CN111695478A - 一种目标检测方法及设备 - Google Patents

一种目标检测方法及设备 Download PDF

Info

Publication number
CN111695478A
CN111695478A CN202010500516.8A CN202010500516A CN111695478A CN 111695478 A CN111695478 A CN 111695478A CN 202010500516 A CN202010500516 A CN 202010500516A CN 111695478 A CN111695478 A CN 111695478A
Authority
CN
China
Prior art keywords
image
detected
detection
determining
target
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
Application number
CN202010500516.8A
Other languages
English (en)
Other versions
CN111695478B (zh
Inventor
刘洪源
蔡富东
吕昌峰
刘焕云
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.)
Jinan Xinxinda Electric Technology Co ltd
Original Assignee
Jinan Xinxinda Electric 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 Jinan Xinxinda Electric Technology Co ltd filed Critical Jinan Xinxinda Electric Technology Co ltd
Priority to CN202010500516.8A priority Critical patent/CN111695478B/zh
Publication of CN111695478A publication Critical patent/CN111695478A/zh
Application granted granted Critical
Publication of CN111695478B publication Critical patent/CN111695478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/40—Extraction of image or video features
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种目标检测方法及设备，方法包括：确定已采集的待检测图像；通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。针对图像中的不同类别的检测目标，采用相对应的方法进行检测，能够有效的提高检测结果的准确度，在检测图像中能够更准确的确定出检测目标的位置，保证了对施工现场的监测精度。

Description

一种目标检测方法及设备
技术领域
本申请涉及目标检测领域，具体涉及一种目标检测方法及设备。
背景技术
通常情况下，在现有的施工环境中，需要时刻对现场环境进行检测，以防止出现意外状况。
现有技术中，通常通过采集现场的图像，然后在采集到的图像中确定是否存在着需要进行检测的目标，以及确定出目标所在的位置。但是现有技术中，对图像中的目标进行检测时，检测结果往往不够准确。
发明内容
为了解决上述问题，本申请提出了一种目标检测方法，包括：确定已采集的待检测图像；通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。
在一个示例中，通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征，包括：通过预先训练的卷积神经网络，对所述待检测图像进行降维处理；通过共享卷积层提取所述待检测图像的多个尺度的图像特征。
在一个示例中，通过预先训练的卷积神经网络，对所述待检测图像进行降维处理之后，所述方法还包括：得到所述待检测图像的基础特征；通过共享卷积层提取所述待检测图像的多个尺度的图像特征，包括：通过共享卷积层，将所述基础特征进行特征降维处理，得到小尺度特征；将所述小尺度特征进行特征降维处理，得到中尺度特征；将所述中尺度特征进行特征降维处理，得到大尺度特征。
在一个示例中，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：确定所述检测目标的类别为施工机械；在所述待检测图像中确定若干个候选区域；通过分类器确定在每个候选区域中，所对应的目标位置以及分类得分；基于所述分类得分和所述目标位置，通过NMS算法，确定所述检测目标在所述待检测图像中的边界框。
在一个示例中，所述预先训练的检测模型通过CascadeR-CNN算法预先训练生成。
在一个示例中，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：确定所述检测目标的类别为烟火；在所述待检测图像中确定若干个候选区域；通过对所述图像特征进行特征降维、特征拼接以及特征融合，确定在每个候选区域中，所对应的目标位置以及分类得分；基于所述分类得分和所述目标位置，通过SoftNMS算法，确定所述检测目标在所述待检测图像中的边界框。
在一个示例中，所述预先训练的检测模型通过FasterR-CNN算法预先训练生成。
在一个示例中，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：确定所述检测目标的类别为导地线异物；将所述图像特征进行特征降维处理后，得到每个点对应的分类特征和位置特征；根据所述分类特征得到每个点对应的分类得分，并进行中心点预测；根据预测的中心点以及所述位置特征，得到目标位置；基于所述分类得分以及所述目标位置，通过NMS算法，确定所述检测目标在所述待检测图像中的边界框。
在一个示例中，所述预先训练的检测模型通过FCOS算法预先训练生成。
另一方面，本申请还提出了一种目标检测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：确定已采集的待检测图像；通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。
通过本申请提出目标检测方法能够带来如下有益效果：
针对图像中的不同类别的检测目标，采用相对应的方法进行检测，能够有效的提高检测结果的准确度，在检测图像中能够更准确的确定出检测目标的位置，保证了对施工现场的监测精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中目标检测方法的流程示意图；
图2为本申请实施例中目标检测设备的示意图；
图3为本申请实施例中目标检测方法的具体流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
如图1所示，本申请实施例提供的目标检测方法，包括：
S101、确定已采集的待检测图像。
首选需要确定出已采集的待检测图像。本申请实施例中主要针对的是施工现场进行的目标检测，因此，已采集的待检测图像可以是通过施工现场的摄像头所采集到的。在此不对采集的频率和过程做限定。
S102、通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征。
S103、根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物。
在确定了待检测图像后，可以首先通过预先训练的卷积神经网络在待检测图像中提取得到待检测图像对应的图像特征。例如，可以是通过ResNetXt-101与FPN网络融合来提取图像特征。然后根据提取得到的图像特征，初步确定出待检测图像中是否存在需要检测的目标，如果存在的话，那么在待检测图像中存在着哪些类别的检测目标。而本申请实施例中，所针对的检测目标的类别主要包括施工机械、烟火、导地线异物。
具体地，如图3所示，在通过卷积神经网络提取图像特征时，可以先通过卷积神经网络对待检测图像进行降维处理，然后通过卷积神经网络中的共享卷积层来提取得到待检测图像中多个尺度的图像特征，以此来对检测目标的类别进行判断，并进行后续的处理。例如，可以在对待检测图像进行降维处理后，得到待检测图像的基础特征。然后通过共享卷积层对基础特征进行特征降维处理，得到待检测图像对应的小尺度特征；然后再对小尺度特征进行降维处理，得到中尺度特征，对中尺度特征进行降维处理，得到大尺度特征。以此即得到了待检测图像对应的多个尺度的图像特征。其中，可以通过上采样的方法，将大尺度特征逐步对应到中尺度特征、小尺度特征。
S104、针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。
在确定了检测目标的类别后，可以根据预设的方法，以及确定出的检测目标的类别，来使用预先训练的检测模型确定出检测目标在待检测图像中的位置。其中，可以用相应的边界框将检测目标在待检测图像中框出，以确定检测目标的位置。
如图3所示，当确定出检测目标的类别是施工机械时，可以使用CascadeR-CNN算法预先训练生成检测模型，由粗到细的逐步确定出施工机械的边界框。在确定施工机械的边界框时，可以首先在待检测图像中确定出若干个候选区域，这里候选区域的数量可以根据待检测图像的实际情况进行相应的设定。然后通过分类器确定出每个候选区域中，所对应的目标位置以及分类得分。其中，这里的分类器可以包括初级分类器、中级分类器、高级分类器多个分类器。而目标位置则指指的，在候选区域中是否存在检测目标，以及检测目标的位置。分类得分则是通过分类器来判断，该图像特征在相应类别下的得分，得分的高低代表属于该类别的可能性。最后即可基于得到的分类得分以及目标位置，通过非极大抑制NMS算法，确定出检测目标在待检测图像中的边界框，也就确定出了检测目标的位置。
而当确定出检测目标的类别是烟火时，可以使用FasterR-CNN算法预先训练生成检测模型，来确定出烟火的边界框。在确定烟火的边界框时，可以首先在待检测图像中确定出若干个候选区域，这里候选区域的数量可以根据待检测图像的实际情况进行相应的设定。然后通过将图像特征进行特征降维、特征拼接以及特征融合后，确定出每个候选区域中，所对应的目标位置以及分类得分。其中，这里的特征降维、特征拼接以及特征融合属于现有技术，在此不再赘述。而目标位置与分类得分与上述施工机械检测时类似，在此不再赘述。最后即可基于得到的分类得分以及目标位置，通过SoftNMS算法，确定出检测目标在待检测图像中的边界框，也就确定出了检测目标的位置。
而当确定出检测目标的类别是导地线异物时，由于其隐患检测没有特定的类别，目标边界也不明确，尺寸变化较大，因此可以使用无锚点的FCOS算法预先训练生成检测模型，来确定出导地线异物的边界框。在确定导地线异物的边界框时，首先可以将图像特征进行特征降维处理后，确定出每个点对应的分类特征和位置特征。其中，这里的点指的是feature map中所包含的点，分类特征表示该点所对应的类别的特征，位置特征则表示该点在待检测图像中所对应的位置的特征。然后可以根据分类特征得到每个点对应的分类得分，并对检测目标的中心点进行预测。然后可以根据预测的中心点以及位置特征，得到检测目标对应的目标位置。最后即可基于分类得分以及目标位置，通过NMS算法，确定出检测目标在待检测图像中的边界框，也就确定出了检测目标的位置。
另外需要说明的是，在实际工作过程中，三种边界框回归方法可并行处理，将多种不同的边界回归方法进行融合，在尽量保证各个任务精度的基础上，进一步提高整体算法处理速度。
如图2所示，本申请实施例还提供了一种目标检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定已采集的待检测图像；
通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；
根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；
针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备与方法是一一对应的，因此，设备也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种目标检测方法，其特征在于，包括：
确定已采集的待检测图像；
通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；
根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；
针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。
2.根据权利要求1所述的方法，其特征在于，通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征，包括：
通过预先训练的卷积神经网络，对所述待检测图像进行降维处理；
通过共享卷积层提取所述待检测图像的多个尺度的图像特征。
3.根据权利要求2所述的方法，其特征在于，通过预先训练的卷积神经网络，对所述待检测图像进行降维处理之后，所述方法还包括：
得到所述待检测图像的基础特征；
通过共享卷积层提取所述待检测图像的多个尺度的图像特征，包括：
通过共享卷积层，将所述基础特征进行特征降维处理，得到小尺度特征；
将所述小尺度特征进行特征降维处理，得到中尺度特征；
将所述中尺度特征进行特征降维处理，得到大尺度特征。
4.根据权利要求1所述的方法，其特征在于，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：
确定所述检测目标的类别为施工机械；
在所述待检测图像中确定若干个候选区域；
通过分类器确定在每个候选区域中，所对应的目标位置以及分类得分；
基于所述分类得分和所述目标位置，通过NMS算法，确定所述检测目标在所述待检测图像中的边界框。
5.根据权利要求4所述的方法，其特征在于，所述预先训练的检测模型通过CascadeR-CNN算法预先训练生成。
6.根据权利要求1所述的方法，其特征在于，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：
确定所述检测目标的类别为烟火；
在所述待检测图像中确定若干个候选区域；
通过对所述图像特征进行特征降维、特征拼接以及特征融合，确定在每个候选区域中，所对应的目标位置以及分类得分；
基于所述分类得分和所述目标位置，通过SoftNMS算法，确定所述检测目标在所述待检测图像中的边界框。
7.根据权利要求6所述的方法，其特征在于，所述预先训练的检测模型通过FasterR-CNN算法预先训练生成。
8.根据权利要求1所述的方法，其特征在于，针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置，包括：
确定所述检测目标的类别为导地线异物；
将所述图像特征进行特征降维处理后，得到每个点对应的分类特征和位置特征；
根据所述分类特征得到每个点对应的分类得分，并进行中心点预测；
根据预测的中心点以及所述位置特征，得到目标位置；
基于所述分类得分以及所述目标位置，通过NMS算法，确定所述检测目标在所述待检测图像中的边界框。
9.根据权利要求8所述的方法，其特征在于，所述预先训练的检测模型通过FCOS算法预先训练生成。
10.一种目标检测设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定已采集的待检测图像；
通过预先训练的卷积神经网络，在所述待检测图像中提取图像特征；
根据所述图像特征确定所述待检测图像中检测目标的类别，其中，所述类别包括施工机械、烟火、导地线异物；
针对不同类别的检测目标，使用预先训练的检测模型，确定所述检测目标在所述待检测图像中的位置。
CN202010500516.8A 2020-06-04 2020-06-04 一种目标检测方法及设备 Active CN111695478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010500516.8A CN111695478B (zh) 2020-06-04 2020-06-04 一种目标检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010500516.8A CN111695478B (zh) 2020-06-04 2020-06-04 一种目标检测方法及设备

Publications (2)

Publication Number Publication Date
CN111695478A true CN111695478A (zh) 2020-09-22
CN111695478B CN111695478B (zh) 2023-03-14

Family

ID=72478973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010500516.8A Active CN111695478B (zh) 2020-06-04 2020-06-04 一种目标检测方法及设备

Country Status (1)

Country Link
CN (1) CN111695478B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308153A (zh) * 2020-11-02 2021-02-02 创新奇智(广州)科技有限公司 一种烟火检测方法和装置
CN112364715A (zh) * 2020-10-23 2021-02-12 岭东核电有限公司 核电作业异常监控方法、装置、计算机设备和存储介质
CN113191274A (zh) * 2021-04-30 2021-07-30 西安聚全网络科技有限公司 基于神经网络的油田视频智能安全事件检测方法及系统
CN116259003A (zh) * 2023-01-06 2023-06-13 苏州同企人工智能科技有限公司 施工场景中施工类别识别方法及系统
WO2024109902A1 (zh) * 2022-11-25 2024-05-30 中国科学院深圳先进技术研究院 一种基于视频超分辨率的多目标识别方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280412A (zh) * 2018-01-12 2018-07-13 西安电子科技大学 基于变结构cnn的高分辨sar图像目标检测方法
CN108846826A (zh) * 2018-04-24 2018-11-20 深圳大学 物体检测方法、装置、图像处理设备及存储介质
CN109871730A (zh) * 2017-12-05 2019-06-11 杭州海康威视数字技术股份有限公司 一种目标识别方法、装置及监控设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871730A (zh) * 2017-12-05 2019-06-11 杭州海康威视数字技术股份有限公司 一种目标识别方法、装置及监控设备
CN108280412A (zh) * 2018-01-12 2018-07-13 西安电子科技大学 基于变结构cnn的高分辨sar图像目标检测方法
CN108846826A (zh) * 2018-04-24 2018-11-20 深圳大学 物体检测方法、装置、图像处理设备及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364715A (zh) * 2020-10-23 2021-02-12 岭东核电有限公司 核电作业异常监控方法、装置、计算机设备和存储介质
CN112364715B (zh) * 2020-10-23 2024-05-24 岭东核电有限公司 核电作业异常监控方法、装置、计算机设备和存储介质
CN112308153A (zh) * 2020-11-02 2021-02-02 创新奇智(广州)科技有限公司 一种烟火检测方法和装置
CN112308153B (zh) * 2020-11-02 2023-11-24 创新奇智(广州)科技有限公司 一种烟火检测方法和装置
CN113191274A (zh) * 2021-04-30 2021-07-30 西安聚全网络科技有限公司 基于神经网络的油田视频智能安全事件检测方法及系统
WO2024109902A1 (zh) * 2022-11-25 2024-05-30 中国科学院深圳先进技术研究院 一种基于视频超分辨率的多目标识别方法和装置
CN116259003A (zh) * 2023-01-06 2023-06-13 苏州同企人工智能科技有限公司 施工场景中施工类别识别方法及系统
CN116259003B (zh) * 2023-01-06 2023-11-10 苏州同企人工智能科技有限公司 施工场景中施工类别识别方法及系统

Also Published As

Publication number Publication date
CN111695478B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN111695478B (zh) 一种目标检测方法及设备
KR102094341B1 (ko) 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법
CN111507958B (zh) 目标检测方法、检测模型的训练方法及电子设备
KR101926561B1 (ko) 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
CN110402487B (zh) 对从晶片检测的缺陷进行分类的方法和装置
Akagic et al. Pothole detection: An efficient vision based method using rgb color space image segmentation
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
US20220269996A1 (en) Information processing apparatus, information processing method, and storage medium
US8811750B2 (en) Apparatus and method for extracting edge in image
CN111914665B (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN111768392B (zh) 目标检测方法及装置、电子设备、存储介质
CN113112480B (zh) 视频场景变换检测方法、存储介质和电子设备
US10929719B2 (en) Adversarial attack on black box object detection algorithm
CN109543493A (zh) 一种车道线的检测方法、装置及电子设备
JP2019192209A (ja) ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法
CN106327558A (zh) 点云立面提取方法和装置
CN108573244B (zh) 一种车辆检测方法、装置及系统
CN113052754B (zh) 一种图片背景虚化的方法及装置
CN111862239A (zh) 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质
CN117130010B (zh) 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车
JP7258632B2 (ja) 物体検出装置
CN111597992A (zh) 一种基于视频监控的场景物体异常的识别方法
CN113727022B (zh) 巡检图像的采集方法及装置、电子设备、存储介质
CN112784817B (zh) 车辆所在车道检测方法、装置、设备及存储介质
CN111985299B (zh) 一种基于改进卷积神经网络的口罩识别方法及装置

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