CN109472214A - 一种基于深度学习航拍异物图像实时检测方法 - Google Patents
一种基于深度学习航拍异物图像实时检测方法 Download PDFInfo
- Publication number
- CN109472214A CN109472214A CN201811206029.XA CN201811206029A CN109472214A CN 109472214 A CN109472214 A CN 109472214A CN 201811206029 A CN201811206029 A CN 201811206029A CN 109472214 A CN109472214 A CN 109472214A
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- model
- training
- plane
- wire clamp
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习航拍异物图像实时检测方法,包括以下步骤：步骤S1:根据异物类型差异，建立4个航拍异物图像库；步骤S2:根据4个航拍异物图像库，分别制作数据集；步骤S3:构建并训练输电线路异物模型；步骤S4:构建并训练防震锤异物模型；步骤S5:构建并训练均压环线夹异物模型;步骤S6：构建并训练杆塔异物模型；步骤S7:采用fine‑tune对建立的4个航拍异物图像库模型进行微调；步骤S8:固化微调后的4个航拍异物图像库模型；步骤S9:将待测图像输入4个固化的异物检后的模型中进行检测，经过网络前向传播后，得出4个检测结果的目标矩形框的坐标与置信度。本发明相对于传统端对端的模型中，准确度更高。
Description
技术领域
本发明涉及一种基于深度学习航拍异物图像实时检测方法。
背景技术
近年来，无人机巡检逐渐成为输电线路运检维护的主要手段之一，在航拍图像中自动检测异物并进行异物排除的必要性也日益突出：异物在线路上长时间停留会给线路运行维护管理留下安全隐患。在图像中检测出标异物后，就可以进行针对性的异物排除，及时排除一出。因此，如何在航拍图像中自动检测出异物并进行排除，是目前需要解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习航拍异物图像实时检测方法
为实现上述目的，本发明采用如下技术方案：
一种基于深度学习航拍异物图像实时检测方法,其特征在于，包括以下步骤：
步骤S1:根据异物类型差异，建立4个航拍异物图像库，分别为输电线路异物、防震锤异物、均压环线夹异物及杆塔异物;
步骤S2:根据4个航拍异物图像库，分别制作数据集；
步骤S3:构建并训练输电线路异物模型；
步骤S4:构建并训练防震锤异物模型；
步骤S5:构建并训练均压环线夹异物模型;
步骤S6：构建并训练杆塔异物模型；
步骤S7:采用fine-tune对建立的输电线路异物模型、防震锤异物模型、均压环线夹异物模型和杆塔异物模型进行微调；
步骤S8:固化微调后的输电线路异物模型、防震锤异物模型、均压环线夹异物模型和杆塔异物模型；
步骤S9:将待测图像输入4个固化的异物检后的模型中进行检测，经过网络前向传播后，得出4个检测结果的目标矩形框的坐标与置信度。
进一步的，所述制作数据集具体为：
步骤S21:将图像与标签文件转换成excel文件，并划分成训练数据集train.csv与测试数据集test.csv，其中excel文件包含着每张图片的序号、名称路径和矩形框的坐标信息;
步骤S22:根据tensorflow提供的API格式将excel文件转成可高效读取的tfrecord格式文件，其中tfrecord文件包含训练集或测试集的图片和标签信息。
进一步的，所述步骤S3具体为：
步骤S31:将残差网络resnet101作为输电线路异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S32:利用输电线路异物基础网络模型在输电线路异物训练数据集上训练，得到输电线路异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
进一步的，所述步骤S4具体为：
步骤S41:将残差网络resnet101作为防震锤异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S42:利用防震锤异物基础网络模型在防震锤异物训练数据集上训练，得到防震锤异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
进一步的，所述步骤S5具体为：
步骤S51:将残差网络resnet101作为均压环线夹异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S52:利用均压环线夹异物基础网络模型在均压环线夹异物训练数据集上训练，得到均压环线夹异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
进一步的，所述步骤S6具体为：
步骤S61:将残差网络resnet101作为杆塔异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S62:利用杆塔异物基础网络模型在杆塔异物训练数据集上训练，得到杆塔异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
进一步的，所述模型固化具体为：
步骤S71:训练过程中每隔预定的步数保存训练的模型；
步骤S72:将保存后的模型在测试数据集上测试其模型性能，观察模型性能随步数的变化；
步骤S73:选择模型性能较为稳定的模型，将其权重、偏置等参数保存，即固化模型。
本发明与现有技术相比具有以下有益效果：
本发明利用深度学习方法对航拍异物图像进行实时处理，预测图片中有无异物并用矩形框准确标出异物位置，相对于传统端对端的模型中，准确度更高；本发明使用fine-tune让新数据在原来的模型上继续训练，增强模型的鲁棒性。
附图说明
图1是本发明一实施例中输电线路异物图像样例；
图2 是本发明一实施例中防震锤异物图像样例；
图3 是本发明一实施例中均压环线夹异物图像样例；
图4是本发明一实施例中杆塔异物图像样例；
图5是本发明一实施例中5 xml文件内容样例；
图6 是本发明一实施例中Resnet网络结构样式；
图7 是本发明训练及测试流程图；
图8是本发明一实施例中像测试结果样例；
图9是本发明一实施例中检测结果txt文件示例。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度学习航拍异物图像实时检测方法,其特征在于，包括以下步骤：
步骤S1:根据异物类型差异，建立4个航拍异物图像库，分别为输电线路异物、防震锤异物、均压环线夹异物及杆塔异物;
步骤S2:根据4个航拍异物图像库，分别制作数据集；
步骤S3:构建并训练输电线路异物模型；
步骤S4:构建并训练防震锤异物模型；
步骤S5:构建并训练均压环线夹异物模型;
步骤S6：构建并训练杆塔异物模型；
步骤S7:采用fine-tune对建立的输电线路异物模型、防震锤异物模型、均压环线夹异物模型和杆塔异物模型进行微调；
步骤S8:固化微调后的输电线路异物模型、防震锤异物模型、均压环线夹异物模型和杆塔异物模型；
步骤S9:将待测图像输入4个固化的异物检后的模型中进行检测，经过网络前向传播后，得出4个检测结果的目标矩形框的坐标与置信度。矩形框中包含检测目标异物的轮廓，以及目标检测框中包含目标异物的置信度得分，如图8所示，并将测试结果保存成txt文件如图9所示。并将4个txt检测结果合并成总异物检测结果。
在本发明一实施例中，输电线路异物图像库包括悬挂在输电线路的气球，衣物等，具有形状不规则、背景不一等特点。防震锤异物包括悬挂在绝缘子串上的异物，其背景大部分为防震锤，与输电线路不同。均压环线夹异物包括悬挂在均压环或线夹上的异物，其特征可能位于均压环或线夹上，利用异物与均压环线夹结合识别。杆塔异物种类较多，包括悬挂杆塔的异物，遗留杆塔的异物等，其环境较为复杂，且颜色可能与杆塔相近。4个航拍异物图像库样例如图1到图4所示。
在本发明一实施例中，所述制作数据集具体为：
步骤S21:将图像与标签文件转换成excel文件，并划分成训练数据集train.csv与测试数据集test.csv，其中excel文件包含着每张图片的序号、名称路径和矩形框的坐标信息;
步骤S22:根据tensorflow提供的API格式将excel文件转成可高效读取的tfrecord格式文件，其中tfrecord文件包含训练集或测试集的图片和标签信息。
在本发明一实施例中，所述步骤S3具体为：
步骤S31:将残差网络resnet101作为输电线路异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S32:利用输电线路异物基础网络模型在输电线路异物训练数据集上训练，得到输电线路异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
在本发明一实施例中，所述步骤S4具体为：
步骤S41:将残差网络resnet101作为防震锤异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S42:利用防震锤异物基础网络模型在防震锤异物训练数据集上训练，得到防震锤异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
在本发明一实施例中，所述步骤S5具体为：
步骤S51:将残差网络resnet101作为均压环线夹异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S52:利用均压环线夹异物基础网络模型在均压环线夹异物训练数据集上训练，得到均压环线夹异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
在本发明一实施例中，所述步骤S6具体为：
步骤S61:将残差网络resnet101作为杆塔异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S62:利用杆塔异物基础网络模型在杆塔异物训练数据集上训练，得到杆塔异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
在本发明一实施例中，所述模型固化具体为：
步骤S71:训练过程中每隔预定的步数保存训练的模型；
步骤S72:将保存后的模型在测试数据集上测试其模型性能，观察模型性能随步数的变化；
步骤S73:选择模型性能较为稳定的模型，将其权重、偏置等参数保存，即固化模型。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (7)
1.一种基于深度学习航拍异物图像实时检测方法,其特征在于，包括以下步骤：
步骤S1:根据异物类型差异，建立4个航拍异物图像库，分别为输电线路异物、防震锤异物、均压环线夹异物及杆塔异物;
步骤S2:根据4个航拍异物图像库，分别制作数据集；
步骤S3:构建并训练输电线路异物模型；
步骤S4:构建并训练防震锤异物模型；
步骤S5:构建并训练均压环线夹异物模型;
步骤S6：构建并训练杆塔异物模型；
步骤S7:采用fine-tune对建立的输电线路异物模型、防震锤异物模型、均压环线夹异物模型和杆塔异物模型进行微调；
步骤S8:固化微调后的输电线路异物模型、防震锤异物模型、均压环线夹异物模型和杆塔异物模型；
步骤S9:将待测图像输入4个固化的异物检后的模型中进行检测，经过网络前向传播后，得出4个检测结果的目标矩形框的坐标与置信度。
2.根据权利要求1所述的一种基于深度学习航拍异物图像实时检测方法,其特征在于：所述制作数据集具体为：
步骤S21:将图像与标签文件转换成excel文件，并划分成训练数据集train.csv与测试数据集test.csv，其中excel文件包含着每张图片的序号、名称路径和矩形框的坐标信息;
步骤S22:根据tensorflow提供的API格式将excel文件转成可高效读取的tfrecord格式文件，其中tfrecord文件包含训练集或测试集的图片和标签信息。
3.根据权利要求2所述的一种基于深度学习航拍异物图像实时检测方法,其特征在于：所述步骤S3具体为：
步骤S31:将残差网络resnet101作为输电线路异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S32:利用输电线路异物基础网络模型在输电线路异物训练数据集上训练，得到输电线路异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
4.根据权利要求2所述的一种基于深度学习航拍异物图像实时检测方法,其特征在于：所述步骤S4具体为：
步骤S41:将残差网络resnet101作为防震锤异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S42:利用防震锤异物基础网络模型在防震锤异物训练数据集上训练，得到防震锤异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
5.根据权利要求2所述的一种基于深度学习航拍异物图像实时检测方法,其特征在于：所述步骤S5具体为：
步骤S51:将残差网络resnet101作为均压环线夹异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S52:利用均压环线夹异物基础网络模型在均压环线夹异物训练数据集上训练，得到均压环线夹异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
6.根据权利要求2所述的一种基于深度学习航拍异物图像实时检测方法,其特征在于：所述步骤S6具体为：
步骤S61:将残差网络resnet101作为杆塔异物基础网络模型，采用focal loss计算损失函数，解决one-stage中因类别不均衡导致识别准确率低的问题，并使用retinanet做目标检测；
步骤S62:利用杆塔异物基础网络模型在杆塔异物训练数据集上训练，得到杆塔异物模型，其中训练所用的初始化模型为在COCO数据集上的预训练模型，参数更新方式为adam，初始学习速率0.003，batch_size为1，并利用批次归一化方式避免过拟合。
7.根据权利要求1所述的一种基于深度学习航拍异物图像实时检测方法,其特征在于：所述模型固化具体为：
步骤S71:训练过程中每隔预定的步数保存训练的模型；
步骤S72:将保存后的模型在测试数据集上测试其模型性能，观察模型性能随步数的变化；
步骤S73:选择模型性能较为稳定的模型，将其权重、偏置等参数保存，即固化模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811206029.XA CN109472214A (zh) | 2018-10-17 | 2018-10-17 | 一种基于深度学习航拍异物图像实时检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811206029.XA CN109472214A (zh) | 2018-10-17 | 2018-10-17 | 一种基于深度学习航拍异物图像实时检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109472214A true CN109472214A (zh) | 2019-03-15 |
Family
ID=65665738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811206029.XA Pending CN109472214A (zh) | 2018-10-17 | 2018-10-17 | 一种基于深度学习航拍异物图像实时检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472214A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961107A (zh) * | 2019-04-18 | 2019-07-02 | 北京迈格威科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
| CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
| CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
| CN110705374A (zh) * | 2019-09-11 | 2020-01-17 | 武汉敏捷数云信息技术有限公司 | 基于改进RetinaNet网络的输电线路缺陷识别方法 |
| CN110782484A (zh) * | 2019-10-25 | 2020-02-11 | 上海浦东临港智慧城市发展中心 | 一种无人机视频人员识别追踪的方法 |
| CN113128321A (zh) * | 2020-01-16 | 2021-07-16 | 宁波微科光电股份有限公司 | 一种地铁门异物检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
| CN108596053A (zh) * | 2018-04-09 | 2018-09-28 | 华中科技大学 | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 |
| CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
-
2018
- 2018-10-17 CN CN201811206029.XA patent/CN109472214A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
| CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
| CN108596053A (zh) * | 2018-04-09 | 2018-09-28 | 华中科技大学 | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 |
| CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| TSUNG-YI LIN.ET AL: ""Focal loss for dense object detection"", 《ARXIV:1708.02002V2》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961107A (zh) * | 2019-04-18 | 2019-07-02 | 北京迈格威科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
| CN109961107B (zh) * | 2019-04-18 | 2022-07-19 | 北京迈格威科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
| CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
| CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
| CN110705374A (zh) * | 2019-09-11 | 2020-01-17 | 武汉敏捷数云信息技术有限公司 | 基于改进RetinaNet网络的输电线路缺陷识别方法 |
| CN110782484A (zh) * | 2019-10-25 | 2020-02-11 | 上海浦东临港智慧城市发展中心 | 一种无人机视频人员识别追踪的方法 |
| CN113128321A (zh) * | 2020-01-16 | 2021-07-16 | 宁波微科光电股份有限公司 | 一种地铁门异物检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472214A (zh) | 一种基于深度学习航拍异物图像实时检测方法 | |
| CN110245644A (zh) | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 | |
| CN109376606B (zh) | 一种电力巡检图像杆塔基础故障检测方法 | |
| CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
| CN112950634B (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
| CN109376605A (zh) | 一种电力巡检图像防鸟刺故障检测方法 | |
| CN110807496A (zh) | 一种密集目标检测方法 | |
| CN107909053B (zh) | 一种基于等级学习级联卷积神经网络的人脸检测方法 | |
| CN110309865A (zh) | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 | |
| CN109376580B (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
| CN108509919A (zh) | 一种基于深度学习对视频或图片中水线的检测和识别方法 | |
| CN116935447B (zh) | 基于自适应师生结构的无监督域行人重识别方法及系统 | |
| CN108682003B (zh) | 一种产品质量检测方法 | |
| CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
| CN108596883A (zh) | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 | |
| CN109712117A (zh) | 基于卷积神经网络的轻量级tft-lcd模组划痕检测方法 | |
| CN110517247A (zh) | 获取信息的方法及装置 | |
| CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及系统 | |
| CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
| CN112419345A (zh) | 基于回声状态网络的巡逻车高精度循迹方法 | |
| CN109389322A (zh) | 基于目标检测和长短时记忆模型的导地线断散股识别方法 | |
| CN105160285A (zh) | 基于立体视觉的自动人体跌倒识别方法及系统 | |
| CN117215327A (zh) | 基于无人机的公路巡检检测及智能飞行控制方法 | |
| CN116343157A (zh) | 一种道路路面裂缝深度学习提取方法 | |
| JP2024514175A (ja) | 鳥の検出および種決定 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |