CN109766780A - 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 - Google Patents
一种基于深度学习的船舶烟雾排放在线检测和追踪方法 Download PDFInfo
- Publication number
- CN109766780A CN109766780A CN201811561334.0A CN201811561334A CN109766780A CN 109766780 A CN109766780 A CN 109766780A CN 201811561334 A CN201811561334 A CN 201811561334A CN 109766780 A CN109766780 A CN 109766780A
- Authority
- CN
- China
- Prior art keywords
- smog
- model
- training
- detection
- ship
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000000779 smoke Substances 0.000 claims abstract description 11
- 238000004321 preservation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000003643 water by type Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的船舶烟雾排放在线检测和追踪方法，主要包括烟雾检测和追踪两个部分，首先把在长江武汉流域和深圳港采集的船舶烟雾视频数据分别转化为用于训练检测模型和追踪模型的标准数据集格式。其次使用TensorFlow分别构建检测网络和追踪网络并设置学习率、批次样本数、训练迭代次数等超参数，然后加载训练数据集开始训练，训练完成后得到检测和追踪模型。最后输入一个视频片段或在线视频流到检测模型中，当检测到在某一帧中的某个坐标区域中存在烟雾时，停止检测过程并以此坐标信息和首次检测到烟雾的帧设定为输入到追踪模型进行追踪过程的初始位置信息和模板图像进行追踪。与现有技术相比，本发明的有益效果是低成本和高时效。
Description
技术领域
本发明属于智能绿色交通技术领域，涉及一种船舶烟雾排放在线检测和追踪方法，具体涉及一种基于深度学习的船舶烟雾视觉检测和追踪方法。
技术背景
随着经济的快速发展和贸易量的不断增长，我国水路货物运输量和港口吞吐量连续多年稳居世界第一。繁忙的水运和海运在带来经济效益增长的同时，也带来了空气污染，但是水域一般远离城市中心区，其带来的空气污染很容易被人忽视。事实上，在京津冀、长三角、珠三角及沿海沿江地区，船舶烟雾排放已成为大气污染的重要来源之一。船舶所使用的燃料主要是渣油或重油，它们均属于柴油，含硫量是车用油的100至3500倍，因此在航道内会看到带着“黑尾”的船只。
近年来，我国社会各界对大气污染的治理有了更高的关注度，我国政府也把生态环境保护上升到国家战略的高度。2015年12月15日，在中华人民共和国交通运输部第25次会议中通过了《中华人民共和国防治船舶污染内河水域环境管理规定》，这一法规的出台使船舶排放烟雾所造成的环境污染问题带来了有效的改善。一部好的法规固然重要，但是科学高效的监管才是重要的保证。
目前船舶烟雾排放检测的方法主要分为以下几种：
(1)全人工视觉观测法；
所谓全人工视觉检测，即不依靠任何的软件***和硬件设备，仅根据水域管理部门中的工作人员对烟雾外观的视觉表征的认知和船舶排放烟雾时的场景经验来判断水域中的船舶是否具有排放烟雾的行为。从技术方法的角度分析，这种方法不涉及技术难点，只需要挑选具备一定科学素养的观测人员即可。而从经济成本的角度分析，虽然这种方法不需要购买***和硬件设备资源，但是会支付大量的人力资源成本。此外，该方法最大的缺点在于过于依赖人工经验的标准，因为每个人的生活经历和认知水平具有差异这一局限性，所以漏检或误检的情况时有发生。
(2)传感设备探测法；
所谓传感设备探测，即通过在监测水域铺设一定规模的烟雾传感器进行探测的方式。这种方法在正常天气环境下的灵敏度较高，然而如果遇到强风的天气，就会出现探测信号不稳定的问题。除此之外，该方法受烟雾浓度的影响较大，当烟雾的浓度达到一个阈值时，传感器才会产生响应并发出报警信号，这种不灵活的探测特性很容易导致漏检的现象出现。与全人工视觉观测法相比，这种方法确实节省了大量的人力成本的开销，但如果监测的水域范围较大，那么会耗费大量的传感设备资源，所以传感设备探测法更适合重点水域的小范围检测场景。
(3)机器视觉检测法；
机器视觉检测法是一种面向视频图像的检测方法，具体地说是使用计算机视觉算法对监控视频中出现的船舶进行烟雾排放检测的技术手段。该类方法与全人工视觉观测法相比更高效，与传感设备探测法相比受到天气状况和烟雾浓度的影响程度相对较小。虽然该方法比前两种方法更加可靠，但是准确性还有很大的提升空间。因此在一些工业***中，不得不采用由视频监控自动预警，然后将打上标记的视频图像传送给监控人员进行确认的工作机制。总的来说，该类方法的关键点在于如何准确的提取烟雾的特征。因为烟雾的特征种类相对复杂，所以如果采取人工构造特征的方法，所以花费在特征工程阶段的时间成本相对较高，此外又因为人工构造特征受限于人工经验的局限性，所以很难提取到反映烟雾更本质的深层特征信息，进而影响烟雾检测的效果。目前，利用该类方法进行火灾烟雾检测的应用案例较多，主要以森林火灾为主，而应用在船舶烟雾排放检测还处于不成熟的起步阶段。
综上所述，目前船舶烟雾排放检测的方法仍过于依靠人工作业和硬件设备的支持，在应用智能化的时代浪潮下，智能绿色交通成为了重要的发展方向和行业应用要求。深度学习是发展智能应用的重要技术手段之一，为了将人从繁杂的特征工程中解放出来，采用深度学习的方法更多地让模型自动完成特征构造和特征选择的工作，可以节约特征工程的巨大投入。深度学习的概念源于人工神经网络的研究，而在视觉中的广泛应用主要得益于卷积神经网络的迅速发展。为了提高船舶烟雾检测的效率，利用深度学习强大的特征学习能力，并提供适合监测船舶烟雾排放任务的深度学习模型是有必要的，其具有重要的现实意义和学术价值。
发明内容
为了克服上述现有技术方案的不足，本发明提供了一种基于深度学习的船舶烟雾排放在线检测和追踪方法。
本发明所采用的技术方案是：一种基于深度学习的船舶烟雾排放在线检测和追踪方法，其特征在于，包括以下步骤：
步骤1：采集两个不同区域的船舶烟雾视频数据的船舶烟雾视频数据，作为训练检测模型标准数据集和追踪模型的标准数据集；
步骤2：分别构建检测网络和追踪网络，设置相关超参数，包括学习率、批次样本数、训练迭代次数；
步骤3：将训练检测模型标准数据集和追踪模型的标准数据集分别导入检测网络和追踪网络进行训练，训练完成后得到检测模型和追踪模型；
步骤4：输入一个视频片段或在线视频流到检测模型中，当检测到在某一帧中的某个坐标区域中存在烟雾时，停止检测过程并以此坐标信息和首次检测到烟雾的帧设定为输入到追踪模型进行追踪过程的初始位置信息和模板图像，并根据此位置对后续帧的烟雾进行追踪；
步骤5：保存追踪过程中输出的烟雾坐标信息，并使用矩形标注追踪序列中每一帧中的烟雾位置。
与现有技术相比，本发明的有益效果是低成本和高时效。具体来讲，与全人工视觉监测法相比，不仅节省了人工操作的时间，而且先进的科学方法和技术手段使监测结果更加具备科学性；与传感设备探测法相比，不仅节约了大规模铺设硬件设备的经济成本，而且因为训练数据中包含着多种环境下的船舶烟雾图像，所以模型在处于动态环境中的稳定性更高；与机器视觉检测法相比，该方案根据船舶烟雾的特征复杂性高的特点选用了在深度学习中适合处理图像数据的深度卷积神经网络作为特征提取模型，不仅大幅度降低了在传统的机器视觉检测法中特征工程的复杂程度，而且因其强大的自主学习能力，既能提取到人眼可感知到的浅层视觉表征，而且也会更容易提取到反映烟雾本质的深层语义特征。
附图说明
图1为本发明实施例在长江武汉流域和深圳港采集的船舶烟雾排放视频数据库缩略图；
图2为本发明实施例构建及训练检测网络和追踪网络流程图；
图3为本发明实施例以2015年5月30日拍摄的船舶烟雾排放视频片段进行实例说明的流程示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本实施例以船舶航行视频为应用场景，采用基于深度学习的目标检测和追踪技术对视频中的船舶烟雾进行特征提取和预测。请见图1、图2和图3，本发明提供的一种基于深度学习的船舶烟雾排放在线检测和追踪方法，包括以下步骤：
步骤1：采集长江武汉流域和深圳港的船舶烟雾视频数据的船舶烟雾视频数据的船舶烟雾视频数据，作为训练检测模型标准数据集和追踪模型的标准数据集；
请见图1，为本实施例在长江武汉流域和深圳港采集的船舶烟雾排放视频数据库缩略图，该数据库存储2015年5月在长江武汉流域和2018年6月在深圳港拍摄的船舶航行视频中有烟雾排放行为的视频片段，这些视频片段既用于制作本发明中涉及检测和追踪模型的训练数据集，也用于作为图2和图3检测模型输入端的本地测试视频。
步骤2：使用TensorFlow分别构建检测网络和追踪网络，设置相关超参数，包括学习率、批次样本数、训练迭代次数；
步骤3：将训练检测模型标准数据集和追踪模型的标准数据集分别导入检测网络和追踪网络进行训练，训练完成后得到检测模型和追踪模型；
其中将训练检测模型标准数据集导入检测网络进行训练，训练完成后得到检测模型，具体实现包括以下子步骤：
步骤3A.1：构建基于YOLO3的初始烟雾位置检测网络模型；
步骤3A.2：设计模型训练策略，即学习率的初始值为1e-4，批次样本数为16，训练迭代次数为100；
步骤3A.3：加载训练模型进行微调训练，即加载在COCO数据集上训练的YOLO3的权值参数以进行模型初始化，并根据步骤3A.2中的训练策略开始进行训练，训练完成后保存模型的权值参数。
将训练追踪模型的标准数据集导入追踪网络进行训练，训练完成后得到追踪模型，具体实现包括以下子步骤：
步骤3B.1：构建基于全卷积孪生网络的烟雾追踪网络模型；
步骤3B.2：设置追踪网络模型的训练超参数，即学习率的初始值为1e-2，批次样本数为32，训练迭代次数为50；
步骤3B.3：根据步骤3B.2中的超参数设置，完成迭代训练并保存模型的权值参数。
如图2所示，左侧框图为船舶航行视频的输入端，负责船舶航行视频的载入和预处理，船舶航行视频既可以选择图1中的本地视频文件，也可以是搭载视频监控设备的在线视频流数据。
如图2所示，右侧框图为船舶烟雾排放预测模型，分为检测子模型(左)和追踪子模型(右)。在本步骤中，先对检测子模型进行阐述，追踪子模型在接下来的步骤中继续进行说明。检测子模型的任务是接收船舶航行视频数据，并同时获取到在视频中船舶排放烟雾出现的初始位置信息。因为烟雾初始位置是追踪子模型的主要输入数据，所以要求具备较高的检测准确度。为了保证烟雾初始位置信息的准确度，采用基于YOLO3的检测框架。YOLO3是目前综合性能最好的主流检测框架，它在公共数据集VOC2007和COCO上的检准确度高于YOLO2和SSD。然而，因为烟雾不同于一般的“刚性物体”，所以在COCO上训练得到的模型的泛化能力不强，所以需要在由图1制作的细粒度船舶烟雾标签数据集上进行微调训练，从而得到适合船舶烟雾的检测模型。同时为了保证实时性的检测要求，在保留部分YOLO3检测特性的基础上，简化了YOLO3的特征提取网络，极大缩减了卷积核大小为3*3和1*1的卷积层组合，最终得到一个满足实时性要求的轻量级检测模型。
上述是该模型的训练阶段，而在使用该模型进行实际检测时不需要对每一帧都进行检测，只需要当检测到某一帧存在烟雾时，就可以停止后续帧的检测并且保存当前帧的烟雾初始位置信息。为了降低误检的可能性，可采用统计连续检测到烟雾的帧数的方法，并将统计数据与预先设定的阈值进行比较，如果大于该阈值，那么以最后一次检测到的烟雾位置作为烟雾初始位置信息，否则继续进行后续帧的检测。
如图2所示，在检测子模型的右侧框图是追踪子模型。该模型的任务是在接收检测子模型输出的烟雾初始位置信息后，对每一帧中烟雾的位置进行动态追踪。为在船舶航行视频中，船舶排放的烟雾在每一个时刻的位置都在发生不同的变化，所以在考虑到视频数据中烟雾的动态变化特性以及在内河船舶航行场景中船舶烟雾动态变化较平稳的特殊性的基础上，不仅需要对于单帧图像进行空域上的检测，还应该考虑不同时刻的两帧图像之间的时序关系，即通过两帧图像之间的相似性关系来预测烟雾的位置。
全卷积孪生网络是一种在模板图像和待搜索图像之间学习时序特征的追踪网络，同时对于单帧图像采用了卷积神经网络进行空间特征信息的提取。对于追踪任务来说，模型对最终的追踪效果有重要的影响，可通过修改网络结构、调整训练策略和优化数据集的方式来解决。对于追踪问题来说，追踪速度影响着追踪的效果，而影响追踪速度的重要原因之一就是单帧图像的卷积特征提取网络。在原始的全卷积孪生网络中，用于提取单帧图像的卷积神经网络是AlexNet，相比于一些主流的轻量级卷积神经网络，它是一个参数量较大的网络结构。为了进一步提升追踪速度，可采用MobileNet、ShuffleNet等轻量级卷积神经网络替代AlexNet以减少前向传播过程的时间，使得追踪子模型与检测子模型的检测速度大致相同，保证整个检测和追踪模型的满足实时性的要求。
步骤4：输入一个视频片段或在线视频流到检测模型中，当检测到在某一帧中的某个坐标区域中存在烟雾时，停止检测过程并以此坐标信息和首次检测到烟雾的帧设定为输入到追踪模型进行追踪过程的初始位置信息和模板图像，并根据此位置对后续帧的烟雾进行追踪；
为了降低误检的可能性，可采用统计连续检测到烟雾的帧数的方法，并将统计数据与预先设定的阈值进行比较，如果大于该阈值，那么以最后一次检测到的烟雾位置作为烟雾初始位置信息，否则继续进行后续帧的检测。
步骤5：保存追踪过程中输出的烟雾坐标信息，并使用矩形标注追踪序列中每一帧中的烟雾位置。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于深度学习的船舶烟雾排放在线检测和追踪方法，其特征在于，包括以下步骤：
步骤1：采集两个不同区域的船舶烟雾视频数据，作为训练检测模型标准数据集和追踪模型的标准数据集；
步骤2：分别构建检测网络和追踪网络，设置相关超参数，包括学习率、批次样本数、训练迭代次数；
步骤3：将训练检测模型标准数据集和追踪模型的标准数据集分别导入检测网络和追踪网络进行训练，训练完成后得到检测模型和追踪模型；
步骤4：输入一个视频片段或在线视频流到检测模型中，当检测到在某一帧中的某个坐标区域中存在烟雾时，停止检测过程并以此坐标信息和首次检测到烟雾的帧设定为输入到追踪模型进行追踪过程的初始位置信息和模板图像，并根据此位置对后续帧的烟雾进行追踪；
步骤5：保存追踪过程中输出的烟雾坐标信息，并使用矩形标注追踪序列中每一帧中的烟雾位置。
2.根据权利要求1所述的基于深度学习的船舶烟雾排放在线检测和追踪方法，其特征在于：步骤2中，使用TensorFlow分别构建检测网络和追踪网络。
3.根据权利要求1所述的基于深度学习的船舶烟雾排放在线检测和追踪方法，其特征在于：步骤3中所述将训练检测模型标准数据集导入检测网络进行训练，训练完成后得到检测模型，具体实现包括以下子步骤：
步骤3A.1：构建基于YOLO3的初始烟雾位置检测网络模型；
步骤3A.2：设计模型训练策略，设置学习率的初始值为1e-4，批次样本数为16，训练迭代次数为100；
步骤3A.3：加载训练模型进行微调训练；加载在COCO数据集上训练的YOLO3的权值参数以进行模型初始化，并根据步骤3A.2中的训练策略开始进行训练，训练完成后保存模型的权值参数。
4.根据权利要求1所述的基于深度学习的船舶烟雾排放在线检测和追踪方法，其特征在于：步骤3中所述将训练追踪模型的标准数据集导入追踪网络进行训练，训练完成后得到追踪模型，具体实现包括以下子步骤：
步骤3B.1：构建基于全卷积孪生网络的烟雾追踪网络模型；
步骤3B.2：设置追踪网络模型的训练超参数，设置学习率的初始值为1e-2，批次样本数为32，训练迭代次数为50；
步骤3B.3：根据步骤3B.2中的超参数设置，完成迭代训练并保存模型的权值参数。
5.根据权利要求1-4任意一项所述的基于深度学习的船舶烟雾排放在线检测和追踪方法，其特征在于：步骤4中，为了降低误检的可能性，采用统计连续检测到烟雾的帧数的方法，并将统计数据与预先设定的阈值进行比较，如果大于该阈值，那么以最后一次检测到的烟雾位置作为烟雾初始位置信息，否则继续进行后续帧的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561334.0A CN109766780A (zh) | 2018-12-20 | 2018-12-20 | 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561334.0A CN109766780A (zh) | 2018-12-20 | 2018-12-20 | 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109766780A true CN109766780A (zh) | 2019-05-17 |
Family
ID=66451998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811561334.0A Pending CN109766780A (zh) | 2018-12-20 | 2018-12-20 | 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109766780A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309729A (zh) * | 2019-06-12 | 2019-10-08 | 武汉科技大学 | 基于异常峰值检测和孪生网络的跟踪与重检测方法 |
| CN111914935A (zh) * | 2020-08-03 | 2020-11-10 | 哈尔滨工程大学 | 一种基于深度学习的船舶图像目标检测方法 |
| CN113592842A (zh) * | 2021-08-09 | 2021-11-02 | 南方医科大学南方医院 | 一种基于深度学习的样本血清质量识别方法及识别设备 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001273499A (ja) * | 2000-03-27 | 2001-10-05 | Nagoya Electric Works Co Ltd | 移動体検出方法およびその装置 |
| CN102496275A (zh) * | 2011-11-25 | 2012-06-13 | 大连海创高科信息技术有限公司 | 客车超载检测方法 |
| CN102610104A (zh) * | 2012-03-16 | 2012-07-25 | 南京航空航天大学 | 一种车载的前方车辆检测方法 |
| CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
| CN106251861A (zh) * | 2016-08-05 | 2016-12-21 | 重庆大学 | 一种基于场景建模的公共场所异常声音检测方法 |
| CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
| WO2017166098A1 (en) * | 2016-03-30 | 2017-10-05 | Xiaogang Wang | A method and a system for detecting an object in a video |
| CN107491715A (zh) * | 2016-06-13 | 2017-12-19 | 北京文安智能技术股份有限公司 | 一种基于视频分析的地铁车厢客流统计方法、装置及*** |
| CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪***及其方法 |
| CN107977414A (zh) * | 2017-11-22 | 2018-05-01 | 西安财经学院 | 基于深度学习的图像风格迁移方法及其*** |
| CN107992826A (zh) * | 2017-12-01 | 2018-05-04 | 广州优亿信息科技有限公司 | 一种基于深度孪生网络的人流检测方法 |
| CN108537269A (zh) * | 2018-04-04 | 2018-09-14 | 中山大学 | 一种弱交互式的物体检测深度学习方法及其*** |
| CN108564122A (zh) * | 2018-04-10 | 2018-09-21 | 北京工业大学 | 基于卷积-循环混合网络的图像描述模型的一体化训练方法 |
| CN108664933A (zh) * | 2018-05-11 | 2018-10-16 | 中国科学院遥感与数字地球研究所 | 一种用于sar图像船舶分类的卷积神经网络的训练方法及其分类方法、船舶分类模型 |
| CN108764264A (zh) * | 2018-03-16 | 2018-11-06 | 深圳中兴网信科技有限公司 | 烟雾检测方法、烟雾检测***及计算机装置 |
| CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
| CN108921099A (zh) * | 2018-07-03 | 2018-11-30 | 常州大学 | 一种基于深度学习的航道内运动船舶目标检测方法 |
| CN108921875A (zh) * | 2018-07-09 | 2018-11-30 | 哈尔滨工业大学（深圳） | 一种基于航拍数据的实时车流检测与追踪方法 |
| CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
| CN108985192A (zh) * | 2018-06-29 | 2018-12-11 | 东南大学 | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 |
| CN109003303A (zh) * | 2018-06-15 | 2018-12-14 | 四川长虹电器股份有限公司 | 基于语音和空间物体识别及定位的设备控制方法及装置 |
| CN109034863A (zh) * | 2018-06-08 | 2018-12-18 | 浙江新再灵科技股份有限公司 | 基于直梯人数统计判定投放广告费用的方法和装置 |
-
2018
- 2018-12-20 CN CN201811561334.0A patent/CN109766780A/zh active Pending
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001273499A (ja) * | 2000-03-27 | 2001-10-05 | Nagoya Electric Works Co Ltd | 移動体検出方法およびその装置 |
| CN102496275A (zh) * | 2011-11-25 | 2012-06-13 | 大连海创高科信息技术有限公司 | 客车超载检测方法 |
| CN102610104A (zh) * | 2012-03-16 | 2012-07-25 | 南京航空航天大学 | 一种车载的前方车辆检测方法 |
| CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
| WO2017166098A1 (en) * | 2016-03-30 | 2017-10-05 | Xiaogang Wang | A method and a system for detecting an object in a video |
| CN107491715A (zh) * | 2016-06-13 | 2017-12-19 | 北京文安智能技术股份有限公司 | 一种基于视频分析的地铁车厢客流统计方法、装置及*** |
| CN106251861A (zh) * | 2016-08-05 | 2016-12-21 | 重庆大学 | 一种基于场景建模的公共场所异常声音检测方法 |
| CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
| CN107918765A (zh) * | 2017-11-17 | 2018-04-17 | 中国矿业大学 | 一种移动目标检测并追踪***及其方法 |
| CN107977414A (zh) * | 2017-11-22 | 2018-05-01 | 西安财经学院 | 基于深度学习的图像风格迁移方法及其*** |
| CN107992826A (zh) * | 2017-12-01 | 2018-05-04 | 广州优亿信息科技有限公司 | 一种基于深度孪生网络的人流检测方法 |
| CN108764264A (zh) * | 2018-03-16 | 2018-11-06 | 深圳中兴网信科技有限公司 | 烟雾检测方法、烟雾检测***及计算机装置 |
| CN108537269A (zh) * | 2018-04-04 | 2018-09-14 | 中山大学 | 一种弱交互式的物体检测深度学习方法及其*** |
| CN108564122A (zh) * | 2018-04-10 | 2018-09-21 | 北京工业大学 | 基于卷积-循环混合网络的图像描述模型的一体化训练方法 |
| CN108664933A (zh) * | 2018-05-11 | 2018-10-16 | 中国科学院遥感与数字地球研究所 | 一种用于sar图像船舶分类的卷积神经网络的训练方法及其分类方法、船舶分类模型 |
| CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
| CN109034863A (zh) * | 2018-06-08 | 2018-12-18 | 浙江新再灵科技股份有限公司 | 基于直梯人数统计判定投放广告费用的方法和装置 |
| CN109003303A (zh) * | 2018-06-15 | 2018-12-14 | 四川长虹电器股份有限公司 | 基于语音和空间物体识别及定位的设备控制方法及装置 |
| CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
| CN108985192A (zh) * | 2018-06-29 | 2018-12-11 | 东南大学 | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 |
| CN108921099A (zh) * | 2018-07-03 | 2018-11-30 | 常州大学 | 一种基于深度学习的航道内运动船舶目标检测方法 |
| CN108921875A (zh) * | 2018-07-09 | 2018-11-30 | 哈尔滨工业大学（深圳） | 一种基于航拍数据的实时车流检测与追踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 史璐璐 等: "基于 Tiny Darknet 全卷积孪生网络的目标跟踪", 《南京邮电大学学报 (自然科学版)》, vol. 38, no. 4, 31 August 2018 (2018-08-31), pages 89 - 95 * |
| 陈慧岩: "《智能车辆理论与应用》", 北京理工大学出版社, pages: 74 - 77 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309729A (zh) * | 2019-06-12 | 2019-10-08 | 武汉科技大学 | 基于异常峰值检测和孪生网络的跟踪与重检测方法 |
| CN111914935A (zh) * | 2020-08-03 | 2020-11-10 | 哈尔滨工程大学 | 一种基于深度学习的船舶图像目标检测方法 |
| CN111914935B (zh) * | 2020-08-03 | 2022-07-15 | 哈尔滨工程大学 | 一种基于深度学习的船舶图像目标检测方法 |
| CN113592842A (zh) * | 2021-08-09 | 2021-11-02 | 南方医科大学南方医院 | 一种基于深度学习的样本血清质量识别方法及识别设备 |
| CN113592842B (zh) * | 2021-08-09 | 2024-05-24 | 南方医科大学南方医院 | 一种基于深度学习的样本血清质量识别方法及识别设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
| CN103679674B (zh) | 一种无人飞行器实时图像拼接方法及*** | |
| CN110188720A (zh) | 一种基于卷积神经网络的目标检测方法及*** | |
| CN111091072A (zh) | 一种基于YOLOv3的火焰及浓烟检测方法 | |
| CN110427839A (zh) | 基于多层特征融合的视频目标检测方法 | |
| CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
| CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
| Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
| CN110363104A (zh) | 一种柴油黑烟车的检测方法 | |
| CN107491752A (zh) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 | |
| CN113553979B (zh) | 一种基于改进yolo v5的安全服检测方法和*** | |
| CN111047565A (zh) | 一种用于森林云雾图像分割的方法、存储介质和设备 | |
| CN109766780A (zh) | 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 | |
| CN115205264A (zh) | 一种基于改进YOLOv4的高分辨率遥感船舶检测方法 | |
| CN109711407A (zh) | 一种车牌识别的方法及相关装置 | |
| US20220315243A1 (en) | Method for identification and recognition of aircraft take-off and landing runway based on pspnet network | |
| CN111062950A (zh) | 一种用于多类别森林场景图像分割的方法、存储介质和设备 | |
| CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及*** | |
| Wu et al. | Traffic sign detection based on SSD combined with receptive field module and path aggregation network | |
| Baoyuan et al. | Research on object detection method based on FF-YOLO for complex scenes | |
| CN110751077A (zh) | 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法 | |
| CN113762247A (zh) | 一种基于显著实例分割算法的道路裂缝自动检测方法 | |
| CN110059544B (zh) | 一种基于道路场景的行人检测方法和*** | |
| CN117079095A (zh) | 基于深度学习的高空抛物检测方法、***、介质和设备 | |
| CN111222477A (zh) | 一种基于视觉的双手离开方向盘检测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |