CN116630716A - 道路绿化破损识别方法、装置、计算机设备及存储介质 - Google Patents
道路绿化破损识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116630716A CN116630716A CN202310665475.1A CN202310665475A CN116630716A CN 116630716 A CN116630716 A CN 116630716A CN 202310665475 A CN202310665475 A CN 202310665475A CN 116630716 A CN116630716 A CN 116630716A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- greening
- road image
- object frame
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 123
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 9
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 38
- 239000011159 matrix material Substances 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了道路绿化破损识别方法、装置、计算机设备及存储介质。方法包括:获取道路图像;对道路图像进行特征提取;对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;解析定义后的特征向量,以得到解析结果;对所述定义后的特征向量计算置信度,以得到计算结果;根据所述计算结果判断所述道路图像中是否存在绿化破损情况;若道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。通过实施本发明实施例的方法可以解决成本高、效率低、错漏高、不及时等问题以及无法对严重性进行分类评判的问题。
Description
技术领域
本发明涉及道路绿化带绿化破损识别方法,更具体地说是指道路绿化破损识别方法、装置、计算机设备及存储介质。
背景技术
道路绿化破损主要是道路绿化带绿化破损问题,例如,黄土裸露、植被破坏等,针对道路绿化带绿化破损问题,城市管理部门现有的解决方案主要是依靠传统的人工巡查与上报,此方案存在人力成本高、发现问题不及时、人工效率低、修复问题缓慢、错漏概率高等缺点。
目前在绿化带绿化破损治理领域内基本没有通过基于深度学习的目标检测手段进行监测并预警的全流程自动化解决方案。此外,目前存在的已应用于相近领域的目标检测方法,往往只能判定是否为识别目标,无法按照严重性等级对识别目标进行分类,无法满足城市管理精细化的要求。如果直接将现有的目标检测方案应用于绿化破损监测与预警问题,由于无法进行严重性分类,会造成系统报送所有检测到的绿化破损问题,包括一些尚无需治理的轻度问题,缺少各类绿化破损问题治理的必要性与及时性信息,从而增加相关养护部门的无效养护工作,而且容易掩盖部分重度的绿化破损问题,使其无法得到快速、有效解决。
因此,有必要设计一种新的方法,以解决当前利用人工巡查进行绿化破损监测与治理而带来的成本高、效率低、错漏高、不及时等问题以及现有目标检测方法运用道路绿化破损场景时仅能识别目标类别,无法对严重性进行分类评判的问题。
发明内容
本发明的目的在于克服现有技术的缺陷,提供道路绿化破损识别方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:道路绿化破损识别方法,包括:
获取道路图像;
对所述道路图像进行特征提取,以得到特征向量;
对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;
解析定义后的特征向量,以得到解析结果;
对所述定义后的特征向量计算置信度,以得到计算结果;
根据所述计算结果判断所述道路图像中是否存在绿化破损情况;
若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
其进一步技术方案为:所述解析定义后的特征向量,以得到解析结果,具体为:
将定义后的特征向量按照至少3个维度来表征,3个维度分别为每个锚点对应的锚框数量、图像上的锚点数量和特征向量长度;特征向量长度按照坐标回归值、置信度回归值、类别分布概率和严重等级分布概率进行分位表示。
其进一步技术方案为:所述对所述定义后的特征向量计算置信度,以得到计算结果,包括:
按照所述定义后的特征向量长度的分位,分别计算物体框的坐标、物体置信度、物体框的类别和类别置信度、物体框的严重等级和严重等级置信度;
对物体框进行过滤和后处理,得到目标物体框;
根据目标物体框的物体置信度、类别置信度和严重等级置信度计算最终置信度。
其进一步技术方案为:所述物体框的坐标计算过程包括:
将表示坐标的特征向量长度位进行归一化处理;
计算锚点的偏移量、锚框的中心坐标和物体框锚框的长宽。
其进一步技术方案为:所述对物体框进行过滤和后处理,包括:
过滤初始物体置信度小于设定置信度阈值的物体框,以得到中间物体框;
通过非极大值抑制去除所述中间物体框中重合度超过设定重合度阈值的物体框,以得到目标物体框。
其进一步技术方案为:所述上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,包括:
上传所述道路图像、物体框的严重等级以及物体框坐标;所述物体框的严重等级按照物体框内的综合颜色和不同颜色占物体框的面积比例来进行等级划分;其中,物体框的严重等级是采用标注不同严重等级的物体框训练形成的模型分析得到的。
其进一步技术方案为:所述采用标注不同严重等级的物体框训练形成的模型包括:在多个网络层中加入不同大小的空洞卷积,在空洞卷积层中设置不同的间隔像素以提取道路图像中绿化区域的像素特征,将所述像素特征及其像素特征值拼成道路图像中绿化区域的语义特征图,根据该语义特征图对严重等级进行分类。
本发明还提供了道路绿化破损识别装置,包括:
图像获取单元,用于获取道路图像;
提取单元,用于对所述道路图像进行特征提取,以得到特征向量;
定义单元,用于对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;
解析单元,用于解析定义后的特征向量,以得到解析结果;
计算单元,用于对所述定义后的特征向量计算置信度,以得到计算结果;
判断单元,用于根据所述计算结果判断所述道路图像中是否存在绿化破损情况;
上传单元,用于若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过对道路图像进行多级特征提取,并采用设定损失函数模型对所提取的特征向量进行定义,增加严重等级分布概率,且对定义后的特征向量进行解析,确定物体框坐标,并计算对应的置信度,根据置信度确定道路图像中是否存在绿化破损情况,当道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,以解决当前利用人工巡查进行绿化破损监测与治理而带来的成本高、效率低、错漏高、不及时等问题以及现有目标检测方法运用道路绿化破损场景时仅能识别目标类别,无法对严重性进行分类评判的问题。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的道路绿化破损识别方法的应用场景示意图;
图2为本发明实施例提供的道路绿化破损识别方法的流程示意图;
图3为本发明实施例提供的道路绿化破损识别方法的子流程示意图;
图4为本发明实施例提供的道路绿化破损识别方法的子流程示意图;
图5为本发明实施例提供的道路绿化破损识别方法的子流程示意图;
图6为本发明实施例提供的道路绿化破损识别装置的示意性框图;
图7为本发明实施例提供的道路绿化破损识别装置的计算单元的示意性框图;
图8为本发明实施例提供的道路绿化破损识别装置的第一计算子单元的示意性框图;
图9为本发明实施例提供的道路绿化破损识别装置的过滤子单元的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图;
图11为本发明实施例提供的特征金字塔结构的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的道路绿化破损识别方法的应用场景示意图。图2为本发明实施例提供的道路绿化破损识别方法的示意性流程图。该道路绿化破损识别方法应用于服务器中。该服务器与终端以及摄像头进行数据交互,采用摄像头拍摄道路图像,并输入至服务器,进行特征提取,结合设定损失函数模型对提取的特征向量进行定义,定义后再进行解析,并计算置信度,根据置信度确定道路图像是否存在绿化破损情况,存在,则结合解析结果以及计算结果传输道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,精确区分绿化带破损部位的严重程度。
图2是本发明实施例提供的道路绿化破损识别方法的流程示意图。如图2所示,该方法包括以下步骤S110至S170。
S110、获取道路图像。
在本实施例中,道路图像是指摄像头对着指定位置的道路所拍摄得到的图像。
S120、对所述道路图像进行特征提取,以得到特征向量。
在本实施例中,特征向量是指道路体现中的多级特征,比如第一级为局部与物体边缘特征;第二级为物体全局位置与目标框大小特征;第三级为更全面的特征信息,例如严重等级特征标识,颜色越深,则严重等级越高。
在本实施例中,特征提取过程采用了骨干网络,骨干网络包含第一级下采样层D1、第二级下采样层D2、第三级下采样层D3。
整个特征提取过程如下:
将所述道路图像使用opencv工具读取RGB空间数据,并将所述道路图像尺寸调整为同宽高,得到一个w*h*3的的矩阵M,其中,矩阵M中的3为所述道路图像的三色通道;
第一级下采样层D1将道路图像提取特征后的维度降为所述道路图像的1/8,以得到第一特征矩阵;
第二级下采样层D2将第一特征的维度降为所述道路图像的1/16,以得到第二特征矩阵;
第三级下采样层D3,将图片特征维度降为所述道路图像的1/32,以得到第三特征矩阵。
将第三级下采样层D3进行上采样和D2层的第二特征矩阵进行拼接,得到一个原图片尺寸1/16的特征矩阵U2;将D2层的第二特征矩阵进行上采样,得到维度为原图片尺寸1/8的特征矩阵,将该特征矩阵与D1层的特征层进行拼接,得到特征矩阵U1;
将特征矩阵U1进行下采样,得到所述道路图像的原尺寸1/16的特征输出O1,其维度为(3,h,w,11);
将O1与特征矩阵U2进行拼接,得到特征输出O2,其维度为(3,2*h,2*w,11);
再对特征输出O2进行下采样,下采样的结果和第三特征矩阵进行拼接,得到新的特征输出O3,其维度为(3,4*h,4*w,11),形成特征向量。
S130、对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率。
具体地,采用设定损失函数对特征向量进行定义,所述设定损失函数模型包括物体框的损失计算函数、物体损失函数、类别损失函数以及严重程度损失函数。
具体地,损失函数是个动态递减的函数,不同等级的严重程度是相对比值不同,越严重的等级,由于数量较少,所占的权重越高,越能提高对该等级的识别精度。
在本实施例中,一般的物体检测图像算法中仅包含三个部分的损失函数,分别是物体框的损失计算函数:用于评估预测框和实际物体框之间的偏差,通常预测框和实际物体框之间的中心点距离、面积交并比、物体框之间的宽高比相关,Lbox=1-oU+α;其中,IoU标识两个物体框之间的面积交并比,v和α都和物体框的宽高比相关;物体损失函数:用于评估预测框内是否为识别的物体,采用01交叉熵损失函数;类别损失函数:用于判断物体所属的类别,采用交叉熵损失函数。
在本实施例中,增加了一个严重程度损失函数,在交叉熵损失函数的基础上,考虑到不同等级问题之间分布的不均衡,增加了样本概率的惩罚项,提高难以区分的等级的分类表现。增加样本概率的惩罚项,具体为:增加一项概率调变因子,公式如下:FL(t)=-αt(1-pt)γlog(pt);其中,FL(t)表示pt表示样本概率,pt越大,则模型越容易受到样本的影响,则调变因子越小,使用时直接与交叉熵损失相乘,则对损失的贡献也就越小,αt和γ是人为设置的值,根据设定损失函数模型的表现可以对这两个参数进行调整。αt通常取值在[0,1]之间,用于平衡正例和负例之间的权重;当αt较小时,正例的权重会得到增强,负例的权重会得到削弱,从而使得设定损失函数模型更加关注正例的分类效果。而γ则是一个指数参数,用于进一步调整正例和负例之间的权重。当γ较小时,模型对概率值接近1的样本更加敏感,对概率值接近0的样本不够敏感。反之,当γ较大时,设定损失函数对概率值接近0的样本更加敏感,对概率值接近1的样本不够敏感。pt越大,则设定损失函数越容易受到样本的影响,则调变因子越小,使用时直接与交叉熵损失相乘,则对损失的贡献也就越小。
S140、解析定义后的特征向量,以得到解析结果。
在本实施例中,解析结果是指从至少三个维度表征定义后的特征向量后形成表征内容。
具体地,将定义后的特征向量按照至少3个维度来表征,3个维度分别为每个锚点对应的锚框数量、图像上的锚点数量和特征向量长度;特征向量长度按照坐标回归值、置信度回归值、类别分布概率和严重等级分布概率进行分位表示。
优选地,所述定义后的特征向量的在特征张量维度三的长度为7+n(n为严重等级个数),特征张量维度三的内容表征如下:从左往右分别为第1位-第4位表征坐标回归值、第5位表示当前框选物体置信度回归值、第6位-第7位表示类别分布概率,剩余位表示严重等级类别的概率分布;所述定义后的特征向量在特征张量的维度二表征在图像上横纵均匀分布的若干个锚点;所述定义后的特征向量在特征张量的维度一表征每个锚点对应的锚框数量,锚框是通过标注框的高宽聚类获取的先验数据。
具体地,所述定义后的特征向量在特征张量维度二表征在图像上横纵均匀分布的n行n列共n*n个锚点,n取值按照比例减小,分别对应不同尺度的物体。一般地,n取值越小、锚点越稀疏,越偏向于识别大物体;锚框是通过标注框的高宽聚类获取的先验数据,每一组特征向量都设置三组不同的锚框。
S150、对所述定义后的特征向量计算置信度,以得到计算结果。
在本实施例中,计算结果是指道路图像的最终置信度。
在一实施例中,请参阅图3,上述的步骤S150可包括步骤S151~S153。
S151、按照所述定义后的特征向量长度的分位,分别计算物体框的坐标、物体置信度、物体框的类别和类别置信度、物体框的严重等级和严重等级置信度。
在一实施例中,请参阅图4,上述的物体框坐标的计算过程包括步骤S1511~S1512。
S1511、将表示坐标的特征向量长度位进行归一化处理。
具体地,将定义后的特征向量中在特征张量维度三的第1位归一化,形成第一结果;将定义后的特征向量中在特征张量维度三第2位归一化,形成第二结果;将定义后的特征向量中在特征张量维度三第3位归一化,形成第三结果;将定义后的特征向量中在特征张量维度三的第4位归一化,形成第四结果。
S1512、计算锚点的偏移量、锚框的中心坐标和物体框锚框的长宽。
在本实施例中,根据所述第一结果、第二结果计算出锚点偏移量,并将所述锚点偏移量加到定义后的特征向量所属的锚点的长宽上,再乘以采样深度,以得到物体框的中心坐标。物体框的中心坐标是指锚点偏移量加到定义后的特征向量所属的锚点的长宽,再乘以采样深度形成的坐标。
具体地,第一结果、第二结果分别对其给定范围数值进行偏移,计算出锚点偏移量,该锚点偏移量大致浮动在0~±0.5左右,再加到当前定义后的特征向量所属的锚点的长宽上,乘以采样深度即得到物体框的中心坐标。采样深度为原图边长/特征向量边长n,例如640*640的道路图像对于(3,80*80,26)的定义后的特征向量而言,采样深度为640/80=8。
根据所述第三结果以及第四结果计算出物体框相较于锚框的长宽缩放倍数,并将长宽缩放倍数乘上对应的锚框长宽,以得到物体框的长宽。
在本实施例中,物体框的长宽是指物体框的长度和宽度。具体地,所述第三结果以及第四结果分别乘以二再平方,形成物体框相较于锚框的长宽缩放倍数,该长宽缩放倍数分布在0倍至4倍,将长宽缩放倍数乘上对应的锚框长宽,即为物体框的长宽。
结合所述物体框的中心坐标以及物体框的长宽,确定物体框坐标;在本实施例中,结合物体框的中心坐标x、y和得到的长宽w、h,便可构成物体框坐标xywh。这样的物体框有3*(80*80+40*40+20*20)共计25200个。
在一实施例中,对于物体置信度的计算过程如下:
将所述定义后的特征向量在特征张量维度三第5位通过sigmoid函数归一化,以得到初始物体置信度。物体框的类别和类别置信度的计算过程如下:将所述定义后的特征向量中在特征张量维度三第6位-第7位通过softmax方法获取物体框类别和类别置信度。
物体框的严重等级和严重等级置信度的计算过程如下:将所述定义后的特征向量在特征张量维度三第8位及之后的通过softmax方法获取物体框严重等级和等级置信度。
S152、对物体框进行过滤和后处理,得到目标物体框。
上述的目标物体框是指物体置信度以及重合度符合要求的物体框。
在一实施例中,请参阅图5,上述的步骤S152可包括步骤S1521~S1523。
S1521、过滤所述初始物体置信度小于设定置信度阈值的物体框,以得到中间物体框。
在本实施例中,中间物体框是指所述初始物体置信度小于设定置信度阈值的物体框之后剩下的物体框。具体地,设定置信度阈值越大,表述检测越严格,检出的物体越少、越准确。
S1522、通过非极大值抑制去除所述中间物体框中重合度超过设定重合度阈值的物体框,以得到目标物体框。
在本实施例中,目标物体框是指去除中间物体框中重合度超过设定重合度阈值的物体框之后所剩下的物体框。
具体地,确定目标物体框时,需要指定重合度指标IOU(交并比,Intersectionover union)的阈值。设定重合度阈值越大,容许的重合度越高,越容易出现一个物体被多次框选,但也能提高多个高重复度物体的识别效果。
S153、根据目标物体框的物体置信度、类别置信度和严重等级置信度计算最终置信度。
将目标物体框的物体置信度、类别置信度和严重等级置信度相乘,形成最终置信度。
S160、根据所述计算结果判断所述道路图像中是否存在绿化破损情况。
在本实施例中,当最终置信度超过设定的阈值,则表明所述道路图像中存在绿化破损情况;反之,则表明所述道路图像中不存在绿化破损情况;当然,于其他实施例,通过物体框类别和类别置信度确定道路图像内是否存在绿化破损情况,
S170、若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
在本实施例中,上传所述道路图像、物体框的严重等级以及物体框坐标;所述物体框的严重等级按照物体框内的综合颜色和不同颜色占物体框的面积比例来进行等级划分;其中,物体框的严重等级是采用标注不同严重等级的物体框训练形成的模型分析得到的。
具体地,在数据层面会根据颜色和所占面积的大小来划分,等级划分是在物体框内综合颜色,主要是黄色块和绿色块,还有裸露的土地色块和不同颜色块占物体框的面积比例这两方面考虑。其中一般绿色覆盖属于正向等级(即正常),若偏黄的绿色应划分在剩余非正常等级中;其次根据绿色和黄色的所占比例或者以其展示的颜色深浅划分剩余不同的等级,比如:在同样面积下,颜色更偏黄色系应当划分更严重的等级,而在同样颜色下,占框面积大的应当也给予更严重的等级划分。因此,划分等级是通过面积和颜色两个方面综合考量。
其中,所述采用标注不同严重等级的物体框训练形成的模型包括:在多个网络层中加入不同大小的空洞卷积,在空洞卷积层中设置不同的间隔像素以提取道路图像中绿化区域的像素特征,将所述像素特征及其像素特征值拼成道路图像中绿化区域的语义特征图,根据该语义特征图对严重等级进行分类。
具体地,为达到对物体框的严重等级分类,做了以下针对性调整优化:
在多个网络层中加入不同大小的空洞卷积,对于物体框的严重等级分类而言,空洞卷积发挥的作用是:当卷积核去扫描图片时,在所需识别的绿化区域中,空洞卷积可以设置不同的间隔像素去提取特征,这一间隔像素的操作跨越了临近的像素点,比如在一个识别的区域内包含绿色数值的像素点和黄色数值的像素点,而间隔像素就类似于间隔采样,保留了更大范围的像素特征和更有效的像素特征值,这些重要的像素特征值随着网络到达最后一层网络,这些像素特征值会作为严重等级分类的依据,拼成网络对于整个图片的语义特征图,根据这个语义特征图得出我们所需的严重等级分类。
在一种实施例中,网络结构采用特征金字塔结构,如图11所示,在该网络结构中,在下采样部分网络层加入空洞卷积,上采样部分使用最邻近插值法,最大程度保留了特征图的语义信息。以上提到的空洞卷积都是添加在网络比较深层的位置,因为浅层和深层网络所包含的信息特征侧重点不同,深层网络能包含更强的语义信息,即严重等级分类的信息。
若所述道路图像中不存在绿化破损情况,则进入结束步骤。
通过基于深度学习的目标检测方案,对绿化破损的严重等级进行识别和判断,增加严重等级损失函数对特征向量进行定义,再基于向量解析对指定特征向量的置信度进行计算,精确区分绿化带破损部位的严重程度。
上述的道路绿化破损识别方法,通过对道路图像进行多级特征提取,并采用设定损失函数模型对所提取的特征向量进行定义,增加严重等级分布概率,且对定义后的特征向量进行解析,确定物体框坐标,并计算对应的置信度,根据置信度确定道路图像中是否存在绿化破损情况,当道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,以解决当前利用人工巡查进行绿化破损监测与治理而带来的成本高、效率低、错漏高、不及时等问题以及现有目标检测方法运用道路绿化破损场景时仅能识别目标类别,无法对严重性进行分类评判的问题。
图6是本发明实施例提供的一种道路绿化破损识别装置300的示意性框图。如图6所示,对应于以上道路绿化破损识别方法,本发明还提供一种道路绿化破损识别装置300。该道路绿化破损识别装置300包括用于执行上述道路绿化破损识别方法的单元,该装置可以被配置于服务器中。具体地,请参阅图10,该道路绿化破损识别装置300包括图像获取单元301、提取单元302、定义单元303、解析单元304、计算单元305、判断单元306以及上传单元307。
图像获取单元301,用于获取道路图像;提取单元302,用于对所述道路图像进行特征提取,以得到特征向量;定义单元303,用于对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;解析单元304,用于解析定义后的特征向量,以得到解析结果;计算单元305,用于对所述定义后的特征向量计算置信度,以得到计算结果;判断单元306,用于根据所述计算结果判断所述道路图像中是否存在绿化破损情况;上传单元307,用于若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
在一实施例中,所述解析单元304用于将定义后的特征向量按照至少3个维度来表征,3个维度分别为每个锚点对应的锚框数量、图像上的锚点数量和特征向量长度;特征向量长度按照坐标回归值、置信度回归值、类别分布概率和严重等级分布概率进行分位表示。
在一实施例中,如图7所示,所述计算单元305包括第一计算子单元3051、过滤子单元3052以及第二计算子单元3053。
第一计算子单元3051,用于按照所述定义后的特征向量长度的分位,分别计算物体框的坐标、物体置信度、物体框的类别和类别置信度、物体框的严重等级和严重等级置信度;过滤子单元3052,用于对物体框进行过滤和后处理,得到目标物体框;第二计算子单元3053,用于根据目标物体框的物体置信度、类别置信度和严重等级置信度计算最终置信度。
在一实施例中,如图8所示,所述第一计算子单元3051包括归一化模块30511以及坐标计算模块30512。
归一化模块30511,用于将表示坐标的特征向量长度位进行归一化处理;坐标计算模块30512,用于计算锚点的偏移量、锚框的中心坐标和物体框锚框的长宽。
在一实施例中,如图9所示,上述的过滤子单元3052包括物体框过滤模块30521以及去除模块30522。
物体框过滤模块30521,用于过滤初始物体置信度小于设定置信度阈值的物体框,以得到中间物体框;去除模块30522,用于通过非极大值抑制去除所述中间物体框中重合度超过设定重合度阈值的物体框,以得到目标物体框。
在一实施例中,所述上传单元307,用于上传所述道路图像、物体框的严重等级以及物体框坐标;所述物体框的严重等级包括多个程度不同的等级,按照不同颜色来区分显示。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述道路绿化破损识别装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述道路绿化破损识别装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种道路绿化破损识别方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种道路绿化破损识别方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取道路图像;对所述道路图像进行特征提取,以得到特征向量;对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;解析定义后的特征向量,以得到解析结果;对所述定义后的特征向量计算置信度,以得到计算结果;根据所述计算结果判断所述道路图像中是否存在绿化破损情况;若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
其中,采用设定损失函数对特征向量进行定义,所述设定损失函数模型包括物体框的损失计算函数、物体损失函数、类别损失函数以及严重程度损失函数。
在一实施例中,处理器502在实现所述解析定义后的特征向量,以得到解析结果步骤时,具体实现如下步骤:
将定义后的特征向量按照至少3个维度来表征,3个维度分别为每个锚点对应的锚框数量、图像上的锚点数量和特征向量长度;特征向量长度按照坐标回归值、置信度回归值、类别分布概率和严重等级分布概率进行分位表示。
在一实施例中,处理器502在实现所述对所述定义后的特征向量计算置信度,以得到计算结果步骤时,具体实现如下步骤:
按照所述定义后的特征向量长度的分位,分别计算物体框的坐标、物体置信度、物体框的类别和类别置信度、物体框的严重等级和严重等级置信度;对物体框进行过滤和后处理,得到目标物体框;根据目标物体框的物体置信度、类别置信度和严重等级置信度计算最终置信度。
在一实施例中,处理器502在实现所述计算物体框的坐标步骤时,具体实现如下步骤:
将表示坐标的特征向量长度位进行归一化处理;计算锚点的偏移量、锚框的中心坐标和物体框锚框的长宽。
在一实施例中,处理器502在实现所述上传所述对物体框进行过滤和后处理步骤时,具体实现如下步骤:
过滤初始物体置信度小于设定置信度阈值的物体框,以得到中间物体框;通过非极大值抑制去除所述中间物体框中重合度超过设定重合度阈值的物体框,以得到目标物体框。
在一实施例中,处理器502在实现所述上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标步骤时,具体实现如下步骤:
上传所述道路图像、物体框的严重等级以及物体框坐标;按照物体框内的综合颜色和不同颜色占物体框的面积比例来进行等级划分。。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取道路图像;对所述道路图像进行特征提取,以得到特征向量;对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;解析定义后的特征向量,以得到解析结果;对所述定义后的特征向量计算置信度,以得到计算结果;根据所述计算结果判断所述道路图像中是否存在绿化破损情况;若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
其中,采用设定损失函数对特征向量进行定义,所述设定损失函数模型包括物体框的损失计算函数、物体损失函数、类别损失函数以及严重程度损失函数。
在一实施例中,所述处理器在执行所述计算机程序而实现所述解析定义后的特征向量,以得到解析结果步骤时,具体实现如下步骤:
将定义后的特征向量按照至少3个维度来表征,3个维度分别为每个锚点对应的锚框数量、图像上的锚点数量和特征向量长度;特征向量长度按照坐标回归值、置信度回归值、类别分布概率和严重等级分布概率进行分位表示。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述定义后的特征向量计算置信度,以得到计算结果步骤时,具体实现如下步骤:
按照所述定义后的特征向量长度的分位,分别计算物体框的坐标、物体置信度、物体框的类别和类别置信度、物体框的严重等级和严重等级置信度;对物体框进行过滤和后处理,得到目标物体框;根据目标物体框的物体置信度、类别置信度和严重等级置信度计算最终置信度。
在一实施例中,所述处理器在执行所述计算物体框的坐标步骤时,具体实现如下步骤:
将表示坐标的特征向量长度位进行归一化处理;计算锚点的偏移量、锚框的中心坐标和物体框锚框的长宽。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对物体框进行过滤和后处理步骤时,具体实现如下步骤:
过滤初始物体置信度小于设定置信度阈值的物体框,以得到中间物体框;通过非极大值抑制去除所述中间物体框中重合度超过设定重合度阈值的物体框,以得到目标物体框。
在一实施例中,所述处理器在执行所述计算机程序而实现所述上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标步骤时,具体实现如下步骤:
上传所述道路图像、物体框的严重等级以及物体框坐标;按照物体框内的综合颜色和不同颜色占物体框的面积比例来进行等级划分。。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.道路绿化破损识别方法,其特征在于,包括:
获取道路图像;
对所述道路图像进行特征提取,以得到特征向量;
对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;
解析定义后的特征向量,以得到解析结果;
对所述定义后的特征向量计算置信度,以得到计算结果;
根据所述计算结果判断所述道路图像中是否存在绿化破损情况;
若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
2.根据权利要求1所述的道路绿化破损识别方法,其特征在于,所述解析定义后的特征向量,以得到解析结果,具体为:
将定义后的特征向量按照至少3个维度来表征,3个维度分别为每个锚点对应的锚框数量、图像上的锚点数量和特征向量长度;特征向量长度按照坐标回归值、置信度回归值、类别分布概率和严重等级分布概率进行分位表示。
3.根据权利要求2所述的道路绿化破损识别方法,其特征在于,所述对所述定义后的特征向量计算置信度,以得到计算结果,包括:
按照所述定义后的特征向量长度的分位,分别计算物体框的坐标、物体置信度、物体框的类别和类别置信度、物体框的严重等级和严重等级置信度;
对物体框进行过滤和后处理,得到目标物体框;
根据目标物体框的物体置信度、类别置信度和严重等级置信度计算最终置信度。
4.根据权利要求3所述的道路绿化破损识别方法,其特征在于,所述物体框的坐标计算过程包括:
将表示坐标的特征向量长度位进行归一化处理;
计算锚点的偏移量、锚框的中心坐标和物体框的长宽。
5.根据权利要求4所述的道路绿化破损识别方法,其特征在于,所述对物体框进行过滤和后处理,包括:
过滤初始物体置信度小于设定置信度阈值的物体框,以得到中间物体框;
通过非极大值抑制去除所述中间物体框中重合度超过设定重合度阈值的物体框,以得到目标物体框。
6.根据权利要求5所述的道路绿化破损识别方法,其特征在于,所述上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,包括:
上传所述道路图像、物体框的严重等级以及物体框坐标;所述物体框的严重等级按照物体框内的综合颜色和不同颜色占物体框的面积比例来进行等级划分;其中,物体框的严重等级是采用标注不同严重等级的物体框训练形成的模型分析得到的。
7.根据权利要求6所述的道路绿化破损识别方法,其特征在于,所述采用标注不同严重等级的物体框训练形成的模型包括:在多个网络层中加入不同大小的空洞卷积,在空洞卷积层中设置不同的间隔像素以提取道路图像中绿化区域的像素特征,将所述像素特征及其像素特征值拼成道路图像中绿化区域的语义特征图,根据该语义特征图对严重等级进行分类。
8.道路绿化破损识别装置,其特征在于,包括:
图像获取单元,用于获取道路图像;
提取单元,用于对所述道路图像进行特征提取,以得到特征向量;
定义单元,用于对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;
解析单元,用于解析定义后的特征向量,以得到解析结果;
计算单元,用于对所述定义后的特征向量计算置信度,以得到计算结果;
判断单元,用于根据所述计算结果判断所述道路图像中是否存在绿化破损情况;
上传单元,用于若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665475.1A CN116630716B (zh) | 2023-06-06 | 2023-06-06 | 道路绿化破损识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665475.1A CN116630716B (zh) | 2023-06-06 | 2023-06-06 | 道路绿化破损识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630716A true CN116630716A (zh) | 2023-08-22 |
CN116630716B CN116630716B (zh) | 2024-05-24 |
Family
ID=87591913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310665475.1A Active CN116630716B (zh) | 2023-06-06 | 2023-06-06 | 道路绿化破损识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630716B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678707A (zh) * | 2013-12-30 | 2014-03-26 | 北京林业大学 | 一种行道树生态景观监测系统和方法 |
US20160292750A1 (en) * | 2014-04-01 | 2016-10-06 | Michelle Ritter | Process and system for determining the quality and condition of real property |
CN111062413A (zh) * | 2019-11-08 | 2020-04-24 | 深兰科技(上海)有限公司 | 一种道路目标检测方法、装置、电子设备及存储介质 |
CN111695609A (zh) * | 2020-05-26 | 2020-09-22 | 平安科技(深圳)有限公司 | 目标物损伤程度判定方法、装置、电子设备及存储介质 |
US10783643B1 (en) * | 2019-05-27 | 2020-09-22 | Alibaba Group Holding Limited | Segmentation-based damage detection |
CN112102299A (zh) * | 2020-09-18 | 2020-12-18 | 中德(珠海)人工智能研究院有限公司 | 基于三维建模的城市绿化监测方法、装置、设备和介质 |
CN113221947A (zh) * | 2021-04-04 | 2021-08-06 | 青岛日日顺乐信云科技有限公司 | 一种基于图像识别技术的工业质检方法及系统 |
CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
CN114429584A (zh) * | 2021-11-09 | 2022-05-03 | 南京师范大学 | 一种基于类别损失和差值检测的多目标小物体识别方法 |
CN114937033A (zh) * | 2022-06-27 | 2022-08-23 | 辽宁工程技术大学 | 一种基于深度卷积神经网络的农村公路路面病害智能检测方法 |
CN115482473A (zh) * | 2022-08-01 | 2022-12-16 | 天津生联智慧科技发展有限公司 | 提取航拍图像特征的图卷积网络模型及检测异常的方法 |
CN115546500A (zh) * | 2022-10-31 | 2022-12-30 | 西安交通大学 | 一种红外图像小目标检测方法 |
-
2023
- 2023-06-06 CN CN202310665475.1A patent/CN116630716B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678707A (zh) * | 2013-12-30 | 2014-03-26 | 北京林业大学 | 一种行道树生态景观监测系统和方法 |
US20160292750A1 (en) * | 2014-04-01 | 2016-10-06 | Michelle Ritter | Process and system for determining the quality and condition of real property |
US10783643B1 (en) * | 2019-05-27 | 2020-09-22 | Alibaba Group Holding Limited | Segmentation-based damage detection |
CN111062413A (zh) * | 2019-11-08 | 2020-04-24 | 深兰科技(上海)有限公司 | 一种道路目标检测方法、装置、电子设备及存储介质 |
CN111695609A (zh) * | 2020-05-26 | 2020-09-22 | 平安科技(深圳)有限公司 | 目标物损伤程度判定方法、装置、电子设备及存储介质 |
CN112102299A (zh) * | 2020-09-18 | 2020-12-18 | 中德(珠海)人工智能研究院有限公司 | 基于三维建模的城市绿化监测方法、装置、设备和介质 |
CN113221947A (zh) * | 2021-04-04 | 2021-08-06 | 青岛日日顺乐信云科技有限公司 | 一种基于图像识别技术的工业质检方法及系统 |
CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
CN114429584A (zh) * | 2021-11-09 | 2022-05-03 | 南京师范大学 | 一种基于类别损失和差值检测的多目标小物体识别方法 |
CN114937033A (zh) * | 2022-06-27 | 2022-08-23 | 辽宁工程技术大学 | 一种基于深度卷积神经网络的农村公路路面病害智能检测方法 |
CN115482473A (zh) * | 2022-08-01 | 2022-12-16 | 天津生联智慧科技发展有限公司 | 提取航拍图像特征的图卷积网络模型及检测异常的方法 |
CN115546500A (zh) * | 2022-10-31 | 2022-12-30 | 西安交通大学 | 一种红外图像小目标检测方法 |
Non-Patent Citations (1)
Title |
---|
李鹏鹏 等: "车载LiDAR点云中道路绿化带提取与动态分析", 地球信息科学学报, vol. 22, no. 02, 25 February 2020 (2020-02-25), pages 268 - 278 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630716B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
US10803116B2 (en) | Logo detection system for automatic image search engines | |
CN109087363B (zh) | 一种基于hsv颜色空间的污水排放检测方法 | |
CN111862143A (zh) | 一种河堤坍塌自动监测方法 | |
CN114387455A (zh) | 一种基于人工智能的污水排放实时监测方法、系统及设备 | |
CN113781510A (zh) | 边缘检测方法、装置及电子设备 | |
CN114494826A (zh) | 一种多水尺水位识别方法、系统、电子设备以及可存储介质 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN116630716B (zh) | 道路绿化破损识别方法、装置、计算机设备及存储介质 | |
CN108985350B (zh) | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN111163332A (zh) | 视频色情度检测方法、终端及介质 | |
CN110796068A (zh) | 社区泳池溺水检测方法及系统 | |
CN115496716A (zh) | 基于深度学习的单双微核细胞图像检测方法及相关设备 | |
Lee et al. | Contour-based detection and quantification of tar spot stromata using red-green-blue (RGB) imagery | |
CN116563193A (zh) | 图像相似性度量方法及其装置 | |
CN112801112B (zh) | 一种图像二值化处理方法、装置、介质及设备 | |
CN116168012A (zh) | 色斑检测模型训练方法、装置和计算机设备 | |
CN117349734B (zh) | 水表设备识别方法、装置、电子设备及存储介质 | |
CN112560929B (zh) | 溢油区域确定方法及装置、存储介质 | |
CN117522869B (zh) | 图像处理方法和缺陷检测方法、系统、电子设备 | |
CN117350985B (zh) | 井盖病害检测方法、装置、计算机设备及存储介质 | |
CN117392009B (zh) | 图像自动透雾处理方法、系统、终端及存储介质 | |
CN114299385B (zh) | 基于光学和雷达耦合的农作物涝灾等级监测方法及系统 |
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 |