CN112084943A - 深度语义分割结合霍夫变换的高压线检测方法 - Google Patents

深度语义分割结合霍夫变换的高压线检测方法 Download PDF

Info

Publication number
CN112084943A
CN112084943A CN202010940622.8A CN202010940622A CN112084943A CN 112084943 A CN112084943 A CN 112084943A CN 202010940622 A CN202010940622 A CN 202010940622A CN 112084943 A CN112084943 A CN 112084943A
Authority
CN
China
Prior art keywords
echo data
semantic segmentation
voltage line
data
hough transform
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
CN202010940622.8A
Other languages
English (en)
Inventor
陈春风
罗旌胜
李志科
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.)
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Original Assignee
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
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 Leihua Electronic Technology Research Institute Aviation Industry Corp of China filed Critical Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority to CN202010940622.8A priority Critical patent/CN112084943A/zh
Publication of CN112084943A publication Critical patent/CN112084943A/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
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/953—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on aircraft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种深度语义分割结合霍夫变换的高压线检测方法，采用深度学习语义分割技术结合霍夫变换进行目标的门限判断，实现了高压线的高性能检测，并且经霍夫变换后的门限能够对检测目标进一步确认，对原始图像的虚假目标进行抑制，达到了检测目标与降低虚警的双重效果。本发明公开的技术方案，算法流程简洁，检测率高于传统的参数调节方法，并且通过霍夫变换进一步降低了虚警率，避免了语义分割导致高压线虚警过多的问题。

Description

深度语义分割结合霍夫变换的高压线检测方法
技术领域
本发明涉及雷达检测技术领域，具体涉及一种深度语义分割结合霍夫变换的高压线检测方法。
背景技术
直升机低空飞行时的最大威胁是高压线，据报道许多直升机与高压线发生碰撞事故。由于直升机速度快、重量大、转弯难度大，因此直升机为避让高压线需要较长的预警时间和制动距离。相对于其它物体来说，高压线体积较小，很难通过视觉或光学设备从远距离找到它。现有技术多使用激光和红外传感器探测高压线，但这两种方式的探测距离有限，而且容易受到天气的严重干扰。
高压线等电力线回波具有布拉格散射特性，常规的恒虚警检测技术在检测高压线方面不能取得良好的效果。尤其是对于需要更远距离检测高压线的情况，现有技术的检测能力将大大降低，并且会产生过多的虚警。
发明内容
本发明是为了解决上述问题而进行的，本发明根据毫米波雷达的特点和高压线的后向散射特性，提出了一种深度语义分割结合霍夫变换的高压线检测方法，包括：(1)以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型；(2)对雷达检测到的初始回波数据
Figure BDA0002673526050000021
进行预处理后获得预处理回波数据
Figure BDA0002673526050000022
(3)通过高压线深度语义分割网络模型对预处理回波数据
Figure BDA0002673526050000023
进行语义分割处理获得输出
Figure BDA0002673526050000024
输出
Figure BDA0002673526050000025
为A或B；(4)当特定俯仰层的输出中A的数目大于等于霍夫变换门限Kmin时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵HM，N；(5)将矩阵HM，N中超过高压线判定门限Hk的数据定义为高压线。
优选地，对雷达检测到的初始回波数据
Figure BDA0002673526050000026
进行预处理，包括获得中间回波数据
Figure BDA0002673526050000027
对所述中间回波数据进行缩放，从而获得预处理回波数据
Figure BDA0002673526050000028
优选地，所述缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间。
优选地，以经过预处理后的样本回波数据
Figure BDA0002673526050000029
作为输入信息，所述预处理包括获得中间样本回波数据
Figure BDA00026735260500000210
并对所述中间样本回波数据进行缩放。
优选地，所述缩放包括根据中间样本回波数据的最小值和最大值，将中间样本回波数据转换为0～255之间。
优选地，A为1，B为0。
优选地，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵HM，N包括：建立全零矩阵Hm，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将Hm，n中对应位置的值增加1。
优选地，将矩阵Hm，n中低于高压线判定门限Hk的数据定义为虚警并抛弃。
与现有技术相比，本发明的优点在于：本发明公开的基于深度语义分割结合霍夫变换的高压线检测方法，算法流程简洁，通过深度学习语义分割方法，能够通过高压线的图像进行分割，检测率高于传统的参数调节方法，并且通过霍夫变换进一步降低了虚警率，避免了语义分割导致高压线虚警过多的问题。本方法能够实现了高压线检测能力提升的同时，降低虚警率。
附图说明
图1为本发明的深度语义分割结合霍夫变换的高压线检测方法的流程图；
图2为本发明实施例的采用D-LinkNet模型的深度语义分割模型示意图；
图3为本发明实施例的对位置为Oi,j的点进行极坐标霍夫变换的示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步的详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
在本发明实施例的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。
此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
实施例1
如图1所示，一种深度语义分割结合霍夫变换的高压线检测方法，包括如下步骤：
步骤100：以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型。
步骤102：对雷达检测到的初始回波数据
Figure BDA0002673526050000051
进行预处理，获得中间回波数据
Figure BDA0002673526050000052
对中间回波数据进行缩放，缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间，从而获得预处理回波数据
Figure BDA0002673526050000053
步骤104：通过高压线深度语义分割网络模型对预处理回波数据
Figure BDA0002673526050000054
进行语义分割处理获得输出
Figure BDA0002673526050000055
输出
Figure BDA0002673526050000056
为1或0。
步骤106：当特定俯仰层的输出中1的数目大于等于霍夫变换门限Kmin时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵HM，N，包括：建立全零矩阵Hm，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将Hm，n中对应位置的值增加1。
步骤108：将矩阵HM，N中超过高压线判定门限Hk的数据定义为高压线，将矩阵Hm，n中低于高压线判定门限Hk的数据定义为虚警并抛弃。
在另一个实施例中，实现本发明的步骤同实施例1，将经过预处理后的样本回波数据
Figure BDA0002673526050000057
作为输入信息，预处理包括获得中间样本回波数据
Figure BDA0002673526050000061
并对中间样本回波数据进行缩放。缩放包括根据中间样本回波数据的最小值和最大值，将中间样本回波数据转换为0～255之间。
实施例2
在另一实施例中，通过具体的实验对本发明的技术方案作进一步说明。
实验条件：已知某型机载雷达，雷达采用方位俯仰扫描，方位为-64°～63°扫描，间隔0.5°获得一条距离线数据，俯仰为10层(即K＝10)，距离分辨率为5m，最大探测距离为2560m。
具体实验步骤如下：
(1)对雷达检测到的初始回波数据
Figure BDA0002673526050000062
进行预处理，获得中间回波数据
Figure BDA0002673526050000063
对中间回波数据进行缩放，缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间，从而获得预处理回波数据
Figure BDA0002673526050000064
雷达对距离和方位采样得到初始回波数据
Figure BDA0002673526050000065
将不同俯仰层的初始回波数据
Figure BDA0002673526050000066
转换为dB形式，并通过公式
Figure BDA0002673526050000067
计算出中间回波数据
Figure BDA0002673526050000068
根据中间回波数据
Figure BDA0002673526050000069
的最小值和最大值对其进行缩放，将其转换为0～255之间，获得预处理回波数据
Figure BDA00026735260500000610
其中，i表示距离门，取值范围为1～512；j表示方位门，取值范围为1～256；k表示俯仰层数，取值范围为1～10；Pi，j对应的位置距离和角度值分别为Ri、θj。
(2)以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型。
以步骤(1)得到的预处理回波数据
Figure BDA0002673526050000071
作为输入信息，真实高压线的分割结果作为标签信息，采用D-LinkNet模型(如图2所示)构建高压线检测的语义分割模型。对预处理样本及标注样本进行训练，完成高压线检测的语义分割模型的学习，作为高压线分割网络。
(3)通过高压线深度语义分割网络模型对预处理回波数据
Figure BDA0002673526050000072
进行语义分割处理获得输出
Figure BDA0002673526050000073
输出
Figure BDA0002673526050000074
为A或B。
通过训练好的高压线检测的语义分割模型对
Figure BDA0002673526050000075
进行语义分割处理获得分割结果，将输出的结果对应位置的概率转换为0或1的分割结果，最终输出
Figure BDA0002673526050000076
为0或1。
(4)当特定俯仰层的输出中A的数目大于等于霍夫变换门限Kmin时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵HM，N，包括：建立全零矩阵Hm，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将Hm，n中对应位置的值增加1。
对步骤(3)得到的
Figure BDA0002673526050000081
的1～10层的结果进行判断，设置图层丢弃门限Kmin＝50，若本层的分割结果为1的点数小于门限50，则不进行霍夫变换，否则进行霍夫变换。只针对本层有1的位置进行如下霍夫变换，得到霍夫变换后的图片Hi，j。
首先建立空的矩阵Hm,n，对应为雷达探测的5～2560m距离5m为间隔的采样M＝512个采样，对应距离为ρm，对应角度为0°～180°的N＝128个间隔为1.4173°的等间隔采样，对应角度
Figure BDA0002673526050000082
为0～180°。如图3所示，对层图对应的分割后位置为Oi,j的点进行极坐标霍夫变换，公式如下:
Figure BDA0002673526050000083
将得到的
Figure BDA0002673526050000084
在Hm,n中找到距离和角度最接近的点并将Hm,n中此点的值增加1。
将所有层的所有分割结果为1的点执行步骤(4)，得到最终的霍夫变换后的矩阵H′。
(5)将矩阵HM，N中超过高压线判定门限Hk的数据定义为高压线，将矩阵Hm，n中低于高压线判定门限Hk的数据定义为虚警并抛弃。
设置检测门限为Hk＝100，将Hm，n中超过检测门限Hk的值确定为真正高压线，低于检测门限的值作为虚警抛弃。最终得到对应的距离、角度高压线。
本发明采用卷积神经网络作为语义分割手段，结合霍夫变换进行后期处理，通过霍夫变换后的结果进行门限判断，仿真结果表明，语义分割能够较好地完成电力线检测，抗地杂波性能较好。并且霍夫变换后的门限能够对检测目标进一步确认，对原始图像的虚假目标进行抑制，达到了检测目标与降低虚警的双重效果。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种深度语义分割结合霍夫变换的高压线检测方法，包括：
(1)以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型；
(2)对雷达检测到的初始回波数据
Figure FDA0002673526040000011
进行预处理后获得预处理回波数据
Figure FDA0002673526040000012
(3)通过高压线深度语义分割网络模型对预处理回波数据
Figure FDA0002673526040000013
进行语义分割处理获得输出
Figure FDA0002673526040000014
输出
Figure FDA0002673526040000015
为A或B；
(4)当特定俯仰层的输出中A的数目大于等于霍夫变换门限Kmin时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵HM，N；
(5)将矩阵HM，N中超过高压线判定门限Hk的数据定义为高压线。
2.根据权利要求1所述的方法，其中，对雷达检测到的初始回波数据
Figure FDA0002673526040000016
进行预处理，包括获得中间回波数据
Figure FDA0002673526040000017
对所述中间回波数据进行缩放，从而获得预处理回波数据
Figure FDA0002673526040000018
3.根据权利要求2所述的方法，其中，所述缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间。
4.根据权利要求1所述的方法，其中，以经过预处理后的样本回波数据
Figure FDA0002673526040000021
作为输入信息，所述预处理包括获得中间样本回波数据
Figure FDA0002673526040000022
并对所述中间样本回波数据进行缩放。
5.根据权利要求4所述的方法，其中，所述缩放包括根据中间样本回波数据的最小值和最大值，将中间样本回波数据转换为0～255之间。
6.根据权利要求1所述的方法，其中，A为1，B为0。
7.根据权利要求1中所述的方法，其中，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵HM，N包括：建立全零矩阵Hm，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将Hm，n中对应位置的值增加1。
8.根据权利要求1-7中的任一项所述的方法，其中，将矩阵Hm，n中低于高压线判定门限Hk的数据定义为虚警并抛弃。
CN202010940622.8A 2020-09-09 2020-09-09 深度语义分割结合霍夫变换的高压线检测方法 Pending CN112084943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010940622.8A CN112084943A (zh) 2020-09-09 2020-09-09 深度语义分割结合霍夫变换的高压线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010940622.8A CN112084943A (zh) 2020-09-09 2020-09-09 深度语义分割结合霍夫变换的高压线检测方法

Publications (1)

Publication Number Publication Date
CN112084943A true CN112084943A (zh) 2020-12-15

Family

ID=73731666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010940622.8A Pending CN112084943A (zh) 2020-09-09 2020-09-09 深度语义分割结合霍夫变换的高压线检测方法

Country Status (1)

Country Link
CN (1) CN112084943A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379732A (zh) * 2021-07-07 2021-09-10 群周科技(上海)有限公司 一种基于机载激光雷达的线缆目标检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243289A (zh) * 2018-09-05 2019-01-18 武汉中海庭数据技术有限公司 高精度地图制作中地下车库停车位提取方法及系统
CN110428424A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 基于深度学习的雷达回波图像高压线分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243289A (zh) * 2018-09-05 2019-01-18 武汉中海庭数据技术有限公司 高精度地图制作中地下车库停车位提取方法及系统
CN110428424A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 基于深度学习的雷达回波图像高压线分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘见昕;蒲灿;柴晓飞;孔昭松;汪毅;陈晓冬;郁道银;: "视频中运动电车电线的实时自动检测跟踪算法", 纳米技术与精密工程, no. 03, pages 205 - 211 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379732A (zh) * 2021-07-07 2021-09-10 群周科技(上海)有限公司 一种基于机载激光雷达的线缆目标检测方法

Similar Documents

Publication Publication Date Title
CN112215306B (zh) 一种基于单目视觉与毫米波雷达融合的目标检测方法
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
KR20220155559A (ko) 이미지 세그멘테이션을 이용한 자율 운항 방법
CN109085570A (zh) 基于数据融合的车辆检测跟踪算法
CN110738121A (zh) 一种前方车辆检测方法及检测系统
CN111666854B (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
Ma et al. An algorithm for power line detection and warning based on a millimeter-wave radar video
CN111190156B (zh) 基于雷达和光电的低慢小目标与海面小目标识别方法
KR102466804B1 (ko) 이미지 세그멘테이션을 이용한 자율 운항 방법
CN114495064A (zh) 一种基于单目深度估计的车辆周围障碍物预警方法
CN104933403A (zh) 一种基于间隔棒识别的导线舞动的监测方法
CN106443593A (zh) 基于相参雷达慢扫增强的自适应溢油信息提取方法
CN111652067B (zh) 一种基于图像探测的无人机识别方法
CN111981910A (zh) 一种基于人工智能的低空防御系统
CN112084943A (zh) 深度语义分割结合霍夫变换的高压线检测方法
Zhang et al. Rvdet: Feature-level fusion of radar and camera for object detection
CN114120150A (zh) 一种基于无人机成像技术的道路目标检测方法
Zou et al. Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network.
CN103675814A (zh) 基于圆周sar确定建筑物地平面高度的方法
Xiong et al. Power line detection in millimetre‐wave radar images applying convolutional neural networks
CN117630911A (zh) 一种基于Singer模型的无人艇雷达光电融合方法
CN113111707A (zh) 一种基于卷积神经网络的前车检测与测距方法
CN116343057A (zh) 一种联合sar与光学图像的舰船目标检测与识别方法
Schöller et al. Object detection at sea using ensemble methods across spectral ranges
CN110827257B (zh) 一种嵌入式机载红外图像视觉导航定位方法

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