CN112270668B - 垂吊线缆检测方法、***和电子设备 - Google Patents

垂吊线缆检测方法、***和电子设备 Download PDF

Info

Publication number
CN112270668B
CN112270668B CN202011231919.3A CN202011231919A CN112270668B CN 112270668 B CN112270668 B CN 112270668B CN 202011231919 A CN202011231919 A CN 202011231919A CN 112270668 B CN112270668 B CN 112270668B
Authority
CN
China
Prior art keywords
view image
street view
feature
feature vectors
neural network
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
CN202011231919.3A
Other languages
English (en)
Other versions
CN112270668A (zh
Inventor
王斌
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.)
Weihai Shiyi Electronics Co.,Ltd.
Original Assignee
Weihai Shiyi Electronics 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 Weihai Shiyi Electronics Co ltd filed Critical Weihai Shiyi Electronics Co ltd
Priority to CN202011231919.3A priority Critical patent/CN112270668B/zh
Publication of CN112270668A publication Critical patent/CN112270668A/zh
Application granted granted Critical
Publication of CN112270668B publication Critical patent/CN112270668B/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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于浅层低维形状特征的垂吊线缆检测方法、***和电子设备。所述方法，包括：获取包含线缆的街景图像；将所述街景图像划分为M×N个分割图像，其中，每个分割图像具有相同大小；将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；将所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。这样，结合浅层的卷积层和深度神经网络，并应用适当的图像分割处理来进行垂吊线缆的检测，可以获得准确的分类结果。

Description

垂吊线缆检测方法、***和电子设备
技术领域
本申请涉及人工智能技术领域，且更为具体地，涉及一种基于浅层低维形状特征的垂吊线缆检测方法、***和电子设备。
背景技术
“智慧城市”将信息技术与先进的城市经营服务理念进行有效融合，通过对城市的地理、资源、环境、经济等进行数字网络化管理，为城市提供更便捷、高效、灵活的公共管理的创新服务模式。
在城市管理中，“无主”线缆垂吊路边，是非常严重的安全隐患。据了解，无主线缆大多是私人拉的线缆(例如，某些市民为了便利会拉小锅盖线缆)，这些线缆横梗在空中，不仅影响市容，更是非常严重的安全隐患。然而，线缆垂吊状况的监管工作却很难开展，其原因在于：人工成本高，且，监管效率不高。
深度学习尤其是神经网络的发展为城市垂吊线缆监管提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于浅层低维形状特征的垂吊线缆检测方法、***和电子设备，其结合浅层的卷积层和深度神经网络，并应用适当的图像分割处理来进行垂吊线缆的检测，可以获得准确的分类结果。
根据本申请的一个方面，提供了一种基于浅层低维形状特征的垂吊线缆检测方法，包括：
获取包含线缆的街景图像；
将所述街景图像划分为M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数；
将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；
将所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及
将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。
在上述基于浅层低维形状特征的垂吊线缆检测方法中，将所述街景图像划分为M×N个分割图像，包括：
确定所述街景图像的全景化程度；
基于所述街景图像的全景化程度确定M和N个具体数目；以及
将所述街景图像划分为所确定的具体数目的M×N个分割图像。
在上述基于浅层低维形状特征的垂吊线缆检测方法中，确定所述街景图像的全景化程度，包括：
确定所述街景图像中的参考距离单位；
基于所述参考距离单位确定所述街景图像中的第一参考对象和第二参考对象所对应的第一景深和第二景深；
基于所述参考距离单位确定所述街景图像中的所述第一参考对象和所述第二参考对象之间的距离；以及
基于所述距离、所述第一景深和所述第二景深确定所述街景图像的全景化程度。
在上述基于浅层低维形状特征的垂吊线缆检测方法中，将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，包括：
确定所述深度神经网络的模型层数；
基于所述深度神经网络的模型层数确定所述卷积层的数目；以及
将所述M×N个分割图像通过所确定的数目的卷积层以获得M×N个特征图。
在上述基于浅层低维形状特征的垂吊线缆检测方法中，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，包括：
将所述M×N个特征向量进行级联以获得级联特征向量；
将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及
基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
在上述基于浅层低维形状特征的垂吊线缆检测方法中，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，包括：
将所述M×N个特征向量按行或列计算加权和以获得M或者N个加权特征向量；
将所述M或者N个加权特征向量进行级联以获得级联特征向量；
将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及
基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
在上述基于浅层低维形状特征的垂吊线缆检测方法中，在训练过程中，在每次迭代中同步更新所述P层的卷积层和所述深度神经网络的参数。
在上述基于浅层低维形状特征的垂吊线缆检测方法中，在训练过程中，在每次迭代中首先更新所述P层的卷积层的参数，再更新所述深度神经网络的参数。
根据本申请的另一方面，提供了一种基于浅层低维形状特征的垂吊线缆检测***，包括：
街景图像获取单元，用于获取包含线缆的街景图像；
图像分割单元，用于将所述街景图像获取单元获得的所述街景图像划分为M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数；
特征图生成单元，用于将所述图像分割单元获得的所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；
特征向量生成单元，用于将所述特征图生成单元获得的所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及
分类单元，用于将所述特征向量生成单元获取的所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。
在上述基于浅层低维形状特征的垂吊线缆检测***中，所述图像分割单元，包括：
全景化程度确定子单元，用于确定所述街景图像的全景化程度；
数目确定子单元，用于基于所述全景化确定子单元获得的所述街景图像的全景化程度确定M和N个具体数目；以及
划分子单元，用于将所述街景图像划分为由所述数目确定子单元确定的具体数目的M×N个分割图像。
在上述基于浅层低维形状特征的垂吊线缆检测***中，所述全景化程度确定子单元，进一步用于：
确定所述街景图像中的参考距离单位；
基于所述参考距离单位确定所述街景图像中的第一参考对象和第二参考对象所对应的第一景深和第二景深；
基于所述参考距离单位确定所述街景图像中的所述第一参考对象和所述第二参考对象之间的距离；以及
基于所述距离、所述第一景深和所述第二景深确定所述街景图像的全景化程度。
在上述基于浅层低维形状特征的垂吊线缆检测***中，所述特征图生成单元，包括：
模型层数确定子单元，用于确定所述深度神经网络的模型层数；
卷积层数确定子单元，用于基于所述模型层数确定子单元确定的所述深度神经网络的模型层数确定所述卷积层的数目；以及
特征图生成子单元，用于将所述M×N个分割图像通过所述卷积层数确定子单元所确定的数目的卷积层以获得M×N个特征图。
在上述基于浅层低维形状特征的垂吊线缆检测***中，所述分类单元，进一步用于：将所述M×N个特征向量进行级联以获得级联特征向量；将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及，基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
在上述基于浅层低维形状特征的垂吊线缆检测***中，所述分类单元，进一步用于：将所述M×N个特征向量按行或列计算加权和以获得M或者N个加权特征向量；将所述M或者N个加权特征向量进行级联以获得级联特征向量；将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及，基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于浅层低维形状特征的垂吊线缆检测方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于浅层低维形状特征的垂吊线缆检测方法。
与现有技术相比，本申请提供的基于浅层低维形状特征的垂吊线缆检测方法、***和电子设备，其结合浅层的卷积层和深度神经网络，并应用适当的图像分割处理来进行垂吊线缆的检测，可以获得准确的分类结果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法的应用场景图。
图2图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法的模型架构示意图。
图3图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法的流程图。
图4图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法中将所述街景图像划分为M×N个分割图像的流程图。
图5图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法中确定所述街景图像的全景化程度的流程图。
图6图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测***的框图。
图7图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测***中图像分割单元的框图。
图8图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测***中特征图生成单元的框图。
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，在城市管理中，“无主”线缆垂吊路边，是非常严重的安全隐患。无主线缆大多是私人拉的线缆，这些线缆横梗在空中，不仅影响市容，更是非常严重的安全隐患。然而，线缆垂吊状况的监管工作由于人力成本高且效率低导致很难开展起来。
深度学习尤其是神经网络的发展为城市垂吊线缆监管提供了新的解决思路和方案。
具体来说，对于垂吊线缆的状态是否正常的检测，可以通过图像分类来进行，即将图像分类为其中垂吊线缆的状态正常的图像，和，其中垂吊线缆的状态不正常的图像。
本申请发明人发现，如果基于传统的图像形态学模型，或者简单地通过深度神经网络挖掘特征并进行分类，难以获得良好的分类结果，这是由于垂吊线缆的状态是否正常与线缆本身的形态相关，但由于线缆通常在图像中表现为一条线，并且该线的各个部分具有不同的曲率，例如，某些部分是直的，某些部分是略有弯曲的，因此，这种形态很容易与图像中的其他对象混淆，例如，其他对象的边缘等。
而且，由于在目前的街景图像中，线缆可能与其他对象混杂，而不是简单地在纯净的天空中以一条线的形态存在，其相对于图像整体的特征并不明显。也就是，由于图像分类不进行像素级别的图像语义分割，而仅是基于图像的语义特征来进行分类，因此，对于具有如上特征的垂吊线缆这种图像元素，不易于做出准确的分类。
针对于上述技术问题，本申请发明人的基本构思为：考虑到浅层的卷积层能够提取到图像中的低维形状特征，例如，第一层的卷积层能够提取出图像中的边、角等特征，且第二层和第三层的卷积层也能够提取出图像的一些低维形状特征。进而，通过结合卷积层与深度神经网络的方式，并应用适当的图像分割处理来进行垂吊线缆的检测，这样，可以用较为简单的用于分类的深度神经网络来实现垂吊线缆的检测，而不需要采用复杂的语义分割技术。
更明确地，本申请发明人发现：垂吊线缆相对于图像整体，在长度或者宽度中的一个维度上具有部分性，而在另一维度上则具有整体性。例如，在沿着街道拍摄的街景图像中横跨街道的线缆可能仅存在与图像的上半部分而不存在于下半部分，因此，在宽度维度上具有部分性，即，宽度维度上截取的每张图像都具有线缆的一部分，但是在高度维度上具有整体性，即高度维度截取的每张图像可能包含线缆的整体也可能不包含线缆。因此，通过将图像划分为一定数目的分割图像并以卷积层提取低维形状特征，可以利用垂吊线缆的这种特征。进而，将分割图像通过浅层的卷积层提取出浅层的低维形状特征的特征向量融合，并基于深度神经网络进行分类，可以获得准确的分类结果。
基于此，本申请提出了一种基于浅层低维形状特征的垂吊线缆检测方法，其包括：获取包含线缆的街景图像；将所述街景图像划分为M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数；将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；将所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。这样，结合浅层的卷积层和深度神经网络，并应用适当的图像分割处理来进行垂吊线缆的检测，可以获得准确的分类结果。
图1图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法的应用场景图。
如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取包含线缆的街景图像，然后，将该街景图像输入至部署有基于浅层低维形状特征的垂吊线缆检测算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器用于对所述街景图像进行分类处理，以生成所述线缆的垂吊状态是否正常的检测结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法的流程图。如图2所示，根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法，包括：S110，获取包含线缆的街景图像；S120，将所述街景图像划分为M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数；S130，将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；S140，将所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及，S150,将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。
图3图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法的模型架构示意图。如图3所示，根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法的模型架构，包括：P层卷积层(例如，如图3中所示意的CNN)和深度神经网络(例如，如图3中所示意的DN)，其中，在进入P层卷积层前，所述街景图像划分为M×N个具有相同大小的分割图像(如图3中所示意的Fs)，所述P层卷积层用于对所述M×N个分割图像进行卷积处理以获得M×N个特征图(例如，如图3中所示意的Ff)；接着，所述M×N个特征图中的每个特征图进行按行或列平均值池化，以生成M×N个特征向量(例如，如图3中所示意的Vf)，其中，所述深度神经网络用于对所述M×N个特征向量进行分类处理以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。
在步骤S110中，获取包含线缆的街景图像。如前所述，如果基于传统的图像形态学模型，或者简单地通过深度神经网络挖掘特征将包含线缆的街景图像进行分类，难以获得良好的分类结果，这是由于垂吊线缆的状态是否正常与线缆本身的形态有关，但由于线缆通常在图像中表现为一条线，并且该线的各个部分具有不同的曲率，例如某些部分是直的，某些部分是略有弯曲，因此这种形态很容易与图像中的其它对象混淆，例如其它对象的边缘等。并且，在街景图像中，线缆可能与其它对象混杂，而不是简单地在纯净的天空中以一条线的形态存在，其相对于图像整体的特征并不明显。
但是，在街景图像中，垂吊线缆有其独特的图像特性：垂吊线缆相对于图像整体，在长度或者宽度中的一个维度上具有部分性，而在另一维度上则具有整体性。例如，在沿着街道拍摄的街景图像中横跨街道的线缆可能仅存在于图像的上半部而不存在于下半部，因此在宽度维度上具有部分性，即宽度维度截取的每张图像都具有线缆的一部分，但是在高度维度上具有整体性，即高度维度截取的每张图像可能包含线缆的整体，也可能不包含线缆。相应地，利用这些图像特性，能提高垂吊线缆的状态是否正常的检测准确度。
在步骤S120中，将所述街景图像划分为M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数。对所述街景图像进行图像分割处理的原因是为了充分利用垂吊线缆相对于图像整体的分布特性，即，充分利用垂吊线缆相对于图像整体，在长度或者宽度中的一个维度上具有部分性，而在另一维度上则具有整体性的分布特性。
在本申请实施例中，每个分割图像具有相同大小，也就是，所述街景图像被平均地分割成数量为M×N个分割图像。并且，M和N是大于1且小于或等于4的正整数，也就是，M和N的取值为{2,3,4}中任意之一，例如，在具体实施中，可将所述街景图像分割为4个(2×2)相同大小的分割图像。
在本申请一具体的示例中，将所述街景图像划分为M×N个分割图像的过程，首先包括：确定所述街景图像的全景化程度。这里，全景化程度是指所述街景图像在远景图像和近景图像之间的程度，全景化程度越高，需要将图像划分为尽可能多的部分，全景化程度越低，可以将图像划分为比较少的部分。
值得注意的是，即使是全景图像，也不适于将图像分割得过于细碎，本申请中M和N的最大数目为4，也就是将街景图像划分为4×4共16个分割图像，从而保证线缆作为单个语义对象在分割图像中保持语义的整体性。
在本申请该示例中，确定所述街景图像的全景化程度的过程，首先，包括：确定所述街景图像中的参考距离单位，所述参考距离单位可设置为预设高度尺寸，或者，所述街景图像中其他对象的高度，例如，行人的高度、房屋的高度等；然后，基于所述参考距离单位确定所述街景图像中的第一参考对象和第二参考对象所对应的第一景深和第二景深，所述第一参考对象和所述第二参考对象为所述街景图像中包含的对象，优选地，为大多数街景图像中都包含的对象，例如，房屋、行人、电线杆等；接着，基于所述参考距离单位确定所述街景图像中的所述第一参考对象和所述第二参考对象之间的距离；然后，基于所述距离、所述第一景深和所述第二景深确定所述街景图像的全景化程度。
例如，在一个具体的示例中，所述参考距离单位是行人或者房屋的高度，所述第一参考对象和第二参考对象为行人和房屋，相应地，如果行人和房屋在所述街景图像中的距离近，则景深差值大说明全景化程度低，如果行人和房屋在所述街景图像中的距离远，则景深差值小说明全景化程度高。
图5图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法中确定所述街景图像的全景化程度的流程图。如图5所示，确定所述街景图像的全景化程度，包括：S310，确定所述街景图像中的参考距离单位；S320，基于所述参考距离单位确定所述街景图像中的第一参考对象和第二参考对象所对应的第一景深和第二景深；S330，基于所述参考距离单位确定所述街景图像中的所述第一参考对象和所述第二参考对象之间的距离；以及，S340，基于所述距离、所述第一景深和所述第二景深确定所述街景图像的全景化程度。
进一步地，在确定全景化程度后，基于所述街景图像的全景化程度确定M和N个具体数目；
接着，将所述街景图像划分为所确定的具体数目的M×N个分割图像。
图4图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法中将所述街景图像划分为M×N个分割图像的流程图。如图4所示，中将所述街景图像划分为M×N个分割图像，包括：S210，确定所述街景图像的全景化程度；S220，基于所述街景图像的全景化程度确定M和N个具体数目；以及，S230，将所述街景图像划分为所确定的具体数目的M×N个分割图像。
在步骤S130中，将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数。也就是，通过将图像划分为一定数目的分割图像并以卷积层提取低维形状特征。
值得注意的是，所述卷积层具有相对较少的层数，因此，其能够提取到图像中的低维形状特征，例如，第一层的卷积层能够提取出图像中的边、角等特征，且第二层和第三层的卷积层也能够提取出图像的一些低维形状特征。
在具体实施中，所述卷积层的层数基于后续深度神经网络的模型层数决定，其具体关系为：深度神经网络的模型层数大，卷积层的层数就小一些，避免形状特征被过度拟合，深度神经网络的模型层数小，卷积层的层数就多一些，提取的低维形状特征可以更丰富。例如，当所述深度神经网络的模型层数为30层时，采用一个卷积层，当所述深度神经网络的模型层数为50层时，采用2个卷积层。
在本申请的一个示例中，将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，包括：确定所述深度神经网络的模型层数；基于所述深度神经网络的模型层数确定所述卷积层的数目；以及，将所述M×N个分割图像通过所确定的数目的卷积层以获得M×N个特征图。
在步骤S140中，将所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量。也就是，将所述M×N个特征图中的每个特征图进行按行或列池化处理，以获得M×N个特征向量，当然，本领域普通技术人员应可以理解，还可以采用其他池化方式，例如，最大值池化，以获得所述M×N个特征向量。在步骤S150中，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。
在本申请一示例中，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，包括：将所述M×N个特征向量进行级联以获得级联特征向量；将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及，基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
应可以理解，通过将所述M×N个特征向量进行级联，可以在通过深度神经网络获得特征向量的过程中，在一定程度上以深度神经网络的相同节点分别对不同的特征向量进行计算，从而保证了各个特征向量自身之中的关联性的挖掘(例如，表征同一根垂吊线缆)，且也能够考虑到各个不同的特征向量之间的关联性，从而提高了分类的准确性。
在本申请另一示例中，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，包括：将所述M×N个特征向量按行或列计算加权和以获得M或者N个加权特征向量；将所述M或者N个加权特征向量进行级联以获得级联特征向量；将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及，基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
应可以理解，通过将所述M×N个特征向量按行或列计算加权和，可以在通过深度神经网络获得特征向量的过程中，对不同特征向量中的信息进行融合，从而有利于挖掘各个特征向量之间的关联模式，有助于将不同特征向量作为一个整体来挖掘特征，从而提高分类的准确性。也就是，采用加权处理是考虑图像的一行或者一列之内的各个分割图像之间的特征的关联性，比如线缆从左边延伸到右边。
此外，这种加权不会破坏分割图像所带来的形状在某个维度上的部分性，因为之前分割出的图像的形状特征已经由卷积层提取出来了，这里的加权是在用于表示形状的高维特征的层面上进行加权，而不是在表示浅层形状特征的低维层面上进行加权。
同时，在加权处理后对加权特征向量进行级联，可以在通过深度神经网络获得特征向量的过程中，在一定程度上以深度神经网络的相同节点分别对不同的加权特征向量进行计算，从而保证了各个加权特征向量自身之中的关联性的挖掘，且也能够考虑到加权特征向量之间的关联性，从而提高了分类的准确性。
特别地，在本申请实施例中，所述分类函数为Softmax分类函数，即，二元分类函数。也就是，在本申请实施例中，将所述垂吊线缆的标签设置为垂吊线缆的状态正常，和，垂吊线缆的状态不正常。
综上，基于本申请实施例的基于浅层低维形状特征的垂吊线缆检测方法被阐明，其结合浅层的卷积层和深度神经网络，并应用适当的图像分割处理来进行垂吊线缆的检测，可以获得准确的分类结果。
值得一提的是，在本申请实施例中，所述浅层的卷积层和所述深度神经网络通过训练用街景图像通过训练而获得，所述训练用街景图像具有垂吊线缆是否正常的标签。
值得注意的是，在训练过程中，在每次迭代中同步更新所述P层的卷积层和所述深度神经网络的参数，也就是，在每次迭代过程中，同步根据卷积层和深度神经网络的参数，以确保两者参数更新的同步性，提高训练效率。
或者，在另外的训练方案中，在每次迭代中首先更新所述P层的卷积层的参数，再更新所述深度神经网络的参数，也就是，先更新卷积层的参数，然后，后更新深度神经网络的参数，这样，可促进低维浅层形状特征在深度神经网络中的传递。也就是，由于先更新卷积层的层数，因此，通过更新的卷积层所提取的低维浅层形状特征可进一步地被应用于深度神经网络的参数更新中，从而促进低维浅层形状特征在深度神经网络中的传递，提高训练效果。
示例性装置
图6图示了根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测***的框图。
如图6所示，根据本申请实施例的基于浅层低维形状特征的垂吊线缆检测***600，包括：街景图像获取单元610，用于获取包含线缆的街景图像；图像分割单元620，用于将所述街景图像获取单元610获得的所述街景图像划分为M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数；特征图生成单元630，用于将所述图像分割单元620获得的所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；特征向量生成单元640，用于将所述特征图生成单元630获得的所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及，分类单元650，用于将所述特征向量生成单元640获取的所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。
在一个示例中，在上述垂吊线缆检测***600中，如图7所示，所述图像分割单元620，包括：全景化程度确定子单元621，用于确定所述街景图像的全景化程度；数目确定子单元622，用于基于所述全景化确定子单元获得的所述街景图像的全景化程度确定M和N个具体数目；以及，划分子单元623，用于将所述街景图像划分为由所述数目确定子单元622确定的具体数目的M×N个分割图像。
在一个示例中，在上述垂吊线缆检测***600中，所述全景化程度确定子单元621，进一步用于：确定所述街景图像中的参考距离单位；基于所述参考距离单位确定所述街景图像中的第一参考对象和第二参考对象所对应的第一景深和第二景深；基于所述参考距离单位确定所述街景图像中的所述第一参考对象和所述第二参考对象之间的距离；以及，基于所述距离、所述第一景深和所述第二景深确定所述街景图像的全景化程度。
在一个示例中，在上述垂吊线缆检测***600中，如图8所示，所述特征图生成单元630，包括：模型层数确定子单元631，用于确定所述深度神经网络的模型层数；卷积层数确定子单元632，用于基于所述模型层数确定子单元631确定的所述深度神经网络的模型层数确定所述卷积层的数目；以及，特征图生成子单元633，用于将所述M×N个分割图像通过所述卷积层数确定子单元632所确定的数目的卷积层以获得M×N个特征图。
在一个示例中，在上述垂吊线缆检测***600中，所述分类单元650，进一步用于：将所述M×N个特征向量进行级联以获得级联特征向量；将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及，基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
在一个示例中，在上述垂吊线缆检测***600中，所述分类单元650，进一步用于：将所述M×N个特征向量按行或列计算加权和以获得M或者N个加权特征向量；将所述M或者N个加权特征向量进行级联以获得级联特征向量；将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及，基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
这里，本领域技术人员可以理解，上述垂吊线缆检测***600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于浅层低维形状特征的垂吊线缆检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的垂吊线缆检测***600可以实现在各种终端设备中，例如用于垂吊线缆监控的服务器等。在一个示例中，根据本申请实施例的垂吊线缆检测***600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该垂吊线缆检测***600可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该垂吊线缆检测***600同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该垂吊线缆检测***600与该终端设备也可以是分立的设备，并且该垂吊线缆检测***600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于浅层低维形状特征的垂吊线缆检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如检测结果、街景图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括检测结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于浅层低维形状特征的垂吊线缆检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于浅层低维形状特征的垂吊线缆检测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种基于浅层低维形状特征的垂吊线缆检测方法，其特征在于，包括：
获取包含线缆的街景图像；
将所述街景图像划分为M×N个分割图像，包括：确定所述街景图像的全景化程度；基于所述街景图像的全景化程度确定M和N个具体数目；以及将所述街景图像划分为所确定的具体数目的M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数；
将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；
将所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及
将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常；
其中，确定所述街景图像的全景化程度，包括：确定所述街景图像中的参考距离单位；基于所述参考距离单位确定所述街景图像中的第一参考对象和第二参考对象所对应的第一景深和第二景深；基于所述参考距离单位确定所述街景图像中的所述第一参考对象和所述第二参考对象之间的距离；以及基于所述距离、所述第一景深和所述第二景深确定所述街景图像的全景化程度。
2.根据权利要求1所述的基于浅层低维形状特征的垂吊线缆检测方法，其中，将所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，包括：
确定所述深度神经网络的模型层数；
基于所述深度神经网络的模型层数确定所述卷积层的数目；以及
将所述M×N个分割图像通过所确定的数目的卷积层以获得M×N个特征图。
3.根据权利要求1所述的基于浅层低维形状特征的垂吊线缆检测方法，其中，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，包括：
将所述M×N个特征向量进行级联以获得级联特征向量；
将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及
基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
4.根据权利要求1所述的基于浅层低维形状特征的垂吊线缆检测方法，其中，将所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，包括：
将所述M×N个特征向量按行或列计算加权和以获得M或者N个加权特征向量；
将所述M或者N个加权特征向量进行级联以获得级联特征向量；
将所述级联特征向量输入所述深度神经网络以获得分类特征向量；以及
基于所述分类特征向量以分类函数以获得所述街景图像的分类结果。
5.根据权利要求1所述的基于浅层低维形状特征的垂吊线缆检测方法，其中，在训练过程中，在每次迭代中同步更新所述P层的卷积层和所述深度神经网络的参数。
6.根据权利要求1所述的基于浅层低维形状特征的垂吊线缆检测方法，其中，在训练过程中，在每次迭代中首先更新所述P层的卷积层的参数，再更新所述深度神经网络的参数。
7.一种基于浅层低维形状特征的垂吊线缆检测***，其特征在于，包括：
街景图像获取单元，用于获取包含线缆的街景图像；
图像分割单元，用于将所述街景图像获取单元获得的所述街景图像划分为M×N个分割图像，将所述街景图像划分为M×N个分割图像包括：确定所述街景图像的全景化程度；基于所述街景图像的全景化程度确定M和N个具体数目；以及将所述街景图像划分为所确定的具体数目的M×N个分割图像，其中，每个分割图像具有相同大小，且M和N是大于1且小于或等于4的正整数；
特征图生成单元，用于将所述图像分割单元获得的所述M×N个分割图像通过P层的卷积层以获得M×N个特征图，其中，P是大于1且小于或等于3的正整数；
特征向量生成单元，用于将所述特征图生成单元获得的所述M×N个特征图中的每个特征图进行按行或列平均值池化，以获得M×N个特征向量；以及
分类单元，用于将所述特征向量生成单元获取的所述M×N个特征向量输入深度神经网络以获得所述街景图像的分类结果，所述分类结果用于表示所述线缆的垂吊状态是否正常。
8.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于浅层低维形状特征的垂吊线缆检测方法。
CN202011231919.3A 2020-11-06 2020-11-06 垂吊线缆检测方法、***和电子设备 Active CN112270668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231919.3A CN112270668B (zh) 2020-11-06 2020-11-06 垂吊线缆检测方法、***和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231919.3A CN112270668B (zh) 2020-11-06 2020-11-06 垂吊线缆检测方法、***和电子设备

Publications (2)

Publication Number Publication Date
CN112270668A CN112270668A (zh) 2021-01-26
CN112270668B true CN112270668B (zh) 2021-09-21

Family

ID=74345831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231919.3A Active CN112270668B (zh) 2020-11-06 2020-11-06 垂吊线缆检测方法、***和电子设备

Country Status (1)

Country Link
CN (1) CN112270668B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650690A (zh) * 2016-12-30 2017-05-10 东华大学 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法
CN106874863A (zh) * 2017-01-24 2017-06-20 南京大学 基于深度卷积神经网络的车辆违停逆行检测方法
WO2018152246A1 (en) * 2017-02-14 2018-08-23 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for transmitting and receiving data using machine learning classification
CN108596173A (zh) * 2018-04-19 2018-09-28 长春理工大学 单相机全视角线号实时识别装置及其检测方法
CN109949313A (zh) * 2019-05-17 2019-06-28 中科院—南京宽带无线移动通信研发中心 一种图像实时语义分割方法
CN110136098A (zh) * 2019-04-15 2019-08-16 江苏大学 一种基于深度学习的线缆顺序检测方法
CN110210362A (zh) * 2019-05-27 2019-09-06 中国科学技术大学 一种基于卷积神经网络的交通标志检测方法
CN106372597B (zh) * 2016-08-31 2019-09-13 郑州禅图智能科技有限公司 基于自适应上下文信息的cnn交通检测方法
CN110470315A (zh) * 2019-06-27 2019-11-19 安徽四创电子股份有限公司 一种景点游客导航方法
CN110728352A (zh) * 2019-09-10 2020-01-24 东南大学 一种基于深度卷积神经网络的大规模图像分类方法
CN111079767A (zh) * 2019-12-22 2020-04-28 浪潮电子信息产业股份有限公司 一种用于分割图像的神经网络模型及其图像分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104602748B (zh) * 2012-08-16 2016-06-15 行为研究株式会社 振动处理装置及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372597B (zh) * 2016-08-31 2019-09-13 郑州禅图智能科技有限公司 基于自适应上下文信息的cnn交通检测方法
CN106650690A (zh) * 2016-12-30 2017-05-10 东华大学 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法
CN106874863A (zh) * 2017-01-24 2017-06-20 南京大学 基于深度卷积神经网络的车辆违停逆行检测方法
WO2018152246A1 (en) * 2017-02-14 2018-08-23 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for transmitting and receiving data using machine learning classification
CN108596173A (zh) * 2018-04-19 2018-09-28 长春理工大学 单相机全视角线号实时识别装置及其检测方法
CN110136098A (zh) * 2019-04-15 2019-08-16 江苏大学 一种基于深度学习的线缆顺序检测方法
CN109949313A (zh) * 2019-05-17 2019-06-28 中科院—南京宽带无线移动通信研发中心 一种图像实时语义分割方法
CN110210362A (zh) * 2019-05-27 2019-09-06 中国科学技术大学 一种基于卷积神经网络的交通标志检测方法
CN110470315A (zh) * 2019-06-27 2019-11-19 安徽四创电子股份有限公司 一种景点游客导航方法
CN110728352A (zh) * 2019-09-10 2020-01-24 东南大学 一种基于深度卷积神经网络的大规模图像分类方法
CN111079767A (zh) * 2019-12-22 2020-04-28 浪潮电子信息产业股份有限公司 一种用于分割图像的神经网络模型及其图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进的Faster R-CNN高压线缆目标检测方法;刘召 等;《智能***学报》;20190613;第14卷(第4期);第627-634页 *

Also Published As

Publication number Publication date
CN112270668A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN111027493B (zh) 一种基于深度学习多网络软融合的行人检测方法
US20170213081A1 (en) Methods and systems for automatically and accurately detecting human bodies in videos and/or images
US20120237081A1 (en) Anomalous pattern discovery
CN111813997B (zh) 入侵分析方法、装置、设备及存储介质
CN112052837A (zh) 基于人工智能的目标检测方法以及装置
CN112200081A (zh) 异常行为识别方法、装置、电子设备及存储介质
CN109063790B (zh) 对象识别模型优化方法、装置和电子设备
CN111191654A (zh) 道路数据生成方法、装置、电子设备及存储介质
WO2023001059A1 (zh) 检测方法、装置、电子设备及存储介质
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及***
CN112329881A (zh) 车牌识别模型训练方法、车牌识别方法及装置
CN113111838A (zh) 行为识别方法及装置、设备和存储介质
CN112101302B (zh) 非法张贴物检测方法、***和电子设备
CN112418198A (zh) 基于灰度图能量值的人行走道的地砖起伏缺陷检测方法
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
JP6976731B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN112270668B (zh) 垂吊线缆检测方法、***和电子设备
CN112215188A (zh) 交警姿态识别方法、装置、设备及存储介质
CN112016534B (zh) 车辆违停检测的神经网络的训练方法、检测方法和装置
CN112434601B (zh) 基于行车视频的车辆违法检测方法、装置、设备及介质
CN111680674B (zh) 基于自集成注意力机制的门厅人员监控方法
CN111488476B (zh) 图像推送方法、模型训练方法及对应装置
CN112001301B (zh) 基于全局交叉熵加权的楼宇监控方法、装置和电子设备
CN114495058A (zh) 交通标志检测方法和装置
CN114092746A (zh) 一种多属性识别方法、装置、存储介质及电子设备

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: 20210901

Address after: 264205 No. 8-1 to No. 8-5, Guotai Road, North comprehensive bonded zone, economic and Technological Development Zone, Weihai City, Shandong Province

Applicant after: Weihai Shiyi Electronics Co.,Ltd.

Address before: 210000 75-4 Renmin South Road, Gucheng Town, Gaochun District, Nanjing City, Jiangsu Province

Applicant before: Nanjing binzhizhi Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant