CN109389046B - 用于自动驾驶的全天候物体识别与车道线检测方法 - Google Patents

用于自动驾驶的全天候物体识别与车道线检测方法 Download PDF

Info

Publication number
CN109389046B
CN109389046B CN201811056451.1A CN201811056451A CN109389046B CN 109389046 B CN109389046 B CN 109389046B CN 201811056451 A CN201811056451 A CN 201811056451A CN 109389046 B CN109389046 B CN 109389046B
Authority
CN
China
Prior art keywords
network
lane line
sub
lane
object recognition
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
Application number
CN201811056451.1A
Other languages
English (en)
Other versions
CN109389046A (zh
Inventor
吴晓闯
陆正达
孙长亮
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.)
Kunshan Xingjizhou Intelligent Technology Co ltd
Original Assignee
Kunshan Xingjizhou Intelligent Technology Co ltd
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 Kunshan Xingjizhou Intelligent Technology Co ltd filed Critical Kunshan Xingjizhou Intelligent Technology Co ltd
Priority to CN201811056451.1A priority Critical patent/CN109389046B/zh
Publication of CN109389046A publication Critical patent/CN109389046A/zh
Application granted granted Critical
Publication of CN109389046B publication Critical patent/CN109389046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

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)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于自动驾驶的全天候物体识别与车道线检测方法，包括收集样本图片，构建训练数据库步骤；图像数据集标注步骤；基于训练数据库，构建卷积神经网络步骤；训练模型步骤；模型测试步骤；整合物体识别子网络与车道线分割子网络的结果，并对结果进行筛选，去除重复检测结果，最终得到当前图像中物体的类别及其矩形框坐标和车道线坐标的步骤。本发明创新性的采用单个深度学习模型，同时进行物体识别和车道线检测，该模型包括特征提取子网络、物体识别子网络和车道线分割子网络，特征提取子网络被另外两个子网络公用，该发明的优点在于结合了检测与分割的优势，将二者融合，以减少重复提取特征，减少模型的计算量。

Description

用于自动驾驶的全天候物体识别与车道线检测方法
技术领域
本发明涉及一种用于自动驾驶的全天候物体识别与车道线检测方法。
背景技术
随着深度学习技术的发展，基于此技术的应用越来越多，特别是在自动驾驶领域，主要应用包括：感知、融合、决策等。但现有的深自动驾驶的视觉感知模块的深度学习模型只能单独检测物体或者车道线，当需要同时检查物体或车道线时，需要两个模型，不仅效率低，而且消耗较多的计算资源。
发明内容
为了克服上述缺陷，本发明提供了一种用于自动驾驶的全天候物体识别与车道线检测方法，采用一个模型就能同时进行物体识别和车道线检测，消耗更少的计算资源。
本发明为了解决其技术问题所采用的技术方案是：
一种用于自动驾驶的全天候物体识别与车道线检测方法，包括以下步骤：
步骤1，收集样本图片，构建训练数据库：将测试车辆在不同道路场景中行驶，并用近红外摄像头采集测试车辆行驶过程中的图像数据，至少收集20000张不同场景和物体的图片保存以构建训练数据库；
步骤2，图像数据集标注：将训练数据库中的图片进行人工标注，标注类型分为两类，第一类为矩形框标注，标注的类别有十种，包括：人、汽车、公共汽车、卡车、自行车、摩托车、骑车的人、交通标志、交通信号灯、障碍物，每个物体使用一个矩形框；第二类是车道线标注，使用多边形标注方式，一共标注4条车道线，分别为：车辆当前所在车道的左、右两条车道线，左边相邻车道的左侧车道线和右边相邻车道的右侧车道线；如果车道线被大量遮挡或者不存在时，则不需要标注该条车道线；
步骤3，基于训练数据库，构建卷积神经网络：将步骤2人工标注后的图片作为原始图片，该原始图片首先进入特征提取子网络，再将特征提取子网络的输出分别输入物体识别子网络和车道线分割子网络，物体识别子网络的输出为物体的类别及其所在的矩形框坐标，车道线分割子网络的输出为每个像素点的类别；
步骤4，训练模型：首先训练物体识别子网络，一共迭代20000-80000次，再训练车道线分割子网络20000-80000次，如此再重复一次，交替训练，得到最终训练的模型并保存；
步骤5，模型测试：使用近红外摄像头采集图像，并将图像输入训练好的特征提取子网路，该特征提取子网路的输出被称为特征图，先将特征图送入物体识别子网络，得到当前图像的物体识别结果；再将该特征图送入车道线分割子网络，得到车道线分割结果；
步骤6，整合物体识别子网络与车道线分割子网络的结果，并对结果进行筛选，去除重复检测结果，最终得到当前图像中物体的类别及其矩形框坐标和车道线坐标。
作为本发明的进一步改进，在所述步骤1前，先在测试车辆上安装近红外摄像头，该近红外摄像头包括激光发射装置和近红外成像装置，将激光发射装置安装在测试车辆的大灯位置，近红外成像装置安装在测试车辆的前挡风玻璃中间区域。
作为本发明的进一步改进，所述步骤5中，所述特征提取子网络先将输入图像归一化为448x448大小，然后使用13个卷积层和5个池化层对图像进行特征编码，输出特征图大小为14x14x1024。
作为本发明的进一步改进，所述步骤5中，所述物体识别子网络使用3个卷积层，检测的物体类别为10类，最后一个卷积核的个数为(10+5)*3，总的候选框个数为14*14*3＝588个，再使用非极大值抑制算法，将重复检测到的物体去除。
作为本发明的进一步改进，所述步骤5中，所述车道线分割子网络使用卷积和上采样对特征图进行解码，一共包括13个卷积层和5个上采样层，最后网络输出的大小为448x448x5，其中5表示一共预测五个类别，0表示背景，1、2、3、4分别表示主车所在的车道线的标签。
本发明的有益效果是：本发明创新性的采用单个深度学习模型，同时进行物体识别和车道线检测，该模型包括特征提取子网络、物体识别子网络和车道线分割子网络，特征提取子网络被另外两个子网络公用，该发明的优点在于结合了检测与分割的优势，将二者融合，以减少重复提取特征，减少模型的计算量。最终，该模型在单个GPU中能够达到25fps，满足后续的自动驾驶决策模块的需求。
附图说明
图1为本发明近红外摄像头安装结构示意图；
图2为本发明模型测试示意图。
结合附图，作以下说明：
1——测试车辆； 2——激光发射装置；
3——近红外成像装置； 101——特征提取子网路；
102——特征图； 103——物体识别子网络；
104——车道线分割子网络。
具体实施方式
以下结合附图，对本发明的一个较佳实施例作详细说明。但本发明的保护范围不限于下述实施例，即但凡以本发明申请专利范围及说明书内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖范围之内。
一种用于自动驾驶的全天候物体识别与车道线检测方法，包括以下步骤：
步骤1，收集样本图片，构建训练数据库：将测试车辆在不同道路场景(如城市道路、高速道路等)中行驶，并用近红外摄像头采集测试车辆行驶过程中的图像数据，至少收集20000张不同场景和物体的图片保存以构建训练数据库；
步骤2，图像数据集标注：将训练数据库中的图片进行人工标注，标注类型分为两类，第一类为矩形框标注，标注的类别有十种，包括：人、汽车、公共汽车、卡车、自行车、摩托车、骑车的人、交通标志、交通信号灯、障碍物，每个物体使用一个矩形框；第二类是车道线标注，使用多边形标注方式，一共标注4条车道线，分别为：车辆当前所在车道的左、右两条车道线，左边相邻车道的左侧车道线和右边相邻车道的右侧车道线；如果车道线被大量遮挡或者不存在时，则不需要标注该条车道线；
步骤3，基于训练数据库，构建卷积神经网络：将步骤2人工标注后的图片作为原始图片，该原始图片首先进入特征提取子网络，再将特征提取子网络的输出分别输入物体识别子网络和车道线分割子网络，物体识别子网络的输出为物体的类别及其所在的矩形框坐标，车道线分割子网络的输出为每个像素点的类别(车道线/背景)；
步骤4，训练模型：本发明提出的全天候物体识别与车道线检测方法是一种深度学习模型，该模型中的各项参数利用梯度下降法，基于训练数据集中的数据迭代计算得到。由于需要训练两个子网络，因此需要分别训练，首先训练物体识别子网络，一共迭代20000-80000次，再训练车道线分割子网络20000-80000次，如此再重复一次，交替训练，得到最终训练的模型并保存；
步骤5，模型测试：参阅图2，使用近红外摄像头采集图像，并将图像输入训练好的特征提取子网路101，该特征提取子网路的输出被称为特征图102，先将特征图送入物体识别子网络103，得到当前图像的物体识别结果；再将该特征图送入车道线分割子网络104，得到车道线分割结果；
步骤6，整合物体识别子网络与车道线分割子网络的结果，并对结果进行筛选，去除重复检测结果，最终得到当前图像中物体的类别及其矩形框坐标和车道线坐标。
其中，在所述步骤1前，先在测试车辆上安装近红外摄像头，参阅图1，该近红外摄像头包括激光发射装置2和近红外成像装置3，将激光发射装置2安装在测试车辆1的大灯位置，近红外成像装置3安装在测试车辆1的前挡风玻璃中间区域。
其中，所述步骤5中，所述特征提取子网络先将输入图像归一化为448x448大小，然后使用13个卷积层和5个池化层对图像进行特征编码，输出特征图大小为14x14x1024。网络详细结构见表1：
Figure BDA0001795905010000061
表1
其中，所述步骤5中，所述物体识别子网络使用3个卷积层，检测的物体类别为10类，最后一个卷积核的个数为(10+5)*3，总的候选框个数为14*14*3＝588个，再使用非极大值抑制算法，将重复检测到的物体去除。网络详细结构见表2：
Figure BDA0001795905010000062
表2
其中，所述步骤5中，所述车道线分割子网络使用卷积和上采样对特征图进行解码，一共包括13个卷积层和5个上采样层，最后网络输出的大小为448x448x5，其中5表示一共预测五个类别，0表示背景，1、2、3、4分别表示主车所在的车道线的标签。网络详细结构见表3：
Figure BDA0001795905010000071
表3
由于需要使用单个模型实现检测和分割功能，因此需要共用特征提取子网络，在训练过程中，采用先训练物体识别子网络，再训练车道线分割子网络，如此迭代两次，最终达到使用一个模型，同时进行物体识别和车道线检测。
本发明的主要目的是基于深度学习技术，设计了一个神经网络模型，该模型能够实现全天候物体识别与车道线检测。该技术能够在白天、夜间、雨天等恶劣天气下进行准确的识别，80m以内的物体识别准确率为99.9％，80m以外的物体识别准确率为85％，车道线检测准确率为99％；使用单个GPU，能够达到实时检测的效果。
由此可见，本发明创新性的采用单个深度学习模型，同时进行物体识别和车道线检测，该模型包括特征提取子网络、物体识别子网络和车道线分割子网络，特征提取子网络被另外两个子网络公用，该发明的优点在于结合了检测与分割的优势，将二者融合，以减少重复提取特征，减少模型的计算量。最终，该模型在单个GPU中能够达到25帧/秒，满足后续的自动驾驶决策模块的需求。

Claims (2)

1.一种用于自动驾驶的全天候物体识别与车道线检测方法，其特征在于,包括以下步骤：
步骤1，收集样本图片，构建训练数据库：将测试车辆在不同道路场景中行驶，并用近红外摄像头采集测试车辆行驶过程中的图像数据，至少收集20000张不同场景和物体的图片保存以构建训练数据库；
步骤2，图像数据集标注：将训练数据库中的图片进行人工标注，标注类型分为两类，第一类为矩形框标注，标注的类别有十种，包括：人、汽车、公共汽车、卡车、自行车、摩托车、骑车的人、交通标志、交通信号灯、障碍物，每个物体使用一个矩形框；第二类是车道线标注，使用多边形标注方式，一共标注4条车道线，分别为：车辆当前所在车道的左、右两条车道线，左边相邻车道的左侧车道线和右边相邻车道的右侧车道线；如果车道线被大量遮挡或者不存在时，则不需要标注该条车道线；
步骤3，基于训练数据库，构建卷积神经网络：将步骤2人工标注后的图片作为原始图片，该原始图片首先进入特征提取子网络(101)，再将特征提取子网络的输出分别输入物体识别子网络(103)和车道线分割子网络(104)，物体识别子网络的输出为物体的类别及其所在的矩形框坐标，车道线分割子网络的输出为每个像素点的类别；
步骤4，训练模型：首先利用梯度下降法训练物体识别子网络，一共迭代20000-80000次，再利用梯度下降法训练车道线分割子网络20000-80000次，如此再重复一次，交替训练，得到最终训练的模型并保存，该模型使用单个GPU，并能够达到25帧/秒；
步骤5，模型测试：使用近红外摄像头采集图像，并将图像输入训练好的特征提取子网络 (101)，所述特征提取子网络先将输入图像归一化为448x448大小，然后使用13个卷积层和5个池化层对图像进行特征编码，输出特征图(102)大小为14x14x1024；先将特征图送入物体识别子网络(103)，所述物体识别子网络使用3个卷积层，检测的物体类别为10类，最后一个卷积核的个数为(10+5)*3，总的候选框个数为14*14*3＝588个，再使用非极大值抑制算法，将重复检测到的物体去除，得到当前图像的物体识别结果；再将该特征图送入车道线分割子网络(104)，所述车道线分割子网络使用卷积和上采样对特征图进行解码，一共包括13个卷积层和5个上采样层，最后网络输出的大小为448x448x5，其中5表示一共预测五个类别，0表示背景，1、2、3、4分别表示主车所在的车道线的标签，得到车道线分割结果；
步骤6，整合物体识别子网络与车道线分割子网络的结果，并对结果进行筛选，去除重复检测结果，最终得到当前图像中物体的类别及其矩形框坐标和车道线坐标。
2.根据权利要求1所述的用于自动驾驶的全天候物体识别与车道线检测方法，其特征在于：在所述步骤1前，先在测试车辆上安装近红外摄像头，该近红外摄像头包括激光发射装置(2)和近红外成像装置(3)，将激光发射装置(2)安装在测试车辆(1)的大灯位置，近红外成像装置(3)安装在测试车辆(1)的前挡风玻璃中间区域。
CN201811056451.1A 2018-09-11 2018-09-11 用于自动驾驶的全天候物体识别与车道线检测方法 Active CN109389046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811056451.1A CN109389046B (zh) 2018-09-11 2018-09-11 用于自动驾驶的全天候物体识别与车道线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811056451.1A CN109389046B (zh) 2018-09-11 2018-09-11 用于自动驾驶的全天候物体识别与车道线检测方法

Publications (2)

Publication Number Publication Date
CN109389046A CN109389046A (zh) 2019-02-26
CN109389046B true CN109389046B (zh) 2022-03-29

Family

ID=65417706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811056451.1A Active CN109389046B (zh) 2018-09-11 2018-09-11 用于自动驾驶的全天候物体识别与车道线检测方法

Country Status (1)

Country Link
CN (1) CN109389046B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109931939B (zh) * 2019-02-27 2020-11-03 杭州飞步科技有限公司 车辆的定位方法、装置、设备及计算机可读存储介质
KR102177880B1 (ko) * 2019-03-08 2020-11-12 현대모비스 주식회사 자율주행용 클래스 레이블링 장치
CN109993074A (zh) * 2019-03-14 2019-07-09 杭州飞步科技有限公司 辅助驾驶的处理方法、装置、设备及存储介质
CN110414387B (zh) * 2019-07-12 2021-10-15 武汉理工大学 一种基于道路分割的车道线多任务学习检测方法
CN110610153A (zh) * 2019-09-10 2019-12-24 重庆工程职业技术学院 一种用于自动驾驶的车道识别方法及系统
CN110647863B (zh) * 2019-09-30 2024-02-02 重庆元韩汽车技术设计研究院有限公司 用于智能驾驶的视觉信号采集分析系统
CN110956128A (zh) * 2019-11-28 2020-04-03 重庆中星微人工智能芯片技术有限公司 生成车道线图像的方法、装置、电子设备和介质
CN111145203B (zh) * 2019-12-16 2022-09-02 苏州智加科技有限公司 车道线提取方法及装置
CN111401251B (zh) * 2020-03-17 2023-12-26 北京百度网讯科技有限公司 车道线提取方法、装置、电子设备及计算机可读存储介质
CN111553210B (zh) * 2020-04-16 2024-04-09 雄狮汽车科技(南京)有限公司 车道线检测模型的训练方法、车道线检测方法及装置
CN111860255A (zh) * 2020-07-10 2020-10-30 东莞正扬电子机械有限公司 驾驶检测模型的训练、使用方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599773A (zh) * 2016-10-31 2017-04-26 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
CN107316007A (zh) * 2017-06-07 2017-11-03 浙江捷尚视觉科技股份有限公司 一种基于深度学习的监控图像多类物体检测与识别方法
CN107316486A (zh) * 2017-07-11 2017-11-03 湖南星云智能科技有限公司 基于双摄像头的无人驾驶汽车视觉识别系统
CN107704866A (zh) * 2017-06-15 2018-02-16 清华大学 基于新型神经网络的多任务场景语义理解模型及其应用

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046235B (zh) * 2015-08-03 2018-09-07 百度在线网络技术（北京）有限公司 车道线的识别建模方法和装置、识别方法和装置
CN106599827A (zh) * 2016-12-09 2017-04-26 浙江工商大学 一种基于深度卷积神经网络的小目标快速检测方法
CN106971155B (zh) * 2017-03-21 2020-03-24 电子科技大学 一种基于高度信息的无人车车道场景分割方法
CN107609602A (zh) * 2017-09-28 2018-01-19 吉林大学 一种基于卷积神经网络的驾驶场景分类方法
CN108090456B (zh) * 2017-12-27 2020-06-19 北京初速度科技有限公司 识别车道线模型的训练方法、车道线识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
CN106599773A (zh) * 2016-10-31 2017-04-26 清华大学 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN107316007A (zh) * 2017-06-07 2017-11-03 浙江捷尚视觉科技股份有限公司 一种基于深度学习的监控图像多类物体检测与识别方法
CN107704866A (zh) * 2017-06-15 2018-02-16 清华大学 基于新型神经网络的多任务场景语义理解模型及其应用
CN107316486A (zh) * 2017-07-11 2017-11-03 湖南星云智能科技有限公司 基于双摄像头的无人驾驶汽车视觉识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
道路场景物体识别模型研究;李志军等;《工业控制计算机》;20180531;第31卷(第5期);摘要、第1-3节 *

Also Published As

Publication number Publication date
CN109389046A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN109389046B (zh) 用于自动驾驶的全天候物体识别与车道线检测方法
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN106599773B (zh) 用于智能驾驶的深度学习图像识别方法、系统及终端设备
CN110909666B (zh) 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法
CN110069986B (zh) 一种基于混合模型的交通信号灯识别方法及系统
Borkar et al. A novel lane detection system with efficient ground truth generation
US20200041284A1 (en) Map road marking and road quality collecting apparatus and method based on adas system
CN109190523B (zh) 一种基于视觉的车辆检测跟踪预警方法
CN102509098B (zh) 一种鱼眼图像车辆识别方法
CN105844257A (zh) 基于机器视觉雾天行车错失道路标志牌的预警系统及方法
CN106934374B (zh) 一种雾霾场景中交通标识牌的识别方法及系统
CN104463241A (zh) 一种智能交通监控系统中的车辆类型识别方法
CN107891808A (zh) 行车提醒方法、装置及车辆
CN107886034B (zh) 行车提醒方法、装置及车辆
CN110610153A (zh) 一种用于自动驾驶的车道识别方法及系统
CN111160328A (zh) 一种基于语义分割技术的交通标线自动提取的方法
CN106919939B (zh) 一种交通标识牌跟踪识别方法及系统
CN111964763B (zh) 一种动态平板秤称重区域汽车断续行驶行为检测方法
CN111144301A (zh) 一种基于深度学习的道路路面缺陷快速预警装置
US20240005641A1 (en) Data Augmentation for Detour Path Configuring
US20240005642A1 (en) Data Augmentation for Vehicle Control
CN111079675A (zh) 基于目标检测与目标跟踪的行驶行为分析方法
CN114782949B (zh) 一种边界引导上下文聚合的交通场景语义分割方法
Yebes et al. Learning to automatically catch potholes in worldwide road scene images
CN115424217A (zh) 基于ai视觉的车辆智能识别方法、装置和电子设备

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: No. 203, Double-layer Factory, No. 179 Zhangji Road, Small and Medium Enterprise Park, Kunshan Development Zone, Suzhou City, Jiangsu Province, 215300

Patentee after: KUNSHAN XINGJIZHOU INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: 215300 No. 203, double storey workshop, No. 179, yuanzhangji Road, small and medium-sized enterprises, Kunshan Development Zone, Suzhou, Jiangsu Province

Patentee before: KUNSHAN XINGJIZHOU INTELLIGENT TECHNOLOGY Co.,Ltd.