CN110298265A - 一种基于yolo神经网络的电梯中特定目标检测方法 - Google Patents
一种基于yolo神经网络的电梯中特定目标检测方法 Download PDFInfo
- Publication number
- CN110298265A CN110298265A CN201910498446.4A CN201910498446A CN110298265A CN 110298265 A CN110298265 A CN 110298265A CN 201910498446 A CN201910498446 A CN 201910498446A CN 110298265 A CN110298265 A CN 110298265A
- Authority
- CN
- China
- Prior art keywords
- specific objective
- yolo
- target
- image
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract 1
- 241000282472 Canis lupus familiaris Species 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明提供了一种基于YOLO神经网络的电梯中特定目标检测方法，包括：采集包含特定目标的电梯轿厢图像样本；处理图像样本获得训练集和验证集，进行YOLO网络的训练；进行网络验证,使用验证集训练模型参数，优化网络；实时采集电梯轿厢待检测图像，输入YOLO模型检测电梯图像中存在的目标。本发明可以有效识别待检测目标，并且能够适应电梯轿厢的环境和背景变化，具有较高的鲁棒性，同时保证较高的检测速度和准确率。可用于检测电梯轿厢是否搭载特定物体如大型货物，自行车，宠物等，利于提前做出防范，有效提高电梯安全性。
Description
技术领域
本发明涉及电梯视频监控技术领域，涉及电梯中目标检测方法，具体涉及到一种基于YOLO的电梯中特定目标检测方法。
背景技术
随着人们生活水平的提高，电梯在居民小区中的普及率越来越高，电梯中的目标识别是电梯安全领域的重要内容，涉及了模式识别，图像处理，计算机视觉等研究领域。目前，专门针对电梯中特定目标识别的能够达到应用级别的方法比较少，能够达到高识别率的算法其复杂度往往比较高，适用性较差。因此，在保证高识别率的前提下有效的降低识别算法的复杂度势在必行，而目前现有技术中大部分目标识别方法不能很好地兼顾高准确率和低复杂度。
发明内容
为解决上述问题，本发明公开了一种基于YOLO神经网络的电梯中特定目标检测方法，解决目前检测电梯中是否存在可能带来安全隐患的特定目标的方法缺乏，以及视频监控中特定目标检测方法的检测精度不够，准确率低，实时性差且方法复杂度高等问题。
为了达到上述目的，本发明提供如下技术方案：
一种基于YOLO神经网络的电梯中特定目标检测方法，包括如下步骤：
1)通过电梯轿厢摄像头采集包含特定目标的电梯轿厢图像样本；
2)处理图像样本获得训练集和验证集，进行YOLO网络的训练，包括以下步骤：
2.1调整样本图像尺寸，遍历样本图像并对其进行标注，即目标边框的坐标信息(x、y、w、h)和类别信息，并将这些样本图像划分为预训练样本集和验证样本集；
2.2将训练集输入YOLO神经网络，通过网络中卷积和均值池化交替处理后得到其特征值数据，再由全连接层预测目标边框和目标类别概率，最后对保留的目标框进行极大抑制处理，输出最终的目标坐标和类别；
3)进行网络验证,使用验证集训练模型参数，优化网络；
4)实时采集电梯轿厢待检测图像，输入YOLO模型识别图像中是否存在目标。
进一步的，所述步骤1)中特定目标包括：宠物狗，自行车。
进一步的，所述步骤1中包含特定目标的梯轿厢图像样本是在电梯外部环境固定，轿厢顶部摄像头视角范围可获得特定目标的全貌的情况下采集获得的。
进一步的，所述步骤2.1具体包括如下步骤：采用图像缩放方法调整图像尺寸到448*448，并对图像中的目标进行标注，给出目标的边界坐标，并分为多个类别，类别数由需要预测的特定目标类数确定，分别代表电梯轿厢中的不同目标，没有上述类别的图像不进行标注，将标注后的图像的80％作为预训练集，20％作为验证集。
进一步的，所述步骤2.2中使用特征模型训练误差函数，其表达如下：
loss＝λobj*坐标预测误差+含object的分类误差+λnoobj*不含object的分类误差+类别预测误差；其中λobj，λnoobj为权值。
进一步的，所述步骤2.2中使用最终非极大值抑制采用的损失函数，表达如下：
上式中，YOLO将输入图像划分为S*S网格，每个网格要预测B个边界框，xi、yi、wi、hi表示网格i中目标预测边界框的坐标值，Ci表示模型预测边界框的置信度，pi(c)代表模型预测类别的概率，表示网格i中存在目标，表示在第i个网格中存在目标，且目标中心在第j个网格中。
进一步的，训练时取λnoobj＝0.5,λobj＝2。
进一步的，所述步骤3具体包括如下步骤：使用样本验证集，按步骤2中方法不断迭代训练优化模型相关参数，直至模型训练误差趋于稳定，最终获得YOLO目标检测模型。
进一步的，所述步骤4具体包括如下步骤：将实时采集的电梯轿厢待检测图像按步骤2中方法将待检测图像作为YOLO目标检测模型输入，检测后输出其目标边框坐标和类别，其中，实时采集的电梯轿厢待检测图像是在电梯外部环境固定，轿厢顶部摄像头视角范围可获得特定目标的全貌的情况下采集获得的。
与现有技术相比，本发明具有如下优点和有益效果：
1.本发明提供的基于电梯视频的目标检测方法，可以有效识别待检测目标，并且能够适应电梯轿厢的环境和背景变化，具有较高的鲁棒性。可用于检测电梯轿厢是否搭载特定物体如大型货物，自行车，宠物等，利于提前做出防范，有效提高电梯安全性。
2.本发明采用的基于YOLO网络的特定目标检测算法可以同时保证较高的检测速度和准确率，相比传统的神经网络等目标检测算法，避免了复杂度高的数学模型，有较好的实时性和效率，相比于传统的有监督学习等如HOG+SVM等分类器有较好的准确率，对特定场景有很好的适用性。
附图说明
图1为本发明提供的基于YOLO神经网络的电梯中特定目标检测方法流程图。
图2为本发明中YOLO网络结构图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
YOLO训练的卷积神经网络可以用于解决目标区域预测和类别预测的回归问题，可以同时保证较高的检测速度和准确率。本发明实施例是基于YOLO神经网络的电梯中的特定目标的检测，提供了一种基于YOLO神经网络的电梯中宠物狗的检测方法，解决电梯中可能有宠物狗进入从而带来的电梯安全隐患问题。具体的说，如图1欧式，本发明提供方法步骤如下：
步骤1：通过电梯轿厢摄像头采集包含宠物狗的电梯轿厢内特定目标样本图像，本例中的目标即宠物狗；根据需要，宠物狗还可以替换为其他特定目标，如自行车等。
本步骤中采集到的电梯轿厢内宠物狗样本图像是指电梯外部环境固定，轿厢顶部摄像头视角范围可获得宠物狗全貌的情况下采集获得的图像。
步骤2：处理图像样本获得训练集和验证集，进行YOLO网络的训练，包括以下步骤：
2.1在采集的视频图像中随机挑选具有光照变化、不同位置、不同形态狗的图像，对这些目标图像标注后划分为预训练集和验证集；预训练集用于建立预训练模型，验证样本集用于优化模型的参数。首先遍历样本图像调整尺寸到448*448，然后遍历样本图像并对其中的宠物狗进行标注，即在附属xml文件中描述图像中目标的边界坐标信息(x、y、w、h)以及类别信息，没有宠物狗的图像则不进行标注，其中80％作为训练集，20％作为验证集。
2.2将训练集输入如图2所示的YOLO神经网络，通过网络中卷积和均值池化交替处理后得到其特征值数据，再由全连接层预测宠物狗边框，最后对保留的目标边框进行极大抑制处理，输出最终的宠物狗坐标。
其特征模型训练误差函数如下：
loss＝λobj*坐标预测误差+含object的分类误差+λnoobj*不含object的分类误差+类别预测误差；其中λobj，λnoobj为权值。
最终非极大值抑制采用的损失函数如下：
YOLO将输入图像划分为S*S网格，每个网格要预测B个边界框，xi、yi、wi、hi表示网格i中目标预测边界框的坐标值，Ci表示模型预测边界框的置信度，pi(c)代表模型预测类别的概率，表示网格i中存在目标，表示在第i个网格中存在目标，且目标中心在第j个网格中。通常计算误差的时，不包含目标的网格多于包含目标的网格，因此需要降低不含目标时的分类误差权重并提高存在目标时的坐标预测误差的权重，训练时取λnoobj＝0.5,λobj＝2。
本例中，YOLO网络设置为将输入图像划分为7*7网格，每个网格预测2个边界框。训练时，有宠物狗和没有宠物狗的权重根据电梯图像的特点设置为λnodog＝0.5,λdog＝2，代入参数后的损失函数为：
步骤3：进行网络验证,使用验证集训练模型参数，优化网络。本步骤中使用样本验证集，按步骤2中方法不断迭代训练优化模型相关参数，直至模型训练输出的损失函数收敛或小于规定值，最终获得优化后的YOLO目标检测模型。
步骤4：实时采集电梯轿厢待检测图像，该图像指电梯外部环境固定，轿厢顶部摄像头视角范围可获得特定目标的全貌的情况下采集获得的图像。随后，按步骤2中方法将待检测图像作为YOLO目标检测模型输入，检测后输出其目标边框坐标和类别，从而检测出是否存在宠物狗。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。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，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，包括如下步骤：
1)采集包含特定目标的电梯轿厢图像样本；
2)处理图像样本获得训练集和验证集，进行YOLO网络的训练，包括以下步骤：
2.1 调整样本图像尺寸，遍历样本图像并对其进行标注，即目标边框的坐标信息(x、y、w、h)和类别信息，并将这些样本图像划分为预训练样本集和验证样本集；
2.2 将训练集输入YOLO神经网络进行预训练，通过网络中卷积和均值池化交替处理后得到其特征值数据，再由全连接层预测目标边框和目标类别概率，最后对保留的目标框进行极大抑制处理，输出最终的目标坐标和类别；
3)进行网络验证，使用验证集通过梯度下降算法训练模型参数，优化网络；
4)实时采集电梯轿厢待检测图像，输入YOLO模型识别图像中是否存在目标。
2.根据权利要求1所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，所述步骤1)中特定目标包括：宠物狗，自行车。
3.根据权利要求1所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，所述步骤1中包含特定目标的梯轿厢图像样本是在电梯外部环境固定，轿厢顶部摄像头视角范围可获得特定目标的全貌的情况下采集获得的。
4.根据权利要求1所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，所述步骤2.1具体包括如下步骤：采用图像缩放方法调整图像尺寸到448*448，并对图像中的目标进行标注，给出目标的边界坐标，并分为多个类别，类别数由需要预测的特定目标类数确定，分别代表电梯轿厢中的不同目标，没有上述类别的图像不进行标注，将标注后的图像的80％作为预训练集，20％作为验证集。
5.根据权利要求1所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，所述步骤2.2中使用特征模型训练误差函数，其表达如下：
loss＝λobj*坐标预测误差+含object的分类误差+λnoobj*不含object的分类误差+类别预测误差；其中λobj，λnoobj为权值。
6.根据权利要求5所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，所述步骤2.2中使用最终非极大值抑制采用的损失函数，表达如下：
上式中，YOLO将输入图像划分为S*S网格，每个网格要预测B个边界框，xi、yi、wi、hi表示网格i中目标预测边界框的坐标值，Ci表示模型预测边界框的置信度，pi(c)代表模型预测类别的概率，表示网格i中存在目标，表示在第i个网格中存在目标，且目标中心在第j个网格中。
7.根据权利要求6所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，训练时取λnoobj＝0.5，λobj＝2。
8.根据权利要求1所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，所述步骤3具体包括如下步骤：使用样本验证集，按步骤2中方法不断迭代训练优化模型相关参数，直至模型训练误差趋于稳定，最终获得YOLO目标检测模型。
9.根据权利要求1所述的基于YOLO神经网络的电梯中特定目标检测方法，其特征在于，所述步骤4具体包括如下步骤：将实时采集的电梯轿厢待检测图像按步骤2中方法将待检测图像作为YOLO目标检测模型输入，检测后输出其目标边框坐标和类别，其中，实时采集的电梯轿厢待检测图像是在电梯外部环境固定，轿厢顶部摄像头视角范围可获得特定目标的全貌的情况下采集获得的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498446.4A CN110298265A (zh) | 2019-06-10 | 2019-06-10 | 一种基于yolo神经网络的电梯中特定目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498446.4A CN110298265A (zh) | 2019-06-10 | 2019-06-10 | 一种基于yolo神经网络的电梯中特定目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298265A true CN110298265A (zh) | 2019-10-01 |
Family
ID=68027852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910498446.4A Pending CN110298265A (zh) | 2019-06-10 | 2019-06-10 | 一种基于yolo神经网络的电梯中特定目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298265A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191724A (zh) * | 2019-12-31 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种电梯图像标注方法、装置、计算机设备及存储介质 |
| CN111259950A (zh) * | 2020-01-13 | 2020-06-09 | 南京邮电大学 | 一种基于3d模型训练yolo神经网络的方法 |
| CN111332889A (zh) * | 2020-03-16 | 2020-06-26 | 成都新潮传媒集团有限公司 | 一种电梯内宠物识别方法和系统 |
| CN111498331A (zh) * | 2020-04-30 | 2020-08-07 | 昆明理工大学 | 基于深度学习的垃圾视觉识别方法、装置及分类回收装置 |
| CN112699746A (zh) * | 2020-12-18 | 2021-04-23 | 西人马联合测控（泉州）科技有限公司 | 一种对象检测方法、装置、设备及存储介质 |
| CN112819045A (zh) * | 2021-01-20 | 2021-05-18 | 国家卫生健康委科学技术研究所 | 用于用户生理状态分类的方法、装置、电子设备及介质 |
| CN113076683A (zh) * | 2020-12-08 | 2021-07-06 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
| CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
| CN113239877A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于计算机视觉的农田监测方法及其相关设备 |
| CN113537257A (zh) * | 2020-04-13 | 2021-10-22 | 山西农业大学 | 基于YoLov3网络实现的小麦检测方法 |
| CN116863409A (zh) * | 2023-09-05 | 2023-10-10 | 苏州德菱邑铖精工机械股份有限公司 | 基于云平台的智慧电梯安全管理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446721A (zh) * | 2018-03-02 | 2018-08-24 | 广东华中科技大学工业技术研究院 | 一种基于多分支网络的水面环境解析方法 |
| CN108647742A (zh) * | 2018-05-19 | 2018-10-12 | 南京理工大学 | 基于轻量级神经网络的快速目标检测方法 |
| CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
| CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
-
2019
- 2019-06-10 CN CN201910498446.4A patent/CN110298265A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446721A (zh) * | 2018-03-02 | 2018-08-24 | 广东华中科技大学工业技术研究院 | 一种基于多分支网络的水面环境解析方法 |
| CN108647742A (zh) * | 2018-05-19 | 2018-10-12 | 南京理工大学 | 基于轻量级神经网络的快速目标检测方法 |
| CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
| CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191724A (zh) * | 2019-12-31 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种电梯图像标注方法、装置、计算机设备及存储介质 |
| CN111191724B (zh) * | 2019-12-31 | 2024-04-23 | 深圳市优必选科技股份有限公司 | 一种电梯图像标注方法、装置、计算机设备及存储介质 |
| CN111259950A (zh) * | 2020-01-13 | 2020-06-09 | 南京邮电大学 | 一种基于3d模型训练yolo神经网络的方法 |
| CN111332889A (zh) * | 2020-03-16 | 2020-06-26 | 成都新潮传媒集团有限公司 | 一种电梯内宠物识别方法和系统 |
| CN113537257A (zh) * | 2020-04-13 | 2021-10-22 | 山西农业大学 | 基于YoLov3网络实现的小麦检测方法 |
| CN111498331A (zh) * | 2020-04-30 | 2020-08-07 | 昆明理工大学 | 基于深度学习的垃圾视觉识别方法、装置及分类回收装置 |
| CN111498331B (zh) * | 2020-04-30 | 2022-02-01 | 昆明理工大学 | 基于深度学习的垃圾视觉识别方法、装置及分类回收装置 |
| CN113076683A (zh) * | 2020-12-08 | 2021-07-06 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
| CN113076683B (zh) * | 2020-12-08 | 2023-08-08 | 国网辽宁省电力有限公司锦州供电公司 | 用于变电站行为监测的卷积神经网络模型的建模方法 |
| CN112699746A (zh) * | 2020-12-18 | 2021-04-23 | 西人马联合测控（泉州）科技有限公司 | 一种对象检测方法、装置、设备及存储介质 |
| CN112819045A (zh) * | 2021-01-20 | 2021-05-18 | 国家卫生健康委科学技术研究所 | 用于用户生理状态分类的方法、装置、电子设备及介质 |
| CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
| CN113239877A (zh) * | 2021-06-01 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于计算机视觉的农田监测方法及其相关设备 |
| CN116863409A (zh) * | 2023-09-05 | 2023-10-10 | 苏州德菱邑铖精工机械股份有限公司 | 基于云平台的智慧电梯安全管理方法及系统 |
| CN116863409B (zh) * | 2023-09-05 | 2023-11-07 | 苏州德菱邑铖精工机械股份有限公司 | 基于云平台的智慧电梯安全管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298265A (zh) | 一种基于yolo神经网络的电梯中特定目标检测方法 | |
| CN110425005B (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
| CN106780612A (zh) | 一种图像中的物体检测方法及装置 | |
| CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
| CN110826514A (zh) | 一种基于深度学习的施工现场违章智能识别方法 | |
| CN110135319A (zh) | 一种异常行为检测方法及其系统 | |
| CN108805093A (zh) | 基于深度学习的手扶电梯乘客摔倒检测算法 | |
| CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
| CN105488456B (zh) | 基于自适应阈值调整拒识子空间学习的人脸检测方法 | |
| CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
| CN109858569A (zh) | 基于目标检测网络的多标签物体检测方法、系统、装置 | |
| CN107609512A (zh) | 一种基于神经网络的视频人脸捕捉方法 | |
| CN107944396A (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
| CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
| CN107833221A (zh) | 一种基于多通道特征融合和机器学习的漏水监测方法 | |
| CN112528966B (zh) | 一种取款人周边环境智能监控识别方法、装置及介质 | |
| CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
| CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
| CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
| CN109002752A (zh) | 一种基于深度学习的复杂公共场景快速行人检测方法 | |
| CN102169631A (zh) | 基于流形学习的交通拥堵事件协同检测方法 | |
| CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与系统 | |
| CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
| Zheng et al. | A review of remote sensing image object detection algorithms based on deep learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
| RJ01 | Rejection of invention patent application after publication |