CN115761580A - 一种水面漂浮物的检测方法、边缘计算终端及存储介质 - Google Patents
一种水面漂浮物的检测方法、边缘计算终端及存储介质 Download PDFInfo
- Publication number
- CN115761580A CN115761580A CN202211422736.9A CN202211422736A CN115761580A CN 115761580 A CN115761580 A CN 115761580A CN 202211422736 A CN202211422736 A CN 202211422736A CN 115761580 A CN115761580 A CN 115761580A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- video stream
- edge computing
- result
- 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
Images
Abstract
本发明提供了一种水面漂浮物的检测方法、边缘计算终端及存储介质,该检测方法包括如下步骤：步骤1，视频流获取步骤：获取摄像头的视频流；步骤2，解码步骤：通过边缘计算终端的系统调用功能，使用ffmpeg库对视频流进行解析和处理，完成视频解码；步骤3，推送步骤：通过ffmpeg库的处理，视频流形成以帧为单位的连续图像并把图像转换成三维数组，将三维数组推送到图像处理步骤；图像处理步骤包括步骤4和步骤5；步骤4，关键帧预处理步骤：对已经转换为三维数组的图像进行图像的剪裁、大小变换、色值提取操作。本发明的有益效果是：本发明能兼容现代化监管综合信息平台，识别/采集数据可直接上传，无需网关做二次中转。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种水面漂浮物的检测方法、边缘计算终端及存储介质。
背景技术
关于智慧水务中河道/渠道的漂浮物检测一般采用摄像头带有的集成功能进行重点区域监控以及视频联动组网实现漂浮物监控，对航道、河道等区域内监控，实时反馈移动物体情况，安全员或运维员工根据反馈情况进行现场/视频监视管理和取证。
然而早期建设时，大多数摄像头并未集成该功能，若想实现河道区域监控则需要拆除旧设备并安装支持区域监控的摄像头实现检测。而常用的改造方式是购入大量具有GPU运算能力的图形工作站作为AI的运行空间，并建设庞大的视频网关，集成区域内所有河流渠道的主干视屏，再将视频流推送到AI中，完成近千路视频的解析，期间AI运行时产生大量能耗，建设成本也逐步攀升。以至于河道、渠道水面漂浮物的检测不得不由人工进行，再将调度任务分发至附近的工作人员。
关于集中式的AI识别河道、渠道水面漂浮物技术目前市面上已经相当成熟，从算法来说，类似于商汤、大华等均有优秀的R-CNN(一种将深度学习应用到目标检测上的算法)模型，得益于GPU的发展，浮点计算能力的大幅度增强，机器视觉的准确率由原来的75％提升到了85％以上，通过大量的模型训练后，识别的准确率最高可到达99.85％。
但集中式AI识别建设相当复杂，首先需要对区域内所有的河道、渠道视频进行统一采集，在基础建设上需要额外建设一台巨型视频网关；其次，在云端上需要部署多台带有GPU的服务器，提供模型强大的算力。
针对智慧水务常用的建设，使用集中式AI识别有以下几个缺点：
1.平台建设成本偏高，由于集中式AI识别需要大量GPU提供算力，当应用场景增多的时候，需要购置大量设备，不仅识别服务器需要建设，若统一视频网关无法承载如此巨量的视频转发，该平台及底层网络都需要进行扩容建设；
2.平台运维难度大，当进行运维操作时，GPU设备的更换会出现困难(指集群重新编码的情况)，在进行维护时也会影响平台其他功能使用；
3.若不使用AI技术进行检测(使用传统方式，依靠摄像头的自带的重点区域功能)，对已建成的摄像头无法利旧，需要拆除旧的摄像头安装带有集成功能的摄像头，造成资金或成果浪费，并且存在重复建设。
发明内容
本发明提供了一种水面漂浮物的检测方法，包括如下步骤：
步骤1，视频流获取步骤：获取摄像头的视频流。
步骤2，解码步骤：通过边缘计算终端的系统调用功能，使用ffmpeg库对视频流进行解析和处理，完成视频解码。
步骤3，推送步骤：通过ffmpeg库的处理，视频流形成以帧为单位的连续图像并把图像转换成三维数组，将三维数组推送到图像处理步骤。
图像处理步骤包括步骤4和步骤5。
步骤4，关键帧预处理步骤：对已经转换为三维数组的图像进行图像的剪裁、大小变换、色值提取操作，并继续完成图像灰度化、高斯模糊、图像二值化、形态学处理的操作。
步骤5，关键区域提取步骤：先对三维数组中的所有轮廓进行检索，即在形态学操作后，对突出颜色部分进行轮廓搜寻，将色块坐标形成一个集合；再加载下一张图像进行同样的操作，获取另一个轮廓集合，实现在可视化图像上展示轮廓搜索的结果；通过比对后选取出移动的物体轮廓。
步骤6，结果过滤步骤：关键区域提取步骤提取的物体轮廓经过识别模型处理后，判断出是否是漂浮物。
步骤7，结果写入步骤：通过系统调用的方式实现，将原始图像和识别的结果存储至边缘计算终端中。
步骤8，推送步骤：将存储的结果上传到云端的业务应用，实现边缘计算结果归集。
作为本发明的进一步改进，在所述步骤6中，接收一个物体轮廓，并在多维数组中获取物体轮廓中的数据子集，数据子集与识别模型中的分类信息进行评分，输出疑似物分列表。
对传入数值不符合均值滤波的要求时，滤波模块会再次获取最新的视频流与关键位置进行计算，并将计算的结果纳入到均值计算的数组中，通过不断递归逐步修正数值。
作为本发明的进一步改进，在所述步骤6中，最大评分表示该图像子集的分类。
作为本发明的进一步改进，在所述步骤6中，所述识别模型由R-CNN算法实现，并通过aarch64架构进行重新编译，让其适用于边缘计算终端使用。
作为本发明的进一步改进，在所述步骤1中，边缘计算终端安装后连接到局域网内，由RTSP视频流的方式进行接入，通过特定的URL格式完成视频流获取。
本发明还公开了一种边缘计算终端，包括：
视频接入模块：用于获取摄像头的视频流；
视频解码模块：用于通过边缘计算终端的系统调用功能，使用ffmpeg库对视频流进行解析和处理，完成视频解码，通过ffmpeg库的处理，视频流形成以帧为单位的连续图像并把图像转换成三维数组，将三维数组推送到图像处理模块。
图像处理模块包括关键帧预处理模块和关键区域提取模块，
关键帧预处理模块：对已经转换为三维数组的图像进行图像的剪裁、大小变换、色值提取操作，并继续完成图像灰度化、高斯模糊、图像二值化、形态学处理的操作。
关键区域提取模块：先对三维数组中的所有轮廓进行检索，即在形态学操作后，对突出颜色部分进行轮廓搜寻，将色块坐标形成一个集合；再加载下一张图像进行同样的操作，获取另一个轮廓集合，实现在可视化图像上展示轮廓搜索的结果；通过比对后选取出移动的物体轮廓。
结果过滤模块：关键区域提取模块提取的物体轮廓经过识别模型处理后，判断出是否是漂浮物。
结果写入模块：通过系统调用的方式实现，将原始图像和识别的结果存储至边缘计算终端中。
推送模块：将存储的结果上传到云端的业务应用，实现边缘计算结果归集。
作为本发明的进一步改进，所述结果过滤模块包括识别模型和滤波模块，在所述结果过滤模块中，接收一个物体轮廓，并在多维数组中获取物体轮廓中的数据子集，数据子集与识别模型中的分类信息进行评分，输出疑似物分列表，最大评分表示该图像子集的分类。
对传入数值不符合均值滤波的要求时，滤波模块会再次获取最新的视频流与关键位置进行计算，并将计算的结果纳入到均值计算的数组中，通过不断递归逐步修正数值。
作为本发明的进一步改进，在所述结果过滤模块中，所述识别模型由R-CNN算法实现，并通过aarch64架构进行重新编译，让其适用于边缘计算终端使用。
作为本发明的进一步改进，在所述视频接入模块中，边缘计算终端安装后连接到局域网内，由RTSP视频流的方式进行接入，通过特定的URL格式完成视频流获取。
本发明还公开了一种存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的检测方法的步骤。
本发明的有益效果是：1.本发明能兼容现代化监管综合信息平台，识别/采集数据可直接上传，无需网关做二次中转；2.本发明能降低项目施工及后期运营维护成本，无需重复购买或建设基础设施，通过软件即可实现移动物体检测，保留了“既有”数据/信息资产；3.本发明能实现视频监控系统组网联动，不影响已有设备正常运行，不改造，不修改现有系统实现智慧改造；4.本发明费用低，不需要部署识别服务器，也不需要工业设备支持，建设成本与运维成本趋近为零；5.本发明可替换性强，设备采用边缘计算架构，识别算法、过滤算法均可进行替换，当新的漂浮物出现时可快速进行模型迭代。
附图说明
图1是本发明边缘计算终端原理框图。
具体实施方式
本发明的检测方法设计目标为利旧，即使用已有摄像头在不对现有系统进行任何改造的情况下实现移动物体识别，并将数据进行处理过滤并送往云端合并。云端不再需要建设云平台，所有识别算法/模型均由边缘计算终端提供和完成，再部署和使用过程中成本降至最低。当出现故障时，只需更换边缘计算终端即可，不影响平台甚至单个摄像头的使用，人力成本、设备成本和运维成本趋近于零。
如图1所示，本发明公开了一种水面漂浮物的检测方法，包括如下步骤：
步骤1，视频流获取步骤：获取摄像头的视频流。摄像头的视频流获取有两种方式，一种是以USB设备作为接入，在Linux下以“/dev/video0”的形式存在，使用软件即可进行接入。第二种，也是实际常用的方式,边缘计算设备安装后连接到局域网内(与摄像头同一网络)，由RTSP视频流的方式进行接入，通过特定的URL格式如“rtsp://username@pwd:ip:port”完成视频流获取。
步骤2，解码步骤：通过边缘计算终端的系统调用功能，使用ffmpeg库对视频流进行解析和处理，完成视频解码。ffmpeg库一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序，采用LGPL或GPL许可证。它提供了录制、转换以及流化音视频的完整解决方案，通过‘.so’的动态库直接调度。
步骤3，推送步骤：通过ffmpeg库的处理，rtsp视频流形成以帧为单位的连续图像并把图像转换成三维数组(彩色图像由RGB三种颜色的信道组成，每个素组存储一种颜色的排序，转换后类似于【图像长度*图像宽度*颜色通道】格式)，将三维数组推送到图像处理模块。
图像处理步骤包括步骤4和步骤5。
步骤4，关键帧预处理步骤：在进行图像处理之前需要进行一个统一的数据处置过程，也成为图像预处理，对已经转换为三维数组的图像进行图像的剪裁、大小变换、色值提取操作，这些都是基于矩阵变换的基础操作，并继续完成图像灰度化(将以‘帧’为单位的多维数组的第三组数组即颜色通道，转换为灰度)、高斯模糊(减少图像噪声以及降低细节层次，其视觉效果就像是经过一个毛玻璃在观察图像，以减少细小干扰)、图像二值化(将颜色通道中的颜色按照阈值分割分成0和255两种，从视觉上看就是分成黑色和白色，能凸显出目标的轮廓)、形态学处理(对二值化处理后的图像进行图像形态学操作，先对图像进行腐蚀操作，进一步减少细小干扰，再对腐蚀后的图像进行膨胀操作，进而放大变动的细节，这类形态操作被称为“开操作”)等操作。
这些关键帧预处理的操作也是通过编码实现，原理为矩阵变换。
步骤5，关键区域提取步骤：关键区域提取步骤提取的物体轮廓经过识别模型处理后，判断出是否是漂浮物。该步骤对上一步矩阵变化的结果进行业务上的处理，由于水面并不是一个禁止的界面，漂浮物是具有移动的特性(无论快速或缓慢)，先对数组中的所有轮廓进行检索，即在形态学操作后，对突出颜色部分进行轮廓搜寻，将色块坐标形成一个集合。再加载下一张图像进行同样的操作，获取另一个轮廓集合，实现在可视化图像上展示轮廓搜索的结果。通过比对后选取出移动的物体轮廓。
步骤6，结果过滤步骤：关键区域提取的物体轮廓经过识别模型处理后，可判断出是否是漂浮物，即接收一个物体轮廓，并在多维数组中获取物体轮廓中的数据子集，子集与识别模型中的分类信息进行评分，输出疑似物分列表(水瓶、泡沫、垃圾袋等)，最大评分表示该图像子集的分类。该识别模型由R-CNN算法实现，并通过aarch64架构进行重新编译，让其适用于边缘计算终端使用。
由于数值计算是一个复杂的过程，尤其需要多个关键参数进行相互计算，每次计算前需要将之前记录的值在一个数组内，根据这个数的前50个数字(默认阈值，可通过参数设置)推算出均值，再将均值与传入的数值做差异对比，若正负小于40％且与前一个数字正负小于80％表示数值正常，并将正常的数值进行输出。对传入数值不符合均值滤波的要求时，该滤波模块会再次获取最新的视频流与关键位置进行计算，并将计算的结果纳入到均值计算的数组中，通过不断递归逐步修正数值，有效降低因光照、图像噪声导致的读取数异常等情况，防止采集数值异常跳动。
步骤7，结果写入步骤：通过系统调用的方式实现，将原始图像(摄像头采集的图像)和识别的结果(一种数据结构，由布尔值和元组数组组成。布尔值：图像中存在水瓶、塑料袋、泡沫等漂浮物则为true，否则为false；元组数组，一个元组集合，表示识别到的漂浮物坐标组，一个坐标组值的是图像中漂浮物上右下左四个顶点的坐标)存储至边缘计算终端中。
步骤8，推送步骤：将存储的结果(步骤7获取的原始图像和数据结构)上传到云端的业务应用，实现边缘计算结果归集。
本发明还公开了一种边缘计算终端，包括：
视频接入模块：用于获取摄像头的视频流。
视频解码模块：用于通过边缘计算终端的系统调用功能，使用ffmpeg库对视频流进行解析和处理，完成视频解码，通过ffmpeg库的处理，视频流形成以帧为单位的连续图像并把图像转换成三维数组，将三维数组推送到图像处理模块。
图像处理模块包括关键帧预处理模块和关键区域提取模块，
关键帧预处理模块：对已经转换为三维数组的图像进行图像的剪裁、大小变换、色值提取操作，并继续完成图像灰度化、高斯模糊、图像二值化、形态学处理的操作。
关键区域提取模块：先对三维数组中的所有轮廓进行检索，即在形态学操作后，对突出颜色部分进行轮廓搜寻，将色块坐标形成一个集合；再加载下一张图像进行同样的操作，获取另一个轮廓集合，实现在可视化图像上展示轮廓搜索的结果；通过比对后选取出移动的物体轮廓。
结果过滤模块：关键区域提取模块提取的物体轮廓经过识别模型处理后，判断出是否是漂浮物。
结果写入模块：通过系统调用的方式实现，将原始图像(摄像头采集的图像)和识别的结果(一种数据结构，由布尔值和元组数组组成。布尔值：图像中存在水瓶、塑料袋、泡沫等漂浮物则为true，否则为false；元组数组，一个元组集合，表示识别到的漂浮物坐标组，一个坐标组值的是图像中漂浮物上右下左四个顶点的坐标)存储至边缘计算终端中。
推送模块：将存储的结果(结果写入模块获取的原始图像和数据结构)上传到云端的业务应用，实现边缘计算结果归集。
所述结果过滤模块包括识别模型和滤波模块，在所述结果过滤模块中，接收一个物体轮廓，并在多维数组中获取物体轮廓中的数据子集，数据子集与识别模型中的分类信息进行评分，输出疑似物分列表，最大评分表示该图像子集的分类。
对传入数值不符合均值滤波的要求时，滤波模块会再次获取最新的视频流与关键位置进行计算，并将计算的结果纳入到均值计算的数组中，通过不断递归逐步修正数值。
在所述结果过滤模块中，所述识别模型由R-CNN算法实现，并通过aarch64架构进行重新编译，让其适用于边缘计算终端使用。
在所述视频接入模块中，边缘计算终端安装后连接到局域网内，由RTSP视频流的方式进行接入，通过特定的URL格式完成视频流获取。
本发明还公开了一种存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的检测方法的步骤。
相对于系统性的智慧水务工程建设具本发明有以下几方面的优势：
一.兼容现代化监管综合信息平台，识别/采集数据可直接上传，无需网关做二次中转。
二.降低项目施工及后期运营维护成本，无需重复购买或建设基础设施，通过软件即可实现移动物体检测，保留了“既有”数据/信息资产。
三.实现视频监控系统组网联动，不影响已有设备正常运行，不改造，不修改现有系统实现智慧改造。
四.费用低，不需要部署识别服务器，也不需要工业设备支持，建设成本与运维成本趋近为零。
五.可替换性强，设备采用边缘计算架构，识别算法、过滤算法均可进行替换，当新的漂浮物出现时可快速进行模型迭代。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种水面漂浮物的检测方法，其特征在于，包括如下步骤：
步骤1，视频流获取步骤：获取摄像头的视频流；
步骤2，解码步骤：通过边缘计算终端的系统调用功能，使用ffmpeg库对视频流进行解析和处理，完成视频解码；
步骤3，推送步骤：通过ffmpeg库的处理，视频流形成以帧为单位的连续图像并把图像转换成三维数组，将三维数组推送到图像处理步骤；
图像处理步骤包括步骤4和步骤5；
步骤4，关键帧预处理步骤：对已经转换为三维数组的图像进行图像的剪裁、大小变换、色值提取操作，并继续完成图像灰度化、高斯模糊、图像二值化、形态学处理的操作；
步骤5，关键区域提取步骤：先对三维数组中的所有轮廓进行检索，即在形态学操作后，对突出颜色部分进行轮廓搜寻，将色块坐标形成一个集合；再加载下一张图像进行同样的操作，获取另一个轮廓集合，实现在可视化图像上展示轮廓搜索的结果；通过比对后选取出移动的物体轮廓；
步骤6，结果过滤步骤：关键区域提取步骤提取的物体轮廓经过识别模型处理后，判断出是否是漂浮物；
步骤7，结果写入步骤：通过系统调用的方式实现，将原始图像和识别的结果存储至边缘计算终端；
步骤8，推送步骤：将存储的结果上传到云端的业务应用，实现边缘计算结果归集。
2.根据权利要求1所述的检测方法，其特征在于，在所述步骤6中，接收一个物体轮廓，并在多维数组中获取物体轮廓中的数据子集，数据子集与识别模型中的分类信息进行评分，输出疑似物分列表；
对传入数值不符合均值滤波的要求时，滤波模块会再次获取最新的视频流与关键位置进行计算，并将计算的结果纳入到均值计算的数组中，通过不断递归逐步修正数值。
3.根据权利要求2所述的检测方法，其特征在于，在所述步骤6中，最大评分表示该图像子集的分类。
4.根据权利要求2所述的检测方法，其特征在于，在所述步骤6中，所述识别模型由R-CNN算法实现，并通过aarch64架构进行重新编译，让其适用于边缘计算终端使用。
5.根据权利要求1所述的检测方法，其特征在于，在所述步骤1中，边缘计算终端安装后连接到局域网内，由RTSP视频流的方式进行接入，通过特定的URL格式完成视频流获取。
6.一种边缘计算终端，其特征在于，包括：
视频接入模块：用于获取摄像头的视频流；
视频解码模块：用于通过边缘计算终端的系统调用功能，使用ffmpeg库对视频流进行解析和处理，完成视频解码，通过ffmpeg库的处理，视频流形成以帧为单位的连续图像并把图像转换成三维数组，将三维数组推送到图像处理模块；
图像处理模块包括关键帧预处理模块和关键区域提取模块，
关键帧预处理模块：对已经转换为三维数组的图像进行图像的剪裁、大小变换、色值提取操作，并继续完成图像灰度化、高斯模糊、图像二值化、形态学处理的操作；
关键区域提取模块：先对三维数组中的所有轮廓进行检索，即在形态学操作后，对突出颜色部分进行轮廓搜寻，将色块坐标形成一个集合；再加载下一张图像进行同样的操作，获取另一个轮廓集合，实现在可视化图像上展示轮廓搜索的结果；通过比对后选取出移动的物体轮廓；
结果过滤模块：关键区域提取模块提取的物体轮廓经过识别模型处理后，判断出是否是漂浮物；
结果写入模块：通过系统调用的方式实现，将原始图像和识别的结果存储至边缘计算终端中；
推送模块：将存储的结果上传到云端的业务应用，实现边缘计算结果归集。
7.根据权利要求6所述的边缘计算终端，其特征在于，所述结果过滤模块包括识别模型和滤波模块，在所述结果过滤模块中，接收一个物体轮廓，并在多维数组中获取物体轮廓中的数据子集，数据子集与识别模型中的分类信息进行评分，输出疑似物分列表，最大评分表示该图像子集的分类；对传入数值不符合均值滤波的要求时，滤波模块会再次获取最新的视频流与关键位置进行计算，并将计算的结果纳入到均值计算的数组中，通过不断递归逐步修正数值。
8.根据权利要求7所述的边缘计算终端，其特征在于，在所述结果过滤模块中，所述识别模型由R-CNN算法实现，并通过aarch64架构进行重新编译，让其适用于边缘计算终端使用。
9.根据权利要求6所述的边缘计算终端，其特征在于，在所述视频接入模块中，边缘计算终端安装后连接到局域网内，由RTSP视频流的方式进行接入，通过特定的URL格式完成视频流获取。
10.一种存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1－5中任一项所述的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211422736.9A CN115761580A (zh) | 2022-11-15 | 2022-11-15 | 一种水面漂浮物的检测方法、边缘计算终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211422736.9A CN115761580A (zh) | 2022-11-15 | 2022-11-15 | 一种水面漂浮物的检测方法、边缘计算终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115761580A true CN115761580A (zh) | 2023-03-07 |
Family
ID=85370634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211422736.9A Pending CN115761580A (zh) | 2022-11-15 | 2022-11-15 | 一种水面漂浮物的检测方法、边缘计算终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115761580A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310999A (zh) * | 2023-05-05 | 2023-06-23 | 贵州中水能源股份有限公司 | 一种水力发电站库区大型漂浮物检测方法 |
-
2022
- 2022-11-15 CN CN202211422736.9A patent/CN115761580A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310999A (zh) * | 2023-05-05 | 2023-06-23 | 贵州中水能源股份有限公司 | 一种水力发电站库区大型漂浮物检测方法 |
| CN116310999B (zh) * | 2023-05-05 | 2023-07-21 | 贵州中水能源股份有限公司 | 一种水力发电站库区大型漂浮物检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN102915544B (zh) | 基于纹理检测和颜色分割的视频图像运动目标提取方法 | |
| CN102348128B (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
| CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
| CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
| TW202013252A (zh) | 車牌辨識系統與方法 | |
| CN1875378A (zh) | 图像中的对象检测 | |
| CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
| CN102663362B (zh) | 一种基于灰度特征的运动目标检测方法 | |
| CN110659546B (zh) | 一种违法摊位检测方法及装置 | |
| CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
| CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
| CN105931246A (zh) | 一种基于小波变换和遗传算法的织物瑕疵检测方法 | |
| CN105184812A (zh) | 一种基于目标跟踪的行人徘徊检测算法 | |
| CN106447656B (zh) | 基于图像识别的渲染瑕疵图像检测方法 | |
| CN113902641A (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
| CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
| CN115761580A (zh) | 一种水面漂浮物的检测方法、边缘计算终端及存储介质 | |
| CN109583414B (zh) | 基于视频检测的室内占道检测方法、设备、介质及处理器 | |
| CN113344879A (zh) | 基于污染源排口的图像目标分割与颜色异常检测方法 | |
| Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
| CN111696142A (zh) | 一种快速人脸检测方法及系统 | |
| CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN113936030A (zh) | 基于卷积编码的运动目标检测方法及系统 |
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 |