CN113657147B - 针对大尺寸施工场地的施工人员统计方法 - Google Patents
针对大尺寸施工场地的施工人员统计方法 Download PDFInfo
- Publication number
- CN113657147B CN113657147B CN202110746820.5A CN202110746820A CN113657147B CN 113657147 B CN113657147 B CN 113657147B CN 202110746820 A CN202110746820 A CN 202110746820A CN 113657147 B CN113657147 B CN 113657147B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- constructor
- detector
- construction
- image
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000013508 migration Methods 0.000 claims abstract description 5
- 230000005012 migration Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 34
- 238000002955 isolation Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 241000592183 Eidolon Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种针对大尺寸施工场地的施工人员统计方法，如下：利用无人机对大尺寸施工场地进行拍摄以获取图像序列，使用图像拼接方法对图像序列进行拼接形成施工场地全景图像；利用行人识别数据集对施工人员检测器进行预训练后，使用无人机拍摄的施工人员数据集进行迁移训练，及对施工车辆数据集进行施工车辆检测器的训练，然后将两个检测器进行集成形成人员车辆检测器；使用重叠的滑动窗口对全景图像进行裁剪形成子图像，使用施工人员车辆检测器对子图像进行检测，将检测到的施工人员和车辆局部坐标转换成全景图像下的整体坐标，对结果过滤后进行施工人员数量和位置的统计。本发明提升了公路工程现场施工人员统计的准确度和稳定性。
Description
技术领域
本发明涉及公路工程施工建设安全监督领域，具体涉及一种针对大尺寸施工场地的施工人员统计方法。
背景技术
公路是我国交通运输的大动脉。近年来，公路建设步入高潮，愈来愈多的建成公路服役，为提高我国交通运输效率、拉动我国经济快速增长起到了不可忽视的作用。然而，由于工作环境的复杂性和施工人员的素质参差不齐，公路工程施工现场的安全风险一直居高不下。仅仅在国内，从1997年到2014年间，平均每年由于施工现场事故导致的死伤人数高达2500人次，同时伴有严重的财产损失。安全监督已经成为施工现场安全管理的重要环节。安全主管人员往往使用检查单的形式来寻找和识别潜在的安全的风险，而施工人员的位置与数量便是检查单上的重要一项。
目前随着无人机技术和计算机视觉技术的发展，许多学者尝试使用这两种新技术来解决施工人员的统计问题，然而这些方法存在的最大的问题是需要特定的、昂贵的设备来获取所需的数据。
发明内容
基于以上不足之处，本发明的目的是提供一种针对大尺寸施工场地的施工人员统计方法，本发明解决了现有技术需要进入施工现场存在干扰正常施工风险方能进行现场施工人员统计及无法统计车辆内人员的问题。
本发明所采用的技术方案如下：一种针对大尺寸施工场地的施工人员统计方法，如下：
确定待测施工场地后起飞无人机飞到一定高度，飞行高度以图像中能够清晰看到施工人员，将无人机的摄像头调整为正摄模式；
设置好重叠率，规划好航线后进行图像采集；
使用图像拼接算法对采集到的图像集进行处理，包括图像预处理、特征点提取与匹配与图像融合；
使用霍夫直线检测或者目标检测方法寻找公路中央隔离带或者路肩；
以中央隔离带或者路肩为中心线向两侧扩展30像素作为特征点过滤区域对提取到的特征点进行过滤，然后再进行匹配；
结合图像融合最终形成施工场地全景图像；
选取基于深度卷积神经网络的目标检测网络作为施工人员检测器，首先使用常见的行人识别数据集对施工人员检测器进行预训练，使用无人机拍摄的施工人员数据集对施工人员检测器进行迁移训练；
选取基于深度卷积神经网络的目标检测网络作为施工车辆检测器，使用无人机拍摄的施工车辆数据集对施工车辆检测器进行训练；
将施工人员检测器和施工车辆检测器进行集成以形成施工人员车辆检测器，集成规则为：其分类得分由两个子检测器的分类得分计算得到，当任何一个子检测器的分类得分小于0.1时，集成检测器的分类得分等于另一个检测器的分类得分；当两个检测器的分类得分均小于0.1时，集成检测器的分类得分则置于0；
确定合适的窗口尺寸，使用重叠的滑动窗口对全景图像进行裁剪形成子图像；
使用施工人员车辆检测器对所有子图像进行检测，检测结果形式为：目标分类，得分，外包围矩形框中心点及宽高；
将检测结果中的目标外包围矩形框中心点坐标转换为全景图像整体坐标后，使用非极大值抑制方法对目标进行过滤；
人为统计施工场地中常见种类的施工车辆工作时对应的施工人员数量，建立车辆对应人员数据库，将检测到的施工车辆转换为施工人员后同检测到的施工人员进行合并作为最后的结果。
本发明还具有如下技术特征：
1、无人机的航线规划方法如下：
当待测施工场地已经被录入常见电子地图中时，在地图中选取待测场地的边缘控制点并使用线段将相邻控制点进行连接，形成待测区域；
当待测施工场地未被录入电子地图中时，需要控制无人机飞抵待测场地的边缘控制点附近，在地图上以飞机定位作为控制点进行记录并将相邻控制点进行连接，形成待测区域；
根据无人机高度以及成像镜头的分辨率，计算出无人机照片对应的实际尺寸；
对待测区域指定飞行主方向，根据照片重叠率计算出飞行主方向上的飞行航迹条数和对应照片数量。
2、寻找公路中央隔离带或者路肩的方法如下：
针对直线段的中央隔离带或者路肩，首先对可以表示该直线物体的直线对象进行参数化，将直线用一个角度值α和该条直线到原点的距离L表示，构建少量施工场地直线检测数据集，而后采用深度卷积神经网络建立深度直线检测模型，使用相关数据集进行预训练后，使用施工场地数据集进行微调，从而得到一个鲁棒的中央隔离带或者路肩的深度直线检测器；
针对非直线段的中央隔离带或者路肩，使用目标检测的方式检测中央隔离带或者路肩所在位置，并使用矩形标示框进行表示，而后对矩形标示框中的图像进行二值化后对其进行形态学运算，使中央隔离带或者路肩对应的区域变为连通域后，使用轮廓寻找方法寻找图像中的所有轮廓，将轮廓按周长从大到小进行排序后，最大的便是其曲线轮廓。
3、车辆对应人员数据库建立的方法如下：
根据施工车辆出厂名牌确定车辆准乘人员数量，做为车辆对应人员上限值；
统计不同种类施工车辆在工作时的乘员数量，并使用统计方法进行回归，确定工作状态车辆对应人员工作值；
最后使用工作值作为最终的车辆对应人员数量，并使用上限值作为提示。
本发明的有益效果为：本发明实现了对于包含复杂背景干扰信息的施工现场施工人员，并且包括施工车辆中的施工人员的全过程自动化处理。本发明便捷、准确，提升了公路工程现场施工人员统计的准确度和稳定性。整个统计过程显著降低了检测过程中的人工参与度。本发明还能满足公路工程安全突击检查需求，本发明提高了公路工程现场施工人员快速统计的自动化、智能化、准确性和鲁棒性，为公路工程的安全监督提供了新的解决方案。
附图说明
图1为无人机拍摄得到的图像序列；
图2为过滤提取到的特征点的过滤区域示意图；
图3为拼接得到的全景图像；
图4为全景图像检测到的人员和车辆结果图；
具体实施方式
本发明的具体实施方案，通过设置在某施工场地的针对大尺寸施工场地的施工人员统计系统进行说明。
实施例1
一种针对大尺寸施工场地的施工人员统计方法，如下：
确定待测施工场地后起飞无人机飞到一定高度，飞行高度以图像中可以清晰看到施工人员，将无人机的摄像头调整为正摄模式；
设置好重叠率，规划好航线后进行图像采集；
使用图像拼接算法对采集到的图像集进行处理，图像拼接算法一般包括图像预处理、特征点提取与匹配与图像融合；
使用霍夫直线检测(直线段)或者目标检测方法(曲线段)寻找公路中央隔离带或者路肩；针对现有技术针对整幅图像进行特征点提取导致提取过程耗时长和匹配混乱的问题，本实施例提出结合施工场地常见的标志性结构物(公路工程中多为中央隔离带或者路肩)进行特征点的过滤然后再进行匹配，可有效减少提取时间、提高匹配速度和精度。
以中央隔离带或者路肩为中心线向两侧扩展30像素作为特征点过滤区域对提取到的特征点进行过滤，然后再进行匹配；经过多次实验和比对，本实施例确定以中央隔离带或者路肩为中心线向两侧扩展30像素作为特征点过滤区域对提取到的特征点进行过滤既可最大限度保留区域特征又能降低特征点数量。
结合图像融合最终形成施工场地全景图像；
选取基于深度卷积神经网络的目标检测网络作为施工人员检测器，首先使用常见的行人识别数据集对施工人员检测器进行预训练，使用无人机拍摄的施工人员数据集对施工人员检测器进行迁移训练；
选取基于深度卷积神经网络的目标检测网络作为施工车辆检测器，使用无人机拍摄的施工车辆数据集对施工车辆检测器进行训练；
将施工人员检测器和施工车辆检测器进行集成以形成施工人员车辆检测器，集成规则为：其分类得分由两个子检测器的分类得分计算得到，当任何一个子检测器的分类得分小于0.1时，集成检测器的分类得分等于另一个检测器的分类得分；当两个检测器的分类得分均小于0.1时，集成检测器的分类得分则置于0；针对现有技术统计施工人员时未考虑施工车辆中可能存在的施工人员的问题，本实施例在此提出施工人员车辆联合检测的思路，并将单独训练的人员检测器和车辆检测器进行集成，并制定相应的集成策略。
确定合适的窗口尺寸，使用重叠的滑动窗口对全景图像进行裁剪形成子图像；
使用施工人员车辆检测器对所有子图像进行检测，检测结果形式为(目标分类，得分，外包围矩形框中心点及宽高)；
将检测结果中的目标外包围矩形框中心点坐标转换为全景图像整体坐标后，使用非极大值抑制方法对目标进行过滤；
人为统计施工场地中常见种类的施工车辆工作时对应的施工人员数量，建立车辆对应人员数据库，将检测到的施工车辆转换为施工人员后同检测到的施工人员进行合并作为最后的结果。本实施例在此提出通过检测施工车辆并建立施工车辆对应人员数据库进行车辆到人员的数量转换，能巧妙地解决通过表面视觉无法侦测隐藏在车辆内部人员的问题，有效地提升了施工人员统计的精度。
其中，无人机航线规划方法如下：
当待测施工场地已经被录入常见电子地图中时，在地图中选取待测场地的边缘控制点并使用线段将相邻控制点进行连接，形成待测区域；
当待测施工场地未被录入电子地图中时，需要控制无人机飞抵待测场地的边缘控制点附近，在地图上以飞机定位作为控制点进行记录并将相邻控制点进行连接，形成待测区域；
根据无人机高度以及成像镜头的分辨率，大致计算出无人机照片对应的实际尺寸；
对待测区域指定飞行主方向，根据照片重叠率计算出飞行主方向上的飞行航迹条数和对应照片数量。
其中，寻找公路中央隔离带或者路肩的方法如下：针对直线段的中央隔离带或者路肩，首先对可以表示该直线物体的直线对象进行参数化，将直线用一个角度值α和该条直线到原点的距离L表示，构建少量施工场地直线检测数据集，而后采用深度卷积神经网络建立深度直线检测模型，使用相关数据集进行预训练后，使用施工场地数据集进行微调，从而得到一个鲁棒的中央隔离带或者路肩的深度直线检测器；
针对非直线段的中央隔离带或者路肩，使用目标检测的方式检测中央隔离带或者路肩所在位置，并使用矩形标示框进行表示，而后对矩形标示框中的图像进行二值化后对其进行形态学运算，使中央隔离带或者路肩对应的区域变为连通域后，使用轮廓寻找方法寻找图像中的所有轮廓，将轮廓按周长从大到小进行排序后，最大的便是其曲线轮廓。
其中，车辆对应人员数据库建立的方法如下：
根据施工车辆出厂名牌确定车辆准乘人员数量，做为车辆对应人员上限值；
统计不同种类施工车辆在工作时的乘员数量，并使用统计方法进行回归，确定工作状态车辆对应人员工作值；
最后使用工作值作为最终的车辆对应人员数量，并使用上限值作为提示。
为了确保施工车辆中遮挡的施工人员均得到统计，设计了车辆对应人员数量上限值和工作值，最终统计结果以工作值换算结果为主，上限值作为提示。
实施例2
一种针对大尺寸施工场地的施工人员统计方法，试验用场地为某省的高速公路工程施工现场，方法如下：
使用大疆精灵4Pro型号无人机在30m高度对该场地进行拍摄，得到的图像序列如图1所示，将无人机的摄像头调整为正摄模式；
横向和纵向重叠率均调整为60％，规划好航线后进行图像采集；
使用OpenCV自带的开源图像拼接方法对图像集进行拼接得到施工场地的全景图像，，图像拼接算法一般包括图像预处理、特征点提取与匹配与图像融合；
其中，使用路肩部分作为过滤区域对提取到的特征点进行过滤，如图2所示，然后再进行匹配；
结合图像融合最终形成施工场地全景图像，如图3所示；
选取基于深度卷积神经网络的目标检测网络作为施工人员检测器，首先使用常见的行人识别数据集对施工人员检测器进行预训练，使用无人机拍摄的施工人员数据集对施工人员检测器进行迁移训练；
选取基于深度卷积神经网络的目标检测网络作为施工车辆检测器，使用无人机拍摄的施工车辆数据集对施工车辆检测器进行训练；
使用无人机采集各类施工人员300张和施工车辆图像500张，并使用LabelImg工具进行人员和车辆的人工标注，使用随机抽样的方式分别分为训练集240张，测试集60张以及训练集400张，测试集100张。选取常用的目标检测网络SSD作为施工人员和施工车辆的检测器。使用标注好的图片进行训练，训练使用的软件平台为Pytorch，硬件平台为Intel XeonE5-2620 v4的CPU及Nvidia GTX 1080Ti的GPU。施工人员预训练80000次，迁移训练12000次，施工车辆训练24000次。
将施工人员检测器和施工车辆检测器进行集成以形成施工人员车辆检测器，集成规则为：其分类得分由两个子检测器的分类得分计算得到，当任何一个子检测器的分类得分小于0.1时，集成检测器的分类得分等于另一个检测器的分类得分；当两个检测器的分类得分均小于0.1时，集成检测器的分类得分则置于0；
确定滑动窗口尺寸为300×300，重叠像素为150，使用滑动窗口对全景图像进行裁剪形成子图像；
使用施工人员车辆检测器对所有子图像进行检测，检测结果形式为：目标分类，得分，外包围矩形框中心点及宽高；
将检测结果中的目标外包围矩形框中心点坐标转换为全景图像整体坐标后，使用非极大值抑制方法对目标进行过滤；
人为统计施工场地中常见种类的施工车辆工作时对应的施工人员数量，建立车辆对应人员数据库，将检测到的施工车辆转换为施工人员后同检测到的施工人员进行合并作为最后的结果。
使用施工人员车辆检测器对所有子图像进行检测，将检测到的施工人员和车辆局部坐标转换成全景图像下的整体坐标，对结果过滤后得到最终人员车辆结果，如图4所示。统计得到的车辆转换人员关系如表1所示。最终得到该施工场地共有26名(上限32)施工人员。
表1常见施工类型车辆转换人员关系表
| 车辆类型 | 工作值 | 上限值 |
| 标准载重车辆 | 1 | 3 |
| 摊铺机 | 2 | 2 |
| 压路机(小) | 1 | 2 |
| 压路机(大) | 1 | 2 |
| 洒水车 | 1 | 2 |
| 日常用车 | 0 | 0 |
本实施例验证了本发明所提算法的准确性。
Claims (4)
1.一种针对大尺寸施工场地的施工人员统计方法，其特征在于，如下：
确定待测施工场地后起飞无人机飞到一定高度，飞行高度以图像中能够清晰看到施工人员，将无人机的摄像头调整为正摄模式；
设置好重叠率，规划好航线后进行图像采集；
使用图像拼接算法对采集到的图像集进行处理，包括图像预处理、特征点提取与匹配、图像融合；
使用霍夫直线检测或者目标检测方法寻找公路中央隔离带或者路肩；
以中央隔离带或者路肩为中心线向两侧扩展30像素作为特征点过滤区域对提取到的特征点进行过滤，然后再进行匹配；
结合图像融合最终形成施工场地全景图像；
选取基于深度卷积神经网络的目标检测网络作为施工人员检测器，首先使用常见的行人识别数据集对施工人员检测器进行预训练，使用无人机拍摄的施工人员数据集对施工人员检测器进行迁移训练；
选取基于深度卷积神经网络的目标检测网络作为施工车辆检测器，使用无人机拍摄的施工车辆数据集对施工车辆检测器进行训练；
将施工人员检测器和施工车辆检测器进行集成以形成施工人员车辆检测器，集成规则为：其分类得分由两个子检测器的分类得分计算得到，当任何一个子检测器的分类得分小于0.1时，集成检测器的分类得分等于另一个检测器的分类得分；当两个检测器的分类得分均小于0.1时，集成检测器的分类得分则置于0；
确定合适的窗口尺寸，使用重叠的滑动窗口对全景图像进行裁剪形成子图像；
使用施工人员车辆检测器对所有子图像进行检测，检测结果形式为：目标分类，得分，外包围矩形框中心点及宽高；
将检测结果中的目标外包围矩形框中心点坐标转换为全景图像整体坐标后，使用非极大值抑制方法对目标进行过滤；
人为统计施工场地中常见种类的施工车辆工作时对应的施工人员数量，建立车辆对应人员数据库，将检测到的施工车辆转换为施工人员后同检测到的施工人员进行合并作为最后的结果。
2.根据权利要求1所述的一种针对大尺寸施工场地的施工人员统计方法，其特征在于，无人机航线规划方法如下：
当待测施工场地已经被录入常见电子地图中时，在地图中选取待测场地的边缘控制点并使用线段将相邻控制点进行连接，形成待测区域；
当待测施工场地未被录入电子地图中时，需要控制无人机飞抵待测场地的边缘控制点附近，在地图上以飞机定位作为控制点进行记录并将相邻控制点进行连接，形成待测区域；
根据无人机高度以及成像镜头的分辨率，计算出无人机照片对应的实际尺寸；
对待测区域指定飞行主方向，根据照片重叠率计算出飞行主方向上的飞行航迹条数和对应照片数量。
3.根据权利要求1或2所述的一种针对大尺寸施工场地的施工人员统计方法，其特征在于，寻找公路中央隔离带或者路肩的方法如下：
针对直线段的中央隔离带或者路肩，首先对可以表示直线物体的直线对象进行参数化，将直线用一个角度值α和该条直线到原点的距离L表示，构建少量施工场地直线检测数据集，而后采用深度卷积神经网络建立深度直线检测模型，使用相关数据集进行预训练后，使用施工场地数据集进行微调，从而得到一个鲁棒的中央隔离带或者路肩的深度直线检测器；
针对非直线段的中央隔离带或者路肩，使用目标检测的方式检测中央隔离带或者路肩所在位置，并使用矩形标示框进行表示，而后对矩形标示框中的图像进行二值化后对其进行形态学运算，使中央隔离带或者路肩对应的区域变为连通域后，使用轮廓寻找方法寻找图像中的所有轮廓，将轮廓按周长从大到小进行排序后，最大的便是其曲线轮廓。
4.根据权利要求1或2所述的一种针对大尺寸施工场地的施工人员统计方法，其特征在于，车辆对应人员数据库建立的方法如下：
根据施工车辆出厂名牌确定车辆准乘人员数量，做为车辆对应人员上限值；
统计不同种类施工车辆在工作时的乘员数量，并使用统计方法进行回归，确定工作状态车辆对应人员工作值；
最后使用工作值作为最终的车辆对应人员数量，并使用上限值作为提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110746820.5A CN113657147B (zh) | 2021-07-01 | 2021-07-01 | 针对大尺寸施工场地的施工人员统计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110746820.5A CN113657147B (zh) | 2021-07-01 | 2021-07-01 | 针对大尺寸施工场地的施工人员统计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657147A CN113657147A (zh) | 2021-11-16 |
| CN113657147B true CN113657147B (zh) | 2023-12-26 |
Family
ID=78477886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110746820.5A Active CN113657147B (zh) | 2021-07-01 | 2021-07-01 | 针对大尺寸施工场地的施工人员统计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657147B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376676A (zh) * | 2018-11-01 | 2019-02-22 | 哈尔滨工业大学 | 基于无人机平台的公路工程现场施工人员安全预警方法 |
| CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
| CN111008562A (zh) * | 2019-10-31 | 2020-04-14 | 北京城建设计发展集团股份有限公司 | 一种特征图深度融合的人车目标检测方法 |
| CN111967313A (zh) * | 2020-07-08 | 2020-11-20 | 北京航空航天大学 | 一种深度学习目标检测算法辅助的无人机图像标注方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9989965B2 (en) * | 2015-08-20 | 2018-06-05 | Motionloft, Inc. | Object detection and analysis via unmanned aerial vehicle |
| KR102592076B1 (ko) * | 2015-12-14 | 2023-10-19 | 삼성전자주식회사 | 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치 |
-
2021
- 2021-07-01 CN CN202110746820.5A patent/CN113657147B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376676A (zh) * | 2018-11-01 | 2019-02-22 | 哈尔滨工业大学 | 基于无人机平台的公路工程现场施工人员安全预警方法 |
| CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
| CN111008562A (zh) * | 2019-10-31 | 2020-04-14 | 北京城建设计发展集团股份有限公司 | 一种特征图深度融合的人车目标检测方法 |
| CN111967313A (zh) * | 2020-07-08 | 2020-11-20 | 北京航空航天大学 | 一种深度学习目标检测算法辅助的无人机图像标注方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Fast R-CNN的车辆目标检测;曹诗雨;刘跃虎;李辛昭;;中国图象图形学报(第05期);正文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657147A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
| CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
| CN105302151B (zh) | 一种飞机入坞引导和机型识别的系统及方法 | |
| CN106991668B (zh) | 一种天网摄像头拍摄画面的评价方法 | |
| CN105654732A (zh) | 一种基于深度图像的道路监控系统及方法 | |
| CN105956942A (zh) | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 | |
| CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
| CN110781757B (zh) | 一种机场道面异物识别定位方法及系统 | |
| CN110254468A (zh) | 一种轨道表面缺陷智能在线检测装置及检测方法 | |
| CN108038424A (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
| CN105741324A (zh) | 移动平台上的运动目标检测识别与跟踪方法 | |
| CN106934380A (zh) | 一种基于HOG和MeanShift算法的室内行人检测和跟踪方法 | |
| CN110021167A (zh) | 一种高速公路云巡查系统及数据处理方法 | |
| CN105956619A (zh) | 一种集装箱锁孔粗定位和跟踪方法 | |
| CN113947731A (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
| CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
| CN115482474B (zh) | 一种基于高空航拍图像的桥面车辆荷载识别方法和系统 | |
| CN111898494A (zh) | 一种采矿扰动地块边界识别方法 | |
| CN114332658B (zh) | 基于无人机巡检的铁路工务设备与周边环境隐患排查方法 | |
| CN112037252A (zh) | 基于鹰眼视觉的目标跟踪方法及系统 | |
| CN113378754B (zh) | 一种工地裸土监测方法 | |
| CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
| CN105447431A (zh) | 一种基于机器视觉的入坞飞机跟踪定位方法及系统 | |
| Refai et al. | The study of vehicle classification equipment with solutions to improve accuracy in Oklahoma. | |
| CN113343782B (zh) | 一种基于无人机遥感的高速公路标志标牌检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |