CN113159166A - 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 - Google Patents
基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN113159166A CN113159166A CN202110420233.7A CN202110420233A CN113159166A CN 113159166 A CN113159166 A CN 113159166A CN 202110420233 A CN202110420233 A CN 202110420233A CN 113159166 A CN113159166 A CN 113159166A
- Authority
- CN
- China
- Prior art keywords
- target detection
- edge
- embedded image
- model
- detection model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 239000011229 interlayer Substances 0.000 claims abstract description 8
- 238000013138 pruning Methods 0.000 claims abstract description 8
- 238000013139 quantization Methods 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims description 11
- 239000010410 layer Substances 0.000 claims description 11
- 102100030148 Integrator complex subunit 8 Human genes 0.000 claims description 6
- 101710092891 Integrator complex subunit 8 Proteins 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 244000141353 Prunus domestica Species 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/25—Fusion 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备,包括:步骤1:通过摄像装置采集电力巡检图片;步骤2:训练目标检测模型YOLOv5和RepVGG,并移植到嵌入式边缘设备中;步骤3:通过深度学习框架TensorRT对目标检测模型进行层间融合、张量融合、模型剪枝和权值量化,生成推理引擎;步骤4:通过推理引擎对采集到的图片进行识别检测,并将检测结果传入服务器,作为新的样本调整目标检测模型。本发明对模型进行压缩、剪枝、量化,通过自动化的方式简化了操作,加速了推理的过程,提高了检测的实时性。
Description
技术领域
本发明涉及目标检测技术领域,具体地,涉及一种基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备。
背景技术
在计算机领域,基于机器学习和深度学习的图像目标检测技术是人工智能的一个重要部分。图像目标检测技术的研究目标是根据采集的图像,识别其中特定目标的位置及类别,做出有意义的判断。
在电力行业,利用图像目标检测技术进行输电线路和变电站等场所的异物入侵检测,正慢慢成为智能电网实现的重要手段之一。但在电力巡检中,一般巡检设备(如无人机)采集的图片数据需要传回后端服务器进行分析和计算,由于巡检设备采集数据传回服务器的延迟很长,计算结果返回比较滞后,降低了实时性。而且由于巡检设备续航时间的限制,其并不适用于长距离巡线任务。
为提高巡检的实时性、提高巡检设备服务时间,采用基于边缘计算的嵌入式检测算法可能是更好的选择。基于此,提出一种利用神经网络算法的基于嵌入式芯片图像识别技术的边缘计算软硬件,实现巡检图像数据在边缘设备上的分析和计算,并通过对模型的压缩、剪枝、量化,加快目标检测推理的速度,并将新采集的图片和推理结果作为训练样本调整目标检测模型,提高目标检测的准确率。
专利文献CN112528912A(申请号:CN202011509565.4)公开了一种基于边缘计算的作物生长监测嵌入式系统及方法,该系统包括影像采集模块、环境参数采集模块、嵌入式设备、无人机、地面控制站、云端数据处理模块、电源模块和通信模块;该方法包括:所述地面控制站规划无人机飞行路线,下发无人机飞行路径和任务,对稻麦田的具体地图信息进行二维地图测绘;影像采集模块采集作物彩色图像以及视频数据;环境参数采集模块采集作物的生长环境参数;无人机回传稻麦作物的彩色图像以及视频数据,并且搭载的嵌入式设备识别稻麦的成熟度、病虫害以及对养分的分级和病虫害的分级,并将识别结果以及分级发送至地面控制站。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备。
根据本发明提供的基于边缘计算的嵌入式图像识别检测方法,包括:
步骤1:通过摄像装置采集电力巡检图片;
步骤2:训练目标检测模型YOLOv5和RepVGG,并移植到嵌入式边缘设备中;
步骤3:通过深度学习框架TensorRT对目标检测模型进行层间融合、张量融合、模型剪枝和权值量化,生成推理引擎;
步骤4:通过推理引擎对采集到的图片进行识别检测,并将检测结果传入服务器,作为新的样本调整目标检测模型。
优选的,所述边缘设备的主体为NVIDIA Jetson XavierNX嵌入式开发板,通过外接摄像头实现图片的采集功能,通过通信模块实现与服务器的网络通信。
优选的,在训练阶段,在VGG网络的Block块中加入身份特征和残差分支,以提高目标检测模型的精度;
在推理阶段,通过OP融合策略将所有的网络层都转换为Conv3*3,便于目标检测模型的部署与加速。
优选的,通过深度学习框架TensorRT将FP32型数据转换为FP16或INT8型数据进行处理,并对网络结构进行重构和优化,加速推理过程。
根据本发明提供的基于边缘计算的嵌入式图像识别检测系统,包括:
模块M1:通过摄像装置采集电力巡检图片;
模块M2:训练目标检测模型YOLOv5和RepVGG,并移植到嵌入式边缘设备中;
模块M3:通过深度学习框架TensorRT对目标检测模型进行层间融合、张量融合、模型剪枝和权值量化,生成推理引擎;
模块M4:通过推理引擎对采集到的图片进行识别检测,并将检测结果传入服务器,作为新的样本调整目标检测模型。
优选的,所述边缘设备的主体为NVIDIA Jetson XavierNX嵌入式开发板,通过外接摄像头实现图片的采集功能,通过通信模块实现与服务器的网络通信。
优选的,在训练阶段,在VGG网络的Block块中加入身份特征和残差分支,以提高目标检测模型的精度;
在推理阶段,通过OP融合策略将所有的网络层都转换为Conv3*3,便于目标检测模型的部署与加速。
优选的,通过深度学习框架TensorRT将FP32型数据转换为FP16或INT8型数据进行处理,并对网络结构进行重构和优化,加速推理过程。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现上述的方法的步骤。
根据本发明提供的一种基于边缘计算的嵌入式图像识别检测设备,包括:控制器;
所述控制器包括所述的存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现所述的基于边缘计算的嵌入式图像识别检测方法的步骤;或者,所述控制器包括所述的基于边缘计算的嵌入式图像识别检测系统。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明对模型进行压缩、剪枝、量化,通过自动化的方式简化了操作,加速了推理的过程,提高了检测的实时性;
(2)本发明将检测结果作为新的样本对目标检测模型进行调整,具有自学能力,提高了检测的准确度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为系统的完整流程图;
图2为TensorRT推理引擎生成过程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
如图1所示,根据本发明提供的基于边缘计算的嵌入式图像识别检测方法,包括:
首先,边缘设备通过摄像装置采集电力场景图。
在边缘侧,TensorRT推理引擎对采集到的图片进行推理,得到目标检测的推理结果。
所述的TensorRT推理引擎生成过程如图2所示。带标注的电力场景样本训练集通过YOLOv5和RepVGG训练得到训练模型,移植到已配置好开发环境的边缘设备后,在GCC编译下,通过TensorRT对模型进行层间融合、张量融合、模型剪枝、权值量化得到TensorRT推理引擎。层间融合是网络结构的垂直整合,将Conv、BN、ReLU融于一层,即CBR层;张量融合是网络结构的水平整合,将输入为相同张量和执行相同操作的层融于一层;模型剪枝是减少Concat层,将Concat层的输入直接送入操作中,减少传输吞吐。量化是指将FP32型数据转换为FP16或INT8型数据来处理,在推理时能提升速度。经过此一系列优化过程后,即可得到TensorRT推理引擎。
对得到的推理结果进行判断,如果判断为异常,则发出报警信号,然后将异常结果和图片上传到服务器中;如果判断为正常,则直接将结果和图片上传到服务器中。服务器将结果通过用户界面进行可视化展示。
服务器得到的新样本和结果将对训练模型进行调整,提高识别的准确率。
本发明包括:摄像装置、边缘设备、YOLOv5算法、RepVGG算法、TensorRT推理优化器。其中,利用YOLOv5和RepVGG算法训练完成的模型移植到嵌入式芯片后,通过TensorRT推理优化器对模型进行层间融合、张量融合、权值量化,并生成推理引擎,加快推理速度。摄像装置采集的图片在边缘计算设备上通过TensorRT引擎进行目标检测,采集到的图片和目标检测的结果传入服务器,作为新的样本调整目标检测模型。
所述的边缘设备主体为NVIDIA Jetson Xavier NX嵌入式开发板,它拥有强大的AI算力,并拥有强大的扩展能力,非常适合部署在嵌入式边缘计算设备中。它通过外接摄像头实现图像的采集功能,通过通信模块实现与服务器的网络通信。
所述的YOLOv5算法是一种单阶段的目标检测方法。为方便将模型部署到嵌入式端,采用模型较小的YOLOv5s版本对样本图片进行训练,模型轻量,推理速度和精度都能得到保证。
所述的RepVGG算法是一种改进的VGG算法。训练阶段,在VGG网络的Block块中加入了Identity和残差分支;推理阶段,通过OP融合策略将所有的网络层都转换为Conv3*3,便于模型的部署与加速。网络训练和网络推理阶段使用不同的网络架构,训练阶段更关注精度,推理阶段更关注速度。
所述的TensorRT是一种神经网络推断加速引擎。它能将训练好的模型压缩、剪枝、量化,并生成TensorRT推理引擎。TensorRT可以将FP32型的数据转换为FP16或INT8型数据来处理,并对网络结构进行了重构和优化,在保证一定精度的前提下,加速推理过程。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于边缘计算的嵌入式图像识别检测方法,其特征在于,包括:
步骤1:通过摄像装置采集电力巡检图片;
步骤2:训练目标检测模型YOLOv5和RepVGG,并移植到嵌入式边缘设备中;
步骤3:通过深度学习框架TensorRT对目标检测模型进行层间融合、张量融合、模型剪枝和权值量化,生成推理引擎;
步骤4:通过推理引擎对采集到的图片进行识别检测,并将检测结果传入服务器,作为新的样本调整目标检测模型。
2.根据权利要求1所述的基于边缘计算的嵌入式图像识别检测方法,其特征在于,所述边缘设备的主体为NVIDIA Jetson Xavier NX嵌入式开发板,通过外接摄像头实现图片的采集功能,通过通信模块实现与服务器的网络通信。
3.根据权利要求1所述的基于边缘计算的嵌入式图像识别检测方法,其特征在于,在训练阶段,在VGG网络的Block块中加入身份特征和残差分支,以提高目标检测模型的精度;
在推理阶段,通过OP融合策略将所有的网络层都转换为Conv3*3,便于目标检测模型的部署与加速。
4.根据权利要求1所述的基于边缘计算的嵌入式图像识别检测方法,其特征在于,通过深度学习框架TensorRT将FP32型数据转换为FP16或INT8型数据进行处理,并对网络结构进行重构和优化,加速推理过程。
5.一种基于边缘计算的嵌入式图像识别检测系统,其特征在于,包括:
模块M1:通过摄像装置采集电力巡检图片;
模块M2:训练目标检测模型YOLOv5和RepVGG,并移植到嵌入式边缘设备中;
模块M3:通过深度学习框架TensorRT对目标检测模型进行层间融合、张量融合、模型剪枝和权值量化,生成推理引擎;
模块M4:通过推理引擎对采集到的图片进行识别检测,并将检测结果传入服务器,作为新的样本调整目标检测模型。
6.根据权利要求5所述的基于边缘计算的嵌入式图像识别检测系统,其特征在于,所述边缘设备的主体为NVIDIA Jetson Xavier NX嵌入式开发板,通过外接摄像头实现图片的采集功能,通过通信模块实现与服务器的网络通信。
7.根据权利要求5所述的基于边缘计算的嵌入式图像识别检测系统,其特征在于,在训练阶段,在VGG网络的Block块中加入身份特征和残差分支,以提高目标检测模型的精度;
在推理阶段,通过OP融合策略将所有的网络层都转换为Conv3*3,便于目标检测模型的部署与加速。
8.根据权利要求5所述的基于边缘计算的嵌入式图像识别检测系统,其特征在于,通过深度学习框架TensorRT将FP32型数据转换为FP16或INT8型数据进行处理,并对网络结构进行重构和优化,加速推理过程。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
10.一种基于边缘计算的嵌入式图像识别检测设备,其特征在于,包括:控制器;
所述控制器包括权利要求9所述的存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于边缘计算的嵌入式图像识别检测方法的步骤;或者,所述控制器包括权利要求5至8中任一项所述的基于边缘计算的嵌入式图像识别检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420233.7A CN113159166A (zh) | 2021-04-19 | 2021-04-19 | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420233.7A CN113159166A (zh) | 2021-04-19 | 2021-04-19 | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159166A true CN113159166A (zh) | 2021-07-23 |
Family
ID=76868858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110420233.7A Pending CN113159166A (zh) | 2021-04-19 | 2021-04-19 | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159166A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113693552A (zh) * | 2021-08-24 | 2021-11-26 | 东莞市东全智能科技有限公司 | 视觉疲劳监测方法、装置、电子设备及可读存储介质 |
CN114445661A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 一种基于边缘计算的嵌入式图像识别方法 |
CN114612825A (zh) * | 2022-03-09 | 2022-06-10 | 云南大学 | 基于边缘设备的目标检测方法 |
CN114932927A (zh) * | 2022-07-20 | 2022-08-23 | 北京大成国测智能科技有限公司 | 基于轻量化深度学习的铁路异物识别方法与系统 |
CN115018076A (zh) * | 2022-08-09 | 2022-09-06 | 聚时科技(深圳)有限公司 | 一种用于智能伺服驱动器的ai芯片推理量化方法 |
CN117237925A (zh) * | 2023-11-16 | 2023-12-15 | 南京萨利智能科技有限公司 | 一种基于计算机视觉的智慧道路病害巡检方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682378A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种完全基于视觉信息的无人机室内定位与多目标跟踪方法 |
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
CN110969192A (zh) * | 2019-11-13 | 2020-04-07 | 国网福建省电力有限公司漳州供电公司 | 一种电力巡检图像智能识别方法 |
CN111881718A (zh) * | 2020-06-08 | 2020-11-03 | 东北农业大学 | 一种基于Yolo v3目标检测网络的奶牛体态识别方法 |
CN112149551A (zh) * | 2020-09-21 | 2020-12-29 | 上海孚聪信息科技有限公司 | 一种基于嵌入式设备和深度学习的安全帽识别方法 |
CN112364744A (zh) * | 2020-11-03 | 2021-02-12 | 珠海市卓轩科技有限公司 | 基于TensorRT加速深度学习图像识别的方法、装置及介质 |
CN112434564A (zh) * | 2020-11-04 | 2021-03-02 | 北方工业大学 | 公交车内异常聚集行为的检测系统 |
-
2021
- 2021-04-19 CN CN202110420233.7A patent/CN113159166A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682378A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种完全基于视觉信息的无人机室内定位与多目标跟踪方法 |
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
CN110969192A (zh) * | 2019-11-13 | 2020-04-07 | 国网福建省电力有限公司漳州供电公司 | 一种电力巡检图像智能识别方法 |
CN111881718A (zh) * | 2020-06-08 | 2020-11-03 | 东北农业大学 | 一种基于Yolo v3目标检测网络的奶牛体态识别方法 |
CN112149551A (zh) * | 2020-09-21 | 2020-12-29 | 上海孚聪信息科技有限公司 | 一种基于嵌入式设备和深度学习的安全帽识别方法 |
CN112364744A (zh) * | 2020-11-03 | 2021-02-12 | 珠海市卓轩科技有限公司 | 基于TensorRT加速深度学习图像识别的方法、装置及介质 |
CN112434564A (zh) * | 2020-11-04 | 2021-03-02 | 北方工业大学 | 公交车内异常聚集行为的检测系统 |
Non-Patent Citations (1)
Title |
---|
网友技术挖掘者: "RepVGG算法详解", 《CSDN》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113693552A (zh) * | 2021-08-24 | 2021-11-26 | 东莞市东全智能科技有限公司 | 视觉疲劳监测方法、装置、电子设备及可读存储介质 |
CN114445661A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 一种基于边缘计算的嵌入式图像识别方法 |
CN114445661B (zh) * | 2022-01-24 | 2023-08-18 | 电子科技大学 | 一种基于边缘计算的嵌入式图像识别方法 |
CN114612825A (zh) * | 2022-03-09 | 2022-06-10 | 云南大学 | 基于边缘设备的目标检测方法 |
CN114612825B (zh) * | 2022-03-09 | 2024-03-19 | 云南大学 | 基于边缘设备的目标检测方法 |
CN114932927A (zh) * | 2022-07-20 | 2022-08-23 | 北京大成国测智能科技有限公司 | 基于轻量化深度学习的铁路异物识别方法与系统 |
CN115018076A (zh) * | 2022-08-09 | 2022-09-06 | 聚时科技(深圳)有限公司 | 一种用于智能伺服驱动器的ai芯片推理量化方法 |
CN115018076B (zh) * | 2022-08-09 | 2022-11-08 | 聚时科技(深圳)有限公司 | 一种用于智能伺服驱动器的ai芯片推理量化方法 |
CN117237925A (zh) * | 2023-11-16 | 2023-12-15 | 南京萨利智能科技有限公司 | 一种基于计算机视觉的智慧道路病害巡检方法及系统 |
CN117237925B (zh) * | 2023-11-16 | 2024-02-13 | 南京萨利智能科技有限公司 | 一种基于计算机视觉的智慧道路病害巡检方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159166A (zh) | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 | |
Chen et al. | An AIoT based smart agricultural system for pests detection | |
US10452951B2 (en) | Active visual attention models for computer vision tasks | |
Almeida et al. | Edgefiresmoke: A novel lightweight cnn model for real-time video fire–smoke detection | |
CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网系统及方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN109376660A (zh) | 一种目标监测方法、装置及系统 | |
CN112417973A (zh) | 一种基于车联网的无人驾驶系统 | |
CN113312957A (zh) | 基于视频图像的脱岗识别方法、装置、设备及存储介质 | |
CN112286263A (zh) | 一种农作物的调控方法、装置、系统及通信设备 | |
CN112528912A (zh) | 基于边缘计算的作物生长监测嵌入式系统及方法 | |
CN115649501A (zh) | 一种无人机夜行照明系统及方法 | |
CN112613438A (zh) | 一种便携式柑橘在线测产仪 | |
Ma et al. | Using an improved lightweight YOLOv8 model for real-time detection of multi-stage apple fruit in complex orchard environments | |
CN116128879B (zh) | 一种轻量化输电线路缺陷检测方法和装置 | |
Novelero et al. | On-tree mature coconut fruit detection based on deep learning using UAV images | |
CN112395952A (zh) | 一种用于铁轨缺陷检测的无人机 | |
Aversano et al. | Water stress classification using Convolutional Deep Neural Networks. | |
CN116912483A (zh) | 目标检测方法、电子设备以及存储介质 | |
CN116740516A (zh) | 基于多尺度融合特征提取的目标检测方法及系统 | |
CN115482277A (zh) | 一种社交距离风险预警方法及装置 | |
CN114782360A (zh) | 基于DCT-YOLOv5模型的实时番茄姿态检测方法 | |
Khalid et al. | Revolutionizing Weed Detection in Agriculture through the Integration of IoT, Big Data, and Deep Learning with Robotic Technology | |
CN114640785A (zh) | 站点模型更新方法及系统 | |
Piratelo et al. | Convolutional neural network applied for object recognition in a warehouse of an electric company |
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: 20210723 |