CN111814687A - 一种航班保障节点智能识别系统 - Google Patents

一种航班保障节点智能识别系统 Download PDF

Info

Publication number
CN111814687A
CN111814687A CN202010658108.5A CN202010658108A CN111814687A CN 111814687 A CN111814687 A CN 111814687A CN 202010658108 A CN202010658108 A CN 202010658108A CN 111814687 A CN111814687 A CN 111814687A
Authority
CN
China
Prior art keywords
node
platform
yolov3
data
convolution
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
Application number
CN202010658108.5A
Other languages
English (en)
Inventor
张雨松
苏敏敏
毛鑫哲
褚振伟
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.)
Suzhou Shuzhiyuan Information Technology Co ltd
Original Assignee
Suzhou Shuzhiyuan Information 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 Suzhou Shuzhiyuan Information Technology Co ltd filed Critical Suzhou Shuzhiyuan Information Technology Co ltd
Priority to CN202010658108.5A priority Critical patent/CN111814687A/zh
Publication of CN111814687A publication Critical patent/CN111814687A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种航班保障节点智能识别系统。该系统由流媒体处理平台、YOLOv3+AddNN算法平台、消息队列、节点智能识别系统、数据库、WEB系统展示平台组成。首先收集待识别视频到存储服务器中，随后将视频流传输到流媒体平台，通过实时转码进行视频播放、切片和切图之后，将视频流传输至YOLOv3+AddNN算法平台，算法平台利用改进的深度神经网络识别框架对标注数据集进行识别并将结果放入消息队列中，然后节点智能识别系统通过订阅此队列完成节点推送和数据库保存，最后WEB系统展示平台访问数据库中的节点进行前端页面展示。本发明能够准确完成机场进程管控中各保障节点数据的获取和识别，降低人力成本，避免数据漏报和延迟，为机场的高效管理提供可靠参考。

Description

一种航班保障节点智能识别系统
技术领域
本发明涉及模式识别领域，尤其涉及一种航班保障节点智能识别系统。
背景技术
在经济全球化和国家政策大力扶持等多方面的有利条件下，航空业成为我国近年来发展最迅速的行业之一。不断持续扩增的航班运输对地面保障服务体系提出了更高要求。机场进程管控作为地服生产作业保障系统的一个重要组件，主要是用来管理和监控航班保障进程。进程管控结合可配置的日常保障处理计划，根据航班动态、作业保障情况和资源的状况可实时更新航班的运营状态。目前机场进程管控存在以下主要问题：
1.地服保障作业时间节点信息的采集主要依靠人工笔录、便携式设备录入等，需要机场保障作业人员自我反馈及专业人员进行信息统计填报，信息更新速度慢，错误率高；
2.运控指挥部门需要重复性的监控飞机状态、保障车辆作业情况以及航班状态，并需要岗位值守记录各进程环节状态和时间节点信息；
3.地服作业反馈的保障时间节点信息与实际工作环节操作的时间存在较大误差，实时性及可靠性较低，一旦保障环节出现事故后很难进行事故根源追溯；
4.航班高峰时期特定人员的值守记录容易造成疲劳，工作效率降低，主观上容易出现错误，并且要耗费大量人力成本；
5.目前进程管控系统可扩展性、操作友好性及实际运营性较差，未能达到可视化效果，保障作业信息的查询需要大量的记录数据信息查询，工作量巨大。
近年来深度学习在模式识别领域发展迅猛，深度学习以其精准的识别率和高效的计算速度使得众多计算机视觉问题的瓶颈得以突破，它能够实时地对视频或者图像进行分类和检测，已经在很多工业领域得以应用。
发明内容
本发明的目的在于提供一种航班保障节点智能识别系统，为机场的高效管理提供可靠参考。
为实现上述目的，本发明提供如下技术方案：一种航班保障节点智能识别系统，由流媒体处理平台、YOLOv3+AddNN算法平台、消息队列、节点智能识别系统、数据库、WEB系统展示平台组成，其中：
流媒体平台对来自视频存储服务器的视频流进行实时转码，完成视频播放、实时切片和切图，将视频流发送给YOLOv3+AddNN算法平台；
YOLOv3+AddNN算法平台对视频流进行解析，利用基于AddNN改进的YOLOv3深度神经网络识别框架对标注数据集进行智能识别，得到物体类别识别结果。
消息队列存放来自YOLOv3+AddNN算法平台的物体类别识别结果；
节点智能识别系统订阅消息队列消息，进行数据识别和分析处理进而完成节点推送；
数据库保存来自节点智能系统的节点识别结果数据。
WEB系统展示平台通过后端API接口访问数据库中的节点数据展示到前端用户界面。
进一步地，所述的流媒体平台可依据不同的视频流协议进一步选配，以便完成视频的拉流、推流、转码、分发等任务。
进一步地，所述的YOLOv3+AddNN算法平台，具体作用为：构建数据集、构建基于AddNN改进的YOLOv3算法、训练集预处理、网络训练、识别结果入队；
所述的构建数据集首先对视频流实时解析，对待识别物体进行矩形框的标注并打上类别标签，类别标签由航空器、连接杆、廊桥、上轮档、撤轮档、引导车、燃油车、配餐车、客梯车、清水车、污水车、除冰车、行李车、油泵车、客舱门、货舱门、保洁人员、机组人员、保障人员、廊桥监护人员、行李传送带等组成，构建数据集并将其分为训练集、验证集和测试集；
所述的改进YOLOv3算法利用AddNN的加法特征提取代替YOLOv3检测算法中的DarkNet53网络的卷积特征提取操作而构建，其核心在于：用L1距离加法运算代替卷积运算；对于CNN中的卷积运算，设
Figure BDA0002577418620000021
是一个卷积核，输入特征图是
Figure BDA0002577418620000022
则卷积计算如下：
Figure BDA0002577418620000023
把卷积核拉平成一个向量，对应的特征图区域也拉平成一个向量，单层特征图卷积可写成如下形式：
Figure BDA0002577418620000031
卷积描述的是两个向量的相似程度，而L1距离也可以描述向量之间的相似程度，用L1距离替换卷积计算，卷积公式就编程成如下加法公式：
Figure BDA0002577418620000032
因此全程不涉及乘法，相比于乘法操作，加法的复杂度低得多，因而更加高效；
所述的网络训练将经过旋转、放缩、平移、多尺度的放射变换和平滑处理等预处理的训练集输入到改进后的YOLOv3深度学习网络进行训练，得到最终的识别模型；
所述的识别结果入队将所要识别的图像数据输入到训练好的模型中得到识别结果，然后将其放入消息队列。
进一步地，所述的消息队列可根据不同队列的特点进一步选配，以便完成高吞吐量、高时效性、强可用性的识别结果数据的入队和出队。
进一步地，所述的节点智能识别系统，具体作用为：订阅消息队列，实时分析消息队列节点数据，判断节点状态并存储节点识别结果到数据库；所述的节点状态由标注数据集中各类别的出现与离开、人员的穿戴服装检测、飞机舱门的开关等状态组成。
进一步地，所述的数据库可进一步配置，具体作用为：提供关系型数据以持久化存储识别结果节点数据、利用缓存技术加快读取速度。
进一步地，所述的WEB系统展示平台，具体作用为：利用后端API接口访问数据库中的节点进行视频播放，将数据查询、系统配置展示到用户界面；所述的用户界面由添加设备、配置任务、实时保障、进程/超时查询等组成。
本系统是一个高度信息化的人工智能系统，系统能自动化识别并跟踪停机坪内飞机位置和车辆位置，向机坪车辆驾驶员通报相关信息任务，记录停机坪内各活动目标的工作环节、工作进程和该进程完成的时刻。
与现有技术相比，本发明具有如下有益效果：能及时、准确、全自动完成机场进程管控中各保障节点数据的获取，有效避免人工录入可能造成的数据漏报、数据误差、数据延迟，极大降低数据获取的人力成本，为机场的高效管理提供可靠依据和参考。
附图说明
图1是本发明航班保障节点智能识别系统的实现示意图。
图2是航班保障节点智能识别系统中深度神经网络训练的流程图。
图3是航班保障节点智能识别系统中深度神经网络采用剪枝策略后的示意图。
图4是航班保障节点智能识别系统中航班保障节点流程示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，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，这里所使用的的属于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。
本发明一种航班保障节点智能识别系统，基于视频存储服务器NVR中的海量视频样本，增加RTSP视频流协议的流媒体处理平台、改进YOLOv3的深度神经网络检测分类模型、Kafca队列、节点智能识别模块、MySQL数据库以及WEB前端展示模块，实现全天时、全天候不间断运行，自动化识别保障节点，记录各活动目标的工作进程和完成时刻，从而为机场的高效管理提供可靠依据和参考。
参照图1，进一步地，视频存储服务器NVR根据RTSP协议将视频流传输到流媒体处理平台。
进一步地，流媒体平台对来自视频存储服务器的视频流进行实时转码，根据RTMP协议进行视频播放，并对转码后的视频流进行实时切片和切图，然后将视频流发送给YOLOv3+AddNN算法平台；
进一步地，YOLOv3+AddNN算法平台将视频流解析为航班保障节点图片数据后，对图片进行标注，框出图片中所需识别的物体并添加类别标签，按照3:1:1划分训练集、验证集和测试集；对训练集进行旋转、放缩、平移、多尺度的放射变换和平滑处理，然后构建基于AddNN改进的YOLOv3深度神经网络识别框架；
基于AddNN改进YOLOv3深度神经网络识别框架的核心在于：用L1距离加法运算代替卷积运算。L1距离是求两点之间坐标差值的绝对值之和，因此全程不涉及乘法，相比于乘法操作，加法的复杂度低得多，因而更加高效。对于CNN中的卷积运算，设
Figure BDA0002577418620000051
是一个卷积核，输入特征图是
Figure BDA0002577418620000052
Figure BDA0002577418620000053
则卷积计算如下：
Figure BDA0002577418620000054
把卷积核拉平成一个向量，对应的特征图区域也拉平成一个向量，单层特征图卷积可写成如下形式：
Figure BDA0002577418620000055
卷积描述的是两个向量的相似程度，而L1距离也可以描述向量之间的相似程度，用L1距离替换卷积计算，卷积公式就编程成如下加法公式：
Figure BDA0002577418620000056
以滤波器与输入特征之间的L1范数距离作为输出响应，利用全精度梯度获得特殊的反向传播方法，其公式为：
Figure BDA0002577418620000057
参照图2，在深度神经网络训练过程中，采用如下自适应的学习率调整策略：
Figure BDA0002577418620000058
根据每个神经元梯度的大小来增强加法网络的特征提取训练过程。参照图3，改进后的深度神经网络采用剪枝训练策略，通过移除冗余的权重来实现网络的压缩和加速。利用AddNN的加法特征提取代替YOLOv3检测算法中的DarkNet53网络的卷积特征提取操作，最后连接全连接层输出目标物体所属类别，经过指定的训练次数后即可得到基于AddNN的改进YOLOv3最优识别检测模型；最后对预处理后的训练集进行智能识别，即可得到物体类别识别结果。
进一步地，采用吞吐量高、时效性高、消息可靠的Kafka队列存储AddNN+YOLOv3算法平台的节点识别结果，保证节点识别结果入队、出队的高可用性。
进一步地，节点智能识别系统订阅Kafka队列中的消息，实时分析处理Kafka队列中的节点数据，参照图4，系统识别节点状态，包括但不限于标注数据集中各类别的出现与离开、人员的穿戴服装检测、飞机舱门的开关等，并保存节点识别结果到MySQL数据库。
进一步地，MySQL数据库持久化存储识别结果节点数据，利用Redis缓存技术加快数据读取速度。
进一步地，所述的WEB系统展示平台利用与前端分离的后端API接口访问MySQL数据库中的节点数据进行视频播放，将数据查询、系统配置展示到用户界面，用户界面包括但不限于添加设备、配置任务、实时保障、进程/超时查询等。

Claims (7)

1.一种航班保障节点智能识别系统，其特征在于，该系统由流媒体处理平台、YOLOv3+AddNN算法平台、消息队列、节点智能识别系统、数据库、WEB系统展示平台组成；
流媒体平台对来自视频存储服务器的视频流进行实时转码，完成视频播放、实时切片和切图，将视频流发送给YOLOv3+AddNN算法平台；
YOLOv3+AddNN算法平台对视频流进行解析，利用基于AddNN改进的YOLOv3深度神经网络识别框架对标注数据集进行智能识别，得到物体类别识别结果；
消息队列存放来自YOLOv3+AddNN算法平台的物体类别识别结果；
节点智能识别系统订阅消息队列消息，进行数据识别和分析处理进而完成节点推送；
数据库保存来自节点智能系统的节点识别结果数据；
WEB系统展示平台通过后端API接口访问数据库中的节点数据展示到前端用户界面。
2.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的流媒体平台可依据不同的视频流协议进一步选配，以便完成视频的拉流、推流、转码、分发等任务。
3.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的YOLOv3+AddNN算法平台，具体作用为：构建数据集、构建基于AddNN改进的YOLOv3算法、网络训练、识别结果入队；
首先对视频流实时解析，对待识别物体进行矩形框的标注并打上类别标签，类别标签由航空器、连接杆、廊桥、上轮档、撤轮档、引导车、燃油车、配餐车、客梯车、清水车、污水车、除冰车、行李车、油泵车、客舱门、货舱门、保洁人员、机组人员、保障人员、廊桥监护人员、行李传送带等组成，构建数据集并将其分为训练集、验证集和测试集；
然后利用AddNN的加法特征提取代替YOLOv3检测算法中的DarkNet53网络的卷积特征提取操作，构建构建基于AddNN改进的YOLOv3算法，其核心在于：用L1距离加法运算代替卷积运算；对于CNN中的卷积运算，设
Figure FDA0002577418610000021
是一个卷积核，输入特征图是
Figure FDA0002577418610000022
则卷积计算如下：
Figure FDA0002577418610000023
把卷积核拉平成一个向量，对应的特征图区域也拉平成一个向量，单层特征图卷积可写成如下形式：
Figure FDA0002577418610000024
卷积描述的是两个向量的相似程度，而L1距离也可以描述向量之间的相似程度，用L1距离替换卷积计算，卷积公式就编程成如下加法公式：
Figure FDA0002577418610000025
因此全程不涉及乘法，相比于乘法操作，加法的复杂度低得多，因而更加高效；
之后对训练集进行旋转、放缩、平移、多尺度的放射变换和平滑处理等预处理操作，将训练集输入到改进后的YOLOv3深度学习网络进行训练，得到最终的识别模型；
最后将所要识别的图像数据输入到训练好的模型中得到识别结果并将其放入消息队列。
4.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的消息队列可根据不同队列的特点进一步选配，以便完成高吞吐量、高时效性、强可用性的识别结果数据的入队和出队。
5.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的节点智能识别系统，具体作用为：订阅消息队列，实时分析消息队列算法数据，判断节点状态并存储节点识别结果到数据库；节点状态由标注数据集中各类别的出现与离开、人员的穿戴服装检测、飞机舱门的开关等状态组成。
6.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的数据库可进一步配置，具体作用为：提供关系型数据以持久化存储识别结果节点数据、利用缓存技术加快读取速度。
7.根据权利要求1所述的一种航班保障节点智能识别系统，其特征在于，所述的WEB系统展示平台，具体作用为：利用后端接口访问数据库中的节点进行视频播放，并在用户界面展示；用户界面包括但不限于添加设备、配置任务、实时保障、进程/超时查询等。
CN202010658108.5A 2020-07-10 2020-07-10 一种航班保障节点智能识别系统 Pending CN111814687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010658108.5A CN111814687A (zh) 2020-07-10 2020-07-10 一种航班保障节点智能识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010658108.5A CN111814687A (zh) 2020-07-10 2020-07-10 一种航班保障节点智能识别系统

Publications (1)

Publication Number Publication Date
CN111814687A true CN111814687A (zh) 2020-10-23

Family

ID=72842058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010658108.5A Pending CN111814687A (zh) 2020-07-10 2020-07-10 一种航班保障节点智能识别系统

Country Status (1)

Country Link
CN (1) CN111814687A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329592A (zh) * 2020-10-30 2021-02-05 北京百度网讯科技有限公司 机场协同决策方法、装置、设备以及存储介质
CN112560809A (zh) * 2021-02-19 2021-03-26 广东海启星海洋科技有限公司 一种实时展示识别效果的方法及装置
CN113487644A (zh) * 2021-06-09 2021-10-08 苏州数智源信息技术有限公司 一种识别航班保障节点的二维目标检测方法
CN115550611A (zh) * 2022-09-23 2022-12-30 广东机场白云信息科技有限公司 一种航班保障节点的智能监测方法、装置及系统
CN117523500A (zh) * 2024-01-04 2024-02-06 厦门兆翔智能科技有限公司 航班保障节点的监测系统、方法及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871786A (zh) * 2019-01-30 2019-06-11 浙江大学 一种航班地面保障作业规范流程检测系统
WO2019196577A1 (zh) * 2018-04-09 2019-10-17 北京大米科技有限公司 一种流媒体回放方法、服务器、客户端及计算机设备
CN110580447A (zh) * 2019-08-06 2019-12-17 深圳市华付信息技术有限公司 基于卷积神经网络及机器学习的航班保障节点识别系统
CN110866165A (zh) * 2019-10-31 2020-03-06 天津市国瑞数码安全系统股份有限公司 一种网络视频采集方法及系统
CN111177237A (zh) * 2019-12-10 2020-05-19 腾讯科技（深圳）有限公司 一种数据处理系统、方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196577A1 (zh) * 2018-04-09 2019-10-17 北京大米科技有限公司 一种流媒体回放方法、服务器、客户端及计算机设备
CN109871786A (zh) * 2019-01-30 2019-06-11 浙江大学 一种航班地面保障作业规范流程检测系统
CN110580447A (zh) * 2019-08-06 2019-12-17 深圳市华付信息技术有限公司 基于卷积神经网络及机器学习的航班保障节点识别系统
CN110866165A (zh) * 2019-10-31 2020-03-06 天津市国瑞数码安全系统股份有限公司 一种网络视频采集方法及系统
CN111177237A (zh) * 2019-12-10 2020-05-19 腾讯科技（深圳）有限公司 一种数据处理系统、方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HANTING CHEN ET AL: "AdderNet: DoWe Really Need Multiplications in Deep Learning?", 《ARXIV:1912.13200V1》, pages 1 - 10 *
吴兴勇: "《实用网络技术》", 31 May 2015, pages: 264 - 268 *
心似双丝网: "AdderNet", pages 1, Retrieved from the Internet <URL:https://blog.csdn.net/s6977880/article/details/105058592/> *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329592A (zh) * 2020-10-30 2021-02-05 北京百度网讯科技有限公司 机场协同决策方法、装置、设备以及存储介质
CN112560809A (zh) * 2021-02-19 2021-03-26 广东海启星海洋科技有限公司 一种实时展示识别效果的方法及装置
CN113487644A (zh) * 2021-06-09 2021-10-08 苏州数智源信息技术有限公司 一种识别航班保障节点的二维目标检测方法
CN115550611A (zh) * 2022-09-23 2022-12-30 广东机场白云信息科技有限公司 一种航班保障节点的智能监测方法、装置及系统
CN117523500A (zh) * 2024-01-04 2024-02-06 厦门兆翔智能科技有限公司 航班保障节点的监测系统、方法及存储介质
CN117523500B (zh) * 2024-01-04 2024-03-19 厦门兆翔智能科技有限公司 航班保障节点的监测系统、方法及存储介质

Similar Documents

Publication Publication Date Title
CN111814687A (zh) 一种航班保障节点智能识别系统
Thiagarajan et al. A machine learning approach for prediction of on-time performance of flights
CN111899227A (zh) 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN108038424B (zh) 一种适用于高空作业的视觉自动化检测方法
CN110264440B (zh) 基于深度学习的大规模列车移位故障检测方法及系统
CN111738218B (zh) 人体异常行为识别系统及方法
CN113392760A (zh) 一种基于视频的不停航施工不安全行为识别的系统及方法
CN108846331B (zh) 一种动车组底盘螺丝紧固件是否脱落的视频识别方法
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测系统
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
CN115294519A (zh) 一种基于轻量化网络的异常事件检测及预警方法
Li et al. Recognizing workers' construction activities on a reinforcement processing area through the position relationship of objects detected by faster R-CNN
CN115471794A (zh) 一种基于YOLOv5的智能电厂小目标检测方法及系统
CN116242833A (zh) 机场跑道病害检测与预警系统
CN110659773A (zh) 一种基于深度学习的航班延误预测方法
Kim et al. Resolution reconstruction of climate data with pixel recursive model
CN113076999A (zh) 基于人工智能信息数据采集方法
CN112184624A (zh) 一种基于深度学习的图片检测方法及系统
CN116109857A (zh) 基于多源信息融合的环卫事件自动分类方法及系统
Cai et al. Rapid detection and social media supervision of runway incursion based on deep learning
CN115550611A (zh) 一种航班保障节点的智能监测方法、装置及系统
CN115083229A (zh) 基于ai视觉识别的飞行训练设备智能识别与警示系统
Kumar et al. Improving Train Track Safety using Drones, Computer Vision and Machine Learning
CN110427920B (zh) 一种面向监控环境的实时行人解析方法
Srijakkot et al. The comparison of Faster R-CNN and Atrous Faster R-CNN in different distance and light condition

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