CN110443182B - 一种基于多实例学习的城市排水管道视频异常检测方法 - Google Patents
一种基于多实例学习的城市排水管道视频异常检测方法 Download PDFInfo
- Publication number
- CN110443182B CN110443182B CN201910695705.2A CN201910695705A CN110443182B CN 110443182 B CN110443182 B CN 110443182B CN 201910695705 A CN201910695705 A CN 201910695705A CN 110443182 B CN110443182 B CN 110443182B
- Authority
- CN
- China
- Prior art keywords
- video
- drainage pipeline
- frame
- image
- difference
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Abstract
本发明涉及管道异常检测技术领域,公开了一种基于多实例学习的城市排水管道视频异常检测方法,包括以下步骤:对排水管道视频进行数据采样处理,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C;根据方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C,计算方法的输出和根据方法的输出和方法的输入,计算出方法的输出和输入数据真实值之间的差距L;根据差距L,计算更新方法的参数θ;给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。通过计算机自动审查排水管道视频中是否包含异常,可以节省非常多的人力成本,处理单个视频所需时间更短,可以节省审查排水管道视频的时间,经过大量的数据训练后,处理结果会更加稳定,提高了城市排水管道视频异常检测方法的检测精度。
Description
技术领域
本发明涉及管道异常检测技术领域,尤其涉及一种基于多实例学习的城市排水管道视频异常检测方法。
背景技术
城市的排水管道是保障城市居民正常生活的重要设施,随着城市面积的逐渐扩张,城市中需要排放的污水、雨水、废弃物或残渣也越来越多,城市的排水管道的铺设长度也随着城市面积的增加而快速增长,给排水管道的异常检测和维护带来了巨大的工作量。
现有技术中,排水管道的异常检测任务主要依靠人工审核采集回来的排水管道内部的视频。然而,因为城市面积的扩张,每天需要人工审核的排水管道视频数量快速增长,从而需要更多的人力去审核排水管道视频,导致效率比较低下。此外,管道异常可以细分为16类异常:渗漏,支管暗接,异物插入,接口材料脱落,脱节,起伏,错口,腐蚀,变形,破裂,沉积,结垢,障碍物,残墙坝根,树根,浮渣。其中,异物插入,起伏和错口,这几类异常很容易被人工审查遗漏,因此给排水管道的异常检测结果带来一定的偏差,影响排水管道视频的异常检测精度。
因此,如何提高城市排水管道视频异常检测方法的检测精度成为亟待解决的技术问题。
发明内容
本发明要解决的技术问题在于如何提高城市排水管道视频异常检测方法的检测精度。
为此,根据第一方面,本发明实施例公开了一种基于多实例学习的城市排水管道视频异常检测方法,包括:S10,对排水管道视频进行数据采样处理,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C;S20,根据所述方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB ×K×H×W×C,计算方法的输出和S30,根据所述方法的输出和所述方法的输入,计算出所述方法的输出和输入数据真实值之间的差距L;S40,根据所述差距L,计算更新方法的参数θ;S50,给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
可选地,所述方法还包括:S60,给定方法所需迭代的优化次数为T,如果迭代次数未达到T次,则返回步骤S10继续优化。
可选地,所述步骤S10包括:S110,根据排水管道视频的数据集,随机采样出B个视频;S120,从每个采样视频中均匀采样出K帧视频图像,计算所述K帧视频图像与下一帧的K帧差分图像,且通过最大最小值归一化方法将所述K帧差分图像的取值范围设置为0到1;S130,给出采样视频分辨率的高H、采样视频分辨率的宽W以及采样视频中单帧图像的通道数C,并根据所述B个视频与所述K帧视频图像,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB ×K×H×W×C。
可选地,所述步骤S20包括:S210,给定优化方法为fθ,θ为需要学习的参数;S220,根据所述方法的输入Ximg∈RB×K×H×W×C与Ximg∈RB×K×H×W×C,获取与其相对应的真实标签向量yabnomal∈RB×2与ycategory∈RB×17;S230,根据所述真实标签向量yabnomal∈RB×2与ycategory∈RB ×17,计算出方法的输出和
可选地,所述步骤S30包括:步骤S310,计算Labnomal;步骤S320,计算Lcategory;步骤S330,根据Labnomal与Lcategory,计算出所述方法的输出和输入数据真实值之间的差距L。
根据第二方面,本发明实施例公开了一种基于多实例学习的城市排水管道视频异常检测装置,包括:输入模块,用于对排水管道视频进行数据采样处理,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C;输出模块,用于根据所述方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C,计算方法的输出和计算差距模块,用于根据所述方法的输出和所述方法的输入,计算出所述方法的输出和输入数据真实值之间的差距L;计算更新模块,用于根据所述差距L,计算更新方法的参数θ;判定模块,用于给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
根据第三方面,本发明实施例公开了一种计算机装置,包括处理器,处理器用于执行存储器中存储的计算机程序实现上述第一方面任一项的
根据第四方面,本发明实施例公开了一种计算机可读存储介质,其上存储有计算机程序,处理器用于执行存储介质中存储的计算机程序实现上述第一方面任一项的
本发明具有以下有益效果:本发明实施例的技术方案通过对排水管道视频进行数据采样处理,从视频中采样K帧图像以及其与下一帧的K帧差分图像,然后根据所述方法的输出和所述方法的输入,计算出所述方法的输出和输入数据真实值之间的差距L,根据所述差距L,计算更新方法的参数θ,给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束;通过计算机自动审查排水管道视频中是否包含异常,可以节省非常多的人力成本,处理单个视频所需时间更短,可以节省审查排水管道视频的时间,经过大量的数据训练后,视频图像处理结果会更加稳定,提高了城市排水管道视频异常检测方法的检测精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本实施例公开的一种基于多实例学习的城市排水管道视频异常检测方法的流程示意图;
图2是本实施例公开的一种基于多实例学习的城市排水管道视频异常检测方法的结构示意图;
图3是本实施例公开的另一种基于多实例学习的城市排水管道视频异常检测方法的流程示意图;
图4是本实施例公开的一种基于多实例学习的城市排水管道视频异常检测装置的结构图。
附图标记:701、输入模块;702、输出模块;703、计算差距模块;704、计算更新模块;705、判定模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,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。
本发明实施例公开了一种基于多实例学习的城市排水管道视频异常检测方法,如图1和图2所示,包括以下步骤:
S10,对排水管道视频进行数据采样处理,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C;
S30,根据方法的输出和方法的输入,计算出方法的输出和输入数据真实值之间的差距L;
S40,根据差距L,计算更新方法的参数θ;
S50,给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
需要说明的是,发明实施例的技术方案通过对排水管道视频进行数据采样处理,从视频中采样K帧图像以及其与下一帧的K帧差分图像,然后根据所述方法的输出和所述方法的输入,计算出所述方法的输出和输入数据真实值之间的差距L,根据所述差距L,计算更新方法的参数θ,给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束;通过计算机自动审查排水管道视频中是否包含异常,可以节省非常多的人力成本,处理单个视频所需时间更短,可以节省审查排水管道视频的时间,经过大量的数据训练后,视频图像处理结果会更加稳定,提高了城市排水管道视频异常检测方法的检测精度。
如图2和图3所示,方法还包括:S60,给定方法所需迭代的优化次数为T,如果迭代次数未达到T次,则返回步骤S10继续优化。
在具体实施例中,步骤S10包括:S110,根据排水管道视频的数据集,随机采样出B个视频;S120,从每个采样视频中均匀采样出K帧视频图像,计算K帧视频图像与下一帧的K帧差分图像,且通过最大最小值归一化方法将K帧差分图像的取值范围设置为0到1;S130,给出采样视频分辨率的高H、采样视频分辨率的宽W以及采样视频中单帧图像的通道数C,并根据B个视频与K帧视频图像,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C。
在具体实施例中,步骤S20包括:S210,给定优化方法为fθ,θ为需要学习的参数;S220,根据方法的输入Ximg∈RB×K×H×W×C与Ximg∈RB×K×H×W×C,获取与其相对应的真实标签向量yabnomal∈RB×2与ycategory∈RB×17;S230,根据真实标签向量yabnomal∈RB×2与ycategory∈RB×17,计算出方法的输出和
在具体实施例中,步骤S30包括:步骤S310,计算Labnomal;步骤S320,计算Lcategory;步骤S330,根据Labnomal与Lcategory,计算出方法的输出和输入数据真实值之间的差距L。
如图2所示,方法包含数据采样、特征提取、特征融合和分类器四个模块。
数据采样模块负责从每个视频中均匀的采样出K帧视频图像以及K帧图像与下一帧的K帧差分图像,并且通过最大最小值归一化方法归一化这K帧差分图像的取值范围为0到1。
特征提取模块包含两个结构相同的深度卷积网络,本发明不限制两个深度卷积网络的具体结构,它可以是现有的ImageNet上预训练好的图像分类网络。此模块负责把K帧图像和K帧差分图像分别送入两个深度卷积网络提取特征。两个深度卷积网络结构相同但是参数分开学习,所以可以对K帧图像和K帧差分图像分别提取特征。假设深度卷积网络最后输出的特征维度为D,那么K帧图像和K帧差分图像经过两个深度卷积模块后会分别提取到特征Fimage∈RK×D和Fdiff∈RK×D。
特征融合模块分为两步。第一步是融合单帧图像特征Fi image i=[1,2..K]∈R1×D和其对应的差分图像特征Fi diff i=[1,2..K]∈R1×D的特征向量变成Fi i=[1,2..K]∈R1×D的特征向量。K帧图像和K帧差分图像就会产生一个特征矩阵F∈RK×2D。第二步是采用在时间维度上进行最大池化的方式去融合K帧图像和其差分图像的特征得到整个视频的特征F video∈R1×D,其中,
分类器模块包含两个独立的全连接层。第一个是接受整个视频的特征这些特征先经过全连接然后再经过一个softmax激活函数,输出维度为2,分别代表排水管道视频中存在异常和不存在异常的概率。第二个同样接受整个视频的特征这些特征先经过全连接然后再经过一个sigmoid激活函数,但是输出维度为17,前16个维度分别分表代表排水管道视频中的16种细粒度异常类别的概率,最后一个维度代表该视频不包含异常的概率。在本实施例中,排水管道视频异常细粒度的分类任务和视频异常检测任务共同学习的过程。
如图4所示,本发明实施例公开了一种基于多实例学习的城市排水管道视频异常检测装置,包括:输入模块701,用于对排水管道视频进行数据采样处理,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C;输出模块702,用于根据所述方法的输入Ximg∈RB ×K×H×W×C与Xdiff∈RB×K×H×W×C,计算方法的输出和计算差距模块703,用于根据所述方法的输出和所述方法的输入,计算出所述方法的输出和输入数据真实值之间的差距L;计算更新模块704,用于根据所述差距L,计算更新方法的参数θ;判定模块705,用于给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
此外,本发明实施例中还提供一种计算机装置,处理器通过执行计算机指令,从而实现以下方法:
对排水管道视频进行数据采样处理,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB ×K×H×W×C;根据方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C,计算方法的输出和根据方法的输出和方法的输入,计算出方法的输出和输入数据真实值之间的差距L;根据差距L,计算更新方法的参数θ;给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,该存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。计算机处理器用于执行存储介质中存储的计算机程序实现以下方法:
对排水管道视频进行数据采样处理,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB ×K×H×W×C;根据方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C,计算方法的输出和根据方法的输出和方法的输入,计算出方法的输出和输入数据真实值之间的差距L;根据差距L,计算更新方法的参数θ;给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。这里无需也无法对所有的实施方式予以穷举。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种基于多实例学习的城市排水管道视频异常检测方法,其特征在于,包括以下步骤:
S10,对排水管道视频进行数据采样处理,根据排水管道视频的数据集,随机采样出B个视频,从每个采样视频中均匀采样出K帧视频图像,计算所述K帧视频图像与下一帧的K帧差分图像,且通过最大最小值归一化方法将所述K帧差分图像的取值范围设置为0到1;
给出采样视频分辨率的高H、采样视频分辨率的宽W以及采样视频中单帧图像的通道数C,并根据所述B个视频与所述K帧视频图像,构建方法的输入Ximg∈RB×K×H×W×C与Ximg∈RB ×K×H×W×C;
对所述K帧图像和K帧差分图像进行特征提取,得到单帧视频图像特征Fi image i=[1,2..K]∈R1×D和差分图像特征Fi diff i=[1,2..K]∈R1×D;
融合单帧视频图像特征Fi image i=[1,2..K]∈R1×D和差分图像特征Fi diff i=[1,2..K]∈R1×D的特征向量变成Fii=[1,2..K]∈R1×D的特征向量,从而得K帧视频图像和K帧差分图像的特征矩阵F∈RK×2D;
基于所述特征矩阵在时间维度上进行最大池化,以对K帧视频图像特征和差分图像特征进行融合,得到所述排水管道视频的特征,并基于所述排水管道视频的特征确定所述排水管道是否存在异常;
S30,根据所述方法的输出和所述方法的输入,计算出所述方法的输出和输入数据真实值之间的差距L;
S40,根据所述差距L,计算更新方法的参数θ;
S50,给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
2.根据权利要求1所述的基于多实例学习的城市排水管道视频异常检测方法,其特征在于,所述方法还包括:
S60,给定方法所需迭代的优化次数为T,如果迭代次数未达到T次,则返回步骤S10继续优化。
4.根据权利要求1或2所述的基于多实例学习的城市排水管道视频异常检测方法,其特征在于,所述步骤S30包括:
步骤S310,计算Labnomal;步骤S320,计算Lcategory;
步骤S330,根据Labnomal与Lcategory,计算出所述方法的输出和输入数据真实值之间的差距L。
6.一种基于多实例学习的城市排水管道视频异常检测装置,其特征在于,包括:
输入模块,用于对排水管道视频进行数据采样处理,根据排水管道视频的数据集,随机采样出B个视频,从每个采样视频中均匀采样出K帧视频图像,计算所述K帧视频图像与下一帧的K帧差分图像,且通过最大最小值归一化方法将所述K帧差分图像的取值范围设置为0到1,给出采样视频分辨率的高H、采样视频分辨率的宽W以及采样视频中单帧图像的通道数C,并根据所述B个视频与所述K帧视频图像,构建方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB ×K×H×W×C;
输出模块,用于根据所述方法的输入Ximg∈RB×K×H×W×C与Xdiff∈RB×K×H×W×C,计算方法的输出和对所述K帧图像和K帧差分图像进行特征提取,得到单帧视频图像特征Fi image i=[1,2..K]∈R1×D和差分图像特征Fi diff i=[1,2..K]∈R1×D;融合单帧视频图像特征Fi image i=[1,2..K]∈R1×D和差分图像特征Fi diff i=[1,2..K]∈R1×D的特征向量变成Fii=[1,2..K]∈R1×D的特征向量,从而得K帧视频图像和K帧差分图像的特征矩阵F∈RK×2D;基于所述特征矩阵在时间维度上进行最大池化,以对K帧视频图像特征和差分图像特征进行融合,得到所述排水管道视频的特征,并基于所述排水管道视频的特征确定所述排水管道是否存在异常
计算差距模块,用于根据所述方法的输出和所述方法的输入,计算出所述方法的输出和输入数据真实值之间的差距L;
计算更新模块,用于根据所述差距L,计算更新方法的参数θ;
判定模块,用于给定方法所需迭代的优化次数为T,如果迭代次数达到T次,则方法优化过程结束。
7.一种计算机装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序实现如权利要求1-5任一项所述的基于多实例学习的城市排水管道视频异常检测方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,处理器用于执行存储介质中存储的计算机程序实现如权利要求1-5任意一项所述的基于多实例学习的城市排水管道视频异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695705.2A CN110443182B (zh) | 2019-07-30 | 2019-07-30 | 一种基于多实例学习的城市排水管道视频异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695705.2A CN110443182B (zh) | 2019-07-30 | 2019-07-30 | 一种基于多实例学习的城市排水管道视频异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443182A CN110443182A (zh) | 2019-11-12 |
CN110443182B true CN110443182B (zh) | 2021-11-09 |
Family
ID=68432284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910695705.2A Active CN110443182B (zh) | 2019-07-30 | 2019-07-30 | 一种基于多实例学习的城市排水管道视频异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443182B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666939B (zh) * | 2020-05-22 | 2021-02-26 | 华东师范大学 | 基于边距约束的任意形状的场景文本检测方法 |
CN111783613B (zh) * | 2020-06-28 | 2021-10-08 | 北京百度网讯科技有限公司 | 异常检测方法、模型的训练方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136763A (zh) * | 2011-12-02 | 2013-06-05 | 富泰华工业(深圳)有限公司 | 用于检测视频序列异常段落的电子装置及其方法 |
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN104359922A (zh) * | 2014-11-11 | 2015-02-18 | 保定金迪科学仪器有限公司 | 一种用于检测排水管道内部缺陷的综合检测装置 |
CN105138953A (zh) * | 2015-07-09 | 2015-12-09 | 浙江大学 | 一种基于连续的多实例学习的视频中动作识别的方法 |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN108038850A (zh) * | 2017-12-08 | 2018-05-15 | 天津大学 | 一种基于深度学习的排水管道异常类型自动检测方法 |
CN109146915A (zh) * | 2018-08-01 | 2019-01-04 | 浙江深眸科技有限公司 | 判断异常活动物体的低计算量运动检测方法 |
CN109559302A (zh) * | 2018-11-23 | 2019-04-02 | 北京市新技术应用研究所 | 基于卷积神经网络的管道视频缺陷检测方法 |
CN109671071A (zh) * | 2018-12-19 | 2019-04-23 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷定位及等级判定方法 |
CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
CN110059761A (zh) * | 2019-04-25 | 2019-07-26 | 成都睿沿科技有限公司 | 一种人体行为预测方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487729B (zh) * | 2013-09-06 | 2016-04-27 | 广东电网公司电力科学研究院 | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 |
CN103514580B (zh) * | 2013-09-26 | 2016-06-08 | 香港应用科技研究院有限公司 | 用于获得视觉体验优化的超分辨率图像的方法和系统 |
CN104835178B (zh) * | 2015-02-02 | 2017-08-18 | 郑州轻工业学院 | 一种低信噪比运动小目标的跟踪与识别的方法 |
CN106845351A (zh) * | 2016-05-13 | 2017-06-13 | 苏州大学 | 一种用于视频的基于双向长短时记忆单元的行为识别方法 |
US9948869B2 (en) * | 2016-07-04 | 2018-04-17 | Yuan-Ting Fang | Image fusion method for multiple lenses and device thereof |
CN107292247A (zh) * | 2017-06-05 | 2017-10-24 | 浙江理工大学 | 一种基于残差网络的人体行为识别方法及装置 |
CN108288035A (zh) * | 2018-01-11 | 2018-07-17 | 华南理工大学 | 基于深度学习的多通道图像特征融合的人体动作识别方法 |
CN108335270A (zh) * | 2018-01-19 | 2018-07-27 | 重庆大学 | 一种多帧图像血管特征识别及信息融合的彩色编码方法 |
CN108764019A (zh) * | 2018-04-03 | 2018-11-06 | 天津大学 | 一种基于多源深度学习的视频事件检测方法 |
CN108629326A (zh) * | 2018-05-14 | 2018-10-09 | 中国科学院自动化研究所 | 目标体的动作行为识别方法及装置 |
CN109377555B (zh) * | 2018-11-14 | 2023-07-25 | 江苏科技大学 | 自主水下机器人前景视场三维重建目标特征提取识别方法 |
-
2019
- 2019-07-30 CN CN201910695705.2A patent/CN110443182B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136763A (zh) * | 2011-12-02 | 2013-06-05 | 富泰华工业(深圳)有限公司 | 用于检测视频序列异常段落的电子装置及其方法 |
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN104359922A (zh) * | 2014-11-11 | 2015-02-18 | 保定金迪科学仪器有限公司 | 一种用于检测排水管道内部缺陷的综合检测装置 |
CN105138953A (zh) * | 2015-07-09 | 2015-12-09 | 浙江大学 | 一种基于连续的多实例学习的视频中动作识别的方法 |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN108038850A (zh) * | 2017-12-08 | 2018-05-15 | 天津大学 | 一种基于深度学习的排水管道异常类型自动检测方法 |
CN109146915A (zh) * | 2018-08-01 | 2019-01-04 | 浙江深眸科技有限公司 | 判断异常活动物体的低计算量运动检测方法 |
CN109559302A (zh) * | 2018-11-23 | 2019-04-02 | 北京市新技术应用研究所 | 基于卷积神经网络的管道视频缺陷检测方法 |
CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
CN109671071A (zh) * | 2018-12-19 | 2019-04-23 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷定位及等级判定方法 |
CN110059761A (zh) * | 2019-04-25 | 2019-07-26 | 成都睿沿科技有限公司 | 一种人体行为预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
"基于多尺度卷积神经网络的玻璃表面缺陷检测方法";熊红林等;《计算机集成制造系统》;20190710;第26卷(第4期);第905页第3.2-3.3节 * |
"玻璃绝缘子动态差分缺陷检测方法研究";王小雷等;《中国计量学院学报》;20140331;第25卷(第1期);第34-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110443182A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Patch-based crack detection in black box images using convolutional neural networks | |
US20210319265A1 (en) | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network | |
CN110443182B (zh) | 一种基于多实例学习的城市排水管道视频异常检测方法 | |
CN110826588A (zh) | 一种基于注意力机制的排水管道缺陷检测方法 | |
CN109671071B (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
CN115980050B (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
CN115587964A (zh) | 一种基于熵筛选的伪标签交叉一致性变化检测方法 | |
CN115095797A (zh) | 一种截污治污管网运行异常快速筛查方法及终端 | |
CN113255690B (zh) | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
CN115511816A (zh) | 一种基于生成对抗网络的排水管道缺陷识别方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
Huang et al. | An improved adaptive width template method for crack detection of nuclear containments | |
CN113139507A (zh) | 一种排水管道缺陷照片自动截取方法及其系统 | |
Wang et al. | Automatic Damage Segmentation Framework for Buried Sewer Pipes Based on Machine Vision: Case Study of Sewer Pipes in Zhengzhou, China | |
Bahreini et al. | Dynamic graph cnn based semantic segmentation of concrete defects and as-inspected modeling | |
Narlan et al. | Automated pavement defect detection using YOLOv8 object detection algorithm | |
CN116630242B (zh) | 一种基于实例分割的管道缺陷评估方法及装置 | |
CN113970073B (zh) | 一种基于ResNet的供水管网泄漏精准定位方法 | |
Jia et al. | LPSST: Improved Transformer Based Drainage Pipeline Defect Recognition Algorithm | |
CN116756885B (zh) | 基于动态规划的排水管网缺陷修复设计及规模论证方法 | |
Ma et al. | Proactive exfiltration severity management in sewer networks: A hyperparameter optimization for two-tiered machine learning prediction | |
Zuo et al. | Mask-Guided Attention for Subcategory-Level Sewer Pipe Crack Classification | |
CN114494110A (zh) | 基于图像增强网络用于地下排污管道内部缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 518109 5j5k, building 7, Baoneng Science Park, Qinghu village, Qinghu community, Longhua street, Longhua District, Shenzhen, Guangdong Patentee after: Shenzhen bomingwei Technology Co.,Ltd. Address before: 518109 5j5k, building 7, Baoneng Science Park, Qinghu village, Qinghu community, Longhua street, Longhua District, Shenzhen, Guangdong Patentee before: SHENZHEN BOMINWELL ROBOTICS Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |