CN112241950A - 一种塔式起重机裂缝图像的检测方法 - Google Patents
一种塔式起重机裂缝图像的检测方法 Download PDFInfo
- Publication number
- CN112241950A CN112241950A CN202011117717.6A CN202011117717A CN112241950A CN 112241950 A CN112241950 A CN 112241950A CN 202011117717 A CN202011117717 A CN 202011117717A CN 112241950 A CN112241950 A CN 112241950A
- Authority
- CN
- China
- Prior art keywords
- tower crane
- crack
- crack image
- image
- data 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.)
- Pending
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种塔式起重机裂缝图像的检测方法,包括以下步骤:步骤S1:采集塔式起重机裂缝图像,并预处理后分为训练集和测试集;步骤S2:构建改进Faster R‑CNN模型;步骤S3:基于训练集,采用迁移学习方法对改进Faster R‑CNN模型进行学习训练,得到训练后的Faster R‑CNN模型;步骤S4:对训练后的Faster R‑CNN模型进行微调,得到最终的检测模型;步骤S5:将待测图像输入检测模型,获取裂缝的位置。本发明能够准确地识别各种尺度的裂缝,回归定位更加准确。
Description
技术领域
本发明涉及图像检测领域,具体涉及一种塔式起重机裂缝图像的检测方法。
背景技术
在工地施工中,塔式起重机长期超载、作业频繁、位置高、冲击力大,以及长期受自然环境影响,塔身结构容易出现裂缝,导致承载力不足,造成一定的施工风险。据统计,我国在2000—2012年间建筑起重机械责任事故发生了655起,其中塔式起重机安全事故占了472起;2012—2014年间,塔式起重机事故发生了162起,其中倒塌、折断事故占123起,占总事故的75.93%,而这主要是由于塔式起重机的金属结构开裂、出现裂纹导致承重力不够、失去平衡引起的。塔式起重机的钢结构件在焊接时基本采用手工气体保护焊,受条件和人员限制,很容易产生焊缝缺陷,同时塔式起重机主要处于工地中的复杂环境,自重高达上百吨,工作时间久了容易出现裂损的问题,由于塔式起重机的结构多,塔身高,出现的裂缝难以被及时发现,这些裂缝缺陷会削弱塔式起重机的承载力,为工地施工埋下安全隐患。近年来,塔式起重机的安全事故发生得越来越多,因此对塔式起重机的严格管理是必要的,保证塔式起重机的可靠性和安全性是非常重要的。现有的塔式起重机安全管理主要是基于人工的检查,但人工检测塔式起重机的裂缝会有主观影响,对一些小尺度的裂缝和一些结构位置较高的裂缝容易遗漏,同时将耗费大量的人力、财力、精力,难以保证效率和准确率,因此需要更多的技术支持。
发明内容
有鉴于此,本发明的目的在于提供一种塔式起重机裂缝图像的检测方法,具有更好的检测效果和更高的检测精度,实现了应用于塔式起重机裂缝图像的检测。
为实现上述目的,本发明采用如下技术方案:
一种塔式起重机裂缝图像的检测方法,包括以下步骤:
步骤S1:采集塔式起重机裂缝图像,并预处理后分为训练集和测试集;
步骤S2:构建改进Faster R-CNN模型;
步骤S3:基于训练集,采用迁移学习方法对改进FasterR-CNN模型进行学习训练,得到训练后的Faster R-CNN模型;
步骤S4:对训练后的Faster R-CNN模型进行微调,得到最终的检测模型;
步骤S5:将待测图像输入检测模型,获取裂缝的位置。
进一步的,所述步骤S1具体为:
步骤S11:获取不同的光照效果、角度、形状和尺寸大小的塔式起重机裂缝图像,得到塔式起重机裂缝数据集;
步骤S12:对塔式起重机裂缝图像进行平移、缩放和旋转,扩充塔式起重机裂缝数据集,并加入铁路裂缝图像、公路裂缝图像和桥梁裂缝图像,得到扩充后的数据集;
步骤S13:对扩充后的数据集使用LabelImg工具对裂缝目标进行标注,将其转换为VOC 2007数据集格式,并按预设比例分为训练集和数据集。
进一步的,所述改进Faster R-CNN模型采用多尺度特征金字塔结构代替原始的RPN结构,改进锚框的数量和大小;并改进RoI Pooling层,引入RoI Align方法。
进一步的,所述多尺度特征金字塔结构为基于ResNet-50,结合FPN算法,实现的多尺度特征金字塔结构。
进一步的,所述多尺度特征金字塔结构包括自下而上的通道、自上而下的通道和横向连接三部分,具体如下:
对输入的图片,其特征图提取方式采用自下而上;
通过自上而下的方法实现了2倍上采样,然后与特征图实现特征融合;
进行横向连接,通过对自下而上生成的特征图进行1x1的卷积操作。
进一步的,所述的改进锚框的数量和大小具体为:在原始三种不同的尺度及三种比例1:1,1:2,2:1上,增加尺度为32x32和64x64的锚点,改进后anchor为五种不同的尺度,分别为32x32,64x64,128x128,256x256,512x512,比例采用原始比例1:1,1:2,2:1,一共组合成15种不同尺度不同长宽比的anchor。
进一步的,所述改进RoI Pooling层具体为:采用Mask R-CNN算法中提出的RoIAlign方法,对RoI Pooling层进行改进,采用双线性插值方法,保留浮点数。
一种塔式起重机裂缝图像的检测***,包括包括存储器、处理器,所述存储器上存储有计算机程序,处理器在运行该计算机程序时,能够实现如权利要求1-7任一项所述的方法步骤。
本发明与现有技术相比具有以下有益效果:
1、本发明能够准确地识别各种尺度的裂缝,回归定位更加准确。
2、本发明具有更好的检测效果和更高的检测精度,实现了应用于塔式起重机裂缝图像的检测。
附图说明
图1是本发明一实施例中工作流程图;
图2是本发明一实施例中的RPN结构;
图3是本发明一实施例中多尺度特征金字塔结构;
图4是本发明一实施例中迁移学习应用流程图;
图5是本发明一实施例中检测效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种塔式起重机裂缝图像的检测方法,包括以下步骤:
步骤S1:采集塔式起重机裂缝图像,并预处理后分为训练集和测试集;
步骤S2:构建改进Faster R-CNN模型;
步骤S3:基于训练集,采用迁移学习方法对改进Faster R-CNN模型进行学习训练,得到训练后的Faster R-CNN模型;
步骤S4:对训练后的Faster R-CNN模型进行微调,得到最终的检测模型;
步骤S5:将待测图像输入检测模型,获取裂缝的位置。
在本实施例中,所述步骤S1具体为:
步骤S11:获取不同的光照效果、角度、形状和尺寸大小的塔式起重机裂缝图像,得到塔式起重机裂缝数据集;
步骤S12:对塔式起重机裂缝图像进行平移、缩放和旋转,扩充塔式起重机裂缝数据集,并加入铁路裂缝图像、公路裂缝图像和桥梁裂缝图像,得到扩充后的数据集;
步骤S13:对扩充后的数据集使用LabelImg工具对裂缝目标进行标注,将其转换为VOC 2007数据集格式,并按预设比例分为训练集和数据集。
在本实施中,所述改进Faster R-CNN模型的CNN特征提取网络基于ResNet-50,结合FPN算法,实现多尺度特征金字塔结构,用来代替原始的RPN结构。ResNet-50可以用来解决深层网络训练困难的问题,引入bottleneck结构,利用1x1的卷积操作来使通道数减少,从而可以降低计算量,通过恒等映射实现跳层连接,使得收敛速度加快,从而减少了优化网络模型的难度。
所述RPN结构是一种全卷积网络,通过在卷积层输出的特征图上进行滑窗处理,映射成d维特征向量,然后输入到分类层和回归层,进行下一步的类别和位置的判断。在每个滑动窗口的位置上同时预测k个候选区域,回归层具有4k个输出,代表k个候选框的4个坐标,在分类层中,有2k个得分输出,代表每个候选框是否为目标的估计概率。为了能够让算法更好地适用在不同尺寸和形状的目标,将特征图上的每个位置设置多个anchor box,从而用来预测输入图像的不同长宽比和不同尺度的候选区域。训练RPN时,整体损失(loss)函数为:
其中,i表示第i个anchor,pi是anchor中含有目标的概率;当anchor是正样本时,pi *=1,若为负样本,则pi *=0;ti是坐标向量,用来预测候选框,ti=(tx,ty,tw,th),ti *则对应真实目标框,ti *=(tx *,ty *,tw *,th *),ti和ti *的定义为:
其中,x,y,w,h是RPN预测框的中心坐标及其宽高,xa,ya,wa,ha对应anchor box,x*,y*,w*,h*对应真实框;Ncls为批处理的大小,Nreg为anchor的总数,λ是平衡权重,通过Ncls和Nreg以及λ进行归一化。Lcls是分类损失函数,定义为:
Lcls(pi,pi *)=-log[pi *pi+(1-pi *)(1-pi)]
Lreg是回归损失函数,定义为:
其中,SmoothL1为鲁棒损失函数,定义为:
参考图3,在本实施例中,优选的,多尺度特征金字塔算法整体分为三部分:自下而上的通道、自上而下的通道、横向连接。首先,输入一张图片,其特征图提取方式采用自下而上。其次,通过自上而下的方法实现了2倍上采样,然后与特征图实现特征融合。最后进行横向连接,通过对自下而上生成的特征图进行1x1的卷积操作,其目的是为了与上采样的结果具有相同的通道数,然后通过3x3的卷积,作用于每个融合结果,从而消除上采样带来的混叠效应。经过上述的操作,融合的特征层为(P2,P3,P4,P5),融合了更多浅层特征目标位置细节信息。之后经过RPN网络生成候选框,进一步判断目标的类别和位置。结合了FPN算法,会获得多个特征图,RoI根据不同尺度的特征图选择不同的特征层,具体的选择方式为:
其中,k0为5,代表P5层的输出;w、h分别表示RoI区域的宽和高;224是图像数据集的标准输入。
②改进锚框:
在原始的参数下,增加尺度为32x32和64x64的锚点,改进后anchor为五种不同的尺度,分别为(32x32,64x64,128x128,256x256,512x512),比例采用原始比例(1:1,1:2,2:1),一共组合成15种不同尺度不同长宽比的anchor。
③改进RoI Pooling层:
采用Mask R-CNN算法中提出的RoI Align方法,对RoI Pooling层进行改进,采用双线性插值方法,保留浮点数,避免了量化带来的精度损失。将输入的图像大小设为900x900,假设待检测的塔式起重机裂缝图像中目标尺寸的大小为330x330,经过特征提取网络时会进行4次最大值池化,将区域建议框缩小为原图的1/16,尺寸变为20.63x20.63;经过第一次量化后,RoI Pooling取整,区域建议框尺寸变为20x20,RoI Align保留浮点数,尺寸还是20.63x20.63;然后将候选区域进行池化,尺寸固定为7x7,经过第二次量化,RoIPooling取20/7=2.86,20/7=2.86,取整后特征子图尺寸变为2x2,而RoI Align取20.63/7=2.95,20.63/7=2.95,保留浮点数后特征子图尺寸为2.95x2.95;最后每个特征子图取最大值进行输出,形成49个像素值,组成7x7的特征图。RoI Pooling两次量化都取整,在特征图上映射的区域建议框尺寸由20x20变为14x14,具有很大的像素偏差,不利于回归定位操作。因此,利用RoI Align方法可以更好地提高回归定位的准确性,从而获得更精确的目标区域。
参考图4,所述迁移学***滑,为了防止在后续迁移学习过程中参数被过度扭曲,利用SGD算法优化参数,设置迁移学习模型的初始学习率为0.001,batchsize为1,动量因子为0.9,权重衰减因子为0.0005,迭代次数为20000,之后再对模型进行微调得到最终模型。
一种塔式起重机裂缝图像的检测***,包括包括存储器、处理器,所述存储器上存储有计算机程序,处理器在运行该计算机程序时,能够实现如权利要求1-7任一项所述的方法步骤。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种塔式起重机裂缝图像的检测方法,其特征在于,包括以下步骤:
步骤S1:采集塔式起重机裂缝图像,并预处理后分为训练集和测试集;
步骤S2:构建改进Faster R-CNN模型;
步骤S3:基于训练集,采用迁移学习方法对改进Faster R-CNN模型进行学习训练,得到训练后的Faster R-CNN模型;
步骤S4:对训练后的Faster R-CNN模型进行微调,得到最终的检测模型;
步骤S5:将待测图像输入检测模型,获取裂缝的位置。
2.根据权利要求1所述的一种塔式起重机裂缝图像的检测方法,其特征在于,所述步骤S1具体为:
步骤S11:获取不同的光照效果、角度、形状和尺寸大小的塔式起重机裂缝图像,得到塔式起重机裂缝数据集;
步骤S12:对塔式起重机裂缝图像进行平移、缩放和旋转,扩充塔式起重机裂缝数据集,并加入铁路裂缝图像、公路裂缝图像和桥梁裂缝图像,得到扩充后的数据集;
步骤S13:对扩充后的数据集使用LabelImg工具对裂缝目标进行标注,将其转换为VOC2007数据集格式,并按预设比例分为训练集和数据集。
3.根据权利要求1所述的一种塔式起重机裂缝图像的检测方法,其特征在于,所述改进Faster R-CNN模型采用多尺度特征金字塔结构代替原始的RPN结构,改进锚框的数量和大小;并改进RoI Pooling层,引入RoI Align方法。
4.根据权利要求3所述的一种塔式起重机裂缝图像的检测方法,其特征在于,所述多尺度特征金字塔结构为基于ResNet-50,结合FPN算法,实现的多尺度特征金字塔结构。
5.根据权利要求4所述的一种塔式起重机裂缝图像的检测方法,其特征在于,所述多尺度特征金字塔结构包括自下而上的通道、自上而下的通道和横向连接三部分,具体如下:
对输入的图片,其特征图提取方式采用自下而上;
通过自上而下的方法实现了2倍上采样,然后与特征图实现特征融合;
进行横向连接,通过对自下而上生成的特征图进行1x1的卷积操作。
6.根据权利要求3所述的一种塔式起重机裂缝图像的检测方法,其特征在于,所述的改进锚框的数量和大小具体为:在原始三种不同的尺度及三种比例1:1,1:2,2:1上,增加尺度为32x32和64x64的锚点,改进后anchor为五种不同的尺度,分别为32x32,64x64,128x128,256x256,512x512,比例采用原始比例1:1,1:2,2:1,一共组合成15种不同尺度不同长宽比的anchor。
7.根据权利要求3所述的一种塔式起重机裂缝图像的检测方法,其特征在于,所述改进RoI Pooling层具体为:采用Mask R-CNN算法中提出的RoI Align方法,对RoI Pooling层进行改进,采用双线性插值方法,保留浮点数。
8.一种塔式起重机裂缝图像的检测***,其特征在于,包括包括存储器、处理器,所述存储器上存储有计算机程序,处理器在运行该计算机程序时,能够实现如权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011117717.6A CN112241950A (zh) | 2020-10-19 | 2020-10-19 | 一种塔式起重机裂缝图像的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011117717.6A CN112241950A (zh) | 2020-10-19 | 2020-10-19 | 一种塔式起重机裂缝图像的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112241950A true CN112241950A (zh) | 2021-01-19 |
Family
ID=74169064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011117717.6A Pending CN112241950A (zh) | 2020-10-19 | 2020-10-19 | 一种塔式起重机裂缝图像的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241950A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818878A (zh) * | 2021-02-05 | 2021-05-18 | 福州大学 | 一种塔式起重机裂缝识别定性方法 |
CN113111722A (zh) * | 2021-03-17 | 2021-07-13 | 天津理工大学 | 基于改进Mask R-CNN的自动驾驶目标识别方法 |
CN113255626A (zh) * | 2021-07-14 | 2021-08-13 | 杭州大杰智能传动科技有限公司 | 一种基于扫描图像分析的智能塔吊结构状态检测方法和装置 |
CN113537045A (zh) * | 2021-07-14 | 2021-10-22 | 宁夏大学 | 基于改进FasterR-CNN的岩画检测方法 |
CN114742822A (zh) * | 2022-05-20 | 2022-07-12 | 青岛农业大学 | 一种草莓识别计数模型的搭建方法及应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103453892A (zh) * | 2013-09-24 | 2013-12-18 | 广东工业大学 | 一种桥梁裂缝实时监测及快速预警装置 |
US20190154442A1 (en) * | 2016-01-15 | 2019-05-23 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
KR102008973B1 (ko) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN111582339A (zh) * | 2020-04-28 | 2020-08-25 | 江西理工大学 | 一种基于深度学习的车辆检测与识别的方法 |
-
2020
- 2020-10-19 CN CN202011117717.6A patent/CN112241950A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103453892A (zh) * | 2013-09-24 | 2013-12-18 | 广东工业大学 | 一种桥梁裂缝实时监测及快速预警装置 |
US20190154442A1 (en) * | 2016-01-15 | 2019-05-23 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
KR102008973B1 (ko) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN111582339A (zh) * | 2020-04-28 | 2020-08-25 | 江西理工大学 | 一种基于深度学习的车辆检测与识别的方法 |
Non-Patent Citations (3)
Title |
---|
LIN T Y ETAL.: "Feature Pyramid Networks for Object Detection", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
张神德: "塔式起重机安全管理中裂缝检测方法", 《福建电脑》 * |
李太文: "基于Faster R—CNN的道路裂缝识别", 《电子技术应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818878A (zh) * | 2021-02-05 | 2021-05-18 | 福州大学 | 一种塔式起重机裂缝识别定性方法 |
CN113111722A (zh) * | 2021-03-17 | 2021-07-13 | 天津理工大学 | 基于改进Mask R-CNN的自动驾驶目标识别方法 |
CN113255626A (zh) * | 2021-07-14 | 2021-08-13 | 杭州大杰智能传动科技有限公司 | 一种基于扫描图像分析的智能塔吊结构状态检测方法和装置 |
CN113537045A (zh) * | 2021-07-14 | 2021-10-22 | 宁夏大学 | 基于改进FasterR-CNN的岩画检测方法 |
CN113537045B (zh) * | 2021-07-14 | 2022-11-25 | 宁夏大学 | 基于改进FasterR-CNN的岩画检测方法 |
CN114742822A (zh) * | 2022-05-20 | 2022-07-12 | 青岛农业大学 | 一种草莓识别计数模型的搭建方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241950A (zh) | 一种塔式起重机裂缝图像的检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110503112B (zh) | 一种增强特征学习的小目标检测及识别方法 | |
CN112767357A (zh) | 一种基于Yolov4的混凝土结构病害检测方法 | |
CN109446992A (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
CN111179217A (zh) | 一种基于注意力机制的遥感图像多尺度目标检测方法 | |
CN112700444B (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
CN111127416A (zh) | 基于计算机视觉的混凝土结构表面缺陷自动检测方法 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及*** | |
CN108009509A (zh) | 车辆目标检测方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN113822880A (zh) | 一种基于深度学习的裂缝识别方法 | |
CN113378686A (zh) | 一种基于目标中心点估计的两阶段遥感目标检测方法 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
CN113468968A (zh) | 一种基于无锚框的遥感图像旋转目标检测方法 | |
CN114494870A (zh) | 一种双时相遥感图像变化检测方法、模型构建方法和装置 | |
CN112101138A (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别***及方法 | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、***和电子设备 | |
CN113052217A (zh) | 预测结果标识及其模型训练方法、装置及计算机存储介质 | |
CN112733756A (zh) | 一种基于w散度对抗网络的遥感图像语义分割方法 | |
CN112215301A (zh) | 基于卷积神经网络的影像直线探测方法 | |
CN114494893B (zh) | 基于语义重用上下文特征金字塔的遥感图像特征提取方法 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN113673478B (zh) | 基于深度学习全景拼接的港口大型设备检测与识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210119 |
|
RJ01 | Rejection of invention patent application after publication |