CN110176001A - 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 - Google Patents
一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 Download PDFInfo
- Publication number
- CN110176001A CN110176001A CN201910477670.5A CN201910477670A CN110176001A CN 110176001 A CN110176001 A CN 110176001A CN 201910477670 A CN201910477670 A CN 201910477670A CN 110176001 A CN110176001 A CN 110176001A
- Authority
- CN
- China
- Prior art keywords
- insulator
- grad
- thermodynamic diagram
- network
- insulators
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 21
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title abstract 4
- 229910052742 iron Inorganic materials 0.000 title abstract 2
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Insulators (AREA)
Abstract
本发明公开一种基于Grad‑CAM算法的高铁接触网绝缘子破损精确定位方法，该方法先采用单阶段目标检测算法检测图像中整个绝缘子，然后利用正常和破损绝缘子图像训练二分类网络，最后应用Grad‑CAM算法生成热力图，通过自适应阈值分割方法从热力图上提取破损区域。本发明的方法减少了人工标注的工作量，同时提高缺陷定位的精度。
Description
技术领域
本发明涉及高铁接触网部件缺陷检测领域，具体涉及一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法。
背景技术
绝缘子是电气化铁路接触网必备的零部件，它的破损将影响其绝缘性能，甚至引发线路供电中断的危险。当前投入运营的接触网悬挂状态检测监测装置(4C装置)能对接触网进行周期性高分辨率成像，目前业界已经逐渐采用深度学习方法代替传统图像处理算法，开展对绝缘子破损的准确分析。但是一般的深度学习破损检测方法是一种强监督学习方法，其定位模型的训练过程依赖于人工对训练样本破损区域的标注，无疑将耗费大量人力和时间成本。
发明内容
针对现有技术的不足，本发明提出一种基于Grad-CAM算法(加权梯度类激活映射，Gradient-weighted Class Activation Mapping)的高铁接触网绝缘子破损精确定位方法，具体技术方案如下：
一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法，其特征在于,该方法具体包括如下步骤：
S1：采用单阶段目标检测模型检测输入的高铁接触网图像中的所有绝缘子，包括正常绝缘子和破损绝缘子；
S2：利用S1得到的正常绝缘子和破损绝缘子训练二分类网络，并在模型训练过程中使用数据增强技术提高所述的二分类网络的泛化能力；
S3：采用Grad-CAM算法生成热力图，具体如下：
S3.1：首先采用梯度的全局平均来计算权重：
其中，是所述的二分类网络的最后一个特征图的第k个通道对应类别c的权重，N是所述的二分类网络的最后一个特征图的一个通道的像素数目，yc是类别c的置信度，是第k个通道(i,j)位置处的像素值；
S3.2：利用S3.1求得的权重对所述的二分类网络的最后一个特征图的所有通道进行加权求和得到最终的热力图L
S4：首先对热力图L进行插值将其变换到输入图像的尺寸，然后根据所述的热力图L的数值分布自动调整二值化的阈值，用该阈值对热力图L做二值化处理，从而定位图像中的绝缘子破损区域。
进一步地,所述的二分类网络中的损失函数采用如下公式：
LOSS＝-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中，α为平衡系数，β为控制高置信度正样本的损失衰减程度的参数，y*为样本标签，(y1，y2)为网络输出，分别代表正样本和负样本的置信度。
进一步地,所述的单阶段目标检测模型具体为SSD目标检测模型。
本发明的有益效果如下：
本发明的基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法，减少了人工标注的工作量，同时提高缺陷定位的精度。
附图说明
图1是本发明中用于绝缘子定位的单阶段目标检测模型的架构图。
图2是从绝缘子图像提取破损区域的流程图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法，其特征在于,该方法具体包括如下步骤：
S1：采用单阶段目标检测模型检测输入的高铁接触网图像中的所有绝缘子，包括正常绝缘子和破损绝缘子；
如图1所示，为用于绝缘子定位的单阶段目标检测模型架构图，框内k×k conv n是指核大小为k×k、输出通道数为n的卷积层，左侧标注了其输出特征图的尺寸。具体的，本发明在7个特征图上预测结果，将骨干网络VGG16的第5个池化层由2×-步长2改为3×3-步长1，紧接着采用扩张率为6的空洞卷积扩大感受野。
S2：利用S1得到的正常绝缘子和破损绝缘子训练二分类网络，并在模型训练过程中使用数据增强技术提高所述的二分类网络的泛化能力；
在完成整个绝缘子目标的定位后，从原始接触网图像截取正常和破损绝缘子图像，用于训练一个二分类的ResNet50(50层的残差网络)。在训练时，将图像归一化并缩放到268×268的固定尺寸，在缩放时随机采用多种插值方式，随后对尺寸固定图像进行随机光度变形和随机翻转，最后从中随机裁剪出224×224的像素块作为训练样本。
S3：采用Grad-CAM算法生成热力图，具体如下：
S3.1：首先采用梯度的全局平均来计算权重：
其中，是所述的二分类网络的最后一个特征图的第k个通道对应类别c的权重，N是所述的二分类网络的最后一个特征图的一个通道的像素数目，yc是类别c的置信度，是第k个通道(i,j)位置处的像素值；
S3.2：利用S3.1求得的权重对所述的二分类网络的最后一个特征图的所有通道进行加权求和得到最终的热力图L
S4：首先对热力图L进行插值将其变换到输入图像的尺寸，然后根据所述的热力图L的数值分布自动调整二值化的阈值，用该阈值对热力图L做二值化处理，从而定位图像中的绝缘子破损区域。
为了消除正样本和负样本极度不平衡对模型训练造成的影响，所述的二分类网络中的损失函数采用如下公式：
LOSS＝-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中，α为平衡系数，根据具体情况从区间[0,0.5]选择，β为控制高置信度正样本的损失衰减程度的参数，y*为样本标签，(y1，y2)为网络输出，分别代表正样本和负样本的置信度，其中负样本是稀少的。
为了保证较高的检测速度,所述的单阶段目标检测模型具体为SSD目标检测模型。
如图2所示，为从绝缘子图像提取破损区域的流程图。首先将待检测的绝缘子图像输入二分类网络获得预测结果，若预测结果为破损，则计算网络输出层的破损类别置信度对最后一个特征图所有通道的梯度均值。由于本实施例中的ResNet50最后一个特征图包含2048个通道，尺寸为7×7，因此上述操作将得到2048个权重数值，利用它们将2048个通道加权求和得到一张7×7的热力图。为了使热力图与绝缘子图像对应，采用双线性内插将热力图上采样至224×224，最后通过自适应阈值分割即可得到破损区域。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (3)
1.一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法，其特征在于,该方法具体包括如下步骤：
S1：采用单阶段目标检测模型检测输入的高铁接触网图像中的所有绝缘子，包括正常绝缘子和破损绝缘子；
S2：利用S1得到的正常绝缘子和破损绝缘子训练二分类网络，并在模型训练过程中使用数据增强技术提高所述的二分类网络的泛化能力；
S3：采用Grad-CAM算法生成热力图，具体如下：
S3.1：首先采用梯度的全局平均来计算权重：
其中，是所述的二分类网络的最后一个特征图的第k个通道对应类别c的权重，N是所述的二分类网络的最后一个特征图的一个通道的像素数目，yc是类别c的置信度，是第k个通道(i,j)位置处的像素值；
S3.2：利用S3.1求得的权重对所述的二分类网络的最后一个特征图的所有通道进行加权求和得到最终的热力图L
S4：首先对热力图L进行插值将其变换到输入图像的尺寸，然后根据所述的热力图L的数值分布自动调整二值化的阈值，用该阈值对热力图L做二值化处理，从而定位图像中的绝缘子破损区域。
2.根据权利要求1所述的基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法，其特征在于,所述的二分类网络中的损失函数采用如下公式：
LOSS＝-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中，α为平衡系数，β为控制高置信度正样本的损失衰减程度的参数，y*为样本标签，(y1，y2)为网络输出，分别代表正样本和负样本的置信度。
3.根据权利要求1所述的基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法，其特征在于，所述的单阶段目标检测模型具体为SSD目标检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477670.5A CN110176001B (zh) | 2019-06-03 | 2019-06-03 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477670.5A CN110176001B (zh) | 2019-06-03 | 2019-06-03 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110176001A true CN110176001A (zh) | 2019-08-27 |
| CN110176001B CN110176001B (zh) | 2021-09-03 |
Family
ID=67697884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910477670.5A Active CN110176001B (zh) | 2019-06-03 | 2019-06-03 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110176001B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909819A (zh) * | 2019-12-02 | 2020-03-24 | 集美大学 | 基于时域的电磁信息泄漏检测方法、终端设备及存储介质 |
| CN110969123A (zh) * | 2019-12-02 | 2020-04-07 | 集美大学 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
| CN111291809A (zh) * | 2020-02-03 | 2020-06-16 | 华为技术有限公司 | 一种处理装置、方法及存储介质 |
| CN111583197A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合SSD及Resnet50网络的电力箱图片锈蚀破损识别方法 |
| CN111626267A (zh) * | 2019-09-17 | 2020-09-04 | 山东科技大学 | 一种利用空洞卷积的高光谱遥感图像分类方法 |
| CN111709958A (zh) * | 2020-06-22 | 2020-09-25 | 天水市第一人民医院 | 基于3d cam的大脑核磁共振异常图像的可视化方法 |
| CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
| CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
| CN112749779A (zh) * | 2019-10-30 | 2021-05-04 | 北京市商汤科技开发有限公司 | 神经网络的处理方法及装置、电子设备和计算机存储介质 |
| CN112785582A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
| CN113554611A (zh) * | 2021-07-19 | 2021-10-26 | 广东电网有限责任公司 | 一种绝缘子自爆缺陷检测方法、装置、终端和存储介质 |
| CN114494765A (zh) * | 2021-12-21 | 2022-05-13 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354589A (zh) * | 2015-10-08 | 2016-02-24 | 成都唐源电气有限责任公司 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
| US20180096380A1 (en) * | 2016-09-30 | 2018-04-05 | Trivver, Inc. | Objective based advertisement placement platform |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN108647684A (zh) * | 2018-05-02 | 2018-10-12 | 深圳市唯特视科技有限公司 | 一种基于引导注意力推理网络的弱监督语义分割方法 |
| CN108876781A (zh) * | 2018-06-26 | 2018-11-23 | 广东工业大学 | 基于ssd算法的表面缺陷识别方法 |
| CN109544533A (zh) * | 2018-11-23 | 2019-03-29 | 聚时科技(上海)有限公司 | 一种基于深度学习的金属板缺陷检测和度量方法 |
| CN109545302A (zh) * | 2018-10-22 | 2019-03-29 | 复旦大学 | 一种基于语义的医学影像报告模板生成方法 |
| CN109596634A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 电缆缺陷的检测方法及装置、存储介质、处理器 |
| CN109657567A (zh) * | 2018-11-30 | 2019-04-19 | 深圳大学 | 一种基于3d指纹图像的弱监督的特征分析方法及系统 |
| CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
| US10303923B1 (en) * | 2018-07-10 | 2019-05-28 | The University Of North Carolina At Chapel Hill | Quantitation of NETosis using image analysis |
-
2019
- 2019-06-03 CN CN201910477670.5A patent/CN110176001B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354589A (zh) * | 2015-10-08 | 2016-02-24 | 成都唐源电气有限责任公司 | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 |
| US20180096380A1 (en) * | 2016-09-30 | 2018-04-05 | Trivver, Inc. | Objective based advertisement placement platform |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN108647684A (zh) * | 2018-05-02 | 2018-10-12 | 深圳市唯特视科技有限公司 | 一种基于引导注意力推理网络的弱监督语义分割方法 |
| CN108876781A (zh) * | 2018-06-26 | 2018-11-23 | 广东工业大学 | 基于ssd算法的表面缺陷识别方法 |
| US10303923B1 (en) * | 2018-07-10 | 2019-05-28 | The University Of North Carolina At Chapel Hill | Quantitation of NETosis using image analysis |
| CN109545302A (zh) * | 2018-10-22 | 2019-03-29 | 复旦大学 | 一种基于语义的医学影像报告模板生成方法 |
| CN109544533A (zh) * | 2018-11-23 | 2019-03-29 | 聚时科技(上海)有限公司 | 一种基于深度学习的金属板缺陷检测和度量方法 |
| CN109657567A (zh) * | 2018-11-30 | 2019-04-19 | 深圳大学 | 一种基于3d指纹图像的弱监督的特征分析方法及系统 |
| CN109596634A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 电缆缺陷的检测方法及装置、存储介质、处理器 |
| CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| SEN CAO等: "ThinNet: An Efficient Convolutional Neural Network for Object Detection", 《2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
| 吴雨茜 等: "代价敏感深度学习方法研究综述", 《计算机科学》 * |
| 周以鹏 等: "基于多尺度特征卷积神经网络的目标定位", 《计算机工程与应用》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
| CN111626267A (zh) * | 2019-09-17 | 2020-09-04 | 山东科技大学 | 一种利用空洞卷积的高光谱遥感图像分类方法 |
| CN112749779A (zh) * | 2019-10-30 | 2021-05-04 | 北京市商汤科技开发有限公司 | 神经网络的处理方法及装置、电子设备和计算机存储介质 |
| CN110969123A (zh) * | 2019-12-02 | 2020-04-07 | 集美大学 | 基于频域的电磁信息泄漏检测方法、终端设备及存储介质 |
| CN110909819A (zh) * | 2019-12-02 | 2020-03-24 | 集美大学 | 基于时域的电磁信息泄漏检测方法、终端设备及存储介质 |
| CN111291809A (zh) * | 2020-02-03 | 2020-06-16 | 华为技术有限公司 | 一种处理装置、方法及存储介质 |
| CN111291809B (zh) * | 2020-02-03 | 2024-04-12 | 华为技术有限公司 | 一种处理装置、方法及存储介质 |
| CN111583197A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合SSD及Resnet50网络的电力箱图片锈蚀破损识别方法 |
| CN111583197B (zh) * | 2020-04-23 | 2022-05-13 | 浙江大学 | 结合SSD及Resnet50网络的电力箱图片锈蚀破损识别方法 |
| CN111709958A (zh) * | 2020-06-22 | 2020-09-25 | 天水市第一人民医院 | 基于3d cam的大脑核磁共振异常图像的可视化方法 |
| CN112686833B (zh) * | 2020-08-22 | 2023-06-06 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
| CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
| CN112785582A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
| CN112785582B (zh) * | 2021-01-29 | 2024-03-22 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
| CN113554611B (zh) * | 2021-07-19 | 2024-02-02 | 广东电网有限责任公司 | 一种绝缘子自爆缺陷检测方法、装置、终端和存储介质 |
| CN113554611A (zh) * | 2021-07-19 | 2021-10-26 | 广东电网有限责任公司 | 一种绝缘子自爆缺陷检测方法、装置、终端和存储介质 |
| CN114494765A (zh) * | 2021-12-21 | 2022-05-13 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
| CN114494765B (zh) * | 2021-12-21 | 2023-08-18 | 北京瑞莱智慧科技有限公司 | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110176001B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110176001B (zh) | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 | |
| CN108846826B (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
| CN112508090B (zh) | 一种外包装缺陷检测方法 | |
| CN110796048B (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
| CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
| CN110120064A (zh) | 一种基于互强化与多注意机制学习的深度相关目标跟踪算法 | |
| CN113688830B (zh) | 基于中心点回归的深度学习目标检测方法 | |
| CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
| CN114187505A (zh) | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| CN111191610A (zh) | 一种视频监控中人流量检测与处理方法 | |
| CN111079744B (zh) | 适用于复杂光照环境的车辆车牌智能识别方法及装置 | |
| CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
| CN116051496A (zh) | 一种实时下水道缺陷检测方法 | |
| CN114220086A (zh) | 一种成本高效的场景文字检测方法及系统 | |
| CN117274212A (zh) | 一种桥梁水下结构裂缝检测方法 | |
| CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
| CN111179239A (zh) | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 | |
| CN113536896A (zh) | 基于改进Faser RCNN的小目标检测方法、装置及存储介质 | |
| CN114186589A (zh) | 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
| CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
| CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
| CN112348102A (zh) | 一种基于查询的自底向上视频定位方法和系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Jianliang Inventor after: Qi Donglian Inventor after: Teng Guolong Inventor after: Zheng Yi Inventor after: Xie Yawen Inventor before: Zhang Jianliang Inventor before: Teng Guolong Inventor before: Zheng Yi |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |