CN112733676A - 一种基于深度学习的电梯内垃圾检测识别方法 - Google Patents
一种基于深度学习的电梯内垃圾检测识别方法 Download PDFInfo
- Publication number
- CN112733676A CN112733676A CN202011633494.9A CN202011633494A CN112733676A CN 112733676 A CN112733676 A CN 112733676A CN 202011633494 A CN202011633494 A CN 202011633494A CN 112733676 A CN112733676 A CN 112733676A
- Authority
- CN
- China
- Prior art keywords
- elevator
- deep learning
- garbage
- image
- detecting
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明涉及一种基于深度学习的电梯内垃圾检测识别方法，包括模型训练步骤和检测识别步骤，模型训练步骤利用带有垃圾的图片输入深度学习网络模型进行训练，并获得训练后的模型，然后利用该模型对垃圾检测识别，所述检测识别步骤包括：获取监控视频流数据，并选取电梯内部干净时的图像作为背景图像，提取出待检测的视频帧图像，然后对提取图像与背景图像进行帧间差处理，并进行二值化处理，开操作，得到连通区域，然后对得到的连通区域进行框选，并计算矩形框的坐标，以在原视频帧图像上进行显示，之后将框选区域的原始图像输入训练后的深度学习网络模型进行识别，并输出识别结果，最后将识别结果显示在原视频帧图像上，并发出提示信息。
Description
技术领域
本发明涉及电梯内视频监控技术，尤其是一种基于深度学习的电梯内垃圾检测识别方法。
背景技术
伴随着国家经济的快速发展以及城镇化进程的不断加快，我国电梯配有量也在快速提升。来自中国电梯工业协会的数据显示我国电梯保有量从2009年的137.0万台上升至2019年的709.75万台左右，年复合增长率为16.13％。按照电梯的用途，可将电梯划分为：乘客电梯、载货电梯、医用电梯、观光电梯、车辆电梯等。与我们日常生活息息相关的电梯主要有轿厢乘客电梯和货运电梯两种类型，这两种电梯的共同特点包括：空间大小固定、流量大、使用频率高以及空气流通不畅等。随着电梯的使用率越来越高，也带来了电梯卫生等一系列的问题。乱丢垃圾造成了电梯内部空气异味，夏天易滋生蚊虫，影响人们身体健康。现有的比较常见的解决方案，就是安排清洁人员定期对电梯卫生进行清扫，这样浪费了大量的人力、物力以及财力。现在随着人力成本的逐渐递增，这种依靠人力的垃圾检测清扫方案，投资和使用成本也越来越大。
鉴于此提出本发明。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习的电梯内垃圾检测识别方法，可以实现对电梯内的遗留的垃圾进行监控识别，并提醒工作人员及时处理，避免垃圾长时间遗留在电梯内部。
为了实现该目的，本发明采用如下技术方案：
一种基于深度学习的电梯内垃圾检测识别方法，包括模型训练步骤和检测识别步骤，所述模型训练步骤包括：
步骤a1、获取包含有垃圾的图像，并建立图片集；
步骤a2、根据建立的图片集，制作训练数据集和测试数据集；
步骤a3、将训练数据集以及测试数据集输入深度学习网络模型进行训练，并在模型收敛后，完成深度学习网络模型的训练；
所述检测识别步骤包括：
步骤b1、通过电梯摄像头获取监控视频流数据，并选取电梯内部干净时的图像作为背景图像；
步骤b2、从视频流数据中提取出待检测的视频帧图像；
步骤b3、将提取的视频帧图像与背景图像进行帧间差处理，得出前景目标；
步骤b4、将得到的前景目标进行二值化处理，并进行图像的形态学操作-开操作，得到连通区域；
步骤b5、使用矩形框对得到的连通区域进行框选，并计算矩形框的面积，排除掉小于预设阈值的框选区域；
步骤b6、计算矩形框的坐标，然后根据所得坐标值在原视频帧图像上进行显示；
步骤b7、将框选区域的原始图像输入训练后的深度学习网络模型进行识别，并输出识别结果；
步骤b8、将识别结果显示在原视频帧图像上，并向工作人员发出提示信息。
进一步，所述步骤a1中的图片集至少包含有通过电梯摄像头获取的电梯内部有垃圾时的图像，或者所述图片集由包含有垃圾的图库图像和电梯摄像头获取的电梯内部有垃圾时的图像共同组成。
进一步，所述步骤a2中的训练数据集和测试数据集的制作过程为：
a2.1、提取图片集中的单幅图片；
a2.2、使用标注工具对图像中的垃圾进行标注处理，得到所有包围盒坐标信息，并获得每部分包围盒所对应的标签；
a2.3、按照一定的比例制作成训练数据集以及测试数据集。
进一步，所述深度学习网络模型为Mobilenet模型。
进一步，所述步骤a3包括：
a3.1、从tensorflow models zoo下载coco数据集预训练好的ckpt模型；
a3.2、对训练数据集和测试数据集进行finetune训练操作，并在训练结束后获得格式为ckpt参数模型；
a3.3、将ckpt参数模型转换为OpenCV可使用的pb文件，并从pb文件中导出其对应的网络模型pbtxt文件。
进一步，所述检测识别步骤是在电梯内无乘客时进行的。
进一步，所述步骤b2中，在提取视频帧图像时，可以按照一定的时间间隔进行提取。
进一步，所述步骤b8中，所述识别结果靠近于矩形框显示，所述提示信息为短信提示。
采用本发明所述的技术方案后，带来以下有益效果：
本发明采用深度学习检测方案对电梯内遗留垃圾进行检测，能够显著的提高检测精度，排除掉电梯内部光照不均对检测算法的影响，由于整个监控识别过程采用计算机视觉处理的方案，检测全程不需要人为的参与，可24小时对电梯进行无休眠检测，检测结果可直接显示在显示器，并发送垃圾存在警报，可有效地节省人力资源，降低人工成本，提高工作效率。
附图说明
图1：本发明的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的描述。
如图1所示，一种基于深度学习的电梯内垃圾检测识别方法，包括模型训练步骤和检测识别步骤，其中，所述模型训练步骤包括：
步骤a1、获取包含有垃圾的图像，并建立图片集；
步骤a2、根据建立的图片集，制作训练数据集和测试数据集；
步骤a3、将训练数据集以及测试数据集输入深度学习网络模型进行训练，并在模型收敛后，完成深度学习网络模型的训练。
所述检测识别步骤包括：
步骤b1、通过电梯摄像头获取监控视频流数据，并选取电梯内部干净时的图像作为背景图像；
步骤b2、从视频流数据中提取出待检测的视频帧图像；
步骤b3、将提取的视频帧图像与背景图像进行帧间差处理，得出前景目标；
步骤b4、将得到的前景目标进行二值化处理，并进行图像的形态学操作-开操作，得到连通区域；
步骤b5、使用矩形框对得到的连通区域进行框选，并计算矩形框的面积，排除掉小于预设阈值的框选区域；
步骤b6、计算矩形框的坐标，然后根据所得坐标值在原视频帧图像上进行显示；
步骤b7、将框选区域的原始图像输入训练后的深度学习网络模型进行识别，并输出识别结果；
步骤b8、将识别结果显示在原视频帧图像上，并向工作人员发出提示信息。
优选地，上述检测识别步骤是在电梯内无乘客时进行的，如可以在程序中增加人体识别算法，并在确认视频中无乘客后再进行垃圾识别，或者可以直接通过红外感应装置感应电梯内是否有乘客，如果无乘客再对摄像头获取的监控视频流数据进行识别。
具体的，在步骤a1中，所述图片集的建立方法有多种，在本实施例中，所述图片集主要由电梯摄像头获取的电梯内部有垃圾时的图像组成，所述图像的产生过程可以为人工直接从摄像头拍摄的视频中截取带有垃圾的图像，或者使用以下方法选出带有垃圾的图像：
a1.1、选取电梯内部干净时的图像作为背景图像；
a1.2、通过摄像头实时获取监控视频流数据，并在电梯内部无人时(可以通过人体检测装置实现)，从视频流数据中提取出视频帧图像；
a1.3、将提取的视频帧图像与背景图像进行帧间差处理，并对得到的图像进行自适应二值化处理；
a1.4、对a1.3中处理后的图像进行图像的形态学处理-开操作，去除离散点，消除小的干扰块，得到连通区域；
a1.5、使用矩形框对连通区域进行标注并计算矩形框的面积，排除掉小于一定阈值的连通区域；
a1.6、计算矩形框的坐标信息，将其标注在原视频帧图像上，并输出该视频帧图像；
a1.7、按照一定时间间隔重复执行上述a1.2至a1.6步，直至输出的图片数量达到预定值，并生成初始图片集；
a1.8、人工校验初始图片集，排除掉不符合要求的图片，并将剩余图片汇总为所述图片集。
由于通过电梯获取到的带有垃圾的图片较少，在其他本实施例中，所述图片集还可以按一定比例加入网络图库中包含有垃圾的图像，这样可以丰富图片集资源。
所述步骤a2中的训练数据集和测试数据集的制作过程为：
a2.1、提取图片集中的单幅图片；
a2.2、使用标注工具对图像中的垃圾进行标注处理，得到所有包围盒坐标信息，并获得每部分包围盒所对应的标签，如当图像中出现的垃圾为纸壳时，可以将标签定义为纸壳；
a2.3、按照一定的比例制作成训练数据集以及测试数据集，优选地，所述训练数据集与测试数据集的比例为7:3。
具体地，所述深度学习网络模型为Mobilenet模型，本发明采用谷歌开源的Tensorflow框架进行训练操作，经过比较选择其中检测速度与精度并存的SSDLite-mobilenet网络模型。
具体地，所述步骤a3包括：
a3.1、从tensorflow models zoo下载coco数据集预训练好的ckpt模型；
a3.2、对训练数据集和测试数据集进行finetune训练操作；采取这种训练方法，模型收敛速度快，loss值能很快下降到合理范围内，其中，训练次数设定为200,000次，冲量momentum设定为0.9，基础学习率设定为0.0001，每进行一万次迭代将学习率降低0.1，在训练结束后获得格式为ckpt参数模型；
a3.3、将训练得到的ckpt参数模型转换为OpenCV可使用的pb文件，并从pb文件中导出其对应的网络模型pbtxt文件。
本实施例中仅列举了一种模型训练方法，但对于本领域技术人员而言，其它现有的训练方法大部分也适用于本发明，因此不再详细说明。
优选地，在所述步骤b2中，在提取视频帧图像时，可以按照一定的时间间隔进行提取，这样可以减少需要处理的数据量。
优选地，所述步骤b8中，所述识别结果靠近于矩形框显示，所述提示信息为短信提示。
通过本发明，可以实现24小时不间断的对电梯内部遗留的垃圾进行监控，并在发现遗留垃圾后主动提醒工作人员进行清理，这样可减少电梯维护人员主动对电梯进行检查的次数，从而减低工作人员负担。
以上所述为本发明的实施方式，应当指出，对于本领域的普通技术人员而言，在不脱离本发明原理前提下，还可以做出多种变形和改进，这也应该视为本发明的保护范围。
Claims (8)
1.一种基于深度学习的电梯内垃圾检测识别方法，包括模型训练步骤和检测识别步骤，其特征在于，所述模型训练步骤包括：
步骤a1、获取包含有垃圾的图像，并建立图片集；
步骤a2、根据建立的图片集，制作训练数据集和测试数据集；
步骤a3、将训练数据集以及测试数据集输入深度学习网络模型进行训练，并在模型收敛后，完成深度学习网络模型的训练；
所述检测识别步骤包括：
步骤b1、通过电梯摄像头获取监控视频流数据，并选取电梯内部干净时的图像作为背景图像；
步骤b2、从视频流数据中提取出待检测的视频帧图像；
步骤b3、将提取的视频帧图像与背景图像进行帧间差处理，得出前景目标；
步骤b4、将得到的前景目标进行二值化处理，并进行图像的形态学操作-开操作，得到连通区域；
步骤b5、使用矩形框对得到的连通区域进行框选，并计算矩形框的面积，排除掉小于预设阈值的框选区域；
步骤b6、计算矩形框的坐标，然后根据所得坐标值在原视频帧图像上进行显示；
步骤b7、将框选区域的原始图像输入训练后的深度学习网络模型进行识别，并输出识别结果；
步骤b8、将识别结果显示在原视频帧图像上，并向工作人员发出提示信息。
2.根据权利要求1所述的一种基于深度学习的电梯内垃圾检测识别方法，其特征在于，
所述步骤a1中的图片集至少包含有通过电梯摄像头获取的电梯内部有垃圾时的图像，或者所述图片集由包含有垃圾的图库图像和电梯摄像头获取的电梯内部有垃圾时的图像共同组成。
3.根据权利要求1所述的一种基于深度学习的电梯内垃圾检测识别方法，其特征在于，所述步骤a2中的训练数据集和测试数据集的制作过程为：
a2.1、提取图片集中的单幅图片；
a2.2、使用标注工具对图像中的垃圾进行标注处理，得到所有包围盒坐标信息，并获得每部分包围盒所对应的标签；
a2.3、按照一定的比例制作成训练数据集以及测试数据集。
4.根据权利要求1所述的一种基于深度学习的电梯内垃圾检测识别方法，其特征在于，所述深度学习网络模型为Mobilenet模型。
5.根据权利要求4所述的一种基于深度学习的电梯内垃圾检测识别方法，其特征在于，所述步骤a3包括：
a3.1、从tensorflow models zoo下载coco数据集预训练好的ckpt模型；
a3.2、对训练数据集和测试数据集进行finetune训练操作，并在训练结束后获得格式为ckpt参数模型；
a3.3、将ckpt参数模型转换为OpenCV可使用的pb文件，并从pb文件中导出其对应的网络模型pbtxt文件。
6.根据权利要求1所述的一种基于深度学习的电梯内垃圾检测识别方法，其特征在于，所述检测识别步骤是在电梯内无乘客时进行的。
7.根据权利要求1所述的一种基于深度学习的电梯内垃圾检测识别方法，其特征在于，所述步骤b2中，在提取视频帧图像时，可以按照一定的时间间隔进行提取。
8.根据权利要求1所述的一种基于深度学习的电梯内垃圾检测识别方法，其特征在于，所述步骤b8中，所述识别结果靠近于矩形框显示，所述提示信息为短信提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011633494.9A CN112733676A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习的电梯内垃圾检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011633494.9A CN112733676A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习的电梯内垃圾检测识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112733676A true CN112733676A (zh) | 2021-04-30 |
Family
ID=75608594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011633494.9A Pending CN112733676A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习的电梯内垃圾检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733676A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221838A (zh) * | 2021-06-02 | 2021-08-06 | 郑州大学 | 一种基于深度学习的不文明乘梯检测系统及方法 |
| CN114022756A (zh) * | 2021-09-24 | 2022-02-08 | 惠州学院 | 排水盖周边垃圾的视觉识别方法、电子设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100104272A (ko) * | 2009-03-17 | 2010-09-29 | 한국과학기술원 | 행동인식 시스템 및 방법 |
| CN106056631A (zh) * | 2016-06-06 | 2016-10-26 | 中国矿业大学 | 基于运动区域的行人检测方法 |
| CN106204646A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于bp神经网络的多运动目标跟踪方法 |
| CN106372576A (zh) * | 2016-08-23 | 2017-02-01 | 南京邮电大学 | 一种基于深度学习的智能室内入侵检测方法及系统 |
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN108764154A (zh) * | 2018-05-30 | 2018-11-06 | 重庆邮电大学 | 一种基于多特征机器学习的水面垃圾识别方法 |
| CN110033016A (zh) * | 2019-02-20 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数字键盘识别模型的训练方法、数字键盘识别方法及系统 |
| CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
| CN110879951A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 一种运动前景检测方法及装置 |
| CN110884791A (zh) * | 2019-11-28 | 2020-03-17 | 石家庄邮电职业技术学院(中国邮政集团公司培训中心) | 一种基于TensorFlow的视觉垃圾分类系统及分类方法 |
| CN111985161A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种变电站三维模型重构方法 |
-
2020
- 2020-12-31 CN CN202011633494.9A patent/CN112733676A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100104272A (ko) * | 2009-03-17 | 2010-09-29 | 한국과학기술원 | 행동인식 시스템 및 방법 |
| CN106056631A (zh) * | 2016-06-06 | 2016-10-26 | 中国矿业大学 | 基于运动区域的行人检测方法 |
| CN106204646A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于bp神经网络的多运动目标跟踪方法 |
| CN106372576A (zh) * | 2016-08-23 | 2017-02-01 | 南京邮电大学 | 一种基于深度学习的智能室内入侵检测方法及系统 |
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN108764154A (zh) * | 2018-05-30 | 2018-11-06 | 重庆邮电大学 | 一种基于多特征机器学习的水面垃圾识别方法 |
| CN110879951A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 一种运动前景检测方法及装置 |
| CN110033016A (zh) * | 2019-02-20 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数字键盘识别模型的训练方法、数字键盘识别方法及系统 |
| CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
| CN110884791A (zh) * | 2019-11-28 | 2020-03-17 | 石家庄邮电职业技术学院(中国邮政集团公司培训中心) | 一种基于TensorFlow的视觉垃圾分类系统及分类方法 |
| CN111985161A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种变电站三维模型重构方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221838A (zh) * | 2021-06-02 | 2021-08-06 | 郑州大学 | 一种基于深度学习的不文明乘梯检测系统及方法 |
| CN114022756A (zh) * | 2021-09-24 | 2022-02-08 | 惠州学院 | 排水盖周边垃圾的视觉识别方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| CN110200598B (zh) | 一种大型养殖场体征异常禽类检测系统及检测方法 | |
| CN112733676A (zh) | 一种基于深度学习的电梯内垃圾检测识别方法 | |
| CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
| CN111611970B (zh) | 一种基于城管监控视频的乱扔垃圾行为检测方法 | |
| CN112200011B (zh) | 曝气池状态检测方法、系统、电子设备及存储介质 | |
| CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
| CN112733668B (zh) | 基于视频深度学习的电梯内宠物单独乘梯的检测方法 | |
| CN111709333A (zh) | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 | |
| CN112499017A (zh) | 垃圾分类方法、装置及垃圾箱 | |
| CN112364740B (zh) | 一种基于计算机视觉的无人机房监控方法及系统 | |
| CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及系统 | |
| CN111914685A (zh) | 母猪发情检测方法、装置、电子设备及存储介质 | |
| CN111144749A (zh) | 电网图像智能标注众包平台及工作方法 | |
| CN114565845A (zh) | 一种地下隧道智能巡检系统 | |
| CN114049550A (zh) | 基于深度学习的笼养死亡肉鸡自动识别方法 | |
| CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
| CN113793385A (zh) | 鱼头鱼尾定位方法及装置 | |
| CN112800909A (zh) | 一种自学习型的烟丝杂物视像检测方法 | |
| CN116525133A (zh) | 核酸的自动采集方法、系统、电子设备及介质 | |
| CN112906562B (zh) | 一种链篦机台车侧板裂缝的安全预警方法 | |
| CN115049623A (zh) | 一种视觉分割分析受电弓轮廓的装置 | |
| CN214844880U (zh) | 一种烟丝杂物视像检测系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 266103 Haier Industrial Park, 1 Haier Road, Laoshan District, Shandong, Qingdao Applicant after: Hainayun IOT Technology Co.,Ltd. Applicant after: Qingdao haishang Haiti networking Ecological Technology Co.,Ltd. Address before: 266103 Haier Industrial Park, 1 Haier Road, Laoshan District, Shandong, Qingdao Applicant before: Qingdao hainayun Technology Holding Co.,Ltd. Applicant before: Qingdao haishang Haiti networking Ecological Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 266103 Haier Industrial Park, 1 Haier Road, Laoshan District, Shandong, Qingdao Applicant after: Hainayun IOT Technology Co.,Ltd. Applicant after: Qingdao tizhiwang IOT Technology Co.,Ltd. Address before: 266103 Haier Industrial Park, 1 Haier Road, Laoshan District, Shandong, Qingdao Applicant before: Hainayun IOT Technology Co.,Ltd. Applicant before: Qingdao haishang Haiti networking Ecological Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231204 Address after: 266100 Haier Industrial Park, No.1 Haier Road, Laoshan District, Qingdao City, Shandong Province Applicant after: Hainayun IOT Technology Co.,Ltd. Applicant after: Qingdao hainayun Intelligent System Co.,Ltd. Applicant after: Qingdao hainayun Digital Technology Co.,Ltd. Applicant after: Haina Yunhuigan (Qingdao) IoT Technology Co.,Ltd. Address before: 266103 Haier Industrial Park, 1 Haier Road, Laoshan District, Shandong, Qingdao Applicant before: Hainayun IOT Technology Co.,Ltd. Applicant before: Qingdao tizhiwang IOT Technology Co.,Ltd. |