CN113920454B - 一种低对比度工况下工地物料的快速识别和分类方法 - Google Patents
一种低对比度工况下工地物料的快速识别和分类方法 Download PDFInfo
- Publication number
- CN113920454B CN113920454B CN202111225278.5A CN202111225278A CN113920454B CN 113920454 B CN113920454 B CN 113920454B CN 202111225278 A CN202111225278 A CN 202111225278A CN 113920454 B CN113920454 B CN 113920454B
- Authority
- CN
- China
- Prior art keywords
- module
- layers
- convolution
- material identification
- convolutional
- 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
- 239000000463 material Substances 0.000 title claims abstract description 74
- 238000010276 construction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 239000013077 target material Substances 0.000 claims abstract description 4
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005422 blasting Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012770 industrial material Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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
本发明旨在提供一种低对比度工况下工地物料的快速识别和分类方法，包括以下步骤：A、构建深度神经网络结构，其中包括：低层次特征提取模块、加权融合模块、物料识别框构建模块；B、原始图像先输入到低层次特征提取模块中，依次经各个卷积层处理，结果输入到加权融合模块中；C、在加权融合模块中获得加权融合特征结果，经过进一步卷积调整输出尺寸，最终输入物料识别框构建模块中；D、在物料识别框构建模块中，得到不同尺度大小的网格候选目标框；E、将不同尺度大小的网格候选目标框分别作为yolo检测头，检测目标物料的种类及位置。本发明具有实时性强，准确率高的特点，mAP可达92.86%。
Description
技术领域
本发明涉及工地物料图像处理领域，具体涉及一种低对比度工况下工地物料的快速识别和分类方法。
背景技术
工程机械主要应用于大型工程的施工现场，是现代化建设的拓荒者，但在现实作业中，工况常伴有震动、高温、粉尘、挥发性气体、恶臭和辐射等恶劣环境，这些恶劣环境对机器操作手的人身安全、健康存在严重威胁，长期处于这种工作环境下对工人的伤害极大。因此发展智能化、无人化的工程机械设备具有重要的意义。因此，本项目针对当前恶劣工况的应用需求，通过探究复杂场景下的物料智能识别技术来提升装载机自主判定物料类别及应对复杂工况的自主决策能力，实现装载机智能化水平，让装载机可以对周围环境进行感知并自行决策，在保障工人人身安全的情况下进行作业，最大限度地降低了风险的同时提高工作效率。
目前国家处在智能制造升级换代的关键时期，我国在大型工业方面仍然存在很多问题，比如，劳动力越来越昂贵、作业环境未知，危险重重、驾驶舱环境不友好、现场施工坍塌事故频繁发生、施工太受天气环境影响、机器侧翻事故频繁发生、工况环境对人员有害等等。为了解决这一难题，顺应时代发展的趋势，积极响应国家科技强国战略,以造福人类，保护工人人身安全，提高生产效率为使命，结合当下技术发展情况，我们设计一款工业用途的物料智能识别系统，旨在让工业装载设备可以自行工作，解放劳动力促进生产。
凭借深度学习与多传感器融合的技术，装载机可以在雨雾天气、粉尘、矿山、隧道、爆破现场、抢险救灾等环境比较恶劣的情况下作业，如果是传统的装载机，驾驶员会在特殊环境下视野受阻，造成工作困难，并且驾驶员生命没有保障，其次，装载机在工程土石施工时，驾驶员由于观察角度问题，不能够合理的判断挖掘物料后是否会导致坍塌，每年装载机因挖掘物料时角度不对发生坍塌事故多达1500起。智能装载机的出现会减少事故的发生，降低工作人员伤亡的风险。而智能装载机的关键技术在于智能识别算法的研究。
发明内容
本发明旨在提供一种低对比度工况下工地物料的快速识别和分类方法，该方法使装载机可以在正常环境下和低对比度的环境下都具有较高识别率，并且具有高实时性，高鲁棒性的特点。
本发明的技术方案如下：
所述的低对比度工况下工地物料的快速识别和分类方法，包括以下步骤：
A、构建深度神经网络结构，深度神经网络结构具体如下：
低层次特征提取模块、加权融合模块、物料识别框构建模块；所述的低层次特征提取模块包括逐层连接的多个卷积层；加权融合模块中设有8个依次相连的shortcut模块；
所述的物料识别框构建模块包括小体积物料识别模块和大体积物料识别模块；
B、原始图像先输入低层次特征提取模块，依次经各个卷积层处理，获得尺寸缩小后的初步特征提取结果，输入加权融合模块中；
C、在加权融合模块中，初步特征提取结果依次经过8个shortcut模块处理，在每个shortcut模块中，输入特征经过两个更大通道数的卷积层放大处理，再经过第三个卷积层缩小处理至其尺寸和通道数与输入特征相同，然后与输入特征加权融合后，获得加权融合特征结果并输出；最后的shortcut模块输出的加权融合特征结果经过进一步卷积调整输出尺寸，得到尺寸调整卷积结果输入物料识别框构建模块中；
D、在物料识别框构建模块中，尺寸调整卷积结果分别输入小体积物料识别模块和大体积物料识别模块中；
在大体积物料识别模块中，尺寸调整卷积结果经过两个通道数依次增加的卷积层处理，获得中间处理结果，中间处理结果分为两路，一路输入小体积物料识别模块中，另一路经过两个通道数依次递减的13*13卷积层处理后，得到大体积物料识别框；
在小体积物料识别模块中，中间处理结果经一个卷积层处理至其尺寸和通道数与尺寸调整卷积结果相同，然后与尺寸调整卷积结果拼接融合后，经过三个通道数依次递减的26*26卷积层处理后，得到小体积物料识别框；
E、将小体积物料识别框和大体积物料识别框分别作为yolo检测头，检测目标物料的种类及位置。
所述的低层次特征提取模块中，包括5个卷积层，依次分别为：208*208*32卷积层、208*208*32卷积层、208*208*16卷积层、208*208*96卷积层、104*104*96卷积层。
所述的加权融合模块中的8个shortcut模块中包含的三个卷积层分别为：
第一个shortcut模块：104*104*144卷积层，104*104*144卷积层，104*104*24卷积层；
第二个shortcut模块：52*52*192卷积层，52*52*192卷积层，52*52*32卷积层；
第三个shortcut模块：52*52*192卷积层，52*52*192卷积层，52*52*32卷积层；
第四个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第五个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第六个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第七个shortcut模块：26*26*576卷积层，26*26*576卷积层，26*26*96卷积层；
第八个shortcut模块：26*26*576卷积层，26*26*576卷积层，26*26*96卷积层；
其中，第一个shortcut模块和第二个shortcut模块之间设有依次连接的两个卷积层：104*104*144卷积层，52*52*144卷积层；
第三个shortcut模块和第四个shortcut模块之间设有依次连接的两个卷积层：52*52*192卷积层，26*26*192卷积层；
第六个shortcut模块和第七个shortcut模块之间设有依次连接的两个卷积层：26*26*384卷积层，26*26*384卷积层。
所述的步骤C中，对最后的加权融合特征结果调整输出尺寸的卷积层为26*26*96卷积层。
所述的小体积物料识别模块包括4个依次连接的卷积层，分别为：26*26*192卷积层、26*26*384卷积层、13*13*96卷积层、13*13*24卷积层，其中26*26*384卷积层处理后的结果即为中间处理结果。
所述的大体积物料识别模块包括26*26*96卷积层和3个依次连接的卷积层，其中3个依次连接的卷积层分别为：26*26*192卷积层、26*26*96卷积层、26*26*24卷积层；中间处理结果输入26*26*96卷积层，经26*26*96卷积层处理后与缩小卷积结果拼接融合后输入26*26*192卷积层。
本发明首次将深度学习YOLO算法应用到工业物料识别中，并针对工地物料的实际情况，进行了算法改进，改进之后的算法既有较高识别率，又具有高实时性，模型比较小适合移植到嵌入式设备中。
本发明对于低对比度下的图像具有高识别率，具有广阔的应用前景。
附图说明
图1本发明的整体网络结构图；
图2为shortcut模块的网络结构
图3为本发明对低对比度工程机械和石块的预测结果图；
图1中的表示拼接融合；图2中的“shortcut”表示加权融合。
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
本实施例提供的一种低对比度工况下工地物料的快速识别和分类方法，包括以下步骤：
包括以下步骤：
A、构建深度神经网络结构，深度神经网络结构具体如下：
低层次特征提取模块、加权融合模块、物料识别框构建模块；所述的低层次特征提取模块包括逐层连接的多个卷积层；加权融合模块中设有8个依次相连的shortcut模块；
所述的低层次特征提取模块中，包括6个卷积层，依次分别为：416*416*3卷积层、208*208*32卷积层、208*208*16卷积层、208*208*96卷积层、104*104*96卷积层、104*104*24卷积层。
所述的加权融合模块中的8个shortcut模块中包含的三个卷积层分别为：
第一个shortcut模块：104*104*144卷积层，104*104*144卷积层，104*104*24卷积层；
第二个shortcut模块：52*52*192卷积层，52*52*192卷积层，52*52*32卷积层；
第三个shortcut模块：52*52*192卷积层，52*52*192卷积层，52*52*32卷积层；
第四个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第五个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第六个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第七个shortcut模块：26*26*576卷积层，26*26*576卷积层，26*26*96卷积层；
第八个shortcut模块：26*26*576卷积层，26*26*576卷积层，26*26*96卷积层；
其中，第一个shortcut模块和第二个shortcut模块之间设有依次连接的两个卷积层：104*104*144卷积层，52*52*144卷积层；
第三个shortcut模块和第四个shortcut模块之间设有依次连接的两个卷积层：52*52*192卷积层，26*26*192卷积层；
第六个shortcut模块和第七个shortcut模块之间设有依次连接的两个卷积层：26*26*384卷积层，26*26*384卷积层。
所述的物料识别框构建模块包括小体积物料识别模块和大体积物料识别模块；所述的小体积物料识别模块包括4个依次连接的卷积层，分别为：26*26*192卷积层、26*26*384卷积层、13*13*96卷积层、13*13*24卷积层，其中26*26*384卷积层处理后的结果即为中间处理结果。
所述的大体积物料识别模块包括26*26*96卷积层和3个依次连接的卷积层，其中3个依次连接的卷积层分别为：26*26*192卷积层、26*26*96卷积层、26*26*24卷积层；中间处理结果输入26*26*96卷积层，经26*26*96卷积层处理后与缩小卷积结果拼接融合后输入26*26*192卷积层。
B、原始图像先输入低层次特征提取模块，依次经各个卷积层处理，获得尺寸缩小后的初步特征提取结果，输入加权融合模块中；
C、在加权融合模块中，初步特征提取结果依次经过8个shortcut模块处理，在每个shortcut模块中，输入特征经过两个更大通道数的卷积层放大处理，再经过第三个卷积层缩小处理至其尺寸和通道数与输入特征相同，然后与输入特征加权融合后，获得加权融合特征结果并输出；最后的shortcut模块输出的加权融合特征结果经过26*26*96卷积层进一步卷积调整输出尺寸，得到尺寸调整卷积结果输入物料识别框构建模块中；
D、在物料识别框构建模块中，尺寸调整卷积结果分别输入小体积物料识别模块和大体积物料识别模块中；
在大体积物料识别模块中，尺寸调整卷积结果经过两个通道数依次增加的卷积层处理，获得中间处理结果，中间处理结果分为两路，一路输入小体积物料识别模块中，另一路经过两个通道数依次递减的13*13卷积层处理后，得到大体积物料识别框；
在小体积物料识别模块中，中间处理结果经一个卷积层处理至其尺寸和通道数与尺寸调整卷积结果相同，然后与尺寸调整卷积结果拼接融合后，经过三个通道数依次递减的26*26卷积层处理后，得到小体积物料识别框；
E、将小体积物料识别框和大体积物料识别框分别作为yolo检测头，检测目标物料的种类及位置。
实施例2
如附图3所示：
图3中a代表本发明方法在低对比度下识别的图像效果，d代表本发明方法在雨天识别的图像、e代表本发明方法在雨天模糊状态下识别的图像；b、c、f代表本发明方法在低对比度下的黑夜识别图像。这些图像充分证明了本发明可以在低对比度下对大体积和小体积物体进行较好的识别。
Claims (6)
1.一种低对比度工况下工地物料的快速识别和分类方法，其特征在于包括以下步骤：
A、构建深度神经网络结构，深度神经网络结构具体如下：
低层次特征提取模块、加权融合模块、物料识别框构建模块；所述的低层次特征提取模块包括逐层连接的多个卷积层；加权融合模块中设有8个依次相连的shortcut模块；
所述的物料识别框构建模块包括小体积物料识别模块和大体积物料识别模块；
B、原始图像先输入低层次特征提取模块，依次经各个卷积层处理，获得尺寸缩小后的初步特征提取结果，输入到加权融合模块中；
C、在加权融合模块中，初步特征提取结果依次经过8个shortcut模块处理，在每个shortcut模块中，输入特征经过两个更大通道数的卷积层放大处理，再经过第三个卷积层缩小处理至其尺寸和通道数与输入特征相同，然后与输入特征加权融合后，获得加权融合特征结果并输出；最后的shortcut模块输出的加权融合特征结果经过进一步卷积调整输出尺寸，得到尺寸调整卷积结果输入物料识别框构建模块中；
D、在物料识别框构建模块中，尺寸调整卷积结果分别输入小体积物料识别模块和大体积物料识别模块中；
在大体积物料识别模块中，尺寸调整卷积结果经过两个通道数依次增加的卷积层处理，获得中间处理结果，中间处理结果分为两路，一路输入小体积物料识别模块中，另一路经过两个通道数依次递减的13*13卷积层处理后，得到大体积物料识别框；
在小体积物料识别模块中，中间处理结果经一个卷积层处理至其尺寸和通道数与尺寸调整卷积结果相同，然后与尺寸调整卷积结果拼接融合后，经过三个通道数依次递减的26*26卷积层处理后，得到小体积物料识别框；
E、将小体积物料识别框和大体积物料识别框分别作为yolo检测头，检测目标物料的种类及位置。
2.如权利要求1所述的低对比度工况下工地物料的快速识别和分类方法，其特征在于：
所述的低层次特征提取模块中，包括5个卷积层，依次分别为：208*208*32卷积层、208*208*32卷积层、208*208*16卷积层、208*208*96卷积层、104*104*96卷积层。
3.如权利要求2所述的低对比度工况下工地物料的快速识别和分类方法，其特征在于：
所述的加权融合模块中的8个shortcut模块中包含的三个卷积层分别为：
第一个shortcut模块：104*104*144卷积层，104*104*144卷积层，104*104*24卷积层；
第二个shortcut模块：52*52*192卷积层，52*52*192卷积层，52*52*32卷积层；
第三个shortcut模块：52*52*192卷积层，52*52*192卷积层，52*52*32卷积层；
第四个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第五个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第六个shortcut模块：26*26*384卷积层，26*26*384卷积层，26*26*64卷积层；
第七个shortcut模块：26*26*576卷积层，26*26*576卷积层，26*26*96卷积层；
第八个shortcut模块：26*26*576卷积层，26*26*576卷积层，26*26*96卷积层；
其中，第一个shortcut模块和第二个shortcut模块之间设有依次连接的两个卷积层：104*104*144卷积层，52*52*144卷积层；
第三个shortcut模块和第四个shortcut模块之间设有依次连接的两个卷积层：52*52*192卷积层，26*26*192卷积层；
第六个shortcut模块和第七个shortcut模块之间设有依次连接的两个卷积层：26*26*384卷积层，26*26*384卷积层。
4.如权利要求1所述的低对比度工况下工地物料的快速识别和分类方法，其特征在于：所述的步骤C中，对最后的加权融合特征结果调整输出尺寸的卷积层为26*26*96卷积层。
5.如权利要求4所述的低对比度工况下工地物料的快速识别和分类方法，其特征在于：所述的小体积物料识别模块包括4个依次连接的卷积层，分别为：26*26*192卷积层、26*26*384卷积层、13*13*96卷积层、13*13*24卷积层，其中26*26*384卷积层处理后的结果即为中间处理结果。
6.如权利要求5所述的低对比度工况下工地物料的快速识别和分类方法，其特征在于：所述的大体积物料识别模块包括26*26*96卷积层和3个依次连接的卷积层，其中3个依次连接的卷积层分别为：26*26*192卷积层、26*26*96卷积层、26*26*24卷积层；中间处理结果输入26*26*96卷积层，经26*26*96卷积层处理后与缩小卷积结果拼接融合后输入26*26*192卷积层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225278.5A CN113920454B (zh) | 2021-10-21 | 2021-10-21 | 一种低对比度工况下工地物料的快速识别和分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225278.5A CN113920454B (zh) | 2021-10-21 | 2021-10-21 | 一种低对比度工况下工地物料的快速识别和分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113920454A CN113920454A (zh) | 2022-01-11 |
| CN113920454B true CN113920454B (zh) | 2024-03-19 |
Family
ID=79242124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225278.5A Active CN113920454B (zh) | 2021-10-21 | 2021-10-21 | 一种低对比度工况下工地物料的快速识别和分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113920454B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
| WO2020007363A1 (zh) * | 2018-07-06 | 2020-01-09 | 京东数字科技控股有限公司 | 识别目标数量的方法、装置及计算机可读存储介质 |
| CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
| CN113505629A (zh) * | 2021-04-02 | 2021-10-15 | 上海师范大学 | 一种基于轻量网络的智能仓储物件识别装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942060B (zh) * | 2019-10-22 | 2023-05-23 | 清华大学 | 基于激光散斑和模态融合的材质识别方法及装置 |
-
2021
- 2021-10-21 CN CN202111225278.5A patent/CN113920454B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020007363A1 (zh) * | 2018-07-06 | 2020-01-09 | 京东数字科技控股有限公司 | 识别目标数量的方法、装置及计算机可读存储介质 |
| CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
| CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
| CN113505629A (zh) * | 2021-04-02 | 2021-10-15 | 上海师范大学 | 一种基于轻量网络的智能仓储物件识别装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于卷积神经网络多层特征提取的目标识别;江彤彤;成金勇;鹿文鹏;;计算机系统应用;20171215(第12期);全文 * |
| 结合SVM后验概率的散料料位识别试验研究;田明锐;胡永彪;金守峰;;中国机械工程;20161231(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113920454A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264466B (zh) | 一种基于深度卷积神经网络的钢筋检测方法 | |
| CN112149514B (zh) | 一种施工作业人员的安全着装检测方法及系统 | |
| CN113283344A (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
| CN109854259B (zh) | 一种盾构机施工掘进参数最佳取值范围的获取方法与系统 | |
| KR102660837B1 (ko) | 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치 | |
| CN112598684A (zh) | 一种基于语义分割技术的露天矿区地物分割方法 | |
| CN113920454B (zh) | 一种低对比度工况下工地物料的快速识别和分类方法 | |
| CN117975372B (zh) | 一种基于YOLOv8和Transformer编码器相结合的工地安全检测系统及方法 | |
| CN116524017A (zh) | 一种用于矿山井下检测识别定位系统 | |
| CN113160202A (zh) | 一种裂缝检测方法及系统 | |
| CN113870207A (zh) | 刀具检测方法、装置、计算机设备和存储介质 | |
| CN112435240B (zh) | 一种面向工人违规使用手机的深度视觉手机检测系统 | |
| Wu | Robotics Applications in Natural Hazards | |
| CN116403162B (zh) | 一种机场场面目标行为识别方法、系统及电子设备 | |
| CN116363512A (zh) | 一种检测围岩稳定性的方法及装置 | |
| CN115661704A (zh) | 一种对于矿山挖掘环境的多目标检测方法 | |
| Ojha et al. | Developing an affordable robotic system for automated fall hazard detection and localization in indoor construction environments | |
| CN113723414B (zh) | 一种蒙面人脸遮挡物分割方法与装置 | |
| CN115049897A (zh) | 基于改进YoloV5神经网络的矿下机器人检测系统 | |
| Calderon et al. | Road detection algorithm for an autonomous UGV based on monocular vision | |
| Mao et al. | Automated damage assessment of critical infrastructure using online mapping technique with small unmanned aircraft systems | |
| CN105354596B (zh) | 基于结构化稀疏编码的煤岩识别方法 | |
| Utintu et al. | 6D Valves Pose Estimation based on YOLACT and DenseFusion for the Offshore Robot Application | |
| CN118314698B (zh) | 一种边坡崩塌预警方法 | |
| CN114694096A (zh) | 工程作业场景预警方法、装置、电子设备及存储介质 |
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 |