CN112966699B - 一种通信工程项目的目标检测系统 - Google Patents
一种通信工程项目的目标检测系统 Download PDFInfo
- Publication number
- CN112966699B CN112966699B CN202110316521.8A CN202110316521A CN112966699B CN 112966699 B CN112966699 B CN 112966699B CN 202110316521 A CN202110316521 A CN 202110316521A CN 112966699 B CN112966699 B CN 112966699B
- Authority
- CN
- China
- Prior art keywords
- module
- image
- target detection
- target
- image set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种通信工程项目的目标检测系统,包括云计算模块、采集模块、图像预处理模块、目标检测模块、图像传输模块、控制中心模块,系统通过采集模块采集到运动目标的图像集,环境分析模块采集环境数据进行分析得到影响因子,相关分析模块和云计算模块利用影响因子分别与R‑FCN和YOLO目标检测算法对图像进行检测得到一类目标检测结果和二类目标检测结果,控制中心模块通过对一类目标检测结果和二类目标检测结果进行分析得到最终目标检测结果,降低了图像传输的带宽的需求,通过两种目标检测算法的结合,克服了YOLO算法检测微小目标的缺点,提高了目标检测的实时性和准确性。
Description
技术领域
本发明涉及目标检测技术领域,特别是涉及一种通信工程项目的目标检测系统。
背景技术
目标检测是计算机视觉领域中的一个非常重要的研究问题,它的主要任务之一是对图像中的目标进行精准识别和定位,目标检测在各个领域都有广泛的应用,在通信技术领域中由于海量数据传输使网络带宽资源不足,对于数据处理模式面临重大的挑战;目标检测算法可以对监控视频中的动态目标进行检测,例如人脸识别技术、车辆检测技术,但是由于运动目标运动过程中存在光照变化、阴影、噪声干绕、相机抖动、恶劣天气因素的影响,监控视频中运动目标图像会出现变得模糊甚至微小目标被遮挡住等问题,现有技术中虽然已经存在很多复杂的目标检测算法,R-FCN技术可以检测到微小的目标,但是由于目标检测算法太过复杂,导致检测速度慢,YOLO技术可以大大提高目标检测速度,但是却会忽略微小目标的检测,为了适应复杂多变的应用环境,提高目标检测过程实时性和准确性,并能够极大地降低海量数据传输对网络带宽资源的需求,本发明提供了一种通信工程项目的目标检测系统。
发明内容
针对上述情况,为克服现有技术之缺陷,本发明之目的在于提供一种通信工程项目的目标检测系统,利用图像预处理模块对图像集进行分类处理,再通过云计算模块和目标分析模块分别对图像进行检测得到一类目标检测结果和二类目标检测结果,再由控制中心模块两个结果进行判定得到最终目标检测结果,增强了目标检测系统的稳定性和准确性。
其解决的技术方案是,一种通信工程项目的目标检测系统,包括云计算模块、采集模块、图像预处理模块、目标检测模块、图像传输模块、控制中心模块,采集模块包括图像采集模块、光感应模块、环境采集模块、热感应模块,图像预处理模块包括图像清洗模块、图像预分类模块、图像检测模块、图像追踪模块,图像传输模块包括图像缓存模块、目标传输模块、相关图像传输模块,云计算模块包括环境分析模块、相关分析模块、存储模块,控制中心模块包括数据接收模块、结果分析模块、数据传输模块和监督模块,目标分析模块包括目标预处理模块、目标检测模块、误差分析模块和采集分析模块;
系统管理过程具体如下:
(1)、所述图像采集模块通过监控探头采集到监控视频,并对监控视频进行处理得到图像集,并将图像集发送至图像预处理模块,光感应模块采集监控过程的光亮程度并发送至环境采集模块,热感应模块采集监控过程中温度参数发送至环境采集模块,环境采集模块利用生成的采集环境数据对图像集进行标记,并发送至云计算模块,再由云计算模块对采集环境数据进行分析得到影响因子A,将影响因子A发送至目标分析模块;
(2)、图像清洗模块对的图像集进行图像清洗,再由图像预分类模块对图像集进行分类得到初级图像集,图像检测模块根据图像集的颜色特征对初级图像集进行筛选得到目标图像集,初级图像集筛选出目标图像集以后的剩余图像为相关目标图像集,图像追踪模块根据图像在视频中的时刻对初级图像集进行标记,图像缓存模块根据目标图像集和相关目标图像集决定传输的优先权,相关图像传输模块将相关目标图像集发送至云计算模块,目标传输模块将目标图像集发送至目标分析模块;
(3)、目标预处理模块根据图像追踪模块的标记对目标图像集进行排列,再由目标检测模块利用R-FCN目标检测算法对排列后的目标图像集的进行目标检测得到一类目标检测结果,目标检测模块在目标检测过程中结合了影响因子A对R-FCN的损失函数的影响,并将一类目标检测结果发送至控制中心模块;
(4)、云计算模块的相关分析模块利用YOLO目标检测算法对相关目标图像集进行目标检测得到二类目标检测结果,检测过程中结合影响因子A对YOLO的损失函数的影响,云计算模块将二类目标检测结果也发送至控制中心模块,控制中心模块接收一类目标检测结果和二类目标检测结果,通过结果分析模块的分析得到最终目标检测结果。
控制中心模块通过对一类目标检测结果和二类目标检测结果的分析得到最终目标检测结果,具体分析过程如下:
步骤一、云计算模块的环境分析模块对相关目标图像集进行分析得到环境的影响因子A,计算过程如下:
1)、环境分析模块根据图像追踪模块的标记信息从存储模块中调取采集信息,采集环境数据包括光亮程度、温度参数和采集信息,令光亮亮度为x1,i、温度参数为x2,i、采集信息为x3,i,以x1,i,x2,i,x3,i为自变量,以每张图像的清晰度yi为函数值,对相关目标图像集的i张图像进行标号(1,2,3,…i);
2)、利用线性回归函数
y(n)=ax1,i+bx2,i+cx3,i,
写出i个方程组成的方程组,并利用解矩阵的方法计算出矩阵(a,b,c);
A=p·(a,b,c);
步骤二、云计算模块的相关图像分析模块利用影响因子A和YOLO的目标检测算法对相关图像进行目标检测得到二类目标检测结果,YOLO技术中通过LOSS损失函数对目标进行定位,LOSS损失函数的推导过程如下:
L为网络层,每层神经元个数为N(l)个,第
l层第n个神经元的输入为{y1,l-1,y2,l-1,...,yN(l-1),l-1},bn,l-1为偏置,根据对应的仿射变换的权重进行放射变换后得到zn,l,再经过激活函数得到yn,l,y’n,l为yn,l的导数,利用影响因子A改变损失函数的加权;
步骤三、云计算模块将影响因子A发送至目标分析模块,目标检测模块通过结合环境影响参数A与R-FCN目标检测算法对目标图像集进行目标检测得到一类目标检测结果,同样考虑影响因子A对R-FCN的损失函数的加权,计算过程如下:
其中,c*代表分类得到的ROI区域的类别,[c*>0]表示对括号内的判断满足时,结果为1,λ为多任务的比重,根据A调整的超参数,Lcls为分类损失函数,Lreg为回归损失函数,x,y,w,h代表边界框的4个值;
步骤四、结果分析模块对一类目标检测结果和二类目标检测结果进行对比判断,计算一类目标检测结果与二类目标检测结果的相似度,若相似度大于0.5,将一类目标检测结果和二类目标检测结果直接合并为最终目标检测结果,若相似度小于0.5时,以一类目标检测结果为最终目标检测结果。
由于以上技术方案的采用,本发明与现有技术相比具有如下优点;
1.云计算模块通过线性回归的方法计算了环境因素对图像的目标检测结果的影响,并将影响因子与目标检测算法中的损失函数进行加权,充分考虑到了环境带了的影响,在不同的环境影响下,损失函数的值越小,目标检测系统越准确。
2.系统中同时运用了YOLO和R-FCN两种目标检测算法,并根据两种目标检测算法的特点,处理不同数量的图像,最通过判断两种目标检测算法的目标检测结果得到最终目标检测结果,充分利用了YOLO检测图像速度快的特点,同时利用R-FCN检测小目标准确性强的特点来克服了YOLO的缺点。
3.图像缓冲模块对图像处理起到了一个缓冲的作用,对于目标分析模块的图像优先发送,通过确定发送图像的优先权来提高了目标检测的速度,通过图像预处理模块将待检测的图像分别发送至云计算模块和目标分析模块,降低了对于网络传输过程中的带宽要求,加强了目标检测系统的稳定性。
附图说明
图1为本系统的整体模块图;
图2为计算流程图;
图3为采集模块的模块图;
图4为图像预处理模块的模块图;
图5为图像传输模块的模块图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效,在以下配合参考附图1至图5对实施例的详细说明中,将可清楚的呈现。以下实施例中所提到的结构内容,均是以说明书附图为参考。
一种通信工程项目的目标检测系统,包括云计算模块、采集模块、图像预处理模块、目标检测模块、图像传输模块、控制中心模块,采集模块包括图像采集模块、光感应模块、环境采集模块、热感应模块,图像预处理模块包括图像清洗模块、图像预分类模块、图像检测模块、图像追踪模块,图像传输模块包括图像缓存模块、目标传输模块、相关图像传输模块,云计算模块包括环境分析模块、相关分析模块、存储模块,控制中心模块包括数据接收模块、结果分析模块、数据传输模块和监督模块,目标分析模块包括目标预处理模块、目标检测模块、误差分析模块和采集分析模块;
系统管理过程具体如下:
(1)、通信项目工程会涉及到各种数据的传输,图像数字信号在传输过程中对带宽有很高的要求,监控视频是由无数个帧图像组成的,提高图像的目标检测速度可以有效提高监控视频的处理速度,所述图像采集模块通过监控探头采集到监控视频,并对监控视频进行处理得到图像集,且将图像集发送至图像预处理模块,图像预处理模块接收到的图像集是按照监控视频的顺序进行排列的,以一个固定帧数为间隔对图像集提取图像,间隔数不大时,可以减少待处理的帧图像数,带有监控视频中运动目标的图像也可以被提取出来,光感应模块采集监控过程的光亮程度并发送至环境采集模块,热感应模块采集监控过程中温度参数发送至环境采集模块,环境采集模块利用生成的采集环境数据对图像集进行标记,并发送至云计算模块,再由云计算模块对采集环境数据进行分析得到影响因子A,将影响因子A发送至目标分析模块,每一张图像上的采集都会受到环境的影响,例如光亮强度太弱时,会严重影响目标检测的结果,所以分析图像采集环境的影响对检测结果会有很大的影响;
(2)、图像清洗模块对的图像集进行图像清洗,再由图像预分类模块对图像集进行分类得到初级图像集,图像检测模块根据图像集的颜色特征对初级图像集进行筛选得到目标图像集,初级图像集筛选出目标图像集以后的剩余图像为相关目标图像集,图像追踪模块根据图像在视频中的时刻对初级图像集进行标记,图像缓存模块根据目标图像集和相关目标图像集决定传输的优先权,相关图像传输模块将相关目标图像集发送至云计算模块,目标传输模块将目标图像集发送至目标分析模块,运动目标运动时,图像的颜色特征会发生明显变化,所以根据颜色特征提取图像可以更具有代表性;
(3)、目标预处理模块根据图像追踪模块的标记对目标图像集进行排列,再由目标检测模块利用R-FCN目标检测算法对排列后的目标图像集的进行目标检测得到一类目标检测结果,目标检测模块在目标检测过程中结合了影响因子A对R-FCN的损失函数的影响,并将一类目标检测结果发送至控制中心模块,R-FCN目标检测算法可以检测出微小的目标,但是由于算法过于复杂,导致检测速度效率低,为了克服这个缺点,利用R-FCN检测少量的目标图像集,由于图像预处理模块是根据颜色特征提取出的目标图像集,所以目标图像集的数量比相关目标图像集的数量少;
(4)、云计算模块的相关分析模块利用YOLO目标检测算法对相关目标图像集进行目标检测得到二类目标检测结果,检测过程中结合影响因子A对YOLO的损失函数的影响,云计算模块将二类目标检测结果也发送至控制中心模块,控制中心模块接收一类目标检测结果和二类目标检测结果,通过结果分析模块的分析得到最终目标检测结果。
检测监控视频中的运动目标时,带有目标图像的数量会很大,为了提高目标检测的实时性,将图像集分散进行处理,控制中心模块通过对一类目标检测结果和二类目标检测结果的分析得到最终目标检测结果,具体分析过程如下:
步骤一、云计算模块的环境分析模块对相关目标图像集进行分析得到环境的影响因子A,计算过程如下:
1)、环境分析模块根据图像追踪模块的标记信息从存储模块中调取采集信息,采集环境数据包括光亮程度、温度参数和采集信息,令光亮亮度为x1,i、温度参数为x2,i、采集信息为x3,i,以x1,i,x2,i,x3,i为自变量,以每张图像的清晰度yi为函数值,对相关目标图像集的i张图像进行标号(1,2,3,…i);
2)、利用线性回归函数
y(n)=ax1,i+bx2,i+cx3,i,
写出i个方程组成的方程组,并利用解矩阵的方法计算出矩阵(a,b,c);
A=p·(a,b,c);
步骤二、云计算模块的相关图像分析模块利用影响因子A和YOLO的目标检测算法对相关图像进行目标检测得到二类目标检测结果,YOLO技术中通过LOSS损失函数对目标进行定位,LOSS损失函数的推导过程如下:
L为网络层,每层神经元个数为N(l)个,第
l层第n个神经元的输入为{y1,l-1,y2,l-1,...,yN(l-1),l-1},bn,l-1为偏置,根据对应的仿射变换的权重进行放射变换后得到zn,l,再经过激活函数得到yn,l,y’n,l为yn,l的导数,利用影响因子A改变损失函数的加权;
步骤三、云计算模块将影响因子A发送至目标分析模块,目标检测模块通过结合环境影响参数A与R-FCN目标检测算法对目标图像集进行目标检测得到一类目标检测结果,同样考虑影响因子A对R-FCN的损失函数的加权,计算过程如下:
其中,c*代表分类得到的ROI区域的类别,[c*>0]表示对括号内的判断满足时,结果为1,λ为多任务的比重,根据A调整的超参数,Lcls为分类损失函数,Lreg为回归损失函数,x,y,w,h代表边界框的4个值,损失函数在环境的影响因子的加权下,损失函数的值越小,检测系统的准确性越高;
步骤四、结果分析模块对一类目标检测结果和二类目标检测结果进行对比判断,计算一类目标检测结果与二类目标检测结果的相似度,若相似度大于0.5,将一类目标检测结果和二类目标检测结果直接合并为最终目标检测结果,若相似度小于0.5时,以一类目标检测结果为最终目标检测结果,。
图像清洗模块是对图像集中模糊的图像进行清洗,图像预处理模块根据图像集的顺序对图像进行等间距抽取图像得到初级图像集,图像检测模块根据图像的颜色特征对图像进行筛选,并提取出颜色特征发生变化的图像组成目标图像集,相关目标图像集的张数大于等于目标图像集的张数。
当图像缓存模块同时接收到目标图像集和相关目标图像集时,图像缓存模块确定目标图像集发送的优先权,通过目标传输模块优先将目标图像集发送至目标分析模块,再由相关图像传输模块将相关目标图像集发送至云计算模块,控制中心模块的数据接收模块接收云计算模块和目标分析模块发送的检测结果,并由结果分析模块对检测结果进行重新判断,确定最终目标检测结果,监督模块是对目标检测系统的每一个过程进行监控,当出现检测异常时由数据传输模块将异常数据发送至对应的模块。
所述采集模块是采集图像的背景范围是固定的,采集环境数据对图像的目标检测影响程度是相同的,环境检测模块可以从存储模块中提取采集环境的采集信息,采集信息中包括存储模块中监控探头的信息、采集视频图像时的天气信息、采集的相关信息。
本发明具体使用时,系统主要包括云计算模块、采集模块、图像预处理模块、目标检测模块、图像传输模块、控制中心模块,系统通过采集模块采集到监控视频,并对监控视频进行处理得到图像集,图像预处理模块对图像集进一步处理得到目标图像集和相关目标图像集,图像传输模块将目标图像集发送至目标分析模块,将相关目标图像集发送至云计算模块,云计算模块的环境分析模块对采集模块采集的采集环境数据进行分析得到影响因子,并将影响因子发送至相关分析模块,相关分析模块利用影响因子对YOLO目标检测算法中的损失函数进行加权,通过相关分析模块的分析得到二类目标检测结果并发送至控制中心模块,目标分析模块利用影响因子对R-FCN目标检测算法的损失函数进行加权,并对目标图像集进行检测得到一类目标检测结果,且将一类目标检测结果发送至控制中心模块,控制中心模块通过对一类目标检测结果和二类目标检测结果进行分析得到最终目标检测结果,通过环境的影响因子对YOLO目标检测算法和R-FCN目标检测算法的损失函数的加权可以更准确的进行目标检测,通过将图像集在不同模块的处理降低了带宽的需求,通过两种目标检测算法的结合,克服了YOLO算法检测微小目标的缺点。
以上所述是结合具体实施方式对本发明所作的进一步详细说明,不能认定本发明具体实施仅局限于此;对于本发明所属及相关技术领域的技术人员来说,在基于本发明技术方案思路前提下,所作的拓展以及操作方法、数据的替换,都应当落在本发明保护范围之内。
Claims (4)
1.一种通信工程项目的目标检测系统,其特征在于,包括云计算模块、采集模块、图像预处理模块、目标检测模块、图像传输模块、控制中心模块,采集模块包括图像采集模块、光感应模块、环境采集模块、热感应模块,图像预处理模块包括图像清洗模块、图像预分类模块、图像检测模块、图像追踪模块,图像传输模块包括图像缓存模块、目标传输模块、相关图像传输模块,云计算模块包括环境分析模块、相关分析模块、存储模块,控制中心模块包括数据接收模块、结果分析模块、数据传输模块和监督模块,目标分析模块包括目标预处理模块、目标检测模块、误差分析模块和采集分析模块;
系统管理过程具体如下:
(1)、所述图像采集模块通过监控探头采集到监控视频,并对监控视频进行处理得到图像集,且将图像集发送至图像预处理模块,光感应模块采集监控过程的光亮程度并发送至环境采集模块,热感应模块采集监控过程中温度参数发送至环境采集模块,环境采集模块利用生成的采集环境数据对图像集进行标记,并发送至云计算模块,再由云计算模块对采集环境数据进行分析得到影响因子A,将影响因子A发送至目标分析模块;
(2)、图像清洗模块对图像集进行图像清洗,再由图像预分类模块对图像集进行分类得到初级图像集,图像检测模块根据图像集的颜色特征对初级图像集进行筛选得到目标图像集,初级图像集筛选出目标图像集以后的剩余图像为相关目标图像集,图像追踪模块根据图像在视频中的时刻对初级图像集进行标记,图像缓存模块根据目标图像集和相关目标图像集决定传输的优先权,相关图像传输模块将相关目标图像集发送至云计算模块,目标传输模块将目标图像集发送至目标分析模块;
(3)、目标预处理模块根据图像追踪模块的标记对目标图像集进行排列,目标检测模块再利用R-FCN目标检测算法对排列后的目标图像集进行目标检测得到一类目标检测结果,目标检测模块在目标检测过程中结合了影响因子A对R-FCN的损失函数的影响,并将一类目标检测结果发送至控制中心模块;
(4)、云计算模块的相关分析模块利用YOLO目标检测算法对相关目标图像集进行目标检测得到二类目标检测结果,检测过程中结合影响因子A对YOLO的损失函数的影响,云计算模块将二类目标检测结果也发送至控制中心模块,控制中心模块接收一类目标检测结果和二类目标检测结果,通过结果分析模块的分析得到最终目标检测结果,
控制中心模块通过对一类目标检测结果和二类目标检测结果的分析得到最终目标检测结果,具体分析过程如下:
步骤一、云计算模块的环境分析模块对相关目标图像集进行分析得到环境的影响因子A,计算过程如下:
1)、环境分析模块根据图像追踪模块的标记信息从存储模块中调取采集信息,采集环境数据包括光亮程度、温度参数和采集信息,令光亮亮度为x1,i、温度参数为x2,i、采集信息为x3,i,以x1,i,x2,i,x3,i为自变量,以每张图像的清晰度yi为函数值,对相关目标图像集的i张图像进行标号(1,2,3,…i);
2)、利用线性回归函数
y(n)=ax1,i+bx2,i+cx3,i,
写出i个方程组成的方程组,并利用解矩阵的方法计算出矩阵(a,b,c);
A=p·(a,b,c);
步骤二、云计算模块的相关图像分析模块利用影响因子A和YOLO的目标检测算法对相关图像进行目标检测得到二类目标检测结果,YOLO技术中通过LOSS损失函数对目标进行定位,LOSS损失函数的推导过程如下:
L为网络层,每层神经元个数为N(l)个,第l层第n个神经元的输入为{y1,l-1,y2,l-1,...,yN(l-1),l-1},bn,l-1为偏置,根据对应的仿射变换的权重进行仿射变换后得到zn,l,再经过激活函数得到yn,l,y’n,l为yn,l的导数,利用影响因子A改变损失函数的加权;
步骤三、云计算模块将影响因子A发送至目标分析模块,目标检测模块通过结合环境影响参数A与R-FCN目标检测算法对目标图像集进行目标检测得到一类目标检测结果,同样考虑影响因子A对R-FCN的损失函数的加权,计算过程如下:
其中,c*代表分类得到的ROI区域的类别,[c*>0]表示对括号内的判断满足时,结果为1,λ为多任务的比重,根据A调整的超参数,Lcls为分类损失函数,Lreg为回归损失函数,x,y,w,h代表边界框的4个值;
步骤四、结果分析模块对一类目标检测结果和二类目标检测结果进行对比判断,计算一类目标检测结果与二类目标检测结果的相似度,若相似度大于0.5,将一类目标检测结果和二类目标检测结果直接合并为最终目标检测结果,若相似度小于0.5时,以一类目标检测结果为最终目标检测结果。
2.根据权利要求1所述的一种通信工程项目的目标检测系统,其特征在于,图像清洗模块是对图像集中模糊的图像进行清洗,图像预处理模块根据图像集的顺序对图像进行等间距抽取图像得到初级图像集,图像检测模块根据图像的颜色特征对图像进行筛选,并提取出颜色特征发生变化的图像组成目标图像集,相关目标图像集的张数大于等于目标图像集的张数。
3.根据权利要求1所述的一种通信工程项目的目标检测系统,其特征在于,当图像缓存模块同时接收到目标图像集和相关目标图像集时,图像缓存模块确定目标图像集发送的优先权,通过目标传输模块优先将目标图像集发送至目标分析模块,再由相关图像传输模块将相关目标图像集发送至云计算模块。
4.根据权利要求1所述的一种通信工程项目的目标检测系统,其特征在于,所述采集模块是采集图像的背景范围是固定的,采集环境数据对图像的目标检测影响程度是相同的,环境检测模块可以从存储模块中提取采集环境的采集信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316521.8A CN112966699B (zh) | 2021-03-24 | 2021-03-24 | 一种通信工程项目的目标检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316521.8A CN112966699B (zh) | 2021-03-24 | 2021-03-24 | 一种通信工程项目的目标检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966699A CN112966699A (zh) | 2021-06-15 |
CN112966699B true CN112966699B (zh) | 2022-08-26 |
Family
ID=76278393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110316521.8A Active CN112966699B (zh) | 2021-03-24 | 2021-03-24 | 一种通信工程项目的目标检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966699B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116804882B (zh) * | 2023-06-14 | 2023-12-29 | 黑龙江大学 | 一种基于流数据处理的智能无人机控制系统及其无人机 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6471934B2 (ja) * | 2014-06-12 | 2019-02-20 | パナソニックIpマネジメント株式会社 | 画像認識方法、カメラシステム |
CN112347817B (zh) * | 2019-08-08 | 2022-05-17 | 魔门塔(苏州)科技有限公司 | 一种视频目标检测与跟踪方法及装置 |
CN112287788A (zh) * | 2020-10-20 | 2021-01-29 | 杭州电子科技大学 | 基于改进YOLOv3和改进NMS的行人检测方法 |
CN112445998A (zh) * | 2020-11-05 | 2021-03-05 | 深圳中兴网信科技有限公司 | 环境数据评估方法、系统和计算机可读存储介质 |
-
2021
- 2021-03-24 CN CN202110316521.8A patent/CN112966699B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112966699A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126136B (zh) | 一种基于图像识别的烟雾浓度量化方法 | |
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
CN112380952A (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
Usha Nandini et al. | Efficient shadow detection by using PSO segmentation and region-based boundary detection technique | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别系统及方法 | |
CN112419261B (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
CN114298948A (zh) | 基于PSPNet-RCNN的球机监控异常检测方法 | |
CN112966699B (zh) | 一种通信工程项目的目标检测系统 | |
Drouyer | An'All Terrain'Crack Detector Obtained by Deep Learning on Available Databases | |
CN116109950A (zh) | 一种低空域反无人机视觉检测、识别与跟踪方法 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN113034471B (zh) | 一种基于finch聚类的sar图像变化检测方法 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN114662594B (zh) | 一种目标特征识别分析系统 | |
CN112733584A (zh) | 通信光缆的智能告警方法和装置 | |
CN116309270A (zh) | 一种基于双目图像的输电线路典型缺陷识别方法 | |
CN116403021A (zh) | 一种基于卷积神经网络和自注意力机制的智能矿物分选方法 | |
CN115082449A (zh) | 一种电子元器件缺陷检测方法 | |
CN111368625B (zh) | 一种基于级联优化的行人目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |