CN110674764A - 一种工地裸露土方的检测方法、装置及系统 - Google Patents
一种工地裸露土方的检测方法、装置及系统 Download PDFInfo
- Publication number
- CN110674764A CN110674764A CN201910925849.2A CN201910925849A CN110674764A CN 110674764 A CN110674764 A CN 110674764A CN 201910925849 A CN201910925849 A CN 201910925849A CN 110674764 A CN110674764 A CN 110674764A
- Authority
- CN
- China
- Prior art keywords
- construction site
- detected
- video image
- image frame
- earthwork
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 112
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000003915 air pollution Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
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
本发明涉及人工智能技术领域，公开了一种工地裸露土方的检测方法。该方法包括：获取待检测工地视频图像帧；将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；如果所述检测结果为存在裸露土方，则发送提醒消息。采用本发明技术方案不但可以实时检测待检测工地视频图像帧中是否存在工地裸露土方情况，及时发送提醒，还可以及时避免裸露土方的空气污染。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种工地裸露土方的检测方法、装置及系统。
背景技术
近年来，以卷积神经网络为代表的深度学习技术被广泛应用于各类人工智能任务，例如物体分类、人脸识别、行人身份再识别等。卷积神经网络在这些问题上取得的突破性进展源于其层次化的学习结构所带来的强大表达能力。在建筑工地的应用场景中，工地土方裸露会直接影响到扬尘的形成，对空气质量影响较大。现阶段，通过市民拍照取证举报的方式在一定程度上可以降低裸露土方的发生，但效率较低且实现警报之前空气污染已经形成。因此，如何在形成大规模裸露土方和污染空气之前，能够及时取证并向有关部门预警已经成为治理裸露土方问题的关键技术因素。
发明内容
本发明的目的在于提供一种工地裸露土方的检测方法、装置及系统，以克服现有技术中的无法提前发现工地土方裸露，造成空气污染的缺陷。
为解决上述技术问题，本发明的实施方式提供了一种工地裸露土方的检测方法，包括：
获取待检测工地视频图像帧；
将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；
将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；
如果所述检测结果为存在裸露土方，则发送提醒消息。
为解决上述技术问题，本发明的实施方式还提供了一种工地裸露土方的检测装置，包括：
图像获取单元，用于获取待检测工地视频图像帧；
数据处理单元，用于将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；
目标检测单元，用于将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；
消息发送单元，用于如果所述检测结果为存在裸露土方，则发送提醒消息。
为解决上述技术问题，本发明的实施方式还提供了一种工地裸露土方的检测系统，包括：如上所述的工地裸露土方的检测装置。
本发明提供的一种工地裸露土方的检测方法、装置及系统，通过实时获取待检测工地视频图像帧；将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；如果所述检测结果为存在裸露土方，则发送提醒消息。采用本发明技术方案不但可以实时检测待检测工地视频图像帧中是否存在工地裸露土方情况，及时发送提醒，还可以及时避免裸露土方的空气污染。
附图说明
图1是本发明实施例提供的一种工地裸露土方的检测方法流程图；
图2是本发明实施例提供的一种工地裸露土方的检测方法中目标检测的流程图；
图3是本发明实施例提供的一种工地裸露土方的检测方法中另一目标检测流程图；
图4是本发明实施例提供的一种工地裸露土方的检测装置结构示意图；
图5是本发明实施例提供的一种倾倒垃圾检测方法中卷积神经网络结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种工地裸露土方的检测方法。该方法具体流程如图1所示。该方法包括：
101：获取待检测工地视频图像帧；具体讲，就是实时获取施工现场工地裸露土方现场视频图像帧。
102：将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；具体的讲，就是为模拟现实不同场景，对训练集进行数据增强，包括随机颜色扰动；随机降低和增加图片亮度模拟晚上和白天场景；随机增加高斯噪声，雨点和雪点模拟不同天气；随机缩放图片模拟远近不同尺度；
103：将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；此处目标检测可以采用Faster-RCNN检测框架建立工地裸露土方检测模型。所述FasterRCNN检测框架的共享层卷积神经网络以提高检测效率如图5所示，采用三个最大池化层maxpool层和7个卷积层，卷积通道数分别为32,48,48,64,64,80,80，卷积核大小为3。
104：如果所述检测结果为存在裸露土方，则发送提醒消息。
需要说明的是，以上所述待检测工地视频图像帧是摄像机通过网线输出到终端TX1处，所述终端TX1利用工地裸露土方检测模型分析所述待检测工地视频图像帧，所述工地裸露土方检测模型可以每隔1s检测一次。在所述待检测工地视频图像帧进行实时工地裸露土方检测模型检测之前，对所述待检测工地视频图像帧进行在线数据增强，例如包括水平随机翻折，缩放为原图大小的0.3,0.5,0.75倍。经过数据增强共产生5种待检测图片样本。利用所述工地裸露土方检测模型分别对5个待检测图片样本进行目标检测，对检测结果决策层融合，具体方式如下图2所示实施例。
基于以上所述方法，其中步骤103的具体检测流程如图2所示，具体包括：
201：获取工地裸露土方置信度阈值；
202：将所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；
203：如果存在两个及两个以上所述样本图片的置信度都超过所述工地裸露土方置信度阈值，则检测结果为有效结果；
204：将所述有效结果进行归一化处理，并将所述两个及两个以上所述样本图片的置信度和所述目标位置信息进行加权平均，获取所述待检测工地视频图像帧的置信度及目标位置信息。该步骤获取到的所述待检测工地视频图像帧的置信度及目标位置信息可以存储在终端TX1中，以便客户端查阅。
基于以上实施例，本发明技术方案的步骤103目标检测方法如图3所示，还包括：
301：获取无效阈值；
302：根据所述工地裸露土方置信度阈值和所述无效阈值，将所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；
303：如果存在两个及两个以上所述样本图片的置信度都超过所述无效阈值，且最多一个大于所述工地裸露土方置信度阈值，则检测结果为误检结果；
304：将所述误检结果对应的待检测工地视频图像帧集合留存。
需要说明的是，所述数据增强至少包括：水平随机翻折，随机颜色扰动，随机降低和增加图片亮度模拟晚上和白天场景，随机增加高斯噪声，雨点和雪点模拟不同天气；随机缩放图片模拟远近不同尺度其中一项；
还需要说明的是，所述目标检测采用卷积神经网络进行数据处理；所述卷积神经网络包括：7个卷积层和3个最大池化层；所述卷积层的卷积核大小为3，最大池化层的卷积核大小为2。
基于以上实施例，本发明实施例还提供一种工地裸露土方的检测装置，如图4所示，该装置包括：
图像获取单元401，用于获取待检测工地视频图像帧；
数据处理单元402，用于将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；
目标检测单元403，用于将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；
消息发送单元404，用于如果所述检测结果为存在裸露土方，则发送提醒消息。
需要说明的是，所述目标检测单元，还用于获取工地裸露土方置信度阈值；所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；如果存在两个及两个以上所述样本图片的置信度都超过所述工地裸露土方置信度阈值，则检测结果为有效结果；将所述有效结果进行归一化处理，并将所述两个及两个以上所述样本图片的置信度和所述目标位置信息进行加权平均，获取所述待检测工地视频图像帧的置信度及目标位置信息。
还需要说明的是，所述目标检测单元，还用于获取无效阈值；根据所述工地裸露土方置信度阈值和所述无效阈值，将所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；如果存在两个及两个以上所述样本图片的置信度都超过所述无效阈值，且最多一个大于所述工地裸露土方置信度阈值，则检测结果为误检结果；将所述误检结果对应的待检测工地视频图像帧集合留存。
还需要说明的是，所述数据增强至少包括：水平随机翻折，随机颜色扰动，随机降低和增加图片亮度模拟晚上和白天场景，随机增加高斯噪声，雨点和雪点模拟不同天气；随机缩放图片模拟远近不同尺度；
所述目标检测采用卷积神经网络进行数据处理；所述卷积神经网络包括：7个卷积层和3个最大池化层；所述卷积层的卷积核大小为3，最大池化层的卷积核大小为2。
不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
本领域普通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，所述的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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
基于以上实施例，本发明实施例还提供一种工地裸露土方的检测系统，该系统包括：视频采集装置，客户端和如上所述工地裸露土方的检测装置；
所述视频采集装置，用于实时获取待检测工地视频图像帧；
所述工地裸露土方的检测装置，用于实时将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；如果所述检测结果为存在裸露土方，则发送提醒消息；
所述客户端，用于根据所述提醒消息，提醒用户检测到工地裸露土方。
基于以上实施例，通过具体实现过程对本发明技术方案进行详细说明；具体为：摄像机采集到的现场工地裸露土方视频图像帧，设目标检测采用检测框架FasterRCNN建立工地裸露土方检测模型，该模型存储于终端TX1中，所示摄像机获取的现场工地裸露土方视频图像帧通过网线传输至终端TX1，而检测框架FasterRCNN在检测到所述现场工地裸露土方视频图像帧含有工地裸露土方的图片时，能够直接输出该图片帧中的裸露土方外接矩形坐标，从而实现工地裸露土方的位置检测。为了增加检测结果的可靠性，本发明技术方案还采用在线数据增强，即实时对所述现场工地裸露土方视频图像帧进行数据增强处理。此外，本发明还采用了决策层融合法来决定最终的检测结果，即步骤201-204的具体实现过程，此处不再赘述。
所述检测结果存储于终端TX1，通过客户Web端可以远程查看检测结果，便于进一步分析与决策。该方法可用于任何存在摄像头的场景中，具有可拓展性和移植性。通过在线数据实时数据增强和决策层融合方法和TensorRT优化模型方法有效降低工地裸露土方的误检率并提高检测效率，使得该方法具有较强的可靠性和稳定性。所述TensorRT优化模型方法用于优化检测框架FasterRCNN。通过TensorRT将上述得到的单精度检测模型转成半精度检测模型，优化模型规模，降低内存占用率，提高工地裸露土方检测效率。
需要说明的是，采用目标检测架构Faster R-CNN作为检测网络，训练模型过程如下：
S1:在不同工地裸露土方场景，不同时间段下采集6000张带有工地裸露土方的图片，随机挑选4000张作为训练集，2000张作为验证集！
S2:为模拟现实不同场景，对训练集进行离线数据增强，包括随机颜色扰动；随机降低和增加图片亮度模拟晚上和白天场景；随机增加高斯噪声，雨点和雪点模拟不同天气；随机缩放图片模拟远近不同尺度；以工地裸露土方为中心将原始图片随机裁剪为500x500，其中不包含目标的图片作为负样本！通过上述操作原始训练集数量扩增为30000张。
S3:利用Faster-RCNN检测框架建立工地裸露土方检测模型。为了提高检测效率减小原始FasterRCNN的网络规模，重新设计共享层卷积神经网络如图5所示，三个maxpool层和7个卷积层，卷积通道数分别为32,48,48,64,64,80,80，卷积核大小为3。
S4:利用caffe训练框架对上述模型进行训练，RPN阶段最大迭代次数为100000次，FRN阶段最大迭代次数为50000次，采用SGD学习方法，基础学习率为0.001，权重衰减为0.0005，动量为0.9，RPN阶段以30000次为一周期对学习率缩小十倍，FRN阶段以20000次为一周期对学习率缩小十倍。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种工地裸露土方的检测方法，其特征在于，包括：
获取待检测工地视频图像帧；
将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；
将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；
如果所述检测结果为存在裸露土方，则发送提醒消息。
2.根据权利要求1所述的工地裸露土方的检测方法，其特征在于，所述将所述待检测工地视频图像帧集合进行目标检测，获取检测结果的步骤，包括：
获取工地裸露土方置信度阈值；
将所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；
如果存在两个及两个以上所述样本图片的置信度都超过所述工地裸露土方置信度阈值，则检测结果为有效结果；
将所述有效结果进行归一化处理，并将所述两个及两个以上所述样本图片的置信度和所述目标位置信息进行加权平均，获取所述待检测工地视频图像帧的置信度及目标位置信息。
3.根据权利要求2所述的工地裸露土方的检测方法，其特征在于，所述将所述待检测工地视频图像帧集合进行目标检测，获取检测结果的步骤，还包括：
获取无效阈值；
根据所述工地裸露土方置信度阈值和所述无效阈值，将所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；
如果存在两个及两个以上所述样本图片的置信度都超过所述无效阈值，且最多一个大于所述工地裸露土方置信度阈值，则检测结果为误检结果；
将所述误检结果对应的待检测工地视频图像帧集合留存。
4.根据权利要求3所述的工地裸露土方的检测方法，其特征在于，所述数据增强至少包括：水平随机翻折，随机颜色扰动，随机降低和增加图片亮度模拟晚上和白天场景，随机增加高斯噪声，雨点和雪点模拟不同天气；随机缩放图片模拟远近不同尺度其中一种。
5.根据权利要求1-4中任意一项所述的工地裸露土方的检测方法，其特征在于，所述目标检测采用卷积神经网络进行数据处理；所述卷积神经网络包括：7个卷积层和3个最大池化层；所述卷积层的卷积核大小为3，最大池化层的卷积核大小为2。
6.一种工地裸露土方的检测装置，其特征在于，包括：
图像获取单元，用于获取待检测工地视频图像帧；
数据处理单元，用于将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；
目标检测单元，用于将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；
消息发送单元，用于如果所述检测结果为存在裸露土方，则发送提醒消息。
7.根据权利要求6所述的工地裸露土方的检测装置，其特征在于，所述目标检测单元，还用于获取工地裸露土方置信度阈值；所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；如果存在两个及两个以上所述样本图片的置信度都超过所述工地裸露土方置信度阈值，则检测结果为有效结果；将所述有效结果进行归一化处理，并将所述两个及两个以上所述样本图片的置信度和所述目标位置信息进行加权平均，获取所述待检测工地视频图像帧的置信度及目标位置信息。
8.根据权利要求7所述的工地裸露土方的检测装置，其特征在于，所述目标检测单元，还用于获取无效阈值；根据所述工地裸露土方置信度阈值和所述无效阈值，将所述待检测工地视频图像帧集合中的样本一一进行目标检测，获取每个样本的图片的置信度和目标位置信息；如果存在两个及两个以上所述样本图片的置信度都超过所述无效阈值，且最多一个大于所述工地裸露土方置信度阈值，则检测结果为误检结果；将所述误检结果对应的待检测工地视频图像帧集合留存。
9.根据权利要求8所述的工地裸露土方的检测装置，其特征在于，所述数据增强至少包括：水平随机翻折，随机颜色扰动，随机降低和增加图片亮度模拟晚上和白天场景，随机增加高斯噪声，雨点和雪点模拟不同天气；随机缩放图片模拟远近不同尺度；
所述目标检测采用卷积神经网络进行数据处理；所述卷积神经网络包括：7个卷积层和3个最大池化层；所述卷积层的卷积核大小为3，最大池化层的卷积核大小为2。
10.一种工地裸露土方的检测系统，其特征在于，包括：视频采集装置，客户端和权利要求6-9中任意一项所述工地裸露土方的检测装置；
所述视频采集装置，用于实时获取待检测工地视频图像帧；
所述工地裸露土方的检测装置，用于实时将所述待检测工地视频图像帧进行数据增强，获取待检测工地视频图像帧集合；所述待检测工地视频图像帧集合包含至少两个样本图片；将所述待检测工地视频图像帧集合进行目标检测，获取检测结果；如果所述检测结果为存在裸露土方，则发送提醒消息；
所述客户端，用于根据所述提醒消息，提醒用户检测到工地裸露土方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925849.2A CN110674764A (zh) | 2019-09-27 | 2019-09-27 | 一种工地裸露土方的检测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925849.2A CN110674764A (zh) | 2019-09-27 | 2019-09-27 | 一种工地裸露土方的检测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110674764A true CN110674764A (zh) | 2020-01-10 |
Family
ID=69079556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910925849.2A Pending CN110674764A (zh) | 2019-09-27 | 2019-09-27 | 一种工地裸露土方的检测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674764A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113312961A (zh) * | 2021-04-03 | 2021-08-27 | 国家计算机网络与信息安全管理中心 | 一种logo识别加速方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080129534A1 (en) * | 2005-01-20 | 2008-06-05 | Enertag | Method and Device for Localizing Anomalies Located Inside a Hollow Structure Located on Bare Ground and/or Buried |
| CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
| JP2013190234A (ja) * | 2012-03-12 | 2013-09-26 | Shinshu Univ | 裸地面放射線量低減工法 |
| CN104697937A (zh) * | 2015-03-18 | 2015-06-10 | 北京师范大学 | 一种土壤属性高光谱识别的技术方法 |
| CN106210615A (zh) * | 2015-04-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种城市管理自动监测方法、装置及系统 |
| US20170054947A1 (en) * | 2015-08-19 | 2017-02-23 | Caterpillar Inc. | System and method for monitoring condition of worksite |
| CN206095868U (zh) * | 2016-08-15 | 2017-04-12 | 天津市杜赛科技发展有限公司 | 机动式扬尘地空监测装置 |
| CN207798825U (zh) * | 2018-01-10 | 2018-08-31 | 长安大学 | 一种基于纳米技术的土地污染实时监测装置 |
| CN108592895A (zh) * | 2018-05-08 | 2018-09-28 | 安捷睿（厦门）机器人有限公司 | 基于三维激光扫描的建筑施工检测系统、方法及设备 |
| CN109287187A (zh) * | 2018-11-28 | 2019-02-01 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于卫星遥感图像的植被恢复系统及其监测方法 |
-
2019
- 2019-09-27 CN CN201910925849.2A patent/CN110674764A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080129534A1 (en) * | 2005-01-20 | 2008-06-05 | Enertag | Method and Device for Localizing Anomalies Located Inside a Hollow Structure Located on Bare Ground and/or Buried |
| JP2013190234A (ja) * | 2012-03-12 | 2013-09-26 | Shinshu Univ | 裸地面放射線量低減工法 |
| CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
| CN104697937A (zh) * | 2015-03-18 | 2015-06-10 | 北京师范大学 | 一种土壤属性高光谱识别的技术方法 |
| CN106210615A (zh) * | 2015-04-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种城市管理自动监测方法、装置及系统 |
| US20170054947A1 (en) * | 2015-08-19 | 2017-02-23 | Caterpillar Inc. | System and method for monitoring condition of worksite |
| CN206095868U (zh) * | 2016-08-15 | 2017-04-12 | 天津市杜赛科技发展有限公司 | 机动式扬尘地空监测装置 |
| CN207798825U (zh) * | 2018-01-10 | 2018-08-31 | 长安大学 | 一种基于纳米技术的土地污染实时监测装置 |
| CN108592895A (zh) * | 2018-05-08 | 2018-09-28 | 安捷睿（厦门）机器人有限公司 | 基于三维激光扫描的建筑施工检测系统、方法及设备 |
| CN109287187A (zh) * | 2018-11-28 | 2019-02-01 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于卫星遥感图像的植被恢复系统及其监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| YUAN, WL 等: "DECOMPOSITION METHODS FOR THE ESTIMATION OF BARE SOIL SURFACE PARAMETERS USING FULLY POLARIMETRIC SAR DATA", 《2010 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》, pages 1273 - 1276 * |
| 李霞 等: "基于NDSI和NDISI指数的SPOT-5影像裸土信息提取", 《地球信息科学学报》, vol. 18, no. 01, pages 117 - 123 * |
| 邱永红 等: "一种遥感影像裸土地特征增强方法", 《计算机工程与应用》, vol. 48, no. 32, pages 196 - 199 * |
| 韩镇: "基于ZY3卫星影像的城市建筑用地提取与变化检测研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 03, pages 008 - 164 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113312961A (zh) * | 2021-04-03 | 2021-08-27 | 国家计算机网络与信息安全管理中心 | 一种logo识别加速方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084165B (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 | |
| CN110135319A (zh) | 一种异常行为检测方法及其系统 | |
| CN110659622A (zh) | 一种倾倒垃圾检测方法、装置及系统 | |
| CN111178182A (zh) | 一种丢垃圾行为的实时检测方法 | |
| CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
| CN109815904B (zh) | 一种基于卷积神经网络的火灾识别方法 | |
| CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和系统 | |
| CN110348390B (zh) | 一种火焰检测模型的训练方法、计算机可读介质及系统 | |
| CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
| CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
| CN112435240B (zh) | 一种面向工人违规使用手机的深度视觉手机检测系统 | |
| CN114373162A (zh) | 用于变电站视频监控的危险区域人员入侵检测方法及系统 | |
| CN110674764A (zh) | 一种工地裸露土方的检测方法、装置及系统 | |
| CN112926415A (zh) | 一种行人避让系统和行人监测方法 | |
| CN113781388A (zh) | 基于图像增强的输电线路通道隐患图像识别方法及装置 | |
| CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
| CN116977256A (zh) | 缺陷检测模型的训练方法、装置、设备及存储介质 | |
| CN115909144A (zh) | 一种基于对抗学习的监控视频异常检测方法及系统 | |
| CN115953831A (zh) | 基于ST-Transformer网络的审讯场景异常行为监督方法及系统 | |
| CN113758927B (zh) | 一种基于反向残差瓶颈的编码器-解码器小型桥梁底部裂缝检测系统与方法 | |
| Wang et al. | Impact of Traditional Augmentation Methods on Window State Detection | |
| CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
| CN116156149B (zh) | 一种用于检测摄像头移动的检测方法及装置 | |
| US20230126373A1 (en) | System and method for improving hardware usage in control server using artificial intelligence image processing | |
| CN117853954A (zh) | 一种高速无人机视角下的小目标检测方法 |
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 |