CN113420646B - 一种基于深度学习的锁站连接锁检测系统及方法 - Google Patents

一种基于深度学习的锁站连接锁检测系统及方法 Download PDF

Info

Publication number
CN113420646B
CN113420646B CN202110689566.XA CN202110689566A CN113420646B CN 113420646 B CN113420646 B CN 113420646B CN 202110689566 A CN202110689566 A CN 202110689566A CN 113420646 B CN113420646 B CN 113420646B
Authority
CN
China
Prior art keywords
lock
model
container
sample
data
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
Application number
CN202110689566.XA
Other languages
English (en)
Other versions
CN113420646A (zh
Inventor
杨荣
杨雷忠
范柘
高延辉
陈培
张凯
武彬
彭云辉
王学迁
尹兆鑫
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.)
Shanghai Aware Information Technology Co ltd
Tianjin Port No2 Container Terminal Co ltd
Shanghai Zhenghua Heavy Industries Co Ltd
Original Assignee
Shanghai Aware Information Technology Co ltd
Tianjin Port No2 Container Terminal Co ltd
Shanghai Zhenghua Heavy Industries 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 Shanghai Aware Information Technology Co ltd, Tianjin Port No2 Container Terminal Co ltd, Shanghai Zhenghua Heavy Industries Co Ltd filed Critical Shanghai Aware Information Technology Co ltd
Priority to CN202110689566.XA priority Critical patent/CN113420646B/zh
Publication of CN113420646A publication Critical patent/CN113420646A/zh
Application granted granted Critical
Publication of CN113420646B publication Critical patent/CN113420646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的锁站连接锁检测系统及方法，包括：摄像头，设于锁站，用于检测所述锁站内集装箱上连接锁的装卸的视频图像；配电箱，摄于所述锁站内的岗亭中，用于所述视频图像的汇聚与传输；视觉分析系统，设于控制室内，对所述视频图像进行实时分析，并提供对应的预警数据输出；网络连接设备，用于所述视频图像、所述预警数据的传输。本发明在锁站安装监控摄像头，利用基于视频的深度学习技术，对连接锁的安装与卸除状态进行自动检测。

Description

一种基于深度学习的锁站连接锁检测系统及方法
技术领域
本发明涉及一种集装箱上连接锁拆装技术，更具体地说，涉及一种基于深度学习的锁站连接锁检测系统及方法。
背景技术
深度学习是指多层卷积神经网络上运用各种机器学习算法解决视频、图像等各种问题的算法集合。深度学习从大类上可以归入神经网络，核心是特制学习，旨在通过分层网络获得分层次的特征信息，从而解决以往需要人工设计特征的重要难题。
基于视觉的深度学习算法是以模拟人的视觉原理，人类的视觉原理如下：
从原始信号摄入开始(瞳孔摄入像素，基于图像即为像素pixel)，接着做初步处理(大脑皮层某些细胞发现边缘和方向，基于图像即为目标特征)，然后抽象(大脑判定，眼前的物体的形状，是圆形的)，然后进一步抽象(大脑进一步判定该物体是什么)，对于不同的物体，人类视觉也是通过这样逐层分级，来进行认知的。深度学习即为模拟人脑构造多层的神经网络，较底层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，在顶层做出分类。
在港口作业时，装船时需在锁站安装连接锁，卸船时需在锁站移除连接锁。目前在锁站装卸连接锁时，需要依靠人工判断连接锁的类型，然后由人工或者自动机械臂进行连接锁的装卸工作。缺乏一种自动手段对连接锁正确的安装与移除进行自动检测。
发明内容
针对现有技术中存在的上述缺陷，本发明的目的是提供一种基于深度学习的锁站连接锁检测系统及方法，在锁站安装监控摄像头，利用基于视频的深度学习技术，对连接锁的安装与卸除状态进行自动检测。
为实现上述目的，本发明采用如下技术方案：
一方面，一种基于深度学习的锁站连接锁检测系统，包括：
摄像头，设于锁站，用于检测所述锁站内集装箱上连接锁的装卸的视频图像；
配电箱，摄于所述锁站内的岗亭中，用于所述视频图像的汇聚与传输；
视觉分析系统，设于控制室内，对所述视频图像进行实时分析，并提供对应的预警数据输出；
网络连接设备，用于所述视频图像、所述预警数据的传输。
较佳的，所述摄像头设有多个，分别对应所述集装箱的头部、中部和尾部位置。
较佳的，所述网络连接设备包括交换机以及与其连接的5G信号发送器。
另一方面，一种基于深度学习的锁站连接锁检测方法：
在锁站上布置所述的基于深度学习的锁站连接锁检测系统，通过所述摄像头获取所述锁站内集装箱上连接锁的装卸的视频图像，通过所述网络连接设备将所述视频图像传输至所述视觉分析系统，利用所述视觉分析系统对所述视频图像进行实时分析，并提供对应的预警数据输出。
较佳的，所述视觉分析系统还具备与港口的业务管理系统和/或所述锁站的主控系统的对接。
较佳的，所述视觉分析系统内预设有集装箱连接锁模型，其生成流程如下：
1)采集部分所述集装箱上连接锁的样本；
2)形成基础集装箱连接锁模型；
3)利用模型迁移方式，形成初始版本，并上线运行；
4)利用模型泛化与精准平衡，对所述样本进行处理，并对集装箱连接锁模型进行优化；
5)利用样本对抗自学习方式，对所述样本进行学习；
6)利用疑难样本再分类方式，对现场疑难样本进行学习；
7)利用模型升级方式，循环步骤4)至步骤6)，形成迭代版本；
8)最终形成稳定、准确的集装箱连接锁模型。
较佳的，所述锁站连接锁检测方法包括连接锁卸锁作业流程和连接锁安装作业流程。
较佳的，所述连接锁卸锁作业流程具体如下：
1、集卡从岸桥接箱后，将集装箱运输的所述锁站的解锁区域；
2、人工或机器拆除所述集装箱上的连接锁；
3、拆除完成后，工作人员通过所述业务管理系统和/或所述主控系统通知所述视觉分析系统；
4、所述视觉分析系统对所述连接锁是否移除进行检测与识别；
5、所述视觉分析系统将识别结果发送至对应所述业务管理系统。
较佳的，所述连接锁安装作业流程具体如下：
1、集卡从堆场将集装箱运输的所述锁站的安装区域；
2、人工或机器安装所述集装箱上的连接锁；
3、安装完成后，工作人员通过所述业务管理系统和/或所述主控系统通知所述视觉分析系统；
4、所述视觉分析系统对所述连接锁是否安装进行复核；
5、所述视觉分析系统将识别结果发送至对应所述业务管理系统。
本发明所提供的一种基于深度学习的锁站连接锁检测系统及方法，还具有如下几点有益效果：
1)业务上，可以避免因连接锁漏装导致的集装箱装船后可能造成的安全问题；
2)业务上，可以避免因连接锁漏卸导致的集装箱放入堆场或运输时可能造成的安全问题；
3)算法上，基于深度学习的连接锁检测技术可以解决自然环境下的各类集装箱连接锁的检测问题；
4)算法上，基于模型迁移，样本对抗自适应学习等技术，可以使得系统快速上线运行，并大幅降低模型误报率并提高模型准确率。
附图说明
图1是本发明锁站连接锁检测系统的架构示意图；
图2是本发明锁站连接锁检测方法中集装箱连接锁模型生成的流程示意图；
图3是本发明锁站连接锁检测方法中样本对抗自学习的流程示意图。
具体实施方式
为了能更好地理解本发明的上述技术方案，下面结合附图和实施例进一步说明本发明的技术方案。
结合图1所示，本发明所提供的一种基于深度学习的锁站连接锁检测系统，包括：
摄像头1，设于锁站，用于检测锁站内集装箱上连接锁的装卸的视频图像；
配电箱2，摄于锁站内的岗亭中，用于视频图像的汇聚与传输；
视觉分析系统3，设于控制室4内，对视频图像进行实时分析，并提供对应的预警数据输出；
网络连接设备，用于视频图像、预警数据的传输。
摄像头1设有多个，分别对应集装箱的头部、中部和尾部位置。
网络连接设备包括多台交换机5以及与其连接的5G信号发送器。
一台视觉分析系统3可以同时分析多个锁站内的摄像头1，可适用于人工锁站和自动锁站。
又如图1所示，每个锁站可设置4个安全岛6，每侧各2个，每个安全岛6内各部署一台监控相机(包含3个摄像头1)，同一侧两安全岛6共计6台摄像头1。
每一侧的3个监控相机通过配电箱2进行网络与电源汇聚，在其中一安全岛6内放置交换机5及5G信号传输设备。
安全岛6内摄像头1的视频信号通过5G传输到控制室4，由安装在控制室4内的视觉分析系统3对视频信号进行处理与分析。
本发明还提供了一种基于深度学习的锁站连接锁检测方法：
在锁站上布置的基于深度学习的锁站连接锁检测系统，通过摄像头获取锁站内集装箱上连接锁的装卸的视频图像，通过网络连接设备将视频图像传输至视觉分析系统，利用视觉分析系统对视频图像进行实时分析，并提供对应的预警数据输出。
视觉分析系统还具备与港口的业务管理系统和/或锁站的主控系统的对接。
结合图2所示，视觉分析系统内预设有集装箱连接锁模型，其生成流程如下：
1)采集部分集装箱上连接锁的样本；
2)形成基础集装箱连接锁模型；
3)利用模型迁移方式，形成初始版本，并上线运行；
4)利用模型泛化与精准平衡，对样本进行处理，并对集装箱连接锁模型进行优化；
5)利用样本对抗自学习方式，对样本进行学习；
6)利用疑难样本再分类方式，对现场疑难样本进行学习；
7)利用模型升级方式，循环步骤4)至步骤6)，形成迭代版本；
8)最终形成稳定、准确的集装箱连接锁模型。
锁站连接锁检测方法包括连接锁卸锁作业流程和连接锁安装作业流程。
模型迁移流程如下：
1.组织数据
a.收集数据
b.将数据劈成三部分(80％用在训练,10％用在验证,10％用在测试)
2.构建数据流水线
定义好读取数据的流水线(包括前处理/组batch)
3.数据增强
包括旋转、缩放、裁剪等
4.定义模型
a.基于已有的模型,删除和任务相关的层,附加上新的层.
b.维持原有层的权重
c.优化推理引擎
d.使用“均方误差”(mean squared error)进行性能度量
5.训练和测试
a.迭代训练直到验收的精度和性能符合预取
b.保存模型供应用使用。
结合图3所示，样本对抗自学习的流程如下：
1)准备源领域有标记样本集Ds(x,y)和目标领域无标记样本集Dt(x)；
2)根据主分类任务构造深度神经网络分类模型
Figure BDA0003126064920000051
其中
Figure BDA0003126064920000052
为特征提取网络；
3)构造辅助分类网络模型，与主任务分类模型共享特征提取网络
Figure BDA0003126064920000053
4)构建由源领域有监督分类任务、目标领域无标记样本插值一致性任务和目标领域样本旋转预测任务组成的多任务学习模型并在Ds和Dt进行训练，获取主任务分类模型最优参数；
5)利用最优测试模型对目标领域的图像进行分类。
连接锁卸锁作业流程具体如下：
1、集卡从岸桥接箱后，将集装箱运输的锁站的解锁区域；
2、人工或机器拆除集装箱上的连接锁；
3、拆除完成后，工作人员通过业务管理系统和/或主控系统通知视觉分析系统；
4、视觉分析系统对连接锁是否移除进行检测与识别；
5、视觉分析系统将识别结果发送至对应业务管理系统。
连接锁安装作业流程具体如下：
1、集卡从堆场将集装箱运输的锁站的安装区域；
2、人工或机器安装集装箱上的连接锁；
3、安装完成后，工作人员通过业务管理系统和/或主控系统通知视觉分析系统；
4、视觉分析系统对连接锁是否安装进行复核；
5、视觉分析系统将识别结果发送至对应业务管理系统。
因此在利用深度学习技术对连接锁进行建模时，需要从模型的精准和泛化性上进行着手。在前期，由于此类技术系统为首创，尚无大量现场样本进行模型训练。针对此类情况，我们使用模型迁移技术，在离线原始模型基础上，仅利用较少现场样本，形成初期的较高准确率的模型，从而实现系统的快速上线。同时，在实际运行过程中，利用生产环境中的检测样本，完成离线及在线的模型升级，实现对准确率的再次提升；并且利用多样本的对抗自适应学习，提升模型准确率，从而提升系统功能的准确率；利用模型泛化与精准平衡技术，实现模型泛化能力(多环境下的识别能力)与模型精准能力的全局优化，从而进一步提升准确率并降低误报率；针对部分疑难样本，利用疑难样本再分类技术，针对实际运行中的疑难样本进行二次学习，从而提升系统功能的准确率，并降低误报率。使用以上技术能力，从而实现快速的进入生产环境，并最大程度的提高对集装箱连接锁检测精确检测的正确率。
实施例
在锁站安装6台摄像头(采用网络球机)，其中锁站两侧各3台，分别对应双20尺集装箱首箱头部，双箱中部，尾箱尾部三个位置，用于检测集装箱对应侧的连接锁装卸情况。
在港口总控机房安装一套视觉分析系统(含服务器及网络传输设备)，用于对前端摄像机画面进行实时分析，并提供对应的预警数据输出。同时视觉分析系统具备与港口业务系统或锁站的主控系统对接能力，可将识别结果发送给对应的第三方系统。
在锁站同侧岗亭安装一个配电箱(两侧共计2个)，用于前端视频的汇聚与传输。
在锁站同侧岗亭内安装对应的网络连接设备，含交换机、5G信号发送器等，用于前端视频数据及分析系统数据的传输。
视觉分析系统利用计算机视觉技术自动识别连接锁安装与移除状态，并将识别结果传送到对应业务系统。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (8)

1.一种基于深度学习的锁站连接锁检测系统，其特征在于，包括：
摄像头，设于锁站，用于检测所述锁站内集装箱上连接锁的装卸的视频图像；
配电箱，摄于所述锁站内的岗亭中，用于所述视频图像的汇聚与传输；
视觉分析系统，设于控制室内，对所述视频图像进行实时分析，并提供对应的预警数据输出；
网络连接设备，用于所述视频图像、所述预警数据的传输,
所述视觉分析系统内预设有集装箱连接锁模型，其生成流程如下：
1)采集部分所述集装箱上连接锁的样本；
2)形成基础集装箱连接锁模型；
3)利用模型迁移方式，形成初始版本，并上线运行；
4)利用模型泛化与精准平衡，对所述样本进行处理，并对集装箱连接锁模型进行优化；
5)利用样本对抗自学习方式，对所述样本进行学习；
6)利用疑难样本再分类方式，对现场疑难样本进行学习；
7)利用模型升级方式，循环步骤4)至步骤6)，形成迭代版本；
8)最终形成稳定、准确的集装箱连接锁模型，
其中，模型迁移流程如下：
1)组织数据
a.收集数据；
b.将数据劈成三部分,80％用在训练,10％用在验证,10％用在测试，
2)构建数据流水线
定义好读取数据的流水线,包括前处理/组batch，
3)数据增强
包括旋转、缩放、裁剪，
4)定义模型
a.基于已有的模型，删除和任务相关的层，附加上新的层，
b.维持原有层的权重，
c.优化推理引擎，
d.使用“均方误差”进行性能度量，
5)训练和测试
a.迭代训练直到验收的精度和性能符合预取，
b.保存模型供应用使用；
其中，样本对抗自学习的流程如下：
1)准备源领域有标记样本集Ds(x，y)和目标领域无标记样本集Dt(x)；
2)根据主分类任务构造深度神经网络分类模型
Figure FDA0004016359640000021
其中
Figure FDA0004016359640000022
为特征提取网络；
3)构造辅助分类网络模型，与主任务分类模型共享特征提取网络
Figure FDA0004016359640000023
4)构建由源领域有监督分类任务、目标领域无标记样本插值一致性任务和目标领域样本旋转预测任务组成的多任务学习模型并在Ds和Dt进行训练，获取主任务分类模型最优参数；
5)利用最优测试模型对目标领域的图像进行分类。
2.根据权利要求1所述的基于深度学习的锁站连接锁检测系统，其特征在于：所述摄像头设有多个，分别对应所述集装箱的头部、中部和尾部位置。
3.根据权利要求1所述的基于深度学习的锁站连接锁检测系统，其特征在于：所述网络连接设备包括交换机以及与其连接的5G信号发送器。
4.一种基于深度学习的锁站连接锁检测方法，其特征在于：
在锁站上布置如权利要求1-3任一项所述的基于深度学习的锁站连接锁检测系统，通过所述摄像头获取所述锁站内集装箱上连接锁的装卸的视频图像，通过所述网络连接设备将所述视频图像传输至所述视觉分析系统，利用所述视觉分析系统对所述视频图像进行实时分析，并提供对应的预警数据输出，
所述视觉分析系统内预设有集装箱连接锁模型，其生成流程如下：
1)采集部分所述集装箱上连接锁的样本；
2)形成基础集装箱连接锁模型；
3)利用模型迁移方式，形成初始版本，并上线运行；
4)利用模型泛化与精准平衡，对所述样本进行处理，并对集装箱连接锁模型进行优化；
5)利用样本对抗自学习方式，对所述样本进行学习；
6)利用疑难样本再分类方式，对现场疑难样本进行学习；
7)利用模型升级方式，循环步骤4)至步骤6)，形成迭代版本；
8)最终形成稳定、准确的集装箱连接锁模型，
其中，模型迁移流程如下：
1)组织数据
a.收集数据，
b.将数据劈成三部分，80％用在训练，10％用在验证，10％用在测试，
2)构建数据流水线
定义好读取数据的流水线，包括前处理/组batch，
3)数据增强
包括旋转、缩放、裁剪，
4)定义模型
a.基于已有的模型，删除和任务相关的层，附加上新的层；
b.维持原有层的权重；
c.优化推理引擎；
d.使用“均方误差”进行性能度量，
5)训练和测试
a.迭代训练直到验收的精度和性能符合预取；
b.保存模型供应用使用；
其中，样本对抗自学习的流程如下：
1)准备源领域有标记样本集Ds(x，y)和目标领域无标记样本集Dt(x)；
2)根据主分类任务构造深度神经网络分类模型
Figure FDA0004016359640000041
其中
Figure FDA0004016359640000042
为特征提取网络；
3)构造辅助分类网络模型，与主任务分类模型共享特征提取网络
Figure FDA0004016359640000043
4)构建由源领域有监督分类任务、目标领域无标记样本插值一致性任务和目标领域样本旋转预测任务组成的多任务学习模型并在Ds和Dt进行训练，获取主任务分类模型最优参数；
5)利用最优测试模型对目标领域的图像进行分类。
5.根据权利要求4所述的基于深度学习的锁站连接锁检测方法，其特征在于：所述视觉分析系统还具备与港口的业务管理系统和/或所述锁站的主控系统的对接。
6.根据权利要求5所述的基于深度学习的锁站连接锁检测方法，其特征在于：所述锁站连接锁检测方法包括连接锁卸锁作业流程和连接锁安装作业流程。
7.根据权利要求6所述的基于深度学习的锁站连接锁检测方法，其特征在于，所述连接锁卸锁作业流程具体如下：
1、集卡从岸桥接箱后，将集装箱运输的所述锁站的解锁区域；
2、人工或机器拆除所述集装箱上的连接锁；
3、拆除完成后，工作人员通过所述业务管理系统和/或所述主控系统通知所述视觉分析系统；
4、所述视觉分析系统对所述连接锁是否移除进行检测与识别；
5、所述视觉分析系统将识别结果发送至对应所述业务管理系统。
8.根据权利要求6所述的基于深度学习的锁站连接锁检测方法，其特征在于，所述连接锁安装作业流程具体如下：
1、集卡从堆场将集装箱运输的所述锁站的安装区域；
2、人工或机器安装所述集装箱上的连接锁；
3、安装完成后，工作人员通过所述业务管理系统和/或所述主控系统通知所述视觉分析系统；
4、所述视觉分析系统对所述连接锁是否安装进行复核；
5、所述视觉分析系统将识别结果发送至对应所述业务管理系统。
CN202110689566.XA 2021-06-22 2021-06-22 一种基于深度学习的锁站连接锁检测系统及方法 Active CN113420646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110689566.XA CN113420646B (zh) 2021-06-22 2021-06-22 一种基于深度学习的锁站连接锁检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110689566.XA CN113420646B (zh) 2021-06-22 2021-06-22 一种基于深度学习的锁站连接锁检测系统及方法

Publications (2)

Publication Number Publication Date
CN113420646A CN113420646A (zh) 2021-09-21
CN113420646B true CN113420646B (zh) 2023-04-07

Family

ID=77789857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110689566.XA Active CN113420646B (zh) 2021-06-22 2021-06-22 一种基于深度学习的锁站连接锁检测系统及方法

Country Status (1)

Country Link
CN (1) CN113420646B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155438A (zh) * 2021-12-07 2022-03-08 南京飞衍智能科技有限公司 一种集装箱装卸安全检测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0701423L (sv) * 2007-06-12 2008-05-06 Loxystem Ab System och förfarande för lyft av containrar
CN107680092A (zh) * 2017-10-12 2018-02-09 中科视拓（北京）科技有限公司 一种基于深度学习的集装箱锁扣检测及预警方法
CN109335964A (zh) * 2018-09-21 2019-02-15 北京航天自动控制研究所 一种集装箱旋锁检测系统及检测方法
CN110197499A (zh) * 2019-05-27 2019-09-03 江苏警官学院 一种基于计算机视觉的集装箱安全起吊监测方法
CN210638645U (zh) * 2019-09-25 2020-05-29 上海海瞩智能科技有限公司 一种集卡装卸对箱自动检测装置
CN111832415A (zh) * 2020-06-15 2020-10-27 航天智造（上海）科技有限责任公司 一种用于集装箱吊装作业的卡车安全智能保护系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018075153A1 (en) * 2016-10-17 2018-04-26 Abner Roy T Network connectivity module for electro-mechanical locks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0701423L (sv) * 2007-06-12 2008-05-06 Loxystem Ab System och förfarande för lyft av containrar
CN107680092A (zh) * 2017-10-12 2018-02-09 中科视拓（北京）科技有限公司 一种基于深度学习的集装箱锁扣检测及预警方法
CN109335964A (zh) * 2018-09-21 2019-02-15 北京航天自动控制研究所 一种集装箱旋锁检测系统及检测方法
CN110197499A (zh) * 2019-05-27 2019-09-03 江苏警官学院 一种基于计算机视觉的集装箱安全起吊监测方法
CN210638645U (zh) * 2019-09-25 2020-05-29 上海海瞩智能科技有限公司 一种集卡装卸对箱自动检测装置
CN111832415A (zh) * 2020-06-15 2020-10-27 航天智造（上海）科技有限责任公司 一种用于集装箱吊装作业的卡车安全智能保护系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于YOLO的驾驶视频目标检测方法;文浩斌等;《汽车科技》;20191231(第1期);第279-283页 *
陈宗海.深度卷积对抗生成网络综述.《系统仿真技术及其应用》.2017,第18卷第279-283页. *

Also Published As

Publication number Publication date
CN113420646A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
CN111368690B (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN110472510A (zh) 基于红外及可见图像的电力设备故障检测方法及评估设备
CN109993734A (zh) 用于输出信息的方法和装置
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN110264440B (zh) 基于深度学习的大规模列车移位故障检测方法及系统
CN113962274A (zh) 一种异常识别方法、装置、电子设备及存储介质
CN111862065B (zh) 基于多任务深度卷积神经网络的输电线路诊断方法和系统
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN114862832A (zh) 缺陷检测模型的优化方法、装置、设备及存储介质
CN112115770A (zh) 一种用于架空线路无人机自主巡检缺陷识别的方法及系统
CN115830407A (zh) 一种基于yolov4目标检测模型的电缆管线故障判别算法
CN113420646B (zh) 一种基于深度学习的锁站连接锁检测系统及方法
CN113205039A (zh) 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN111758117A (zh) 检查系统、识别系统以及学习数据生成装置
KR20210122429A (ko) 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템
Katsamenis et al. A few-shot attention recurrent residual U-Net for crack segmentation
CN115035328A (zh) 转炉图像增量自动机器学习系统及其建立训练方法
CN117114420B (zh) 一种基于图像识别的工贸安全事故风险管控系统和方法
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
CN116128879B (zh) 一种轻量化输电线路缺陷检测方法和装置
JP7059889B2 (ja) 学習装置、画像生成装置、学習方法、及び学習プログラム
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN115082650A (zh) 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法

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
GR01 Patent grant
GR01 Patent grant