CN110533023A - 一种用于检测识别铁路货车异物的方法及装置 - Google Patents
一种用于检测识别铁路货车异物的方法及装置 Download PDFInfo
- Publication number
- CN110533023A CN110533023A CN201910611280.2A CN201910611280A CN110533023A CN 110533023 A CN110533023 A CN 110533023A CN 201910611280 A CN201910611280 A CN 201910611280A CN 110533023 A CN110533023 A CN 110533023A
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- classification
- doubtful
- candidate region
- sliding window
- 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
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
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)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于检测识别铁路货车异物的方法,包括以下步骤:对输入图像进行滑动窗口分块,根据滑动窗口的大小获得相应数量的局部检测区域;对上述所有局部检测区域逐个进行异物疑似候选区域定位,筛选得到疑似存在异物的异物候选区域;对上述异物候选区域进行异物二次分类识别,判断是否为异物及异物所属的具体类别;根据异物类别的类别按照预先设置的严重程度级别输出异物信息。本发明的有益效果:能够对铁路货车异物实现高实时性和高准确度的自动检测识别,该方法具有很高的检测精度和较低的误识率,同时较快的检测速度也满足实际工程需要,极大的减少了漏检和误报的情况,减轻工作人员负担,减少安全隐患。
Description
技术领域
本发明涉及轨道交通异物检测技术领域,具体涉及一种基于深度学习的用于检测识别铁路货车异物的方法和装置。
背景技术
在列车高速运行过程中,车体悬挂的异物在气流的影响下会超出车身一定范围,这种情况会严重影响到铁路周边设备的安全。因异物损坏周边设备的事故时有发生, 如果车体悬挂的异物在运行过程中脱落,掉落在铁轨上会使本列车或下次列车脱轨的 可能性大大增加。检测铁路货车异物是保证列车安全和货物安全的重要措施。
现阶段传统算法用灰度变化来检测检测异物,这种算法适用与车身灰度有明显差别的物体,对于与车身灰度相近的异物检测效果不佳,且对车身反光和图标字体刷漆 部位产生误报。由于异物形态、纹理、颜色多变的特点,且目前传统检测算法提取异 物特征的局限性而导致误报率较高。
发明内容
本发明的目的在于克服现有技术中的缺陷,提供一种基于深度学习的铁路货车异物检测识别方法,解决了现有传统异物检测算法对于与车身灰度相近的异物检测效果 不佳,及对车身反光和图标字体刷漆部位产生误报的问题。
第一方面,本发明提供一种用于检测识别铁路货车异物的方法,所述方法包括:对输入图像进行滑动窗口分块,根据滑动窗口的大小获得相应数量的局部检测区域; 对上述所有局部检测区域逐个进行异物疑似候选区域定位,筛选得到疑似存在异物的 异物候选区域;对上述异物候选区域进行异物二次分类识别,判断是否为异物及异物 所属的具体类别;根据异物类别的类别按照预先设置的严重程度级别输出异物信息。
第二方面,本发明还提供了一种用于检测识别铁路货车异物的装置,所述装置包括:滑动窗口分块分块单元,用于对输入图像进行滑动窗口分块,根据滑动窗口的大 小获得相应数量的局部检测区域;疑似异物候选区域定位单元,用于对上述所有局部 检测区域逐个进行异物疑似候选区域定位,筛选得到疑似存在异物的异物候选区域; 异物二次分类识别单元,用于对上述异物候选区进行异物二次分类识别,确定是否为 异物及异物所属的具体类别;异物信息输出单元,用于将上述确定的异物类别根据预 设的严重程度级别输出异物信息。
通过下文的描述将会理解,根据本发明的实施方式,通过使用基于可变形卷积的深度学习定位疑似异物候选区域,然后用简单网络模型对疑似异物进行分类识别,能 够对铁路货车异物实现高实时性和高准确度的自动检测识别。该方法具有很高的检测 精度和较低的误识率,同时较快的检测速度也满足实际工程需要,极大的减少了漏检 和误报的情况,减轻工作人员负担,减少安全隐患。
附图说明
图1为本申请的用于检测识别铁路货车异物的方法的流程图;
图2是根据本申请的用于检测识别铁路货车异物的装置的一个实施例的结构示意图;
图3是适于用来实现本申请实施例的终端设备或服务器的电子设备的结构示意图;
图4为本申请实施例中可变形卷积的faster-rcnn深度神经检测网络的网络结构图;
图5为本申请实施例中浅层分类网络的网络结构图。
具体实施方式
下面将参考附图中示出的若干示例性实施方式来描述本发明的原理和精神。应当理解,描述这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发 明,而并非以任何方式限制本发明的范围。
图1是本发明实施方式的用于基于深度学习的异物检测方法100的流程图,所述方法包括:
步骤101,对输入图像进行滑动窗口分块,将输入图像分割为尺寸相同的局部检测区域块。
在本实施例中,所述输入图像是由线阵CCD相机在铁路现场获取每辆车的线阵图片,分辨率不小于7000*2048个像素,每个像素点精度为2mm;所述滑动窗口分块是 以固定的间隔在整幅图像上按规定的方向获取尺寸为1000*256像素的局部检测区域 块,设定滑动窗口重叠区域为200像素,重叠区域大小的设置要包含最大的异物,以 避免异物被切分影响检测。
步骤102,对上述所有局部检测区域块进行疑似异物候选区域定位,确定存在疑似异物的候选区。
在本实施例中,是通过可变形卷积的faster-rcnn深度神经检测网络对疑似异物进 行区域定位检测,深度神经检测网络的主干结构为50层的残差网络,该网络结构包括conv1、conv_2x(x分别取值为a、b、c)、conv_3x(x分别取值为a、b、c、d)、conv_4x(x 分别取值为a、b、c、d、e、f)、conv5x(x分别取值为a、b、c);分别在conv5a、conv5b、 conv5c的中间分支前后加入可变形卷积;conv4f作为rpn层的输入,用来生成proposal, 输出为推荐框对应的得分和坐标偏移量;conv5c后跟卷积层,及ROIPooling层,生成 ROI对应的特征图,最后特征图经过softmax和边界框回归函数生成目标物对应的得分 和检测框坐标。每层对应的卷积核数量及大小如下:
残差网络在每个卷积层后用BatchNorm和Scale进行归一化,这样可以提高网络的泛化能力和训练速度。Batch原理如下:
Input:Values of x over a mini-batch
Parameters to be lerned:γ,β
Output:{yi=BNγ,β(xi)}
该层是对输出的特征进行归一化,设M为我们选取的minibatch的个数,每个batch有r*q个特征点,则m=M*r*q,对这m个特征点取平均,再计算方差,每一个点减 去平均值,除以方差得到BatchNorm层的结果。
由于异物形态、纹理不固定,因此在网络加入可变形卷积。可变形卷积加在res5a_branch2a、res5b_branch2a、res5c_branch2a后,卷积核数量为512、大小为3*3、stride为1、pad为2、dilation为2。可变形卷积是每个特征图的输入点均会得到一个 偏移,这是来自offset network的输出,即输出为基于正规网格的偏移量。offset network 得到的是一个与输入h、w相同的offset field,通过该偏移映射,从源输入特征图抽取 点值,从而得到输出特征图。
可变形卷积定义如下:
其中R是感受野的大小,x是输入特征图,y是输出特征图,P0是输出特征图y中 的每一个位置,w是权值。由于△Pn可能是一个高精度的小数,不能直接获取像素坐 标,而如果采用简单粗暴的取整不仅会产生误差也无法采用梯度下降求解,故采用双 线性插值解决这个问题,公式如下:
在本实施例中,faster-rcnn深度神经检测网络使用RPN(RegionProposalNetwork) 区域生成网络来生成推荐框。在训练阶段,RPN推荐Proposal时scale分别为8、16、 32,ratio为0.5、1、2,按照softmax score提取前6000个预proposal,对这6000个 进行NMS再次排序(NMS阈值为0.7)输出前300个proposal。反向传播学习率设定 为0.0001。
网络最后输出目标的类别信息和边框信息,边框输出的位置信息为x1、y1、x2、y2,边框得分阈值设置为0.8。
根据最终结果的边框大小进行排除操作,宽高比的高低阈值分别设置为5和0.1,宽度和高度最低阈值为60个pixel,符合上述阈值边框信息为疑似异物的候选区。
步骤103,对上述确定存在疑似异物的候选区进行异物二次分类识别,判断是否为异物及异物所属的具体类别。
在本实施例中,将疑似异物作为分类网络的输入,采用浅层分类网络进行特征提取,该网络由conv1、conv2、conv3、conv4、conv5、fc6、fc7、fc8组成,包括5层卷 积层、3层全连接层,层参数如表2所下:
Layer name | Layer parameter |
Conv1 | 11×11,96 |
Conv2 | 5×5,256 |
Conv3 | 3×3,384 |
Conv4 | 3×3,384 |
Conv5 | 3×3,256 |
Fc6 | 2048 |
Fc7 | 2048 |
Fc8 | 12 |
输出结果为二维向量,并对二维向量进行softmax计算,得到是否为异物的概率形式。具体的,softmax计算函数为:
通过softmax函数,可以使得P(i)的范围在[0,1]之间,使最终的二维向量转换为是 否为异物的概率表述形式。
步骤104,根据异物类别按照预设的异物类别所对应的严重程度级别输出异物信息。
图2是本发明实施方式的用于基于深度学习的异物检测装置200的结构框图,所述装置包括:滑动窗口分块分块单元,用于将输入图像分割为尺寸相同的局部检测区 域;疑似异物候选区域定位单元,用于将上述所有局部检测区域块逐个进行疑似异物 候选区域定位,确定存在疑似异物的候选区;异物二次分类识别单元,用于对上述候 选区进行异物二次分类识别,确定是否为异物及异物所属的具体类别;异物信息输出 单元,用于将上述确定的异物类别根据预设的严重程度级别输出异物信息。
本发明实施例还提供了一种电子设备,例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图3,其示出了适于用来实现本申请实施例的终端设 备或服务器的电子设备700的结构示意图:计算机***700包括一个或多个处理器、 通信部等,所述一个或多个处理器例如:一个或多个中央处理单元(CPU)701,和/或一 个或多个图像处理器(GPU)713等,处理器可以根据存储在只读存储器(ROM)702中的 可执行指令或者从存储部分708加载到随机访问存储器(RAM)703中的可执行指令而执 行各种适当的动作和处理。通信部712可包括但不限于网卡,所述网卡可包括但不限 于IB(Infiniband)网卡,
处理器可与只读存储器702和/或随机访问存储器630中通信以执行可执行指令,通过总线704与通信部712相连、并经通信部712与其他目标设备通信,从而完成本 申请实施例提供的任一项方法对应的操作,例如,将遥感图像数据输入深度神经网络 模型进行目标对象检测;根据目标对象特征确定遥感图像中每个像素属于目标对象的 概率;根据概率,确定遥感图像中包括有目标对象的区域。
此外,在RAM703中,还可存储有装置操作所需的各种程序和数据。CPU701、 ROM702以及RAM703通过总线704彼此相连。在有RAM703的情况下,ROM702为可 选模块。RAM703存储可执行指令,或在运行时向ROM702中写入可执行指令,可执 行指令使处理器701执行上述通信方法对应的操作。输入/输出(I/O)接口705也连接至 总线704。通信部712可以集成设置,也可以设置为具有多个子模块(例如多个IB网卡), 并在总线链接上。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极 射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部 分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部 分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口 705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装 在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
需要说明的,如图3所示的架构仅为一种可选实现方式,在具体实践过程中,可 根据实际需要对上述图3的部件数量和类型进行选择、删减、增加或替换;在不同功 能部件设置上,也可采用分离设置或集成设置等实现方式,例如GPU和CPU可分离设置 或者可将GPU集成在CPU上,通信部可分离设置,也可集成设置在CPU或GPU上,等 等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机 器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码, 程序代码可包括对应执行本申请实施例提供的方法步骤对应的指令,例如,将遥感图 像数据输入深度神经网络模型进行目标对象检测;根据目标对象特征确定遥感图像中 每个像素属于目标对象的概率;根据概率,确定遥感图像中包括有目标对象的区域。 在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/ 或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行 本申请的方法中限定的上述功能。
可能以许多方式来实现本发明的方法和装置、设备。例如,可通过软件、硬件、 固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法 的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺 序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在 记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而, 本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择 和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人 员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (9)
1.一种用于检测识别铁路货车异物的方法,包括以下步骤:
对输入图像进行滑动窗口分块,根据滑动窗口的大小获得相应数量的局部检测区域;
对上述所有局部检测区域逐个进行异物疑似候选区域定位,筛选得到疑似存在异物的异物候选区域;
对上述异物候选区域进行异物二次分类识别,判断是否为异物及异物所属的具体类别;
根据异物类别的类别按照预先设置的严重程度级别输出异物信息。
2.根据权利要求1所述的方法,其特征在于:所述输入图像是由线阵CCD相机在铁路现场获取每辆车的线阵图片。
3.根据权利要求1所述的方法,其特征在于:所述滑动窗口分块是以固定的间隔在整幅输入图像上按设定的方向连续获取设定尺寸并且部分重叠的局部检测区域块;所述设定的方向是从左到右、从上到下。
4.根据权利要求1所述的方法,其特征在于:所述异物疑似候选区域定位是通过可变形卷积的faster-rcnn深度神经检测网络进行,faster-rcnn深度神经检测网络使用RPN区域生成网络来生成推荐框,输出目标的类别信息和边框信息。
5.根据权利要求4所述的方法,其特征在于:根据所述边框信息的边框大小进行排除操作,筛选得出疑似的异物候选区域。
6.一种用于检测识别铁路货车异物的装置,所述装置包括:滑动窗口分块分块单元,用于对输入图像进行滑动窗口分块,根据滑动窗口的大小获得相应数量的局部检测区域;疑似异物候选区域定位单元,用于对上述所有局部检测区域逐个进行异物疑似候选区域定位,筛选得到疑似存在异物的异物候选区域;异物二次分类识别单元,用于对上述异物候选区进行异物二次分类识别,确定是否为异物及异物所属的具体类别;异物信息输出单元,用于将上述确定的异物类别根据预设的严重程度级别输出异物信息。
7.根据权利要求6所述的装置,其特征在于:所述滑动窗口分块是以固定的间隔在整幅输入图像上按设定的方向连续获取设定尺寸并且部分重叠的局部检测区域块;所述设定的方向是从左到右、从上到下。
8.根据权利要求6所述的装置,其特征在于:所述异物疑似候选区域定位是通过可变形卷积的faster-rcnn深度神经检测网络进行,faster-rcnn深度神经检测网络使用RPN区域生成网络来生成推荐框,输出目标的类别信息和边框信息,根据所述边框信息的边框大小进行排除操作,筛选得出疑似的异物候选区域。
9.一种计算机设备,其特征在于,包括:
存储器,存储可执行指令;
一个或多个处理器,与存储器通信以执行可执行指令从而完成以下操作:
对输入图像进行滑动窗口分块,根据滑动窗口的大小获得相应数量的局部检测区域;
对上述所有局部检测区域逐个进行异物疑似候选区域定位,筛选得到疑似存在异物的异物候选区域;
对上述异物候选区域进行异物二次分类识别,判断是否为异物及异物所属的具体类别;
根据异物类别的类别按照预先设置的严重程度级别输出异物信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611280.2A CN110533023B (zh) | 2019-07-08 | 2019-07-08 | 一种用于检测识别铁路货车异物的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611280.2A CN110533023B (zh) | 2019-07-08 | 2019-07-08 | 一种用于检测识别铁路货车异物的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533023A true CN110533023A (zh) | 2019-12-03 |
CN110533023B CN110533023B (zh) | 2021-08-03 |
Family
ID=68659537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910611280.2A Active CN110533023B (zh) | 2019-07-08 | 2019-07-08 | 一种用于检测识别铁路货车异物的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533023B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079734A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车三角孔异物检测方法 |
CN111507282A (zh) * | 2020-04-21 | 2020-08-07 | 名创优品(横琴)企业管理有限公司 | 一种目标检测预警分析***、方法、设备及介质 |
CN111860361A (zh) * | 2020-07-24 | 2020-10-30 | 吉林大学 | 一种绿色通道货物扫描图像夹带自动识别器及识别方法 |
CN112330658A (zh) * | 2020-11-23 | 2021-02-05 | 丰图科技(深圳)有限公司 | 抛洒物检测方法、装置、电子设备及存储介质 |
WO2021135300A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与*** |
WO2023123924A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳云天励飞技术股份有限公司 | 目标识别方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197610A (zh) * | 2018-02-02 | 2018-06-22 | 北京华纵科技有限公司 | 一种基于深度学习的轨道异物检测*** |
US20180260699A1 (en) * | 2017-03-13 | 2018-09-13 | Intel IP Corporation | Technologies for deep machine learning with convolutional neural networks and reduced set support vector machines |
CN109255375A (zh) * | 2018-08-29 | 2019-01-22 | 长春博立电子科技有限公司 | 基于深度学习的全景图像对象检测方法 |
-
2019
- 2019-07-08 CN CN201910611280.2A patent/CN110533023B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260699A1 (en) * | 2017-03-13 | 2018-09-13 | Intel IP Corporation | Technologies for deep machine learning with convolutional neural networks and reduced set support vector machines |
CN108197610A (zh) * | 2018-02-02 | 2018-06-22 | 北京华纵科技有限公司 | 一种基于深度学习的轨道异物检测*** |
CN109255375A (zh) * | 2018-08-29 | 2019-01-22 | 长春博立电子科技有限公司 | 基于深度学习的全景图像对象检测方法 |
Non-Patent Citations (3)
Title |
---|
俞大海 等: "基于线阵CCD图像纹理特征的铁路货车货物分割算法研究", 《铁道学报》 * |
姚群力 等: "深度卷积神经网络在目标检测中的研究进展", 《计算机工程与应用》 * |
苏松志 等: "《行人检测 理论与实践》", 31 March 2016, 厦门:厦门大学出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079734A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车三角孔异物检测方法 |
CN111079734B (zh) * | 2019-12-12 | 2020-07-31 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车三角孔异物检测方法 |
WO2021135300A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与*** |
US11741593B2 (en) | 2019-12-30 | 2023-08-29 | Goertek Inc. | Product defect detection method, device and system |
CN111507282A (zh) * | 2020-04-21 | 2020-08-07 | 名创优品(横琴)企业管理有限公司 | 一种目标检测预警分析***、方法、设备及介质 |
CN111860361A (zh) * | 2020-07-24 | 2020-10-30 | 吉林大学 | 一种绿色通道货物扫描图像夹带自动识别器及识别方法 |
CN112330658A (zh) * | 2020-11-23 | 2021-02-05 | 丰图科技(深圳)有限公司 | 抛洒物检测方法、装置、电子设备及存储介质 |
WO2023123924A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳云天励飞技术股份有限公司 | 目标识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110533023B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533023A (zh) | 一种用于检测识别铁路货车异物的方法及装置 | |
Mei et al. | An unsupervised-learning-based approach for automated defect inspection on textured surfaces | |
RU2708422C1 (ru) | Способ и система управления банкоматами | |
CN109064461A (zh) | 一种基于深度学习网络的钢轨表面缺陷检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN101710425B (zh) | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 | |
JP2018113038A (ja) | 検査機器および荷物における銃器を検出する方法 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
CN109242829A (zh) | 基于小样本深度学习的液晶屏缺陷检测方法、***及装置 | |
CN101689301A (zh) | 在ct图像数据中检测出血性卒中 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
US11810293B2 (en) | Information processing device, information processing method, and computer program | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN102129562B (zh) | 图标识别方法和装置 | |
Yue et al. | Improved multi‐scale line detection method for retinal blood vessel segmentation | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
Wang et al. | A two-step automated quality assessment for liver MR images based on convolutional neural network | |
CN109993728B (zh) | 一种热转印胶水偏位自动检测方法和*** | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测*** | |
CN110059573A (zh) | 基于图像识别的野山参分级检定方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
Kusanti et al. | Combination of otsu and canny method to identify the characteristics of solo batik as Surakarta traditional batik | |
Taghizadeh et al. | The fast and accurate approach to detection and segmentation of melanoma skin cancer using fine-tuned YOLOV3 and SegNet based on deep transfer learning |
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 |