CN110399785B - 一种基于深度学习与传统算法的树叶遮挡的检测方法 - Google Patents

一种基于深度学习与传统算法的树叶遮挡的检测方法 Download PDF

Info

Publication number
CN110399785B
CN110399785B CN201910466457.4A CN201910466457A CN110399785B CN 110399785 B CN110399785 B CN 110399785B CN 201910466457 A CN201910466457 A CN 201910466457A CN 110399785 B CN110399785 B CN 110399785B
Authority
CN
China
Prior art keywords
image
test set
images
neural network
convolutional neural
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
Application number
CN201910466457.4A
Other languages
English (en)
Other versions
CN110399785A (zh
Inventor
唐艳艳
王一灵
徐金凤
李贤军
薛家彬
刘升
谢永亮
王梦园
吉江燕
范联伟
余保华
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.)
Anhui Sun Create Electronic Co Ltd
Original Assignee
Anhui Sun Create Electronic 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 Anhui Sun Create Electronic Co Ltd filed Critical Anhui Sun Create Electronic Co Ltd
Priority to CN201910466457.4A priority Critical patent/CN110399785B/zh
Publication of CN110399785A publication Critical patent/CN110399785A/zh
Application granted granted Critical
Publication of CN110399785B publication Critical patent/CN110399785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体是涉及一种基于深度学习与传统算法的树叶遮挡的检测方法。将训练集输入到卷积神经网络模型中，对卷积神经网络模型进行训练，直至卷积神经网络模型的损失函数满足设定条件时，终止对卷积神经网络模型的训练，训练之后的卷积神经网络模型为最佳分类模型。采用传统算法判断测试集图像是否为无树叶遮挡的图像，若传统算法检测出图像为有树叶遮挡，则采用深度学习算法对图像做一步的检测。能够检测出该监控摄像机是否被树叶遮挡，方便工作人员及时获知监控摄像机被树叶遮挡这一情况，以便调整该监控摄像机的位置，防止监控场景的缺失，降低对公共安全的影响。

Description

一种基于深度学习与传统算法的树叶遮挡的检测方法
技术领域
本发明涉及图像处理技术领域，具体是涉及一种基于深度学习与传统算法的树叶遮挡的检测方法。
背景技术
随着视频监控业务的快速增长，其存在的问题也逐渐暴露出来，如何在第一时间发现前端监控摄像机故障，提高视频监控系统的运维工作效率，是视频监控系统发展不可或缺的一部分。
监控摄像机故障中树叶遮挡是很常见的故障之一，由于监控摄像机位置不变，而其附近的树木会随着时间不断生长，到了特定的季节或时间，原先正常安装的监控摄像机会被树叶遮挡。若不能检测出被树叶遮挡的监控摄像机，会造成监控场景的缺失，给公共安全带来影响。
发明内容
为解决上述技术问题，本发明提供了一种基于深度学习与传统算法的树叶遮挡的检测方法，能够检测出被树叶遮挡的监控摄像机，防止监控场景的缺失，降低对公共安全的影响。
为实现上述目的，本发明采用了以下技术方案：
一种基于深度学习与传统算法的树叶遮挡的检测方法，包括如下步骤：
S1，将训练集输入到卷积神经网络模型中，卷积神经网络即深度学习算法，训练集中包含有树叶遮挡的图像和无树叶遮挡的图像，有树叶遮挡的图像标签为1，无树叶遮挡的图像标签为0；
S2，对步骤S1中的卷积神经网络模型进行训练，直至卷积神经网络模型的损失函数满足设定条件时，终止对卷积神经网络模型的训练，训练之后的卷积神经网络模型为最佳分类模型；
S3，采用传统算法判断测试集图像是否为无树叶遮挡的图像，即提取测试集图像的特征，特征至少包括颜色特征和纹理特征，若测试集图像的颜色特征P1小于第一阈值且纹理特征P2大于第二阈值，则该测试集图像为无树叶遮挡的图像，否则进行步骤S4；
S4，将测试集图像输入到步骤S2中的最佳分类模型中，若最佳分类模型输出1，则该测试集图像为有树叶遮挡的图像；若最佳分类模型输出0，则该测试集图像为无树叶遮挡的图像。
进一步，步骤S1中卷积神经网络模型的结构为第一卷积层-第一池化层-第二卷积层-第二池化层-第一全连接层-第二全连接层-softmax；步骤S1中将训练集输入到卷积神经网络模型是将训练集输入到卷积神经网络模型的第一卷积层；步骤S4中将测试集图像输入到最佳分类模型是将测试集图像输入到最佳分类模型的第一卷积层，最佳分类模型的softmax输出1，则该测试集图像为有树叶遮挡的图像，若最佳分类模型的softmax输出0，则该测试集图像为无树叶遮挡的图像。
进一步，步骤S3的具体步骤如下：
将测试集的图像从RGB颜色空间转化到HSV颜色空间，其中，R为红颜色通道，G为绿颜色通道，B为蓝颜色通道，H为色调通道，S为饱和度通道，V为亮度通道；提取色调通道H的值，计算满足设定条件的像素点占该测试集图像所有像素点的比例，该比例即获得步骤S3中的颜色特征P1；
步骤S3中的纹理特征为角点特征，采用角点检测算法计算测试集图像角点处的像素点占该测试集图像所有像素点的比例，该比例即获得步骤S3中的纹理特征P2。
进一步优选的，在步骤S1之前，对采集到的图像进行预处理，预处理之后的图像作为训练集和测试集，具体步骤如下：
S00，调整每个采集到的图像的大小，使得所有采集到的图像的大小相同，调整大小之后的图像设为原图像；
S01，调整原图像的对比度，调整对比度之后的原图像设为JPG1；调整原图像的亮度，调整亮度之后的原图像设为JPG2；
S02，分别左旋转原图像、JPG1和JPG2，左旋转之后的原图像、JPG1和JPG2分别设为原图像的左旋转图像、JPG1的左旋转图像和JPG2的左旋转图像；分别右旋转原图像、JPG1和JPG2，右旋转之后的原图像、JPG1和JPG2分别设为原图像的右旋转图像、JPG1的右旋转图像和JPG2的右旋转图像；训练集和测试集均包括原图像、JPG1、JPG2、原图像的左旋转图像、JPG1的左旋转图像、JPG2的左旋转图像、原图像的右旋转图像、JPG1的右旋转图像和JPG2的右旋转图像。
进一步优选的，步骤S2的损失函数满足的设定条件为损失函数收敛时，此时的卷积神经网络模型为最佳分类模型。
进一步优选的，步骤S32中的角点检测算法为canny算子。
进一步优选的，步骤S3中的设定条件为30＜H＜80。
进一步优选的，训练集图像中的树叶种类至少包括两类；训练集图像中至少两幅图像的树叶深度不同；训练集图像的采集场景至少包括两个场景；采集训练集图像的天气至少包括两种天气；训练集图像的亮度值至少包括两个。
本发明的有益效果如下：
(1)本发明的检测方法仅需监控摄像机拍摄到的视频图像一张，通过检测该图像是否被树叶遮挡，进而能够检测出该监控摄像机是否被树叶遮挡，方便工作人员及时获知监控摄像机被树叶遮挡这一情况，以便调整该监控摄像机的位置，防止监控场景的缺失，降低对公共安全的影响。
(2)本发明的检测方法将深度学习算法与传统算法相结合，使树叶明显的颜色特征和角点特征得到运用，解决了单独使用深度学习或传统算法进行树叶遮挡检测误检率高的问题，提高了检测的准确率。
(3)深度学习算法与传统算法相结合，在检测时间基本不变，却明显提高了检测的准确率。
(4)卷积神经网络模型的结构设计成两个卷积层、两个池化层、两个全连接层、一个回归层，能够提高检测的准确率。
(5)HSV颜色空间中的H通道可以直观的表示颜色，更容易设定树叶的色调区间。
(6)训练集图像和测试集图像均进行了预处理操作，扩充了样本库。
(7)训练集图像包含不同树叶种类、不同遮挡程度、不同远近的树叶遮挡，采集的场景多样化、天气多样化、亮度多样化，使得算法泛化能力强。
附图说明
图1为本发明的检测方法的原理图；
图2为本发明的卷积神经网络模型图；
图3a-3d为本发明的无树叶遮挡的图像；
图4a和图4b为本发明的有树叶遮挡的图像。
具体实施方式
以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种基于深度学习与传统算法的树叶遮挡的检测方法，包括如下步骤：
S1，调整采集到的每个测试集图像和每个训练集图像的大小，使得所有图像的大小相同，本实施例中所有图像的大小均为64*64；对每个测试集图像和每个训练集图像进行左旋转和右旋转，每个测试集图像和每个训练集图像都能衍生出两个图像，增大了样本量；调整每个测试集图像和每个训练集图像的对比度，使得同一个图像有多个对比度，增大了样本量，调整每个测试集图像和每个训练集图像的亮度，用于增大测试集图像和训练集图像的样本量。
具体步骤如下：
S10，调整每个采集到的图像的大小，使得所有采集到的图像的大小相同，调整大小之后的图像设为原图像；
S11，调整原图像的对比度，调整对比度之后的原图像设为JPG1；调整原图像的亮度，调整亮度之后的原图像设为JPG2；
S12，分别左旋转原图像、JPG1和JPG2，左旋转之后的原图像、JPG1和JPG2分别设为原图像的左旋转图像、JPG1的左旋转图像和JPG2的左旋转图像；分别右旋转原图像、JPG1和JPG2，右旋转之后的原图像、JPG1和JPG2分别设为原图像的右旋转图像、JPG1的右旋转图像和JPG2的右旋转图像；训练集和测试集均包括原图像、JPG1、JPG2、原图像的左旋转图像、JPG1的左旋转图像、JPG2的左旋转图像、原图像的右旋转图像、JPG1的右旋转图像和JPG2的右旋转图像
本实施例中，如图4a和图4b所示，训练集图像包含不同树叶种类、不同遮挡程度、不同远近的树叶遮挡，采集的场景多样化、天气多样化、亮度多样化，使得检测方法泛化能力强，即增加了检测方法的应用范围。
如图3a-3d所示，无树叶遮挡的图像，摄像机拍摄到的监控场景完整。
遮挡样本中要求遮挡的树叶种类尽量多，包含城市大多数行道树种类；要求有大面积遮挡和小面积遮挡等不同程度的遮挡；要求有远距离遮挡和近距离遮挡等不同距离的遮挡；样本场景要求包含室内室外、城市道路、乡村田野；非遮挡样本要求有草坪、灌木丛等可能易产生误检的样本，有树但不形成遮挡的样本，以及没有树的正常样本；样本需要包含晴天雨天、白天傍晚等不同时期的样本；训练集的样本尽量清晰，人工分类上不存在模棱两可的情况。
S2，如图1所示，将训练集输入到卷积神经网络模型中，卷积神经网络即深度学习算法，训练集中包含有树叶遮挡的图像和无树叶遮挡的图像，有树叶遮挡的图像标签为1，无树叶遮挡的图像标签为0；
S3，对步骤S2中的卷积神经网络模型进行训练，每迭代一次，采用梯度下降法更新损失函数，直至卷积神经网络模型的损失函数满足设定条件时，终止对卷积神经网络模型的训练，训练之后的卷积神经网络模型为最佳分类模型；
本实施例中，如图2所示，卷积神经网络模型设计成两个卷积层、两个池化层、两个全连接层、一个回归层。依次为第一卷积层-第一池化层-第二卷积层-第二池化层-第一全连接层-第二全连接层-softmax，softmax即差异化层，softmax的目的是将结果的概率归一化，然后输出最大概率的结果。第一卷积层采用64个3*3*3的卷积核，第二层卷积层采用16个3*3*64的卷积核。为减小训练所需时间，训练的样本都调整为64*64大小。
本实施例中，设定条件为损失函数收敛时，即损失函数只在某个值附近变化，此时的卷积神经网络模型为最佳分类模型。为了防止训练时间太长，或者损失函数错过最优点，可以给学习率设置初始值。
S4，采用传统算法判断测试集图像是否为无树叶遮挡的图像，即提取测试集图像的特征，特征至少包括颜色特征和纹理特征，若测试集图像的颜色特征P1小于第一阈值且纹理特征P2大于第二阈值，则该测试集图像为无树叶遮挡的图像，否则进行步骤S5。
本实施例中，提取颜色特征的步骤：将测试集的图像从RGB颜色空间转化到HSV颜色空间，其中，R为红颜色通道，G为绿颜色通道，B为蓝颜色通道，H为色调通道，S为饱和度通道，V为亮度通道。提取色调通道H的值，计算30＜H＜80的像素点占该测试集图像所有像素点的比例，即颜色特征P1。本实施例中，H可以去31、50、75。
本实施例中，提取纹理特征为提取图像的角点特征，采用角点检测算法计算测试集图像角点处的像素点占该测试集图像所有像素点的比例，即纹理特征P2。本实施例中的角点检测算法为canny算子。
本实施例中，第一阈值为0.5，第二阈值为0.2。
S5，将测试集图像输入到步骤S3中的最佳分类模型中，最佳分类模型输出1，则该测试集图像为有树叶遮挡的图像；最佳分类模型输出0，则该测试集图像为无树叶遮挡的图像。
实施例2
在实施例1的基础上，表1为测试集图像，样本数单位：张
表1
Figure BDA0002079539880000071
表1中：无树叶遮挡的图像是包括城市、乡村多场景的无树叶遮挡的图像；
检测率＝检测为有树叶遮挡的图像的个数/实际为有树叶遮挡的图像的个数
准确率＝检测为有树叶遮挡且实际为有树叶遮挡的图像的个数/检测为有树叶遮挡的图像的个数。

Claims (6)

1.一种基于深度学习与传统算法的树叶遮挡的检测方法，其特征在于，包括如下步骤：
S1，将训练集输入到卷积神经网络模型中，卷积神经网络即深度学习算法，训练集中包含有树叶遮挡的图像和无树叶遮挡的图像，有树叶遮挡的图像标签为1，无树叶遮挡的图像标签为0；
S2，对步骤S1中的卷积神经网络模型进行训练，直至卷积神经网络模型的损失函数满足设定条件时，终止对卷积神经网络模型的训练，训练之后的卷积神经网络模型为最佳分类模型；
S3，采用传统算法判断测试集图像是否为无树叶遮挡的图像，即提取测试集图像的特征，特征至少包括颜色特征和纹理特征，若测试集图像的颜色特征P1小于第一阈值且纹理特征P2大于第二阈值，则该测试集图像为无树叶遮挡的图像，否则进行步骤S4；
S4，将测试集图像输入到步骤S2中的最佳分类模型中，若最佳分类模型输出1，则该测试集图像为有树叶遮挡的图像；若最佳分类模型输出0，则该测试集图像为无树叶遮挡的图像；
步骤S3的具体步骤如下：
将测试集的图像从RGB颜色空间转化到HSV颜色空间，其中，R为红颜色通道，G为绿颜色通道，B为蓝颜色通道，H为色调通道，S为饱和度通道，V为亮度通道；提取色调通道H的值，计算满足设定条件的像素点占该测试集图像所有像素点的比例，该比例即获得步骤S3中的颜色特征P1；
步骤S3中的纹理特征为角点特征，采用角点检测算法计算测试集图像角点处的像素点占该测试集图像所有像素点的比例，该比例即获得步骤S3中的纹理特征P2；
步骤S3中的设定条件为30＜H＜80。
2.如权利要求1所述的树叶遮挡的检测方法，其特征在于：步骤S1中卷积神经网络模型的结构为第一卷积层-第一池化层-第二卷积层-第二池化层-第一全连接层-第二全连接层-softmax；步骤S1中将训练集输入到卷积神经网络模型是将训练集输入到卷积神经网络模型的第一卷积层；步骤S4中将测试集图像输入到最佳分类模型是将测试集图像输入到最佳分类模型的第一卷积层，最佳分类模型的softmax输出1，则该测试集图像为有树叶遮挡的图像，若最佳分类模型的softmax输出0，则该测试集图像为无树叶遮挡的图像。
3.如权利要求2所述的树叶遮挡的检测方法，其特征在于，在步骤S1之前，对采集到的图像进行预处理，预处理之后的图像作为训练集和测试集，具体步骤如下：
S00，调整每个采集到的图像的大小，使得所有采集到的图像的大小相同，调整大小之后的图像设为原图像；
S01，调整原图像的对比度，调整对比度之后的原图像设为JPG1；调整原图像的亮度，调整亮度之后的原图像设为JPG2；
S02，分别左旋转原图像、JPG1和JPG2，左旋转之后的原图像、JPG1和JPG2分别设为原图像的左旋转图像、JPG1的左旋转图像和JPG2的左旋转图像；分别右旋转原图像、JPG1和JPG2，右旋转之后的原图像、JPG1和JPG2分别设为原图像的右旋转图像、JPG1的右旋转图像和JPG2的右旋转图像；训练集和测试集均包括原图像、JPG1、JPG2、原图像的左旋转图像、JPG1的左旋转图像、JPG2的左旋转图像、原图像的右旋转图像、JPG1的右旋转图像和JPG2的右旋转图像。
4.如权利要求3所述的树叶遮挡的检测方法，其特征在于，步骤S2的损失函数满足的设定条件为损失函数收敛时，此时的卷积神经网络模型为最佳分类模型。
5.如权利要求1所述的树叶遮挡的检测方法，其特征在于，角点检测算法为canny算子。
6.如权利要求1或2所述的树叶遮挡的检测方法，其特征在于，训练集图像中的树叶种类至少包括两类；训练集图像中至少两幅图像的树叶深度不同；训练集图像的采集场景至少包括两个场景；采集训练集图像的天气至少包括两种天气；训练集图像的亮度值至少包括两个。
CN201910466457.4A 2019-05-31 2019-05-31 一种基于深度学习与传统算法的树叶遮挡的检测方法 Active CN110399785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910466457.4A CN110399785B (zh) 2019-05-31 2019-05-31 一种基于深度学习与传统算法的树叶遮挡的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910466457.4A CN110399785B (zh) 2019-05-31 2019-05-31 一种基于深度学习与传统算法的树叶遮挡的检测方法

Publications (2)

Publication Number Publication Date
CN110399785A CN110399785A (zh) 2019-11-01
CN110399785B true CN110399785B (zh) 2021-04-06

Family

ID=68323058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910466457.4A Active CN110399785B (zh) 2019-05-31 2019-05-31 一种基于深度学习与传统算法的树叶遮挡的检测方法

Country Status (1)

Country Link
CN (1) CN110399785B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046956A (zh) * 2019-12-13 2020-04-21 苏州科达科技股份有限公司 遮挡图像检测方法、装置、电子设备及存储介质
CN111144280A (zh) * 2019-12-25 2020-05-12 苏州奥易克斯汽车电子有限公司 一种监控视频树叶遮挡检测方法
CN114713531A (zh) * 2022-04-25 2022-07-08 深圳智优停科技有限公司 卷积神经网络训练方法、镜头脏污类型判断方法、镜头雨刷控制方法、存储介质及拍摄系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111532A (zh) * 2010-05-27 2011-06-29 周渝斌 相机镜头遮挡检测系统及方法
CN103139547A (zh) * 2013-02-25 2013-06-05 昆山南邮智能科技有限公司 基于视频图像信号判定摄像镜头遮挡状态的方法
CN104504707A (zh) * 2014-12-26 2015-04-08 西安理工大学 一种监控相机视频画面的异物遮挡检测方法
CN108805042A (zh) * 2018-05-25 2018-11-13 武汉东智科技股份有限公司 道路区域监控视频被树叶遮挡的检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111532A (zh) * 2010-05-27 2011-06-29 周渝斌 相机镜头遮挡检测系统及方法
CN103139547A (zh) * 2013-02-25 2013-06-05 昆山南邮智能科技有限公司 基于视频图像信号判定摄像镜头遮挡状态的方法
CN104504707A (zh) * 2014-12-26 2015-04-08 西安理工大学 一种监控相机视频画面的异物遮挡检测方法
CN108805042A (zh) * 2018-05-25 2018-11-13 武汉东智科技股份有限公司 道路区域监控视频被树叶遮挡的检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于深度学习的监控视频树叶遮挡检测;邬美银 等;《武汉科技大学学报》;20160228;第39卷(第1期);第69-74页 *
基于角点的监控摄像头干扰检测;王宝君 等;《计算机应用与软件》;20100531;第27卷(第5期);第243-246页 *
基于颜色与纹理特征的安防视频遮挡树叶检测;袁渊 等;《计算机工程与设计》;20160630;第37卷(第6期);第1549-1554页 *

Also Published As

Publication number Publication date
CN110399785A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN110399785B (zh) 一种基于深度学习与传统算法的树叶遮挡的检测方法
Bulanon et al. Development of a real-time machine vision system for the apple harvesting robot
Longsheng et al. Kiwifruit recognition at nighttime using artificial lighting based on machine vision
Payne et al. Estimation of mango crop yield using image analysis–segmentation method
Payne et al. Estimating mango crop yield using image analysis using fruit at ‘stone hardening’stage and night time imaging
CN105718945B (zh) 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法
CN106951836B (zh) 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
Liu et al. A method of segmenting apples at night based on color and position information
CN109635758B (zh) 智慧工地基于视频的高空作业人员安全带穿戴检测方法
CN106384117B (zh) 一种车辆颜色识别方法及装置
Malik et al. Detection and counting of on-tree citrus fruit for crop yield estimation
Wang et al. Recognition and drop-off detection of insulator based on aerial image
Lai et al. A real time video processing based surveillance system for early fire and flood detection
CN103778418A (zh) 一种输电线路杆塔图像监测系统的山火图像识别方法
CN109345547A (zh) 基于深度学习多任务网络的交通车道线检测方法及装置
Ji et al. In-field automatic detection of maize tassels using computer vision
CN109726669A (zh) 基于对抗网络的不同光照条件下行人再识别数据生成方法
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
CN115797775B (zh) 基于近地视频图像的违章建筑智能识别方法及系统
CN104573650B (zh) 一种基于滤波响应的电线检测分类方法
Payne et al. Machine vision in estimation of fruit crop yield
CN118351468A (zh) 一种基于无人机的农作物病虫害识别方法及系统
CN103900498B (zh) 一种棉田苗情自动探测方法及其探测装置
CN114792405A (zh) 一种架空线路防异物入侵监测方法
Zhang et al. Recognition of greenhouse cucumber fruit using computer vision

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