型结构图
图3为依照本发明实施例的网络模型训练流程图
图4为依照本发明实施例的矿井目标位置检测流程图
图5为依照本发明实施例对矿井目标类别识别流程图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图对本发明的具体实施方式进行详细描述。
图1为矿井目标检测与识别方法总体流程框图。实现过程为：利用矿井视频图像采集设备捕获煤矿井下目标原始图像或环境场景的一帧来构建模型输入，据此制作含有数字序列及其位置信息的目标数据集，并将该数据集分成训练验证集和测试集；利用训练验证集离线训练用于目标检测的网络模型，直到该模型达到检测目标图像中数字序列的准确率；使用训练好的目标检测网络模型对测试集中携带数字序列的目标进行检测，并获得该数字序列的四维坐标(cx,cy,w,h),其中，cx,cy分别表示候选框中心在图像中的横纵坐标,w,h表示候选框的宽和高；根据检测到的数字序列四维坐标，对图像中的数字序列区域进行特征提取和字符分割操作，然后将单个字符依次输入LeNet-5网络中进行识别，并将识别出的字符按序排列，最终得到该数字序列的内容信息，据此来确定目标的身份。
图2为实现本发明的网络模型结构图。主体网络层采用VGG16网络作为基础网络结构，主要用于卷积特征提取、抽取图片特征；扩展层则是一些空间尺寸逐渐减小的卷积层，主要用于多层特征融合、提取不同尺度下的候选框。选取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2等六个不同尺度特征图，在其每一个特征面上生成一系列候选框，然后再将候选框与目标真实的标注框按照匹配策略进行匹配，最后通过NMS策略处理每个真实框附近的冗余框，过滤多余的非文本信息，从而得到最终的检测结果。
图3为本发明实施例的网络模型训练流程图。包括如下步骤：
步骤1.初始化：采用ImageNet预训练模型VGG16网络初始化SSD网络的主体网络层部分，采用均值零、方差为0.01的高斯分布初始化SSD网络的扩展层部分，设定置信阈值和训练阈值；
步骤2.候选区域提取：输入移动目标训练样本，使用卷积核从Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2六个不同尺度的特征图上提取一系列候选框；对目标的真实框标注信息进行预处理，并将其映射到相应的候选框上；根据设定的置信阈值来选取正负样本，依据匹配策略与目标的真实框进行匹配；
步骤3.误差计算：采用损失函数计算候选框的位置偏移量及类别置信度的误差损失值；
定义
Figure BDA0001918185850000041
为矿井目标的第i个候选框与p类别的第j个真实框匹配，如果匹配成功则为1，否则为0，根据上述匹配策略，一定有
Figure BDA0001918185850000042
目标函数由候选框的分类损失与定位损失构成，总的损失函数可表示为：
Figure BDA0001918185850000043
式中，x为数字图片的三维矩阵，c为样本的置信度，l为候选框，g为真实框；N为与真实框相匹配的候选框数；λ为正则项权值；Lconf为类别任务损失函数，表示候选框的分类误差；Llos为位置偏移量损失函数，表示候选框与真实框的位置偏差。
目标的类别任务损失函数Lconf定义如下：
Figure BDA0001918185850000044
式中，
Figure BDA0001918185850000045
代表第i个候选框到类别为p的第j个真实框匹配，
Figure BDA0001918185850000046
为第i个候选框中的类别p的置信度，
Figure BDA0001918185850000047
为第i个目标候选框中的背景类的置信度。
目标候选框的位置偏移量损失函数Llos表示为：
Figure BDA0001918185850000048
Figure BDA0001918185850000049
式中，(cx,cy)为补偿后的候选框的中心坐标，(w,h)为候选框的宽和高，
Figure BDA00019181858500000410
表示对候选框位置的修正量，
Figure BDA00019181858500000411
表示真实框相对于候选框的位置偏移量。
步骤4.权值更新：利用基于梯度下降的深度学习反向传播算法更新SSD网络模型的权值；
步骤5.迭代收敛：遍历整个目标训练集，重复执行步骤2～步骤4，迭代并计算SSD模型在移动目标验证集上的误差值，直到该误差值达到最小。
图4为矿井目标位置检测流程图。包括如下步骤：
步骤1.将一张测试集图片输入到网络模型中，自动提取目标图片特征；
步骤2.根据步骤1中提取的目标图片特征，选取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2等六个不同尺度的特征图，从其中提取出得分最高的一系列预测框；
步骤3.设定目标尺寸阈值和置信阈值，通过非极大值抑制(NMS)方法，从步骤3.2中的一系列预测框去除重叠率较高且置信度较低的预测框，保留最后的目标预测框。
图5为矿井目标类别识别流程图。包括如下步骤：
步骤1.根据目标检测框中的位置坐标使用openCV对新图片进行截取，对截取的区域进行灰度化和二值化处理，并使用像素投影的方式进行字符分割；
步骤2.将分割后的目标特征进行识别，并将识别出的特征字符合并成数字序列，对候选目标进行识别，输出测试图像的特征类别；
步骤3.最后从目标身份标识数据库中检索和确认目标身份信息。
显然，本领域的技术人员应该明白，本发明及上述实施例所涉及识别方法，除作为矿井目标定位应用于煤矿井下环境外，通过适当改进后也适用于非金属和金属等非煤矿山的移动目标监控、跟踪与定位，以及井下智能工作面移动作业设备跟踪识别、精确定位与可视化监测，以及矿井工作面的煤岩识别和环境场景的视觉导航与定位功能。这样本发明不限制除煤矿井下移动目标定位之外的非煤矿山、智能工作面移动监控和物联网设备精准识别与定位等通信技术领域。
以上内容是结合具体的优选实施例方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明设计思路的前提下，还可进行若干简单的替换和更改，都应当视为属于本发明所提交的权利要求书所涉及的保护范围。

Claims (4)

1.一种基于深度卷积神经网络的矿井目标检测与识别方法，其特征在于包括如下步骤：
步骤1、制作目标样本的数据集，利用矿井视频图像采集设备捕获煤矿井下目标原始图像或环境场景的一帧来构建模型输入，据此制作含有数字序列及其位置信息的目标数据集，并将该数据集分成训练验证集和测试集；
步骤2、训练目标检测的网络模型，利用步骤1中的训练验证集离线训练用于目标检测的网络模型，直到该模型达到检测目标图像中数字序列的准确率；
步骤3、使用训练好的目标检测网络模型对测试集中携带数字序列的目标进行检测，并获得该数字序列的四维坐标(cx,cy,w,h),其中，cx,cy分别表示候选框中心在图像中的横纵坐标,w,h表示候选框的宽和高；
步骤4、根据步骤3检测到的数字序列四维坐标，对图像中的数字序列区域进行特征提取和字符分割操作，然后将单个字符依次输入LeNet-5网络中进行识别，并将识别出的字符按序排列，最终得到该数字序列的内容信息，据此来确定移动目标的身份；
其特征还在于，步骤2进一步包括以下子步骤：
2.1初始化：采用ImageNet预训练模型VGG16网络初始化SSD网络的主体网络层部分，采用零均值、方差为0.01的高斯分布初始化SSD网络的扩展层部分，设定置信阈值和训练阈值；
2.2候选区域提取：输入移动目标训练样本，使用卷积核从Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2六个不同尺度的特征图上提取一系列候选框；对目标的真实框标注信息进行预处理，并将其映射到相应的候选框上，根据设定的置信阈值来选取正负样本，依据匹配策略与目标的真实框进行匹配；
2.3误差计算：采用损失函数计算候选框的位置偏移量及类别置信度的误差损失值，公式为
Figure FDA0002826683480000011
式中，x为数字图片的三维矩阵，c为样本的置信度，l为候选框，g为真实框；N为与真实框相匹配的候选框数；λ为正则项权值；Lconf为类别任务损失函数，表示候选框的分类误差；Llos为位置偏移量损失函数，表示候选框与真实框的位置偏差；
2.4权值更新：利用基于梯度下降的深度学习反向传播算法更新网络模型的权值；
2.5迭代收敛：遍历整个移动目标训练集，重复执行步骤2.2～步骤2.4，迭代并计算网络模型在目标验证集上的误差值，直到该误差值达到训练阈值为止；以及，
在多层特征图上生成不同尺度的区域候选框，避免了选择性搜索方法的大量计算；通过扩大局部感受野和减小卷积滤波器尺寸的方法，获取更具显著区分力和表达力的多尺度特征，有效提高了目标检测的准确率，从而实现对矿井不同大小目标的精准、快速检测与识别；
步骤3进一步包括以下子步骤：
3.1将一幅待检测图像输入到所述网络模型中，自动提取目标图像特征；
3.2根据步骤3.1中提取的目标图像特征，选取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2六个不同尺度的特征图，从其中提取出得分最高的一系列预测框；
3.3设定目标尺寸阈值和置信阈值，通过非极大值抑制方法，从步骤3.2中的一系列预测框去除重叠率较高且置信度较低的预测框，保留最后的目标预测框；
其特征还在于，步骤4进一步包括以下子步骤：
4.1从MNIST数据集中选取一个样本输入LeNet-5网络，对样本的特征向量进行卷积计算、非线性变化、下采样及全连接计算，输出一个预测结果；
4.2通过随机梯度下降算法优化目标函数，得到网络参数的更新值；
4.3重复执行步骤4.1～步骤4.2，迭代更新网络的权值，最小化损失函数，直到网络的误差减小到预先设定的训练阈值为止；
4.4根据目标检测框中的位置坐标，使用openCV对目标图像的待识别区域进行截取、灰度化和二值化处理，并使用像素投影的方式进行字符分割；
4.5将分割后的目标特征进行识别，并将识别出的特征字符合并成数字序列，对候选目标进行识别，输出测试图像的特征类别；
4.6最后从目标身份标识数据库中检索和确认目标身份信息。
2.根据权利要求1所述的方法，其特征在于，所述数字序列，指煤矿井下目标携带的能唯一识别目标身份信息的数字标识符；所述数字序列的位置信息，指目标原始图像中数字序列所在区域的四维坐标信息。
3.根据权利要求1所述的方法，其特征在于，所述矿井视频图像采集设备包括矿用本安型视觉传感器、矿用本安型相机和矿用本安型摄像机。
4.根据权利要求1所述的方法，其特征在于，用于实现对井下作业人员、机车设备和移动机器人的目标检测与识别，以及矿井工作面的煤岩识别和环境场景的视觉导航与定位功能。
CN201811582240.1A 2018-12-24 2018-12-24 一种基于深度卷积神经网络的矿井目标检测与识别方法 Active CN109685066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811582240.1A CN109685066B (zh) 2018-12-24 2018-12-24 一种基于深度卷积神经网络的矿井目标检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811582240.1A CN109685066B (zh) 2018-12-24 2018-12-24 一种基于深度卷积神经网络的矿井目标检测与识别方法

Publications (2)

Publication Number Publication Date
CN109685066A CN109685066A (zh) 2019-04-26
CN109685066B true CN109685066B (zh) 2021-03-09

Family

ID=66189048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811582240.1A Active CN109685066B (zh) 2018-12-24 2018-12-24 一种基于深度卷积神经网络的矿井目标检测与识别方法

Country Status (1)

Country Link
CN (1) CN109685066B (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135289A (zh) * 2019-04-28 2019-08-16 北京天地玛珂电液控制***有限公司 一种基于深度学***台
CN110119701B (zh) * 2019-04-30 2023-04-07 东莞恒创智能科技有限公司 基于视觉关系检测的煤矿综采工作面不安全行为识别方法
CN110215232A (zh) * 2019-04-30 2019-09-10 南方医科大学南方医院 基于目标检测算法的冠状动脉血管内超声斑块分析方法
CN110197152B (zh) * 2019-05-28 2022-08-26 南京邮电大学 一种用于自动驾驶***的道路目标识别方法
CN110197158B (zh) * 2019-05-31 2023-04-18 广西南宁市博睿通软件技术有限公司 一种安保云***及其应用
CN110427800A (zh) 2019-06-17 2019-11-08 平安科技（深圳）有限公司 视频物体加速检测方法、装置、服务器及存储介质
CN110276352A (zh) * 2019-06-28 2019-09-24 拉扎斯网络科技（上海）有限公司 标识识别方法、装置、电子设备及计算机可读存储介质
CN110363122B (zh) * 2019-07-03 2022-10-11 昆明理工大学 一种基于多层特征对齐的跨域目标检测方法
CN112396648B (zh) * 2019-08-12 2024-04-30 北京全路通信信号研究设计院集团有限公司 一种可定位目标物质心的目标识别方法和***
CN110478911A (zh) * 2019-08-13 2019-11-22 苏州钛智智能科技有限公司 基于机器学习的智能游戏车无人驾驶方法及智能车、设备
CN110532937B (zh) * 2019-08-26 2022-03-08 北京航空航天大学 基于识别模型与分类模型进行列车前向目标精准识别的方法
CN110569843B (zh) * 2019-09-09 2022-02-08 中国矿业大学(北京) 一种矿井目标智能检测与识别方法
CN111626279B (zh) * 2019-10-15 2023-06-02 西安网算数据科技有限公司 一种负样本标注训练方法及高度自动化的票据识别方法
CN110689021A (zh) * 2019-10-17 2020-01-14 哈尔滨理工大学 一种基于深度学习的低可见度环境下实时目标检测方法
CN110807384A (zh) * 2019-10-24 2020-02-18 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 低能见度下的小目标检测方法和***
CN110930008B (zh) * 2019-11-15 2022-03-15 中国矿业大学 一种基于卷积神经网络的矿山灾害事件检测方法
CN111161227B (zh) * 2019-12-20 2022-09-06 成都数之联科技股份有限公司 一种基于深度神经网络的靶心定位方法及***
CN110852896A (zh) * 2019-12-22 2020-02-28 上海眼控科技股份有限公司 保险单的日期有效性判断方法、装置、设备及存储介质
CN111105590A (zh) * 2019-12-27 2020-05-05 深圳前海微众银行股份有限公司 一种报警方法及装置
CN111208759B (zh) * 2019-12-30 2021-02-02 中国矿业大学(北京) 矿井无人化综采工作面数字孪生智能监控***
CN111742329B (zh) * 2020-05-15 2023-09-12 安徽中科智能感知科技股份有限公司 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台
CN111738257B (zh) * 2020-06-18 2023-05-23 福建师范大学 一种基于深度学习的不同网络模型级联目标精确推理***及方法
CN111931857B (zh) * 2020-08-14 2022-09-02 桂林电子科技大学 一种基于mscff的低照度目标检测方法
CN111932562B (zh) * 2020-09-22 2021-01-19 平安科技（深圳）有限公司 基于ct序列的图像识别方法、装置、电子设备及介质
CN112508935A (zh) * 2020-12-22 2021-03-16 郑州金惠计算机***工程有限公司 基于深度学习的产品包装检测方法及***和产品包装分拣***
CN112800952B (zh) * 2021-01-27 2022-09-16 山东大学 一种基于改进ssd算法的海洋生物识别方法及***
CN112686888A (zh) * 2021-01-27 2021-04-20 上海电气集团股份有限公司 混凝土轨枕裂纹的检测方法、***、设备和介质
CN113408361B (zh) * 2021-05-25 2023-09-19 中国矿业大学 一种基于深度学习的矿用输送带大块物料检测方法及***
CN113887380B (zh) * 2021-09-28 2022-04-26 淮北矿业股份有限公司淮北选煤厂 煤炭样品的智能制样***
CN114267155A (zh) * 2021-11-05 2022-04-01 国能大渡河革什扎水电开发有限公司 一种基于视频识别技术的地质灾害监测预警***
CN114429607B (zh) * 2022-01-24 2024-03-29 中南大学 一种基于Transformer的半监督视频目标分割方法
CN115330702A (zh) * 2022-08-01 2022-11-11 无锡雪浪数制科技有限公司 一种基于深度视觉的饮料瓶灌装缺陷识别方法
CN115583510B (zh) * 2022-09-29 2023-10-27 华能伊敏煤电有限责任公司 基于激光扫描仪的自动排土控制方法及其***
CN116030418B (zh) * 2023-02-14 2023-09-12 北京建工集团有限责任公司 一种汽车吊运行状态监测***及方法
CN116524017B (zh) * 2023-03-13 2023-09-19 明创慧远科技集团有限公司 一种用于矿山井下检测识别定位***
CN116634638A (zh) * 2023-05-16 2023-08-22 珠海光通智装科技有限公司 灯光控制策略的生成方法、灯光控制方法以及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488986A (zh) * 2013-09-18 2014-01-01 西安理工大学 自适应字符切分及提取方法
CN108182413A (zh) * 2017-12-29 2018-06-19 中国矿业大学(北京) 一种矿井移动目标检测与跟踪识别方法
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN109002824A (zh) * 2018-06-27 2018-12-14 淮阴工学院 一种基于OpenCV的建筑图纸标签信息检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9858496B2 (en) * 2016-01-20 2018-01-02 Microsoft Technology Licensing, Llc Object detection and classification in images
US10380741B2 (en) * 2016-12-07 2019-08-13 Samsung Electronics Co., Ltd System and method for a deep learning machine for object detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488986A (zh) * 2013-09-18 2014-01-01 西安理工大学 自适应字符切分及提取方法
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN108182413A (zh) * 2017-12-29 2018-06-19 中国矿业大学(北京) 一种矿井移动目标检测与跟踪识别方法
CN109002824A (zh) * 2018-06-27 2018-12-14 淮阴工学院 一种基于OpenCV的建筑图纸标签信息检测方法

Also Published As

Publication number Publication date
CN109685066A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109685066B (zh) 一种基于深度卷积神经网络的矿井目标检测与识别方法
CN111462200B (zh) 一种跨视频行人定位追踪方法、***及设备
CN113359810B (zh) 一种基于多传感器的无人机着陆区域识别方法
CN108182413B (zh) 一种矿井移动目标检测与跟踪识别方法
CN107833236B (zh) 一种动态环境下结合语义的视觉定位***和方法
CN113450408B (zh) 一种基于深度相机的非规则物***姿估计方法及装置
CN107907124B (zh) 基于场景重识的定位方法、电子设备、存储介质、***
CN111598952B (zh) 一种多尺度合作靶标设计与在线检测识别方法及***
CN113506318B (zh) 一种车载边缘场景下的三维目标感知方法
CN115049700A (zh) 一种目标检测方法及装置
CN108711172B (zh) 基于细粒度分类的无人机识别与定位方法
CN110189375B (zh) 一种基于单目视觉测量的图像目标识别方法
CN113516664A (zh) 一种基于语义分割动态点的视觉slam方法
CN108734109B (zh) 一种面向图像序列的视觉目标跟踪方法及***
CN109949229A (zh) 一种多平台多视角下的目标协同检测方法
Liu et al. Research on deviation detection of belt conveyor based on inspection robot and deep learning
CN112683228A (zh) 单目相机测距方法及装置
CN112651994A (zh) 地面多目标跟踪方法
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN112197705A (zh) 一种基于视觉和激光测距的果实定位方法
CN117523461B (zh) 一种基于机载单目相机的运动目标跟踪与定位方法
CN110826575A (zh) 一种基于机器学习的水下目标识别方法
Gökçe et al. Recognition of dynamic objects from UGVs using Interconnected Neuralnetwork-based Computer Vision system
CN117496401A (zh) 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法
CN117218195A (zh) 基于点、线特征约束的同时定位与建图方法

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