CN117197415A - 天然气长输管道巡检区域目标检测方法、装置及存储介质 - Google Patents
天然气长输管道巡检区域目标检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117197415A CN117197415A CN202311474290.9A CN202311474290A CN117197415A CN 117197415 A CN117197415 A CN 117197415A CN 202311474290 A CN202311474290 A CN 202311474290A CN 117197415 A CN117197415 A CN 117197415A
- Authority
- CN
- China
- Prior art keywords
- model
- distance pipeline
- training
- long
- input image
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000003345 natural gas Substances 0.000 title claims abstract description 26
- 238000007689 inspection Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请揭示了一种天然气长输管道巡检区域目标检测方法、装置及存储介质,所述方法包括:S100:获取天然气长输管道所在区域输入图像;S200:对所采集的图像进行预处理;S300:构建长输管道检测模型并进行训练;S400:将预处理后的长输管道图像输入训练好的长输管道检测模型,以实现对天然气长输管道进行检测。本方法相比传统方法在长输管道巡检区域检测上具有更高的效率、更低的成本和更好的安全性,提高了巡检的整体效果。
Description
技术领域
本申请属于目标检测领域,具体涉及天然气长输管道巡检区域目标检测方法、装置及存储介质。
背景技术
随着工业化进程的加速,长输管道作为能源运输的重要设施已经成为了现代经济的中枢。天然气长输管道的安全涉及下游用户和上游储气库、管道、输气站场和气田,是一个复杂的***工程。天然气长输管道任何一处发生安全事故,都会导致整条管道***不能正常运行,从而严重影响下游用户的生产和生活。管道巡检是有效保证天然气输送管道及其设备安全稳定运行的一项基础工作。通过巡检来掌握管道运行状况及周围环境的变化,发现设备缺陷和危及管道安全的隐患,及时进行消除,预防事故发生,或将故障限制在最小范围,保证输送管道的安全和稳定。传统的管道巡检模式主要包括人工巡检和车载巡检,但这两种巡检模式所表现出的隐患日渐突出,主要包括人为因素多、管理成本高、无法监督巡检人员工作状态等明显缺陷,同时也无法适应输送管道管理信息化的发展要求。
发明内容
针对现有技术中的不足,本申请的目的在于提供一种长输管道巡检区域目标检测方法,
为实现上述目的,本申请提供以下技术方案:
一种天然气长输管道巡检区域目标检测方法,包括如下步骤:
S100:获取天然气长输管道所在区域输入图像;
S200:对所获取的输入图像进行预处理;
S300:构建长输管道检测模型并进行训练;
S400:将预处理后的输入图像输入训练好的长输管道检测模型,以识别输入图像中是否有天然气长输管道。
优选的,步骤S200中,所述对所获取的输入图像进行预处理包括以下步骤:基于高斯核函数对输入图像进行卷积操作,以获得二值化的真实密度图。
优选的,步骤S300中,所述长输管道检测模型通过以下步骤进行训练:
S301:构建数据集,并将数据集划分为训练集和验证集;
S302:对模型的权重进行初始化,通过训练集对模型进行训练,在训练过程中计算损失函数loss并进行反向传播优化网络权重,当损失函数loss收敛,模型训练完成;
S303:通过测试集对训练后的模型进行测试,在测试过程中,通过平均检测精度对模型进行评价,当平均检测精度达到0.95,模型测试通过;否则调整训练参数重新对模型进行训练。
本申请还提供一种天然气长输管道巡检区域目标检测装置,包括:
获取模块,用于获取输入图像;
预处理模块,用于对所获取的输入图像进行预处理;
模型构建及训练模块,用于构建长输管道检测模型并进行训练;其中,所述模型包括主干网络,主干网络中通过引入深度可分离卷积DWC3,使得模型在保证精度的同时提升特征提取速度;所述模型还包括特征融合网络,特征融合网络通过引入卷积层的注意力模块CBAM,使得模型能够自动学习并关注图像中的最重要特征;
检测模块,用于将预处理后的输入图像输入训练好的长输管道检测模型,以识别输入图像中是否有天然气长输管道。
优选的,所述模型构建及训练模块包括:
数据集构建子模块,用于构建数据集,并将数据集划分为训练集和验证集;
训练子模块,用于通过训练集对模型进行训练;
测试子模块,用于通过测试集对训练后的模型进行测试。
本申请还提供一种电子设备,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,其中,
