CN111160479A - 一种焊点识别方法 - Google Patents
一种焊点识别方法 Download PDFInfo
- Publication number
- CN111160479A CN111160479A CN201911410782.5A CN201911410782A CN111160479A CN 111160479 A CN111160479 A CN 111160479A CN 201911410782 A CN201911410782 A CN 201911410782A CN 111160479 A CN111160479 A CN 111160479A
- Authority
- CN
- China
- Prior art keywords
- network
- fast
- area
- suggestion
- rcnn
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种焊点识别方法,该方法包括基于Faster‑R‑CNN模型,对汽车门板图像上的焊点进行识别;其中根据样本图像训练Faster‑R‑CNN模型,样本图像是标定的汽车焊点图像;Faster‑R‑CNN模型包括VGG16网络、RPN网络以及Fast‑RCNN网络,RPN网络的输出值接入Fast‑RCNN网络之前,按照分类概率值的大小对RPN网络输出的建议区域进行排序,挑选与检测目标匹配度最优的特定建议区域输入Fast‑RCNN网络,Fast‑RCNN网络输出焊点的定位及分类。该Faster‑R‑CNN模型应用于汽车门板焊点的识别,改进了小目标检测上的缺陷,提高了检测的精度与效率。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种焊点识别方法。
背景技术
现有的目标检测所采用的R-CNN(Region-CNN)使用Selective Search生成候选区域,CNN网络提取图像特征,特征分别送入多个线性支持向量机(SVM)二类分类器进行判别,线性脊回归器进行候选框的位置精修。其缺点是各候选区域重复提取特征导致检测速度很慢。为了解决R-CNN算法多个候选区域重复计算的问题,Fast-R-CNN加入了建议区域池化层将不同大小的建议区域对应的特征转为固定大小的区域特征,再分别传入两个全连接层输出,传入传统softmax层进行分类,传入回归器回归候选框,大幅减少了计算开销,避免重复卷积,计算效率进一步提升。但是建议区域的生成速度慢、效率低很大程度地影响识别速度的进一步提升。为了解决上述问题,Faster-R-CNN出现了,但是当前的Faster-R-CN模型在检测小目标时存在检测精度与检测效率低的问题。
发明内容
针对现有技术中存在的技术问题,本发明的首要目的是提供一种焊点的识别方法。基于该目的,本发明至少提供如下技术方案:
一种焊点识别方法,所述方法包括:
基于Faster-R-CNN模型,对焊点进行识别;其中,
根据样本图像训练Faster-R-CNN模型,所述样本图像是标定的汽车门板焊点图像;所述Faster-R-CNN模型包括VGG16网络、RPN网络以及Fast-RCNN网络,所述RPN网络的输出值接入所述Fast-RCNN网络之前,按照分类概率值的大小对所述RPN网络输出的建议区域进行排序,挑选与检测目标匹配度最优的特定建议区域输入Fast-RCNN网络,所述Fast-RCNN网络输出所述焊点的定位及分类。
进一步的,所述VGG16网络包含13个卷积层、13个LeakyRelu激活层以及4个池化层。
进一步的,Fast-RCNN网络包括建议区域池化层以及两个并列的全连接层,其中建议区域池化层采用最大池化层。
进一步的,所述建议区域包含两种像素尺度以及三种缩放比,所述两种像素尺度为2.828*2.828以及8*8,所述三种缩放比为0.25、0.5以及1。
进一步的,所述LeakyRelu激活层使用的激活函数为:f(x)=max(0.01x,x),其中x为上层卷积的输出。
进一步的,所述特定建议区域采用非极大值抑制方法挑选,所述非极大值抑制方法包括如下步骤:
S1.1、将所有建议区域按照分类概率值的大小排序,选中最高分类概率值及其对应的建议区域;
S1.2、遍历其余的建议区域,比较当前建议区域和当前最高分的建议区域的面积,如果当前建议区域和当前最高分的建议区域的重叠面积大于一定阈值,则删除该当前建议区域;
S1.3、从未比较的建议区域中选择最高分类概率值的建议区域,重复步骤S1.1-1.2,直到所有建议区域被选择。
进一步的,所述阈值为0.3。
进一步的,所述建议区域池化层采用最大池化层输出特征图,所述两个并列的全连接层中的一个与Softmax计算分类概率向量。
与现有技术相比,本发明至少具有如下有益效果:
本发明的Faster-R-CNN模型应用于汽车门板焊点的识别,改进了小目标检测上的缺陷,提高了检测的精度与效率。该Faster-R-CNN模型中VGG16网络采用LeakyRelu激活层,解决了负数区域产生的死区现象,扩大初始的赋值范围,也在一定程度上防止反向传播出现的梯度消失等问题;RPN网络使用2种尺度和3种比例来产生6种锚,对产生锚的尺寸做了调整,使其满足小目标识别的任务,减少了漏选框、错选框的现象;Fast-RCNN网络中最大池化层以及全连接层的使用实现了最终焊点的分类与精确定位,且提高了识别与检测的效率。
附图说明
图1是本发明训练集所采用的后、前汽车门板焊点分布图之一。
图2是本发明Faster-R-CNN模型网络框架示意图。
图3是本发明焊点检测过程的可视化特征图。
图4是本发明建议区域生成网络的流程图。
图5是本发明Fast-RCNN网络的流程图。
图6是本发明汽车门板焊点识别方法的总体流程图。
图7是本发明训练RPN网络的损失曲线图。
图8是本发明Faster-R-CNN模型识别效果图。
图9是Fast-rcnn算法与YOLOv3算法识别效果图。
具体实施方式
接下来将结合本发明的附图对本发明实施例中的技术方案进行清楚、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,均属于本发明保护的范围。下面来对本发明做进一步详细的说明。
本发明提供的焊点识别方法基于Faster-R-CNN模型,在采用该Faster-R-CNN模型进行汽车门板图像上焊点识别之前,需要对该Faster-R-CNN模型进行训练以确定该模型参数。
本发明收集手机前置摄像头拍摄的汽车前、后门板图像,对收集的图像进行手动标定,以标定后的图像作为样本图像。采用该样本图像训练Faster-R-CNN模型的。所有汽车门板处于单一的场景中,有很少或没有干扰。每张图片有50-60个焊点,焊点的种类有圆形、半圆形以及方形。每张图片上圆形、半圆形以及方形焊点的比例为4:2:3。图片符合工厂焊接线实际场景,像素大小符合一般工业摄像头的采集水平。图1为后、前汽车门板焊点分布图。用于训练的训练集图像有650张图片,其中前后汽车门板的比例为1:1,整体与局部的比例3:1,训练使用450张,训练在流行的深度学习框架caffe上进行,采用12G NVIDIA M40GPU训练,Faster-R-CNN使用ImageNet预训练的VGG16网络初始化RPN和Fast-rcnn,人工标记的数据集调整网络权重。训练过程如下:
S1.1、训练RPN网络,该网络用ImageNet预训练的模型初始化,并进行端到端微调,用于生成建议区域;
S1.2、由ImageNet预训练的VGG16网络初始化Fast-rcnn网络,利用步骤S1.1中生成的建议区域作为输入数据,训练Fast-rcnn网络作为一个单独的检测网络;
S1.3、使用步骤S1.2中的Fast-rcnn网络参数初始化RPN,采用样本数据训练RPN网络,微调RPN;
S1.4、由步骤S1.3中的RPN模型参数初始化Fast-rcnn网络,输入数据为步骤S1.1中生成的建议区域。微调Fast-rcnn的全连接层。这样极大的减少参数简化训练过程,构成一个统一的识别网络。
图2是本发明Faster-R-CNN模型网络框架示意图。该Faster-R-CNN模型包括VGG16网络、RPN网络以及Fast-RCNN网络。其中,VGG16网络包括13个卷积层、13个LeakyRelu激活层以及4个池化层。图像经过卷积层激活层提取特征,经过池化层降维提取主要特征。图3是本发明焊点检测过程的可视化特征图,包含卷积池化层的层级可视化。采用的LeakyRelu激活层使用的激活函数为f(x)=max(0.01x,x),其中x为上层卷积输出。相较于传统的VGG16网络使用Relu激活函数,改进的LeakyRelu激活层解决负数区域产生的死区现象,扩大初始的赋值范围,也在一定程度上防止反向传播出现的梯度消失等问题。
RPN网络包括卷积层、池化层、softmax激活层。如图4所示,该RPN网络进行建议区域的提取,再通过池化层根据输入的全局高层次特征及建议区域获得固定大小的建议区域特征,全局高层次特征即VGG16提取的特征。转化为固定大小的建议区域方便送入之后的网络进行统一处理。VGG16网络生成的特征图通过RPN网络的卷积核中心进行尺度、宽高比的采样,本发明的RPN网络适应小目标的检测,将原始建议区域的3种尺度和3种比例来产生9种锚改进为使用2种尺度和3种比例来产生6种锚,对产生锚的尺寸也做了一定程度的调整满足小目标识别的任务。建议区域的2种像素尺度为2.828*2.828以及8*8,3种缩放比例为0.25、0.5以及1。
