CN106530285B - 一种基于gpu与cpu混合数据处理的输电线路部件识别方法 - Google Patents
一种基于gpu与cpu混合数据处理的输电线路部件识别方法 Download PDFInfo
- Publication number
- CN106530285B CN106530285B CN201610919417.7A CN201610919417A CN106530285B CN 106530285 B CN106530285 B CN 106530285B CN 201610919417 A CN201610919417 A CN 201610919417A CN 106530285 B CN106530285 B CN 106530285B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- gpu
- cpu
- information
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000005611 electricity Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GPU与CPU混合数据处理的输电线路部件识别方法，根据输入的图像文件夹路径，将该路径下的图像形成数据流文件，依据图像数据大小开辟图像处理器的内存空间；提取图像的像素值，进行中央处理器内存与图像处理器的内存数据的交换；根据图像原始数据大小及内核数目，在保证填充满每个线程内存的基础上向每个线程分配内存，同时确保处理后数据与原始数据的对应关系；利用prewitt算子提取图像的边缘特征，同时保证数据一致性；中央处理器根据图像处理器计算得到的边缘数据，确定图像中的杆塔或导线部件。本发明充分发挥了CPU与GPU的性能优势，提高了识别任务的执行效率。
Description
技术领域
本发明涉及一种基于GPU与CPU混合数据处理的输电线路部件识别方法。
背景技术
随着我国国民经济的飞速发展和城市建设规模的日益扩大，通过增架高压、超高压线路来满足日益增强的电力能源需求。为保证整个电网的稳定供电与安全运行，要求对输电线路进行常规巡检和特殊巡检。人工巡检通常依靠巡检人员携带相关设备(望远镜、红外成像仪等)进行观察，无法全面的观察输电线路及设备的运行状态，而且劳动强度大。这种传统巡检模式已无法满足现阶段的巡检需求，无人机作为一种新型、高效的巡检模式被引入到日常巡检工作中。无人机巡检模式具有机动性高、受地域环境限制小、维护费用低等特点，可以实现对输电线路近距离的信息采集，获取到的输电线路状态信息更为准确。
现有无人机搭载的数据采集设备图像分辨率较高(1500W像素及以上)，而且对每基输电线路杆塔采集几十张甚至上百张图像，数据量较大。依靠人工对图像进行处理、识别图像中的部件，劳动量大而且由于操作人员经验、熟练程度不同会造成识别不准确与部分部件的漏识别，从而造成安全隐患。利用图像处理的手段对图像中部件进行识别，可以大大的提高工作效率，而且采用统一的识别标准不会因为主观因素造成识别误差。现有的处理方式采用基于CPU单独处理数据的方式完成部件的识别任务，但是在现在的巡检中，每次巡检获取到的图像数目多、数据量大，只用CPU进行数据处理耗时较长，无法满足现在巡检的后期数据处理要求。
发明内容
本发明为了解决上述问题，提出了一种基于GPU与CPU混合数据处理的输电线路部件识别方法，本方法利用图形处理器GPU处理简单、重复但是运算次数较多的数据运算步骤，利用CPU处理逻辑推理、数据分析等计算量小、控制复杂的数据处理步骤，利用CPU与GPU的特性进行数据运算上的互补，提高整体的数据处理效率。
为了实现上述目的，本发明采用如下技术方案：
一种基于GPU与CPU混合数据处理的输电线路部件识别方法，包括以下步骤：
(1)根据输入的图像文件夹路径，将该路径下的图像形成数据流文件，依据图像数据大小开辟图像处理器的内存空间；
(2)提取图像的像素值，进行中央处理器内存与图像处理器的内存数据的交换；
(3)根据图像原始数据大小及内核数目，在保证填充满每个线程内存的基础上向每个线程分配内存，同时确保处理后数据与原始数据的对应关系；
(4)利用prewitt算子提取图像的边缘特征，利用线程同步机制保持数据的一致性；
(5)中央处理器根据图像处理器计算得到的边缘数据，确定图像中的杆塔或导线部件。
所述步骤(1)中，对数据进行预处理，根据图像所在文件路径，形成数据流信息；根据这些信息在CPU上开辟内存空间将图像读入内存中并提取图像的灰度信息。
所述步骤(1)中，对数据进行预处理，具体包括：
(1-1)形成图像数据流：通过输入的图像文件夹路径依次读取路径下的图像数据，并记录图像的基本信息形成数据流；
(1-2)读取机载GPU版本信息以及此次处理是否使用GPU的标识符的状态信息。
