CN109740609A - 一种轨距检测方法及装置 - Google Patents
一种轨距检测方法及装置 Download PDFInfo
- Publication number
- CN109740609A CN109740609A CN201910021200.8A CN201910021200A CN109740609A CN 109740609 A CN109740609 A CN 109740609A CN 201910021200 A CN201910021200 A CN 201910021200A CN 109740609 A CN109740609 A CN 109740609A
- Authority
- CN
- China
- Prior art keywords
- image
- orbital
- pixel
- characteristic
- value
- 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
Abstract
本申请提供了一种轨距检测方法及装置,包括:获取轨道图像;然后将轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程;其中,预测过程包括:首先提取轨道图像的特征信息,得到轨道图像的特征图像;再根据特征图像确定轨道图像的语义分割图像、以及特征图像中每个像素点的特征向量;进一步地,基于特征图像、特征图像中每个像素点的特征向量、以及语义分割图像,确定实例分割图像;最后,基于实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。通过这种方法,可以降低轨距检测的成本,提高轨距检测的准确率。
Description
技术领域
本申请涉及检测技术领域,尤其是涉及一种轨距检测方法及装置。
背景技术
为保证轨道车辆行驶安全,需定期对轨道进行检测,而轨距检测是轨道检测的一项必不可少的检测项。
现有技术中,主要通过激光雷达传感器或双目相机对轨道进行图像获取,然后通过获取的图像进行轨距检测。然而采用激光雷达传感器进行检测或者通过双目相机进行检测的方式成本较高;并且,对于轨道接口处的检测,由于现有技术中只能区分轨道,而并不能区分是哪条轨道,因此可能会导致对包含多条轨道的图像的检测失误,进而导致轨距检测时准确率较低。
发明内容
有鉴于此,本申请的目的在于提供一种轨距检测方法及装置,以降低轨距检测的成本,提高轨距检测的准确率。
第一方面,本申请实施例提供了一种轨距检测方法,包括:
获取轨道图像;
将所述轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程;其中,所述预测过程包括:
提取所述轨道图像的特征信息,得到所述轨道图像的特征图像;
根据所述特征图像确定所述轨道图像的语义分割图像、以及所述特征图像中每个像素点的特征向量;其中,所述语义分割图像标记有所述轨道图像中的轨道区域以及背景区域;
基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,其中,所述实例分割图像标记有所述特征图像中属于同一轨道的轨道边缘线;
基于所述实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,根据所述特征图像确定所述轨道图像的语义分割图像,包括:
将所述轨道图像的特征图像转换为标记有轨道区域以及背景区域的轨道图像;
将所述轨道图像中轨道区域对应的每个像素点的像素值调整为第一数值,以及将所述轨道图像中背景区域对应的每个像素点的像素值调整为第二数值之后,得到所述轨道图像的语义分割图像。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,所述基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,包括:
确定所述语义分割图像中像素值为第一数值的像素点所构成的第一选定区域图像;
确定所述轨道图像的特征图像中与所述第一选定区域图像相匹配的第二选定区域图像;
将所述特征图像中除第二选定区域图像外的其他区域图像的像素点的像素值调整为所述第二数值;
根据调整后的特征图像,确定所述实例分割图像。
结合第一方面的第二种可能的实施方式,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述根据调整后的特征图像,确定所述实例分割图像,包括:
对所述特征图像中的每个像素值不为所述第二数值的像素点进行聚类;
根据聚类结果,确定所述特征图像中的每个像素值不为所述第二数值的像素点的聚类标签;
基于带有所述聚类标签的像素点,确定所述实例分割图像。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,根据以下方式训练得到实例分割图像预测模型:
获取轨道样本图像集合,其中,所述轨道样本图像集合中包括多张轨道样本图像、以及每张轨道样本图像对应的已标注好的实例分割参考图像;
从所述轨道样本图像集合中选择至少一张轨道样本图像输入至待训练的实例分割图像预测模型,得到每张轨道样本图像对应的实例分割预测图像;
基于每张轨道样本图像对应的实例分割预测图像和实例分割参考图像,计算本轮训练过程的损失值;
当计算的损失值大于设定阈值时,调整所述待训练的实例分割图像预测模型的模型参数,从所述轨道样本图像集合中继续选择至少一张轨道样本图像并进行下一轮训练,直至计算的损失值小于或等于所述设定阈值时,确定训练完成。
第二方面,本申请实施例还提供一种轨距检测装置,包括:获取模块,用于获取轨道图像;
提取模块,用于提取所述轨道图像的特征信息,得到所述轨道图像的特征图像;
预测模块,用于将所述轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程;其中预测模块包括:
第一确定单元,用于根据所述特征图像确定所述轨道图像的语义分割图像、以及所述特征图像中每个像素点的特征向量;其中,所述语义分割图像标记有所述轨道图像中的轨道区域以及背景区域;
第二确定单元,用于基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,其中,所述实例分割图像标记有所述特征图像中属于同一轨道的轨道边缘线;
轨距确定模块,用于基于所述实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述第一确定单元,在根据所述特征图像确定所述轨道图像的语义分割图像时,具体用于:
将所述轨道图像的特征图像转换为标记有轨道区域以及背景区域的轨道图像;
将所述轨道图像中轨道区域对应的每个像素点的像素值调整为第一数值,以及将所述轨道图像中背景区域对应的每个像素点的像素值调整为第二数值之后,得到所述轨道图像的语义分割图像。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,其中,所述第二确定单元,在基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像时,具体用于:
确定所述语义分割图像中像素值为第一数值的像素点所构成的第一选定区域图像;
确定所述轨道图像的特征图像中与所述第一选定区域图像相匹配的第二选定区域图像;
将所述特征图像中除第二选定区域图像外的其他区域图像的像素点的像素值调整为所述第二数值;
根据调整后的特征图像,确定所述实例分割图像。
结合第二方面的第二种可能的实施方式,本申请实施例提供了第二方面的第三种可能的实施方式,其中,所述第二确定单元,在根据调整后的特征图像,确定所述实例分割图像时,具体用于:
对所述特征图像中的每个像素值不为所述第二数值的像素点进行聚类;
根据聚类结果,确定所述特征图像中的每个像素值不为所述第二数值的像素点的聚类标签;
基于带有所述聚类标签的像素点,确定所述实例分割图像。
结合第二方面,本申请实施例提供了第二方面的第四种可能的实施方式,其中,所述装置还包括:
模型训练模块,用于根据以下方式训练得到实例分割图像预测模型:
获取轨道样本图像集合,其中,所述轨道样本图像集合中包括多张轨道样本图像、以及每张轨道样本图像对应的已标注好的实例分割参考图像;
从所述轨道样本图像集合中选择至少一张轨道样本图像输入至待训练的实例分割图像预测模型,得到每张轨道样本图像对应的实例分割预测图像;
基于每张轨道样本图像对应的实例分割预测图像和实例分割参考图像,计算本轮训练过程的损失值;
当计算的损失值大于设定阈值时,调整所述待训练的实例分割图像预测模型的模型参数,从所述轨道样本图像集合中继续选择至少一张轨道样本图像并进行下一轮训练,直至计算的损失值小于或等于所述设定阈值时,确定训练完成。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中的步骤。
本申请实施例提供的轨距检测方法及装置,通过实例分割图像预测模型对轨道图像进行分割,并基于分割的图像确定轨距,具体的,通过提取轨道图像的特征信息,得到轨道图像的特征图像;然后基于特征图像,确定标记有轨道图像中的轨道区域以及背景区域的语义分割图像和特征图像中每个像素点的特征向量;再根据特征图像、特征图像中每个像素点的特征向量、以及语义分割图像,确定实例分割图像,其中,实例分割图像中标记有特征图像中属于同一轨道的轨道边缘线;最后利用预先设置的参数矩阵和实例分割图像,确定属于同一轨道区域的两条轨道边缘线之间的轨距。通过这种方法,只采用一个相机采集图像就可以检测出轨距,降低了轨距检测的成本;并且可以区分出属于同一轨道区域的两条轨道,然后计算同一轨道区域的两条轨道之间的轨距,提高了对包含多余两条轨道的图像的轨距检测的准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种可适用的应用场景;
图2示出了本申请实施例所提供的一种轨距检测方法的流程示意图;
图3示出了本申请实施例所提供的一种实例分割图像模型预测过程流程示意图;
图4示出了本申请实施例所提供的一种语义分割图像确定方法流程示意图;
图5示出了本申请实施例所提供的一种轨道图像的语义分割图像示例图;
图6示出了本申请实施例所提供的一种实例分割图像确定方法流程示意图;
图7示出了本申请实施例所提供的一种实例分割图像的示例图;
图8示出了本申请实施例所提供的一种实例分割图像模型训练方法的流程示意图;
图9示出了本申请实施例所提供的一种轨距检测装置900的架构示意图;
图10示出了本申请实施例所提供的一种电子设备1000的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可以应用于当获取的轨道图像包含的轨道的条数大于或等于两条时,对轨距的检测,例如对轨道交叉口处的轨距的检测,现有技术在对轨道交叉口处进行轨距检测时,只能检测出图像中所包含的轨道,而并不能区分出属于同一轨道区域的轨道,可能因为检测的轨道并不属于同一轨道区域,导致轨距检测的失误。
如图1所示,为本申请实施例提供的一种可适用的应用场景,图像中包含4条轨道,其中,轨道1和轨道2是一对轨道,轨道3和轨道4是一对轨道。在进行轨距测量时,应该测量的是轨道1和轨道2之间的轨距、以及测量轨道3和轨道4之间的轨距。应用现有技术进行轨距检测时,只能检测出轨道1、轨道2、轨道3、轨道4是轨道,其余部分是背景,而进行轨距检测时,可能会检测轨道1和轨道3之间的轨距,或者,检测轨道1和轨道4之间的轨距,这种方法可能会导致轨距检测失误。
而本申请实施例所提供的方法,可以检测出轨道1和轨道2是一对轨道,轨道3和轨道4是一对轨道,进而实现对同一轨道区域所包含的两条轨道之间的轨距的检测。为便于对本实施例进行理解,首先对本申请实施例所公开的一种轨距检测方法进行详细介绍。
实施例一
参见图2所示,为本申请实施例提供的一种轨距检测方法的流程示意图,包括以下步骤:
步骤201、获取轨道图像。
具体实施中,在获取轨道图像时,可以通过一个相机拍摄轨道图像。轨道图像中可以包含至少两条轨道,例如轨道图像可以为包含多条轨道的轨道交叉口的轨道图像,也可以是包含两条轨道的非轨道交叉口的轨道图像。
步骤202、将轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程,得到轨道图像所对应的实例分割图像。
具体的,实例分割图像中标记有属于同一轨道区域的两条轨道边缘线。
一种可能的实施方式中,实例分割图像预测模型可以包括编码-解码网络模型、分类器网络模型、以及特征提取网络模型,在将轨道图像输入至预先训练好的实例分割图像预测模型中时,可以先将轨道图像输入至编码-解码网络中,得到轨道图像的特征图像,然后将轨道图像的特征图像输入至分类器网络模型中,得到实例分割图像,同时将轨道图像的特征图像输入至特征提取网络模型中,得到特征图像中每个像素点的特征向量,最后基于特征图像、以及特征图像中每个像素点的特征向量、以及语义分割图像,输出实例分割图像。
其中,预测过程可以如图3所示,包括以下步骤:
步骤301、提取轨道图像的特征信息,得到轨道图像的特征图像。
一种可能的实施方式中,可以将轨道图像输入至实例分割图像预测模型中所包含的基础的编码-解码网络中,其中,编码网络可以采取VGG16、RESNET等神经网络,解码网络可以采取FCN、UPpooling等神经网络,也可以采用其他神经网络,本申请对此并不限定。
步骤302、根据特征图像确定轨道图像的语义分割图像、以及特征图像中每个像素点的特征向量。
步骤303、基于特征图像、特征图像中每个像素点的特征向量、以及语义分割图像,确定实例分割图像。
本申请一示例中,在根据特征图像确定轨道图像的语义分割图像时,可以按照如图4所示的语义分割图像确定方法,包括以下步骤:
步骤401、将轨道图像的特征图像输入至预先训练好的实例分割图像预测模型所包含的分类器模型中,得到标记有轨道区域以及背景区域的轨道图像。
在将轨道图像的特征图像输入至实例分割图像预测模型中所包含的预先训练好的分类器模型之后,分类器模型可以根据特征图像的每个像素点的特征值,将特征图像的每个像素点划分为轨道或者背景,然后根据分类结果对特征图像的每个像素点进行标记。
其中,分类器模型可以为softmax分类器模型,或者其他网络模型,本申请对此并不限定。
步骤402、将轨道图像中轨道区域对应的每个像素点的像素值调整为第一数值,以及将轨道图像中背景区域对应的每个像素点的像素值调整为第二数值之后,得到轨道图像的语义分割图像。
一种可能的实施方式中,第一数值为1,第二数值为0,则将轨道图像的每个像素点进行调整之后,得到一张轨道区域为白色,背景区域为黑色的图像。轨道图像的语义分割图像例如可以为图5所示,实际应用中,语义分割图像也可以不为二值图像,即第一数值可以不为1,第二数值的值也可以不为0,本申请对此并不限定,但此处,第一数值和第二数值并不相等。
具体实施中,在经过步骤401~步骤402得到的语义分割图像中,可能会有部分像素点因为其他异物的遮挡或者其他原因,不能正常显示,因此,还可以对语义分割图像进行细化处理,例如可以对语义分割图像进行膨胀运算、腐蚀运算、开运算、以及闭运算等,使得语义分割图像转化为边缘清晰,图像中间没有空洞的灰度图像。具体的,膨胀运算、腐蚀运算、开运算、以及闭运算的处理过程将不再展开说明。
本申请另外一示例中,在根据特征图像确定特征图像中每个像素点的特征向量时,可以将轨道图像的特征图像输入至预先训练好的实例分割图像预测模型所包含的特征提取模型中,得到特征图像中每个像素点的特征向量。
具体实施中,在将轨道图像的特征图像输入至特征提取模型中之后,可以得到一个N个通道叠加的图像,若将轨道图像的特征图像视为红、绿、蓝三个颜色通道的叠加,则N为3,每个像素点的特征向量的特征值可以视为在每个颜色通道中的取值;通道数也可以为人为设定的通道数值,则每个像素点的特征向量的特征值为该像素点在每个通道的取值。
其中,实例分割图像中标记有特征图像中属于同一轨道的轨道边缘线。
具体实施中,实例分割图像的确定方法可以按照如图6所示的实例分割图像确定方法,包括以下步骤:
步骤601、确定语义分割图像中像素值为第一数值的像素点所构成的第一选定区域图像。
步骤602、确定轨道图像的特征图像中与第一选定区域图像相匹配的第二选定区域图像。
步骤603、将特征图像中除第二选定区域图像外的其他区域图像的像素点的像素值调整为第二数值。
步骤604、根据调整后的特征图像,确定实例分割图像。
本申请一示例中,可以在将执行步骤601~步骤603之后,将特征图像中像素值不为第二数值的像素点进行聚类,然后基于聚类结果,确定特征图像中每个像素值不为第二数值的像素点的聚类标签,并根据聚类标签,确定实例分割图像。
具体实施中,可以计算特征图像中像素值不为第二数值的像素点的特征向量之间的相似度,例如可以计算特征图像中像素值不为第二数值的像素点的特征向量之间的欧氏距离,然后将相似度大于预设相似度的像素点,确定为同一条轨道,并为同一轨道的像素点标注同一标签,例如可以将带有同一标签的像素点调整为同一像素值,带有不同标签的像素点设置不同的像素值。
例如,设A、B为两个像素值不为第二数值的像素点,则可以计算A的特征向量和B的特征向量之间的欧式距离,如果计算出的相似度大于预设相似度则确定A和B在同一条轨道上,为A和B标注同一标签,并将A和B的像素值设置为同一像素值。若A和B不在用一条轨道上,则可以将A的像素值设为第三数值,将B的像素值设为第四数值。对于特征图像中除像素A和像素B外其他像素值不为第二数值的像素点,以像素点C为例,可以分别计算C与A的欧式距离、以及C与B的欧式距离,并分别判断计算出的相似度是否大于预设相似度,若C与A之间的相似度大于预设相似度,则将C的像素值调整为与A的像素值。
在将不同轨道上的像素点设置为不同的像素值之后,可以确定根据像素值确定每条轨道的轨道边缘线,然后可以通过轨道边缘线,确定轨道之间的轨距。
通过上述方法,遍历所有特征图像中像素值不为第二数值的像素点,可以将特征图像中像素值不为第二数值的像素点分为X类,X为正整数,其中X的个数即为特征图像中包含的轨道的个数。
例如,第二数值可以为0,则经过上述步骤501~504之后所得到的实例分割图像中,只有与语义分割图像中像素值为第一数值的像素点的位置相匹配的像素点会被保留,实例分割图像中与语义分割图像中国像素值为第一数值的像素点不匹配的像素点的像素值将会被调整为第二数值0,即特征图像中钢轨部分的像素被保留,其余背景部分的像素被调整为黑色,一示例中,实例分割图像的示例图可以如图7所示。
图7中,第一幅图为轨道图像的特征图像;第二幅图为将特征图像进行实例分割后得到的实例分割图像,图中黑色区域表示背景区域,白色区域表示轨道区域;第三幅图为经过语义分割后得到的语义分割图像,图中灰色区域为与实例分割图像中像素值为第一数值的像素点所构成的第一选定区域相匹配的第二选定区域,其中,第二选定区域的像素点的像素值与第一幅的轨道图像的特征图像中轨道部分的像素点的像素值相同,黑色区域为将除第二选定区域图像外的其他区域图像的像素点的像素值调整为第二数值0之后的图像区域。
步骤203、基于实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。
若实例分割图像中包含两条轨道时,则可以之间基于预先设置的参数矩阵和实例分割图像确定两条轨道之间的轨距;若实例分割图像中所包含的轨道大于两条时,则计算任意两条轨道之间的轨距,然后判断计算出的轨距是否在预设轨距范围内,若在预设轨距范围内,则将对应的两条轨道作为同一轨道区域的两条轨道,并将计算出的轨距作为两条轨道之间的轨距;若计算出的轨距不在预设轨距范围内,则将对应的两条轨道确认为不是同一轨道区域的两条轨道。
其中,上述参数矩阵用于描述所述实例分割图像中任意两个像素点之间的距离,与任意两个像素点分别对应的实际物体之间的实际物理距离之间的关系,例如,参数矩阵可以是预先获得的相机的参数矩阵。
具体的,在经过步骤301~步骤303之后,得到带有标注的实例分割图像之后,可以在实例分割图像中建立第一坐标系,并获取实例分割图像中每一个像素点的坐标,然后根据预先设置的参数矩阵将实例分割图像中的每一个像素点的坐标对应映射到第二坐标系中,并根据轨道边缘线在第二坐标系中的位置坐标,在第二坐标系中确定同一轨道区域的两条轨道边缘线之间的轨距,其中,上述第二坐标系为根据实际物理间距建立的坐标系,在第二坐标系中的所测得的两个像素点之间的距离与两个像素点所对应的实际物体间的距离相同。
本申请一示例中,可以按照如图8所示的模型训练方法,对实例分割图像预测模型进行训练,包括以下步骤:
步骤801、获取轨道样本图像集合,其中,轨道样本图像集合中包括多张轨道样本图像、以及每张轨道样本图像对应的已标注好的实例分割参考图像。
步骤802、从轨道样本图像集合中选择至少一张轨道样本图像输入至待训练的实例分割图像预测模型,得到每张轨道样本图像对应的实例分割预测图像。
步骤803、基于每张轨道样本图像对应的实例分割预测图像和实例分割参考图像,计算本轮训练过程的损失值。
步骤804、判断损失值是否大于设定阈值。
若判断结果为是,则执行步骤805;
若判断结果为否,则执行步骤806。
步骤805、调整待训练的实例分割图像预测模型的模型参数,并返回执行步骤802,直至计算的损失值小于或等于设定阈值。
步骤806、确定实例分割图像预测模型训练完成。
本实施例提供的方法,通过实例分割图像预测模型对轨道图像进行分割,并基于分割的图像确定轨距,具体的,通过提取轨道图像的特征信息,得到轨道图像的特征图像;然后基于特征图像,确定标记有轨道图像中的轨道区域以及背景区域的语义分割图像和特征图像中每个像素点的特征向量;再根据特征图像、特征图像中每个像素点的特征向量、以及语义分割图像,确定实例分割图像,其中,实例分割图像中标记有特征图像中属于同一轨道的轨道边缘线;最后利用预先设置的参数矩阵和实例分割图像,确定属于同一轨道区域的两条轨道边缘线之间的轨距。通过这种方法,只采用一个相机采集图像就可以检测出轨距,降低了轨距检测的成本;并且可以区分出属于同一轨道区域的两条轨道,然后计算同一轨道区域的两条轨道之间的轨距,提高了对包含多余两条轨道的图像的轨距检测的准确率。
实施例二
本实施例提供了一种轨距检测装置,如图9所示,为本申请实施例提供的一种轨距检测装置900的架构示意图,包括获取模块901、预测模块902,其中预测模块902包括提取单元9021、第一确定单元9022、第二确定单元9023、以及轨距确定模块903,具体的:
获取模块901,用于获取轨道图像;
预测模块,用于将所述轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程;其中预测模块包括:
提取单元9021,用于提取所述轨道图像的特征信息,得到所述轨道图像的特征图像;以及,
第一确定单元9022,用于根据所述特征图像确定所述轨道图像的语义分割图像、以及所述特征图像中每个像素点的特征向量;其中,所述语义分割图像标记有所述轨道图像中的轨道区域以及背景区域;以及,
第二确定单元9023,用于基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,其中,所述实例分割图像标记有所述特征图像中属于同一轨道的轨道边缘线;
轨距确定模块903,用于基于所述实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。
一种可能的实施方式中,所述第一确定单元9022,在根据所述特征图像确定所述轨道图像的语义分割图像时,具体用于:
将所述轨道图像的特征图像转换为标记有轨道区域以及背景区域的轨道图像;
将所述轨道图像中轨道区域对应的每个像素点的像素值调整为第一数值,以及将所述轨道图像中背景区域对应的每个像素点的像素值调整为第二数值之后,得到所述轨道图像的语义分割图像。
一种可能的实施方式中,所述第二确定单元9023,在基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像时,具体用于:
确定所述语义分割图像中像素值为第一数值的像素点所构成的第一选定区域图像;
确定所述轨道图像的特征图像中与所述第一选定区域图像相匹配的第二选定区域图像;
将所述特征图像中除第二选定区域图像外的其他区域图像的像素点的像素值调整为所述第二数值;
根据调整后的特征图像,确定所述实例分割图像。
一种可能的实施方式中,所述第二确定单元9023,在根据调整后的特征图像,确定所述实例分割图像时,具体用于:
对所述特征图像中的每个像素值不为所述第二数值的像素点进行聚类;
根据聚类结果,确定所述特征图像中的每个像素值不为所述第二数值的像素点的聚类标签;
基于带有所述聚类标签的像素点,确定所述实例分割图像。
一种可能的实施方式中,所述装置还包括:
模型训练模块904,用于根据以下方式训练得到实例分割图像预测模型:
获取轨道样本图像集合,其中,所述轨道样本图像集合中包括多张轨道样本图像、以及每张轨道样本图像对应的已标注好的实例分割参考图像;
从所述轨道样本图像集合中选择至少一张轨道样本图像输入至待训练的实例分割图像预测模型,得到每张轨道样本图像对应的实例分割预测图像;
基于每张轨道样本图像对应的实例分割预测图像和实例分割参考图像,计算本轮训练过程的损失值;
当计算的损失值大于设定阈值时,调整所述待训练的实例分割图像预测模型的模型参数,从所述轨道样本图像集合中继续选择至少一张轨道样本图像并进行下一轮训练,直至计算的损失值小于或等于所述设定阈值时,确定训练完成。
本实施例提供的轨距检测装置,只采用一个相机采集图像就可以检测出轨距,降低了轨距检测的成本;并且可以区分出属于同一轨道区域的两条轨道,然后计算同一轨道区域的两条轨道之间的轨距,提高了对包含多余两条轨道的图像的轨距检测的准确率。
实施例三
基于同一技术构思,本申请实施例还提供了一种电子设备。参照图10所示,为本申请实施例提供的电子设备1000的结构示意图,包括处理器1001、存储器1002、和总线1003。其中,存储器1002用于存储执行指令,包括内存10021和外部存储器10022;这里的内存10021也称内存储器,用于暂时存放处理器1001中的运算数据,以及与硬盘等外部存储器10022交换的数据,处理器1001通过内存10021与外部存储器10022进行数据交换,当计算机设备1000运行时,处理器1001与存储器1002之间通过总线1003通信,使得处理器1001在执行以下指令:
获取轨道图像;
将所述轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程;其中,所述预测过程包括:
提取所述轨道图像的特征信息,得到所述轨道图像的特征图像;
根据所述特征图像确定所述轨道图像的语义分割图像、以及所述特征图像中每个像素点的特征向量;其中,所述语义分割图像标记有所述轨道图像中的轨道区域以及背景区域;
基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,其中,所述实例分割图像标记有所述特征图像中属于同一轨道的轨道边缘线;
基于所述实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。
一种可能的设计中,根据所述特征图像确定所述轨道图像的语义分割图像,包括:
将所述轨道图像的特征图像转换为标记有轨道区域以及背景区域的轨道图像;
将所述轨道图像中轨道区域对应的每个像素点的像素值调整为第一数值,以及将所述轨道图像中背景区域对应的每个像素点的像素值调整为第二数值之后,得到所述轨道图像的语义分割图像。
一种可能的设计中,所述基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,包括:
确定所述语义分割图像中像素值为第一数值的像素点所构成的第一选定区域图像;
确定所述轨道图像的特征图像中与所述第一选定区域图像相匹配的第二选定区域图像;
将所述特征图像中除第二选定区域图像外的其他区域图像的像素点的像素值调整为所述第二数值;
根据调整后的特征图像,确定所述实例分割图像。
一种可能的设计中,所述根据调整后的特征图像,确定所述实例分割图像,包括:
对所述特征图像中的每个像素值不为所述第二数值的像素点进行聚类;
根据聚类结果,确定所述特征图像中的每个像素值不为所述第二数值的像素点的聚类标签;
基于带有所述聚类标签的像素点,确定所述实例分割图像。
一种可能的设计中,根据以下方式训练得到实例分割图像预测模型:
获取轨道样本图像集合,其中,所述轨道样本图像集合中包括多张轨道样本图像、以及每张轨道样本图像对应的已标注好的实例分割参考图像;
从所述轨道样本图像集合中选择至少一张轨道样本图像输入至待训练的实例分割图像预测模型,得到每张轨道样本图像对应的实例分割预测图像;
基于每张轨道样本图像对应的实例分割预测图像和实例分割参考图像,计算本轮训练过程的损失值;
当计算的损失值大于设定阈值时,调整所述待训练的实例分割图像预测模型的模型参数,从所述轨道样本图像集合中继续选择至少一张轨道样本图像并进行下一轮训练,直至计算的损失值小于或等于所述设定阈值时,确定训练完成。
本实施例提供的设备,只采用一个相机采集图像就可以检测出轨距,降低了轨距检测的成本;并且可以区分出属于同一轨道区域的两条轨道,然后计算同一轨道区域的两条轨道之间的轨距,提高了对包含多余两条轨道的图像的轨距检测的准确率。
实施例四
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例中所述的轨距检测方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述轨距检测方法的步骤,从而降低轨距检测的成本,提高轨距检测的精确度。
本申请实施例所提供的进行轨距检测方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种轨距检测方法,其特征在于,包括:
获取轨道图像;
将所述轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程;其中,所述预测过程包括:
提取所述轨道图像的特征信息,得到所述轨道图像的特征图像;
根据所述特征图像确定所述轨道图像的语义分割图像、以及所述特征图像中每个像素点的特征向量;其中,所述语义分割图像标记有所述轨道图像中的轨道区域以及背景区域;
基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,其中,所述实例分割图像标记有所述特征图像中属于同一轨道的轨道边缘线;
基于所述实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。
2.根据权利要求1所述的方法,其特征在于,根据所述特征图像确定所述轨道图像的语义分割图像,包括:
将所述轨道图像的特征图像转换为标记有轨道区域以及背景区域的轨道图像;
将所述轨道图像中轨道区域对应的每个像素点的像素值调整为第一数值,以及将所述轨道图像中背景区域对应的每个像素点的像素值调整为第二数值之后,得到所述轨道图像的语义分割图像。
3.根据权利要求2所述的方法,其特征在于,所述基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,包括:
确定所述语义分割图像中像素值为第一数值的像素点所构成的第一选定区域图像;
确定所述轨道图像的特征图像中与所述第一选定区域图像相匹配的第二选定区域图像;
将所述特征图像中除第二选定区域图像外的其他区域图像的像素点的像素值调整为所述第二数值;
根据调整后的特征图像,确定所述实例分割图像。
4.根据权利要求3所述的方法,其特征在于,所述根据调整后的特征图像,确定所述实例分割图像,包括:
对所述特征图像中的每个像素值不为所述第二数值的像素点进行聚类;
根据聚类结果,确定所述特征图像中的每个像素值不为所述第二数值的像素点的聚类标签;
基于带有所述聚类标签的像素点,确定所述实例分割图像。
5.根据权利要求1所述的方法,其特征在于,根据以下方式训练得到实例分割图像预测模型:
获取轨道样本图像集合,其中,所述轨道样本图像集合中包括多张轨道样本图像、以及每张轨道样本图像对应的已标注好的实例分割参考图像;
从所述轨道样本图像集合中选择至少一张轨道样本图像输入至待训练的实例分割图像预测模型,得到每张轨道样本图像对应的实例分割预测图像;
基于每张轨道样本图像对应的实例分割预测图像和实例分割参考图像,计算本轮训练过程的损失值;
当计算的损失值大于设定阈值时,调整所述待训练的实例分割图像预测模型的模型参数,从所述轨道样本图像集合中继续选择至少一张轨道样本图像并进行下一轮训练,直至计算的损失值小于或等于所述设定阈值时,确定训练完成。
6.一种轨距检测装置,其特征在于,包括:
获取模块,用于获取轨道图像;
预测模块,用于将所述轨道图像输入至预先训练好的实例分割图像预测模型中,执行预测过程;其中预测模块包括:
提取单元,用于提取所述轨道图像的特征信息,得到所述轨道图像的特征图像;以及,
第一确定单元,用于根据所述特征图像确定所述轨道图像的语义分割图像、以及所述特征图像中每个像素点的特征向量;其中,所述语义分割图像标记有所述轨道图像中的轨道区域以及背景区域;以及,
第二确定单元,用于基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像,其中,所述实例分割图像标记有所述特征图像中属于同一轨道的轨道边缘线;
轨距确定模块,用于基于所述实例分割图像以及预先设置的参数矩阵,确定属于同一轨道区域的两条轨道边缘线之间的轨距。
7.根据权利要求6所述的装置,其特征在于,所述第一确定单元,在根据所述特征图像确定所述轨道图像的语义分割图像时,具体用于:
将所述轨道图像的特征图像转换为标记有轨道区域以及背景区域的轨道图像;
将所述轨道图像中轨道区域对应的每个像素点的像素值调整为第一数值,以及将所述轨道图像中背景区域对应的每个像素点的像素值调整为第二数值之后,得到所述轨道图像的语义分割图像。
8.根据权利要求7所述的装置,其特征在于,所述第二确定单元,在基于所述特征图像、所述特征图像中每个像素点的特征向量、以及所述语义分割图像,确定实例分割图像时,具体用于:
确定所述语义分割图像中像素值为第一数值的像素点所构成的第一选定区域图像;
确定所述轨道图像的特征图像中与所述第一选定区域图像相匹配的第二选定区域图像;
将所述特征图像中除第二选定区域图像外的其他区域图像的像素点的像素值调整为所述第二数值;
根据调整后的特征图像,确定所述实例分割图像。
9.根据权利要求8所述的装置,其特征在于,所述第二确定单元,在根据调整后的特征图像,确定所述实例分割图像时,具体用于:
对所述特征图像中的每个像素值不为所述第二数值的像素点进行聚类;
根据聚类结果,确定所述特征图像中的每个像素值不为所述第二数值的像素点的聚类标签;
基于带有所述聚类标签的像素点,确定所述实例分割图像。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于根据以下方式训练得到实例分割图像预测模型:
获取轨道样本图像集合,其中,所述轨道样本图像集合中包括多张轨道样本图像、以及每张轨道样本图像对应的已标注好的实例分割参考图像;
从所述轨道样本图像集合中选择至少一张轨道样本图像输入至待训练的实例分割图像预测模型,得到每张轨道样本图像对应的实例分割预测图像;
基于每张轨道样本图像对应的实例分割预测图像和实例分割参考图像,计算本轮训练过程的损失值;
当计算的损失值大于设定阈值时,调整所述待训练的实例分割图像预测模型的模型参数,从所述轨道样本图像集合中继续选择至少一张轨道样本图像并进行下一轮训练,直至计算的损失值小于或等于所述设定阈值时,确定训练完成。
11.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的轨距检测方法的步骤。
12.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述的轨距检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021200.8A CN109740609B (zh) | 2019-01-09 | 2019-01-09 | 一种轨距检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021200.8A CN109740609B (zh) | 2019-01-09 | 2019-01-09 | 一种轨距检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740609A true CN109740609A (zh) | 2019-05-10 |
CN109740609B CN109740609B (zh) | 2021-02-09 |
Family
ID=66364204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910021200.8A Active CN109740609B (zh) | 2019-01-09 | 2019-01-09 | 一种轨距检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740609B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127502A (zh) * | 2019-12-10 | 2020-05-08 | 北京地平线机器人技术研发有限公司 | 生成实例掩码的方法、装置及电子设备 |
CN112033335A (zh) * | 2020-11-05 | 2020-12-04 | 成都中轨轨道设备有限公司 | 一种铁路轨距尺智能化监测预警系统及方法 |
CN112084988A (zh) * | 2020-06-08 | 2020-12-15 | 深圳佑驾创新科技有限公司 | 车道线实例聚类方法、装置、电子设备和存储介质 |
CN112179318A (zh) * | 2020-10-14 | 2021-01-05 | 刘灿灿 | 基于电池板特性的轨道机器人倾斜角度检测方法 |
WO2023050691A1 (zh) * | 2021-09-28 | 2023-04-06 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和程序 |
CN116767311A (zh) * | 2023-08-22 | 2023-09-19 | 中国铁建高新装备股份有限公司 | 一种铁路作业装置的作业移动距离检测方法、系统和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021417A (zh) * | 2007-03-21 | 2007-08-22 | 于起峰 | 一种长直轨道几何参数的摄像测量方法 |
CN106004931A (zh) * | 2016-06-07 | 2016-10-12 | 深圳航天科技创新研究院 | 一种基于无线测距技术的列车接近告警系统及方法 |
CN107085854A (zh) * | 2016-12-14 | 2017-08-22 | 中南大学 | 一种基于图像处理技术的铁路轨道二维地图的创建方法 |
CN107985335A (zh) * | 2016-10-26 | 2018-05-04 | 深圳金澜汉源科技有限公司 | 轨道交通安全检测方法 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
-
2019
- 2019-01-09 CN CN201910021200.8A patent/CN109740609B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021417A (zh) * | 2007-03-21 | 2007-08-22 | 于起峰 | 一种长直轨道几何参数的摄像测量方法 |
CN106004931A (zh) * | 2016-06-07 | 2016-10-12 | 深圳航天科技创新研究院 | 一种基于无线测距技术的列车接近告警系统及方法 |
CN107985335A (zh) * | 2016-10-26 | 2018-05-04 | 深圳金澜汉源科技有限公司 | 轨道交通安全检测方法 |
CN107085854A (zh) * | 2016-12-14 | 2017-08-22 | 中南大学 | 一种基于图像处理技术的铁路轨道二维地图的创建方法 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
DAVY NEVEN 等: "Towards End-to-End Lane Detection:an Instance Segmentation Approach", 《ARXIV》 * |
韩江洪 等: "基于空间卷积神经网络的井下轨道检测方法", 《电子测量与仪器学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127502A (zh) * | 2019-12-10 | 2020-05-08 | 北京地平线机器人技术研发有限公司 | 生成实例掩码的方法、装置及电子设备 |
CN111127502B (zh) * | 2019-12-10 | 2023-08-29 | 北京地平线机器人技术研发有限公司 | 生成实例掩码的方法、装置及电子设备 |
CN112084988A (zh) * | 2020-06-08 | 2020-12-15 | 深圳佑驾创新科技有限公司 | 车道线实例聚类方法、装置、电子设备和存储介质 |
CN112084988B (zh) * | 2020-06-08 | 2024-01-05 | 武汉佑驾创新科技有限公司 | 车道线实例聚类方法、装置、电子设备和存储介质 |
CN112179318A (zh) * | 2020-10-14 | 2021-01-05 | 刘灿灿 | 基于电池板特性的轨道机器人倾斜角度检测方法 |
CN112033335A (zh) * | 2020-11-05 | 2020-12-04 | 成都中轨轨道设备有限公司 | 一种铁路轨距尺智能化监测预警系统及方法 |
WO2023050691A1 (zh) * | 2021-09-28 | 2023-04-06 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、存储介质和程序 |
CN116767311A (zh) * | 2023-08-22 | 2023-09-19 | 中国铁建高新装备股份有限公司 | 一种铁路作业装置的作业移动距离检测方法、系统和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109740609B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740609A (zh) | 一种轨距检测方法及装置 | |
CN109740469B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN112750150B (zh) | 基于车辆检测和多目标跟踪的车流量统计方法 | |
CN110717414A (zh) | 一种目标检测追踪方法、装置及设备 | |
CN106778705B (zh) | 一种行人个体分割方法及装置 | |
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN105608417B (zh) | 交通信号灯检测方法及装置 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN109272509A (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
CN108961308B (zh) | 一种漂移检测的残差深度特征目标跟踪方法 | |
CN107274432B (zh) | 一种智能视频监控方法 | |
CN106803248B (zh) | 模糊车牌图像模糊度评价方法 | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN106780727B (zh) | 一种车头检测模型重建方法及装置 | |
CN108288020A (zh) | 基于上下文信息的视频遮挡检测系统及方法 | |
CN110288032A (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN101572770B (zh) | 一种可用于实时监控的运动检测方法与装置 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN109840905A (zh) | 电力设备锈迹检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |