CN111862012A - 基于深度卷积神经网络的机场滑行道的缺陷检测方法 - Google Patents

基于深度卷积神经网络的机场滑行道的缺陷检测方法 Download PDF

Info

Publication number
CN111862012A
CN111862012A CN202010644870.8A CN202010644870A CN111862012A CN 111862012 A CN111862012 A CN 111862012A CN 202010644870 A CN202010644870 A CN 202010644870A CN 111862012 A CN111862012 A CN 111862012A
Authority
CN
China
Prior art keywords
taxiway
tiny
airport
inspection robot
yolo
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
CN202010644870.8A
Other languages
English (en)
Inventor
刘桂华
向伟
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.)
Mianyang Keruite Robot Co ltd
Southwest University of Science and Technology
Original Assignee
Mianyang Keruite Robot Co ltd
Southwest University of Science and Technology
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 Mianyang Keruite Robot Co ltd, Southwest University of Science and Technology filed Critical Mianyang Keruite Robot Co ltd
Priority to CN202010644870.8A priority Critical patent/CN111862012A/zh
Publication of CN111862012A publication Critical patent/CN111862012A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking
    • 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)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及计算机视觉网络领域，目的是提供基于深度卷积神经网络的机场滑行道的缺陷检测方法，本发明用户端为电脑PC端，人工通过无线通信模块向巡检机器人发送启动命令，进行实时的机场滑行道的图像采集，本采集设备可以采集以巡检机器人为中心，0.3米为半径的周围地面的图像，通过将图像传回用户端，输入进缺陷识别模型，得出预警的信号，尽早的发现隐患，本发明结构合理，设计巧妙，适合推广。

Description

基于深度卷积神经网络的机场滑行道的缺陷检测方法
技术领域
本发明涉及计算机视觉领域，具体涉及基于深度卷积神经网络的机场滑行道的缺陷检测方法。
背景技术
滑行道是连接跑道和停机坪的纽带，是大型机场航空器场面运行的关键资源，随着场面航空器数量的不断增加,机场滑行道区域涌现各种缺陷，影响机场交通，如果机场工作人员去检测，存在一定危险。
CN201811571505.8，一种机场沥青混凝土道面变形模拟的参数分析方法，该发明属于机场建筑技术领域，公开了一种机场沥青混凝土道面变形模拟的参数分析方法，采用有限元分析方法、道面板的CA数字模式构建；性态类似区域匹配准则，对典型破坏模式的机场沥青混凝土道面变形参数进行预测；获得机场道面变形破坏的规律。本发明取代部分昂贵试验，揭示机场道面变形破坏的规律和过程；通过有限元分析对两种典型破坏模式的预测进行检验分析。可以提高机场道面使用质量，为道面养护和维修提供必要的参考，为机场安全、顺畅、快捷运行提供保证，提高航空运输能力，促进经济的快速发展；延长机场跑道使用寿命，节省大量维修、养护费用。
因此,需要一种能够识别机场跑道的检测方法，能够快速的检测出跑道的缺陷，基于神经网络算法对于跑道上显示的裂缝、低洼、不平整的地方都能进行识别，机器人能够实现自动巡检。
发明内容
本发明目的在于提供基于深度卷积神经网络的机场滑行道的缺陷检测方法，通过自动巡检机器人对机场滑行道凹陷或者裂缝等缺陷进行采录和分析，得出缺陷预警信号，本发明结构合理，设计巧妙，适合推广；
本发明所采用的技术方案是：基于深度卷积神经网络的机场滑行道的缺陷检测方法，包括以下步骤：
步骤1：启动巡检机器人在机场滑行道上运行，通过巡检机器人上的采集设备获取所述巡检机器人附近的滑行道的实时图像；
步骤2：巡检机器人上的处理器处理和无线通信模块将实时图像传送回终端，所述终端中存有训练好的缺陷识别模型；
步骤3：将所述实时图像作为输入发送至所述缺陷识别模型中，所述缺陷识别模型输出驱动缺陷预警模块响应，所述巡检机器人还包括有GPS模块，通过所述GPS模块获取所述巡检机器人的位置信息并通过所述缺陷预警模块显示。
优选的，所述步骤2中，所述缺陷识别模型选用Tiny-yolo v3目标检测模型。
优选的，所述Tiny-yolo v3目标检测模型使用二元交叉熵损失函数进行类别预测，通过获取机场滑行道上的图像作为训练集，计算公式为，
Figure BDA0002567075520000021
式中，N是训练集的总数量；yi取值为0或1，yi取值为1表示第i张输入的图片包含缺陷的图像，yi取值为0则表示第i张输入的图片不包含缺陷的图像；pi值为对第i张输入的滑行道图片是否包含缺陷的图像的预测的概率，pi值在0至1之间。
优选的，所述Tiny-yolo v3目标检测模型采用Tiny-darknet网络作为特征提取网络，所述Tiny-darknet网络包括7层卷积池化层对滑行道图像进行特征提取。
优选的，所述步骤1中，所述巡检机器人还包括有驱动模块和行进装置，所述处理器接收用户端发送的启动指令，通过启动驱动模块带动所述行进装置工作。
优选的，所述Tiny-yolo v3目标检测模型的训练包括以下步骤，
步骤11：对多张机场滑行道的图像进行卷积神经网络训练，获得Tiny-yolo v3目标检测模型，执行步骤22；
步骤22：以巡检机器人的初始位置为原点建立环境栅格地图，执行步骤33；
步骤33：获取多张实时的滑行道图像，执行步骤44；
步骤44：识别多张实时的滑行道图像中是否存在缺陷，若是，执行步骤55，若不是，执行步骤66；
步骤55：通过GPS模块获得巡检机器人的位置数据及其边框，继续行进，执行步骤66；
步骤66：移动至下一栅格内，执行步骤33。
优选的，所述步骤44还包括以下步骤，
步骤441:设置IOU阈值及置信度阈值，执行步骤442；
步骤442：对输入的滑行道图像进行尺寸的调整，执行步骤443；
步骤443：输入至Tiny-yolo v3目标检测模型进行特征提取，执行步骤444；
步骤444：通过类似FPN网络对滑行道凹陷或滑行道裂纹进行多尺度融合预测，将特征图划分为多个网格；使用K-means聚类方法对训练集的边界框做聚类，得到合适的anchor box，并在每个网格上产生3个anchor box数来生成预测的目标边界框，通过二元交叉熵损失函数来预测类别。
优选的，所述巡检机器人的采集设备选用2M像素UVC协议高清USB摄像头。
与现有技术相比，本发明的有益效果为：
1.无需人工到现场就能实现滑行道的缺陷巡检，降低了工作人员的隐患；
2.提高巡检效率，摄像头自动采集，Tiny-yolo v3目标检测模型自动识别判断。
附图说明
图1为基于深度卷积神经网络的机场滑行道的缺陷检测方法的示意图；
图2为本发明的实施例中机场跑道裂缝缺陷的示意图；
图3为本发明的实施例中Tiny-yolo v3目标检测模型的训练示意图。
具体实施方式
下面结合本发明的附图1～3，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
图1为本发明基于深度卷积神经网络的机场滑行道的缺陷检测方法的结构图；
基于深度卷积神经网络的机场滑行道的缺陷检测方法，包括以下步骤：
步骤1：启动巡检机器人在机场滑行道上行进，通过巡检机器人上的采集设备获取所述巡检机器人附近的滑行道的实时图像；
步骤2：巡检机器人上的处理器处理和无线通信模块将实时图像传送回终端，所述终端中存有训练好的缺陷识别模型；
步骤3：将所述实时图像作为输入发送至所述缺陷识别模型中，所述缺陷识别模型输出驱动缺陷预警模块响应，所述巡检机器人还包括有GPS模块，通过所述GPS模块获取所述巡检机器人的位置信息并通过所述缺陷预警模块显示。
值得说明的是，所述步骤2中，所述缺陷识别模型选用Tiny-yolo v3目标检测模型。
值得说明的是，所述Tiny-yolo v3目标检测模型使用二元交叉熵损失函数进行类别预测，通过获取机场滑行道上的图像作为训练集，计算公式为，
Figure BDA0002567075520000041
其中，N是训练集的总数量；yi取值为0或1，yi取值为1表示第i张输入的图片包含缺陷的图像，yi取值为0则表示第i张输入的图片不包含缺陷的图像；pi值为对第i张输入的图片是否包含缺陷的图像的预测的概率，pi值在0至1之间。
值得说明的是，所述Tiny-yolo v3目标检测模型采用Tiny-darknet网络作为特征提取网络，Tiny-darknet网络采用7层卷积池化层对机场滑行道图像进行特征提取。
值得说明的是，所述步骤1中，所述巡检机器人还包括有驱动模块和行进装置，所述处理器接收用户端发送的启动指令，通过启动驱动模块带动所述行进装置工作。
值得说明的是，请参照图3，所述Tiny-yolo v3目标检测模型的训练包括以下步骤，
步骤11：对多张机场滑行道的图像进行卷积神经网络训练，获得Tiny-yolo v3目标检测模型，执行步骤22；
步骤22：以巡检机器人的初始位置为原点建立环境栅格地图，执行步骤33；
步骤33：获取多张实时的滑行道图像，执行步骤44；
步骤44：识别多张实时的滑行道图像中是否存在缺陷，若是，执行步骤55，若不是，执行步骤66；
步骤55：通过GPS模块获得巡检机器人的位置数据及其边框，继续行进，执行步骤66；
步骤66：移动至下一栅格内，执行步骤33。
值得说明的是，所述步骤44还包括以下步骤，
步骤441:设置IOU阈值及置信度阈值，执行步骤442；
步骤442：对输入的滑行道图像进行尺寸的调整，执行步骤443；
步骤443：输入至Tiny-yolo v3目标检测模型进行特征提取，执行步骤444；
步骤444：通过类似FPN网络对滑行道凹陷或滑行道裂纹进行多尺度融合预测，将特征图划分为多个网格；使用K-means聚类方法对训练集的边界框做聚类，得到合适的anchor box，并在每个网格上产生3个anchor box数来生成预测的目标边界框，通过二元交叉熵损失函数来预测类别。
值得说明的是，本实施例选用的巡检机器人的型号为总高度55CM，底盘大小43X45CM，重量25KG(含内置电池)，所述行进装置采用双轮差速驱动，电机采用一体化2X150瓦轮毂电机，内置减速器，高效能低噪音，标配采用2M像素UVC协议高清USB摄像头，图像质量可达1920X1080像素，处理器为PC工控机架构，CPU为酷睿I5处理器，2G/4G内存，辅控制板为ARM架构，巡航速度0.2～0.8米/秒可选，最大爬坡角度为10度，最小转弯半径为0.4米，对于充满电的机器人，可连续行走3000M(0.3米/秒的典型巡航速度)，主操作系统为LINUX，由ROS体系组成机器人各功能模块软件之间的通信和协作。
实验得到Tiny-yolo v3目标检测模型在巡检机器人上运行的FPS为20.7f/s，对机场滑行道缺陷检测的准确率(Accuracy)和召回率(Recall)如表1所示，表1为Tiny-yolo v3目标检测模型对机场滑行道缺陷检测情况：
表1
类型 准确率 召回率
机场滑行道缺陷 97.89 93.42
从表1可以看出，Tiny-yolo v3目标检测模型对机场滑行道缺陷检测的准确率为97.89％，召回率为93.42％。对机场滑行道缺陷检测有较高的准确率和召回率，运用Tiny-yolo v3目标检测模型进行机场滑行道缺陷检测的结果，如图3所示。
综上所述，本发明的实施原理为：本实施例中的用户端为电脑PC端，人工通过无线通信模块向巡检机器人发送启动命令，进行实时的机场滑行道的图像采集，本采集设备可以采集以巡检机器人为中心，0.3米为半径的周围地面的图像，通过将图像传回用户端，输入进缺陷识别模型，得出预警的信号，尽早的发现隐患，本发明结构合理，设计巧妙，适合推广。

Claims (8)

1.基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，包括以下步骤：
步骤1：启动巡检机器人在机场滑行道上运行，通过巡检机器人上的采集设备获取所述巡检机器人附近的滑行道的实时图像；
步骤2：巡检机器人上的处理器处理和无线通信模块将实时图像传送回终端，所述终端中存有训练好的缺陷识别模型；
步骤3：将所述实时图像作为输入发送至所述缺陷识别模型中，所述缺陷识别模型输出驱动缺陷预警模块响应，所述巡检机器人还包括有GPS模块，通过所述GPS模块获取所述巡检机器人的位置信息并通过所述缺陷预警模块显示。
2.根据权利要求1所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于,所述步骤2中，所述缺陷识别模型选用Tiny-yolo v3目标检测模型。
3.根据权利要求2所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述Tiny-yolo v3目标检测模型通过二元交叉熵损失函数进行类别预测，通过获取机场滑行道上的图像作为训练集，计算公式为，
Figure FDA0002567075510000011
式中，N是训练集的总数量；yi取值为0或1，yi取值为1表示第i张输入的图片包含缺陷的图像，yi取值为0则表示第i张输入的图片不包含缺陷的图像；pi值为对第i张输入的滑行道图片是否包含缺陷的图像的预测的概率，pi值在0至1之间。
4.根据权利要求3所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，所述Tiny-yolo v3目标检测模型采用Tiny-darknet网络作为特征提取网络，所述Tiny-darknet网络采用7层卷积池化层对滑行道图像进行特征提取。
5.根据权利要求1所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述步骤1中，所述巡检机器人还包括有驱动模块和行进装置，所述处理器接收用户端发送的启动指令，通过启动驱动模块带动所述行进装置工作。
6.根据权利要求3所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述Tiny-yolo v3目标检测模型的训练过程包括以下步骤，
步骤11：现场采集40000张机场滑行道缺陷图像，其中，36000张滑行道缺陷图像作为训练集，4000张滑行道缺陷图像作为验证集，通过机场滑行道缺陷图像对Tiny-yolo v3目标检测模型进行训练，获得Tiny-yolo v3目标检测模型，执行步骤22；
步骤22：以巡检机器人的初始位置为原点建立环境栅格地图，执行步骤33；
步骤33：获取多张实时的滑行道图像，执行步骤44；
步骤44：识别多张实时的滑行道图像中是否存在缺陷，若是，执行步骤55，若不是，执行步骤66；
步骤55：通过GPS模块获得巡检机器人的位置数据及其边框，继续行进，执行步骤66；
步骤66：移动至下一栅格内，执行步骤33。
7.根据权利要求6所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述步骤44还包括以下步骤，
步骤441:设置IOU阈值及置信度阈值，执行步骤442；
步骤442：对输入的滑行道图像进行尺寸的调整，执行步骤443；
步骤443：输入至Tiny-yolo v3目标检测模型进行特征提取，执行步骤444；
步骤444：通过类似FPN网络对滑行道凹陷或滑行道裂纹进行多尺度融合预测，将特征图划分为多个网格；使用K-means聚类方法对训练集的边界框做聚类，得到合适的anchorbox，并在每个网格上产生3个anchor box数来生成预测的目标边界框，通过二元交叉熵损失函数来预测类别。
8.根据权利要求1所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述巡检机器人的采集设备选用2M像素UVC协议高清USB摄像头。
CN202010644870.8A 2020-07-02 2020-07-02 基于深度卷积神经网络的机场滑行道的缺陷检测方法 Pending CN111862012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010644870.8A CN111862012A (zh) 2020-07-02 2020-07-02 基于深度卷积神经网络的机场滑行道的缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010644870.8A CN111862012A (zh) 2020-07-02 2020-07-02 基于深度卷积神经网络的机场滑行道的缺陷检测方法

Publications (1)

Publication Number Publication Date
CN111862012A true CN111862012A (zh) 2020-10-30

Family

ID=73153614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010644870.8A Pending CN111862012A (zh) 2020-07-02 2020-07-02 基于深度卷积神经网络的机场滑行道的缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111862012A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191389A (zh) * 2021-03-31 2021-07-30 中国石油大学(华东) 一种基于光视觉技术的海底管道自主巡检方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005036827A1 (de) * 2005-08-04 2007-02-08 Siemens Ag Sicherheitssystem einer geregelten elektromechanischen Fahrzeugbremsausrüstung
US20080289423A1 (en) * 2007-05-22 2008-11-27 Honeywell International, Inc. Automated defect detection of corrosion or cracks using saft processed lamb wave images
CN107263511A (zh) * 2017-05-26 2017-10-20 哈尔滨工程大学 一种全向机场跑道检测机器人系统及其控制方法
CN109446970A (zh) * 2018-10-24 2019-03-08 西南交通大学 一种基于深度学习的变电站巡检机器人道路场景识别方法
CN110119687A (zh) * 2019-04-17 2019-08-13 浙江工业大学 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法
CN110658209A (zh) * 2019-09-24 2020-01-07 江西交通职业技术学院 一种随车道路缺陷智能快速检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005036827A1 (de) * 2005-08-04 2007-02-08 Siemens Ag Sicherheitssystem einer geregelten elektromechanischen Fahrzeugbremsausrüstung
US20080289423A1 (en) * 2007-05-22 2008-11-27 Honeywell International, Inc. Automated defect detection of corrosion or cracks using saft processed lamb wave images
CN107263511A (zh) * 2017-05-26 2017-10-20 哈尔滨工程大学 一种全向机场跑道检测机器人系统及其控制方法
CN109446970A (zh) * 2018-10-24 2019-03-08 西南交通大学 一种基于深度学习的变电站巡检机器人道路场景识别方法
CN110119687A (zh) * 2019-04-17 2019-08-13 浙江工业大学 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法
CN110658209A (zh) * 2019-09-24 2020-01-07 江西交通职业技术学院 一种随车道路缺陷智能快速检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOSEPH REDMON 等: "YOLO9000:Better, Faster, Stronger", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
郭毅强: "晶圆表面缺陷视觉检测研究", 《万方》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191389A (zh) * 2021-03-31 2021-07-30 中国石油大学(华东) 一种基于光视觉技术的海底管道自主巡检方法及设备
CN113191389B (zh) * 2021-03-31 2022-10-11 中国石油大学(华东) 一种基于光视觉技术的海底管道自主巡检方法及设备

Similar Documents

Publication Publication Date Title
CN110532889B (zh) 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法
WO2020199538A1 (zh) 基于图像监控数据的桥梁关键构件病害预警系统及方法
US11827228B2 (en) Road abnormality detection apparatus, road abnormality detection method and road abnormality detection program
CN110717387B (zh) 一种基于无人机平台的实时车辆检测方法
CN106203265A (zh) 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法
KR102290548B1 (ko) 딥러닝 모델 기반의 도로 상태 판단을 통한 교통 사고 예방 장치 및 방법
CN111833598B (zh) 一种高速公路无人机交通事件自动监测方法及系统
CN109935080B (zh) 一种交通线路上的车流量实时计算的监测系统及方法
CN106018409B (zh) 一种机场跑道异物和裂纹的识别系统及其检测识别方法
CN113537016B (zh) 一种道路巡查中道路损伤自动检测预警的方法
CN113593250A (zh) 一种基于视觉识别的违章停车检测系统
CN112633722B (zh) 车载道路安全风险评估系统及方法
CN110276297B (zh) 列车踏面磨损检测系统及方法
US20230368354A1 (en) Fault detection method and system for tunnel dome lights based on improved localization loss function
CN111862012A (zh) 基于深度卷积神经网络的机场滑行道的缺陷检测方法
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN116229396B (zh) 高速路面病害识别及告警方法
CN109902647B (zh) 一种便携式在线鸟巢智能识别方法及系统
CN115719475B (zh) 一种基于深度学习的三阶段轨旁设备故障自动检测方法
CN116433629A (zh) 一种基于GA-Unet的机场道面缺陷识别方法
CN114841995B (zh) 一种基于深度学习的铁路路基挡护设备服役状态评估方法
CN116402782A (zh) 一种道路安全隐患的检测方法、系统及可存储介质
CN113033443B (zh) 一种基于无人机的行人过街设施全路网自动化排查方法
CN114240901A (zh) 一种机场道面异常状态实时检测方法和系统
CN112820109A (zh) 一种道路巡检安全预警方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030