CN110728269B - 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 - Google Patents

一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 Download PDF

Info

Publication number
CN110728269B
CN110728269B CN201911297123.5A CN201911297123A CN110728269B CN 110728269 B CN110728269 B CN 110728269B CN 201911297123 A CN201911297123 A CN 201911297123A CN 110728269 B CN110728269 B CN 110728269B
Authority
CN
China
Prior art keywords
image
number plate
rod
network
pole
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
Application number
CN201911297123.5A
Other languages
English (en)
Other versions
CN110728269A (zh
Inventor
游诚曦
韩志伟
刘旭松
刘志刚
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201911297123.5A priority Critical patent/CN110728269B/zh
Publication of CN110728269A publication Critical patent/CN110728269A/zh
Application granted granted Critical
Publication of CN110728269B publication Critical patent/CN110728269B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于C2检测数据的高铁接触网支柱杆号牌识别方法，具体为：1、获取接触网C2巡检图像；2、对样本图像进行尺寸缩放后，使用号牌定位网络提取号牌区域，并根据号牌区域进行最优帧筛选；3、将筛选后的号牌区域进行预处理后，传入字符识别网络进行分析，对结果进行排序得出杆号信息；4、将批量识别的连续杆号数据放入连续杆号修正算法中，最终输出连续杆号检测结果。本发明具有较好的抗噪性、较高的鲁棒性、较高的效率和自动化程度，极大减少了人力和物力的投入。

Description

一种基于C2检测数据的高铁接触网支柱杆号牌识别方法
技术领域
本发明属于深度学习图像处理技术领域，具体涉及一种基于C2检测数据的高铁接触网支柱杆号牌识别方法。
背景技术
接触网支撑装置担负着支撑接触网的重要任务，而其中每一根支柱上都一定有杆号牌；杆号牌的精确批量识别对于铁路线路的里程标定和接触网的巡检维护对象确认有着至关重要的作用；如何高效、准确、安全地实现高速铁路线路上的非接触检测是目前亟待解决的问题。针对研究非接触式图像检测在高速铁路接触网巡视检查方法，在深度学习还未广泛关注之前，使用传统图像的方法大多很难达到一个比较高的精确度和准确率，所以普遍依靠人工对接触网沿线进行维护检测。
人工的方法效率低下，还会耗费大量人力物力，急需开拓新技术在接触网非接触式图像检测上的应用。
发明内容
本发明针对现有技术存在的问题提供一种基于C2检测数据的高铁接触网支柱杆号牌识别方法。
本发明的一种基于C2检测数据的高铁接触网支柱杆号牌识别方法包括以下步骤：
步骤1：利用摄像机获取接触网C2巡检图像；
步骤2：将图像进行缩放尺寸的预处理后，利用号牌定位MobileNetV2网络对采集的C2全局图中接触网号牌区域进行提取，并对得到的号牌区域图像进行最优帧筛选，过滤掉号牌像素尺寸较小或超出图像采集范围的号牌图像；
步骤3：将筛选后的号牌图像进行尺寸预处理之后，传入数字识别MobileNetV2网络进行分析，通过网络输出的单个数字识别结果的空间坐标排序生成最终杆号牌编号；
步骤4：将批量识别的连续杆号数据放入连续杆号修正算法中，基于杆号数字识别结果序列，无需先验性信息进行连续性修正，通过算法预设的一系列判定条件对误判漏判的杆号进行修正，最终输出连续杆号检测结果。
进一步的，步骤2中将标注好的训练集放入号牌区域定位网络中训练的过程如下：
2.1将图像进行缩放至统一尺寸2448×2048像素，采用MobileNetV2网络作为第一层号牌区域提取网络提取输入图像中所存在的杆号牌图像，输出图像作为下一层号牌号码识别网络的输入图像，其中该部分作为第一次定位网络，目的是从图像中将支柱杆号牌区域单独提取出来。
图像经过一个MobileNetV2的特征提取网络，经过卷积操作，提取出图像的特征，
MobileNetV2网络主要通过先扩张卷积通道数再压缩的方式以获取更多的图像特征，提高图像检测精度，同时通过将Relu激活函数修改为Linear激活函数的方式减少图像特征的破坏程度，在缩小网络规模的同时提高了网络的识别精度，通过前向传播与反向计算，不断重复该过程，得到最终训练好的模型，并将其模型导出。
2.2使用根据实际C2检测图像提出的图像最优帧提取算法，选出最优的待识别图像，其中图像最优帧提取算法根据标记的杆号牌码的横向位置判定，计算每个号牌区域标记框与图像宽度1/4、3/4的横向最小距离和，得分最小且杆号牌完整的图像即为图像最优帧，得分计算公式如下：
Figure GDA0002582673420000021
式中：Si为第i张图像得分，Gi为第i张图像中的号牌区域标记框集合，j为第i张图像中的每个号牌区域标记框，cols为号牌区域标记框的横向位置，width为第i张图像的宽度。
杆号牌完整判定公式如下：
Figure GDA0002582673420000022
式中：Gi为第i张图像中的号牌区域标记框集合，j为第i张图像中的每个号牌区域标记框，widthj为第j个号牌区域标记框的宽度，heightj为第j个号牌区域标记框的高度。
进一步的，上述步骤3具体为：
3.1对图像进行尺寸预处理；
3.2使用与号码牌区域定位部分相同的MobileNetV2网络，在预先对网络模型进行训练之后，检测接触网号牌分割图像编号数字信息，包括数字类型及空间位置。
3.3根据单一数字的位置信息将数字排序，输出完整接触网连续杆号编号。
进一步的，在步骤4中，将批量的连续杆号输入连续杆号修正算法中，将误判及漏判的杆号进行人为修正，之后将杆号与所对应的支柱图像进行匹配，具体过程如下：
4.1对输入的杆号经过判定条件寻找起始杆号索引；
4.2将当前索引杆号数字与前后杆号三者进行差值计算比较，判断当前杆所在相对位置；
4.3若前后杆差值为0，根据当前杆号最后一位数字与前后杆号的最后一位数字进行比较，判断当前杆图像属于前项还是后项。若前后杆差值为4，则当前杆号为前后项杆号的中间值；
4.4若以上情况都不符合，则开始对当前杆号进行逐位修正。同样是将当前杆号的每一位依次与前后项进行比较，根据相等关系进行修改，最终完成杆号的修改；
4.5依次输出修改后的杆号，将杆号与所在图像文件路径相对应，最终输出完整的连续杆号信息。
本发明的有益效果是：
1、本发明采用深度学习的图像处理方法，对高铁接触网C2巡检的图像进行支柱杆号号码牌的识别；
2、本发明号牌识别方法，具有较好的抗噪性、较高的鲁棒性、较高的效率和自动化程度，极大减少了人力和物力的投入；
3、本发明为铁路线路的里程标定和接触网的巡检维护对象确认，提供了极大的方便。
附图说明
图1为本发明方法流程示意图。
图2为本发明中巡检图像获取装置的外部示意图。
图3为本发明中巡检图像获取装置的内部示意图。
图4、图5为本发明中训练集图像对杆号牌的标注效果示意图。
图6为本发明整体网络示意图。
图7为本发明中号牌区域提取网络模块图。
图8为本发明中号牌区域提取网络在训练与测试阶段的流程图。
图9为本发明中号牌识别网络模块图。
图10为本发明中连续杆号修正的具体程序流程图。
图11为本发明中对于不同情况下的识别效果。
附图2、3中，1a为C2检测视频采集设备，1b为接触网支撑部件，1c为摄像机视场。
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说明。
一种高铁接触网巡检图像支柱杆号牌识别方法如图1所示，包括以下步骤：
步骤1：获取接触网巡检图像，保证图像在各种情况下的样本平衡；
巡检图像的拍摄设备安装位置、视角情况如图2和图3所示；用于拍摄的相机位于高速列车的驾驶室内前挡风玻璃下方，视角向前，以视频或连续帧图片的形式记录列车行驶沿途的接触网线路情况。因天气、光照、背景、设备干扰等因素的影响，并不是全部图像都可以用来作为网络训练集使用，所以需要对其进行筛选，尽量选取拍摄效果好的一段连续的图像。
筛选的具体要求为：对图像的筛选要保持样本集的平衡，尽量获取相同数量的不同背景、结构、距离、角度等的图像。
步骤2：对图像进行标注；具体为对巡检图像进行支柱杆号牌的区域进行框选标注，和对从号牌区域提取网络的输出杆号牌图像上的数字进行分类标注，使用标注好的部分图像进行网络模型的训练。利用号牌定位MobileNetV2网络对采集的C2全局图中接触网号牌区域进行提取，并对得到的号牌区域图像进行最优帧筛选，过滤号牌像素尺寸较小或超出图像采集范围的号牌图像。
标注的具体要求有：
(1)进行标注时在确保尽量精确的同时，还需注意应该将目标的轮廓都放入标注区域内，以确保特征的完整；
(2)对支撑装置的标注，要注意尽量选取最近的清晰的对象进行标注。
标注的结果如图4、图5所示，图中显示了C2巡检图像的实际情况，同时展示了只标注最近的对象；
标注后的图像数据集作为训练集，放入号牌区域提取网络进行训练，得到训练模型；
采用的深度学习网络如图6所示，基于此网络，号牌区域提取网络训练阶段如图7所示。将标注好的训练集放入网络中训练，训练好的网络进行号牌区域定位的过程如下：
2.1将图像进行缩放至统一尺寸2448×2048像素，采用MobileNetV2网络作为第一层提取网络提取输入图像中所存在的杆号牌图像，输出图像作为下一层号码识别的输入图像，其中该部分作为第一次定位网络，目的是从图像中将支柱杆号牌区域单独提取出来。
MobileNetV2网络主要通过先扩张卷积通道数再压缩的方式以获取更多的图像特征，提高图像检测精度，同时通过将Relu激活函数修改为Linear激活函数的方式减少图像特征的破坏程度，在缩小网络规模的同时提高了网络的识别精度，通过前向传播与反向计算，不断重复该过程，得到最终训练好的模型，并将其模型导出。
2.2使用根据实际C2检测图像提出的图像最优帧提取算法，选出最优的待识别图像，其中图像最优帧提取算法根据标记的杆号牌码的横向位置判定，计算每个号牌区域标记框与图像宽度1/4、3/4的横向最小距离和，得分最小且杆号牌完整的图像即为图像最优帧，得分计算公式如下：
Figure GDA0002582673420000041
式中：Si为第i张图像得分，Gi为第i张图像中的号牌区域标记框集合，j为第i张图像中的每个号牌区域标记框，cols为号牌区域标记框的横向位置，width为第i张图像的宽度。
杆号牌完整判定公式如下：
Figure GDA0002582673420000051
式中：Gi为第i张图像中的号牌区域标记框集合，j为第i张图像中的每个号牌区域标记框，widthj为第j个号牌区域标记框的宽度，heightj为第j个号牌区域标记框的高度。
其中对批量输入的C2巡检图像进行最优帧提取处理，目的是减少计算量和排除冗余信息的干扰。
步骤3：将步骤2得到的杆号牌区域图片进行数字标注，将其输入杆号牌识别网络进行训练，将筛选后的号牌图像后，传入提前训练好的数字识别MobileNetV2网络进行分析，通过网络输出的单个数字识别结果的空间坐标排序生成最终杆号牌编号，如图8所示。
将标注后的杆号牌图像数据集作为训练集，放入杆号牌号码识别网络的训练网络进行训练，得到该部分网络的训练模型；其中杆号牌识别网络的流程与步骤3类似，最后同样导出模型。
对于训练好的模型分别导入号牌区域提取网络和杆号牌识别网络两层网络，训练与测试的流程如图9所示。
其中对批量输入的C2巡检图像进行最优帧提取处理，目的是减少计算量和排除冗余信息的干扰。
其中当图像经过第一层网络之后，将号牌区域切割出来，再将切割出的号码牌输入第二层识别网络，再对输出经过杆号数字排序模块最终得到最后的杆号信息。
步骤4：将杆号信息批量记录下来，将连续的杆号信息输入连续杆号修正模块中，其中连续杆号修正模块的具体逻辑流程如图10所示，按一系列判定条件与前后杆号的进行比较以及逐位数字的比较，对误判漏判等情况进行修正，同时将杆号信息与对应图像匹配上。
对不同情况下的接触网支柱杆号牌识别的效果如图11，从图中可以看出对于过曝、欠曝倾斜等不影响正常识别的不良情况，深度学习网络都可以实现良好的数字识别，而对于遮挡，特别过大面积的遮挡的情况，识别效果依然比较好，除了个别遮挡污损到甚至人工都难以辨认的程度。不过这些误识别的个别情况，通过本算法最后的修正模块依然能得到解决。
本发明通过深度学习图像处理技术，对高铁接触网C2巡检图像中支柱的杆号牌进行号牌信息识别。这种非接触式的杆号牌识别方法，具有较好的抗噪性、较高的鲁棒性；具有较高的效率和自动化程度，极大减少了人力与物力的投入；对于铁路线路的里程标定和接触网的巡检维护对象确认，提供了极大的方便。

Claims (4)

1.一种基于C2检测数据的高铁接触网支柱杆号牌识别方法，其特征在于，包括以下步骤：
步骤1：利用摄像机获取接触网C2巡检图像；
步骤2：利用号牌定位MobileNetV2网络对采集的C2全局图中接触网号牌区域进行提取，并对得到的号牌区域图像进行最优帧筛选；
步骤3：将筛选后的号牌图像进行尺寸预处理之后，传入数字识别MobileNetV2网络进行分析，通过网络输出的单个数字识别结果的空间坐标排序生成最终杆号牌编号；
步骤4：将批量识别的连续杆号数据放入连续杆号修正算法中，基于杆号数字识别结果序列，无需先验性信息进行连续性修正，通过算法预设的一系列判定条件对误判漏判的杆号进行修正，最终输出连续杆号检测结果。
2.根据权利要求1所述的一种基于C2检测数据的高铁接触网支柱杆号牌识别方法，其特征在于，所述步骤2具体为：
2.1将图像进行缩放至统一尺寸2448×2048像素，采用MobileNetV2网络作为第一层号牌区域提取网络提取输入图像中所存在的杆号牌图像，输出图像作为下一层号牌号码识别网络的输入图像；
2.2使用根据实际C2检测图像提出的图像最优帧提取算法，选出最优的待识别图像，其中图像最优帧提取算法根据标记的杆号牌码的横向位置判定，计算每个号牌区域标记框与图像宽度1/4、3/4的横向最小距离和，得分最小且杆号牌完整的图像即为图像最优帧，得分计算公式如下：
Figure FDA0002415312720000011
式中：Si为第i张图像得分，Gi为第i张图像中的号牌区域标记框集合，j为第i张图像中的每个号牌区域标记框，cols为号牌区域标记框的横向位置，width为第i张图像的宽度；
杆号牌完整判定公式如下：
Figure FDA0002415312720000012
式中：Gi为第i张图像中的号牌区域标记框集合，j为第i张图像中的每个号牌区域标记框，widthj为第j个号牌区域标记框的宽度，heightj为第j个号牌区域标记框的高度。
3.根据权利要求1所述的一种基于C2检测数据的高铁接触网支柱杆号牌识别方法，其特征在于，所述步骤3具体为：
3.1对图像进行尺寸预处理；
3.2使用号牌数字识别MobileNetV2网络，检测接触网号牌分割图像编号数字信息，包括数字类型及空间位置；
3.3根据单一数字的识别位置信息将数字排序，输出完整接触网杆号编号。
4.根据权利要求1所述的一种基于C2检测数据的高铁接触网支柱杆号牌识别方法，其特征在于，所述步骤4中，将批量的连续杆号输入连续杆号修正算法中，将误判及漏判的杆号进行人为修正，之后将杆号与所对应的支柱图像进行匹配，具体过程如下：
4.1对输入的杆号经过判定条件寻找起始杆号索引；
4.2将当前索引杆号数字与前后杆号三者进行差值计算比较，判断当前杆所在相对位置；
4.3若前后杆差值为0，根据当前杆号最后一位数字与前后杆号的最后一位数字进行比较，判断当前杆图像属于前项还是后项；若前后杆差值为4，则当前杆号为前后项杆号的中间值；
4.4若以上情况都不符合，则开始对当前杆号进行逐位修正；同样是将当前杆号的每一位依次与前后项进行比较，根据相等关系进行修改，最终完成杆号的修改；
4.5依次输出修改后的杆号，将杆号与所在图像文件路径相对应，最终输出完整的连续杆号信息。
CN201911297123.5A 2019-12-17 2019-12-17 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 Expired - Fee Related CN110728269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911297123.5A CN110728269B (zh) 2019-12-17 2019-12-17 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911297123.5A CN110728269B (zh) 2019-12-17 2019-12-17 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法

Publications (2)

Publication Number Publication Date
CN110728269A CN110728269A (zh) 2020-01-24
CN110728269B true CN110728269B (zh) 2020-08-21

Family

ID=69225998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911297123.5A Expired - Fee Related CN110728269B (zh) 2019-12-17 2019-12-17 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法

Country Status (1)

Country Link
CN (1) CN110728269B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111591321A (zh) * 2020-07-27 2020-08-28 成都中轨轨道设备有限公司 一种用于轨道杆号牌内容的连续识别纠正装置和方法
CN112990132B (zh) * 2021-04-27 2023-01-03 成都中轨轨道设备有限公司 一种轨道标号牌定位识别方法
CN114462646B (zh) * 2022-03-15 2022-11-15 成都中轨轨道设备有限公司 一种基于接触网安全巡检的杆号牌识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710878A (zh) * 2018-04-18 2018-10-26 武汉工程大学 一种铁路接触网支柱号牌字符分割方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104615974B (zh) * 2015-01-15 2017-10-13 成都交大光芒科技股份有限公司 基于跟踪算法的连续支柱号牌图像识别方法
CN105930839B (zh) * 2015-11-11 2019-04-05 湖南华宏铁路高新科技开发有限公司 一种电气化铁路接触网支柱杆号智能识别方法
US10360470B2 (en) * 2016-10-10 2019-07-23 Gyrfalcon Technology Inc. Implementation of MobileNet in a CNN based digital integrated circuit
CN106599894A (zh) * 2016-12-27 2017-04-26 上海铁路局科学技术研究所 一种基于图像识别的接触网杆号识别方法
CN107392201A (zh) * 2017-06-09 2017-11-24 中国科学院自动化研究所 接触网支柱的支柱号识别方法、存储介质、处理设备
CN108509950B (zh) * 2018-03-27 2021-07-27 南京智莲森信息技术有限公司 基于概率特征加权融合的铁路接触网支柱号牌检测识别法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710878A (zh) * 2018-04-18 2018-10-26 武汉工程大学 一种铁路接触网支柱号牌字符分割方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Rubber Tapping Position and Harvesting Cup Detection Using Faster-RCNN with MobileNetV2;Rattachai Wongtanawijit 等;《2019 23rd International Computer Science and Engineering Conference（ICSEC）》;20191101;第335-339页 *

Also Published As

Publication number Publication date
CN110728269A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN112381175A (zh) 一种基于图像处理的电路板识别与分析方法
CN113947731B (zh) 一种基于接触网安全巡检的异物识别方法及系统
CN112348787A (zh) 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置
CN112967255A (zh) 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN112419261B (zh) 具有异常点去除功能的视觉采集方法及装置
CN113780200A (zh) 基于计算机视觉的路面多种病害面积检测及定位方法
CN113781537A (zh) 一种轨道弹条扣件缺陷识别方法、装置和计算机设备
CN114359235A (zh) 一种基于改进YOLOv5l网络的木材表面缺陷检测方法
CN103699876A (zh) 一种基于线阵ccd图像识别车号的方法及装置
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN114331961A (zh) 用于对象的缺陷检测的方法
CN113487570A (zh) 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法
CN115830514B (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
CN111723673A (zh) 一种基于计算机视觉的智能高铁人数统计方法
CN116091506A (zh) 一种基于yolov5的机器视觉缺陷质检方法
CN116363655A (zh) 一种财务票据识别方法及系统
CN110969135A (zh) 自然场景中的车标识别方法
CN113887489A (zh) 基于位置增强和多尺度融合网络的车厢内人群计数方法
CN110070520B (zh) 基于深度神经网络的路面裂缝检测模型构建及检测方法
CN107239754B (zh) 基于稀疏取样灰度分布和梯度分布特征的车标识别方法

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

Granted publication date: 20200821