CN115410140A - 基于海上目标的图像检测方法、装置、设备及介质 - Google Patents
基于海上目标的图像检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115410140A CN115410140A CN202211359300.XA CN202211359300A CN115410140A CN 115410140 A CN115410140 A CN 115410140A CN 202211359300 A CN202211359300 A CN 202211359300A CN 115410140 A CN115410140 A CN 115410140A
- Authority
- CN
- China
- Prior art keywords
- image
- historical
- image detection
- data set
- split
- 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 171
- 238000004140 cleaning Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012946 outsourcing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 9
- 238000012549 training Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于海上目标的图像检测方法、装置、设备及介质。通过获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到视频流数据对应的原始图像；将原始图像划分为N*N块拆分图像；将各拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；将各拆分图像检测结果进行合并操作，得到图像检测结果。本发明的技术方案针对海上目标检测效果不稳定和海上目标训练数据难以获取且数据信息冗余度高的问题，构建海上目标的数据清洗、数据增强流程，提高了海上目标图像检测的稳定性和可靠性，从而能够更好地进行图像检测，提高用户的体验，为提高智能船舶自主化程度提供有力支撑。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于海上目标的图像检测方法、装置、设备及介质。
背景技术
近年来，随着物联网和人工智能的发展，船舶智能化程度也得到提高，其中，光电云台、摄像头等视觉传感器在船舶智能化中担任重要的角色，能为船长提供船舶周围的图像信息，辅助船长进行操控。由于船舶之间距离相对较远，呈现在图像上的海面目标所占像素一般较小，容易给观察人员造成视觉疲劳。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：目前，将图像获取的目标信息增强显示到图像上的方法，如图像目标检测算法，可为航行操纵提供信息支撑，将减少船员将数字信息转换到现实进行理解的耗时，避免抽象数据对船员注意力的分散，辅助船员航行。但是，存在对小目标检测效果不稳定、小目标训练数据难以获取的问题，人机交互效果普遍较差。
发明内容
本发明提供了一种基于海上目标的图像检测方法、装置、设备及介质，以提高海上目标图像检测的稳定性和可靠性，提高了用户的良好体验感。
根据本发明的一方面，提供了一种基于海上目标的图像检测方法，其中，包括：
获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；
将所述原始图像划分为N*N块拆分图像，其中，N为大于1的整数；
将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；
将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
根据本发明的另一方面，提供了一种基于海上目标的图像检测装置，其中，包括：
原始图像确定模块，用于获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；
拆分图像划分模块，用于将所述原始图像划分为N*N块拆分图像，其中，N为大于1的整数；
拆分图像检测结果确定模块，用于将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；
图像检测结果确定模块，用于将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
根据本发明的另一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现本发明任一实施例所述的基于海上目标的图像检测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于海上目标的图像检测方法。
本发明实施例的技术方案，通过获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；将所述原始图像划分为N*N块拆分图像；将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；将各所述拆分图像检测结果进行合并操作，得到图像检测结果。本发明的技术方案针对海上目标检测效果不稳定和海上目标训练数据难以获取且数据信息冗余度高的问题，构建海上目标的数据清洗、数据增强流程，提高了海上目标图像检测的稳定性和可靠性，从而能够更好地进行图像检测，提高用户的体验，为提高智能船舶自主化程度提供有力支撑。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于海上目标的图像检测方法的流程图；
图2是根据本发明实施例二提供的一种基于海上目标的图像检测装置的结构示意图；
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种基于海上目标的图像检测方法的流程图，本实施例可适用于海上目标图像检测和训练数据获取的情况，该方法可以由基于海上目标的图像检测装置来执行，该基于海上目标的图像检测装置可以采用硬件和/或软件的形式实现。
相应的，如图1所示，该方法包括：
S110、获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像。
其中，视频流数据可以是通过船载摄像头进行采集，得到的数据视频流。OpenCV图像提取技术可以是从视频流数据中进行多张图像的提取的技术，可以根据预先设置的提取规则，来进行原始图像的获取。原始图像可以是在视频流数据中提取出的图像。
具体的，OpenCV图像提取技术可以在多平台上进行使用，比如说：Linux、Windows、Solari、以及IRIX等平台。OpenCV图像提取技术可以处理栅格和矢量数据，其实就是浏览栅格图像，然后可以自己添加矢量图层。并且OpenCV图像提取技术可以支持2D或者3D 显示，对大数据集的显示比较好。
S120、将所述原始图像划分为N*N块拆分图像。
其中，N为大于1的整数。
其中，拆分图像可以是将原始图像进行拆分之后得到的图像。具体的，假设N=2，则需要将原始图像划分为2*2块拆分图像，也就是划分为4块拆分图像。同理，假设N=3，则需要将原始图像划分为3*3块拆分图像，也就是划分为9块拆分图像。可以根据人为的需要，通过***来进行设定，在本实施例中不做具体限定。
S130、将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果。
其中，图像检测深度神经网络模型可以是能够对各拆分图像进行小目标图像检测的模型。拆分图像检测结果可以是通过图像检测深度神经网络模型对各拆分图像进行小目标图像检测，得到的检测结果。
在本实施例中，假设将原始图像拆分成4块拆分图像，则需要将4块拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到4块拆分图像分别对应的4个拆分图像检测结果。
S140、将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
其中，图像检测结果可以是能够反映原始图像对应的检测结果，具体的，通过将各拆分图像结果进行合并，得到的检测结果。
续前例，将4个拆分图像检测结果进行合并处理，能够得到原始图像对应的图像检测结果。从而能够对原始图像中的海上目标进行图像的检测。
可选的，在所述将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果之前，还包括：获取船载摄像头的历史视频流数据，并通过FFMPEG抽帧技术库对所述历史视频流数据进行视频抽帧，得到历史图像数据集；通过词袋模型，对所述历史图像数据集中的历史图像进行数据清洗，得到历史清洗图像数据集；将所述历史清洗图像数据集中的历史清洗图像进行数据增强处理，得到历史增强图像数据集；将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中，当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型。
其中，历史视频流数据可以是通过船载摄像头获取过去的视频流数据。FFMPEG抽帧技术是抽取视频关键帧，抽取视频场景转换帧按照时间进行均匀抽帧，抽取指定时间的视频帧。FFMPEG抽帧技术库是一套可以用来编码、解码、合成、以及转换音频和视频数据的开源软件，提供了非常全面的音视频处理功能。FFMPEG抽帧技术提供了常见音视频和编解码方式，能够对众多的音视频格式进行读取，基本上所有的软件都会借助FFMPEG抽帧技术来完成音视频的读取操作。
具体的，历史图像数据集可以是由历史图像组成的数据集。词袋模型可以是在自然语言处理和信息检索下被简化的表达模型。历史清洗图像数据集可以是由历史清洗图像组成的数据集。历史清洗图像可以是将历史图像经过数据清洗之后得到的清洗图像。历史增强图像数据集可以是由历史增强图像组成的数据集。历史增强图像可以是将历史清洗图像经过数据增强之后得到的图像。改进YOLOV7-tiny图像检测深度神经网络可以是对YOLOV7-tiny图像检测深度神经网络结构进行改进的神经网络，具体的，将YOLOV7-tiny图像检测深度神经网络的第17层到第20层均采用上采样处理，另外的，将第20层的特征图和第2层的特征图进行特征融合处理。
CIOU损失函数值可以是考虑多种几何参数，比如说：重叠面积、中心点距离、长宽比、以及检测框尺寸等参数，进行回归定位损失处理，得到的损失函数值。
在本实施例中，通过获取船载摄像头的历史视频流数据，并通过FFMPEG抽帧技术进行视频抽帧，得到历史图像数据集；接着对历史图像进行数据清洗、数据增强处理、并输入至改进YOLOV7-tiny图像检测深度神经网络进行训练，从而能够得到训练好的图像检测深度神经网络模型。当需要实时检测获取到的视频流数据时，直接输入至训练好的图像检测深度神经网络模型进行训练即可，这样设置的好处在于，能够较准确快速地检测出视频流数据中的海上目标的图像。
可选的，所述通过词袋模型，对所述历史图像数据集中的历史图像进行数据清洗，得到目标历史图像数据集，具体包括：通过词袋模型，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分；识别所述词袋模型评分大于或者等于词袋模型评分阈值的目标历史图像对，并删除所述目标历史图像对中的一张目标历史图像；识别所述词袋模型评分小于词袋模型评分阈值的目标历史图像对，并保留所述目标历史图像对中的两张所述目标历史图像；将保留下的所述目标历史图像进行合并，得到所述历史清洗图像数据集。
其中，历史图像对可以是目标历史图像数据集中的历史图像进行两两组合得到的图像对。词袋模型评分可以是能够反映两两历史图像对之间的相似度的模型评分。词袋模型评分阈值可以是***预先设定的相似度评分的阈值。具体的，当词袋模型评分大于或者等于词袋模型评分阈值时，说明两张历史图像的相似度较高，因此需要删除其中一张历史图像，保留一张历史图像。当词袋模型评分小于词袋模型评分阈值时，说明两张历史图像的相似度较低，因此将两张历史图像均进行保留处理。
这样设置的好处在于：通过计算两两历史图像对之间的词袋模型评分，通过将计算出的词袋模型评分与词袋模型评分阈值进行大小比较，将相似度较高的历史图像择一进行删除处理，保留一张历史图像，这样可以避免因相似度较高的历史图像进行多次图像检测而导致的检测时间的浪费，从而能够提高海上目标检测的效率，节约了时间成本。
可选的，所述分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分，包括：根据公式
，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分
；其中，
为单词
在单个历史图像中出现的频率；
为单词逆序数；
为单词在历史图像中出现的频率；
为历史图像A中的单词；
为历史图像B中的单词；
为历史图像A中词袋的合集；
为历史图像B中词袋的合集；n为词袋出现的次数；A为历史图像A；B为历史图像B；i为单词对应的可变参数。
在本实施例中，可以根据历史图像A，确定在历史图像A中不同单词所出现的频率，可以得到历史图像A中词袋的合集。同理可以得到，历史图像B中词袋的合集。根据历史图像A和历史图像B之间的词袋合集，可以计算出两者之间的词袋模型评分。
可选的，所述根据公式
，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分
，包括：根据公式
，计算得到单词
在目标单个历史图像中出现的频率
；其中，
为单词
在目标单个历史图像中出现的次数；
为单词
在所有历史图像中出现的次数；根据公式
，计算得到单词逆序数
。
在本实施例中，通过单词
在目标单个历史图像中出现的次数
、以及单词
在所有历史图像中出现的次数
，来计算得到单词
在目标单个历史图像中出现的频率
和单词逆序数
。
可选的，所述将所述历史清洗图像数据集中的历史清洗图像进行数据增强处理，得到历史增强图像数据集，包括：将所述历史清洗图像数据集中的历史清洗图像通过高斯模糊操作进行数据增强处理，得到第一历史增强图像；将所述历史清洗图像数据集中的历史清洗图像通过调整亮度操作进行数据增强处理，得到第二历史增强图像；将所述历史清洗图像数据集中的历史清洗图像通过增加噪点操作进行数据增强处理，得到第三历史增强图像；将所述历史清洗图像数据集中的历史清洗图像通过复制操作进行数据增强处理，得到第四历史增强图像；将历史清洗图像、第一历史增强图像、第二历史增强图像、第三历史增强图像和第四历史增强图像进行合并，得到历史增强图像数据集。
其中，第一历史增强图像可以是将历史清洗图像通过高斯模糊操作进行数据增强处理，得到的历史增强图像。第二历史增强图像可以是将历史清洗图像通过调整亮度操作进行数据增强处理，得到的历史增强图像。第三历史增强图像可以是将历史清洗图像通过增加噪点操作进行数据增强处理，得到的历史增强图像。第四历史增强图像可以是将历史清洗图像通过复制操作进行数据增强处理，得到的历史增强图像。
在本实施例中，通过将历史清洗图像进行高斯模糊操作、调整亮度操作、增加噪点操作以及复制操作，分别得到第一历史增强图像、第二历史增强图像、第三历史增强图像和第四历史增强图像。这样将历史清洗图像进行处理操作，得到不同的4张历史增强图像，与原来的历史增强图像进行合并，使得历史增强图像数据集扩大到了原来的4倍。
这样设置的好处在于：通过对历史增强图像进行数据增强处理，能够得到不同类型的历史增强图像，这样可以更加准确全面地进行海上目标的图像检测。
可选的，所述将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中，当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型，包括：将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中；其中，历史增强图像为1280*1280的分辨率；改进YOLOV7-tiny图像检测深度神经网络是基于YOLOV7-tiny图像检测深度神经网络进行改进得到；在改进YOLOV7-tiny图像检测深度神经网络中的第17层到第20层，分别增加对第一特征图进行上采样处理；在改进YOLOV7-tiny图像检测深度神经网络中的第20层中得到第二特征图，增加将所述第二特征图与第2层对应的第三特征图进行特征融合的处理操作；
根据公式
,计算出CIOU损失函数值；其中，w为推理框的宽，h为推理框的高，
为真实框的宽，
为真实框的高，v为推理框和真实框中宽高比相似度度量权重，IOU为交并比，α为权重参数，ρ为推理框与真实框的中心点的欧氏距离，c为推理框与真实框的最小外包矩形的对角线长度，C为推理框，D为真实框；当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型。
在本实施例中，通过基于YOLOV7-tiny图像检测深度神经网络进行改进，得到改进YOLOV7-tiny图像检测深度神经网络。具体的，第一方面的改进为：在改进YOLOV7-tiny图像检测深度神经网络中的第17层到第20层，分别增加对第一特征图进行上采样处理；也就是在第17层、第18层、第19层和第20层分别增加对各自的特征图进行上采样处理。第二方面的改进为：在改进YOLOV7-tiny图像检测深度神经网络中的第20层中得到第二特征图，增加将第二特征图与第2层对应的第三特征图进行特征融合的处理操作。
另外的，在本实施例中还需要对CIOU损失函数值进行计算，通过将计算出的CIOU损失函数值与损失函数值条件进行判断，来确定是否训练好了图像检测深度神经网络模型。当计算出的CIOU损失函数值满足损失函数值条件时，则可以确定训练完成了图像检测深度神经网络模型。
这样设置的好处在于：原有的YOLOV7-tiny图像检测深度神经网络只能够对3个检测目标进行检测，而改进YOLOV7-tiny图像检测深度神经网络能够对4个检测目标进行检测。这样可以更加准确地对采集到的视频流数据进行海上目标的图像检测，从而提高了图像检测的效率。
本发明实施例的技术方案，通过获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；将所述原始图像划分为N*N块拆分图像；将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；将各所述拆分图像检测结果进行合并操作，得到图像检测结果。本发明的技术方案针对海上目标检测效果不稳定和海上目标训练数据难以获取且数据信息冗余度高的问题，构建海上目标的数据清洗、数据增强流程，提高了海上目标图像检测的稳定性和可靠性，从而能够更好地进行图像检测，提高用户的体验，为提高智能船舶自主化程度提供有力支撑。
实施例二
图2为本发明实施例二提供的一种基于海上目标的图像检测装置的结构示意图。本实施例所提供的一种基于海上目标的图像检测装置可以通过软件和/或硬件来实现，可配置于服务器或者终端设备中来实现本发明实施例中的一种基于海上目标的图像检测方法。如图2所示，该装置包括：原始图像确定模块210、拆分图像划分模块220、拆分图像检测结果确定模块230和图像检测结果确定模块240。
其中，原始图像确定模块210，用于获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；
拆分图像划分模块220，用于将所述原始图像划分为N*N块拆分图像，其中，N为大于1的整数；
拆分图像检测结果确定模块230，用于将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；
图像检测结果确定模块240，用于将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
本发明实施例的技术方案，通过获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；将所述原始图像划分为N*N块拆分图像；将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；将各所述拆分图像检测结果进行合并操作，得到图像检测结果。本发明的技术方案针对海上目标检测效果不稳定和海上目标训练数据难以获取且数据信息冗余度高的问题，构建海上目标的数据清洗、数据增强流程，提高了海上目标图像检测的稳定性和可靠性，从而能够更好地进行图像检测，提高用户的体验，为提高智能船舶自主化程度提供有力支撑。
可选的，还包括，图像检测深度神经网络模型确定模块，可以具体包括：历史图像数据集确定单元，用于在所述将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果之前，获取船载摄像头的历史视频流数据，并通过FFMPEG抽帧技术库对所述历史视频流数据进行视频抽帧，得到历史图像数据集；历史清洗图像数据集确定单元，用于通过词袋模型，对所述历史图像数据集中的历史图像进行数据清洗，得到历史清洗图像数据集；历史增强图像数据集确定单元，用于将所述历史清洗图像数据集中的历史清洗图像进行数据增强处理，得到历史增强图像数据集；图像检测深度神经网络模型确定单元，用于将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中，当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型。
可选的，历史清洗图像数据集确定单元，可以具体包括：词袋模型评分计算子单元，用于通过词袋模型，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分；目标历史图像删除子单元，用于识别所述词袋模型评分大于或者等于词袋模型评分阈值的目标历史图像对，并删除所述目标历史图像对中的一张目标历史图像；目标历史图像保留子单元，用于识别所述词袋模型评分小于词袋模型评分阈值的目标历史图像对，并保留所述目标历史图像对中的两张所述目标历史图像；历史清洗图像数据集确定子单元，用于将保留下的所述目标历史图像进行合并，得到所述历史清洗图像数据集。
可选的，所述词袋模型评分计算子单元，可以具体用于：根据公式
，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分
；其中，
为单词
在单个历史图像中出现的频率；
为单词逆序数；
为单词在历史图像中出现的频率；
为历史图像A中的单词；
为历史图像B中的单词；
为历史图像A中词袋的合集；
为历史图像B中词袋的合集；n为词袋出现的次数；A为历史图像A；B为历史图像B；i为单词对应的可变参数。
可选的，所述词袋模型评分计算子单元，还可以具体用于：根据公式
，计算得到单词
在目标单个历史图像中出现的频率
；其中，
为单词
在目标单个历史图像中出现的次数；
为单词
在所有历史图像中出现的次数；根据公式
，计算得到单词逆序数
。
可选的，历史增强图像数据集确定单元，可以具体用于：将所述历史清洗图像数据集中的历史清洗图像通过高斯模糊操作进行数据增强处理，得到第一历史增强图像；将所述历史清洗图像数据集中的历史清洗图像通过调整亮度操作进行数据增强处理，得到第二历史增强图像；将所述历史清洗图像数据集中的历史清洗图像通过增加噪点操作进行数据增强处理，得到第三历史增强图像；将所述历史清洗图像数据集中的历史清洗图像通过复制操作进行数据增强处理，得到第四历史增强图像；将历史清洗图像、第一历史增强图像、第二历史增强图像、第三历史增强图像和第四历史增强图像进行合并，得到历史增强图像数据集。
可选的，图像检测深度神经网络模型确定单元，可以具体用于：将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中；其中，历史增强图像为1280*1280的分辨率；改进YOLOV7-tiny图像检测深度神经网络是基于YOLOV7-tiny图像检测深度神经网络进行改进得到；在改进YOLOV7-tiny图像检测深度神经网络中的第17层到第20层，分别增加对第一特征图进行上采样处理；在改进YOLOV7-tiny图像检测深度神经网络中的第20层中得到第二特征图，增加将所述第二特征图与第2层对应的第三特征图进行特征融合的处理操作；根据公式
,计算出CIOU损失函数值；其中，w为推理框的宽，h为推理框的高，
为真实框的宽，
为真实框的高，v为推理框和真实框中宽高比相似度度量权重，IOU为交并比，α为权重参数，ρ为推理框与真实框的中心点的欧氏距离，c为推理框与真实框的最小外包矩形的对角线长度，C为推理框，D为真实框；当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型。
本发明实施例所提供的基于海上目标的图像检测装置可执行本发明任意实施例所提供的基于海上目标的图像检测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于海上目标的图像检测方法。
在一些实施例中，基于海上目标的图像检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于海上目标的图像检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行基于海上目标的图像检测方法。
该方法包括：获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；将所述原始图像划分为N*N块拆分图像；将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上***的***（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***（例如，作为数据服务器）、或者包括中间件部件的计算***（例如，应用服务器）、或者包括前端部件的计算***（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将***的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质，所述计算机可读指令在由计算机处理器执行时用于执行一种基于海上目标的图像检测方法，该方法包括：获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；将所述原始图像划分为N*N块拆分图像；将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于海上目标的图像检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
值得注意的是，上述基于海上目标的图像检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于海上目标的图像检测方法，其特征在于，包括：
获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；
将所述原始图像划分为N*N块拆分图像，其中，N为大于1的整数；
将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；
将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
2.根据权利要求1所述的方法，其特征在于，在所述将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果之前，还包括：
获取船载摄像头的历史视频流数据，并通过FFMPEG抽帧库对所述历史视频流数据进行视频抽帧，得到历史图像数据集；
通过词袋模型，对所述历史图像数据集中的历史图像进行数据清洗，得到历史清洗图像数据集；
将所述历史清洗图像数据集中的历史清洗图像进行数据增强处理，得到历史增强图像数据集；
将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中，当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述通过词袋模型，对所述历史图像数据集中的历史图像进行数据清洗，得到目标历史图像数据集，具体包括：
通过词袋模型，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分；
识别所述词袋模型评分大于或者等于词袋模型评分阈值的目标历史图像对，并删除所述目标历史图像对中的一张目标历史图像；
识别所述词袋模型评分小于词袋模型评分阈值的目标历史图像对，并保留所述目标历史图像对中的两张所述目标历史图像；
将保留下的所述目标历史图像进行合并，得到所述历史清洗图像数据集。
4.根据权利要求3所述的方法，其特征在于，所述分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分，包括：
根据公式
，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分
；
其中，
为单词
在单个历史图像中出现的频率；
为单词逆序数；
为单词在历史图像中出现的频率；
为历史图像A中的单词；
为历史图像B中的单词；
为历史图像A中词袋的合集；
为历史图像B中词袋的合集；n为词袋出现的次数；A为历史图像A；B为历史图像B；i为单词对应的可变参数。
5.根据权利要求4所述的方法，其特征在于，所述根据公式
，分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评分
，包括：
根据公式
，计算得到单词
在目标单个历史图像中出现的频率
；其中，
为单词
在目标单个历史图像中出现的次数；
为单词
在所有历史图像中出现的次数；
根据公式
，计算得到单词逆序数
。
6.根据权利要求2所述的方法，其特征在于，所述将所述历史清洗图像数据集中的历史清洗图像进行数据增强处理，得到历史增强图像数据集，包括：
将所述历史清洗图像数据集中的历史清洗图像通过高斯模糊操作进行数据增强处理，得到第一历史增强图像；
将所述历史清洗图像数据集中的历史清洗图像通过调整亮度操作进行数据增强处理，得到第二历史增强图像；
将所述历史清洗图像数据集中的历史清洗图像通过增加噪点操作进行数据增强处理，得到第三历史增强图像；
将所述历史清洗图像数据集中的历史清洗图像通过复制操作进行数据增强处理，得到第四历史增强图像；
将历史清洗图像、第一历史增强图像、第二历史增强图像、第三历史增强图像和第四历史增强图像进行合并，得到历史增强图像数据集。
7.根据权利要求2所述的方法，其特征在于，所述将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中，当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型，包括：
将所述历史增强图像数据集中的历史增强图像输入至改进YOLOV7-tiny图像检测深度神经网络中；
其中，历史增强图像为1280*1280的分辨率；改进YOLOV7-tiny图像检测深度神经网络是基于YOLOV7-tiny图像检测深度神经网络进行改进得到；在改进YOLOV7-tiny图像检测深度神经网络中的第17层到第20层，分别增加对第一特征图进行上采样处理；在改进YOLOV7-tiny图像检测深度神经网络中的第20层中得到第二特征图，增加将所述第二特征图与第2层对应的第三特征图进行特征融合的处理操作；
根据公式
,计算出CIOU损失函数值；
其中，
为推理框的宽，
为推理框的高，
为真实框的宽，
为真实框的高，
为推理框和真实框中宽高比相似度度量权重，
为交并比，
为权重参数，
为推理框与真实框的中心点的欧氏距离，
为推理框与真实框的最小外包矩形的对角线长度，C为推理框，D为真实框；
当计算出的CIOU损失函数值满足损失函数值条件时，得到训练好的图像检测深度神经网络模型。
8.一种基于海上目标的图像检测装置，其特征在于，包括：
原始图像确定模块，用于获取待检测的船载摄像头的视频流数据，并通过OpenCV图像提取技术，得到所述视频流数据对应的原始图像；
拆分图像划分模块，用于将所述原始图像划分为N*N块拆分图像，其中，N为大于1的整数；
拆分图像检测结果确定模块，用于将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中，得到各拆分图像检测结果；
图像检测结果确定模块，用于将各所述拆分图像检测结果进行合并操作，得到图像检测结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的基于海上目标的图像检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于海上目标的图像检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211359300.XA CN115410140A (zh) | 2022-11-02 | 2022-11-02 | 基于海上目标的图像检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211359300.XA CN115410140A (zh) | 2022-11-02 | 2022-11-02 | 基于海上目标的图像检测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115410140A true CN115410140A (zh) | 2022-11-29 |
Family
ID=84169160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211359300.XA Pending CN115410140A (zh) | 2022-11-02 | 2022-11-02 | 基于海上目标的图像检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115410140A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831446A (zh) * | 2012-08-20 | 2012-12-19 | 南京邮电大学 | 单目视觉slam中基于图像外观的闭环检测方法 |
| CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
| CN112767357A (zh) * | 2021-01-20 | 2021-05-07 | 沈阳建筑大学 | 一种基于Yolov4的混凝土结构病害检测方法 |
| CN114449295A (zh) * | 2022-01-30 | 2022-05-06 | 京东方科技集团股份有限公司 | 视频处理方法、装置、电子设备及存储介质 |
| CN114821246A (zh) * | 2022-06-28 | 2022-07-29 | 山东省人工智能研究院 | 基于多层次残差网络感知和注意力机制的小目标检测方法 |
| CN114821032A (zh) * | 2022-03-11 | 2022-07-29 | 山东大学 | 基于改进YOLOv5网络的特殊目标异常状态检测与跟踪方法 |
| CN115049966A (zh) * | 2022-07-06 | 2022-09-13 | 杭州梦视网络科技有限公司 | 一种基于GhostNet的轻量化YOLO宠物识别方法 |
| CN115205518A (zh) * | 2022-05-16 | 2022-10-18 | 中国科学院深圳先进技术研究院 | 一种基于YOLO v5s网络结构的目标检测方法及其*** |
-
2022
- 2022-11-02 CN CN202211359300.XA patent/CN115410140A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831446A (zh) * | 2012-08-20 | 2012-12-19 | 南京邮电大学 | 单目视觉slam中基于图像外观的闭环检测方法 |
| CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
| CN112767357A (zh) * | 2021-01-20 | 2021-05-07 | 沈阳建筑大学 | 一种基于Yolov4的混凝土结构病害检测方法 |
| CN114449295A (zh) * | 2022-01-30 | 2022-05-06 | 京东方科技集团股份有限公司 | 视频处理方法、装置、电子设备及存储介质 |
| CN114821032A (zh) * | 2022-03-11 | 2022-07-29 | 山东大学 | 基于改进YOLOv5网络的特殊目标异常状态检测与跟踪方法 |
| CN115205518A (zh) * | 2022-05-16 | 2022-10-18 | 中国科学院深圳先进技术研究院 | 一种基于YOLO v5s网络结构的目标检测方法及其*** |
| CN114821246A (zh) * | 2022-06-28 | 2022-07-29 | 山东省人工智能研究院 | 基于多层次残差网络感知和注意力机制的小目标检测方法 |
| CN115049966A (zh) * | 2022-07-06 | 2022-09-13 | 杭州梦视网络科技有限公司 | 一种基于GhostNet的轻量化YOLO宠物识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| AI视觉网奇: ""yolov5增加小目标检测层"", 《HTTPS://BLOG.CSDN.NET/JACKE121/ARTICLE/DETAILS/118714043》 * |
| 王凯: ""基于深度学习的视觉SLAM闭环检测研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
| WO2022227770A1 (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
| CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
| CN113313083B (zh) | 文本检测方法及装置 | |
| CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN113033346B (zh) | 文本检测方法、装置和电子设备 | |
| CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
| CN116152833B (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
| CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
| CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
| CN114898111B (zh) | 预训练模型生成方法和装置、目标检测方法和装置 | |
| CN112561879A (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
| CN114140320B (zh) | 图像迁移方法和图像迁移模型的训练方法、装置 | |
| US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
| CN113269280B (zh) | 文本检测方法、装置、电子设备及计算机可读存储介质 | |
| CN113920023A (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
| CN113537187A (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
| CN116758280A (zh) | 目标检测方法、装置、设备以及存储介质 | |
| CN115359502A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
| CN115410140A (zh) | 基于海上目标的图像检测方法、装置、设备及介质 | |
| CN115311403A (zh) | 深度学习网络的训练方法、虚拟形象生成方法及装置 | |
| CN114066790A (zh) | 图像生成模型的训练方法、图像生成方法、装置和设备 | |
| CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
| CN117437624B (zh) | 违禁品检测方法、装置及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221129 |
|
| RJ01 | Rejection of invention patent application after publication |