CN112183185A - 基于光流法和cnn-svm的液体泄漏检测方法 - Google Patents
基于光流法和cnn-svm的液体泄漏检测方法 Download PDFInfo
- Publication number
- CN112183185A CN112183185A CN202010814832.2A CN202010814832A CN112183185A CN 112183185 A CN112183185 A CN 112183185A CN 202010814832 A CN202010814832 A CN 202010814832A CN 112183185 A CN112183185 A CN 112183185A
- Authority
- CN
- China
- Prior art keywords
- layer
- liquid
- leakage
- model
- interference
- 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
- 239000007788 liquid Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003287 optical effect Effects 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000010438 heat treatment Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 30
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000004880 explosion Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 22
- 238000012706 support-vector machine Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003466 welding Methods 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
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种基于光流法和CNN‑SVM的液体泄漏检测方法，包括：利用供暖站点的视频监控***采集视频数据，所采集的监控视频数据包括供暖管道存在泄漏的液体和其他干扰物体的两类视频数据；利用管道中液体泄漏时的流动特征，采用光流法将疑似泄漏区域，包含泄漏的液体和其他运动的干扰物体两类疑似泄漏区域，从供暖管道所在的静态背景中提取出来；将光流法检测出来的泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集；搭建基于CNN的5层特征提取模型；构造基于SVM的二分类模型，对已经提取特征的泄漏液体和干扰物体进行分类；模型训练。
Description
技术领域
本发明涉及一种液体泄漏检测方法，属于光流法、CNN-SVM技术和光学泄漏检测领域的融合。
背景技术
铁锈、裂纹、意外损坏等易引起管道液体的泄漏。泄漏的管道既浪费了能源，又造成了安全事故。因此，管道的液体泄漏检测尤为重要。传统的管道液体泄漏检测方法有声波检测法、瞬态流模拟法、负压波法和漏磁检测法等。声波检测法是通过检测泄漏时管道产生的噪声，判断管道是否发生泄漏。该方法简单，但易受到噪声和环境干扰，造成误判。瞬态流模拟法需要建立管道的实时数学模型，模型考虑多种变量来预测管道的状态，当实际的测量值与模型的计算值的差异超过了阈值，说明有泄漏存在。该方法虽可确定泄漏发生的时间及泄漏量的大小，但建模及计算的工作量都相当大，且维护费用较高。负压波法是通过传感器对管道中发生的负压波进行检测，判定泄漏点。该方法不用建立数学模型，且适用性较强，但不能够对突发泄漏事件和缓慢泄漏事件进行检测。漏磁检测法是通过检测泄漏时缺陷的管壁产生的漏磁场，判断是否发生泄漏。但焊缝以及管道的不平滑严重影响检测精度,且该方法无法检测出缓慢的管道泄漏。传统的管道液体泄漏的检测方法具有较高的成本，且效率较低。随着机器学习的发展，基于图像序列的检测方法因其检测范围大、速度快、精度高、抗干扰能力强等特点而成为主流。这里提出了一种新的基于光流法和CNN-SVM的非接触式液体泄漏检测方法，该方法鲁棒性强，具有一定的泛化能力。
发明内容
本发明的目的是提供一种新的基于光流法和CNN-SVM的非接触式液体泄漏检测***。该方法对供暖管道中存在液体泄漏和其他干扰物体的视频数据进行分析，采用光流法从供暖管道所在的静态背景中提取出泄漏的液体和其他干扰物体。然后用基于CNN的模型提取泄漏的液体和其他干扰物体的特征，最后利用以径向基核函数(Radial BasisFunction)为核函数的支持向量机(support vector machines，SVM)对泄漏的液体和其他干扰物体进行非线性二分类。技术方案如下：
一种基于光流法和CNN-SVM的液体泄漏检测方法，包括下列步骤：
第一步，利用供暖站点的视频监控***采集视频数据，所采集的监控视频数据包括供暖管道存在泄漏的液体和其他干扰物体的两类视频数据。
第二步，利用管道中液体泄漏时的流动特征，采用光流法将疑似泄漏区域，包含泄漏的液体和其他运动的干扰物体两类疑似泄漏区域，从供暖管道所在的静态背景中提取出来；
第三步，将光流法检测出来的泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集。
第四步，对二分类的候选区域数据集例分为训练数据集和测试数据集。
第五步，搭建基于CNN的5层特征提取模型，模型前四层为卷积层、第五层为池化层，卷积层和池化层对泄漏的液体和其他干扰物体进行特征提取：
1)卷积层：第一层、第二层、第三层、第四层均为卷积层，卷积层用于提取泄漏的液体和干扰物体的局部特征，四个卷积层的卷积核均为3*3，padding为1，步长为1，四个卷积层的通道数分别为10、20、30、50。
2)池化层：第五层是池化层，用于压缩泄漏的液体和干扰物体的数据量，并减小过拟合，池化层采用最大值池化的方式，池化窗口大小为2，步长为2。
3)非线性激活层：卷积层和池化层提取泄漏的液体和干扰物体的线性特征，为了提取更多的非线性特征，在卷积层和池化层后使用了非线性激活层，使卷积神经网络表达能力更强。其中，第一层和第三层卷积层后使用Sigmoid函数作为激励函数。第二层和第四层卷积层后使用ReLU作为激励函数，以避免训练过程中梯度***和梯度消失问题，同时使训练时的迭代速度变快。
第六步，构造基于SVM的二分类模型，对已经提取特征的泄漏液体和干扰物体进行分类，方法如下：
泄漏的液体和其他干扰物体经过第五步的特征提取层后，提取出了待二分类的泄漏的液体和其他干扰物体的线性和非线性特征，再构建基于SVM的二分类模型对其进行分类；
使用径向基核函数(Radial Basis Function)，将提取出来的泄漏的液体和干扰物体的特征数据映射到高维空间，寻找间隔最大的超平面进行非线性二分类。
第七步，模型训练：
使用梯度下降和反向传播训练模型，寻找间隔最大的超平面。
第八步，模型超参数的调整：选取交叉熵函数作为损失函数，使用反向传播调整模型结构和超参数，继续进行训练；
第九步，模型测试：
1)使用测试集测试模型的分类准确率。
2)保存准确率最高的模型，作为检测管道液体泄漏***的模型。
附图说明
图1检测结果图，(a)液体水滴泄漏时的检测结果(b)液体水滴泄漏和存在其他干扰的检测
图2本发明特征提取模块及分类模块的框图
图3本发明的算法流程图
具体实施方式
下面结合附图和具体实例对本发明进行进一步的说明阐述。
参见图1，采用光流法对泄漏的液体(水滴)和其他干扰物体的检测结果。其中，(a)为液体水滴泄漏时的检测结果，(b)为液体水滴泄漏和存在其他干扰的检测结果。
参见图2，本发明基于CNN的特征提取和SVM二分类的模型框图。
参见图3，本发明的算法流程图。以下简述其相应步骤：
1.在供暖管道的监控视频***中，截取存在管道泄漏的液体(水)和其他干扰物体的一段视频。
2.采用光流法从供暖管道所在的静态背景中提取泄漏的液体(水滴)和其他干扰物体。光流法具体方法如下：
1)光流(optical flow)是空间运动物体在观察平面上像素运动的瞬时速度。光流法是利用图像序列中像素(泄漏的液体和其他干扰物体)在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体(泄漏的液体和其他干扰物体)的运动信息的一种方法。
2)管暖管道的监控视频数据满足光流法的两个基本假设条件：
一是亮度恒定不变。供暖管道的视频图像中同一目标(包括泄漏的液体和其他干扰物体)在不同帧间运动时，其亮度不会发生改变。
二是时间连续。时间的变化不会引起目标位置(供暖管道场景中的实际物体)的剧烈变化，相邻帧之间位移也比较小。
3)求出管暖管道所在场景实际物体的光流矢量。
光流法的约束方程为：I(x,y,t)为一个像素在第一帧的光强度(其中t代表其所在的时间维度)。第一帧用了dt时间，移动了(dx,dy)的距离到下一帧。因为是同一个像素点，依据上文提到的第一个假设因此该像素在运动前后的光强度是不变的。公式(1)为约束方程的数学表达式。
I(x,y,t)＝I(x+dx,y+dy,z+dx) (1)
公式(1)经化简可得公式(2)：
Ixu+Iyv+It＝0 (2)
其中，Ix,Iy,It均可由图像数据求得，而(u,v)即为所求光流矢量。
4)根据图像中的光流矢量判断是供暖管道所在场景实际物体的状态。
如果物体的光流矢量在整个图像区域中连续变化，那么不存在运动的物体；当泄漏的液体和其他运动干扰和图像的静态背景存在相对运动时，其光流矢量不同于邻域静态背景的光流矢量，因此泄漏的液体和其他运动干扰就被检测了出来。
3.将光流法检测出来的泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集。
4.训练集和测试集的划分。
整个待二分类(提取的液体泄漏和其他干扰物体)的候选区域数据集共10000个，将8000个样本作为训练集，2000个样本作为测试集。
5.构造基于CNN的特征提取模型。
基于CNN的特征提取框架包括卷积层、池化层。模型的第一层到第四层为卷积层，第五层为池化层。以下为模型的具体架构：
1)为了便于后期处理，将训练集图片(泄漏的液体水和其他干扰物体的两类图片)尺寸统一resize为32*32；
2)卷积层一到四层逐步从泄漏的液体和其他干扰物体中提取低级特征到高级特征。以下为四个卷积层的具体结构：
第一个卷积层卷积核为3*3，10个滤波器，padding为1，步长为1，卷积后输出32*32*10；
第二个卷积层卷积核为5*5，20个滤波器，padding为1，步长为1，卷积后输出30*30*20；
第三个卷积层卷积核为3*3，30个滤波器，padding为1，步长为1，卷积后输出30*30*30；
第四个卷积层卷积核为5*5，50个滤波器，padding为1，步长为1，卷积后输出28*28*50；
3)池化层。池化层主要用于下采样。液体泄漏的精确位置远不及它和其他特征的相对位置的关系重要。因此池化层会不断地减小漏液和干扰数据的空间大小，这在一定程度上也减小了过拟合。
第五层池化层采用最大值池化的方式，池化窗口大小为2，步长为2，经池化层后为14*14*50。
4)非线性激活层。基于CNN模型的前五层卷积层和池化层完成对液体泄漏和干扰物体的线性特征提取。为了进一步提取泄漏的液体和其他干扰的非线性特征，在前四层每层卷积层后加了非线性激活层，具体结构如下：
第一层和第三层用Sigmoid函数作神经网络的激活函数，公式(3)为Sigmoid函数的数学表达式。将变量映射到0-1之间，压缩泄漏的液体和其他干扰的数据量。Sigmoid函数处处连续，便于求导，从而便于前向传播。
第二层和第四层用ReLU函数作神经网络的激活函数，公式(4)为ReLU函数的数学表达式。使网络训练更快，并增加了提取液体和干扰的非线性特征，并防止梯度消失(弥散)。
ReLU(x)＝max(0,x) (4)
6.使用径向基核函数(Radial Basis Function，RBF)构造SVM非线性二分类器，找出最大的超平面，对泄漏液体和干扰物体进行分类。
1)泄漏的液体和其他干扰物体经过特征提取层(卷积层和池化层)，提取出了待二分类的泄漏的液体和其他干扰物体的线性和非线性特征，再构建基于SVM的二分类模型对其进行分类。SVM是线性分类器，但是泄漏的液体和其他干扰属于非线性分离问题，要将低维线性不可分问题转化为高维线性可分问题。
2)使用径向基核函数将泄漏的液体和干扰物体的每一个样本点映射到一个高维的特征空间；因此，得到的新的数据集的样本也是高维的，在高维空间找到间隔最大的超平面，使得线性不可分的泄漏的液体和干扰物体变得线性可分。
7.模型训练。
使用梯度下降和反向传播训练模型，寻找间隔最大的超平面。
8.模型超参数的调整。
1)选取交叉熵函数作为损失函数，使用反向传播调整模型结构和超参数，继续进行训练；
2)绘制出模型的验证集准确率和损失函数曲线。
9.模型测试。
1)使用测试集测试模型的分类准确率。
2)保存准确率最高的模型，作为检测管道液体泄漏***的模型。
基于光流法和CNN-SVM的液体泄漏检测评估结果：
准确率：96.2％。
本发明的有益效果如下：
1)本发明结合光流法和CNN-SVM技术，提出了一种基于图像序列的液体泄漏检测的新思路。
2)该算法结合CNN特征提取的准确性和SVM分类算法的快速性等特点，具有较强的泛化能力，实验程序也能在各种操作***下通用。
3)整体算法设计结构简单，具有实时性，可用于工业环境中的液体泄漏检测，对异常泄漏及时做出警告。
Claims (2)
1.一种基于光流法和CNN-SVM的液体泄漏检测方法，包括下列步骤：
第一步，利用供暖站点的视频监控***采集视频数据，所采集的监控视频数据包括供暖管道存在泄漏的液体和其他干扰物体的两类视频数据；
第二步，利用管道中液体泄漏时的流动特征，采用光流法将疑似泄漏区域，包含泄漏的液体和其他运动的干扰物体两类疑似泄漏区域，从供暖管道所在的静态背景中提取出来；
第三步，将光流法检测出来的泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集；
第四步，对二分类的候选区域数据集例分为训练数据集和测试数据集；
第五步，搭建基于CNN的5层特征提取模型，模型前四层为卷积层、第五层为池化层，卷积层和池化层对泄漏的液体和其他干扰物体进行特征提取：
1)卷积层：第一层、第二层、第三层、第四层均为卷积层，卷积层用于提取泄漏的液体和干扰物体的局部特征，四个卷积层的卷积核均为3*3，padding为1，步长为1，四个卷积层的通道数分别为10、20、30、50；
2)池化层：第五层是池化层，用于压缩泄漏的液体和干扰物体的数据量，并减小过拟合，池化层采用最大值池化的方式，池化窗口大小为2，步长为2；
3)非线性激活层：卷积层和池化层提取泄漏的液体和干扰物体的线性特征，为了提取更多的非线性特征，在卷积层和池化层后使用了非线性激活层，使卷积神经网络表达能力更强；其中，第一层和第三层卷积层后使用Sigmoid函数作为激励函数；第二层和第四层卷积层后使用ReLU作为激励函数，以避免训练过程中梯度***和梯度消失问题，同时使训练时的迭代速度变快；
第六步，构造基于SVM的二分类模型，对已经提取特征的泄漏液体和干扰物体进行分类，方法如下：
泄漏的液体和其他干扰物体经过第五步的特征提取层后，提取出了待二分类的泄漏的液体和其他干扰物体的线性和非线性特征，再构建基于SVM的二分类模型对其进行分类；
使用径向基核函数(Radial Basis Function)，将提取出来的泄漏的液体和干扰物体的特征数据映射到高维空间，寻找间隔最大的超平面进行非线性二分类；
第七步，模型训练：
使用梯度下降和反向传播训练模型，寻找间隔最大的超平面；
第八步，模型超参数的调整：选取交叉熵函数作为损失函数，使用反向传播调整模型结构和超参数，继续进行训练；
第九步，模型测试：
1)使用测试集测试模型的分类准确率；
2)保存准确率最高的模型，作为检测管道液体泄漏***的模型。
2.根据权利要求1所述的方法，其特征在于，第二步的方法如下：
1)提取疑似泄漏区域时，赋予供暖管道所在静态场景图像中的每一个像素点一个速度矢量，形成了供暖管道静态图像的运动场；
2)供暖管道运动场上的点和实际供暖管道的状态在某一特定的运动时刻是一一对应的，根据运动场中各像素点的速度矢量特征对供暖管道的实际状态进行动态的分析：如果运动场中的光流矢量在整个图像区域中连续变化，那么不存在运动的物体，即不存在泄漏的液体和其他运动的干扰物体；当实际物体和图像的静态背景存在相对运动时，根据运动物体，包括泄漏的液体和其他运动干扰物体，所形成的速度矢量则必然不同于邻域静态背景的速度矢量的现象检测到作为运动物体的泄漏的液体和其他运动干扰物体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814832.2A CN112183185A (zh) | 2020-08-13 | 2020-08-13 | 基于光流法和cnn-svm的液体泄漏检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814832.2A CN112183185A (zh) | 2020-08-13 | 2020-08-13 | 基于光流法和cnn-svm的液体泄漏检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112183185A true CN112183185A (zh) | 2021-01-05 |
Family
ID=73919294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010814832.2A Pending CN112183185A (zh) | 2020-08-13 | 2020-08-13 | 基于光流法和cnn-svm的液体泄漏检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183185A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984741A (zh) * | 2021-09-29 | 2022-01-28 | 西北大学 | 基于深度学习和声音信号液体识别***及方法 |
| CN116698842A (zh) * | 2023-03-31 | 2023-09-05 | 中国长江电力股份有限公司 | 液压启闭机活塞杆锈蚀检测装置的***及处理方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063719A (zh) * | 2014-06-27 | 2014-09-24 | 深圳市赛为智能股份有限公司 | 基于深度卷积网络的行人检测方法及装置 |
| CN107563388A (zh) * | 2017-09-18 | 2018-01-09 | 东北大学 | 一种基于深度信息预分割的卷积神经网络物体识别方法 |
| CN107633296A (zh) * | 2017-10-16 | 2018-01-26 | 中国电子科技集团公司第五十四研究所 | 一种卷积神经网络构建方法 |
| CN108345818A (zh) * | 2017-01-23 | 2018-07-31 | 北京中科奥森数据科技有限公司 | 一种人脸活体检测方法及装置 |
| CN108416780A (zh) * | 2018-03-27 | 2018-08-17 | 福州大学 | 一种基于孪生-感兴趣区域池化模型的物体检测与匹配方法 |
| CN108491827A (zh) * | 2018-04-13 | 2018-09-04 | 腾讯科技（深圳）有限公司 | 一种车辆检测方法、装置及存储介质 |
| CN109670446A (zh) * | 2018-12-20 | 2019-04-23 | 泉州装备制造研究所 | 基于线性动态***和深度网络的异常行为检测方法 |
| CN109685118A (zh) * | 2018-12-07 | 2019-04-26 | 中国人民解放军陆军工程大学 | 一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法 |
| CN109712140A (zh) * | 2019-01-02 | 2019-05-03 | 中楹青创科技有限公司 | 训练用于跑冒滴漏检测的全连接分类网络的方法及装置 |
| CN110705508A (zh) * | 2019-10-15 | 2020-01-17 | 中国人民解放军战略支援部队航天工程大学 | 一种isar图像的卫星识别方法 |
| CN111046365A (zh) * | 2019-12-16 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 人脸图像传输方法、数值转移方法、装置及电子设备 |
| CN111166327A (zh) * | 2020-01-06 | 2020-05-19 | 天津大学 | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 |
| CN111191207A (zh) * | 2019-12-23 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 电子文件的控制方法、装置、计算机设备及存储介质 |
| CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
-
2020
- 2020-08-13 CN CN202010814832.2A patent/CN112183185A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063719A (zh) * | 2014-06-27 | 2014-09-24 | 深圳市赛为智能股份有限公司 | 基于深度卷积网络的行人检测方法及装置 |
| CN108345818A (zh) * | 2017-01-23 | 2018-07-31 | 北京中科奥森数据科技有限公司 | 一种人脸活体检测方法及装置 |
| CN107563388A (zh) * | 2017-09-18 | 2018-01-09 | 东北大学 | 一种基于深度信息预分割的卷积神经网络物体识别方法 |
| CN107633296A (zh) * | 2017-10-16 | 2018-01-26 | 中国电子科技集团公司第五十四研究所 | 一种卷积神经网络构建方法 |
| CN108416780A (zh) * | 2018-03-27 | 2018-08-17 | 福州大学 | 一种基于孪生-感兴趣区域池化模型的物体检测与匹配方法 |
| CN108491827A (zh) * | 2018-04-13 | 2018-09-04 | 腾讯科技（深圳）有限公司 | 一种车辆检测方法、装置及存储介质 |
| CN109685118A (zh) * | 2018-12-07 | 2019-04-26 | 中国人民解放军陆军工程大学 | 一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法 |
| CN109670446A (zh) * | 2018-12-20 | 2019-04-23 | 泉州装备制造研究所 | 基于线性动态***和深度网络的异常行为检测方法 |
| CN109712140A (zh) * | 2019-01-02 | 2019-05-03 | 中楹青创科技有限公司 | 训练用于跑冒滴漏检测的全连接分类网络的方法及装置 |
| CN110705508A (zh) * | 2019-10-15 | 2020-01-17 | 中国人民解放军战略支援部队航天工程大学 | 一种isar图像的卫星识别方法 |
| CN111046365A (zh) * | 2019-12-16 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 人脸图像传输方法、数值转移方法、装置及电子设备 |
| CN111191207A (zh) * | 2019-12-23 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 电子文件的控制方法、装置、计算机设备及存储介质 |
| CN111166327A (zh) * | 2020-01-06 | 2020-05-19 | 天津大学 | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 |
| CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 韩九强等著: "《数字图像处理》", 31 March 2019, 西安交通大学出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984741A (zh) * | 2021-09-29 | 2022-01-28 | 西北大学 | 基于深度学习和声音信号液体识别***及方法 |
| CN116698842A (zh) * | 2023-03-31 | 2023-09-05 | 中国长江电力股份有限公司 | 液压启闭机活塞杆锈蚀检测装置的***及处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhuxi et al. | A lightweight detector based on attention mechanism for aluminum strip surface defect detection | |
| CN112434672B (zh) | 一种基于改进YOLOv3的海上人体目标检测方法 | |
| CN111915579B (zh) | 基于高斯混合模型和卷积神经网络的液体泄漏检测方法 | |
| Munawar et al. | After the flood: A novel application of image processing and machine learning for post-flood disaster management | |
| CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
| CN106203334B (zh) | 一种室内场景火苗检测方法 | |
| CN105389814A (zh) | 一种用于气密性试验的气泡检测方法 | |
| CN112183185A (zh) | 基于光流法和cnn-svm的液体泄漏检测方法 | |
| Enshaei et al. | Automated detection of textured-surface defects using UNet-based semantic segmentation network | |
| Zhu et al. | Deep learning-based key-block classification framework for discontinuous rock slopes | |
| CN115546565A (zh) | 基于yolocbf电厂关键区域管道油液泄漏检测方法 | |
| CN108154159A (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
| KR102493652B1 (ko) | 불꽃 및 연기 자동 감지 방법 및 이를 이용하는 확장 cnn 기반의 감시 시스템 | |
| CN114821018B (zh) | 一种利用多方向性特征构造卷积神经网络的红外弱小目标检测方法 | |
| CN115751203A (zh) | 一种基于红外热像仪的天然气管道泄漏监测*** | |
| CN116416576A (zh) | 基于v3-yolox的烟雾/火焰双光视觉检测方法 | |
| Lyu et al. | Visual early leakage detection for industrial surveillance environments | |
| Jakovčević et al. | Visual spatial-context based wildfire smoke sensor | |
| CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
| Ding et al. | A measurement system for the tightness of sealed vessels based on machine vision using deep learning algorithm | |
| CN105740819A (zh) | 一种基于整数规划的人群密度估计方法 | |
| CN116740125A (zh) | 基于光线折射和深度学习实现透明流体可视化的检测方法 | |
| CN109409224B (zh) | 一种自然场景火焰检测的方法 | |
| Abed et al. | Machine Learning Approach Based on Smart Ball COMSOL Multiphysics Simulation for Pipe Leak Detection. | |
| CN115962428A (zh) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |