CN116168356B - 一种基于计算机视觉的车辆损伤判别方法 - Google Patents
一种基于计算机视觉的车辆损伤判别方法 Download PDFInfo
- Publication number
- CN116168356B CN116168356B CN202310456354.6A CN202310456354A CN116168356B CN 116168356 B CN116168356 B CN 116168356B CN 202310456354 A CN202310456354 A CN 202310456354A CN 116168356 B CN116168356 B CN 116168356B
- Authority
- CN
- China
- Prior art keywords
- point
- value
- points
- data
- damage
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于计算机视觉的车辆损伤判别方法,涉及图像处理技术领域,方法包括:标记监测区域,生成所述监测区域对应的区域信息图;基于所述区域信息图对当前的监控系统进行完善,确定若干个采集点;通过各所述采集点进行数据采集,建立修正模型对各所述采集点的采集数据进行分析,确定所述采集数据中各车辆对应的判别辅助值;并将所述判别辅助值补充到所述采集数据中;建立损伤判别模型对所述采集数据进行分析,获得所述采集数据中各车辆对应的损伤判别结果;通过本发明实现对道路上行驶车辆的实时损伤评估,并根据实际监控区域信息对区域内的监控体系进行完善,保障采集数据的全面性,为后续损伤判别的精准分析提供有力支撑。
Description
技术领域
本发明涉及图像处理技术领域,具体是一种基于计算机视觉的车辆损伤判别方法。
背景技术
车辆损伤是指该车辆的部件有损伤或完全失效,车辆损伤的损伤类型有多种,例如,车灯不亮,保险杠损坏,车窗破损等。在交通运行中,会出现有损伤的车辆在道路上行驶的情况。从交通安全的角度来说,因为有损伤的车辆的部分正常功能缺失,会存在交通安全隐患;从社会治安的角度来说,在道路上行驶的有损伤的车辆有极大的可能存在肇事逃逸、嫌犯逃逸等违法行为。因此,车辆损伤的判别对于交通安全和社会治安两方面来说均有重大意义。
但是对于正在道路上行驶的车辆,不能像往常车辆损伤判别一样,将车辆送到相应的检测中心进行检测;即使通过人工监测也具有极大的难度,因为需要进行车辆损伤判别的数据极多,通过人工的方式进行检测,效率过低;因此,为了实现对道路上正在行驶车辆的损伤判别,本发明提供了一种基于计算机视觉的车辆损伤判别方法。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于计算机视觉的车辆损伤判别方法,以解决现有的道路上正在行驶车辆的损伤判别问题。
本发明的目的可以通过以下技术方案实现:
一种基于计算机视觉的车辆损伤判别方法,方法包括:
标记监测区域,生成监测区域对应的区域信息图;基于区域信息图对当前的监控系统进行完善,确定若干个采集点;
通过各采集点进行数据采集,建立修正模型对各采集点的采集数据进行分析,确定采集数据中各车辆对应的判别辅助值;
并将判别辅助值补充到采集数据中;
建立损伤判别模型对采集数据进行分析,获得采集数据中各车辆对应的损伤判别结果。
进一步地,区域信息图内标记有各个路口对应的监测点信息。
进一步地,对当前的监控系统进行完善的方法包括:
基于各路口对应的监测点信息确定采集点和待选点,从各待选点中确定关键点,基于关键点对应的监测点信息进行监控完善,将完善后的关键点标记为采集点。
进一步地,确定关键点的方法包括:
基于各待选点和采集点对应的历史通行数据评估各待选点对应的评估值,基于各待选点对应的评估值筛选对应的关键点。
进一步地,各待选点的评估值的确定方法包括:
基于历史通行数据分析各待选点对应的通行值以及相对于各采集点和关键点之间的关联值和权重系数;
将各待选点对应的通行值、关联值和权重系数输入到评估值公式中计算对应的评估值。
进一步地,评估值公式为:;
式中:PG、TX和GLi分别为对应的评估值、通行值和关键值;i=1、2、……、n,n为正整数;qi为对应的权重系数。
进一步地,基于待选点的评估值筛选关键点的方法包括:
将大于阈值X1的评估值按照从大到小的顺序进行排序,选择排序第一的评估值对应的待选点为关键点;
更新剩余各待选点对应的通行值、关联值和权重系数,再次计算对应的评估值,依此类推,直到计算的评估值没有大于阈值X1为止。
进一步地,所述损伤判别结果包括无损伤和损伤类型。
进一步地,修正模型的分析方法包括:
识别采集数据中的车辆,匹配对应的目标判别辅助值和目标行驶性行为数据,目标判别辅助值即为分析记录的上一次判别辅助值,目标行驶性行为数据即为从目标判别辅助值对应的时间开始,到当前该车辆对应的行驶性行为数据;
对目标判别辅助值和目标行驶性行为数据进行分析,获得当前车辆对应的判别辅助值。
与现有技术相比,本发明的有益效果是:
通过本发明实现对道路上行驶车辆的实时损伤评估,并根据实际监控区域信息对区域内的监控体系进行完善,保障采集数据的全面性,为后续损伤判别的精准分析提供有力支撑;并在监控系统完善中兼顾采集效果和完善成本,实现智能化的监控系统完善,并在后续应用中可以进行持续性的更新;通过在基于采集数据进行直接分析的前提下,提出了判断辅助值,优化当前的判别方法,使得判别结果更加的合理和精准,有别于现有的车辆损伤判别技术。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明原理框图。
具体实施方式
下面将结合实施例对本发明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,本领域普通技术人员在没有做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。
如图1所示,一种基于计算机视觉的车辆损伤判别方法,本方法主要从监控完善和数据分析两个角度来进行车辆损伤判别。
监控完善方向:
因为当前道路上的监控体系在某些道路位置上具有一定的缺陷,不能全面的实现对损伤判别车辆的数据采集,使得采集的数据不够全面,导致某些情况下不能真实的判别出车辆的损伤。
例如:根据车主的生活习惯,车辆往往只在部分区域活动,当该区域缺乏较为完善的监控系统,将会导致对于仅在该区域进行活动的车辆不能进行很好的损伤判别;基于此,本发明先从采集端进行监控系统完善,为后续车辆损伤判别提供全面的分析数据。
具体监控体系完善方法包括:
标记需要进行监测的区域,识别监测区域,一般为某职能部门的辖区;获取监控区域对应的区域图,在区域图中标记各路口对应的监控点信息,监控点信息根据该位置具体的监控设备进行设置,因为区域内一般具有大量的路口,通过人工的方式进行监控点信息的汇总需要耗费大量的人力物力,效率低下,因为可以预设监控点信息的统计模板,表明监控点信息应该包括哪些信息,再基于统计模板和大量的监控设备数据建立对应的训练集,训练集包括监控数据、对于设置的监控点信息以及该监控点信息的监控缺陷,监控缺陷即为该位置处的监控数据相对于车辆损伤判别所需要的数据来说,还缺少哪些数据,通过建立的训练集对预设的神经网络进行训练,获得监控点信息汇总模型,如CNN网络或DNN网络,因为神经网络为本领域的现有技术,因此,具体的建立和训练过程在本发明中不进行详细叙述;利用监控点信息汇总模型对各路口的监控数据进行实时分析,提取该路口的监控点信息,将各监控点信息标记在区域图中对应路口位置处,全部标记完成后,将当前的区域图标记为区域信息图。
根据监控点信息中的监控缺陷识别无缺陷的监控点,将对应的监控点标记为采集点,将其他监控点标记为待选点。
若依据待选点对应的监控缺陷进行一一监控完善,全部作为采集点进行数据采集,可以实现车辆判别需求,但是这样将需要投入大量的资金成本,且利用率低;因此,本发明还提出了如下方法,从待选点中确定关键点,仅对关键点进行监控完善,具体方法包括:
获取各待选点和采集点对应路口的历史通行数据,通过历史通行数据评估车辆大概率通过的路口,以及各路口之间的关联性,即未通过该路口,但是因为路线原因将会通过下一某路口,根据大量的车辆历史路线数据可以进行相应的评估,即先根据历史通行数据评估该路口的通行概率,转化为通行值,再评估该点与各采集点、关键点之间的关联情况以及对应该点的权重系数,转化为与各采集点和关键点之间的关联值,权重系数即为根据该点对该待选点的影响情况设置对应的权重系数,主要根据路口之间的分布、路线、距离进行权重系数的设置;具体的转化关系通过专家组进行讨论设置;基于上述叙述,通过人工的方式建立对应的训练集,训练集包括历史通行数据和对应设置的通行值、关联值、权重系数,通过建立的训练集对预设的神经网络进行训练,获得的历史数据分析模型,通过历史数据分析模型对历史通行数据进行分析,确定各待选点对应的通行值和关联值。
将已有的采集点和关键点标记为i,i=1、2、……、n,n为正整数;将通行值、关联值和权重系数分别标记为TX、GLi和qi,根据评估值公式计算对应的评估值PG,将大于阈值X1的评估值按照从大到小的顺序进行排序,选择排序第一的评估值对应的待选点为关键点;更新剩余各待选点对应的通行值、关联值和权重系数,再次计算对应的评估值,基于评估值确定一个关键点后再次进行更新,依此类推,直到计算的评估值没有大于阈值X1为止;对所有的关键点进行监控完善,将完善后的关键点标记为采集点。
在另一个实施例中,为了快速确定全部的关键点,可以采用如下的整体分析法,先第一次计算所有待选的评估值,将评估值不大于阈值X1的待选点进行剔除,将剩余的待选点标记为过程点,将各过程点和采集点进行排列组合,获得若干个待选组合,即以采集点为基准,添加过程点形成一个个组合,为了减少组合的数量以及提高分析效率,基于神经网络建立对应的组合模型,通过人工的方式建立对应的训练集进行训练,训练集包括采集点和过程点对应的点位数据、对应设置的组合以及根据该组合的监控情况评估的全面值;通过建立的组合模型进行分析,设置对应的待选组合以及各待选组合对应的全面值,将全面值低于阈值X2的待选组合进行剔除,评估剩余待选组合对应的完善监控体系需要投入的实施成本,将全面值和实施成本标记为QM和SC,通过人工的方式设置成本转化系数,用于进行单位转化,标记为c,根据优先值公式QX=b1×QM-b2×c×SC计算对应的优先值QX,其中,b1、b2均为比例系数,取值范围为0<b1≤1,0<b2≤1;将优先值最高的待选组合内的过程点全部标记为关键点。
数据分析方向:
实时获取各采集点的采集数据,基于计算机视觉和人工智能建立对应的判别模型,判别模型一般为基于神经网络进行训练建立,具体的可以根据实际情况和现有的智能技术进行选择,即判别模型为通过现有技术进行建立的,用于对采集数据进行评估,判断对应车辆是否具有损伤,以及具有损伤的类别;示例性的,判别模型是根据预设的训练集对预设神经网络进行训练获得的模型,训练集包括多张车辆样本图像,以及每张车辆样本图像中车辆的损伤类型对应的标签。
上述数据分析方法也是当前现有的常规损伤判别方法,但是其对于某些较易混淆判断的采集数据的判别精度不是很高,如车辆上的涂鸦、划线等,极易判断为对应的损伤;因此,在发明中结合各车辆的历史行驶行为数据,对各车辆进行持续性的修正判断,即当判别模型进行对应车辆的损伤判别时,先识别该车辆,基于该车辆的历史行驶行为数据再结合对应的采集数据进行综合判别,提高各车辆的针对性精准判别。
具体包括:实时获取在监测区域内运行、出现过程的车辆历史行驶行为数据,可以为交通违规数据、驾驶证扣分数据、事故数据、性别、驾龄等数据,基于历史行驶行为数据评估对应的车辆具有各类损伤的上路概率,转化为对应的判别辅助值,即用数值表示对应车主车辆对应的具有各类损伤的上路概率,第一次对车辆进行分析,是采用全部的历史行驶行为数据进行分析,后续根据当前的判别辅助值和新产生的行驶行为数据进行分析,确定后续的判别辅助值,汇总建立对应训练集,基于神经网络建立对应的修正模型,通过修正模型进行分析,获得对应的各车主车辆的实时判别辅助值。
对判别模型进行调整、优化,使得其能够基于判别辅助值进行相应的分析,具体的基于现有技术可以实现相应的判别模型调整,如基于神经网络建立的判别模型,根据判别辅助值进行训练集的调整,通过调整后的训练集进行训练;为了进行区别,将优化调整后的判别模型标记为损伤判别模型。
根据修正模型实时评估采集数据中车主车辆对应的判别辅助值,将判别辅助值补充到对应的采集数据中,再结合损伤判别模型对采集数据进行分析,获得对应车主车辆对应的损伤判别结果。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (4)
1.一种基于计算机视觉的车辆损伤判别方法,其特征在于,方法包括:
标记监测区域,生成所述监测区域对应的区域信息图;基于所述区域信息图对当前的监控系统进行完善,确定若干个采集点;
建立修正模型对各所述采集点的采集数据进行分析,确定所述采集数据中各车辆对应的判别辅助值;
将所述判别辅助值补充到所述采集数据中;
建立损伤判别模型对所述采集数据进行分析,获得所述采集数据中各车辆对应的损伤判别结果;
所述区域信息图内标记有各个路口对应的监测点信息;
对当前的监控系统进行完善的方法包括:
基于各路口对应的监测点信息确定采集点和待选点,从各所述待选点中确定关键点;
基于所述关键点对应的监测点信息进行监控完善,将完善后的所述关键点标记为采集点;
确定关键点的方法包括:
基于各待选点和采集点对应的历史通行数据评估各所述待选点对应的评估值,基于各所述待选点对应的评估值筛选对应的关键点;
各待选点的评估值的确定方法包括:
基于所述历史通行数据分析各所述待选点对应的通行值以及相对于各采集点和关键点之间的关联值和权重系数;
将各所述待选点对应的通行值、关联值和权重系数输入到评估值公式中计算对应的评估值;
对关键点进行监控完善,具体方法包括:
获取各待选点和采集点对应路口的历史通行数据,通过历史通行数据评估车辆大概率通过的路口,以及各路口之间的关联性,即未通过该路口,但是因为路线原因将会通过下一某路口,根据大量的车辆历史路线数据可以进行相应的评估,即先根据历史通行数据评估该路口的通行概率,转化为通行值,再评估待选点与各采集点、关键点之间的关联情况以及对应待选点的权重系数,转化为与各采集点和关键点之间的关联值,权重系数即为根据该待选点的影响情况设置对应的权重系数,主要根据路口之间的分布、路线、距离进行权重系数的设置;通过人工的方式建立对应的训练集,训练集包括历史通行数据和对应设置的通行值、关联值、权重系数,通过建立的训练集对预设的神经网络进行训练,获得的历史数据分析模型,通过历史数据分析模型对历史通行数据进行分析,确定各待选点对应的通行值和关联值;
将已有的采集点和关键点标记为i,i=1、2、……、n,n为正整数;将通行值、关联值和权重系数分别标记为TX、GLi和qi,根据评估值公式计算对应的评估值PG,将大于阈值X1的评估值按照从大到小的顺序进行排序,选择排序第一的评估值对应的待选点为关键点;更新剩余各待选点对应的通行值、关联值和权重系数,再次计算对应的评估值,基于评估值确定一个关键点后再次进行更新,依此类推,直到计算的评估值没有大于阈值X1为止;对所有的关键点进行监控完善,将完善后的关键点标记为采集点。
2.根据权利要求1所述的一种基于计算机视觉的车辆损伤判别方法,其特征在于,所述损伤判别结果包括无损伤和损伤类型。
3.根据权利要求1所述的一种基于计算机视觉的车辆损伤判别方法,其特征在于,所述修正模型是基于CNN网络或DNN网络进行建立的。
4.根据权利要求1所述的一种基于计算机视觉的车辆损伤判别方法,其特征在于,修正模型的分析方法包括:识别所述采集数据中的车辆,匹配对应的目标判别辅助值和目标行驶性行为数据;
对目标判别辅助值和目标行驶性行为数据进行分析,获得当前车辆对应的判别辅助值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310456354.6A CN116168356B (zh) | 2023-04-26 | 2023-04-26 | 一种基于计算机视觉的车辆损伤判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310456354.6A CN116168356B (zh) | 2023-04-26 | 2023-04-26 | 一种基于计算机视觉的车辆损伤判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168356A CN116168356A (zh) | 2023-05-26 |
CN116168356B true CN116168356B (zh) | 2023-07-21 |
Family
ID=86416766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310456354.6A Active CN116168356B (zh) | 2023-04-26 | 2023-04-26 | 一种基于计算机视觉的车辆损伤判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168356B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701912B (zh) * | 2023-06-14 | 2023-11-14 | 盐城工学院 | 基于一维卷积神经网络的轴承故障诊断方法及系统 |
CN116778434B (zh) * | 2023-07-07 | 2024-05-14 | 宁波德尔菲信息科技有限公司 | 一种基于计算机视觉的交通违章行为检测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115112143A (zh) * | 2022-06-30 | 2022-09-27 | 安徽远航交通科技有限公司 | 一种事故施救车辆行驶轨迹规划方法 |
CN115797707A (zh) * | 2023-02-06 | 2023-03-14 | 威海海洋职业学院 | 一种基于计算机视觉的物品识别方法和系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504248B (zh) * | 2016-12-06 | 2021-02-26 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的车辆损伤判别方法 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
CN110634120B (zh) * | 2018-06-05 | 2022-06-03 | 杭州海康威视数字技术股份有限公司 | 一种车辆损伤判别方法及装置 |
CN110569700B (zh) * | 2018-09-26 | 2020-11-03 | 创新先进技术有限公司 | 优化损伤识别结果的方法及装置 |
CN115083212B (zh) * | 2022-06-08 | 2024-05-03 | 同济大学 | 一种基于三维建模的无人机定位智能管理系统 |
CN115174646B (zh) * | 2022-06-30 | 2024-01-26 | 安徽远航交通科技有限公司 | 一种作业区远程监控管理系统 |
CN115238430A (zh) * | 2022-08-03 | 2022-10-25 | 国网甘肃省电力公司信息通信公司 | 基于物联网的基建工程现场监测系统 |
CN115564180B (zh) * | 2022-09-01 | 2023-10-10 | 北京京能清洁能源电力股份有限公司北京分公司 | 一种基于大数据分析的电力网络可靠性评估方法 |
CN116013017A (zh) * | 2023-02-08 | 2023-04-25 | 凤阳县白云山国有林场 | 一种基于物联网的森林火灾预警系统 |
-
2023
- 2023-04-26 CN CN202310456354.6A patent/CN116168356B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115112143A (zh) * | 2022-06-30 | 2022-09-27 | 安徽远航交通科技有限公司 | 一种事故施救车辆行驶轨迹规划方法 |
CN115797707A (zh) * | 2023-02-06 | 2023-03-14 | 威海海洋职业学院 | 一种基于计算机视觉的物品识别方法和系统 |
Non-Patent Citations (2)
Title |
---|
JooYoun Kim,等.Vehicle model recognition using SRGAN for low-resolution vehicle images.《AIPR '19: Proceedings of the 2nd International Conference on Artificial Intelligence and Pattern Recognition》.2019,第42–45页. * |
基于机器视觉的车辆轮对擦伤在线检测系统研究;孟宪国,等;《自动化技术与应用》;第第41卷卷(第第6期期);第133-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116168356A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN108765404A (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
Yusof et al. | Crack detection and classification in asphalt pavement images using deep convolution neural network | |
CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
CN113380033B (zh) | 基于人机混合增强智能的城市交通安全预警方法及系统 | |
CN111127499A (zh) | 一种基于语义轮廓信息的安检图像刀具检测分割方法 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN115719475B (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN111127465A (zh) | 一种桥梁检测报告自动生成方法及系统 | |
CN102214290A (zh) | 车牌定位方法及车牌定位模板训练方法 | |
CN110675646B (zh) | 公交站点位置获取方法及装置 | |
CN112580951B (zh) | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 | |
CN114038049A (zh) | 一种基于边缘计算的驾驶员行为特征提取及判别方法 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN114743168A (zh) | 基于深度学习的行车风险源识别评估方法及系统 | |
CN113191398A (zh) | 一种基于改进Faster R-CNN的路面破损识别方法 | |
CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 | |
CN114022826B (zh) | 一种基于区块链的铁轨检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |