CN111951230A - 一种基于目标检测的防振锤图像数据集训练方法 - Google Patents

一种基于目标检测的防振锤图像数据集训练方法 Download PDF

Info

Publication number
CN111951230A
CN111951230A CN202010713402.1A CN202010713402A CN111951230A CN 111951230 A CN111951230 A CN 111951230A CN 202010713402 A CN202010713402 A CN 202010713402A CN 111951230 A CN111951230 A CN 111951230A
Authority
CN
China
Prior art keywords
image
data set
images
training
training data
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
CN202010713402.1A
Other languages
English (en)
Inventor
严波
程洋
陈江
方登洲
夏令志
郭可贵
刘宇舜
操松元
刘静
沙元元
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.)
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Original Assignee
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Electric Power Research Institute of State Grid Anhui Electric Power 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 Anhui Nanrui Jiyuan Power Grid Technology Co ltd, Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd filed Critical Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Priority to CN202010713402.1A priority Critical patent/CN111951230A/zh
Publication of CN111951230A publication Critical patent/CN111951230A/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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

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

Abstract

本发明涉及一种基于目标检测的防振锤图像数据集训练方法，包括以下步骤：获取采集的原始图像，对原始图像进行剪裁，并放入训练数据集；对训练数据集中的图像进行随机预处理；对训练数据集中的图像进行Faster R‑CNN训练，以得到目标检测模型。本发明对原始图像进行剪裁，以使得训练数据集更加丰富和训练效果可以更好，然后对训练数据集中的图像随机进行预处理，以增加训练出来的目标检测模型的泛化能力和鲁棒性，最后使用Faster R‑CNN对训练数据集进行训练和测试，准确率得到了极大的提升，对防震锤和各种零件的损坏和锈蚀现象可以较好的识别。

Description

一种基于目标检测的防振锤图像数据集训练方法
技术领域
本发明涉及目标检测技术领域，特别涉及一种基于目标检测的防振锤图像数据集训练方法。
背景技术
在架空输电线路中，存在着非常多的输电线路设备零件，所以需要及时进行缺陷检测并予以修理和更换，比如防震锤就是架空输电线路中需要及时修检的重要器件。但是架空输电线路实施远距离电力传输，会跨越不同的自然环境，在经过长时间风吹日晒后，架空线路上的金具和零件就容易产生各种缺陷，导致其不能发挥原本的作用。
在目前的架空输电线路的巡检过程中，人工巡检非常耗时耗力，且巡检人员的工作存在一定的安全性。近年来，随着无人机技术的快速发展，以及高效稳定的无人机在其他领域的应用，电力领域也开始陆续使用无人机来辅助巡检工作，但是无人机所拍摄的图片，具有数据量大、背景复杂、电力设备相互遮挡，且分辨率太高等问题，比如图像的分辨率约为8000×6000，而防震锤或某些零件所占像素约为255×125。因此如果仅靠无人机拍摄的图片来分析电力设备的缺陷，则很容易导致误检和误判，从而会加大检修的成本。因此对于无人机拍摄的图片，如何快速、精准的测出架空输电线路图像中防震锤或各个零件的缺陷，需要研究人员进行更进一步的研究。
发明内容
本发明的目的在于改善现有技术中所存在的不足，提供一种基于目标检测的防振锤图像数据集训练方法，增强对无人机采集图像的目标检测和识别，以避免出现误检、漏检的情况。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种基于目标检测的防振锤图像数据集训练方法，包括以下步骤：
步骤S1：获取采集的原始图像，对原始图像进行剪裁，并放入训练数据集；
步骤S2：对训练数据集中的图像进行随机预处理；
步骤S3：对训练数据集中图像进行Faster R-CNN训练以得到目标检测模型。
更进一步地，为了更好的实现本发明，所述步骤S1具体包括以下步骤：
步骤S1-1：获取采集的原始图像，以及该原始图像对应的xml文件，读取原始图像的边界坐标x1、x2、y1、y2；
步骤S1-2：将原始图像的长和宽分别等分为3份，原始图像被剪裁为9小张，取出四份剪裁图像，所述四份剪裁图像包括左上4小张、左下4小张、右上4小张、右下4小张，四份剪裁图像组成有4张重叠的图像；
步骤S1-3：对原始图像相应的xml文件也按照坐标分为四份与步骤S1-2中四份剪裁图像相对应的xml剪裁文件；
步骤S1-4：将剪裁后的9小张原始图像和取出的四份剪裁图像都放入训练数据集作为训练对象。
更进一步地，为了更好的实现本发明，所述步骤S2具体包括以下步骤：
随机对训练数据集中的图像进行图像增强，包括：
随机对训练数据集中的图像进行平移处理：将图像的所有像素坐标分别加上一定的水平偏移量或垂直偏移量，同时保存图像完整的原始信息；
随机对训练数据集中的图像进行镜像处理：以图像的垂直中线为固定轴，将图像左半边和右半边的像素进行对换；以图像的水平中线为固定轴，将图像上半边和下半边的像素进行对换；
随机对训练数据集中的图像进行旋转处理：将坐标原点由图像的左上角变换为图像的中心点，以图像的中心点为旋转中心，对图像旋转一定的角度，旋转结束后再将坐标原点由图像的中心点变换为图像的左上角。
更进一步地，为了更好的实现本发明，根据对训练数据集中的图像进行的平移、镜像、旋转预处理操作，将图像相对应的xml文件做出相应的调整，生成预处理后的xml文件。
更进一步地，为了更好的实现本发明，所述对训练数据集中图像进行FasterR-CNN训练的步骤，包括：
将训练数据集中的图像输入至CNN特征提取网络中，所述CNN特征提取网络的结构为ResNet101；对于每张输入的图像，利用CNN特征提取网络计算出用于输入RPN网络的特征图；所述特征图经过RPN网络计算后得到候选区域，对候选区域采用非极大值抑制方法过滤重叠面积大于面积阈值的候选区域，输出其得分排名在前N个的候选区域；
再将CNN特征提取网络提取的特征图和RPN网络得到的N个候选区域同时输入至Roi Pooling层，最后通过全连接层和softmax计算得到每个候选区域的得分信息和目标检测框位置信息，完成Faster R-CNN训练。
与现有技术相比，本发明的有益效果：
本发明对原始图像进行剪裁，以使得训练数据集更加丰富和训练效果可以更好，然后对训练数据集中的图像随机进行预处理，以增加训练出来的目标检测模型的泛化能力和鲁棒性，最后使用Faster R-CNN对训练数据集进行训练和测试，准确率得到了极大的提升，对防震锤和各种零件的损坏和锈蚀现象可以较好的识别。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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为本发明训练方法流程图；
图2为本发明原始图像坐标示意图；
图3为本发明原始图像剪裁为9等分的示意图；
图4为本发明原始图像取出四份剪裁图像的示意图；
图5为本发明对原始图像进行旋转处理的示意图；
图6为本发明Faster R-CNN网络结构示意图；
图7为本发明非极大值抑制方法示例图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
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。
实施例1：
本发明通过下述技术方案实现，如图1所示，一种基于目标检测的防振锤图像数据集训练方法，包括以下步骤：
步骤S1：获取采集的原始图像，对原始图像进行剪裁，并放入训练数据集。
获取采集的原始图像，以及该原始图像对应的xml文件，读取原始图像的边界坐标x1、x2、y1、y2，如图2所示原始图像的四个边界坐标分别为A(x1,y1)、B(x2,y1)、C(x1,y2)、D(x2,y2)，此处将原始图像的左上角A(x1,y1)作为坐标原点O，也可以根据实际情况设定坐标原点。
然后将原始图像的长和宽分别等分为3份，原始图像被剪裁为如图3所示的9小张。为了尽可能的减少将检测目标区域切分开的情况，取出四份剪裁图像，取出的所述四份剪裁图像包括左上4小张、左下4小张、右上4小张、右下4小张，四份剪裁图像组成有4张重叠的图像，即这四份剪裁图像会有重叠的部分，比如如图4所示的被剪裁为9小张的图像后，虚线即为取出的剪裁图像，可以看出取出的四份剪裁图像中编号为2、4、5、6、8的部分有重叠。
为了减少图像标注工作量，原始图像剪裁后，原始图像相应的xml文件也要按照上述方法裁剪生成与剪裁图像相应的xml剪裁文件。最后将剪裁后的9小张原始图像和取出的四份剪裁图像都放入训练数据集中作为训练对象。
本步骤对原始图像进行两次剪裁处理，一次是将原始图像剪裁为9等分，第二次是分别取出四份剪裁图像，最后将原始图像和剪裁后的图像都作为训练对象放入训练数据集中，以使得训练数据集更加丰富和训练效果可以更好，避免训练数据集因样本缺失或样本量少导致的训练结果不准确。
步骤S2：对训练数据集中的图像进行随机预处理。
为了增强目标检测模型的泛化能力和鲁棒性，预处理过程中，需要对训练数据集中的图像进行图像增强，鉴于防震锤图像刚体特征，随机选取图像进行平移、镜像和旋转处理。
图像在检测模型中训练时，其旋转不变性和尺度不变性不太好保证，为了缓解这一情况，对图像进行翻转、尺寸缩放、旋转的预处理，增强图像的多样性。同时这种预处理的方法也可以起到缓解类别不平衡问题的作用，对于新增训练样本数量较少的情况，可以通过预处理实现训练样本数量的增加，减少类别不平衡引起的检测误差。
其中对训练数据集中的图像进行平移时，将图像的所有像素坐标分别加上一定的水平偏移量或垂直偏移量。为了保证检测目标完整性，不被平移所破坏，偏移量选取需要适中。比如进行水平偏移量为W的平移后，图像坐标的变化为：
x1＝W-x2；
y1＝y1；
x2＝W-x1；
y2＝y2；
进行垂直偏移量为H的平移后，图像坐标的变化为：
x1＝x1；
y1＝H-y2；
x2＝x2；
y2＝H-y1；
对训练数据集中的图像进行镜像处理时，以图像的垂直中线为固定轴，将图像左半边和右半边的像素进行对换，图像坐标的变换为：
x1＝x2；
y1＝y1；
x2＝x1；
y2＝y2；
或者以图像的水平中线为固定轴，将图像上半边和下半边的像素进行对换，图像坐标的变换为：
x1＝x1；
y1＝y2；
x2＝x2；
y2＝y1；
对训练数据集中的图像进行旋转处理时，将坐标原点由图像的左上角变换为图像的中心点，以图像的中心点为旋转中心，对图像旋转一定的角度，比如0°-30°，旋转结束后再将坐标原点由图像中心点变换为图像的左上角。比如如图5所示将图像的左上角变换为图像的中心点，再以图像的中心点进行30°的旋转，最后将旋转结束后的坐标原点变换为图像的左上角。
在对图像进行平移、镜像、旋转的预处理操作时，也要对图像相对应的xml文件进行相应的调整，根据对图像进行的预处理操作，修改原始xml文件的标签位置，以生成预处理后的xml文件。
步骤S3：对训练数据集中图像进行Faster R-CNN训练，以得到目标检测模型。
对训练数据集中图像进行训练时加入了多尺度训练机制，以增强图像的特征鲁棒性。在对图像进行Faster R-CNN训练时，将训练数据集中的图像输入至CNN特征提取网络中，所述CNN特征提取网络的结构为ResNet101。如图6所示，对于每张输入的图像，利用CNN特征提取网络计算出用于输入RPN网络的特征图；所述特征图经过RPN网络计算后得到候选区域(region proposal)，对候选区域采用非极大值抑制方法(NMS)过滤重叠面积(IOU)大于面积阈值的候选区域，输出其得分排名在前N个的候选区域。
其中非极大值抑制方法(NMS)操作步骤如下：
a1：如图7所示，从最大概率矩形框B开始，分别判断A、C、D与B的重叠度IOU是否大于某个设定的阈值；
a2：假设A与B的重叠度超过面积阈值，那么就过滤掉矩形框A，并标记保留第一个矩形框B；
a3：从剩下的矩形框C、D中，选择概率最大的D，然后判断C与D的重叠度，重叠度大于面积阈值，那么就过滤掉，并标记D为保留下来的第二个矩形框；
a4：重复a3，找到所有被保留下来的矩形框。
再将CNN特征提取网络提取的特征图和RPN网络得到的N个候选区域同时输入至Roi Pooling层，最后通过全连接层(FC层)和softmax计算得到每个候选区域的得分信息和目标检测框位置信息，完成一次Faster R-CNN训练。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种基于目标检测的防振锤图像数据集训练方法，其特征在于：包括以下步骤：
步骤S1：获取采集的原始图像，对原始图像进行剪裁，并放入训练数据集；
步骤S2：对训练数据集中的图像进行随机预处理；
步骤S3：对训练数据集中的图像进行Faster R-CNN训练，以得到目标检测模型。
2.根据权利要求1所述的一种基于目标检测的防振锤图像数据集训练方法，其特征在于：所述步骤S1具体包括以下步骤：
步骤S1-1：获取采集的原始图像，以及该原始图像对应的xml文件，读取原始图像的边界坐标；
步骤S1-2：将原始图像的长和宽分别等分为3份，原始图像被剪裁为9小张，取出四份剪裁图像，所述四份剪裁图像包括左上4小张、左下4小张、右上4小张、右下4小张，四份剪裁图像组成有4张重叠的图像；
步骤S1-3：对原始图像相应的xml文件也按照坐标分为四份与步骤S1-2中四份剪裁图像相对应的xml剪裁文件；
步骤S1-4：将剪裁后的9小张原始图像和取出的四份剪裁图像都放入训练数据集作为训练对象。
3.根据权利要求2所述的一种基于目标检测的防振锤图像数据集训练方法，其特征在于：所述步骤S2具体包括以下步骤：
随机对训练数据集中的图像进行图像增强，包括：
随机对训练数据集中的图像进行平移处理：将图像的所有像素坐标分别加上一定的水平偏移量或垂直偏移量，同时保存图像完整的原始信息；
随机对训练数据集中的图像进行镜像处理：以图像的垂直中线为固定轴，将图像左半边和右半边的像素进行对换；以图像的水平中线为固定轴，将图像上半边和下半边的像素进行对换；
随机对训练数据集中的图像进行旋转处理：将坐标原点由图像的左上角变换为图像的中心点，以图像的中心点为旋转中心，对图像旋转一定的角度，旋转结束后再将坐标原点由图像的中心点变换为图像的左上角。
4.根据权利要求3所述的一种基于目标检测的防振锤图像数据集训练方法，其特征在于：根据对训练数据集中的图像进行的平移、镜像或旋转预处理操作，将图像相对应的xml文件做出相应的调整，生成预处理后的xml文件。
5.根据权利要求4所述的一种基于目标检测的防振锤图像数据集训练方法，其特征在于：所述对训练数据集中图像进行Faster R-CNN训练的步骤，包括：
将训练数据集中的图像输入至CNN特征提取网络中，所述CNN特征提取网络的结构为ResNet101；对于每张输入的图像，利用CNN特征提取网络计算出用于输入RPN网络的特征图；所述特征图经过RPN网络计算后得到候选区域，对候选区域采用非极大值抑制方法过滤重叠面积大于面积阈值的候选区域，输出其得分排名在前N个的候选区域；
再将CNN特征提取网络提取的特征图和RPN网络得到的N个候选区域同时输入至RoiPooling层，最后通过全连接层和softmax计算得到每个候选区域的得分信息和目标检测框位置信息，完成Faster R-CNN训练。
CN202010713402.1A 2020-07-22 2020-07-22 一种基于目标检测的防振锤图像数据集训练方法 Pending CN111951230A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010713402.1A CN111951230A (zh) 2020-07-22 2020-07-22 一种基于目标检测的防振锤图像数据集训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010713402.1A CN111951230A (zh) 2020-07-22 2020-07-22 一种基于目标检测的防振锤图像数据集训练方法

Publications (1)

Publication Number Publication Date
CN111951230A true CN111951230A (zh) 2020-11-17

Family

ID=73341368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010713402.1A Pending CN111951230A (zh) 2020-07-22 2020-07-22 一种基于目标检测的防振锤图像数据集训练方法

Country Status (1)

Country Link
CN (1) CN111951230A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543695A (zh) * 2018-10-26 2019-03-29 复旦大学 基于多尺度深度学习的泛密度人群计数方法
WO2019140857A1 (zh) * 2018-01-18 2019-07-25 平安科技（深圳）有限公司 易损斑块识别方法、应用服务器及计算机可读存储介质
CN110210463A (zh) * 2019-07-03 2019-09-06 中国人民解放军海军航空大学 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
CN110378222A (zh) * 2019-06-14 2019-10-25 安徽南瑞继远电网技术有限公司 一种输电线路防震锤目标检测与缺陷识别方法及装置
CN110599445A (zh) * 2019-07-24 2019-12-20 安徽南瑞继远电网技术有限公司 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019140857A1 (zh) * 2018-01-18 2019-07-25 平安科技（深圳）有限公司 易损斑块识别方法、应用服务器及计算机可读存储介质
CN109543695A (zh) * 2018-10-26 2019-03-29 复旦大学 基于多尺度深度学习的泛密度人群计数方法
CN110378222A (zh) * 2019-06-14 2019-10-25 安徽南瑞继远电网技术有限公司 一种输电线路防震锤目标检测与缺陷识别方法及装置
CN110210463A (zh) * 2019-07-03 2019-09-06 中国人民解放军海军航空大学 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
CN110599445A (zh) * 2019-07-24 2019-12-20 安徽南瑞继远电网技术有限公司 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置

Similar Documents

Publication Publication Date Title
CN108805076B (zh) 环境影响评估报告书表格文字的提取方法及系统
CN110458798B (zh) 基于关键点检测的防振锤缺陷视觉检测方法、系统及介质
CN112070135B (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN113643228B (zh) 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法
CN111191649A (zh) 一种识别弯曲多行文本图像的方法与设备
CN114694165B (zh) 一种pid图纸智能识别与重绘方法
CN110133443B (zh) 基于平行视觉的输电线路部件检测方法、系统、装置
CN113240716B (zh) 一种多特征融合的孪生网络目标跟踪方法及系统
CN104217459A (zh) 一种球面特征提取方法
CN112712273A (zh) 一种基于骨架相似度的手写体汉字美观度评判方法
CN113361643A (zh) 基于深度学习的通用标志识别方法、系统、设备及存储介质
CN110807416A (zh) 适用于移动检测装置的数字式仪表智能识别装置及方法
CN116721104B (zh) 实景三维模型缺陷检测方法、装置、电子设备及存储介质
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN112525925A (zh) 一种键盘检测方法、系统、电子设备及介质
CN114120345A (zh) 信息提取方法、装置、设备及存储介质
WO2023065397A1 (zh) 一种手写汉字图像的笔顺识别方法及系统
CN114743201A (zh) 一种基于旋转目标检测的万用表读数识别方法及系统
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN112364687A (zh) 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统
CN111951230A (zh) 一种基于目标检测的防振锤图像数据集训练方法
CN112200789A (zh) 一种图像识别的方法及装置、电子设备和存储介质
CN111079752A (zh) 识别红外图像中的断路器的方法、装置及可读存储介质
CN112102502B (zh) 用于飞机驾驶舱功能试验的增强现实辅助方法
CN115641510A (zh) 一种遥感影像舰船检测识别方法

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