CN110533725B - 一种基于结构推理网络的高铁接触网多种零部件定位方法 - Google Patents
一种基于结构推理网络的高铁接触网多种零部件定位方法 Download PDFInfo
- Publication number
- CN110533725B CN110533725B CN201910839945.5A CN201910839945A CN110533725B CN 110533725 B CN110533725 B CN 110533725B CN 201910839945 A CN201910839945 A CN 201910839945A CN 110533725 B CN110533725 B CN 110533725B
- Authority
- CN
- China
- Prior art keywords
- speed rail
- network
- node
- contact net
- information
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 239000000725 suspension Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
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)
Abstract
本发明公开了一种基于结构推理网络的高铁接触网多种零部件定位方法,首先获取高铁接触网零部件图像数据集,根据高铁接触网零部件相对位置关系的固定结构,分析出设计结构推理网络进行检测的可行性;再根据分析结论,结合分类神经网络和定位神经网络,设计结构推理网络;最后将高铁接触网零部件图像数据集输入推理网络中进行分类训练,输入新图片得到其定位信息。本发明针对多种接触网零部件,提高了多种接触网零部件的定位准确率,缩短了检测时间,降低了故障检测的难度。
Description
技术领域
本发明涉及图像识别技术领域,具体为一种基于结构推理网络的高铁接触网多种零部件定位方法。
背景技术
接触网支持及悬挂装置担负着支撑接触网的重要任务,其装置状态的好坏影响着整个悬挂系统的稳定性,从而影响接触线的性能;故障时可能导致接触线与受电弓不能良好接触,影响受流质量;其中承力索底座工作环境恶劣、频繁剧烈震动、沿路人烟稀少、维护难度大、是支撑悬挂系统薄弱的环节之一;目前,接触网支撑悬挂装置的状态检测以人工检测为主,效率低;目前基于图像处理的接触网支撑及悬挂装置检测已有部分研究,传统图像处理方面多为单一零部件定位,例如:张桂南提出使用Harris角点检测与谱聚类实现了绝缘子的抗旋转匹配;韩烨提出利用待分析接触网支撑悬挂装置图像和标准旋转双耳图像之间的局部特征点匹配,实现旋转双耳的定位与提取;深度学习方面虽可实现多目标定位且效果提升但扔有缺点;例如钟俊平分别使用了三种深度学习模型对高铁接触网12类零部件进行了同时定位;但是实验结果表明不同零部件之间的巨多种严重影响了检测结果。通过分析以上文献,高铁接触网例如具有固定结构、其他零部件相对位置关系较为固定的特点未被利用,因此本发明增加了对高铁接触网固定结构特点的使用,提高检测效果。
发明内容
针对上述问题,本发明的目的在于提供一种针对多种接触网零部件,定位准确率高、检测时间短的基于结构推理网络的高铁接触网多种零部件定位方法。技术方案如下:
一种基于结构推理网络的高铁接触网多种零部件定位方法,包括以下步骤:
步骤1:获取高铁接触网零部件图像数据集,根据高铁接触网零部件相对位置关系的固定结构,分析出设计结构推理网络进行检测的可行性;
步骤2:根据步骤1的分析结论,设计结构推理网络:
S1:缩放输入高铁接触网零部件图像及标注信息至统一大小;
S2:将输入图像传入特征提取网络中,通过对图像进行多层卷积计算进行特征提取;
S3:将特征提取网络输出的最后一张特征图输入到区域建议网络中,生成可能存在零部件的建议区域;
S4:提取所述最后一张特征图的所有建议区域中心点,生成节点信息;
S5:将图节点信息输入感兴趣区域池化层,再传入全连接层生成节点特征向量;
S6:将S2中特征提取网络输出的最后一张特征图输入感兴趣区域池化层再到全连接层,生成一维向量即场景特征向量;
S7:将S4中生成的节点信息提取边界信息生成边界特征向量;
S8:将节点特征向量、场景特征向量和边界特征向量分别输入到门控循环单元模块中;
S9:最后将S8的输出通过Softmax分类器和Smooth L1回归器得到零部件类别和坐标;
步骤3:将步骤1得到的高铁接触网零部件图像数据集输入推理网络中进行分类训练,输入新图片得到其定位信息。
进一步的,所述步骤S4中生成节点信息的过程如下:
S41:遍历所述最后一张特征图所有建议区域,每个建议区域为已知左上角坐标(x1,y1)和右下角坐标(x2,y2)的矩形框;
S42:计算节点信息,即矩形框中心点(xmid,ymid),计算公式如下:
更进一步的,所述步骤S6中生成场景特征向量的过程如下:
S61:将由卷积神经网络构成的特征提取网络输出的特征图输入感兴趣区域池化层,将不同大小的感兴趣区域转换为固定大小并为接下来的全连接层固定输入大小;
S62:全连接层得到固定的输入大小后经过与输入大小相同的卷积核卷积后,得到场景特征向量。
更进一步的,所述步骤S7中生成边界特征向量的过程如下:
S71:遍历所述最后一张特征图所有的n个节点信息,连接所有节点生成边;
S72:选择第i个节点并计算其与第j个节点之间的边;边的信息包括第i个节点的坐标(xi,yi)以及该节点到第j节点(xj,yj)的角度θij及距离Lij,计算公式如下:
S73:由n个节点得到2n个边界,每个边界特征向量为(xi,yi,θij,Lij)。
更进一步的,所述门控循环单元模块包括更新门和重置门,更新门控制前一时刻的状态信息被带入到当前状态中的程度;重置门控制前一状态有多少信息被写入到当前的候选集上。
更进一步的,所述高铁接触网零部件图像数据集为:高铁检测车天窗拍摄收集的图像通过人工标记的方式生成含有零部件位置及种类信息的xml文件。
更进一步的,所述Softmax分类器公式如下:
其中,L为损失值,T为类别集合,sj为全连接网络输入的置信度,Ti为正确标签值;
所述Smooth L1回归器公式如下:
其中,smoothL1为回归器输出损失值,x为预测值与目标值之间的距离。
本发明的有益效果是:本发明可用于高铁接触网的多种零部件中,根据高铁接触网零部件相对位置固定的特点,结合分类神经网络和定位神经网络,提高了多种接触网零部件的定位准确率;缩短了检测时间,降低了故障检测的难度,针对性的解决高铁接触网的安全运营问题。
附图说明
图1为本发明基于结构推理网络的高铁接触网多种零部件定位方法的流程图。
图2为本发明中门控循环单元示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。如图1和图2所示,一种高铁接触网多种零部件检测方法,包括以下步骤:
步骤1:获取高铁接触网零部件图像数据集,观察高铁接触网零部件具有相对位置关系的固定结构,确定可以设计结构推理网络进行检测;高铁接触网零部件图像数据集为高铁检测车天窗拍摄收集的图像,并通过人工标记的方式生成含有零部件位置及种类信息的xml文件。
步骤2:根据步骤1的分析结论,设计结构推理网络:
S1:缩放输入图像及标注信息至统一大小。
S2:将输入图像传入特征提取网络中,通过对图像进行多层卷积计算进行特征提取。
S3:将特征提取网络输出的最后一张特征图输入到区域建议网络(RegionProposal Network,RPN)中,生成可能存在零部件的建议区域。
S4:提取该张图片的所有建议区域中心点,生成节点信息。
生成节点信息的过程如下:
S41:遍历该张图片所有建议区域,每个建议区域为已知左上角坐标(x1,y1)和右下角坐标(x2,y2)的矩形框;
S42:计算节点信息即为矩形框中心点(xmid,ymid),计算公式如下:
S5:将图节点信息输入感兴趣区域(Region of Interest,RoI)池化层,再传入全连接层生成节点特征向量。
S6:将S2特征提取网络输出的最后一张特征图输入感兴趣区域池化层再到全连接层,生成一维向量即场景特征向量。
生成场景特征向量的过程如下:
S61:将由卷积神经网络构成的特征提取网络输出的特征图输入感兴趣区域池化层,其作用为将不同大小的感兴趣区域转换为固定大小并为接下来的全连接层固定输入大小;
S62:全连接层得到固定的输入大小后经过与输入大小相同的卷积核卷积后,得到场景特征向量。
S7:将S4生成的节点特征向量提取边界信息生成边界特征向量。
生成边界特征向量的过程如下:
S71:遍历该张图片所有节点信息,连接所有节点生成边;
S72:选择第i个节点并计算其与第j个节点之间的边;边的信息包括第i个节点的坐标(xi,yi)以及该节点到第j节点的角度θij及距离Lij,计算公式如下:
S73:最后由n个节点得到2n个边界,每个边界特征向量为(xi,yi,θij,Lij)。
S8:将节点特征向量、场景特征向量和边界特征向量分别输入到门控循环单元(Gated Recurrent Unit,GRU)单元模块中。
门控循环单元由更新门和重置门组成,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的候选集上,重置门越小,前一状态的信息被写入的越少。这样就可以通过两个门控函数将重要特征保留下来,实现对高铁接触网结构及相对位置的记忆。
S9:最后将S8的输出通过Softmax分类器和Smooth L1回归器得到零部件类别和坐标。
其中,Softmax分类器公式如下:
其中,L为损失值,T为类别集合,sj为全连接网络输入的置信度,Ti为正确标签值;
所述Smooth L1回归器公式如下:
其中,smoothL1为回归器输出损失值,x为预测值与目标值之间的距离。
步骤3:将步骤1得到的高铁接触网数据集,输入推理网络中进行分类训练,在输入一张新图片之后即可得到其定位信息。
本发明通过深度学习方法应用到高铁接触网的多种零部件中,结合高铁接触网零部件相对位置较为固定的特点,将门控循环单元和定位神经网络相结合,利用图理论提高了多种的接触网零部件的定位准确率,有效的缩短检测时间,降低了故障检测的难度,能较针对性的解决高铁接触网的安全运营问题。
Claims (7)
1.一种基于结构推理网络的高铁接触网多种零部件定位方法,其特征在于,包括以下步骤:
步骤1:获取高铁接触网零部件图像数据集,根据高铁接触网零部件相对位置关系的固定结构,分析出设计结构推理网络进行检测的可行性;
步骤2:根据步骤1的分析结论,设计结构推理网络:
S1:缩放输入高铁接触网零部件图像及标注信息至统一大小;
S2:将输入图像传入特征提取网络中,通过对图像进行多层卷积计算进行特征提取;
S3:将特征提取网络输出的最后一张特征图输入到区域建议网络中,生成可能存在零部件的建议区域;
S4:提取所述最后一张特征图的所有建议区域中心点,生成节点信息;
S5:将图节点信息输入感兴趣区域池化层,再传入全连接层生成节点特征向量;
S6:将S2中特征提取网络输出的最后一张特征图输入感兴趣区域池化层再到全连接层,生成一维向量即场景特征向量;
S7:将S4中生成的节点信息提取边界信息生成边界特征向量;
S8:将节点特征向量、场景特征向量和边界特征向量分别输入到门控循环单元模块中;
S9:最后将S8的输出通过Softmax分类器和Smooth L1回归器得到零部件类别和坐标;
步骤3:将步骤1得到的高铁接触网零部件图像数据集输入推理网络中进行分类训练,输入新图片得到其定位信息。
3.根据权利要求1所述的基于结构推理网络的高铁接触网多种零部件定位方法,其特征在于,所述步骤S6中生成场景特征向量的过程如下:
S61:将由卷积神经网络构成的特征提取网络输出的特征图输入感兴趣区域池化层,将不同大小的感兴趣区域转换为固定大小并为接下来的全连接层固定输入大小;
S62:全连接层得到固定的输入大小后经过与输入大小相同的卷积核卷积后,得到场景特征向量。
5.根据权利要求1所述的基于结构推理网络的高铁接触网多种零部件定位方法,其特征在于,所述门控循环单元模块包括更新门和重置门,更新门控制前一时刻的状态信息被带入到当前状态中的程度;重置门控制前一状态有多少信息被写入到当前的候选集上。
6.根据权利要求1所述的基于结构推理网络的高铁接触网多种零部件定位方法,其特征在于,所述高铁接触网零部件图像数据集为:高铁检测车天窗拍摄收集的图像通过人工标记的方式生成含有零部件位置及种类信息的xml文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839945.5A CN110533725B (zh) | 2019-09-06 | 2019-09-06 | 一种基于结构推理网络的高铁接触网多种零部件定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839945.5A CN110533725B (zh) | 2019-09-06 | 2019-09-06 | 一种基于结构推理网络的高铁接触网多种零部件定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533725A CN110533725A (zh) | 2019-12-03 |
CN110533725B true CN110533725B (zh) | 2022-04-29 |
Family
ID=68667308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910839945.5A Expired - Fee Related CN110533725B (zh) | 2019-09-06 | 2019-09-06 | 一种基于结构推理网络的高铁接触网多种零部件定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533725B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383273B (zh) * | 2020-03-07 | 2022-04-29 | 西南交通大学 | 一种基于改进结构推理网络的高铁接触网零部件定位方法 |
CN113312969A (zh) * | 2021-04-23 | 2021-08-27 | 浙江省机电设计研究院有限公司 | 一种基于三维视觉的零部件识别与定位方法、系统 |
CN116883763B (zh) * | 2023-09-06 | 2023-12-12 | 宁德市天铭新能源汽车配件有限公司 | 一种基于深度学习的汽车零部件缺陷检测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH086606A (ja) * | 1995-05-29 | 1996-01-12 | Hitachi Ltd | 制御・情報処理システムと判定装置 |
US6330553B1 (en) * | 1997-04-09 | 2001-12-11 | Yamaha Hatsudoki Kabushiki Kaisha | Autonomic system for updating fuzzy neural network and control system using the fuzzy neural network |
JP2014169940A (ja) * | 2013-03-04 | 2014-09-18 | Railway Technical Research Institute | 架線位置計測装置及び方法 |
JP2015014460A (ja) * | 2013-07-03 | 2015-01-22 | 公益財団法人鉄道総合技術研究所 | 架線位置計測装置及び方法 |
CN104333740A (zh) * | 2014-10-31 | 2015-02-04 | 成都唐源电气有限责任公司 | 一种一体化接触网安全巡检系统装置 |
US9286524B1 (en) * | 2015-04-15 | 2016-03-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Multi-task deep convolutional neural networks for efficient and robust traffic lane detection |
CN106371398A (zh) * | 2016-12-07 | 2017-02-01 | 沈阳铁路局科学技术研究所 | 一种基于三层逻辑联锁的动车登顶作业安全卡控系统 |
CN106919978A (zh) * | 2017-01-18 | 2017-07-04 | 西南交通大学 | 一种高铁接触网支撑装置零部件识别检测方法 |
CN107578106A (zh) * | 2017-09-18 | 2018-01-12 | 中国科学技术大学 | 一种融合单词语义知识的神经网络自然语言推理方法 |
GB201801009D0 (en) * | 2017-01-24 | 2018-03-07 | Ford Global Tech Llc | Object detection using recurrent neural network and concatenated feature map |
CN108108771A (zh) * | 2018-01-03 | 2018-06-01 | 华南理工大学 | 基于多尺度深度学习的图像问答方法 |
CN108765374A (zh) * | 2018-04-27 | 2018-11-06 | 华南理工大学 | 一种宫颈涂片图像中异常核区域筛查的方法 |
CN109360188A (zh) * | 2018-09-13 | 2019-02-19 | 西南交通大学 | 一种高铁接触网等电位线不良状态的检测方法 |
CN109740588A (zh) * | 2018-12-24 | 2019-05-10 | 中国科学院大学 | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 |
CN109840904A (zh) * | 2019-01-24 | 2019-06-04 | 西南交通大学 | 一种高铁接触网大尺度差异零部件检测方法 |
CN110084852A (zh) * | 2019-04-22 | 2019-08-02 | 西南交通大学 | 一种高铁接触网支撑装置套筒顶紧螺栓的精确定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5865566A (en) * | 1997-09-16 | 1999-02-02 | Deep Oil Technology, Incorporated | Catenary riser support |
US10441866B2 (en) * | 2013-04-17 | 2019-10-15 | Foxtenn Bgreen, S.L. | Method and system for determining whether a spherical element impacts with a component of a playing field, or arranged on or proximate thereto |
-
2019
- 2019-09-06 CN CN201910839945.5A patent/CN110533725B/zh not_active Expired - Fee Related
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH086606A (ja) * | 1995-05-29 | 1996-01-12 | Hitachi Ltd | 制御・情報処理システムと判定装置 |
US6330553B1 (en) * | 1997-04-09 | 2001-12-11 | Yamaha Hatsudoki Kabushiki Kaisha | Autonomic system for updating fuzzy neural network and control system using the fuzzy neural network |
JP2014169940A (ja) * | 2013-03-04 | 2014-09-18 | Railway Technical Research Institute | 架線位置計測装置及び方法 |
JP2015014460A (ja) * | 2013-07-03 | 2015-01-22 | 公益財団法人鉄道総合技術研究所 | 架線位置計測装置及び方法 |
CN104333740A (zh) * | 2014-10-31 | 2015-02-04 | 成都唐源电气有限责任公司 | 一种一体化接触网安全巡检系统装置 |
US9286524B1 (en) * | 2015-04-15 | 2016-03-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Multi-task deep convolutional neural networks for efficient and robust traffic lane detection |
CN106371398A (zh) * | 2016-12-07 | 2017-02-01 | 沈阳铁路局科学技术研究所 | 一种基于三层逻辑联锁的动车登顶作业安全卡控系统 |
CN106919978A (zh) * | 2017-01-18 | 2017-07-04 | 西南交通大学 | 一种高铁接触网支撑装置零部件识别检测方法 |
GB201801009D0 (en) * | 2017-01-24 | 2018-03-07 | Ford Global Tech Llc | Object detection using recurrent neural network and concatenated feature map |
CN107578106A (zh) * | 2017-09-18 | 2018-01-12 | 中国科学技术大学 | 一种融合单词语义知识的神经网络自然语言推理方法 |
CN108108771A (zh) * | 2018-01-03 | 2018-06-01 | 华南理工大学 | 基于多尺度深度学习的图像问答方法 |
CN108765374A (zh) * | 2018-04-27 | 2018-11-06 | 华南理工大学 | 一种宫颈涂片图像中异常核区域筛查的方法 |
CN109360188A (zh) * | 2018-09-13 | 2019-02-19 | 西南交通大学 | 一种高铁接触网等电位线不良状态的检测方法 |
CN109740588A (zh) * | 2018-12-24 | 2019-05-10 | 中国科学院大学 | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 |
CN109840904A (zh) * | 2019-01-24 | 2019-06-04 | 西南交通大学 | 一种高铁接触网大尺度差异零部件检测方法 |
CN110084852A (zh) * | 2019-04-22 | 2019-08-02 | 西南交通大学 | 一种高铁接触网支撑装置套筒顶紧螺栓的精确定位方法 |
Non-Patent Citations (2)
Title |
---|
Fatigue life evaluation on key components of high-speed railway catenary system;Qi Guang-feng等;《Journal of Central South University》;20181231;第25卷(第8期);第1958-1965页 * |
基于大数据的电网覆冰灾害预测与风险管理研究;马天男;《中国博士学位论文全文数据库 工程科技II辑》;20171215(第12期);第C042-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533725A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837778B (zh) | 一种基于骨架关节点序列的交警指挥手势识别方法 | |
CN110533725B (zh) | 一种基于结构推理网络的高铁接触网多种零部件定位方法 | |
CN106919902B (zh) | 一种基于cnn的车辆识别和轨迹追踪方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 | |
CN114627447A (zh) | 基于注意力机制和多目标跟踪的公路车辆跟踪方法及系统 | |
CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN116402850A (zh) | 一种面向智能驾驶的多目标跟踪方法 | |
CN116721398A (zh) | 一种基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法 | |
CN115984238A (zh) | 一种基于深度神经网络的电网绝缘子缺陷检测方法及系统 | |
CN110458022A (zh) | 一种基于域适应的可自主学习目标检测方法 | |
CN114154563B (zh) | 基于混合监督训练的目标检测方法 | |
CN117011722A (zh) | 基于无人机实时监控视频的车牌识别方法及装置 | |
CN116824543A (zh) | 一种基于od-yolo的自动驾驶目标检测方法 | |
Huang et al. | UAV aerial image target detection based on BLUR-YOLO | |
Abdullah et al. | Vehicle counting using deep learning models: a comparative study | |
Ma et al. | Efficient small object detection with an improved region proposal networks | |
Miao et al. | Real-time detection network SI-SSD for weak targets in complex traffic scenarios | |
CN115953806A (zh) | 一种基于yolo的2d姿态检测方法 | |
Yang et al. | Improved YOLOv4 based on dilated coordinate attention for object detection | |
CN115731517A (zh) | 一种基于Crowd-RetinaNet网络的拥挤人群检测方法 | |
CN115661694A (zh) | 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备 | |
CN109815790B (zh) | 用于遥感目标检测的门控轴聚检测网络系统及方法 | |
CN114187440A (zh) | 一种基于动态分类器的小样本目标检测系统及方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220429 |