CN114612853A - 基于注意力机制和时序图像分析的车辆检测系统及方法 - Google Patents
基于注意力机制和时序图像分析的车辆检测系统及方法 Download PDFInfo
- Publication number
- CN114612853A CN114612853A CN202210126754.6A CN202210126754A CN114612853A CN 114612853 A CN114612853 A CN 114612853A CN 202210126754 A CN202210126754 A CN 202210126754A CN 114612853 A CN114612853 A CN 114612853A
- Authority
- CN
- China
- Prior art keywords
- bulldozer
- module
- control module
- time
- vehicle detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000010191 image analysis Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 24
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于注意力机制和时序图像分析的车辆检测系统及方法，包括与控制模块相连的图像采集模块、推土机识别模型以及报警模块，所述图像采集模块，用于采集输电线路危险源范围内的视频图像，并输出至所述控制模块；所述推土机识别模型，经所述控制模块处理的所述视频图像输出至所述推土机识别模型，所述推土机识别模型用于识别所述输电线路危险源范围内是否有推土机进入。本发明的基于注意力机制和时序图像分析的车辆检测系统及方法，用户使用卷积神经网络可以快速的识别危险源范围内推土机并报警，提醒用户及时处理，避免安全事故的产生，防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
Description
技术领域
本发明涉及计算机视觉技术领域，具体涉及基于注意力机制和时序图像分析的车辆检测系统及方法。
背景技术
输电线路长期暴露在户外环境中，不仅承受正常的机械荷载和电流冲击，而且还不可避免的遭受外界各种侵害，如在环境恶劣、人迹罕至处，则易受到自然环境中强风、冰冻、雷击、沙土、洪水、暴晒、鸟兽等各种侵害；在人口聚居地，除受自然侵害外，又易受到人为的破坏。
输电通道的安全运行是保证输电线路安全稳定运行的基础，近年来输电线路通道内因机械施工等外部因素引起的输电线路跳闸率占各类跳闸的首位。此外，随着经济发展，线路通道内高速铁路、高速公路、高电压等级线路越来越多，由于线路运维不到位，造成的重大社会影响的事故越来越多，传统运维方式难以有效管控。
目前输电通道巡检的技术手段主要有直升机巡检技术、无人机巡检技术、激光扫描技术和在线监测技术，在输电线路运维方面得到了一定的应用，但单一的技术手段很难实现危险源的及时辨识和持续跟踪，存在以下问题。
一、直升机巡检技术、无人机巡检技术、激光扫描技术能够有效发现线路本体缺陷和通道缺陷，受巡视频次限制，不能保证发现缺陷的及时性，并且监测周期长、投资成本高。
二、在线监测技术通过传感器对线路进行动态监测和诊断，具有一定的预知设备故障的能力，但在线监测技术无法获取通道内静态和动态目标距离的量测，无法对危险源进行准确识别和动态跟踪。
发明内容
为了解决上述问题，本发明提供基于注意力机制和时序图像分析的车辆检测系统及方法，用户使用卷积神经网络可以快速的识别危险源范围内推土机并报警，提醒用户及时处理，避免安全事故的产生，防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
为了实现以上目的，本发明采取的一种技术方案是：
基于注意力机制和时序图像分析的车辆检测系统，包括与控制模块相连的图像采集模块、推土机识别模型以及报警模块，所述图像采集模块，用于采集输电线路危险源范围内的视频图像，并输出至所述控制模块；所述推土机识别模型，经所述控制模块处理的所述视频图像输出至所述推土机识别模型，所述推土机识别模型用于识别所述输电线路危险源范围内是否有推土机进入；所述报警模块，当所述推土机识别模型识别出有推土机进入所述输电线路危险源范围内时，所述控制模块启动报警模块报警，所述报警模块的输入端；其中，使用危险源范围内若干个预先收集的含有推土机的图片训练卷积神经网络获得所述推土机识别模型。
进一步地，所述图像采集模块为单目摄像头，所述单目摄像头设置在所述危险源范围区。
进一步地，所述报警模块为声音报警模块。
本发明还提供了基于注意力机制和时序图像分析的车辆检测系统的检测方法，包括如下步骤：S10图片采集，通过单目摄像头采集输电线路危险源范围内的实时视频数据；S20推土机识别模型训练，人工收集若干个危险源范围内含有推土机的图片作为训练图片，采用训练图片训练神经网络模型获得推土机识别模型；S30将所述实时视频数据经控制模块处理后输出至所述推土机识别模型，使用所述推土机识别模型识别所述实时视频数据是否含有危险源推土机，并将识别结果输出至控制模块。
进一步地，还包括S40当所述控制模块获得的所述推土机识别模型的识别结果为实时视频数据中包含推土机的图片时，所述控制模块控制报警模块报警，所述S40步骤位于所述S30步骤之后。
进一步地，，所述S20步骤包括：S21人工收集若干个危险源范围内含有推土机的图片作为训练图片；S22构建残差网络模块Rblock，当所述残差网络模块Rblock输入为x，则输出为F(F(x))+x，其中weight layer为3*3卷积层；S23构建显著性模块AttNet，将输入特征经过3×3，5×5,7×7三个卷积核得到U1，U2和U3三个特征图，U＝U1+U2+U3；其中U的维度为H×W×C，H是高度，W是宽度，C是通道数，把U压缩成压缩为1×1×C，压缩方法为：
S24加入FC全连接层，使用sigmoid函数进行激活；S25定义损失函数
其中，M为类别的数量2；yic指示变量(0或1)，如果该类别和样本i的类别相同就是1，否则是0；pic对于观测样本i属于类别c的预测概率；S26利用所述S21步骤中的所述训练图片对卷积神经网络进行训练得到所述推土机识别模型。
进一步地，所述S30步骤包括如下步骤：S31通过图像采集模块实时采集所述危险源范围内的视频数据并输出至所述控制模块；S32获得差值图fd＝|ft+1-ft|，其中t为时间，ft+1为当前时刻t+1所述图像采集模块读取的视频图像，ft为上一时刻t所述图像采集模块读取的视频图像；S33对fd进行二值化处理，并依次进行腐蚀和膨胀操作，消除孤立点；S34对所述步骤S33的处理结果进行图像八连通域检测，得到最大连通域，如最大连通域大小超过阈值t，则执行步骤S35，否则继续返回步骤S31；S35所述控制模块将经步骤S33处理的差值图输入所述推土机识别模型进行识别，并获得识别结果。
本发明的上述技术方案相比现有技术具有以下优点：
本发明的基于注意力机制和时序图像分析的车辆检测系统及方法，用户使用卷积神经网络可以快速的识别危险源范围内推土机并报警，提醒用户及时处理，避免安全事故的产生，防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其有益效果显而易见。
图1所示为本发明一实施例的结构图；
图2所示为本发明一实施例的流程图；
图3所示为本发明一实施例的残差网络模块的结构图；
图4所示为本发明一实施例的卷积神经网络的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供了基于注意力机制和时序图像分析的车辆检测系统，如图1所示，包括与控制模块相连的图像采集模块、推土机识别模型以及报警模块。
所述图像采集模块，用于采集输电线路危险源范围内的视频图像，并输出至所述控制模块。所述图像采集模块为单目摄像头，所述单目摄像头设置在所述危险源范围区。所述推土机识别模型，经所述控制模块处理的所述视频图像输出至所述推土机识别模型，所述推土机识别模型用于识别所述输电线路危险源范围内是否有推土机进入。所述报警模块，当所述推土机识别模型识别出有推土机进入所述输电线路危险源范围内时，所述控制模块启动报警模块报警，所述报警模块的输入端。优选所述报警模块为声音报警模块，便于用户及时的发现安全警示。其中，使用危险源范围内若干个预先收集的含有推土机的图片训练卷积神经网络获得所述推土机识别模型。
如图2所示，本发明还提供了基于注意力机制和时序图像分析的车辆检测系统的检测方法，包括如下步骤：S10图片采集，通过单目摄像头采集输电线路危险源范围内的实时视频数据。S20推土机识别模型训练，人工收集若干个危险源范围内含有推土机的图片作为训练图片，采用训练图片训练神经网络模型获得推土机识别模型。S30将所述实时视频数据经控制模块处理后输出至所述推土机识别模型，使用所述推土机识别模型识别所述实时视频数据是否含有危险源推土机，并将识别结果输出至控制模块。S40当所述控制模块获得的所述推土机识别模型的识别结果为实时视频数据中包含推土机的图片时，所述控制模块控制报警模块报警。
如图3～4所示，所述S20步骤包括：S21人工收集若干个危险源范围内含有推土机的图片作为训练图片；S22构建残差网络模块Rblock，当所述残差网络模块Rblock输入为x，则输出为F(F(x))+x，其中weight layer为3*3卷积层；S23构建显著性模块AttNet，将输入特征经过3×3，5×5,7×7三个卷积核得到U1，U2和U3三个特征图，U＝U1+U2+U3；其中U的维度为H×W×C，H是高度，W是宽度，C是通道数，把U压缩成压缩为1×1×C，压缩方法为：
S24加入FC全连接层，使用sigmoid函数进行激活；S25定义损失函数
其中，M为类别的数量2；yic指示变量(0或1)，如果该类别和样本i的类别相同就是1，否则是0；pic对于观测样本i属于类别c的预测概率；S26利用所述S21步骤中的所述训练图片对卷积神经网络进行训练得到所述推土机识别模型。
所述S30步骤包括如下步骤：S31通过图像采集模块实时采集所述危险源范围内的视频数据并输出至所述控制模块。S32获得差值图fd＝|ft+1-ft|，其中t为时间，ft+1为当前时刻t+1所述图像采集模块读取的视频图像，ft为上一时刻t所述图像采集模块读取的视频图像。S33对fd进行二值化处理，并依次进行腐蚀和膨胀操作，消除孤立点。S34对所述步骤S33的处理结果进行图像八连通域检测，得到最大连通域，如最大连通域大小超过阈值t，则执行步骤S35，否则继续返回步骤S31。S35所述控制模块将经步骤S33处理的差值图输入所述推土机识别模型进行识别，并获得识别结果。
以上所述仅为本发明的示例性实施例，并非因此限制本发明专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.基于注意力机制和时序图像分析的车辆检测系统，其特征在于，包括与控制模块相连的图像采集模块、推土机识别模型以及报警模块，
所述图像采集模块，用于采集输电线路危险源范围内的视频图像，并输出至所述控制模块；
所述推土机识别模型，经所述控制模块处理的所述视频图像输出至所述推土机识别模型，所述推土机识别模型用于识别所述输电线路危险源范围内是否有推土机进入；
所述报警模块，当所述推土机识别模型识别出有推土机进入所述输电线路危险源范围内时，所述控制模块启动报警模块报警，所述报警模块的输入端；
其中，使用危险源范围内若干个预先收集的含有推土机的图片训练卷积神经网络获得所述推土机识别模型。
2.根据权利要求1所述的基于注意力机制和时序图像分析的车辆检测系统，其特征在于，所述图像采集模块为单目摄像头，所述单目摄像头设置在所述危险源范围区。
3.根据权利要求1所述的基于注意力机制和时序图像分析的车辆检测系统，其特征在于，所述报警模块为声音报警模块。
4.一种基于权利要求1～3中任意一项权利要求所述的基于注意力机制和时序图像分析的车辆检测系统的检测方法，其特征在于，包括如下步骤：
S10图片采集，通过单目摄像头采集输电线路危险源范围内的实时视频数据；
S20推土机识别模型训练，人工收集若干个危险源范围内含有推土机的图片作为训练图片，采用训练图片训练神经网络模型获得推土机识别模型；
S30将所述实时视频数据经控制模块处理后输出至所述推土机识别模型，使用所述推土机识别模型识别所述实时视频数据是否含有危险源推土机，并将识别结果输出至控制模块。
5.根据权利要求4所述的基于注意力机制和时序图像分析的车辆检测方法，其特征在于，还包括S40当所述控制模块获得的所述推土机识别模型的识别结果为实时视频数据中包含推土机的图片时，所述控制模块控制报警模块报警，所述S40步骤位于所述S30步骤之后。
6.根据权利要求5所述的基于注意力机制和时序图像分析的车辆检测方法，其特征在于，所述S20步骤包括：
S21人工收集若干个危险源范围内含有推土机的图片作为训练图片；
S22构建残差网络模块Rblock，当所述残差网络模块Rblock输入为x，则输出为F(F(x))+x，其中weight layer为3*3卷积层；
S23构建显著性模块AttNet，将输入特征经过3×3，5×5,7×7三个卷积核得到U1，U2和U3三个特征图，U＝U1+U2+U3；其中U的维度为H×W×C，H是高度，W是宽度，C是通道数，把U压缩成压缩为1×1×C，压缩方法为：
S24加入FC全连接层，使用sigmoid函数进行激活；
S25定义损失函数
其中，M为类别的数量2；yic指示变量(0或1)，如果该类别和样本i的类别相同就是1，否则是0；pic对于观测样本i属于类别c的预测概率；
S26利用所述S21步骤中的所述训练图片对卷积神经网络进行训练得到所述推土机识别模型。
7.根据根据权利要求6所述的基于注意力机制和时序图像分析的车辆检测方法，其特征在于，所述S30步骤包括如下步骤：
S31通过图像采集模块实时采集所述危险源范围内的视频数据并输出至所述控制模块；
S32获得差值图fd＝|ft+1-ft|，其中t为时间，ft+1为当前时刻t+1所述图像采集模块读取的视频图像，ft为上一时刻t所述图像采集模块读取的视频图像；
S33对fd进行二值化处理，并依次进行腐蚀和膨胀操作，消除孤立点；
S34对所述步骤S33的处理结果进行图像八连通域检测，得到最大连通域，如最大连通域大小超过阈值t，则执行步骤S35，否则继续返回步骤S31；
S35所述控制模块将经步骤S33处理的差值图输入所述推土机识别模型进行识别，并获得识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210126754.6A CN114612853A (zh) | 2022-02-11 | 2022-02-11 | 基于注意力机制和时序图像分析的车辆检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210126754.6A CN114612853A (zh) | 2022-02-11 | 2022-02-11 | 基于注意力机制和时序图像分析的车辆检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114612853A true CN114612853A (zh) | 2022-06-10 |
Family
ID=81858985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210126754.6A Pending CN114612853A (zh) | 2022-02-11 | 2022-02-11 | 基于注意力机制和时序图像分析的车辆检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612853A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
| CN113179389A (zh) * | 2021-04-15 | 2021-07-27 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别系统及识别方法 |
| CN113205502A (zh) * | 2021-05-10 | 2021-08-03 | 内蒙古大学 | 一种基于深度学习的绝缘子缺陷检测方法及其系统 |
| CN113255519A (zh) * | 2021-05-25 | 2021-08-13 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别系统及多目标跟踪方法 |
| WO2021208275A1 (zh) * | 2020-04-12 | 2021-10-21 | 南京理工大学 | 一种交通视频背景建模方法及系统 |
-
2022
- 2022-02-11 CN CN202210126754.6A patent/CN114612853A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021208275A1 (zh) * | 2020-04-12 | 2021-10-21 | 南京理工大学 | 一种交通视频背景建模方法及系统 |
| CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
| CN113179389A (zh) * | 2021-04-15 | 2021-07-27 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别系统及识别方法 |
| CN113205502A (zh) * | 2021-05-10 | 2021-08-03 | 内蒙古大学 | 一种基于深度学习的绝缘子缺陷检测方法及其系统 |
| CN113255519A (zh) * | 2021-05-25 | 2021-08-13 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别系统及多目标跟踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李琳等: "一种改进的运动目标检测方法研究", 《山西电子技术》 * |
| 王惠等: "视频序列中自适应背景的运动目标提取", 《微计算机信息》 * |
| 赵文清等: "注意力机制和Faster RCNN相结合的绝缘子识别", 《智能系统学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
| CN111127281A (zh) | 一种大型灾害水母在线监测系统及监测方法 | |
| CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
| CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
| CN109712127A (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
| CN107153160B (zh) | 一种风力发电机组全方位安全监控系统 | |
| CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
| CN115690730A (zh) | 基于单分类和异常生成的高铁接触网异物检测方法及系统 | |
| CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
| CN113723701A (zh) | 森林火灾监测预测方法及系统、电子设备及存储介质 | |
| CN114612853A (zh) | 基于注意力机制和时序图像分析的车辆检测系统及方法 | |
| CN116610991A (zh) | 多模态数据融合的隧道灾害风险智能识别方法及其应用 | |
| CN116704688A (zh) | 海洋浮标被动防御方法及系统 | |
| CN114926755A (zh) | 融合神经网络和时序图像分析的危险车辆检测系统及方法 | |
| Yizhou et al. | Application of the ssd algorithm in a people flow monitoring system | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| CN212785620U (zh) | 一种用于输电网络的监测系统 | |
| CN112002100A (zh) | 基于5g的智能安防系统 | |
| CN110674764A (zh) | 一种工地裸露土方的检测方法、装置及系统 | |
| CN109663321A (zh) | 腿部拉力实时测量方法 | |
| CN117676086A (zh) | 一种基于图像识别的输电通道报警系统及方法 | |
| CN118196423B (zh) | 一种用于无人机海岸带图像的去水方法及其模型搭建方法 | |
| CN118164196B (zh) | 一种基于机器视觉的输煤皮带健康状态监测方法及系统 | |
| CN113220910B (zh) | 一种船舶甲板缆绳数据库的构建方法及系统 | |
| CN114219999B (zh) | 结构外挂装饰板防脱落机器视觉自动监测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220610 |
|
| RJ01 | Rejection of invention patent application after publication |