CN110210568A - 基于卷积神经网络的航空器尾涡识别方法及*** - Google Patents
基于卷积神经网络的航空器尾涡识别方法及*** Download PDFInfo
- Publication number
- CN110210568A CN110210568A CN201910492682.5A CN201910492682A CN110210568A CN 110210568 A CN110210568 A CN 110210568A CN 201910492682 A CN201910492682 A CN 201910492682A CN 110210568 A CN110210568 A CN 110210568A
- Authority
- CN
- China
- Prior art keywords
- trailing vortex
- convolutional neural
- neural networks
- aircraft
- probability value
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 28
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络的航空器尾涡识别方法及***,该方法包括步骤:接收待识别的航空器尾涡探测图像,利用预先训练好的卷积神经网络模型对所述航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值;若识别到尾涡的概率值大于未识别到尾涡的概率值,则识别出所述待识别的航空器尾涡探测图像中存在尾涡,反之则识别出所述待识别的航空器尾涡探测图像中不存在尾涡。本发明识别准确度高,能够实时地探测到现行气象条件下尾涡是否存在,为空中交通管制人员发出合理地规避尾涡指令提供了必要的辅助信息,并且能够缩减现行尾涡间隔,提高空域和机场的容量,进而提高管制效率。
Description
技术领域
本发明涉及航空技术领域,特别涉及一种基于卷积神经网络的航空器尾涡识别方法及***。
背景技术
随着我国航空业大体量、高速度的发展,空域和地面保障资源不足,各航空枢纽吞吐量出现饱和,给中国民航安全运行带来了前所未有的挑战。在飞机的起飞和降落阶段,前机产生的尾涡会对其后方飞机的飞行安全带来潜在威胁,而在飞机的起飞滑跑、离地爬升和进近着陆阶段是整个飞行中最危险的三个阶段,正确地识别飞机尾涡并合理规避尾涡成为了保障航空业飞行安全的重要条件。目前国内在对于航空器尾涡的识别方面,均按照FAA于2012年制定的基于尾流的航空器等级划分新方法,将航空器分为重型、中型、轻型三类,在雷达管制中按照时间间隔对尾涡进行识别和规避,但是该间隔过于保守,已经严重制约了航空业的快速发展,并且在不同的气象条件下,尾涡的演化规律并不完全一致,因此该方法浪费了大量的空域容量,且效率低下。
发明内容
本发明的目的在于改善现有技术中所存在的上述不足,提供一种基于卷积神经网络的航空器尾涡识别方法及***,可以提高尾涡识别的准确度,增大空域容量。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一方面,本发明实施例中提供了一种基于卷积神经网络的航空器尾涡识别方法,包括步骤:
接收待识别的航空器尾涡探测图像,利用预先训练好的卷积神经网络模型对所述航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值;
比较输出结果,若识别到尾涡的概率值大于未识别到尾涡的概率值,则识别出所述待识别的航空器尾涡探测图像中存在尾涡,反之则识别出所述待识别的航空器尾涡探测图像中不存在尾涡。
另一方面,本发明实施例提供了另一种基于卷积神经网络的航空器尾涡识别方法,包括以下步骤:
采集用于模型训练的航空器尾涡探测图像;
将采集的航空器尾涡探测图像进行分类,分为识别到尾涡和未识别到尾涡两类,且对分类后的航空器尾涡探测图像进行相应标签,作为训练集;
随机初始化卷积神经网络模型中的学习参数,并训练得到卷积神经网络模型:将训练集中的部分样本图像输入已初始化的卷积神经网络模型中,输出得到当前模型参数下,样本图像中识别到尾涡的概率值和未识别到尾涡的概率值,并对输出结果进行损失计算,根据损失计算结果更新卷积神经网络模型中的学习参数;循环执行本步骤,直至卷积神经网络收敛。
另一方面,本实施例中还提供了一种基于卷积神经网络的航空器尾涡识别***,包括:
集成有预先训练好的卷积神经网络模型的电子设备,用于对输入的待识别的航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值。
上述***中,还包括图像采集设备,用于采集所述待识别的航空器尾涡探测图像,或者采集用于训练所述卷积神经网络模型的样本图像。所述图像采集设备为多普勒激光雷达。
再一方面,本发明实施例同时提供了一种包括计算机可读指令的计算机可读存储介质,所述计算机可读指令在被执行时使处理器执行本发明实施例中所述方法中的操作。
再一方面,本发明实施例同时提供了一种电子设备,包括:存储器,存储程序指令;处理器,与所述存储器相连接,执行存储器中的程序指令,实现本发明实施例中所述方法中的步骤。
与现有技术相比,本发明的有益效果:本发明提供的方法和***,基于卷积神经网络实现航空器尾涡的识别,准确度高,能够实时地探测到现行气象条件下尾涡是否存在,为空中交通管制人员发出合理地规避尾涡指令提供了必要的辅助信息,并且能够缩减现行尾涡间隔,提高空域和机场的容量,进而提高管制效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明较佳实施例提供的基于卷积神经网络的航空器尾涡识别***的结构示意图。
图2为本发明较佳实施例提供的基于卷积神经网络的航空器尾涡识别方法方法流程图。
图3为实施例中提供的一种电子设备的结构示意框图。
图4a-d分别为对4张航空器尾涡探测图像的识别结果示意图。
图中标记说明:100-航空器;200-图像采集设备;300-电子设备。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供的基于卷积神经网络的航空器尾涡识别***,包括有图像采集设备和电子设备。
其中,图像采集设备用于采集待识别的航空器尾涡探测图像,或者采集用于训练卷积神经网络模型的样本图像。图像采集设备优选采用多普勒激光雷达,例如Wind 3D多普勒激光雷达,且在机场对进近的航空器尾涡进行探测时,采用距离高度显示器模式(RHI)对探测空域进行俯仰扫描。
其中,所述电子设备中集成有预先训练好的卷积神经网络模型,并利用该卷积神经网络模型对输入的待识别的航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值,若识别到尾涡的概率值大于未识别到尾涡的概率值,则识别出所述待识别的航空器尾涡探测图像中存在尾涡,反之则识别出所述待识别的航空器尾涡探测图像中不存在尾涡。
该预先训练好的卷积神经网络模型,可以是通过置入的方式置入电子设备中,也可以是电子设备直接训练得到。若是电子设备直接训练得到,则训练过程如下:
随机初始化卷积神经网络模型中的学习参数,并训练得到卷积神经网络模型:将训练集中的部分样本图像输入已初始化的卷积神经网络模型中,输出得到当前模型参数下,样本图像中识别到尾涡的概率值和未识别到尾涡的概率值,并对输出结果进行损失计算,根据损失计算结果更新卷积神经网络模型中的学习参数;循环执行上述操作,直至卷积神经网络收敛。
请参阅图2,本实施例中同时提供了一种基于卷积神经网络的航空器尾涡识别方法,该方法基于上述***而实现。具体的,所述方法包括以下步骤:
步骤一,应用图像采集设备采集大量航空器尾涡探测图像,以用于模型训练。
步骤二,将采集的航空器尾涡探测图像进行分类,分为识别到尾涡和未识别到尾涡两类,且对分类后的航空器尾涡探测图像进行相应标签,作为训练集。
步骤三,利用训练集训练得到卷积神经网络模型。
具体地,卷积神经网络模型的训练过程如下:
步骤1,随机初始化卷积神经网络模型中的学习参数;
步骤2,将训练集中的部分样本图像输入已初始化的卷积神经网络模型中,得到当前模型参数下,样本图像中识别到尾涡的概率值和未识别到尾涡的概率值;所述样本图像为经人工标签的航空器尾涡探测图像;
步骤3,对步骤2中的输出结果进行损失计算,并求取所述部分样本图像的平均损失;
步骤4,求解最小化平均损失,并更新卷积神经网络模型中的学习参数;
步骤5,循环执行步骤2~步骤4,直至卷积神经网络收敛。
本实施例中,对卷积神经网络模型的训练过程没有改进,采用常规的训练方法,因此此处对于训练过程不做过多的阐述。模型训练完成后,即可利用该模型对航空器尾涡探测图像进行识别。
步骤四,利用图像采集设备实时采集待识别的航空器尾涡探测图像。
步骤五,利用训练好的卷积神经网络模型对所述待识别的航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值,根据输出结果确定所述待识别的航空器尾涡探测图像中是否存在尾涡。若识别到尾涡的概率值大于未识别到尾涡的概率值,则识别出所述待识别的航空器尾涡探测图像中存在尾涡,反之则识别出所述待识别的航空器尾涡探测图像中不存在尾涡
请参阅图4a-d,分别为利用训练好的卷积神经网络模型对4张航空器尾涡探测图像的识别结果示意图,图4a-b“predict class 0”为识别到航空器尾涡,其中该两张图像分别被分类为识别到尾涡的概率为91.869%和87.869%;图4c-d“predict class 10”为未识别到航空器尾涡,其中该两张图像分别被分类为未识别到尾涡的概率为92.476%和93.669%。利用上述方法能够实时地探测到现行气象条件下尾涡是否存在,为空中交通管制人员发出合理地规避尾涡指令提供了必要的辅助信息,并且能够缩减现行尾涡间隔,提高空域和机场的容量,并提高管制效率。
如图3所示,本实施例同时提供了一种电子设备,该电子设备可以包括处理器51和存储器52,其中存储器52耦合至处理器51。值得注意的是,该图是示例性的,还可以使用其他类型的结构来补充或替代该结构。
如图3所示,该电子设备还可以包括:输入单元53、显示单元54和电源55。值得注意的是,该电子设备也并不是必须要包括图3中显示的所有部件。此外,电子设备还可以包括图3中没有示出的部件,可以参考现有技术。
处理器51有时也称控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该处理器51接收输入并控制电子设备的各个部件的操作。
其中,存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种,可存储上述处理器51的配置信息、处理器51执行的指令、图像数据等信息。处理器51可以执行存储器52存储的程序,以实现信息存储或处理等。在一个实施例中,存储器52中还包括缓冲存储器,即缓冲器,以存储中间信息。
输入单元53例如可以为文件读取装置,用于向处理器51提供航空器尾涡探测图像。显示单元54用于显示经过分类后的航空器尾涡探测图像标签图,该显示单元例如可以为LCD显示器,但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令,其中当在电子设备中执行所述指令时,所述程序使得电子设备执行上述基于电子设备端实现的方法所包含的操作步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质,其中所述计算机可读指令使得电子设备执行上述基于电子设备端实现的方法所包含的操作步骤。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种基于卷积神经网络的航空器尾涡识别方法,其特征在于,包括步骤:
接收待识别的航空器尾涡探测图像,利用预先训练好的卷积神经网络模型对所述航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值;
比较输出结果,若识别到尾涡的概率值大于未识别到尾涡的概率值,则识别出所述待识别的航空器尾涡探测图像中存在尾涡,反之则识别出所述待识别的航空器尾涡探测图像中不存在尾涡。
2.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型通过以下步骤训练得到:
步骤1,随机初始化卷积神经网络模型中的学习参数;
步骤2,将训练集中的部分样本图像输入已初始化的卷积神经网络模型中,得到当前模型参数下,样本图像中识别到尾涡的概率值和未识别到尾涡的概率值;所述样本图像为经人工标签的航空器尾涡探测图像;
步骤3,对步骤2中的输出结果进行损失计算,并求取所述部分样本图像的平均损失;
步骤4,求解最小化平均损失,并更新卷积神经网络模型中的学习参数;
步骤5,循环执行步骤2~步骤4,直至卷积神经网络收敛。
3.一种基于卷积神经网络的航空器尾涡识别方法,其特征在于,包括以下步骤:
采集用于模型训练的航空器尾涡探测图像;
将采集的航空器尾涡探测图像进行分类,分为识别到尾涡和未识别到尾涡两类,且对分类后的航空器尾涡探测图像进行相应标签,作为训练集;
随机初始化卷积神经网络模型中的学习参数,并训练得到卷积神经网络模型:将训练集中的部分样本图像输入已初始化的卷积神经网络模型中,输出得到当前模型参数下,样本图像中识别到尾涡的概率值和未识别到尾涡的概率值,并对输出结果进行损失计算,根据损失计算结果更新卷积神经网络模型中的学习参数;循环执行本步骤,直至卷积神经网络收敛。
4.根据权利要求3所述的方法,其特征在于,还包括步骤:
采集待识别的航空器尾涡探测图像;
利用训练好的卷积神经网络模型对所述待识别的航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值,根据输出结果确定所述待识别的航空器尾涡探测图像中是否存在尾涡。
5.一种基于卷积神经网络的航空器尾涡识别***,其特征在于,包括:
集成有预先训练好的卷积神经网络模型的电子设备,用于对输入的待识别的航空器尾涡探测图像进行识别,输出得到识别到尾涡的概率值和未识别到尾涡的概率值。
6.根据权利要求5所述的***,其特征在于,还包括图像采集设备,用于采集所述待识别的航空器尾涡探测图像,或者采集用于训练所述卷积神经网络模型的样本图像。
7.根据权利要求6所述的***,其特征在于,所述图像采集设备为多普勒激光雷达。
8.一种包括计算机可读指令的计算机可读存储介质,其特征在于,所述计算机可读指令在被执行时使处理器执行权利要求1-2任一所述方法中的操作。
9.一种电子设备,其特征在于,所述的设备包括:
存储器,存储程序指令;
处理器,与所述存储器相连接,执行存储器中的程序指令,实现权利要求1-2任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492682.5A CN110210568A (zh) | 2019-06-06 | 2019-06-06 | 基于卷积神经网络的航空器尾涡识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492682.5A CN110210568A (zh) | 2019-06-06 | 2019-06-06 | 基于卷积神经网络的航空器尾涡识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210568A true CN110210568A (zh) | 2019-09-06 |
Family
ID=67791375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910492682.5A Pending CN110210568A (zh) | 2019-06-06 | 2019-06-06 | 基于卷积神经网络的航空器尾涡识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210568A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401241A (zh) * | 2020-03-16 | 2020-07-10 | 中国民用航空飞行学院 | 基于卷积神经网络的海上民用航空器搜寻方法及装置 |
CN111452954A (zh) * | 2020-04-20 | 2020-07-28 | 中国民用航空飞行学院 | 一种机翼碎涡结构、机翼及飞机 |
CN111551959A (zh) * | 2020-04-22 | 2020-08-18 | 中国民用航空飞行学院 | 飞机尾涡识别方法、装置、可读介质及电子设备 |
CN112182762A (zh) * | 2020-09-28 | 2021-01-05 | 中国民用航空飞行学院 | 一种基于自适应网格的航空器尾涡cfd计算方法及*** |
CN112488159A (zh) * | 2020-11-13 | 2021-03-12 | 中国民用航空飞行学院 | 一种基于神经网络的尾涡识别方法 |
CN113011557A (zh) * | 2021-02-22 | 2021-06-22 | 山东航空股份有限公司 | 基于卷积神经网络的飞机不稳定进近判断方法及*** |
CN113297910A (zh) * | 2021-04-25 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种配网现场作业安全带识别方法 |
CN114781522A (zh) * | 2022-04-26 | 2022-07-22 | 苏州今科慧邦科技有限公司 | 一种基于改进卷积神经网络的航空器附件在线检测***及方法 |
CN115372988A (zh) * | 2022-10-18 | 2022-11-22 | 青岛镭测创芯科技有限公司 | 一种飞机尾涡的识别定位方法、装置及介质 |
US20230410470A1 (en) * | 2022-06-16 | 2023-12-21 | The Government of the United States of America, as represented by the Secretary of Homeland Security | Systems and Methods for Detecting a Travelling Object Vortex |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133178A (zh) * | 2017-12-08 | 2018-06-08 | 重庆广睿达科技有限公司 | 一种基于图像识别的智能环境监控***与方法 |
CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
CN108416279A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德(北京)科技有限公司 | 文档图像中的表格解析方法及装置 |
CN108846415A (zh) * | 2018-05-22 | 2018-11-20 | 长沙理工大学 | 工业分拣机器人的目标识别装置和方法 |
CN108921210A (zh) * | 2018-06-26 | 2018-11-30 | 南京信息工程大学 | 一种基于卷积神经网络的云分类方法 |
CN109117829A (zh) * | 2018-09-10 | 2019-01-01 | 安徽信息工程学院 | 基于tensorflow的茶叶品种识别*** |
CN109190514A (zh) * | 2018-08-14 | 2019-01-11 | 电子科技大学 | 基于双向长短期记忆网络的人脸属性识别方法及*** |
CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
CN109409242A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于循环卷积神经网络的黑烟车检测方法 |
-
2019
- 2019-06-06 CN CN201910492682.5A patent/CN110210568A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133178A (zh) * | 2017-12-08 | 2018-06-08 | 重庆广睿达科技有限公司 | 一种基于图像识别的智能环境监控***与方法 |
CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
CN108416279A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德(北京)科技有限公司 | 文档图像中的表格解析方法及装置 |
CN108846415A (zh) * | 2018-05-22 | 2018-11-20 | 长沙理工大学 | 工业分拣机器人的目标识别装置和方法 |
CN108921210A (zh) * | 2018-06-26 | 2018-11-30 | 南京信息工程大学 | 一种基于卷积神经网络的云分类方法 |
CN109190514A (zh) * | 2018-08-14 | 2019-01-11 | 电子科技大学 | 基于双向长短期记忆网络的人脸属性识别方法及*** |
CN109117829A (zh) * | 2018-09-10 | 2019-01-01 | 安徽信息工程学院 | 基于tensorflow的茶叶品种识别*** |
CN109409242A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于循环卷积神经网络的黑烟车检测方法 |
CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
Non-Patent Citations (1)
Title |
---|
王伟军 等: "《大数据分析》", 30 April 2017 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401241A (zh) * | 2020-03-16 | 2020-07-10 | 中国民用航空飞行学院 | 基于卷积神经网络的海上民用航空器搜寻方法及装置 |
CN111452954A (zh) * | 2020-04-20 | 2020-07-28 | 中国民用航空飞行学院 | 一种机翼碎涡结构、机翼及飞机 |
CN111551959A (zh) * | 2020-04-22 | 2020-08-18 | 中国民用航空飞行学院 | 飞机尾涡识别方法、装置、可读介质及电子设备 |
CN111551959B (zh) * | 2020-04-22 | 2022-06-10 | 中国民用航空飞行学院 | 飞机尾涡识别方法、装置、可读介质及电子设备 |
CN112182762B (zh) * | 2020-09-28 | 2022-10-11 | 中国民用航空飞行学院 | 一种基于自适应网格的航空器尾涡cfd计算方法及*** |
CN112182762A (zh) * | 2020-09-28 | 2021-01-05 | 中国民用航空飞行学院 | 一种基于自适应网格的航空器尾涡cfd计算方法及*** |
CN112488159A (zh) * | 2020-11-13 | 2021-03-12 | 中国民用航空飞行学院 | 一种基于神经网络的尾涡识别方法 |
CN113011557A (zh) * | 2021-02-22 | 2021-06-22 | 山东航空股份有限公司 | 基于卷积神经网络的飞机不稳定进近判断方法及*** |
CN113011557B (zh) * | 2021-02-22 | 2021-09-21 | 山东航空股份有限公司 | 基于卷积神经网络的飞机不稳定进近判断方法及*** |
CN113297910A (zh) * | 2021-04-25 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种配网现场作业安全带识别方法 |
CN114781522A (zh) * | 2022-04-26 | 2022-07-22 | 苏州今科慧邦科技有限公司 | 一种基于改进卷积神经网络的航空器附件在线检测***及方法 |
US20230410470A1 (en) * | 2022-06-16 | 2023-12-21 | The Government of the United States of America, as represented by the Secretary of Homeland Security | Systems and Methods for Detecting a Travelling Object Vortex |
US11922676B2 (en) * | 2022-06-16 | 2024-03-05 | The Government of the United States of America, as represented by the Secretary of Homeland Security | Systems and methods for detecting a travelling object vortex |
CN115372988A (zh) * | 2022-10-18 | 2022-11-22 | 青岛镭测创芯科技有限公司 | 一种飞机尾涡的识别定位方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210568A (zh) | 基于卷积神经网络的航空器尾涡识别方法及*** | |
CN110363252B (zh) | 趋向于端到端的场景文字检测与识别方法以及*** | |
KR102386221B1 (ko) | 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법 | |
CN108038424B (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN109858372A (zh) | 一种车道级精度自动驾驶结构化数据分析方法 | |
CN103077389A (zh) | 一种结合字符级分类和字符串级分类的文本检测和识别方法 | |
EP3876163B1 (en) | Model training, image processing method, device, storage medium, and program product | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN109101108A (zh) | 基于三支决策优化智能座舱人机交互界面的方法及*** | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN105117740A (zh) | 字体识别方法及装置 | |
CN109993122A (zh) | 一种基于深度卷积神经网络的行人乘扶梯异常行为检测方法 | |
CN105303162B (zh) | 一种基于目标建议算法的航拍图像绝缘子识别方法 | |
Algorry et al. | Real-time object detection and classification of small and similar figures in image processing | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
KR20190108832A (ko) | 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법 | |
CN113688887A (zh) | 图像识别模型的训练与图像识别方法、装置 | |
CN110263739A (zh) | 基于ocr技术的图片表格识别方法 | |
EP2825446B1 (en) | Airborne mine detection | |
CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 | |
CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别*** | |
CN101655911A (zh) | 基于免疫抗体网络的模式识别方法 | |
Li et al. | Gadet: A geometry-aware x-ray prohibited items detector | |
US20220390249A1 (en) | Method and apparatus for generating direction identifying model, device, medium, and program product | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |
|
RJ01 | Rejection of invention patent application after publication |