CN110717464A - 一种基于雷达数据的铁路路基病害智能识别方法 - Google Patents
一种基于雷达数据的铁路路基病害智能识别方法 Download PDFInfo
- Publication number
- CN110717464A CN110717464A CN201910975979.7A CN201910975979A CN110717464A CN 110717464 A CN110717464 A CN 110717464A CN 201910975979 A CN201910975979 A CN 201910975979A CN 110717464 A CN110717464 A CN 110717464A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- data block
- radar
- starting
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- 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
- 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
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达数据的铁路路基病害智能识别方法,包括:通过车载路基检测雷达扫描采样获得原始雷达数据,随后对数据预处理并标注病害的起止里程数、起止深度和类型,分割数据并转换标注文件,划分训练集和测试集,将训练集扩充并归一化后送入卷积神经网络,输出病害类型、位置坐标和置信度,通过梯度下降法迭代计算获得铁路路基病害检测模型,并采用均值平均精度和每秒帧数作为评价指标,最后将病害位置坐标转化为病害起止里程数和起止深度。该方法相比已有的基于图像的铁路路基病害检测方法,充分利用了雷达原始数据并将其与卷积神经网络结合,在对铁路路基病害智能识别的同时给出病害的里程数和病害起止深度,满足了工程需要。
Description
技术领域
本发明涉及铁路路基病害检测、雷达信号智能识别技术领域,尤其涉及一种基于雷达数据的铁路路基病害智能识别方法。
背景技术
随着我国铁路技术的发展,铁路路基病害成为影响铁路安全运营的隐患,危急行车安全。车载地质雷达检测方法以其轻便快捷、抗干扰能力强、分辨率高、快速无损等优点在各国铁路路基检测中受到重视。
目前对铁路路基病害的识别主要依赖工程技术人员的经验对探地雷达图像进行人工判断,成本高、效率低、标准不固定。现有的智能识别技术多基于雷达图像,如支持向量机、浅层神经网络等传统机器学习方法结合使用、基于候选区域的卷积神经网络识别技术等,此类方法无法确定铁路路基病害在实际铁路中具体位置,不能满足检测病害所在里程数和深度的需求。
发明内容
本发明针对现有技术中的上述问题,提出的一种基于雷达数据的铁路路基病害智能识别方法,通过卷积神经网络对探地雷达数据进行智能识别,并给出铁路路基病害的里程数和深度信息。
本发明所采用的技术方案如下:
步骤(1)、通过车载路基检测雷达自动扫描采样获得路基原始雷达数据,随后对采集到的雷达数据进行滤波和增益处理,将处理后的雷达数据保存为ZOL格式的雷达数据文件,并标注病害的起止里程数、病害起止深度和病害类型,生成对应的txt标注文件;
步骤(2)、把步骤(1)中的ZOL格式的雷达数据文件根据采样点数S和数据道数T分割为T/(2*S)个数据块,并将txt标注文件根据分割后的数据块将病害起止里程数和病害起止深度转换为数据块对应的数据位置信息,每个数据块生成一个新的对应的XML格式标注文件;
步骤(3)、把步骤(2)中的数据块和XML格式标注文件划分为训练集和测试集,其中训练集占80%,测试集占20%,训练集和测试集中均包含数据块和XML格式的病害标注信息;
步骤(4)、搭建卷积神经网络,把步骤(3)中获得的训练集中的数据块和XML文件进行扩充,并将扩充后的数据块进行归一化处理,随后将归一化后的数据块和对应的扩充后的XML格式标注文件作为网络的输入,病害类型、病害在数据块中的位置坐标、病害置信度作为网络输出;
步骤(5)、通过梯度下降法迭代计算获得铁路路基病害检测模型,用步骤(3)中获得的测试集检验步骤模型效果,并利用检测平均精度和每秒帧数作为评价模型优劣的指标;
步骤(6)、利用步骤(5)中获得的模型作为铁路路基病害检测模型,并根据原始雷达文件数据头信息和数据块分割方法将模型输出的病害位置坐标转化为病害起止里程数和病害起止深度,从而实现铁路路基病害智能检测。
本发明的有益效果是,相比已有的基于图像的铁路路基病害检测方法,本发明提出一种基于雷达数据的铁路路基病害智能识别方法,使得在对铁路路基病害高精度识别的同时给出病害的里程数和病害起止深度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为根据本发明一个实施例的总体流程图;
图2为根据本发明一个实施例的卷积神经网络结构图;
图3为根据本发明一个实施例的铁路路基病害检测结果示例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出。参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在介绍一种基于雷达数据的铁路路基病害智能识别方法之前,先介绍本实施例选用的数据。本数据集中铁路路基病害数据文件来自车载路基检测雷达对滨绥线探测18个区间约48Km线路获得的原始雷达数据。
图1为根据本发明一个实施例的总体流程图;
如图1所示,一种基于雷达数据的铁路路基病害智能识别方法包括以下步骤:
S1010、S1020、S1030:使用车载路基检测雷达自动扫描采样获得路基原始雷达数据,随后对采集到的雷达数据进行滤波和增益处理,将处理后的雷达数据保存为ZOL格式的雷达数据文件,并标注病害的起止里程数、病害起止深度和病害类型,生成对应的txt标注文件。
S1040:将S1010中获得的ZOL格式的雷达数据文件根据采样点数S和数据道数T分割为T/(2*S)个数据块,并将S1010中获得的txt标注文件根据公式:将txt标注文件中的病害起止里程数和病害起止深度转换为数据块对应的数据位置信息,其中X为病害在数据块中的横坐标,M为里程数,单位为米,d为数据道间距,单位为米,n为该数据块在雷达数据文件中被分割的索引位置,S为采样点数,Y为病害在数据块中的纵坐标,h为病害深度,ε为介电常数,t为雷达记录时间,c为地下介质的传播速度,每个数据块生成一个新的对应的XML格式标注文件。
S1050:将S1040中获得的数据块和XML格式标注文件划分为训练集和测试集,其中训练集占80%,测试集占20%,训练集和测试集中均包含数据块和XML格式的病害标注信息。
S1060:S1050中获得的训练集中的数据块和XML文件进行扩充,并将扩充后的数据块进行归一化处理。数据块及标注文件中标签信息的扩充方法为,其中(pi,li)和(pj,lj)为从训练集中随机选取的样本,pi和pj为扩充前的数据块,li和lj为扩充前标签中病害类别信息,为扩充后的数据块,为扩充后的标签信息,α为混合系数,其取值范围在0到1之间。数据块的归一化方法为,其中为扩充后的数据块,x'为归一化后的数据块。通过扩充数据集可以使卷积神经网络拥有更好的鲁棒性,提高识别精度。
S1070:卷积神经网络的结构如图2所示,卷积神经网络将归一化后的数据块和对应的扩充后的XML格式标注文件作为网络的输入,病害类型、病害在数据块中的位置坐标、病害置信度作为网络输出。卷积神经网络在进行检测时首先将归一化后的数据块划分为m×m个方格,每个方格中的数据经卷积神经网络前向传播后可以输出3个向量,最终卷积神经网络在6个尺度上分别输出一个m×m×(3×5+class)维的向量,其中m代表数据块被划分的横向单元格数量,3代表每个单元格预测的边界框数量,5代表预测的检测框的位置和置信度,class代表预测的病害类别。在上述步骤中,卷积神经网络通过梯度下降法不断迭代来最小化损失函数,迭代过程中损失函数为:
Loss=Losslocation+Lossclasses+Lossconfidence (1)
式中,Loss为最小化的目标损失函数,Losslocation为病害位置信息的损失函数,Lossclasses为病害类别的损失函数,Lossconfidence为病害置信度的损失函数。其中,
式中,λcoord为惩罚项系数,设定为λcoord=5,m为数据块被划分的横向单元格数量,B代表每个单元格可预测边界框数量,设定为B=3,为第i个病害位置信息的网络输出值,σ为Sigmoid函数,其公式为 为第i个单元格的坐标,也就是单元格距离数据块左上角的偏移量,为第i个病害所在位置的中心横坐标、纵坐标、宽度和高度的真实值,代表第i单元格中第j个预测框内是否有病害,有为1,无为0。通过 可将第i个病害位置信息的网络输出值转换为第i个病害所在位置的中心横坐标、纵坐标、宽度和高度的预测值,
式中,m为数据块被划分的横向单元格数量,B代表每个单元格可预测边界框数量,设定为B=3,代表第i单元格中第j个预测框内是否有病害,有为1,无为0,为标签中边界框和预测边界框的面积交并比值,Ci为置信度与标签中边界框和预测边界框的面积交并比值的乘积,
式中,m为数据块被划分的横向单元格数量,代表第i格子中是否有病害,有为1,无为0,classes代表目标种类,为目标属于给定种类的概率,属于为1,不属于为0,pi(c)为预测种类属于给定的概率,范围在0到1之间。在得到边界框之后,通过非极大值抑制(剔除重合率高于40%的边界框)从而得到检测结果。
S1080:使用S1050划分的测试集数据对S1070中产生的模型进行评估,采用均值平均精度和每秒帧数作为评价模型优劣的指标,其中均值平均精度为各类别PR曲线(查准率和召回率曲线)下面积的平均值,每秒帧数即每秒内可以预测的数据块数量。
S1090:利用S1080获得的最优模型作为铁路路基病害检测评价模型,并根据将原始雷达文件数据头信息和数据块分割方法将模型输出的病害位置坐标转化为病害起止里程数和病害起止深度,从而实现铁路路基病害智能检测,其具体方法为:M=d*(X-1)+n*2S,其中X为病害在数据块中的横坐标,M为里程数,单位为米,d为数据道间距,单位为米,n为该数据块在雷达数据文件中被分割的索引位置,S为采样点数,Y为病害在数据块中的纵坐标,h为病害深度,ε为介电常数,t为雷达记录时间,c为地下介质的传播速度。
图3所示为根据本发明一个实施例的铁路路基病害检测结果,由图3可以看出,本发明能够有效检测出铁路路基病害,并输出病害起止里程数和病害深度信息。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于雷达数据的铁路路基病害智能识别方法,其特征在于,在进行铁路路基病害智能识别过程中,依次含有以下步骤:
步骤(1)、通过车载路基检测雷达自动扫描采样获得路基原始雷达数据,随后对采集到的雷达数据进行滤波和增益处理,将处理后的雷达数据保存为ZOL格式的雷达数据文件,并标注病害的起止里程数、病害起止深度和病害类型,生成对应的txt标注文件;
步骤(2)、把步骤(1)中的ZOL格式的雷达数据文件根据采样点数S和数据道数T分割为T/(2*S)个数据块,并将txt标注文件根据分割后的数据块将病害起止里程数和病害起止深度转换为数据块对应的数据位置信息,每个数据块生成一个新的对应的XML格式标注文件;
步骤(3)、把步骤(2)中的数据块和XML格式标注文件文件划分为训练集和测试集,其中训练集占80%,测试集占20%,训练集和测试集中均包含数据块和XML格式的病害标注信息;
步骤(4)、搭建卷积神经网络,把步骤(3)中获得的训练集中的数据块和XML文件进行扩充,并将扩充后的数据块进行归一化处理,随后将归一化后的数据块和对应的扩充后的XML格式标注文件作为网络的输入,病害类型、病害在数据块中的位置坐标、病害置信度作为网络输出;
步骤(5)、通过梯度下降法迭代计算获得铁路路基病害检测模型,用步骤(3)中获得的测试集检验步骤模型效果,并利用检测平均精度和每秒帧数作为评价模型优劣的指标;
步骤(6)、利用步骤(5)中获得的模型作为铁路路基病害检测模型,并根据原始雷达文件数据头信息和数据块分割方法将模型输出的病害位置坐标转化为病害起止里程数和病害起止深度,从而实现铁路路基病害智能检测。
4.根据权利要求1所述的基于雷达数据的铁路路基病害智能识别方法,其特征在于,所述步骤(4)中,数据块的归一化方法为,其中为扩充后的数据块,x'为归一化后的数据块,所述卷积神经网络在进行检测时首先将归一化后的数据块划分为m×m个方格,每个方格中的数据经卷积神经网络前向传播后可以输出3个向量,最终卷积神经网络在6个尺度上分别输出一个m×m×(3×5+class)维的向量,其中m代表数据块被划分的横向单元格数量,3代表每个单元格预测的边界框数量,5代表预测的检测框的位置和置信度,class代表预测的病害类别。
在上述步骤中,卷积神经网络通过梯度下降法不断迭代来最小化损失函数,迭代过程中损失函数为:
Loss=Losslocation+Lossclasses+Lossconfidence (1)
式中,Loss为最小化的目标损失函数,Losslocation为病害位置信息的损失函数,Lossclasses为病害类别的损失函数,Lossconfidence为病害置信度的损失函数。其中,
式中,λcoord为惩罚项系数,设定为λcoord=5,m为数据块被划分的横向单元格数量,B代表每个单元格可预测边界框数量,设定为B=3,为第i个病害位置信息的网络输出值,σ为Sigmoid函数,其公式为为第i个单元格的坐标,也就是单元格距离数据块左上角的偏移量,为第i个病害所在位置的中心横坐标、纵坐标、宽度和高度的真实值,代表第i单元格中第j个预测框内是否有病害,有为1,无为0。通过 可将第i个病害位置信息的网络输出值转换为第i个病害所在位置的中心横坐标、纵坐标、宽度和高度的预测值,
式中,m为数据块被划分的横向单元格数量,B代表每个单元格可预测边界框数量,设定为B=3,代表第i单元格中第j个预测框内是否有病害,有为1,无为0,为标签中边界框和预测边界框的面积交并比值,Ci为置信度与标签中边界框和预测边界框的面积交并比值的乘积,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910975979.7A CN110717464B (zh) | 2019-10-15 | 2019-10-15 | 一种基于雷达数据的铁路路基病害智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910975979.7A CN110717464B (zh) | 2019-10-15 | 2019-10-15 | 一种基于雷达数据的铁路路基病害智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717464A true CN110717464A (zh) | 2020-01-21 |
CN110717464B CN110717464B (zh) | 2022-03-22 |
Family
ID=69211609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910975979.7A Active CN110717464B (zh) | 2019-10-15 | 2019-10-15 | 一种基于雷达数据的铁路路基病害智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717464B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
CN112700429A (zh) * | 2021-01-08 | 2021-04-23 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
CN113707280A (zh) * | 2021-10-28 | 2021-11-26 | 萱闱(北京)生物科技有限公司 | 标注数据集扩充方法、装置、介质和计算设备 |
CN114236536A (zh) * | 2022-02-23 | 2022-03-25 | 铁科检测有限公司 | 一种铁路路基探地雷达数据处理系统及其方法 |
CN114841995A (zh) * | 2022-06-02 | 2022-08-02 | 西南交通大学 | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN109916912A (zh) * | 2019-04-01 | 2019-06-21 | 北京通运腾达科技发展有限公司 | 一种铁轨扣件病害检测方法及系统 |
-
2019
- 2019-10-15 CN CN201910975979.7A patent/CN110717464B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN109916912A (zh) * | 2019-04-01 | 2019-06-21 | 北京通运腾达科技发展有限公司 | 一种铁轨扣件病害检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
JOSEPH REDMON 等: "YOLOv3: An Incremental Improvement", 《ARXIV》 * |
乔旭: "基于雷达图像道路地下病害识别技术研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
杜攀峰 等: "铁路路基病害的智能识别", 《铁道学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
CN112462346B (zh) * | 2020-11-26 | 2023-04-28 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
CN112700429A (zh) * | 2021-01-08 | 2021-04-23 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
WO2022147969A1 (zh) * | 2021-01-08 | 2022-07-14 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
CN112700429B (zh) * | 2021-01-08 | 2022-08-26 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
CN113707280A (zh) * | 2021-10-28 | 2021-11-26 | 萱闱(北京)生物科技有限公司 | 标注数据集扩充方法、装置、介质和计算设备 |
CN113707280B (zh) * | 2021-10-28 | 2022-04-08 | 萱闱(北京)生物科技有限公司 | 标注数据集扩充方法、装置、介质和计算设备 |
CN114236536A (zh) * | 2022-02-23 | 2022-03-25 | 铁科检测有限公司 | 一种铁路路基探地雷达数据处理系统及其方法 |
CN114236536B (zh) * | 2022-02-23 | 2022-05-27 | 铁科检测有限公司 | 一种铁路路基探地雷达数据处理系统及其方法 |
CN114841995A (zh) * | 2022-06-02 | 2022-08-02 | 西南交通大学 | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110717464B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717464B (zh) | 一种基于雷达数据的铁路路基病害智能识别方法 | |
CN107621626B (zh) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 | |
CN110399816B (zh) | 一种基于Faster R-CNN的高速列车车底异物检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN113256562B (zh) | 基于雷达图像和人工智能的道路地下隐患检测方法和系统 | |
CN111476088B (zh) | 沥青路面水损害识别模型构建方法、识别方法及系统 | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
CN110706211A (zh) | 基于卷积神经网络的铁路路基病害雷达图实时检测方法 | |
CN115239632A (zh) | 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法 | |
CN110378436A (zh) | 基于深度迁移实现iae mem后处理图片识别及标注的方法 | |
CN115131747A (zh) | 基于知识蒸馏的输电通道工程车辆目标检测方法及系统 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN113609911A (zh) | 一种基于深度学习的路面病害自动检测方法和系统 | |
CN115601544A (zh) | 一种高分辨率图像滑坡检测与分割方法 | |
CN108509953A (zh) | 一种电视台标检测识别方法 | |
CN110428398A (zh) | 一种基于深度学习的高铁接触网拉线缺陷检测方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN112734732B (zh) | 基于改进ssd算法的铁路隧道漏缆卡具检测方法 | |
CN109146563A (zh) | 一种基于迁移学习的城市住宅地价评估方法 | |
CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
CN116129327A (zh) | 一种基于改进YOLOv7算法的红外车辆检测方法 |
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 |