CN113297996A - 一种基于YoloV3的无人机航拍绝缘子目标检测方法 - Google Patents
一种基于YoloV3的无人机航拍绝缘子目标检测方法 Download PDFInfo
- Publication number
- CN113297996A CN113297996A CN202110604048.3A CN202110604048A CN113297996A CN 113297996 A CN113297996 A CN 113297996A CN 202110604048 A CN202110604048 A CN 202110604048A CN 113297996 A CN113297996 A CN 113297996A
- Authority
- CN
- China
- Prior art keywords
- target detection
- unmanned aerial
- aerial vehicle
- detection method
- insulator
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 239000012212 insulator Substances 0.000 title claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000004904 shortening Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 6
- 238000009413 insulation Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YoloV3的无人机航拍绝缘子目标检测方法,包括,基于YoloV3模型构建目标检测模型,并修改目标检测模型的网络结构;通过特征金字塔搭建目标检测模型的特征提取层,而后对特征提取层分别进行卷积和池化处理,完成目标检测模型的优化;利用优化后的目标检测模型对无人机航拍绝缘子进行目标检测;本发明基于YoloV3模型构建目标检测模型,该模型对于目标面积较小的绝缘子以及被遮挡的绝缘子有更加优异的识别效果,识别准确率更高,识别位置更精确。
Description
技术领域
本发明涉及无人机的技术领域,尤其涉及一种基于YoloV3的无人机航拍绝缘子目标检测方法。
背景技术
目前,无人机领域具有巨大的市场价值,基于无人机航拍图像的处理技术成为研究热门课题。
传统的航拍图像使用的目标检测算法,主要采用阶段性设计的方法对图像进行区域窗口提取、特征提取和窗口分类。然而对于具有多样性表征的目标,基于滑动窗口的区域选择策略存在缺乏针对性、计算复杂度高、存在窗口冗余、鲁棒性较差等问题。在无人机航拍图像中,除了受到小尺度目标和尺度变化大等影响之外,目标对象还会受到亮度、遮挡、背景复杂多变等因素的干扰。传统的目标检测算法易于受干扰因素的影响,造成误检和漏检的情况。近些年,随着一大批深度学习算法的涌现,在目标检测、实例分割等技术上取得了突破性进步。通过深度卷积神经网络,突破了以往目标检测算法只能提取浅层特征的瓶颈。同时,显著提高了图像对于深层特征的提取能力,从而提高了复杂背景下的目标检测性能。
现有的航拍图像处理算法,大都采用卷积神经网络(CNN,Convolutional neuralnetwork)进行检测。CNN通过收集语义子特征的层次结构来生成复杂对象的特征表示。这些子特征通常可以分组形式分布在每层的特征向量,代表各种语义实体。但是,这些子特征的激活通常在空间上受到相似模式和嘈杂背景的影响,从而导致错误的定位和识别。
由于航拍静态目标的尺度变化差异大、目标遮挡等诸多极具挑战性的问题,还未找到普遍合适的解决方案,因此还需要进一步深入研究。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于YoloV3的无人机航拍绝缘子目标检测方法,能够解决对于目标面积较小的绝缘子以及被遮挡的绝缘子识别精度低的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,基于YoloV3模型构建目标检测模型,并修改目标检测模型的网络结构;通过特征金字塔搭建目标检测模型的特征提取层,而后对所述特征提取层分别进行卷积和池化处理,完成目标检测模型的优化;利用优化后的目标检测模型对无人机航拍绝缘子进行目标检测。
作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案,其中:所述修改目标检测模型的网络结构包括,利用CSPDarknet-53网络作为目标检测模型的主干网络;选取Mish函数作为激活函数;利用CIOU作为回归损失函数。
作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案,其中:所述Mish函数包括,
Mish=x×tanh(ln(1+ex))
其中,x为输入。
作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案,其中:所述回归损失函数包括,
其中,LOSSCIOU为回归损失值,b,bgt为预测框和真实框的中心点,ρ表示预测框和真实框的中心点的欧氏距离,c表示的是能够同时包含预测框和真实框的最小闭包区域的对角线距离,α为权重函数,ν用于衡量长宽比的相似性。
作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案,其中:所述权重函数α包括,
其中,IOU为交并比。
作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案,其中:所述ν包括,
其中,w为宽度,h为长度,wgt为真实框的宽度,hgt为真实框的长度。
作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案,其中:所述特征提取层包括空间金字塔池化网络和路径聚合网络;通过所述空间金字塔池化网络将任意大小的特征图转换成固定大小的特征向量;通过所述路径聚合网络缩短特征提取层中低层与顶层特征之间的信息路径。
作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案,其中:还包括,通过所述空间金字塔池化网络对CSPDarknet-53网络的最后一个特征层进行三次卷积处理,而后分别利用四个不同尺度的最大池化的池化核进行所述池化处理;其中,所述四个不同尺度的最大池化的池化核大小分别为13x13、9x9、5x5、1x1。
本发明的有益效果:本发明基于YoloV3模型构建目标检测模型,该模型对于目标面积较小的绝缘子以及被遮挡的绝缘子有更加优异的识别效果,识别准确率更高,识别位置更精确。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的CSPDarknet-53网络结构示意图;
图2为本发明第一个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的PANet结构示意图;
图3为本发明第二个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的识别结果一示意图;
图4为本发明第二个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的识别结果二示意图;
图5为本发明第二个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的识别结果三示意图;
图6为本发明第二个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的识别结果四示意图;
图7为本发明第二个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的识别结果五示意图;
图8为本发明第二个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的识别结果六示意图;
图9为本发明第二个实施例所述的一种基于YoloV3的无人机航拍绝缘子目标检测方法的识别结果七示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图2,为本发明的第一个实施例,该实施例提供了一种基于YoloV3的无人机航拍绝缘子目标检测方法,包括:
S1:基于YoloV3模型构建目标检测模型,并修改目标检测模型的网络结构。
参照图1,利用CSPDarknet-53网络作为目标检测模型的主干网络,CSPDarknet-53网络的输入图片大小是416*416,输出三种尺度的特征图:52*52、26*26、13*13;
进一步的,选取Mish函数作为激活函数,保证了每一点的平滑,从而改善了梯度下降效果,其表达式如下式:
Mish=x×tanh(ln(1+ex))
其中,x为输入。
再进一步的,利用CIOU(Complete-Intersection over Union)作为回归损失函数;较佳的是,CIOU将目标与anchor之间的距离,重叠率、尺度以及惩罚项都考虑进去,使得目标框回归变得更加稳定,不会像IOU(Intersection over Union)和GIOU(Generalized-Intersection over Union)一样出现训练过程中发散等问题;其函数表达式如下:
其中,LOSSCIOU为回归损失值,b,bgt为预测框和真实框的中心点,ρ表示预测框和真实框的中心点的欧氏距离,c表示的是能够同时包含预测框和真实框的最小闭包区域的对角线距离,α为权重函数,ν用于衡量长宽比的相似性。
权重函数α为:
ν为:,
其中,IOU为交并比,w为宽度,h为长度,wgt为真实框的宽度,hgt为真实框的长度。
S2:通过特征金字塔搭建目标检测模型的特征提取层,而后对特征提取层分别进行卷积和池化处理,完成目标检测模型的优化。
特征提取层包括空间金字塔池化网络和路径聚合网络;通过空间金字塔池化(Spatial Pyramid Pooling,SPP)网络将任意大小的特征图转换成固定大小的特征向量;通过路径聚合网络(Path Aggregation Network,PANet)缩短特征提取层中低层与顶层特征之间的信息路径。
其中需要说明的是,路径聚合网络具有一个非常重要的特点就是特征的反复提取,参照图2,其在(a)里面是传统的特征金字塔结构,在完成特征金字塔从下到上的特征提取后,还需要实现(b)中从上到下的特征提取;其中,(a)为FPN主干网络,(b)为自底向上路径扩充过程,(c)为自适应特征池,(d)为箱型分支结构,(e)为全连接层。
较佳的是,通过空间金字塔池化网络对CSPDarknet-53网络的最后一个特征层进行三次卷积处理,而后分别利用四个不同尺度的最大池化的池化核进行池化处理,然后再堆叠在一起,进而可以增加感受野,分离出显著的上下文特征。
其中,卷积处理用的卷积块为DarknetConv2D_BN_Mish,四个不同尺度的最大池化的池化核大小分别为13x13、9x9、5x5、1x1。
S3:利用优化后的目标检测模型对无人机航拍绝缘子进行目标检测。
提取多个特征层对无人机航拍绝缘子进行目标检测,一共提取三个特征层,分别位于中间层,中下层,底层,三个特征层的shape分别为(76,76,256)、(38,38,512)、(19,19,1024);输出层的shape分别为(19,19,75)、(38,38,75)、(76,76,75)。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例采用真实无人机航拍绝缘子图像进行仿真测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
首先对航拍绝缘子图像数据集进行标注,然后将标注好的数据集输入给预先训练的目标检测模型进行迁移学习,在训练过程中,将批量大小设置为4,初始学习率设置为0.001,权量衰减设置为0.0001,动量为0.9;最大迭代次数设置为50;结果分别如图3~图9所示,从实验结果可以看出,在该参数设置下,本发明算法在目标识别精度、实时性、鲁棒性及容错性方面均取得较好效果。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于YoloV3的无人机航拍绝缘子目标检测方法,其特征在于:包括,
基于YoloV3模型构建目标检测模型,并修改目标检测模型的网络结构;
通过特征金字塔搭建目标检测模型的特征提取层,而后对所述特征提取层分别进行卷积和池化处理,完成目标检测模型的优化;
利用优化后的目标检测模型对无人机航拍绝缘子进行目标检测。
2.如权利要求1所述的基于YoloV3的无人机航拍绝缘子目标检测方法,其特征在于:所述修改目标检测模型的网络结构包括,
利用CSPDarknet-53网络作为目标检测模型的主干网络;
选取Mish函数作为激活函数;
利用CIOU作为回归损失函数。
3.如权利要求2所述的基于YoloV3的无人机航拍绝缘子目标检测方法,其特征在于:所述Mish函数包括,
Mish=x×tanh(ln(1+ex))
其中,x为输入。
7.如权利要求1、2、3任一所述的基于YoloV3的无人机航拍绝缘子目标检测方法,其特征在于:所述特征提取层包括空间金字塔池化网络和路径聚合网络;
通过所述空间金字塔池化网络将任意大小的特征图转换成固定大小的特征向量;
通过所述路径聚合网络缩短特征提取层中低层与顶层特征之间的信息路径。
8.如权利要求7所述的基于YoloV3的无人机航拍绝缘子目标检测方法,其特征在于:还包括,
通过所述空间金字塔池化网络对CSPDarknet-53网络的最后一个特征层进行三次卷积处理,而后分别利用四个不同尺度的最大池化的池化核进行所述池化处理;
其中,所述四个不同尺度的最大池化的池化核大小分别为13x13、9x9、5x5、1x1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604048.3A CN113297996A (zh) | 2021-05-31 | 2021-05-31 | 一种基于YoloV3的无人机航拍绝缘子目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604048.3A CN113297996A (zh) | 2021-05-31 | 2021-05-31 | 一种基于YoloV3的无人机航拍绝缘子目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297996A true CN113297996A (zh) | 2021-08-24 |
Family
ID=77326585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604048.3A Pending CN113297996A (zh) | 2021-05-31 | 2021-05-31 | 一种基于YoloV3的无人机航拍绝缘子目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297996A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022432A (zh) * | 2021-10-28 | 2022-02-08 | 湖北工业大学 | 基于改进的yolov5的绝缘子缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325584A1 (en) * | 2018-04-18 | 2019-10-24 | Tg-17, Llc | Systems and Methods for Real-Time Adjustment of Neural Networks for Autonomous Tracking and Localization of Moving Subject |
CN112288043A (zh) * | 2020-12-23 | 2021-01-29 | 飞础科智慧科技(上海)有限公司 | 窑炉表面缺陷检测方法、***和介质 |
CN112308040A (zh) * | 2020-11-26 | 2021-02-02 | 山东捷讯通信技术有限公司 | 一种基于高清图像的河流排污口检测方法及*** |
CN112614130A (zh) * | 2021-01-04 | 2021-04-06 | 东华大学 | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 |
-
2021
- 2021-05-31 CN CN202110604048.3A patent/CN113297996A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325584A1 (en) * | 2018-04-18 | 2019-10-24 | Tg-17, Llc | Systems and Methods for Real-Time Adjustment of Neural Networks for Autonomous Tracking and Localization of Moving Subject |
CN112308040A (zh) * | 2020-11-26 | 2021-02-02 | 山东捷讯通信技术有限公司 | 一种基于高清图像的河流排污口检测方法及*** |
CN112288043A (zh) * | 2020-12-23 | 2021-01-29 | 飞础科智慧科技(上海)有限公司 | 窑炉表面缺陷检测方法、***和介质 |
CN112614130A (zh) * | 2021-01-04 | 2021-04-06 | 东华大学 | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 |
Non-Patent Citations (2)
Title |
---|
智能算法: "目标检测算法YOLOv4详解", 《HTTPS://BLOG.CSDN.NET/X454045816/ARTICLE/DETAILS/109759989》 * |
杨露菁等: "《智能图像处理及应用》", 31 March 2019, 《中国铁道出版社》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022432A (zh) * | 2021-10-28 | 2022-02-08 | 湖北工业大学 | 基于改进的yolov5的绝缘子缺陷检测方法 |
CN114022432B (zh) * | 2021-10-28 | 2024-04-30 | 湖北工业大学 | 基于改进的yolov5的绝缘子缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493346B (zh) | 一种基于多损失的胃癌病理切片图像分割方法和装置 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
US20230206603A1 (en) | High-precision point cloud completion method based on deep learning and device thereof | |
CN115171165A (zh) | 全局特征与阶梯型局部特征融合的行人重识别方法及装置 | |
CN109785298B (zh) | 一种多角度物体检测方法和*** | |
CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN106780543A (zh) | 一种基于卷积神经网络的双框架估计深度和运动方法 | |
CN113033520A (zh) | 一种基于深度学习的树木线虫病害木识别方法及*** | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN113313703A (zh) | 基于深度学习图像识别的无人机输电线巡检方法 | |
CN112633257A (zh) | 基于改良卷积神经网络的马铃薯病害识别方法 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、***及设备 | |
CN114972312A (zh) | 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法 | |
CN110334703A (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
CN112750125A (zh) | 一种基于端到端关键点检测的玻璃绝缘子片定位方法 | |
CN116563736A (zh) | 一种基于改进Yolov算法的无人机航拍绝缘子目标检测方法 | |
CN114821299B (zh) | 一种遥感图像变化检测方法 | |
CN117853955A (zh) | 一种基于改进YOLOv5的无人机小目标检测方法 | |
CN113297996A (zh) | 一种基于YoloV3的无人机航拍绝缘子目标检测方法 | |
CN116580322A (zh) | 一种地面背景下无人机红外小目标检测方法 | |
CN118172634A (zh) | 基于跨越连接与融合注意力机制的红外弱小目标检测方法 | |
CN114067126A (zh) | 一种红外图像目标检测方法 | |
CN116580211B (zh) | 关键点检测方法、装置、计算机设备及存储介质 | |
CN112989952A (zh) | 一种基于遮罩引导的人群密度估计方法及装置 |
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: 20210824 |