CN108985322A - 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 - Google Patents
一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 Download PDFInfo
- Publication number
- CN108985322A CN108985322A CN201810559133.0A CN201810559133A CN108985322A CN 108985322 A CN108985322 A CN 108985322A CN 201810559133 A CN201810559133 A CN 201810559133A CN 108985322 A CN108985322 A CN 108985322A
- Authority
- CN
- China
- Prior art keywords
- ponding
- faster
- network
- cable tunnel
- rcnns
- 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
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本发明涉及计算机图像处理方法的技术领域,更具体地,涉及一种基于ZF‑Faster RCNNs的电缆隧道积水定位识别方法,包括候选区域生成的步骤、特征提取的步骤、类别判断的步骤以及位置精修的步骤,先采用RPN网络提取积水定位区域建议,然后用Faster R‑CNN检测网络在建议框内进行图像识别、SVM分类,最后对建议框进行位置精修,通过将传统的Faster R‑CNN检测网络种的Softmax分类方法替换成SVM,避免了由于正则化参数选取造成的概率计算近似结果,增强了分类的置信度。本发明能够实现实时监控电缆隧道内的积水情况,且能够实现电缆隧道积水区域的快速识别和定位,定位准确,计算效率高。
Description
技术领域
本发明涉及计算机图像处理方法的技术领域,更具体地,涉及一种基于ZF-FasterRCNNs的电缆隧道积水定位识别方法。
背景技术
目前,国内的电缆隧道积水监测大多基于水泵及水位监测系统,其监测目标为电缆隧道内集水坑的水位,当水位超过预设值时会启动远程警报,隧道维护人员通过该信号确定水泵是否正常排水,并采取相关应急措施。然而,这种监测方式只能将对象局限于集水坑,无法兼顾整个电缆隧道各个位置的积水情况,且反馈不够及时,难以实时监控电缆隧道内的积水情况,难以解决隧道潮湿的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,采用数字图像处理技术和基于区域建议的卷积神经网络算法进行电缆隧道积水的实时监控和图像定位识别。
为解决上述技术问题,本发明采用的技术方案是:
提供一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,包括以下步骤:
S1.通过隧道巡检机器人摄像头拍摄采集包含有积水的隧道积水样本图像;
S2.遍历步骤S1中所述隧道积水样本图像,对每张样本图像用包围框对积水区域进行标记处理,将包围框内的像素点标记为积水类别,将包围框外的像素点标记为背景类别,获得训练集,并生成候选区域;
S3.对步骤S2中所述训练集中具有包围框的隧道积水样本图像进行尺度缩放,将每张样本图像和包围框的较长边变换到预设目标尺寸,较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例缩放;
S4.构建包含ZFnet网络和RPN网络的Faster R-CNN检测网络,使用PASCALVOC2011Example Images对ZFnet网络进行预训练,所述RPN网络和Faster R-CNN检测网络均为ZFnet网络的基础上增加功能层得到;
S5.使用步骤S4预训练得到的ZFnet网络对RPN网络进行初始化,步骤S4中所述功能层进行卷积运算得到积水定位区域建议框;
S6.使用步骤S4预训练得到的ZFnet网络对Faster R-CNN检测网络进行初始化,将步骤S5中得到的积水定位区域建议框作为Faster R-CNN检测网络的输入,进行层卷积、池化运算以及SVM分类器计算以判断所述积水定位区域建议框是否存在隧道积水的结论以及积水区域的位置;
S7.重复步骤S5和步骤S6使用样本图像对Faster R-CNN检测网络进行训练和微调,在误差反向传播的过程中调整矩阵的参数,得到适合用于电缆隧道积水定位识别的Faster R-CNN检测网络。
本发明的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,采用数字图像处理技术和基于区域建议的卷积神经网络算法进行电缆隧道积水的实时监控和图像定位识别。先采用RPN网络提取积水定位区域建议,然后用Faster R-CNN检测网络在建议框内进行图像识别、SVM分类,最后对建议框进行位置精修,通过将传统的Faster R-CNN检测网络种的Softmax分类方法替换成SVM,避免了由于正则化参数选取造成的概率计算近似结果,增强了分类的置信度。
优选地,步骤S4中所述的ZFnet网络包括五个卷积层CONV1、CONV2、CONV3、CONV4、CONV5以及两个全连接层FC6、FC7,所述卷积层CONV5输出256通道的特征图,所述全连接层FC6将256通道内的全部特征进行串联生成4096维的高维特征向量。
