CN112464914A - 一种基于卷积神经网络的护栏分割方法 - Google Patents
一种基于卷积神经网络的护栏分割方法 Download PDFInfo
- Publication number
- CN112464914A CN112464914A CN202011600380.4A CN202011600380A CN112464914A CN 112464914 A CN112464914 A CN 112464914A CN 202011600380 A CN202011600380 A CN 202011600380A CN 112464914 A CN112464914 A CN 112464914A
- Authority
- CN
- China
- Prior art keywords
- guardrail
- filters
- picture
- loss function
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 22
- 238000010276 construction Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明公开了一种基于卷积神经网络的护栏分割方法，包括：获取包含护栏的图片，并标记出栏区域；构建基于加权损失函数的deeplabV3+的分割网络构架；将标记好的护栏图片输入基于加权损失函数的deeplabV3+的分割网络构架中训练基于加权损失函数的deeplabV3+的分割网络模型，直至基于加权损失函数的deeplabV3+的分割网络模型输出的符合预设的分辨率阈值且只包含护栏的二值图像；在待检测的图片手工标注后将标注好的图片输入训练好的基于加权损失函数的deeplabV3+的网络模型输出分割后的待检测的图片二值图像。将生成的二值图像通过二次线性插值法将绘制的护栏区域通过标注出的9个点拟合成长方形。对比生成的长方形，判断是否有空缺以及是否有弯曲，从而实现判断该护栏是否缺失或者弯曲。
Description
技术领域
本发明涉及护栏检测技术领域，具体涉及一种基于卷积神经网络的护栏分割方法。
背景技术
护栏是车辆在城市道路上行驶常见的交通设施，检测路边护栏对高度自动化驾驶具有极为重要的意义。在路边护栏的存在为车辆侧向移动提供了自由空间的物理限制。因此，护栏检测非常重要。
目前护栏检测主要有基于报警器检测，GPS定位检测、通过图像进行直线检测三种方式。其中基于报警器检测护栏通常是采用一定的具有报警功能的检测装置用来检测护栏的情况，如果护栏存在损坏或者不在一个直线上通过警示灯、扬声器等报警的装置实现警示的作用。基于GPS定位检测通常包括移动平台、位移传感器, GPS模块,全网通模块和报警装置,该装置在使用时靠近需要检测的立柱,固定,通过检测装置中的三维移动平台移动施力装置到靠近立柱的特定高度和距离,然后启动施力装置给立柱施力,待立柱平衡后,位移传感器测量立柱的位移,通过对比测量结果与位移标准值,确认该护栏是否缺损。基于图像进行直线检测，通常采用图像的直线检测方法对采集的图片进行检测，具体的过程为通过对输入的图像进行灰度值处理和二值处理后进行直线拟合。获得众多直线区域，通过对直线区域扩张形成长方形区域，并对长方形区域进行分类判断。筛出不是护栏的正方形，选出护栏后，对护栏进行切割，对每一部分进行分类判断。从而判断是否出现缺失。
上述的基于报警器检测护栏、GPS定位检测两种方法需要对护栏进行改造，施工较为复杂，而且如果长时间雨雪天气，GPS和报警器等传感器容易失灵，不利于检测。基于直线检测的方式，受图像中干扰较大，比如雨雪天气，会造成检测不到护栏导致误报，鲁棒性较差。基于图像的直线检测方法受图像中干扰较大，比如雨雪天气，会造成检测不到护栏导致误报，鲁棒性较差。
发明内容
1.所要解决的技术问题：
针对上述技术问题，本发明提供一种基于卷积神经网络的护栏分割方法，其鲁棒性强，并且在现场不需要电子探头以外的其他物件，这就避免了因为电子器件损坏导致的检测不到护栏缺损的现象。相较于直线检测的方式，本专利提出的方法鲁棒性较强，较为恶劣的环境也能成功检测出护栏 并且对缺失部分和弯曲部分进行报警。
2.技术方案：
一种基于卷积神经网络的护栏分割方法，其特征在于：包括以下步骤：
步骤一：首先通过爬虫工具在网络中爬取包含护栏的图片，并手动标记出图片中的护栏区域。
步骤二：对步骤一中生成的图片进行图像增强形成护栏数据集。
步骤三：构建基于加权损失函数的deeplabV3+的分割网络构架 。
步骤四：将上述标记好的护栏图片及其标记真值数据输入基于加权损失函数的deeplabV3+的分割网络构架中训练基于加权损失函数的deeplabV3+的分割网络模型，直至基于加权损失函数的deeplabV3+的分割网络模型输出的符合预设的分辨率阈值且只包含护栏的二值图像。
步骤五：在待检测的图片中护栏区域进行手工标注出9个点后将标注好的图片输入训练好的基于加权损失函数的deeplabV3+的网络模型输出分割后的待检测的图片二值图像。
步骤六：将上个步骤中生成的二值图像通过二次线性插值法将绘制的护栏区域通过标注出的9个点拟合成长方形。
步骤七：对比步骤六中生成的长方形，判断长方形的边是否有空缺以及是否有弯曲，从而实现判断该护栏是否缺失或者弯曲。
进一步地，步骤三中的基于加权损失函数的deeplabV3+的分割网络构架包括主干网络、编码器、解码器、损失函数。
进一步地，所述主干网络包括5个卷模块，第一个卷积模块由32个步长为2的3x3的滤波器组成，第二个卷积模块由4个1*1的滤波器加上32个步长为2的3*3滤波器加上64个步长为1的滤波器组成；第二个卷积模块由128个1*1的滤波器加上64个步长为2的3*3滤波器加上128个步长为1的1*·1滤波器组成；第四个卷积模块首先进行上采样再通过128个1*1的滤波器加上64个3*3的滤波器组成；第五个卷积层首先进行反卷积，再通过64个1*1的滤波器加上32个3*3的滤波器组成。
进一步地，所述编码器为对主干网络中最后一层的特征分别通过32个1*1滤波器，32个3*3滤波器，32个3*3的空洞卷积最大值池化，均值池化，对处理后的五种特征图进行拼接操作；然后对通过一个大小为128的1*1滤波器。
进一步地，所述解码器首先对主干网络输出的特征通过32个1*1滤波器，再将编码器中输出特征进行2倍上采样后与其相连接，最后通过32个3*3滤波器，上采样和1个3*3滤波器生成输出图像，最后输出大小为H*W*1的输出图像。
进一步地，其中损失函数采用基于加权的损失函数进行训练，所述损失函数公式如下式：
上式中，L为损失的大小 ， n为输入的数据数量，w1,w2是基于重要性加权值，通常w1值设置为100，w2设置为1，yi 是输出层中当前像素分类为护栏的概率。
进一步地，所述待检测的图片为通过网络摄像头获取的图片或者采用移动设备采集的图片。
3.有益效果：
（1）本发明中提出的一种基于卷积神经网络的护栏分割方法，其通过一台摄像机对公路进行抓拍，将抓拍到的图像送入构建好的基于加权损失函数的deeplabV3+的分割网络模型中，通过输出结果判断出护栏是否缺失或者弯曲。
（2）本发明通过基于加权损失函数的分割网络构架，从而实现对护栏与非护栏区域进行分割。
（3）本发明通过将摄像机拍摄到的图像生成二值化区域，并通过选择好绘制区域生成长方形，将长方形区域进行阈值比对判断护栏是否出现缺失，弯曲。
综上所述，本发明提供的护栏检测方法只需获取到现场采集到的图像，采用非接触式检测技术，无需破路阻断交通进行施工，设备稳定不易损坏、施工建设成本低，维护方便。设备采集高清图像，并将图像进行护栏检测。
附图说明
图1为本发明中步骤五输出的只包含护栏的待检测的图片二值图像；
图2为本发明的总体流程图；
图3为本发明中建立基于加权损失函数的deeplabV3+的网络模型的流程图；
图4为本发明中基于加权损失函数的deeplabV3+的分割网络构架的编码器以及解码器的示意图；
图5为具体实施例中护栏缺失时的二值图像；
图6位具体实施例中护栏弯曲时的二值图像。
具体实施方式
下面结合附图对本发明进行具体的说明。
种基于卷积神经网络的护栏分割方法，其特征在于：包括以下步骤：
步骤一：首先通过爬虫工具在网络中爬取包含护栏的图片，并手动标记出图片中的护栏区域。
步骤二：对步骤一中生成的图片进行图像增强形成护栏数据集。
步骤三：构建基于加权损失函数的deeplabV3+的分割网络构架 。
步骤四：将上述标记好的护栏图片及其标记真值数据输入基于加权损失函数的deeplabV3+的分割网络构架中训练基于加权损失函数的deeplabV3+的分割网络模型，直至基于加权损失函数的deeplabV3+的分割网络模型输出的符合预设的分辨率阈值且只包含护栏的二值图像。
步骤五：在待检测的图片中护栏区域进行手工标注出9个点后将标注好的图片输入训练好的基于加权损失函数的deeplabV3+的网络模型输出分割后的待检测的图片二值图像。
步骤六：将上个步骤中生成的二值图像通过二次线性插值法将绘制的护栏区域通过标注出的9个点拟合成长方形。
步骤七：对比步骤六中生成的长方形，判断长方形的边是否有空缺以及是否有弯曲，从而实现判断该护栏是否缺失或者弯曲。
进一步地，步骤三中的基于加权损失函数的deeplabV3+的分割网络构架包括主干网络、编码器、解码器、损失函数。
进一步地，所述主干网络包括5个卷模块，第一个卷积模块由32个步长为2的3x3的滤波器组成，第二个卷积模块由4个1*1的滤波器加上32个步长为2的3*3滤波器加上64个步长为1的滤波器组成；第二个卷积模块由128个1*1的滤波器加上64个步长为2的3*3滤波器加上128个步长为1的1*·1滤波器组成；第四个卷积模块首先进行上采样再通过128个1*1的滤波器加上64个3*3的滤波器组成；第五个卷积层首先进行反卷积，再通过64个1*1的滤波器加上32个3*3的滤波器组成；
进一步地，所述编码器为对主干网络中最后一层的特征分别通过32个1*1滤波器，32个3*3滤波器，32个3*3的空洞卷积最大值池化，均值池化，对处理后的五种特征图进行拼接操作；然后对通过一个大小为128的1*1滤波器；
进一步地，所述解码器首先对主干网络输出的特征通过32个1*1滤波器，再将编码器中输出特征进行2倍上采样后与其相连接，最后通过32个3*3滤波器，上采样和1个3*3滤波器生成输出图像，最后输出大小为H*W*1的输出图像。
进一步地，其中损失函数采用基于加权的损失函数进行训练，所述损失函数公式如下式：
上式中，L为损失的大小 ， n为输入的数据数量，w1,w2是基于重要性加权值，通常w1值设置为100，w2设置为1，yi 是输出层中当前像素分类为护栏的概率。
进一步地，所述待检测的图片为通过网络摄像头获取的图片或者采用移动设备采集的图片。
具体实施例：
如附图1所示为经过本发明中的只包含护栏的待检测的图片二值图像，图中白色部分为护栏区域。
附图2为本发明的总体流程图，如图所示，先训练出基于加权损失函数的deeplabV3+的网络模型，然后对待检测的图片进行护栏二值图像转换，最后通过检测转化后的图片的护栏区域是否有缺失，弯曲进行检测。
如附图3所示，为本发明中建立基于加权损失函数的deeplabV3+的网络模型的流程图，经过建立护栏数据库、人工标记出图片中的护栏区域、对图片进行加强后输入加权损失函数的deeplabV3+的网络架构中进行训练，训练出符合要求的二值图像。
如附图4所示，为本发明中基于加权损失函数的deeplabV3+的分割网络构架的主干网络以及编码器的示意图；本网络架构包括主干网络，编码器，解码器。主干网络采用基于深度可分离的Xception网络构架，Xception先通过一个步长是2的3x3的卷积网络和一个3x3x64的卷积网络实现降采样，后续网络经过3个相同的深度可分离卷积层。深度可分离网络层如图4所示。如附图5所示，编码器：编码器将特征提取层信息分别通过1*1卷积层，3*3卷积层，3*3的空洞卷积，最大值池化，均值池化，并将通过这些层得到的信息进行拼接后通过1*1卷积层进行降维操作。解码器采用1x1卷积层对特征提出层得到的信息进行降维操作，并将此层与编码器输出的四倍降采样进行拼接，最后输出。
如附图5为具体实施过程中判断为护栏缺失时的二值图像，如附图6为具体实施过程中判断为护栏弯曲时的二值图像。
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (7)
1.一种基于卷积神经网络的护栏分割方法，其特征在于：包括以下步骤：
步骤一：首先通过爬虫工具在网络中爬取包含护栏的图片，并手动标记出图片中的护栏区域；
步骤二：对步骤一中生成的图片进行图像增强形成护栏数据集
步骤三：构建基于加权损失函数的deeplabV3+的分割网络构架 ；
步骤四：将上述标记好的护栏图片及其标记的真值数据输入基于加权损失函数的deeplabV3+的分割网络构架中训练基于加权损失函数的deeplabV3+的分割网络模型，直至基于加权损失函数的deeplabV3+的分割网络模型输出的符合预设的分辨率阈值且只包含护栏的二值图像；
步骤五：在待检测的图片中护栏区域进行手工标注出9个点后将标注好的图片输入训练好的基于加权损失函数的deeplabV3+的网络模型输出分割后的待检测的图片二值图像；
步骤六：将上个步骤中生成的二值图像通过二次线性插值法将绘制的护栏区域通过标注出的9个点拟合成长方形；
步骤七：对比步骤六中生成的长方形，判断长方形的边是否有空缺以及是否有弯曲，从而实现判断该护栏是否缺失或者弯曲。
2.根据权利要求1所述的一种基于卷积神经网络的护栏分割方法，其特征在于：步骤三中的基于加权损失函数的deeplabV3+的分割网络构架包括主干网络、编码器、解码器、损失函数。
3.根据权利要求2所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述主干网络包括5个卷模块，第一个卷积模块由32个步长为2的3x3的滤波器组成，第二个卷积模块由4个1*1的滤波器加上32个步长为2的3*3滤波器加上64个步长为1的滤波器组成；第二个卷积模块由128个1*1的滤波器加上64个步长为2的3*3滤波器加上128个步长为1的1*·1滤波器组成；第四个卷积模块首先进行上采样再通过128个1*1的滤波器加上64个3*3的滤波器组成；第五个卷积层首先进行反卷积，再通过64个1*1的滤波器加上32个3*3的滤波器组成。
4.根据权利要求2所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述编码器为对主干网络中最后一层的特征分别通过32个1*1滤波器，32个3*3滤波器，32个3*3的空洞卷积最大值池化，均值池化，对处理后的五种特征图进行拼接操作；然后对通过一个大小为128的1*1滤波器。
5.根据权利要求2所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述解码器首先对主干网络输出的特征通过32个1*1滤波器，再将编码器中输出特征进行2倍上采样后与其相连接，最后通过32个3*3滤波器，上采样和1个3*3滤波器生成输出图像，最后输出大小为H*W*1的输出图像。
6.根据权利要求1所述的一种基于卷积神经网络的护栏分割方法，其特征在于：其中损失函数采用基于加权的损失函数进行训练，所述损失函数公式如下式：
上式中，L为损失的大小 ， n为输入的数据数量，w1,w2是基于重要性加权值，通常w1值设置为100，w2设置为1，yi 是输出层中当前像素分类为护栏的概率。
7.根据权利要求1所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述待检测的图片为通过网络摄像头获取的图片或者采用移动设备采集的图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011600380.4A CN112464914A (zh) | 2020-12-30 | 2020-12-30 | 一种基于卷积神经网络的护栏分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011600380.4A CN112464914A (zh) | 2020-12-30 | 2020-12-30 | 一种基于卷积神经网络的护栏分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112464914A true CN112464914A (zh) | 2021-03-09 |
Family
ID=74802102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011600380.4A Pending CN112464914A (zh) | 2020-12-30 | 2020-12-30 | 一种基于卷积神经网络的护栏分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464914A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129294A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 多尺度连接深度学习一步相位展开方法 |
| CN113239960A (zh) * | 2021-04-09 | 2021-08-10 | 中用科技有限公司 | 融合ai视觉算法的道路防护智能预警方法和系统 |
| CN113569730A (zh) * | 2021-07-27 | 2021-10-29 | 广联达科技股份有限公司 | 防护状态检测方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
| CN108960183A (zh) * | 2018-07-19 | 2018-12-07 | 北京航空航天大学 | 一种基于多传感器融合的弯道目标识别系统及方法 |
| CN109740424A (zh) * | 2018-11-23 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 交通违规识别方法及相关产品 |
| CN110596664A (zh) * | 2019-10-28 | 2019-12-20 | 北京润科通用技术有限公司 | 一种车载雷达偏角估计方法及装置 |
| CN111091164A (zh) * | 2020-03-25 | 2020-05-01 | 魔视智能科技(上海)有限公司 | 基于ohem的语义分割模型训练方法及其系统 |
| CN111611955A (zh) * | 2020-05-28 | 2020-09-01 | 百度在线网络技术（北京）有限公司 | 可通行施工道路的识别方法、装置、设备及存储介质 |
| CN111832665A (zh) * | 2020-09-10 | 2020-10-27 | 福瑞泰克智能系统有限公司 | 栅栏检测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-30 CN CN202011600380.4A patent/CN112464914A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
| CN108960183A (zh) * | 2018-07-19 | 2018-12-07 | 北京航空航天大学 | 一种基于多传感器融合的弯道目标识别系统及方法 |
| CN109740424A (zh) * | 2018-11-23 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 交通违规识别方法及相关产品 |
| CN110596664A (zh) * | 2019-10-28 | 2019-12-20 | 北京润科通用技术有限公司 | 一种车载雷达偏角估计方法及装置 |
| CN111091164A (zh) * | 2020-03-25 | 2020-05-01 | 魔视智能科技(上海)有限公司 | 基于ohem的语义分割模型训练方法及其系统 |
| CN111611955A (zh) * | 2020-05-28 | 2020-09-01 | 百度在线网络技术（北京）有限公司 | 可通行施工道路的识别方法、装置、设备及存储介质 |
| CN111832665A (zh) * | 2020-09-10 | 2020-10-27 | 福瑞泰克智能系统有限公司 | 栅栏检测方法、装置、计算机设备和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239960A (zh) * | 2021-04-09 | 2021-08-10 | 中用科技有限公司 | 融合ai视觉算法的道路防护智能预警方法和系统 |
| CN113129294A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 多尺度连接深度学习一步相位展开方法 |
| CN113569730A (zh) * | 2021-07-27 | 2021-10-29 | 广联达科技股份有限公司 | 防护状态检测方法、装置及电子设备 |
| CN113569730B (zh) * | 2021-07-27 | 2024-02-27 | 广联达科技股份有限公司 | 防护状态检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464914A (zh) | 一种基于卷积神经网络的护栏分割方法 | |
| Rahman et al. | A real time vehicle's license plate recognition system | |
| Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
| Shaghouri et al. | Real-time pothole detection using deep learning | |
| Tae-Hyun et al. | Detection of traffic lights for vision-based car navigation system | |
| CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
| CN112990065B (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
| CN112666553B (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
| CN112883948B (zh) | 一种语义分割与边缘检测模型建立及护栏异常监测方法 | |
| CN113052159A (zh) | 一种图像识别方法、装置、设备及计算机存储介质 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| Kotha et al. | Potsense: Pothole detection on indian roads using smartphone sensors | |
| CN115376082A (zh) | 一种融合传统特征提取与深度神经网络的车道线检测方法 | |
| CN114821519A (zh) | 一种基于坐标注意力的交通标志识别方法及系统 | |
| Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
| CN112669615B (zh) | 一种基于摄像头的停车位检测方法和系统 | |
| CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
| CN114218999A (zh) | 一种基于融合图像特征的毫米波雷达目标检测方法及系统 | |
| CN112084892B (zh) | 一种道路异常事件检测管理装置及其方法 | |
| CN113158954A (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
| CN115601717B (zh) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 | |
| Bharat et al. | A real-time automatic pothole detection system using convolution neural networks | |
| CN116259042A (zh) | 基于图注意力的环视图像停车位检测方法及装置 | |
| CN112950954B (zh) | 一种基于高位摄像头的智能停车车牌识别方法 | |
| CN114882205A (zh) | 基于注意力机制的目标检测方法 |
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 |