CN111383219B - 一种智能检测高空作业平台设备清洁度的方法及*** - Google Patents

一种智能检测高空作业平台设备清洁度的方法及*** Download PDF

Info

Publication number
CN111383219B
CN111383219B CN202010169549.9A CN202010169549A CN111383219B CN 111383219 B CN111383219 B CN 111383219B CN 202010169549 A CN202010169549 A CN 202010169549A CN 111383219 B CN111383219 B CN 111383219B
Authority
CN
China
Prior art keywords
pollutant
model
module
cleanliness
main body
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.)
Active
Application number
CN202010169549.9A
Other languages
English (en)
Other versions
CN111383219A (zh
Inventor
王艺
宋丽娜
贾高阳
杨婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Joint Digital Technology Co ltd
Original Assignee
Joint Digital Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Joint Digital Technology Co ltd filed Critical Joint Digital Technology Co ltd
Priority to CN202010169549.9A priority Critical patent/CN111383219B/zh
Publication of CN111383219A publication Critical patent/CN111383219A/zh
Application granted granted Critical
Publication of CN111383219B publication Critical patent/CN111383219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • 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
    • G06V2201/08—Detecting or categorising vehicles

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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种智能检测高空作业平台设备清洁度的方法及***，根据已有图片对污染物轮廓进行标注并生成标签文件；建立包含主体识别模块与污染物分类模块的全卷积网络；训练模型后采集高空作业平台设备各位置照片输入模型；最终识别区分主体和背景，并得到各像素污染物种类，并据此计算污染面积、清洁度和清洁时长。本发明采用网格化标注的思路，利用实际场景中污染物种类的局部单一性，同时对污染物的轮廓边缘采用模糊处理的办法，提高了污染物识别精度，从而实现高空作业平台设备外观污染程度及清洁时长的智能识别，自动完成设备清洁效果检核，减少人工验收工作量，提升工作效率。

Description

一种智能检测高空作业平台设备清洁度的方法及***
技术领域
本发明属于图像识别技术领域，涉及一种智能检测高空作业平台设备清洁度的方法及***。
背景技术
在现代工业行业中，高空作业平台设备能够发挥巨大的作用。在日常设备维护工作中，清洁是必不可少的一项，这直接关系到设备能否持续正常运行。由于高空作业平台设备位置较高，清洁较为费时费力，通常采用定期清洁方式或用人工采集汇报设备状况后清洁的模式。但前者可能在不需要清洁时浪费资源，而后者无法避免人为误差。如能够应用人工智能对高空作业平台设备进行自动判断识别，则能有效解决上述问题。
随着人工智能理论和技术日益成熟，研究及应用领域不断扩大，包括机器人、语言识别、图像识别、自然语言处理和专家***等。通过分析，我们认为图像识别的方式，可能应用于高空作业平台设备清洁度识别中。目前业内尚无可应用的相关方法。
发明内容
为解决上述问题，本发明公开了一种智能检测高空作业平台设备清洁度的方法及***，能够智能识别高空作业平台的的污染物，并据此计算得到清洁时长。
为了达到上述目的，本发明提供如下技术方案：
一种智能检测高空作业平台设备清洁度的方法，包括如下步骤：
步骤1，数据标注与机器学习
基于已有的高空作业设备图片，标注图片特征，标注主体、污染物轮廓和污染物类型，将污染物轮廓图进行网格化，计算每个网格中污染物的面积并进行判断，当一格中污染物面积小于第一阈值时，则标记污染物种类为干净且该网格标记为主体，大于第二阈值则标记具体的污染物种类且该网格标记为主体，如面积处于第一阈值到第二阈值之间，标记污染物种类为0且该网格标记为主体；将非主体部分的网格标记为非主体；
步骤2，模型设计
使用全卷积网络模型，在模型底部特征层加入主体识别模块与污染物分类模块，污染物分类模块采用一个1X1的卷积层；主体识别模块包括一个下采样单元和与其连接的上采样单元；
步骤3，对模型进行训练
将处理后的标签图像输入到模型中进行训练；主体识别模块采用带有mask的facal_loss实现；污染物分类模块使用带有mask的交叉熵损失函数实现；
步骤4，采集高空作业平台设备各位置照片，并实时识别设备图片合规性，当不合规时进行对应的错误提示；
步骤5，对模型输入数据，得到相应的输出
将步骤4采集到的图片处理成合适大小的rgb三通道图像，并向模型输入；得到的模型输出为矩阵，每一个像素点对应原图中一个区域，通过多通道预测了该区域的识别结果；最终识别区分主体和背景，并得到各像素污染介质的种类。
进一步的，还包括步骤6，计算当前车身清洁度及清洁时长，公式如下：
单侧车身清洁时长＝污染物介质清洁系数*污染面积*锈蚀系数
计算总清洁时长为各侧车身清洁时长之和。
进一步的，所述步骤1中，第一阈值为0.3，第二阈值为0.7。
进一步的，所述步骤4中训练策略包括数据增强和学习率衰减。
进一步的，所述步骤5中，向模型输入的是大小320X320的rgb三通道图像；得到的模型输出为10X10X6的矩阵，每一个像素点对应原图中一个32X32区域，采用六个通道预测了该区域的识别结果；其中，第1个通道是主体识别的置信度；第2、3、4、5、6通道分别对应下列污染情况：干净、灰尘粉尘、水泥砂浆、涂料油漆、掉漆锈蚀，选取其中最大值所对应的污染物种类。
进一步的，所述步骤6中，污染面积＝污染物对应的网格总数/主体对应的网格总数。
进一步的，所述步骤6中，总清洁时长具体计算公式如下：
总清洁时长＝爬梯侧车身清洁时长+爬梯左侧车身清洁时长+正前侧车身清洁时长+爬梯右侧清洁时长+顶部平台清洁时长。
本发明还提供了智能检测高空作业平台设备清洁度的***，包括：数据标注与机器学***台设备各位置照片，并检查设备图片合规性；模型设计模块用于建立包含主体识别模块与污染物分类模块的全卷积网络；模型训练模块用于训练模型设计模块得到的模型；模型输入输出模块用于向训练好的模型输入数据并获取输出结果；清洁度计算模块，用于根据模型输入输出模块得到的结果计算清洁度和清洁时长。
与现有技术相比，本发明具有如下优点和有益效果：
本发明采用网格化标注的思路，利用实际场景中污染物种类的局部单一性，同时对污染物的轮廓边缘采用模糊处理的办法，提高了污染物识别精度，能够有效识别车身不同污染物及其面积，基于此输出清洁度及清洁时长的规则；从而实现高空作业平台设备外观污染程度及清洁时长的智能识别，自动完成设备清洁效果检核，减少人工验收工作量，提升工作效率。
附图说明
图1为本发明流程图。
图2为污染物轮廓标注图。
图3为污染物轮廓网格示意图，其中a为网格化后的轮廓标注图，b为根据污染物在网格化后每格中占据的面积，利用双阈值计算后的结果图。
图4为本发明采用的全卷积网络模型示意图。
图5为模型训练过程中的更新学习率曲线示意图，横坐标是训练的步长。纵坐标是训练模型中每步用到的学习率。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
一种智能检测高空作业平台设备清洁度的方法，包括如下步骤
步骤1，数据标注与机器学习
首先设计机器学习模型，输入***中已有的大量高空作业设备图片，通过对设备外观属性的标注(人工标注)，辅助计算机学习及识别。在得到辅助标注数据的基础上，进一步训练模型，通过对图片中污染物介质及污染面积的标注，辅助AI识别污染物及污染面积。
具体的说，标注过程分为主体标注和污染物标注：
A污染物轮廓标注：通过软件labelme人工标注出污染物轮廓如图2所示，同时标注污染物的类型，有污染物的位置(即污染物轮廓及轮廓内的部分)亦属于主体部分，即具备主体标注；
B生成标签文件：将原图按照32X32(像素)网格化，如图3所示。计算每个网格中污染物的面积，如一格中污染物面积小于0.3(即污染物面积占网格面积比小于30％)，则标记为干净，且该网格是有主体的，对应到蒙版2Mask标记为1(蒙版2Mask标记为两类：1为有主体、0为没有主体)；大于0.7则标记为该污染物(该污染物即步骤A标注出的污染物类型)，且该网格是有主体的，对应到蒙版2Mask标记为1；如面积处于0.3到0.7之间，对应到污染物种类蒙版1Mask标记为0(污染物种类蒙版1Mask标记为六类：干净、灰尘粉尘、水泥砂浆、涂料油漆、掉漆锈蚀、其他(0))，表示无法判断该网络是否具有人工标记的污染物，无法准确判断，但该网格是有主体的，对应到蒙版2Mask标记为1。同时对非主体部分(即步骤A中未具有主体标注的部分)对应到蒙版2Mask标记为0。
步骤2，模型设计(网络结构)
使用全卷积网络模型(FCN)，但在底部特征层再加入两个功能结构(主体识别模块与污染物分类模块)，如图4所示。污染物识别更注重局部特征，用一个1X1的卷积层直接对污染物进行分类。主体识别更注重全局特征，因此主体识别模块包括一个下采样单元和一个上采样单元，所以进行一次下采样之后，再上采样实现(类似Unet结构)，此部分有效增加了模型对任意场景的适用性。
步骤3，对模型进行训练
将处理后的标签图像输入到模型中进行训练；主体识别模块采用带有mask的facal_loss；污染物分类模块使用带有mask的交叉熵损失函数。
训练策略：
A、在模型训练之前进行数据增强(旋转，镜像，裁剪，加噪)
B、在模型训练过程中采用学习率衰减策略
步骤4，利用智能AI相机拍摄高空作业平台设备各位置照片，并实时识别设备图片合规性，包含是否符合拍摄标准，包含是否倾斜、完整、清晰，界面，界面实时提示是否检测到目标，并进行对应的错误提示，辅助人工拍摄，为图像的进一步识别应用做基础。
步骤5，对模型输入数据，得到相应的输出
向模型输入步骤4得到的图像(应处理成大小320X320(像素)的rgb三通道图像)；得到的模型输出为10X10X6的矩阵，每一个像素点对应原图中一个32X32区域，六个通道则预测了该区域的识别结果。其中，第1个通道是主体识别的置信度，其值大于0.5判定为主体，小于0.5判定该区域为背景；第2、3、4、5、6通道分别对应下列污染情况：干净、灰尘粉尘、水泥砂浆、涂料油漆、掉漆锈蚀，选取各通道输出的最大值所对应的污染物种类作为该通道的污染物输出种类。
通过模型输出，最终得到每个像素点的污染物种类。
在现有的污染物识别的算法中，只能对单一的污染物图像有较好的识别结果，但在实际应用中，各类污染物混杂的情况更为常见，若使用检测算法，则又会出现标注困难，甚至无法标注的问题。本方法采用网格化标注的思路，利用实际场景中污染物种类的局部单一性，同时对污染物的轮廓边缘采用模糊处理的办法，解决了标注困难的问题。提高了污染物识别精度。
共采用了700张标注数据，按0.6，0.2，0.2划分训练集、验证集和测试集，经过300epoch的迭代，选取验证集中最优模型进行测试，测试中主体识别精度达到96.7％，污染物识别精度达到76.2％。在以往的污染物识别模型中，污染物识别精度仅有68.1％。
步骤6，通过污染物介质、污染面积，综合其他维度因子，如锈蚀程度、用途等，计算当前车身清洁度及清洁时长。公式如下：
污染物面积＝污染物对应的网格总数/主体对应的网格总数
单侧车身清洁时长＝污染物介质清洁系数*污染面积*锈蚀系数
其中，污染物介质清洁系数和锈蚀系数均应事先设定。当单侧车身具有多种污染物时，应针对各污染物，将该种污染物面积与锈蚀系数、该污染物清洁系数相乘得到该种污染清洁时长，并将单侧车身上具备的各种污染物清洁时长相加。
总清洁时长＝爬梯侧车身清洁时长+爬梯左侧车身清洁时长+正前侧车身清洁时长+爬梯右侧清洁时长+顶部平台清洁时长。
本发明还提供了智能检测高空作业平台设备清洁度的***，能够实现上述方法，该***包括数据标注与机器学***台设备各位置照片，并检查设备图片合规性，即实现步骤2内容；模型设计模块，用于建立包含主体识别模块与污染物分类模块的全卷积网络，即实现步骤3内容；模型训练模块，用于训练模型，即实现步骤4内容；模型输入输出模块，用于向训练好的模型输入数据并获取输出结果，即实现步骤5内容；清洁度计算模块，用于计算清洁度和清洁时长，即实现步骤6内容。本***采用计算机软件技术实现。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种智能检测高空作业平台设备清洁度的方法，其特征在于，包括如下步骤：
步骤1，数据标注与机器学习
基于已有的高空作业设备图片，标注图片特征，标注主体、污染物轮廓和污染物类型，将污染物轮廓图进行网格化，计算每个网格中污染物的面积并进行判断，当一格中污染物面积小于第一阈值时，则标记污染物种类为干净且该网格标记为主体，大于第二阈值则标记具体的污染物种类且该网格标记为主体，如面积处于第一阈值到第二阈值之间，标记污染物种类为0且该网格标记为主体；将非主体部分的网格标记为非主体；
步骤2，模型设计
使用全卷积网络模型，在模型底部特征层加入主体识别模块与污染物分类模块，污染物分类模块采用一个1X1的卷积层；主体识别模块包括一个下采样单元和与其连接的上采样单元；
步骤3，对模型进行训练
将处理后的标签图像输入到模型中进行训练；主体识别模块采用带有mask的facal_loss实现；污染物分类模块使用带有mask的交叉熵损失函数实现；
步骤4，采集高空作业平台设备各位置照片，并实时识别设备图片合规性，当不合规时进行对应的错误提示；
步骤5，对模型输入数据，得到相应的输出
将步骤4采集到的图片处理成合适大小的rgb三通道图像，并向模型输入；得到的模型输出为矩阵，每一个像素点对应原图中一个区域，通过多通道预测了该区域的识别结果；最终识别区分主体和背景，并得到各像素污染介质的种类。
2.根据权利要求1所述的智能检测高空作业平台设备清洁度的方法，其特征在于，还包括步骤6，计算当前车身清洁度及清洁时长，公式如下：
单侧车身清洁时长＝污染物介质清洁系数*污染面积*锈蚀系数
其中，污染面积通过下式计算：
污染面积＝污染物对应的网格总数/主体对应的网格总数
计算总清洁时长为各侧车身清洁时长之和。
3.根据权利要求1或2所述的智能检测高空作业平台设备清洁度的方法，其特征在于，所述步骤1中，第一阈值为0.3，第二阈值为0.7。
4.根据权利要求1或2所述的智能检测高空作业平台设备清洁度的方法，其特征在于，所述步骤4中训练策略包括数据增强和学习率衰减。
5.根据权利要求1或2所述的智能检测高空作业平台设备清洁度的方法，其特征在于，所述步骤5中，向模型输入的是大小320X320的rgb三通道图像；得到的模型输出为10X10X6的矩阵，每一个像素点对应原图中一个32X32区域，采用六个通道预测了该区域的识别结果；其中，第1个通道是主体识别的置信度；第2、3、4、5、6通道分别对应下列污染情况：干净、灰尘粉尘、水泥砂浆、涂料油漆、掉漆锈蚀，选取其中最大值所对应的污染物种类。
6.根据权利要求2所述的智能检测高空作业平台设备清洁度的方法，其特征在于，所述步骤6中，污染面积＝污染物对应的网格总数/主体对应的网格总数。
7.根据权利要求2所述的智能检测高空作业平台设备清洁度的方法，其特征在于，所述步骤6中，总清洁时长具体计算公式如下：
总清洁时长＝爬梯侧车身清洁时长+爬梯左侧车身清洁时长+正前侧车身清洁时长+爬梯右侧清洁时长+顶部平台清洁时长。
8.一种智能检测高空作业平台设备清洁度的***，其特征在于，用于实现权利要求1-7所述的任意一项智能检测高空作业平台设备清洁度的方法，包括：数据标注与机器学***台设备各位置照片，并检查设备图片合规性；模型设计模块用于建立包含主体识别模块与污染物分类模块的全卷积网络；模型训练模块用于训练模型设计模块得到的模型；模型输入输出模块用于向训练好的模型输入数据并获取输出结果；清洁度计算模块，用于根据模型输入输出模块得到的结果计算清洁度和清洁时长。
CN202010169549.9A 2020-03-12 2020-03-12 一种智能检测高空作业平台设备清洁度的方法及*** Active CN111383219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010169549.9A CN111383219B (zh) 2020-03-12 2020-03-12 一种智能检测高空作业平台设备清洁度的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010169549.9A CN111383219B (zh) 2020-03-12 2020-03-12 一种智能检测高空作业平台设备清洁度的方法及***

Publications (2)

Publication Number Publication Date
CN111383219A CN111383219A (zh) 2020-07-07
CN111383219B true CN111383219B (zh) 2020-12-01

Family

ID=71218704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010169549.9A Active CN111383219B (zh) 2020-03-12 2020-03-12 一种智能检测高空作业平台设备清洁度的方法及***

Country Status (1)

Country Link
CN (1) CN111383219B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307962A (zh) * 2020-10-30 2021-02-02 成都福立盟环保大数据有限公司 一种检测建筑垃圾运输车车厢外表泥土污物的方法
CN113962994B (zh) * 2021-12-21 2022-03-15 武汉智能兴运铁路配件有限公司 基于图像处理的三连杆上锁销清洁度检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5233199A (en) * 1991-07-15 1993-08-03 Fuji Electric Co., Ltd. Cylindrical container's inner surface tester
CN109165582A (zh) * 2018-08-09 2019-01-08 河海大学 一种城市街道垃圾检测和清洁度评估方法
CN109523013A (zh) * 2018-10-15 2019-03-26 西北大学 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法
CN110245697A (zh) * 2019-05-31 2019-09-17 厦门大学 一种表面脏污检测方法、终端设备及存储介质
CN110287955A (zh) * 2019-06-05 2019-09-27 北京字节跳动网络技术有限公司 目标区域确定模型训练方法、装置和计算机可读存储介质
US10540572B1 (en) * 2019-01-31 2020-01-21 StradVision, Inc. Method for auto-labeling training images for use in deep learning network to analyze images with high precision, and auto-labeling device using the same

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5233199A (en) * 1991-07-15 1993-08-03 Fuji Electric Co., Ltd. Cylindrical container's inner surface tester
CN109165582A (zh) * 2018-08-09 2019-01-08 河海大学 一种城市街道垃圾检测和清洁度评估方法
CN109523013A (zh) * 2018-10-15 2019-03-26 西北大学 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法
US10540572B1 (en) * 2019-01-31 2020-01-21 StradVision, Inc. Method for auto-labeling training images for use in deep learning network to analyze images with high precision, and auto-labeling device using the same
CN110245697A (zh) * 2019-05-31 2019-09-17 厦门大学 一种表面脏污检测方法、终端设备及存储介质
CN110287955A (zh) * 2019-06-05 2019-09-27 北京字节跳动网络技术有限公司 目标区域确定模型训练方法、装置和计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dynamic labeling algorithm design for electronic map;Yu Yongling et al.;《2010 IEEE International Conference on Software Engineering and Service Sciences》;20100718;435-437 *
标注自动布局的网格化方法;黄学良 等;《计算机辅助设计与图形学学报》;20080831;第20卷(第8期);1070-1077 *
装载机工作***液压油清洁度控制研究;程俊;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140630;C029-443 *

Also Published As

Publication number Publication date
CN111383219A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN113947590B (zh) 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法
CN111383219B (zh) 一种智能检测高空作业平台设备清洁度的方法及***
WO2023082418A1 (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN105023256A (zh) 一种图像去雾方法及***
CN113658132A (zh) 基于计算机视觉的结构件焊缝检测方法
CN111079631A (zh) 一种铁路货车钩提杆脱落故障识别方法及***
CN108596930A (zh) 基于天牛须算法和数学形态学的射线图像焊缝提取方法
CN111091548B (zh) 基于深度学习的铁路货车承载鞍错位故障图像识别方法及***
CN111079821A (zh) 一种脱轨自动制动拉环脱落故障图像识别方法
CN113689445B (zh) 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法
CN113065486A (zh) 适用于河道的漂浮物识别方法与***、设备、介质
CN111079628A (zh) 地板破损故障图像识别方法
CN114677601A (zh) 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法
CN115497015A (zh) 一种基于卷积神经网络的河流漂浮污染物识别方法
CN111540203B (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN106875430A (zh) 动态背景下基于固定形态的单一运动目标追踪方法和装置
CN104463104A (zh) 一种静态车辆目标快速检测方法及装置
CN116977909B (zh) 一种基于多模态数据的深度学习火灾强度识别方法及***
CN108446581A (zh) 一种恶劣环境中的无人机检测方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN103065296B (zh) 一种基于边缘特征的高分辨率遥感影像居民区提取方法
CN110458120B (zh) 一种复杂环境下不同车型识别方法及***
CN112115767B (zh) 基于Retinex和YOLOv3模型的隧道异物检测方法
CN111127450B (zh) 一种基于图像的桥梁裂缝检测方法及***
CN114648738A (zh) 一种基于物联网与边缘计算的图像识别***与方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method and System for Intelligent Inspection of Equipment Cleanliness of Aerial Work Platform

Effective date of registration: 20221219

Granted publication date: 20201201

Pledgee: Bank of China Limited by Share Ltd. Nanjing Jiangning branch

Pledgor: Joint Digital Technology Co.,Ltd.

Registration number: Y2022980028202

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20221228

Granted publication date: 20201201

Pledgee: Bank of China Limited by Share Ltd. Nanjing Jiangning branch

Pledgor: Joint Digital Technology Co.,Ltd.

Registration number: Y2022980028202

PC01 Cancellation of the registration of the contract for pledge of patent right