CN113326779B - 一种井下巷道积水检测识别方法 - Google Patents
一种井下巷道积水检测识别方法 Download PDFInfo
- Publication number
- CN113326779B CN113326779B CN202110604633.3A CN202110604633A CN113326779B CN 113326779 B CN113326779 B CN 113326779B CN 202110604633 A CN202110604633 A CN 202110604633A CN 113326779 B CN113326779 B CN 113326779B
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- convolution
- detection
- underground roadway
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 58
- 238000011176 pooling Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 abstract description 9
- 238000007689 inspection Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种井下巷道积水检测识别方法，包括：基于数据样本集进行检测网络模型训练，包括：进行井下巷道积水检测CNN模型预训练、进行井下巷道积水检测RPN模型训练、进行SVM分类器训练；对井下巷道积水进行检测，包括：基于移动摄像仪采集井下巷道的待测图像；基于所述CNN模型预训练、所述RPN模型训练和所述SVM分类器训练得到的检测网络模型对所述待测图像进行检测识别，得到井下巷道积水情况。本发明基于训练的检测网络模型对井下巷道的图像进行检测分析确定有无积水，可以有效解决黑暗无光、水面反光等复杂环境的井下巷道积水检测难题。
Description
技术领域
本发明涉及矿井巷道巡检领域，特别是一种井下巷道积水检测识别方法。
背景技术
对矿井巷道中聚集的危险气体、积水等危险因素进行日常巡检，是保障矿井生产和人员安全的至关重要环节。巷道积水会使空气潮湿，使井下各类电气生产设备容易产生锈蚀，导致短路故障；同时巷道具有空间狭窄、弱光、高粉尘等复杂环境，因此如何有效自动检测、识别巷道积水，具有重要研究价值及应用价值。
目前矿用积水检测方法，大都基于视觉传感器实施，因为其易受光线的限制，因此通常需要额外光源进行补光，这不仅增加了实施成本，而且由于水面存在反光的现象，难以提取水面边缘信息，进而影响检测结果。还有一些检测方法需要在固定地点预设相应的传感器，不适用于巷道长距离积水检测。
发明内容
本发明针对上述现有技术存在的问题，提供了一种井下巷道积水检测识别方法，在保证检测结果准确的同时，无需额外的补充设备，不仅降低了实施成本，而且提高了巡检效率。
本发明公开了一种井下巷道积水检测识别方法，包括：
基于数据样本集进行检测网络模型训练，包括：
进行井下巷道积水检测CNN模型预训练，所述CNN模型中包括若干卷积层和池化层，还包括全连接层用于串联所述池化层最后输出的特征图，生成单通道高维特征向量；
进行井下巷道积水检测RPN模型训练，包括：基于RPN卷积层对所述CNN模型中最后卷积层的输出进行卷积运算，对图像每个位置采用若干固定尺度和长度比的窗口；将所述RPN卷积层的输出作为全连接层的输入，在所述图像的每个位置上得到目标概率窗口和平移缩放窗口；
进行SVM分类器训练，所述SVM分类器用于所述全连接层输出的特征向量进行分类预测，以识别井下巷道积水；
对井下巷道积水进行检测，包括：
基于移动摄像仪采集井下巷道的待测图像；
基于所述CNN模型预训练、所述RPN模型训练和所述SVM分类器训练得到的检测网络模型对所述待测图像进行检测识别，得到井下巷道积水情况。
进一步地，在所述进行井下巷道积水检测CNN模型预训练中，所述卷积层包括依次设置的：
第一卷积层，其滤波器尺寸为7×7，卷积长度为2；
第二卷积层，其滤波器尺寸为5×5，卷积长度为2；
第三卷积层，其滤波器尺寸为3×3，卷积长度为2；
第四卷积层，其滤波器尺寸为3×3，卷积长度为2；
第五卷积层，其滤波器尺寸为3×3，卷积长度为1。
进一步地，在所述进行井下巷道积水检测CNN模型预训练中，所述池化层包括：
第一池化层，用于输入所述第一卷积层的输出，并输出给所述第二卷积层，其滤波器尺寸为3×3，卷积长度为2；
第二池化层，用于输入所述第三卷积层的输出，并输出给所述第四卷积层，其滤波器尺寸为3×3，卷积长度为2；
第三池化层，用于输入第五卷积层的输出，并输出256通道的特征图给所述全连接层，其滤波器尺寸为3×3，卷积长度为2。
进一步地，在所述进行井下巷道积水检测CNN模型预训练中，所述全连接层包括顺序设置的第一全连接层和第二全连接层，其中，所述第一全连基层用于将所述第三池化层的输出的全部特征图串联，生成具有4096个特征点的单通道高维特征向量。
进一步地，在所述进行井下巷道积水检测RPN模型训练中，所述RPN卷积层为用于输入所述第五卷积层输出的第六卷积层，其滤波器尺寸为3×3，卷积长度为1；
对图像每个位置采用9个固定尺度和长度比的窗口，所述固定尺度为：128、256、512；所述固定尺度和长度的比值为：1比1、1比2、2比1。
进一步地，在所述进行井下巷道积水检测RPN模型训练中，所述第六卷积层的输出用于作为所述第一全连接层和所述第二全连接层的输入，最终在所述图像的每个位置上得到9×2的目标概率窗口和9×4的平移缩放窗口。
进一步地，所述进行SVM分类器训练，包括：
对所述数据样本集的图片进行特征提取，并对特征向量进行归一化；采用交叉验证法训练并得到SVM分类器。
进一步地，所述基于所述CNN模型预训练、所述RPN模型训练和所述SVM分类器训练得到的检测网络模型对所述待测图像进行检测识别，得到识别结果，包括：
将所述待测图像和所述RPN模型训练得到的结果输入所述检测网络模型，通过所述第一卷积层到所述第五卷积层的特征提取，以及相应的所述第一池化层至所述第三池化层的特征图压缩运算，得到256通道的特征图输出给所述第一全连接层；
基于所述第一全连接层和第二全连接层进行串联，并输出给所述SVM分类器；
所述SVM分类器输入的特征向量进行分类预测，输出井下巷道积水检测识别结果。
进一步地，所述对井下巷道积水进行检测，具体包括：
所述移动摄像仪移动至井下巷道中各易积水区域对应位置，分别拍摄易积水区域的待测图像；
上传各所述检测图像至监控中心，并通过所述检测网络模型进行检测；
所述监控中心根据所述井下巷道积水检测识别结果确定待测图像对应区域是否存在积水；若是，则上报给指挥中心，并通过监控中心的人机交互系统报警、显示和存储。
进一步地，所述基于数据样本集进行检测网络模型训练中，所述数据样本集包括1000张标定过的样本图像，所述样本图像是通过所述移动摄像仪拍摄井下巷道易积水区域得到的。
本发明至少具有以下有益效果：
本发明基于训练的检测网络模型对井下巷道的图像进行检测分析确定有无积水，可以有效解决黑暗无光、水面反光等复杂环境的井下巷道积水检测难题。
本发明使用了SVM模型对巷道积水进行分类，将经验风险最小化，在样本量很少的情况下也可以得到很好的统计规律。
本发明通过移动摄像仪采集待测图像，能够保证对井下巷道内各易积水位置的全面检测，一旦发现出现积水情况，能够通过人机交互装置提醒、上报指挥中心的方式及时反馈积水问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明优选实施例公开的井下巷道积水检测识别方法的流程图。
图2是本发明优选实施例公开的井下巷道积水检测识别方法的CNN模型原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
本发明公开了一种井下巷道积水检测识别方法，主要包括两部分，其一是基于数据样本集进行检测网络模型训练，包括：
进行井下巷道积水检测CNN模型预训练，所述CNN模型中包括若干卷积层和池化层，还包括全连接层用于串联所述池化层最后输出的特征图，生成单通道高维特征向量。
进行井下巷道积水检测RPN模型训练，包括：基于RPN卷积层对所述CNN模型中最后卷积层的输出进行卷积运算，对图像每个位置采用若干固定尺度和长度比的窗口；将所述RPN卷积层的输出作为全连接层的输入，在所述图像的每个位置上得到目标概率窗口和平移缩放窗口。
进行SVM分类器训练，所述SVM分类器用于所述全连接层输出的特征向量进行分类预测，以识别井下巷道积水。
其二是对井下巷道积水进行检测，包括：
基于移动摄像仪采集井下巷道的待测图像；
基于所述CNN模型预训练、所述RPN模型训练和所述SVM分类器训练得到的检测网络模型对所述待测图像进行检测识别，得到井下巷道积水情况。
下面实施例结合图1和图2，对本发明进行详细说明。
一种井下巷道积水检测识别方法，在巷道易积水区域通过搭载的可移动高清摄像仪采集图像数据，并把图像数据上传至监控中心。通过对图像进行处理、分析，检查巷道是否有积水，若有积水则反馈给指挥中心，分析结果通过后台人机交互系统报警、显示和存储。具体操作如下：
1、井下巷道积水定位识别的网络训练
进行井下巷道积水检测预训练CNN，它包含5个卷积层CONV(分别对应第一卷积层至第五卷积层)和2个全连接层FC(分别对应第一全连接层和第二全连接层)，在卷积层CONV1、卷积层CONV3、卷积层CONV5的后面添加池化层POOL1～3(分别对应第一池化层至第三池化层)，定义卷积层CONV1的滤波器尺寸为7x7和卷积层长度为2；定义池化层POOL1的滤波器尺寸为3x3和卷积层长度为2；定义卷积层CONV2的滤波器尺寸为5x5和卷积层长度为2；定义卷积层CONV3的滤波器尺寸为3x3和卷积层长度为2；定义池化层POOL2的滤波器尺寸为3x3和卷积层长度为2；定义卷积层CONV4的滤波器尺寸为3x3和卷积层长度为2；定义卷积层CONV5的滤波器尺寸为3x3和卷积层长度为1；定义池化层POOL3的滤波器尺寸为3x3和卷积层长度为2；在池化层POOL3输出256通道的特征图，在全连接层FC1里将全部特征图串联，生成一个具有4096个特征点的单通道高维特征向量。训练过程如图2所示。
进行井下巷道积水检测训练RPN，在卷积层CONV5的后面再增加一个卷积层CONV6(第六卷积层)，定义卷积层CONV6的滤波器尺寸为3x3和卷积层长度为1，在该层上对卷积层CONV5输出的特征图进行卷积运算，对于图像的每个位置，采用9个固定尺度(128,256,512)和长度比的窗口(1:1,1:2,2:1)。卷积层CONV6的输出作为全连接层FC1和全连接层FC2的输入，最终在每个位置上得到9x2目标概率和9x4平移缩放两个窗口。优选的，在进行RPN训练时，要进行非极大值抑制，保留得分较高的300个框。
本发明把RPN训练得到结果作为检测网络的输入，同时继续进行卷积层CONV1～5的特征提取，并进行相应的池化层特征图压缩运算，得到256通道的特征图，然后经过全连接层FC1和全连接层FC2的串联，最后通过SVM进行分类。反复多次使用样本进行训练和微调，最终得到适合于井下巷道积水定位识别的检测网络。
2、SVM分类
由于井下巷道的积水识别只需区分积水“有”和“无”，所以只用1个SVM分类器，具体步骤如下：
1)对图片进行特征提取，不需要对原始样本数据进行任何处理；
2)对特征向量实行归一化，将个别波动较大的数据忽略掉；
3)使用交叉验证法，将样本数据以9:1的比例分配训练和测试数据集，重复训练10次取平均值作为最佳参数，利用最佳参数进行训练获取SVM分类模型；
4)用SVM分类模型对全连接层FC2输出的特征向量进行分类预测，把输出特征向量矩阵和SVM权重矩阵进行点乘，查看区域建议框中有、无积水和积水面积，完成井下巷道积水检测识别。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种井下巷道积水检测识别方法，其特征在于，包括：
基于数据样本集进行检测网络模型训练，包括：
进行井下巷道积水检测CNN模型预训练，所述CNN模型中包括若干卷积层和池化层，还包括全连接层用于串联所述池化层最后输出的特征图，生成单通道高维特征向量；
进行井下巷道积水检测RPN模型训练，包括：基于RPN卷积层对所述CNN模型中最后卷积层的输出进行卷积运算，对图像每个位置采用若干固定尺度和长度比的窗口；将所述RPN卷积层的输出作为全连接层的输入，在所述图像的每个位置上得到目标概率窗口和平移缩放窗口；
进行SVM分类器训练，所述SVM分类器用于所述全连接层输出的特征向量进行分类预测，以识别井下巷道积水；
对井下巷道积水进行检测，包括：
基于移动摄像仪采集井下巷道的待测图像；
基于所述CNN模型预训练、所述RPN模型训练和所述SVM分类器训练得到的检测网络模型对所述待测图像进行检测识别，得到井下巷道积水情况；
在所述进行井下巷道积水检测CNN模型预训练中，所述卷积层包括依次设置的：
第一卷积层，其滤波器尺寸为7×7，卷积长度为2；
第二卷积层，其滤波器尺寸为5×5，卷积长度为2；
第三卷积层，其滤波器尺寸为3×3，卷积长度为2；
第四卷积层，其滤波器尺寸为3×3，卷积长度为2；
第五卷积层，其滤波器尺寸为3×3，卷积长度为1；
在所述进行井下巷道积水检测CNN模型预训练中，所述池化层包括：
第一池化层，用于输入所述第一卷积层的输出，并输出给所述第二卷积层，其滤波器尺寸为3×3，卷积长度为2；
第二池化层，用于输入所述第三卷积层的输出，并输出给所述第四卷积层，其滤波器尺寸为3×3，卷积长度为2；
第三池化层，用于输入第五卷积层的输出，并输出256通道的特征图给所述全连接层，其滤波器尺寸为3×3，卷积长度为2。
2.根据权利要求1所述的井下巷道积水检测识别方法，其特征在于，在所述进行井下巷道积水检测CNN模型预训练中，所述全连接层包括顺序设置的第一全连接层和第二全连接层，其中，所述第一全连接层用于将所述第三池化层的输出的全部特征图串联，生成具有4096个特征点的单通道高维特征向量。
3.根据权利要求2所述的井下巷道积水检测识别方法，其特征在于，在所述进行井下巷道积水检测RPN模型训练中，所述RPN卷积层为用于输入所述第五卷积层输出的第六卷积层，其滤波器尺寸为3×3，卷积长度为1；
对图像每个位置采用9个固定尺度和长度比的窗口，所述固定尺度为：128、256、512；所述固定尺度和长度的比值为：1比1、1比2、2比1。
4.根据权利要求3所述的井下巷道积水检测识别方法，其特征在于，在所述进行井下巷道积水检测RPN模型训练中，所述第六卷积层的输出用于作为所述第一全连接层和所述第二全连接层的输入，最终在所述图像的每个位置上得到9×2的目标概率窗口和9×4的平移缩放窗口。
5.根据权利要求4所述的井下巷道积水检测识别方法，其特征在于，所述进行SVM分类器训练，包括：
对所述数据样本集的图片进行特征提取，并对特征向量进行归一化；采用交叉验证法训练并得到SVM分类器。
6.根据权利要求4所述的井下巷道积水检测识别方法，其特征在于，所述基于所述CNN模型预训练、所述RPN模型训练和所述SVM分类器训练得到的检测网络模型对所述待测图像进行检测识别，得到识别结果，包括：
将所述待测图像和所述RPN模型训练得到的结果输入所述检测网络模型，通过所述第一卷积层到所述第五卷积层的特征提取，以及相应的所述第一池化层至所述第三池化层的特征图压缩运算，得到256通道的特征图输出给所述第一全连接层；
基于所述第一全连接层和第二全连接层进行串联，并输出给所述SVM分类器；
所述SVM分类器输入的特征向量进行分类预测，输出井下巷道积水检测识别结果。
7.根据权利要求1至6中任一项所述的井下巷道积水检测识别方法，其特征在于，所述对井下巷道积水进行检测，具体包括：
所述移动摄像仪移动至井下巷道中各易积水区域对应位置，分别拍摄易积水区域的待测图像；
上传各所述检测图像至监控中心，并通过所述检测网络模型进行检测；
所述监控中心根据所述井下巷道积水检测识别结果确定待测图像对应区域是否存在积水；若是，则上报给指挥中心，并通过监控中心的人机交互系统报警、显示和存储。
8.根据权利要求7所述的井下巷道积水检测识别方法，其特征在于，所述基于数据样本集进行检测网络模型训练中，所述数据样本集包括1000张标定过的样本图像，所述样本图像是通过所述移动摄像仪拍摄井下巷道易积水区域得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110604633.3A CN113326779B (zh) | 2021-05-31 | 2021-05-31 | 一种井下巷道积水检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110604633.3A CN113326779B (zh) | 2021-05-31 | 2021-05-31 | 一种井下巷道积水检测识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113326779A CN113326779A (zh) | 2021-08-31 |
| CN113326779B true CN113326779B (zh) | 2024-03-22 |
Family
ID=77422784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110604633.3A Active CN113326779B (zh) | 2021-05-31 | 2021-05-31 | 一种井下巷道积水检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113326779B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013012150A1 (ko) * | 2011-07-18 | 2013-01-24 | 한양대학교 산학협력단 | 에지의 방향 성분을 검출하는 영상 필터링 방법 및 이를 이용한 영상 인식 방법 |
| US10007865B1 (en) * | 2017-10-16 | 2018-06-26 | StradVision, Inc. | Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same |
| WO2018184195A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Joint training of neural networks using multi-scale hard example mining |
| CN108985322A (zh) * | 2018-06-01 | 2018-12-11 | 广东电网有限责任公司 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
| WO2019232836A1 (zh) * | 2018-06-04 | 2019-12-12 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
| WO2020244261A1 (zh) * | 2019-06-05 | 2020-12-10 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105917354A (zh) * | 2014-10-09 | 2016-08-31 | 微软技术许可有限责任公司 | 用于图像处理的空间金字塔池化网络 |
-
2021
- 2021-05-31 CN CN202110604633.3A patent/CN113326779B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013012150A1 (ko) * | 2011-07-18 | 2013-01-24 | 한양대학교 산학협력단 | 에지의 방향 성분을 검출하는 영상 필터링 방법 및 이를 이용한 영상 인식 방법 |
| WO2018184195A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Joint training of neural networks using multi-scale hard example mining |
| US10007865B1 (en) * | 2017-10-16 | 2018-06-26 | StradVision, Inc. | Learning method and learning device for adjusting parameters of CNN by using multi-scale feature maps and testing method and testing device using the same |
| CN108985322A (zh) * | 2018-06-01 | 2018-12-11 | 广东电网有限责任公司 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
| WO2019232836A1 (zh) * | 2018-06-04 | 2019-12-12 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
| WO2020244261A1 (zh) * | 2019-06-05 | 2020-12-10 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进双边分割网络的井下轨道检测算法;卫星;刘邵凡;杨国强;陆阳;魏臻;;计算机应用研究(S1);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113326779A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210081698A1 (en) | Systems and methods for physical object analysis | |
| CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
| CN109871799B (zh) | 一种基于深度学习的驾驶员玩手机行为的检测方法 | |
| US9008365B2 (en) | Systems and methods for pedestrian detection in images | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| KR20200087297A (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
| CN113436157B (zh) | 一种用于受电弓故障的车载图像识别方法 | |
| CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
| CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
| CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
| CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
| CN111807183A (zh) | 基于深度学习的电梯门状态智能检测方法 | |
| CN108664875A (zh) | 基于图像识别的井下皮带运输监控方法 | |
| Kumtepe et al. | Driver aggressiveness detection via multisensory data fusion | |
| CN104134364A (zh) | 具有自我学习能力的实时交通信号识别方法及系统 | |
| KR102619326B1 (ko) | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 | |
| CN111666848A (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
| CN113326779B (zh) | 一种井下巷道积水检测识别方法 | |
| CN113591735A (zh) | 一种基于深度学习的行人检测方法及系统 | |
| CN116403162B (zh) | 一种机场场面目标行为识别方法、系统及电子设备 | |
| KR101736431B1 (ko) | 다중영상을 이용한 교통정보 스마트 모니터링 시스템 및 방법 | |
| CN116229336A (zh) | 视频移动目标识别方法、系统、存储介质及计算机 | |
| CN115311632A (zh) | 一种基于多摄像头的车辆重识别方法和设备 | |
| CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测系统、方法和装置 | |
| CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 |
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 |