CN113012136A - 一种基于目标检测的机场行李计数方法及计数系统 - Google Patents
一种基于目标检测的机场行李计数方法及计数系统 Download PDFInfo
- Publication number
- CN113012136A CN113012136A CN202110313191.7A CN202110313191A CN113012136A CN 113012136 A CN113012136 A CN 113012136A CN 202110313191 A CN202110313191 A CN 202110313191A CN 113012136 A CN113012136 A CN 113012136A
- Authority
- CN
- China
- Prior art keywords
- luggage
- training
- video
- baggage
- airport
- 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 41
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30242—Counting objects in image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标检测的机场行李计数方法及计数系统,属于民航数据处理技术领域,其特征在于,包括:一,采集机场机坪行李处理中的视频,并对视频中的行李进行预分类,通过使用基于区域的卷积神经网络提取特征并进行训练,得到基于卷积神经网络的预分类模型;二,将视频处理成以帧为单位的图片,对每张图片中的行李进行标签;三,将打好标签的行李图片进行训练,得到预训练模型;四,对于机坪视频,运用所述训练模型进行目标检测,检测是否有行李在视频中出现,如果出现,就将行李与背景分离,从而得到只有行李的视频;五,消除行李形变现象;六,对于检测出的与背景分离的行李,再进行行李计数,得到行李的总数。
Description
技术领域
本发明属于民航数据处理技术领域,特别是涉及一种基于目标检测的机场行李计数方法及计数系统。
背景技术
近年来,随着经济的发展,越来越多的人选择飞机出行,越来越频繁的出行需求给乘客行李的调度带来极大的压力。乘客行李的丢包率和完好率一直是航空公司的重点关注问题,是提升用户体验的重要方面。如果行李在运输或者传输时丢失、遗漏或者遭遇暴力运输时,会对乘客和航空公司双方造成困扰,对于乘客来说,会对自己的财物和精神造成影响;对于航空公司而言,寻找丢失行李或者处理类似的事件时,会使用大量的人力物力去寻找行李及安抚乘客的情绪,还会影响航空公司的信誉。
随着航空事业的不断发展,旅客数和行李数呈现出连年攀升的态势,航空公司在服务方面面临着越来越大的压力。为了进一步提高服务质量,加快推进行李全流程跟踪系统建设,民航局2019年“民航服务质量重点攻坚”专项行动专门提出研究制定《全民航行李全流程跟踪系统建设指南》,包括了值机收运、行李分拣、行李装载、行李运输、行李装机、中转站分拣、到达交付等细节环节。
搬运行李是在进行户外高强度工作,工作量大,时间短,并且还有夜间搬运的工作,所以容易产生行李遗漏的现象,对行李进行计数的检测涉及到对行李进行处理,分析行李的运动状态以及行李的属性。但机坪中行李目标较小,识别比较困难。
发明内容
技术问题
本发明为解决机场运营中存在的行李有遗漏的现象,可以对机坪行李操作中的过程进行实时信号采集以及行李进行计数检测,大大减少了机场的投诉率和行李的完好率,提高了行航空公司的信誉。
技术方案
本发明的第一目的是提供一种基于目标检测的机场行李计数方法,包括如下步骤:
步骤一,采集机场机坪行李处理中的视频,并对视频中的行李进行预分类,通过使用基于区域的卷积神经网络提取特征并进行训练,得到基于卷积神经网络的预分类模型;
步骤二,将视频处理成以帧为单位的图片,对每张图片中的行李进行标签;
步骤三,将打好标签的行李图片进行训练,得到预训练模型;所述训练采用基于keras的yolo v3;
步骤四,对于机坪视频,运用所述训练模型进行目标检测,检测是否有行李在视频中出现,如果出现,就将行李与背景分离,从而得到只有行李的视频;
步骤五,消除行李形变现象,具体为:采用空间转换将行李变换成正常行李的形状;
步骤六,对于检测出的与背景分离的行李,再进行行李计数,得到行李的总数。
优选地,步骤一中,首先对机坪中行李操作的视频进行预处理,生成对应的模型,然后进行训练。
优选地,步骤二中,所述标签包括行李的大小、形状、种类、颜色,所述行李的大小、形状、种类、颜色组成行李数据集。
优选地,步骤三中,机场视频的原图像大小为1920*1080,行李的像素大小范围是20*20-40*40,首先修改yolo中的卷积核大小,修改到适用于机场视频的小物体目标检测,随后将使用制作好的行李数据集运行训练文件开始训练,在训练过程中测试模型的准确性,找到最佳的训练时间,并得到相应的配置文件和权重文件;将生成的相应文件放入制定的文件夹中,进行测试。
优选地,步骤六中,背景分离采用连续的帧间差分法。
本发明的第二目的是提供一种基于目标检测的机场行李计数系统,包括:
预分类模型模块,采集机场机坪行李处理中的视频,并对视频中的行李进行预分类,通过使用基于区域的卷积神经网络提取特征并进行训练,得到基于卷积神经网络的预分类模型;
标签模块,将视频处理成以帧为单位的图片,对每张图片中的行李进行标签;
训练模块,将打好标签的行李图片进行训练,得到预训练模型;所述训练采用基于keras的yolo v3;
分离模块,对于机坪视频,运用所述训练模型进行目标检测,检测是否有行李在视频中出现,如果出现,就将行李与背景分离,从而得到只有行李的视频;
修正模块,消除行李形变现象,具体为:采用空间转换将行李变换成正常行李的形状;
计数模块,对于检测出的与背景分离的行李,再进行行李计数,得到行李的总数。
优选地,预分类模型模块中,首先对机坪中行李操作的视频进行预处理,生成对应的模型,然后进行训练。
优选地,标签模块中,所述标签包括行李的大小、形状、种类、颜色,所述行李的大小、形状、种类、颜色组成行李数据集。
本发明的第三目的是提供一种实现上述基于目标检测的机场行李计数方法的信息数据处理终端。
本发明的第四目的是提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的基于目标检测的机场行李计数方法。
本发明的优点及积极效果为:
通过采用上述技术方案,本发明具有如下的技术效果:
本发明提出了一种新的基于目标检测的机坪行李计数研究模型。该模型针对机场机坪中存在行李遗漏现象,根据机场目标检测的需要,从行李分拣中识别出每趟航班行李的总数。行李分拣过程中会存在扭曲或者变形,使用空间转换算法对行李进行转换,转换后的行李与原行李基本相同,再使用改进的帧间差分法对行李进行检测,通过设定一定的阈值,从而分辨出行李的状态,再运用行李计数程序得到行李总数。
附图说明
图1为本发明优先实施例的流程图;
图2为行李形状异常示例图;
图3为行李计数结果示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
基于深度学习的行李计数检测实质上是检测细节问题,通过对机坪行李显示界面中的行李进行特征提取和预分类可以检测到行李的状态。对于正常分拣行李情况下的行李检测需要根据背景知识建立行李识别模型,将图片特征以及行李识别信息送入卷积神经网络,通过预训练的CNN模型可以对托运行李进行检测和计数。
本申请提出的行李检测计数方法是针对站坪中行李分拣过程中对行李进行计数的,行李分拣过程中首先对行李进行识别,然后再将识别出的行李进行计数。站坪行李分拣具有以下几个特点:①机坪目标太多,不容易辨别;②机坪视野较大,环境也比较复杂,不容易处理。③搬运行李是在进行户外高强度工作,人工统计每次运输行李的数目,工作量大,并且还有夜间搬运的工作,所以容易产生错误,以致有时行李遗漏不能及时发现。
根据站坪行李分拣的特征,本发明提出了一种基于目标检测的机场行李计数方法及计数系统,这种方法能有效减少行李分拣过程中的遗漏现象,增加了行李分拣的效率,提高了行李的完好性和航班行李的准确性。
请参阅图1至图3,
一种基于目标检测的机场行李计数方法,由附图1可知,本发明共需要两个实现阶段,分别是卷积神经网络训练阶段和行李检测及计数阶段。该方法包括以下几个步骤:
步骤一,采集机场机坪行李处理中的视频,并对视频中的行李进行预分类,通过使用基于区域的卷积神经网络(CNN)提取特征并进行训练,得到基于卷积神经网络的预分类模型;
步骤二,将视频处理成以帧为单位的图片,对每张图片中的行李进行标签;
步骤三,将打好标签的行李用改进的基于keras的yolo v3进行训练,得到预训练模型;
步骤四,对于机坪视频,运用训练好的模型进行目标检测,检测是否有行李在视频中出现,如果出现就将行李与背景分离,从而得到只有行李的视频;
步骤五,在行李分拣可能会出现形变的现象,针对形变现象,采用空间转换变换成正常行李的形状;
步骤六,对于检测出的与背景分离的行李,再行李计数方法进行计数,得到行李的总数。
下面对上述步骤逐一进行阐述:
步骤一中,检测行李与行李计数是一个不平衡的二分类问题,行李检测的难度远大于行李计数,对机坪中行李操作的视频进行预处理,生成对应的模型。
步骤二中,将机坪行李操作中的视频进行处理,一帧一帧的进行处理,将每帧中的行李都打上对应的标签,包括行李的大小、形状、种类、颜色等形成一个行李数据集,以方便后续进行处理。
步骤三中,机场视频的原图像大小为1920*1080,而行李的像素大小基本上在20*20-40*40之间,属于小物体目标检测,现有的目标检测主流方法有Yolo和Faster r-cnn,但Yolo和Faster r-cnn卷积核大小分别为64*64,不适用与当前的行李目标检测。现有方法解决不了这么小的物体的检测,所以修改yolo中的卷积核大小,修改到适用于机场视频的小物体目标检测。接下来就是将使用制作好的行李数据集运行训练文件开始训练,在训练过程中测试模型的准确性,找到相对最佳的训练时间,并得到相应的配置文件(CFG)和权重文件。将生成的相应文件放入制定的文件夹中,进行测试。
步骤四中,对于机坪行李操作视频,使用上述训练好的模型进行行李目标检测,检测是否有行李在机坪视频中出现,如果出现就将行李与背景分离,从而得到只有行李的视频关键帧。
步骤五中,对测试结果进行查看,发现其中有部分行李没有检测到,是因为行李在高速运动中会产生形变。这个时候就需要进行形态学处理,进行空间变换处理。
步骤六中,我们将上述检测到的行李从背景中分离出来,因为机坪中飞机和车辆都是固定的,所以我们可以把除了行李之外的背景去除,就得到了只剩下行李的图片,两帧差分法适用于目标运动较为缓慢的场景,当运动较快时,由于目标在相邻帧图像上的位置相差较大,两帧图像相减后并不能得到完整的运动目标,行李在分拣过程中的运动速度较快,所以就使用连续的帧间差分法。在连续的帧间差分法设置一定的阈值,如果大于这个阈值,我们就判定行李,然后运用行李计数程序对识别出来的程序进行统计。
一种基于目标检测的机场行李计数系统,包括:
预分类模型模块,采集机场机坪行李处理中的视频,并对视频中的行李进行预分类,通过使用基于区域的卷积神经网络提取特征并进行训练,得到基于卷积神经网络的预分类模型;
标签模块,将视频处理成以帧为单位的图片,对每张图片中的行李进行标签;
训练模块,将打好标签的行李图片进行训练,得到预训练模型;所述训练采用基于keras的yolo v3;
分离模块,对于机坪视频,运用所述训练模型进行目标检测,检测是否有行李在视频中出现,如果出现,就将行李与背景分离,从而得到只有行李的视频;
修正模块,消除行李形变现象,具体为:采用空间转换将行李变换成正常行李的形状;
计数模块,对于检测出的与背景分离的行李,再进行行李计数,得到行李的总数。
一种实现上述基于目标检测的机场行李计数方法的信息数据处理终端。
一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的基于目标检测的机场行李计数方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于目标检测的机场行李计数方法,其特征在于,包括如下步骤:
步骤一,采集机场机坪行李处理中的视频,并对视频中的行李进行预分类,通过使用基于区域的卷积神经网络提取特征并进行训练,得到基于卷积神经网络的预分类模型;
步骤二,将视频处理成以帧为单位的图片,对每张图片中的行李进行标签;
步骤三,将打好标签的行李图片进行训练,得到预训练模型;所述训练采用基于keras的yolo v3;
步骤四,对于机坪视频,运用所述训练模型进行目标检测,检测是否有行李在视频中出现,如果出现,就将行李与背景分离,从而得到只有行李的视频;
步骤五,消除行李形变现象,具体为:采用空间转换将行李变换成正常行李的形状;
步骤六,对于检测出的与背景分离的行李,再进行行李计数,得到行李的总数。
2.根据权利要求1所述的基于目标检测的机场行李计数方法,其特征在于,步骤一中,首先对机坪中行李操作的视频进行预处理,生成对应的模型,然后进行训练。
3.根据权利要求2所述的基于目标检测的机场行李计数方法,其特征在于,步骤二中,所述标签包括行李的大小、形状、种类、颜色,所述行李的大小、形状、种类、颜色组成行李数据集。
4.根据权利要求3所述的基于目标检测的机场行李计数方法,其特征在于,步骤三中,机场视频的原图像大小为1920*1080,行李的像素大小范围是20*20-40*40,首先修改yolo中的卷积核大小,修改到适用于机场视频的小物体目标检测,随后将使用制作好的行李数据集运行训练文件开始训练,在训练过程中测试模型的准确性,找到最佳的训练时间,并得到相应的配置文件和权重文件;将生成的相应文件放入制定的文件夹中,进行测试。
5.根据权利要求4所述的基于目标检测的机场行李计数方法,其特征在于,步骤六中,背景分离采用连续的帧间差分法。
6.一种基于目标检测的机场行李计数系统,其特征在于,包括:
预分类模型模块,采集机场机坪行李处理中的视频,并对视频中的行李进行预分类,通过使用基于区域的卷积神经网络提取特征并进行训练,得到基于卷积神经网络的预分类模型;
标签模块,将视频处理成以帧为单位的图片,对每张图片中的行李进行标签;
训练模块,将打好标签的行李图片进行训练,得到预训练模型;所述训练采用基于keras的yolo v3;
分离模块,对于机坪视频,运用所述训练模型进行目标检测,检测是否有行李在视频中出现,如果出现,就将行李与背景分离,从而得到只有行李的视频;
修正模块,消除行李形变现象,具体为:采用空间转换将行李变换成正常行李的形状;
计数模块,对于检测出的与背景分离的行李,再进行行李计数,得到行李的总数。
7.根据权利要求6所述的基于目标检测的机场行李计数系统,其特征在于,预分类模型模块中,首先对机坪中行李操作的视频进行预处理,生成对应的模型,然后进行训练。
8.根据权利要求7所述的基于目标检测的机场行李计数系统,其特征在于,标签模块中,所述标签包括行李的大小、形状、种类、颜色,所述行李的大小、形状、种类、颜色组成行李数据集。
9.一种实现权利要求1-5任一项所述基于目标检测的机场行李计数方法的信息数据处理终端。
10.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任一项所述的基于目标检测的机场行李计数方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110313191.7A CN113012136A (zh) | 2021-03-24 | 2021-03-24 | 一种基于目标检测的机场行李计数方法及计数系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110313191.7A CN113012136A (zh) | 2021-03-24 | 2021-03-24 | 一种基于目标检测的机场行李计数方法及计数系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113012136A true CN113012136A (zh) | 2021-06-22 |
Family
ID=76406021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110313191.7A Pending CN113012136A (zh) | 2021-03-24 | 2021-03-24 | 一种基于目标检测的机场行李计数方法及计数系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115112508A (zh) * | 2022-08-29 | 2022-09-27 | 民航成都物流技术有限公司 | 民航机场托运行李软硬包识别装置和方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563347A (zh) * | 2017-09-20 | 2018-01-09 | 南京行者易智能交通科技有限公司 | 一种基于tof相机的客流计数方法和装置 |
CN110992305A (zh) * | 2019-10-31 | 2020-04-10 | 中山大学 | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 |
US20200134366A1 (en) * | 2017-06-16 | 2020-04-30 | Hangzhou Hikvision Digital Technology Co., Ltd. | Target recognition method and apparatus for a deformed image |
CN111160220A (zh) * | 2019-12-26 | 2020-05-15 | 厦门市美亚柏科信息股份有限公司 | 一种基于深度学习的包裹检测方法、装置、存储介质 |
CN111340161A (zh) * | 2020-03-06 | 2020-06-26 | 飞友科技有限公司 | 一种机场出港行李跟踪系统及其跟踪统计方法 |
CN111343431A (zh) * | 2020-03-13 | 2020-06-26 | 温州大学大数据与信息技术研究院 | 基于图像矫正的机场目标检测系统 |
CN111488803A (zh) * | 2020-03-16 | 2020-08-04 | 温州大学大数据与信息技术研究院 | 一种融合目标检测和目标跟踪的机场目标行为理解系统 |
-
2021
- 2021-03-24 CN CN202110313191.7A patent/CN113012136A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134366A1 (en) * | 2017-06-16 | 2020-04-30 | Hangzhou Hikvision Digital Technology Co., Ltd. | Target recognition method and apparatus for a deformed image |
CN107563347A (zh) * | 2017-09-20 | 2018-01-09 | 南京行者易智能交通科技有限公司 | 一种基于tof相机的客流计数方法和装置 |
CN110992305A (zh) * | 2019-10-31 | 2020-04-10 | 中山大学 | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 |
CN111160220A (zh) * | 2019-12-26 | 2020-05-15 | 厦门市美亚柏科信息股份有限公司 | 一种基于深度学习的包裹检测方法、装置、存储介质 |
CN111340161A (zh) * | 2020-03-06 | 2020-06-26 | 飞友科技有限公司 | 一种机场出港行李跟踪系统及其跟踪统计方法 |
CN111343431A (zh) * | 2020-03-13 | 2020-06-26 | 温州大学大数据与信息技术研究院 | 基于图像矫正的机场目标检测系统 |
CN111488803A (zh) * | 2020-03-16 | 2020-08-04 | 温州大学大数据与信息技术研究院 | 一种融合目标检测和目标跟踪的机场目标行为理解系统 |
Non-Patent Citations (6)
Title |
---|
吴喜梅,等.: "一种实用视频客流计数算法" * |
曾学;杨俊杰;胡圣启;: "机场行李掉落检测系统研究" * |
王伟;何姣;石强;: "复杂背景下目标识别算法分析与改进" * |
罗建坤,等.: "基于深度学习的包裹追踪检测计数系统" * |
罗建坤等: "基于深度学习的包裹追踪检测计数系统", 《自动化与信息工程》 * |
韩裕生,易素君,邵立康,丁厚本,李鹏辉,聂超,秦晓燕: "多速度安检系统的图像实时校正算法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115112508A (zh) * | 2022-08-29 | 2022-09-27 | 民航成都物流技术有限公司 | 民航机场托运行李软硬包识别装置和方法 |
CN115112508B (zh) * | 2022-08-29 | 2023-01-24 | 民航成都物流技术有限公司 | 民航机场托运行李软硬包识别装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Improved YOLOv5 network model and application in safety helmet detection | |
CN112380952B (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 | |
Laroca et al. | On the cross-dataset generalization in license plate recognition | |
CN107103314A (zh) | 一种基于机器视觉的套牌车辆检索识别系统 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN107808126A (zh) | 车辆检索方法及装置 | |
CN114157829A (zh) | 模型训练优化方法、装置、计算机设备及存储介质 | |
CN110866512A (zh) | 一种基于视频分类的监控摄像机遮挡检测方法 | |
CN111832578A (zh) | 兴趣点信息处理方法、装置、电子设备和存储介质 | |
CN106227836B (zh) | 基于图像与文字的无监督联合视觉概念学习系统及方法 | |
CN112232339A (zh) | 基于卷积神经网络的航显设备故障检测方法及监控装置 | |
CN111814687A (zh) | 一种航班保障节点智能识别系统 | |
CN113012136A (zh) | 一种基于目标检测的机场行李计数方法及计数系统 | |
CN115063725A (zh) | 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统 | |
CN109902730B (zh) | 基于深度学习的输电线路断股检测方法 | |
CN115035381A (zh) | 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法 | |
CN114064971A (zh) | 一种基于深度学习的机坪视频语义检索方法及检索系统 | |
CN111056258A (zh) | 一种智能调整传送带的方法和装置 | |
CN110969192A (zh) | 一种电力巡检图像智能识别方法 | |
CN113239931A (zh) | 一种物流站车牌识别的方法 | |
CN110059189B (zh) | 一种游戏平台消息的分类系统及方法 | |
CN115937765A (zh) | 图像识别方法、agv物料分拣方法及系统 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
WO2022262013A1 (zh) | 一种车辆状态信息采集监控方法及系统 | |
CN112183752B (zh) | 一种基于自动示例选择的端到端多示例学习方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |