CN111563428B - 一种机场停机位入侵检测方法及其系统 - Google Patents
一种机场停机位入侵检测方法及其系统 Download PDFInfo
- Publication number
- CN111563428B CN111563428B CN202010326296.1A CN202010326296A CN111563428B CN 111563428 B CN111563428 B CN 111563428B CN 202010326296 A CN202010326296 A CN 202010326296A CN 111563428 B CN111563428 B CN 111563428B
- Authority
- CN
- China
- Prior art keywords
- stand
- target
- matrix
- monitoring image
- aircraft
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Burglar Alarm Systems (AREA)
Abstract
一种机场停机位入侵检测方法及其系统,包括以下步骤:实时获取监控图像,求监控图像前视视角与停机位俯视视角的透视变换矩阵;判断监控图像中飞机是否进入停机位;对飞机未进入停机位的监控图像进行检测,得到每个目标像素点集和目标标签的矩阵;对所述矩阵进行变换得到俯视视角的变换后矩阵;判断变换后矩阵中每个目标的所有像素点是否都进入停机位区域,若全部进入,则判断为停机位有入侵物。本发明是一种基于视频监控的自动精准检测机场停机位入侵的实现方法,具有检测算法精度高,速度快,入侵信息更加准确的优点。
Description
技术领域
本发明涉及机场停机位入侵检测技术,具体涉及一种机场停机位入侵检测方法及其系统。
背景技术
停机位是飞机停靠区域,是进行地勤保障的载体。根据民航规定,飞机在未进入机位前是不允许任何目标非法进入停机位区域,机位入侵的检测是关系到飞机安全停靠的重要安全检查项之一。传统机位入侵的检测方法是通过监控进行人工巡检的方法进行,这种方法存在很多不足如工作量大,成本高,效率低,漏检率高,延时时间长。
随着人工智能发展,出现了一部分采用视频算法的自动检测入侵的方法。但是,由于机场视频监控的光照变化大,遮挡较多,监控相机的视角限制等复杂条件,造成这种方法目前存在误判率较高、入侵位置检测误差大等问题。
发明内容
本发明针对之前的机场停机位入侵检测方法存在的问题和不足提出了一种基于视频监控的自动精准检测机场停机位入侵的实现方法,具有检测算法精度高,速度快,入侵信息更加准确的优点。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种机场停机位入侵检测方法,包括以下步骤:
实时获取监控图像,求监控图像前视视角与停机位俯视视角的透视变换矩阵;
判断监控图像中飞机是否进入停机位;
对飞机未进入停机位的监控图像进行检测,得到每个目标像素点集和目标标签的矩阵;
对所述矩阵进行变换得到俯视视角的变换后矩阵;
判断变换后矩阵中每个目标的所有像素点是否都进入停机位区域,若全部进入,则判断为停机位有入侵物。
可选的,对飞机进入停机位的监控图像采用实例分割检测算法模型进行检测,检测目标类别和每个目标对应像素点,得到每个目标像素点集P和目标标签L的矩阵I;通过透视变换矩阵将矩阵I变换为俯视视角下的矩阵T;
可选的,透视变换矩阵的计算方法包括:从监控相机实时获取监控图像Imager,选取监控图像中机位x个关键点Pr1…Prn;
根据实际机位俯视图的几何关系绘制机位虚拟图像Imaget,选取Imaget中x个点作为Imager变换后对应的x个点Pt1…Ptn;
通过Pr1…Prn与Pt1…Ptn的对应关系求出透视变换矩阵Mp。
可选的,若检测到飞机未进入停机位,则使用若干入侵物样本作为训练集训练一可以识别机场入侵目标的实例分割检测算法模型Mseg,
1)采用Mseg对机位监控图像进行检测,得到每个目标像素点集P和目标标签L的矩阵其中/>表示一个目标的所有点坐标,x,y是横坐标和纵坐标,Ln表示目标标签,m为1-n中的其中一个数;
2)将I中的目标像素点P通过透视变换矩阵Mp转换为俯视视角后的坐标点集矩阵其中/>表示一个目标的所有点坐标,x,y是横坐标和纵坐标,Ln表示目标标签,m为1-n中的其中一个数。
可选的,从监控相机实时获取监控图像Imager,选取监控图像中机位4个关键点pr1,pr2,pr3,pr4;根据实际机位俯视图的几何关系绘制机位虚拟图像Imaget,选取Imaget中4个点作为Imager变换后对应的4个点pt1,pt2,pt3,pt4;通过pr1,pr2,pr3,pr4与pt1,pt2,pt3,pt4的对应关系求出透视变换矩阵Mp。
可选的,采用目标检测模型检测监控图像中飞机是否进入停机位。
可选的,训练目标检测模型,采用所述目标检测模型对停机位监控图像进行飞机是否进入的检测,若检测到的飞机数量大于0,则状态属于不在检测阶段,若检测到的飞机数量等于0,则状态属于检测入侵的阶段。
可选的,调用opencv中的pointPolygonTest函数检测每个目标的所有像素点是否都进入监测区域。
本发明还提供一种机场停机位入侵检测系统,包括,输入模块,用于输入监控图像;目标检测模块,用于检测飞机是否进入机位;实例分割检测算法模块,用于计算监控图像的平视视角下的入侵物的目标的类别和每个目标对应像素点的矩阵;矩阵转换模块,用于将平视视角下的入侵物的目标的类别和每个目标对应像素点的矩阵转换为俯视视角下的矩阵;入侵判定模块,用于判断变换后的矩阵中每个目标所有像素点坐标是否停机位区域;输出模块,用于输出检测结果。
本发明的有益效果:
本发明将相机的平视视角转换为俯视视角,对俯视视角的目标像素点进行检测判断,解决了由于视角原因造成未进入机位的目标所属像素点大部分进入机位,造成机位入侵的误判情况。具有检测算法精度高,速度快,入侵信息更加准确的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是机场停机位入侵检测方法流程图;
图2是平视视角和俯视视角的停机位示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种机场停机位入侵检测方法,如图1,包括以下步骤:
实时获取监控图像,求监控图像前视视角与停机位俯视视角的透视变换矩阵;
判断监控图像中飞机是否进入停机位;
对飞机未进入停机位的监控图像进行检测,得到每个目标像素点集和目标标签的矩阵;
对所述矩阵进行变换得到俯视视角的变换后矩阵;
判断变换后矩阵中每个目标的所有像素点是否都进入停机位区域,若全部进入,则判断为停机位有入侵物。
(一)求监控图像前视视角与停机位俯视视角的透视变换矩阵的具体步骤如下:
如图2,从机场监控相机实时获取监控图像Imager,选取图中机位4个关键点pr1,pr2,pr3,pr4也是左图中的1,2,3,4;根据实际机位俯视图的几何关系绘制机位虚拟图像Imaget,选取该图中4个点作为Imager变换后对应的4个点pt1,pt2,pt3,pt4即右图中1,2,3,4;通过Imager中的pr1,pr2,pr3,pr4与Imaget中的4个点pt1,pt2,pt3,pt4的对应关系求出透视变换的变化矩阵Mp,变换对应公式:其中/>中x,y为图像Imager的点坐标,/>中X,Y为图中Imaget的点坐标,Z=1。
(二)判断监控图像中飞机是否进入停机位的具体步骤如下;
采用yolov3目标检测算法,训练一个能够检测飞机的目标检测模型Mdetect,采用Mdetect对机位监控图像进行飞机检测,检测的到飞机数量为Nplane,如果Nplane>0则说明飞机正在进入或者已停靠停机位,则状态是地勤服务时间,不在检测阶段,当Nplane=0说明飞机未进入机位,则状态属于检测入侵的阶段。
(三)当检测到飞机未进入机位的状态后,采用实例分割检测算法对机位监控图像进行检测。
首先使用机场车辆、行人以及设备等样本作为训练集来训练一个可以识别机场可能出现在停机位入侵的常见目标的实例分割检测算法模型Mseg,用于检测Imager中目标的类别和每个目标对应像素点,采用Mseg对机位监控图像进行检测,得到每个目标像素点集和目标标签的矩阵其中/>表示一个目标的所有点坐标,x,y是横坐标和纵坐标,Ln表示目标标签,m为1-n中的其中一个数。
(四)将I中的目标像素点P转换到变换后的坐标点集矩阵其中表示一个目标的所有点坐标,x,y是横坐标和纵坐标,Ln表示目标标签,m为1-n中的其中一个数。变换实现是根据以下公式完成/>其中中x,y为图像Imager的点坐标,/>中X,Y为图中Imaget的点坐标。
(五)将上述得到T中的Ptm中的每一个点进行是否在飞机停机位多边形区域的检测。
实现方法是调用opencv中的pointPolygonTest函数。如果所有点进入多边形区域则判定入侵。由于相机的视角是平视视角,视角原因造成未进入机位的目标所属像素点大部分进入机位,会造成机位入侵的误判,故,当所有像素点全部进入机位,则判断为入侵。
实施例2:
本发明还提供一种机场停机位入侵检测系统,包括,输入模块,用于输入监控图像;
目标检测模块,用于检测飞机是否进入机位;
实例分割检测算法模块,用于计算监控图像的平视视角下的入侵物的目标的类别和每个目标对应像素点的矩阵;
矩阵转换模块,用于将平视视角下的入侵物的目标的类别和每个目标对应像素点的矩阵转换为俯视视角下的矩阵;
入侵判定模块,用于判断变换后的矩阵中每个目标所有像素点坐标是否停机位区域;
输出模块,用于输出检测结果。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.一种机场停机位入侵检测方法,其特征在于,包括以下步骤:
实时获取监控图像,求监控图像前视视角与停机位俯视视角的透视变换矩阵;
判断监控图像中飞机是否进入停机位;
对飞机未进入停机位的监控图像进行检测,得到每个目标像素点集和目标标签的矩阵;
对所述矩阵进行变换得到俯视视角的变换后矩阵;
判断变换后矩阵中每个目标的所有像素点是否都进入停机位区域,若全部进入,则判断为停机位有入侵物;
对飞机未进入停机位的监控图像采用实例分割检测算法模型进行检测,检测目标类别和每个目标对应像素点,得到每个目标像素点集P和目标标签L的矩阵I;通过所述透视变换矩阵将矩阵I变换为俯视视角下的矩阵T。
2.根据权利要求1所述的机场停机位入侵检测方法,其特征在于,透视变换矩阵的计算方法包括:
从监控相机实时获取监控图像Imager,选取监控图像中机位x个关键点Pr1…Prn;
根据实际机位俯视图的几何关系绘制机位虚拟图像Imaget,选取Imaget中x个点作为Imager变换后对应的x个点Pt1…Ptn;
通过Pr1…Prn与Pt1…Ptn的对应关系求出透视变换矩阵Mp。
3.根据权利要求1所述的机场停机位入侵检测方法,其特征在于,若检测到飞机未进入停机位,则使用若干入侵物样本作为训练集训练一可以识别机场入侵目标的实例分割检测算法模型Mseg,
1)采用Mseg对机位监控图像进行检测,得到每个目标像素点集P和目标标签L的矩阵其中/>表示一个目标的所有点坐标,x,y是横坐标和纵坐标,Ln表示目标标签,m为1-n中的其中一个数;
2)将I中的目标像素点P通过透视变换矩阵Mp转换为俯视视角后的坐标点集矩阵其中/>表示转换后一个目标的所有点坐标,x,y是横坐标和纵坐标,Ln表示目标标签,m为1-n中的其中一个数。
4.根据权利要求2所述的机场停机位入侵检测方法,其特征在于,从监控相机实时获取监控图像Imager,选取监控图像中机位4个关键点pr1,pr2,pr3,pr4;
根据实际机位俯视图的几何关系绘制机位虚拟图像Imaget,选取Imaget中4个点作为Imager变换后对应的4个点pt1,pt2,pt3,pt4;
通过pr1,pr2,pr3,pr4与pt1,pt2,pt3,pt4的对应关系求出透视变换矩阵Mp。
5.根据权利要求1所述的机场停机位入侵检测方法,其特征在于,采用目标检测模型检测监控图像中飞机是否进入停机位。
6.根据权利要求5所述的机场停机位入侵检测方法,其特征在于,训练目标检测模型,采用所述目标检测模型对停机位监控图像进行飞机是否进入的检测,若检测到的飞机数量大于0,则状态属于不在检测阶段,若检测到的飞机数量等于0,则状态属于检测入侵的阶段。
7.根据权利要求1所述的机场停机位入侵检测方法,其特征在于,调用opencv中的pointPolygonTest函数检测每个目标的所有像素点是否都进入监测区域。
8.一种机场停机位入侵检测系统,其特征在于,采用权利要求2-7任意一项所述的机场停机位入侵检测方法,包括,
输入模块,用于输入监控图像;
目标检测模块,用于检测飞机是否进入机位;
实例分割检测算法模块,用于计算监控图像的平视视角下的入侵物的目标的类别和每个目标对应像素点的矩阵;
矩阵转换模块,用于将平视视角下的入侵物的目标的类别和每个目标对应像素点的矩阵转换为俯视视角下的矩阵;
入侵判定模块,用于判断变换后的矩阵中每个目标所有像素点坐标是否停机位区域;
输出模块,用于输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326296.1A CN111563428B (zh) | 2020-04-23 | 2020-04-23 | 一种机场停机位入侵检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326296.1A CN111563428B (zh) | 2020-04-23 | 2020-04-23 | 一种机场停机位入侵检测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563428A CN111563428A (zh) | 2020-08-21 |
CN111563428B true CN111563428B (zh) | 2023-10-17 |
Family
ID=72074309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010326296.1A Active CN111563428B (zh) | 2020-04-23 | 2020-04-23 | 一种机场停机位入侵检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563428B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802100A (zh) * | 2021-01-21 | 2021-05-14 | 北京首都机场航空安保有限公司 | 一种入侵检测方法、装置、设备和计算机可读存储介质 |
CN112818780A (zh) * | 2021-01-21 | 2021-05-18 | 北京首都机场航空安保有限公司 | 一种航空器监控识别系统的布防区域设置方法及装置 |
CN113724535B (zh) * | 2021-08-31 | 2022-09-30 | 西北工业大学 | 一种机场滑行道实时监控预警方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090044791A (ko) * | 2007-11-01 | 2009-05-07 | 삼성테크윈 주식회사 | 감시 카메라 시스템 및 그의 제어방법 |
CN102103803A (zh) * | 2011-01-19 | 2011-06-22 | 南京莱斯信息技术股份有限公司 | 一种机场终端区航空器的监控方法 |
CN202649486U (zh) * | 2012-06-04 | 2013-01-02 | 中国民航大学 | 机场跑道外来入侵物组合定位系统 |
JP2014036414A (ja) * | 2012-08-10 | 2014-02-24 | Hitachi Kokusai Electric Inc | 監視システム |
CN103794010A (zh) * | 2012-10-31 | 2014-05-14 | 北京航天长峰科技工业集团有限公司 | 一种周界安全防护系统 |
CN105389920A (zh) * | 2015-11-30 | 2016-03-09 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
JP2017219377A (ja) * | 2016-06-06 | 2017-12-14 | 三菱電機株式会社 | 監視装置、監視方法及び空港監視システム |
CN109522908A (zh) * | 2018-11-16 | 2019-03-26 | 董静 | 基于区域标签融合的图像显著性检测方法 |
CN109698724A (zh) * | 2017-10-24 | 2019-04-30 | 中国移动通信集团安徽有限公司 | 入侵检测方法、装置、设备及存储介质 |
WO2019109524A1 (zh) * | 2017-12-07 | 2019-06-13 | 平安科技(深圳)有限公司 | 入侵检测方法、应用服务器及计算机可读存储介质 |
WO2019179024A1 (zh) * | 2018-03-20 | 2019-09-26 | 平安科技(深圳)有限公司 | 机场跑道智能监控方法、应用服务器及计算机存储介质 |
CN110658518A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种目标入侵检测方法及装置 |
CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
-
2020
- 2020-04-23 CN CN202010326296.1A patent/CN111563428B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090044791A (ko) * | 2007-11-01 | 2009-05-07 | 삼성테크윈 주식회사 | 감시 카메라 시스템 및 그의 제어방법 |
CN102103803A (zh) * | 2011-01-19 | 2011-06-22 | 南京莱斯信息技术股份有限公司 | 一种机场终端区航空器的监控方法 |
CN202649486U (zh) * | 2012-06-04 | 2013-01-02 | 中国民航大学 | 机场跑道外来入侵物组合定位系统 |
JP2014036414A (ja) * | 2012-08-10 | 2014-02-24 | Hitachi Kokusai Electric Inc | 監視システム |
CN103794010A (zh) * | 2012-10-31 | 2014-05-14 | 北京航天长峰科技工业集团有限公司 | 一种周界安全防护系统 |
CN105389920A (zh) * | 2015-11-30 | 2016-03-09 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
JP2017219377A (ja) * | 2016-06-06 | 2017-12-14 | 三菱電機株式会社 | 監視装置、監視方法及び空港監視システム |
CN109698724A (zh) * | 2017-10-24 | 2019-04-30 | 中国移动通信集团安徽有限公司 | 入侵检测方法、装置、设备及存储介质 |
WO2019109524A1 (zh) * | 2017-12-07 | 2019-06-13 | 平安科技(深圳)有限公司 | 入侵检测方法、应用服务器及计算机可读存储介质 |
WO2019179024A1 (zh) * | 2018-03-20 | 2019-09-26 | 平安科技(深圳)有限公司 | 机场跑道智能监控方法、应用服务器及计算机存储介质 |
CN110658518A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种目标入侵检测方法及装置 |
CN109522908A (zh) * | 2018-11-16 | 2019-03-26 | 董静 | 基于区域标签融合的图像显著性检测方法 |
CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
Non-Patent Citations (2)
Title |
---|
Elisabeth Drayer ; Tirza Routtenberg.《Intrusion Detection in Smart Grid Measurement Infrastructures Based on Principal Component Analysis》.《2019 IEEE Milan PowerTech》.2019,1-6. * |
基于视频处理的机场跑道入侵检测模型的设计与实现;潘卫军;许友水;康瑞;;科学技术与工程(28);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111563428A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563428B (zh) | 一种机场停机位入侵检测方法及其系统 | |
CN107506729B (zh) | 一种基于深度学习的能见度检测方法 | |
CN114049624B (zh) | 一种基于机器视觉的船舶舱室智能检测方法及系统 | |
CN111382735B (zh) | 夜间车辆检测方法、装置、设备及存储介质 | |
CN112597877A (zh) | 一种基于深度学习的厂区人员异常行为检测方法 | |
CN112633052A (zh) | 一种皮带撕裂检测方法 | |
CN111291684A (zh) | 一种自然场景下的船牌检测方法 | |
CN116993681A (zh) | 一种变电站巡检缺陷检测方法及系统 | |
CN113435278A (zh) | 一种基于yolo的行吊安全检测方法及系统 | |
CN113255555A (zh) | 中国交通标志牌识别方法、系统、处理设备及存储介质 | |
CN111814696A (zh) | 一种基于改进YOLOv3的视频船舶目标检测方法 | |
CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
Wang et al. | Pointer meter recognition in UAV inspection of overhead transmission lines | |
CN114881931A (zh) | 基于双光融合的光伏面板缺陷检测方法、系统、设备和计算机可读存储介质 | |
CN114359865A (zh) | 一种障碍物的检测方法及相关装置 | |
CN110817674B (zh) | 一种扶梯的缺级检测方法、装置、设备及存储介质 | |
Yin et al. | Promoting Automatic Detection of Road Damage: A High-Resolution Dataset, a New Approach, and a New Evaluation Criterion | |
CN111145551A (zh) | 一种基于cnn检测遵章率的路口交通规划系统 | |
Lynch | Monocular pose estimation for automated aerial refueling via perspective-n-point | |
CN110334818A (zh) | 一种管路自动识别的方法及系统 | |
CN108280819B (zh) | 一种双载荷遥感图像融合方法 | |
CN105447496B (zh) | 一种基于机器视觉的入坞飞机机型识别验证方法和系统 | |
Zhang et al. | End-to-end BEV perception via Homography matrix | |
CN113379591B (zh) | 速度确定方法、速度确定装置、电子设备及存储介质 | |
CN118314523B (zh) | 一种基于分布式的无人机反制监控方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |