CN109033993A - 一种图像识别检测开关门的方法及装置 - Google Patents
一种图像识别检测开关门的方法及装置 Download PDFInfo
- Publication number
- CN109033993A CN109033993A CN201810714050.4A CN201810714050A CN109033993A CN 109033993 A CN109033993 A CN 109033993A CN 201810714050 A CN201810714050 A CN 201810714050A CN 109033993 A CN109033993 A CN 109033993A
- Authority
- CN
- China
- Prior art keywords
- image
- state
- switch door
- neural network
- deep neural
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像识别检测开关门的方法及装置,该方法包括如下具体步骤:步骤一,获取图像,通过公交车中摄像装置获取开关门图像或视频,并将图像或视频转换成对应的图像格式;步骤二,从步骤一中获取图像样本集,并对所述样本图像集进行开关门状态的人工分类,使用分类好的图像训练深度神经网络,得出深度神经网络开关门检测模型;步骤三,通过训练好的深度神经网络模型对所述获取图像进行分析,输出开关门状态的指令;步骤四,使用状态变换算法对当前的开关门状态和上述指令进行对比分析,通过连续数次的判断结果中是否存在超过一定比例阈值的需要转换状态,判断当前状态是否需要转换;步骤五,输出开关门状态转换信号。
Description
技术领域
本发明涉及计算机视觉和智能公交领域,尤其是公交开关门智能检测的方法,具体涉及一种图像识别检测开关门的方法及装置。
背景技术
近年来,公交系统是城市交通运输的重要组成部分,随着科学技术的发展,涌现出各种置于公交车内的智能终端,这些终端里面集成了许多算法,它通过计算机视觉技术进行一些计算,而相当一些算法需要根据公交车的开关门作为触发器,启动算法的运行。目前检测公交车开关门的主流方法是在公交车上安装门磁感应器,当车辆开关门时触发门磁感应器,进而通过发送开关门信号给智能终端,来启动算法的运行。
但是使用门磁感应器存在许多缺点,在安装方面,安装门磁感应器需要在公交车内布线,在每个门上安装门磁感应器,将感应器的信号输入给智能终端,布线过程繁琐;在寿命方面,门磁感应器比较容易损坏,加上要通过线连接,中间有任何一个接线处接触不良或者断开,都会导致信号无法发送;在维修方面,维修门磁感应器需要检查各个环节,如果损坏要拆除更换坏的感应器或者线,费时费力;在成本方面,门磁感应器加上连接线,成本较高。
开关门信号的发送是智能算法的开关,如果这个信号不能正确的触发,将直接导致算法运行错误,所以开关门信号至关重要。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种图像识别检测开关门的方法及装置,该方法对开关门识别率高,同时该方法借助于公交车内已经安装的摄像头,并不需要增加额外的硬件设备,节省了成本。
为达到上述目的,本发明是通过以下的技术方案来实现的。
步骤一,获取图像,通过公交车中摄像装置获取开关门图像,并将图像转换成对应的图像格式,其中摄像装置包括公交车内摄像头,进一步,所述获取的开关门图像分布在不同车型,不同时间,不同天气、不同摄像头位置和角度。
步骤二,从步骤一中获取图像样本集,并对所述样本图像集进行开关门状态的人工分类,使用分类好的图像训练深度神经网络,得出深度神经网络开关门检测模型。所述深度神经网络模型包括预处理过程、若干卷积层、若干全连接层、softmax层,其中通过所述预处理过程,使得图片保持一定的结构,输入到所述卷积层中,所述卷积层提取图像的特征输入到所述全连接层,所述全连接层使用提取的图像特征对图像进行分类并输入到所述softmax层,所述softmax层是把全连接层的输出进行规范,以概率总和为1的形式对各个类别的预测概率进行计算。
步骤三,从摄像装置获取一帧图像后,通过程序将图像转换成相应的图像格式,通过训练好的深度神经网络模型对所述获取图像进行分析,输出开关门状态的指令。
步骤四,为了避免神经网络判断图像会有假景的存在,所以不能以一次的状态指令就转换当前的状态;其中所述状态包换四种情况:开门状态,开到关转换状态、关门状态、关到开转换状态,其中开到关转换状态和关到开转换状态统称为转换状态。使用状态变换算法对当前的开关门状态和上述指令进行对比分析,通过连续数次的判断结果中是否存在超过一定比例阈值的需要转换状态,判断当前状态是否需要转换;优选的,当所述连续数次大于4次,当超过55%的判断结果是需要转换状态时,当前的开关门状态模式为转换状态,例如如果连续的7次的判断结果中有4次都是需要转换状态,则当前的状态模式为状态转换状态。
步骤五,输出状态转换信号。优选的,输出方式可以通过计算机可读取方式发送,如TCP协议、串口等方式,上述方法可发送到软件程序、车载计算机平台、车载智能终端上、服务器上等。
本发明还提供了一种图像识别检测开关门的装置,包含获取单元、开关门检测单元、判断单元、输出单元,以上单元依次按顺序电连接;
所述获取单元,用于获取图像,通过公交车中摄像装置获取开关门图像或视频,并将图像或视频转换成对应的图像格式;所述获取的开关门图像分布在不同车型,不同时间,不同摄像头位置和角度。
所述开关门检测单元,用于对从获取单元获取的图像样本集进行开关门状态的人工分类,再使用分类好的图像训练深度神经网络,得出深度神经网络开关门检测模型,通过训练好的深度神经网络模型对所述获取图像进行分析,输出开关门状态的指令;
所述判断单元,用于通过使用状态变换算法对当前的开关门状态和上述指令进行对比分析,通过连续数次的判断结果中是否存在超过一定比例阈值的需要转换状态,判断当前状态是否需要转换;当所述连续数次大于4次,当超过55%的判断结果是需要转换状态时,当前的开关门状态模式为转换状态,例如如果连续的7次的判断结果中有4次都是需要转换状态,则当前的状态模式为状态转换状态。
所述输出单元,输出开关门状态转换信号。输出方式可以通过计算机可读取方式发送,如TCP协议、串口等方式,上述方法可植入于软件程序、车载计算机平台、车载智能终端上、服务器上等。
与现有技术相比,本发明具有如下有益效果:对开关门识别率高,目前开关门识别率可以达到99%,通过后期的不断训练,识别率会接近百分之百;同时该方法借助于公交车内已经安装的摄像头,并不需要增加额外的硬件设备,使用寿命高,节省了成本。
附图说明
图1 为本发明的图像识别检测开关门方法流程图。
图2 为本发明的开关门检测模型训练示意图。
图3 为本发明的图像识别检测开关门装置示意图。
图4 为本发明一实施例的深度神经网络结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,目的是使得本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解。
本发明技术采用计算机视觉技术,通过深度神经网络,用摄像头拍摄公交车上开关门图片,通过状态变换算法进一步识别出开关门状态,作为开关门触发器,并发送输出信号。
附图1为本发明的图像识别检测开关门方法流程图,附图2为开关门检测模型训练示意图,结合这两幅图,该方法主要包括以下步骤:
步骤一,获取图像,通过公交车中已有的摄像头或者重新部署摄像头,摄像头安装在公交车车门上方,为避免遮挡的影响,摄像头的朝向与垂直方向的夹角应小于45度,摄像头镜头的焦距一般应小于2.8mm,摄像头图像的中间位置需要对齐车门门缝。获取开关门图像或者视频,并将图像或者视频转换成rgb24格式,大小为320*288,作为深度神经网络模型的输入。
步骤二,获取分布在不同车型,不同时间,不同天气、不同摄像头位置和角度的已有的开关门图像,作为对深度神经网络进行训练的样本图像集,对所述样本图像集进行开关门状态的人工分类,使用分类好的图像训练深度神经网络,得出深度神经网络开关门检测模型。
步骤三,从摄像装置获取一帧图像后,通过程序将图像转换成并将图像或者视频转换成rgb24格式,大小为320*288,通过训练好的深度神经网络模型对所述获取图像进行分析,输出开关门状态的指令;深度神经网络结构如图4所示。
步骤四,为了避免神经网络判断图像会有假景的存在,所以不能以一次的状态指令就转换当前的状态;其中所述状态包换四种情况:开门状态,开到关转换状态、关门状态、关到开转换状态,其中开到关转换状态和关到开转换状态统称为转换状态。使用状态变换算法对当前的开关门状态和上述指令进行对比分析,通过连续数次的判断结果中是否存在超过一定比例阈值的需要转换状态,判断当前状态是否需要转换;这里选用连续的7次的判断结果中有4次都是需要转换状态,则当前的状态模式为状态转换状态,当然如果判断次数不足7次时,可满足有4次是需要转换状态,则状态变换算法结束,当前的状态模式为状态转换状态。
步骤五,输出状态转换信号。输出方式可以通过TCP协议、串口等方式,上述输出信号可发送到软件程序、车载计算机平台、车载智能终端上、服务器上等。所述车载计算机平台、车载智能终端上、服务器上安装在公交车的设备箱里面,需要通过螺丝钉等固定,通过电连接线将摄像头于电源接入。
按照上述方法得到的神经网络模型通过测试,在Intel atomn2600 CPU(主频1.6G赫兹)上,处理一张320*288像素的图像大概耗时4ms。
同时,上述图像识别检测开关门的方法经过数据统计分析,检测成功率在99%以上。
图3 为本发明的图像识别检测开关门装置示意图,所述装置包含获取单元、开关门检测单元、判断单元、输出单元,以上单元依次按顺序电连接;获取单元,用于获取图像,通过公交车中摄像装置获取开关门图像或视频,并将图像或视频转换成对应的图像格式;所述获取的开关门图像分布在不同车型,不同时间,不同摄像头位置和角度。开关门检测单元,用于对从获取单元获取的图像样本集进行开关门状态的人工分类,再使用分类好的图像训练深度神经网络,得出深度神经网络开关门检测模型,通过训练好的深度神经网络模型对所述获取图像进行分析,输出开关门状态的指令;判断单元,用于通过使用状态变换算法对当前的开关门状态和上述指令进行对比分析,通过连续数次的判断结果中是否存在超过一定比例阈值的需要转换状态,判断当前状态是否需要转换;当所述连续数次大于4次,当超过55%的判断结果是需要转换状态时,当前的开关门状态模式为转换状态,例如如果连续的7次的判断结果中有4次都是需要转换状态,则当前的状态模式为状态转换状态。输出单元,输出开关门状态转换信号。输出方式可以通过计算机可读取方式发送,如TCP协议、串口等方式,上述方法可植入于软件程序、车载计算机平台、车载智能终端上、服务器上等。
以上结合附图对本发明进行了示例性描述,显然,本发明具体实现并不受上述方式的限制,凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进;或者未经改进、等同替换,将本发明的上述构思和技术方案直接应用于其他场合的,均在本发明的保护范围之内。
Claims (10)
1.一种图像识别检测开关门的方法,其特征在于,包括如下具体步骤:
步骤一,获取图像,通过公交车中摄像装置获取开关门图像或视频,并将图像或视频转换成对应的图像格式;
步骤二,从步骤一中获取图像样本集,并对所述样本图像集进行开关门状态的人工分类,使用分类好的图像训练深度神经网络,得出深度神经网络开关门检测模型;
步骤三,通过训练好的深度神经网络模型对所述获取图像进行分析,输出开关门状态的指令;
步骤四,使用状态变换算法对当前的开关门状态和上述指令进行对比分析,通过连续数次的判断结果中是否存在超过一定比例阈值的需要转换状态,判断当前状态是否需要转换;
步骤五,输出开关门状态转换信号。
2.根据权利要求1所述的一种图像识别检测开关门的方法,其特征在于,步骤二中所述样本图像集中的图像包含了在不同车型,不同时间,不同天气、不同摄像头位置和角度的图像。
3.根据权利要求1所述的一种图像识别检测开关门的方法,其特征在于,所述输出方式可以通过计算机可读取方式发送。
4.根据权利要求1所述的一种图像识别检测开关门的方法,其特征在于,所述深度神经网络模型包括预处理过程、若干卷积层、若干全连接层、softmax层,其中通过所述预处理过程,使得图片保持一定的结构,输入到所述卷积层中,所述卷积层提取图像的特征输入到所述全连接层,所述全连接层使用提取的图像特征对图像进行分类并输入到所述softmax层,所述softmax层是把全连接层的输出进行规范,以概率总和为1的形式对各个类别的预测概率进行计算。
5.根据权利要求1-4所述的任一种图像识别检测开关门的方法,其特征在于,步骤四中当所述连续次数大于4次,当超过55%的次数的判断结果都是需要转换状态时,当前的开关门状态模式为转换状态。
6.根据权利要求5所述的一种图像识别检测开关门的方法,其特征在于,所述连续次数为7次,当连续的7次的判断结果中有4次都是需要转换状态,则当前的状态模式为状态转换状态。
7.一种图像识别检测开关门的装置,其特征在于,包含获取单元、开关门检测单元、判断单元、输出单元,以上单元依次按顺序电连接;
所述获取单元,用于获取图像,通过公交车中摄像装置获取开关门图像或视频,并将图像或视频转换成对应的图像格式;
所述开关门检测单元,用于对从获取单元获取的图像样本集进行开关门状态的人工分类,再使用分类好的图像训练深度神经网络,得出深度神经网络开关门检测模型,通过训练好的深度神经网络模型对所述获取图像进行分析,输出开关门状态的指令;
所述判断单元,用于通过使用状态变换算法对当前的开关门状态和上述指令进行对比分析,通过连续数次的判断结果中是否存在超过一定比例阈值的需要转换状态,判断当前状态是否需要转换;
所述输出单元,输出开关门状态转换信号。
8.根据权利要求7所述的一种图像识别检测开关门的装置,其特征在于,所述样本图像集中的图像包含了在不同车型,不同时间,不同摄像头位置和角度的图像。
9.根据权利要求7所述的一种图像识别检测开关门的装置,其特征在于,所述输出方式可以通过计算机可读取方式发送。
10.根据权利要求7-9所述的任一种图像识别检测开关门的装置,其特征在于,当所述连续次数大于4次,当超过55%的次数的判断结果都是需要转换状态时,当前的开关门状态模式为转换状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810714050.4A CN109033993A (zh) | 2018-06-29 | 2018-06-29 | 一种图像识别检测开关门的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810714050.4A CN109033993A (zh) | 2018-06-29 | 2018-06-29 | 一种图像识别检测开关门的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109033993A true CN109033993A (zh) | 2018-12-18 |
Family
ID=65521465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810714050.4A Pending CN109033993A (zh) | 2018-06-29 | 2018-06-29 | 一种图像识别检测开关门的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033993A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263758A (zh) * | 2019-07-01 | 2019-09-20 | 名创优品(横琴)企业管理有限公司 | 一种实体门店开关门检测方法和系统 |
CN110263692A (zh) * | 2019-06-13 | 2019-09-20 | 北京数智源科技有限公司 | 大场景下集装箱开关门状态识别方法 |
CN110287816A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
CN110287810A (zh) * | 2019-06-04 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
CN110363144A (zh) * | 2019-07-16 | 2019-10-22 | 中国民航科学技术研究院 | 一种基于图像处理技术的飞机门开关状态检测系统及方法 |
CN110619286A (zh) * | 2019-08-29 | 2019-12-27 | 深圳市城市交通规划设计研究中心有限公司 | 一种车辆开关门动作识别方法、系统及存储介质 |
CN111028225A (zh) * | 2019-12-12 | 2020-04-17 | 深圳集智数字科技有限公司 | 一种阀门把手开度的监测方法及装置 |
CN111368761A (zh) * | 2020-03-09 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 店铺营业状态识别方法、装置、可读存储介质和设备 |
CN111731960A (zh) * | 2020-06-22 | 2020-10-02 | 浙江新再灵科技股份有限公司 | 电梯门开关状态检测方法 |
CN114429616A (zh) * | 2022-01-26 | 2022-05-03 | 中煤科工集团重庆智慧城市科技研究院有限公司 | 基于计算机视觉的箱体异常状态识别方法 |
CN116757253A (zh) * | 2023-07-03 | 2023-09-15 | 浙江永贵博得交通设备有限公司 | 一种轨道交通智能自动学习开关门算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8294563B2 (en) * | 2009-08-03 | 2012-10-23 | Alpine Electronics, Inc. | Vehicle-surrounding image display apparatus and vehicle-surrounding image display method |
CN106340011A (zh) * | 2016-08-23 | 2017-01-18 | 天津光电高斯通信工程技术股份有限公司 | 一种铁路货车车门开启的自动检测识别方法 |
CN106559647A (zh) * | 2015-09-28 | 2017-04-05 | 株式会社日立制作所 | 开门关门检测装置和方法、人流检测系统和交通工具 |
CN107527068A (zh) * | 2017-08-07 | 2017-12-29 | 南京信息工程大学 | 基于cnn和域自适应学习的车型识别方法 |
-
2018
- 2018-06-29 CN CN201810714050.4A patent/CN109033993A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8294563B2 (en) * | 2009-08-03 | 2012-10-23 | Alpine Electronics, Inc. | Vehicle-surrounding image display apparatus and vehicle-surrounding image display method |
CN106559647A (zh) * | 2015-09-28 | 2017-04-05 | 株式会社日立制作所 | 开门关门检测装置和方法、人流检测系统和交通工具 |
CN106340011A (zh) * | 2016-08-23 | 2017-01-18 | 天津光电高斯通信工程技术股份有限公司 | 一种铁路货车车门开启的自动检测识别方法 |
CN107527068A (zh) * | 2017-08-07 | 2017-12-29 | 南京信息工程大学 | 基于cnn和域自适应学习的车型识别方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287810B (zh) * | 2019-06-04 | 2021-05-25 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
CN110287810A (zh) * | 2019-06-04 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
CN110287816A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
CN110287816B (zh) * | 2019-06-05 | 2021-12-28 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
CN110263692A (zh) * | 2019-06-13 | 2019-09-20 | 北京数智源科技有限公司 | 大场景下集装箱开关门状态识别方法 |
CN110263758A (zh) * | 2019-07-01 | 2019-09-20 | 名创优品(横琴)企业管理有限公司 | 一种实体门店开关门检测方法和系统 |
CN110263758B (zh) * | 2019-07-01 | 2021-06-25 | 创优数字科技(广东)有限公司 | 一种实体门店开关门检测方法和系统 |
CN110363144A (zh) * | 2019-07-16 | 2019-10-22 | 中国民航科学技术研究院 | 一种基于图像处理技术的飞机门开关状态检测系统及方法 |
CN110619286A (zh) * | 2019-08-29 | 2019-12-27 | 深圳市城市交通规划设计研究中心有限公司 | 一种车辆开关门动作识别方法、系统及存储介质 |
CN111028225A (zh) * | 2019-12-12 | 2020-04-17 | 深圳集智数字科技有限公司 | 一种阀门把手开度的监测方法及装置 |
CN111028225B (zh) * | 2019-12-12 | 2020-09-01 | 深圳集智数字科技有限公司 | 一种阀门把手开度的监测方法及装置 |
CN111368761A (zh) * | 2020-03-09 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 店铺营业状态识别方法、装置、可读存储介质和设备 |
CN111731960A (zh) * | 2020-06-22 | 2020-10-02 | 浙江新再灵科技股份有限公司 | 电梯门开关状态检测方法 |
CN114429616A (zh) * | 2022-01-26 | 2022-05-03 | 中煤科工集团重庆智慧城市科技研究院有限公司 | 基于计算机视觉的箱体异常状态识别方法 |
CN116757253A (zh) * | 2023-07-03 | 2023-09-15 | 浙江永贵博得交通设备有限公司 | 一种轨道交通智能自动学习开关门算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033993A (zh) | 一种图像识别检测开关门的方法及装置 | |
WO2020199538A1 (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
US20190114849A1 (en) | Method for diagnosing noise cause of a vehicle | |
CN109176513B (zh) | 一种智能巡检机器人的巡检方法及巡检系统 | |
CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
CN110069975A (zh) | 一种基于神经网络的导线开股识别方法及系统 | |
CN107257161A (zh) | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统 | |
CN110348380A (zh) | 一种可视化接地刀闸状态视频识别系统及方法 | |
CN105300528A (zh) | 变电站设备红外图像诊断方法及系统 | |
CN106295474B (zh) | 船舶驾驶员的疲劳检测方法、系统和服务器 | |
CN109145843A (zh) | 一种卡口高清相机全车信息识别系统及方法 | |
CN111695512B (zh) | 一种无人值守文物监测方法及装置 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN115761537A (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
WO2022062432A9 (zh) | 乘客分布预测模型训练方法与系统、乘客诱导方法与系统 | |
CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN110363144A (zh) | 一种基于图像处理技术的飞机门开关状态检测系统及方法 | |
CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
CN113033625A (zh) | 一种基于神经网络和集成学习融合的工业空调故障诊断方法 | |
CN108198164A (zh) | 一种电缆隧道电缆完整性的检测装置及方法 | |
CN111968078A (zh) | 一种变电设备的外观检测方法、装置、设备和存储介质 | |
Fang et al. | Realization of intelligent invigilation system based on adaptive threshold | |
CN115205747A (zh) | 一种基于图像识别的道路自动化检测系统 |
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: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |