CN113269795A - 一种基于废钢车厢区域的识别方法 - Google Patents
一种基于废钢车厢区域的识别方法 Download PDFInfo
- Publication number
- CN113269795A CN113269795A CN202110620053.3A CN202110620053A CN113269795A CN 113269795 A CN113269795 A CN 113269795A CN 202110620053 A CN202110620053 A CN 202110620053A CN 113269795 A CN113269795 A CN 113269795A
- Authority
- CN
- China
- Prior art keywords
- carriage
- candidate
- region
- area
- network
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 58
- 239000010959 steel Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000003708 edge detection Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229910000859 α-Fe Inorganic materials 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于废钢车厢区域的识别方法,属于废钢检测技术领域。该废钢区域的识别方法包括:对采集的废钢车厢的俯视图像数据输入到车厢角点检测模型中进行车厢角点检测,提取车厢角点坐标;采用端到端的卷积构架Deep Edge通过多尺度融合边缘检测算法对包含车厢边界的废钢区域图像进行边缘特征提取,得到车厢边界数据,最后将车厢角点左边和车厢边界数据进行融合。本发明废钢车厢区域的识别方法能够实现对废钢车厢的精准检测,具有检测精度高、检测效率高的特点。
Description
技术领域
本发明涉及废钢检测技术领域,具体地涉及一种基于废钢车厢区域的识别方法。
背景技术
进入21世纪,面对全球能源与资源危机、生态与环境危机、气候变化危机等多重挑战,以绿色要素投入为主要特征的第四次工业革命——绿色工业革命已经起步。在钢铁行业中,废钢被称为“第二矿业”,得到了国际社会的普遍重视。废钢是指不能按原用途使用且必须作为熔炼原料回收使用的钢铁碎料及废旧钢铁制品。废钢是现代钢铁工业不可缺少的铁素原料,使用废钢不仅能促进资源的循环利用,同时还能减少碳排放。而在废钢回收过程中,对于整车废钢等级评定尤为重要。
长期以来,废钢评级主要依赖人工目视评价,需要经验丰富的废钢专家对整车废钢进行评价。这种评价方法对人员的专业水平要求较高,而且效率低下,难以满足生产要求。近年来,随着深度学习在图像领域的不断发展,基于深度学习的图像语义分割技术在分割精度和分割效率上都有了很大的提高。因此,可以将这一技术运用于废钢评级工作中,最新的废钢检测评定方法利用图像语义分割技术对运满整车图像中的各个类型废钢进行分割,得到各个废钢类型比例,利用该比例进行后续的废钢评级工作。
但是,目前的分割网络的图像输入为整张图像,包含了运输废钢的车厢之外的区域,由于外部区域同样堆满了废钢,这会对单个车厢总体废钢的数量估计造成影响,并影响最终的废钢评级准确度。因此,需要提供一种方法将图像中的车厢区域提取出来,输入废钢分割网络中进行计算评价,以提高评价准确度。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于废钢车厢区域的识别方法,以解决现有技术中无法提取图像中运送废钢车辆的车厢区域问题。
为实现上述目的,本发明采用如下技术方案:一种基于废钢车厢区域的识别方法,具体包括如下步骤:
(1)实时获取运送废钢车厢的俯视图像数据和包含车厢边界的废钢区域图像;
(2)将步骤(1)获取的俯视图像数据输入到训练好的车厢角点检测模型中进行车厢角点检测,提取车厢角点坐标;
(3)采用端到端的卷积构架Deep Edge通过多尺度融合边缘检测算法对包含车厢边界的废钢区域图像进行边缘特征提取,得到车厢边界数据;
(4)将步骤(2)提取的车厢角点坐标以及步骤(3)得到的车厢边界数据进行融合,得到同时包含车厢角点坐标和车厢边界数据的废钢车厢识别图像。
进一步地,所述车厢角点检测模型的训练过程如下:
(a)收集运送废钢车厢的俯视图像数据,将俯视图像数据中的车厢角点数据进行人工标注后,经数据增强处理,得到训练集;
(b)将所述训练集依次输入车厢角点检测模型中进行训练,直至损失函数最小化,完成对车厢角点检测模型的训练。
进一步地,所述数据增强的方法包括:翻转、旋转、缩放比例、裁剪、移位、添加高斯噪声。
进一步地,所述车厢角点检测模型包括:Darknet-53特征提取网络、多尺度特征融合网络、分类网络和预测网络,所述Darknet-53特征提取网络和多尺度特征融合网络连接,所述分类网络、预测网络分别与多尺度特征融合网络连接,所述分类网络与预测网络连接;所述Darknet-53特征提取网络用于对训练集的图像特征进行不同分辨率提取,所述多尺度特征融合网络用于对不同分辨率的图像特征进行特征融合,所述预测网络用于输出特征融合后图像的候选框,所述分类网络用于特征融合后的图像进行区域划分,并对每个区域的候选框以候选框的中心坐标损失函数和候选框的长宽损失函数最小化为目标,筛选出每个区域的检测框,同时输出每个区域对应于各类别的置信度,将置信度最高的类别作为类别预测结果。
进一步地,所述候选框的中心坐标损失函数L1为:
其中,λcoord为候选框的中心坐标预测惩罚项,s2为划分的区域数量,B为区域i中候选框的数量,表示候选框框出的图像是否在区域i中,当候选框框出的图像在区域i中时,取值为1;当候选框框出的图像不在区域i中时,取值为0,xi为候选框中心坐标的横坐标、yi为候选框中心坐标的纵坐标,为人工标注的候选框中心坐标的横坐标,为人工标注的候选框中心坐标的纵坐标。
进一步地,所述候选框的长宽损失函数L2为:
其中,λcoord为候选框的中心坐标预测惩罚项,s2为划分的区域数量,B为区域i中候选框的数量,表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为1;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为0;wi为候选框的宽度,hi为候选框的高度,为人工标注的候选框的宽度,为人工标注的候选框的高度。
进一步地,所述多尺度特征融合网络以路径聚合网络为基础,去除单输入的特征融合节点,增加加权输入。
进一步地,所述损失函数为:
L=L3+L4
其中,L3为类别损失函数,L4为置信度损失函数,s2为划分的区域数量,B为区域i中候选框的数量,表示候选框框出的图像是否在区域i中,当候选框框出的图像在区域i中时,取值为1;当候选框框出的图像不在区域i中时,取值为0;表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为1;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为0;表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为0;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为1;λnoobj为置信度惩罚项,Ci为预测类别的置信度,为人工标注的类别。
与现有技术相比,本发明具有如下有益效果:本发明通过车厢角点检测模型来提取车厢点坐标,使得车厢检测模型增强对车厢角点的学习能力,提高车厢角点检测的精度和效率;通过多尺度融合边缘检测算法来获取车厢边界数据,提高边缘划分的清晰程度,最后将车厢点坐标和车厢边界数据进行融合,能够有效提取出载满废钢的车厢区域,该废钢车厢区域的识别方法具有废钢车厢区域检测精度高、检测速度快,检测效率高的特点。
附图说明
图1为本发明基于废钢车厢区域的识别方法的流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步地解释说明。
如图1为本发明基于废钢车厢区域的识别方法的流程图,该废钢车厢区域的识别方法具体包括如下步骤:
(1)实时获取运送废钢车厢的俯视图像数据和包含车厢边界的废钢区域图像。
(2)将步骤(1)获取的俯视图像数据输入到训练好的车厢角点检测模型中进行车厢角点检测,提取车厢角点坐标。
本发明中所采用的车厢角点检测模型以YOLOv4目标检测网络模型为基础,为了保证特征映射具有较强的语义性和较好的车厢角点检测分辨率,将其中的多特征映射网络改成多尺度特征融合网络,使得该车厢角点检测模型既可以对融合后的特征图进行卷积运算,确保融合后的特征图具有固定的分辨率。该车厢角点检测模型具体包括:Darknet-53特征提取网络、多尺度特征融合网络、分类网络和预测网络,Darknet-53特征提取网络和多尺度特征融合网络连接,分类网络、预测网络分别与多尺度特征融合网络连接,分类网络与预测网络连接;Darknet-53特征提取网络用于对训练集的图像特征进行不同分辨率提取,能够从多分辨率方向上提取图像特征,作为多尺度特征融合网络的输入;多尺度特征融合网络以路径聚合网络为基础,去除单输入的特征融合节点,增加加权输入,用于对不同分辨率的图像特征进行特征融合,能够有效融合更多图像特征;预测网络用于输出特征融合后图像的候选框,分类网络用于特征融合后的图像进行区域划分,并对每个区域的候选框以候选框的中心坐标损失函数和候选框的长宽损失函数最小化为目标,筛选出每个区域的检测框,同时输出每个区域对应于各类别的置信度,将置信度最高的类别作为类别预测结果,本发明中同时采用分类网络和预测网络,能够在筛选出检测框的同时输出预测类别,减少了车厢角点检测模型的整体运行时间;
本发明中的候选框的中心坐标损失函数L1为:
其中,λcoord为候选框的中心坐标预测惩罚项,s2为划分的区域数量,B为区域i中候选框的数量,表示候选框框出的图像是否在区域i中,当候选框框出的图像在区域i中时,取值为1;当候选框框出的图像不在区域i中时,取值为0,xi为候选框中心坐标的横坐标、yi为候选框中心坐标的纵坐标,为人工标注的候选框中心坐标的横坐标,为人工标注的候选框中心坐标的纵坐标。
本发明中的候选框的长宽损失函数L2为:
其中,表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为1;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为0;wi为候选框的宽度,hi为候选框的高度,为人工标注的候选框的宽度,为人工标注的候选框的高度。
本发明中采用车厢角点检测模型来提高检测精度和检测速度,车厢角点检测模型的训练过程如下:
(a)收集运送废钢车厢的俯视图像数据,将俯视图像数据中的车厢角点数据进行人工标注后,经转、旋转、缩放比例、裁剪、移位、添加高斯噪声处理,得到训练集;
(b)将所述训练集依次输入车厢角点检测模型中进行训练,直至损失函数最小化,完成对车厢角点检测模型的训练。
车厢角点检测模型在训练过程中的损失函数为:
L=L3+L4
其中,L3为类别损失函数,L4为置信度损失函数,s2为划分的区域数量,B为区域i中候选框的数量,表示候选框框出的图像是否在区域i中,当候选框框出的图像在区域i中时,取值为1;当候选框框出的图像不在区域i中时,取值为0;表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为1;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为0;表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为0;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为1;λnoobj为置信度惩罚项,Ci为预测类别的置信度,为人工标注的类别。
(3)采用端到端的卷积构架Deep Edge通过多尺度融合边缘检测算法对包含车厢边界的废钢区域图像进行边缘特征提取,得到车厢边界数据;该多尺度融合边缘算法能够在多尺度上同时运行,显著提高了车厢边界数据检测的准确率。
(4)将步骤(2)提取的车厢角点坐标以及步骤(3)得到的车厢边界数据进行融合,得到同时包含车厢角点坐标和车厢边界数据的废钢车厢识别图像。
将本发明的废钢车厢区域的识别方法用于废钢厂中装有废钢的车厢区域识别检测,在100次识别检测过程中,其检测准确率达到99%,说明本发明的废钢车厢区域的识别方法具有检测精度高、方法简单、省时省力的特点。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于废钢车厢区域的识别方法,其特征在于,具体包括如下步骤:
(1)实时获取运送废钢车厢的俯视图像数据和包含车厢边界的废钢区域图像;
(2)将步骤(1)获取的俯视图像数据输入到训练好的车厢角点检测模型中进行车厢角点检测,提取车厢角点坐标;
(3)采用端到端的卷积构架Deep Edge通过多尺度融合边缘检测算法对包含车厢边界的废钢区域图像进行边缘特征提取,得到车厢边界数据;
(4)将步骤(2)提取的车厢角点坐标以及步骤(3)得到的车厢边界数据进行融合,得到同时包含车厢角点坐标和车厢边界数据的废钢车厢识别图像。
2.根据权利要求1所述基于废钢车厢区域的检测方法,其特征在于,所述车厢角点检测模型的训练过程如下:
(a)收集运送废钢车厢的俯视图像数据,将俯视图像数据中的车厢角点数据进行人工标注后,经数据增强处理,得到训练集;
(b)将所述训练集依次输入车厢角点检测模型中进行训练,直至损失函数最小化,完成对车厢角点检测模型的训练。
3.根据权利要求2所述基于废钢车厢区域的检测方法,其特征在于,所述数据增强的方法包括:翻转、旋转、缩放比例、裁剪、移位、添加高斯噪声。
4.根据权利要求2所述基于废钢车厢区域的检测方法,其特征在于,所述车厢角点检测模型包括:Darknet-53特征提取网络、多尺度特征融合网络、分类网络和预测网络,所述Darknet-53特征提取网络和多尺度特征融合网络连接,所述分类网络、预测网络分别与多尺度特征融合网络连接,所述分类网络与预测网络连接;所述Darknet-53特征提取网络用于对训练集的图像特征进行不同分辨率提取,所述多尺度特征融合网络用于对不同分辨率的图像特征进行特征融合,所述预测网络用于输出特征融合后图像的候选框,所述分类网络用于特征融合后的图像进行区域划分,并对每个区域的候选框以候选框的中心坐标损失函数和候选框的长宽损失函数最小化为目标,筛选出每个区域的检测框,同时输出每个区域对应于各类别的置信度,将置信度最高的类别作为类别预测结果。
7.根据权利要求4所述基于废钢车厢区域的检测方法,其特征在于,所述多尺度特征融合网络以路径聚合网络为基础,去除单输入的特征融合节点,增加加权输入。
8.根据权利要求2所述基于废钢车厢区域的检测方法,其特征在于,所述损失函数为:
L=L3+L4
其中,L3为类别损失函数,L4为置信度损失函数,s2为划分的区域数量,B为区域i中候选框的数量,表示候选框框出的图像是否在区域i中,当候选框框出的图像在区域i中时,取值为1;当候选框框出的图像不在区域i中时,取值为0;表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为1;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为0;表示区域i中的第j个候选框是否对车厢角点进行有效预测,当区域i中的第j个候选框对车厢角点进行有效预测时,取值为0;当区域i中的第j个候选框不对车厢角点进行有效预测时,取值为1;λnoobj为置信度惩罚项,Ci为预测类别的置信度,为人工标注的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620053.3A CN113269795A (zh) | 2021-06-03 | 2021-06-03 | 一种基于废钢车厢区域的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620053.3A CN113269795A (zh) | 2021-06-03 | 2021-06-03 | 一种基于废钢车厢区域的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269795A true CN113269795A (zh) | 2021-08-17 |
Family
ID=77234142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110620053.3A Pending CN113269795A (zh) | 2021-06-03 | 2021-06-03 | 一种基于废钢车厢区域的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269795A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792732A (zh) * | 2021-09-15 | 2021-12-14 | 欧冶链金再生资源有限公司 | 一种确定目标车辆车厢的方法 |
CN114078126A (zh) * | 2022-01-19 | 2022-02-22 | 江苏金恒信息科技股份有限公司 | 一种基于机器学习的废钢评级方法及装置 |
CN115661131A (zh) * | 2022-11-17 | 2023-01-31 | 菲特(天津)检测技术有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-03 CN CN202110620053.3A patent/CN113269795A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792732A (zh) * | 2021-09-15 | 2021-12-14 | 欧冶链金再生资源有限公司 | 一种确定目标车辆车厢的方法 |
CN114078126A (zh) * | 2022-01-19 | 2022-02-22 | 江苏金恒信息科技股份有限公司 | 一种基于机器学习的废钢评级方法及装置 |
CN115661131A (zh) * | 2022-11-17 | 2023-01-31 | 菲特(天津)检测技术有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN115661131B (zh) * | 2022-11-17 | 2023-03-10 | 菲特(天津)检测技术有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269795A (zh) | 一种基于废钢车厢区域的识别方法 | |
Jin et al. | Multi-feature fusion and enhancement single shot detector for traffic sign recognition | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和系统 | |
CN102096821B (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN111127499A (zh) | 一种基于语义轮廓信息的安检图像刀具检测分割方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN111460927B (zh) | 对房产证图像进行结构化信息提取的方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
Shen et al. | Vehicle detection in aerial images based on lightweight deep convolutional network and generative adversarial network | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN111462140A (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN110751150A (zh) | 一种基于fpga的二值神经网络车牌识别方法及系统 | |
CN113313008B (zh) | 基于YOLOv3网络和均值漂移的目标与识别跟踪方法 | |
CN115170612A (zh) | 一种检测跟踪方法、装置、电子设备及存储介质 | |
CN114419036A (zh) | 基于边界信息融合的表面缺陷区域分割方法及装置 | |
CN114332144A (zh) | 样本粒度检测方法、系统、电子设备及存储介质 | |
Fu et al. | Ship detection based on Improved YOLO Algorithm | |
CN113506253B (zh) | 一种基于多层多核学习与区域合并的砂岩孔隙检测方法 |
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 |