CN115862021B - 基于yolo的水电站闸门自动识别方法 - Google Patents
基于yolo的水电站闸门自动识别方法 Download PDFInfo
- Publication number
- CN115862021B CN115862021B CN202211393308.8A CN202211393308A CN115862021B CN 115862021 B CN115862021 B CN 115862021B CN 202211393308 A CN202211393308 A CN 202211393308A CN 115862021 B CN115862021 B CN 115862021B
- Authority
- CN
- China
- Prior art keywords
- gate
- image
- yolo
- target
- detection 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 239000010802 sludge Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 abstract description 3
- 239000010931 gold Substances 0.000 abstract description 3
- 229910052737 gold Inorganic materials 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种基于YOLO的水电站闸门自动识别方法,依次通过定位闸门、定位闸门号牌和识别闸门编号的步骤,采用基于深度学习的目标检测模型YOLO对实时视频中的闸门目标进行定位,并裁剪出闸门图像;通过基于深度学习的目标检测模型YOLO定位所截取闸门图像中的编号牌图像,并裁剪出目标图像;将闸门编号牌图像输入到基于卷积神经网络的字符识别模型中,获取该编号牌表示的实际内容并记录,综合利用图像处理技术和深度学习技术实现了水电站闸门的实时动态精准识别,为水电站金结设备数字化管理奠定了技术基础。
Description
技术领域
本发明属于水电站闸门运行技术领域,涉及一种基于YOLO的水电站闸门自动识别方法。
背景技术
闸门是一种常见的水电站挡水金结设备,一般由平直面板、构架、支撑行走部件、吊具和止水等部件组成,运动时在门槽内直升直降。根据安装位置或功能的不同,分为机组进水口工作门、机组进水口检修门、机组尾水工作门、机组尾水检修门等。一个水电站,根据机组台数、装机容量不同,可能会有几十或几百节闸门。水电站闸门的特点是形式确定、尺寸大、数量多,有通用闸门和专用闸门,但是每一节都有唯一编号,以便于全生命周期的管理。
传统的做法是,在水电站闸门启闭或者位置异动后,由现场作业人员观察并记录闸门位置变化情况。这种完全依靠作业人员的责任心来从事简单、重复的工作模式,很有可能造成闸门位置异动记录缺失,不利于闸门全生命周期的管理维护。
发明内容
本发明所要解决的技术问题是提供一种基于YOLO的水电站闸门自动识别方法,采用基于深度学习的目标检测模型YOLO 对实时视频中的闸门目标进行定位,并裁剪出闸门图像;通过基于深度学习的目标检测模型YOLO定位所截取闸门图像中的编号牌图像,并裁剪出目标图像;将闸门编号牌图像输入到基于卷积神经网络的字符识别模型中,获取该编号牌表示的实际内容并记录,综合利用图像处理技术和深度学习技术实现了水电站闸门的实时动态精准识别,为水电站金结设备数字化管理奠定了技术基础。
为解决上述技术问题,本发明所采用的技术方案是:一种基于YOLO的水电站闸门自动识别方法,它包括如下步骤:
步骤1,定位闸门,利用图像标注软件对收集到的包含水电站闸门的图像样本进行处理,生成闸门图像样本数据集,利用图像数据集训练基于深度学习的目标检测模型,并利用训练好的目标检测模型对输入的视频帧图像中的闸门目标进行定位,获取闸门目标的边界框预测参数,基于闸门目标的边界框预测参数,从视频帧图像中裁剪出闸门区域,得到闸门区域的RGB彩色图像,即闸门图像;
步骤2,定位闸门号牌,对闸门图像进行倾斜校正;利用图像标注软件对收集到的包含水电站闸门编号牌的图像样本进行处理,生成闸门编号牌图像样本数据集,利用图像数据集训练基于深度学习的目标检测模型,并利用训练好的目标检测模型对输入的视频帧图像中的闸门编号牌目标进行定位,获取闸门编号牌目标的边界框预测参数,基于闸门编号牌目标的边界框预测参数,从视频帧图像中裁剪出闸门编号牌区域,得到闸门编号牌区域的RGB彩色图像,即闸门编号牌图像;
步骤3,识别闸门编号,对校正后的闸门编号牌图像进行二值化等预处理,利用训练好的目标检测模型识别闸门编号牌图像中的所有字符并记录。
在步骤1中,
步骤1-1,通过互联网下载和实地拍摄两种方式采集包含闸门目标的图像样本;图像样本数量根据实际情况进行选择,以满足实际需求,不小于2000张;
步骤1-2,采用LabelImg标注工具用最小外接矩形将图像样本中的每个闸门目标框住,生成相应的XML格式的标签文件,即闸门图像样本数据集;
步骤1-3,基于MindSpore深度学习框架搭建目标检测模型YOLO,并利用闸门图像样本数据集训练目标检测模型YOLO;
步骤1-4,在设计Yolo目标检测模型时,网络架构从整体上分为输入端、BackBone主干网络、Neck和输出端Prediction;
步骤1-5,采用精确度和漏检率作为评价指标,评价目标检测模型YOLO的性能,当精确度和漏检率达到第一预设标准时,则表示目标检测模型YOLO训练完成;
步骤1-6,利用训练好的YOLO模型自动对视频帧图像中的闸门目标进行定位,获取闸门目标的边界框预测参数;
步骤1-7,基于闸门目标的边界框预测参数,从视频帧图像中裁剪出闸门区域,得到闸门区域的RGB彩色图像,即闸门图像。
在步骤2中,
步骤2-1,考虑到摄像机拍摄角度问题,上一环节截取的的闸门图像可能发生倾斜,影响后续闸门编号读数的正确性,此环节首先采用Hough变换对截取的闸门图像进行倾斜校正;
步骤2-2,采用LabelImg边界框标注软件标注闸门图像中的所有编号牌,生成闸门编号牌数据集;闸门图像的数量根据实际情况进行选择,不小于2000张,每张图像中都包含1个编号牌;
步骤2-3,基于MindSpore深度学习框架搭建目标检测模型YOLO,并利用闸门编号牌数据集训练目标检测模型YOLO;
步骤2-4,训练时,首先利用公开数据集MSCOCO上预训练好的模型参数对目标检测模型YOLO进行初始化;训练过程中,设置batchsize为16,采用Adam优化器,超参均为默认值,初始学习率为0.001,每当验证集损失在10个epoch后仍不下降,此时将学习率降低至原来的十分之一,总迭代步数设置为200000步;
步骤2-5,采用精确度和漏检率作为评价指标,评价目标检测模型YOLOv3的性能,当精确度和漏检率达到第二预设标准时,则表示目标检测模型YOLO训练完成;
步骤2-6,利用训练好的目标检测模型YOLO定位闸门图像中的所有编号牌。
在步骤3中,
步骤3-1,为了消除局部锈蚀、污泥附着等因素会对闸门编号牌识别造成的影响,首先利用灰度处理、二值化处理和图像去噪等技术对校正后的闸门图像进行预处理;
步骤3-2,利用卷积神经网络快速搭建字符识别模型,基于SVHN数据集训练字符识别模型;
步骤3-3,字符识别模型训练的过程中,设置batchsize为96,采用Adadelta优化器优化,总迭代次数设置为2000次;
步骤3-4,采用准确率和分类错误率作为评价指标,评价字符识别模型的性能,当准确率和分类错误率达到第三预设标准时,则表示字符识别模型训练完成;
步骤3-5,利用训练好的字符识别模型,识别步骤S3闸门编号牌图像中的所有字符并记录。
本发明的主要有益效果在于:
通过基于深度学习的目标检测模型YOLO 对实时视频中的闸门目标进行定位,并裁剪出闸门图像。
通过基于深度学习的目标检测模型YOLO定位所截取闸门图像中的编号牌图像,并裁剪出目标图像。
将闸门编号牌图像输入到基于卷积神经网络的字符识别模型中,获取该编号牌表示的实际内容并记录。
综合利用图像处理技术和深度学习技术实现了水电站闸门的实时动态精准识别,为水电站金结设备数字化管理奠定了技术基础。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的流程图。
具体实施方式
如图1中,一种基于YOLO的水电站闸门自动识别方法,它包括如下步骤:
步骤1,定位闸门,利用图像标注软件对收集到的包含水电站闸门的图像样本进行处理,生成闸门图像样本数据集,利用图像数据集训练基于深度学习的目标检测模型,并利用训练好的目标检测模型对输入的视频帧图像中的闸门目标进行定位,获取闸门目标的边界框预测参数,基于闸门目标的边界框预测参数,从视频帧图像中裁剪出闸门区域,得到闸门区域的RGB彩色图像,即闸门图像;
步骤2,定位闸门号牌,对闸门图像进行倾斜校正;利用图像标注软件对收集到的包含水电站闸门编号牌的图像样本进行处理,生成闸门编号牌图像样本数据集,利用图像数据集训练基于深度学习的目标检测模型,并利用训练好的目标检测模型对输入的视频帧图像中的闸门编号牌目标进行定位,获取闸门编号牌目标的边界框预测参数,基于闸门编号牌目标的边界框预测参数,从视频帧图像中裁剪出闸门编号牌区域,得到闸门编号牌区域的RGB彩色图像,即闸门编号牌图像;
步骤3,识别闸门编号,对校正后的闸门编号牌图像进行二值化等预处理,利用训练好的目标检测模型识别闸门编号牌图像中的所有字符并记录。
优选的方案中,在步骤1中,
步骤1-1,通过互联网下载和实地拍摄两种方式采集包含闸门目标的图像样本;图像样本数量根据实际情况进行选择,以满足实际需求,不小于2000张;
步骤1-2,采用LabelImg标注工具用最小外接矩形将图像样本中的每个闸门目标框住,生成相应的XML格式的标签文件,即闸门图像样本数据集;
步骤1-3,基于MindSpore深度学习框架搭建目标检测模型YOLO,并利用闸门图像样本数据集训练目标检测模型YOLO;
步骤1-4,在设计Yolo目标检测模型时,网络架构从整体上分为输入端、BackBone主干网络、Neck和输出端Prediction;
步骤1-5,采用精确度和漏检率作为评价指标,评价目标检测模型YOLO的性能,当精确度和漏检率达到第一预设标准时,则表示目标检测模型YOLO训练完成;
步骤1-6,利用训练好的YOLO模型自动对视频帧图像中的闸门目标进行定位,获取闸门目标的边界框预测参数;
步骤1-7,基于闸门目标的边界框预测参数,从视频帧图像中裁剪出闸门区域,得到闸门区域的RGB彩色图像,即闸门图像。
优选地,YOLO即是YouOnlyLookOnce的缩写,是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度快,YOLOV1的检测速率可以达到45帧/秒,可以用于实时系统;闸门的特点是尺寸大,长宽尺寸在“米”数量级,门机启闭闸门的速度在2米/秒左右,刚好与足YOLO大目标、快速的应用目标场景相吻合。
上述方案中,提供了基于YOLO的水电站闸门自动识别方法,闸门自动识别方法的原理过程为:通过基于深度学习的目标检测模型YOLO对原始图像中的闸门目标进行定位,有效排除起重机、栏杆等复杂背景的干扰,精确地提取出闸门目标区域;局部锈蚀、污泥附着等因素会对闸门编号牌识别造成较大影响,通过二值化、构建FFDNet深度学习网络有效消除局部噪声的影响;通过基于深度学习的目标检测模型YOLO定位闸门图像中所有编号牌、识别闸门编号牌图像中的所有字符并记录。
实施例
本实施例中,互联网下载方式为通过爬虫技术从互联网上下载与闸门相关的图像,并人工筛选出图像质量较好,即分辨率、场景效果好的图像;实地拍摄方式为通过视频监控设备采集某电站真实业务需求的视频图像,采集到的为1920×1080像素的高清图像,每张视频图像中包含1个或者多个闸门目标。
为了让收集到的样本更具有一般性,并使得网络能够充分学习利用这些样本,采集的样本尽可能来自不同情景;例如,闸门有不同视角、不同光照、不同天气等问题。对于视角和光照等问题,在采集图像时多次调整摄像机角度以及在不同时间段对闸门拍摄,以此来丰富网络模型获取到表示特征。
视频帧图像的获取方式为:通过流媒体技术获取前端视频监控设备的视频流,从视频流中提取视频帧图像。
优选的方案中,在步骤2中,
步骤2-1,考虑到摄像机拍摄角度问题,上一环节截取的的闸门图像可能发生倾斜,影响后续闸门编号读数的正确性,此环节首先采用Hough变换对截取的闸门图像进行倾斜校正;
步骤2-2,采用LabelImg边界框标注软件标注闸门图像中的所有编号牌,生成闸门编号牌数据集;闸门图像的数量根据实际情况进行选择,不小于2000张,每张图像中都包含1个编号牌;
步骤2-3,基于MindSpore深度学习框架搭建目标检测模型YOLO,并利用闸门编号牌数据集训练目标检测模型YOLO;
步骤2-4,训练时,首先利用公开数据集MSCOCO上预训练好的模型参数对目标检测模型YOLO进行初始化;训练过程中,设置batchsize为16,采用Adam优化器,超参均为默认值,初始学习率为0.001,每当验证集损失在10个epoch后仍不下降,此时将学习率降低至原来的十分之一,总迭代步数设置为200000步;
步骤2-5,采用精确度和漏检率作为评价指标,评价目标检测模型YOLOv3的性能,当精确度和漏检率达到第二预设标准时,则表示目标检测模型YOLO训练完成;
步骤2-6,利用训练好的目标检测模型YOLO定位闸门图像中的所有编号牌。
优选的方案中,在步骤3中,
步骤3-1,为了消除局部锈蚀、污泥附着等因素会对闸门编号牌识别造成的影响,首先利用灰度处理、二值化处理和图像去噪等技术对校正后的闸门图像进行预处理;
步骤3-2,利用卷积神经网络快速搭建字符识别模型,基于SVHN数据集训练字符识别模型;
步骤3-3,字符识别模型训练的过程中,设置batchsize为96,采用Adadelta优化器优化,总迭代次数设置为2000次;
步骤3-4,采用准确率和分类错误率作为评价指标,评价字符识别模型的性能,当准确率和分类错误率达到第三预设标准时,则表示字符识别模型训练完成;
步骤3-5,利用训练好的字符识别模型,识别步骤S3闸门编号牌图像中的所有字符并记录。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (2)
1.一种基于YOLO的水电站闸门自动识别方法,其特征是,它包括如下步骤:
步骤1,定位闸门,利用图像标注软件对收集到的包含水电站闸门的图像样本进行处理,生成闸门图像样本数据集,利用图像数据集训练基于深度学习的目标检测模型,并利用训练好的目标检测模型对输入的视频帧图像中的闸门目标进行定位,获取闸门目标的边界框预测参数,基于闸门目标的边界框预测参数,从视频帧图像中裁剪出闸门区域,得到闸门区域的RGB彩色图像,即闸门图像;
步骤2,定位闸门号牌,对闸门图像进行倾斜校正;利用图像标注软件对收集到的包含水电站闸门编号牌的图像样本进行处理,生成闸门编号牌图像样本数据集,利用图像数据集训练基于深度学习的目标检测模型,并利用训练好的目标检测模型对输入的视频帧图像中的闸门编号牌目标进行定位,获取闸门编号牌目标的边界框预测参数,基于闸门编号牌目标的边界框预测参数,从视频帧图像中裁剪出闸门编号牌区域,得到闸门编号牌区域的RGB彩色图像,即闸门编号牌图像;
步骤3,识别闸门编号,对校正后的闸门编号牌图像进行二值化预处理,利用训练好的目标检测模型识别闸门编号牌图像中的所有字符并记录;
在步骤2中,
步骤2-1,考虑到摄像机拍摄角度问题,上一环节截取的的闸门图像可能发生倾斜,影响后续闸门编号读数的正确性,此环节首先采用Hough变换对截取的闸门图像进行倾斜校正;
步骤2-2,采用LabelImg边界框标注软件标注闸门图像中的所有编号牌,生成闸门编号牌数据集;闸门图像的数量根据实际情况进行选择,不小于2000张,每张图像中都包含1个编号牌;
步骤2-3,基于MindSpore深度学习框架搭建目标检测模型YOLO,并利用闸门编号牌数据集训练目标检测模型YOLO;
步骤2-4,训练时,首先利用公开数据集MSCOCO上预训练好的模型参数对目标检测模型YOLO进行初始化;训练过程中,设置batchsize为16,采用Adam优化器,超参均为默认值,初始学习率为0.001,每当验证集损失在10个epoch后仍不下降,此时将学习率降低至原来的十分之一,总迭代步数设置为200000步;
步骤2-5,采用精确度和漏检率作为评价指标,评价目标检测模型YOLOv3的性能,当精确度和漏检率达到第二预设标准时,则表示目标检测模型YOLO训练完成;
步骤2-6,利用训练好的目标检测模型YOLO定位闸门图像中的所有编号牌;
在步骤3中,
步骤3-1,为了消除局部锈蚀、污泥附着因素会对闸门编号牌识别造成的影响,首先利用灰度处理、二值化处理和图像去噪技术对校正后的闸门图像进行预处理;
步骤3-2,利用卷积神经网络快速搭建字符识别模型,基于SVHN数据集训练字符识别模型;
步骤3-3,字符识别模型训练的过程中,设置batchsize为96,采用Adadelta优化器优化,总迭代次数设置为2000次;
步骤3-4,采用准确率和分类错误率作为评价指标,评价字符识别模型的性能,当准确率和分类错误率达到第三预设标准时,则表示字符识别模型训练完成;
步骤3-5,利用训练好的字符识别模型,识别步骤3闸门编号牌图像中的所有字符并记录。
2.根据权利要求1所述的基于YOLO的水电站闸门自动识别方法,其特征是,在步骤1中,
步骤1-1,通过互联网下载和实地拍摄两种方式采集包含闸门目标的图像样本;图像样本数量根据实际情况进行选择,以满足实际需求,不小于2000张;
步骤1-2,采用LabelImg标注工具用最小外接矩形将图像样本中的每个闸门目标框住,生成相应的XML格式的标签文件,即闸门图像样本数据集;
步骤1-3,基于MindSpore深度学习框架搭建目标检测模型YOLO,并利用闸门图像样本数据集训练目标检测模型YOLO;
步骤1-4,在设计Yolo目标检测模型时,网络架构从整体上分为输入端、BackBone主干网络、Neck和输出端Prediction;
步骤1-5,采用精确度和漏检率作为评价指标,评价目标检测模型YOLO的性能,当精确度和漏检率达到第一预设标准时,则表示目标检测模型YOLO训练完成;
步骤1-6,利用训练好的YOLO模型自动对视频帧图像中的闸门目标进行定位,获取闸门目标的边界框预测参数;
步骤1-7,基于闸门目标的边界框预测参数,从视频帧图像中裁剪出闸门区域,得到闸门区域的RGB彩色图像,即闸门图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393308.8A CN115862021B (zh) | 2022-11-08 | 2022-11-08 | 基于yolo的水电站闸门自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393308.8A CN115862021B (zh) | 2022-11-08 | 2022-11-08 | 基于yolo的水电站闸门自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115862021A CN115862021A (zh) | 2023-03-28 |
CN115862021B true CN115862021B (zh) | 2024-02-13 |
Family
ID=85662792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211393308.8A Active CN115862021B (zh) | 2022-11-08 | 2022-11-08 | 基于yolo的水电站闸门自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862021B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579230A (zh) * | 2023-03-31 | 2023-08-11 | 中国长江电力股份有限公司 | 基于tcn神经网络的闸门启闭状态实时预警方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005085040A (ja) * | 2003-09-09 | 2005-03-31 | Sumitomo Heavy Ind Ltd | ゲートチェックシステム、ゲートチェック方法、管理サーバ、及びゲートチェックプログラム |
JP2018016469A (ja) * | 2016-07-29 | 2018-02-01 | 株式会社Ihi | ゲート管理システム、ゲート管理方法、およびゲート管理プログラム |
CN110458161A (zh) * | 2019-07-15 | 2019-11-15 | 天津大学 | 一种结合深度学习的移动机器人门牌定位方法 |
CN111209858A (zh) * | 2020-01-06 | 2020-05-29 | 电子科技大学 | 一种基于深度卷积神经网络的实时车牌检测方法 |
US10762331B1 (en) * | 2019-10-11 | 2020-09-01 | Zebra Technologies Corporation | Three-dimensional (3D) depth and two-dimensional (2D) imaging systems and methods for automatic container door status recognition |
KR102159620B1 (ko) * | 2020-05-06 | 2020-09-24 | (주)동천기공 | Ai 및 딥러닝 기반의 스마트 홍수관리 수문제어 자동화 시스템 |
CN111807183A (zh) * | 2020-07-20 | 2020-10-23 | 北京电通慧梯物联网科技有限公司 | 基于深度学习的电梯门状态智能检测方法 |
CN113391607A (zh) * | 2021-06-22 | 2021-09-14 | 四川华能太平驿水电有限责任公司 | 一种基于深度学习的水电站闸门控制方法及系统 |
KR102302767B1 (ko) * | 2021-02-17 | 2021-09-14 | (주)태성에스엔씨 | 영상 딥러닝 판독에 따른 열차 출입문 감지 시스템 |
CN114663366A (zh) * | 2022-03-07 | 2022-06-24 | 南京工业大学 | 一种基于YOLOv5s神经网络的酒店套装门检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220084186A1 (en) * | 2018-12-21 | 2022-03-17 | Canscan Softwares And Technologies Inc. | Automated inspection system and associated method for assessing the condition of shipping containers |
US20210383533A1 (en) * | 2020-06-03 | 2021-12-09 | Nvidia Corporation | Machine-learning-based object detection system |
-
2022
- 2022-11-08 CN CN202211393308.8A patent/CN115862021B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005085040A (ja) * | 2003-09-09 | 2005-03-31 | Sumitomo Heavy Ind Ltd | ゲートチェックシステム、ゲートチェック方法、管理サーバ、及びゲートチェックプログラム |
JP2018016469A (ja) * | 2016-07-29 | 2018-02-01 | 株式会社Ihi | ゲート管理システム、ゲート管理方法、およびゲート管理プログラム |
CN110458161A (zh) * | 2019-07-15 | 2019-11-15 | 天津大学 | 一种结合深度学习的移动机器人门牌定位方法 |
US10762331B1 (en) * | 2019-10-11 | 2020-09-01 | Zebra Technologies Corporation | Three-dimensional (3D) depth and two-dimensional (2D) imaging systems and methods for automatic container door status recognition |
CN111209858A (zh) * | 2020-01-06 | 2020-05-29 | 电子科技大学 | 一种基于深度卷积神经网络的实时车牌检测方法 |
KR102159620B1 (ko) * | 2020-05-06 | 2020-09-24 | (주)동천기공 | Ai 및 딥러닝 기반의 스마트 홍수관리 수문제어 자동화 시스템 |
CN111807183A (zh) * | 2020-07-20 | 2020-10-23 | 北京电通慧梯物联网科技有限公司 | 基于深度学习的电梯门状态智能检测方法 |
KR102302767B1 (ko) * | 2021-02-17 | 2021-09-14 | (주)태성에스엔씨 | 영상 딥러닝 판독에 따른 열차 출입문 감지 시스템 |
CN113391607A (zh) * | 2021-06-22 | 2021-09-14 | 四川华能太平驿水电有限责任公司 | 一种基于深度学习的水电站闸门控制方法及系统 |
CN114663366A (zh) * | 2022-03-07 | 2022-06-24 | 南京工业大学 | 一种基于YOLOv5s神经网络的酒店套装门检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115862021A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN115862021B (zh) | 基于yolo的水电站闸门自动识别方法 | |
WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN107248296B (zh) | 一种基于无人机和时序特征的视频交通流量统计方法 | |
CN110569843A (zh) | 一种矿井目标智能检测与识别方法 | |
CN109100648A (zh) | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 | |
CN109614924A (zh) | 一种基于深度学习算法的水面垃圾检测方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
CN112669269A (zh) | 一种基于图像识别的管道缺陷分类分级方法及系统 | |
CN112906593A (zh) | 一种基于Faster RCNN的水闸图像识别方法 | |
CN115909312A (zh) | 一种基于深度学习的板坯号实时检测与识别方法 | |
CN113971774B (zh) | 一种输水结构表面淡水壳菜空间分布特征识别方法 | |
CN114373116A (zh) | 一种运维现场图像的筛选方法、装置、设备及产品 | |
CN112115876A (zh) | 一种基于3d卷积神经网络的水溶法实验过程识别方法 | |
CN111985473A (zh) | 一种店外经营识别方法 | |
CN111738254A (zh) | 一种继电保护装置面板与屏幕内容自动化识别方法 | |
CN113928947B (zh) | 电梯维保过程检测方法及装置 | |
CN117422662A (zh) | 一种基于自注意力机制的钻井现场斜坡变化检测方法 | |
CN117690086A (zh) | 一种基于5g和ai技术的防汛闸门识别及控制的方法和系统 | |
CN118628135A (zh) | 一种废旧家电电路板残值评估及未来价值预测的方法 | |
CN114821635A (zh) | 基于深度学习的视图库布控报警方法 | |
CN117765082A (zh) | 一种基于Unet语义分割的港口舱盖板边缘定位的方法 |
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 |