CN110263692A - 大场景下集装箱开关门状态识别方法 - Google Patents

大场景下集装箱开关门状态识别方法 Download PDF

Info

Publication number
CN110263692A
CN110263692A CN201910509309.6A CN201910509309A CN110263692A CN 110263692 A CN110263692 A CN 110263692A CN 201910509309 A CN201910509309 A CN 201910509309A CN 110263692 A CN110263692 A CN 110263692A
Authority
CN
China
Prior art keywords
container
image
frame
similarity
region
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
Application number
CN201910509309.6A
Other languages
English (en)
Inventor
戴元永
苏蓉蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Digital Intelligence Source Technology Co Ltd
Original Assignee
Beijing Digital Intelligence Source Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Digital Intelligence Source Technology Co Ltd filed Critical Beijing Digital Intelligence Source Technology Co Ltd
Priority to CN201910509309.6A priority Critical patent/CN110263692A/zh
Publication of CN110263692A publication Critical patent/CN110263692A/zh
Pending legal-status Critical Current

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种大场景下集装箱开关门状态识别方法，包括以下步骤：获取到图像后先对图像进行大小调整，然后输入到预训练的ResNet模型提取网络中提取集装箱开门和关门的特征，输出的是图像上集装箱开门或关门的特征图，对输出特征图使用候选区域网络进行区域选择，得到所有可能是集装箱开门和关门的区域，接着使用区域回归对重叠区域进行合并，得到每个区域中是开门状态还是关门状态。通过深度学习神经网络技术，使用计算机视觉检测集装箱开关门的状态，克服了传统的通过硬件识别误报率高，硬件已损坏的缺陷，提高了大场景下的集装箱开关门状态的识别率。

Description

大场景下集装箱开关门状态识别方法
技术领域
本发明涉及集装箱识别技术领域，特别涉及一种大场景下集装箱开关门状态识别方法。
背景技术
集装箱作为国际运输业的重要组成部分，其应用范围和数量都在大幅度增加，目前国内的集装箱运输呈现出了飞跃式发展，货物量的大幅度增加给集装箱的追踪和自动化装卸提出了更高标准的要求。使得智能集装箱识别系统的研究和开发成为迫切需求。
目前的集装箱开关门状态识别都是基于硬件设备实现的，例如，在卡口设置摄像机，通过摄像机采集集装箱的图像信息，实现了图像的信息采集，进而对图像进行特征提取，获取集装箱箱号；该系统只能近距离提取集装箱的图像信息；无法实现在大场景下获取集装箱的箱号。
目前在大场景下集装箱开关门状态识别技术都是在传统算法的基础上研发的，传统算法在复杂场景下的鲁棒性差；所谓鲁棒性是指在异常和危险情况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。传统算法对于大场景下获取的图像，按照像素点进行分割，按照数字和字符进行分割后，直接识别为集装箱开关门状态，所以在大场景下的集装箱开关门状态识别存在较大的误差。并且需要大量计算。
发明内容
本发明的目的旨在至少解决所述的技术缺陷之一。
为此，本发明的一个目的在于提出一种大场景下集装箱开关门状态识别方法；通过深度学习神经网络技术，克服了传统算法存在的缺陷，提高了大场景下的集装箱开关门状态识别率。
为了实现上述目的，本发明一方面的实施例提供一种大场景下集装箱开关门状态识别方法，包括以下步骤：S1，获取海关相关场所监控摄像机的实时视频数据；
S2，对获取到的图像进行预处理，提取图像中的第一图像特征；利用经过训练后的ResNet残差神经网络模型，对图像进行目标检测；提取集装箱的开门特征和关门特征；按照获取的集装箱的开门特征和关门特征，对应提取集装箱的开门特征图和关门特征图；
S3，输出集装箱的开门特征图和关门特征图，对输出的开门特征图和关门特征图分别使用候选区域网络分别进行区域选择；使用区域回归算法对重叠区域进行合并；
S4，对合并的区域进行分类，分别得到该场景下集装箱的开关门状态结果。
优选的，在S2中，采用ResNet残差神经网络模型进行目标检测时包括以下步骤：
S201、将获取的图像分割为多个区域，利用目标识别算法去识别各个区域，判断每个区域中是否包含第一图像特征以及该区域包含该第一图像特征的概率；
S202、对包含第一图像特征的区域继续提取集装箱的开门特征和关门特征。
在上述任意一项实施例中优选的，在S3中，在使用候选区域网络进行区域选择时，根据图像的相似程度进行区域选择，所述相似程度的参考因素包括颜色、纹理、尺寸、形状；两个区域之间的最终相似度为上述参考因素的线性组合。
在上述任意一项实施例中优选的，还包括根据所述相似程度的参考因素分别进行相似性的描述子计算，
颜色相似性：需要计算25-bin的颜色直方图，然后每一个颜色通道的直方图拼接在一起，形成颜色描述子。
纹理相似性：对于图像的每个通道，利用高斯差分对8个方向进行计算提取纹理特征；对于每个颜色通道的每个方向，利用10-bin直方图进行表示，形成了纹理描述子；
尺寸相似性：在图像的所有部分形成所有尺度的候选区域，形成尺寸描述子；形状相似性：两个区域重合比例程度，该重合比例即为形状描述子。
在上述任意一项实施例中优选的，在S3中，使用区域回归算法对重叠区域进行合并时，包括以下步骤：
S301、计算候选区域中，每个选框的相似度向量；放入相似度列表中；
S302、从相似度列表，计算相邻两个选框中相似度向量模值，按照预设模值范围，将相似度模值近似相等的两个选框进行合并；从相似度列表中删除合并前原两个选框的相似度；S303、把合并的选框继续进行相似度向量计算，对于窗口使用四维向量(x,y,w,h)来表示，其中，x,y,w,h分别表示窗口的中心点坐标和宽高。P代表原始框,G代表目标框，建立映射函数f(Px,Py,Pw,Ph)，使得f(Px,Py,Pw,Ph)＝(Gx^,Gy^,Gw^,Gh^)并且(Gx^,Gy^,Gw^,Gh^)≈(Gx,Gy,Gw,Gh)，使得输入原始的窗口P经过映射函数得到一个跟真实窗口G更接近的回归窗口G^；通过平移以及尺度变换，并重新加入相似度列表中；
对边框的中心位置进行平移(Δx,Δy)
Δx＝Pwdx(P)
Δy＝Phdy(P)
其中，dx(p)是P针对x的偏导数；dy(p)为P对y的偏导数；Pw为宽度常量，Ph为高度常量
根据线性回归方程则修正的中心位置就是
Gx^＝Pwdx(P)+Px
Gy^＝Phdy(P)+Py
Px为边框中心位置的横坐标常量；Py为边框中心位置的纵坐标常量；
对边框的宽和高进行缩放(Sw,Sh)
Sw＝exp(dw(P))
Sh＝exp(dh(P))
修正后的边框的宽和高为
Gw^＝Pwexp(dw(P))
Gh^＝Phexp(dh(P))
其中，exp(dw(P))为P对w求偏导数后进行指数运算的结果；exp(dh(P))为P对h求偏导数后进行指数运算的结果；设定修正后的边框(Gx^,Gy^,Gw^,Gh^)为目标框(Gx,Gy,Gw,Gh)。S304、重复上述步骤，直至相似度列表中的每个选框的相似度向量均不符合预设模值范围。
根据本发明实施例提供的大场景下集装箱开关门状态识别方法，相比于现有技术至少具有一下优点：
1、然后输入到训练好参数的resNet特征提取网络中提取集装箱开门和关门的特征，输出的是图像上集装箱开门或关门的特征图，对输出特征图使用候选区域网络进行区域选择，得到所有可能是集装箱开门和关门的区域，接着使用区域回归对重叠区域进行合并；得到合并区域后的结果，是开门还是关门；由此可以实现大场景下集装箱开关门状态识别，能快速响应，同时能够精准的识别出集装箱开关门状态，降低误差，精度高。
2、相比于传统算法，本方法对于化繁为简，按照首先识别集装箱开关门状态所属的区域坐标的方式，确定所属区域，进一步对该区域的图像吗，使用训练后的LSTM网络模型，进行集装箱开关门状态识别，避免一次性大数据计算，层层递进，避免对于大场景下实时图像的所有像素点直接分割，计算量小，克服了现有传统算法的鲁棒性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一种大场景下集装箱开关门状态识别方法的流程图；
图2为本发明一种大场景下集装箱开关门状态识别方法的应用示意图；
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明实施例提供的一种大场景下集装箱开关门状态识别方法，包括以下步骤：
S1，获取海关相关场所监控摄像机的实时视频数据；
S2，对获取到的图像进行预处理，提取图像中的第一图像特征；利用经过训练后的ResNet残差神经网络模型，对图像进行目标检测；提取集装箱的开门特征和关门特征；按照获取的集装箱的开门特征和关门特征，对应提取集装箱的开门特征图和关门特征图；
在S2中，采用ResNet残差神经网络模型进行目标检测时包括以下步骤：
S201、将获取的图像分割为多个区域，利用目标识别算法去识别各个区域，判断每个区域中是否包含第一图像特征；以及该区域包含该第一图像特征的概率；
S202、对包含第一图像特征的区域继续提取集装箱的开门特征和关门特征。
S3，输出集装箱的开门特征图和关门特征图，对输出的开门特征图和关门特征图分别使用候选区域网络分别进行区域选择；使用区域回归算法对重叠区域进行合并；
在S3中，在使用候选区域网络进行区域选择时，根据图像的相似程度进行区域选择，所述相似程度的参考因素包括颜色、纹理、尺寸、形状；两个区域之间的最终相似度为上述参考因素的线性组合。
具体的，还包括根据所述相似程度的参考因素分别进行相似性的描述子计算，
颜色相似性：需要计算25-bin的颜色直方图，然后每一个颜色通道的直方图拼接在一起，形成颜色描述子。
纹理相似性：对于图像的每个通道，利用高斯差分对8个方向进行计算提取纹理特征；对于每个颜色通道的每个方向，利用10-bin直方图进行表示，形成了纹理描述子；
尺寸相似性：在图像的所有部分形成所有尺度的候选区域，形成尺寸描述子；如果没有考虑这个相似度测度，那么一个区域会一个一个地吞噬所有较小的相邻区域，那么，多个比例的候选区域将只在特定的位置产生。
形状相似性：两个区域重合比例程度，该重合比例即为形状描述子。
进一步，在S3中，使用区域回归算法对重叠区域进行合并时，包括以下步骤：
S301、计算候选区域中，每个选框的相似度向量；放入相似度列表中；
S302、从相似度列表，计算相邻两个选框中相似度向量模值，按照预设模值范围，将相似度模值近似相等的两个选框进行合并；从相似度列表中删除合并前原两个选框的相似度；
S303、把合并的选框继续进行相似度向量计算，对于窗口使用四维向量(x,y,w,h)来表示，其中，x,y,w,h分别表示窗口的中心点坐标和宽高。P代表原始框,G代表目标框，建立映射函数f(Px,Py,Pw,Ph)，使得f(Px,Py,Pw,Ph)＝(Gx^,Gy^,Gw^,Gh^)并且(Gx^,Gy^,Gw^,Gh^)≈(Gx,Gy,Gw,Gh)，使得输入原始的窗口P经过映射函数得到一个跟真实窗口G更接近的回归窗口G^；通过平移以及尺度变换，并重新加入相似度列表中；
对边框的中心位置进行平移(Δx,Δy)
Δx＝Pwdx(P)
Δy＝Phdy(P)
其中，dx(p)是P针对x的偏导数；dy(p)为P对y的偏导数；Pw为宽度常量，Ph为高度常量
根据线性回归方程则修正的中心位置就是
Gx^＝Pwdx(P)+Px
Gy^＝Phdy(P)+Py
Px为边框中心位置的横坐标常量；Py为边框中心位置的纵坐标常量；
对边框的宽和高进行缩放(Sw,Sh)
Sw＝exp(dw(P))
Sh＝exp(dh(P))
修正后的边框的宽和高为
Gw^＝Pwexp(dw(P))
Gh^＝Phexp(dh(P))
其中，exp(dw(P))为P对w求偏导数后进行指数运算的结果；exp(dh(P))为P对h求偏导数后进行指数运算的结果；设定修正后的边框(Gx^,Gy^,Gw^,Gh^)为目标框(Gx,Gy,Gw,Gh)
S304、重复上述步骤，直至相似度列表中的每个选框的相似度向量均不符合预设模值范围。
S4，对合并的区域进行分类，分别得到该场景下集装箱的开关门状态结果。
如图2中，使用区域回归对重叠区域进行合并，最后得到了三个候选区域。对三个候选区域进行分类，得到的结果分别是区域一是开门，区域二和三是关门。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。

Claims (5)

1.一种大场景下集装箱开关门状态识别方法，其特征在于，包括以下步骤：
S1，获取海关相关场所监控摄像机的实时视频数据；
S2，对获取到的图像进行预处理，提取图像中的第一图像特征；利用经过训练后的ResNet残差神经网络模型，对图像进行目标检测；提取集装箱的开门特征和关门特征；按照获取的集装箱的开门特征和关门特征，对应提取集装箱的开门特征图和关门特征图；
S3，输出集装箱的开门特征图和关门特征图，对输出的开门特征图和关门特征图分别使用候选区域网络分别进行区域选择；使用区域回归算法对重叠区域进行合并；
S4，对合并的区域进行分类，分别得到该场景下集装箱的开关门状态结果。
2.根据权利要求1所述的大场景下集装箱开关门状态识别方法，其特征在于，在S2中，采用ResNet残差神经网络模型进行目标检测时包括以下步骤：
S201、将获取的图像分割为多个区域，利用目标识别算法去识别各个区域，判断每个区域中是否包含第一图像特征以及该区域包含该第一图像特征的概率；
S202、对包含第一图像特征的区域继续提取集装箱的开门特征和关门特征。
3.根据权利要求1所述的大场景下集装箱开关门状态识别方法，其特征在于，在S3中，在使用候选区域网络进行区域选择时，根据图像的相似程度进行区域选择，所述相似程度的参考因素包括颜色、纹理、尺寸、形状；两个区域之间的最终相似度为上述参考因素的线性组合。
4.根据权利要求3所述的大场景下集装箱开关门状态识别方法，其特征在于，还包括根据所述相似程度的参考因素分别进行相似性的描述子计算，
颜色相似性：需要计算25-bin的颜色直方图，然后每一个颜色通道的直方图拼接在一起，形成颜色描述子。
纹理相似性：对于图像的每个通道，利用高斯差分对8个方向进行计算提取纹理特征；对于每个颜色通道的每个方向，利用10-bin直方图进行表示，形成了纹理描述子；
尺寸相似性：在图像的所有部分形成所有尺度的候选区域，形成尺寸描述子；形状相似性：两个区域重合比例程度，该重合比例即为形状描述子。
5.根据权利要求3所述的大场景下集装箱开关门状态识别方法，其特征在于，在S3中，使用区域回归算法对重叠区域进行合并时，包括以下步骤：
S301、计算候选区域中，每个选框的相似度向量；放入相似度列表中；
S302、从相似度列表，计算相邻两个选框中相似度向量模值，按照预设模值范围，将相似度模值近似相等的两个选框进行合并；从相似度列表中删除合并前原两个选框的相似度；
S303、把合并的选框继续进行相似度向量计算，对于窗口使用四维向量(x,y,w,h)来表示，其中，x,y,w,h分别表示窗口的中心点坐标和宽高。P代表原始框,G代表目标框，建立映射函数f(Px,Py,Pw,Ph)，使得f(Px,Py,Pw,Ph)＝(Gx^,Gy^,Gw^,Gh^)并且(Gx^,Gy^,Gw^,Gh^)≈(Gx,Gy,Gw,Gh)，使得输入原始的窗口P经过映射函数得到一个跟真实窗口G更接近的回归窗口G^；通过平移以及尺度变换，并重新加入相似度列表中；
对边框的中心位置进行平移(Δx,Δy)
Δx＝Pwdx(P)
Δy＝Phdy(P)
其中，dx(p)是P针对x的偏导数；dy(p)为P对y的偏导数；Pw为宽度常量，Ph为高度常量
根据线性回归方程则修正的中心位置就是
Gx^＝Pwdx(P)+Px
Gy^＝Phdy(P)+Py
Px为边框中心位置的横坐标常量；Py为边框中心位置的纵坐标常量；
对边框的宽和高进行缩放(Sw,Sh)
Sw＝exp(dw(P))
Sh＝exp(dh(P))
修正后的边框的宽和高为
Gw^＝Pwexp(dw(P))
Gh^＝Phexp(dh(P))
其中，exp(dw(P))为P对w求偏导数后进行指数运算的结果；exp(dh(P))为P对h求偏导数后进行指数运算的结果；设定修正后的边框(Gx^,Gy^,Gw^,Gh^)为目标框(Gx,Gy,Gw,Gh)。
S304、重复上述步骤，直至相似度列表中的每个选框的相似度向量均不符合预设模值范围。
CN201910509309.6A 2019-06-13 2019-06-13 大场景下集装箱开关门状态识别方法 Pending CN110263692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910509309.6A CN110263692A (zh) 2019-06-13 2019-06-13 大场景下集装箱开关门状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910509309.6A CN110263692A (zh) 2019-06-13 2019-06-13 大场景下集装箱开关门状态识别方法

Publications (1)

Publication Number Publication Date
CN110263692A true CN110263692A (zh) 2019-09-20

Family

ID=67917953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910509309.6A Pending CN110263692A (zh) 2019-06-13 2019-06-13 大场景下集装箱开关门状态识别方法

Country Status (1)

Country Link
CN (1) CN110263692A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368761A (zh) * 2020-03-09 2020-07-03 腾讯科技（深圳）有限公司 店铺营业状态识别方法、装置、可读存储介质和设备
CN111524189A (zh) * 2020-05-09 2020-08-11 浙江大华技术股份有限公司 门开关状态检测方法、装置及计算机存储介质
CN112102215A (zh) * 2020-09-03 2020-12-18 广州南沙联合集装箱码头有限公司 一种基于误差统计的图像快速拼接方法
CN112418328A (zh) * 2020-11-25 2021-02-26 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的排污口盖板未关闭到位故障检测方法
CN112651287A (zh) * 2019-10-11 2021-04-13 斑马技术公司 用于自动集装箱门状态识别的三维(3d)深度和二维(2d)成像系统和方法
CN113945569A (zh) * 2021-09-30 2022-01-18 河北建投新能源有限公司 离子膜的故障检测方法及装置
CN117351420A (zh) * 2023-10-18 2024-01-05 江苏思行达信息技术有限公司 一种智能开关门检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529424A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于选择性搜索算法的车标检测识别方法及系统
US20170161902A1 (en) * 2015-12-02 2017-06-08 Dura Operating, Llc System for detecting vehicle fuel door status
CN107369158A (zh) * 2017-06-13 2017-11-21 南京邮电大学 基于rgb‑d图像的室内场景布局估计及目标区域提取方法
CN108804987A (zh) * 2017-05-04 2018-11-13 株式会社日立制作所 门开闭状态检测方法和装置、以及人流检测系统
CN109033993A (zh) * 2018-06-29 2018-12-18 南京行者易智能交通科技有限公司 一种图像识别检测开关门的方法及装置
CN109684976A (zh) * 2018-12-18 2019-04-26 浙江大华技术股份有限公司 门状态监测方法、装置、设备和系统及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170161902A1 (en) * 2015-12-02 2017-06-08 Dura Operating, Llc System for detecting vehicle fuel door status
CN106529424A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于选择性搜索算法的车标检测识别方法及系统
CN108804987A (zh) * 2017-05-04 2018-11-13 株式会社日立制作所 门开闭状态检测方法和装置、以及人流检测系统
CN107369158A (zh) * 2017-06-13 2017-11-21 南京邮电大学 基于rgb‑d图像的室内场景布局估计及目标区域提取方法
CN109033993A (zh) * 2018-06-29 2018-12-18 南京行者易智能交通科技有限公司 一种图像识别检测开关门的方法及装置
CN109684976A (zh) * 2018-12-18 2019-04-26 浙江大华技术股份有限公司 门状态监测方法、装置、设备和系统及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651287A (zh) * 2019-10-11 2021-04-13 斑马技术公司 用于自动集装箱门状态识别的三维(3d)深度和二维(2d)成像系统和方法
CN111368761A (zh) * 2020-03-09 2020-07-03 腾讯科技（深圳）有限公司 店铺营业状态识别方法、装置、可读存储介质和设备
CN111524189A (zh) * 2020-05-09 2020-08-11 浙江大华技术股份有限公司 门开关状态检测方法、装置及计算机存储介质
CN112102215A (zh) * 2020-09-03 2020-12-18 广州南沙联合集装箱码头有限公司 一种基于误差统计的图像快速拼接方法
CN112418328A (zh) * 2020-11-25 2021-02-26 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的排污口盖板未关闭到位故障检测方法
CN113945569A (zh) * 2021-09-30 2022-01-18 河北建投新能源有限公司 离子膜的故障检测方法及装置
CN113945569B (zh) * 2021-09-30 2023-12-26 河北建投新能源有限公司 离子膜的故障检测方法及装置
CN117351420A (zh) * 2023-10-18 2024-01-05 江苏思行达信息技术有限公司 一种智能开关门检测方法

Similar Documents

Publication Publication Date Title
CN110263692A (zh) 大场景下集装箱开关门状态识别方法
AU2020102091A4 (en) Intelligent steel slag detection method and system based on convolutional neural network
Premebida et al. Pedestrian detection combining RGB and dense LIDAR data
De La Escalera et al. Visual sign information extraction and identification by deformable models for intelligent vehicles
CN109389129B (zh) 一种图像处理方法、电子设备及存储介质
CN102496001B (zh) 一种视频监控目标自动检测的方法和系统
CN102076531B (zh) 车辆畅通路径检测
CN110969130B (zh) 一种基于yolov3司机危险动作识别方法及系统
CN105260712B (zh) 一种车辆前方行人检测方法及系统
CN105574550A (zh) 一种车辆识别方法及装置
CN112861635B (zh) 一种基于深度学习的火灾及烟雾实时检测方法
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN105740910A (zh) 一种车辆物件检测方法及装置
CN110309876A (zh) 目标检测方法、装置、计算机可读存储介质和计算机设备
CN109657581A (zh) 基于双目相机行为检测的城市轨道交通闸机通行控制方法
JP6095817B1 (ja) 物体検出装置
CN105678318B (zh) 交通标牌的匹配方法及装置
CN109948637A (zh) 对象检测装置、对象检测方法及计算机可读介质
Nguwi et al. Automatic road sign recognition using neural networks
Zelener et al. Cnn-based object segmentation in urban lidar with missing points
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
CN112307840A (zh) 指示灯检测方法、装置、设备及计算机可读存储介质
Lauziere et al. A model-based road sign identification system
CN116740758A (zh) 一种防止误判的鸟类图像识别方法及系统
CN111368775A (zh) 一种基于局部上下文感知的复杂场景密集目标检测方法

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