CN113205133A - 一种基于多任务学习的隧道水渍智能识别方法 - Google Patents
一种基于多任务学习的隧道水渍智能识别方法 Download PDFInfo
- Publication number
- CN113205133A CN113205133A CN202110482829.XA CN202110482829A CN113205133A CN 113205133 A CN113205133 A CN 113205133A CN 202110482829 A CN202110482829 A CN 202110482829A CN 113205133 A CN113205133 A CN 113205133A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- classification
- result
- wet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 230000007547 defect Effects 0.000 claims abstract description 8
- 238000011897 real-time detection Methods 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000004806 packaging method and process Methods 0.000 claims abstract description 4
- 238000007635 classification algorithm Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000006378 damage Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多任务学习的隧道水渍智能识别方法，包括如下步骤：图像采集与定位；采集地铁隧道湿渍图像数据，并同时通过定位模块获取该湿渍图像的定位信息数据；图像分类识别与检测；接收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行实时检测、分类，分别得到检测结果和分类结果，将检测结果和分类结果进行结果联合，输出识别结果；根据识别结果将缺陷图片、最终识别结果与找到定位信息打包成报警文件；车载传输程序会通过网络将打包后的报警文件传输至数据终端；数据终端解析报警文件后供相关工作人员及时查看、维护。通过本发明，可以实现减轻人力负担和时间成本的同时，提高铁路工作者的工作效率。
Description
技术领域
本发明涉及图像识别领域，具体是一种基于多任务学习的隧道水渍智能识别方法。
背景技术
隧道检测是施工质量管理的重要手段，是保证列车营运安全的前提。隧道湿渍会影响隧道内车流的正常行驶，甚至危害列车的安全运行。对于已经存在的隧道湿渍，一般通过人工巡检或离线数据分析的方式进行缺陷检测，但是这些传统方式不仅耗时耗力，而且不能及时排除安全隐患，给铁路工作者带来很大的困扰，但单一的车载识别检测算法又会漏掉部分湿渍，检测召回并不高，因此本***提出了一种基于多任务学习的识别方式实现实时、智能、高效地识别检测隧道湿渍。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于多任务学习的隧道水渍智能识别方法，包括如下步骤：
图像采集与定位；采集地铁隧道湿渍图像数据，并同时通过定位模块获取该湿渍图像的定位信息数据；
图像分类识别与检测；接收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行实时检测、分类，分别得到检测结果和分类结果，将检测结果和分类结果进行结果联合，输出识别结果；
根据识别结果将缺陷图片、最终识别结果与找到定位信息打包成报警文件；车载传输程序会通过网络将打包后的报警文件传输至数据终端；数据终端解析报警文件后供相关工作人员及时查看、维护。
根据权利要求1所述的一种基于多任务学习的隧道水渍智能识别方法，其特征在于，所述的采集地铁隧道湿渍图像数据，并同时通过定位模块获取该湿渍图像的定位信息数据，包括如下过程：
在搜星良好区域，利用GPS进行初始定位，在卫导盲区，利用基站进行初始定位；利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正；同步定位信息和图片时钟信息，为每一帧图像关联最近邻的定位信息。
进一步的，所述的接收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行实时检测，包括如下过程：
在进行检测之前对采集的进行切片处理，分别在每张图片的四个角的位置进行切片和以每张图片的中心点为原点切出与四个角的位置切片大小相同的切片，即每张图片对应五张切片图；用深度学习方法对切片处理后的图像进行预处理，将图像大小进行重置并将图像进行归一化；
采用yolov3检测算法，将预处理后的图像输入到检测网络，检测算法对位于每张图像四个角的切片进行检测：缩放输入图像到检测网络指定大小，提取特征，得到特征图；
将特征图分割成NxN个单元格，目标的中心坐标落在哪个单元格，就由该单元格来预测目标及位置信息。
进一步的，所述的收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行分类，包括如下过程：
采用分类算法，将归一化后的图像输入到分类网络，分类算法对同张图像同位置的四张切片以及中间位置的切片进行识别分类，分类网络采用inception_v3模型进行图像的特征提取和分类。
进一步的，所述的将检测结果和分类结果进行结果联合，输出识别结果，包括如下过程：
a)对于位于原图像四个角的切片，若检测算法和分类算法都识别到了湿渍或检测算法检测到了湿渍但分类算法没有识别到湿渍，则输出检测算法的检测结果，检测结果包含湿渍的位置信息和置信度；
b)若在同一位置上的切片上，检测算法没有检测到湿渍，而分类算法识别到了湿渍，则输出分类算法的识别结果；
c)若检测算法和分类算法在四个角的切片上都没有检测到湿渍，而分类算法在中间切片上识别到湿渍，则输出分类算法的识别结果；
若检测算法或分类算法在两张及以上的切片上都识别到了湿渍，则将同帧图像对应的切片上识别到的结果进行合并，输出最终的识别结果。
本发明的有益效果是：用检测程序和分类程序对隧道湿渍同时进行检测、识别，并将检测结果和识别结果进行实时合并返回报警终端。整个***部署在NVIDIA Jetson AGXXavier上，能够实时、快速、高效地识别隧道内湿渍，以便铁路工作者及时排除隐患，确保列车安全运行，同时减轻人力负担和时间成本，提高铁路工作者的工作效率。
附图说明
图1为一种基于多任务学习的隧道水渍智能识别方法的流程图；
图2为图像切片示意图；
图3为yolov3算法流程示意图；
图4为分类算法分类过程示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于多任务学习的隧道水渍智能识别方法，包括如下步骤：
图像采集与定位；采集地铁隧道湿渍图像数据，并同时通过定位模块获取该湿渍图像的定位信息数据；
图像分类识别与检测；接收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行实时检测、分类，分别得到检测结果和分类结果，将检测结果和分类结果进行结果联合，输出识别结果；
根据识别结果将缺陷图片、最终识别结果与找到定位信息打包成报警文件；车载传输程序会通过网络将打包后的报警文件传输至数据终端；数据终端解析报警文件后供相关工作人员及时查看、维护。
根据权利要求1所述的一种基于多任务学习的隧道水渍智能识别方法，其特征在于，所述的采集地铁隧道湿渍图像数据，并同时通过定位模块获取该湿渍图像的定位信息数据，包括如下过程：
在搜星良好区域，利用GPS进行初始定位，在卫导盲区，利用基站进行初始定位；利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正；同步定位信息和图片时钟信息，为每一帧图像关联最近邻的定位信息。
所述的接收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行实时检测，包括如下过程：
在进行检测之前对采集的进行切片处理，分别在每张图片的四个角的位置进行切片和以每张图片的中心点为原点切出与四个角的位置切片大小相同的切片，即每张图片对应五张切片图；用深度学习方法对切片处理后的图像进行预处理，将图像大小进行重置并将图像进行归一化；
采用yolov3检测算法，将预处理后的图像输入到检测网络，检测算法对位于每张图像四个角的切片进行检测：缩放输入图像到检测网络指定大小，提取特征，得到特征图；
将特征图分割成NxN个单元格，目标的中心坐标落在哪个单元格，就由该单元格来预测目标及位置信息。
所述的收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行分类，包括如下过程：
采用分类算法，将归一化后的图像输入到分类网络，分类算法对同张图像同位置的四张切片以及中间位置的切片进行识别分类，分类网络采用inception_v3模型进行图像的特征提取和分类。
所述的将检测结果和分类结果进行结果联合，输出识别结果，包括如下过程：
a)对于位于原图像四个角的切片，若检测算法和分类算法都识别到了湿渍或检测算法检测到了湿渍但分类算法没有识别到湿渍，则输出检测算法的检测结果，检测结果包含湿渍的位置信息和置信度；
b)若在同一位置上的切片上，检测算法没有检测到湿渍，而分类算法识别到了湿渍，则输出分类算法的识别结果；
c)若检测算法和分类算法在四个角的切片上都没有检测到湿渍，而分类算法在中间切片上识别到湿渍，则输出分类算法的识别结果；
若检测算法或分类算法在两张及以上的切片上都识别到了湿渍，则将同帧图像对应的切片上识别到的结果进行合并，输出最终的识别结果。
具体的，本发明方法采用基于多任务学习的隧道湿渍在线智能识别的设计方案，利用检测程序和分类程序对地铁隧道湿渍同时进行检测、识别，并将识别检测结果返回报警终端，生成检测报告。
采集检测地铁隧道湿渍所需图像数据以及获得定位信息。数据采集模块主要是由相机和补光构成，对隧道湿渍进行实时成像。定位信息通过基站、GPS、惯性导航组合定位模块获得，具体定位步骤如下：
1)在搜星良好区域，利用GPS进行初始定位，在卫导盲区，利用基站进行初始定位；
2)利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正，防止位置的漂移；
3)同步定位和图片时钟信息，为每一帧图片关联最近邻的位置信息。
接收相机采集到的图像数据，将数据传送到部署好的缺陷检测、分类程序中，对地铁隧道湿渍进行实时检测、分类。
1)检测过程如下：
i.在进行检测之前要对检测数据进行切片处理，比如原图长宽都是5120，分别在每张图片的四个角的位置切出3000x3000的切片，即每张图片对应四张切片图，如图1所示。
ii.用深度学习方法对切片处理后的图像数据进行预处理，为了让接收到的数据符合深度学习检测方法的输入要求，需要将图像大小进行重置(利用opencv库自带重置函数将输入图像大小进行重置)，同时为了更好地进行检测，将图像数据进行归一化。
iii.为了能进行快速检测，采用yolov3检测算法。yolov3采用的主干网络为darknet53。检测流程大致如下：
当输入数据到检测网络后：
缩放输入图像到检测网络指定大小，提取特征，得到一定大小的特征图；
将特征图分割成NxN个单元格，若目标的中心坐标落在哪个单元格，就由该单元格来预测目标及位置信息。
i.分类算法与检测算法同时对同帧、同位置的切片进行识别，但分类算法会多识别一个中间位置的切片：以每张图片的中心点为原点，切成3000x3000的切片，如图1所示。
ii.用深度学习方法对切片处理后的图像数据进行预处理，为了让接收到的数据符合分类方法的输入要求，需要将图像大小进行重置(利用opencv库自带重置函数将输入图像大小进行重置)，同时为了更好地进行分类，将图像数据进行归一化。
iii.将归一化后的图像输入到分类网络，分类网络采用inception_v3模型进行图像的特征提取和分类。
3)检测任务、分类任务结果联合
检测算法对位于每帧图片四个角的切片进行检测，与此同时，分类算法对同帧图片同位置的四张切片以及中间位置的切片进行识别分类：
a)对于位于原图四个角的切片，若检测算法和分类算法都识别到了湿渍、检测算法检测到了湿渍但分类算法没有识别到湿渍，则输出检测算法的检测结果(包含湿渍的位置信息和置信度)；
b)若在同一位置上的切片上，检测算法没有检测到湿渍，而分类算法识别到了湿渍，则输出分类算法的识别结果(湿渍的位置即切片对应原图的位置信息、置信度)；
c)若检测算法和分类算法在四个角的切片上都没有检测到湿渍，而分类算法在中间切片上识别到湿渍，则输出分类算法的识别结果湿渍的位置即切片对应原图的位置信息、置信度)；
若检测算法或分类算法在两张及以上的切片上都识别到了湿渍，则将同帧图片对应的切片上识别到的结果进行合并，输出最终的识别结果。
终端报警模块将缺陷图片、最终识别结果与找到定位信息打包成报警文件；车载传输程序会通过4G网络将打包后的报警文件传输至数据终端。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于多任务学习的隧道水渍智能识别方法，其特征在于，包括如下步骤：
图像采集与定位；采集地铁隧道湿渍图像数据，并同时通过定位模块获取该湿渍图像的定位信息数据；
图像分类识别与检测；接收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行实时检测、分类，分别得到检测结果和分类结果，将检测结果和分类结果进行结果联合，输出识别结果；
根据识别结果将缺陷图片、最终识别结果与找到定位信息打包成报警文件；车载传输程序会通过网络将打包后的报警文件传输至数据终端；数据终端解析报警文件后供相关工作人员及时查看、维护。
2.根据权利要求1所述的一种基于多任务学习的隧道水渍智能识别方法，其特征在于，所述的采集地铁隧道湿渍图像数据，并同时通过定位模块获取该湿渍图像的定位信息数据，包括如下过程：
在搜星良好区域，利用GPS进行初始定位，在卫导盲区，利用基站进行初始定位；利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正；同步定位信息和图片时钟信息，为每一帧图像关联最近邻的定位信息。
3.根据权利要求1所述的一种基于多任务学习的隧道水渍智能识别方法，其特征在于，所述的接收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行实时检测，包括如下过程：
在进行检测之前对采集的进行切片处理，分别在每张图片的四个角的位置进行切片和以每张图片的中心点为原点切出与四个角的位置切片大小相同的切片，即每张图片对应五张切片图；用深度学习方法对切片处理后的图像进行预处理，将图像大小进行重置并将图像进行归一化；
采用yolov3检测算法，将预处理后的图像输入到检测网络，检测算法对位于每张图像四个角的切片进行检测：缩放输入图像到检测网络指定大小，提取特征，得到特征图；
将特征图分割成NxN个单元格，目标的中心坐标落在哪个单元格，就由该单元格来预测目标及位置信息。
4.根据权利要求3所述的一种基于多任务学习的隧道水渍智能识别方法，其特征在于，所述的收采集到的图像数据，将数据传送到多任务学习识别模块中，对地铁隧道湿渍进行分类，包括如下过程：
采用分类算法，将归一化后的图像输入到分类网络，分类算法对同张图像同位置的四张切片以及中间位置的切片进行识别分类，分类网络采用inception_v3模型进行图像的特征提取和分类。
5.根据权利要求4所述的一种基于多任务学习的隧道水渍智能识别方法，其特征在于，所述的将检测结果和分类结果进行结果联合，输出识别结果，包括如下过程：
a)对于位于原图像四个角的切片，若检测算法和分类算法都识别到了湿渍或检测算法检测到了湿渍但分类算法没有识别到湿渍，则输出检测算法的检测结果，检测结果包含湿渍的位置信息和置信度；
b)若在同一位置上的切片上，检测算法没有检测到湿渍，而分类算法识别到了湿渍，则输出分类算法的识别结果；
c)若检测算法和分类算法在四个角的切片上都没有检测到湿渍，而分类算法在中间切片上识别到湿渍，则输出分类算法的识别结果；
若检测算法或分类算法在两张及以上的切片上都识别到了湿渍，则将同帧图像对应的切片上识别到的结果进行合并，输出最终的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110482829.XA CN113205133B (zh) | 2021-04-30 | 2021-04-30 | 一种基于多任务学习的隧道水渍智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110482829.XA CN113205133B (zh) | 2021-04-30 | 2021-04-30 | 一种基于多任务学习的隧道水渍智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113205133A true CN113205133A (zh) | 2021-08-03 |
| CN113205133B CN113205133B (zh) | 2024-01-26 |
Family
ID=77030139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110482829.XA Active CN113205133B (zh) | 2021-04-30 | 2021-04-30 | 一种基于多任务学习的隧道水渍智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113205133B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117010831A (zh) * | 2023-08-07 | 2023-11-07 | 深圳远大科技工程有限公司 | 一种基于大数据的建筑智能化管理***及方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160096460A (ko) * | 2015-02-05 | 2016-08-16 | 삼성전자주식회사 | 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법 |
| EP3273387A1 (en) * | 2016-07-19 | 2018-01-24 | Siemens Healthcare GmbH | Medical image segmentation with a multi-task neural network system |
| CN109325454A (zh) * | 2018-09-28 | 2019-02-12 | 合肥工业大学 | 一种基于YOLOv3的静态手势实时识别方法 |
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| CN109754399A (zh) * | 2019-01-17 | 2019-05-14 | 成都国铁电气设备有限公司 | 一种基于图像分割的铁路供电检测重复报警分析方法 |
| CN109977957A (zh) * | 2019-03-04 | 2019-07-05 | 苏宁易购集团股份有限公司 | 一种基于深度学习的***识别方法及*** |
| CN110119726A (zh) * | 2019-05-20 | 2019-08-13 | 四川九洲视讯科技有限责任公司 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
| CN111369515A (zh) * | 2020-02-29 | 2020-07-03 | 上海交通大学 | 一种基于计算机视觉的隧道水渍检测***及方法 |
| CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
| US20200349697A1 (en) * | 2019-05-02 | 2020-11-05 | Curacloud Corporation | Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network |
| CN111932548A (zh) * | 2020-04-21 | 2020-11-13 | 南京航空航天大学 | 一种基于深度学习的地铁隧道细微裂缝分割方法 |
| CN112070754A (zh) * | 2020-09-11 | 2020-12-11 | 武汉百家云科技有限公司 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
| CN112113978A (zh) * | 2020-09-22 | 2020-12-22 | 成都国铁电气设备有限公司 | 一种基于深度学习的车载隧道缺陷在线检测***及方法 |
| CN112115902A (zh) * | 2020-09-25 | 2020-12-22 | 广州市派客朴食信息科技有限责任公司 | 一种基于单阶段目标检测算法的菜品识别方法 |
-
2021
- 2021-04-30 CN CN202110482829.XA patent/CN113205133B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160096460A (ko) * | 2015-02-05 | 2016-08-16 | 삼성전자주식회사 | 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법 |
| EP3273387A1 (en) * | 2016-07-19 | 2018-01-24 | Siemens Healthcare GmbH | Medical image segmentation with a multi-task neural network system |
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| CN109325454A (zh) * | 2018-09-28 | 2019-02-12 | 合肥工业大学 | 一种基于YOLOv3的静态手势实时识别方法 |
| CN109754399A (zh) * | 2019-01-17 | 2019-05-14 | 成都国铁电气设备有限公司 | 一种基于图像分割的铁路供电检测重复报警分析方法 |
| CN109977957A (zh) * | 2019-03-04 | 2019-07-05 | 苏宁易购集团股份有限公司 | 一种基于深度学习的***识别方法及*** |
| US20200349697A1 (en) * | 2019-05-02 | 2020-11-05 | Curacloud Corporation | Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network |
| CN110119726A (zh) * | 2019-05-20 | 2019-08-13 | 四川九洲视讯科技有限责任公司 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
| CN111369515A (zh) * | 2020-02-29 | 2020-07-03 | 上海交通大学 | 一种基于计算机视觉的隧道水渍检测***及方法 |
| CN111932548A (zh) * | 2020-04-21 | 2020-11-13 | 南京航空航天大学 | 一种基于深度学习的地铁隧道细微裂缝分割方法 |
| CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
| CN112070754A (zh) * | 2020-09-11 | 2020-12-11 | 武汉百家云科技有限公司 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
| CN112113978A (zh) * | 2020-09-22 | 2020-12-22 | 成都国铁电气设备有限公司 | 一种基于深度学习的车载隧道缺陷在线检测***及方法 |
| CN112115902A (zh) * | 2020-09-25 | 2020-12-22 | 广州市派客朴食信息科技有限责任公司 | 一种基于单阶段目标检测算法的菜品识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙明华;杨媛;李渊博;: "基于深度可分离卷积的地铁隧道巡检视频分析", 计算机工程与科学, no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117010831A (zh) * | 2023-08-07 | 2023-11-07 | 深圳远大科技工程有限公司 | 一种基于大数据的建筑智能化管理***及方法 |
| CN117010831B (zh) * | 2023-08-07 | 2024-03-08 | 深圳远大科技工程有限公司 | 一种基于大数据的建筑智能化管理***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113205133B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测*** | |
| CN112113978A (zh) | 一种基于深度学习的车载隧道缺陷在线检测***及方法 | |
| CN101834989B (zh) | 直升机电力巡检实时数据采集存储*** | |
| KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及*** | |
| CN109993163A (zh) | 一种基于人工智能的非标铭牌识别***及其识别方法 | |
| CN111833302A (zh) | 一种车号与箱号识别关联*** | |
| CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及*** | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法 | |
| CN113935364A (zh) | 基于YOLOv4网络的无人机火焰检测方法及*** | |
| CN112487894A (zh) | 基于人工智能的轨道交通保护区自动巡查方法及装置 | |
| CN202562477U (zh) | 集装箱码头堆场集装箱危险堆存方式检测装置 | |
| CN113205133A (zh) | 一种基于多任务学习的隧道水渍智能识别方法 | |
| CN113706497B (zh) | 一种违禁品智能识别装置和*** | |
| CN115620000A (zh) | 一种无渣道床积水的智能识别方法 | |
| CN113092495A (zh) | 一种车地协同的地铁隧道缺陷智能巡检***及方法 | |
| CN212302511U (zh) | 一种车号与箱号识别关联***监测设备 | |
| CN113569943B (zh) | 一种基于深度神经网络的渣片大块预警方法、***及装置 | |
| CN109902647A (zh) | 一种便携式在线鸟巢智能识别方法及*** | |
| CN112016514B (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
| CN114627361A (zh) | 一种道路垃圾检测方法 | |
| CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及*** | |
| CN113780178A (zh) | 道路检测方法、装置、电子设备和存储介质 | |
| CN111105395A (zh) | 一种用于输电运行监测的ai智能云台 | |
| CN117671914B (zh) | 一种无人机多传感器林火识别方法、装置和*** |
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 | ||
| GR01 | Patent grant |