CN111291769A - 一种高铁接触网异物检测方法及系统 - Google Patents
一种高铁接触网异物检测方法及系统 Download PDFInfo
- Publication number
- CN111291769A CN111291769A CN202010394990.7A CN202010394990A CN111291769A CN 111291769 A CN111291769 A CN 111291769A CN 202010394990 A CN202010394990 A CN 202010394990A CN 111291769 A CN111291769 A CN 111291769A
- Authority
- CN
- China
- Prior art keywords
- feature map
- image
- training
- foreign matter
- loss function
- 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.)
- Granted
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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高铁接触网异物检测方法及系统,采用经过对抗性学习的生成器提取待检测图像的特征图,采用多尺度区域提取,获得特征图的候选框,再采用经过对抗性学习的异物检测网络,区别类间差异,获得高精度的异物类别和位置信息,适用于目标样本不足情况下的高铁接触网异物检测。
Description
技术领域
本发明涉及一种高铁接触网异物检测方法及系统,属于图像处理技术领域。
背景技术
四通八达的线路提供便捷服务的同时,随着高铁网络的铺设,铁路接触网的分布也越来越广,产生的问题故障也越来越多,比如说高铁接触网上的异物等。通过对异物的检测,能够及时准确发现接触网上是否存在异物,获取异物的种类和所在的位置信息,从而确保高铁接触网的正常工作。
传统对于高铁接触网异物检测,都是先通过在高铁上架设2C图像采集装置,在高铁行驶过程中对接触网进行拍摄,在由分析室的工作人员通过肉眼看图的方式来判断接触网上是否存在异物,记录信息以便排查,这种方法效率较低且易出现漏检或误检的情况。
近年来,有学者试图利用目标检测的方法进行高铁接触网的异物检测,在铁路接触网异物检测中,目标样本量不足是一个比较常见的问题。铁路线环境复杂多变,在已知现有检测模型的基础上,对于一个新目标线路的目标样本检测效果并不好,因此,铁路接触网异物检测,对于线路改变的目标样本,急需设计一个在目标样本不足情况下仍然能够维持较好检测效果的异物检测方法。
发明内容
本发明提供了一种高铁接触网异物检测方法及系统,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种高铁接触网异物检测方法,包括,
利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图;
其中,特征图生成器的损失函数为,
其中,为图像级自适应损失函数的计算值,x为分割池分割结果特征图,为将分割结果按位置配对得到的集合,只包含源线路图像分割结果,包
含目标线路图像分割结果和源线路图像分割结果,表示x服从分布时的期望值,表示x服从分布时的期望值,为鉴别器获得的结果;为加权强正
则化损失函数计算值,表示源线路训练图像集,表示具体的源线路训练图像,
表示服从分布时的期望值,和分别为源线路图像和目标线路图像的特征提取
器,和分别表示样本在和获得的特征图,w、h分别为获得的特征图
宽、高,为的方差;
根据预设多尺度,生成特征图的候选框;
利用训练好的检测网络对候选框进行检测,获得异物的类别和位置信息。
获取接触网源线路图像和不同目标线路图像,采用对抗性学习训练,得到用以提取图像特征的特征图生成器。
生成特征图的候选框的过程为,
根据特征图大小,使用预设多尺度,生成特征图的多尺度预选框;
针对特征图的多尺度预选框,计算IOU值,将IOU值大于阈值的预选框作为候选框。
采用对抗性学习训练,得到检测网络;检测网络的损失函数为,
其中,C为所有异物类别的数目,表示类别标签,表示对抗性学习训练
中鉴别器损失函数的计算值,表示对抗性学习训练中生成器损失函数的计算值,x1为
特征图候选框,,,为i类源线路异物特征,为i
类目标线路异物特征,表示x服从分布时的期望值,表示y服从分布
时的期望值,为第一组第i类的鉴别器输出,为第二组第i类的鉴别器输
出。
一种高铁接触网异物检测系统,包括,
生成器模块:利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图;
其中,特征图生成器的损失函数为,
其中,为图像级自适应损失函数的计算值,x为分割池分割结果特征图,为将分割结果按位置配对得到的集合,只包含源线路图像分割结果,包
含目标线路图像分割结果和源线路图像分割结果,表示x服从分布时的期望
值,表示x服从分布时的期望值,为鉴别器获得的结果;为加权强
正则化损失函数计算值,表示源线路训练图像集,表示具体的源线路训练图像,表示服从分布时的期望值,和分别为源线路图像和目标线路图像的特
征提取器,和分别表示样本在和获得的特征图,w、h分别为获得的特
征图宽、高,为的方差;
候选框模块:根据预设多尺度,生成特征图的候选框;
检测网络模块:利用训练好的检测网络对候选框进行检测,获得异物的类别和位置信息。
包括生成器训练模块,成器训练模块:获取接触网源线路图像和不同目标线路图像,采用对抗性学习训练,得到用以提取图像特征的特征图生成器。
候选框模块包括,
预选框模块:根据特征图大小,使用预设多尺度,生成特征图的多尺度预选框;
IOU筛选模块:针对特征图的多尺度预选框,计算IOU值,将IOU值大于阈值的预选框作为候选框。
还包括检测网络训练模块,检测网络训练模块:采用对抗性学习训练,得到检测网络;
检测网络的损失函数为,
其中,C为所有异物类别的数目,表示类别标签,表示对抗性学习训
练中鉴别器损失函数的计算值,表示对抗性学习训练中生成器损失函数的计算值,x1为特征图候选框,,,为i类源线路异物特征,
为i类目标线路异物特征,表示x服从分布时的期望值,表示y服从分
布时的期望值,为第一组第i类的鉴别器输出,为第二组第i类的鉴别
器输出。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行高铁接触网异物检测方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行高铁接触网异物检测方法的指令。
本发明所达到的有益效果:本发明采用经过对抗性学习的生成器提取高铁接触网待检测图像的特征图,采用多尺度区域提取,获得特征图的候选框,再采用经过对抗性学习的检测网络,区别类间差异,获得高精度的异物类别和位置信息,适用于目标样本不足情况下的高铁接触网异物检测。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种高铁接触网异物检测方法,包括以下步骤:
步骤1,利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图。
特征图生成器采用对抗性学习训练获得,具体如下:
获取接触网源线路图像和目标线路图像作为训练样本,采用对抗性学习训练,减少线路间的差异,得到用以提取图像特征的生成器;包括以下步骤:
11)在训练样本图像中框出(一般采用人工框出)异物所在的区域,框选区域应当不超过异物图像区域边界的10个像素点范围,根据框获取训练样本图像中异物所在的区域位置信息作为标签保存。
12)将训练样本图像缩放到设定像素大小的训练样本矩阵,并将其与对应的标签一同作为输入,采用加权强正则化避免过度自适应,包括如下:
S1)将训练样本图像缩放为300*300的特征图;
S2)使用3*3的扩张卷积核,将输入值通过16层卷积神经网络,获得19*19的特征图;
S3)将特征图导入加权强正则化损失函数,根据损失值对网络进行反向传播,对权重参数进行更新;加权强正则化损失函数设计如下:
其中,为加权强正则化损失函数计算值,表示源线路训练图像集,表示具
体的源线路训练图像,表示服从分布时的期望值,和分别为源线路图
像和目标线路图像的特征提取器,和分别表示样本在和获得的特
征图,w、h分别为获得的特征图宽、高,为的方差。
采用加权强正则化损失函数,即在提取特征图时引入正则化,提高了模型的稳定性,确保不会因为目标线路图像过少产生过度自适应,影响对源线路图像的检测。
13)采用对抗性学习训练,得到用以提取图像特征的特征图生成器。
采用对抗性学习训练生成器和鉴别器,鉴别器试图区分源线路图像与目标线路图像,而生成器试图混淆这两者,最终能够得到一个尽可能缩小近似线路差异的生成器,包括:
A1)为分割池的x轴和y轴生成随机偏移量sx和sy,0<sx<w,0<sy<h,sx,、sy∈N,选择尺度为0.2(基于特征图大小的比例),纵横比为2,1,0.5,生成网格,对于无边界的矩形采用ROI池化为固定特征;
A3)从生成器提取的特征,经由分割池分割结果作为鉴别器的输入,鉴别器对接触网源线路和目标线路进行分类,鉴别器试图区分源线路图像与目标线路图像,而生成器试图混淆这两者,因此对抗性学习训练中生成器的损失函数为:
其中,为图像级自适应损失函数的计算值,x为分割池分割结果特征图,为将分割结果按位置配对得到的集合,只包含源线路图像分割结果,包
含目标线路图像分割结果和源线路图像分割结果,表示x服从分布时的期望值,表示x服从分布时的期望值,为鉴别器获得的结果,对于鉴别器而言,
要求最小化,对于特征生成器而言,要求最大化。
步骤2,根据预设多尺度,生成特征图的候选框;包括:
21)根据特征图大小,使用预设多尺度,生成特征图的多尺度预选框;在高铁接触网异物检测过程中,检测目标的大小无法确定,采用多尺度以适应不同大小异物的检测识别。
根据步骤1得到的生成器获取输入图像的特征图,对于同一个输入图像,获取不同
尺度大小的5个特征图,大小分别为(38,38),(19,19),(10,10),(5,5);对于不同大小的特
征图,存在不同尺度的预选框,尺度大小根据特征图大小依次设置为{0.1,0.2,0.4,
0.6,0.8},特征图的每个cell都存在对应的4个预选框,选择纵横比ar为{1,2,0.5},同时当
ar=1时额外增加一个尺度,因此特征图的每个cell共有4个预选框,宽为,高为。这里的宽高表示比例,真实大小需乘以特征图大小。
22)针对特征图的多尺度预选框,计算IOU值,将IOU值大于阈值(一般取值为0.5)的预选框作为候选框。
采用多尺度区域提取,在多尺度特征图上,按预先设定好的尺度大小对特征图的每个点获取候选框,能够准确检测不同尺度的物体,同时,由于候选框无需后期学习获得,提高了目标检测的速度。
步骤3,利用训练好的异物检测网络对候选框进行检测,获得异物的类别和位置信息;包括:
31)获取源线路图像和目标线路图像的候选框,通过对抗性学习训练线路鉴别器和特征生成器,获取异物检测网络权重;具体如下:
B1)将源线路图像和目标线路图像的候选框作为异物检测网络的输入,经过检测,获得不同线路类别的异物特征集,此时的检测结果受到不同线路特征的影响,可能存在对异物类别的错误分类,为了降低这个因素的影响,再次利用对抗学习方法,将异物检测网络看作异物特征生成器;
B3)将配对结果作为线路鉴别器的输入,线路鉴别器区分源线路与目标线路异物,生成器混淆两者区别,同时避免类别上的错误分类;由此可以得到鉴别器的训练损失为:
生成器的训练损失为:
其中,C为所有异物类别的数目,表示类别标签,表示对抗性学习训练
中鉴别器损失函数的计算值,表示对抗性学习训练中生成器损失函数的计算值,x1为
特征图候选框,,,为i类源线路异物特征,为i类
目标线路异物特征,表示x服从分布时的期望值,表示y服从分布时
的期望值,为第一组第i类的鉴别器输出,为第二组第i类的鉴别器输
出。
B4)当两个损失函数结果均趋于收敛,损失变化小于0.005时,训练结束,选择此时的结果作为异物检测网络的权重。
32)根据得到的异物检测网络,获取异物的类别和位置信息。
上述方法采用经过对抗性学习的生成器提取待检测图像的特征图,采用多尺度区域提取,获得特征图的候选框,再采用经过对抗性学习的检测网络,区别类间差异,获得高精度的异物类别和位置信息;由于采用对抗性学习训练生成器和分类器,上述方法适用于目标样本不足情况下的高铁接触网异物检测。
一种高铁接触网异物检测系统,包括,
成器训练模块:获取接触网源线路图像和不同目标线路图像,采用对抗性学习训练,得到用以提取图像特征的特征图生成器。
特征图生成器的损失函数为:
其中,为图像级自适应损失函数的计算值,x为分割池分割结果特征图,为将分割结果按位置配对得到的集合,只包含源线路图像分割结果,包
含目标线路图像分割结果和源线路图像分割结果,表示x服从分布时的期望值,表示x服从分布时的期望值,为鉴别器获得的结果;为加权强正则
化损失函数计算值,表示源线路训练图像集,表示具体的源线路训练图像,表
示服从分布时的期望值,和分别为源线路图像和目标线路图像的特征提取器,和分别表示样本在和获得的特征图,w、h分别为获得的特征图宽、
高,为的方差。
生成器模块:利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图。
候选框模块:根据预设多尺度,生成特征图的候选框。
候选框模块包括,
预选框模块:根据特征图大小,使用预设多尺度,生成特征图的多尺度预选框;
IOU筛选模块:针对特征图的多尺度预选框,计算IOU值,将IOU值大于阈值的预选框作为候选框。
检测网络训练模块:采用对抗性学习训练,得到检测网络。
其中,C为所有异物类别的数目,表示类别标签,表示对抗性学习训练
中鉴别器损失函数的计算值,表示对抗性学习训练中生成器损失函数的计算值,x1为
特征图候选框,,,为i类源线路异物特征,为i类
目标线路异物特征,表示x服从分布时的期望值,表示y服从分布时
的期望值,为第一组第i类的鉴别器输出,为第二组第i类的鉴别器输
出。
检测网络模块:利用训练好的检测网络对候选框进行检测,获得异物的类别和位置信息。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行高铁接触网异物检测方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行高铁接触网异物检测方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种高铁接触网异物检测方法,其特征在于:包括,
利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图;
其中,特征图生成器的损失函数为,
其中,为图像级自适应损失函数的计算值,x为分割池分割结果特征图,为将分割结果按位置配对得到的集合,只包含源线路图像分割结果,包
含目标线路图像分割结果和源线路图像分割结果,表示x服从分布时的期望
值,表示x服从分布时的期望值,为鉴别器获得的结果;为加权强
正则化损失函数计算值,表示源线路训练图像集,表示具体的源线路训练图像,表示服从分布时的期望值,和分别为源线路图像和目标线路图像的特
征提取器,和分别表示样本在和获得的特征图,w、h分别为获得的特
征图宽、高,为的方差;
根据预设多尺度,生成特征图的候选框;
利用训练好的检测网络对候选框进行检测,获得异物的类别和位置信息。
2.根据权利要求1所述的一种高铁接触网异物检测方法,其特征在于:获取接触网源线路图像和不同目标线路图像,采用对抗性学习训练,得到用以提取图像特征的特征图生成器。
3.根据权利要求1所述的一种高铁接触网异物检测方法,其特征在于:生成特征图的候选框的过程为,
根据特征图大小,使用预设多尺度,生成特征图的多尺度预选框;
针对特征图的多尺度预选框,计算IOU值,将IOU值大于阈值的预选框作为候选框。
5.一种高铁接触网异物检测系统,其特征在于:包括,
生成器模块:利用通过对对抗性学习训练好的特征图生成器提取待检测图像的特征图;
其中,特征图生成器的损失函数为,
其中,为图像级自适应损失函数的计算值,x为分割池分割结果特征图,为将分割结果按位置配对得到的集合,只包含源线路图像分割结果,包
含目标线路图像分割结果和源线路图像分割结果,表示x服从分布时的期望值,表示x服从分布时的期望值,为鉴别器获得的结果;为加权强正
则化损失函数计算值,表示源线路训练图像集,表示具体的源线路训练图像,表示服从分布时的期望值,和分别为源线路图像和目标线路图像的特
征提取器,和分别表示样本在和获得的特征图,w、h分别为获得的
特征图宽、高,为的方差;
候选框模块:根据预设多尺度,生成特征图的候选框;
检测网络模块:利用训练好的检测网络对候选框进行检测,获得异物的类别和位置信息。
6.根据权利要求5所述的一种高铁接触网异物检测系统,其特征在于:包括生成器训练模块,成器训练模块:获取接触网源线路图像和不同目标线路图像,采用对抗性学习训练,得到用以提取图像特征的特征图生成器。
7.根据权利要求5所述的一种高铁接触网异物检测系统,其特征在于:候选框模块包括,
预选框模块:根据特征图大小,使用预设多尺度,生成特征图的多尺度预选框;
IOU筛选模块:针对特征图的多尺度预选框,计算IOU值,将IOU值大于阈值的预选框作为候选框。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
10.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394990.7A CN111291769B (zh) | 2020-05-12 | 2020-05-12 | 一种高铁接触网异物检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394990.7A CN111291769B (zh) | 2020-05-12 | 2020-05-12 | 一种高铁接触网异物检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291769A true CN111291769A (zh) | 2020-06-16 |
CN111291769B CN111291769B (zh) | 2020-08-07 |
Family
ID=71026246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010394990.7A Active CN111291769B (zh) | 2020-05-12 | 2020-05-12 | 一种高铁接触网异物检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291769B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147815A (zh) * | 2021-12-23 | 2022-10-04 | 中国铁路兰州局集团有限公司 | 一种异物检测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190130212A1 (en) * | 2017-10-30 | 2019-05-02 | Nec Laboratories America, Inc. | Deep Network Embedding with Adversarial Regularization |
CN110163813A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种图像去雨方法、装置、可读存储介质及终端设备 |
CN110532897A (zh) * | 2019-08-07 | 2019-12-03 | 北京科技大学 | 零部件图像识别的方法和装置 |
CN110992315A (zh) * | 2019-11-18 | 2020-04-10 | 上海集成电路研发中心有限公司 | 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法 |
-
2020
- 2020-05-12 CN CN202010394990.7A patent/CN111291769B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190130212A1 (en) * | 2017-10-30 | 2019-05-02 | Nec Laboratories America, Inc. | Deep Network Embedding with Adversarial Regularization |
CN110163813A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种图像去雨方法、装置、可读存储介质及终端设备 |
CN110532897A (zh) * | 2019-08-07 | 2019-12-03 | 北京科技大学 | 零部件图像识别的方法和装置 |
CN110992315A (zh) * | 2019-11-18 | 2020-04-10 | 上海集成电路研发中心有限公司 | 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法 |
Non-Patent Citations (1)
Title |
---|
ROTH KEVIN等: "《Advances in Neural Information Processing Systems 30》", 31 December 2017, CURRAN ASSOCIATES, INC. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147815A (zh) * | 2021-12-23 | 2022-10-04 | 中国铁路兰州局集团有限公司 | 一种异物检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111291769B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102903122B (zh) | 基于特征光流与在线集成学习的视频目标跟踪方法 | |
CN110992329A (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN104077594B (zh) | 一种图像识别方法和装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN101739570B (zh) | 棉花异性纤维在线分类方法和系统 | |
CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
CN104063713B (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
CN104881662A (zh) | 一种单幅图像行人检测方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN113643228B (zh) | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 | |
CN110400322A (zh) | 基于颜色和三维几何信息的水果点云分割方法 | |
CN105868708A (zh) | 一种图像目标识别方法及装置 | |
CN109919060A (zh) | 一种基于特征匹配的身份证内容识别系统及方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN108509950B (zh) | 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 | |
CN112802016A (zh) | 基于深度学习的实时布匹缺陷检测方法及系统 | |
CN108647706A (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
JP2022027473A5 (zh) | ||
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN103413149A (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
CN109740607B (zh) | 字符图像的残缺区域检测和残缺字符图像恢复方法 | |
CN113781483B (zh) | 工业产品外观缺陷检测方法和装置 | |
CN111291769B (zh) | 一种高铁接触网异物检测方法及系统 |
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 |