CN111027538A - 一种基于实例分割模型的集装箱检测方法 - Google Patents

一种基于实例分割模型的集装箱检测方法 Download PDF

Info

Publication number
CN111027538A
CN111027538A CN201910783801.2A CN201910783801A CN111027538A CN 111027538 A CN111027538 A CN 111027538A CN 201910783801 A CN201910783801 A CN 201910783801A CN 111027538 A CN111027538 A CN 111027538A
Authority
CN
China
Prior art keywords
container
network
image
segmentation
segmentation model
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
CN201910783801.2A
Other languages
English (en)
Inventor
不公告发明人
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.)
Shanghai Qiaodong Network Technology Co ltd
Original Assignee
Shanghai Qiaodong Network Technology 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 Shanghai Qiaodong Network Technology Co ltd filed Critical Shanghai Qiaodong Network Technology Co ltd
Priority to CN201910783801.2A priority Critical patent/CN111027538A/zh
Publication of CN111027538A publication Critical patent/CN111027538A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

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

Abstract

本发明是公开的图像处理技术领域的一种基于实例分割模型的集装箱检测方法。包括：A1、获取集装箱照片；A2、将包含集装箱的照片输入到训练好的实例分割模型；A3、得到图像内每个集装箱的拍摄角度，外接矩形及分割结果即每个集装箱的边界坐标。本发明提出的集装箱图像检测方法，采用实例分割实现了对图像中所有集装箱的检测与分割，并且能够区分不同集装箱的拍摄角度，即使在集装箱相互粘连等复杂情况下仍可准确检测与分割。

Description

一种基于实例分割模型的集装箱检测方法
技术领域
本发明设计一种图像处理方法，属于图像处理技术领域，尤其是指一种基于实例分割模型的集装箱检测方法。
技术背景
随着科学技术的进步和国家进出口贸易的增加，物流运输行业处于逐年迅速发展和需求大量提升的环境，对集装箱的运输量也是逐年增加。对于集装箱来讲在海上运输起到重要的作用，在海运大力发展的同时，需要更加智能快速的方法获取到集装箱信息，从而对大规模集装箱能够实现集装箱的信息化、智能化和现代化。
在实际场景应用中，无论是智能堆场，还是集装箱检验系统，或是箱号检测系统，集装箱检测都是基础，重中之重。现如今计算机视觉技术空前成熟，还未有相关技术应用到集装箱检测领域。集装箱的检测分割技术在将来的智能化航运中起着至关重要的作用。高效准确的分割技术在检测中同样起着至关重要的作用。基于实例分割模型的集装箱检验方法应运而生
基于传统图像分割算法grabcut在分割开始时，需要手动的框选需分割的前景区域，需要人的交互式操作，与数字化，智能化的需求有巨大的偏差。其次，由于对图像的每个像素均要计算混合高斯模型以确定是前景与背景的概率，同时相邻的像素均要计算二范数从而确定边缘，通过不断地迭代以使得模型参数收敛，大大的降低了分割速率，在实际中一张图像要处理1分钟左右的时间，不具有工业的可实施性。同时，模型的参数不具有泛化性。算法对每张图像都要重新进行高斯混合模型的搭建与参数的迭代学习，学到的参数仅对当前图像有效，对其他图像无效。原因在于该算法同时对背景也做了建模，即使相同的前景，背景不同也会导致模型的参数不同。同时，该模型对交叉类似的物体分割困难，因为交叉类似的物体具有相似的特征如纹理，颜色。该算法建立的混合高斯模型由于对前景进行建模，导致与前景相似的内容均归为前景，不能很好的分割相似的交叉物体，而集装箱的外表形状均很相似，故对一张图像中含有两个及以上集装箱的图像，不能分割出单独的集装箱。其次，该模型对背景与前景颜色相似，即边缘不易区分的分割效果不理想。由于该模型同时对边缘进行建模，由于颜色等相似，而该模型确定边缘主要以颜色相近度为主，故前景与背景颜色相近的情况下，不能区分。最后，该算法仅能进行前景的分割，不具有识别功能，即是否分割与图片内容无关，不知道图像是否包含所需内容，只要给出交互框，均分割。
为解决此问题可以结合目标检测算法，首先通过一个目标检测框架可以将图像中的物体框选出来，然后在进行分割，实现无需交互的自动化分割，且能识别出被分割的物体。该算法分割结果仍受限与传统的分割算法的性能，如复杂环境下分割效果差，速度较慢，且模型复用性不足。
结合目标检测与传统分割的算法，仍然受限于传统过的分割算法的局限：速度慢，可复用性差，受限于复杂环境与背景，如颜色相似的背景，且对相同目标交叉情况下，不能单独区分每一个目标。
为获得较好的分割效果，深度学习中有语义分割模型，语义分割模型有较好的分割效果，很强的模型复用性，只要将图像输入可以输出图像中不同目标的分割结果，相同的目标也会有类别标注，即知道分割对象那个的类别。
基于深度学习的语义分割模型，虽然有较快的速度，可复用性强，能应对复杂的背景，但有一个较大的缺陷，对图像中有相同的目标不能每个目标单独区分，对具有交叉的相同目标不能单独分割出每个目标，这对集装箱分割有很大影响，因集装箱拍摄地点大部分有很多集装箱，导致拍摄背景中会包含很多集装箱，但是语义分割模型不能很好的区分每个集装箱，而是将所有集装箱进行分割。
发明内容
针对上述方案存在的缺点，我们提出集装箱分割新的框架，即基于实例分割的模型来解决传统分割算法分割速度慢，复用率低，目标检测与传统算法结合，受限于传统分割算法，语义分割算法不能区分同一类目标的缺陷。该算法利用深度学习，目标检测网络框架中加入分割分支，利用目标检测框架实现每个集装箱的单独检测，并且可以识别不同角度的集装箱，利用分割网络分支将每个集装箱进行分割。由这种目标检测框架加分割分支网络，可以快速识别出集装箱的位置，角度，以及集装箱的边缘信息，大大提高集装箱检测的准确率与速率。
本发明是通过以下技术方案来实现的
首先本发明的整体框架是，利用目标检测框架进行集装箱的定位，并且可以识别出集装箱的拍摄角度，同时利用分割分支对每个目标进行分割，实现一个或多个集装箱的定位，拍摄角度，以及每个集装箱的边缘信息。
(1)、本发明提出的目标检测框架是基于区域的方法的目标检测框架，或是两阶段的目标检测模型，但并非仅是指基于区域的方法的框架，基于其他方法的目标检测框架，如基于回归方法的目标检测框架，都在所保护范围内。只要使用基于目标检测的框架都受到该专利的保护。
基于区域的方法的目标检测框架是指：
首先基于图片提出若干可能包含物体的区域(即图片的局部裁剪，被称为区域提议 (Region Proposal))，；二是在提出的这些区域上运行分类网络与回归网络得到每个区域内物体的类别与每个物体的最小外接框坐标即物体的位置信息。
a、提出包含物体区域的方法是指：
区域提议网络其目的是用来产生图像中感兴趣区域，即提出大量可能包含目标的矩形框具体为通过将特征提取网络生成的几个feature maps上的像素投影到原图以生成大量的锚框，首先通过非极大值抑制筛选掉一些重复的框，及排除掉一些超边界框，选取置信度最高的某个固定数量的锚框，来减少计算量，将剩余的锚框输入两个分支网络：分类网络、边界框回归网络，输出每一个锚框是前景还是背景，即是否包含目标，以及如果包含目标，锚框区域与真实区域的偏差。通过锚框及边界框回归网络生成的偏差来修正锚框区域得到提议区域。
网络输入：原始图像，特征提取网络生成的特征图层
网络输出：大量的提议区域，及提议区域为前景还是背景
特征提取网络是指：
特征提取网络包括骨架提取网络(backbone)和特征金字塔网络(FPN)，仅依靠骨架提取层的最后一层(特征层(feature maps))会造成检测小物体性能极具下降，而FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。FPN的功能就是融合了骨架提取网络中产生的不同尺度的feature maps，从而充分的利用了提取到的各个阶段的特征。
b、分类网络与回归网络是指：
将提出的提议区域经过感兴趣区域对齐，输入到两个网络，一个是分类网络，能够区分出区域内包含目标的类别，即集装箱的拍摄角度，另一个是回归网络或检测网络，能够输出目标的位置信息，即目标最小外接框的坐标。
感兴趣区域对齐是指：
感兴趣区域对齐网络：因为后续有全连接层的存在，使得输入后续网络的提议区域需大小一致，而经过区域提议网络输出的提议区域，有各种尺寸，所以需要经过感兴趣区域对齐网络使得每个区域大小一致。
(2)、本发明对目标检测过程中感兴趣区域对齐后的区域输入到分割网络，进行分割处理
分割网络是指：
分割任务需要预测一幅图像中所有像素点的类别，这是个空间密集型的预测任务。传统用卷积网络进行语义分割的方法是“将像素周围一个小区域作为卷积网络输入，做训练和预测。这样做存储开销大，计算效率低下，过多的重复计算，如何来确定区域大小，这也限制了感知区域的大小，而全卷积网络能够对图像进行像素级的分类，与经典的卷积网络在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同，全卷积网络可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类，从而进行分割。
采用以上技术方案，本发明的有益效果是：通过目标检测网络和分割网络的结合，相比于传统分割加目标检测，速度和准确率大大的提升，同时所获得的模型具有很强的鲁棒性，复用性，与语义分割相比，能够在分割的同时区分在具有多个相同类别目标的情况下，区分每一个单独的目标。该发明能够精确定位图像中的每一个集装箱，并且可以获得每个集装箱的拍摄角度与边缘信息，同时速率能够满足工业需求，并且获得的结果能够真正的满足需求。
附图说明
图1为本发明集装箱检测流程图。
图2为本发明实例分割模型网络结构。
图3为骨架提取网络。
图4为区域提议网络。
图5为ROIAlign原理图。
图6为输出层
图7为实例分割模型详细网络结构
图8为实例分割模型输出结果
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明基于实例分割的集装箱检测如图示所示，首先对图片进行归一化处理，利用特征提取网络获取特征图层，将特征图层输入到区域提议网络获得提议区域，将提议区域所对应的特征图输入到感兴趣区域对齐网络，进行大小改变，统一为固定大小，将统一为固定大小的感兴趣区域输入到三个网络：分类网络，检测网络，分割网络获得最终的输出结果，即每个集装箱的位置，拍摄角度与边缘信息。算法流程图如图1所示
下面详细介绍整个系统各个模块的实现方法，首先输入的图像如图1。本例以基于区域的目标检测与全连接网络的分割网络为例，但适用与其他任何目标检测网络与全连接网络结合的基于实例分割的集装箱检测。
1、图像归一化处理
首先将所有的图像该为10245*1024的尺寸
2、特征提取网络搭建
特征提取网络包括特征提取网络和特征金字塔网络，具体为：将集装箱图像输入到特征提取网络中，我们使用的是resnet101网络，resnet101经过5次卷积加残差层，会得到五个不同尺寸的特征图，取后四个特征图，他们的尺寸为输入图像的
Figure RE-GDA0002288562460000041
不同尺寸的feature maps之间的尺寸相差一倍，FPN是通过将将上一层小尺寸的feature maps上池化，即将该feature maps放大2倍，这样与小尺寸的下一层feature maps具有相同的尺寸，然后将小尺寸的下一层feature maps做1x1的卷积然后与池化后的feature maps进行融合串联。实施公式如下，结构如图3所示，最终输出为5个不同尺寸的feature maps
Figure RE-GDA0002288562460000042
式中Ci代表backbone提取出的不同尺寸的feature maps，Pi为FPN融合后的不同尺寸的 feature maps。
网络输入：原始采集的集装箱图像
网络输出：5个不同尺寸的feature maps
3、区域提议网络：
区域提议网络具体实施为：在特征提取层提出的5层feature maps的后四层的每一个像素点处，以该像素点为中心生成三个具有固定长宽比但尺寸不一的矩形框以覆盖整个集装箱图像特征图，其中每个feature maps生成的矩形框长宽比不同；然后对所有的矩形框进行分类以区分是前景物体矩形框还是背景矩形框，得到所有的前景物体矩形框，即为前景物体特征图。
同时回归所有前景与背景的矩形框，对矩形框的坐标进行修正，生成提议区域。修正，包括：
B1：前景物体矩形框进行回归，得到回归后的矩形框；
B2：计算回归后的矩形框与每一个真实标签之间的交并比；
B3：取交并比最高的预定数量个矩形框进行图像边界修正，去除其中超出图像边界的矩形框；
B4：在步骤B3中的去除超出图像边界后剩余的矩形框中进行非极大值抑制计算，找出最适合的矩形框，得到的前景物体矩形框的具体位置得以修正。
B5：对前景与背景的区域通过RPN输出的矩形框坐标偏移进行矩形框四角坐标的修订，得到最终提议区域。
网络输入：原始图像，特征提取网络输出的特征层
网络输出：大量的提议区域，及提议区域为前景还是背景
4、感兴趣区域对齐：
感兴趣区域对齐：对生成的最终的提议区域进行归一化对齐，即将所有的提议区域统一归一化为大小为7*7的感兴趣区域，具体方法为将提议区域分成7*7个等大小区域，每个小区域再次平均划分为四分，对每份的中心通过双线性插值计算像素大小，然后去四小分区域中四个像素的最大值作为该区域的像素值。这样将原提议区域归一化为7*7的感兴趣区域 (ROI)
网络输入：大量提议区域
网络输出：大小相同的感兴趣区域
5、输出层
输出层：在经过感兴趣区域对齐网络归一化以后，一部分输入全连接层，该部分有两个输出，一是通过softmax得到每个物体对应的类别，即每个集装箱的拍摄角度，另一个输出是通过reshape(变形)输出每个集装箱的边界框，即集装箱最小外接矩形左上坐标与右下坐标。另一部分输入到全卷积网络获得每个集装箱的分割结果，即每个集装箱的分割结果，包含每个集装箱的边缘信息。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (3)

1.一种基于实例分割模型的集装箱检测方法，其特征所描述的方法包含如下步骤:A1、获取集装箱图像；A2、将图像输入到训练好的实例分割模型；A3、得到图像内每个集装箱的置信度，外接矩形及分割结果即每个集装箱的边界坐标。
2.根据权力要求1所述一种基于实例分割模型的集装箱检测方法，其特征在于：所述S2步骤中，实例分割网络包括特征提取网络、区域提议网络(RPN)、感兴趣区域层对齐、输出层。
3.根据权利要求1所述一种基于实例分割模型的集装箱检测方法，其特征在于：所述A2步骤中，实例分割模型搭建包括有：
对大量的集装箱进行标注，按照图像中的目标轮廓绘制闭合多边形，将多边形区域标注为集装箱。将所有数据随机分为训练集与测试集。
搭建实例分割模型，将训练集和测试集输入网络进行训练，通过数十万次的参数迭代，使得损失函数值收敛到一个最小值，保存训练好的实例分割模型，得到一个精度，准确率很高的实例分割模型。
根据权利要求2所述的实例分割模型的集装箱检测方法，其特征在于特征提取网络包括深度残差网络和特征金字塔网络。
根据权利要求2所述的实例分割模型的集装箱检测方法，其特征在于特征提取网络具体包括：将集装箱图像输入到深度残差网络中，得到多个尺度的集装箱图像特征图，并将该多个尺度的集装箱图像特征图分别输入到特征金字塔网络，以将多个尺度的医疗图像特征图之间的信息进行融合
根据权利要求2所述的实例分割模型的集装箱检测方法，其特征在于，区域提议网络具体包括：在集装箱图像特征图上的每一个像素点处，以该像素点为中心生成多个矩形框以覆盖整个集装箱图像特征图；然后对所有的矩形框进行分类以区分是前景物体矩形框还是背景矩形框，得到所有的前景物体矩形框，即为前景物体特征图。
同时对所有的前景物体矩形框的具体位置进行修正，包括：
B1：前景物体矩形框进行回归，得到回归后的矩形框；
B2：计算回归后的矩形框与每一个真实标签之间的交并比；
B3：取交并比最高的预定数量个矩形框进行图像边界修正，去除其中超出图像边界的矩形框；
B4：在步骤B3中的去除超出图像边界后剩余的矩形框中进行非极大值抑制计算，找出最适合的矩形框，得到的前景物体矩形框的具体位置得以修正。
根据权利要求2所述的集装箱图像分割方法，其特征在于，感兴趣区域层对齐包括：将所有RPN提出的矩形框
根据权利要求2所述的集装箱图像分割方法，其特征在于，输出层包括分类子网、检测子网和分割子网，所述分类子网用于对前景物体特征图进行分类，所述检测子网用于找出包含前景物体的矩形框；所述分割子网用于对前景物体轮廓进行掩码分割。
CN201910783801.2A 2019-08-23 2019-08-23 一种基于实例分割模型的集装箱检测方法 Pending CN111027538A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910783801.2A CN111027538A (zh) 2019-08-23 2019-08-23 一种基于实例分割模型的集装箱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910783801.2A CN111027538A (zh) 2019-08-23 2019-08-23 一种基于实例分割模型的集装箱检测方法

Publications (1)

Publication Number Publication Date
CN111027538A true CN111027538A (zh) 2020-04-17

Family

ID=70200052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910783801.2A Pending CN111027538A (zh) 2019-08-23 2019-08-23 一种基于实例分割模型的集装箱检测方法

Country Status (1)

Country Link
CN (1) CN111027538A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709996A (zh) * 2020-06-16 2020-09-25 北京主线科技有限公司 一种检测集装箱位置的方法及装置
CN113240641A (zh) * 2021-05-13 2021-08-10 大连海事大学 一种基于深度学习的集装箱破损实时检测方法
CN113435458A (zh) * 2021-02-08 2021-09-24 中国石油化工股份有限公司 基于机器学习的岩石薄片图像分割方法、装置及介质
CN117392386A (zh) * 2023-10-13 2024-01-12 浙江省测绘科学技术研究院 基于实例分割的超边掩码生成网络的分类训练方法及装置
CN117876711A (zh) * 2024-03-12 2024-04-12 金锐同创(北京)科技股份有限公司 基于图像处理的图像目标检测方法、装置、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097332A (zh) * 2016-06-07 2016-11-09 浙江工业大学 一种基于角点检测的集装箱轮廓定位方法
CN106203239A (zh) * 2015-05-04 2016-12-07 杭州海康威视数字技术股份有限公司 用于集装箱理货的信息处理方法、装置和系统
CN106203539A (zh) * 2015-05-04 2016-12-07 杭州海康威视数字技术股份有限公司 识别集装箱箱号的方法和装置
CN106986272A (zh) * 2017-02-24 2017-07-28 北京航天自动控制研究所 一种基于机器视觉跟踪的集装箱货柜车防吊起方法及系统
CN107680092A (zh) * 2017-10-12 2018-02-09 中科视拓（北京）科技有限公司 一种基于深度学习的集装箱锁扣检测及预警方法
US20180137624A1 (en) * 2016-02-11 2018-05-17 Adobe Systems Incorporated Object Segmentation, Including Sky Segmentation
CN108460800A (zh) * 2016-12-12 2018-08-28 交通运输部水运科学研究所 集装箱图像定位方法及系统
CN108596166A (zh) * 2018-04-13 2018-09-28 华南师范大学 一种基于卷积神经网络分类的集装箱箱号识别方法
CN109052180A (zh) * 2018-08-28 2018-12-21 北京航天自动控制研究所 一种基于机器视觉的集装箱自动对位方法及系统
CN109544564A (zh) * 2018-11-23 2019-03-29 清华大学深圳研究生院 一种医疗图像分割方法
CN109784272A (zh) * 2019-01-13 2019-05-21 南京邮电大学盐城大数据研究院有限公司 一种集装箱识别系统及集装箱识别方法
CN110047081A (zh) * 2019-03-26 2019-07-23 清华大学 胸部x光图像的实例分割方法、装置、设备及介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203239A (zh) * 2015-05-04 2016-12-07 杭州海康威视数字技术股份有限公司 用于集装箱理货的信息处理方法、装置和系统
CN106203539A (zh) * 2015-05-04 2016-12-07 杭州海康威视数字技术股份有限公司 识别集装箱箱号的方法和装置
US20180137624A1 (en) * 2016-02-11 2018-05-17 Adobe Systems Incorporated Object Segmentation, Including Sky Segmentation
CN106097332A (zh) * 2016-06-07 2016-11-09 浙江工业大学 一种基于角点检测的集装箱轮廓定位方法
CN108460800A (zh) * 2016-12-12 2018-08-28 交通运输部水运科学研究所 集装箱图像定位方法及系统
CN106986272A (zh) * 2017-02-24 2017-07-28 北京航天自动控制研究所 一种基于机器视觉跟踪的集装箱货柜车防吊起方法及系统
CN107680092A (zh) * 2017-10-12 2018-02-09 中科视拓（北京）科技有限公司 一种基于深度学习的集装箱锁扣检测及预警方法
CN108596166A (zh) * 2018-04-13 2018-09-28 华南师范大学 一种基于卷积神经网络分类的集装箱箱号识别方法
CN109052180A (zh) * 2018-08-28 2018-12-21 北京航天自动控制研究所 一种基于机器视觉的集装箱自动对位方法及系统
CN109544564A (zh) * 2018-11-23 2019-03-29 清华大学深圳研究生院 一种医疗图像分割方法
CN109784272A (zh) * 2019-01-13 2019-05-21 南京邮电大学盐城大数据研究院有限公司 一种集装箱识别系统及集装箱识别方法
CN110047081A (zh) * 2019-03-26 2019-07-23 清华大学 胸部x光图像的实例分割方法、装置、设备及介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709996A (zh) * 2020-06-16 2020-09-25 北京主线科技有限公司 一种检测集装箱位置的方法及装置
CN113435458A (zh) * 2021-02-08 2021-09-24 中国石油化工股份有限公司 基于机器学习的岩石薄片图像分割方法、装置及介质
CN113240641A (zh) * 2021-05-13 2021-08-10 大连海事大学 一种基于深度学习的集装箱破损实时检测方法
CN113240641B (zh) * 2021-05-13 2023-06-16 大连海事大学 一种基于深度学习的集装箱破损实时检测方法
CN117392386A (zh) * 2023-10-13 2024-01-12 浙江省测绘科学技术研究院 基于实例分割的超边掩码生成网络的分类训练方法及装置
CN117392386B (zh) * 2023-10-13 2024-05-10 浙江省测绘科学技术研究院 基于实例分割的超边掩码生成网络的分类训练方法及装置
CN117876711A (zh) * 2024-03-12 2024-04-12 金锐同创(北京)科技股份有限公司 基于图像处理的图像目标检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
CN111640125B (zh) 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置
CN109255776B (zh) 一种输电线路开口销缺损自动识别方法
CN111027538A (zh) 一种基于实例分割模型的集装箱检测方法
CN104134234B (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN111027547A (zh) 一种针对二维图像中的多尺度多形态目标的自动检测方法
CN109977997B (zh) 基于卷积神经网络快速鲁棒的图像目标检测与分割方法
CN111914698B (zh) 图像中人体的分割方法、分割系统、电子设备及存储介质
CN112633277A (zh) 基于深度学习的航道船牌检测、定位及识别方法
CN110991435A (zh) 一种基于深度学习的快递运单关键信息定位方法和装置
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN111027511B (zh) 基于感兴趣区块提取的遥感图像舰船检测方法
CN110766002B (zh) 一种基于深度学习的船名字符区域检测方法
CN112560675B (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN113076871A (zh) 一种基于目标遮挡补偿的鱼群自动检测方法
CN112085024A (zh) 一种罐表面字符识别方法
CN110598698B (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN113052170B (zh) 一种无约束场景下的小目标车牌识别方法
CN110909623B (zh) 三维目标检测方法及三维目标检测器
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN114549507B (zh) 改进Scaled-YOLOv4的织物瑕疵检测方法
CN113177503A (zh) 基于yolov5的任意朝向目标十二参数检测方法
CN108022245B (zh) 基于面线基元关联模型的光伏面板模板自动生成方法
CN114565675A (zh) 一种在视觉slam前端去除动态特征点的方法

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