优选地,步骤S5中,对RPN网络进行初始化后,在卷积层CONV5后增加卷积层CONV6,所述卷积层CONV6对卷积层CONV5输出的特征进行滑窗式的卷积运算。
优选地,所述滑窗式的卷积运算包括:对训练集中样本图像的每个位置,考虑多个固定尺宽和长宽比的候选窗口;卷积层CONV6的输出作为两个独立的全连接层box回归层和box分类层的输入,得到所述位置上9*2个窗口属于目标/背景的概率,以及9*4个平移缩放参数。
优选地,步骤S7中,所述微调采用随机梯度下降法对Faster R-CNN检测网络进行微调训练。
优选地,在步骤S7后,还包括RPN网络和Faster R-CNN检测网络共享卷积层的步骤以及采用Fast R-CNN检测网络的参数初始化RPN网络初始化的步骤,所述共享卷积层的学习率为0。
与现有技术相比,本发明的有益效果是:
本发明的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,采用数字图像处理技术和基于区域建议的卷积神经网络算法进行电缆隧道积水的实时监控和图像定位识别。先采用RPN网络提取积水定位区域建议,然后用Faster R-CNN检测网络在建议框内进行图像识别、SVM分类,最后对建议框进行位置精修,实现对象的识别和定位。通过将传统的Faster R-CNN检测网络种的Softmax分类方法替换成SVM,避免了由于正则化参数选取造成的概率计算近似结果,增强了分类的置信度。
具体实施方式
下面结合具体实施方式对本发明进行阐述,然而本发明的保护范围并非紧紧局限于以下实施例,实施例的说明只是用于帮助理解本发明的方法及其核心思想。凡在本专利的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明要求的保护范围之内。
实施例1
本实施例的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,包括以下步骤:
S1.通过隧道巡检机器人摄像头拍摄采集包含有积水的隧道积水样本图像;
S2.遍历步骤S1中所述隧道积水样本图像,对每张样本图像用包围框对积水区域进行标记处理,将包围框内的像素点标记为积水类别,将包围框外的像素点标记为背景类别,获得训练集,并生成候选区域;
S3.对步骤S2中所述训练集中具有包围框的隧道积水样本图像进行尺度缩放,将每张样本图像和包围框的较长边变换到预设目标尺寸,较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例缩放;
S4.构建包含ZFnet网络和RPN网络的Faster R-CNN检测网络,使用PASCALVOC2011Example Images对ZFnet网络进行预训练,所述RPN网络和Faster R-CNN检测网络均为ZFnet网络的基础上增加功能层得到;
S5.使用步骤S4预训练得到的ZFnet网络对RPN网络进行初始化,步骤S4中所述功能层进行卷积运算得到积水定位区域建议框;
S6.使用步骤S4预训练得到的ZFnet网络对Faster R-CNN检测网络进行初始化,将步骤S5中得到的积水定位区域建议框作为Faster R-CNN检测网络的输入,进行层卷积、池化运算以及SVM分类器计算以判断所述积水定位区域建议框是否存在隧道积水的结论以及积水区域的位置;
S7.重复步骤S5和步骤S6使用样本图像对Faster R-CNN检测网络进行训练和微调,在误差反向传播的过程中调整矩阵的参数,得到适合用于电缆隧道积水定位识别的Faster R-CNN检测网络。
步骤S4中,所述的ZFnet网络包括五个卷积层CONV1、CONV2、CONV3、CONV4、CONV5以及两个全连接层FC6、FC7,所述卷积层CONV5输出256通道的特征图,所述全连接层FC6将256通道内的全部特征进行串联生成4096维的高维特征向量。
步骤S5中,对RPN网络进行初始化后,在卷积层CONV5后增加卷积层CONV6,所述卷积层CONV6对卷积层CONV5输出的特征进行滑窗式的卷积运算。其中,所述滑窗式的卷积运算包括:对训练集中样本图像的每个位置,考虑多个固定尺宽和长宽比的候选窗口;卷积层CONV6的输出作为两个独立的全连接层box回归层和box分类层的输入,得到所述位置上9*2个窗口属于目标/背景的概率,以及9*4个平移缩放参数。
步骤S6中,SVM分类器计算方法包括以下步骤:
S61.用x表示待分类数据,x∈Rn,线性分类器的学习目标是在n维数据空间中寻找一个分类超平面,将数据分为两类,所述超平面用公式ωT·x+b=0表示,其中的ωT和b是通过大量样本训练得到的:
在线性可分的情况下,用y表示分类类别,用d表示分类间隔,用公式表示如下:
S62.根据统计学习理论,如果分类线不仅能将样本正确分开,还能使分类间隔最大,则这个分类面就是最优分类面,要使d最大,即转化为如下问题:
S63.用Lagrange优化法解上述问题,定义目标函数为:
式(4)中,αi(i=1,2,...,n)为各个样本的拉格朗日系数,求解L(ω,b,α)的最小值;
S64.步骤S63需转化为求解对偶问题:
由式(5)得到线性可分情况的最优平面解;
S65.对于线性不可分的情况,引入松弛变量(ξi≥0,(i=1,2,...,n))允许错分样本的存在,则样本集(xi,yi)满足:
yi(ωT·xi+b)-1+ξi≥0,i=1,2,...,n (6)
S66.最大间隔问题等价为:
S67.使用Lagrange优化法转化为求解对偶问题:
步骤S7中,所述微调采用随机梯度下降法对Faster R-CNN检测网络进行微调训练,本实施例的初始学习率为10-4,动量项为0.9,权值衰减系数为0.0005;在步骤S7后,还包括RPN网络和Faster R-CNN检测网络共享卷积层的步骤以及采用Fast R-CNN检测网络的参数初始化RPN网络初始化的步骤,所述共享卷积层的学习率为0。
经过以上步骤,输入先通过五层卷积层和三层池化层得到特征向量,再在RPN网络中使用特定卷积层得到一系列区域建议及坐标,在Faster R-CNN网络中对上述区域建议取特征向量,最后输入全连接层进行SVM分类和建议框回归精修,完成ZF-Faster RCNNs网络的构建;并采用随机梯度下降法进行网络微调训练,得到定位准确、计算速度快ZF-FasterRCNNs网络。
Claims (6)
1.一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,其特征在于,包括以下步骤:
S1.通过隧道巡检机器人摄像头拍摄采集包含有积水的隧道积水样本图像;
S2.遍历步骤S1中所述隧道积水样本图像,对每张样本图像用包围框对积水区域进行标记处理,将包围框内的像素点标记为积水类别,将包围框外的像素点标记为背景类别,获得训练集,并生成候选区域;
S3.对步骤S2中所述训练集中具有包围框的隧道积水样本图像进行尺度缩放,将每张样本图像和包围框的较长边变换到预设目标尺寸,较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例缩放;
S4.构建包含ZFnet网络和RPN网络的Faster R-CNN检测网络,使用PASCAL VOC2011Example Images对ZFnet网络进行预训练,所述RPN网络和Faster R-CNN检测网络均为ZFnet网络的基础上增加功能层得到;
S5.使用步骤S4预训练得到的ZFnet网络对RPN网络进行初始化,步骤S4中所述功能层进行卷积运算得到积水定位区域建议框;
S6.使用步骤S4预训练得到的ZFnet网络对Faster R-CNN检测网络进行初始化,将步骤S5中得到的积水定位区域建议框作为Faster R-CNN检测网络的输入,进行层卷积、池化运算以及SVM分类器计算以判断所述积水定位区域建议框是否存在隧道积水的结论以及积水区域的位置;
S7.重复步骤S5和步骤S6使用样本图像对Faster R-CNN检测网络进行训练和微调,在误差反向传播的过程中调整矩阵的参数,得到适合用于电缆隧道积水定位识别的FasterR-CNN检测网络。
2.根据权利要求1所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,其特征在于,步骤S4中所述的ZFnet网络包括五个卷积层CONV1、CONV2、CONV3、CONV4、CONV5以及两个全连接层FC6、FC7,所述卷积层CONV5输出256通道的特征图,所述全连接层FC6将256通道内的全部特征进行串联生成4096维的高维特征向量。
3.根据权利要求1所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,其特征在于,步骤S5中,对RPN网络进行初始化后,在卷积层CONV5后增加卷积层CONV6,所述卷积层CONV6对卷积层CONV5输出的特征进行滑窗式的卷积运算。
4.根据权利要求3所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,其特征在于,所述滑窗式的卷积运算包括:对训练集中样本图像的每个位置,考虑多个固定尺宽和长宽比的候选窗口;卷积层CONV6的输出作为两个独立的全连接层box回归层和box分类层的输入,得到所述位置上9*2个窗口属于目标/背景的概率,以及9*4个平移缩放参数。
5.根据权利要求1所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,其特征在于,步骤S7中,所述微调采用随机梯度下降法对Faster R-CNN检测网络进行微调训练。
6.根据权利要求1至5任一项所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法,其特征在于,在步骤S7后,还包括RPN网络和Faster R-CNN检测网络共享卷积层的步骤以及采用Fast R-CNN检测网络的参数初始化RPN网络初始化的步骤,所述共享卷积层的学习率为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810559133.0A CN108985322B (zh) | 2018-06-01 | 2018-06-01 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810559133.0A CN108985322B (zh) | 2018-06-01 | 2018-06-01 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985322A true CN108985322A (zh) | 2018-12-11 |
CN108985322B CN108985322B (zh) | 2019-11-22 |
Family
ID=64539956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810559133.0A Active CN108985322B (zh) | 2018-06-01 | 2018-06-01 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985322B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781732A (zh) * | 2019-03-08 | 2019-05-21 | 江西憶源多媒体科技有限公司 | 一种微小物检测并分类计数的方法 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
CN111160155A (zh) * | 2019-12-17 | 2020-05-15 | 北京文安智能技术股份有限公司 | 一种积水检测方法及装置 |
CN111310671A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 |
CN112013993A (zh) * | 2020-08-27 | 2020-12-01 | 国网山西省电力公司大同供电公司 | 一种基于水下机器人的海底电缆探测方法 |
CN112766107A (zh) * | 2021-01-08 | 2021-05-07 | 武汉大学 | 一种基于多源异构数据融合的高压电缆状态检测方法 |
CN112836704A (zh) * | 2021-04-22 | 2021-05-25 | 长沙鹏阳信息技术有限公司 | 一种融合分类检测分割的废纸类别自动识别方法 |
CN113326779A (zh) * | 2021-05-31 | 2021-08-31 | 中煤科工集团沈阳研究院有限公司 | 一种井下巷道积水检测识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101886942A (zh) * | 2010-06-23 | 2010-11-17 | 江苏大学 | 一种水尺标识方法及水位检测方法 |
CN104568047A (zh) * | 2014-12-26 | 2015-04-29 | 西安工程大学 | 隧道积水水位测量与警示系统 |
CN106370265A (zh) * | 2016-11-02 | 2017-02-01 | 济南大学 | 基于一维视觉的水库水位自动远程测量装置及方法 |
US20170258020A1 (en) * | 2016-03-11 | 2017-09-14 | International Business Machines Corporation | Method of controlling soil moisture, water accumulation and fertilizer distribution in land |
-
2018
- 2018-06-01 CN CN201810559133.0A patent/CN108985322B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101886942A (zh) * | 2010-06-23 | 2010-11-17 | 江苏大学 | 一种水尺标识方法及水位检测方法 |
CN104568047A (zh) * | 2014-12-26 | 2015-04-29 | 西安工程大学 | 隧道积水水位测量与警示系统 |
US20170258020A1 (en) * | 2016-03-11 | 2017-09-14 | International Business Machines Corporation | Method of controlling soil moisture, water accumulation and fertilizer distribution in land |
CN106370265A (zh) * | 2016-11-02 | 2017-02-01 | 济南大学 | 基于一维视觉的水库水位自动远程测量装置及方法 |
Non-Patent Citations (3)
Title |
---|
DENNIS KRYS ET AL: "Development of Visual Simultaneous Localization and Mapping (VSLAM) for a Pipe Inspection Robot", 《2007 INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE IN ROBOTICS AND AUTOMATION》 * |
王烈等: "基于多任务学习及Faster+R-CNN的SAR目标图像识别分类", 《科学技术与工程》 * |
郭叶军等: "基于Caffe网络模型的Faster+R-CNN算法推理过程的解析", 《现代计算机》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781732A (zh) * | 2019-03-08 | 2019-05-21 | 江西憶源多媒体科技有限公司 | 一种微小物检测并分类计数的方法 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
CN111160155A (zh) * | 2019-12-17 | 2020-05-15 | 北京文安智能技术股份有限公司 | 一种积水检测方法及装置 |
CN111310671A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 |
CN112013993A (zh) * | 2020-08-27 | 2020-12-01 | 国网山西省电力公司大同供电公司 | 一种基于水下机器人的海底电缆探测方法 |
CN112766107A (zh) * | 2021-01-08 | 2021-05-07 | 武汉大学 | 一种基于多源异构数据融合的高压电缆状态检测方法 |
CN112836704A (zh) * | 2021-04-22 | 2021-05-25 | 长沙鹏阳信息技术有限公司 | 一种融合分类检测分割的废纸类别自动识别方法 |
CN112836704B (zh) * | 2021-04-22 | 2021-07-09 | 长沙鹏阳信息技术有限公司 | 一种融合分类检测分割的废纸类别自动识别方法 |
CN113326779A (zh) * | 2021-05-31 | 2021-08-31 | 中煤科工集团沈阳研究院有限公司 | 一种井下巷道积水检测识别方法 |
CN113326779B (zh) * | 2021-05-31 | 2024-03-22 | 中煤科工集团沈阳研究院有限公司 | 一种井下巷道积水检测识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108985322B (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985322B (zh) | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 | |
CN112308019B (zh) | 基于网络剪枝和知识蒸馏的sar舰船目标检测方法 | |
Zhang et al. | Deep convolutional neural networks for forest fire detection | |
Wang et al. | Detection of insulator defects with improved ResNeSt and region proposal network | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN110490136B (zh) | 一种基于知识蒸馏的人体行为预测方法 | |
CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
Golovko et al. | Development of solar panels detector | |
CN104134364B (zh) | 具有自我学习能力的实时交通标记识别方法及系统 | |
CN114329036A (zh) | 一种基于注意力机制的跨模态特征融合系统 | |
CN110046568A (zh) | 一种基于时间感知结构的视频动作识别方法 | |
CN114973317A (zh) | 一种基于多尺度邻接交互特征的行人重识别方法 | |
CN112712052A (zh) | 一种机场全景视频中微弱目标的检测识别方法 | |
CN108446613A (zh) | 一种基于距离中心化与投影向量学习的行人重识别方法 | |
CN110610210A (zh) | 一种多目标检测方法 | |
CN112597324A (zh) | 一种基于相关滤波的图像哈希索引构建方法、系统及设备 | |
CN108345900A (zh) | 基于颜色纹理分布特征的行人重识别方法及其系统 | |
CN106156695A (zh) | 出口和/或入口区域识别方法和装置 | |
Yang et al. | Research on subway pedestrian detection algorithms based on SSD model | |
CN105868711A (zh) | 一种基于稀疏低秩的人体行为识别方法 | |
Gorodnichev et al. | Research and Development of a System for Determining Abnormal Human Behavior by Video Image Based on Deepstream Technology | |
Bai et al. | Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018) | |
CN116205905B (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
CN103578094B (zh) | 镜头分割方法 | |
CN115719475B (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 |
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 |