CN111652102A - 一种输电通道目标物辨识方法及*** - Google Patents
一种输电通道目标物辨识方法及*** Download PDFInfo
- Publication number
- CN111652102A CN111652102A CN202010462892.2A CN202010462892A CN111652102A CN 111652102 A CN111652102 A CN 111652102A CN 202010462892 A CN202010462892 A CN 202010462892A CN 111652102 A CN111652102 A CN 111652102A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- target object
- power transmission
- training set
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000037361 pathway Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提出了一种输电通道目标物辨识方法及***,包括:获取含有需要辨识的目标物的图像并作为训练集图像;对训练集图像进行不同目标物的标注;构建图像辨识深度学习网络,将标注后的图像输入该网络中,根据不同的目标物寻求最优网络参数,完成图像训练;将待测图像传输至训练后图像辨识深度学习网络,识别出图像中的目标物。在维持小计算量的情况下增加网络层数,提高了计算速度。
Description
技术领域
本公开属于图像识别技术领域,尤其涉及一种输电通道目标物辨识方 法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构 成在先技术。
高压输电线路是输送电能的主要设备,是电力***的重要组成部分。 输电线路一般需要穿越复杂的地理环境,并且线路本身结构比较复杂,一 旦输电线路通道出现故障,将对电力***稳定性产生恶劣的影响。因此, 输电通道危物目标检测至关重要。
发明人在研究中发现,传统的输电通道危物检测主要依靠人工现场巡 线,该方式受天气、地理环境、人员配备等因素限制,效率低、工作量大、 安全性差。
目前,输电线路图像在线监测***已大规模应用,通过图像监测、无 人机巡检技术来替代人工现场巡视,大大提高了检修工作的效率。但也产 生了新的问题,海量的图片基本处于搁置状态,无法发挥其输电通道危物 目标监测预警的实际作用。
早期对输电线路通道的危物识别主要是基于图像处理技术。这类技术 多是通过检测目标边缘轮廓进行识别,这类处理技术在实际应用中容易受 到天气、环境、光照等影响,准确性和有效性受限。
发明内容
为克服上述现有技术的不足,本公开提供了一种输电通道目标物辨识 方法,实现输电通道目标物准确识别。
为实现上述目的,本公开的一个或多个实施例提供了如下技术方案:
一方面,公开了一种输电通道目标物辨识方法,包括:
获取含有需要辨识的目标物的图像并作为训练集图像;
对训练集图像进行不同目标物的标注;
构建图像辨识深度学习网络,将标注后的图像输入该网络中,根据不 同的目标物寻求最优网络参数,完成图像训练;
将待测图像传输至训练后图像辨识深度学习网络,识别出图像中的目 标物。
进一步的技术方案,所述图像辨识深度学习网络通过Depthwise和 Pointwise两个步骤得到卷积层;
Depthwise对于不同输入通道采取不同的卷积核进行卷积,卷积核和通 道是一一对应的,再通过Pointwise卷积完成对Depthwise输出特征图的整 合。
进一步的技术方案,采用交并比聚类算法对标注后的图像进行聚类, 以产生的候选框与原标记框的交叠率,即它们的交集与并集的比值。
进一步的技术方案,根据不同的目标物寻求最优参数:
对每类目标物构建网络,设立初始学习率,衰减系数,训练迭代次数;
将标注好的图像输入卷积神经网络中,监控图像分为RGB三色通道提 取像素数据作为网络输入通过前向传播得到输出值,得到网络实际输出的 边界框位置与种类结果;
将网络实际输出结果与标注结果计算获得边界框回归损失函数和分类 损失函数值,采用反向传播方法求取误差梯度,以损失函数最小化为目标 对神经网络中的进行权值更新。
另一方面,公开了一种输电通道目标物辨识***,包括:
训练集图像获取模块,获取含有需要辨识的目标物的图像并作为训练 集图像;
标注模块,对训练集图像进行目标物标注;
图像训练模块,构建图像辨识深度学习网络,将标注后的图像输入该 网络中,根据不同的目标物寻求最优网络参数,完成图像训练;
识别模块,将待测图像传输至训练后图像辨识深度学习网络,识别出 图像中的目标物。
以上一个或多个技术方案存在以下有益效果:
(1)本公开相对于YOLO模型,即使增加网络层数,计算量也相对较 小。通过Depthwise和Pointwise两个步骤实现卷积层,其参数仅约为普通 卷积的1/9,乘法计算量仅为普通卷积的1/c+1/9,其中c为输 入通道数。
(2)本公开提出的基于IOU聚类算法,确定目标物的位置,改进了 Faster RCNN和SSD算法中需要手动验证边界尺寸的局限性,避免了异常 目标尺寸的影响,进而提升目标检测精确度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解, 本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不 当限定。
图1为本公开实施例整体流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的 说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属 技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非 意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文 另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的 是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、 步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组 合。
实施例一
本实施例公开了一种输电通道目标物辨识方法,针对输电通道图像的 特点,在维持小计算量的情况下增加网络层数,丰富特征映射模块,为预 测层提供更精确的语义信息,同时提出一种交并比的迭代聚类算法,直接 以IOU为度量的聚类方法避免了预测框大小造成损失不平衡的情况。提高 了目标物的预测位置,实现输电通道目标物准确识别。
本实施例提出的一种YOLOv3-MobileNet算法的输电通道目标物预 警,采用交并比聚类算法,在维持小计算量的情况下增加网络层数,提高 了计算速度。该算法是构建网络结构时设计,MobileNet只有1个卷积层和 13个深度可分离卷积层。
具体步骤包括:
步骤一:构建图像训练集,选取输电通道需要辨识的目标物(吊车、 悬挂物、山火)图像,完成训练集图像;
步骤二:对步骤一中的训练集图像进行目标物标注,采用Labelme工 具进行图像标注;实现丰富特征映射模块,为预测层提供更精确的语义信 息;
步骤三:构建图像辨识深度学习网络,根据训练结果,多次调整参数, 直到损失值降到最低,完成图像训练;
步骤四:根据不同的目标物寻求最优参数,判读目标物。
步骤一构建图像训练集,选取输电通道需要辨识的目标物(吊车、悬 挂物、山火)图像,完成训练集图像具体为:
因电网现阶段已知安装监控设备1200台,以每天工作24小时、每半 小时拍摄1张图像计算,一天整个监控***能够获得约57600张图像,每 月接近172万张。在监测图像中,有目标的约占到1/1000,首先需要从中 筛选出目标物的图像,构成图像集。
首先,采用哈希算法,进行图像过滤,过滤掉相似度评分超过90%的 多余图像。相似度评分Sim(Q,I)定义如下,给定一个查询Q=(Qvis,Qkey),I=(Ivis,Itext) 为每个图像对象。
查询Q与对象I之间的文本相似度被定义为Qkey在Itext出现的概率。
其中,α∈[0,1]表示平衡参数,Qvis是视觉特征向量,Qkey是一组查询关键 字,Ivis是视觉特征向量,Itext是文本注释。Dist(Qvis,Ivis)为特征向量Qvis、Qkey的 哈希编码的曼哈顿距离。maxD,maxP分别为Dist(Qvis,Ivis)、P(Qkey/Itext)上界。
其次,根据式子(1)-(2),过滤掉相似度超过90%的图像,剩余图像 保留。
最后,根据所保留的图像,筛选出代表图像,作为训练集,含有每个 目标物的图像分别有代表图像。
步骤二中,对步骤一中的训练集图像进行目标物标注,采用Labelme 工具进行图像标注具体为:
(1)采用Labelme工具,点击open dir,选择标注文件所在的文件夹, 然后开始标注。
(2)分别为吊车命名crane、悬挂物命名hanger、山火命名fire,在画 掩码过程中,一幅图像中如果有多个crane、hanger、fire,命名规则为crane1、 crane2……hanger1、hanger 2……fire1、fire2……。
(3)标注完成,生成标签为label.png文件。
步骤三中,构建图像辨识深度学习网络,实验调整合适的参数,完成 图像训练具体为:
YOLOv3-MobileNet网络只有1个卷积层和13个深度可分离卷积层, 见附图1。深度可分离卷积模块将卷积操作分成了Depthwise和Pointwise 两个步骤。Depthwise对于不同输入通道采取不同的卷积核进行卷积,卷积 核和通道是一一对应的,再通过1×1Pointwise卷积完成对Depthwise输出特 征图的整合,这样就避免了普通卷积层中任意一个卷积核都需要对所有通 道进行操作的缺陷。通过Depthwise和Pointwise两个步骤实现卷积层,其 参数仅约为普通卷积的1/9,乘法计算量仅为普通卷积的1/c+1/9,其中c为 输入通道数。基于这种高效卷积的MobileNet将大大精简整个模型的规模, 极大减少计算量。
在深度学习框架中,本公开为了改进在传统K-mearns以欧式聚类、切 比雪夫距离作为聚类距离度量的局限性,引入交并比聚类算法即IOU算法, 以产生的候选框(candidate bound)与原标记框(ground truth bound)的交 叠率,即候选框与原标记框的交集与并集的比值。
其中,bgi表示第i个原标记框,bcj第j个候选框。则距离度量可表示为
d=1-IoU(bgi,bcj) (4)
所述步骤四中,根据不同的目标物寻求最优参数,判读目标物方法具 体为:
建立图像辨识模块,用于图像目标识别,对每类目标物按照步骤三中 方法构建网络,设立初始学习率,衰减系数,训练迭代次数。
具体地,初始化YOLOv3-MobileNet网络模型参数,主要包括核的权 重与偏置,以及YOLOv3-MobileNet网络学习率。
将标注好的图像输入卷积神经网络中,监控图像分为RGB三色通道, 提取像素数据作为网络输入通过前向传播得到输出值,具体得到网络实际 输出的边界框位置与种类结果。
将网络实际输出结果与标注结果计算获得边界框回归损失函数和分类 损失函数值,采用反向传播方法求取误差梯度,以损失函数最小化为目标 对神经网络中的进行权值更新。
基于同样的发明构思,还公开了一种输电通道目标物辨识***,包括:
训练集图像获取模块,获取含有需要辨识的目标物的图像并作为训练 集图像;
标注模块,对训练集图像进行目标物标注;
图像训练模块,构建图像辨识深度学习网络,将标注后的图像输入该 网络中,根据不同的目标物寻求最优网络参数,完成图像训练;
识别模块,将待测图像传输至训练后图像辨识深度学习网络,识别出 图像中的目标物。
该***实施例子中的模块与上述方法中的步骤相对应,此处不再进行 赘述。
基于同样的发明构思,还公开了一种计算机设备,包括存储器、处理 器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行 所述程序时实现一种输电通道目标物辨识方法的步骤。
另一实施例子中,还公开了一种计算机可读存储介质,其上存储有计 算机程序,其特征在于,该程序被处理器执行时实现一种输电通道目标物 辨识方法的步骤。
以上实施例的装置中涉及的各步骤与方法实施例一相对应,具体实施方 式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理 解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括 任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令 集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用 的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来 实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它 们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成 单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于 本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精 神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开 的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本 公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案 的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或 变形仍在本公开的保护范围以内。
Claims (10)
1.一种输电通道目标物辨识方法,其特征是,包括:
获取含有需要辨识的目标物的图像并作为训练集图像;
对训练集图像进行不同目标物的标注;
构建图像辨识深度学习网络,将标注后的图像输入该网络中,根据不同的目标物寻求最优网络参数,完成图像训练;
将待测图像传输至训练后图像辨识深度学习网络,识别出图像中的目标物。
2.如权利要求1所述的一种输电通道目标物辨识方法,其特征是,所述图像辨识深度学习网络通过Depthwise和Pointwise两个步骤得到卷积层;
Depthwise对于不同输入通道采取不同的卷积核进行卷积,卷积核和通道是一一对应的,再通过Pointwise卷积完成对Depthwise输出特征图的整合。
3.如权利要求1所述的一种输电通道目标物辨识方法,其特征是,采用交并比聚类算法对标注后的图像进行聚类,以产生的候选框与原标记框的交叠率,即它们的交集与并集的比值。
4.如权利要求1所述的一种输电通道目标物辨识方法,其特征是,根据不同的目标物寻求最优参数:
对每类目标物构建网络,设立初始学习率,衰减系数,训练迭代次数;
将标注好的图像输入卷积神经网络中,监控图像分为RGB三色通道提取像素数据作为网络输入通过前向传播得到输出值,得到网络实际输出的边界框位置与种类结果;
将网络实际输出结果与标注结果计算获得边界框回归损失函数和分类损失函数值,采用反向传播方法求取误差梯度,以损失函数最小化为目标对神经网络中的进行权值更新。
5.如权利要求1所述的一种输电通道目标物辨识方法,其特征是,获取含有需要辨识的目标物的图像,具体步骤为:
对监测图像进行图像过滤,滤掉相似度评分超过阈值的多余图像;
根据所保留的图像,筛选出含有目标物的代表图像。
6.如权利要求1所述的一种输电通道目标物辨识方法,其特征是,采用Labelme工具进行图像标注。
7.如权利要求1所述的一种输电通道目标物辨识方法,其特征是,针对训练集图像,根据含有的目标物分别进行命名,标注完成,生成标签文件。
8.一种输电通道目标物辨识***,其特征是,包括:
训练集图像获取模块,获取含有需要辨识的目标物的图像并作为训练集图像;
标注模块,对训练集图像进行目标物标注;
图像训练模块,构建图像辨识深度学习网络,将标注后的图像输入该网络中,根据不同的目标物寻求最优网络参数,完成图像训练;
识别模块,将待测图像传输至训练后图像辨识深度学习网络,识别出图像中的目标物。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现权利要求1-7任一所述的一种输电通道目标物辨识方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一所述的一种输电通道目标物辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462892.2A CN111652102B (zh) | 2020-05-27 | 2020-05-27 | 一种输电通道目标物辨识方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462892.2A CN111652102B (zh) | 2020-05-27 | 2020-05-27 | 一种输电通道目标物辨识方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652102A true CN111652102A (zh) | 2020-09-11 |
CN111652102B CN111652102B (zh) | 2024-06-14 |
Family
ID=72343769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010462892.2A Active CN111652102B (zh) | 2020-05-27 | 2020-05-27 | 一种输电通道目标物辨识方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652102B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149742A (zh) * | 2020-09-25 | 2020-12-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于目标检测网络的智能标注方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834693A (zh) * | 2015-04-21 | 2015-08-12 | 上海交通大学 | 基于深度搜索的视觉图像检索方法及*** |
CN105117735A (zh) * | 2015-08-18 | 2015-12-02 | 成都鼎智汇科技有限公司 | 一种大数据环境下的图像检测方法 |
US20160358043A1 (en) * | 2015-06-05 | 2016-12-08 | At&T Intellectual Property I, L.P. | Hash codes for images |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
CN108132968A (zh) * | 2017-12-01 | 2018-06-08 | 西安交通大学 | 网络文本与图像中关联语义基元的弱监督学习方法 |
CN109299341A (zh) * | 2018-10-29 | 2019-02-01 | 山东师范大学 | 一种基于字典学习的对抗跨模态检索方法和*** |
CN110147757A (zh) * | 2019-05-17 | 2019-08-20 | 国网山东省电力公司菏泽供电公司 | 基于卷积神经网络的输电通道工程车辆辨识方法及*** |
CN110516633A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于深度学习的车道线检测方法及*** |
CN110533103A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种轻量级小物体目标检测方法及*** |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
CN111178200A (zh) * | 2019-12-20 | 2020-05-19 | 海南车智易通信息技术有限公司 | 一种仪表盘指示灯的识别方法及计算设备 |
-
2020
- 2020-05-27 CN CN202010462892.2A patent/CN111652102B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834693A (zh) * | 2015-04-21 | 2015-08-12 | 上海交通大学 | 基于深度搜索的视觉图像检索方法及*** |
US20160358043A1 (en) * | 2015-06-05 | 2016-12-08 | At&T Intellectual Property I, L.P. | Hash codes for images |
CN105117735A (zh) * | 2015-08-18 | 2015-12-02 | 成都鼎智汇科技有限公司 | 一种大数据环境下的图像检测方法 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
CN108132968A (zh) * | 2017-12-01 | 2018-06-08 | 西安交通大学 | 网络文本与图像中关联语义基元的弱监督学习方法 |
CN109299341A (zh) * | 2018-10-29 | 2019-02-01 | 山东师范大学 | 一种基于字典学习的对抗跨模态检索方法和*** |
CN110147757A (zh) * | 2019-05-17 | 2019-08-20 | 国网山东省电力公司菏泽供电公司 | 基于卷积神经网络的输电通道工程车辆辨识方法及*** |
CN110516633A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于深度学习的车道线检测方法及*** |
CN110533103A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种轻量级小物体目标检测方法及*** |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
CN111178200A (zh) * | 2019-12-20 | 2020-05-19 | 海南车智易通信息技术有限公司 | 一种仪表盘指示灯的识别方法及计算设备 |
Non-Patent Citations (2)
Title |
---|
方青云: "基于改进YOLOv3网络的遥感目标快速检测方法", 《上海航天》, pages 21 - 28 * |
曾梦琪: "基于混合相似度的高效图像检索方案", 《计算机工程》, pages 1 - 7 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149742A (zh) * | 2020-09-25 | 2020-12-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于目标检测网络的智能标注方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111652102B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537215B (zh) | 一种基于图像目标检测的火焰检测方法 | |
Li et al. | Localizing and quantifying damage in social media images | |
CN110837870B (zh) | 基于主动学习的声呐图像目标识别方法 | |
CN105022835B (zh) | 一种群智感知大数据公共安全识别方法及*** | |
CN110532859A (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
CN114743020B (zh) | 一种结合标签语义嵌入和注意力融合的食物识别方法 | |
CN112463976B (zh) | 一种以群智感知任务为中心的知识图谱构建方法 | |
CN104899579A (zh) | 人脸识别方法和装置 | |
CN110619059B (zh) | 一种基于迁移学习的建筑物标定方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及*** | |
CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN110751027A (zh) | 一种基于深度多示例学习的行人重识别方法 | |
US20230222768A1 (en) | Multiscale point cloud classification method and system | |
CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN114022904A (zh) | 一种基于两阶段的噪声鲁棒行人重识别方法 | |
CN112084895A (zh) | 一种基于深度学习的行人重识别方法 | |
CN116310647A (zh) | 一种基于增量学习的劳保物品目标检测方法及*** | |
CN109886206B (zh) | 一种三维物体识别方法及设备 | |
CN111652102B (zh) | 一种输电通道目标物辨识方法及*** | |
CN113343123A (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN117671480A (zh) | 基于视觉大模型的滑坡自动识别方法、***和计算机设备 | |
CN113743251B (zh) | 一种基于弱监督场景的目标搜索方法及装置 | |
CN110414792A (zh) | 基于bim和大数据的部品集采管理***及相关产品 |
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 |