CN110059751A - 一种基于机器学习的胎码和轮胎状态识别方法 - Google Patents
一种基于机器学习的胎码和轮胎状态识别方法 Download PDFInfo
- Publication number
- CN110059751A CN110059751A CN201910319072.5A CN201910319072A CN110059751A CN 110059751 A CN110059751 A CN 110059751A CN 201910319072 A CN201910319072 A CN 201910319072A CN 110059751 A CN110059751 A CN 110059751A
- Authority
- CN
- China
- Prior art keywords
- tire
- layer
- neuron
- output
- code
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于机器学习的胎码和轮胎状态识别方法,包括以下步骤:S1、采集轮胎图像,并对图像进行预处理;S2、建立单层神经网络模型,并计算模型输出函数;S3、基于误差逆传播算法迭代更新S2,建立多层神经网络模型,模型包括输入层、隐层和输出层;S4、建立卷积神经网络作为多层神经网络中的隐藏层;S5、建立全连接层连接隐藏层与输出层,输出层输出轮胎的胎码和轮胎状态;S6、通过人工标记的验证集对多层神经网络进行督促学习,更新神经网络参数;S7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。本发明方法有效缩短了轮胎检查的时间,且识别精度高,为汽车安全检查、轮胎精准维修、轮胎租赁服务等提供了便利。
Description
技术领域
本发明涉及一种自动处理轮胎图片识别轮胎胎码和轮胎状态的方法,属于汽车安全技术领域。
背景技术
汽车轮胎作为汽车的一个主要部件,在日常出行中消耗量很大,在使用时间、里程、能耗,以及使用安全等方面均需要高质量的检测手段提供保证。
目前,汽车轮胎的使用状态和安全检查主要靠人力进行,需要维修人员在车底检查或将轮胎拆卸下来检查,不仅耗时耗力且不同经验的工人有不同的准确率。此外,人工检查很难能准确判断轮胎磨损程度、剩余使用寿命等情况,无法及时发现安全问题隐患,轮胎爆胎等临时突发情况,在需要更换或租借轮胎时,往往无法准确描述轮胎问题、轮胎型号等,影响处理时间和进度。
发明内容
针对目前人工检查轮胎情况费时费力、及时性差等问题,本发明提出了一种基于机器学习的胎码和轮胎状态识别方法,构建多层神经网络自动识别轮胎胎码、轮胎状态,并利用人工处理的验证集训练神经网络,提高神经网络的识别精度,实现全自动的、实时的、精准的轮胎信息识别。
为解决上述技术问题,本发明采用了如下技术手段:
一种基于机器学习的胎码和轮胎状态识别方法,包括以下步骤:
S1、采集轮胎图像,并对图像进行预处理,将图像中每个像素点的像素值归一化到[0,1]之间;
S2、以轮胎图像的像素属性作为输入神经元信号建立单层神经网络模型,并计算模型输出函数;
S3、基于误差逆传播算法迭代更新S2,建立多层神经网络模型,模型包括输入层、隐层和输出层;
S4、建立卷积神经网络作为多层神经网络中的隐藏层;
S5、建立全连接层连接隐藏层与输出层,输出层输出轮胎的胎码和轮胎状态;
S6、通过人工标记的验证集对多层神经网络进行督促学习,更新神经网络中的参数;
S7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。
进一步的,步骤S2的具体操作如下:
S21、建立单层神经网络模型,设轮胎图像中共有n个像素点,将像素点的属性作为神经元信号输入单层神经网络模型,共有n个神经元信号。
S22、通过神经元的f函数计算单层神经网络模型的输出值,输出函数如下:
其中,y为单层神经网络模型的输出值,wi为模型中第i个神经元与输出层之间的连接参数,xi为模型中第i个神经元的属性,θ为阈值,θ的初始值是人为设置的。
S23、对于给定的训练集,模型训练过程中自动调整神经网络参数wi:
wi←wi+△wi (2)
其中,η为学习率,η∈(0,1),为人工观测的输出值。
进一步的,所述的神经元的属性包括6维数据,分别为2维像素尺寸、1维灰度值、RGB三维色彩尺寸。
进一步的,步骤S3的隐层中各神经元接受到的输入信号为:
其中,αh为隐层第h个神经元接收到的输入信号,vih为第i个输入神经元与第h个隐层神经元的连接参数,隐层共有q个神经元,h∈【1,q】。
进一步的,步骤S3的输出层中各神经元接收到的输入信号为:
其中,βj为输出层中第j个神经元接收到的输入信号,whj为第h个隐层神经元与第j个输出神经元的连接参数,bh为第h个隐层神经元的输出,输出层共有l个神经元,j∈【1,l】。
进一步的,步骤S4中的卷积神经网络共有E层,每一层卷积神经网络包括一层卷积层和一层最大化池化层,第e层卷积层的输出信号的计算公式如下:
其中,e∈【1,E】,(c,d)为神经元在图像中的位置,(c,d)∈{0,1,…,Le},Le为第e层卷积层的尺寸,Ye-1为第e层卷积层的输入信号,we-1为e-1层的卷积参数矩阵,第e层卷积网络有K个图像卷积,f为卷积核大小,s0为卷积步长,p为卷积填充,t为偏差量。
第e层最大化池化层的输出信号的计算公式如下:
其中,g为预先指定的参数。
进一步的,步骤S6中的验证集包括轮胎图像、与图像对应的人工标记的胎码和轮胎状态。
进一步的,所述的胎码包括轮胎的品牌、型号,所述的轮胎状态包括轮胎漏气、划伤、磨损信息。
采用以上技术手段后可以获得以下优势:
本发明提出了一种基于机器学习的胎码和轮胎状态识别方法,基于单层神经网络与误差逆传播算法构建多层神经网络,将轮胎图像中各像素点的属性作为神经网络的输入,利用卷积神经网络提取属性数据信息,并通过人工标记处理的验证集督促神经网络学习,更新神经网络参数,最终在输出层得到轮胎胎码、轮胎状态信息。用户只需要使用手机等具有拍摄功能的设备拍摄轮胎照片,并将照片输入神经网络中,就可以直接识别出轮胎上的文字、型号等胎码,以及轮胎磨损、破损等多种轮胎状态。本发明方法的识别精度高,有效缩短了轮胎检查的时间,减少人力成本,为汽车安全检查、轮胎精准维修、轮胎租赁服务等提供了便利。
附图说明
图1为本发明一种基于机器学习的胎码和轮胎状态识别方法的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
一种基于机器学习的胎码和轮胎状态识别方法,如图1所示,包括以下步骤:
S1、采集轮胎图像,并对图像进行预处理,将图像中每个像素点的像素值归一化到[0,1]之间。
S2、以轮胎图像的像素属性作为输入神经元信号建立单层神经网络模型,并计算模型输出函数;具体操作如下:
S21、建立单层神经网络模型。设一副轮胎图像中共有n个像素点,每个像素点的属性有:2维像素尺寸、1维灰度值、RGB三维色彩尺寸,将这6维数据统一作为单层神经网络模型的输入信号,在神经网络模型中,一个像素点对应一个神经元,所以单层神经网络模型中共有n个神经元信号。
S22、通过神经元的f函数计算单层神经网络模型的输出值,输出函数如下:
其中,y为单层神经网络模型的输出值,wi为模型中第i个神经元与输出层之间的连接参数,xi为模型中第i个神经元的属性,θ为阈值,θ的初始值是人为设置的,在神经网络训练过程中,可以对阈值进行修正,并最终达到局部最优。
S23、对于给定的训练集D=(x,y),也就是给定的轮胎图像集,模型训练过程中自动调整神经网络参数wi:
wi←wi+△wi (9)
其中,η为学习率,η∈(0,1),为人工观测的输出值。比如,对于给定的一副轮胎图像x,本发明神经网络计算得到的轮胎胎码、轮胎状态为y,通过人工观察、标记的轮胎胎码、轮胎状态为
S3、基于误差逆传播算法迭代更新S2,建立多层神经网络模型,模型包括输入层、隐层和输出层。为了更好的识别轮胎胎码和轮胎状态,本发明采用了误差逆传播算法构建多层神经网络,通过隐层进一步提高识别精准度。
输入层的输入信号有6维属性,输出层的输出信号有z维属性,输入层有n个输入神经元,隐层有q个隐层神经元,输出层有l个输出神经元。对于给定的训练集,多层神经网络的隐层中各神经元接受到的输入信号为:
其中,αh为隐层第h个神经元接收到的输入信号,vih为第i个输入神经元与第h个隐层神经元的连接参数,h∈【1,q】。
此外,多层神经网络的输出层中各神经元接收到的输入信号为:
其中,βj为输出层中第j个神经元接收到的输入信号,whj为第h个隐层神经元与第j个输出神经元的连接参数,bh为第h个隐层神经元的输出,j∈【1,l】。
人工设置多层神经网络中各个神经元的阈值,隐层中第h个神经元的阈值为γh,输出层中中第j个神经元的阈值为θj。根据单层神经网络模型的输出函数,令输出层的第j个输出神经元的输出值多层神经网输出值的均方差计算公式如下:
通过误差逆传播算法,可以迭代更新神经网络中各层的连接参数vih、whj,以及阈值θj、γh。
S4、本发明多层神经网络中的隐层为卷积神经网络,本具体实施例中,卷积神经网络共有3层,每一层卷积神经网络包括一层卷积层和一层最大化池化层,第e层卷积层的输出信号的计算公式如下:
其中,e∈【1,3】,(c,d)为神经元在图像中的位置,(c,d)∈{0,1,…,Le},Le为第e层卷积层的尺寸,Ye-1为第e层卷积层的输入信号,we-1为e-1层的卷积参数矩阵,第e层卷积网络有K个图像卷积,f为卷积核大小,s0为卷积步长,p为卷积填充,t为偏差量。
第e层最大化池化层的输出信号的计算公式如下:
其中,g为预先指定的参数。
本发明具体实施例卷积神经网络的具体结构如下:
令轮胎图像上有n=a*b个像素点神经元,每个神经元有6维数据,轮胎图像轮廓有明显的胎纹空间角点和表面连续性强的轮廓线特征。
S41、建立第一层卷积层,卷积层中有6维5*5矩阵,卷积步长s0为3,填充p为0。
S42、建立第一层最大化池化层,池化层的运算核为3*3,步长s0为2,无填充。轮胎图像最大池化主要识别图像类型,取g→∞,通过池化下采样得到图像的稀疏图集第一层最大化池化层的输出图集将作为第二层卷积神经网络的输入。
S43、建立第二层卷积层,卷积层中有6维3*3矩阵,卷积步长s0为2,填充p为0。
S44、建立第二层最大化池化层,池化层的运算核为2*2,步长s0为2,无填充。
S45、建立第三层卷积层,卷积层中有6维3*3矩阵,卷积步长s0为1,填充p为0。
S44、建立第三层最大化池化层,池化层的运算核为2*2,步长s0为2,无填充。
S5、建立全连接层连接隐藏层与输出层,本具体实施例建立了4层全连接层,最后一次全连接层即为输出层,输出的属性包括轮胎的胎码和轮胎状态;具体操作如下:
S51、将第三层最大化池化层池化后的数据集作为数据输入,建立第1层神经元数量为4096的全连接层;
S52、建立第2层神经元数量为4096的全连接层;
S53、建立第3层神经元数量为1000的全连接层;
S54、建立输出轮胎胎码和轮胎使用状态的输出层,与全连接层神经元连接的输出层神经元数量为200,分别对应着轮胎胎码和轮胎使用状态。胎码包括轮胎的品牌、型号等,轮胎状态包括轮胎漏气、划伤、磨损等信息。
S6、通过人工标记的验证集对多层神经网络进行督促学习,更新神经网络中的参数。在多层神经网络中输入N张轮胎图像,神经网络输出的数组中包含200个属性,分别代表轮胎的70个字母和数字字符、100个特殊图像标记、30类不同破损状态,例如有钉子、侧面破损等。同时通过人工经验值观察这些图像,对轮胎图像的胎码、状态等进行标记,生成验证集,验证集包括轮胎图像、与图像对应的人工标记的胎码和轮胎状态。通过训练集和验证集对多层神经网络进行督促学习,更新神经网络中的参数,得到训练好的多层神经网络。
S7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。
上面结合附图对本发明的实施方式作了详细地说明,但是本发明并不局限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,包括以下步骤:
S1、采集轮胎图像,并对图像进行预处理,将图像中每个像素点的像素值归一化到[0,1]之间;
S2、以轮胎图像的像素属性作为输入神经元信号建立单层神经网络模型,并计算模型输出函数;
S3、基于误差逆传播算法迭代更新S2,建立多层神经网络模型,模型包括输入层、隐层和输出层;
S4、建立卷积神经网络作为多层神经网络中的隐藏层;
S5、建立全连接层连接隐藏层与输出层,输出层输出轮胎的胎码和轮胎状态;
S6、通过人工标记的验证集对多层神经网络进行督促学习,更新神经网络中的参数;
S7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。
2.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,步骤S2的具体操作如下:
S21、建立单层神经网络模型,设轮胎图像中共有n个像素点,将像素点的属性作为神经元信号输入单层神经网络模型,共有n个神经元信号;
S22、通过神经元的f函数计算单层神经网络模型的输出值,输出函数如下:
其中,y为单层神经网络模型的输出值,wi为模型中第i个神经元与输出层之间的连接参数,xi为模型中第i个神经元的属性,θ为阈值,θ的初始值是人为设置的;
S23、对于给定的训练集,模型训练过程中自动调整神经网络参数wi:
wi←wi+△wi
其中,η为学习率,η∈(0,1),为人工观测的输出值。
3.根据权利要求2所述的一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,所述的神经元的属性包括6维数据,分别为2维像素尺寸、1维灰度值、RGB三维色彩尺寸。
4.根据权利要求2所述的一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,步骤S3的隐层中各神经元接受到的输入信号为:
其中,αh为隐层第h个神经元接收到的输入信号,vih为第i个输入神经元与第h个隐层神经元的连接参数,隐层共有q个神经元,h∈【1,q】。
5.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,步骤S3的输出层中各神经元接收到的输入信号为:
其中,βj为输出层中第j个神经元接收到的输入信号,whj为第h个隐层神经元与第j个输出神经元的连接参数,bh为第h个隐层神经元的输出,输出层共有l个神经元,j∈【1,l】。
6.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,步骤S4中的卷积神经网络共有E层,每一层卷积神经网络包括一层卷积层和一层最大化池化层,第e层卷积层的输出信号的计算公式如下:
其中,e∈【1,E】,(c,d)为神经元在图像中的位置,(c,d)∈{0,1,...,Le},Le为第e层卷积层的尺寸,Ye-1为第e层卷积层的输入信号,we-1为e-1层的卷积参数矩阵,第e层卷积网络有K个图像卷积,f为卷积核大小,s0为卷积步长,p为卷积填充,t为偏差量;
第e层最大化池化层的输出信号的计算公式如下:
其中,g为预先指定的参数。
7.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,步骤S6中的验证集包括轮胎图像、与图像对应的人工标记的胎码和轮胎状态。
8.根据权利要求1或7任一项所述的一种基于机器学习的胎码和轮胎状态识别方法,其特征在于,所述的胎码包括轮胎的品牌、型号,所述的轮胎状态包括轮胎漏气、划伤、磨损信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319072.5A CN110059751A (zh) | 2019-04-19 | 2019-04-19 | 一种基于机器学习的胎码和轮胎状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319072.5A CN110059751A (zh) | 2019-04-19 | 2019-04-19 | 一种基于机器学习的胎码和轮胎状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059751A true CN110059751A (zh) | 2019-07-26 |
Family
ID=67319742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910319072.5A Pending CN110059751A (zh) | 2019-04-19 | 2019-04-19 | 一种基于机器学习的胎码和轮胎状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059751A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648324A (zh) * | 2019-09-29 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 车辆爆胎预警方法、装置以及计算机设备 |
CN111127439A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 |
CN112270402A (zh) * | 2020-10-20 | 2021-01-26 | 山东派蒙机电技术有限公司 | 一种轮胎磨损辨识模型的训练方法及系统 |
CN113255847A (zh) * | 2021-07-08 | 2021-08-13 | 山东捷瑞数字科技股份有限公司 | 一种基于生成对抗网络的轮胎磨损程度预测方法 |
CN113298750A (zh) * | 2020-09-29 | 2021-08-24 | 湖南长天自控工程有限公司 | 一种环冷机掉轮的检测方法 |
CN113705498A (zh) * | 2021-09-02 | 2021-11-26 | 山东省人工智能研究院 | 一种基于分布传播图网络的车轮滑转状态预测方法 |
CN114372512A (zh) * | 2021-12-20 | 2022-04-19 | 北京科基佳德智能技术有限公司 | 一种基于卷积神经网络的轮胎外壁完好程度的识别方法 |
CN114912073A (zh) * | 2021-02-07 | 2022-08-16 | 北京潼荔科技有限公司 | 一种车辆单胎载重、整车载重及重心位置的测算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392224A (zh) * | 2017-06-12 | 2017-11-24 | 天津科技大学 | 一种基于三通道卷积神经网络的作物病害识别算法 |
US20180082172A1 (en) * | 2015-03-12 | 2018-03-22 | William Marsh Rice University | Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification |
CN107871099A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 人脸定位方法和装置 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
CN108830319A (zh) * | 2018-06-12 | 2018-11-16 | 北京合众思壮科技股份有限公司 | 一种图像分类方法和装置 |
CN109410594A (zh) * | 2018-12-18 | 2019-03-01 | 宁波镭基光电技术有限公司 | 一种车牌识别系统及方法 |
-
2019
- 2019-04-19 CN CN201910319072.5A patent/CN110059751A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180082172A1 (en) * | 2015-03-12 | 2018-03-22 | William Marsh Rice University | Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification |
CN107871099A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 人脸定位方法和装置 |
CN107392224A (zh) * | 2017-06-12 | 2017-11-24 | 天津科技大学 | 一种基于三通道卷积神经网络的作物病害识别算法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
CN108830319A (zh) * | 2018-06-12 | 2018-11-16 | 北京合众思壮科技股份有限公司 | 一种图像分类方法和装置 |
CN109410594A (zh) * | 2018-12-18 | 2019-03-01 | 宁波镭基光电技术有限公司 | 一种车牌识别系统及方法 |
Non-Patent Citations (4)
Title |
---|
REZA MORADI;REZA BERANGI;BEHROUZ MINAEI: ""SparseMaps: Convolutional networks with sparse feature maps for tiny image classification"", 《EXPERT SYSTEMS WITH APPLICATIONS》, 1 April 2019 (2019-04-01) * |
崔嵬,吴晓飞著: "《智能控制理论及应用》", 中国铁道出版社 * |
王思飞: ""基于深度学习的SAR图像目标检测识别一体化方法研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
王思飞: ""基于深度学习的SAR图像目标检测识别一体化方法研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 August 2018 (2018-08-15) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648324A (zh) * | 2019-09-29 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 车辆爆胎预警方法、装置以及计算机设备 |
CN111127439A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 |
CN113298750A (zh) * | 2020-09-29 | 2021-08-24 | 湖南长天自控工程有限公司 | 一种环冷机掉轮的检测方法 |
CN112270402A (zh) * | 2020-10-20 | 2021-01-26 | 山东派蒙机电技术有限公司 | 一种轮胎磨损辨识模型的训练方法及系统 |
CN114912073A (zh) * | 2021-02-07 | 2022-08-16 | 北京潼荔科技有限公司 | 一种车辆单胎载重、整车载重及重心位置的测算方法 |
CN114912073B (zh) * | 2021-02-07 | 2023-11-21 | 北京潼荔科技有限公司 | 一种车辆单胎载重、整车载重及重心位置的测算方法 |
CN113255847A (zh) * | 2021-07-08 | 2021-08-13 | 山东捷瑞数字科技股份有限公司 | 一种基于生成对抗网络的轮胎磨损程度预测方法 |
CN113705498A (zh) * | 2021-09-02 | 2021-11-26 | 山东省人工智能研究院 | 一种基于分布传播图网络的车轮滑转状态预测方法 |
CN114372512A (zh) * | 2021-12-20 | 2022-04-19 | 北京科基佳德智能技术有限公司 | 一种基于卷积神经网络的轮胎外壁完好程度的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059751A (zh) | 一种基于机器学习的胎码和轮胎状态识别方法 | |
CN109255364B (zh) | 一种基于深度卷积生成对抗网络的场景识别方法 | |
WO2020119103A1 (zh) | 基于深度学习的航空发动机孔探图像损伤智能识别方法 | |
CN110569837B (zh) | 优化损伤检测结果的方法及装置 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
US20200125887A1 (en) | Tire image recognition method and tire image recognition device | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN109886222B (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
CN107292291A (zh) | 一种车辆识别方法和系统 | |
CN106485215A (zh) | 基于深度卷积神经网络的人脸遮挡检测方法 | |
CN108734283A (zh) | 神经网络系统 | |
CN106803069A (zh) | 基于深度学习的人群高兴程度识别方法 | |
CN109544204B (zh) | 一种基于轻量化多任务卷积神经网络的导购行为分析方法 | |
US20200380692A1 (en) | Segmentation-based damage detection | |
CN104318198A (zh) | 适用于变电站机器人巡检的识别方法及装置 | |
CN109325915A (zh) | 一种用于低分辨率监控视频的超分辨率重建方法 | |
CN103838836A (zh) | 基于判别式多模态深度置信网多模态数据融合方法和系统 | |
CN109871892A (zh) | 一种基于小样本度量学习的机器人视觉认知系统 | |
CN109117795B (zh) | 基于图结构的神经网络表情识别方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN111881958A (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
CN116129135A (zh) | 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法 | |
CN108549899A (zh) | 一种图像识别方法及装置 | |
CN117132546A (zh) | 一种用于无缺陷样本条件下的混凝土表面缺陷检测方法 | |
CN112767380B (zh) | 一种宽厚板端部形状预测方法 |
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 |