CN113239842A - 一种基于图像识别的天鹅检测方法及装置 - Google Patents

一种基于图像识别的天鹅检测方法及装置 Download PDF

Info

Publication number
CN113239842A
CN113239842A CN202110573301.3A CN202110573301A CN113239842A CN 113239842 A CN113239842 A CN 113239842A CN 202110573301 A CN202110573301 A CN 202110573301A CN 113239842 A CN113239842 A CN 113239842A
Authority
CN
China
Prior art keywords
swan
residual error
swans
image recognition
module
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
CN202110573301.3A
Other languages
English (en)
Inventor
苏文杰
陈坤
郝龙
苏鹏飞
徐凯
苗少卿
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.)
Sanmenxia Xiaoyun Information Service Co ltd
Original Assignee
Sanmenxia Xiaoyun Information Service Co ltd
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 Sanmenxia Xiaoyun Information Service Co ltd filed Critical Sanmenxia Xiaoyun Information Service Co ltd
Priority to CN202110573301.3A priority Critical patent/CN113239842A/zh
Publication of CN113239842A publication Critical patent/CN113239842A/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
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像识别技术领域，具体涉及一种基于图像识别的天鹅检测方法及装置。该方法获取实景图，将实景图输入至训练好的天鹅检测模型中，以检测出实景图中天鹅和天鹅数量。其中，所述天鹅检测模型采用改进YOLOv3网络模型；所述改进YOLOv3网络模型包括骨干网络，所述骨干网络包括依次连接的五个残差模块，将第五残差模块的输出依次经过特征提取与2倍上采样后与第四残差模块的输出进行特征融合，特征融合的结果依次经过特征提取与4倍上采样后与第二残差模块的输出进行特征融合，以进行后续处理得到小目标分支检测结果。本发明能够在天鹅密集分布、小天鹅众多的情况下仍能准确检测出天鹅，保证了检测结果的准确性。

Description

一种基于图像识别的天鹅检测方法及装置
技术领域
本发明属于图像识别技术领域，具体涉及一种基于图像识别的天鹅检测方法及装置。
背景技术
景区为实现湿地滩涂合理规划、饲料科学投放，保证自然环境的可持续发展，需要实现对景区区域内天鹅数量进行精准统计。
现有技术中最常使用的方法为人工目测检测法，即工作人员到景区现场进行粗略的统计，或者对景区进行实景图的拍摄，人工查找拍摄的实景图中所包含的天鹅数量。由于天鹅数目众多，且天鹅处在不断的移动当中，第一种方式无疑误差较大，无法准确检测出天鹅的数量；第二种方式花费的时间较长，效率较低。
为了解决上述问题，逐步开始将图像识别技术应用于天鹅检测中，例如利用机器学习中的神经网络可以将实景图中的天鹅进行识别。但是，由于一般拍摄的实景图较大，天鹅数量众多，一只天鹅仅占据了实景图中很小的一部分，现有技术中的部分网络不适用于该种场景下的小目标检测，致使检测精度较低。
发明内容
本发明提供了一种基于图像识别的天鹅检测方法及装置，用以解决现有技术中的方法造成的无法准确检测出天鹅的问题。
为解决上述技术问题，本发明所包括的技术方案以及技术方案对应的有益效果如下：
本发明提供了一种基于图像识别的天鹅检测方法，包括如下步骤：
获取实景图，将实景图输入至训练好的天鹅检测模型中，以检测出实景图中天鹅和天鹅数量；
其中，所述天鹅检测模型采用改进YOLOv3网络模型；所述改进YOLOv3网络模型包括骨干网络，所述骨干网络包括依次连接的五个残差模块，分别为第一残差模块、第二残差模块、第三残差模块、第四残差模块和第五残差模块，将第五残差模块的输出依次经过特征提取与2倍上采样后与第四残差模块的输出进行特征融合，特征融合的结果依次经过特征提取与4倍上采样后与第二残差模块的输出进行特征融合，以进行后续处理得到小目标分支检测结果。
上述技术方案的有益效果为：本发明的天鹅检测方法所使用的天鹅检测模型为改进YOLOv3网络模型，该改进YOLOv3网络模型中的最后一个yolo层融合了浅层特征(即第二残差模块的输出)，保留了更原始的有用信息，防止由于网络层数过多造成的图像中小天鹅信息丢失问题，解决了有关天鹅密集分布、小天鹅众多和时延的问题；在进行特征融合时，被融合对象是4倍上采样的输出，而非2倍上采样的输出，以通过增大降采样倍数来减少卷积核感受野，并增加了检测候选框个数，使得小天鹅检出率大大增加。而且，上采样倍数增加后，特征融合时使用的是第二残差模块输出，可以便捷地适配“4倍上采样”后的特征维度，不需要其他额外的维度转换操作。从而实现了湿地滩涂合理规划、饲料科学投放，保证自然环境的可持续发展。
进一步的，为了解决尺度跨度大、实景图像裁剪缩放变形问题以实现多重感受野融合，所述改进YOLOv3网络模型中，将第五残差模块的输出依次经过第一CBL模块、空间金字塔池化结构、第二CBL模块、第三CBL模块、以及卷积层以得到大目标分支检测结果。
进一步的，所述第一CBL模块包括两个CBL块，所述第二CBL模块包括三个CBL块。
进一步的，为了综合分析各项指标与天鹅群体的数量变化、分布区域及迁徙时间的关联关系，还包括获取实景图的拍摄时刻的各项环境数据的步骤，以得到天鹅数量与各项环境数据的关系。
进一步的，所述各项环境数据包括温度、湿度、PM2.5、降水指数中的至少两种。
进一步的，为了直观方便观察检测出的天鹅，还包括将检测出的实景图中的天鹅进行提取图像帧提取并进行播放的步骤。
进一步的，还包括将得到的天鹅数量与各项环境数据的关系进行显示的步骤。
本发明还提供了一种基于图像识别的天鹅检测装置，包括存储器和处理器，所述处理器用于执行存储在存储器中的计算机程序指令以实现上述介绍的基于图像识别的天鹅检测方法，并达到与该方法相同的有益效果。
附图说明
图1是现有技术中的YOLOv3网络模型的架构图；
图2是本发明的改进YOLOv3网络模型的架构图；
图3是本发明的基于图像识别的天鹅检测装置的结构图。
具体实施方式
本发明的基本构思为，本发明在现有的YOLOv3网络模型的基础上做了改进，并将改进YOLOv3网络模型应用于天鹅检测上来。下面结合图1，先对现有的YOLOv3网络模型做一简单介绍。
YOLOv3网络模型包括骨干网络，且最终可输出三个特征尺度上的检测结果，为图1中的三个yolo，且图1中从右往左依次输出大目标分支检测结果、中目标分支检测结果和小目标分支检测结果。骨干网络使用Darknet-53残差神经网络，Darknet-53残差神经网络包括一个CBL模块和五个残差模块，这五个残差模块的残差块个数分别为1、2、8、8、4，分别对应图1中的Res1、Res2、Res8、Res8、Res4。其中，第三残差模块Res8的输出需要进行特征融合以经过输出层得到小目标分支检测结果；第五残差模块Res4的输出依次经过CBL5、CBL、Conv以得到大目标分支检测结果。
具体如何对YOLOv3网络模型进行改进，下面结合实施例及附图2进行详细说明。
方法实施例：
在实施本发明的基于图像识别的天鹅检测方法前，需要先构建天鹅检测模型。本实施例中的天鹅检测模块采用改进YOLOv3网络模型，其架构图如图2所示。
从图2中可以看出，改进YOLOv3网络模型主要包括两方面改进：
改进一：在输出层中增加了由不同的池化操作组成空间金字塔池化结构(SPP)，具体位置为：将第五残差模块输出后的CBL5拆分成CBL2和CBL3，并在CBL2和CBL3之间增加SPP。
这么处理是因为：天鹅计数任务中由于检测目标轨迹的不确定性，导致待检测图像中同一目标的尺寸跨度很大，像素由10到500不等。为了解决尺度跨度大、实景图像裁剪缩放变形问题，在网络架构中引入了空间金字塔池化结构，实现多重感受野融合，使得改进后的网络适用于真实场景下的天鹅计数任务。特征图经过局部特征与全局特征相融合后，特征图的表达能力更丰富，有利于检测图像中天鹅尺度跨度大的情况，同时消除部分图像预处理操作造成图像失真的影响，天鹅检测精度上有了很大的提升。
改进二：原来的方式为：第五残差模块Res4的输出依次经过特征提取(在改进一的基础上为依次经过CBL2、SPP、CBL3、CBL)与2倍上采样后与第四残差模块Res8的输出进行特征融合，特征融合的结果依次经过特征提取(依次经过CBL5、CBL)与2倍上采样后与第三残差模块Res8的输出进行特征融合，并进行后续处理以得到小目标分支检测结果，修改为：将第五残差模块Res4的输出依次经过特征提取(在改进一的基础上为依次经过CBL2、SPP、CBL3、CBL)与2倍上采样后与第四残差模块Res8的输出进行特征融合，特征融合的结果依次经过特征提取(依次经过CBL5、CBL)与4倍上采样后与第二残差模块Res2的输出进行特征融合，并进行后续处理以得到小目标分支检测结果。具体操作为：将与第3个yolo层融合的特征层由第36层改为第11层，即将网络中倒数第一个[route]层的值由-1,36改为layers＝-1,11；并将倒数第一个[upsample]中的stride的取值由原来的2改为4，对应图2中的“上采样4”。
这么处理是因为：由于数据处理不等式的存在，在深度神经网络前向传输的过程中，随着层数的加深，特征中所包含的图像信息会逐层减少，低层有用的信息会部分丢失，将第二残差模块Res2的输出进行特征融合，即融合了浅层特征，保留了更原始的有用信息，防止由于网络层数过多造成的图像中小天鹅信息丢失问题。而且，增大降采样倍数后，特征图尺寸由19、38、76变为19、38、152，最小感受野减小二倍，即由原来的608/76＝8变为608/152＝4，同时检测候选框个数由原来的(19×19+38×38+76×76)×3变为(19×19+38×38+152×152)×3，增加了51984个，整体通过增大降采样倍数来减少卷积核感受野，并增加了检测候选框个数，使得小天鹅检出率大大增加。而且，上采样倍数增加后，使用第二残差模块Res2输出，可以便捷地适配“上采样4”后的特征维度，不需要其他额外的维度转换操作。
在构建好改进YOLOv3网络模型后，便可利用标记有天鹅和其他非天鹅的图像对构建的YOLOv3网络模型进行训练，从而得到训练好的天鹅检测模型，利用训练好的天鹅检测模型可实现本发明的一种基于图像识别的天鹅检测方法，下面具体介绍。
步骤一，对景区全区域进行测绘形成平面图，在主要滩涂区域设置点位，部署监测摄像头及环境指标采集传感器。
步骤二，根据摄像头焦距、视场角、点位等参数，计算每个摄像头覆盖区域，结合1)中平面图，通过合理设置摄像头数量，对景区进行全区域覆盖。
步骤三，部署统一的设备管理iot平台，对采集的视频流和环境数据进行集中式管理，保证多通道数据的一致性、时效性。加上认证功能，实现数据的安全管理。
步骤四，在某一时刻ti，监控区域内的摄像头进行抓拍，以产出能够覆盖全区域的实景图。将实景图输入至训练好的天鹅检测模型中，实时计算出ti时刻景区内天鹅的总体数量。
步骤五，获取ti时刻的各项环境数据，包括温度、湿度、PM2.5和降水指数。
步骤六，以时间线为轴，设置时间间隔，不停重复步骤四和步骤五，进而形成天鹅数量与温度、天鹅数量与湿度、天鹅数量与PM2.5、以及天鹅数量与降水指数的关系报表，形成展示界面。
步骤七，对视频流进行抽帧，将每帧图像送入天鹅检测模型中，推理出每帧图像中包含的天鹅数量后，还需推理出各个目标(即天鹅)的坐标，通过坐标值进行绘制，得到框出每个目标的图像帧。
步骤八，获取原始视频帧率f，计算时间间隔t＝1秒/f，每隔t秒，将步骤七中的图像帧推送至rtmp视频流容器，实现视频流的原速播放，播放识别后已标注坐标框体的图像，为统计结果提供直观的视觉依据。
步骤九，采用操作系统进程管理工具，对识别算法进行多进程管理，包括启动、停止、监控等，实现多路视频流同时识别。
步骤十，将步骤六和步骤八的结果进行web前端化，实现大屏综合展示。
至此，便可完成实时、精准检测某一区域内天鹅数量的效果，解决了由于目标多、移动、部分遮挡等因素造成统计结果误差大的问题。而且，本发明同时在该区域内设置相关传感器，采集温度、湿度及PM2.5等环境指标，综合分析各项指标与天鹅群体的数量变化、分布区域及迁徙时间的关联关系，为天鹅保护工作提供数据支持，具有一定的社会效益和经济价值。
装置实施例：
本发明的一种基于图像识别的天鹅检测装置实施例，如图3所示，包括存储器、处理器和内部总线，处理器、存储器之间通过内部总线完成相互间的通信和数据交互。存储器包括至少一个存储于存储器中的软件功能模块，处理器通过运行存储在存储器中的软件程序以及模块，执行各种功能应用以及数据处理，实现本发明的方法实施例中介绍的一种基于图像识别的天鹅检测方法。
其中，处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。
存储器可为利用电能方式存储信息的各式存储器，例如RAM、ROM等；也可为利用磁能方式存储信息的各式存储器，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等；还可为利用光学方式存储信息的各式存储器，例如CD、DVD等；当然，还可为其他方式的存储器，例如量子存储器、石墨烯存储器等。

Claims (8)

1.一种基于图像识别的天鹅检测方法，其特征在于，包括如下步骤：
获取实景图，将实景图输入至训练好的天鹅检测模型中，以检测出实景图中天鹅和天鹅数量；
其中，所述天鹅检测模型采用改进YOLOv3网络模型；所述改进YOLOv3网络模型包括骨干网络，所述骨干网络包括依次连接的五个残差模块，分别为第一残差模块、第二残差模块、第三残差模块、第四残差模块和第五残差模块，将第五残差模块的输出依次经过特征提取与2倍上采样后与第四残差模块的输出进行特征融合，特征融合的结果依次经过特征提取与4倍上采样后与第二残差模块的输出进行特征融合，以进行后续处理得到小目标分支检测结果。
2.根据权利要求1所述的基于图像识别的天鹅检测方法，其特征在于，所述改进YOLOv3网络模型中，将第五残差模块的输出依次经过第一CBL模块、空间金字塔池化结构、第二CBL模块、第三CBL模块、以及卷积层以得到大目标分支检测结果。
3.根据权利要求2所述的基于图像识别的天鹅检测方法，其特征在于，所述第一CBL模块包括两个CBL块，所述第二CBL模块包括三个CBL块。
4.根据权利要求1所述的基于图像识别的天鹅检测方法，其特征在于，还包括获取实景图的拍摄时刻的各项环境数据的步骤，以得到天鹅数量与各项环境数据的关系。
5.根据权利要求4所述的基于图像识别的天鹅检测方法，其特征在于，所述各项环境数据包括温度、湿度、PM2.5、降水指数中的至少两种。
6.根据权利要求1所述的基于图像识别的天鹅检测方法，其特征在于，还包括将检测出的实景图中的天鹅进行提取图像帧提取并进行播放的步骤。
7.根据权利要求4所述的基于图像识别的天鹅检测方法，其特征在于，还包括将得到的天鹅数量与各项环境数据的关系进行显示的步骤。
8.一种基于图像识别的天鹅检测装置，其特征在于，包括存储器和处理器，所述处理器用于执行存储在存储器中的计算机程序指令以实现如权利要求1～7任一项所述的基于图像识别的天鹅检测方法。
CN202110573301.3A 2021-05-25 2021-05-25 一种基于图像识别的天鹅检测方法及装置 Pending CN113239842A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110573301.3A CN113239842A (zh) 2021-05-25 2021-05-25 一种基于图像识别的天鹅检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110573301.3A CN113239842A (zh) 2021-05-25 2021-05-25 一种基于图像识别的天鹅检测方法及装置

Publications (1)

Publication Number Publication Date
CN113239842A true CN113239842A (zh) 2021-08-10

Family

ID=77138785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110573301.3A Pending CN113239842A (zh) 2021-05-25 2021-05-25 一种基于图像识别的天鹅检测方法及装置

Country Status (1)

Country Link
CN (1) CN113239842A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267003A (zh) * 2022-03-02 2022-04-01 城云科技（中国）有限公司 道路破损检测方法、装置及应用
CN116342485A (zh) * 2023-02-16 2023-06-27 国网江苏省电力有限公司南通供电分公司 一种保护帽缺失检测系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059641A (zh) * 2019-04-23 2019-07-26 重庆工商大学 基于多预置点的深度鸟类识别算法
CN111428558A (zh) * 2020-02-18 2020-07-17 东华大学 一种基于改进YOLOv3方法的车辆检测方法
CN111721360A (zh) * 2020-06-19 2020-09-29 东北农业大学 一种湿地生态环境监测系统及方法
CN111832513A (zh) * 2020-07-21 2020-10-27 西安电子科技大学 基于神经网络的实时足球目标检测方法
CN112184770A (zh) * 2020-09-28 2021-01-05 中国电子科技集团公司第五十四研究所 一种基于YOLOv3和改进KCF的目标跟踪方法
CN112396002A (zh) * 2020-11-20 2021-02-23 重庆邮电大学 一种基于SE-YOLOv3的轻量级遥感目标检测方法
CN112464883A (zh) * 2020-12-11 2021-03-09 武汉工程大学 一种自然场景下船舶目标自动检测识别方法与系统
CN112633066A (zh) * 2020-11-20 2021-04-09 苏州浪潮智能科技有限公司 一种航拍小目标检测方法、装置、设备及存储介质
CN112767391A (zh) * 2021-02-25 2021-05-07 国网福建省电力有限公司 融合三维点云和二维图像的电网线路部件缺陷定位方法
CN112785557A (zh) * 2020-12-31 2021-05-11 神华黄骅港务有限责任公司 皮带料流检测方法及装置、皮带料流检测系统
US20210137097A1 (en) * 2019-11-13 2021-05-13 Bird Control Group Bv System and methods for automated wildlife detection, monitoring and control

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059641A (zh) * 2019-04-23 2019-07-26 重庆工商大学 基于多预置点的深度鸟类识别算法
US20210137097A1 (en) * 2019-11-13 2021-05-13 Bird Control Group Bv System and methods for automated wildlife detection, monitoring and control
CN111428558A (zh) * 2020-02-18 2020-07-17 东华大学 一种基于改进YOLOv3方法的车辆检测方法
CN111721360A (zh) * 2020-06-19 2020-09-29 东北农业大学 一种湿地生态环境监测系统及方法
CN111832513A (zh) * 2020-07-21 2020-10-27 西安电子科技大学 基于神经网络的实时足球目标检测方法
CN112184770A (zh) * 2020-09-28 2021-01-05 中国电子科技集团公司第五十四研究所 一种基于YOLOv3和改进KCF的目标跟踪方法
CN112396002A (zh) * 2020-11-20 2021-02-23 重庆邮电大学 一种基于SE-YOLOv3的轻量级遥感目标检测方法
CN112633066A (zh) * 2020-11-20 2021-04-09 苏州浪潮智能科技有限公司 一种航拍小目标检测方法、装置、设备及存储介质
CN112464883A (zh) * 2020-12-11 2021-03-09 武汉工程大学 一种自然场景下船舶目标自动检测识别方法与系统
CN112785557A (zh) * 2020-12-31 2021-05-11 神华黄骅港务有限责任公司 皮带料流检测方法及装置、皮带料流检测系统
CN112767391A (zh) * 2021-02-25 2021-05-07 国网福建省电力有限公司 融合三维点云和二维图像的电网线路部件缺陷定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
管军霖等: "基于YOLOv4 卷积神经网络的口罩佩戴检测方法", 《现代信息科技》 *
郑含博等: "基于改进YOLOv3 的电力设备红外目标检测模型" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267003A (zh) * 2022-03-02 2022-04-01 城云科技（中国）有限公司 道路破损检测方法、装置及应用
CN116342485A (zh) * 2023-02-16 2023-06-27 国网江苏省电力有限公司南通供电分公司 一种保护帽缺失检测系统及方法

Similar Documents

Publication Publication Date Title
CN106548151B (zh) 面向智能机器人的目标物检测追踪识别方法和系统
CN107742099A (zh) 一种基于全卷积网络的人群密度估计、人数统计的方法
CN110443969A (zh) 一种火点检测方法、装置、电子设备及存储介质
CN111814661A (zh) 基于残差-循环神经网络的人体行为识别方法
CN113239842A (zh) 一种基于图像识别的天鹅检测方法及装置
CN108932509A (zh) 一种基于视频跟踪的跨场景目标检索方法及装置
CN109145836A (zh) 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法
CN103020590B (zh) 一种基于三维模型与图像匹配的车辆识别系统及其方法
CN112818969A (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN106874913A (zh) 一种菜品检测方法
CN115546223A (zh) 一种列车车下设备紧固螺栓的缺失检测方法和系统
CN116128820A (zh) 一种基于改进yolo模型的销钉状态的识别方法
CN111767826A (zh) 一种定时定点场景异常检测方法
CN115526852A (zh) 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用
CN116523885A (zh) 一种基于多尺度融合及深度学习的pcb缺陷检测方法
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
CN113569849B (zh) 基于计算机视觉的汽车充电桩界面检测智能交互系统
CN114743257A (zh) 图像目标行为的检测识别方法
CN114202819A (zh) 一种基于机器人的变电站巡检方法、系统及计算机
CN111881746B (zh) 一种基于信息融合的人脸特征点定位方法及系统
CN113076808A (zh) 一种通过图像算法精准获取双向人流量的方法
Song et al. PDD: Post-Disaster Dataset for Human Detection and Performance Evaluation
Wang Substation Personnel Safety Detection Network Based on YOLOv4
CN114140524B (zh) 一种多尺度特征融合的闭环检测系统及方法
CN111127355A (zh) 一种对缺损光流图进行精细补全的方法及其应用

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: 20210810