CN111222411B - 一种激光发射安全快速报警方法和装置 - Google Patents

一种激光发射安全快速报警方法和装置 Download PDF

Info

Publication number
CN111222411B
CN111222411B CN201911194011.7A CN201911194011A CN111222411B CN 111222411 B CN111222411 B CN 111222411B CN 201911194011 A CN201911194011 A CN 201911194011A CN 111222411 B CN111222411 B CN 111222411B
Authority
CN
China
Prior art keywords
image
sub
data
images
laser
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.)
Active
Application number
CN201911194011.7A
Other languages
English (en)
Other versions
CN111222411A (zh
Inventor
李志远
王超
王宇慧
黄雷
安建华
李沛铮
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.)
713th Research Institute of CSIC
Original Assignee
713th Research Institute of CSIC
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 713th Research Institute of CSIC filed Critical 713th Research Institute of CSIC
Priority to CN201911194011.7A priority Critical patent/CN111222411B/zh
Publication of CN111222411A publication Critical patent/CN111222411A/zh
Application granted granted Critical
Publication of CN111222411B publication Critical patent/CN111222411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/22—Status alarms responsive to presence or absence of persons

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)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种激光发射安全快速报警方法和装置，包括：对公共数据和现场采集的人体特征样本训练深度网络模型对深度网络模型输入获取的图像数据；通过所述改进的深度网络模型处理图像数据，获取图像数据的识别概率；如果所述识别概率大于预先设置的报警阈值，则进行报警并切断激光器的激光输出。本发明对激光反射区域图像按照侧方进入的原则对图像分割为四个子图像区域，同时考虑人员进入的复杂性，将四个子图像区进行部分重合处理，并对训练样本分成四类：人脸、头部、上身、下身，每个区域独立并行执行人脸、人头、上身和下身的训练模型识别的计算，只要发现四类种的任何一类就立即报警，大大提高了处理的实时性和闯入激光发射区域人员的识别准确率。

Description

一种激光发射安全快速报警方法和装置
技术领域
本发明涉及一种激光发射安全快速报警装置，具体讲是在激光发射区域基于视觉深度学习动态对人形进行自动识别并实时报警，并及时切断激光器的发射来保证人身安全。
背景技术
随着激光应用技术的快速发展，千瓦级以上的激光器配合高精度的跟瞄系统，在军事上可用于反侦察，对较远距离的高低空无人侦察机的光电探测系统的感光器件实施满屏干扰，饱和干扰或进行物理损伤，使其丧失侦察功能；同时也可对敌方的“低小慢”多批次无人机群进行拦截，要地低空防御和激光损伤拦截。在民用上，即可以对大使馆、核电站、水电站、油库等重要场所实施低空无人机防御，也可布置在民用机场跑道、高压铁塔的鸟类驱赶，还可制止民用航线上无人机的“黑飞”，该技术具有广阔的应用场景。
在激光发射过程中，其主要目标是“物”，而非“人”。尤其在打击低空飞行目标和各类出光试验过程中，必须考虑各类人员的安全性。激光发射时，如果有人误闯入发射区域或激光载体出现不可控的运动都非常可能对人身造成不同程度的伤害。
发明内容
本发明提供一种激光发射安全快速报警方法和装置，以解决现有技术存在的问题。
本发明采用以下技术方案：
一种激光发射安全快速报警方法，包括：
对公共数据和现场采集的人体特征样本训练深度网络模型；
对深度网络模型输入获取的图像数据；
通过所述改进的深度网络模型处理图像数据，获取图像数据的识别概率；
如果所述识别概率大于预先设置的报警阈值，则进行报警并切断激光器的激光输出。
进一步，所述的对人体样本训练深度网络模型包括：
获取人体图像样本数据，所述人体图像样本数据至少包括四个类型的样本数据：人脸样本数据、人头样本数据、上身样本数据、下身样本数据；
通过神经网络对人脸、人头、上身和下身的人体样本数据进行训练，获取四个分类的深度网络模型。
进一步，所述对深度网络模型输入获取的图像数据包括：
获取公共数据和现场采集的场景图像，将场景图像划分为若干子图像，若干子图像中的每个子图像均作为一个图像数据。
进一步，所述四个类型的样本数据获取后，对样本数据中的每个样本均至少进行旋转、缩放、反转、明暗变化操作中的一项或者多项操作后，作为新的样本对样本数据空间进行扩充。
进一步，所述对场景图像划分为若干子图像时，将采集的场景图像按边缘分割成有部分重叠的若干区域，每个区域为一个子图像，场景图像中若干区域中间的区域为激光照射区域。
进一步，所述通过所述深度网络模型处理图像数据、获取图像数据的识别概率包括：
若干子图像中的每个子图像均作为图像数据输入到四个类型的深度网络模型进行处理，获取每个子图像在四个类型的深度网络模型中的识别概率，进行识别分类。
所述场景图像的尺寸相同，且所述若干子图像的尺寸均相同。
本发明还提供一种应用所述的方法的装置，包括：
图像获取装置，所述图像获取装置用于获取激光照射区域周围设定范围内的图像数据；
数据处理装置，所述数据处理装置与图像获取装置连接，用于对获取人体训练样本，并对获取的人体样本训练深度网络模型，同时对基于深度网络模型对图像获取装置进行处理后，获取图像数据的识别概率，并判断图像数据的四种人形特征识别概率与预设的报警阈值的大小，如果所述识别概率大于预先设置的报警阈值进行分类，并输出报警信号；
激光器切断装置，所述激光器切换装置用于接收报警信号并进行激光器输出激光的电源切断。
进一步，所述数据处理装置包括：
CPU，用于存储图像获取装置获取的图像数据，并对图像数据进行子图像的分割划分；同时用于接收子图像的识别概率，并对识别概率进行判断和输出报警信号给激光器切断装置；
GPU，所述GPU获取CPU发送的子图像，并基于深度网络模型对子图像进行处理，获取四种人形特征子图像的识别概率，同时将子图像的识别概率进行分类发送给CPU。
所述CPU为多核CPU完成并行逻辑运算，GPU为多核GPU，多核GPU对多个子图像进行并行运算。
本发明的有益效果：
1)硬件平台采用通用的CPU+GPU架构的计算机，提出采用多核CPU完成并行逻辑运算，多核GPU完成并行数据处理，可大大加速系统的运算速度，具有良好的硬件平台适应性。
2)软件开发库采用跨平台的OpenCV+OpenCL，可满足Windows、Linux、Android操作系统的应用，具有良好的移植性，应用范围广。
3）采用OpenCL完成多核CPU的并行加速，具有良好的实时性，能够及时有效的给出报警并切断激光发射，保证误闯入或设备故障造成的人员安全。
4）根据人员安全的实际发生情况，对激光反射区域图像按照侧方进入的原则对图像分割为四个子图像区域，同时考虑人员进入的复杂性，将四个子图像区进行部分重合处理，并对训练样本分成四类：人脸、头部、上身、下身，每个区域独立并行执行人脸、人头、上身和下身的训练模型识别的计算，只要发现四类种的任何一类就立即报警，大大提高了处理的实时性和闯入激光发射区域人员的识别准确率。
附图说明
图1为本发明的系统数据流框图。
图2为本发明的图像区域分割图。
图3为本发明的系统算法实现流程框图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
本发明提供一种激光发射安全快速报警方法，该方法包括深度网络模型训练和报警识别处理，具体来说，包括以下步骤：
步骤1：对人体图像样本训练深度网络模型；
步骤2：对深度网络模型输入获取的图像数据；
步骤3：通过所述深度网络模型处理图像数据，获取图像数据的识别概率并进行分类；
步骤4：如果所述识别概率大于预先设置的报警阈值，则进行报警并切断激光器的激光输出。
所述的步骤1中，深度网络模型的训练包括训练数据的获取、训练数据的处理、根据训练数据构建深度网络模型。其中，训练数据的获取和处理是决定识别正确率的重要保证，也就是“样本越多、AI越智能”。训练数据获取时，一方面利用公共数据，可通过对人体各种姿态进行拍照采集和现场人形特征采集，采集完样本数据以后，对样本数据分为训练集、验证集和测试集，其中训练集用于深度神经网络的训练，验证集用于评估模型的训练效果，测试集用来评价模型的识别效果。训练数据中，训练集、验证集和测试集的比例可根据需要设置，例如在一些实施例中，训练集占整个样本数据的70%，验证集合占整个样本数据的15%，训练集合占整个样本数据的15%。
为了达到更好的训练效果，在人体图像样本数据获取后，可对现有样本通过现有的图像处理软件（如PS）对样本数据通过旋转、缩放、翻转和明暗变化的方法来扩大样本空间。且为了提高卷积神经网络对输入样本数据的读取速度，可在获取样本数据后对样本数据尺寸进行归一化处理，同时考虑样本训练的效果和防止训练过拟合，扩充的样本通过一定的算法将扩张数据打散分布。
本发明的深度网络模型选用现有的神经网络算法进行训练获取。考虑到既要保证一定识别精度，又要保证识别的实时性，选择具有参数少，本发明优选采用实时YOLOv3深度训练网络模型，提出减少网络训练层、浅层网络特征和深层网络特征通过复合前馈的方式来改进网络模型，并通过调整、改进训练算法参数和训练模型的样本来迭代提高激光发射安全报警的准确率和实时性，具体来说，根据实际样本训练的数据只有4类，因此对YOLOV3现有网络模型的运算较为复杂的多标签多分类的逻辑回归层改进为单标签多分类的softmax层可进一步提高识别的速度；减少网络训练层数可有效提高网络模型的训练速度；选取具有典型特征的浅层网络和深层网络求和运算，既能保证人形特征的轮廓也能保证细微特征不丢失而提高了系统的识别精度；通过增加尺度特征通过GPU的并行运算可进一步提高人形特征的识别速度和识别精度；分类算法针对人形特征的概率判据阈值设定的相对保守一些，可确保激光发射时对进入场景的人形特征宁可识别错误也要能识别到，保证人员的安全。而模型训练中，基于OpenCV提供的深度学习功能完成样本数据的深度网络模型训练。
所述步骤1中，考虑激光场景中的实际情况，本发明对人体样本训练深度网络模型至少包括四个类型的样本数据：人脸样本数据、人头样本数据、上身样本数据、下身样本数据；通过神经网络对每个类型的人体样本数据进行训练，获取人脸、人头、上身和下身的四个类型的深度网络模型。
此时，在获取训练数据时，所获取的数据包括四个类型的训练数据，并根据四个类型的训练数据获取的深度网络模型。而图像获取装置获取的输入模型的图像数据是整幅图像，因此在获取激光反射区域的场景图像后，将场景图像划分为若干子图像，若干子图像中的每个子图像均作为一个图像数据，激光区域位于多个子图像区域的中部。
如图2所示的实施方式中，根据人员安全的实际发生情况，本发明获取的激光反射区域的图像数据按照侧方进入的原则对图像分割为四个子图像区域，同时考虑人员进入的复杂性，将四个子图像区进行部分重合处理，每个区域独立并行人脸深度网络模型、人头深度网络模型、上身深度网络模型、下身深度网络模型识别的计算，大大提高处理的实时性和闯入激光发射区域人员的识别准确率。
所述步骤3中，将每个子图像均通过所述的深度网络模型处理后，获取深度网络模型四种人体特征的识别概率并进行分类；
步骤4：如果每个子图像得到的四种人体特征的识别概率中大于预先设置的分类报警阈值，则进行报警并切断激光器的激光输出。
本发明以YOLOv3网络训练模型和公共数据为基础，并结合现场试验情况，构造多种场景下的人形特征数据库，训练过程中，通过适当减少网络隐藏层的层数和复合前馈方式（浅层网络学习的特征以前馈的方式与深层特征进行数据融合）来对训练网络模型进行改进，即保证了实时性又满足了系统的检测精度，并根据人形特征进行分类，完成样本的训练模型，即能保证安全报警识别精度，又能保证安全报警的实时性。
本发明还提供一种应用上述方法的装置，该装置包括：
图像获取装置，所述图像获取装置用于获取激光照射区域周围设定范围内的图像数据；
数据处理装置，所述数据处理装置与图像获取装置连接，用于对获取人体训练样本，并对获取的人体样本训练深度网络模型，同时对基于深度网络模型对图像获取装置进行处理后，获取图像数据的识别概率，并判断图像数据的四种人形特征识别概率与预设的报警阈值的大小，如果所述识别概率大于预先设置的报警阈值进行分类，并输出报警信号；
激光器切断装置，所述激光器切换装置用于接收报警信号并进行激光器输出激光的电源切断。
其中， 上述的图像获取装置可以为用于获取场景图像的云台相机，也可以从跟瞄系统中的图像处理装置中获取数据，即本发明至少可以利用跟瞄系统的图像处理装置或与云台监控计算机复用或分路获取图像数据作为安全报警处理的原始数据。
而数据处理装置，则采用具有高性能的多核GPU处理器和显示适配器，并基于深度学习技术采用OpenCL完成CPU和GPU异构平台下的并行加速计算。如图1所示，图像获取装置获取的数据发送给CPU全局内存中保存，然后CPU将获取的图像数据交给GPU的全局内存，并通过GPU的多核并行计算任务执行相关特征的并行计算，将最终计算结果返回给CPU，来决定是否急停激光器的激光输出以保证人的安全。也即，CPU用于获取图像数据和识别概率，然后判断是否需要进行报警输出，显示适配器作为OpenCL设备负责图像数据和深度学习分类模型的并行加速计算。该装置可在场景变化时也能动态捕获人形特征，采用的软硬件平台具有良好的开放性、通用性、可移植性、标准化、模块化、并行加速计算等优点具有理论创新性和工程实践价值。
而激光器切断装置，可选择使CPU与激光器工作线路上的现有继电器连接，通过CPU控制继电器的通断实现切断。
本发明在工作时，通过云台相机或者跟瞄系统获取激光发射区域的图像，由于人员闯入会从图像发射边缘区域进入，将采集的激光发射图像区域按边缘分割成有部分重叠的四个子图像处理区域，并将这四个子图像处理区域作为并行计算的基础，并将每一个子图像处理区域，基于深度学习技术获取人脸、人头、上身、下身的四个神经网络模型在GPU内完成并行加速计算，获取识别的概率并根据报警阈值来判定是否报警。若判定报警，首先触发声光报警器并通过控制接触器来断开激光器的电源使激光停止输出。
在本说明书的描述中，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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明揭露的范围内，可轻易想到的变化或者替换，都应该涵盖在本发明的保护范围内。

Claims (7)

1.一种激光发射安全快速报警方法，其特征在于，包括：
对公共数据和现场采集的人体特征样本训练深度网络模型；
对深度网络模型输入获取的图像数据；
通过所述改进的深度网络模型处理图像数据，获取图像数据的识别概率；
如果所述识别概率大于预先设置的报警阈值，则进行报警并切断激光器的激光输出；
所述的对人体样本训练深度网络模型包括：
获取人体图像样本数据，所述人体图像样本数据至少包括四个类型的样本数据：人脸样本数据、人头样本数据、上身样本数据、下身样本数据；
通过神经网络对人脸、人头、上身和下身的人体样本数据进行训练，获取四个分类的深度网络模型；
所述对深度网络模型输入获取的图像数据包括：
获取公共数据和现场采集的场景图像，将场景图像划分为若干子图像，若干子图像中的每个子图像均作为一个图像数据；
所述通过所述深度网络模型处理图像数据、获取图像数据的识别概率包括：
若干子图像中的每个子图像均作为图像数据输入到四个类型的深度网络模型进行处理，获取每个子图像在四个类型的深度网络模型中的识别概率，进行识别分类。
2.根据权利要求1所述的一种激光发射安全快速报警方法，其特征在于：
所述四个类型的样本数据获取后，对样本数据中的每个样本均至少进行旋转、缩放、反转、明暗变化操作中的一项或者多项操作后，作为新的样本对样本数据空间进行扩充。
3.根据权利要求1所述的一种激光发射安全快速报警方法，其特征在于：
所述对场景图像划分为若干子图像时，将采集的场景图像按边缘分割成有部分重叠的若干区域，每个区域为一个子图像，场景图像中若干区域中间的区域为激光照射区域。
4.根据权利要求1所述的一种激光发射安全快速报警方法，其特征在于：
所述场景图像的尺寸相同，且所述若干子图像的尺寸均相同。
5.一种应用权利要求1~4任一项所述的方法的装置，其特征在于，包括：
图像获取装置，所述图像获取装置用于获取激光照射区域周围设定范围内的图像数据；
数据处理装置，所述数据处理装置与图像获取装置连接，用于对获取人体训练样本，并对获取的人体样本训练深度网络模型，同时对基于深度网络模型对图像获取装置进行处理后，获取图像数据的识别概率，并判断图像数据的四种人形特征识别概率与预设的报警阈值的大小，如果所述识别概率大于预先设置的报警阈值进行分类，并输出报警信号；
激光器切断装置，所述激光器切换装置用于接收报警信号并进行激光器输出激光的电源切断。
6.根据权利要求5所述的装置，其特征在于：
所述数据处理装置包括：
CPU，用于存储图像获取装置获取的图像数据，并对图像数据进行子图像的分割划分；同时用于接收子图像的识别概率，并对识别概率进行判断和输出报警信号给激光器切断装置；
GPU，所述GPU获取CPU发送的子图像，并基于深度网络模型对子图像进行处理，获取四种人形特征子图像的识别概率，同时将子图像的识别概率进行分类发送给CPU。
7.根据权利要求6所述的装置，其特征在于：所述CPU为多核CPU完成并行逻辑运算，GPU为多核GPU，多核GPU对多个子图像进行并行运算。
CN201911194011.7A 2019-11-28 2019-11-28 一种激光发射安全快速报警方法和装置 Active CN111222411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911194011.7A CN111222411B (zh) 2019-11-28 2019-11-28 一种激光发射安全快速报警方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911194011.7A CN111222411B (zh) 2019-11-28 2019-11-28 一种激光发射安全快速报警方法和装置

Publications (2)

Publication Number Publication Date
CN111222411A CN111222411A (zh) 2020-06-02
CN111222411B true CN111222411B (zh) 2023-09-01

Family

ID=70810347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911194011.7A Active CN111222411B (zh) 2019-11-28 2019-11-28 一种激光发射安全快速报警方法和装置

Country Status (1)

Country Link
CN (1) CN111222411B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832807A (zh) * 2017-12-07 2018-03-23 深圳联影医疗科技有限公司 一种图像处理方法和系统
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN110378235A (zh) * 2019-06-20 2019-10-25 平安科技（深圳）有限公司 一种模糊人脸图像识别方法、装置及终端设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10824907B2 (en) * 2017-12-07 2020-11-03 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832807A (zh) * 2017-12-07 2018-03-23 深圳联影医疗科技有限公司 一种图像处理方法和系统
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
CN110378235A (zh) * 2019-06-20 2019-10-25 平安科技（深圳）有限公司 一种模糊人脸图像识别方法、装置及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度特征蒸馏的人脸识别;葛仕明等;《北京交通大学学报》(第06期);全文 *

Also Published As

Publication number Publication date
CN111222411A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
Jiao et al. A deep learning based forest fire detection approach using UAV and YOLOv3
US10699585B2 (en) Unmanned aerial system detection and mitigation
Hosseini et al. Intelligent damage classification and estimation in power distribution poles using unmanned aerial vehicles and convolutional neural networks
US10504220B2 (en) Neural network feature recognition system
CN109255286B (zh) 基于深度学习网络框架的无人机光学快速检测识别方法
Alexandrov et al. Analysis of machine learning methods for wildfire security monitoring with an unmanned aerial vehicles
CA2947138A1 (en) Object detection device, object detection method, and object detection system
CN116311078A (zh) 一种林火分析及监测方法、系统
KR102330055B1 (ko) 드론을 이용한 구조물의 변화 검출 방법 및 시스템
Ko et al. ABECIS: An automated building exterior crack inspection system using UAVs, open-source deep learning and photogrammetry
Kiran et al. Weapon Detection using Artificial Intelligence and Deep Learning for Security Applications
Amit et al. GeoMask: Foreign Object Debris Instance Segmentation Using Geodesic Representations
Saeed Unmanned aerial vehicle for automatic detection of concrete crack using deep learning
CN111222411B (zh) 一种激光发射安全快速报警方法和装置
Xing et al. Compact one-stage object detection network
Aswini et al. Custom Based Obstacle Detection Using Yolo v3 for Low Flying Drones
Risnumawan et al. Towards an Automatic Aircraft Wreckage Detection Using A Monocular Camera of UAV
CN111860626B (zh) 基于无人机遥感和面向对象分类的水土保持监测方法及系统
Bhuiya et al. Surveillance in maritime scenario using deep learning and swarm intelligence
CN109669180B (zh) 一种连续波雷达无人机检测方法
Lunghi et al. Vision-based hazard detection with artificial neural networks for autonomous planetary landing
Taş et al. Real-time puddle detection using convolutional neural networks with unmanned aerial vehicles
Pathak et al. Autonomous Obstacle Detection and Avoidance in Drones
Levin et al. Improving situational awareness in aviation: Robust vision-based detection of hazardous objects
Smolij et al. Search and classification of objects in the zone of reservoirs and coastal zones.

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