CN115294392B - 基于生成网络模型的可见光遥感图像云去除方法及系统 - Google Patents
基于生成网络模型的可见光遥感图像云去除方法及系统 Download PDFInfo
- Publication number
- CN115294392B CN115294392B CN202210946677.9A CN202210946677A CN115294392B CN 115294392 B CN115294392 B CN 115294392B CN 202210946677 A CN202210946677 A CN 202210946677A CN 115294392 B CN115294392 B CN 115294392B
- Authority
- CN
- China
- Prior art keywords
- image
- cloud
- remote sensing
- generated
- network model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于生成网络模型的可见光遥感图像云去除方法及系统,本发明属于遥感图像处理领域。方法包括:获取可见光遥感图像,对可见光遥感图像进行分类,得到分类结果;其中分类结果包括:无云图像和有云图像;构建并训练生成网络模型;基于生成网络模型,对有云图像进行云去除,得到第一生成图像;基于无云图像,对第一生成图像进行判断,得到判断结果;基于判断结果,得到遥感无云图像。系统包括:图像分类模块、模型除云模块及图像判断模块,其中图像分类模块、模型除云模块及图像判断模块依次连接。本发明不仅能够对薄云图像进行处理,还能够对厚云图像进行处理,得到清晰的遥感无云图像,使遥感图像具有实用价值。
Description
技术领域
本发明属于遥感图像处理领域,特别是涉及一种基于生成网络模型的可见光遥感图像云去除方法及系统。
背景技术
随着遥感技术的快速发展,可见光遥感图像被广泛应用于各种领域,如环境监测、资源勘察、地物分类、目标检测。然而,遥感图像常常会受到大气中云的污染,造成图像质量下降,限制了它们的使用。因此,对于许多遥感图像应用来说,云去除是一项关键的预处理过程,具有重要的实用价值。
现有技术中,将CycleGAN网络与薄云成像模型相结合,从真实的无云图像中生成仿真的薄云图像,将无云图像和薄云信息分离开来。但是,如果天气不好时,拍摄到遥感图像中有厚云信息,现有技术中未对厚云图像进行解决,导致遥感图像中的厚云信息严重影响图像质量,最终导致遥感图像没有实用价值。
发明内容
本发明的目的是提供一种基于生成网络模型的可见光遥感图像云去除方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于生成网络模型的可见光遥感图像云去除方法,包括:
获取可见光遥感图像,对可见光遥感图像进行分类,得到分类结果;其中所述分类结果包括:无云图像和有云图像;
构建并训练生成网络模型;基于所述生成网络模型,对所述有云图像进行云去除,得到第一生成图像;
基于所述无云图像,对所述第一生成图像进行判断,得到判断结果;基于判断结果,得到遥感无云图像。
优选地,对可见光遥感图像进行分类的过程包括:
对可见光遥感图像进行块分割,得到若干个子块,获取每个子块的亮度特征和纹理特征,基于所述亮度特征和纹理特征构建分类器,通过所述分类器对可见光遥感图像进行分类。
优选地,构建并训练生成网络模型的过程包括:
构建生成网络模型,对所述无云图像进行数据增广,得到增广样本,通过所述增广样本对所述生成网络模型进行训练,直到输出的误差减小到期望值,得到训练好的生成网络模型。
优选地,对所述无云图像进行数据增广的过程包括:
对训练集内的无云图像执行水平镜像、旋转和缩放操作,得到增广样本。
优选地,对所述第一生成图像进行判断的过程包括:
将所述第一生成图像进行块分割,对每个子块进行亮像素点个数统计;
基于统计结果对所述第一生成图像进行判断,若所述亮像素点个数低于阈值,则所述第一生成图像为无云图像;若所述亮像素点个数超过阈值,则所述第一生成图像为有云图像,继续对所述第一生成图像进行云去除,直至得到遥感无云图像。
为实现上述技术目的,本发明还提供了一种基于生成网络模型的可见光遥感图像云去除系统,包括:图像分类模块、模型除云模块及图像判断模块,其中所述图像分类模块、所述模型除云模块及所述图像判断模块依次连接;
所述图像分类模块,用于获取可见光遥感图像,对可见光遥感图像进行分类,得到分类结果;其中所述分类结果包括:无云图像和有云图像;
所述模型除云模块,用于构建并训练生成网络模型;基于所述生成网络模型,对所述有云图像进行云去除,得到第一生成图像;
所述图像判断模块,基于所述无云图像,对所述第一生成图像进行判断,得到判断结果;基于判断结果,得到遥感无云图像。
优选地,所述图像分类模块包括:图像分割单元和图像分类单元;
所述图像分割单元,用于对可见光遥感图像进行块分割,得到若干个子块;
所述图像分类单元,用于获取每个子块的亮度特征和纹理特征,基于所述亮度特征和纹理特征构建分类器,通过所述分类器对可见光遥感图像进行分类。
优选地,模型除云模块包括:模型构建及训练单元;
所述模型构建及训练单元,用于构建生成网络模型,对所述无云图像进行数据增广,得到增广样本,通过所述增广样本对所述生成网络模型进行训练,直到输出的误差减小到期望值,得到训练好的生成网络模型。
优选地,所述模型构建及训练单元中,对训练集内的无云图像执行水平镜像、旋转和缩放操作,得到增广样本。
优选地,所述图像判断模块包括:亮像素点统计单元和图像判断单元;
所述亮像素点统计单元,用于将所述第一生成图像进行块分割,对每个子块进行亮像素点个数统计;
所述图像判断单元,用于基于统计结果对所述第一生成图像进行判断,若所述亮像素点个数低于阈值,则所述第一生成图像为无云图像;若所述亮像素点个数超过阈值,则所述第一生成图像为有云图像,继续对所述第一生成图像进行云去除,直至得到遥感无云图像。
本发明的技术效果为:
本发明通过对可见光遥感图像进行分类,得到无云图像和有云图像;通过构建并训练好的生成网络模型对有云图像进行云去除,得到第一生成图像,能够生成云已去除图像和云未去除图像;同时通过无云图像,对第一生成图像进行判断,若得到云已去除图像,则云去除操作完成,若得到云未去除图像,则进一步通过生成网络模型对云未去除图像进行处理,最终得到遥感无云图像。本发明通过以上技术方案,不仅对薄云图像进行处理,还能够对厚云图像进行处理,得到清晰的遥感无云图像,使遥感图像具有实用价值。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的方法流程图;
图2为本发明实施例中的系统示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于生成网络模型的可见光遥感图像云去除方法,包括:
获取可见光遥感图像,对可见光遥感图像进行分类,得到分类结果;其中所述分类结果包括:无云图像和有云图像;
构建并训练生成网络模型;基于所述生成网络模型,对所述有云图像进行云去除,得到第一生成图像;
基于所述无云图像,对所述第一生成图像进行判断,得到判断结果;基于判断结果,得到遥感无云图像。
在一些实施例中,对可见光遥感图像进行分类的过程包括:对可见光遥感图像进行块分割,得到若干个子块,获取每个子块的亮度特征和纹理特征,基于所述亮度特征和纹理特征构建分类器,通过所述分类器对可见光遥感图像进行分类。
本实施例中,对遥感图像分割为R×L个子块图像;子块作为分类的基本单元,块的大小由分辨率决定,一般定为覆盖数十米范围为佳;其中R、L均为正整数;统计子块图像中亮度值大于阈值T1的像素个数n,云在遥感图像亮度特征中表现为高亮度,通过亮度信息的筛选,对遥感图像进行初步分类。
本实施例中,获取子块的纹理特征,具体包括平均梯度和灰度共生矩阵的角二阶矩ASM,平均梯度和共生矩阵的角二阶矩是从两个不同的方面反应图像的纹理特征,云图像尤其是厚云图像,相对地面要平坦些,因此利用这两个特征可以有效区分云和地物。利用纹理特征进行分类,其分类器需要事先训练,训练过程可以采用学习算法,本实施例采用支持向量机SVM,先选取典型的亮度值符合要求的子块,认为区分云子块和地物子块,并作好标记,计算各自的平均梯度和灰度共生矩阵的角二阶矩ASM,带标记进行训练,获得训练参数供分类器使用。
在一些实施例中,构建并训练生成网络模型的过程包括:构建生成网络模型,对所述无云图像进行数据增广,得到增广样本,通过所述增广样本对所述生成网络模型进行训练,直到输出的误差减小到期望值,得到训练好的生成网络模型。
本实施例中,可以采用生成对抗网络(GAN),GAN是使用两个神经网络模型训练而成的一种生成模型。其中一个称为“生成器”或“生成网络”模型,可学习生成新的可用案例。另一个称为“判别器”或“判别网络”,可学习判别生成的案例与实际案例。GAN在现存样本的基础上,使用模型来生成新案例,比如,基于现存的照片集生成一组与其相似却有细微差异的新照片。
在一些实施例中,对所述无云图像进行数据增广的过程包括:对训练集内的无云图像执行水平镜像、旋转和缩放操作,得到增广样本。
本实施例中,数据增广的具体方法包括:(1)水平镜像,将训练数据集在几何角度方面进行水平翻转;(2)旋转,图像旋转技术可在网络训练中学习旋转不变特征,目标可能存在不同姿态,旋转可解决训练样本中目标姿态较少的问题,旋转度设为10;(3)缩放,图像缩小或放大有助于学习不同分辨率条件下的目标特征,缩放比例设为0.2。本实施例通过数据增广扩大训练集规模,同时降低模型对某些属性的依赖,提高了模型的泛化能力。
在一些实施例中,对所述第一生成图像进行判断的过程包括:将所述第一生成图像进行块分割,对每个子块进行亮像素点个数统计;基于统计结果对所述第一生成图像进行判断,若所述亮像素点个数低于阈值,则所述第一生成图像为无云图像;若所述亮像素点个数超过阈值,则所述第一生成图像为有云图像,继续对所述第一生成图像进行云去除,直至得到遥感无云图像。
本实施例的技术效果为:
本实施例通过对可见光遥感图像进行分类,得到无云图像和有云图像;通过构建并训练好的生成网络模型对有云图像进行云去除,得到第一生成图像,能够生成云已去除图像和云未去除图像;同时通过无云图像,对第一生成图像进行判断,若得到云已去除图像,则云去除操作完成,若得到云未去除图像,则进一步通过生成网络模型对云未去除图像进行处理,最终得到遥感无云图像。本实施例通过以上技术方案,不仅对薄云图像进行处理,还能够对厚云图像进行处理,得到清晰的遥感无云图像,使遥感图像具有实用价值。
实施例二
如图2所示,本实施例还提供了一种基于生成网络模型的可见光遥感图像云去除系统,包括:图像分类模块、模型除云模块及图像判断模块,其中图像分类模块、模型除云模块及图像判断模块依次连接;
图像分类模块,用于获取可见光遥感图像,对可见光遥感图像进行分类,得到分类结果;其中分类结果包括:无云图像和有云图像;
模型除云模块,用于构建并训练生成网络模型;基于生成网络模型,对有云图像进行云去除,得到第一生成图像;
图像判断模块,基于无云图像,对第一生成图像进行判断,得到判断结果;基于判断结果,得到遥感无云图像。
在一些实施例中图像分类模块包括:图像分割单元和图像分类单元;图像分割单元,用于对可见光遥感图像进行块分割,得到若干个子块;图像分类单元,用于获取每个子块的亮度特征和纹理特征,基于所述亮度特征和纹理特征构建分类器,通过所述分类器对可见光遥感图像进行分类。
在一些实施例中,模型除云模块包括:模型构建及训练单元;模型构建及训练单元,用于构建生成网络模型,对无云图像进行数据增广,得到增广样本,通过增广样本对生成网络模型进行训练,直到输出的误差减小到期望值,得到训练好的生成网络模型。
在一些实施例中,模型构建及训练单元中,对训练集内的无云图像执行水平镜像、旋转和缩放操作,得到增广样本。
在一些实施例中,图像判断模块包括:亮像素点统计单元和图像判断单元;亮像素点统计单元,用于将第一生成图像进行块分割,对每个子块进行亮像素点个数统计;图像判断单元,用于基于统计结果对第一生成图像进行判断,若亮像素点个数低于阈值,则第一生成图像为无云图像;若亮像素点个数超过阈值,则第一生成图像为有云图像,继续对第一生成图像进行云去除,直至得到遥感无云图像。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于生成网络模型的可见光遥感图像云去除方法,其特征在于,包括以下步骤:
获取可见光遥感图像,对可见光遥感图像进行分类,得到分类结果;其中所述分类结果包括:无云图像和有云图像;
构建并训练生成网络模型;基于所述生成网络模型,对所述有云图像进行云去除,得到第一生成图像;
基于所述无云图像,对所述第一生成图像进行判断,得到判断结果;基于判断结果,得到遥感无云图像;
对所述第一生成图像进行判断的过程包括:
将所述第一生成图像进行块分割,对每个子块进行亮像素点个数统计;
基于统计结果对所述第一生成图像进行判断,若所述亮像素点个数低于阈值,则所述第一生成图像为无云图像;若所述亮像素点个数超过阈值,则所述第一生成图像为有云图像,继续对所述第一生成图像进行云去除,直至得到遥感无云图像。
2.根据权利要求1所述的基于生成网络模型的可见光遥感图像云去除方法,其特征在于,对可见光遥感图像进行分类的过程包括:
对可见光遥感图像进行块分割,得到若干个子块,获取每个子块的亮度特征和纹理特征,基于所述亮度特征和纹理特征构建分类器,通过所述分类器对可见光遥感图像进行分类。
3.根据权利要求1所述的基于生成网络模型的可见光遥感图像云去除方法,其特征在于,构建并训练生成网络模型的过程包括:
构建生成网络模型,对所述无云图像进行数据增广,得到增广样本,通过所述增广样本对所述生成网络模型进行训练,直到输出的误差减小到期望值,得到训练好的生成网络模型。
4.根据权利要求3所述的基于生成网络模型的可见光遥感图像云去除方法,其特征在于,对所述无云图像进行数据增广的过程包括:
对训练集内的无云图像执行水平镜像、旋转和缩放操作,得到增广样本。
5.一种基于生成网络模型的可见光遥感图像云去除系统,其特征在于,包括:图像分类模块、模型除云模块及图像判断模块,其中所述图像分类模块、所述模型除云模块及所述图像判断模块依次连接;
所述图像分类模块,用于获取可见光遥感图像,对可见光遥感图像进行分类,得到分类结果;其中所述分类结果包括:无云图像和有云图像;
所述模型除云模块,用于构建并训练生成网络模型;基于所述生成网络模型,对所述有云图像进行云去除,得到第一生成图像;
所述图像判断模块,基于所述无云图像,对所述第一生成图像进行判断,得到判断结果;基于判断结果,得到遥感无云图像;
所述图像判断模块包括:亮像素点统计单元和图像判断单元;
所述亮像素点统计单元,用于将所述第一生成图像进行块分割,对每个子块进行亮像素点个数统计;
所述图像判断单元,用于基于统计结果对所述第一生成图像进行判断,若所述亮像素点个数低于阈值,则所述第一生成图像为无云图像;若所述亮像素点个数超过阈值,则所述第一生成图像为有云图像,继续对所述第一生成图像进行云去除,直至得到遥感无云图像。
6.根据权利要求5所述的基于生成网络模型的可见光遥感图像云去除系统,其特征在于,所述图像分类模块包括:图像分割单元和图像分类单元;
所述图像分割单元,用于对可见光遥感图像进行块分割,得到若干个子块;
所述图像分类单元,用于获取每个子块的亮度特征和纹理特征,基于所述亮度特征和纹理特征构建分类器,通过所述分类器对可见光遥感图像进行分类。
7.根据权利要求5所述的基于生成网络模型的可见光遥感图像云去除系统,其特征在于,模型除云模块包括:模型构建及训练单元;
所述模型构建及训练单元,用于构建生成网络模型,对所述无云图像进行数据增广,得到增广样本,通过所述增广样本对所述生成网络模型进行训练,直到输出的误差减小到期望值,得到训练好的生成网络模型。
8.根据权利要求7所述的基于生成网络模型的可见光遥感图像云去除系统,其特征在于,所述模型构建及训练单元中,对训练集内的无云图像执行水平镜像、旋转和缩放操作,得到增广样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946677.9A CN115294392B (zh) | 2022-08-09 | 2022-08-09 | 基于生成网络模型的可见光遥感图像云去除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946677.9A CN115294392B (zh) | 2022-08-09 | 2022-08-09 | 基于生成网络模型的可见光遥感图像云去除方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294392A CN115294392A (zh) | 2022-11-04 |
CN115294392B true CN115294392B (zh) | 2023-05-09 |
Family
ID=83828093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946677.9A Active CN115294392B (zh) | 2022-08-09 | 2022-08-09 | 基于生成网络模型的可见光遥感图像云去除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294392B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851927A (zh) * | 2024-03-07 | 2024-04-09 | 南京大学 | 一种基于随机森林与气象数据的云预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379618A (zh) * | 2021-05-06 | 2021-09-10 | 航天东方红卫星有限公司 | 一种基于残差密集连接和特征融合的光学遥感图像去云方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500449B (zh) * | 2013-09-26 | 2016-05-04 | 西安空间无线电技术研究所 | 一种星上可见光遥感图像云检测方法 |
CN108846474A (zh) * | 2018-05-18 | 2018-11-20 | 南京信息工程大学 | 基于多维密集连接卷积神经网络的卫星云图云量计算方法 |
CN108921799B (zh) * | 2018-06-22 | 2021-07-23 | 西北工业大学 | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 |
CN111612066B (zh) * | 2020-05-21 | 2022-03-08 | 成都理工大学 | 基于深度融合的卷积神经网络的遥感图像分类方法 |
CN114331882B (zh) * | 2021-12-21 | 2023-03-28 | 南京航空航天大学 | 一种融合多光谱特征的生成对抗网络遥感影像薄云去除方法 |
-
2022
- 2022-08-09 CN CN202210946677.9A patent/CN115294392B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379618A (zh) * | 2021-05-06 | 2021-09-10 | 航天东方红卫星有限公司 | 一种基于残差密集连接和特征融合的光学遥感图像去云方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294392A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
Li et al. | Superpixel Masking and Inpainting for Self-Supervised Anomaly Detection. | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN112101434A (zh) | 基于改进YOLO v3的红外图像弱小目标检测方法 | |
CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN112434586B (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
CN111967313A (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN115880298A (zh) | 一种基于无监督预训练的玻璃表面缺陷检测方法及系统 | |
CN112465057A (zh) | 一种基于深度卷积神经网络的目标检测识别方法 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
CN113496260B (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
CN114359269A (zh) | 基于神经网络的虚拟食品盒缺陷生成方法及系统 | |
CN113506281A (zh) | 一种基于深度学习框架的桥梁裂缝检测方法 | |
Yang et al. | Defect detection scheme of pins for aviation connectors based on image segmentation and improved RESNET-50 | |
CN110751150A (zh) | 一种基于fpga的二值神经网络车牌识别方法及系统 | |
CN110827309A (zh) | 一种基于超像素的偏光片外观缺陷分割方法 | |
CN114445726B (zh) | 一种基于深度学习的样本库建立方法和装置 | |
CN115690584A (zh) | 一种基于ssd改进的配电房异物检测方法 | |
CN115424237A (zh) | 一种基于深度学习的前向车辆识别与距离检测方法 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
CN115063679A (zh) | 一种基于深度学习的路面质量评估方法 |
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 |