所述处理器执行所述程序时实现如前任一所述的方法。
本申请还提供一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于如前任一所述的方法。
与现有技术相比,本申请带来的有益效果为:
1.提高检测效率:本方法利用计算机视觉和机器学习算法,能够实现自动化、快速地检测目标物体,大大提高了巡检的效率。
2.减少人力成本:传统的巡检方法需要大量人力投入,本方法能够减少人力需求,降低了人力成本。
3.提高安全性:长输管道巡检区域通常存在一定的安全风险,本方法能够减少人员进入危险区域的需求,提高了巡检的安全性。
4.提高准确性:本方法利用先进的算法和技术,能够提高检测的准确性,减少漏检和误检的情况。
5.数据化管理:本方法能够将检测结果进行数据化管理,方便后续分析和处理,提供更好的决策依据。
附图说明
图1是本申请一个实施例提供的一种长输管道巡检区域目标检测方法流程图;
图2是本申请另一个实施例提供的长输管道检测模型的结构示意图。
具体实施方式
下面将参照附图详细地描述本申请的具体实施例。虽然附图中显示了本申请的具体实施例,然而应当理解,可以通过各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
为便于对本申请实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本申请实施例的限定。
一个实施例中,如图1所示,本申请提出一种天然气长输管道巡检区域目标检测方法,包括如下步骤:
S100:获取天然气长输管道所在区域输入图像;
S200:对所采集的图像进行预处理;
S300:构建长输管道检测模型并进行训练;
S400:将预处理后的长输管道图像输入训练好的长输管道检测模型,以实现对天然气长输管道进行检测。
另一个实施例中,步骤S200中,所述对所采集的图像进行预处理包括以下步骤:基于高斯核函数对图像进行卷积操作,以获得二值化的真实密度图。
另一个实施例中,步骤S300中,如图2所示,所述长输管道检测模型包括主干网络、特征融合网络和输出检测头。
本实施例中,主干网络包括依次连接的以下各层:
Focus层(3,64)(宽,高);
CONV层(64,128);
DWC3层(深度可分离卷积DWConv3×3)(128,128);
CONV层(128,256);
DWC3层(256,256);
CONV层(256,512);
SPPF层(空间金字塔池化层)(512,512);
DWC3层(512,512);
CONV层(512,1024);
SPPF层(1024,1024);
DWC3层(1024,1024)。
特征融合网络由下至上包括三个分支,其中,
第一分支包括:
CBAM层(1024,1024)
DWC3层(1024,256);
第二分支包括:
CONCAT层(1024);
DWC3层(1024,256);
CBAM层(512,256);
第三分支包括:
CONCAT层(512);
DWC3层(512,256);
CBAM层(256,256)。
此外,第一分支的CBAM层与第二分支的CONCAT层之间依次设置有CONV层(1024,512)和轻量级通用上采样算子(DUsample)(512),且第一分支的DWC3层与第二分支的CBAM层连接(通过在DWC3层后加入CBAM层,能够提高模型的表达能力和感知能力,使模型能更好的关注重要特征);第二分支的CONCAT层与第三分支的CONCAT层之间依次设置有DWC3层(1024,512)、CONV层(512,256)和轻量级通用上采样算子(DUsample)(256)。
需要说明的是,CBAM层(Convolutional Block Attention Module,卷积层的注意力模块)是一种注意力机制,主要包含两个注意力子模块:通道注意力模块(ChannelAttention Module)和空间注意力模块(Spatial Attention Module),其中,
通道注意力模块通过学习每个通道的重要性权重,以自适应的方式选择性地增强或抑制不同通道的特征表示。这有助于模型更好地关注重要的特征通道,减少冗余信息,并提高模型对目标的区分能力。
空间注意力模块则通过学习每个空间位置的重要性权重,以自适应的方式选择性地增强或抑制不同位置的特征表示。这有助于模型更好地关注重要的空间位置,提高模型对目标的定位和区域感知能力。
通过引入CBAM注意力机制,模型可以自动学习并关注图像中最重要的特征,提高模型的表达能力和感知能力,从而在各种计算机视觉任务中取得更好的性能。
进一步的,长输管道在所获取的输入图像中本身尺寸较小、分辨率低,因此,针对长输管道的检测属于小目标检测,在所获取的输入图像中,长输管道的特征信息本身就不够明显,但传统的基于深度卷积神经网络的目标检测方法在特征处理过程中采用的下采样等操作会导致信息进一步损失,使得用于后续预测的特征信息减少,从而极大限制了网络检测精度。现有目标检测网络采用最近邻上采样,但是在小目标检测过程中其特征信息损失相对严重,无法更好地提取长输管道的关键信息。针对这个问题,本实施例在特征融合网络中引入了更为精细的轻量级通用上采样算子DUsample,该采样算子具有较大的感受野,能够更好地利用长输管道周围的信息,且该采样算子的上采样核和特征图的语义信息相关。同时,由于该采样算子的重构能力大幅度提高,以及基于该算子的解码器能够灵活利用任意CNN解码器不同层特征的组合,使得模型在恢复特征图尺寸的同时提高检测精度,并降低计算复杂度。因此,在特征处理过程中引入该采样算子能够使得由主干网络提取到的长输管道的纹理和颜色等特征信息的损失得以减少。
此外,作为对现有特征融合网络的改进,本实施例将特征融合网络设计为双向加权特征结构,即在特征融合网络的三个分支由下至上竖向连接的结构基础上,将特征融合网络的第一分支中的CBAM层与主干网络中的DWC3层(1024,1024)横向连接;将特征融合网络的第二分支中的CONCAT层与主干网络中的DWC3层(512,512)横向连接;将特征融合网络的第一分支中的CONCAT层与主干网络中的DWC3层(256,256)横向连接,从而就形成了特征竖向融合和特征横向融合的双向特征融合结构,该结构能够将来自不同尺度的特征图进行融合,在最大程度上保留特征图的细节信息,同时增加网络的感受野,从而能够检测不同大小和不同位置的目标,进而使得网络能够更好地理解整个图像,并提取更有用的特征,最终能够使得整个网络能够提高目标检测的鲁棒性和检测精度。
上述模型对于输入图像的处理具体步骤如下:首先,对于输入特征图,其属于网
络结构中的,然后对其它层的特征图进行上采样和下采
样操作,并调整为与相同的尺度。然后,在同步各个输入层特征图维度的同时,从每个输
入层中自适应学习特征图的空间权重。设是从第0级调整到第l级特征映射上位置
的特征向量,对应第层的特征融合结果如下:
(1)
其中,表示输出特征图,、和分别表示可学习参数,、和分别表示
从层特征图中学习到的权重。
通过从每个输入层中自适应学习特征图的空间权重,能够解决同尺度下图像特征难以有效融合的问题。
在获得融合后的长输管道特征后,首先通过图像的深度信息预估长输管道的目标尺寸,并根据尺寸大小的范围确定该目标位于特征提取模块中的哪一个尺度区域,便于在相应解码层设置检测框的锚点信息并对其大小进行初始化。一般的检测器的锚点都设置在较高的解码层,而对于尺寸较小的锚点应该设置在较低解码层。
生成的锚点信息如公式(2)、(3)所示,其中,公式(2)用于计算目标框与预测框之间的IoU值;公式(3)用于计算预测框的调整系数的值。
(2)
(3)
公式(2)中,m表示预测框的索引,n表示目标框的索引,γ是一个常数,d(m,n)表示预测框m和目标框n之间的距离(通常是欧氏距离或者中心点之间的距离)。公式(2)的意义是预测框与目标框之间的IoU越大,H(m,n)的值越小,表示二者的匹配程度越高。
公式(3)中,σ表示调整系数,β是一个常数,r表示预测框的大小,Rf表示anchor的大小,d表示预测框与目标框的距离。通过这两个公式,可以根据不同解码层和特征提取器的距离来计算锚框的尺度和长宽比。这样可以在不同尺度的特征图上生成适应不同目标尺度的锚框,以便进行目标检测和定位。通过调整γ和β这两个参数,可以控制锚框的尺度和长宽比的变化范围。
对于具有无效深度值的位置采用的最近邻居法生成检测边界框,所提出的方法同样可以很容易的扩展到RGB图像的长输管道目标检测,由于没有深度信息,直接使用深度分离空洞卷积神经网络模型预测的长输管道输入目标检测网络进行管道与非管道的分类,完成长输管道的检测。
本实施例提出的改进后的特征融合网络能够增强模型中的特征提取能力,并有效减少计算量,其中,上下采样直接使用双线性插值而不是全局池化操作,其实现包括以下步骤:
1、以CSPRepResNet作为backbone,neck部分也采用了新设计的双向加权特征结构,backbone和neck均以本实施例提出的CSPRepResStage为基础模块。新的backbone和neck在增强模型表征能力的同时提升了模型的推理速度,并且可以通过width multiplier和depth multiplier灵活地配置模型的大小。
2、本实施例在主干网络中引入了DWC3层,使得模型在保证精度不变的同时提升了特征提取速度。
最后,本实施例在主干网络的CONV层上增加了一个可学习的权重alpha,进一步提升了主干网络的表征能力,获得了特征提取效果的提升。为了应对NMS,训练实例的锚点分配应该满足以下规则:(1)对齐的锚点应该能够预测高分类分数,并进行精确的联合定位;(2)对齐错误的锚点应该具有低分类分数并随后被抑制。基于这两个目标,本实施例设计了一个新的锚点对齐度量来明确地度量锚点级别的任务对齐程度。对准度量被集成到样本分配和损失函数中,以动态地改进每个锚点处的预测,具体如公式(4)所示:
(4)
其中,和分别表示分类分数和IOU值。α和β用于控制锚点对齐度量中这两个任
务的影响。对于每个实例,选择取值最大的锚点作为正样本,而将剩余的锚点作为负样本。
同样,训练是通过计算专门为调整分类和定位任务而设计的新损失函数来执行的。
输出检测头采用耦合式输出,以输出三个不同的Head以用于多尺度检测,其中,第一个Head连接特征融合网络中的CBAM(256,256)层,第二个Head连接特征融合网络中的CBAM(512,256)层,第三个Head连接特征融合网络中的DWC3(1024,256)层。三个Head分别用于检测不同尺度的目标,这是因为:在图像中,目标的大小可能会有很大的差异,有些目标可能很小,有些目标可能很大,为了能够准确地检测不同尺度的目标,就需要引入多个Head对不同尺度的目标进行差异化检测,从而才能提高模型对不同尺度目标的检测准确性和多样性,并保持较高的检测速度。
另一个实施例中,步骤S300中,所述长输管道检测模型通过以下步骤进行训练:
S301:构建数据集,并将数据集划分为训练集和验证集;
S302:对模型的权重进行初始化,通过训练集对模型进行训练,在训练过程中计算损失函数loss并进行反向传播优化网络权重,当损失函数loss收敛,模型训练完成;
S303:通过测试集对训练后的模型进行测试,在测试过程中,通过平均检测精度(mAP)对模型进行评价,当平均检测精度达到0.95,模型测试通过;否则调整训练参数重新对模型进行训练。
另一个实施例中,本申请还提供一种天然气长输管道巡检区域目标检测装置,包括:
获取模块,用于获取天然气长输管道所在区域输入图像;
预处理模块,用于对所获取的输入图像进行预处理;
模型构建及训练模块,用于构建长输管道检测模型并进行训练;其中,所述模型包括主干网络,主干网络中通过引入深度可分离卷积DWC3,使得模型在保证精度的同时提升特征提取速度;所述模型还包括特征融合网络,特征融合网络通过引入卷积层的注意力模块CBAM,使得模型能够自动学习并关注图像中的最重要特征;
检测模块,用于将预处理后的输入图像输入训练好的长输管道检测模型,以识别输入图像中是否有天然气长输管道。
另一个实施例中,所述模型构建及训练模块包括:
数据集构建子模块,用于构建数据集,并将数据集划分为训练集和验证集;
训练子模块,用于通过训练集对模型进行训练;
测试子模块,用于通过测试集对训练后的模型进行测试。
另一个实施例中,本申请还提供一种电子设备,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,其中,
所述处理器执行所述程序时实现如前任一所述的方法。
另一个实施例中,本申请还提供一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如前任一所述的方法。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (7)
1.一种天然气长输管道巡检区域目标检测方法,其特征在于,所述方法包括如下步骤:
S100:获取天然气长输管道所在区域输入图像;
S200:对所获取的输入图像进行预处理;
S300:构建长输管道检测模型并进行训练;
其中,所述模型包括主干网络,主干网络中通过引入深度可分离卷积DWC3,使得模型在保证精度的同时提升特征提取速度;所述模型还包括特征融合网络,特征融合网络通过引入卷积层的注意力模块CBAM,使得模型能够自动学习并关注图像中的最重要特征;
S400:将预处理后的输入图像输入训练好的长输管道检测模型,以识别输入图像中是否有天然气长输管道。
2.根据权利要求1所述的方法,其特征在于,步骤S200中,所述对所获取的输入图像进行预处理包括以下步骤:基于高斯核函数对输入图像进行卷积操作,以获得二值化的真实密度图。
3.根据权利要求1所述的方法,其特征在于,步骤S300中,所述长输管道检测模型通过以下步骤进行训练:
S301:构建数据集,并将数据集划分为训练集和验证集;
S302:对模型的权重进行初始化,通过训练集对模型进行训练,在训练过程中计算损失函数loss并进行反向传播优化网络权重,当损失函数loss收敛,模型训练完成;
S303:通过测试集对训练后的模型进行测试,在测试过程中,通过平均检测精度对模型进行评价,当平均检测精度达到0.95,模型测试通过;否则调整训练参数重新对模型进行训练。
4.一种天然气长输管道巡检区域目标检测装置,其特征在于,所述装置包括:
获取模块,用于获取天然气长输管道所在区域输入图像;
预处理模块,用于对所获取的输入图像进行预处理;
模型构建及训练模块,用于构建长输管道检测模型并进行训练;其中,所述模型包括主干网络,主干网络中通过引入深度可分离卷积DWC3,使得模型在保证精度的同时提升特征提取速度;所述模型还包括特征融合网络,特征融合网络通过引入卷积层的注意力模块CBAM,使得模型能够自动学习并关注图像中的最重要特征;
检测模块,用于将预处理后的输入图像输入训练好的长输管道检测模型,以识别输入图像中是否有天然气长输管道。
5.根据权利要求4所述的装置,其特征在于,所述模型构建及训练模块包括:
数据集构建子模块,用于构建数据集,并将数据集划分为训练集和验证集;
训练子模块,用于通过训练集对模型进行训练;
测试子模块,用于通过测试集对训练后的模型进行测试。
6.一种电子设备,其特征在于,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,其中,
所述处理器执行所述程序时实现权利要求1至3任一所述的方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1至3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474290.9A CN117197415B (zh) | 2023-11-08 | 2023-11-08 | 天然气长输管道巡检区域目标检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474290.9A CN117197415B (zh) | 2023-11-08 | 2023-11-08 | 天然气长输管道巡检区域目标检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197415A true CN117197415A (zh) | 2023-12-08 |
CN117197415B CN117197415B (zh) | 2024-01-30 |
Family
ID=88987298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311474290.9A Active CN117197415B (zh) | 2023-11-08 | 2023-11-08 | 天然气长输管道巡检区域目标检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197415B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451671A (zh) * | 2023-12-22 | 2024-01-26 | 四川泓宝润业工程技术有限公司 | 一种反演气体浓度的方法、装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461291A (zh) * | 2020-03-13 | 2020-07-28 | 西安科技大学 | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 |
WO2021016873A1 (zh) * | 2019-07-30 | 2021-02-04 | 珠海全志科技股份有限公司 | 基于级联神经网络的注意力检测方法、计算机装置及计算机可读存储介质 |
CN112766195A (zh) * | 2021-01-26 | 2021-05-07 | 西南交通大学 | 一种电气化铁路弓网燃弧视觉检测方法 |
CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
CN115170550A (zh) * | 2022-07-29 | 2022-10-11 | 江苏大学 | 一种基于深度学习的电池缺陷检测方法及*** |
CN116051977A (zh) * | 2022-12-01 | 2023-05-02 | 长春工业大学 | 一种基于多分支融合的轻量型雾天街景语义分割算法 |
CN116824542A (zh) * | 2023-06-13 | 2023-09-29 | 重庆市荣冠科技有限公司 | 一种基于深度学习的轻量级雾天车辆检测方法 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
-
2023
- 2023-11-08 CN CN202311474290.9A patent/CN117197415B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021016873A1 (zh) * | 2019-07-30 | 2021-02-04 | 珠海全志科技股份有限公司 | 基于级联神经网络的注意力检测方法、计算机装置及计算机可读存储介质 |
CN111461291A (zh) * | 2020-03-13 | 2020-07-28 | 西安科技大学 | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 |
CN112766195A (zh) * | 2021-01-26 | 2021-05-07 | 西南交通大学 | 一种电气化铁路弓网燃弧视觉检测方法 |
CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
CN115170550A (zh) * | 2022-07-29 | 2022-10-11 | 江苏大学 | 一种基于深度学习的电池缺陷检测方法及*** |
CN116051977A (zh) * | 2022-12-01 | 2023-05-02 | 长春工业大学 | 一种基于多分支融合的轻量型雾天街景语义分割算法 |
CN116824542A (zh) * | 2023-06-13 | 2023-09-29 | 重庆市荣冠科技有限公司 | 一种基于深度学习的轻量级雾天车辆检测方法 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
Non-Patent Citations (4)
Title |
---|
GANG LI 等: "YOLO-RFF: An Industrial Defect Detection Method Based on Expanded Field of Feeling and Feature Fusion", 《FRONTIERS IN PLANT SCIENCE》, pages 1 - 16 * |
周登文 等: "基于区域互补注意力和多维注意力的轻量级图像超分辨率网络", 《模式识别与人工智能》, vol. 35, no. 7, pages 625 - 636 * |
孙洁娣 等: "改进稠密块轻量化神经网络的管道泄漏孔径识别", 《仪器仪表学报》, vol. 43, no. 3, pages 98 - 108 * |
张建恒: "融合注意力机制的轻量化道路交通标志检测方法", 《电子测量技术》, pages 1 - 9 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451671A (zh) * | 2023-12-22 | 2024-01-26 | 四川泓宝润业工程技术有限公司 | 一种反演气体浓度的方法、装置、存储介质及电子设备 |
CN117451671B (zh) * | 2023-12-22 | 2024-05-14 | 四川泓宝润业工程技术有限公司 | 一种反演气体浓度的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117197415B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN111680706B (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN112766087A (zh) | 一种基于知识蒸馏的光学遥感图像舰船检测方法 | |
CN117197415B (zh) | 天然气长输管道巡检区域目标检测方法、装置及存储介质 | |
CN110827251A (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
CN107844743A (zh) | 一种基于多尺度分层残差网络的图像多字幕自动生成方法 | |
CN106980858A (zh) | 一种语言文本检测与定位***及应用该***的语言文本检测与定位方法 | |
CN111914924A (zh) | 一种快速舰船目标检测方法、存储介质及计算设备 | |
CN106198551A (zh) | 一种输电线路缺陷的检测方法及装置 | |
CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
CN111476307A (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN114694028A (zh) | 基于卷积置信生成对抗网络模型的船舶焊缝缺陷检测方法 | |
CN114078209A (zh) | 一种提升小目标检测精度的轻量级目标检测方法 | |
CN115496891A (zh) | 一种小麦倒伏程度分级方法和装置 | |
CN116681885A (zh) | 输变电设备红外图像目标识别方法及*** | |
CN113989179B (zh) | 基于目标检测算法的列车轮对踏面缺陷检测方法及*** | |
Peng et al. | Research on oil leakage detection in power plant oil depot pipeline based on improved YOLO v5 | |
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 | |
CN116434188A (zh) | 基于improved_yolov5s网络的交通标志检测方法 | |
CN115239733A (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN116385876A (zh) | 基于yolox的光学遥感影像地物检测方法 | |
CN115410102A (zh) | 基于联合注意力机制的sar图像飞机目标检测方法 | |
CN114372502A (zh) | 一种角度自适应的椭圆模板目标检测器 | |
Yin et al. | Remote sensing object detection based on dilated convolution and multi-scale feature fusion |
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 |