CN111798435A - 图像处理方法、工程车辆侵入输电线路监测方法及系统 - Google Patents
图像处理方法、工程车辆侵入输电线路监测方法及系统 Download PDFInfo
- Publication number
- CN111798435A CN111798435A CN202010653183.2A CN202010653183A CN111798435A CN 111798435 A CN111798435 A CN 111798435A CN 202010653183 A CN202010653183 A CN 202010653183A CN 111798435 A CN111798435 A CN 111798435A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- power transmission
- monitoring
- engineering vehicle
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 97
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 230000009545 invasion Effects 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 23
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 abstract description 8
- 238000002372 labelling Methods 0.000 description 34
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010276 construction Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理领域,提供了一种图像处理方法、工程车辆侵入输电线路监测方法及系统。其中,一种图像处理方法包括获取输电线路监控图像;过滤相似度超过预设阈值的相似输电线路监控图像,形成过滤后图像样本;利用数据增强方法对过滤后图像样本进行数据扩充,形成新的图像样本,并自动生成图像标注。其能够降低监控图像的冗余度,进而提高深度学习模型训练的样本数据的处理效率。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种图像处理方法、工程车辆侵入输电线路监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电力系统的整体功能包含发电、变电、输电、配电、用电,其中输电是电力系统的重要组成环节之一。目前主要采用架空输电线路进行远距离的电能传输,其安全运行与电网稳定密切相关,运维工作更是不容忽视。近年来,大型车辆违规施工己成为输电线路外力破坏的主要因素。在线路保护区内盲目施工引起的线路外破主要有以下这些:第一,施工中大型挖掘机挖断地面以上的电缆;第二,吊车与起重机在操作中挂断电线;第三,车辆撞坏电杆;第四,开挖地点距离电杆过近,但未采取保护措施。
目前的应对方案中,一般是在高压塔架上安装摄像头或通过无人机拍摄照片、视频,交由给后端中心去人为分析,人工筛选是否存在可能的威胁。该方案需要花费众多人力物力,工作量大,实时性差,效率低下。将人工智能技术应用到输电线路异常监控,能够及时制止威胁线路安全的行为,实现快速、有效地线路安全预控工作,提升防护手段多样化、智能化,进一步提高电网自动化程度,推动实现电网人工智能布局,为电网系统提供有效、高效的线路安全保障方案。
高压塔架摄像头采集完现场图像后,上传图像到服务器,另外前期也积累了大量输电线路监控图像数据,但发明人发现,图像数据的管理比较分散,相似图像较多,另外,随着神经网络结构的加深和加宽,网络需要训练学习的参数也会随之增加,极易产生局部最优甚至过拟合的现象,造成网络泛化能力和鲁棒性低,对训练样本以外图像识别准确率低,无法应用到实际场景中。现阶段并没有关于输电线路监控图像的公开数据集,训练样本的制备需要人工筛选和人工标注,工作量大且效率无法保证。同时,光照、视角以及车辆的一些变化都会影响视频和图片中的车辆对象,使得检测结果不尽人意。这些缺点限制了检测算法的应用。
发明内容
为了解决上述问题,本发明提供一种图像处理方法、工程车辆侵入输电线路监测方法及系统,其过滤相似度高的相似图像,降低监控图像的冗余度,进而提高深度学习模型训练的样本数据的处理效率;而且通过数据增强在原始图像样本上进行数据扩充形成新的图像样本,并自动生成图像标注,增加神经网络训练样本数量,提升神经网络的泛化能力和鲁棒性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种图像处理方法。
在一个或多个实施例中,一种图像处理方法,包括:
获取输电线路监控图像;
过滤相似度超过预设阈值的相似输电线路监控图像,形成过滤后图像样本;
利用数据增强方法对过滤后图像样本进行数据扩充,形成新的图像样本,并自动生成图像标注。
作为一种实施方式,利用深度相似分析模型过滤相似度超过预设阈值的相似输电线路监控图像。
上述技术方案的优点在于,利用深度相似分析模型,分析输电线路线路的监控图像,过滤掉相似度高的图像,降低图像的冗余度,进而提高深度学习模型训练的样本数据的处理效率。
作为一种实施方式,将汉明距离作为相似度指标,深度相似分析模型为训练好的多特征哈希函数,多特征哈希函数把图像数据点映射到汉明空间,生成相应的哈希码,再计算任意两个图像之间的距离,从而过滤掉汉明距离超过预设汉明距离阈值的图像。
上述技术方案的优点在于,利用汉明距离计算出待查询图像与图像库中各图像之间的距离,并按照相似度大小排序,考虑多特征的哈希算法图像过滤,充分考虑图像多层次特征,在进行过滤时,增加可信度,通过图像预处理,采用多特征的哈希算法过滤相似图像,减少冗余样本,进而提升深度学习模型训练的有效性。
作为一种实施方式,所述数据增强方法包括:旋转操作、缩放操作、裁剪操作、位移操作、调整亮度、饱和度、对比度和色相操作以及增加噪声操作。
作为一种实施方式,在自动生成图像标注的过程中:
分别根据图像样本旋转的角度、图像样本缩放的比例及图像样本裁剪的位置,对应计算旋转后检测目标的坐标位置、缩放后检测目标的坐标位置及裁剪后检测目标的坐标位置,自动标注出相应图像样本的检测目标;
调整亮度、饱和度、对比度和色相的图像样本以及增加噪声的图像样本中的检测目标位置均不变。
上述技术方案的优点在于,针对图像增强技术的图像旋转、缩放、裁剪、位移、调整色彩、增加噪声都实现了检测目标的自动标注,大大减少了人力成本和时间成本,提高了模型训练工作效率。
本发明的第二个方面提供一种图像处理系统。
在一个或多个实施例中,一种图像处理系统,包括:
图像获取模块,其用于获取输电线路监控图像;
图像过滤模块,其用于过滤相似度超过预设阈值的相似输电线路监控图像,形成过滤后图像样本;
图像增强及标注模块,其用于利用数据增强方法对过滤后图像样本进行数据扩充,形成新的图像样本,并自动生成图像标注。
本发明的第三个方面提供一种工程车辆侵入输电线路监测方法。
在一个或多个实施例中,一种工程车辆侵入输电线路监测方法,包括:
实时接收输电线路监控图像;
将输电线路监控图像压缩至预设边界框尺寸大小;
将压缩后的输电线路监控图像输入至工程车辆分类模型中,输出是否有工程车辆侵入输电线路以及侵入的工程车辆类型;
其中,工程车辆分类模型的训练集中图像样本采用如上述所述的图像处理方法得到。
本发明的第四个方面提供一种工程车辆侵入输电线路监测系统。
在一个或多个实施例中,一种工程车辆侵入输电线路监测系统,包括:
图像接收模块,其用于实时接收输电线路监控图像;
图像压缩模块,其用于将输电线路监控图像压缩至预设边界框尺寸大小;
图像分类模块,其用于将压缩后的输电线路监控图像输入至工程车辆分类模型中,输出是否有工程车辆侵入输电线路以及侵入的工程车辆类型;
其中,工程车辆分类模型的训练集中图像样本采用如上述所述的图像处理方法得到。
本发明的第五个方面提供一种计算机可读存储介质。
在一个或多个实施例中,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的图像处理方法中的步骤;
在一个或多个实施例中,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的工程车辆侵入输电线路监测方法中的步骤。
本发明的第六个方面提供一种计算机设备。
在一个或多个实施例中,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的图像处理方法中的步骤;
在一个或多个实施例中,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的工程车辆侵入输电线路监测方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)为了分析输电线路监控工程车辆图像间的相似特性,确定图像相似度,本发明利用深度相似分析模型,分析输电线路监控图像,过滤相似度高的相似图像,降低了监控图像的冗余度,提高了深度学习模型训练的样本数据的处理效率;其中,深度相似分析模型为多特征的哈希算法,通过图像预处理,减少冗余样本,进而提升深度学习模型训练的有效性。
(2)为了解决充分利用有限样本,减少人力和时间投入,本发明提出了数据增强图像预处理及自动标注技术,通过数据增强在原始图像样本上进行数据扩充,形成新的图像样本,并自动生成图像标注,增加神经网络训练样本数量,提升了神经网络的泛化能力和鲁棒性,同时降低了获取新图像样本的成本,提高了工作效率。
(3)针对图像增强技术的图像旋转、缩放、裁剪、位移、调整色彩、增加噪声都实现了检测目标的自动标注,大大减少了人力成本和时间成本,提高了模型训练工作效率;针对检测目标大部分属于小目标的特性,通过优化深度学习算法,可以有针对性的处理小目标,提高了模型训练的效率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种图像处理方法流程图;
图2是本发明实施例的一种图像处理系统结构示意图;
图3是本发明实施例的一种工程车辆侵入输电线路监测方法流程图;
图4是本发明实施例的工程车辆分类模型以YOLOv3检测模型为例的结构示意图;
图5是本发明实施例的一种工程车辆侵入输电线路监测系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
附图1给出了本实施例的一种图像处理方法的具体实施过程流程图,其具体包括:
S101:获取输电线路监控图像。
具体地,输电线路监控图像可采用摄像头或是其他图像采集设备来采集得到。其中,输电线路监控图像用于采集预设区域的输电线路覆盖区域,进而检测是否有工程车辆入侵。
S102:过滤相似度超过预设阈值的相似输电线路监控图像,形成过滤后图像样本。
为了提高深度学习模型训练的样本数据的处理效率,本实施例利用深度相似分析模型过滤相似度超过预设阈值的相似输电线路监控图像。
传统算法使用单一特征来表示图像中的内容是不够充分的,并且单一特征表示的方法在进行相似图像检索时往往缺乏鲁棒性。本实施例采用考虑多特征的哈希算法图像过滤,充分考虑图像多层次特征,在进行过滤时,增加可信度。
在具体实施中,将汉明距离作为相似度指标,深度相似分析模型为训练好的多特征哈希函数,多特征哈希函数把图像数据点映射到汉明空间,生成相应的哈希码,再计算任意两个图像之间的距离,从而过滤掉汉明距离超过预设汉明距离阈值的图像。
哈希将图像的视觉特征转化为压缩的二进制哈希编码,并尽量保持原始特征空间中的邻近结构,即特征向量越相近的图像映射后的哈希编码也应越相近。设Dist(Q,I)为特征向量Qv和Iv的哈希编码间的距离,则相似度评分公式归约为:
其中maxD、maxP分别为Dist(Qv,Iv)和P(Qk/It)的上界,用来进行归一化。检索对象包含两个部分:多维数据和文本,检索标准综合了这两个部分的相性。
利用训练好的哈希函数,把图像数据点映射到汉明空间,生成相应的哈希码,以下为简要算法流程:
1)样本数据中随机挑选n幅图像,对这些图像提取其HSV颜色直方图特征和LPB纹理特征。例如:HSV颜色直方图特征向量162维,LPB纹理特征向量256维。
2)将步骤1)中求出的两个矩阵作为哈希算法的输入矩阵,计算出其对应的d维映射空间矩阵。此哈希算法为:图像特征向量各个维度的特征值与所有维度的平均值相比较,若大于平均值则标为1,若小于平均值则标为0,生成二进制形式的哈希表。
3)通过自学习哈希过程得到相应的哈希函数和实数值哈希码,利用支持向量机SVM预测处理生成二进制哈希码。此过程为:提取大量的图像样本,生成特征向量各个维度的哈希函数与实数值哈希码,根据视觉特征和特性进行分类标为1或0,生成样本数据,进行SVM机器学习训练,生成预测模型,当有新的图像需要进行相似分析时,首先生成特征向量各个维度的哈希函数和实数值哈希码,输入预测模型,生成多特征的二进制哈希码。
4)对图像进行相似性度量:利用上述相似度评分公式,得到汉明距离;进而计算出待查询图像与图像库中各图像之间的距离,并按照相似度大小排序。
可以理解的是,在其他的实施例中,也可采用其他现有的方法来过滤相似度超过预设阈值的相似输电线路监控图像,比如:构建了一种多核加权图像相似度聚类的方法,其过程为首先根据图像的视觉特征利用基于核的KNN方法将图像聚到多个类别,接着从每个类别的图像中抽取一些典型图像,并用hyperbolic显示技术显示到屏幕上,当用户选择某个样本图像后,系统将保留该类别的所有图像而丢弃其他类别的图像从而实现图像的过滤;本领域技术人员可以根据具体工况自行设置,在此不作详述。
S103:利用数据增强方法对过滤后图像样本进行数据扩充,形成新的图像样本,并自动生成图像标注。
数据增强后图像数量远远大于原始图像样本数量,如果人工标注的话,需要花费大量的人力物力,而实现自动标注后,大大减少了成本,提高了工作效率。本实施例采用了数据增强图像预处理及自动标注方法。通过数据增强在原始图像样本上进行数据扩充,形成新的图像样本,并自动生成图像标注,增加神经网络训练样本数量,提升神经网络的泛化能力和鲁棒性,同时降低获取新图像样本的成本。
本实施例利用如下数据增强方法对过滤后图像样本进行数据扩充,并且自动标注,其具体过程为:
(1)旋转操作及自动标注
对图像进行各个角度的旋转,检测目标会出现各种角度的情况。旋转增强关键性的问题是当旋转之后图像的维数可能并不能保持跟原来一样,本实施例保证了图像的分辨率尽量不失真。根据旋转的角度,自动计算旋转后检测目标的坐标位置,无需再手动进行旋转后检测目标的标注。
旋转后检测目标的坐标X、Y计算如下:
X=x*math.cos(angle)-y*math.sin(angle)-0.5*n*math.cos(angle)+0.5*m*math.sin(angle)+0.5*n
Y=y*math.cos(angle)+x*math.sin(angle)-0.5*n*math.sin(angle)-0.5*m*math.cos(angle)+0.5*m;
其中,x表示图像旋转前标注点的横坐标,y表示图像旋转前标注点的纵坐标,math.cos表示旋转角度的余弦,math.sin表示旋转角度的正弦,angle表示旋转的角度,m表示图像的宽度,n表示图像的长度。
根据检测目标新坐标数据,自动生成YOLO格式标注文件。
(2)缩放操作及自动标注
图像可以向外或向内缩放。向外缩放时,最终图像尺寸将大于原始图像尺寸。大多数图像框架从新图像中剪切出一个部分,其大小等于原始图像。根据图像缩放的比例,自动计算缩放后检测目标的坐标位置,无需再手动进行缩放后检测目标的标注。
缩放后检测目标的坐标计算方法:首先计算出图像的缩放比例,将标注数据乘以相应缩放比例,自动生成YOLO格式标注文件。
(3)裁剪操作及自动标注
与缩放不同,从原始图像中随机抽样一个部分,然后将此部分的大小调整为原始图像大小。这种方法通常称为随机裁剪。根据裁剪的位置,自动计算裁剪后检测目标的坐标位置,无需再手动进行裁剪后检测目标的标注。
裁剪后检测目标的坐标计算方法:根据裁剪位置的各种情况,及缩放到原始图像大小时的比例,计算出新图片的检测目标位置坐标,自动生成YOLO格式标注文件。
(4)位移操作及自动标注
位移只涉及沿X或Y方向(或两者)移动图像。我们假设图像在其边界之外具有黑色背景,并且被适当地移位。根据位移方向和大小,自动计算位移后检测目标的坐标位置,无需再手动进行位移后检测目标的标注。
位移后检测目标的坐标计算方法:根据位移的方向及大小的各种情况,计算出新图片的检测目标位置坐标,自动生成YOLO格式标注文件。
(5)调整图像亮度、饱和度、对比度和色相及自动标注
调整亮度、饱和度、对比度和色相的图像样本中的检测目标位置均不变。
这些图像色彩因素在很多图像识别应用中都会影响识别效果,所以在训练神经网络模型时,随机调整图像色彩属性,使训练得到的网络模型尽可能小地受到图像色彩因素的影响。图像色彩因素的修改不影响检测目标的标注,无需再手动进行检测目标的标注,将自动生成YOLO格式标注文件。
(6)增加噪声及自动标注
增加噪声的图像样本中的检测目标位置不变。
通过拟合现象通常发生在神经网络学习高频特征的时候(因为低频特征神经网络很容易就可以学到,而高频特征只有在最后的时候才可以学到)而这些特征对于神经网络所做的任务可能没有帮助,而且会对低频特征产生影响,为了消除高频特征我们随机加入噪声数据来消除这些特征。图像噪声的增加不影响检测目标的标注,无需再手动进行检测目标的标注,将自动生成YOLO格式标注文件。
实施例二
附图2给出了本实施例的一种图像处理系统结构示意图,其具体包括:
(1)图像获取模块,其用于获取输电线路监控图像。
具体地,输电线路监控图像可采用摄像头或是其他图像采集设备来采集得到。其中,输电线路监控图像用于采集预设区域的输电线路覆盖区域,进而检测是否有工程车辆入侵。
(2)图像过滤模块,其用于过滤相似度超过预设阈值的相似输电线路监控图像,形成过滤后图像样本。
为了提高深度学习模型训练的样本数据的处理效率,本实施例利用深度相似分析模型过滤相似度超过预设阈值的相似输电线路监控图像。
传统算法使用单一特征来表示图像中的内容是不够充分的,并且单一特征表示的方法在进行相似图像检索时往往缺乏鲁棒性。本实施例采用考虑多特征的哈希算法图像过滤,充分考虑图像多层次特征,在进行过滤时,增加可信度。
在具体实施中,将汉明距离作为相似度指标,深度相似分析模型为训练好的多特征哈希函数,多特征哈希函数把图像数据点映射到汉明空间,生成相应的哈希码,再计算任意两个图像之间的距离,从而过滤掉汉明距离超过预设汉明距离阈值的图像。
哈希将图像的视觉特征转化为压缩的二进制哈希编码,并尽量保持原始特征空间中的邻近结构,即特征向量越相近的图像映射后的哈希编码也应越相近。设Dist(Q,I)为特征向量Qv和Iv的哈希编码间的距离,则相似度评分公式归约为:
其中maxD、maxP分别为Dist(Qv,Iv)和P(Qk/It)的上界,用来进行归一化。检索对象包含两个部分:多维数据和文本,检索标准综合了这两个部分的相性。
利用训练好的哈希函数,把图像数据点映射到汉明空间,生成相应的哈希码,以下为简要算法流程:
1)样本数据中随机挑选n幅图像,对这些图像提取其HSV颜色直方图特征和LPB纹理特征。例如:HSV颜色直方图特征向量162维,LPB纹理特征向量256维。
2)将步骤1)中求出的两个矩阵作为哈希算法的输入矩阵,计算出其对应的d维映射空间矩阵。此哈希算法为:图像特征向量各个维度的特征值与所有维度的平均值相比较,若大于平均值则标为1,若小于平均值则标为0,生成二进制形式的哈希表。
3)通过自学习哈希过程得到相应的哈希函数和实数值哈希码,利用支持向量机SVM预测处理生成二进制哈希码。此过程为:提取大量的图像样本,生成特征向量各个维度的哈希函数与实数值哈希码,根据视觉特征和特性进行分类标为1或0,生成样本数据,进行SVM机器学习训练,生成预测模型,当有新的图像需要进行相似分析时,首先生成特征向量各个维度的哈希函数和实数值哈希码,输入预测模型,生成多特征的二进制哈希码。
4)对图像进行相似性度量:利用上述相似度评分公式,得到汉明距离;进而计算出待查询图像与图像库中各图像之间的距离,并按照相似度大小排序。
可以理解的,在其他的实施例中,也可采用其他现有的方法来过滤相似度超过预设阈值的相似输电线路监控图像,比如:构建了一种多核加权图像相似度聚类的方法,其过程为首先根据图像的视觉特征利用基于核的KNN方法将图像聚到多个类别,接着从每个类别的图像中抽取一些典型图像,并用hyperbolic显示技术显示到屏幕上,当用户选择某个样本图像后,系统将保留该类别的所有图像而丢弃其他类别的图像从而实现图像的过滤;本领域技术人员可以根据具体工况自行设置,在此不作详述。
(3)图像增强及标注模块,其用于利用数据增强方法对过滤后图像样本进行数据扩充,形成新的图像样本,并自动生成图像标注。
数据增强后图像数量远远大于原始图像样本数量,如果人工标注的话,需要花费大量的人力物力,而实现自动标注后,大大减少了成本,提高了工作效率。本实施例采用了数据增强图像预处理及自动标注方法。通过数据增强在原始图像样本上进行数据扩充,形成新的图像样本,并自动生成图像标注,增加神经网络训练样本数量,提升神经网络的泛化能力和鲁棒性,同时降低获取新图像样本的成本。
本实施例利用如下数据增强方法对过滤后图像样本进行数据扩充,并且自动标注,其具体过程为:
1)旋转操作及自动标注
对图像进行各个角度的旋转,检测目标会出现各种角度的情况。旋转增强关键性的问题是当旋转之后图像的维数可能并不能保持跟原来一样,本实施例保证了图像的分辨率尽量不失真。根据旋转的角度,自动计算旋转后检测目标的坐标位置,无需再手动进行旋转后检测目标的标注。
旋转后检测目标的坐标X、Y计算如下:
X=x*math.cos(angle)-y*math.sin(angle)-0.5*n*math.cos(angle)+0.5*m*math.sin(angle)+0.5*n
Y=y*math.cos(angle)+x*math.sin(angle)-0.5*n*math.sin(angle)-0.5*m*math.cos(angle)+0.5*m;
其中,x表示图像旋转前标注点的横坐标,y表示图像旋转前标注点的纵坐标,math.cos表示旋转角度的余弦,math.sin表示旋转角度的正弦,angle表示旋转的角度,m表示图像的宽度,n表示图像的长度。
根据检测目标新坐标数据,自动生成YOLO格式标注文件。
2)缩放操作及自动标注
图像可以向外或向内缩放。向外缩放时,最终图像尺寸将大于原始图像尺寸。大多数图像框架从新图像中剪切出一个部分,其大小等于原始图像。根据图像缩放的比例,自动计算缩放后检测目标的坐标位置,无需再手动进行缩放后检测目标的标注。
缩放后检测目标的坐标计算方法:首先计算出图像的缩放比例,将标注数据乘以相应缩放比例,自动生成YOLO格式标注文件。
3)裁剪操作及自动标注
与缩放不同,从原始图像中随机抽样一个部分,然后将此部分的大小调整为原始图像大小。这种方法通常称为随机裁剪。根据裁剪的位置,自动计算裁剪后检测目标的坐标位置,无需再手动进行裁剪后检测目标的标注。
裁剪后检测目标的坐标计算方法:根据裁剪位置的各种情况,及缩放到原始图像大小时的比例,计算出新图片的检测目标位置坐标,自动生成YOLO格式标注文件。
4)位移操作及自动标注
位移只涉及沿X或Y方向(或两者)移动图像。我们假设图像在其边界之外具有黑色背景,并且被适当地移位。根据位移方向和大小,自动计算位移后检测目标的坐标位置,无需再手动进行位移后检测目标的标注。
位移后检测目标的坐标计算方法:根据位移的方向及大小的各种情况,计算出新图片的检测目标位置坐标,自动生成YOLO格式标注文件。
5)调整图像亮度、饱和度、对比度和色相及自动标注
调整亮度、饱和度、对比度和色相的图像样本中的检测目标位置均不变。
这些图像色彩因素在很多图像识别应用中都会影响识别效果,所以在训练神经网络模型时,随机调整图像色彩属性,使训练得到的网络模型尽可能小地受到图像色彩因素的影响。图像色彩因素的修改不影响检测目标的标注,无需再手动进行检测目标的标注,将自动生成YOLO格式标注文件。
6)增加噪声及自动标注
增加噪声的图像样本中的检测目标位置不变。
通过拟合现象通常发生在神经网络学习高频特征的时候(因为低频特征神经网络很容易就可以学到,而高频特征只有在最后的时候才可以学到)而这些特征对于神经网络所做的任务可能没有帮助,而且会对低频特征产生影响,为了消除高频特征我们随机加入噪声数据来消除这些特征。图像噪声的增加不影响检测目标的标注,无需再手动进行检测目标的标注,将自动生成YOLO格式标注文件。
实施例三
附图3给出了本实施例的一种工程车辆侵入输电线路监测方法,其具体包括:
S201:实时接收输电线路监控图像。
具体地,输电线路监控图像可采用摄像头或是其他图像采集设备来采集得到。其中,输电线路监控图像用于采集预设区域的输电线路覆盖区域,进而检测是否有工程车辆入侵。
S202:将输电线路监控图像压缩至预设边界框尺寸大小。
输电通道监控图像分辨率为2592×1944,在图像输入检测模型进行训练和检测前,对图像进行压缩,可以降低高分辨率图像对检测模型的运算负担。同时为了保证图像不发生扭曲,图像长边需要压缩到要求输入尺寸,而短边按长边压缩比例进行压缩。例如,压缩后的监控图像压缩分辨率为416×312。
这种检测目标通常在整幅图像中占比较小,属于小目标,在算法上,本发明通过重新设计了预设边界框的尺寸大小,可以有针对性的处理小目标,提高了模型训练的效率。
S203:将压缩后的输电线路监控图像输入至工程车辆分类模型中,输出是否有工程车辆侵入输电线路以及侵入的工程车辆类型;
其中,工程车辆分类模型的训练集中图像样本采用如实施例一所述的图像处理方法得到。
在具体实施中,本实施例的工程车辆分类模型采用TensorFlow深度学习框架、YOLOv3检测模型。如附图4所示,本模型采用Darknet-53特征提取网络(含有53个卷积层),更多层数网络具有更好的拟合和分类效果。Darknet-53中主要采用1×1和3×3尺寸卷积核提取特征,并借鉴了残差网络解决了深度神经网络训练时梯度消失或爆炸的问题,并使用卷积层替代池化层,简化了网络结构。YOLOv3检测模型使用三个不同尺度(13×13、26×26、52×52)的特征图进行融合,最后进行目标定位和分类。YOLOv3检测模型保证较高的检测精度的同时,运行速度相比于二阶段算法有着极大的提升,十分适合应用在检测工程车辆入侵输电线路监测区域的场景中。
例如:在输电线路的监控区域中,根据监测图像和外部破坏事件的调查结果,认为施工队伍的盲目施工是造成外部破坏的主要原因。经过人工筛选,选择包含检测目标的挖掘机、起重机和大型工程车辆进行模型的训练及检测。
样本集标注框尺寸进行K-means聚类,对YOLOv3预设边界框尺寸进行修改,从而减少YOLOv3检测边界框调整难度,提高模型定位精度,降低模型学习损失,提高模型训练收敛速度。
此处需要说明的是,在其他实施例中,工程车辆分类模型也可采用其他模型,比如CNN神经网络模型。本领域技术人员可以根据具体工况自行设置,在此不作详述。
实施例四
附图5给出了本实施例一种工程车辆侵入输电线路监测系统的结构示意图。具体地,本实施例的工程车辆侵入输电线路监测系统,包括:
(1)图像接收模块,其用于实时接收输电线路监控图像。
具体地,输电线路监控图像可采用摄像头或是其他图像采集设备来采集得到。其中,输电线路监控图像用于采集预设区域的输电线路覆盖区域,进而检测是否有工程车辆入侵。
(2)图像压缩模块,其用于将输电线路监控图像压缩至预设边界框尺寸大小。
输电通道监控图像分辨率为2592×1944,在图像输入检测模型进行训练和检测前,对图像进行压缩,可以降低高分辨率图像对检测模型的运算负担。同时为了保证图像不发生扭曲,图像长边需要压缩到要求输入尺寸,而短边按长边压缩比例进行压缩。例如,压缩后的监控图像压缩分辨率为416×312。
这种检测目标通常在整幅图像中占比较小,属于小目标,在算法上,本发明通过重新设计了预设边界框的尺寸大小,可以有针对性的处理小目标,提高了模型训练的效率。
(3)图像分类模块,其用于将压缩后的输电线路监控图像输入至工程车辆分类模型中,输出是否有工程车辆侵入输电线路以及侵入的工程车辆类型;
其中,工程车辆分类模型的训练集中图像样本采用如实施例一所述的图像处理方法得到。
在具体实施中,本实施例的工程车辆分类模型采用TensorFlow深度学习框架、YOLOv3检测模型。如附图4所示,本模型采用Darknet-53特征提取网络(含有53个卷积层),更多层数网络具有更好的拟合和分类效果。Darknet-53中主要采用1×1和3×3尺寸卷积核提取特征,并借鉴了残差网络解决了深度神经网络训练时梯度消失或爆炸的问题,并使用卷积层替代池化层,简化了网络结构。YOLOv3检测模型使用三个不同尺度(13×13、26×26、52×52)的特征图进行融合,最后进行目标定位和分类。YOLOv3检测模型保证较高的检测精度的同时,运行速度相比于二阶段算法有着极大的提升,十分适合应用在检测工程车辆入侵输电线路监测区域的场景中。
例如:在输电线路的监控区域中,根据监测图像和外部破坏事件的调查结果,认为施工队伍的盲目施工是造成外部破坏的主要原因。经过人工筛选,选择包含检测目标的挖掘机、起重机和大型工程车辆进行模型的训练及检测。
样本集标注框尺寸进行K-means聚类,对YOLOv3预设边界框尺寸进行修改,从而减少YOLOv3检测边界框调整难度,提高模型定位精度,降低模型学习损失,提高模型训练收敛速度。
此处需要说明的是,在其他实施例中,工程车辆分类模型也可采用其他模型,比如CNN神经网络模型。本领域技术人员可以根据具体工况自行设置,在此不作详述。
实施例五
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例一所述的图像处理方法中的步骤。
实施例六
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例三所述的工程车辆侵入输电线路监测方法中的步骤。
实施例七
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如实施例一所述的图像处理方法中的步骤。
实施例八
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如实施例三所述的工程车辆侵入输电线路监测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取输电线路监控图像;
过滤相似度超过预设阈值的相似输电线路监控图像,形成过滤后图像样本;
利用数据增强方法对过滤后图像样本进行数据扩充,形成新的图像样本,并自动生成图像标注。
2.如权利要求1所述的图像处理方法,其特征在于,利用深度相似分析模型过滤相似度超过预设阈值的相似输电线路监控图像。
3.如权利要求2所述的图像处理方法,其特征在于,将汉明距离作为相似度指标,深度相似分析模型为训练好的多特征哈希函数,多特征哈希函数把图像数据点映射到汉明空间,生成相应的哈希码,再计算任意两个图像之间的距离,从而过滤掉汉明距离超过预设汉明距离阈值的图像。
4.如权利要求1所述的图像处理方法,其特征在于,所述数据增强方法包括:旋转操作、缩放操作、裁剪操作、位移操作、调整亮度、饱和度、对比度和色相操作以及增加噪声操作。
5.如权利要求4所述的图像处理方法,其特征在于,在自动生成图像标注的过程中:
分别根据图像样本旋转的角度、图像样本缩放的比例及图像样本裁剪的位置,对应计算旋转后检测目标的坐标位置、缩放后检测目标的坐标位置及裁剪后检测目标的坐标位置,自动标注出相应图像样本的检测目标;
调整亮度、饱和度、对比度和色相的图像样本以及增加噪声的图像样本中的检测目标位置均不变。
6.一种图像处理系统,其特征在于,包括:
图像获取模块,其用于获取输电线路监控图像;
图像过滤模块,其用于过滤相似度超过预设阈值的相似输电线路监控图像,形成过滤后图像样本;
图像增强及标注模块,其用于利用数据增强方法对过滤后图像样本进行数据扩充,形成新的图像样本,并自动生成图像标注。
7.一种工程车辆侵入输电线路监测方法,其特征在于,包括:
实时接收输电线路监控图像;
将输电线路监控图像压缩至预设边界框尺寸大小;
将压缩后的输电线路监控图像输入至工程车辆分类模型中,输出是否有工程车辆侵入输电线路以及侵入的工程车辆类型;
其中,工程车辆分类模型的训练集中图像样本采用如权利要求1-5中任一项所述的图像处理方法得到。
8.一种工程车辆侵入输电线路监测系统,其特征在于,包括:
图像接收模块,其用于实时接收输电线路监控图像;
图像压缩模块,其用于将输电线路监控图像压缩至预设边界框尺寸大小;
图像分类模块,其用于将压缩后的输电线路监控图像输入至工程车辆分类模型中,输出是否有工程车辆侵入输电线路以及侵入的工程车辆类型;
其中,工程车辆分类模型的训练集中图像样本采用如权利要求1-5中任一项所述的图像处理方法得到。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的图像处理方法中的步骤;
或该程序被处理器执行时实现如权利要求7所述的工程车辆侵入输电线路监测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的图像处理方法中的步骤;
或所述处理器执行所述程序时实现如权利要求7所述的工程车辆侵入输电线路监测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653183.2A CN111798435A (zh) | 2020-07-08 | 2020-07-08 | 图像处理方法、工程车辆侵入输电线路监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653183.2A CN111798435A (zh) | 2020-07-08 | 2020-07-08 | 图像处理方法、工程车辆侵入输电线路监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798435A true CN111798435A (zh) | 2020-10-20 |
Family
ID=72810609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010653183.2A Pending CN111798435A (zh) | 2020-07-08 | 2020-07-08 | 图像处理方法、工程车辆侵入输电线路监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798435A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989592A (zh) * | 2021-10-28 | 2022-01-28 | 三一建筑机器人(西安)研究院有限公司 | 一种语义分割图像样本的扩充方法、装置及电子设备 |
CN114359144A (zh) * | 2021-12-01 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 图像检测方法和图像检测模型的获得方法 |
CN116994085A (zh) * | 2023-06-27 | 2023-11-03 | 中电金信软件有限公司 | 图像样本筛选方法、模型训练方法、装置和计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156284A (zh) * | 2016-06-24 | 2016-11-23 | 合肥工业大学 | 基于随机多视角哈希的大规模近重复视频检索方法 |
CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技(深圳)有限公司 | 图像标注方法及终端设备 |
CN110135522A (zh) * | 2019-05-28 | 2019-08-16 | 金陵科技学院 | 一种检测与标注遥感图像小目标一体化的智能方法 |
CN110147757A (zh) * | 2019-05-17 | 2019-08-20 | 国网山东省电力公司菏泽供电公司 | 基于卷积神经网络的输电通道工程车辆辨识方法及系统 |
CN110188223A (zh) * | 2019-06-06 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及计算机设备 |
CN110490250A (zh) * | 2019-08-19 | 2019-11-22 | 广州虎牙科技有限公司 | 一种人工智能训练集的获取方法及装置 |
CN110503150A (zh) * | 2019-08-26 | 2019-11-26 | 苏州科达科技股份有限公司 | 样本数据采集方法、装置及存储介质 |
CN110533103A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种轻量级小物体目标检测方法及系统 |
-
2020
- 2020-07-08 CN CN202010653183.2A patent/CN111798435A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156284A (zh) * | 2016-06-24 | 2016-11-23 | 合肥工业大学 | 基于随机多视角哈希的大规模近重复视频检索方法 |
CN108573279A (zh) * | 2018-03-19 | 2018-09-25 | 精锐视觉智能科技(深圳)有限公司 | 图像标注方法及终端设备 |
CN110147757A (zh) * | 2019-05-17 | 2019-08-20 | 国网山东省电力公司菏泽供电公司 | 基于卷积神经网络的输电通道工程车辆辨识方法及系统 |
CN110135522A (zh) * | 2019-05-28 | 2019-08-16 | 金陵科技学院 | 一种检测与标注遥感图像小目标一体化的智能方法 |
CN110188223A (zh) * | 2019-06-06 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及计算机设备 |
CN110490250A (zh) * | 2019-08-19 | 2019-11-22 | 广州虎牙科技有限公司 | 一种人工智能训练集的获取方法及装置 |
CN110503150A (zh) * | 2019-08-26 | 2019-11-26 | 苏州科达科技股份有限公司 | 样本数据采集方法、装置及存储介质 |
CN110533103A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种轻量级小物体目标检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
曾梦琪 等: "基于混合相似度的高效图像检索方案", 《计算机工程》, 30 November 2019 (2019-11-30) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989592A (zh) * | 2021-10-28 | 2022-01-28 | 三一建筑机器人(西安)研究院有限公司 | 一种语义分割图像样本的扩充方法、装置及电子设备 |
CN114359144A (zh) * | 2021-12-01 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 图像检测方法和图像检测模型的获得方法 |
CN116994085A (zh) * | 2023-06-27 | 2023-11-03 | 中电金信软件有限公司 | 图像样本筛选方法、模型训练方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Vehicle detection in high-resolution aerial images via sparse representation and superpixels | |
Li et al. | Automatic safety helmet wearing detection | |
Ping et al. | A deep learning approach for street pothole detection | |
CN111798435A (zh) | 图像处理方法、工程车辆侵入输电线路监测方法及系统 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN114549563A (zh) | 一种基于DeepLabV3+的复合绝缘子实时分割方法及系统 | |
CN108010242B (zh) | 一种基于视频识别的安防报警方法、系统及存储介质 | |
CN110133443B (zh) | 基于平行视觉的输电线路部件检测方法、系统、装置 | |
CN110852179B (zh) | 基于视频监控平台的可疑人员入侵的检测方法 | |
CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN114120138A (zh) | 一种遥感影像目标检测识别方法、装置、设备及介质 | |
CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 | |
Feng et al. | Research on human target detection and tracking based on artificial intelligence vision | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
JP4270254B2 (ja) | 画像信号処理装置及び画像処理方法 | |
CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Mantini et al. | Camera Tampering Detection using Generative Reference Model and Deep Learned Features. | |
He et al. | A Pedestrian Detection Method Using SVM and CNN Multistage Classification. | |
CN114913438A (zh) | 一种基于锚框最优聚类的YOLOv5园林异常目标识别方法 | |
CN114241522A (zh) | 现场作业安全穿戴识别方法、系统、设备及存储介质 | |
Liu et al. | Deep learning based external-force-damage detection for power transmission line | |
CN115700737A (zh) | 一种基于视频监控的溢油检测方法 | |
CN113128492A (zh) | 一种票据文本定位方法和装置 |
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 |