CN112330675B - 基于AOD-Net的交通道路图像大气能见度检测方法 - Google Patents
基于AOD-Net的交通道路图像大气能见度检测方法 Download PDFInfo
- Publication number
- CN112330675B CN112330675B CN202011472880.4A CN202011472880A CN112330675B CN 112330675 B CN112330675 B CN 112330675B CN 202011472880 A CN202011472880 A CN 202011472880A CN 112330675 B CN112330675 B CN 112330675B
- Authority
- CN
- China
- Prior art keywords
- image
- aod
- net
- visibility
- similarity
- 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 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G06T5/73—
-
- 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
- G06T2207/10—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
- G06T2207/20—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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
基于AOD‑Net的交通道路图像大气能见度检测方法，它涉及交通道路图像大气能见度检测方法技术领域；它包含图像训练部分和能见度检测部分，搭建AOD‑Net图像处理模型；选定待处理的交通道路图像，调用AOD‑Net对图像进行去雾处理，并保存；对原图像和去雾图像分别分割为一个3x3的网格序列图像；计算原图像和去雾图像各网格的图像相似度，并进行能见度判别；最后，在系统界面进行显示。本发明采用基于深度学习理论的AOD‑Net模型，反向检测大气能见度，为交通道路图像大气能见度检测提供了新的方法和思路，根据已布设的道路监控，即可检测其对应的能见度，具有检测成本低、速度快、准确率高的优势。
Description
技术领域
本发明涉及交通道路图像大气能见度检测方法技术领域，具体涉及基于AOD-Net的交通道路图像大气能见度检测方法。
背景技术
驾驶员在驾驶时，会受大气能见度影响，能见度偏低则容易引发交通事故，一种有效的大气能见度检测方法对交通管理具有十分重要的作用。
传统能见度检测多采用目测法或器测法。目测法易受主观判断影响，精确度较低；器测法的精度能满足检测要求，但费用高，不适用于密集型布设。目前交通部门在道路通行管理中广泛采用视频图像监管，交通视频网络已经成为路网建设的一部分。通过交通部门的固定或车载摄像机采集到的道路图像进行能见度检测，不需要额外安装布设能见度采集设备或辅助设备，为以交通道路图像检测的大气能见度研究提供了条件。
现有技术中提出的一些能见度检测方法大多直接检测雾霾，且检测效率低、误判率高、计算复杂度大；随着深度学习方法的快速发展，去雾、去噪、去模糊算法为交通道路图像大气能见度检测提供了新的方法和思路。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种检测成本低、速度快、准确率高的基于AOD-Net的交通道路图像大气能见度检测方法。
为实现上述目的，本发明采用的技术方案是：基于AOD-Net的交通道路图像大气能见度检测方法，它包含图像训练部分S1和能见度检测部分S2：
图像训练部分S1的步骤如下：
步骤S11：训练集建立，在NYU2数据集中选取27256张图像作为训练集、选取非重复的3,170张图像作为的测试集A，并在Middlebury数据集中选取的800张full-size合成图像作为测试集B；
步骤S12：搭建AOD-Net，将构建的训练集输入AOD-Net模型进行训练；
能见度检测部分S2的步骤如下：
步骤S21：选定待处理的交通道路图像；
步骤S22：调用已训练完毕的AOD-Net对图像进行处理，以获得去雾图像；
步骤S23：对原图像和去雾图像分别分割为一个3x3的网格序列图像；
步骤S24：计算原图像和去雾图像各网格的图像相似度；
步骤S25：根据标准偏差计算各网络相似度，从而判别当前能见度级别。
上述步骤S12和步骤S22中的AOD-Net模型，由K估计模块和清晰图像生成模块组成，其中，K估算模块由五层卷积层、三层连接层组成。
上述步骤S12中的AOD-Net模型训练，在pytorch上搭建AOD-Net模型，使用高斯随机变量作为初始化权重，分别设置batch为8、learning rate为0.001、momentum为0.9、decay rate为0.0001、激活函数为ReLU进行训练AOD-Net模型，其中损失函数为均方误差损失函数。
上述步骤S24中的图像相似度采用直立图法计算，其中用巴氏系数得出相似度，计算公式如下：
其中，P为原图像的直方图数据，P’为去雾图像的直方图数据，其值即为图像相似度值。
上述步骤S25中计算各网络相似度，采用标准偏差对9对图像的相似度进行计算，并以此判断能见度级别。
上述步骤S25中判别当前能见度级别，由于采集图像时具有一定的摄像角度，因此图像各网格成像时，受大气杂质影响不同，所以受大气杂质影响越大，能见度越低，去雾后各网格间相似度的变化更大，通过计算各网格间相似度的变化程度，从而判别能见度级别。
本发明产生的有益效果为：本发明所述的基于AOD-Net的交通道路图像大气能见度检测方法，基于深度学习理论的AOD-Net模型，反向检测大气能见度，为交通道路图像大气能见度检测提供了新的方法和思路，根据已布设的道路监控，即可检测其对应的能见度，具有检测成本低、速度快、准确率高的优势。
附图说明
图1是本发明检测方法的流程示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
实施例
参看如图1所示，基于AOD-Net的交通道路图像大气能见度检测方法，它包含图像训练部分S1和能见度检测部分S2，图像训练部分S1为：训练集建立，搭建AOD-Net，将构建的训练集输入AOD-Net模型进行训练。
能见度检测部分S2为：待处理的交通道路图像，调用已训练完毕的AOD-Net对图像进行处理，以获得去雾图像，对原图像和去雾图像分别分割为一个3x3的网格序列图像，计算原图像和去雾图像各网格的图像相似度，根据标准偏差计算各网络相似度，从而判别当前能见度级别。
图像训练部分S1的具体步骤如下：
步骤S11：建立训练集，在NYU2数据集中选取27256张图像作为训练集、选取非重复的3170张图像作为的测试集A，并在Middlebury数据集中选取的800张full-size合成图像作为测试集B；
步骤S12：搭建AOD-Net，将构建的训练集输入AOD-Net模型进行训练；
上述的基于AOD-Net的交通道路图像大气能见度检测方法，步骤S12中的AOD-Net模型训练，在pytorch上搭建AOD-Net模型，使用高斯随机变量作为初始化权重，分别设置batch为8、learning rate为0.001、momentum为0.9、decay rate为0.0001、激活函数为ReLU进行训练AOD-Net模型，其中损失函数为均方误差损失函数；
能见度检测部分S2的具体步骤如下：
步骤S21：选定待处理的交通道路图像；
步骤S22：调用已训练完毕的AOD-Net对图像进行处理，以获得去雾图像；
步骤S23：对原图像和去雾图像分别分割为一个3x3的网格序列图像；
步骤S24：计算原图像和去雾图像各网格的图像相似度：采用直立图法计算，其中用巴氏系数得出相似度，计算公式如下：
其中，P为原图像的直方图数据，P’为去雾图像的直方图数据，其值即为图像相似度值；
步骤S25：根据标准偏差计算各网络相似度，从而判别当前能见度级别。
采用标准偏差对9对图像的相似度进行计算。由于采集图像时具有一定的摄像角度，因此图像各网格成像时，受大气杂质影响不同，所以受大气杂质影响越大，能见度越低，去雾后各网格间相似度的变化更大，通过计算各网格间相似度的变化程度，从而判别能见度级别。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.基于AOD-Net的交通道路图像大气能见度检测方法，其特征在于它包含图像训练部分S1和能见度检测部分S2：
图像训练部分S1的步骤如下：
步骤S11：训练集建立，在NYU2数据集中选取27256张图像作为训练集、选取非重复的3,170张图像作为的测试集A，并在Middlebury数据集中选取的800张full-size合成图像作为测试集B；
步骤S12：搭建AOD-Net，将构建的训练集输入AOD-Net模型进行训练；
能见度检测部分S2的步骤如下：
步骤S21：选定待处理的交通道路图像；
步骤S22：调用已训练完毕的AOD-Net对图像进行处理，以获得去雾图像；
步骤S23：对原图像和去雾图像分别分割为一个3x3的网格序列图像；
步骤S24：计算原图像和去雾图像各网格的图像相似度；
步骤S25：根据标准偏差计算各网络相似度，从而判别当前能见度级别。
2.根据权利要求1所述的基于AOD-Net的交通道路图像大气能见度检测方法，其特征在于：步骤S12和步骤S22中的AOD-Net模型，由K估计模块和清晰图像生成模块组成，其中，K估算模块由五层卷积层、三层连接层组成。
3.根据权利要求1所述的基于AOD-Net的交通道路图像大气能见度检测方法，其特征在于：步骤S12中的AOD-Net模型训练，在pytorch上搭建AOD-Net模型，使用高斯随机变量作为初始化权重，分别设置batch为8、learning rate为0.001、momentum为0.9、decay rate为0.0001、激活函数为ReLU进行训练AOD-Net模型，其中损失函数为均方误差损失函数。
4.根据权利要求1所述的基于AOD-Net的交通道路图像大气能见度检测方法，其特征在于：步骤S24中的图像相似度采用直立图法计算，其中用巴氏系数得出相似度，计算公式如下：
其中，P为原图像的直方图数据，P’为去雾图像的直方图数据，其值即为图像相似度值。
5.根据权利要求1所述的基于AOD-Net的交通道路图像大气能见度检测方法，其特征在于：步骤S25中计算各网络相似度，采用标准偏差对9对图像的相似度进行计算，并以此判断能见度级别。
6.根据权利要求1所述的基于AOD-Net的交通道路图像大气能见度检测方法，其特征在于：步骤S25中判别当前能见度级别，由于采集图像时具有一定的摄像角度，因此图像各网格成像时，受大气杂质影响不同，所以受大气杂质影响越大，能见度越低，去雾后各网格间相似度的变化更大，通过计算各网格间相似度的变化程度，从而判别能见度级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011472880.4A CN112330675B (zh) | 2020-12-15 | 2020-12-15 | 基于AOD-Net的交通道路图像大气能见度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011472880.4A CN112330675B (zh) | 2020-12-15 | 2020-12-15 | 基于AOD-Net的交通道路图像大气能见度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330675A CN112330675A (zh) | 2021-02-05 |
| CN112330675B true CN112330675B (zh) | 2022-08-23 |
Family
ID=74302309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011472880.4A Active CN112330675B (zh) | 2020-12-15 | 2020-12-15 | 基于AOD-Net的交通道路图像大气能见度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330675B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116129379B (zh) * | 2022-12-28 | 2023-11-07 | 国网安徽省电力有限公司芜湖供电公司 | 一种雾天环境下的车道线检测方法 |
| CN116664448B (zh) * | 2023-07-24 | 2023-10-03 | 南京邮电大学 | 一种基于图像去雾的中高能见度计算方法及计算系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948471A (zh) * | 2019-03-04 | 2019-06-28 | 南京邮电大学 | 基于改进InceptionV4网络的交通雾霾能见度检测方法 |
| CN110307837A (zh) * | 2019-07-22 | 2019-10-08 | 张琦 | 一种基于图像识别的无人机导航系统及方法 |
| CN110889398A (zh) * | 2019-12-19 | 2020-03-17 | 南通大学 | 一种基于相似度网络的多模态图像能见度检测方法 |
| CN110910378A (zh) * | 2019-11-29 | 2020-03-24 | 南通大学 | 一种基于深度融合网络的双模态图像能见度检测方法 |
| CN111191629A (zh) * | 2020-01-07 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种基于多目标的图像能见度检测方法 |
| CN111652812A (zh) * | 2020-04-30 | 2020-09-11 | 南京理工大学 | 基于选择性注意力机制的图像去雾和去雨算法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8326046B2 (en) * | 2009-02-11 | 2012-12-04 | Ecole De Technologie Superieure | Method and system for determining structural similarity between images |
| GB2553782B (en) * | 2016-09-12 | 2021-10-20 | Niantic Inc | Predicting depth from image data using a statistical model |
| CN107506729B (zh) * | 2017-08-24 | 2020-04-03 | 中国科学技术大学 | 一种基于深度学习的能见度检测方法 |
| CN107767353A (zh) * | 2017-12-04 | 2018-03-06 | 河南工业大学 | 一种基于清晰度评价的自适应图像去雾方法 |
| CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-15 CN CN202011472880.4A patent/CN112330675B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948471A (zh) * | 2019-03-04 | 2019-06-28 | 南京邮电大学 | 基于改进InceptionV4网络的交通雾霾能见度检测方法 |
| CN110307837A (zh) * | 2019-07-22 | 2019-10-08 | 张琦 | 一种基于图像识别的无人机导航系统及方法 |
| CN110910378A (zh) * | 2019-11-29 | 2020-03-24 | 南通大学 | 一种基于深度融合网络的双模态图像能见度检测方法 |
| CN110889398A (zh) * | 2019-12-19 | 2020-03-17 | 南通大学 | 一种基于相似度网络的多模态图像能见度检测方法 |
| CN111191629A (zh) * | 2020-01-07 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种基于多目标的图像能见度检测方法 |
| CN111652812A (zh) * | 2020-04-30 | 2020-09-11 | 南京理工大学 | 基于选择性注意力机制的图像去雾和去雨算法 |
Non-Patent Citations (3)
| Title |
|---|
| A Research on the Detection of Fog Visibility;Xiaogang Zhang等;《ICAIS 2020: Artificial Intelligence and Security》;20200913;第430–440页 * |
| 基于图像自动识别的大气能见度测量方法研究;荆霄;《中国优秀硕士学位论文全文数据库信息科技辑》;20190815(第(2019)08期);第I138-645页 * |
| 自动匹配技术在大气能见度观测中的应用;雷鸣等;《光电子》;20200315;第10卷(第01期);第1-7页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330675A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104517111B (zh) | 车道线检测方法、系统、车道偏离预警方法及系统 | |
| CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
| CN105426905B (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
| CN112330675B (zh) | 基于AOD-Net的交通道路图像大气能见度检测方法 | |
| CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
| CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
| CN105158257B (zh) | 滑板测量方法及装置 | |
| CN105654067A (zh) | 一种车辆检测方法及装置 | |
| CN105426863B (zh) | 检测车道线的方法和装置 | |
| CN110889328A (zh) | 检测道路交通状况的方法、装置、电子设备和存储介质 | |
| CN112818871B (zh) | 一种基于半分组卷积的全融合神经网络的目标检测方法 | |
| CN112084928A (zh) | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 | |
| CN110969142A (zh) | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 | |
| CN114612937A (zh) | 基于单模态增强的红外与可见光融合行人检测方法 | |
| CN106709905A (zh) | 一种基于双目视觉图像的防振锤故障在线检测识别方法 | |
| CN106991418A (zh) | 飞虫检测方法、装置及终端 | |
| CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
| CN107818563A (zh) | 一种输电线路分裂导线间距空间测量与定位方法 | |
| CN115993096A (zh) | 一种高层建筑变形测量方法 | |
| CN110221312A (zh) | 一种基于激光雷达快速检测地面点云的方法 | |
| CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
| CN110992415B (zh) | 一种基于大数据的水面漂浮物污染评价系统及其方法 | |
| CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
| CN102621154A (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 | |
| CN111783672A (zh) | 一种提高桥梁动位移精度的图像特征辨识方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |