CN112132804B - 一种用于集卡轮毂的防吊起检测方法 - Google Patents
一种用于集卡轮毂的防吊起检测方法 Download PDFInfo
- Publication number
- CN112132804B CN112132804B CN202010998412.4A CN202010998412A CN112132804B CN 112132804 B CN112132804 B CN 112132804B CN 202010998412 A CN202010998412 A CN 202010998412A CN 112132804 B CN112132804 B CN 112132804B
- Authority
- CN
- China
- Prior art keywords
- hub
- detection
- training
- card
- sample
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 32
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000037983 regulatory factors Human genes 0.000 description 1
- 108091008025 regulatory factors Proteins 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Control And Safety Of Cranes (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于集卡轮毂的防吊起检测方法,通过借助识别集卡轮毂的方式进行检测,并根据实时拍摄的图片判断集卡轮毂在图片中的位置。通过上述方式,本发明一种用于集卡轮毂的防吊起检测方法,确保在取箱过程中集卡不被吊起,实现实时作业,保证安全性,提高工作效率。
Description
技术领域
本发明涉及集卡轮毂的检测领域,特别是涉及一种用于集卡轮毂的防吊起检测方法。
背景技术
随着我国智慧物流行业的飞速发展,极大的促进了港口集装箱的吞吐量。
在港口堆场中,吊具进行吊取集装箱的过程中,容易将集卡也一起吊起,这样会存在极大的安全隐患,而且会降低调取集装箱的工作效率。
发明内容
本发明主要解决的技术问题是提供一种用于集卡轮毂的防吊起检测方法,具有可靠性能高、定位精确、等优点,同时在集卡轮毂检测的应用及普及上有着广泛的市场前景。
为解决上述技术问题,本发明采用的一个技术方案是:
提供一种用于集卡轮毂的防吊起检测方法,其具体步骤包括:
(1)结合多尺度训练、锚点设置以及focal loss聚焦损失,构建改进Faster RCNN网络框架;
(1.1)第一阶段:
(1.1.1)多尺度训练:将图片送入网络之前,在保证图像原有比例的前提下,将图像随机调整大小后送入网络中进行训练;
(1.1.2)锚点设置:
在不改变其他参数设置的前提下,设置锚点的数量为18-30个,以提高锚点框覆盖真实目标的概率;
(1. 2)第二阶段:根据实际样本比例以及训练过程中难易样本在优化过程中的重要性,利用Focal Loss聚焦损失方法动态调整样本权重,以增强轮毂训练模型的鲁棒性;
(2)使用上述改进Faster RCNN网络构建初始轮毂检测模型;
(3)工业相机拍摄集卡轮毂的图片或视频;
(4)判断拍摄的图片或视频中是否带有轮毂,并将带有轮毂的图片或视频送往下一步进行样本处理;
(5)使用标注工具对图像中的轮毂进行标注:
(5.1)如果图像中带有完整的轮毂,则使用标注工具对图像中的轮毂进行标注,得到标注样本;
(5.2)如果图像带有轮毂,但是轮毂的结构不完整,则无需进行标注,得到未标注样本;
(6)利用标注样本对初始轮毂检测模型进行训练和测试,根据测试精度选取用于现场的训练轮毂检测模型;
(7)训练轮毂检测模型根据集装箱与集卡的位置来判断是否开启或结束轮毂位移检测:利用检测设备判断集装箱与集卡之间的垂直间距;当垂直间距小于预设的启动间距阈值时,不触发轮毂位移检测;当垂直间距大于或等于预设的启动间距阈值且垂直间距小于停止间距阈值时,触发轮毂位移检测,则训练轮毂检测模型开始对图片或视频进行轮毂位移检测;当垂直间距大于或等于预设的停止间距阈值时,停止轮毂位移检测;
(8)将触发轮毂位移检测时的第一帧图片中的轮毂中心点的坐标位置作为参考位置;将第一帧图片之后的图片中的轮毂中心点的坐标位置作为对比位置;
(9)根据参考位置和对比位置,判断集卡是否被吊起;
(9.1)如果检测到的轮毂的参考位置和对比位置的坐标差大于或等于预设的位移阈值,则判定集卡被吊起;
(9.2)如果检测到的轮毂的参考位置和对比位置的坐标差小于预设的位移阈值,则判定集卡未被吊起。
在本发明一个较佳实施例中,在步骤(1.1.2)中,在训练时,根据实际场景目标的标注数据结果,通过RPN网络初次选定预设数量的预选框,通过softmax判断锚点属于正样本还是负样本,并利用bbox回归修正锚点获得精确候选框;然后,通过ROI网络层提取proposal feature maps,并将其送入后续全连接层以判定目标类别。
在本发明一个较佳实施例中,所述启动间距阈值为10cm,停止间距阈值为50cm。
在本发明一个较佳实施例中,在步骤(5.1),利用红色标注框对轮毂的位置进行标注显示。
在本发明一个较佳实施例中,在步骤(7),检测设备包括距离传感器。
本发明的有益效果是:通过借助识别集卡轮毂的方式进行检测,实现实时作业,保证安全性,提高工作效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它的附图,其中:
图1是本发明的一种用于集卡轮毂的防吊起检测方法一较佳实施例的流程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例包括:
一种用于集卡轮毂的防吊起检测方法,通过借助识别集卡轮毂的方式进行检测,并根据实时拍摄的图片判断集卡轮毂在图片中的位置,进而确保在取箱过程中集卡不被吊起,保证作业安全。
一种用于集卡轮毂的防吊起检测方法,其具体步骤包括:
(1)构建改进Faster RCNN网络框架:针对码头现场实际情况,检测网络是改进的Faster RCNN网络框架,结合多尺度训练、合理的锚点设计,解决目标多尺度、遮挡等因素影响,同时在Faster RCNN第二阶段引入focal loss(聚焦损失),进一步解决正、负样本不均衡问题,提高检测稳定性。
(1.1)第一阶段:
(1.1.1)多尺度训练:将图片送入网络之前,在保证图像原有比例的前提下,将图像随机调整大小,再送入网络中进行训练,这种多尺度训练使得网络能够学习目标的各种尺寸的特征,使得网络对目标尺寸大小具有一定的鲁棒性,摒弃了原始的Faster RCNN通常会对所有训练图采用固定尺寸的处理方法,解决了对不同尺寸的检测泛化性能较差的问题。
(1.1.2)锚点设置:
原始Faster RCNN使用9个锚点,每个滑动窗口产生9个不同尺度和不同长宽比的候选区域,最后对整张图产生的候选区域使用非极大值抑制算法剔除多余的候选区域,但网络设置的默认锚点参数对区域较小的目标无法召回,使得轮毂目标检测的召回率无法满足现场需求。
因此,在默认参数的基础上(即不改变其他参数设置),设置锚点的数量为18-30个,提高锚点框覆盖真实目标的概率。同时,在训练过程中,根据实际场景目标的标注数据结果,通过RPN网络初次选定一定数据量的预选框(如256个),通过softmax判断锚点属于正样本还是负样本,并利用bbox回归修正锚点获得精确候选框。然后,通过ROI网络层提取proposal feature maps,送入后续全连接层判定目标类别。以此有效提高目标的召回率,降低漏检。
(1. 2)第二阶段:利用Focal Loss(聚焦损失)方法增强轮毂训练模型的鲁棒性。
Faster RCNN在进行模型训练时,RPN网络会随机产生大量的候选区域,由于目标在图片中所占比例较小,导致产生的负样本空间过大,正样本和负样本存在严重的不均衡问题,而且负样本中大多是容易分类的,因此使得模型的优化方向未能按照实际的检测需求进行。
为了解决训练过程中正负样本不平衡以及难易样本不平衡的问题,本文引入了focal loss到Faster RCNN网络框架中。根据实际样本比例以及训练过程中难易样本在优化过程中的重要性,动态调整样本权重以及优化方向,可以很好的解决上述问题。
Focal Loss原理:
Focal loss损失函数出自于论文《Focal Loss for Dense Object Detection》,主要是解决正负样本之间的不平衡问题。通过降低简单样本easy example中的损失值,间接提高了较难样本hard example中损失值的权重。Focal loss是基于交叉熵进行改进的,具体计算公式如下:
,
其中,pt为样本属于正样本的概率, log(pt)为初始交叉熵损失函数;αt为类别平衡权重因子;(1-pt)γ为简单/困难样本调节因子;γ为大于0的聚焦参数。
首先,在原有的基础上加了一个调节因子,其中的聚焦参数γ能够平滑地调整简单样本所降低权重的比例。当γ=0时,聚焦损失就是普通的交叉熵,γ的值越大,权重表达式产生的影响就越大。实验证明,γ=2时的检测效果最好。
显然,样本越易分,pt越大,则贡献的损失就越小,相对来说,难分样本所占的比重就会变大。在此基础上,再引入一个平衡因子α,用来平衡正负样本本身的数量比例不均(即类别不均衡)。
为交叉熵分配一个权重,其中权重因子的大小一般为所属类比重的反比。负样本越多,给它的权重越小,这样就可以降低负样本的影响。只添加α虽然可以平衡正负样本的重要性,但是无法解决简单与困难样本的问题,因此针对难分样本的γ也必不可少。
(2)使用上述改进Faster RCNN网络构建初始轮毂检测模型。
(3)工业相机拍摄集卡轮毂的图片或视频。
(4)判断拍摄的图片或视频中是否带有轮毂,并将带有轮毂的图片或视频送往下一步进行样本处理。
(5)使用标注工具对图像中的轮毂进行标注:
(5.1)如果图像中带有完整的轮毂,则使用标注工具对图像中的轮毂进行标注,得到标注样本,在本实施例中,利用红色标注框对轮毂的位置进行标注显示;
(5.2)如果图像带有轮毂,但是轮毂的结构不完整,则无需进行标注,得到未标注样本;
(6)利用标注样本对初始轮毂检测模型进行训练和测试,根据测试精度选取最优(精度达到99%以上)的训练轮毂检测模型用于现场。
(7)训练轮毂检测模型根据集装箱与集卡的位置来判断是否开启或结束轮毂位移检测:利用传感器等检测设备判断集装箱与集卡之间的垂直间距;当垂直间距小于预设的启动间距阈值时,不触发轮毂位移检测;当垂直间距大于或等于预设的启动间距阈值且垂直间距小于停止间距阈值时,触发轮毂位移检测,即通过训练好的轮毂检测模型,开始对图片或视频进行轮毂位移检测;当垂直间距大于或等于预设的停止间距阈值时,停止轮毂位移检测。
在本实施例中,启动间距阈值为10cm,停止间距阈值为50cm,即当集装箱提升到离集卡10厘米的高度时,开始进行实时轮毂位移检测,直到集装箱提高到离集卡50cm为止。
(8)将触发轮毂位移检测时的第一帧图片中的轮毂中心点的坐标位置作为参考位置;将第一帧图片之后的图片中的轮毂中心点的坐标位置作为对比位置。
(9)根据参考位置和对比位置,判断集卡是否被吊起。
(9.1)如果检测到的轮毂的参考位置和对比位置的坐标差大于或等于预设的位移阈值,则判定集卡被吊起;
(9.2)如果检测到的轮毂的参考位置和对比位置的坐标差小于预设的位移阈值,则判定集卡未被吊起。
本发明一种用于集卡轮毂的防吊起检测方法的有益效果是:通过借助识别集卡轮毂的方式进行检测,实现实时作业,保证安全性,提高工作效率。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种用于集卡轮毂的防吊起检测方法,其特征在于,具体步骤包括:
(1)结合多尺度训练、锚点设置以及focal loss聚焦损失,构建改进Faster RCNN网络框架;
(1.1)第一阶段:
(1.1.1)多尺度训练:将图片送入网络之前,在保证图像原有比例的前提下,将图像随机调整大小后送入网络中进行训练;
(1.1.2)锚点设置:
在不改变其他参数设置的前提下,设置锚点的数量为18-30个,以提高锚点框覆盖真实目标的概率;
(1. 2)第二阶段:根据实际样本比例以及训练过程中难易样本在优化过程中的重要性,利用Focal Loss聚焦损失方法动态调整样本权重,以增强轮毂训练模型的鲁棒性;
(2)使用上述改进Faster RCNN网络构建初始轮毂检测模型;
(3)工业相机拍摄集卡轮毂的图片或视频;
(4)判断拍摄的图片或视频中是否带有轮毂,并将带有轮毂的图片或视频送往下一步进行样本处理;
(5)使用标注工具对图像中的轮毂进行标注:
(5.1)如果图像中带有完整的轮毂,则使用标注工具对图像中的轮毂进行标注,得到标注样本;
(5.2)如果图像带有轮毂,但是轮毂的结构不完整,则无需进行标注,得到未标注样本;
(6)利用标注样本对初始轮毂检测模型进行训练和测试,根据测试精度选取用于现场的训练轮毂检测模型;
(7)训练轮毂检测模型根据集装箱与集卡的位置来判断是否开启或结束轮毂位移检测:利用检测设备判断集装箱与集卡之间的垂直间距;当垂直间距小于预设的启动间距阈值时,不触发轮毂位移检测;当垂直间距大于或等于预设的启动间距阈值且垂直间距小于停止间距阈值时,触发轮毂位移检测,则训练轮毂检测模型开始对图片或视频进行轮毂位移检测;当垂直间距大于或等于预设的停止间距阈值时,停止轮毂位移检测;
(8)将触发轮毂位移检测时的第一帧图片中的轮毂中心点的坐标位置作为参考位置;将第一帧图片之后的图片中的轮毂中心点的坐标位置作为对比位置;
(9)根据参考位置和对比位置,判断集卡是否被吊起;
(9.1)如果检测到的轮毂的参考位置和对比位置的坐标差大于或等于预设的位移阈值,则判定集卡被吊起;
(9.2)如果检测到的轮毂的参考位置和对比位置的坐标差小于预设的位移阈值,则判定集卡未被吊起。
2.根据权利要求1所述的一种用于集卡轮毂的防吊起检测方法,其特征在于,在步骤(1.1.2)中,在训练时,根据实际场景目标的标注数据结果,通过RPN网络初次选定预设数量的预选框,通过softmax判断锚点属于正样本还是负样本,并利用bbox回归修正锚点获得精确候选框;然后,通过ROI网络层提取proposal feature maps,并将其送入后续全连接层以判定目标类别。
3.根据权利要求1所述的一种用于集卡轮毂的防吊起检测方法,其特征在于,所述启动间距阈值为10cm,停止间距阈值为50cm。
4.根据权利要求1所述的一种用于集卡轮毂的防吊起检测方法,其特征在于,在步骤(5.1),利用红色标注框对轮毂的位置进行标注显示。
5.根据权利要求1所述的一种用于集卡轮毂的防吊起检测方法,其特征在于,在步骤(7),检测设备包括距离传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998412.4A CN112132804B (zh) | 2020-09-22 | 2020-09-22 | 一种用于集卡轮毂的防吊起检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998412.4A CN112132804B (zh) | 2020-09-22 | 2020-09-22 | 一种用于集卡轮毂的防吊起检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132804A CN112132804A (zh) | 2020-12-25 |
CN112132804B true CN112132804B (zh) | 2023-10-31 |
Family
ID=73842042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010998412.4A Active CN112132804B (zh) | 2020-09-22 | 2020-09-22 | 一种用于集卡轮毂的防吊起检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132804B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470138A (zh) * | 2018-01-24 | 2018-08-31 | 博云视觉(北京)科技有限公司 | 用于目标检测的方法和装置 |
CN110120036A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种多尺度的轮胎x光病疵检测方法 |
WO2020052476A1 (zh) * | 2018-09-14 | 2020-03-19 | 腾讯科技(深圳)有限公司 | 特征点定位方法、存储介质和计算机设备 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
-
2020
- 2020-09-22 CN CN202010998412.4A patent/CN112132804B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470138A (zh) * | 2018-01-24 | 2018-08-31 | 博云视觉(北京)科技有限公司 | 用于目标检测的方法和装置 |
WO2020052476A1 (zh) * | 2018-09-14 | 2020-03-19 | 腾讯科技(深圳)有限公司 | 特征点定位方法、存储介质和计算机设备 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110120036A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种多尺度的轮胎x光病疵检测方法 |
Non-Patent Citations (3)
Title |
---|
基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究;朱超平;杨永斌;;表面技术(第06期);全文 * |
基于机器视觉的港口集装箱卡车防吊方法研究;黄伟;赵德安;刘晓洋;;软件导刊(第05期);全文 * |
基于视频流的集装箱锁孔追踪及中心定位;张军;刁云峰;程文明;杜润;姜伟东;;计算机应用(第S2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132804A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023273219A1 (zh) | 玻璃幕墙开启窗开启状态检测方法、装置、设备及介质 | |
WO2022134490A1 (zh) | 一种云台目标转换控制方法、装置、设备及存储介质 | |
WO2019052318A1 (zh) | 一种电梯轿厢监控方法、装置及系统 | |
CN104537650B (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
CN112580609B (zh) | 一种煤矿钻杆计数方法 | |
CN109413411B (zh) | 一种监控线路的黑屏识别方法、装置及服务器 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN106067177A (zh) | Hdr场景侦测方法和装置 | |
EP2813973A1 (en) | Method and system for processing video image | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN114693661A (zh) | 一种基于深度学习的快速分拣方法 | |
Hou et al. | Welding image edge detection and identification research based on canny operator | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN108305270A (zh) | 一种基于手机拍照的仓储粮虫计数系统及方法 | |
JP2011165170A (ja) | 対象物検出装置及びプログラム | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN111160107A (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN112132804B (zh) | 一种用于集卡轮毂的防吊起检测方法 | |
CN112734732B (zh) | 基于改进ssd算法的铁路隧道漏缆卡具检测方法 | |
CN116543308A (zh) | 一种基于多模型融合的滑坡检测预警模型及预警方法 | |
CN114332775A (zh) | 一种基于目标检测和无序特征的烟雾检测方法 | |
CN108387580A (zh) | 一种轴承缺陷检测装置 | |
CN116030013A (zh) | 多目标多类别破损缺陷检测方法、系统及计算机存储介质 | |
CN112802051B (zh) | 基于神经网络的篮球投篮曲线的拟合方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |