CN111325101A - 基于卫星图像的液化天然气储罐检测方法及装置、设备 - Google Patents
基于卫星图像的液化天然气储罐检测方法及装置、设备 Download PDFInfo
- Publication number
- CN111325101A CN111325101A CN202010071400.7A CN202010071400A CN111325101A CN 111325101 A CN111325101 A CN 111325101A CN 202010071400 A CN202010071400 A CN 202010071400A CN 111325101 A CN111325101 A CN 111325101A
- Authority
- CN
- China
- Prior art keywords
- storage tank
- target frame
- natural gas
- liquefied natural
- satellite
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V10/40—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
- Filling Or Discharging Of Gas Storage Vessels (AREA)
Abstract
本发明实施例公开一种基于卫星图像的液化天然气储罐检测方法及装置、设备,其中方法包括如下步骤:采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框;基于液化天然气分类模型对目标框进行分类,确定目标框中的储罐类型。采用本发明,通过训练模型的感受野,对卫星图进行检测识别,可以提高识别目的地储罐类型的准确性,进而可以有效地判别任一地点是否为目标点。
Description
技术领域
本发明涉及危化品运输技术领域,尤其涉及一种基于卫星图像的液化天然气储罐检测方法及装置、设备。
背景技术
危化品运输是一种特殊的商业运输活动,在经济活动中尤其是工业生产中具有不可替代的地位,例如,液化天然气的商业运输和调配。因此,解决如何合理的调度危化品运输,就能够产生巨大的社会价值和经济价值。针对这个问题,会面临三个必须的前序问题:如何有效地判别危化品车辆、如何有效地判别目标点、如何建立车辆-目标点的映射关系,使得效益最大化。
卫星图片可以清晰的拍到地面上大道山脉河流小到房子车辆等物体,且卫星图片覆盖面广、容量大、能迅速真实地交流情报、拍摄不受地理及气候等条件的限制。鉴于卫星图片的优点,可以利用卫星图片识别不同目的地的液化天然气运输储罐,进而判别该地是否为目标点。
发明内容
本发明实施例提供一种基于卫星图像的液化天然气储罐检测分析方法及装置、设备,通过采用预先训练的模型可以检测出卫星图中的目标框,再对框中的储罐进行分类识别,可以准确地识别目的地的液化天然气储罐。
本发明实施例第一方面提供了一种基于卫星图像的液化天然气储罐检测方法,可包括:
采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框;
基于液化天然气分类模型对目标框进行分类,确定目标框中的储罐类型。
进一步的,方法还包括:
利用液化天然气储罐的多尺度特征训练储罐检测模型。
进一步的,采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框,包括:
基于储罐检测模型的感受野扫描待测卫星图的每一像素,确定包含储罐的目标框的坐标位置,并根据坐标位置计算目标框的大小;
基于感受野从待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定待测卫星图中的所有目标框。
进一步的,方法还包括:
基于CNN网络训练液化天然气分类模型。
进一步的,方法还包括:
采用K-mens算法聚类得到储罐检测模型和/或液化天然气分类模型中储罐的预选框尺寸。
本发明实施例第二方面提供了一种基于卫星图像的液化天然气储罐检测装置,可包括:
目标框确定模块,用于采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框;
储罐分类确定模块,用于基于液化天然气分类模型对目标框进行分类,确定目标框中的储罐类型。
进一步的,装置还包括:
检测模型训练模块,用于利用液化天然气储罐的多尺度特征训练储罐检测模型。
进一步的,目标框确定模块包括:
目标框大小计算单元,用于基于储罐检测模型的感受野扫描待测卫星图的每一像素,确定包含储罐的目标框的坐标位置,并根据坐标位置计算目标框的大小;
目标框确定单元,用于基于感受野从待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定待测卫星图中的所有目标框。
进一步的,装置还包括:
分类模型训练模块,用于基于CNN网络训练液化天然气分类模型。
进一步的,装置还包括:
标注框聚类模块,用于采用K-mens算法聚类得到储罐检测模型和/或液化天然气分类模型中储罐的预选框尺寸。
本发明实施例第三方面提供了一种计算机设备,该设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方面所述的基于卫星图像的液化天然气储罐检测方法。
本发明实施例第四方面提供了一种计算机存储介质,该计算机存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述方面所述的基于卫星图像的液化天然气储罐检测方法。
在本发明实施例中,基于储罐的样本数据在模型训练时得到储罐的预选框尺寸,提高了识别目的地储罐类型的准确性,进而保证了判别任一地点是否为目标点的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明实施例提供的一种基于卫星图像的液化天然气储罐检测方法的流程示意图;
图2是本发明实施例提供的标注目标框的卫星图;
图3是本发明实施例提供的液化天然气分类网络构建中block细节图;
图4是本发明实施例提供的另一种基于卫星图像的液化天然气储罐检测方法的流程示意图;
图5是本发明实施例提供的一种基于卫星图像的液化天然气储罐检测装置的结构示意图;
图6是本发明实施例提供的目标框确定模块的结构示意图;
图7是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。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。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含,术语“第一”和“第二”仅是为了区别命名,并不代表数字的大小或者排序。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
需要说明的是,本申请提供的基于卫星图像的液化天然气储罐检测方法可以应用于液化天然气运输和调配的应用场景,也可以应用于类似的燃油等其他危化品的运输调配中。
本发明实施例中,基于卫星图像的液化天然气储罐检测方法可以应用于计算机设备中,该计算机设备可以是平板电脑、PC(Personal Computer,个人计算机)等终端,也可以是其它具备计算处理能力的电子设备。
在本申请的第一个实施例中,如图1所示,基于卫星图像的液化天然气储罐检测方法至少可以包括以下几个步骤:
S101,采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框。
在一种实现方式中,在进行液化天然气储罐检测之前,设备可以基于预先采集的不同储罐的样本数据训练一个储罐检测模型,在训练该模型时,可以提取液化天然气储罐的多尺度特征,然后采用YOLOv3算法利用上述多尺度特征训练储罐检测模型。需要说明的是,在模型训练中可以采用K-mens算法聚类得到不同类型储罐的预选框(bounding box)尺寸。需要说明的是,模型检测识别后标注在卫星图上的目标框的大小与特征图的大小以及预选框的参数设置有关,而特征图的大小又影响感受野的大小,因此可以认为目标框的大小与感受野的大小和预选框的参数设置相关。可以理解的是,当原始图像较小时,图像的分辨率小,经过多次卷积后的特征图对应的感受野较大,从而可以检测到图像中较大的物体。
具体实现中,设备可以采用训练好的储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框,图2为本申请中标注出目标框的卫星图。其中的待测卫星图可以是针对某个目的地拍摄的卫星图。需要说明的是,训练用的样本卫星图上均有标记好的目标值,来圈定储罐的坐标、类型等特征(如,xmin、ymin、xmax、ymax、tank_type),模型训练时通过不断优化模型使预测值接近目标值,以达到最优的检测模型。
在本申请实施例中,将待测卫星图检测的预测过程称为目标框的回归,即目标框的确定过程。
S102,基于液化天然气分类模型对目标框进行分类,确定目标框中的储罐类型。
具体实现中,在确定出包含储罐的目标框后,设备可以基于液化天然气分类模型对目标框进行分类,识别出目标框中储罐的类型。
在一种优选的实现方式中,设备可以基于CNN网络训练液化天然气分类模型,并采用该模型识别储罐的类型。优选的,模型的训练和识别过程为:依次级联多个尺寸和卷积核的block(block细节图如图3所示),再将级联后的block接入fc层,进行softmax分类,从而对上述目标框进行分类,识别出其中的储罐。
需要说明的是,在训练分类模型时,设备也可以根据不同储罐的型号等特征训练储罐的预选框的尺寸。
在本申请的第二个实施例中,如图4所示,基于卫星图像的液化天然气储罐检测方法至少可以包括以下几个步骤:
S201,基于液化天然气储罐的特征训练储罐检测模型。
需要说明的是,由于液化天然气储罐的类型是可以枚举的,在训练储罐检测模型时,可以将不同类型的储罐特征为模型训练的参数,训练出的检测模型相对于不同类型的储罐具有不同的预选框尺寸。
在一种优选的实现方式中,设备可以采用K-mens算法聚类得到储罐检测模型中的预选框尺寸。
S202,基于储罐检测模型的感受野扫描待测卫星图的每一像素,确定包含储罐的目标框的坐标位置,并根据坐标位置计算目标框的大小。
具体实现中,训练好的检测模型具有识别目标框的能力,模型能通过感受野扫描图片的每一个像素,然后给出目标框的坐标位置。进一步的,在确定目标框的作为位置后,可以根据坐标位置计算出目标框的大小,例如,知道目标框四个顶点的坐标后,可以计算出其大小。
S203,基于感受野从待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定待测卫星图中的所有目标框。
需要说明的是,一张卫星图中可能含有多个储罐,设备可以在卫星图全尺度上设置滑动窗口,并基于感受野从待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定待测卫星图中的所有目标框。例如,待测卫星图片为300*300像素大小,采用9个不同像素大小的锚点框(anchor box)(3*3,6*6,9*9等,都是有一定特征的,或是行业经验值),用3*3举例,感受野从图片坐标(0,0)点观察图像,从左至右,上到下,每一像素观察一次生成一个结果,直到整个图片观察结束。
S204,基于CNN网络训练液化天然气分类模型。
在一种优选的实现方式中,设备可以采用K-mens算法聚类得到液化天然气分类模型中的预选框的大小。
S205,基于液化天然气分类模型对目标框进行分类,确定目标框中的储罐类型。
在本发明实施例中,用于检测或分类的模型在训练时都训练了预选框尺寸,提高了识别目的地储罐类型的准确性,进而保证了判别任一地点是否为目标点的可靠性。
下面将结合附图5和附图6,对本发明实施例提供的基于卫星图像的液化天然气储罐检测装置进行详细介绍。需要说明的是,附图5和附图6所示的天然气储罐检测装置,用于执行本发明图1-图4所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明图1-图4所示的实施例。
请参见图5,为本发明实施例提供了一种基于卫星图像的液化天然气储罐检测装置的结构示意图。如图5所示,本发明实施例的天然气储罐检测装置10可以包括:目标框确定模块101、储罐分类确定模块102、检测模型训练模块103、分类模型训练模块104和标注框聚类模块105。其中,目标框确定模块101如图6所示,包括目标框大小计算单元1011和目标框确定单元1012。
检测模型训练模块103,用于利用液化天然气储罐的多尺度特征训练储罐检测模型。
目标框确定模块101,用于采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框。
在可选实施例中,目标框确定模块101包括:
目标框大小计算单元1011,用于基于储罐检测模型的感受野扫描待测卫星图的每一像素,确定包含储罐的目标框的坐标位置,并根据坐标位置计算目标框的大小。
目标框确定单元1012,用于基于感受野从待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定待测卫星图中的所有目标框。
分类模型训练模块104,用于基于CNN网络训练液化天然气分类模型。
储罐分类确定模块102,用于基于液化天然气分类模型对目标框进行分类,确定目标框中的储罐类型。
标注框聚类模块105,用于采用K-mens算法聚类得到储罐检测模型和液化天然气分类模型中的预选框尺寸。
需要说明的是,本实施例中各单元和模块详细执行过程可以参见上述方法实施例中的描述,此处不再赘述。
在本发明实施例中,用于检测或分类的模型在训练时都训练了感受野,提高了识别目的地储罐类型的准确性,进而保证了判别任一地点是否为目标点的可靠性。
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1-图4所示实施例的方法步骤,具体执行过程可以参见图1-图4所示实施例的具体说明,在此不进行赘述。
本申请实施例还提供了一种计算机设备。如图7所示,计算机设备20可以包括:至少一个处理器201,例如CPU,至少一个网络接口204,用户接口203,存储器205,至少一个通信总线202,可选地,还可以包括显示屏206。其中,通信总线202用于实现这些组件之间的连接通信。其中,用户接口203可以包括触摸屏、键盘或鼠标等等。网络接口204可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通过网络接口204可以与服务器建立通信连接。存储器205可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器,存储器205包括本发明实施例中的flash。存储器205可选的还可以是至少一个位于远离前述处理器201的存储***。如图7所示,作为一种计算机存储介质的存储器205中可以包括操作***、网络通信模块、用户接口模块以及程序指令。
需要说明的是,网络接口204可以连接接收器、发射器或其他通信模块,其他通信模块可以包括但不限于WiFi模块、蓝牙模块等,可以理解,本发明实施例中计算机设备也可以包括接收器、发射器和其他通信模块等。
处理器201可以用于调用存储器205中存储的程序指令,并使计算机设备20执行以下操作:
采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框。
基于液化天然气分类模型对目标框进行分类,确定目标框中的储罐类型。
在一些实施例中,设备20还用于:
利用液化天然气储罐的多尺度特征训练储罐检测模型。
在一些实施例中,设备20在采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框时,具体用于:
基于储罐检测模型的感受野扫描待测卫星图的每一像素,确定包含储罐的目标框的坐标位置,并根据坐标位置计算目标框的大小。
基于感受野从待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定待测卫星图中的所有目标框。
在一些实施例中,设备20还用于:
基于CNN网络训练液化天然气分类模型。
在一些实施例中,设备20还用于:
采用K-mens算法聚类得到储罐检测模型和/或液化天然气分类模型中储罐的预选框尺寸。
在本发明实施例中,用于检测或分类的模型在训练时都训练了储罐的预选框尺寸,提高了识别目的地储罐类型的准确性,进而保证了判别任一地点是否为目标点的可靠性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于卫星图像的液化天然气储罐检测方法,其特征在于,包括:
采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框;
基于液化天然气分类模型对所述目标框进行分类,确定所述目标框中的储罐类型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用液化天然气储罐的多尺度特征训练储罐检测模型。
3.根据权利要求2所述的方法,其特征在于,所述采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框,包括:
基于所述储罐检测模型的感受野扫描待测卫星图的每一像素,确定包含储罐的目标框的坐标位置,并根据所述坐标位置计算所述目标框的大小;
基于所述感受野从所述待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定所述待测卫星图中的所有目标框。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于CNN网络训练液化天然气分类模型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用K-mens算法聚类得到所述储罐检测模型和/或所述液化天然气分类模型中储罐的预选框尺寸。
6.一种基于卫星图像的液化天然气储罐检测装置,其特征在于,包括:
目标框确定模块,用于采用储罐检测模型在待测卫星图上做目标框回归,确定包含储罐的目标框;
储罐分类确定模块,用于基于液化天然气分类模型对所述目标框进行分类,确定所述目标框中的储罐类型。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
检测模型训练模块,用于利用液化天然气储罐的多尺度特征训练储罐检测模型。
8.根据权利要求7所述的装置,其特征在于,所述目标框确定模块包括:
目标框大小计算单元,用于基于所述储罐检测模型的感受野扫描待测卫星图的每一像素,确定包含储罐的目标框的坐标位置,并根据所述坐标位置计算所述目标框的大小;
目标框确定单元,用于基于所述感受野从所述待测卫星图的原点坐标处开始滑动,直至扫过每个像素后确定所述待测卫星图中的所有目标框。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至5任一项所述的基于卫星图像的液化天然气储罐检测方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至5任一项所述的基于卫星图像的液化天然气储罐检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071400.7A CN111325101A (zh) | 2020-01-21 | 2020-01-21 | 基于卫星图像的液化天然气储罐检测方法及装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071400.7A CN111325101A (zh) | 2020-01-21 | 2020-01-21 | 基于卫星图像的液化天然气储罐检测方法及装置、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325101A true CN111325101A (zh) | 2020-06-23 |
Family
ID=71163260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010071400.7A Pending CN111325101A (zh) | 2020-01-21 | 2020-01-21 | 基于卫星图像的液化天然气储罐检测方法及装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325101A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160104058A1 (en) * | 2014-10-09 | 2016-04-14 | Microsoft Technology Licensing, Llc | Generic object detection in images |
US20180039885A1 (en) * | 2016-08-04 | 2018-02-08 | International Business Machines Corporation | Satellite-based location identification of methane-emitting sites |
CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其*** |
US20180232900A1 (en) * | 2016-04-08 | 2018-08-16 | Orbital Insight, Inc. | Remote determination of containers in geographical region |
CN108491757A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于多尺度特征学习的光学遥感图像目标检测方法 |
US20180336693A1 (en) * | 2017-05-19 | 2018-11-22 | Kayrros | Method and system for remotely measuring the volume of liquid stored in external floating roof tanks |
CN110020676A (zh) * | 2019-03-18 | 2019-07-16 | 华南理工大学 | 基于多感受野深度特征的文本检测方法、***、设备及介质 |
CN110516606A (zh) * | 2019-08-28 | 2019-11-29 | 北京观微科技有限公司 | 高分辨率卫星影像任意方向舰船目标检测方法 |
-
2020
- 2020-01-21 CN CN202010071400.7A patent/CN111325101A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160104058A1 (en) * | 2014-10-09 | 2016-04-14 | Microsoft Technology Licensing, Llc | Generic object detection in images |
US20180232900A1 (en) * | 2016-04-08 | 2018-08-16 | Orbital Insight, Inc. | Remote determination of containers in geographical region |
US20180039885A1 (en) * | 2016-08-04 | 2018-02-08 | International Business Machines Corporation | Satellite-based location identification of methane-emitting sites |
US20180336693A1 (en) * | 2017-05-19 | 2018-11-22 | Kayrros | Method and system for remotely measuring the volume of liquid stored in external floating roof tanks |
CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其*** |
CN108491757A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于多尺度特征学习的光学遥感图像目标检测方法 |
CN110020676A (zh) * | 2019-03-18 | 2019-07-16 | 华南理工大学 | 基于多感受野深度特征的文本检测方法、***、设备及介质 |
CN110516606A (zh) * | 2019-08-28 | 2019-11-29 | 北京观微科技有限公司 | 高分辨率卫星影像任意方向舰船目标检测方法 |
Non-Patent Citations (4)
Title |
---|
刘贵阳;李盛阳;邵雨阳;: "卫星视频中目标的快速检测算法研究" * |
李策;张亚超;蓝天;杜少毅;: "一种高分辨率遥感图像视感知目标检测算法" * |
王凯 等: "基于改进Faster R-CNN图像小目标检测" * |
邓志鹏;孙浩;雷琳;周石琳;邹焕新;: "基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067003B (zh) | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 | |
CN110390666B (zh) | 道路损伤检测方法、装置、计算机设备及存储介质 | |
EP3899508A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
CN111428717B (zh) | 文本识别方法、装置、电子设备及计算机可读存储介质 | |
CN111797821B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN113269500B (zh) | 一种基于神经网络的冷链物流监控方法及*** | |
CN110598784A (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN112307989B (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
CN116167596B (zh) | 一种基于大数据的配送路径分析方法及*** | |
US11423611B2 (en) | Techniques for creating, organizing, integrating, and using georeferenced data structures for civil infrastructure asset management | |
CN108629310B (zh) | 一种工程管理监督方法及装置 | |
CN111815576A (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN112001963A (zh) | 消防通道的排查的方法、***和计算机设备 | |
CN112794274B (zh) | 一种油罐车底部装油口安全监控方法及*** | |
Cossu et al. | SAR-based seismic damage assessment in urban areas: scaling down resolution, scaling up computational performance | |
CN113496212A (zh) | 箱式结构的文本识别方法、装置及电子设备 | |
CN111325101A (zh) | 基于卫星图像的液化天然气储罐检测方法及装置、设备 | |
CN117007600A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN115311237A (zh) | 一种图像检测方法、装置及电子设备 | |
CN115423798A (zh) | 缺陷识别方法、装置、计算机设备、存储介质和计算机程序产品 | |
CN114972500A (zh) | 查验方法、标注方法、***、装置、终端、设备及介质 | |
CN114399657A (zh) | 车辆检测模型训练方法、装置、车辆检测方法及电子设备 | |
CN114972931A (zh) | 一种基于知识蒸馏的货物存放方法及装置 | |
CN114332016A (zh) | 设备屏幕光斑检测方法及装置 | |
CN114708214A (zh) | 一种烟盒缺陷检测方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220629 Address after: 201306 C Building, 888 Huanhu West Second Road, Pudong New Area, Shanghai Applicant after: Zhonghaifu Information Technology Co.,Ltd. Address before: 200131 room 8-26, floor 8, building 2, No. 115, futexi 1st Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant before: Shanghai Zhonghuan Energy Technology Co.,Ltd. |