CN111027413A - 远距离多工位物体检测方法、系统及存储介质 - Google Patents
远距离多工位物体检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111027413A CN111027413A CN201911143611.0A CN201911143611A CN111027413A CN 111027413 A CN111027413 A CN 111027413A CN 201911143611 A CN201911143611 A CN 201911143611A CN 111027413 A CN111027413 A CN 111027413A
- Authority
- CN
- China
- Prior art keywords
- image
- jetson
- nano
- detection
- network
- 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
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了远距离多工位物体检测方法、系统及存储介质,方法包括以下步骤:通过Jetson‑Nano发出图像获取请求指令;通过POE交换机将图像获取请求指令发送至POE摄像头;根据图像获取请求指令,通过POE摄像头实时获取图像,并将获取到的图像发送至Jetson‑Nano;通过Jetson‑Nano对图像进行检测,根据检测结果生成控制指令;Jetson‑Nano通过外部IO接口将控制指令发送到外部报警设备,完成物体检测周期。本发明的设备部署成本低,降低了现场电路布线的复杂度,适用于复杂环境检测,可广泛应用于包装产线技术领域。
Description
技术领域
本发明涉及包装产线技术领域,尤其是远距离多工位物体检测方法、系统及存储介质。
背景技术
名词解释:
Jetson-Nano:嵌入式AI设备,采用四核64位ARM CPU和128核集成NVIDIA GPU,可提供472 GFLOPS的计算性能。主要为各种复杂的深度神经网络模型提供实时计算机视觉推理,具有集成度高,能耗低等特点。
POE交换机:与普通交换机的区别是,可以通过网线为具有POE功能的设备进行供电。
POE监控摄像头:与普通监控摄像头不同的是它是通过网线进行供电,而且数据传输距离最多达到250m。
在包装产线上,流水线工人需要将不同的零部件放进指定的包装盒子里面,然后送到最终的打包设备进行打包。而在这个过程中,很容易出现漏放、多放或者错放的情况。这时候就需要检测包装盒子里面的零部件在种类和数量上是否正确,根据检测的结果反馈到执行机构去做相应的处理。目前最流行的两种方案如下:
方案一:一台工控机配合多个工业相机部署到每个工位上,然后利用普通的图像处理方法去检测,把检测结果返回到工控机,然后通过工控机把结果反馈到执行机构。
方案二:每一个工位部署一个智能相机,所谓智能相机就是相机里面本身已经集成了基本的IO口和系统,可以说是一个小型的工控机与相机的组合设备。同样的,智能相机通过普通的图像处理方法把检测结果直接反馈到执行机构。
上述这两种方法有以下几点缺点:
(1)对于方案一来说,工控机的体积很大,占用的地方较大,不利于在流水线上进行安装部署。此外,普通的工业相机它的最大数据传输距离只有五米,超过五米会出现数据丢失情况,这限制了相机的与工控机的部署距离,在多工位的流水线上往往需要每隔五米就需要多加一台工控机,导致了成本的大大增加。最后是每一个普通的工业相机需要外接电源,这就需要在每一个工位上提供一个电源给相机用,无疑增加了线路的部署成本和复杂程度。
(2)对于方案二来说,虽然智能相机集成度很高,但是价格比较昂贵,比普通的工业相机贵四倍以上,如果在多工位的流水线上部署的话会大大增加了成本。此外,每一台智能相机都需要外接电源,进一步加大了设备成本。
(3)无论是方案一还是方案二,从图像处理检测方法上来看都是运用一般的图像处理算法,这类算法有一个很大的不足就是对光照要求比较高,当光照发生一点改变往往导致检测的结果不同。此外,目前的图像处理检测方法不适用于光照复杂度较高的场景。
发明内容
有鉴于此,本发明实施例提供一种成本低且适用范围广的,远距离多工位物体检测方法、系统及存储介质。
第一方面,本发明实施例提供了一种远距离多工位物体检测方法,包括以下步骤:
通过Jetson-Nano发出图像获取请求指令;
通过POE交换机将图像获取请求指令发送至POE摄像头;
根据图像获取请求指令,通过POE摄像头实时获取图像,并将获取到的图像发送至Jetson-Nano;
通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令;
Jetson-Nano通过外部IO接口将控制指令发送到外部报警设备,完成物体检测周期。
进一步,还包括构建检测模型的步骤。
进一步,所述构建检测模型的步骤包括以下步骤:
采集样本图像;
标记每张样本图像的物体类型,根据物体类型对应的图像坐标以及图像类别生成标记文件;
将样本图像和标记文件输入R-FCN目标检测网络中进行训练,输出权重模型文件,得到检测模型;其中,R-FCN目标检测网络中的特征提取网络采用ResNet-50网络。
进一步,所述将样本图像和标记文件输入R-FCN目标检测网络中进行训练,输出权重模型文件,得到检测模型这一步骤,包括以下步骤:
将样本图像作为输入单元输入到特征提取网络ResNet-50中进行特征提取,获得一系列特征图;
通过损失函数来计算每个样本图像的损失值;
确定所有样本图像的损失值总和大于预设阈值后,通过梯度下降法对权值进行更新,并返回执行将样本图像作为输入单元输入到特征提取网络ResNet-50中进行特征提取,获得一系列特征图的步骤,直至所有样本图像的损失值总和小于或者等于预设阈值。
进一步,所述通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令这一步骤,包括以下步骤:
载入检测模型,提取检测模型中的权重信息,并初始化ResNet-50网络;
将获取到的图像输入ResNet-50网络进行预测,得到检测结果。
进一步,所述将获取到的图像输入ResNet-50网络进行预测,得到检测结果这一步骤,包括以下步骤:
通过拉普拉斯滤波算法对获取到的图像进行预处理;
将预处理后的图像作为输入变量,计算输入变量的预测值。
第二方面,本发明实施例还提供了一种远距离多工位物体检测系统,包括:
请求模块,用于通过Jetson-Nano发出图像获取请求指令;
通讯模块,用于通过POE交换机将图像获取请求指令发送至POE摄像头;
获取模块,用于根据图像获取请求指令,通过POE摄像头实时获取图像,并将获取到的图像发送至Jetson-Nano;
检测模块,用于通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令;
报警模块,用于Jetson-Nano通过外部IO接口将控制指令发送到外部报警设备,完成物体检测周期。
进一步,还包括训练模块;
所述训练模块具体包括:
采集单元,用于采集样本图像;
标记单元,用于标记每张样本图像的物体类型,根据物体类型对应的图像坐标以及图像类别生成标记文件;
训练单元,用于将样本图像和标记文件输入R-FCN目标检测网络中进行训练,输出权重模型文件,得到检测模型;其中,R-FCN目标检测网络中的特征提取网络采用ResNet-50网络。
第三方面,本发明实施例还提供了一种远距离多工位物体检测系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的远距离多工位物体检测方法。
第四方面,本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述的远距离多工位物体检测方法。
上述本发明实施例中的一个或多个技术方案具有如下优点:本发明基于Jetson-Nano来实现远距离的多工位物体检测,本发明首先通过Jetson-Nano发出图像获取请求指令;接着通过POE交换机将图像获取请求指令发送至POE摄像头;然后根据图像获取请求指令,通过POE摄像头实时获取图像,并将获取到的图像发送至Jetson-Nano;并通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令;最后Jetson-Nano通过外部IO接口将控制指令发送到外部报警设备,完成物体检测周期;本发明的设备部署成本低,仅需Jetson-Nano、POE交换机和POE摄像头;另外,本发明将传统的工业相机替换为POE摄像头,通过网线进行供电,降低了现场电路布线的复杂度;再有,本发明利用了Jetson-Nano来进行物体目标检测,对光照依赖度低,鲁棒性好,提高了检测精度,适用于复杂环境检测。
附图说明
图1为本发明的系统的设备数据流向图;
图2为本发明实施例的系统模块示意图;
图3为本发明实施例的第一训练流程示意图;
图4为本发明实施例的第二训练流程示意图;
图5为本发明实施例的检测流程示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明实施例的整个硬件设备数据流情况如图1所示,基本步骤如下:
a.Jetson-Nano发出图像获取请求指令,请求指令通过POE交换机达到POE摄像头。
b.POE摄像头接受到请求指令后,通过内部控制电路实时抓取到一张图像,图像数据经过POE交换机传输到Jetson-Nano中。
c.Jetson-Nano通过里面的基于深度学习的物体检测系统对图像进行计算检测,得出检测结果并生成控制指令。
d.Jetson-Nano通过外部IO接口将控制指令发送到外部的报警设备中去,一个检测周期结束。
优选的,在本实施例中,如图2所示,Jetson-Nano中的软件系统是基于PyTorch深度学习框架进行开发。
如图3所示,本实施例的构建检测模型的训练步骤基本包括以下步骤:
(a)由于在实际的检测过程中需要一个检测模型来对图像进行预测,所以在检测之前采集多张样本图片作为训练对象。
(b)对每张训练图片进行物体类型标记,将图片中某一类物体的图像坐标跟类别存储到xml文件里面。
(c)将训练图片与相对应的标记文件输入到R-FCN目标检测网络中进行训练,其中特征提取网络采用ResNet-50网络,并输出权重模型文件。
如图4所示,本实施例的训练过舱具体包括以下步骤:
A.将图像作为输入单元输入到特征提取网络ResNet中进行特征提取,获得一系列特征图。特征值z的计算公式如下:
其中,X为输入单元X={x1,x2,x3…xn},W为n维的权值向量,b为偏置项,f为sigmoid函数。
特征图的大小可以通过下面公式算出:
其中,Wdst和Hdst分别代表特征图的宽和高,Wsrc和Hsrc分别代表原图的宽和高,F代表卷积核大小,P代表边界填充,S代表步长。
B.利用损失函数来计算每个样本的损失值,如下式所示:
对于整个样本集来说,定义一个代价函数(cost function)来衡量整个样本集的损失情况,下式所示:
其中,J()代表总体样本损失值;W代表权重变量;b代表偏置项;m代表样本数目。
C.当总体损失值小于等于0.1时候,停止迭代更新权值,将网络中每一层的权值输出到权重文件中去,退出训练,否则跳到步骤D;
D.利用梯度下降法对权值进行更新,其公式如下:
其中,a为学习率,本实施例取0.0001。
E.重复ABC步骤,直至停止迭代更新权值。
如图5所示,本实施例提供了图像检测的具体实施步骤,包括以下步骤:
载入检测模型,提取检测模型中的权重信息,并初始化ResNet-50网络;
将获取到的图像输入ResNet-50网络进行预测,得到检测结果;具体的,通过拉普拉斯滤波算法对获取到的图像进行预处理;将预处理后的图像作为输入变量,计算输入变量的预测值;
(a)载入训练模型,将里面的权重信息提取出来并初始化ResNet网络。
(b)发出图片请求指令,从POE摄像头获取一张图片等待检测。
(c)将获取到的图片数据输入ResNet网络进行预测,得出预测结果并输出。
(d)重复a、b、c步骤,直到检测任务结束。
上述预测过程的具体步骤如下:
A.通过拉普拉斯滤波算法对图片进行预处理,达到图像增强作用。具体计算公式如下:
B.将处理后的待测图片作为输入变量,通过下式计算得出预测值f(z)并输出
其中,z代表所有样本通过加权偏移计算出来的值;WTX代表所有样本的权重与输入的乘积;b代表偏置项;ωi代表第i个样本的权重;xi代表第i个样本的输入值;f(z)代表预测值;e-z代表以z为指数的数值。
进一步作为优选的实施方式,本发明还提供了通信模块,通信模块主要对POE摄像头进行控制和根据检测结果对外部报警设备进行控制。当预测值与设定值不相符时,通过串口协议向报警设备写入报警信息。
本发明实施例还提供了一种远距离多工位物体检测系统,包括:
请求模块,用于通过Jetson-Nano发出图像获取请求指令;
通讯模块,用于通过POE交换机将图像获取请求指令发送至POE摄像头;
获取模块,用于根据图像获取请求指令,通过POE摄像头实时获取图像,并将获取到的图像发送至Jetson-Nano;
检测模块,用于通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令;
报警模块,用于Jetson-Nano通过外部IO接口将控制指令发送到外部报警设备,完成物体检测周期。
进一步作为优选的实施方式,还包括训练模块;
所述训练模块具体包括:
采集单元,用于采集样本图像;
标记单元,用于标记每张样本图像的物体类型,根据物体类型对应的图像坐标以及图像类别生成标记文件;
训练单元,用于将样本图像和标记文件输入R-FCN目标检测网络中进行训练,输出权重模型文件,得到检测模型;其中,R-FCN目标检测网络中的特征提取网络采用ResNet-50网络。
本发明实施例还提供了一种远距离多工位物体检测系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的远距离多工位物体检测方法。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述的远距离多工位物体检测方法。
综上所述,本发明的远距离多工位物体检测方法、系统及存储介质,具有以下优点:
(1)成本低:相比于传统方案,本发明的硬件方案成本相对较低。
(2)部署方便:方案中把传统工业相机改成POE监控摄像头,通过网线进行供电,降低了现场电路布线的复杂度。
(3)远距离传输:POE监控摄像头稳定数据传输距离长达250米,大大远于普通工业相机5米的传输距离,适合长包装线的部署。
(4)检测精度高:与传统的图像处理检测手段不同,本发明利用了Jetson-Nano强大的深度学习网络推断能力,配合PyTorch深度学习框架,开发出目标检测系统,对图像进行物体目标检测,大大地提高了检测精度。检测系统中的算法对光照依赖度低,鲁棒性好,适用于复杂环境检测。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.远距离多工位物体检测方法,其特征在于:包括以下步骤:
通过Jetson-Nano发出图像获取请求指令;
通过POE交换机将图像获取请求指令发送至POE摄像头;
根据图像获取请求指令,通过POE摄像头实时获取图像,并将获取到的图像发送至Jetson-Nano;
通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令;
Jetson-Nano通过外部IO接口将控制指令发送到外部报警设备,完成物体检测周期。
2.根据权利要求1所述的远距离多工位物体检测方法,其特征在于:还包括构建检测模型的步骤。
3.根据权利要求2所述的远距离多工位物体检测方法,其特征在于:所述构建检测模型的步骤包括以下步骤:
采集样本图像;
标记每张样本图像的物体类型,根据物体类型对应的图像坐标以及图像类别生成标记文件;
将样本图像和标记文件输入R-FCN目标检测网络中进行训练,输出权重模型文件,得到检测模型;其中,R-FCN目标检测网络中的特征提取网络采用ResNet-50网络。
4.根据权利要求3所述的远距离多工位物体检测方法,其特征在于:所述将样本图像和标记文件输入R-FCN目标检测网络中进行训练,输出权重模型文件,得到检测模型这一步骤,包括以下步骤:
将样本图像作为输入单元输入到特征提取网络ResNet-50中进行特征提取,获得一系列特征图;
通过损失函数来计算每个样本图像的损失值;
确定所有样本图像的损失值总和大于预设阈值后,通过梯度下降法对权值进行更新,并返回执行将样本图像作为输入单元输入到特征提取网络ResNet-50中进行特征提取,获得一系列特征图的步骤,直至所有样本图像的损失值总和小于或者等于预设阈值。
5.根据权利要求4所述的远距离多工位物体检测方法,其特征在于:所述通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令这一步骤,包括以下步骤:
载入检测模型,提取检测模型中的权重信息,并初始化ResNet-50网络;
将获取到的图像输入ResNet-50网络进行预测,得到检测结果。
6.根据权利要求5所述的远距离多工位物体检测方法,其特征在于:所述将获取到的图像输入ResNet-50网络进行预测,得到检测结果这一步骤,包括以下步骤:
通过拉普拉斯滤波算法对获取到的图像进行预处理;
将预处理后的图像作为输入变量,计算输入变量的预测值。
7.远距离多工位物体检测系统,其特征在于:包括:
请求模块,用于通过Jetson-Nano发出图像获取请求指令;
通讯模块,用于通过POE交换机将图像获取请求指令发送至POE摄像头;
获取模块,用于根据图像获取请求指令,通过POE摄像头实时获取图像,并将获取到的图像发送至Jetson-Nano;
检测模块,用于通过Jetson-Nano对图像进行检测,根据检测结果生成控制指令;
报警模块,用于Jetson-Nano通过外部IO接口将控制指令发送到外部报警设备,完成物体检测周期。
8.根据权利要求7所述的远距离多工位物体检测系统,其特征在于:还包括训练模块;
所述训练模块具体包括:
采集单元,用于采集样本图像;
标记单元,用于标记每张样本图像的物体类型,根据物体类型对应的图像坐标以及图像类别生成标记文件;
训练单元,用于将样本图像和标记文件输入R-FCN目标检测网络中进行训练,输出权重模型文件,得到检测模型;其中,R-FCN目标检测网络中的特征提取网络采用ResNet-50网络。
9.远距离多工位物体检测系统,其特征在于:包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-6中任一项所述的远距离多工位物体检测方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-6中任一项所述的远距离多工位物体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143611.0A CN111027413A (zh) | 2019-11-20 | 2019-11-20 | 远距离多工位物体检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143611.0A CN111027413A (zh) | 2019-11-20 | 2019-11-20 | 远距离多工位物体检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027413A true CN111027413A (zh) | 2020-04-17 |
Family
ID=70205960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143611.0A Pending CN111027413A (zh) | 2019-11-20 | 2019-11-20 | 远距离多工位物体检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027413A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738259A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种杆塔状态检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160210518A1 (en) * | 2015-01-15 | 2016-07-21 | vClick3d, Inc. | Systems and methods for controlling the recording, storing and transmitting of video surveillance content |
CN106874894A (zh) * | 2017-03-28 | 2017-06-20 | 电子科技大学 | 一种基于区域全卷积神经网络的人体目标检测方法 |
CN107014819A (zh) * | 2017-06-09 | 2017-08-04 | 杭州电子科技大学 | 一种太阳能电池板表面缺陷检测系统和方法 |
CN108765481A (zh) * | 2018-05-25 | 2018-11-06 | 亮风台(上海)信息科技有限公司 | 一种单目视频的深度估计方法、装置、终端和存储介质 |
CN109740676A (zh) * | 2019-01-07 | 2019-05-10 | 电子科技大学 | 基于相似目标的物体检测迁移方法 |
CN110135266A (zh) * | 2019-04-17 | 2019-08-16 | 浙江理工大学 | 一种基于深度学习的双摄像头电气火灾防控方法及系统 |
CN209313863U (zh) * | 2018-11-20 | 2019-08-27 | 深圳市丰润达科技有限公司 | Poe交换机 |
-
2019
- 2019-11-20 CN CN201911143611.0A patent/CN111027413A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160210518A1 (en) * | 2015-01-15 | 2016-07-21 | vClick3d, Inc. | Systems and methods for controlling the recording, storing and transmitting of video surveillance content |
CN106874894A (zh) * | 2017-03-28 | 2017-06-20 | 电子科技大学 | 一种基于区域全卷积神经网络的人体目标检测方法 |
CN107014819A (zh) * | 2017-06-09 | 2017-08-04 | 杭州电子科技大学 | 一种太阳能电池板表面缺陷检测系统和方法 |
CN108765481A (zh) * | 2018-05-25 | 2018-11-06 | 亮风台(上海)信息科技有限公司 | 一种单目视频的深度估计方法、装置、终端和存储介质 |
CN209313863U (zh) * | 2018-11-20 | 2019-08-27 | 深圳市丰润达科技有限公司 | Poe交换机 |
CN109740676A (zh) * | 2019-01-07 | 2019-05-10 | 电子科技大学 | 基于相似目标的物体检测迁移方法 |
CN110135266A (zh) * | 2019-04-17 | 2019-08-16 | 浙江理工大学 | 一种基于深度学习的双摄像头电气火灾防控方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738259A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种杆塔状态检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111327828B (zh) | 拍照方法、装置、电子设备及存储介质 | |
CN107393017A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
JP2022553252A (ja) | 画像処理方法、画像処理装置、サーバ、及びコンピュータプログラム | |
CN111091597B (zh) | 确定图像位姿变换的方法、装置及存储介质 | |
CN112651490B (zh) | 人脸关键点检测模型的训练方法及设备、可读存储介质 | |
EP4318313A1 (en) | Data processing method, training method for neural network model, and apparatus | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
CN112528108B (zh) | 一种模型训练系统、模型训练中梯度聚合的方法及装置 | |
CN113838134B (zh) | 图像关键点检测方法、装置、终端和存储介质 | |
CN117197388A (zh) | 一种基于生成对抗神经网络和倾斜摄影的实景三维虚拟现实场景构建方法及系统 | |
CN115210763A (zh) | 用于包括姿态和大小估计的对象检测的系统和方法 | |
CN111177811A (zh) | 一种应用于云平台的消防点位自动布图的方法 | |
CN112013820B (zh) | 一种面向无人机机载平台部署的实时目标检测方法及装置 | |
CN111027413A (zh) | 远距离多工位物体检测方法、系统及存储介质 | |
CN110490165B (zh) | 一种基于卷积神经网络的动态手势跟踪方法 | |
CN114820755B (zh) | 一种深度图估计方法及系统 | |
CN116385660A (zh) | 室内单视图场景语义重建方法及系统 | |
CN113658274B (zh) | 用于灵长类动物种群行为分析的个体间距自动计算方法 | |
CN114494682A (zh) | 一种物体位置预测方法、装置、设备及存储介质 | |
CN115620082A (zh) | 模型训练方法、头部姿态估计方法、电子设备及存储介质 | |
CN114648762A (zh) | 语义分割方法、装置、电子设备和计算机可读存储介质 | |
WO2020207294A1 (zh) | 服务处理方法、装置、存储介质及电子设备 | |
CN112862758A (zh) | 用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |