CN112233071A - 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 - Google Patents
基于复杂环境下输电网图片的多粒度隐患检测方法及系统 Download PDFInfo
- Publication number
- CN112233071A CN112233071A CN202011041880.9A CN202011041880A CN112233071A CN 112233071 A CN112233071 A CN 112233071A CN 202011041880 A CN202011041880 A CN 202011041880A CN 112233071 A CN112233071 A CN 112233071A
- Authority
- CN
- China
- Prior art keywords
- global
- local
- detection
- detection result
- hidden danger
- 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
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Abstract
本发明属于输电网检测领域,提供了一种基于复杂环境下输电网图片的多粒度隐患检测方法及系统。其中,基于复杂环境下输电网图片的多粒度隐患检测方法包括基于全局网络提取复杂环境下输电网图片的全局特征,得到全局特征图;基于局部网络提取多粒度分割后复杂环境下输电网图片的局部特征,得到局部特征图;基于区域建议网络分别生成全局特征图和局部特征图的区域建议框,再相应进行感兴趣区域池化操作,编码后得到全局检测结果和局部检测结果;所述检测结果包括隐患物体具体分类及检测框精确位置;融合全局检测结果和局部检测结果,更新或合并检测框,得到最终的检测框及隐患物体分类。
Description
技术领域
本发明属于输电网检测领域,尤其涉及一种基于复杂环境下输电网图片的多粒度隐患检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着输电网规模越来越大,对于输电网中隐患检测的要求也越来越高。传统的输电网隐患检测主要采用人工检测的方法,相关检测人员通过观察无人机拍摄的数据来检测输电网中存在的隐患问题。但人工巡检存在着许多问题,一方面这种人工检测的方式不仅需要耗费大量的人力、物力,而且检测效率较低。另一方面,检测的准确性严重依赖于检测人员的专业知识,并且检测人员的专业知识不能较好的传承。因此,会存在由于检测人员的视觉疲劳等原因导致的错误判断,对后续的维修带来极大困难。
近年来,随着人工智能领域的快速发展,出现了很多基于机器学习的技术来进行输电网隐患检测,但发明人发现,目前机器学习技术应用于复杂环境下的输电网隐患检测面临着许多挑战:一方面输电网图片的隐患通常涉及多个方面,隐患物体形状各异,有体型较大的机械隐患,也有体积较小的销钉隐患;另一方面由于拍摄角度和拍摄距离的影响,同一隐患物体可能会以不同的大小出现在输电网图片中的不同区域。
综上,目前的输电网隐患检测方法不适用于复杂环境下输电网隐患物体存在多样性的情况,由于输电网隐患特征较为多变,无法准确定位复杂场景下多种隐患的位置。
发明内容
为了解决上述问题,本发明提供一种基于复杂环境下输电网图片的多粒度隐患检测方法及系统,其构建了全局网络和局部网络来考虑图片的全局特征和局部特征,从而全面学习输电网图片的多粒度表示,可以较好的解决复杂环境下输电网隐患物体的多样性问题,从而提高定位复杂场景下多种隐患位置的准确性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于复杂环境下输电网图片的多粒度隐患检测方法。
一种基于复杂环境下输电网图片的多粒度隐患检测方法,包括:
基于全局网络提取复杂环境下输电网图片的全局特征,得到全局特征图;基于局部网络提取多粒度分割后复杂环境下输电网图片的局部特征,得到局部特征图;
基于区域建议网络分别生成全局特征图和局部特征图的区域建议框,再相应进行感兴趣区域池化操作,编码后得到全局检测结果和局部检测结果;所述检测结果包括隐患物体具体分类及检测框精确位置;
融合全局检测结果和局部检测结果,更新或合并检测框,得到最终的检测框及隐患物体分类。
本发明的第二个方面提供一种基于复杂环境下输电网图片的多粒度隐患检测系统。
一种基于复杂环境下输电网图片的多粒度隐患检测系统,包括:
特征提取模块,其用于基于全局网络提取复杂环境下输电网图片的全局特征,得到全局特征图;基于局部网络提取多粒度分割后复杂环境下输电网图片的局部特征,得到局部特征图;
特征图检测模块,其用于基于区域建议网络分别生成全局特征图和局部特征图的区域建议框,再相应进行感兴趣区域池化操作,编码后得到全局检测结果和局部检测结果;所述检测结果包括隐患物体具体分类及检测框精确位置;
