CN109766746A - 一种无人机航拍视频的轨道异物检测方法 - Google Patents
一种无人机航拍视频的轨道异物检测方法 Download PDFInfo
- Publication number
- CN109766746A CN109766746A CN201811400612.4A CN201811400612A CN109766746A CN 109766746 A CN109766746 A CN 109766746A CN 201811400612 A CN201811400612 A CN 201811400612A CN 109766746 A CN109766746 A CN 109766746A
- Authority
- CN
- China
- Prior art keywords
- track
- video
- foreign matter
- frame
- unmanned plane
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种无人机航拍视频的轨道异物检测方法,该方法首先对航拍单帧图像采用直线分割检测算法、线段合并与筛选等确定轨道区域;然后采用训练好的轨道异物检测模型对轨道区域图像进行单帧图像异物检测分类;最后利用视频的帧间相关性优化单帧检测结果,得到最终的航拍视频轨道异物检测结果。本发明所述方法能够解决无人机航拍视频轨道异物检测中存在的动态背景、异物类型多样等问题,对无人机航拍视频实现有效地检测。本发明方法与人工巡检等传统方法相比,降低了成本,提高了效率,不受限于地形的影响,也在之前的无人接巡检基础上提高了结果的准确性。
Description
技术领域
本发明属于轨道异物检测领域,特别涉及一种无人机航拍视频的轨道异物检测方法。
背景技术
随着我国列车运营速度的不断提高、运营线路的不断增长,保证行车安全的难度也越来越大,由于现有的防护设施还不完善,轨道交通安全事故屡见不鲜,山体崩塌、落物、行人跨越等异物侵限对列车行车安全的危害极其重大,轻者造成列车晚点,重者会给国家和人民带来严重的经济损失。轨道异物侵限检测系统作为列车安全运营的重要保障,必须要对在不同轨道的场景中出现的山体滑坡、落石、行人穿越等异物进行检测,判断是否有异物侵入轨道安全限界的事件发生。由于异物侵限事件的发生具有突发性、无规律可循和不可预测等特点,人工巡检等传统方法成本高且可靠性低,因此国内外提出了众多轨道异物侵限检测技术与方法。
目前根据原理的不同,轨道异物侵限检测的方式可分为接触式和非接触式两种。接触式异物检测系统主要采用防护网,通过装于防护网上的各类传感器判断是否有物体落入。该方式只能检测从上方落入的较大物体,对较小物体和各种机械从侧面的侵限无能为力,且安装维护成本大、效益低。非接触式检测主要利用激光、红外、微波或机器视觉的等方式探测物体的大小及位置,其中机器视觉技术因为设备安装维护方便、可视化效果好等优点,在非接触式异物侵限检测系统中得到越来越多的应用。但现有基于机器视觉技术的轨道异物检测方法中,多使用定点架设相机的方式对特定地点进行检测。由于轨道线路长,加上很多轨道线路附近环境十分复杂,如果对全线实行检测,不仅成本太高,而且管理与维护都较为困难。发明专利《一种铁路沿线异物侵限无人机智能辨识和预警方法及系统》(申请号为201710300788.1,公开号为CN107097810A)使用无人机侵限检测装置对受控列车局部移动环境实现异物侵限检测,但该方法无法解决无人机航拍视频轨道异物检测中存在的动态背景、异物类型多样等问题,只能检测运动中的物体,检测准确率较低。
发明内容
技术问题:为了解决现有技术的缺陷,本发明提供了一种无人机航拍视频的轨道异物检测方法。
技术方案:本发明首先对航拍单帧图像采用直线分割检测算法、线段合并与筛选等确定轨道区域;然后采用训练好的轨道异物检测模型对轨道区域图像进行单帧图像异物检测分类;最后利用视频的帧间相关性优化单帧检测结果,得到最终的航拍视频轨道异物检测结果。
本发明提供的一种无人机航拍视频的轨道异物检测方法,采用无人机航拍方式自动对轨道线路全线进行轨道异物检测,包括以下步骤:
步骤1:使用无人机自制训练集对轨道异物检测模型进行离线训练;
步骤2:使用无人机轨道异物检测装置利用轨道异物检测模型自动对轨道线路全线进行轨道异物检测。
作为一种优化方案:步骤1具体操作步骤如下:
步骤1.1:获取航拍轨道异物视频图像;
步骤1.2:对所获取视频图像进行轨道区域提取与人工标注建立训练集,并对训练集进行扩充;
步骤1.3:基于卷积神经网络构建轨道异物检测模型,利用自制训练集对其进行训练,获得训练好的轨道异物检测模型。
作为进一步优化方案:步骤2具体操作步骤如下:
步骤2.1:利用机载影像采集装置获取轨道的航拍视频数据;
步骤2.2:在航拍单帧图像内提取待检测的轨道区域图像;
步骤2.3:使用训练好的轨道异物检测模型对轨道区域图像进行单帧图像异物检测分类;
步骤2.4:利用视频的帧间相关性优化单帧检测结果,得到最终的视频轨道异物检测结果。
作为进一步优化方案:训练集的扩充方法包括翻转、平移、改变亮度与对比度。
作为进一步优化方案:提取待检测的轨道区域图像前对航拍单帧图像进行直线检测、线段合并、确定轨道区域和/或透视变换操作。
作为进一步优化方案:轨道异物检测模型共有27层,具体包括:20个卷积层,5个最大池化层,1个平均池化层与1个Softmax层。
作为进一步优化方案:无人机轨道异物检测装置包括飞行装置及装载在飞行装置上的机载影像采集模块、异物检测模块、无线通信模块和GPS模块。
作为进一步优化方案:利用视频多帧关联算法进行视频的帧间相关性优化;视频多帧关联算法具体步骤为,任取连续的三帧图像,若第k帧与第k+2帧的检测结果均为无异物,而第k+1帧检测结果为有异物,则判定第k+1帧检测结果有误,对k+1帧检测结果进行修正;同时,根据异物在视频中位置的连续性,通过连续N帧检测结果判断轨道区域是否存在异物,当连续N帧均检测到有异物时,判定轨道区域存在异物。
有益效果:本发明方法与人工巡检等传统方法相比,降低了成本,提高了效率,不受限于地形的影响,也在之前的无人接巡检基础上提高了结果的准确性。
附图说明
图1为本发明方法的总体流程示意图;
图2为本发明的线段合并示意图;
图3为本发明实施例在实拍视频上的异物检测效果示意图;
图4为本发明实施例在实拍视频上的异物检测效果示意图;
图5为本发明实施例在实拍视频上的异物检测效果示意图;
图6为本发明实施例在实拍视频上的异物检测效果示意图;
图7为本发明实施例在实拍视频上的异物检测效果示意图;
图8为本发明实施例在实拍视频上的异物检测效果示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
以下结合图1所示的总体流程图进一步阐述本发明,参见图1,本发明实施例为利用一种无人机航拍视频的轨道异物检测方法进行轨道异物检测,主要分为离线训练轨道异物检测模型与无人机航拍视频的轨道异物在线检测两个部分,具体实施步骤如下:
1、离线训练轨道异物检测模型:
离线训练轨道异物检测模型部分主要是对自拍的视频图像进行标注建立自制训练集,使用自制训练集训练卷积神经网络模型,利用训练好的网络模型,自动提取异物特征,从而实现对航拍视频的轨道异物检测;轨道异物检测模型训练过程中,首先对自拍的视频图像进行轨道区域提取与人工标注自行建立训练集,接着设计网络结构并使用自制训练集进行训练,最后对训练好的模型进行测试,根据测试结果不断调整训练参数,优化网络结构,使得最终的模型满足实际需求。
在本实施例中,申请人设计了一个特殊结构的模型;模型具体结构如表1所示,整个模型共有27层,包含20个卷积层,5个最大池化层,1个平均池化层与1个softmax层,申请人经过试验发现该模型检测效果最好。
2、无人机航拍视频的轨道异物在线检测:
无人机航拍视频的轨道异物在线检测部分主要是将离线部分中训练好的轨道异物检测模型运用到航拍视频异物检测中,当无人机轨道异物检测装置在某线路运行时,首先使用机载影像采集装置进行轨道线路的实时影像采集;之后对单帧图像进行LSD直线检测、线段合并、确定轨道区域、透视变换等操作提取轨道区域图像;然后加载训练好的轨道异物检测模型对轨道区域进行检测,最后使用视频多帧关联算法对单帧检测结果进行优化,得到最终轨道异物检测结果;如果轨道区域存在异物,则进行报警,并将GPS位置信息传送回监控中心。
无人机轨道异物检测装置包括飞行装置及装载在飞行装置上的机载影像采集模块、异物检测模块、无线通信模块和GPS模块。
线段合并是对LSD直线检测结果进行线段合并,由于LSD直线检测算法的缺点,对于直线相交情况,必有至少一条直线被割裂为两条直线,且一条长直线也可能会由于被物体遮挡或局部模糊等原因被割裂为多条线段,因此需对检测结果进行线段合并;两条线段是否需要被合并主要取决于3个参数:两线段最靠近的两个端点间的横向距离阈值dx与纵向距离阈值dy,以及两线段的斜率之差阈值kt。如图2所示,d1为纵向距离,d2和d3为横向距离,k1、k2、k3、k4为斜率,只有满足3个参数条件的线段才进行合并;即当d1≤dy、d2≤dx、|k1-k2|≤kt时,线段A1B1与A2B2才能进行线段合并;由于d3>dx,所以线段A2B2与A3B3不能进行线段合并;由于|k2-k4|>kt,所以线段A2B2与A4B4也不能进行线段合并。
确定轨道区域是根据轨道特有直线特征确定待检测的轨道区域;首先根据轨道必为连续的长直线,对合并后的线段进行筛选,保留线段长度大于阈值L的线段;之后对所有保留的线段进行配对,从左往右,依次将线段与其右侧斜率之差小于kt的最邻近线段进行匹配,提取两线段间距离在范围[t1,t2]内的线段,根据轨道特有直线特征判断所提取线段关系,确定相应轨道位置;识别出图像中相应轨道位置后,根据轨道规格可知,只需将各轨道位置左右边界各向外扩展一个轨道宽度即可得到待检测的轨道区域。
阈值均为针对某轨道区段实际现场拍摄的多段视频进行多次试验得到的经验值。
透视变换是对确定的轨道区域图像进行变换;由于无人机飞行过程中易受到环境因素干扰,无法确保拍摄的轨道区域为矩形区域,而卷积神经网络训练与测试的输入均为矩形图像,因此需使用透视变换将轨道区域变换为矩形区域。
视频多帧关联算法包括任取连续的三帧图像,若第k帧与第k+2帧的检测结果均为无异物,而第k+1帧检测结果为有异物,则判定第k+1帧检测结果有误,对k+1帧检测结果进行修正;同时,根据异物在视频中位置的连续性,通过连续N帧检测结果判断轨道区域是否存在异物,当连续N帧均检测到有异物时,判定轨道区域存在异物。
为了对本发明算法的有效性进行说明,完成无人机航拍视频的轨道异物检测实验如下:
(1)模型训练与参数设置
由于没有可以直接使用的样本数据集,本发明使用无人机在某铁路段采集共10段包含人、树枝、木板、纸盒等异物的航拍视频,相机的分辨率为1280pixel×720pixel,无人机飞行高度为4-6m。对其中4段视频进行单帧拆分,得到5900张原始图像。对原始图像进行轨道区域提取与人工标注,并使用翻转、平移、改变亮度与对比度等操作进行扩充,最终建立训练验证集的图片数量为11000张,其中训练集8800张,验证集2200张。
利用Tensorflow神经网络学习框架,以Anaconda4.5.11的Spyder(Python3.5)作为仿真平台,电脑配置的CPU为I5-7400 3.0GHz、8G内存、GPU为NVIDIA GTX1050,使用Numpy、OpenCV-Python 3.4.1、Keras 2.2.0等库,搭建轨道异物检测模型并使用自制样本数据集对其进行训练。
训练参数设置为:dropout层系数为0.2;LeakyReLU函数系数为0.1;优化方法使用随机梯度下降法,初始学习率为0.01,学习衰减率为0.00001,动量参数为0.9。
检测参数设置为:横向距离阈值dx=10像素,纵向距离阈值dy=25像素,两线段的斜率之差阈值kt=0.1,线段长度阈值L=100像素,线段间距离范围t1=40像素,t2=160像素,视频多帧关联参数N=5。
(2)实验结果分析
为验证本发明方法的有效性,使用检测率与虚警率作为精度评价标准,对视频检测结果进行定量评价,检测率与虚警率的计算公式分别为:
式中Ncorrect为检测正确的异物数目,Nwrong为检测错误的异物数目,Nall为视频中异物总数,为检测到的异物总数。
使用本发明方法对6段测试视频进行检测,异物检测结果如表2所示;异物检测效果如图3-图8所示;其中图3-图7为safe,表示检测结果为轨道区域无异物,图8为danger,表示检测结果为轨道区域存在异物。从图3-图7中可以看出,本发明方法能够对多种类型异物进行检测。根据评价标准对表2进行计算可得,本发明方法在该数据集上的检测率为100%,虚警率为2.33%。
表1
Layer | Type | Filters | Size/Stride | Padding | Output |
1 | Convolutional | 64 | 3 x 3/1 | Same | 224 x 224 |
2 | Convolutional | 64 | 3 x 3/1 | Same | 224 x 224 |
3 | Maxpool | 2 x 2/2 | 112 x112 | ||
4 | Convolutional | 128 | 3 x 3/1 | Same | 112 x 112 |
5 | Convolutional | 128 | 3 x 3/1 | Same | 112 x 112 |
6 | Maxpool | 2 x 2/2 | 56 x 56 | ||
7 | Convolutional | 256 | 3 x 3/1 | Same | 56 x 56 |
8 | Convolutional | 256 | 3 x 3/1 | Same | 56 x 56 |
9 | Convolutional | 256 | 3 x 3/1 | Same | 56 x 56 |
10 | Convolutional | 256 | 3 x 3/1 | Same | 56 x 56 |
11 | Maxpool | 2 x 2/2 | 28 x 28 | ||
12 | Convolutional | 512 | 3 x 3/1 | Same | 28 x 28 |
13 | Convolutional | 512 | 3 x 3/1 | Same | 28 x 28 |
14 | Convolutional | 512 | 3 x 3/1 | Same | 28 x 28 |
15 | Convolutional | 512 | 3 x 3/1 | Same | 28 x 28 |
16 | Maxpool | 2 x 2/2 | 14 x 14 | ||
17 | Convolutional | 512 | 3 x 3/1 | Same | 14 x 14 |
18 | Convolutional | 512 | 3 x 3/1 | Same | 14 x 14 |
19 | Convolutional | 512 | 3 x 3/1 | Same | 14 x 14 |
20 | Convolutional | 512 | 3 x 3/1 | Same | 14 x 14 |
21 | Maxpool | 2 x 2/2 | 7 x 7 | ||
22 | Convolutional | 1024 | 3 x 3/1 | Same | 7 x 7 |
23 | Convolutional | 512 | 1 x 1/1 | Same | 7 x 7 |
24 | Convolutional | 1024 | 3 x 3/1 | Same | 7 x 7 |
25 | Convolutional | 2 | 1 x 1/1 | Same | 7 x 7 |
26 | Avgpool | 2 | |||
27 | Softmax | 2 |
表2
Claims (8)
1.一种无人机航拍视频的轨道异物检测方法,其特征在于:所述方法采用无人机航拍方式自动对轨道线路全线进行轨道异物检测,包括以下步骤:
步骤1:使用无人机自制训练集对轨道异物检测模型进行离线训练;
步骤2:使用无人机轨道异物检测装置利用所述轨道异物检测模型自动对轨道线路全线进行轨道异物检测。
2.根据权利1所述的无人机航拍视频的轨道异物检测方法,其特征在于:所述步骤1具体操作步骤如下:
步骤1.1:获取航拍轨道异物视频图像;
步骤1.2:对所获取视频图像进行轨道区域提取与人工标注建立训练集,并对训练集进行扩充;
步骤1.3:基于卷积神经网络构建轨道异物检测模型,利用自制训练集对其进行训练,获得训练好的轨道异物检测模型。
3.根据权利1所述的无人机航拍视频的轨道异物检测方法,其特征在于:所述步骤2具体操作步骤如下:
步骤2.1:利用机载影像采集装置获取轨道的航拍视频数据;
步骤2.2:在航拍单帧图像内提取待检测的轨道区域图像;
步骤2.3:使用训练好的轨道异物检测模型对轨道区域图像进行单帧图像异物检测分类;
步骤2.4:利用视频的帧间相关性优化单帧检测结果,得到最终的视频轨道异物检测结果。
4.根据权利2所述的无人机航拍视频的轨道异物检测方法,其特征在于:所述训练集的扩充方法包括翻转、平移、改变亮度与对比度。
5.根据权利3所述的无人机航拍视频的轨道异物检测方法,其特征在于:提取待检测的轨道区域图像前对航拍单帧图像进行直线检测、线段合并、确定轨道区域和/或透视变换操作。
6.根据权利1所述的无人机航拍视频的轨道异物检测方法,其特征在于:所述轨道异物检测模型共有27层,具体包括:20个卷积层,5个最大池化层,1个平均池化层与1个Softmax层。
7.根据权利1所述的无人机航拍视频的轨道异物检测方法,其特征在于:所述无人机轨道异物检测装置包括飞行装置及装载在飞行装置上的机载影像采集模块、异物检测模块、无线通信模块和GPS模块。
8.根据权利3所述的无人机航拍视频的轨道异物检测方法,其特征在于:利用视频多帧关联算法进行视频的帧间相关性优化;所述视频多帧关联算法具体步骤为,任取连续的三帧图像,若第k帧与第k+2帧的检测结果均为无异物,而第k+1帧检测结果为有异物,则判定第k+1帧检测结果有误,对k+1帧检测结果进行修正;同时,根据异物在视频中位置的连续性,通过连续N帧检测结果判断轨道区域是否存在异物,当连续N帧均检测到有异物时,判定轨道区域存在异物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811400612.4A CN109766746B (zh) | 2018-11-22 | 2018-11-22 | 一种无人机航拍视频的轨道异物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811400612.4A CN109766746B (zh) | 2018-11-22 | 2018-11-22 | 一种无人机航拍视频的轨道异物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766746A true CN109766746A (zh) | 2019-05-17 |
CN109766746B CN109766746B (zh) | 2023-06-20 |
Family
ID=66449604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811400612.4A Active CN109766746B (zh) | 2018-11-22 | 2018-11-22 | 一种无人机航拍视频的轨道异物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766746B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532889A (zh) * | 2019-08-02 | 2019-12-03 | 南京理工大学 | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 |
CN110534009A (zh) * | 2019-09-05 | 2019-12-03 | 北京青橙创客教育科技有限公司 | 一种人工智能无人驾驶课程教具 |
CN110728202A (zh) * | 2019-09-23 | 2020-01-24 | 国网宁夏电力有限公司电力科学研究院 | 一种输电导线异物检测方法、终端及系统 |
CN111242072A (zh) * | 2020-01-19 | 2020-06-05 | 上海眼控科技股份有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111553500A (zh) * | 2020-05-11 | 2020-08-18 | 北京航空航天大学 | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 |
CN112488056A (zh) * | 2020-12-17 | 2021-03-12 | 上海媒智科技有限公司 | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 |
CN112800938A (zh) * | 2021-01-26 | 2021-05-14 | 上海伯镭智能科技有限公司 | 无人驾驶车辆检测侧面落石发生的方法及装置 |
CN113552897A (zh) * | 2021-06-30 | 2021-10-26 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
CN114248819A (zh) * | 2020-09-25 | 2022-03-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
CN114578842A (zh) * | 2020-11-30 | 2022-06-03 | 南京理工大学 | 一种无人车载旋翼无人机集群侦察的协同路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772656A (zh) * | 2015-11-19 | 2017-05-31 | 上海理工大学 | 一种基于红外阵列传感器的室内人体检测方法 |
CN108304807A (zh) * | 2018-02-02 | 2018-07-20 | 北京华纵科技有限公司 | 一种基于fpga平台和深度学习的轨道异物检测方法及系统 |
CN108810616A (zh) * | 2018-05-31 | 2018-11-13 | 广州虎牙信息科技有限公司 | 目标定位方法、视频显示方法、装置、设备和存储介质 |
-
2018
- 2018-11-22 CN CN201811400612.4A patent/CN109766746B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772656A (zh) * | 2015-11-19 | 2017-05-31 | 上海理工大学 | 一种基于红外阵列传感器的室内人体检测方法 |
CN108304807A (zh) * | 2018-02-02 | 2018-07-20 | 北京华纵科技有限公司 | 一种基于fpga平台和深度学习的轨道异物检测方法及系统 |
CN108810616A (zh) * | 2018-05-31 | 2018-11-13 | 广州虎牙信息科技有限公司 | 目标定位方法、视频显示方法、装置、设备和存储介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532889A (zh) * | 2019-08-02 | 2019-12-03 | 南京理工大学 | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 |
CN110532889B (zh) * | 2019-08-02 | 2022-08-16 | 南京理工大学 | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 |
CN110534009A (zh) * | 2019-09-05 | 2019-12-03 | 北京青橙创客教育科技有限公司 | 一种人工智能无人驾驶课程教具 |
CN110728202A (zh) * | 2019-09-23 | 2020-01-24 | 国网宁夏电力有限公司电力科学研究院 | 一种输电导线异物检测方法、终端及系统 |
CN111242072A (zh) * | 2020-01-19 | 2020-06-05 | 上海眼控科技股份有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111553500A (zh) * | 2020-05-11 | 2020-08-18 | 北京航空航天大学 | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 |
CN114248819A (zh) * | 2020-09-25 | 2022-03-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
CN114248819B (zh) * | 2020-09-25 | 2023-12-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
CN114578842A (zh) * | 2020-11-30 | 2022-06-03 | 南京理工大学 | 一种无人车载旋翼无人机集群侦察的协同路径规划方法 |
CN114578842B (zh) * | 2020-11-30 | 2023-04-21 | 南京理工大学 | 一种无人车载旋翼无人机集群侦察的协同路径规划方法 |
CN112488056A (zh) * | 2020-12-17 | 2021-03-12 | 上海媒智科技有限公司 | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 |
CN112800938B (zh) * | 2021-01-26 | 2022-03-04 | 上海伯镭智能科技有限公司 | 无人驾驶车辆检测侧面落石发生的方法及装置 |
CN112800938A (zh) * | 2021-01-26 | 2021-05-14 | 上海伯镭智能科技有限公司 | 无人驾驶车辆检测侧面落石发生的方法及装置 |
CN113552897A (zh) * | 2021-06-30 | 2021-10-26 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
CN113552897B (zh) * | 2021-06-30 | 2023-01-03 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109766746B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766746A (zh) | 一种无人机航拍视频的轨道异物检测方法 | |
Li et al. | Automatic defect detection of metro tunnel surfaces using a vision-based inspection system | |
KR101926561B1 (ko) | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 | |
CN105809679B (zh) | 一种基于视觉分析的山区铁路边坡落石检测方法 | |
CN105799740B (zh) | 一种基于物联网技术的轨道异物入侵自动检测与预警方法 | |
CN103593678B (zh) | 一种大跨度桥梁车辆动态荷载分布检测方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN102902974B (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN109448365A (zh) | 一种跨尺度空基平台区域道路交通系统综合监视方法 | |
Yang et al. | Deep learning‐based bolt loosening detection for wind turbine towers | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN113947731B (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN106679567A (zh) | 基于双目立体视觉的接触网及支柱几何参数检测测量系统 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN114248819B (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 | |
CN104504377A (zh) | 一种公交车乘客拥挤程度识别系统及方法 | |
Sturari et al. | Robotic platform for deep change detection for rail safety and security | |
CN107424150A (zh) | 一种基于卷积神经网络的道路破损检测方法及装置 | |
CN102663491A (zh) | 一种基于surf特征的高密度人群计数方法 | |
CN112883948A (zh) | 一种语义分割与边缘检测模型建立及护栏异常监测方法 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
KR20200123537A (ko) | 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템 | |
CN111553500B (zh) | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 | |
CN116740833A (zh) | 基于无人机的线路巡线打卡方法 |
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 |