原始的建议区域尺度会造成大面积的遗漏建议区域的问题,后期使用非极大值抑制进行筛选后也存在着建议区域与真实区域的偏移距离过大,建议区域位置不准确等问题。在网络上进行尺度调整一方面减少建议区域与真实区域的偏移距离方便二次调整,一方面也减少漏选框、错选框的现象。
RPN网络做了适合小目标检测的调整。锚对应的每个位置输出6种锚的分类概率和建议区域位置,最后经过非极大值抑制删除面积大部分重叠的建议区域,挑选与检测目标匹配度最优的300个建议区域送入Fast-RCNN网络。
使用非极大值抑制方法挑选最优建议区域的步骤如下:
步骤a、将所有的建议区域按照分类概率值的大小排序,选中最高分类概率值及其对应的建议区域。
步骤b、遍历其余的建议区域,比较当前建议区域和当前最高分的建议区域的面积,如果当前建议区域和当前最高分的建议区域的重叠面积(IOU)大于一定阈值,则删除该当前建议区域;该步骤中,重叠面积大于0.3时为最优结果。
步骤c、从未比较的建议区域中选择最高分类概率值的建议区域,重复步骤a-b,直到所有建议区域被选择。
图5为Fast-RCNN网络的流程图。Fast-RCNN网络包括建议区域池化层及两个并列的全连接层(FC),该网络用于建议区域的分类及识别,回归建议区域的最终精确位置来实现焊点的分类与定位。该网络中全连接层计算建议区域的类别,实现端到端的训练过程,大大减小了训练与测试的时间,提高了识别与检测的效率。原始特征图即VGG16网络提取的特征图及300个建议区域被收集送入Fast-RCNN网络的池化层计算固定大小的区域建议特征图。这里池化层改进为最大池化层,相比平均池化层更大程度的保留了图像的突出特征,减少细节特征的丢失。建议区域池化层的池化步骤如下:
步骤a、将每个建议区域对应的特征区域水平划分为pooled_w*pooled_h个网格,在一实施例中,w和h均为7;
步骤b、对网格中的每份进行最大池化,即取最大值;
步骤c、输出固定pooled_w*pooled_h大小的特征。
获取的特征图通过全连接层与Softmax计算分类概率向量。其中Softmax用于多分类的计算公式如下:
其中zi为z中第i个元素的值即分类向量的第i个分类的概率值,Si表示这一层第i位输出,j表示上一层第j位输入。
同时全连接层调整每个建议区域的位置偏置,得到更为精准的位置。
遵循多任务损失的定义,Faster-R-CNN模型的最小化目标函数定义如下:
λ为平衡系数(这里通过实验获得最优结果为取0.4),平衡分类误差与前景样本的窗口位置偏差的权重,达到较优的识别定位效果。通过实验可知平衡系数λ取0.4时结果最优。
本发明的汽车门板焊点识别方法总体流程如图6所示,基于上述训练完成的Faster-R-CNN模型,采集汽车门板图像,归一化图片为统一尺寸,例如归一化后的尺寸为800像素*600像素,将归一化后的图像输入该Faster-R-CNN模型即可输出焊点的定位及分类。本发明的Faster-R-CNN模型将焊点的检测问题转化成了对图片局部区域的分类问题,对已提取的局部建议区域做分类回归,调整好锚尺寸和关键参数大小对小目标检测易取得较优的效果。
本实验主要采用Faster-R-CNN算法进行汽车前后门板的方形,圆形,半圆形焊点识别,同时对比Fast-rcnn与YOLO算法,展现Faster-R-CNN模型在检测速度,识别精度,泛化程度方面的优越性。以下是采用本发明的Faster-R-CNN模型与YOLOv3算法的测试对比实验。
实验采用梯度下降法(SGD)训练,第一次训练迭代20000次,基础学习率为0.0002,第二次10000次,基础学习率为0.001,在7500次后调整学习率。图7为第二次迭代时的RPN损失曲线,初始损失为2.39经过1000次训练后,损失降至0.55,总共训练300分钟,损失最终收敛至0.31左右,检测结果最佳。Faster-R-CNN
如图8所示,经过30000次训练200次测试后,Faster-R-CNN在最终的检测图上显示出了良好的识别效果,验证了Faster-R-CNN模型可应用于汽车焊点小目标检测。图8中的(a)图为前门板检测效果图,(b)图为后门板,前门板的各类焊点的分类定位基本准确,后门板存在一个半圆焊点误识别和方形焊点误识别,最终整体达到0.8以上的识别精确度,效果良好。对比图9的Fast-RCNN模型与YOLOv3算法识别效果图,图9中的(a)图为Fast-RCNN的识别效果图,(b)图为YOLOv3的识别效果图。由图可知Fast-RCNN的方形焊点误识别偏高,两处未识别,圆形焊点有一处未识别,半圆焊点全部识别但预测定位与真实选框有一定程度偏差。Yolov3效果比Fast-rcnn稍好,方形焊点,半圆焊点各有三处,一处识别问题,圆形焊点全部识别并定位准确。从识别图上看,Faster-R-CNN定位优于Fast-rcnn,分类优于YOLOv3,在识别精度上于三者最优。
表1
三种模型的测试结果详见表1,由表1分析可得,在单一纯色背景中,这三种算法均实现出色的检测结果。从检测精度看,Faster-R-CNN算法可以准确地检测定位50多个汽车门板焊点,平均精度达到82.7%,相同条件下,比YOLOv3测试结果高2.78%,就识别效果图来看,Fast-rcnn的平均精度为最低。同时Faster-R-CNN与YOLO3的召回率相差无几,Faster-R-CNN各类焊点的竞速比较平均而YOLOv3各类焊点检测效果相差较大。对方形焊点的误识别较多,泛化能力差。
就检测速度而言,Fast-rcnn模型在提取ROIs时使用selective search算法而在时间上花费较多,Faster-R-CNN改进使用RPN网络提取候选框加快了训练测试速度,而YOLO将目标检测作为回归问题,利用图片局部目标在整个图片全局中的信息,速度得到很大提升,训练时间近3倍快于Faster-R-CNN,而测试时间达到近30倍。
综合以上实验结果,本发明采用的RCNN系列算法将检测问题转化成了对图片局部区域的分类问题,对已提取的局部候选框做分类回归,调整好锚尺寸和关键参数大小对小目标检测易取得较优效果,而YOLO将图像整体分成多个网格,分别回归选框和类别,虽然训练速度非常快,但对靠得很近的物体检测效果一般,泛化能力弱。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种焊点识别方法,其特征在于,所述方法包括:
基于Faster-R-CNN模型,对焊点进行识别;其中,
根据样本图像训练Faster-R-CNN模型,所述样本图像是标定的汽车门板焊点图像;所述Faster-R-CNN模型包括VGG16网络、RPN网络以及Fast-RCNN网络,所述RPN网络的输出值接入所述Fast-RCNN网络之前,按照分类概率值的大小对所述RPN网络输出的建议区域进行排序,挑选与检测目标匹配度最优的特定建议区域输入Fast-RCNN网络,所述Fast-RCNN网络输出所述焊点的定位及分类。
2.根据权利要求1的所述焊点识别方法,其特征在于,所述VGG16网络包含13个卷积层、13个LeakyRelu激活层以及4个池化层。
3.根据权利要求1或2的所述焊点识别方法,其特征在于,Fast-RCNN网络包括建议区域池化层以及两个并列的全连接层,其中建议区域池化层采用最大池化层。
4.根据权利要求3的所述焊点识别方法,其特征在于,所述建议区域包含两种像素尺度以及三种缩放比,所述两种像素尺度为2.828*2.828以及8*8,所述三种缩放比为0.25、0.5以及1。
5.根据权利要求2的所述焊点识别方法,其特征在于,所述LeakyRelu激活层使用的激活函数为:f(x)=max(0.01x,x),其中x为上层卷积的输出。
6.根据权利要求1或2的所述焊点识别方法,其特征在于,所述特定建议区域采用非极大值抑制方法挑选,所述非极大值抑制方法包括如下步骤:
S1.1、将所有建议区域按照分类概率值的大小排序,选中最高分类概率值及其对应的建议区域;
S1.2、遍历其余的建议区域,比较当前建议区域和当前最高分的建议区域的面积,如果当前建议区域和当前最高分的建议区域的重叠面积大于一定阈值,则删除该当前建议区域;
S1.3、从未比较的建议区域中选择最高分类概率值的建议区域,重复步骤S1.1-1.2,直到所有建议区域被选择。
7.根据权利要求6的所述焊点识别方法,其特征在于,所述阈值为0.3。
8.根据权利要求3的所述焊点识别方法,其特征在于,所述建议区域池化层采用最大池化层输出特征图,所述两个并列的全连接层中的一个与Softmax计算分类概率向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410782.5A CN111160479A (zh) | 2019-12-31 | 2019-12-31 | 一种焊点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410782.5A CN111160479A (zh) | 2019-12-31 | 2019-12-31 | 一种焊点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160479A true CN111160479A (zh) | 2020-05-15 |
Family
ID=70559874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410782.5A Pending CN111160479A (zh) | 2019-12-31 | 2019-12-31 | 一种焊点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160479A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和***、电力设备的识别方法 |
CN108509839A (zh) * | 2018-02-02 | 2018-09-07 | 东华大学 | 一种基于区域卷积神经网络高效的手势检测识别方法 |
CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及*** |
CN110009011A (zh) * | 2019-03-20 | 2019-07-12 | 华南理工大学 | 一种基于图像处理的焊点识别方法 |
-
2019
- 2019-12-31 CN CN201911410782.5A patent/CN111160479A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和***、电力设备的识别方法 |
CN108509839A (zh) * | 2018-02-02 | 2018-09-07 | 东华大学 | 一种基于区域卷积神经网络高效的手势检测识别方法 |
CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及*** |
CN110009011A (zh) * | 2019-03-20 | 2019-07-12 | 华南理工大学 | 一种基于图像处理的焊点识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902677B (zh) | 一种基于深度学习的车辆检测方法 | |
CN104700099B (zh) | 识别交通标志的方法和装置 | |
CN109934115B (zh) | 人脸识别模型的构建方法、人脸识别方法及电子设备 | |
CN111222574B (zh) | 基于多模型决策级融合的舰船与民船目标检测与分类方法 | |
WO2021208502A1 (zh) | 一种基于平滑边框回归函数的遥感图像目标检测方法 | |
CN111126472A (zh) | 一种基于ssd改进的目标检测方法 | |
CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
CN109882019B (zh) | 一种基于目标检测和动作识别的汽车电动尾门开启方法 | |
CN110796186A (zh) | 基于改进的YOLOv3网络的干湿垃圾识别分类方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN109285139A (zh) | 一种基于深度学习的x射线成像焊缝检测方法 | |
CN111126278B (zh) | 针对少类别场景的目标检测模型优化与加速的方法 | |
CN111914642B (zh) | 一种行人重识别方法、装置、设备及介质 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
CN109242826B (zh) | 基于目标检测的移动设备端签状物根数计数方法及*** | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN112001411B (zh) | 一种基于fpn结构的大坝裂缝检测算法 | |
CN111882586B (zh) | 一种面向剧场环境的多演员目标跟踪方法 | |
CN114693661A (zh) | 一种基于深度学习的快速分拣方法 | |
CN110781785A (zh) | 基于Faster RCNN算法改进的交通场景下行人检测方法 | |
CN111860587A (zh) | 一种用于图片小目标的检测方法 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN111985432B (zh) | 一种基于贝叶斯定理和自适应权值调整的多模态数据融合方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN111160479A (zh) | 一种焊点识别方法 |
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 |