检测结果融合模块,其用于融合全局检测结果和局部检测结果,更新或合并检测框,得到最终的检测框及隐患物体分类。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于复杂环境下输电网图片的多粒度隐患检测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于复杂环境下输电网图片的多粒度隐患检测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本实施例考虑了图片的全局特征和局部特征,通过引入局部网络学习图像的局部细节表示,较好的提高了模型效果,尤其是针对小尺寸隐患物体(如销钉)的检测,从而全面学习输电网图片的多粒度表示,可以较好的解决复杂环境下输电网隐患物体的多样性问题,从而大大提升了定位复杂场景下多种隐患位置的检测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的基于复杂环境下输电网图片的多粒度隐患检测方法流程图;
图2是本发明实施例的基于复杂环境下输电网图片的多粒度隐患检测方法的检测结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例的基于复杂环境下输电网图片的多粒度隐患检测方法,包括:
步骤1:基于全局网络提取复杂环境下输电网图片的全局特征,得到全局特征图;基于局部网络提取多粒度分割后的复杂环境下输电网图片的局部特征,对应得到局部特征图。
在具体实施中,获取复杂环境下输电网的图片之后,还对图片进行预处理。
输电网下的天气情况较为多变,照片质量易受天气影响,因此使用ACE算法对图像进行增强。自动彩色均衡算法(ACE)可以调整图片的对比度,使图片可以得到更好的视觉效果。通过差分计算目标点与局部像素点的相对阴暗关系来矫正最终像素值,有很好的增强效果。设x(i,j)为图像I的中某点的灰度值,局部区域定义为:以(i,j)为中心,窗口大小为(2n+1)*(2n+1)的区域,其中n为一整数。局部的平均值可以用公式(1)计算:
x(k,l)为局部区域点(k,l)的灰度值;局部方差计算方式为公式(2):
公式(2)中σx(i,j)为局部标准差(LSD),我们定义f(i,j)为x(i,j)对应增强后的像素值,具体的ACE算法如公式(3)所示:
f(i,j)=mx(i,j)+C[x(i,j)-mx(i,j)] (3)
其中C为常数,一般C>1。图像I经过ACE算法增强后得到图像I′。
本方法通过ACE算法对输电网图片进行增强,较好的解决了输电网图片质量低的问题。
获取I′的宽和高。将I′的短边设置为原来的2倍,长边保持不变得到I″。将I′的长边设置为原来的1/2,短边保持不变得到I″′。保存I′、I″、I″′。
从全局出发,基于完整图像构建全局网络,获得图像的全局表示。通过ResNet101可以捕捉到浅层网络的信息,并在其中增加特征金字塔(FPN)结构以更好地学到隐患的特征信息。
在具体实施中,提取复杂环境下输电网图片的全局特征,得到全局特征图的过程为:
S111:将输入的图片大小设置为800*1400,将图片送入ResNet101特征金字塔网络中。
S112:ResNet101网络具有五大卷积模块,五个卷积模块均有各自最后一层卷积层,即卷积层C1和C2~C5层共五个卷积层,ResNet101网络中卷积模块中的最后一层卷积层C2~C5输出的特征图依次为f2~f5,四个特征图大小分别为对应原图的1/4,1/8,1/16,1/32。
S113:将f2~f5均连接到特征金字塔网络模型的输入,特征金字塔模型对ResNet101网络输出的f2~f5进行插值融合并输出不同尺度的特征图。具体来说是将逐层高阶段的小尺寸特征图通过双线性插值得到与上一阶段尺寸相同的特征图并与之融合。
此处需要说明的是,输入的图片大小也可为其他大小,而且特征图大小也可根据实际情况来具体设置,此处不再累述。
全局网络侧重图像的全局显著特征,而忽略了图像的局部细节特征,不利于模型对小型或远距离隐患的准确检测。因此构建局部网络,以提取更加具体的局部图像特征,进而增强图像整体的隐患检测性能。
在具体实施过程中,提取复杂环境下输电网图片的局部特征,得到局部特征图的具体过程为:
S121:对图像进行切块,设置切块尺度因子m=2,对输入的图像I采用m×m的网格划分,得到图像网格划分集合{I1,I2,...,Im×m}。
S122:将图像I网格中的各个区域的图片大小设置为800*1400,依次送入ResNet101特征金字塔网络中。
S123:对区域中的每一张图片依次执行S112、S113步骤,得到对应的特征图。
本实施例在区域建议网络中加入特征金字塔结构,获得更强的语义信息,增加了网络对隐患目标的敏感性,提高了回归与分类精度。
此处需要说明的是,提取全局特征和局部特征的网络除了ResNet101网络之外,本领域技术人员也可根据实际情况采用其他现有的网络模型,此处不再累述。
步骤2:基于区域建议网络分别生成全局特征图和局部特征图的区域建议框,再相应进行感兴趣区域池化操作,编码后得到全局检测结果和局部检测结果;所述检测结果包括隐患物体具体分类及检测框精确位置。
传统的基于区域推荐的候选区域算法较为耗时,如选择性搜索登,时间复杂度较高。在本实施例中,区域建议网络共享多粒度分割中的全局网络和局部网络的特征图,缓解区域选择产生的高时耗问题。
区域建议网络预定义不同大小尺度和多种纵横比的设定数量锚框为候选框,全局特征图和部特征图上的每个点都有设定数量候选框,作为初始检验框。
例如:区域建议网络预定义了{42,82,162,322,642,1282,2562}七种大小尺度和{1:2,1:1,2:1}三种纵横比的一共21种锚框为候选框,特征图上的每个点有这21种锚框作为初始检验框。
区域建议网络对初始检验框所对应的检测区域构建分类层和回归层。分类层对检测区域进行初步判断得到其为隐患物体和背景区域的概率。回归层旨在调整边框的位置,得到检测区域回归的偏移量,进而更好的拟合预测物体的位置坐标。
基于21个锚框,分类层可以得到42个概率评分,对应每个锚框为隐患物体和背景区域的概率。回归层会得到84个锚框坐标编码。
为缓解检测区域的冗余问题,将检测区域和实际目标区域面积的交并比大于0.4的正样本进行保留。对剩下的检测区域我们进行采样,使用非极大值抑制的方法过滤掉多余的检测区域,按照分类层的概率评分,得到指定数目的候选区域,从而实现对检测区域的初步定位。
区域建议网络的代价函数如公式(4):
式中:i为锚框的下标;pi为第i个锚框是隐患物体的概率;当第i个锚框是正样本时为1,否则为0;ti是i个锚框的坐标信息;为ti所对应真实框的坐标信息;Ncls为参与训练锚框的数目;Nloc为参与训练锚框中正确类别锚框的数目;ρ为分类代价和位置回归代价的调节平衡参数,在这里我们取ρ=10;分类代价函数为:
回归代价函数为:
其中R为鲁棒性代价函数,具体如公式(7):
全局和局部特征经过区域建议网络后可以得到一系列目标物体的候选区域。由于候选区域的尺寸大小不一,我们采用单尺度池化操作,首先将区域分割成相同大小尺寸的分块,对每个分块进行最大池化操作,从而将大小不一的候选区域转换为固定尺寸的特征图。
对得到的候选区域特征图通过全连接和softmax计算每个目标具体的类别,输出类别的概率向量。
通过边框回归获得每一个候选区域的位置偏移量,用于回归更加精确的目标检测框。
步骤3:融合全局检测结果和局部检测结果,更新或合并检测框,得到最终的检测框及隐患物体分类。
为增强图像I的隐患检测效果,设计了多粒度隐患检测协作式融合图像全局网络和局部网络的检测结果。其具体过程为:
若全局检测结果中的检测框o和局部检测结果的检测框o′在某个位置都存在隐患框,计算o和o′的交并比,根据我们预设的阙值(比如λ=0.2)。当交并比大于预设的λ时,我们认为这两个隐患框为同一隐患框,保留检测框o。如果交并比小于我们预设的λ时,将检测框o′添加到全局检测结果中。
其中,预设的阙值也可为其他数值。
将图像I的全局检测结果和局部结果相融合,得到图像I的最终检测结果。
本方法融合了全局网络的检测结果和局部网络的检测结果,由图2可以看出融合全局网络和局部网络的检测结果后可以得到更多准确的检测信息。
本实施例的该方法通过引入多粒度网络考虑了图片的全局特征和局部特征,大大提升了检测的精度;通过引入局部网络学习图像的局部细节表示,较好的提高了模型效果,尤其是针对小尺寸隐患物体(如销钉)的检测;本方法在区域建议网络中加入特征金字塔结构,获得更强的语义信息,增加了网络对隐患目标的敏感性,提高了回归与分类精度。
实施例二
本实施例提供了一种基于复杂环境下输电网图片的多粒度隐患检测系统,包括:
特征提取模块,其用于基于全局网络提取复杂环境下输电网图片的全局特征,得到全局特征图;基于局部网络提取多粒度分割后复杂环境下输电网图片的局部特征,得到局部特征图;
特征图检测模块,其用于基于区域建议网络分别生成全局特征图和局部特征图的区域建议框,再相应进行感兴趣区域池化操作,编码后得到全局检测结果和局部检测结果;所述检测结果包括隐患物体具体分类及检测框精确位置;
检测结果融合模块,其用于融合全局检测结果和局部检测结果,更新或合并检测框,得到最终的检测框及隐患物体分类。
本实施例的基于复杂环境下输电网图片的多粒度隐患检测系统与实施例一所述的基于复杂环境下输电网图片的多粒度隐患检测方法中的步骤一一对应,其具体实施过程如实施例一所述,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于复杂环境下输电网图片的多粒度隐患检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于复杂环境下输电网图片的多粒度隐患检测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于复杂环境下输电网图片的多粒度隐患检测方法,其特征在于,包括:
基于全局网络提取复杂环境下输电网图片的全局特征,得到全局特征图;基于局部网络提取多粒度分割后复杂环境下输电网图片的局部特征,得到局部特征图;
基于区域建议网络分别生成全局特征图和局部特征图的区域建议框,再相应进行感兴趣区域池化操作,编码后得到全局检测结果和局部检测结果;所述检测结果包括隐患物体具体分类及检测框精确位置;
融合全局检测结果和局部检测结果,更新或合并检测框,得到最终的检测框及隐患物体分类。
2.如权利要求1所述的基于复杂环境下输电网图片的多粒度隐患检测方法,其特征在于,区域建议网络预定义不同大小尺度和多种纵横比的设定数量锚框为候选框,全局特征图和部特征图上的每个点都有设定数量候选框,作为初始检验框。
3.如权利要求1所述的基于复杂环境下输电网图片的多粒度隐患检测方法,其特征在于,区域建议网络用于对初始检验框所对应的检测区域构建分类层和回归层;分类层用于对检测区域进行初步判断得到检测区域为隐患物体和背景区域的概率;回归层用于调整边框的位置,得到检测区域回归的偏移量,以拟合预测物体的位置坐标。
4.如权利要求1所述的基于复杂环境下输电网图片的多粒度隐患检测方法,其特征在于,得到全局检测结果和局部检测结果的过程为:
将区域分割成相同大小尺寸的分块,对每个分块进行最大池化操作,从而将大小不一的候选区域转换为固定尺寸的特征图;
对候选区域特征图通过全连接和softmax计算每个目标具体的类别,输出类别的概率向量;
通过边框回归获得每一个候选区域的位置偏移量,用于回归更加精确的目标检测框。
5.如权利要求1所述的基于复杂环境下输电网图片的多粒度隐患检测方法,其特征在于,在融合全局检测结果和局部检测结果的过程中,将局部检测结果的各个坐标映射回原始复杂环境下输电网图片中;若全局检测结果不存在局部检测结果中的某个隐患框,将该隐患框添加至全局检测结果中。
6.如权利要求1所述的基于复杂环境下输电网图片的多粒度隐患检测方法,其特征在于,在融合全局检测结果和局部检测结果的过程中,若全局检测结果中的检测框和局部检测结果的检测框在某个位置都存在隐患框,计算这两个检测框的交并比,根据预设阙值来确定这两个隐患框为同一隐患框,进而合并隐患框或更新补充隐患框至全局检测结果中。
7.如权利要求1所述的基于复杂环境下输电网图片的多粒度隐患检测方法,其特征在于,在对复杂环境下输电网图片进行全局特征及局部特征之前,还对复杂环境下输电网图片进行预处理,其过程包括利用自动彩色均衡算法调整图片的对比度,对图像进行增强操作;
或
全局网络和局部网络均采用ResNet101特征金字塔网络。
8.一种基于复杂环境下输电网图片的多粒度隐患检测系统,其特征在于,包括:
特征提取模块,其用于基于全局网络提取复杂环境下输电网图片的全局特征,得到全局特征图;基于局部网络提取多粒度分割后复杂环境下输电网图片的局部特征,得到局部特征图;
特征图检测模块,其用于基于区域建议网络分别生成全局特征图和局部特征图的区域建议框,再相应进行感兴趣区域池化操作,编码后得到全局检测结果和局部检测结果;所述检测结果包括隐患物体具体分类及检测框精确位置;
检测结果融合模块,其用于融合全局检测结果和局部检测结果,更新或合并检测框,得到最终的检测框及隐患物体分类。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于复杂环境下输电网图片的多粒度隐患检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于复杂环境下输电网图片的多粒度隐患检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041880.9A CN112233071A (zh) | 2020-09-28 | 2020-09-28 | 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041880.9A CN112233071A (zh) | 2020-09-28 | 2020-09-28 | 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112233071A true CN112233071A (zh) | 2021-01-15 |
Family
ID=74119474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011041880.9A Pending CN112233071A (zh) | 2020-09-28 | 2020-09-28 | 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233071A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824549A (zh) * | 2023-08-29 | 2023-09-29 | 所托(山东)大数据服务有限责任公司 | 基于多检测网络融合的目标检测方法、装置及车辆 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN108681707A (zh) * | 2018-05-15 | 2018-10-19 | 桂林电子科技大学 | 基于全局和局部特征融合的大角度车型识别方法和系统 |
CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
CN109145898A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学深圳研究生院 | 一种基于卷积神经网络和迭代机制的物体检测方法 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN109753949A (zh) * | 2019-01-31 | 2019-05-14 | 南京邮电大学 | 一种基于深度学习的多视窗交通标志检测方法 |
CN109800637A (zh) * | 2018-12-14 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 一种遥感影像小目标检测方法 |
CN109934216A (zh) * | 2017-12-19 | 2019-06-25 | 华为技术有限公司 | 图像处理的方法、装置、计算机可读存储介质 |
CN110046595A (zh) * | 2019-04-23 | 2019-07-23 | 福州大学 | 一种基于级联式多尺度的密集人脸检测方法 |
CN110222787A (zh) * | 2019-06-14 | 2019-09-10 | 合肥工业大学 | 多尺度目标检测方法、装置、计算机设备及存储介质 |
CN110232687A (zh) * | 2019-06-21 | 2019-09-13 | 华北电力大学(保定) | 一种电力巡检图像中带销螺栓缺陷的检测方法 |
CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
CN110348435A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于裁剪区域候选网络的目标检测方法及系统 |
CN110781839A (zh) * | 2019-10-29 | 2020-02-11 | 北京环境特性研究所 | 一种基于滑窗的大尺寸图像中小目标识别方法 |
CN110909615A (zh) * | 2019-10-28 | 2020-03-24 | 西安交通大学 | 基于多尺度输入混合感知神经网络的目标检测方法 |
CN111144415A (zh) * | 2019-12-05 | 2020-05-12 | 大连民族大学 | 一种微小行人目标的检测方法 |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111553265A (zh) * | 2020-04-27 | 2020-08-18 | 河北天元地理信息科技工程有限公司 | 一种排水管道内部缺陷的检测方法及系统 |
-
2020
- 2020-09-28 CN CN202011041880.9A patent/CN112233071A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN109934216A (zh) * | 2017-12-19 | 2019-06-25 | 华为技术有限公司 | 图像处理的方法、装置、计算机可读存储介质 |
CN108681707A (zh) * | 2018-05-15 | 2018-10-19 | 桂林电子科技大学 | 基于全局和局部特征融合的大角度车型识别方法和系统 |
CN109145898A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学深圳研究生院 | 一种基于卷积神经网络和迭代机制的物体检测方法 |
CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN109800637A (zh) * | 2018-12-14 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 一种遥感影像小目标检测方法 |
CN109753949A (zh) * | 2019-01-31 | 2019-05-14 | 南京邮电大学 | 一种基于深度学习的多视窗交通标志检测方法 |
CN110046595A (zh) * | 2019-04-23 | 2019-07-23 | 福州大学 | 一种基于级联式多尺度的密集人脸检测方法 |
CN110222787A (zh) * | 2019-06-14 | 2019-09-10 | 合肥工业大学 | 多尺度目标检测方法、装置、计算机设备及存储介质 |
CN110348435A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于裁剪区域候选网络的目标检测方法及系统 |
CN110232687A (zh) * | 2019-06-21 | 2019-09-13 | 华北电力大学(保定) | 一种电力巡检图像中带销螺栓缺陷的检测方法 |
CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
CN110909615A (zh) * | 2019-10-28 | 2020-03-24 | 西安交通大学 | 基于多尺度输入混合感知神经网络的目标检测方法 |
CN110781839A (zh) * | 2019-10-29 | 2020-02-11 | 北京环境特性研究所 | 一种基于滑窗的大尺寸图像中小目标识别方法 |
CN111144415A (zh) * | 2019-12-05 | 2020-05-12 | 大连民族大学 | 一种微小行人目标的检测方法 |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111553265A (zh) * | 2020-04-27 | 2020-08-18 | 河北天元地理信息科技工程有限公司 | 一种排水管道内部缺陷的检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
卓力 等: "基于深度卷积神经网络特征层融合的小尺度行人检测", 《测控技术》 * |
莫一丞元: "YOLT", 《HTTPS://BLOG.CSDN.NET/WEIXIN_45422462/ARTICLE/DETAILS/108392694》 * |
赵爽等: "基于深度学习的无人机航拍车辆检测", 《计算机应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824549A (zh) * | 2023-08-29 | 2023-09-29 | 所托(山东)大数据服务有限责任公司 | 基于多检测网络融合的目标检测方法、装置及车辆 |
CN116824549B (zh) * | 2023-08-29 | 2023-12-08 | 所托(山东)大数据服务有限责任公司 | 基于多检测网络融合的目标检测方法、装置及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
CN110119728B (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN111461212B (zh) | 一种用于点云目标检测模型的压缩方法 | |
CN108009525A (zh) | 一种基于卷积神经网络的无人机对地特定目标识别方法 | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN112163628A (zh) | 一种适用于嵌入式设备的改进目标实时识别网络结构的方法 | |
CN111723654A (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
CN111507469A (zh) | 对自动标注装置的超参数进行优化的方法和装置 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
CN113111979A (zh) | 模型训练方法、图像检测方法及检测装置 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN113469997A (zh) | 平面玻璃的检测方法、装置、设备和介质 | |
CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
CN114782298A (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
CN115272777A (zh) | 面向输电场景的半监督图像解析方法 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
CN115631411A (zh) | 基于sten网络对不同环境中的绝缘子破损检测方法 | |
CN112233071A (zh) | 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN116630828A (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 |
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 |