所述步骤(1-1)中，记录的图像的基本信息包括：图像的绝对路径、图像名称和图像的长宽尺寸。
所述步骤(1-2)中，GPU版本信息包括GPU型号、GPU内存大小和GPU内核数量。
所述步骤(3)中，根据GPU的内核数量设计kernel函数，GPU利用kernel函数使数据填充满每个线程的内存，对数据进行预取，提前准备GPU kernel所需要的数据，在GPUkernel计算的同时在多管道中同时对数据进行拷贝完成数据传送。
所述步骤(3)中，利用同步锁实现数据处理过程中的一致性。
所述步骤(4)中，利用八方向prewitt算子操作提取图像的边缘信息，同时利用数据同步机制确保边缘提取后数据的一致性。
所述步骤(5)中，对于杆塔的识别过程包括：将图像分割为多个图像块，分析每个图像块的边缘信息，按照其倾斜类型与角度对其进行分组，设定边缘数目阈值，根据边缘的数目判断图像块是否为杆塔，对是杆塔的图像块进行标记。
如果每个分块中有多个角度的分组中都存在边缘，则判断为杆塔；如果只有一组角度的边缘且边缘数目小于3，则判为不是杆塔目标。
所述步骤(5)中，对于导线的识别过程，具体包括：提取边缘信息中的垂直和水平边缘信息，计算每条边缘的属性，包括每条线段上下左右端点位置坐标、线段的中心点坐标和线段的长度，设定直线融合角度阈值，根据每条线段的坐标信息和中心坐标，当相邻的两条边缘的角度差值小于阈值时，将两条边缘合并成一条边缘，遍历图像中所有的边缘完成边缘的合并，分析合并边缘的长度、贯穿性与平行性特性，从而确定导线目标。
本发明的有益效果为：
(1)本发明提出了优化数据分配策略，根据图像特点及GPU属性信息，自动的计算分块数据的数目及分块大小，根据分块处理的特点，弱化了数据间的关联性，提高了并行计算的能力；
(2)本发明采用GPU与CPU的混合计算的模式，实现了输电线路部件的快速识别。通过将简单、重复性计算移植到GPU模块，CPU只负责处理逻辑推理、判断的计算，充分发挥了CPU与GPU的性能优势，提高了识别任务的执行效率。
附图说明
图1为本发明的流程示意图；
图2为本发明的杆塔识别流程示意图；
图3为本发明的导线识别流程示意图；
图4为本发明的GPU线程块与线程的关系示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
一种基于GPU与CPU混合数据处理的输电线路部件识别方法。利用GPU处理简单、重复但是运算次数较多的数据运算步骤，利用CPU处理逻辑推理、数据分析等计算量小、控制复杂的数据处理步骤，利用CPU与GPU的特性进行数据运算上的互补，提高整体的数据处理效率。
如图1所示，具体步骤包括：
(1)数据预处理。将文件路径下的图像形成数据流文件，判断现有GPU是否满足数据处理要求。
(2)数据管理。提取图像像素值，并实现CPU内存与GPU内存数据的交换。
(3)数据分配。根据GPU的信息创建kernel序列，使数据填充满每个线程的内存。利用多通道数据传输技术，实现GPU计算的同时完成数据的传输，并增加数据同步机制，确保数据的一致性。
(4)特征提取。利用优化的prewitt算子提取图像的边缘特征，并使用同步技术保证数据的一致性。
(5)特征分析。通过分析GPU计算得到的边缘数据，确定图像中的杆塔、导线部件。
所述步骤(1)的数据预处理包括：
(1)形成图像数据流。通过输入的图像文件夹路径依次读取路径下的图像数据，并记录图像的基本信息：图像的绝对路径、图像名称、图像的长宽尺寸。
(2)获取GPU信息及状态信息。读取机载GPU版本信息：GPU型号、GPU内存大小、GPU内核数量。状态信息为此次处理是否使用GPU的标识符。
数据预处理完成后，根据图像数据流信息，将图像读入内存中提取图像的灰度值信息。根据NAVDIA推出的针对GPU的通用并行计算结构CUDA(Compute Unified DeviceArchitecture)语言的支持实现CPU存储单元与GPU存储单元间的数据交换，根据图像大小开辟GPU内存空间，采用数据预取、多管道数据拷贝的方式，利用PCI-E总线实现数据的传输，减少数据交换时的开销。
步骤(3)数据分配，主要包括；
(1)数据分块：根据GPU的内核数量设计kernel函数，主要包括GPU包含的线程块数目，每个线程块中包含的线程数目。在GPU运算前，在CPU端为GPU的计算根据数据的大小提前开辟GPU数据内存空间，并进行数据复制。根据图像原始数据大小及内核数目，在保证填充满每个线程内存的基础上向每个线程分配内存，该步骤在GPU中执行完成。
线程块与线程的二维层次结构如图4所示。
(2)数据传输：数据传输主要是多管道的数据拷贝。首先对数据进行预取，提前准备GPU kernel所需要的数据，在GPU kernel计算的同时采用CUDA Stream的方式在多管道中同时对数据进行拷贝完成数据传送，从而减少数据拷贝的开销。
(3)数据同步：为了保证处理后数据与原始数据的对应关系，利用同步锁实现数据的一致性。该步骤在GPU中完成。
输电线路是具有典型线性结构的人造物体，通过边缘特征算法来提取边缘特征并根据不同部件的固有属性进行分析，从而完成部件的识别任务。目前，输电线路典型设备主要包括：杆塔、导线及绝缘子三大类以及其上的附属设备等。为了在GPU上实现边缘特征提取，主要包括以下步骤：
(1)边缘提取prewitt算子。数据载入GPU模块后，执行prewitt算子操作提取图像的边缘信息。这里的八方向prewitt算子：水平方向、垂直方向及其余六个方向。其中prewitt算子为：
{1,1,1,1,-2,1,-1,-1,-1,
1,1,1,1,-2,-1,1,-1,-1,
1,1,-1,1,-2,-1,1,1,-1,
1,-1,-1,1,-2,-1,1,1,1,
-1,-1,-1,1,-2,1,1,1,1,
-1,-1,1,-1,-2,1,1,1,1,
-1,1,1,-1,-2,1,-1,1,1,
1,1,1,-1,-2,1,-1,-1,1}；
(2)数据同步。在CUDA语言中提供了数据同步机制，使用函数cudaDeviceSynchronize完成数据的同步操作，确保边缘提取后数据的一致性，避免因为数据对齐问题导致的数据寻址错误。
步骤(5)在经过GPU计算提取到图像的边缘特征后，需要通过计算边缘位置关系、角度信息等信息，对边缘特征进行分析、组合从而确定输电线路各部件的位置。因此本步骤在CPU端完成。主要包括：
(1)杆塔识别。首先根据图像的尺寸，将图像切割成4*3的图像块；第二：分析每个图像块中的边缘信息，将边缘分类为4组：-5°～5°：水平线段；小于-85°或大于85°：垂直线段；5°～85°：斜上线段；-85°～-5°：斜下线段；第三：设定边缘数目阈值，根据边缘的数目判断图像块是否为杆塔；最后，将属于杆塔的图像块边缘标记为红色，从而完成杆塔目标的识别。具体流程如图2所示。
(2)导线识别。首先，提取边缘信息中的垂直和水平边缘信息；第二，计算每条边缘的属性，包括每条线段上下左右端点位置坐标、线段的中心点坐标、线段的长度；第三，设定直线融合角度阈值，根据每条线段的坐标信息和中心坐标，当相邻的两条边缘的角度差值小于阈值时，将两条边缘合并成一条边缘；最后，遍历图像中所有的边缘完成边缘的合并。导线通常在无人拍摄的图像中呈现平行、贯穿图像的特性，通过分析合并边缘的平行性、贯穿性的特点从而确定导线目标。具体流程如图3所示。
GPU线程块与线程的关系如图4所示，根据数据的大小，创建线程块，并设定线程块中包含的数目，每个线程处理一个数据，从而实现了并行运算。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于GPU与CPU混合数据处理的输电线路部件识别方法，其特征是：包括以下步骤：
(1)根据输入的图像文件夹路径，将该路径下的图像形成数据流文件，依据图像数据大小开辟图像处理器的内存空间；
(2)提取图像的像素值，进行中央处理器内存与图像处理器的内存数据的交换；
(3)根据图像原始数据大小及内核数目，在保证填充满每个线程内存的基础上向每个线程分配内存，同时确保处理后数据与原始数据的对应关系；
(4)利用prewitt算子提取图像的边缘特征，利用线程同步机制保持数据的一致性；
(5)中央处理器根据图像处理器计算得到的边缘数据，确定图像中的杆塔或导线部件；
所述步骤(4)中，数据载入GPU模块后，执行prewitt算子操作提取图像的边缘信息；这里的八方向prewitt算子：水平方向、垂直方向及其余六个方向，其中prewitt算子为：
{1,1,1,1,-2,1,-1,-1,-1,
1,1,1,1,-2,-1,1,-1,-1,
1,1,-1,1,-2,-1,1,1,-1,
1,-1,-1,1,-2,-1,1,1,1,
-1,-1,-1,1,-2,1,1,1,1,
-1,-1,1,-1,-2,1,1,1,1,
-1,1,1,-1,-2,1,-1,1,1,
1,1,1,-1,-2,1,-1,-1,1}；
使用函数cudaDeviceSynchronize完成数据的同步操作，确保边缘提取后数据的一致性；
所述步骤(5)在经过GPU计算提取到图像的边缘特征后，需要通过计算边缘位置关系HE角度信息信息，对边缘特征进行分析、组合从而确定输电线路各部件的位置，本步骤在CPU端完成，包括：
杆塔识别：首先根据图像的尺寸，将图像切割成4*3的图像块；第二：分析每个图像块中的边缘信息，将边缘分类为4组：-5°～5°：水平线段；小于-85°或大于85°：垂直线段；5°～85°：斜上线段；-85°～-5°：斜下线段；第三：设定边缘数目阈值，根据边缘的数目判断图像块是否为杆塔；最后，将属于杆塔的图像块边缘标记为红色，从而完成杆塔目标的识别；
导线识别：首先，提取边缘信息中的垂直和水平边缘信息；第二，计算每条边缘的属性，包括每条线段上下左右端点位置坐标、线段的中心点坐标、线段的长度；第三，设定直线融合角度阈值，根据每条线段的坐标信息和中心坐标，当相邻的两条边缘的角度差值小于阈值时，将两条边缘合并成一条边缘；最后，遍历图像中所有的边缘完成边缘的合并；导线通常在无人拍摄的图像中呈现平行、贯穿图像的特性，通过分析合并边缘的平行性、贯穿性的特点从而确定导线目标。
2.如权利要求1所述的一种基于GPU与CPU混合数据处理的输电线路部件识别方法，其特征是：所述步骤(1)中，对数据进行预处理，根据图像所在文件路径，形成数据流信息；根据这些信息在CPU上开辟内存空间将图像读入内存中并提取图像的灰度信息。
3.如权利要求1所述的一种基于GPU与CPU混合数据处理的输电线路部件识别方法，其特征是：所述步骤(1)中，对数据进行预处理，具体包括：
(1-1)形成图像数据流：通过输入的图像文件夹路径依次读取路径下的图像数据，并记录图像的基本信息形成数据流；
(1-2)读取机载GPU版本信息以及此次处理是否使用GPU的标识符的状态信息。
4.如权利要求3所述的一种基于GPU与CPU混合数据处理的输电线路部件识别方法，其特征是：所述步骤(1-1)中，记录的图像的基本信息包括：图像的绝对路径、图像名称和图像的长宽尺寸。
5.如权利要求3所述的一种基于GPU与CPU混合数据处理的输电线路部件识别方法，其特征是：所述步骤(1-2)中，GPU版本信息包括GPU型号、GPU内存大小和GPU内核数量。
6.如权利要求1所述的一种基于GPU与CPU混合数据处理的输电线路部件识别方法，其特征是：所述步骤(3)中，根据GPU的内核数量设计kernel函数，GPU利用kernel函数使数据填充满每个线程的内存，对数据进行预取，提前准备GPU kernel所需要的数据，在GPUkernel计算的同时在多管道中同时对数据进行拷贝完成数据传送。
7.如权利要求1所述的一种基于GPU与CPU混合数据处理的输电线路部件识别方法，其特征是：所述步骤(3)中，利用同步锁实现数据处理过程中的一致性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610919417.7A CN106530285B (zh) | 2016-10-21 | 2016-10-21 | 一种基于gpu与cpu混合数据处理的输电线路部件识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610919417.7A CN106530285B (zh) | 2016-10-21 | 2016-10-21 | 一种基于gpu与cpu混合数据处理的输电线路部件识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106530285A CN106530285A (zh) | 2017-03-22 |
| CN106530285B true CN106530285B (zh) | 2019-04-09 |
Family
ID=58291712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610919417.7A Active CN106530285B (zh) | 2016-10-21 | 2016-10-21 | 一种基于gpu与cpu混合数据处理的输电线路部件识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106530285B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2616322B (en) * | 2022-03-03 | 2024-02-21 | Univ Hefei Technology | Computer vision-based dynamic bridge shape recognition method |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945098B (zh) * | 2017-11-24 | 2022-03-01 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN109344116B (zh) * | 2018-09-21 | 2022-03-15 | 福州大学 | Prewitt算子的NEON加速引擎器 |
| CN111833288B (zh) * | 2019-04-12 | 2024-02-09 | 阿里巴巴集团控股有限公司 | 图像识别方法、装置和设备 |
| CN114416365B (zh) * | 2022-01-18 | 2022-09-27 | 北京拙河科技有限公司 | 基于gpu融合处理的超清画质图像数据处理方法与装置 |
| CN117909268B (zh) * | 2024-03-19 | 2024-05-24 | 麒麟软件有限公司 | 一种gpu驱动优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605497A (zh) * | 2013-11-29 | 2014-02-26 | 柳州职业技术学院 | 一种二值图像连通域标记快速识别方法 |
| CN104503731A (zh) * | 2014-12-15 | 2015-04-08 | 柳州职业技术学院 | 二值图像连通域标记快速识别方法 |
| CN104867134A (zh) * | 2015-05-04 | 2015-08-26 | 国家电网公司 | 一种用于无人机巡检输电线路杆塔的识别方法 |
| CN104952066A (zh) * | 2015-05-11 | 2015-09-30 | 国网安徽省电力公司芜湖供电公司 | 基于hsv色彩空间的输电线路相位标志牌识别方法 |
| CN105528790A (zh) * | 2015-12-09 | 2016-04-27 | 国网山东省电力公司电力科学研究院 | 一种输电线路小型部件识别方法 |
-
2016
- 2016-10-21 CN CN201610919417.7A patent/CN106530285B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605497A (zh) * | 2013-11-29 | 2014-02-26 | 柳州职业技术学院 | 一种二值图像连通域标记快速识别方法 |
| CN104503731A (zh) * | 2014-12-15 | 2015-04-08 | 柳州职业技术学院 | 二值图像连通域标记快速识别方法 |
| CN104867134A (zh) * | 2015-05-04 | 2015-08-26 | 国家电网公司 | 一种用于无人机巡检输电线路杆塔的识别方法 |
| CN104952066A (zh) * | 2015-05-11 | 2015-09-30 | 国网安徽省电力公司芜湖供电公司 | 基于hsv色彩空间的输电线路相位标志牌识别方法 |
| CN105528790A (zh) * | 2015-12-09 | 2016-04-27 | 国网山东省电力公司电力科学研究院 | 一种输电线路小型部件识别方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2616322B (en) * | 2022-03-03 | 2024-02-21 | Univ Hefei Technology | Computer vision-based dynamic bridge shape recognition method |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106530285A (zh) | 2017-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106530285B (zh) | 一种基于gpu与cpu混合数据处理的输电线路部件识别方法 | |
| US11762475B2 (en) | AR scenario-based gesture interaction method, storage medium, and communication terminal | |
| Griffiths et al. | SynthCity: A large scale synthetic point cloud | |
| US9996771B2 (en) | System and method for procedurally synthesizing datasets of objects of interest for training machine-learning models | |
| CN112085840B (zh) | 语义分割方法、装置、设备及计算机可读存储介质 | |
| CN109509260A (zh) | 动态障碍物点云的标注方法、设备及可读介质 | |
| CN105913372B (zh) | 二维房型平面图转换为三维空间图的方法及其系统 | |
| CN110378222A (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
| CN104376594A (zh) | 三维人脸建模方法和装置 | |
| CN103605497B (zh) | 一种二值图像连通域标记快速识别方法 | |
| CN111460967A (zh) | 一种违法建筑识别方法、装置、设备及存储介质 | |
| CN111208842B (zh) | 一种虚拟无人机与实体无人机混合集群任务控制系统 | |
| CN103970901B (zh) | 一种地理信息图形数据整合方法 | |
| CN103336959A (zh) | 一种基于gpu多核并行加速的车辆检测方法 | |
| CN111260677A (zh) | 基于显微图像的细胞分析方法、装置、设备及存储介质 | |
| CN104850457B (zh) | 一种关联图中海量图像的快速加载显示方法及系统 | |
| CN109525803A (zh) | 基于fpga和人工智能的视频结构化处理装置和方法 | |
| CN109297978B (zh) | 基于双目成像的电力线路无人机巡检及缺陷智能诊断系统 | |
| CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
| Liu et al. | An improved YOLOv5-based approach to soybean phenotype information perception | |
| CN104503731A (zh) | 二值图像连通域标记快速识别方法 | |
| Zhao et al. | YOLO‐Highway: An Improved Highway Center Marking Detection Model for Unmanned Aerial Vehicle Autonomous Flight | |
| Tong et al. | Anchor‐adaptive railway track detection from unmanned aerial vehicle images | |
| CN114926916A (zh) | 一种5g无人机动态ai巡检系统 | |
| CN104200231B (zh) | 一种高效的交通状态标注方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | 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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Co-patentee after: National Network Intelligent Technology Co., Ltd. Patentee after: Electric Power Research Institute of State Grid Shandong Electric Power Company Co-patentee after: State Grid Corporation of China Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Co-patentee before: Shandong Luneng Intelligent Technology Co., Ltd. Patentee before: Electric Power Research Institute of State Grid Shandong Electric Power Company Co-patentee before: State Grid Corporation of China |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201027 Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Patentee after: National Network Intelligent Technology Co.,Ltd. Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000 Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co. Patentee before: National Network Intelligent Technology Co.,Ltd. Patentee before: STATE GRID CORPORATION OF CHINA |
|
| TR01 | Transfer of patent right |