CN110210433A - 一种基于深度学习的集装箱箱号检测与识别方法 - Google Patents
一种基于深度学习的集装箱箱号检测与识别方法 Download PDFInfo
- Publication number
- CN110210433A CN110210433A CN201910494473.4A CN201910494473A CN110210433A CN 110210433 A CN110210433 A CN 110210433A CN 201910494473 A CN201910494473 A CN 201910494473A CN 110210433 A CN110210433 A CN 110210433A
- Authority
- CN
- China
- Prior art keywords
- container
- picture
- network
- deep learning
- container number
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 239000000155 melt Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000004321 preservation Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000488613 Sarracenia leucophylla Species 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于深度学习的集装箱箱号检测与识别方法,其使用深度学习的方法对集装箱进行实时检测和识别:在集装箱数据集构建阶段,对集装箱图片进行采集、过滤和标注得到集装箱数据集;在集装箱检测与识别网络构建阶段,构建轻量级检测与识别网络框架;在集装箱检测与识别网络训练阶段,训练数据预处理,使用真实标记训练检测与识别网络,保存模型参数;在集装箱检测与识别网络预测阶段,图像预处理,输入到检测网络和识别网络中,将检测识别出的集装箱箱号按序排列输出。
Description
技术领域
本发明为一种基于深度学习的集装箱箱号检测与识别方法,涉及基于深度学习的自然场景文本检测和识别领域,特别适用于集装箱箱号实时检测识别。
背景技术
集装箱运输作为一种最先进的运输方式,其具有“安全、迅速、简便、廉价”的特点,有利于减少运输的环节,可以结合公路、铁路、水路和航空等多种运输方式实现多式联运。每个集装箱都有一个根据一定规则生成的箱号编码,其是该集装箱在全世界范围内唯一标识,因此在运输过程中,往往需要通过对集装箱箱号进行检测识别,从而对集装箱进行追踪和物流管理。
传统的集装箱箱号检测与识别技术主要采取人工设计特征。首先获取集装箱的前后左右四面箱号图像;然后对图像灰度化,使用方向梯度直方图、尺度不变特征变换求取图像特征;接着通过基于滑动窗口的穷举搜索方法或者基于图像区域相似度的选择性搜索来产生箱号位置和箱号字符位置信息;然后使用支持向量机和决策树等方法对其进行识别。该种方法具有速度慢、准确率低和鲁棒性差等缺点,特别在复杂的场景中,这些缺点更加显著。
发明内容
发明目的:目前传统的集装箱箱号检测与识别技术使用人工设计特征,该种方法识别准确率低、速度慢,不能满足高精度实时识别的要求。针对上述问题,出于对识别速度、准确率和部署成本考虑,本发明基于深度学习,首先构建了一个集装箱箱号检测与识别数据集。然后使用卷积神经网络和循环神经网络构建轻量级检测和识别网络模型;接着对检测网络和识别网络进行训练;最后根据训练好的检测与识别模型对集装箱图片进行预测。该发明具有速度快、准确率高、对硬件依赖弱和鲁棒性强等特点。
技术方案:一种基于深度学习的集装箱箱号检测与识别方法,包括集装箱箱号检测与识别数据集构建,基于深度学习的集装箱箱号检测网络训练,基于深度学习的集装箱箱号识别网络训练,以及利用训练好的网络对集装箱箱号进行预测的过程。
所述集装箱箱号检测与识别数据集构建的具体步骤为:
步骤101,采集真实场景下集装箱图片;
步骤102,对图片进行筛选过滤,去除无效图片;
步骤103,标注箱号的位置信息以及箱号的字符串信息;
基于深度学习的集装箱箱号检测框架训练步骤为:
步骤201,初始化集装箱箱号检测网络框架参数;
步骤202,输入集装箱图片、真实箱号位置标记至数据处理平台;
步骤203,在数据处理平台,对输入的集装箱图片进行随机旋转、裁剪和标准化等预处理操作;
步骤204,使用预处理后的集装箱图片及其位置标记作为监督信息对集装箱箱号检测部分进行训练;
步骤205,保存训练好的集装箱箱号检测部分网络框架和网络参数至数据平台存储***;
基于深度学习的集装箱箱号识别框架训练步骤为:
步骤301,初始化集装箱箱号识别网络框架参数;
步骤302,输入集装箱箱号的箱号图片和箱号字符串标记;
步骤303,对输入的集装箱箱号图片进行随机旋转、灰度化和标准化等预处理操作;
步骤304,使用预处理后的箱号图片及对应的箱号字符串标记作为监督信息对集装箱箱号识别部分进行训练;
步骤305,保存训练好的集装箱箱号识别部分的网络框架和网络参数至数据平台存储***。
利用训练好的基于深度学习的集装箱箱号检测与识别框架,对集装箱图片进行箱号预测的具体步骤为:
步骤401,读取保存的集装箱箱号检测和识别部分网络框架和网络参数;
步骤402,输入要预测的集装箱图片至数据处理平台,在数据处理平台对图像进行噪声过滤、对比度调整和去雾处理等预处理操作;
步骤403,将预处理后的图片输入到集装箱箱号检测框架,得到集装箱箱号位置信息;
步骤404,根据箱号位置信息裁剪出集装箱箱号图片并输入到集装箱箱号识别网络框架中;
步骤405,根据集装箱箱号的检测和识别结果对识别出的箱号信息进行排序输出。
有益效果:与现有技术相比,本发明提供的基于深度学习的集装箱箱号检测与识别方法,通过构建集装箱箱号检测与识别数据集,检测与识别网络模型的构建和训练,提高了集装箱箱号检测与识别的速度、准确率和鲁棒性。
附图说明
图1a为采集到的集装箱图片;
图1b为对应集装箱图片的标注信息;
图2为本发明实施的基于深度学习的集装箱箱号检测网络结构图;
图3为本发明实施的基于深度学习的集装箱箱号检测算法训练流程图;
图4为本发明实施的基于深度学习的集装箱箱号识别算法训练流程图;
图5为本发明实施的基于深度学习的集装箱箱号检测与识别算法预测流程图;
图6为本发明实施的基于深度学习的集装箱箱号检测与识别算法预测效果图;
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
基于深度学习的集装箱箱号检测与识别方法,主要分为集装箱箱号检测与识别数据集构建部分、集装箱箱号检测与识别网络架构构建部分、集装箱箱号检测与识别训练部分和集装箱箱号预测部分。
图1为基于深度学习的集装箱箱号检测与识别数据标注图。对于采集到的集装箱图片,如图1a,集装箱箱号由4部分组成,第一部分由4位英文字母组成(UETU),为集装箱所属单位码;第二部分是由6位数字组成(238375),是箱体注册码,唯一标识符;第3部分是校验码(0);第四部分是箱型代码(22G1)。整体箱号信息为“UETU-238375-0-22G1”。图1b即为对应的标注信息,其由箱号位置信息{x1,y1,x2,y2,x3,y3,x4,y4}和箱号字符串表示。
图2为基于深度学***方向的夹角。
表1为基于深度学习的集装箱箱号识别部分网络结构。由两层卷积层;三层门控循环卷积层;两层双向长短期记忆网络;四层最大值池化层组成。
表1
层名 | 输出尺寸 | 操作 |
输入图像 | - | - |
层1 | 200x32x64 | 卷积 |
层2 | 100x16x64 | 最大化池化 |
层3 | 100x16x64 | 门控循环卷积 |
层4 | 50x8x64 | 最大化池化 |
层5 | 50x8x128 | 门控循环卷积 |
层6 | 51x4x128 | 最大化池化 |
层7 | 51x4x256 | 门控循环卷积 |
层8 | 52x2x256 | 最大化池化 |
层9 | 52x1x512 | 卷积 |
层10 | 51x256 | 双向长短期记忆网络 |
层11 | 51x37 | 双向长短期记忆网络 |
图3为基于深度学***台,然后在训练平台对集装箱图片做随机旋转、随机裁剪和标准化等预处理操作;然后将图片输入到集装箱检测网络中,得到预测显著图和几何图;再根据集装箱箱号位置标记得到真实显著图和几何图;根据预测显著图、预测几何图、真实显著图和真实几何图计算检测网络损失,根据损失更新检测网络参数。不断重复以上过程,直到达到一定轮数,训练结束,保存检测网络参数。
图4为基于深度学***台,然后在训练平台对箱号图片做随机旋转、灰度化和标准化等预处理操作;接着将图片输入到识别网络中;最后使用时序连接分类损失函数根据真实字符串标记计算损失,根据损失更新识别网络参数。不断重复以上过程,直到达到一定轮数,训练结束,保存识别网络参数。
图5为基于深度学***台中;然后输入要预测的集装箱图片;对输入图片进行噪声过滤、去雾等预处理操作;然后将图片输入到集装箱检测网络中,得到预测显著图和预测几何图,根据阈值求得箱号预测位置,使用非极大值抑制方法去除冗余位置;接着根据预测箱号位置将箱号图片裁剪出,得到集装箱箱号图片;将集装箱箱号图片输入到集装箱识别网络中得到对应的箱号预测字符串信息;最后将得到的预测字符串信息按照所属单位码、箱体注册码、校验码和箱型代码的次序输出。
图6为基于深度学习的集装箱箱号检测与识别算法预测效果图。其中矩形框为集装箱检测网络预测的箱号位置;白色小号文字为集装箱识别网络预测的字符串信息;最下方文字为最终输出的集装箱箱号信息。
Claims (8)
1.一种基于深度学习的集装箱箱号检测与识别方法,其特征在于,该方法包含以下步骤:
1)集装箱箱号检测与识别数据集的构建;
2)基于深度学习的集装箱箱号检测与识别框架构建;
3)基于深度学习的集装箱箱号检测与识别框架训练;
4)利用训练好的框架对集装箱箱号进行预测的过程。
2.如权利要求1所述的基于深度学习的集装箱箱号检测与识别方法,其特征在于,所述步骤1)中,对于收集到的集装箱图片,标注箱号的位置信息以及箱号的字符串信息,从而实现集装箱箱号数据集的构建。
3.如权利要求1所述的基于深度学***方向的夹角。
4.如权利要求1所述的基于深度学习的集装箱箱号检测与识别方法,其特征在于所述步骤2)中,集装箱箱号识别网络部分由两层卷积层;三层门控循环卷积层;两层双向长短期记忆网络;四层最大值池化层组成。
5.如权利要求1所述的基于深度学习的集装箱箱号检测与识别方法,其特征在于,基于深度学习的集装箱箱号检测框架训练步骤为:
步骤201,初始化集装箱箱号检测网络框架参数;
步骤202,输入集装箱图片、真实箱号位置标记至数据处理平台;
步骤203,在数据处理平台,对输入的集装箱图片进行预处理操作;
步骤204,使用预处理后的集装箱图片及其位置标记作为监督信息对集装箱箱号检测部分进行训练;
步骤205,保存训练好的集装箱箱号检测部分网络框架和网络参数至数据平台存储***;
基于深度学习的集装箱箱号识别框架训练步骤为:
步骤301,初始化集装箱箱号识别网络框架参数;
步骤302,输入集装箱箱号的箱号图片和箱号字符串标记;
步骤303,对输入的集装箱箱号图片进行预处理操作;
步骤304,使用预处理后的箱号图片及对应的箱号字符串标记作为监督信息对集装箱箱号识别部分进行训练;
步骤305,保存训练好的集装箱箱号识别部分的网络框架和网络参数至数据平台存储***。
6.如权利要求1所述的基于深度学习的集装箱箱号检测与识别方法,其特征在于,所述基于深度学习的集装箱箱号检测框架训练中,对集装箱图片做预处理操作后;将图片输入到集装箱检测网络中,得到预测显著图和几何图;再根据集装箱箱号位置标记得到真实显著图和几何图;接着根据预测显著图、预测几何图、真实显著图和真实几何图计算检测网络损失,根据损失更新检测网络参数;不断重复以上过程,直到达到设定轮数,训练结束,保存检测网络参数。
7.如权利要求1所述的基于深度学习的集装箱箱号检测与识别方法,其特征在于所述基于深度学习的集装箱箱号识别框架训练中,对箱号图片做预处理操作后;将图片输入到识别网络中;最后使用时序连接分类损失函数根据真实字符串标记计算损失,根据损失更新识别网络参数;不断重复以上过程,直到达到设定轮数,训练结束,保存识别网络参数。
8.如权利要求1所述的基于深度学***台中;然后输入要预测的集装箱图片;对输入图片进行初预处理操作;然后将图片输入到集装箱检测网络中,得到预测显著图和预测几何图,根据阈值求得箱号预测位置,使用非极大值抑制方法去除冗余位置;接着根据预测箱号位置将箱号图片裁剪出,得到集装箱箱号图片;将集装箱箱号图片输入到集装箱识别网络中得到对应的箱号预测字符串信息;最后将得到的预测字符串信息按照所属单位码、箱体注册码、校验码和箱型代码的次序输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494473.4A CN110210433B (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习的集装箱箱号检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494473.4A CN110210433B (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习的集装箱箱号检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210433A true CN110210433A (zh) | 2019-09-06 |
CN110210433B CN110210433B (zh) | 2023-04-28 |
Family
ID=67791457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910494473.4A Active CN110210433B (zh) | 2019-06-10 | 2019-06-10 | 一种基于深度学习的集装箱箱号检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210433B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127452A (zh) * | 2019-12-27 | 2020-05-08 | 上海箱云物流科技有限公司 | 一种基于云端处理的集装箱智能ocr识别方法 |
CN111414844A (zh) * | 2020-03-17 | 2020-07-14 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的集装箱箱号识别方法 |
CN113673608A (zh) * | 2021-06-03 | 2021-11-19 | 厦门锐特信息技术有限公司 | 一种基于PaddleOCR框架集装箱号识别***和方法 |
CN114092947A (zh) * | 2022-01-04 | 2022-02-25 | 湖南师范大学 | 一种文本检测方法、装置、电子设备及可读存储介质 |
CN115527209A (zh) * | 2022-09-22 | 2022-12-27 | 宁波港信息通信有限公司 | 用于岸桥箱号识别的方法、装置、***和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
US20180197111A1 (en) * | 2015-10-28 | 2018-07-12 | Fractal Industries, Inc. | Transfer learning and domain adaptation using distributable data models |
CN108596166A (zh) * | 2018-04-13 | 2018-09-28 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
-
2019
- 2019-06-10 CN CN201910494473.4A patent/CN110210433B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180197111A1 (en) * | 2015-10-28 | 2018-07-12 | Fractal Industries, Inc. | Transfer learning and domain adaptation using distributable data models |
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN108596166A (zh) * | 2018-04-13 | 2018-09-28 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127452A (zh) * | 2019-12-27 | 2020-05-08 | 上海箱云物流科技有限公司 | 一种基于云端处理的集装箱智能ocr识别方法 |
CN111414844A (zh) * | 2020-03-17 | 2020-07-14 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的集装箱箱号识别方法 |
CN111414844B (zh) * | 2020-03-17 | 2023-08-29 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的集装箱箱号识别方法 |
CN113673608A (zh) * | 2021-06-03 | 2021-11-19 | 厦门锐特信息技术有限公司 | 一种基于PaddleOCR框架集装箱号识别***和方法 |
CN114092947A (zh) * | 2022-01-04 | 2022-02-25 | 湖南师范大学 | 一种文本检测方法、装置、电子设备及可读存储介质 |
CN115527209A (zh) * | 2022-09-22 | 2022-12-27 | 宁波港信息通信有限公司 | 用于岸桥箱号识别的方法、装置、***和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110210433B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210433A (zh) | 一种基于深度学习的集装箱箱号检测与识别方法 | |
CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
CN106909886B (zh) | 一种基于深度学习的高精度交通标志检测方法及*** | |
CN109711316A (zh) | 一种行人重识别方法、装置、设备及存储介质 | |
CN108596030A (zh) | 基于Faster R-CNN的声呐目标检测方法 | |
CN107451661A (zh) | 一种基于虚拟图像数据集的神经网络迁移学习方法 | |
CN111507371B (zh) | 自动评估对训练图像的标签可靠性的方法和装置 | |
CN109165585A (zh) | 一种改进的基于yolo v2的船舶目标检测方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN109740676A (zh) | 基于相似目标的物体检测迁移方法 | |
CN103984943A (zh) | 一种基于贝叶斯概率框架的场景文本识别方法 | |
CN110097044A (zh) | 基于深度学习的一阶段车牌检测识别方法 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN104850845A (zh) | 一种基于非对称卷积神经网络的交通标志识别方法 | |
CN107609485A (zh) | 交通标志的识别方法、存储介质、处理设备 | |
CN109800712B (zh) | 一种基于深度卷积神经网络的车辆检测计数方法及设备 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN108875805A (zh) | 基于深度学习的利用检测识别一体化提高检测精度的方法 | |
CN105930792A (zh) | 一种基于视频局部特征字典的人体动作分类方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN110298227A (zh) | 一种基于深度学习的无人机航拍图像中的车辆检测方法 | |
CN109543184A (zh) | 一种基于深度学习的集装箱文本识别方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN113283409A (zh) | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 | |
CN112288700A (zh) | 一种铁轨缺陷检测方法 |
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 |