CN112364687A - 一种基于改进的Faster R-CNN加油站静电标志识别方法及*** - Google Patents

一种基于改进的Faster R-CNN加油站静电标志识别方法及*** Download PDF

Info

Publication number
CN112364687A
CN112364687A CN202011052340.0A CN202011052340A CN112364687A CN 112364687 A CN112364687 A CN 112364687A CN 202011052340 A CN202011052340 A CN 202011052340A CN 112364687 A CN112364687 A CN 112364687A
Authority
CN
China
Prior art keywords
electrostatic
cnn
faster
target
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.)
Pending
Application number
CN202011052340.0A
Other languages
English (en)
Inventor
陈志军
关超华
周斯加
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.)
Shangshan Zhicheng Suzhou Information Technology Co ltd
Original Assignee
Shangshan Zhicheng Suzhou Information 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 Shangshan Zhicheng Suzhou Information Technology Co ltd filed Critical Shangshan Zhicheng Suzhou Information Technology Co ltd
Priority to CN202011052340.0A priority Critical patent/CN112364687A/zh
Publication of CN112364687A publication Critical patent/CN112364687A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

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

Abstract

本发明提供一种基于改进的Faster R‑CNN加油站静电标志识别方法，包括采集卸油作业现场包含车辆本体及车辆本体上设有静电标志的车辆图片，且将车辆图片预处理成样本数据集；构建Faster R‑CNN神经网络模型，并在样本数据集导入Faster R‑CNN神经网络模型对RPN网络进行端到端的联合训练时，结合Faster R‑CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别，且进一步将静电标志的目标区域和目标类别整合至预设的Fast R‑CNN神经网络模型中，得到静电标志的检测模型；获取卸油作业现场实时车辆图片在静电标志的检测模型中识别，确定实时车辆图片上静电标志的类别和位置。实施本发明，能够实现实时检测，不仅具有较快的自检速度，还具有较高的检测精确度。

Description

一种基于改进的Faster R-CNN加油站静电标志识别方法及 ***
技术领域
本发明涉及计算机视觉识别技术领域，尤其涉及一种基于改进的Faster R-CNN加油站静电标志识别方法及***。
背景技术
计算机的静电标志的识别是指对于给定的一副图片，采用一定的方法和策略来确定这副图片中是否含有静电标志，如果有的话则返回这个标志在这副图片中的位置和大小。计算机对静电标志的识别实际是一种模式识别，是指对事物或现象的不同形式的信息做分析和处理，从而得到一个对事物或现象做出描述、辨别和分类等的一个过程。
目前，计算机的静电标志识别采用的是Faster R-CNN这种目标检测算法。FasterR-CNN是在Faster R-CNN的基础上发展来的，检测速度和准确率方面有了很大的提升，但是还是存在一定缺陷，主要在于：Faster R-CNN不能进行实时检测，且检测速度和精度有待提高。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于改进的Faster R-CNN加油站静电标志识别方法及***，能够实现实时检测，不仅具有较快的自检速度，还具有较高的检测精确度。
为了解决上述技术问题，本发明实施例提供了一种基于改进的Faster R-CNN加油站静电标志识别方法，所述方法包括以下步骤：
S1、采集卸油作业现场包含车辆本体及车辆本体上设有静电标志的车辆图片，且将所述车辆图片预处理成样本数据集；
S2、构建Faster R-CNN神经网络模型，并在所述样本数据集导入所述FasterR-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述FasterR-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别，且进一步将所得到的静电标志的目标区域和目标类别整合至预设的Fast R-CNN神经网络模型中，得到静电标志的检测模型；
S3、获取卸油作业现场实时车辆图片，并将所获取的实时车辆图片导入所述静电标志的检测模型中识别，确定所获取的实时车辆图片上静电标志的类别和位置。
其中，所述静电标志为三角形形状。
其中，在所述步骤S2中，所述在所述样本数据集导入所述Faster R-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述Faster R-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别的步骤具体包括：
在对RPN网络上半分支训练中，将ResNet结构提取的特征图分割成多个锚框anchor，并从所述多个锚框anchor中，选出目标区域proposal打上标签label作为静电标志的目标区域；
在对RPN网络下半分支训练中，获取上半分支的目标区域proposal的位置作为静电标志的目标类别。
其中，所述目标区域proposal的位置获取的步骤具体为：
选出概率最高的N个目标区域proposal，并将所选的N个目标区域proposal做非极大值抑制，得到概率最高的M个目标区域proposal。
其中，所述RPN网络进行训练时两个分支进行联合训练所产生的损失函数为：
Figure BDA0002709948480000021
Lcls(pi,pi*)＝-log[pi*pi+(1-pi*)(1-pi)]
Lreg(ti,ti*)＝R(ti-ti*)
其中，pi*表示图片的目标概率值，
Figure BDA0002709948480000022
i表示每个小批量中锚点的序号；pi表示锚点i的目标概率；p*表示标签，0或1；t表示预测框的4个参数；t*表示标定框的参数；Lcls表示分类损失函数；Lreg表示回归损失函数；p*i*Lreg表示回归只对正样本进行，其中负样本时p*i＝0；cls和reg分别输出pi和ti。
本发明实施例还提供了一种基于改进的Faster R-CNN加油站静电标志识别***，包括：
数据采集单元，用于采集卸油作业现场包含车辆本体及车辆本体上设有静电标志的车辆图片，且将所述车辆图片预处理成样本数据集；
检测模型构建单元，用于构建Faster R-CNN神经网络模型，并在所述样本数据集导入所述Faster R-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述Faster R-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别，且进一步将所得到的静电标志的目标区域和目标类别整合至预设的Fast R-CNN神经网络模型中，得到静电标志的检测模型；
检测结果输出单元，用于获取卸油作业现场实时车辆图片，并将所获取的实时车辆图片导入所述静电标志的检测模型中识别，确定所获取的实时车辆图片上静电标志的类别和位置。
其中，所述静电标志为三角形形状。
实施本发明实施例，具有如下有益效果：
与现有技术相比，本发明通过对Faster R-CNN进行改造并保留了它的优势，通过训练RPN与检测网络共享卷积层加上将目标区域和目标类别整合在一个神经网络模型中进行预测，从而达到了高速且可以实时检测的效果，可以使得该方法在检测性能上进行端到端的优化，从而可以高效率的识别静电标志。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于改进的Faster R-CNN加油站静电标志识别方法的流程图；
图2为本发明实施例提供的基于改进的Faster R-CNN加油站静电标志识别***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种基于改进的Faster R-CNN加油站静电标志识别方法，所述方法包括以下步骤：
步骤S1、采集卸油作业现场包含车辆本体及车辆本体上设有静电标志的车辆图片，且将所述车辆图片预处理成样本数据集；
具体过程为，通过摄像机对静电标志进行多角度、多距离和多高度拍摄，得到包含静电标志的视频素材；如拍摄时以移动相机进行拍摄以5米，8米，10米，15米，20米为半径，围绕一圈对静电连接夹子进行拍摄录像。拍摄过程中，相机的高度应在2～4米之间。其次，通过编写PYTHON脚本并调用OPENCV对包含车辆本体及其所含静电标志的视频素材进行分解处理成样本数据集。其中，静电标志不能使用反光材质，形状时使用具有稳定性的三角形的形状。
应当说明的是，样本数据集是通过在labelimg软件制作成VOC2007格式的数据集，并通过PYTHON脚本生成训练数据集、测试数据集、验证数据集等。
步骤S2、构建Faster R-CNN神经网络模型，并在所述样本数据集导入所述FasterR-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述Faster R-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别，且进一步将所得到的静电标志的目标区域和目标类别整合至预设的Fast R-CNN神经网络模型中，得到静电标志的检测模型；
具体过程为，首先，构建Faster R-CNN神经网络模型，将步骤S1的样本数据集导入Faster R-CNN神经网络模型对RPN网络进行端到端的联合训练时，通过Faster R-CNN神经网络模型中的ResNet结构来提取特征图feature map，该结构对每层的输入做一个reference形成残差函数，这种残差函数更容易优化，可以是网络层数大大加深，使得可以收敛的网络的深度也大大提升。
同时，对RPN的训练主要分为两个部分，在对RPN网络上半分支训练中，将ResNet结构提取的特征图分割成多个锚框anchor(3种长宽比×3种尺寸)，并从多个锚框anchor中，选出目标区域proposal打上标签label作为静电标志的目标区域；在对RPN网络下半分支训练中，获取上半分支的目标区域proposal的位置作为静电标志的目标类别。
其中，目标区域proposal的位置获取的步骤具体为：选出概率最高的N个目标区域proposal，并将所选的N个目标区域proposal做非极大值抑制，得到概率最高的M个目标区域proposal。
其中，RPN网络进行训练时两个分支进行联合训练所产生的损失函数为：
Figure BDA0002709948480000051
Lcls(pi,pi*)＝-log[pi*pi+(1-pi*)(1-pi)]
Lreg(ti,ti*)＝R(ti-ti*)
其中，pi*表示图片的目标概率值，
Figure BDA0002709948480000052
i表示每个小批量中锚点的序号；pi表示锚点i的目标概率；p*表示标签，0或1；t表示预测框的4个参数；t*表示标定框的参数；Lcls表示分类损失函数；Lreg表示回归损失函数；p*i*Lreg表示回归只对正样本进行，其中负样本时p*i＝0；cls和reg分别输出pi和ti。
其次，将目标区域和目标类别整合到预设的Fast R-CNN神经网络模型中，形成静电标志的检测模型；其中，该静电标志的检测模型因为能直接从图像中提取boundingboxes和类别概率的单个问题转变为得到目标的具体类别和位置的方式，从而具有检测速度非常快，实现实时检测的目的。
S3、获取卸油作业现场实时车辆图片，并将所获取的实时车辆图片导入所述静电标志的检测模型中识别，确定所获取的实时车辆图片上静电标志的类别和位置。
具体过程为，获取卸油作业现场实时车辆图片并在静电标志的检测模型中识别，快速得到该实时车辆图片上静电标志的类别和位置。
如图2所示，为本发明实施例中，提供的一种基于改进的Faster R-CNN加油站静电标志识别***，包括：
数据采集单元110，用于采集卸油作业现场包含车辆本体及车辆本体上设有静电标志的车辆图片，且将所述车辆图片预处理成样本数据集；
检测模型构建单元120，用于构建Faster R-CNN神经网络模型，并在所述样本数据集导入所述Faster R-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述Faster R-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别，且进一步将所得到的静电标志的目标区域和目标类别整合至预设的Fast R-CNN神经网络模型中，得到静电标志的检测模型；
检测结果输出单元130，用于获取卸油作业现场实时车辆图片，并将所获取的实时车辆图片导入所述静电标志的检测模型中识别，确定所获取的实时车辆图片上静电标志的类别和位置。
其中，所述静电标志为三角形形状。
实施本发明实施例，具有如下有益效果：
与现有技术相比，本发明通过对Faster R-CNN进行改造并保留了它的优势，通过训练RPN与检测网络共享卷积层加上将目标区域和目标类别整合在一个神经网络模型中进行预测，从而达到了高速且可以实时检测的效果，可以使得该方法在检测性能上进行端到端的优化，从而可以高效率的识别静电标志。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种基于改进的Faster R-CNN加油站静电标志识别方法，其特征在于，所述方法包括以下步骤：
S1、采集卸油作业现场包含车辆本体及车辆本体上设有静电标志的车辆图片，且将所述车辆图片预处理成样本数据集；
S2、构建Faster R-CNN神经网络模型，并在所述样本数据集导入所述Faster R-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述Faster R-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别，且进一步将所得到的静电标志的目标区域和目标类别整合至预设的Fast R-CNN神经网络模型中，得到静电标志的检测模型；
S3、获取卸油作业现场实时车辆图片，并将所获取的实时车辆图片导入所述静电标志的检测模型中识别，确定所获取的实时车辆图片上静电标志的类别和位置。
2.如权利要求1中所述的基于改进的Faster R-CNN加油站静电标志识别方法，其特征在于，所述静电标志为三角形形状。
3.如权利要求1中所述的基于改进的Faster R-CNN加油站静电标志识别方法，其特征在于，在所述步骤S2中，所述在所述样本数据集导入所述Faster R-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述Faster R-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别的步骤具体包括：
在对RPN网络上半分支训练中，将ResNet结构提取的特征图分割成多个锚框anchor，并从所述多个锚框anchor中，选出目标区域proposal打上标签label作为静电标志的目标区域；
在对RPN网络下半分支训练中，获取上半分支的目标区域proposal的位置作为静电标志的目标类别。
4.如权利要求3所述的基于改进的Faster R-CNN加油站静电标志识别方法，其特征在于，所述目标区域proposal的位置获取的步骤具体为：
选出概率最高的N个目标区域proposal，并将所选的N个目标区域proposal做非极大值抑制，得到概率最高的M个目标区域proposal。
5.如权利要求3所述的基于改进的Faster R-CNN加油站静电标志识别方法，其特征在于，所述RPN网络进行训练时两个分支进行联合训练所产生的损失函数为：
Figure FDA0002709948470000021
Lcls(pi,pi*)＝-log[pi*pi+(1-pi*)(1-pi)]
Lreg(ti,ti*)＝R(ti-ti*)
其中，pi*表示图片的目标概率值，
Figure FDA0002709948470000022
i表示每个小批量中锚点的序号；pi表示锚点i的目标概率；p*表示标签，0或1；t表示预测框的4个参数；t*表示标定框的参数；Lcls表示分类损失函数；Lreg表示回归损失函数；p*i*Lreg表示回归只对正样本进行，其中负样本时p*i＝0；cls和reg分别输出pi和ti。
6.一种基于改进的Faster R-CNN加油站静电标志识别***，其特征在于，包括：
数据采集单元，用于采集卸油作业现场包含车辆本体及车辆本体上设有静电标志的车辆图片，且将所述车辆图片预处理成样本数据集；
检测模型构建单元，用于构建Faster R-CNN神经网络模型，并在所述样本数据集导入所述Faster R-CNN神经网络模型对RPN网络进行端到端的联合训练时，结合所述Faster R-CNN神经网络中ResNet结构来提取特征图，得到静电标志的目标区域和目标类别，且进一步将所得到的静电标志的目标区域和目标类别整合至预设的Fast R-CNN神经网络模型中，得到静电标志的检测模型；
检测结果输出单元，用于获取卸油作业现场实时车辆图片，并将所获取的实时车辆图片导入所述静电标志的检测模型中识别，确定所获取的实时车辆图片上静电标志的类别和位置。
7.如权利要求6中所述的基于改进的Faster R-CNN加油站静电标志识别***，其特征在于，所述静电标志为三角形形状。
CN202011052340.0A 2020-09-29 2020-09-29 一种基于改进的Faster R-CNN加油站静电标志识别方法及*** Pending CN112364687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011052340.0A CN112364687A (zh) 2020-09-29 2020-09-29 一种基于改进的Faster R-CNN加油站静电标志识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011052340.0A CN112364687A (zh) 2020-09-29 2020-09-29 一种基于改进的Faster R-CNN加油站静电标志识别方法及***

Publications (1)

Publication Number Publication Date
CN112364687A true CN112364687A (zh) 2021-02-12

Family

ID=74506482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011052340.0A Pending CN112364687A (zh) 2020-09-29 2020-09-29 一种基于改进的Faster R-CNN加油站静电标志识别方法及***

Country Status (1)

Country Link
CN (1) CN112364687A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011514A (zh) * 2021-03-29 2021-06-22 吉林大学 基于双线性池化应用于ct影像的颅内出血亚类型分类算法
CN114545102A (zh) * 2022-01-14 2022-05-27 深圳市中明科技股份有限公司 一种在线监控***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法
CN108009509A (zh) * 2017-12-12 2018-05-08 河南工业大学 车辆目标检测方法
CN108509839A (zh) * 2018-02-02 2018-09-07 东华大学 一种基于区域卷积神经网络高效的手势检测识别方法
CN110031690A (zh) * 2019-04-24 2019-07-19 南京迈品防静电设备有限公司 一种用于加油站的静电检测门禁
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
CN110456723A (zh) * 2019-08-15 2019-11-15 成都睿晓科技有限公司 一种基于深度学习的加油站卸油区安全管控***
CN110555842A (zh) * 2019-09-10 2019-12-10 太原科技大学 一种基于锚点集优化的硅片图像缺陷检测方法
WO2020020472A1 (en) * 2018-07-24 2020-01-30 Fundación Centro Tecnoloxico De Telecomunicacións De Galicia A computer-implemented method and system for detecting small objects on an image using convolutional neural networks
CN111582344A (zh) * 2020-04-29 2020-08-25 上善智城(苏州)信息科技有限公司 一种加油站卸油口盖状态识别方法
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法
CN108009509A (zh) * 2017-12-12 2018-05-08 河南工业大学 车辆目标检测方法
CN108509839A (zh) * 2018-02-02 2018-09-07 东华大学 一种基于区域卷积神经网络高效的手势检测识别方法
WO2020020472A1 (en) * 2018-07-24 2020-01-30 Fundación Centro Tecnoloxico De Telecomunicacións De Galicia A computer-implemented method and system for detecting small objects on an image using convolutional neural networks
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法
CN110031690A (zh) * 2019-04-24 2019-07-19 南京迈品防静电设备有限公司 一种用于加油站的静电检测门禁
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
CN110456723A (zh) * 2019-08-15 2019-11-15 成都睿晓科技有限公司 一种基于深度学习的加油站卸油区安全管控***
CN110555842A (zh) * 2019-09-10 2019-12-10 太原科技大学 一种基于锚点集优化的硅片图像缺陷检测方法
CN111582344A (zh) * 2020-04-29 2020-08-25 上善智城(苏州)信息科技有限公司 一种加油站卸油口盖状态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 39, no. 6, pages 1137 - 1149, XP055705510, DOI: 10.1109/TPAMI.2016.2577031 *
李就好等: "改进Faster R-CNN 的田间苦瓜叶部病害检测", 《农业工程学报》, vol. 36, no. 12, pages 179 - 185 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011514A (zh) * 2021-03-29 2021-06-22 吉林大学 基于双线性池化应用于ct影像的颅内出血亚类型分类算法
CN113011514B (zh) * 2021-03-29 2022-01-14 吉林大学 基于双线性池化应用于ct影像的颅内出血亚类型分类算法
CN114545102A (zh) * 2022-01-14 2022-05-27 深圳市中明科技股份有限公司 一种在线监控***

Similar Documents

Publication Publication Date Title
CN108090906B (zh) 一种基于区域提名的宫颈图像处理方法及装置
CN111461209B (zh) 一种模型训练装置和方法
CN105574550A (zh) 一种车辆识别方法及装置
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN110751232A (zh) 一种中文复杂场景文本检测与识别方法
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN111027538A (zh) 一种基于实例分割模型的集装箱检测方法
CN113780087A (zh) 一种基于深度学习的邮政包裹文本检测方法及设备
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN112364687A (zh) 一种基于改进的Faster R-CNN加油站静电标志识别方法及***
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN113850799A (zh) 一种基于YOLOv5的微量DNA提取工作站工件检测方法
CN116385374A (zh) 基于卷积神经网络的细胞计数方法
CN116740758A (zh) 一种防止误判的鸟类图像识别方法及***
CN109615610B (zh) 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法
CN117437647B (zh) 基于深度学习和计算机视觉的甲骨文字检测方法
CN114882204A (zh) 船名自动识别方法
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
CN112347967A (zh) 一种复杂场景下融合运动信息的行人检测方法
CN110889418A (zh) 一种气体轮廓识别方法
CN111767919A (zh) 一种多层双向特征提取与融合的目标检测方法
CN116052110A (zh) 一种路面标线缺损智能定位方法及***
CN114927236A (zh) 一种面向多重目标图像的检测方法及***

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