CN107369291A - 基于深度学习的高压线路防外力破坏预警系统及方法 - Google Patents

基于深度学习的高压线路防外力破坏预警系统及方法 Download PDF

Info

Publication number
CN107369291A
CN107369291A CN201710569387.6A CN201710569387A CN107369291A CN 107369291 A CN107369291 A CN 107369291A CN 201710569387 A CN201710569387 A CN 201710569387A CN 107369291 A CN107369291 A CN 107369291A
Authority
CN
China
Prior art keywords
layer
convolution
pixels
image
target
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
Application number
CN201710569387.6A
Other languages
English (en)
Inventor
白宏阳
胡福东
郭宏伟
苏文杰
李成美
梁华驹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710569387.6A priority Critical patent/CN107369291A/zh
Publication of CN107369291A publication Critical patent/CN107369291A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的高压线路防外力破坏预警系统及方法。该系统包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块,以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端。方法如下:接收拍摄的图片作为训练样本集;构建卷积神经网络的网络模型;将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型;输入采集的现场图片并对其采用中值滤波处理,得到预处理后的图像;采用选择性搜索提取候选区域;采用最终的卷积神经网络模型自提取特征;采用支持向量机分类器识别出该图像中的目标。本发明具有识别率高、实时性好等优点,方便大规模生产。

Description

基于深度学习的高压线路防外力破坏预警系统及方法
技术领域
本发明涉及智能监控技术领域,特别是一种基于深度学习的高压线路防外力破坏预警系统及方法。
背景技术
随着计算机视觉技术和图像并行处理技术的发展,目标识别技术在军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用。特别是在视频监控领域中,如果能够有效对高压输电线路下的目标进行识别,就可以及时向工作人员预警,减少由于大面积停电、人员伤亡等灾难事故造成的经济损失。
目前传统目标识别的方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域,然后对这些区域提取特征,最后使用训练的分类器进行分类识别。但是这种识别方法存在的两个主要问题:一个是基于滑动窗口的区域选择策略没有针对性,时间复杂度高,窗口冗余,给使用人员带来较大困难,识别的成功概率与工人的专业水平也有关系;二是手工设计的特征对于多样性的变化并没有很好的鲁棒性,尤其是要适应各种复杂外场的安装环境,困难非常大。
发明内容
本发明的目的在于提供一种制造成本较低、识别率高的基于深度学习的高压线路防外力破坏预警系统及方法,从而防止高压输电线路下方危险作业车辆及目标的电力设施被破坏。
实现本发明目的的技术解决方案为:一种基于深度学习的高压线路防外力破坏预警系统,包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块,以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端,所述ARM图像处理板包括4G模块,其中:
所述的红外模拟摄像机与ARM图像处理板相连,用于对高压铁塔下图像数据的采集,同时将采集的图像通过4G模块发送给目标识别机;所述的数字摄像机与ARM图像处理板相连,用于对高压输电线路图像数据的采集,同时将输电线路图像通过4G模块发送给目标识别机,所述目标识别机对目标进行智能识别,并将识别结果通过服务器发送至手机移动终端;所述太阳能电池板通过蓄电池向电源管理板供电,电源管理板分别为ARM图像处理板、红外模拟摄像机、数字摄像机供电。
进一步地,所述的红外模拟摄像机采用工业级高清枪式摄像机,像素130万,供电电压为12V,安装在高压铁塔上,通过ARM图像处理板驱动该摄像机对高压铁塔下的目标进行监控。
进一步地,所述的数字摄像机由球机构成,最大监控距离为100m,供电电压为12V,安装在高压铁塔上,通过ARM图像处理板驱动该摄像机对输电线路上的目标进行监控。
一种基于深度学习的高压线路防外力破坏预警方法,所述的目标识别机采用深度学习的方法,搭建深度神经网络对目标进行智能识别,具体步骤如下:
步骤1,不断的接收拍摄的图片作为训练样本集;
步骤2,构建卷积神经网络的网络模型;
步骤3,将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型;
步骤4,输入采集的现场图片并对其采用中值滤波处理,得到预处理后的图像;
步骤5,采用选择性搜索对预处理后的图像提取候选区域;
步骤6,将候选区域采用最终的卷积神经网络模型自提取特征;
步骤7,将提取后的特征采用支持向量机分类器识别出该图像中的目标,并判断出该目标是否为危险作业目标。
进一步地,步骤2所述构建卷积神经网络的网络模型,具体如下:
构建一个5层卷积网络,第一层为卷积层,使用64个卷积核,卷积核窗口大小为3*3个像素,边缘填充100像素,输出64个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第二层为卷积层,使用128个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出128个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第三层为卷积层,使用256个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出256个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第四层为卷积层,使用512个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出512个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第五层为卷积层,使用512个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出512个特征图,特征图经降维处理后进入全连接层。
进一步地,步骤5所述采用选择性搜索对预处理后的图像提取候选区域,具体为:首先将图像分割成1000~2000个区域,然后以此为基础,对相邻的区域进行相似度判断并融合,形成不同尺度下的区域。
本发明与现有技术相比,其显著优点为:(1)采用深度学习的方法可以让机器自主学习特征,从而解放了繁琐的人工选取特征的步骤;(2)对危险作业目标识别率高、识别速率快,能保证实时性要求;(3)功耗低、可靠性高,且制造结构简单、成本低,方便大规模生产。
附图说明
图1为本发明基于深度学习的高压线路防外力破坏预警系统的结构示意图。
图2为本发明基于深度学习的高压线路防外力破坏预警方法的流程图。
图3为本发明采用的三种样本示例图,其中(a)为挖掘机样本示例图,(b)为吊车样本示例图,(c)为卡车样本示例图。
图4为本发明采用中值滤波对部分样本图像进行滤波处理并采用selectivesearch对处理后的图像提取候选区域示例图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明基于深度学习的高压线路防外力破坏预警系统,硬件系统主要包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块,以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端,所述ARM图像处理板包括4G模块,其中:
所述的红外模拟摄像机与ARM图像处理板相连,用于对高压铁塔下图像数据的采集,同时将采集的图像通过4G模块发送给目标识别机;所述的数字摄像机与ARM图像处理板相连,用于对高压输电线路图像数据的采集,同时将输电线路图像通过4G模块发送给目标识别机,所述目标识别机对目标进行智能识别,并将识别结果通过服务器发送至手机移动终端;
太阳能电池板与蓄电池相连接,主要给蓄电池充电;蓄电池是给整个系统供电;红外模拟摄像机采用工业级高清枪式摄像机,像素130万,供电电压为12V,安装在高压铁塔上,它主要与ARM图像处理板相连,用于对高压铁塔下图像数据的采集,同时将采集的图像通过4G模块发送给目标识别机,通过ARM图像处理板驱动该摄像机对高压铁塔下的目标进行监控;数字摄像机由球机构成,最大监控距离在100m,供电电压为12V,安装在高压铁塔上,它主要与ARM图像处理板相连,用于对高压输电线路图像数据的采集,同时将输电线路图像通过4G模块发送给目标识别机,通过ARM图像处理板驱动该摄像机对输电线路上的目标进行监控;电源管理板主要给ARM图像处理板、红外模拟摄像机和数字摄像机供电;GPS模块用于对电力设施防外破系统进行定位;箱体是将蓄电池、红外模拟摄像机、数字摄像机、ARM图像处理板和电源管理板封装在一起;服务器是接收包含危险作业目标的图片并将该图片和报警信息发发送到工作人员手机移动终端。
如图2所示,本发明基于深度学习的高压线路防外力破坏预警方法,包括以下步骤:
步骤1,不断的接收拍摄的图片作为训练样本集;
步骤2,构建卷积神经网络的网络模型;
步骤3,将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型;
步骤4,输入采集的现场图片并对其采用中值滤波处理,得到预处理后的图像;
步骤5,采用选择性搜索对预处理后的图像提取候选区域;
步骤6,将候选区域采用最终的卷积神经网络模型自提取特征;
步骤7,将提取后的特征采用支持向量机分类器识别出该图像中的目标,并判断出该目标是否为危险作业目标。
作为一种具体示例,步骤2所述构建卷积神经网络的网络模型,具体如下:
构建一个5层卷积网络,第一层为卷积层,使用64个卷积核,卷积核窗口大小为3*3个像素,边缘填充100像素,输出64个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第二层为卷积层,使用128个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出128个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第三层为卷积层,使用256个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出256个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第四层为卷积层,使用512个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出512个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第五层为卷积层,使用512个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出512个特征图,特征图经降维处理后进入全连接层。
作为一种具体示例,步骤5所述采用选择性搜索对预处理后的图像提取候选区域,具体为:首先将图像分割成1000~2000个区域,然后以此为基础,对相邻的区域进行相似度判断并融合,形成不同尺度下的区域。
实施例1
本发明提出的识别方法对不同的地面危险作业目标进行实验,采用的样本库图像分别为卡车、挖掘机和吊车。共有450张,其中训练集300张,测试集150张。训练集中包括卡车120张、挖掘机120张和吊车120张,测试集中包括卡车30张、挖掘机30张和吊车30张,分辨率480*320,样本示例如图3所示,其中图3(a)为挖掘机样本示例图,图3(b)为吊车样本示例图,图3(c)为卡车样本示例图。
实验中采用以下评价指标对识别效果进行评价:识别率τ其定义如公式(1)所示:
其中:N1是测试集中识别正确的个数,N是测试集总的个数。
如图4所示,采用中值滤波方式对部分测试样本进行滤波处理,并采用selectivesearch对处理后的图像提取候选区域。图4中,第一列为图像处理板采集的图像原图,第二列为中值滤波处理后的图像,第三列为提取候选区域后的图像,第四列为最终发往服务器的检测结果。
然后将候选区域图像采用神经网络模型自提取特征,最后将提取后的特征采用SVM分类器识别出该图像中的目标。识别结果如表1所示。
训练集个数 测试集个数 识别率(%)
360 90 91.11
为了体现本发明的优越性,对测试集分别采用胡氏不变矩、深度学习的方法进行识别,识别效果如表2所示。
由表2可知,由本发明提出采用深度学习的方法对地面上的危险作业目标进行识别比采用胡氏不变矩的方法进行识别高出近21个百分点。结果表明,本文提出采用深度学习的方法对危险作业目标进行识别识别率较高。
综上所述,本发明采用深度学习的方法对高压铁塔下危险作业目标进行检测与识别,具有识别率高、实时性好、成本低和结构简单等优点,制造结构简单、成本低,方便大规模生产,为高压铁塔下输电线路防外力破坏提供一种较好的解决方案。

Claims (6)

1.一种基于深度学习的高压线路防外力破坏预警系统,其特征在于,包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块,以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端,所述ARM图像处理板包括4G模块,其中:
所述的红外模拟摄像机与ARM图像处理板相连,用于对高压铁塔下图像数据的采集,同时将采集的图像通过4G模块发送给目标识别机;所述的数字摄像机与ARM图像处理板相连,用于对高压输电线路图像数据的采集,同时将输电线路图像通过4G模块发送给目标识别机,所述目标识别机对目标进行智能识别,并将识别结果通过服务器发送至手机移动终端;所述太阳能电池板通过蓄电池向电源管理板供电,电源管理板分别为ARM图像处理板、红外模拟摄像机、数字摄像机供电。
2.根据权利要求1所述的基于深度学习的高压线路防外力破坏预警系统,其特征在于,所述的红外模拟摄像机采用工业级高清枪式摄像机,像素130万,供电电压为12V,安装在高压铁塔上,通过ARM图像处理板驱动该摄像机对高压铁塔下的目标进行监控。
3.根据权利要求1所述的基于深度学习的高压线路防外力破坏预警系统,其特征在于,所述的数字摄像机由球机构成,最大监控距离为100m,供电电压为12V,安装在高压铁塔上,通过ARM图像处理板驱动该摄像机对输电线路上的目标进行监控。
4.一种基于深度学习的高压线路防外力破坏预警方法,其特征在于,所述的目标识别机采用深度学习的方法,搭建深度神经网络对目标进行智能识别,具体步骤如下:
步骤1,连续接收拍摄的图片作为训练样本集;
步骤2,构建卷积神经网络的网络模型;
步骤3,将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型;
步骤4,输入采集的现场图片并对其采用中值滤波处理,得到预处理后的图像;
步骤5,采用选择性搜索对预处理后的图像提取候选区域;
步骤6,将候选区域采用最终的卷积神经网络模型自提取特征;
步骤7,将提取后的特征采用支持向量机分类器识别出该图像中的目标,并判断出该目标是否为危险作业目标。
5.根据权利要求4所述的基于深度学习的高压线路防外力破坏预警方法,其特征在于,步骤2所述构建卷积神经网络的网络模型,具体如下:
构建一个5层卷积网络,第一层为卷积层,使用64个卷积核,卷积核窗口大小为3*3个像素,边缘填充100像素,输出64个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第二层为卷积层,使用128个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出128个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第三层为卷积层,使用256个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出256个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第四层为卷积层,使用512个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出512个特征图,特征图经降维处理后进入下一层,降维处理中下采样的核窗口大小为3*3个像素;第五层为卷积层,使用512个卷积核,卷积核窗口大小为3*3个像素,边缘填充1像素,输出512个特征图,特征图经降维处理后进入全连接层。
6.根据权利要求4所述的基于深度学习的高压线路防外力破坏预警方法,其特征在于,步骤5所述采用选择性搜索对预处理后的图像提取候选区域,具体为:首先将图像分割成1000~2000个区域,然后以此为基础,对相邻的区域进行相似度判断并融合,形成不同尺度下的区域。
CN201710569387.6A 2017-07-13 2017-07-13 基于深度学习的高压线路防外力破坏预警系统及方法 Pending CN107369291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710569387.6A CN107369291A (zh) 2017-07-13 2017-07-13 基于深度学习的高压线路防外力破坏预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710569387.6A CN107369291A (zh) 2017-07-13 2017-07-13 基于深度学习的高压线路防外力破坏预警系统及方法

Publications (1)

Publication Number Publication Date
CN107369291A true CN107369291A (zh) 2017-11-21

Family

ID=60306858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710569387.6A Pending CN107369291A (zh) 2017-07-13 2017-07-13 基于深度学习的高压线路防外力破坏预警系统及方法

Country Status (1)

Country Link
CN (1) CN107369291A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109385A (zh) * 2018-01-18 2018-06-01 南京杰迈视讯科技有限公司 一种输电线防外破的车辆识别与危险行为判别系统与方法
CN108307146A (zh) * 2017-12-12 2018-07-20 张宝泽 一种高压输电线路安全隐患检测系统及方法
CN108830903A (zh) * 2018-04-28 2018-11-16 杨晓春 一种基于cnn的钢坯位置检测方法
CN109698938A (zh) * 2018-12-20 2019-04-30 国网北京市电力公司 图像分析方法、装置及系统
CN110111518A (zh) * 2019-06-06 2019-08-09 厦门钛尚人工智能科技有限公司 一种场馆专用的破坏行为识别算法
CN112235723A (zh) * 2020-10-12 2021-01-15 腾讯科技(深圳)有限公司 定位方法、装置、电子设备及计算机可读存储介质
US20250265490A1 (en) * 2024-02-15 2025-08-21 Ford Global Technologies, Llc Vehicle battery manufacturing process

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537788A (zh) * 2015-01-16 2015-04-22 南京理工大学 一种高压输电线路防外破智能图像预警系统及方法
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN205158577U (zh) * 2015-10-28 2016-04-13 江苏省电力公司常州供电公司 一种高压输电线路防外破告警系统
CN106228177A (zh) * 2016-06-30 2016-12-14 浙江大学 基于卷积神经网络的日常生活物体图像识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537788A (zh) * 2015-01-16 2015-04-22 南京理工大学 一种高压输电线路防外破智能图像预警系统及方法
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN205158577U (zh) * 2015-10-28 2016-04-13 江苏省电力公司常州供电公司 一种高压输电线路防外破告警系统
CN106228177A (zh) * 2016-06-30 2016-12-14 浙江大学 基于卷积神经网络的日常生活物体图像识别方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108307146A (zh) * 2017-12-12 2018-07-20 张宝泽 一种高压输电线路安全隐患检测系统及方法
CN108109385A (zh) * 2018-01-18 2018-06-01 南京杰迈视讯科技有限公司 一种输电线防外破的车辆识别与危险行为判别系统与方法
CN108109385B (zh) * 2018-01-18 2022-06-14 南京杰迈视讯科技有限公司 一种输电线防外破的车辆识别与危险行为判别系统与方法
CN108830903A (zh) * 2018-04-28 2018-11-16 杨晓春 一种基于cnn的钢坯位置检测方法
CN109698938A (zh) * 2018-12-20 2019-04-30 国网北京市电力公司 图像分析方法、装置及系统
CN110111518A (zh) * 2019-06-06 2019-08-09 厦门钛尚人工智能科技有限公司 一种场馆专用的破坏行为识别算法
CN112235723A (zh) * 2020-10-12 2021-01-15 腾讯科技(深圳)有限公司 定位方法、装置、电子设备及计算机可读存储介质
CN112235723B (zh) * 2020-10-12 2021-11-12 腾讯科技(深圳)有限公司 定位方法、装置、电子设备及计算机可读存储介质
US20250265490A1 (en) * 2024-02-15 2025-08-21 Ford Global Technologies, Llc Vehicle battery manufacturing process

Similar Documents

Publication Publication Date Title
WO2024037408A1 (zh) 一种基于图像融合和特征增强的煤矿井下行人检测方法
CN114202672B (zh) 一种基于注意力机制的小目标检测方法
CN108109385B (zh) 一种输电线防外破的车辆识别与危险行为判别系统与方法
CN114202743A (zh) 自动驾驶场景下基于改进faster-RCNN的小目标检测方法
CN112950576B (zh) 基于深度学习的输电线路缺陷智能识别方法及系统
CN114241310B (zh) 基于改进yolo模型的堤防管涌险情智能识别方法
CN114842363B (zh) 一种数字孪生台区关键电力设备的识别方法及系统
CN101383008A (zh) 基于视觉注意模型的图像分类方法
Ji et al. FusionNet: Detection of foreign objects in transmission lines during inclement weather
Xiong et al. FCT-Net: A dual-encoding-path network fusing atrous spatial pyramid pooling and transformer for pavement crack detection
CN112907138B (zh) 一种从局部到整体感知的电网场景预警分类方法及系统
CN105184229A (zh) 一种动态场景下基于在线学习的实时行人检测方法
Wu et al. Research on asphalt pavement disease detection based on improved YOLOv5s
CN119625269A (zh) 一种基于改进YOLOv8算法的航拍图像小目标检测方法、系统、介质及处理器
CN107590234A (zh) 一种基于ransac的室内视觉定位数据库冗余信息减少的方法
Zhou et al. Power equipment image enhancement processing based on YOLO-v8 target detection model under MSRCR algorithm
CN111340149B (zh) 基于背景差分法和深度学习的挖掘机实时检测方法和系统
CN117523426A (zh) 一种融合特征金字塔的低空目标检测算法
CN117423064A (zh) 一种基于视觉的矿井低照度小目标人员检测方法和装置
Tu et al. Erasure-based interaction network for rgbt video object detection and a unified benchmark
CN116796024A (zh) 一种逃费车辆证据链处理方法及系统
CN119832601B (zh) 一种行人重识别方法及相关装置
CN119444752B (zh) 一种基于轻量级cgc-yolo的绝缘子缺陷检测方法
Liu Unmanned aerial vehicles general aerial Person-vehicle recognition based on improved YOLOv8s algorithm
CN120375286A (zh) 一种面向电力作业违章的实时目标检测方法及系统

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: 20171121

RJ01 Rejection of invention patent application after publication