CN115830438A - 基于深度学习的复杂场景下违章建筑物体检测方法及装置 - Google Patents

基于深度学习的复杂场景下违章建筑物体检测方法及装置 Download PDF

Info

Publication number
CN115830438A
CN115830438A CN202211078814.8A CN202211078814A CN115830438A CN 115830438 A CN115830438 A CN 115830438A CN 202211078814 A CN202211078814 A CN 202211078814A CN 115830438 A CN115830438 A CN 115830438A
Authority
CN
China
Prior art keywords
detected
data set
network model
target image
real
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
Application number
CN202211078814.8A
Other languages
English (en)
Inventor
张树东
刘文瑾
周丽娟
罗宁
韦冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan University
Original Assignee
Hainan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan University filed Critical Hainan University
Priority to CN202211078814.8A priority Critical patent/CN115830438A/zh
Publication of CN115830438A publication Critical patent/CN115830438A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本申请提出了一种基于深度学习的复杂场景下违章建筑物体检测方法及装置，涉及人工智能与土木工程交叉领域，包括以下步骤：实时获取待检测目标图像；切割待检测目标图像，获取预设数量的待检测切割目标图像；根据训练后的检测网络模型检测待检测切割目标图像，确定待检测目标图像的类别，其中，以改进后的轻量级卷积神经网络EfficientNet‑B2作为主干网络，且以Eiou损失函数作为损失函数构成检测网络模型，根据违章建筑物体数据集训练检测网络模型。本申请通过分块化处理待检测目标图像，根据轻量级卷积神经网络EfficientNet‑B2优化YOLOv3算法，确定H‑Swish激活函数与H‑Sigmoid激活函数作为激活函数，确定Eiou损失函数作为损失函数，实现违章建筑的实时检测，降低成本。

Description

基于深度学习的复杂场景下违章建筑物体检测方法及装置
技术领域
本申请涉及人工智能与土木工程交叉领域，尤其涉及一种基于深度学习的复杂场景下违章建筑物体检测方法及装置。
背景技术
违章建筑在大多数情况下，没有正常的工程控制和检查。由于各种原因，建筑物可能成为违章建筑。违章建筑破坏了城市的布局，阻碍了城市的发展。建筑质量难以保证，存在很大的安全隐患。甚至可能造成电网破坏、通信网络中断等问题。因此，违章建筑问题已经成为一个亟待解决的问题，是人工智能和土木工程交叉领域的一个研究热点。
虽然针对违章建筑问题，提出了各种先进的目标检测算法以实现违章建筑检测的自动化来减少违章建筑的数量，但是检测算法的实时性问题和成本问题一直都未得到很好的解决。
发明内容
针对上述问题，提出了一种基于深度学习的复杂场景下违章建筑物体检测方法及装置。
本申请第一方面提出了一种基于深度学习的复杂场景下违章建筑物体检测方法，包括：
实时获取待检测目标图像；
切割所述待检测目标图像，获取预设数量的待检测切割目标图像；
根据训练后的检测网络模型检测所述待检测切割目标图像，确定所述待检测目标图像的类别，其中，根据训练后的检测网络模型检测所述待检测切割目标图像，确定所述待检测目标图像的类别，其中，以改进后的轻量级卷积神经网络EfficientNet-B2作为主干网络，且以Eiou损失函数作为损失函数构成所述检测网络模型，根据违章建筑物体数据集训练所述检测网络模型。
可选的，在检测所述待检测切割目标图像之前，包括：
获取所述违章建筑物体数据集，其中，根据分类标准将所述违章建筑物体数据集的类别分为建筑工具数据集、建筑材料数据集、建筑车辆数据集和违章建筑数据集；
根据所述分类标准标注所述违章建筑物体数据集，并存放标注文件；
根据所述违章建筑物体数据集与标注文件训练所述检测网络模型。
可选的，所述轻量级卷积神经网络EfficientNet-B2，包括：
确定H-Swish激活函数作为基础结构MBConv中的激活函数；
确定H-Swish激活函数与H-Sigmoid激活函数作为压缩和激励网络SE中的激活函数；
确定将所述压缩和激励网络SE中的平均池化层修改为最大池化层。
可选的，所述Eiou损失函数，包括：
Figure BDA0003832858350000021
其中，α表示调整因子，p表示预测框，gt表示真实框，
Figure BDA0003832858350000022
表示预测框和真实框的交并比，ρ表示预测框和真实框中心点欧式距离，c表示刚好能包含预测框和真实框的最小闭包区域的对角线长度，cw和ch表示覆盖两个框的最小闭包区域的宽读和高度，b和bgt表示预测框和真实框的中心点，w和wgt表示预测框和真实框的宽度，h和hgt表示预测框和真实框的高度。
可选的，所述根据所述违章建筑物体数据集与标注文件训练所述检测网络模型，包括：
根据所述违章建筑物体数据集与标注文件预训练所述检测网络模型，确定所述检测网络模型的预训练权重；
根据预训练权重初始化所述检测网络模型，通过所述违章建筑物体数据集再次训练所述检测网络模型至所述检测网络模型收敛。
可选的，若检测所述待检测目标图像为违章建筑物体的时长超过预设时长阈值，发出告警警报。
本申请第二方面提出了一种基于深度学习的复杂场景下违章建筑物体检测装置，包括：
城市区域实时监控模块，用于实时获取待检测目标图像；
切割处理模块，用于切割所述待检测目标图像，获取预设数量的待检测切割目标图像；
违章建筑物体在线实时检测模块，用于根据训练后的检测网络模型检测所述待检测切割目标图像，确定所述待检测目标图像的类别；
报警模块，用于在检测所述待检测目标图像为违章建筑物体的时长超过预设时长阈值时，发出告警警报。
本申请第三方面，提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述第一方面中任一所述的方法。
本申请第四方面，提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
通过分块化处理待检测目标图像，根据轻量级卷积神经网络EfficientNet-B2优化 YOLOv3算法，确定H-Swish激活函数与H-Sigmoid激活函数作为激活函数，确定Eiou损失函数作为损失函数，实现违章建筑的实时检测，降低成本。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请示例性实施例示出的一种基于深度学习的复杂场景下违章建筑物体检测方法的流程图；
图2是根据本申请示例性实施例示出的一种训练检测网络YEMNet模型的流程图；
图3是根据本申请示例性实施例示出的检测网络YEMNet模型的结构图；
图4是根据本申请示例性实施例示出的基础结构MBConv的改进示意图；
图5是根据本申请示例性实施例示出的基础结构MBConv中SE模块的改进结构示意图；
图6是根据本申请示例性实施例示出的一种基于深度学习的复杂场景下违章建筑物体检测装置的框图；
图7是一种电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
图1是根据本申请示例性实施例示出的一种基于深度学习的复杂场景下违章建筑物体检测方法的流程图，如图1所示：
步骤101，实时获取待检测目标图像。
本申请实施例中，将高清摄像头架设在45-60米的高塔上的方式，实时获取待检测目标图像。
一种可能的实施例中，在被监控区域周围的高塔上分别架设高清摄像头，摄像头可 360°旋转并且在固定的角度抓取图像，每个摄像头每天抓取8张像素为1920×1080的图像。
步骤102，切割待检测目标图像，获取预设数量的待检测切割目标图像。
本申请实施例中，对步骤101中获取的待检测目标图像进行处理，采用图片切割的方法将所获取的待检测目标图像进行处理。将所采集的像素为1920×1080的图片在水平方向三等分，在竖直方向二等分进行切割，切割得后到每张图片为大小均为640×540，在将图片沿着水平和竖直方向平均切分后，在两个切分交点处再次取同样大小的图像，总共获取8张大小为640×540像素的图片。
另外，将切割后的640×540大小图像进行反射变换、翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动以及颜色变换处理，获取预设数量的待检测切割目标图像，预设数量根据实际情况决定。
通过分割方法，提高了图像的质量。
步骤103，根据训练后的检测网络模型检测待检测切割目标图像，确定待检测目标图像的类别，其中，根据训练后的检测网络模型检测待检测切割目标图像，确定待检测目标图像的类别，其中，以改进后的轻量级卷积神经网络EfficientNet-B2作为主干网络，且以Eiou损失函数作为损失函数构成检测网络模型，根据违章建筑物体数据集训练检测网络模型。
一种可能的实施例中，待检测目标图像的类别为吊车，数量为两辆。
如图2所示，在检测待检测切割目标图像之前，要先训练检测网络模型。
步骤201，获取违章建筑物体数据集，其中，根据分类标准将违章建筑物体数据集的类别分为建筑工具数据集、建筑材料数据集、建筑车辆数据集和违章建筑数据集。
可选的，还可以统计每一个大类下的具体违章建筑物体的小类别和数量，比如挖掘机、起重机、吊车以及会凝土搅拌机。
本申请实施例中，获取违章建筑物体数据集已在步骤101和步骤102过程做了具体说明和示例，此处将不做详细阐述说明。
步骤202，根据分类标准标注违章建筑物体数据集，并存放标注文件。
本实施例中，通过分类标准来划分违章建筑物体数据集的类别，并且将其所产生的 XML标注文件进行存放。
一种可能的实施例中，使用开源的图像标注工具LableImg标注违章建筑物体数据集。
其中，存放标注文件和违章建筑物体数据集作为数据训练检测网络YEMNet模型，具体包括：将所产生的标注文件和违章建筑物体数据集按照Pascal VOC格式进行存放；使用Python脚本按照Pascal VOC数据集的组织格式创建Annotations、JPEGImages以及ImageSets三个文件夹；将标注所产生的XML文件和违章建筑物体数据集分别放入PascalVOC格式中的Annotations文件夹和JPEGImages文件夹；然后使用数据集分割脚本按照 7:2:1的比例将图像数据集分割为训练集、验证集和测试集。
步骤203，根据违章建筑物体数据集与标注文件训练检测网络YEMNet模型。
检测网络YEMNet模型如图3所示，选取YOLOv3算法为基础，并对其进行改进，改进的具体方法为：
第一，将新型的轻量级卷积神经网络EfficientNet-B2进行修改后，替换了YOLOv3算法的DarkNeet53作为骨干网络，以对输入数据进行特征提取。
具体修改轻量级卷积神经网络EfficientNet-B2的过程为：
如图4所示，确定H-Swish激活函数作为基础结构MBConv中的激活函数。
在原始的基础结构MBConv中，使用的是Swish激活函数，将其修改为成本更低的H-Swish激活函数，这两个激活函数的公式定义分别为：
Figure BDA0003832858350000051
Figure BDA0003832858350000052
其中，ReLU函数的定义公式为：
ReLU(x)＝max{0,x}，
如图5所示，确定H-Swish激活函数与H-Sigmoid激活函数作为压缩和激励网络SE中的激活函数，其中H-Sigmoid激活函数的表达式定义为：
Figure BDA0003832858350000053
确定将压缩和激励网络SE中的平均池化层修改为最大池化层。
第二，将YOLOv3的IoU损失函数，修改为Eiou损失函数，Eiou损失函数包括三个部分：重叠损失、中心距离损失以及宽高损失，其公式定义为：
Figure BDA0003832858350000061
其中，α表示调整因子，p表示预测框，gt表示真实框，
Figure BDA0003832858350000062
表示预测框和真实框的交并比，ρ表示预测框和真实框中心点欧式距离，c表示刚好能包含预测框和真实框的最小闭包区域的对角线长度，cw和ch表示覆盖两个框的最小闭包区域的宽读和高度， b和bgt表示预测框和真实框的中心点。w和wgt表示预测框和真实框的宽度，h和hgt表示预测框和真实框的高度。
在完成检测网络YEMNet模型的结构后，对其进行训练，具体过程为:
将上述YEMNet模型进行先在Pascal VOC数据集上进行预训练，然后使用违章建筑物体数据集进行微调，再次训练至模型收敛。
可选的，若检测待检测目标图像为违章建筑物体的时长超过预设时长阈值，发出告警警报。
一种可能的实施例中，若一个月内待检测目标图像始终为违章建筑物体，向工作人员发出告警信息，使其查看是否存在违章建筑行为，若存在则及时制止。
本申请实施例通过分块化处理待检测目标图像，根据轻量级卷积神经网络EfficientNet-B2优化YOLOv3算法，确定H-Swish激活函数与H-Sigmoid激活函数作为激活函数，确定Eiou损失函数作为损失函数，实现违章建筑的实时检测，降低成本。
图6是根据本申请示例性实施例示出的一种基于短时傅里叶变换和深度学习的鼾声检测装置的框图600，包括：城市区域实时监控模块610、切割处理模块620、违章建筑物体在线实时检测模块630和报警模块640。
城市区域实时监控模块610，用于实时获取待检测目标图像；
切割处理模块620，用于切割待检测目标图像，获取预设数量的待检测切割目标图像；
违章建筑物体在线实时检测模块630，用于根据训练后的检测网络模型检测待检测切割目标图像，确定待检测目标图像的类别；
报警模块640，用于在检测待检测目标图像为违章建筑物体的时长超过预设时长阈值时，发出告警警报。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出 (I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元 701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器 (DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如语音指令响应方法。例如，在一些实施例中，语音指令响应方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的语音指令响应方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音指令响应方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (9)

1.一种基于深度学习的复杂场景下违章建筑物体检测方法，其特征在于，包括：
实时获取待检测目标图像；
切割所述待检测目标图像，获取预设数量的待检测切割目标图像；
根据训练后的检测网络模型检测所述待检测切割目标图像，确定所述待检测目标图像的类别，其中，以改进后的轻量级卷积神经网络EfficientNet-B2作为主干网络，且以Eiou损失函数作为损失函数构成所述检测网络模型，根据违章建筑物体数据集训练所述检测网络模型。
2.根据权利要求1所述的方法，其特征在于，在检测所述待检测切割目标图像之前，包括：
获取所述违章建筑物体数据集，其中，根据分类标准将所述违章建筑物体数据集的类别分为建筑工具数据集、建筑材料数据集、建筑车辆数据集和违章建筑数据集；
根据所述分类标准标注所述违章建筑物体数据集，并存放标注文件；
根据所述违章建筑物体数据集与标注文件训练所述检测网络模型。
3.根据权利要求1所述的方法，其特征在于，所述改进后的轻量级卷积神经网络EfficientNet-B2，包括：
确定H-Swish激活函数作为基础结构MBConv中的激活函数；
确定H-Swish激活函数与H-Sigmoid激活函数作为压缩和激励网络SE中的激活函数；
确定将所述压缩和激励网络SE中的平均池化层修改为最大池化层。
4.根据权利要求1所述的方法，其特征在于，所述Eiou损失函数，包括：
Figure FDA0003832858340000011
其中，α表示调整因子，p表示预测框，gt表示真实框，
Figure FDA0003832858340000012
表示预测框和真实框的交并比，ρ表示预测框和真实框中心点欧式距离，c表示刚好能包含预测框和真实框的最小闭包区域的对角线长度，cw和ch表示覆盖两个框的最小闭包区域的宽读和高度，b和bgt表示预测框和真实框的中心点，w和wgt表示预测框和真实框的宽度，h和hgt表示预测框和真实框的高度。
5.根据权利要求2所述的方法，其特征在于，所述根据所述违章建筑物体数据集与标注文件训练所述检测网络模型，包括：
根据所述违章建筑物体数据集与标注文件预训练所述检测网络模型，确定所述检测网络模型的预训练权重；
根据预训练权重初始化所述检测网络模型，通过所述违章建筑物体数据集再次训练所述检测网络模型至所述检测网络模型收敛。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括；
若检测所述待检测目标图像为违章建筑物体的时长超过预设时长阈值，发出告警警报。
7.一种基于深度学习的复杂场景下违章建筑物体检测装置，其特征在于，包括：
城市区域实时监控模块，用于实时获取待检测目标图像；
切割处理模块，用于切割所述待检测目标图像，获取预设数量的待检测切割目标图像；
违章建筑物体在线实时检测模块，用于根据训练后的检测网络模型检测所述待检测切割目标图像，确定所述待检测目标图像的类别；
报警模块，用于在检测所述待检测目标图像为违章建筑物体的时长超过预设时长阈值时，发出告警警报。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一所述的方法。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202211078814.8A 2022-09-05 2022-09-05 基于深度学习的复杂场景下违章建筑物体检测方法及装置 Pending CN115830438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211078814.8A CN115830438A (zh) 2022-09-05 2022-09-05 基于深度学习的复杂场景下违章建筑物体检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211078814.8A CN115830438A (zh) 2022-09-05 2022-09-05 基于深度学习的复杂场景下违章建筑物体检测方法及装置

Publications (1)

Publication Number Publication Date
CN115830438A true CN115830438A (zh) 2023-03-21

Family

ID=85523382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211078814.8A Pending CN115830438A (zh) 2022-09-05 2022-09-05 基于深度学习的复杂场景下违章建筑物体检测方法及装置

Country Status (1)

Country Link
CN (1) CN115830438A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118446535A (zh) * 2024-07-08 2024-08-06 山东瑞鑫时空信息科技有限公司 一种基于测量数据分析的违章建筑数据分析处理系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118446535A (zh) * 2024-07-08 2024-08-06 山东瑞鑫时空信息科技有限公司 一种基于测量数据分析的违章建筑数据分析处理系统

Similar Documents

Publication Publication Date Title
US20220076444A1 (en) Methods and apparatuses for object detection, and devices
EP3910543A2 (en) Method for training object detection model, object detection method and related apparatus
US20220108607A1 (en) Method of controlling traffic, electronic device, roadside device, cloud control platform, and storage medium
US20190325605A1 (en) Systems and methods for detecting objects in images
US11861919B2 (en) Text recognition method and device, and electronic device
EP3951741B1 (en) Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform
CN113205041A (zh) 结构化信息提取方法、装置、设备和存储介质
CN115830438A (zh) 基于深度学习的复杂场景下违章建筑物体检测方法及装置
CN115272262A (zh) 室外绝缘子表面缺陷识别方法、装置及电子设备
CN115861400A (zh) 目标对象检测方法、训练方法、装置以及电子设备
EP4220552A1 (en) Image processing method and system
CN113486881B (zh) 一种文本识别方法、装置、设备及介质
CN113807184B (zh) 障碍物检测方法、装置、电子设备及自动驾驶车辆
CN114445825A (zh) 文字检测方法、装置、电子设备和存储介质
CN116091709B (zh) 建筑物的三维重建方法、装置、电子设备和存储介质
CN117058588A (zh) 一种脱岗检测方法、装置、设备和存储介质
CN115578431B (zh) 图像深度处理方法、装置、电子设备及介质
CN115019321A (zh) 一种文本识别、模型训练方法、装置、设备及存储介质
CN113947146A (zh) 样本数据生成方法、模型训练方法、图像检测方法及装置
CN116168442B (zh) 样本图像生成方法、模型的训练方法、目标检测方法
CN115050086B (zh) 样本图像生成方法、模型训练方法、图像处理方法和装置
CN113887331A (zh) 图像处理方法、事件检测方法、装置、设备和存储介质
CN116229047A (zh) 对象的检测框的处理方法、装置以及电子设备
CN116630863A (zh) 一种配电网安全标识识别方法、装置、设备及存储介质
CN114757511A (zh) 一种基于深度学习的电网施工进度与安全识别方法

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