CN109919145B - 一种基于3d点云深度学习的矿卡检测方法及系统 - Google Patents
一种基于3d点云深度学习的矿卡检测方法及系统 Download PDFInfo
- Publication number
- CN109919145B CN109919145B CN201910053914.7A CN201910053914A CN109919145B CN 109919145 B CN109919145 B CN 109919145B CN 201910053914 A CN201910053914 A CN 201910053914A CN 109919145 B CN109919145 B CN 109919145B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- mine card
- mine
- neural network
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于3D点云深度学习的矿卡检测方法及系统，方法包括将点云数据分成体素网格进行处理，直接处理3D体素即可；3D FCN全卷积神经网络避免了2D情况下的透视失真和尺度变化；使用迁移学习联合FCN方法减少了大量需要标注的点云数据，减少计算空间和时间。使用了迁移学习和FCN全卷积神经网络相结合的方法，实现了对矿卡的识别以及边框检测，可以帮助无人挖掘机寻找矿卡车厢，防止装载及卸料过程中发生碰撞。
Description
技术领域
本发明矿卡检测技术领域，具体涉及一种基于3D点云深度学习的矿卡检测方法及系统。
背景技术
随着无人驾驶领域的发展，无人矿山机群系统也迎来了新的工作进展，那么矿卡的检测技术是必不可少的，比如无人挖掘机寻找矿卡车厢从而完成自主装载及卸料、矿卡间排队检测等等。
现有技术存在以下缺陷：首先，在基于点云数据的处理方法中，常见的有图像语义分割、范围扫描目标检测、CNN卷积神经网络的目标检测等技术将3D信息映射到2D图像进行处理等操作，不能直接处理3D点云数据。另外，并未发现与矿卡相关的其他检测方法。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种基于3D点云深度学习的矿卡检测方法及系统。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于3D点云深度学习的矿卡检测方法，其特征在于，包括：
获取矿卡的点云数据；
将获取的矿卡的点云数据输入训练合格的预构建的检测模型，
输出所述训练合格的预构建的检测模型得到的矿卡检测结果。
进一步的，所述预构建的检测模型包括：
依次连接的迁移学习的VGG网络的前8层、FCN全卷积神经网络和softmax分类器，所述FCN全卷积神经网络包括三个卷积层和一个反卷积层；
VGG网络的前8层，用于捕捉矿卡的曲线、边缘特征；
所述卷积层每次经过池化层进行1/8的下采样提取特征数据；所述反卷积层，用于进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸，输出矿卡分数值图和边界框图；
所述softmax分类器，基于矿卡分数值图和边界框图，计算区域内矿卡的损失函数、矿卡边界框的损失函数以及FCN全卷积神经网络的整体损失，输出参数，做最后的分类和归一化，得到矿卡位置和类别信息。
进一步的，所述的基于3D点云深度学习的矿卡检测方法，其特征在于，
构建矿卡的点云数据的样本集，将矿卡的点云数据的样本集分为点云数据训练样本集、点云数据测试样本集；
使用点云数据训练样本集对预构建的检测模型进行训练，将点云数据训练样本集作为FCN全卷积神经网络的输入，使用迁移学习方法与所述FCN全卷积神经网络的输出更新所述softmax分类器输出的参数；
训练完成后，利用点云数据测试样本集中的点云数据对FCN全卷积神经网络进行检测并调节所述softmax分类器输出的参数，
得到训练合格的预构建的检测模型。
进一步的，所述的基于3D点云深度学习的矿卡检测方法，其特征在于，
利用迁移学习的VGG网络训练模型，将VGG网络的前8层进行冻结，然后对后面的网络重新进行训练；
所述FCN全卷积神经网络，去掉CNN卷积神经网络的全连接层，加入双线性插值层作为反卷积层，对最后一个卷积层进行上采样，使最后一个卷积层的特征数据恢复到与VGG模型的点云数据相同的尺寸。
进一步的，所述FCN全卷积神经网络由三个卷积层和三个池化层以及一个反卷积层组成，经过点云数据训练样本集对FCN全卷积神经网络进行调优；卷积层每次经过池化层进行1/8的下采样提取特征数据，反卷积层进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸；
所述FCN全卷积神经网络设置输出类别为两类，分别为矿卡预测分数值和矿卡边界框预测。
另一方面，一种基于3D点云深度学习的矿卡检测系统，其特征在于，包括：
数据获取模块，用于获取矿卡的点云数据；
输入模块，用于将获取的矿卡的点云数据输入训练合格的预构建的检测模型，
输出模块，用于获取所述训练合格的预构建的检测模型输出的矿卡检测结果。
所述的基于3D点云深度学习的矿卡检测系统，其特征在于，所述预构建的检测模型包括：
依次连接的迁移学习的VGG网络的前8层、FCN全卷积神经网络和softmax分类器，所述FCN全卷积神经网络包括三个卷积层和一个反卷积层；
VGG网络的前8层，用于捕捉矿卡的曲线、边缘特征；
所述卷积层每次经过池化层进行1/8的下采样提取特征数据；所述反卷积层，用于进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸，输出矿卡分数值图和边界框图；
所述softmax分类器，基于矿卡分数值图和边界框图，计算区域内矿卡的损失函数、矿卡边界框的损失函数以及FCN全卷积神经网络的整体损失，输出参数，做最后的分类和归一化，得到矿卡位置和类别信息。
进一步的，所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：点云数据的样本集构建模块，用于将矿卡的点云数据的样本集分为点云数据训练样本集、点云数据测试样本集。
进一步的，所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：检测模型训练模块，用于使用点云数据训练样本集对预构建的检测模型进行训练，将点云数据训练样本集作为FCN全卷积神经网络的输入，使用迁移学习方法与所述FCN全卷积神经网络的输出更新所述softmax分类器输出的参数。
进一步的，所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：检测模型测试模块，利用点云数据测试样本集中的点云数据对FCN全卷积神经网络进行检测，并调节所述softmax分类器输出的参数。
有益效果：本发明提供的基于3D点云深度学习的矿卡检测方法及系统，将点云数据分成体素网格进行处理，不用通过神经网络运行2D像素，直接处理3D体素即可；与2D CNN卷积神经网络相比，3D FCN全卷积神经网络避免了2D情况下的透视失真和尺度变化；使用了迁移学习和FCN全卷积神经网络相结合的方法，实现了对矿卡的识别以及边框检测，可以帮助无人挖掘机寻找矿卡车厢，防止装载及卸料过程中发生碰撞。
具有以下优点：
（1）本发明利用迁移学习与FCN全卷积神经网络联合的方法处理点云数据去检测矿卡，其特征在于使用迁移学习捕捉矿卡普通特征，然后利用FCN全卷积神经网络学习矿卡特有特征从而对后面的网络进行调整。；
（2）本发明直接运用3D点云训练FCN全卷积神经网络来识别体素点云；
（3）本发明利用softmax分类器求矿卡损失和边界框损失。
附图说明
图1为实施例激光雷达的布置图；
图2为实施例中网络结构示意图；
图3为实施例的基于3D点云深度学习的矿卡检测方法及系统的原理图；
图4为实施例的基于3D点云深度学习的矿卡检测方法流程图。
具体实施方式
下面结合具体实施例对本发明作更进一步的说明。
本发明公开一种基于3D点云的FCN深度神经网络的矿卡检测方法，主要包括有迁移学习、深度学习、FCN全卷积神经网络。并在3D点云空间运用这些检测方法，对于矿卡的检测可以通过3D点云的特点最后输出两个任务：一个是对矿卡的物体检测分数值图，可以直接输出矿卡的三维坐标，为寻找矿卡的具体位置提供关键信息；另一个是矿卡物体的边界框图，是根据矿卡的三维坐标标记最适边界框。
矿卡检测方法包括：首先利用迁移学习进行矿卡模型的预训练，使用第一个模型部分内容，产生识别矿卡模型分类器；图1为实施例激光雷达的布置图；然后用激光雷达对矿卡进行扫描，获取矿卡的点云数据；将点云数据进行离散化为方形网格，在FCN全卷积神经网络结构中进行训练和测试；将经过FCN全卷积神经网络处理后点云数据用于输出矿卡预测值图和边界框预测图；最后选择具有正性矿卡预测的区域，将这些区域对应的边界框收集，获取矿卡位置和类别信息；当作标记数据用来训练和测试新的点云数据，迭代一定的次数后，利用FCN全卷积神经网络最后一层的参数调节，成立新的模型。
实施例1
如图3、图4所示，一种基于3D点云深度学习的矿卡检测方法，包括：
1、利用迁移学习的VGG网络训练模型，将VGG网络的前8层进行冻结，然后对后面的网络重新进行训练；
2、构建FCN全卷积神经网络：去掉CNN卷积神经网络的全连接层，加入双线性插值层作为反卷积层，对最后一个卷积层进行上采样，使最后一个卷积层的特征数据恢复到与VGG模型的点云数据相同的尺寸；
3、准备阶段：准备矿卡的点云数据用于训练、存储FCN全卷积神经网络模型，并预留一些点云数据后期用做测试；
4、训练阶段：读取准备阶段的点云数据作为FCN全卷积神经网络预训练模型的输入，使用迁移学习方法与所述预训练模型的输出更新所述softmax分类器输出的参数；
5、测试阶段：训练完成后，利用已标注的矿卡点云数据对FCN全卷积神经网络进行新的点云数据检测并微调参数，利用预留矿卡点云数据进行测试然后输出。
实施例2
如图3、图4所示，一种基于3D点云深度学习的矿卡检测方法，包括：
第一步：训练迁移学习的VGG模型
利用迁移学习的VGG网络训练模型，将VGG网络的前8层进行冻结，然后对后面的网络重新进行训练。因为最初的几层网络捕捉的是矿卡的曲线、边缘这种普通特征，与矿卡的检测问题相关，保持这些权重不变，让网络在学习过程中重点关注矿卡特有的一些特征，从而对后面的网络进行调整。
第二步：构建FCN全卷积神经网络
为了从输入的点云数据中提取矿卡的特征，将点云数据进行卷积层操作，使用第一步迁移学习的VGG模型的权重保持不变，随后在矿卡的点云数据集基础上重新训练；线性的特征数据进入池化层，进行下采样，降低各个特征数据的维度，保持大部分重要的信息，提取有用特征数据；去掉CNN卷积神经网络的全连接层，加入双线性插值层作为反卷积层，对最后一个卷积层进行上采样，使最后一个卷积层的特征数据恢复到与输入点云数据相同的尺寸。
本模型FCN全卷积神经网络结构由三个卷积层和三个池化层以及一个反卷积层组成，经过预训练的点云数据对FCN全卷积神经网络模型进行调优。卷积层每次经过池化层进行1/8的下采样提取特征数据，反卷积层进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸。设置输出类别为两类，分别为矿卡预测分数值和矿卡边界框预测。
第三步：准备阶段
读取预训练模型检测数据集中是否有矿卡训练模型，如果有进行训练、验证，保持其初始权重不变；如果没有就应用激光雷达扫描矿卡获取不同形态的点云数据进行预训练标注，并预留一些点云数据后期用做测试。
第四步：训练阶段
利用迁移学习的VGG模型训练的结构和权重，作为FCN全卷积神经网络预训练模型的输入点云数据，开始新的训练迭代；将点云数据分成体素，输入到FCN全卷积神经网络结构中进行操作。使用与所述预训练模型的输出更新所述softmax分类器计算区域内矿卡的损失函数、矿卡边界框的损失函数以及FCN全卷积神经网络的整体损失，输出参数，做最后的分类和归一化。此阶段要进行多次迭代，找到FCN全卷积神经网络模型的合适权重后进行矿卡识别任务的参数调整，最后输出矿卡分数值图和边界框图。
第五步：测试阶段
读取FCN全卷积神经网络训练模型的结果模型对比测矿卡点云数据进行检测，接收新的矿卡点云数据作为FCN全卷积神经网络结果模型的输入，根据结果模型的输出，得到正性概率。判断是否还有新的矿卡点云数据需要预测，如果是，则跳转到接收新的点云数据作为FCN全卷积神经网络模型的输入的步骤；如果否，则结束。
进一步的，所述FCN全卷积神经网络由三个卷积层和三个池化层以及一个反卷积层组成，经过点云数据训练样本集对FCN全卷积神经网络进行调优；卷积层每次经过池化层进行1/8的下采样提取特征数据，反卷积层进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸；
所述FCN全卷积神经网络设置输出类别为两类，分别为矿卡预测分数值和矿卡边界框预测。
实施例3
如图3、图4所示，一种基于3D点云深度学习的矿卡检测系统，其特征在于，包括：
数据获取模块，用于获取矿卡的点云数据；
输入模块，用于将获取的矿卡的点云数据输入训练合格的预构建的检测模型，
输出模块，用于获取所述训练合格的预构建的检测模型输出的矿卡检测结果。
图2为实施例中检测模型网络结构示意图；所述预构建的检测模型包括：
依次连接的迁移学习的VGG网络的前8层、FCN全卷积神经网络和softmax分类器，所述FCN全卷积神经网络包括三个卷积层和一个反卷积层；
VGG网络的前8层，用于捕捉矿卡的曲线、边缘特征；
所述卷积层每次经过池化层进行1/8的下采样提取特征数据；所述反卷积层，用于进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸，输出矿卡分数值图和边界框图；
所述softmax分类器，基于矿卡分数值图和边界框图，计算区域内矿卡的损失函数、矿卡边界框的损失函数以及FCN全卷积神经网络的整体损失，输出参数，做最后的分类和归一化，得到矿卡位置和类别信息。
进一步的，所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：点云数据的样本集构建模块，用于将矿卡的点云数据的样本集分为点云数据训练样本集、点云数据测试样本集。
进一步的，所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：检测模型训练模块，用于使用点云数据训练样本集对预构建的检测模型进行训练，将点云数据训练样本集作为FCN全卷积神经网络的输入，使用迁移学习方法与所述FCN全卷积神经网络的输出更新所述softmax分类器输出的参数。
进一步的，所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：检测模型测试模块，利用点云数据测试样本集中的点云数据对FCN全卷积神经网络进行检测，并调节所述softmax分类器输出的参数。
本发明提供的基于3D点云深度学习的矿卡检测方法及系统，将点云数据分成体素网格进行处理，不用通过神经网络运行2D像素，直接处理3D体素即可；与2D CNN卷积神经网络相比，3D FCN全卷积神经网络避免了2D情况下的透视失真和尺度变化；使用迁移学习联合FCN方法减少了大量需要标注的点云数据，减少计算空间和时间。使用了迁移学习和FCN全卷积神经网络相结合的方法，实现了对矿卡的识别以及边框检测，可以帮助无人挖掘机寻找矿卡车厢，防止装载及卸料过程中发生碰撞。
具有以下优点：
（1）本发明利用迁移学习与FCN全卷积神经网络联合的方法处理点云数据去检测矿卡，使用迁移学习捕捉矿卡普通特征，然后利用FCN全卷积神经网络学习矿卡特有特征从而对后面的网络进行调整；
（2）本发明直接运用3D点云训练FCN全卷积神经网络来识别体素点云；
（3）本发明利用softmax分类器求矿卡损失和边界框损失。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于3D点云深度学习的矿卡检测方法，其特征在于，包括：
获取矿卡的点云数据；
将获取的矿卡的点云数据输入训练合格的预构建的检测模型，
输出所述训练合格的预构建的检测模型得到的矿卡检测结果；
所述预构建的检测模型包括：
依次连接的迁移学习的VGG网络的前8层、FCN全卷积神经网络和softmax分类器，所述FCN全卷积神经网络包括三个卷积层和一个反卷积层；
VGG网络的前8层，用于捕捉矿卡的曲线、边缘特征；
所述卷积层每次经过池化层进行1/8的下采样提取特征数据；所述反卷积层，用于进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸，输出矿卡分数值图和边界框图；
所述softmax分类器，基于矿卡分数值图和边界框图，计算区域内矿卡的损失函数、矿卡边界框的损失函数以及FCN全卷积神经网络的整体损失，输出参数，做最后的分类和归一化，得到矿卡位置和类别信息。
2.根据权利要求1所述的基于3D点云深度学习的矿卡检测方法，其特征在于，
构建矿卡的点云数据的样本集，将矿卡的点云数据的样本集分为点云数据训练样本集、点云数据测试样本集；
使用点云数据训练样本集对预构建的检测模型进行训练，将点云数据训练样本集作为FCN全卷积神经网络的输入，使用迁移学习方法与所述FCN全卷积神经网络的输出更新所述softmax分类器输出的参数；
训练完成后，利用点云数据测试样本集中的点云数据对FCN全卷积神经网络进行检测并调节所述softmax分类器输出的参数，
得到训练合格的预构建的检测模型。
3.根据权利要求1所述的基于3D点云深度学习的矿卡检测方法，其特征在于，
利用迁移学习的VGG网络训练模型，将VGG网络的前8层进行冻结，然后对后面的网络重新进行训练；
所述FCN全卷积神经网络，去掉CNN卷积神经网络的全连接层，加入双线性插值层作为反卷积层，对最后一个卷积层进行上采样，使最后一个卷积层的特征数据恢复到与VGG模型的点云数据相同的尺寸。
4.根据权利要求1所述的基于3D点云深度学习的矿卡检测方法，其特征在于，所述FCN全卷积神经网络由三个卷积层和三个池化层以及一个反卷积层组成，经过点云数据训练样本集对FCN全卷积神经网络进行调优；卷积层每次经过池化层进行1/8的下采样提取特征数据，反卷积层进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸；
所述FCN全卷积神经网络设置输出类别为两类，分别为矿卡预测分数值和矿卡边界框预测。
5.一种基于3D点云深度学习的矿卡检测系统，其特征在于，包括：
数据获取模块，用于获取矿卡的点云数据；
输入模块，用于将获取的矿卡的点云数据输入训练合格的预构建的检测模型，
输出模块，用于获取所述训练合格的预构建的检测模型输出的矿卡检测结果；
所述预构建的检测模型包括：
依次连接的迁移学习的VGG网络的前8层、FCN全卷积神经网络和softmax分类器，所述FCN全卷积神经网络包括三个卷积层和一个反卷积层；
VGG网络的前8层，用于捕捉矿卡的曲线、边缘特征；
所述卷积层每次经过池化层进行1/8的下采样提取特征数据；所述反卷积层，用于进行8倍的插值，将点云数据的输出结果扩大到与原点云数据相同的尺寸，输出矿卡分数值图和边界框图；
所述softmax分类器，基于矿卡分数值图和边界框图，计算区域内矿卡的损失函数、矿卡边界框的损失函数以及FCN全卷积神经网络的整体损失，输出参数，做最后的分类和归一化，得到矿卡位置和类别信息。
6.根据权利要求5所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：点云数据的样本集构建模块，用于将矿卡的点云数据的样本集分为点云数据训练样本集、点云数据测试样本集。
7.根据权利要求6所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：检测模型训练模块，用于使用点云数据训练样本集对预构建的检测模型进行训练，将点云数据训练样本集作为FCN全卷积神经网络的输入，使用迁移学习方法与所述FCN全卷积神经网络的输出更新所述softmax分类器输出的参数。
8.根据权利要求7所述的基于3D点云深度学习的矿卡检测系统，其特征在于，还包括：检测模型测试模块，利用点云数据测试样本集中的点云数据对FCN全卷积神经网络进行检测，并调节所述softmax分类器输出的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910053914.7A CN109919145B (zh) | 2019-01-21 | 2019-01-21 | 一种基于3d点云深度学习的矿卡检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910053914.7A CN109919145B (zh) | 2019-01-21 | 2019-01-21 | 一种基于3d点云深度学习的矿卡检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109919145A CN109919145A (zh) | 2019-06-21 |
| CN109919145B true CN109919145B (zh) | 2020-10-27 |
Family
ID=66960633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910053914.7A Active CN109919145B (zh) | 2019-01-21 | 2019-01-21 | 一种基于3d点云深度学习的矿卡检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919145B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276755B (zh) * | 2019-06-25 | 2021-07-06 | 广东工业大学 | 一种肿瘤位置定位系统及相关装置 |
| CN111126473A (zh) * | 2019-12-18 | 2020-05-08 | 北京新能源汽车技术创新中心有限公司 | 基于全卷积神经网络的点云数据分类方法及电子设备 |
| CN111260660B (zh) * | 2020-01-14 | 2023-04-11 | 电子科技大学 | 一种基于元学习的3d点云语义分割迁移方法 |
| CN111364549B (zh) * | 2020-02-28 | 2021-11-09 | 江苏徐工工程机械研究院有限公司 | 一种基于激光雷达的同步建图和自动作业方法及系统 |
| WO2021257094A1 (en) * | 2020-06-19 | 2021-12-23 | Hewlett-Packard Development Company, L.P. | Point cloud alignment |
| CN112365216A (zh) * | 2020-12-02 | 2021-02-12 | 青岛慧拓智能机器有限公司 | 矿区无人运输仿真测试平台和矿区无人运输仿真方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123724B (zh) * | 2014-07-09 | 2017-01-18 | 华北电力大学 | 一种3d点云物体的快速检测方法 |
| CN104751146B (zh) * | 2015-04-13 | 2018-04-10 | 中国科学技术大学 | 一种基于3d点云图像的室内人体检测方法 |
| CN105701448B (zh) * | 2015-12-31 | 2019-08-09 | 湖南拓视觉信息技术有限公司 | 三维人脸点云鼻尖检测方法及应用其的数据处理装置 |
| CN106097334B (zh) * | 2016-06-08 | 2023-09-12 | 北京航空航天大学 | 基于深度学习的点云配准方法 |
| GB201616095D0 (en) * | 2016-09-21 | 2016-11-02 | Univ Oxford Innovation Ltd | A neural network and method of using a neural network to detect objects in an environment |
| CN106951847B (zh) * | 2017-03-13 | 2020-09-29 | 百度在线网络技术（北京）有限公司 | 障碍物检测方法、装置、设备及存储介质 |
| CN108734058B (zh) * | 2017-04-18 | 2022-05-27 | 百度在线网络技术（北京）有限公司 | 障碍物类型识别方法、装置、设备及存储介质 |
| CN109101861A (zh) * | 2017-06-20 | 2018-12-28 | 百度在线网络技术（北京）有限公司 | 障碍物类型识别方法、装置、设备及存储介质 |
| US10671082B2 (en) * | 2017-07-03 | 2020-06-02 | Baidu Usa Llc | High resolution 3D point clouds generation based on CNN and CRF models |
| CN108470159B (zh) * | 2018-03-09 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
| CN108961339B (zh) * | 2018-07-20 | 2020-10-20 | 深圳辰视智能科技有限公司 | 一种基于深度学习的点云物体姿态估计方法、装置及其设备 |
-
2019
- 2019-01-21 CN CN201910053914.7A patent/CN109919145B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109919145A (zh) | 2019-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919145B (zh) | 一种基于3d点云深度学习的矿卡检测方法及系统 | |
| CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
| CN111860499B (zh) | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 | |
| CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
| CN111079685B (zh) | 一种3d目标检测方法 | |
| CN113076871B (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
| CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
| CN107341517A (zh) | 一种基于深度学习层级间特征融合的多尺度小物体检测方法 | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
| CN110348435B (zh) | 一种基于区域候选网络的目标检测方法及系统 | |
| CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
| CN113591719B (zh) | 一种自然场景任意形状文本检测方法、装置和训练方法 | |
| Nguyen et al. | Satellite image classification using convolutional learning | |
| CN111553414A (zh) | 一种基于改进Faster R-CNN的车内遗失物体检测方法 | |
| CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
| CN115424017B (zh) | 一种建筑物内外轮廓分割方法、装置及存储介质 | |
| CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN112200186A (zh) | 基于改进yolo_v3模型的车标识别方法 | |
| CN117152414A (zh) | 一种基于尺度注意力辅助学习方法的目标检测方法及系统 | |
| CN116824543A (zh) | 一种基于od-yolo的自动驾驶目标检测方法 | |
| CN114998756A (zh) | 一种基于yolov5的遥感图像检测方法、装置及存储介质 | |
| CN115661694B (zh) | 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备 | |
| CN117351371A (zh) | 一种基于深度学习的遥感图像目标检测方法 |
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 |