CN112861617A - 一种基于监控图像的边坡灾害识别系统 - Google Patents

一种基于监控图像的边坡灾害识别系统 Download PDF

Info

Publication number
CN112861617A
CN112861617A CN202011632958.4A CN202011632958A CN112861617A CN 112861617 A CN112861617 A CN 112861617A CN 202011632958 A CN202011632958 A CN 202011632958A CN 112861617 A CN112861617 A CN 112861617A
Authority
CN
China
Prior art keywords
disaster
module
image
submodule
sub
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
Application number
CN202011632958.4A
Other languages
English (en)
Inventor
夏利民
马文涛
韦昌宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202011632958.4A priority Critical patent/CN112861617A/zh
Publication of CN112861617A publication Critical patent/CN112861617A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于监控图像的边坡灾害识别系统，属于计算机视觉领域与科学家在灾害早期识别与预测领域的联合领域，主要解决的是目前高级传感器成本高、不易广泛普及以及普通摄像头难以处理极端环境、鲁棒性差的技术问题，并能够根据信息存储模块进行摄像头的定位，方便及时与最近的公路局联系，尽早对灾害进行预警与处理。所述边坡灾害识别系统包括：视频采集模块、信息存储模块、灾害识别模块以及灾害报警模块。视频采集模块利用普通的监控摄像头采集视频信息，信息存储模块用于存储识别过程所产生的各类信息以及摄像头的位置信息，灾害识别模块用于极端天气下的图像去干扰，并实现图像的灾害识别与判断，灾害报警模块用于精识别出灾害的监控图像进行定位，并对与其最近的公路局进行预警。本发明具有成本低、硬件要求低、检测速度快、鲁棒性高、可以应对极端天气等优点，可以使用在很低的成本下连入当前的公路监控系统中。

Description

一种基于监控图像的边坡灾害识别系统
技术领域
本发明属于数字图像处理领域涉及边坡地质灾害识别领域，更具体地，涉及一种基于监控图像的边坡灾害识别系统。
背景技术
近年来，随着我国公路建设的飞速增长，以往的山区交通运输紧张状况已经得到了基本的缓解，但同时大量的高危边坡也伴随而来。边坡坍塌是常见的公路地质灾害之一，发生较为频繁，且分布十分广泛，极易造成交通中断或带来较高的经济损失，对交通安全有着十分严重的影响。
现阶段，对边坡灾害的识别主要存在的问题是：(1)传统的公路边坡灾害识别系统需要在边坡上埋设各类传感器，这一类系统所铺设的传感器需要较高的成本。(2)雨天和雾天等极端气候会影响基于的视频或图像的边坡灾害识别系统性能，难以及时检测到危险。且数据处理人员需要大量的专业知识。
发明内容
本发明的目的是提供一种基于监控图像的边坡灾害识别系统，通过对监控视频的内容进行边坡灾害的智能检测与识别，进而及时对可能出现的危险进行报警，避免过大的经济损失。
为了实现上述目的，提供了一种基于监控图像的边坡灾害识别系统，所述系统包括以下模块：
视频采集模块，用于采集山区公路的监控视频信息；
信息存储模块，用于存储其它模块中采集到的视频信息，识别信息与报警信息；
灾害识别模块，用于根据视频所包含的各种信息进行公路边坡灾害建模，进而实现特定灾害的识别；
灾害报警模块，用于根据灾害识别的结果实现特定灾害的提前预警。
进一步地，所述的信息存储模块包括以下子模块：
图像信息存储子模块，用于存储预处理后的普通摄像头所采集到的图像数据；
灾害信息存储子模块，用于存储能够提供训练的不同类别边坡灾害数据样本；
识别结果存储子模块，用于存储灾害监测模块得到的识别结果，并用于灾害报警模块；
进一步地，所述的灾害识别模块包括以下子模块：
数据预处理子模块，用于对采集到的原始视频进行进本的预处理与灰度化处理，并对其视频帧进行等距采样，每隔一定时间获取视频帧进行灾害的检测与识别；
图像信息传输子模块，用于将预处理后的灰度视频帧存储至图像信息存储子模块；
图像清晰化子模块，用于对灰度视频序列进行去雾、去雨等处理，并提升视频清晰度。主要目的是统一视频/图像至统一风格，以便后续的处理；
注意力池子模块，用于根据注意力池化与CNN结合分析对待处理的图像进行建模，分析图像中的危险信息；
灾害判断子模块，用于根据注意力池子模块得到的信息与灾害信息存储子模块中所存的信息匹配进行边坡灾害的判断与检测；
灾害信息传输子模块，用于将边坡灾害的识别结果传输至识别结果存储子模块；
进一步地，所述的图像清晰化子模块包括以下步骤：
S11，采集若干晴天条件下的图像，统一剪裁后，使用Photoshop批量加入多样性的雨线、雪痕或大雾等极端天气特征,因此每张含有雨线、雪痕或大雾的图像都有对应的正确标注图像；
S12，将含有极端天气干扰的图像样本送入生成网络中以获得晴天条件下的清晰图像；
S13，在生成器中设置tanh函数以获得去环境干扰后的清晰图像；
S14，采用改进的感知损失函数
Figure BDA0002877398650000021
训练判别器，经过多次迭代后达到生成器和判别器的均衡。
进一步地，所述改进的感知损失函数中，xj为权重系数，
Figure BDA0002877398650000022
Figure BDA0002877398650000023
为欧几里得损失函数，
Figure BDA0002877398650000024
为感知损失函数，
Figure BDA0002877398650000025
Figure BDA0002877398650000026
为对抗损失函数。
上述式中M为生成器通道数；W和H分别为原始图像的宽和高；w,h,m分别为每层网络中图像的宽、高和通道数；x为输入图像；yi为第i层网络中原始数据集图像；yb为对应的正确标注的图像；G为生成器生成结果；V为非线性的卷积变换；Z为生成器生成的图像数；N为判别器通道数；D为判别器结果。
作为本发明的优选方案，图片的极端环境干扰消除是通过对CGAN进行训练得到的，所采用的CGAN参数设置包括：
图像转换中所采集的原始晴天图像数量为800张，将其全部处理后，选取其中的750张用作训练集，250张为测试集。设置训练批尺寸大小为5，迭代次数为15万次，学习率为10-3。设置损失函数中参数x1＝x2＝1,x3＝0.005。生成器和判别器模型的通道数分别设为M＝64和N＝48。生成器中的过滤器大小为3×3,步长1，填充值设为1；判别器中的过滤器大小为4×4，步长为2，填充值设为1。
综上所述，通过本发明所设计的技术方案与其他技术相比，具有以下的技术特征与有益效果：
(1)本发明采用当前比较成熟的对抗生成网络结构实现暴雨，大雪或大雾下的图像清晰化，所需的计算负担较低，能够被广泛的应用于公路边坡灾害识别领域中；
(2)本发明无需依赖各类高级的专业传感器，只需要借助普通的路况监控摄像头拍摄得到的视频数据就可以完成准确的识别，因此本系统可以很方便的接入现有的公路视频监控系统中；
(3)本发明将注意力机制引入到边坡灾害识别领域，相比传统的纹理特征能够获取更为准确的灾害特征表示，及时发现潜在的危险。
附图说明
图1是本发明系统结构的示意图；
图2是本发明中图像清晰化子模块中生成器结构图；
图3是本发明中图像清晰化子模块中判别器结构图；
图4是本发明中注意力池子模块算法示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明做进一步的说明。
请参阅图1-4，一种基于监控图像的边坡灾害检系统，系统包括：
将原始监控视频序列等距采样，获得等时间间隔的监控图像，对其进行灰度化处理。
可以根据公式：
f(i,j)＝0.2999R+0.587G+0.114B，
根据上式对监控图像灰度化，其中f(i,j)表示灰度化处理后的视频帧中坐标为(i,j)处的限速点灰度值，R、G、B分别为彩色图像三个通道上的分量，转化为灰度图可以有效的排除颜色所带来的干扰，并能够在一定程度上减少输入维度的大小。
将得到的灰度图像经由图像信息传输子模块存储至图像信息存储子模块。
进一步地，将得到的灰度图像输入至图像清晰化子模块中。
图像清晰化子模块123，用于去除图像中的大雾，雪痕以及雨痕等会影响图像清晰度的因素。
采集1000张晴天条件下的图像，统一裁剪为256×256像素后，使用Photoshop批量加入多样性的雨线、雪痕等极端天气特征，因此每张含有雨线或雪痕的图像都有对应的正确标注图像。将750张处理后的图像用作训练集，另外250张用作测试集。
迭代训练时，先固定生成器的结果为0，训练判别器；然后，固定判别器再训练生成器，完成一个迭代周期的训练。重复上述迭代过程，以期达到生成器和判别器的均衡。
本发明中对上述CGAN的具体参数设置如下：设置训练批尺寸大小为5，迭代次数为15万次，学习率为10-3。设置损失函数中参数x1＝x2＝1,x3＝0.005。生成器和判别器模型的通道数分别设为M＝64和N＝48。生成器中的过滤器大小为3×3,步长1，填充值为1；判别器中的过滤器大小为4×4，步长为2，填充值设为1。其中填充是指用“0”适当填充缺少的像素以保持特征图的尺寸。迭代训练时，先固定生成器的结果为0，训练判别器。
进一步地，将得到的CGAN用于处理全部的图像，进行全部训练集的去雾去雪以及其他极端天气的处理。并以此为基础训练注意力池子模块。
注意力池子模块124，用于识别边坡灾害及其种类。
假设普通的CNN中最后需要被池化的层为X∈Rn×f，其中f表示通道数，n表示图像空间位置数。权重矩阵为Wk∈Rf×f，最终的分类得分可以写为：
scoreattention(X)＝Tr(XTXWk T)
进一步地，本发明中利用两个不同的低秩向量ak和b近似计算权重矩阵Wk以减少训练所需的参数，即W＝akbT，其中k表示灾害的种类数量。
scoreattention(X)＝Tr(XTX(akb)T)
经过数学上的推导，上式可以简化为：
scoreattention(X)＝(Xak)T(Xb)
本发明将注意力池化层替换传统CNN最后的全连接层，本发明使用其顶部的线性分类器(Xb)预测与最后一个特征映射相同的空间分辨率的单通道自下而上的显着性映射。同时，还生成了n1×n2×k维自顶向下的注意映射(Xak)，将两个注意图乘以空间平均，生成k维输出预测(Xak)T(Xb)。这些操作相当于首先将特征与显着性(XT(Xb))相乘，然后通过分类器(a(XT(Xb)))。
将预先存储的灾害信息存储子模块中的灾害部分样本作为训练集训练基于注意力池化层改进的CNN，并将剩余样本作为测试集测试其性能。
灾害判断子模块125，用于将训练完备的基于注意力池化层改进的CNN用于监控图像的边坡灾害判断。
采用注意力池化层最终的分类得分scoreattention(X)表示灾害种类得分，并采用L2损失作为损失函数训练卷积融合网络，通过优化后的参数对测试集数据样本进行分类。
其中，L2损失被定义为：
Figure BDA0002877398650000041
其中Yi表示这一数据样本的标签，f(xi)表示卷积融合网络的预测结果，通过最小化S即可得到最优的网络参数。
进一步地，将识别结果(是否存在边坡灾害，若存在，判断其所属种类)与图像采集地点位置等信息经由灾害信息传输子模块126传输至识别结果存储子模块113。
进一步地，若识别结果中可能存在突发灾害或灾害前兆，还需要及时进行报警，避免造成更大的人力物力的损失，本发明中将可能存在危险的图像样本送入灾害报警模块13。
灾害报警模块将根据识别结果存储子模块中所包含的危险信息与危险发生地的位置信息进行匹配，并通过系统联网将报警信息传输至最近的公路局进行人工的判断与维护。
本发明采用CGAN进行监控图像中雪痕，雨痕以及大雾等极端天气特征的消除，根据CGAN生成晴天条件下的清晰图像，完成图像风格的转换。同时，采用基于改进注意力池的CNN进行边坡灾害的智能检测与识别，利用两类向量近似逼近注意力池化层，结合软注意力与硬注意力进行灾害的检测与分类，该系统在实际应用场景中得到验证。
本发明相比于传统的灾害检测方法，能够广泛的应用于存在极端天气的场景中，可以对大雾，雨雪，扬沙等极端天气特征进行消除，且本发明所采用的基于注意力池的CNN模型具有参数较少，模型复杂度较低的优点，这也意味实验例能够更容易的满足实时性的要求，具有较高的鲁棒性和可扩展性。
以上仅是本发明的优选实施方法，应当指出对于本领域内的专业技术人员而言，在不脱离本发明的网络结构的前提下，还可以针对适用环境的不同等具体情况做出若干改进，所做的改进都不会影响本发明实施的具体效果和专利的实用性。

Claims (6)

1.一种基于监控图像的边坡灾害识别系统，包括视频采集模块(10)、信息存储模块(11)、灾害识别模块(12)和灾害报警模块(13)，其特征在于：所述灾害识别模块(12)与视频采集模块(10)、信息存储模块(11)、灾害报警模块(13)相互连接；所述信息存储模块(11)包括以下子模块：
图像信息存储子模块(111)，用于存储监控摄像头拍摄到的采样帧灰度化处理的图像；
灾害信息存储子模块(112)，用于被作为训练集的不同种类边坡灾害图像与正常情况下的图像；
识别结果存储子模块(113)，用于存储所有连入系统的监控图像的边坡灾害识别结果及其对应的位置信息。
2.根据权利要求1所述的一种基于监控图像的边坡灾害识别系统，其特征在于：所述灾害识别模块(12)包括以下子模块：
数据预处理子模块(121)，用于对监控系统中的视频进行等距采样，并将采样帧进行灰度化处理得到灰度图；
图像信息传输子模块(122)用于将数据预处理子模块(121)得到的灰度图传输至图像信息存储子模块(111)；
图像清晰化子模块(123)，用于根据CGAN进行极端天气下的图像风格转换，得到一个晴天条件下的图像；
注意力池子模块(124)，用于根据基于注意力池化改进的CNN捕捉图像中可能存在灾害的区域；
灾害判断子模块(125)，用于根据注意力池子模块(124)得到的区域与灾害信息存储子模块(112)中所存储的灾害图片进行匹配分类；
灾害信息传输子模块(126)，用于将监控图像中的灾害识别结果及其对应的摄像头所处位置信息传输至识别结果存储子模块(113)；
上述子模块中，数据预处理子模块(121)、图像清晰化子模块(123)、注意力池子模块(124)、灾害判断子模块(125)与灾害信息传输子模块(126)依次相连。
3.根据权利要求2所述的灾害识别模块(12)，其特征在于：所述图像清晰化子模块(123)，用于去除极端天气下的监控图像中所包含的雨痕，雪痕以及大雾等干扰，得到清晰的、晴天环境下的图像，采用
Figure FDA0002877398640000011
Figure FDA0002877398640000012
作为判别器的损失函数。
其中xj为权重系数，
Figure FDA0002877398640000013
为欧几里得损失函数，
Figure FDA0002877398640000014
Figure FDA0002877398640000015
为感知损失函数，
Figure FDA0002877398640000016
为对抗损失函数。
4.根据权利要求2所述的灾害识别模块(12)，其特征在于：所述注意力池子模块(124)用于根据注意力机提取当前监控图像中可能存在灾害的区域，并将注意力池化层Scoreattention(X)＝(Xak)T(Xb)替换CNN的全连接层实现灾害的分类。
5.根据权利要求1所述的一种基于监控图像的边坡灾害识别系统，其特征在于：所述灾害报警模块(13)用于对识别出发生灾害的监控摄像头距离最近的公路局发出预警信号，避免产生进一步的经济损失。
6.根据权利要求5所述的灾害报警模块(13)，其特征在于：所述灾害报警模块(13)能够根据图像信息存储子模块(111)中所存储的摄像头位置信息进行定位，并根据位置信息去找最近的公路局。
CN202011632958.4A 2020-12-31 2020-12-31 一种基于监控图像的边坡灾害识别系统 Pending CN112861617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011632958.4A CN112861617A (zh) 2020-12-31 2020-12-31 一种基于监控图像的边坡灾害识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011632958.4A CN112861617A (zh) 2020-12-31 2020-12-31 一种基于监控图像的边坡灾害识别系统

Publications (1)

Publication Number Publication Date
CN112861617A true CN112861617A (zh) 2021-05-28

Family

ID=75999988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011632958.4A Pending CN112861617A (zh) 2020-12-31 2020-12-31 一种基于监控图像的边坡灾害识别系统

Country Status (1)

Country Link
CN (1) CN112861617A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537240A (zh) * 2021-07-09 2021-10-22 北方工业大学 一种基于雷达序列图像的形变区智能提取方法及系统
CN114267155A (zh) * 2021-11-05 2022-04-01 国能大渡河革什扎水电开发有限公司 一种基于视频识别技术的地质灾害监测预警系统
CN114973605A (zh) * 2022-05-20 2022-08-30 苏州浪潮智能科技有限公司 一种道路山体滑坡预警的方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200302185A1 (en) * 2019-03-22 2020-09-24 Qualcomm Technologies, Inc. Recognizing minutes-long activities in videos
CN111881811A (zh) * 2020-07-24 2020-11-03 浙江大学 基于自卷积注意力池化机制的掘进装备岩石分类方法
CN112016772A (zh) * 2020-10-29 2020-12-01 成都中轨轨道设备有限公司 一种自然灾害预警系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200302185A1 (en) * 2019-03-22 2020-09-24 Qualcomm Technologies, Inc. Recognizing minutes-long activities in videos
CN111881811A (zh) * 2020-07-24 2020-11-03 浙江大学 基于自卷积注意力池化机制的掘进装备岩石分类方法
CN112016772A (zh) * 2020-10-29 2020-12-01 成都中轨轨道设备有限公司 一种自然灾害预警系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHU YOUXIANG ET AL.: "Learning Cascade Attention for fine-grained image classification", 《NEURAL NETWORKS》 *
束景晓等: "基于深层卷积神经网络的公路边坡灾害识别研究", 《公路交通科技(应用技术版)》 *
杨继明等: "CGAN网络在去除图像雨雪痕迹中的应用", 《扬州大学学报(自然科学版)》 *
赵鹏辉等: "河道山地灾害的卷积神经网络快速识别方法", 《水利水运工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537240A (zh) * 2021-07-09 2021-10-22 北方工业大学 一种基于雷达序列图像的形变区智能提取方法及系统
CN113537240B (zh) * 2021-07-09 2023-09-05 北方工业大学 一种基于雷达序列图像的形变区智能提取方法及系统
CN114267155A (zh) * 2021-11-05 2022-04-01 国能大渡河革什扎水电开发有限公司 一种基于视频识别技术的地质灾害监测预警系统
CN114973605A (zh) * 2022-05-20 2022-08-30 苏州浪潮智能科技有限公司 一种道路山体滑坡预警的方法、装置、设备及介质
CN114973605B (zh) * 2022-05-20 2024-02-23 苏州浪潮智能科技有限公司 一种道路山体滑坡预警的方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN112861617A (zh) 一种基于监控图像的边坡灾害识别系统
CN110263706A (zh) 一种雾霾天气车载视频动态目标检测和识别的方法
CN111914611A (zh) 城市绿地高分遥感监测方法与系统
CN112215074A (zh) 基于无人机视觉的实时目标识别与检测追踪系统及方法
CN110728236A (zh) 车辆定损方法及其专用设备
CN113989613A (zh) 一种应对复杂环境的轻量级高精度船舶目标检测方法
CN111667655A (zh) 基于红外图像的高速铁路安全区入侵警报装置及方法
CN112749654A (zh) 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置
CN111815528A (zh) 基于卷积模型和特征融合的恶劣天气图像分类增强方法
CN116052090A (zh) 图像质量评估方法、模型训练方法、装置、设备及介质
CN112861700A (zh) 基于DeepLabv3+的车道线网络识别模型建立及车辆速度检测方法
CN111161160A (zh) 一种雾天障碍物检测方法、装置、电子设备和存储介质
CN117011614A (zh) 基于深度学习的野山参艼芦体检测和品质等级分类方法及系统
CN113673326A (zh) 一种基于图像深度学习的无人机平台人群计数方法及系统
CN111814773A (zh) 一种划线车位识别方法及系统
CN116258956A (zh) 无人机树木识别方法、设备、存储介质及装置
CN107886125A (zh) 基于局部谱分解打分的modis卫星遥感图像标注方法
CN111950476A (zh) 基于深度学习的复杂环境下河道船舶自动识别方法
CN117935202A (zh) 基于深度学习的低光照环境车道线检测方法
CN113537397B (zh) 基于多尺度特征融合的目标检测与图像清晰联合学习方法
CN112116538B (zh) 一种基于深度神经网络的海洋勘测图像质量增强方法
CN116452943A (zh) 一种基于卷积神经网络进行图像识别的水位识别方法
CN115100681A (zh) 一种衣着识别方法、系统、介质及设备

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210528