CN111814764A - 一种遗撒物确定系统 - Google Patents

一种遗撒物确定系统 Download PDF

Info

Publication number
CN111814764A
CN111814764A CN202010874683.9A CN202010874683A CN111814764A CN 111814764 A CN111814764 A CN 111814764A CN 202010874683 A CN202010874683 A CN 202010874683A CN 111814764 A CN111814764 A CN 111814764A
Authority
CN
China
Prior art keywords
objects
spill
scattered
pictures
point cloud
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
CN202010874683.9A
Other languages
English (en)
Other versions
CN111814764B (zh
Inventor
祝涛
李溯
周荣贵
陈岳峰
陈礼彪
廖军洪
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.)
Highway Construction Headquarters In Fujian
Beijing Jiaoyue Tongda Testing Technology Co ltd
Research Institute of Highway Ministry of Transport
Original Assignee
Highway Construction Headquarters In Fujian
Beijing Jiaoyue Tongda Testing Technology Co ltd
Research Institute of Highway Ministry of Transport
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 Highway Construction Headquarters In Fujian, Beijing Jiaoyue Tongda Testing Technology Co ltd, Research Institute of Highway Ministry of Transport filed Critical Highway Construction Headquarters In Fujian
Priority to CN202010874683.9A priority Critical patent/CN111814764B/zh
Publication of CN111814764A publication Critical patent/CN111814764A/zh
Application granted granted Critical
Publication of CN111814764B publication Critical patent/CN111814764B/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
    • G06V20/50—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种遗撒物确定系统，所述遗撒物确定系统包括：多个激光传感器，被配置为采集遗撒物的点云图；多个视频监控设备，被配置为采集遗撒物的图片；处理器，被配置为：获取由激光传感器采集的遗撒物的点云图，获取由视频监控设备采集的所述遗撒物的图片，以及根据所述点云图和所述图片确定所述遗撒物的性质，其中，所述遗撒物的性质包括遗撒物的种类或者数量。通过遗撒物确定系统能够及时发现隧道内的遗撒物并确定遗撒物的性质。

Description

一种遗撒物确定系统
技术领域
本申请涉及隧道安全领域，具体涉及一种遗撒物确定系统。
背景技术
目前中国隧道总里程急剧增加，中国已成为真正的隧道超级大国。随着使用年限增加，隧道维护及结构安全问题逐渐增多。目前隧道的维护还处于人工静态检测阶段，日常巡检一日几次，频率较低、浪费人力成本且人工巡检没有有效的记录及及时性较差。
人工巡检无法及时发现隧道内的遗撒物，造成隧道内安全隐患风险很高。
发明内容
本申请实施例的目的在于提供一种遗撒物确定系统，通过本申请实施例的遗撒物确定系统能够及时发现隧道内的遗撒物并确定遗撒物的性质，其中，所述性质可以包括遗撒物的分类、大小或者危险程度等。
第一方面，本申请实施例提供一种遗撒物确定系统，所述系统包括：多个激光传感器，被配置为采集遗撒物的点云图；多个视频监控设备，被配置为采集所述遗撒物的图片；处理器，被配置为：获取由所述多个激光传感器采集的遗撒物的点云图，获取由所述多个视频监控设备采集的所述遗撒物的图片，以及根据所述点云图和所述图片确定所述遗撒物的性质，其中，所述遗撒物的性质包括所述遗撒物的种类或者数量。
本申请实施例通过雷达采集的点云图和摄像机采集的图片来综合确定遗撒物的性质，可以通过设置采集单元（例如，雷达或摄像机）的采集时间间隔来动态获取隧道等封闭空间内的遗撒物的性质。
在一些实施例中，所述多个激光传感器包括第一激光传感器和第二激光传感器；其中，所述第一激光传感器和所述第二激光传感器具有一定角度用于组成一个扫描面。
在一些实施例中，所述处理器还被配置为：根据所述点云图确定所述遗撒物的外形种类，其中，所述外形种类包括：规则外形或者不规则外形；根据所述外形种类和所述图片确定所述遗撒物的性质。
本申请实施例通过点云图来确定遗撒物的外形是否规则，进而可根据外形是否规则快速判断是否属于某一类或几类遗撒物，加快了数据处理速度。
在一些实施例中，所述遗撒物具有所述规则外形，所述处理器还被配置为：判断所述遗撒物为箱体；根据所述图片判断所述箱体内的遗撒物种类。
本申请实施例可以快速识别箱体等遗撒物，并集合图片来进一步判别箱体内的物品种类。
在一些实施例中，所述遗撒物具有所述不规则外形，所述处理器还被配置为：获取所述遗撒物的尺寸特征以及外形特征；根据所述尺寸特征和所述外形特征采用深度学习分类器识别所述遗撒物的种类。
本申请实施例通过深度学习分类器来识别具有不规则外形的遗撒物的种类，且本申请还结合雷达点云图得到的遗撒物的尺寸特征以及外形特征作为训练深度学习模型和分类的特征量，使得深度学习分类器的分类效果更好。
在一些实施例两种，所述深度学习分类器的训练过程，包括：获得多副已标注遗撒物种类的训练图片；根据所述训练图片训练所述深度学习分类器。
本申请实施例采用常见遗撒物的图片作为训练数据，进行人工标注，训练神经网络分类器，提升了分类器的分类结果的准确率。
第二方面，本申请实施例提供一种遗撒物确定装置，所述装置包括：接收单元，被配置为获取由激光传感器采集的遗撒物的点云图和由视频监控设备采集的所述遗撒物的图片；处理单元，被配置为根据所述点云图和所述图片确定所述遗撒物的性质，其中，所述遗撒物性质包括遗撒物种类或者数量。
第三方面，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时可实现上述第一方面涉及的处理器所记载的对应方案中的一种或多种方法。
第四方面，本申请实施例还提供一种信息处理设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现上述第一方面涉及的处理器所记载的技术方案中的一种或多种方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行上述第一方面涉及的处理器可能的实现方式中的方法。为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的遗撒物性质确定的一种网络架构示意图；
图2为本申请实施例提供的一种遗撒物确定方法的流程图；
图3是本申请实施例提供的一种遗撒物确定装置的组成框图；
图4是本申请实施例提供的一种遗撒物确定系统的组成框图；
图5是本申请实施例提供的信息处理设备。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的遗撒物确定系统应用背景的网络架构图。
在一些实施例中，处理终端100与信息采集设备170通过网络160实现互联。网络160包括，但不限于，移动通信接入网（例如，4G或者5G通信网络）和核心网。
处理终端100可以为一种包括处理器和存储器的计算设备，通过处理终端100可以执行训练神经网络分类器，对采集设备170采集的图像或者点云图的内容基于分类器进行识别并输出识别结果。例如，处理终端100可以为智能手机、机器人等交互设备。在一些实施例中，处理终端100还可以包括信息采集设备170（此时，两者集成在一个物理载体上）。例如，采集器可以包括一个或多个雷达，一个或多个摄像头，该摄像头和雷达用于采集隧道内路面上的图片。
在一些实施例中，信息采集设备170包括一个或多个雷达（图中未示出）和摄像头（图中未示出）。在一些示例中，雷达和摄像头可以设置于同一载体上，也可以分别设置在不同的物理载体上。当信息采集设备170与处理终端100通过网络160相连时，雷达和处理终端将通过网络160实时或者周期性的将各自采集的点云图或者图片发送至处理终端100，再由处理终端100根据这些采集数据来判断某个时刻隧道或者其他目标区域内遗撒物的种类。
在一些示例中，雷达、摄像头以及处理设备的处理单元三者可以设置于同一载体上，例如，下文提及的巡检机器人。
如图2所示，该图提供了本申请一些实施例的一种遗撒物确定方法200，该方法200可以包括：S201，获取由激光传感器采集的遗撒物的点云图；S202，获取由视频监控设备采集的所述遗撒物的图片；以及S203，根据所述点云图和所述图片确定遗撒物的性质，其中，所述遗撒物的性质包括遗撒物种类或者数量。
激光传感器可以包括一个或多个激光雷达，监控设备可以包括一个或多个摄像头。
上述步骤S201之前还可以包括，通过设备（例如，隧道巡检机器人）在目标区域内不间断的往复巡检、记录，准确的对比、筛选数据，发现目标区域内存在的遗撒物。例如，巡检机器人上设置处理器、两个激光雷达以及至少一个视频设备，本申请实施例可以采用一个或多个成一定角度的激光雷达，组成一连贯的圆周面，采集隧道等洞体内的图片，发现目标区域内路面上直径大于2厘米的散落物体，之后再执行步骤S201、S202以及S203来识别遗撒物的种类。例如，一个或多个激光雷达，组成一定角度的扇面，扫描目标区域，形成点云图，就可以检测出大于2cm的物体。视频采集图片，通过图片识别，可以确认遗撒具体类型，以及便于后台人员处理。
S203根据所述点云图和所述图片确定遗撒物的性质，包括：根据所述点云图确定所述遗撒物的外形种类，其中，所述外形种类包括：规则外形或者不规则外形；根据所述外形种类和所述图片确定遗撒物的性质。例如，所述遗撒物具有所述规则外形，所述根据所述外形和所述图片确定遗撒物的性质，包括：判断所述遗撒物为箱体；根据所述图片判断所述箱体内的遗撒物种类。例如，所述根据所述外形和所述图片确定遗撒物的性质，包括：获取所述遗撒物的尺寸特征以及外形特征；根据所述尺寸特征和所述外形特征采用深度学习分类器识别所述遗撒物的种类。
上述深度学习分类器的训练过程，包括：获得多副已标注遗撒物种类的训练图片；根据所述训练图片训练分类器，得到深度学习分类器。
本申请实施例深度学习分类器的训练过程包括确定训练类型，收集训练集，确定特征提取方法，设计任务算法、训练算法或者评估其精确性。例如，采用视频监控设备拍摄的图像作为训练集，由相关人员或者通过测量筛选出一组输入对象以及对应的输出（即分类结果）。可以采用损失函数和验证数据集来评估分类器的精确性。
请参考图3，图3示出了本申请实施例通过的遗撒物确定装置300，应理解，该装置300与上述图2方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置300的具体功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。装置300包括至少一个能以软件或固件的形式存储于存储器中或固化在装置300的操作系统中的软件功能模块，该遗撒物性质确定装置300，包括：接收单元301，被配置为获取由激光传感器采集的遗撒物的点云图和由视频监控设备采集的所述遗撒物的图片；处理单元302，被配置为根据所述点云图和所述图片确定遗撒物的性质，其中，所述遗撒物性质包括遗撒物种类或者数量。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置300的具体工作过程，可以参考前述方法200中的对应过程，在此不再过多赘述。
如图4所示，本申请一些实施例提供一种遗撒物确定系统400，所述系统400可以包括：多个激光传感器401，被配置为采集遗撒物的点云图；多个视频监控设备402，被配置为采集遗撒物的图片；处理终端403，被配置为：获取由激光传感器采集的遗撒物的点云图，获取由视频监控设备采集的所述遗撒物的图片，以及根据所述点云图和所述图片确定遗撒物的性质，其中，所述遗撒物性质包括遗撒物种类。
在一些示例中，处理终端403与多个激光传感器401和多个视频监控设备402通过图1的网络160互连。在另一些示例中，处理终端403与多个激光传感器401和多个视频监控设备402也可以同时设置于巡检机器人上，也就是可以设置在同一物理载体上，此时处理终端403与多个激光传感器401和多个视频监控设备402可以通过通信总线直接互连。
多个激光传感器401包括第一激光传感器（图中未示出）和第二激光传感器（图中未示出）；其中，所述第一激光传感器和第二激光传感器具有一定角度用于组成一个扫描面。
在一些实施例中，所述处理器还被配置为：根据所述点云图确定所述遗撒物的外形种类，其中，所述外形种类包括：规则外形或者不规则外形；根据所述外形种类和所述图片确定所述遗撒物的性质。
在一些实施例中，所述遗撒物具有所述规则外形，所述处理器还被配置为：判断所述遗撒物为箱体；根据所述图片判断所述箱体内的遗撒物种类。
在一些实施例中，所述遗撒物具有所述不规则外形，所述处理器还被配置为：获取所述遗撒物的尺寸特征以及外形特征；根据所述尺寸特征和所述外形特征采用深度学习分类器识别所述遗撒物的种类。
也就是说，本申请实施例的处理终端403用于执行图2所述的方法，为了避免重复在此不做过多赘述。
本申请实施例还提供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，所述程序被处理器执行时可实现上述图2所述的方法200。
如图5所示，本申请实施例还提供一种信息处理设备500，包括存储器510、处理器520以及存储在所述存储器510上并可在所述处理器520上运行的计算机程序，其中，所述处理器520执行所述程序时可实现图2所述的方法200。
例如，本申请实施例的处理器520执行计算机程序可以实现如下方法：S201，获取由激光传感器采集的遗撒物的点云图；S202，获取由视频监控设备采集的所述遗撒物的图片；以及S203，根据所述点云图和所述图片确定遗撒物的性质，其中，所述遗撒物性质包括遗撒物种类或者数量。
处理器520可以处理数字信号，可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中，处理器520可以是微处理器。
存储器510可以用于存储由处理器520执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码，用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器520可以用于执行存储器510中的指令以实现图2中所示的方法。存储器510包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
本公开实施例还可以根据用户身高、性别、年龄等建立个人档案数据收集分析，收集用户行为习惯、个人偏好生成报表运用级联协同回归算法，进行数字化图像信息高度还原。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (6)

1.一种遗撒物确定系统，其特征在于，所述遗撒物确定系统包括：
多个激光传感器，被配置为采集遗撒物的点云图；
多个视频监控设备，被配置为采集所述遗撒物的图片；
处理器，被配置为：获取由所述多个激光传感器采集的遗撒物的点云图，获取由所述多个视频监控设备采集的所述遗撒物的图片，以及根据所述点云图和所述图片确定所述遗撒物的性质，其中，所述遗撒物的性质包括所述遗撒物的种类或者数量。
2.如权利要求1所述的遗撒物确定系统，其特征在于，所述多个激光传感器包括第一激光传感器和第二激光传感器；其中，所述第一激光传感器和所述第二激光传感器具有一定角度用于组成一个扫描面。
3.如权利要求1所述遗撒物确定系统，其特征在于，所述处理器还被配置为：
根据所述点云图确定所述遗撒物的外形种类，其中，所述外形种类包括：规则外形或者不规则外形；
根据所述外形种类和所述图片确定所述遗撒物的性质。
4.如权利要求3所述的遗撒物确定系统，其特征在于，所述遗撒物具有所述规则外形，所述处理器还被配置为：
判断所述遗撒物为箱体；
根据所述图片判断所述箱体内的遗撒物种类。
5.如权利要求3所述的遗撒物确定系统，其特征在于，所述遗撒物具有所述不规则外形，所述处理器还被配置为：
获取所述遗撒物的尺寸特征以及外形特征；
根据所述尺寸特征和所述外形特征采用深度学习分类器识别所述遗撒物的种类。
6.如权利要求5所述的遗撒物确定系统，其特征在于，所述深度学习分类器是通过如下方式训练得到的：获得多副已标注类别的遗撒物种类的训练图片；根据所述训练图片训练所述深度分类器。
CN202010874683.9A 2020-08-27 2020-08-27 一种遗撒物确定系统 Active CN111814764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010874683.9A CN111814764B (zh) 2020-08-27 2020-08-27 一种遗撒物确定系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010874683.9A CN111814764B (zh) 2020-08-27 2020-08-27 一种遗撒物确定系统

Publications (2)

Publication Number Publication Date
CN111814764A true CN111814764A (zh) 2020-10-23
CN111814764B CN111814764B (zh) 2023-08-18

Family

ID=72859116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010874683.9A Active CN111814764B (zh) 2020-08-27 2020-08-27 一种遗撒物确定系统

Country Status (1)

Country Link
CN (1) CN111814764B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381698A (zh) * 2023-06-05 2023-07-04 蘑菇车联信息科技有限公司 道路遗撒物的检测方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706278A (zh) * 2019-09-20 2020-01-17 异起(上海)智能科技有限公司 一种基于激光雷达和摄像头的物体识别方法和装置
CN110929692A (zh) * 2019-12-11 2020-03-27 中国科学院长春光学精密机械与物理研究所 一种基于多传感器信息融合的三维目标检测方法及装置
US20200104612A1 (en) * 2018-09-27 2020-04-02 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for detecting obstacle, electronic device, vehicle and storage medium
CN111027401A (zh) * 2019-11-15 2020-04-17 电子科技大学 一种摄像头和激光雷达融合的端到端目标检测方法
CN111583337A (zh) * 2020-04-25 2020-08-25 华南理工大学 一种基于多传感器融合的全方位障碍物检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200104612A1 (en) * 2018-09-27 2020-04-02 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for detecting obstacle, electronic device, vehicle and storage medium
CN110706278A (zh) * 2019-09-20 2020-01-17 异起(上海)智能科技有限公司 一种基于激光雷达和摄像头的物体识别方法和装置
CN111027401A (zh) * 2019-11-15 2020-04-17 电子科技大学 一种摄像头和激光雷达融合的端到端目标检测方法
CN110929692A (zh) * 2019-12-11 2020-03-27 中国科学院长春光学精密机械与物理研究所 一种基于多传感器信息融合的三维目标检测方法及装置
CN111583337A (zh) * 2020-04-25 2020-08-25 华南理工大学 一种基于多传感器融合的全方位障碍物检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZOLTAN ROZSA等: "Obstacle Prediction for Automated Guided Vehicles Based on Point Clouds Measured by a Tilted LIDAR Sensor", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, pages 2708 - 2720 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381698A (zh) * 2023-06-05 2023-07-04 蘑菇车联信息科技有限公司 道路遗撒物的检测方法、装置及电子设备
CN116381698B (zh) * 2023-06-05 2024-03-12 蘑菇车联信息科技有限公司 道路遗撒物的检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN111814764B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Hoang et al. A novel method for asphalt pavement crack classification based on image processing and machine learning
EP3340106B1 (en) Method and system for assigning particular classes of interest within measurement data
Hermosilla et al. Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics
Wang et al. A random forest classifier based on pixel comparison features for urban LiDAR data
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
Bo et al. Particle pollution estimation from images using convolutional neural network and weather features
CN112052744B (zh) 一种环境检测模型训练方法、环境检测方法及装置
CN110136130A (zh) 一种检测产品缺陷的方法及装置
KR102185225B1 (ko) 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템
CN110688883A (zh) 车辆和行人检测方法及装置
CN111242899A (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN113378785A (zh) 森林类型识别方法及装置
CN116311081B (zh) 一种基于图像识别的医学实验室监控图像分析方法和系统
CN104915642A (zh) 前方车辆测距方法及装置
Ozdemir et al. Comparison of deep learning techniques for classification of the insects in order level with mobile software application
CN111753610A (zh) 天气识别方法及装置
Singh et al. Roof bolt identification in underground coal mines from 3D point cloud data using local point descriptors and artificial neural network
CN111814764B (zh) 一种遗撒物确定系统
Ashraf et al. Machine learning-based pavement crack detection, classification, and characterization: a review
CN109993107A (zh) 一种基于非迭代k均值算法的移动机器人障碍物视觉检测方法
CN116413740A (zh) 一种激光雷达点云地面检测方法及装置
KR102521000B1 (ko) 플랜트 설비 관리 시스템 및 방법
CN110689028A (zh) 现场图测评方法、现场勘查记录测评方法及其装置
CN113255820B (zh) 落石检测模型训练方法、落石检测方法及相关装置
CN114519400A (zh) 分割结果评估方法、装置、电子设备和可读存储介质

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