CN113837004A - 一种基于深度学习的游梁式抽油机运动学分析方法 - Google Patents
一种基于深度学习的游梁式抽油机运动学分析方法 Download PDFInfo
- Publication number
- CN113837004A CN113837004A CN202110958603.2A CN202110958603A CN113837004A CN 113837004 A CN113837004 A CN 113837004A CN 202110958603 A CN202110958603 A CN 202110958603A CN 113837004 A CN113837004 A CN 113837004A
- Authority
- CN
- China
- Prior art keywords
- pumping unit
- data
- deep learning
- images
- 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.)
- Granted
Links
- 238000005086 pumping Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 241001023788 Cyttus traversi Species 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 241000283074 Equus asinus Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000934806 Krameria Species 0.000 description 1
- 125000000174 L-prolyl group Chemical group [H]N1C([H])([H])C([H])([H])C([H])([H])[C@@]1([H])C(*)=O 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的游梁式抽油机运动学分析方法，该方法包括如下步骤，步骤1：数据预处理。步骤2：训练基于Yolov4的目标检测模型，对抽油机进行运动目标检测。步骤3：基于上述运动检测结果，对抽油机进行实时运动学分析。本发明针对油田中抽油机运动参数监控难的问题，提出利用基于Yolov4的深度卷积神经网络对抽油机运动视频进行识别，并搭建数学模型输出计算出的运动学参数。实验结果显示，在高IOU阈值下，本方法的mAP能够达到94％以上，输出识别后的视频可以达到10FPS，基本能够胜任实际油田的监控工作。
Description
技术领域
本发明属于计算机视觉领域，是一种基于深度学习的游梁式抽油机运动学分析方法，可以在实际油田场景下将游梁式抽油机视频流作为输入，输出实时运动学参数序列。
背景技术
游梁式抽油机(以下简称“抽油机”)是石油机械行业中最重要的工程机械之一，被广泛应用在世界各地的油田中。对抽油机进行运动学分析是研究抽油装置动力学、确定抽油装置的基本参数以及对抽油机进行结构优化设计的基础。
目前对于抽油机的运动学分析主要有两种方法，分别为基于数学模型的分析方法和基于软件建模的分析方法。基于数学模型的分析方式主要是通过人工设计的数学解析模型，推导数学以及物理公式对抽油机进行运动分析。此方法提供了简洁的形式化语言，用数学符号、图像、公式揭示原型的性质、规律和结构。基于软件建模的抽油机运动学分析方法是使用主流3D建模软件如Adams、Pro/E、SolidWorks，对抽油机进行仿真建模。此种方法能够更加直观的研究抽油机的运动学规律，并且通过搭建抽油机的3D场景，实现技术人员与抽油机的虚拟交互。
以上两种分析方法对抽油机的发展和应用有着重要的影响。但是，随着深度学习技术的发展，基于实时视频流的运动学分析方法逐渐兴起。该方法能够以视频作为输入，实时分析并输出人体或者物体的运动状态，且无需对外界环境信息进行模拟。现如今，各国都在积极开展智慧油田建设，移动巡检机器人和固定摄像头等视频获取装置被部署在油田中，这使得实时获取抽油机的视频数据成为可能。基于此，发明了一种基于深度学习的抽油机运动学分析方法，可以根据拍摄的视频数据对抽油机进行实时的运动学分析。希望此发明可以对抽油机的故障检测、日常监测、效能分析等方面起到积极作用。
发明内容
设计了一种基于深度学习的抽油机运动分析方法，将实地采集的抽油机工作视频输入其中，通过深度神经网络的识别和数学模型的计算，能够自动输出抽油机运行时的运动参数，人们可以利用此方法更加高效便捷的对油田中抽油机进行监控工作。如图1为本专利总览图。
为实现上述目的，本方法包括以下步骤：
步骤1：数据预处理。借助油田巡检机器人以及人工定点拍摄，对新疆克拉玛依油田内20余台游梁式抽油机进行了数据采集。采集的数据中包含多种不同天气下不同角度、大小的抽油机工作视频。接下来对于驴头、支点、游梁后端、曲柄以及抽油机整体等关键运动构建进行标注。最终得到5000多条有效数据。
接下来，应用了Mixup算法的基本思想，对自然场景下拍摄的数据集进行增广。应用此方法进行数据增广后，数据集体量从5000张扩大到20000张，其中用于训练的图片为16000张，用于验证的图片4000张。
如图2，Mixup算法主要原理如下：
λ＝Beta(α,β) (1)
如上式，xi和xj为原始输入向量，即数据样本，λ是参数α,β由贝塔分布计算出的混合系数，且λ∈[0,1]。在训练集中选出某个数据xi和xj，按照上述公式进行合成，再将这种合成后的数据输入神经网络获得输出。
在网络中计算出的loss是由yi和yj合成的。当然，loss的计算也分为两部分，先计算模型预测xi输出yi的loss，再乘以λ，同样再计算预测xj输出yj的loss，乘以其对应比例(即1-λ)，二者加权求和。
步骤2：训练基于Yolov4的目标检测模型，对抽油机进行运动目标检测。抽油机在工作时具有整体静止，部分运动的特点，所以决定采用Yolov4这种端到端的实时目标检测框架。目标识别神经网络由以下几部分组成：输入图像为416×416像素，由CSPdarknet53作为主干网络，SPP作为附加块，PANet作为实例分割网络，由基于Yolov3锚点机制的头作为输出。整体流程如图3所示。
首先，将抽油机的视频数据通过脚本将其按帧转化为416×416像素的图像以便输入网络。首先要经过的是CSPdarknet53主干网络。CSPdarknet53的结构由一个大残差块和内部堆叠的若干小残差块组成，首先利用Zeropadding2D和步长为2x2的卷积核进行步长为1的高和宽的压缩，然后建立一个大的残差边shortconv，绕过了许多残差结构。由于先进行降采样，因此计算量大大减小，速度大大提升。接下来的主干部分会对若干个残差结构块进行循环。最后将大的残差边再堆叠回来，对通道数进行整合，从不同部位的残差块输出三个有效特征层，分别为256张52×52图， 512张26×26图，1024张13×13图。
在实验过程中，发现由于抽油机的工作环境恶劣，视频的拍摄清晰度受光照、扬沙等天气因素影响较大，给的模型造成了一定困难。因此，决定在CSPdarknet53 主干网络中加入注意力机制来缓解外部条件的干扰，使模型更加鲁棒。注意力机制的基本思想就是让神经网络去多关注一些有用的信息，忽略无关的信息。本文将空间注意力模块SAM加入了CSPdarknet53，即将输入分成两个部分，其中一部分用平均池化和最大池化处理经过卷积后的特征图，与正常操作经过卷积层的输入共同生成两张新的特征图。然后，将这两张特征图进行一维卷积降维，再通过sigmoid激活函数，作为空间注意力权值。用此权值与之前的特征图进行乘法操作，以此将注意力加入到特征图中(如图4)。然后将CSPdarknet53的13×13图进入SPP块，将特征图进行不同尺度的池化，拼接后输出特征图。
接着，参考Yolov4使用了一种新的方法来分割实例，称为Path AggregationNetwork(PANet)，主要通过保留空间信息来增强实例分割过程。在本项目中， PANet使用另一条自底向上的路径，使用了来自所有层的特征，并让网络决定哪些是有用的，使参数聚合以适应各种大小的特征图。这样一来，PANet快速、简单、非常有效地对所有大小的特征进行池化，缩短了最低层和顶层之间的距离，并且使用增强路径来丰富每个级别的特征。
最后，输出的特征图将参照Yolov3提出的基于anchor机制的yolo-head来识别抽油机的各个部件。
如图5为基于Yolov4的抽油机运动识别模型输入图片后处理过程总览。
步骤3：基于上述运动检测结果，对抽油机进行实时运动学分析。的目标是基于深度学习技术以及输入视频流，对抽油机进行实时运动学分析。根据之前所构造的深度神经网络识别模型，可以实时的获取抽油机各个构件的位置。根据这些位置，设计并实现了一个抽油机运动学分析模型。如图6所示，将抽油机抽象为一个简单的几何结构，并总结出八个对于抽油机运动学分析较为重要的八个角度，分别为∠ HSC、∠HSE、∠HBE、∠ECS、∠BEC、∠BCE、∠HBC、∠CES。有了这八个特征角度，便可以对游梁式抽油机进行更深一步的运动学分析。
基于上述的游梁式抽油机抽象模型以及特征角度，可以计算出更深一步的运动学特征参数。在此，结合前人研究经验，主要分析五种对游梁式抽油机较为重要的五个运动学特征参数：驴头位移、驴头速度、驴头加速度、驴头角速度、驴头角加速度。
驴头位移可以由∠HSC以及H点和S点的距离计算所得，由于S点和C点保持静止，只有H点运动，所以驴头位移可以由以下公式得出：
Dh＝sin(∠HSC-∠HSCorigin)*dHS
接下来，根据速度瞬心法，如图7，可以得出：
即：
根据正弦定理，有
即可得出H点角速度公式，其中n为抽油机冲次。
接下来可计算出驴头速度：
最后，用VH和ωH对时间求导即可得到驴头加速度和角加速度：
发明效果
本发明针对油田中抽油机运动参数监控难的问题，提出利用基于Yolov4的深度卷积神经网络对抽油机运动视频进行识别，并搭建数学模型输出计算出的运动学参数。实验结果显示，在高IOU阈值下，的方法的mAP能够达到94％以上，输出识别后的视频可以达到10FPS，基本能够胜任实际油田的监控工作。图8-16为本方法的识别结果与验证部分。
附图说明
图1是本发明方法总览图。
图2是Mixup算法示意图。
图3是抽油机运动识别过程示意图
图4是SAM空间注意力机制示意图。
图5是抽油机抽象结构图。
图6是速度瞬心法示意图。
图7、8是基于Yolov4的抽油机运动识别模型的识别结果。
图9、10是基于识别结果和数学模型算出的对于抽油机运动识别重要的八个角度随时间变化曲线图。
图11-15为抽油机各运动学参数随时间变化曲线图。图11：驴头位移；图12：驴头速度；图13：驴头角速度；图14：驴头加速度；图15：驴头角加速度。
具体实施方式
1.对于一个采集自新疆克拉玛依油田的游梁式抽油机数据集进行标注和Mixup算法数据增广，得到可用于训练的数据。
2.基于Yolov4深度神经网络训练了一个可以识别抽油机部件的深度神经网络。采用一块RTX 2080with Max-Q显卡用于训练，在迭代8000次后，得到训练完的权重文件。
3.训练好神经网络之后，输入抽油机视频进行识别，网络能够输出带有各部件识别框的视频。
4.同时，将视频输入抽油机运动参数计算模型，得到随时间变化的运动学参数，并作图记录。
Claims (6)
1.一种基于深度学习的游梁式抽油机运动学分析方法，其特征在于：该方法包括如下步骤，
步骤1：数据预处理；借助油田巡检机器人以及人工定点拍摄进行数据采集；采集的数据中包含多种不同天气下不同角度、大小的抽油机工作视频；对于驴头、支点、游梁后端、曲柄以及抽油机整体等关键运动构建进行标注；最终得到5000多条有效数据；
应用Mixup算法的基本思想，对自然场景下拍摄的数据集进行增广；进行数据增广后，数据集体量从5000张扩大到20000张，其中用于训练的图片为16000张，用于验证的图片4000张；
Mixup算法主要原理如下：
λ＝Beta(α，β) (1)
xi和xj为原始输入向量，即数据样本，λ是参数α，β由贝塔分布计算出的混合系数，且λ∈[0，1]；在训练集中选出某个数据xi和xj，按照公式进行合成，再将这种合成后的数据输入神经网络获得输出；
在网络中计算出的loss是由yi和yj合成的；当然，loss的计算也分为两部分，先计算模型预测xi输出yi的loss，再乘以λ，同样再计算预测xj输出yj的loss，乘以其对应比例，二者加权求和；
步骤2：训练基于Yolov4的目标检测模型，对抽油机进行运动目标检测；抽油机在工作时具有整体静止，部分运动的特点，采用Yolov4这种端到端的实时目标检测框架；目标识别神经网络由以下几部分组成：输入图像为416×416像素，由CSPdarknet53作为主干网络，SPP作为附加块，PANet作为实例分割网络，由基于Yolov3锚点机制的头作为输出；
步骤3：基于上述运动检测结果，对抽油机进行实时运动学分析；的目标是基于深度学习技术以及输入视频流，对抽油机进行实时运动学分析；根据之前所构造的深度神经网络识别模型，实时的获取抽油机各个构件的位置；根据这些位置，设计并实现了一个抽油机运动学分析模型；将抽油机抽象为一个简单的几何结构，并总结出八个对于抽油机运动学分析较为重要的八个角度，分别为∠HSC、∠HSE、∠HBE、∠ECS、∠BEC、∠BCE、∠HBC、∠CES；有了这八个特征角度，对游梁式抽油机进行更深一步的运动学分析；
基于上述的游梁式抽油机抽象模型以及特征角度，计算出更深一步的运动学特征参数；分析五种对游梁式抽油机较为重要的五个运动学特征参数：驴头位移、驴头速度、驴头加速度、驴头角速度、驴头角加速度。
2.根据权利要求1所述的一种基于深度学习的游梁式抽油机运动学分析方法，其特征在于：将抽油机的视频数据通过脚本将其按帧转化为416×416像素的图像以便输入网络；首先要经过的是CSPdarknet53主干网络；CSPdarknet53的结构由一个大残差块和内部堆叠的若干小残差块组成，利用Zeropadding2D和步长为2x2的卷积核进行步长为1的高和宽的压缩，建立一个大的残差边shortconv，绕过了许多残差结构；最后将大的残差边再堆叠回来，对通道数进行整合，从不同部位的残差块输出三个有效特征层，分别为256张52×52图，512张26×26图，1024张13×13图。
3.根据权利要求1所述的一种基于深度学习的游梁式抽油机运动学分析方法，其特征在于：决定在CSPdarknet53主干网络中加入注意力机制来缓解外部条件的干扰，使模型更加鲁棒；将空间注意力模块SAM加入了CSPdarknet53，即将输入分成两个部分，其中一部分用平均池化和最大池化处理经过卷积后的特征图，与正常操作经过卷积层的输入共同生成两张新的特征图；然后，将这两张特征图进行一维卷积降维，再通过sigmoid激活函数，作为空间注意力权值；用此权值与之前的特征图进行乘法操作，以此将注意力加入到特征图中；然后将CSPdarknet53的13×13图进入SPP块，将特征图进行不同尺度的池化，拼接后输出特征图。
4.根据权利要求1所述的一种基于深度学习的游梁式抽油机运动学分析方法，其特征在于：Yolov4使用一种新方法来分割实例，称为PANet，通过保留空间信息来增强实例分割过程；PANet使用另一条自底向上的路径，使用了来自所有层的特征，并让网络决定哪些是有用的，使参数聚合以适应各种大小的特征图。
5.根据权利要求1所述的一种基于深度学习的游梁式抽油机运动学分析方法，其特征在于：输出的特征图将参照Yolov3提出的基于anchor机制的yolo-head来识别抽油机的各个部件。
6.根据权利要求1所述的一种基于深度学习的游梁式抽油机运动学分析方法，其特征在于：驴头位移可以由∠HSC以及H点和S点的距离计算所得，由于S点和C点保持静止，只有H点运动，所以驴头位移由以下公式得出：
Dh＝sin(∠HSC-∠HSCorigin)*dHS
接下来，根据速度瞬心法得出：
即：
根据正弦定理，有
即可得出H点角速度公式，其中n为抽油机冲次；
接下来可计算出驴头速度：
最后，用VH和ωH对时间求导即可得到驴头加速度和角加速度：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110958603.2A CN113837004B (zh) | 2021-08-20 | 一种基于深度学习的游梁式抽油机运动学分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110958603.2A CN113837004B (zh) | 2021-08-20 | 一种基于深度学习的游梁式抽油机运动学分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837004A true CN113837004A (zh) | 2021-12-24 |
| CN113837004B CN113837004B (zh) | 2024-05-31 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015077890A1 (en) * | 2013-11-27 | 2015-06-04 | Adept Ai Systems Inc. | Method and system for artificially intelligent model-based control of dynamic processes using probabilistic agents |
| CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
| WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
| CN112031716A (zh) * | 2020-08-28 | 2020-12-04 | 青岛江林驱动科技有限公司 | 游梁式抽油机自适应速度模型调速方法 |
| CN113191273A (zh) * | 2021-04-30 | 2021-07-30 | 西安聚全网络科技有限公司 | 基于神经网络的油田井场视频目标检测与识别方法及系统 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015077890A1 (en) * | 2013-11-27 | 2015-06-04 | Adept Ai Systems Inc. | Method and system for artificially intelligent model-based control of dynamic processes using probabilistic agents |
| WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
| CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
| CN112031716A (zh) * | 2020-08-28 | 2020-12-04 | 青岛江林驱动科技有限公司 | 游梁式抽油机自适应速度模型调速方法 |
| CN113191273A (zh) * | 2021-04-30 | 2021-07-30 | 西安聚全网络科技有限公司 | 基于神经网络的油田井场视频目标检测与识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘勇;: "基于光流场分析与深度学习的视频监控系统", 湘南学院学报, no. 02, 25 April 2017 (2017-04-25) * |
| 王勇;: "油井工况智能监测与风险防控技术研究", 河南科学, no. 01, 31 December 2020 (2020-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Faster R-CNN for marine organisms detection and recognition using data augmentation | |
| CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
| Othman et al. | A new deep learning application based on movidius ncs for embedded object detection and recognition | |
| Viraktamath et al. | Face detection and tracking using OpenCV | |
| CN111950477B (zh) | 一种基于视频监督的单图像三维人脸重建方法 | |
| CN111626176B (zh) | 一种基于动态注意力机制的遥感目标快速检测方法及系统 | |
| CN110866907A (zh) | 基于注意力机制的全卷积网络织物疵点检测方法 | |
| CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
| CN112288627B (zh) | 一种面向识别的低分辨率人脸图像超分辨率方法 | |
| CN110378222A (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
| CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
| CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
| CN109214366A (zh) | 局部目标重识别方法、装置及系统 | |
| CN109919085B (zh) | 基于轻量型卷积神经网络的人人交互行为识别方法 | |
| CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
| CN111553247B (zh) | 一种基于改进骨干网络的视频结构化系统、方法及介质 | |
| CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
| CN115115934A (zh) | 一种基于改进型YOLOv5的无人机航拍图像河流漂浮物检测方法 | |
| CN108062559A (zh) | 一种基于多重感受野的图像分类方法、系统及装置 | |
| CN113822383A (zh) | 一种基于多域注意力机制的无人机检测方法及系统 | |
| CN102510437B (zh) | 基于rgb分量分布的视频图像背景检测方法 | |
| Hong et al. | Semi-supervised domain adaptation for segmentation models on different monitoring settings | |
| Chen et al. | Stingray detection of aerial images with region-based convolution neural network | |
| CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
| CN113837004A (zh) | 一种基于深度学习的游梁式抽油机运动学分析方法 |
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 |