CN110751641A - 锚栓信息检测的方法及存储介质 - Google Patents

锚栓信息检测的方法及存储介质 Download PDF

Info

Publication number
CN110751641A
CN110751641A CN201910992605.6A CN201910992605A CN110751641A CN 110751641 A CN110751641 A CN 110751641A CN 201910992605 A CN201910992605 A CN 201910992605A CN 110751641 A CN110751641 A CN 110751641A
Authority
CN
China
Prior art keywords
anchor bolt
image information
anchor
central point
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.)
Pending
Application number
CN201910992605.6A
Other languages
English (en)
Inventor
秦昶
曹文春
张崎
李文彪
吕良福
秦至臻
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.)
Shandong Institute Of Strategic Emerging Industries
Zhongdingbeite Industrial Group Co Ltd
Shandong Beite Construction Project Management Consulting Co Ltd
Original Assignee
Shandong Institute Of Strategic Emerging Industries
Zhongdingbeite Industrial Group Co Ltd
Shandong Beite Construction Project Management Consulting Co Ltd
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 Shandong Institute Of Strategic Emerging Industries, Zhongdingbeite Industrial Group Co Ltd, Shandong Beite Construction Project Management Consulting Co Ltd filed Critical Shandong Institute Of Strategic Emerging Industries
Priority to CN201910992605.6A priority Critical patent/CN110751641A/zh
Publication of CN110751641A publication Critical patent/CN110751641A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/70—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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

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

Abstract

本发明公开了一种锚栓信息检测的方法及存储介质，该方法包括：获取锚栓图像信息；基于改进的CenterNet网络对锚栓图像信息进行目标检测，识别出锚栓图像信息中的锚栓的位置和数量；所述改进的CenterNet网络将锚栓图像信息中的每个目标作为一个中心点，并依照该中心点回归目标的属性。锚栓的位置和数目用以计算锚栓分布状况及密度，该方法不需进行额外的删除同个目标的重复检测框的后处理，而且收敛的速度的速度更快，因此可以提高锚栓信息检测的效率。

Description

锚栓信息检测的方法及存储介质
技术领域
本发明涉及目标检测技术领域，具体涉及一种锚栓信息检测的 方法及存储介质。
背景技术
外墙保温应用在建筑物上可以有效降低建筑物的使用能耗。建 筑物的外墙保温系统一般由保温板、薄抹灰系统和锚栓组成。其中， 锚栓是保证保温板和外墙基体进行有效的连接方式。锚栓数量不足， 会在后期使用过程中留有外墙脱落的隐患。因此，锚栓的数量及分 布位置，是评定外墙保温板是否安全可靠的重要因素。相关规范对 外墙保温用锚栓的数量及其位置都做出了相关要求。
随着高层建筑物的日益增多，在许多情况下需要对锚栓密度进 行监控，在对锚栓的监控信息处理的过程中，首先需要对监控信息 中包含的锚栓信息进行检测。但是，目前对锚栓信息进行检测的方 法往往依靠人工，花费的时间较长，并且还需要额外的后处理，准 确性较差，效率较低，还容易出现检测失败的问题。
发明内容
为解决上述问题，本发明提供了一种锚栓信息检测的方法，基 于改进的CenterNet网络对锚栓图像信息进行目标检测，提高了锚 栓信息检测效率。
为实现上述目的，本发明采用以下技术方案：
一种锚栓信息检测的方法，其特征在于，所述方法包括：
获取锚栓图像信息；
基于改进的CenterNet网络对锚栓图像信息进行目标检测，识 别出锚栓图像信息中的锚栓的位置和数量；其中，所述改进的 CenterNet网络用于将锚栓图像信息中的每个目标作为一个中心点， 并依照该中心点回归目标的属性。
进一步地，基于改进的CenterNet网络对锚栓图像信息进行目 标检测，识别出锚栓图像信息中的锚栓的位置和数量的方法具体为：
确定锚栓图像信息中锚栓的中心点；
根据锚栓的中心点回归锚栓图像信息中的锚栓数量及坐标。
进一步地，所述确定锚栓图像信息中锚栓中心点具体为：
将锚栓图像信息输入到全卷积神经网络中，得到锚栓热力图；
根据锚栓热力图确定锚栓中心点。
进一步地，所述根据锚栓的中心点回归出锚栓图像信息中的锚 栓位置坐标具体为：
基于预设检测模型根据锚栓中心点回归出锚栓图像信息中的锚 栓位置坐标。
进一步地，基于卷积层网络分支回归锚栓中心点对应的深度值， 深度估计器通过二维矩阵损失函数进行训练；
基于卷积层网络分支回归锚栓中心点对应的3D维度值。
进一步地，所述方法还包括：
根据识别出的锚栓图像信息中的锚栓对应的图像判断锚栓的数 目。
本发明还提供了一种非暂态计算机可读存储介质，其特征在于， 所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令 使计算机执行上述的锚栓信息检测的方法。
本发明的有益效果是：
本发明提供的锚栓信息检测方法，基于改进的CenterNet网络 对锚栓图像信息进行目标检测，识别出锚栓图像信息中的锚栓的位 置和数目，用以计算锚栓分布状况及密度，计算准确度高、耗时短。 由于改进的CenterNet网络是将锚栓图像信息中的每个目标作为一 个中心点，并依照该中心点回归目标的属性，该方法不需进行额外 的删除同个目标的重复检测框的后处理，而且收敛的速度的速度更 快，因此可以提高锚栓信息检测的效率。
附图说明
图1是本发明锚栓信息检测的方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合 本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例， 而不是全部的实施例。基于本申请中的实施例，本领域普通技术人 员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当 属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的 术语“第一”、“第二”等是用于区别类似的对象，而不必用于描 述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下 可以互换，以便这里描述的本申请的实施例。此外，术语“包括” 和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例 如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不 必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出 的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施 例中的特征可以相互组合。下面将参考附图并结合实施例来详细说 明本申请。
根据本申请实施例，提供了一种锚栓图像信息检测的方法，如 图1所示，该方法包括如下步骤。
1)获取锚栓图像信息。
其中，锚栓图像信息一定是包含锚栓的图像信息。具体的获取 锚栓图像信息的方式多种多样，可以通过具有摄像头的设备直接拍 摄获取，也可以通过从包含锚栓图像信息的存储设备中直接获取， 等等。本实施例对锚栓图像信息的获取方式以及途径不做限制。
2)基于改进的CenterNet网络对锚栓图像信息进行目标检测， 识别出锚栓图像信息中的锚栓的位置和数目。
基于“如果目标框是准确的，那么在其中心区域能够检测到目 标中心点的概率就会很高，反之亦然”的推论。首先利用左上和右 下两个角点生成初始目标框，对每个目标框定义一个中心区域，然 后判断每个目标框的中心区域是否含有中心点，若有则保留该目标框，若无则删除该目标框。
确定锚栓图像信息中的锚栓位置目标分别对应的中心点；然后 依照中心点回归出中心点对应的属性特征(外接目标框两个点的偏 移量、类别等)；最终识别出锚栓图像信息中的锚栓的位置和数目等 多种目标和属性。
具体地，确定锚栓图像信息中锚栓的中心点的方法包括：
S 1)将锚栓图像信息输入到全卷积神经网络中，得到锚栓热力 图。
下面通过具体的示例对根据网络前一层特征图得到对应的热力 图的过程进行说明：
令I∈RW×H×3为输入特征图，
Figure BDA0002238751650000051
为生成的对应的热力 图，其中，W为宽，H为高，R为输出stride，即尺寸缩放比例(本 实施例取R＝4)，C为锚栓属性的类型数，即输出热力图通道数。
Figure BDA0002238751650000052
表示检测到中心点；
Figure BDA0002238751650000053
表示检测到背景。
由I得到的
Figure BDA0002238751650000054
图像可以采用不同的网络分支进行预测。
训练中心点预测网络时，对于训练集的分类正确性Ground Truth(即GT)的中心点c，其位置为p∈R2，计算得到低分辨率(经 过下采样)上对应的中心点
Figure BDA0002238751650000055
将GT中心点通过高斯核函数
Figure BDA0002238751650000056
分散到热力图上，其中， σp是目标尺度-自适应的标准方差。如果对于同个类型C(同个中心 点或是目标类别)有两个高斯函数发生重叠，我们选择元素级最大 的，这样就得到了训练的目标热力图。训练目标函数为像素级逻辑 回归的正负样本比例均衡损失函数focal loss，函数如下：
Figure BDA0002238751650000058
其中，α和β为focal loss的超参数，本实施例中α和β分别 设置为2和4，N为图像I中的中心点个数，1/N将所有focal loss 归一化。
由于图像下采样时，GT的中心点因数据离散而产生偏差，因此 我们对每个中心点附加预测了局部偏移
Figure BDA0002238751650000059
所有类型C 共享同一局部偏移预测，局部偏移通过L1 loss来训练：
Figure BDA0002238751650000061
只在中心点位置做上述监督操作，其他位置无视。
S2)根据锚栓热力图确定锚栓中心点。
锚栓中心点是根据锚栓热力图的峰值点确定的。具体的确定过 程如下：
首先，网络测试阶段，中心点确定方法为：在预测热力图上， 提取热力值最高的100个极值点作为目标的中心点。
其次，网络训练阶段，目标热力图生成方式为：
令
Figure BDA0002238751650000063
表示目标k(其类别为ck)的目标框，其中 心位置坐标为使用关键点
Figure BDA0002238751650000065
来估计所有的 中心点。然后用高斯核函数分散到目标 热力图上。
此外，为了后续回归目标位置，为每个目标k回归出外接目标 框的长宽
Figure BDA0002238751650000067
为了减少计算负担，为每个目 标种类使用单一的尺寸预测
Figure BDA0002238751650000068
在中心点位置添加了L1 loss：
Figure BDA0002238751650000069
其中，
Figure BDA00022387516500000610
表示中心点Pk的目标大小。
我们不将尺度进行归一化，直接使用原始像素坐标。为了调节 该损失的影响，引入调节系数，整个训练的目标loss函数为：
Ldet＝Lk+λsizeLsize+λoffLoff. (4)
其中，λsize＝0.1，λ off ＝1，整个网络预测会在每个位置输出 C+4个值(即中心点类别C，偏移量的x、y，尺寸的W和H)，所有输 出共享一个全卷积的主体部分。
具体地，根据锚栓中心点回归得到锚栓图像信息中的锚栓位置 及数目的实现过程包括：
X1)基于卷积层网络分支回归锚栓中心点对应的深度值，深度 估计器通过二维矩阵损失函数进行训练。
对于每个中心点，深度值d是一个标量，然而，深度值很难直 接回归。本实施例中对输出做了变换，其中，σ 是s i gmo id函数。在主干网络末尾添加了一个卷积层网络分支
Figure RE-GDA0002269594690000072
其中，W和H为特征图像的宽和高，R为缩放比 例。该分支使用两个卷积层，然后做激活函数ReLU。我们用二维矩 阵loss来训练深度估计器。本发明提出的具体的二维矩阵损失函数 如下：
Figure BDA0002238751650000073
其中，Dk为目标k的输出网络的深度，F为张量的F范数。
X2)基于卷积层网络分支回归锚栓中心点对应的3D维度值。
3D维度(长，宽，高)是三个标量值，可以从主干网络末尾直 接拉出一个卷积层分支回归出长宽高的绝对值，单位为米，所述卷 积层分支为独立的卷积层网络分支：
Figure BDA0002238751650000074
为了保 持输出的几何结构，同时提升计算速度和精度，本发明提出采用张 量损失，张量损失函数如下：
其中，F为张量的F范数。
将识别出的锚栓图像信息中的锚栓信息用以判断锚栓的位置及 数目。
识别出锚栓图像信息中的锚栓信息后，还可以将锚栓图像与预 设的锚栓图像进行比对自动确定锚栓位置及数目。具体的，比对过 程可以根据图像相似度算法确定。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计 算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出 了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所 示出或描述的步骤。
从以上的描述中，可以看出，本申请实施例中锚栓信息检测的 装置能够有效、准确地检测锚栓数目、位置、密度。
根据本申请实施例，还提供了一种非暂态计算机可读存储介 质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机 指令使计算机执行图1所述的锚栓信息检测的方法。
显然，本领域的技术人员应该明白，上述的本申请的各步骤可 以用通用的计算装置来实现，它们可以集中在单个的计算装置上， 或者分布在多个计算装置所组成的网络上，可选地，它们可以用计 算装置可执行的程序代码来实现，从而，可以将它们存储在存储装 置中由计算装置来执行，或者将它们分别制作成各个集成电路模 块，或者将它们中的多个步骤制作成单个集成电路模块来实现。这 样，本申请不限制于任何特定的硬件和软件结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并 非对本发明保护范围的限制。对于所属领域的技术人员来说，在上 述说明的基础上还可以做出其它不同形式的修改或变形。这里无需 也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上， 本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形 仍在本发明的保护范围以内。

Claims (7)

1.一种锚栓信息检测的方法，其特征在于，所述方法包括：
获取锚栓图像信息；
基于改进的CenterNet网络对锚栓图像信息进行目标检测，识别出锚栓图像信息中的锚栓的位置和数量；其中，所述改进的CenterNet网络用于将锚栓图像信息中的每个目标作为一个中心点，并依照该中心点回归目标的属性。
2.根据权利要求1所述的锚栓信息检测的方法，其特征在于，基于改进的CenterNet网络对锚栓图像信息进行目标检测，识别出锚栓图像信息中的锚栓的位置和数量的方法具体为：
确定锚栓图像信息中锚栓的中心点；
根据锚栓的中心点回归锚栓图像信息中的锚栓数量及坐标。
3.根据权利要求2所述的锚栓信息检测的方法，其特征在于，所述确定锚栓图像信息中锚栓中心点具体为：
将锚栓图像信息输入到全卷积神经网络中，得到锚栓热力图；
根据锚栓热力图确定锚栓中心点。
4.根据权利要求2所述的锚栓信息检测的方法，其特征在于，所述根据锚栓的中心点回归出锚栓图像信息中的锚栓位置坐标具体为：
基于预设检测模型根据锚栓中心点回归出锚栓图像信息中的锚栓位置坐标。
5.根据权利要求4所述的锚栓信息检测的方法，其特征在于，
基于卷积层网络分支回归锚栓中心点对应的深度值，深度估计器通过二维矩阵损失函数进行训练；
基于卷积层网络分支回归锚栓中心点对应的3D维度值。
6.根据权利要求1-5中任一项所述的锚栓信息检测的方法，其特征在于，所述方法还包括：
根据识别出的锚栓图像信息中的锚栓对应的图像判断锚栓的数目。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使计算机执行权利要求1-6中任一项所述的锚栓信息检测的方法。
CN201910992605.6A 2019-10-18 2019-10-18 锚栓信息检测的方法及存储介质 Pending CN110751641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910992605.6A CN110751641A (zh) 2019-10-18 2019-10-18 锚栓信息检测的方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910992605.6A CN110751641A (zh) 2019-10-18 2019-10-18 锚栓信息检测的方法及存储介质

Publications (1)

Publication Number Publication Date
CN110751641A true CN110751641A (zh) 2020-02-04

Family

ID=69278751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910992605.6A Pending CN110751641A (zh) 2019-10-18 2019-10-18 锚栓信息检测的方法及存储介质

Country Status (1)

Country Link
CN (1) CN110751641A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429463A (zh) * 2020-03-04 2020-07-17 北京三快在线科技有限公司 实例分割方法、装置、电子设备和存储介质
CN111476109A (zh) * 2020-03-18 2020-07-31 深圳中兴网信科技有限公司 票据处理方法、票据处理装置和计算机可读存储介质
CN111627020A (zh) * 2020-06-03 2020-09-04 山东贝特建筑项目管理咨询有限公司 一种保温板中锚栓的检测方法、系统及计算机存储介质
CN111640089A (zh) * 2020-05-09 2020-09-08 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN112132131A (zh) * 2020-09-22 2020-12-25 深兰科技（上海）有限公司 量筒液位识别方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108360386A (zh) * 2018-03-29 2018-08-03 石家庄铁道大学 一种整孔预制简支箱梁桥精准架设施工方法
CN109339090A (zh) * 2018-09-28 2019-02-15 北京市机械施工有限公司 锚栓定位控制系统
CN110222648A (zh) * 2019-06-10 2019-09-10 国网上海市电力公司 一种架空电缆故障识别方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108360386A (zh) * 2018-03-29 2018-08-03 石家庄铁道大学 一种整孔预制简支箱梁桥精准架设施工方法
CN109339090A (zh) * 2018-09-28 2019-02-15 北京市机械施工有限公司 锚栓定位控制系统
CN110222648A (zh) * 2019-06-10 2019-09-10 国网上海市电力公司 一种架空电缆故障识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHOU XINGYI等: "Objects as Points", 《ARXIV.ORG》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429463A (zh) * 2020-03-04 2020-07-17 北京三快在线科技有限公司 实例分割方法、装置、电子设备和存储介质
CN111476109A (zh) * 2020-03-18 2020-07-31 深圳中兴网信科技有限公司 票据处理方法、票据处理装置和计算机可读存储介质
CN111640089A (zh) * 2020-05-09 2020-09-08 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN111640089B (zh) * 2020-05-09 2023-08-15 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN111627020A (zh) * 2020-06-03 2020-09-04 山东贝特建筑项目管理咨询有限公司 一种保温板中锚栓的检测方法、系统及计算机存储介质
CN112132131A (zh) * 2020-09-22 2020-12-25 深兰科技（上海）有限公司 量筒液位识别方法和装置
CN112132131B (zh) * 2020-09-22 2024-05-03 深兰科技（上海）有限公司 量筒液位识别方法和装置

Similar Documents

Publication Publication Date Title
CN110751641A (zh) 锚栓信息检测的方法及存储介质
CN111210024B (zh) 模型训练方法、装置、计算机设备和存储介质
CN108038474B (zh) 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN110796048B (zh) 一种基于深度神经网络的船舰目标实时检测方法
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN111429482A (zh) 目标跟踪方法、装置、计算机设备和存储介质
US12014536B2 (en) Target detection method and device for high-resolution remote sensing image
CN109376736A (zh) 一种基于深度卷积神经网络的视频小目标检测方法
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN116205918B (zh) 基于图卷积的多模态融合半导体检测方法、装置及介质
Tangrand Some new contributions to neural networks and wavelets with applications
CN116758280A (zh) 目标检测方法、装置、设备以及存储介质
Su et al. Change detection in synthetic aperture radar images based on non-local means with ratio similarity measurement
US20230386023A1 (en) Method for detecting medical images, electronic device, and storage medium
CN111667450A (zh) 一种船只数量统计方法、装置及电子设备
CN114663760A (zh) 模型训练的方法、目标检测方法、存储介质及计算设备
Daudt et al. Learning to understand earth observation images with weak and unreliable ground truth
EP4050560B1 (en) Wafer testing method and apparatus, and device and storage medium
US20230334837A1 (en) Object detection device, learned model generation method, and recording medium
CN113989632A (zh) 一种遥感图像桥梁检测方法、装置、电子设备及存储介质
CN111353349B (zh) 人体关键点检测方法、装置、电子设备及存储介质
Zhang et al. Uncertainty-aware forward correction for weakly supervised solar panel mapping from high-resolution aerial images
Ke Realization of Halcon Image Segmentation Algorithm in Machine Vision for Complex Scenarios
KR102638306B1 (ko) 설명가능한 인공지능 기반 건축물 외관 상태 평가 방법 및 장치
CN115801845B (zh) 基于边缘计算的工业互联网数据采集方法及相关设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200204

RJ01 Rejection of invention patent application after publication