CN117523318B - 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 - Google Patents
一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 Download PDFInfo
- Publication number
- CN117523318B CN117523318B CN202311797188.2A CN202311797188A CN117523318B CN 117523318 B CN117523318 B CN 117523318B CN 202311797188 A CN202311797188 A CN 202311797188A CN 117523318 B CN117523318 B CN 117523318B
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- sample
- shielding door
- subway
- network
- 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
- 238000001514 detection method Methods 0.000 title claims description 18
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005286 illumination Methods 0.000 claims abstract description 13
- 230000003321 amplification Effects 0.000 claims abstract description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- IHQKEDIOMGYHEB-UHFFFAOYSA-M sodium dimethylarsinate Chemical class [Na+].C[As](C)([O-])=O IHQKEDIOMGYHEB-UHFFFAOYSA-M 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
Abstract
本发明公开了一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质，涉及图像处理技术领域，包括步骤：分别获取不同光照条件下的屏蔽门处有异物和无异物的样本图片集；对有异物样本图片集进行异物类别及坐标标签，并根据地铁屏蔽门自身场景特点，对各样本图片进行预设缩放比例下的调整；在进行样本扩增后，将尺寸调整后的样本图片输入权重节点缩减后的YOLO优化网络进行地铁屏蔽门异物识别训练；通过训练后的YOLO优化网络对目标地铁屏蔽门采集图像进行异物判定值获取。本发明通过改进的YOLO网络进行异物识别，提高了异物识别准确率以及网络响应速度，并能通过不同大小不同类别的异物配置响应的灵敏度阈值，以实现较复杂的判断逻辑。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质。
背景技术
目前，对地铁障碍物的检测有多种方法，包括红外光幕法、激光探测法。其中，红外光幕法由红外发射器、红外接收器和主机组成，由于发射器发射的信号为红外光，光斑随着探测距离的增加逐渐增大，故不适于远距离检测。激光控制法与红外光幕法类似，针对曲线站台，设备数量增加后，误报率也相应增加，设备安装在列车与站台门之间，检测区域受限，虽然没有侵入列车限界，但超出站台的设备限界、对行车安全也存在较大隐患。
同时，地铁屏蔽门已有的视觉异物检测方案中多使用图像差分和深度学习进行分类的方法，两者对光照的抗干扰能力差，后者无法通过深度学习分类后进一步进行逻辑上的判断。因此，设计一种准确率高的地铁障碍物的检测方法，是目前亟待解决的问题。
发明内容
为更好的对地铁屏蔽门处的异物进行检测，本发明提出了一种抗光干扰的地铁屏蔽门异物检测方法，包括步骤：
S1：分别获取不同光照条件下的屏蔽门处有异物和无异物的样本图片集；
S2：对有异物样本图片集进行异物类别及坐标标签，并根据地铁屏蔽门自身场景特点，对各样本图片进行预设缩放比例下的调整；
S3：在进行样本扩增后，将尺寸调整后的样本图片输入权重节点缩减后的YOLO优化网络进行地铁屏蔽门异物识别训练；
S4：通过训练后的YOLO优化网络对目标地铁屏蔽门采集图像进行异物判定值获取。
进一步地，所述样本图片通过加装有滤光片的摄像头进行采集。
进一步地，所述S1步骤中，不同光照条件包括不同光照强度下的自然光环境和非自然光环境。
进一步地，所述S2步骤中，预设缩放比例下的调整具体为：
根据摄像头采集到的地铁屏蔽门图片尺寸，进行便于神经网络输入数据处理的缩放调整。
进一步地，所述S3步骤中，在进行样本扩增前还包括步骤：
S301：根据标签进行有异物图像样本中的异物背景抠除，并保存异物前景样本；
S302：通过对异物前景样本进行扩增，并与无异物样本进行随机合成；
S303：根据随机合成前异物的标签对随机合成后的有异物样本图片集进行异物类别及坐标标签。
进一步地，所述扩增包括缩放、旋转、亮度、翻折。
进一步地，根据目标地铁屏蔽门采集图像中屏蔽门开启后的通行区域，以及通行区域两侧屏蔽门内外区域，进行区域划分。
进一步地，所述S4步骤中，根据不同预设预设异物判别的阈值，进行异物识别的判定与地铁屏蔽门的紧急开启控制。
还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述抗光干扰的地铁屏蔽门异物检测方法的步骤。
还包括一种处理数据的装置，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现所述抗光干扰的地铁屏蔽门异物检测方法的步骤。
与现有技术相比，本发明至少含有以下有益效果：
（1）本发明所述的一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质，对输入图像在最大保持原图像比例的情况下进行神经网络输入的适应化缩放，避免了图像过缩放导致的异物误判，提高了异物识别准确率；
（2）通过减少卷积层，减少权重节点，从而提高了网络整体的响应速度；
（3）区别于常规的分类网络，采用改进后的YOLO网络识，能够识别出异物的类别、坐标、尺寸大小，从而通过不同大小不同类别的异物配置响应的灵敏度阈值，以实现较复杂的判断逻辑；
（4）通过滤光片的设置，屏蔽地坎处的反光，避免了反光对于网络的光干扰。
附图说明
图1为一种抗光干扰的地铁屏蔽门异物检测方法的步骤图；
图2为地铁屏蔽门处采集图像示例；
图3为地铁屏蔽门处采集图像ROI区域划分示例；
图4为YOLO优化网络结构示意图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
鉴于现有地铁屏蔽门异物识别方法存在的不足之处，如图1所示，本发明提出了一种抗光干扰的地铁屏蔽门异物检测方法，包括步骤：
S1：分别获取不同光照条件下的屏蔽门处有异物和无异物的样本图片集；
S2：对有异物样本图片集进行异物类别及坐标标签，并根据地铁屏蔽门自身场景特点，对各样本图片进行预设缩放比例下的调整；
S3：在进行样本扩增后，将尺寸调整后的样本图片输入权重节点缩减后的YOLO优化网络进行地铁屏蔽门异物识别训练；
S4：通过训练后的YOLO优化网络对目标地铁屏蔽门采集图像进行异物判定值获取。
其中，除了正常采集的有异物样本图片集外，本发明还在在列车门关闭状态下，通过安装有滤光片的摄像头拍摄地铁站台各列车门与屏蔽门之间无异物时的各种光照条件的图像，作为样本扩增的背景图像。并拍取地铁站台各列车门与屏蔽门之间有异物时的各种光照条件的图像，作为真实负样本。其中，滤光片是一种可以过滤特定波长的光，允许其他波长的光通过的光学元件。它是由特定的玻璃片制成的，可以吸收特定波长和偏振的光，而让其他波长的光通过，从而屏蔽掉地坎处的反光，增强抗光干扰性。不同光照条件可通过在不同时间段对不同阳光照射条件下的地铁屏蔽门进行图像采集实现，或通过在屏蔽门处增减光源以实现光照条件的改变。基于无异物样本图片的样本扩增具体包括如下步骤：
S301：根据标签进行有异物图像样本中的异物背景抠除，并保存异物前景样本；
S302：通过对异物前景样本进行扩增，并与无异物样本进行随机合成；
S303：根据随机合成前异物的标签对随机合成后的有异物样本图片集进行异物类别及坐标标签。
之后对处理后的无异物样本图片和原始的有异物样本图像进行包括缩放、旋转、亮度、翻折处理的扩增处理。从而生成海量不同正常背景图下的带标签有异物样本图片。
而因为进行地铁屏蔽异物判定处理的多为嵌入式设备，其算力会受到限制，因此基于现有神经网络架构，以YOLO网络为原型，对本发明所采用的神经网络模型进行了优化改进。
首先，如图2所示，为地铁屏蔽门处采集图像的示例，不难看出，其为长宽比严重不一致的长条形图像。而对于常规的神经网络来说，通常会将图像进行缩放，以矩形图像块的形式作为网络的输入，这就会导致长条形图像短边一侧与长边一侧的比例相较于原始比例严重失衡，这就会导致在实际检测过程中，短边侧的异物判定过于敏感，产生失真。因此为了避免该情况的发生，以原长宽比为5：1的图像为例，为了更加贴合神经网络对于输入数据的处理，本发明会先对输入图像进行一定的缩放处理。在这里，考虑到图像的数据存储通过采用二进制形式，因此，传统神经网络的输入图像，其规格尺寸大小多为（其中，N为常数），例如4×4、32×32、128×128等，也即是长宽边均为/>的幂次方。为了尽可能保持原图像的比例信息，同时保证图像的清晰度，本发明选用512*128（4:1的长宽比例）的输入图像尺度。从而避免比例失调带来的单边失真问题。
进一步地，当前主流的目标检测网络结构往往具有较深的网络，如YOLO的Darknet-53就是由53个卷积层构成，这大大增加了推理计算的时间。考虑到这一点，本发明提出通过减少卷积层，并增加全连接层的方式，在降低输入权重节点的基础上，通过增设全连接层保证特征提取的准确性。并通过大量实验最终选定由一个输入层（Input）、24个卷积层（卷积层Convolutional以及池化卷积层Maxpool，其中卷积层×3部分步长为1，非×3部分步长为2）和2个全连接层（FC）组成的YOLO优化网络（如图4所示）作为本发明最终的训练和检测网络。
在实际异物检测过程中，屏蔽门不同区域对于各类别异物的判别是存在不同灵敏度要求的。因此，如图3所示，首先，根据屏蔽门开启前后的通行区域（B）与非通行区域，将采集图像划分为三个区域，而后，根据屏蔽门内外的划分，将两个非通行区域进一步进行划分（A和C），从而最终获得如图所示的5个ROI区域（A、C、B、A、C）。对神经网络检测框中心落在每一个区域的不同大小、类别的目标物的阈值示例如下表1：
表1：分类阈值表
需要注意的是，表中设定的不同区域和异物大小的阈值需要根据实施方的灵敏度要求通过配置文件来设定和更改，这样一定需要调整和配置新的灵敏度时便无需更新程序，只需要更改配置文件即可。
而通过该表，即可对神经网络识别后的结果进行进一步的逻辑判断，如检测到车门则代表列车门仍未关闭，则再次采样进行目标检测，如检测到异物或人，则报警，并控制门打开。
同时，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述抗光干扰的地铁屏蔽门异物检测方法的步骤。
还包括一种处理数据的装置，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现所述抗光干扰的地铁屏蔽门异物检测方法的步骤。
综上所述，本发明所述的一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质，通过改进的YOLO网络，对输入图像在最大保持原图像比例的情况下进行神经网络输入的适应化缩放，避免了图像过缩放导致的异物误判，提高了异物识别准确率；通过减少卷积层，减少权重节点，从而提高了网络整体的响应速度。
区别于常规的分类网络，采用改进后的YOLO网络识，能够别出异物的类别、坐标、尺寸大小，从而通过不同大小不同类别的异物配置响应的灵敏度阈值，以实现较复杂的判断逻辑。而通过滤光片的设置，屏蔽地坎处的反光，避免了反光对于网络的光干扰。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
Claims (8)
1.一种抗光干扰的地铁屏蔽门异物检测方法，其特征在于，包括步骤：
S1：分别获取不同光照条件下的屏蔽门处有异物和无异物的样本图片集；
S2：对有异物样本图片集进行异物类别及坐标标签，并根据地铁屏蔽门自身场景特点，对各样本图片进行预设缩放比例下的调整；
S3：在进行样本扩增后，将尺寸调整后的样本图片输入权重节点缩减后的YOLO优化网络进行地铁屏蔽门异物识别训练；
S4：通过训练后的YOLO优化网络对目标地铁屏蔽门采集图像进行异物判定值获取；
所述S3步骤中，在进行样本扩增前还包括步骤：
S301：根据标签进行有异物图像样本中的异物背景抠除，并保存异物前景样本；
S302：通过对异物前景样本进行扩增，并与无异物样本进行随机合成；
S303：根据随机合成前异物的标签对随机合成后的有异物样本图片集进行异物类别及坐标标签；
所述样本图片通过加装有滤光片的摄像头进行采集；
所述权重节点缩减后的YOLO优化网络具体为：
以YOLO网络为原型，先对输入图像进行一定的缩放处理，通过减少卷积层，并增加全连接层的方式，选择由一个输入层、24个卷积层和2个全连接层组成的YOLO优化网络作为最终的训练和检测网络，其中24个卷积层包括卷积层以及池化卷积层，其中卷积层×3部分步长为1，非×3部分步长为2，并进一步对屏蔽门开启前后的不同区域进行划分，基于网络模型检测框中心落在每个区域的不同大小、类别设定对应于不同区域和异物大小的分类阈值，由此形成配置文件表；
所述配置文件表用于对神经网络识别后的结果进行进一步地逻辑判断。
2.如权利要求1所述的一种抗光干扰的地铁屏蔽门异物检测方法，其特征在于，所述S1步骤中，不同光照条件包括不同光照强度下的自然光环境和非自然光环境。
3.如权利要求1所述的一种抗光干扰的地铁屏蔽门异物检测方法，其特征在于，所述S2步骤中，预设缩放比例下的调整具体为：
根据摄像头采集到的地铁屏蔽门图片尺寸，进行便于神经网络输入数据处理的缩放调整。
4.如权利要求1所述的一种抗光干扰的地铁屏蔽门异物检测方法，其特征在于，所述扩增包括缩放、旋转、亮度、翻折。
5.如权利要求1所述的一种抗光干扰的地铁屏蔽门异物检测方法，其特征在于，根据目标地铁屏蔽门采集图像中屏蔽门开启后的通行区域，以及通行区域两侧屏蔽门内外区域，进行区域划分。
6.如权利要求5所述的一种抗光干扰的地铁屏蔽门异物检测方法，其特征在于，所述S4步骤中，根据不同预设异物判别的阈值，进行异物识别的判定与地铁屏蔽门的紧急开启控制。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6中任一项所述检测方法的步骤。
8.一种处理数据的装置，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的计算机程序，以实现权利要求1至6中任一项所述检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797188.2A CN117523318B (zh) | 2023-12-26 | 2023-12-26 | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797188.2A CN117523318B (zh) | 2023-12-26 | 2023-12-26 | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117523318A CN117523318A (zh) | 2024-02-06 |
| CN117523318B true CN117523318B (zh) | 2024-04-16 |
Family
ID=89756918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311797188.2A Active CN117523318B (zh) | 2023-12-26 | 2023-12-26 | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523318B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
| CN110780356A (zh) * | 2019-10-16 | 2020-02-11 | 上海众应信息科技有限公司 | 地铁站台间隙异物检测系统 |
| WO2020062433A1 (zh) * | 2018-09-29 | 2020-04-02 | 初速度（苏州）科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| CN111898418A (zh) * | 2020-06-17 | 2020-11-06 | 北京航空航天大学 | 一种基于t-tiny-yolo网络的人体异常行为检测方法 |
| WO2020235320A1 (ja) * | 2019-05-20 | 2020-11-26 | 株式会社Ihi | 異物検出システムおよび方法 |
| CN112116576A (zh) * | 2020-09-20 | 2020-12-22 | 中国人民解放军空军工程大学 | 基于偏振结构光成像和改进Mask R-CNN的缺陷检测方法 |
| WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
| CN112417978A (zh) * | 2020-10-26 | 2021-02-26 | 刘英杰 | 基于视觉的列车与屏蔽门之间异物检测方法及装置 |
| CN112487878A (zh) * | 2020-11-12 | 2021-03-12 | 卡斯柯信号有限公司 | 地铁屏蔽门与列车之间的异物检测方法、装置及存储介质 |
| CN113536963A (zh) * | 2021-06-25 | 2021-10-22 | 西安电子科技大学 | 基于轻量化yolo网络的sar图像飞机目标检测方法 |
| CN114120205A (zh) * | 2021-12-02 | 2022-03-01 | 云南电网有限责任公司信息中心 | 一种配网作业人员系安全带的目标检测和图像识别方法 |
| CN114549443A (zh) * | 2022-02-15 | 2022-05-27 | 宁波微科光电股份有限公司 | 一种异物探测方法、系统及存储介质 |
| CN114757925A (zh) * | 2022-04-22 | 2022-07-15 | 国网陕西省电力有限公司电力科学研究院 | 一种非接触式高压断路器缺陷检测方法及系统 |
| CN115346202A (zh) * | 2022-08-14 | 2022-11-15 | 浙江农林大学 | 一种基于神经网络的植物叶片病变识别方法 |
| JP2023089473A (ja) * | 2021-12-16 | 2023-06-28 | 株式会社日立製作所 | 列車制御システムおよび列車制御方法 |
| CN116630702A (zh) * | 2023-05-23 | 2023-08-22 | 吉林大学 | 一种基于语义分割网络的路面附着系数预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990097B (zh) * | 2021-04-13 | 2022-11-04 | 电子科技大学 | 一种基于对抗消除的人脸表情识别方法 |
-
2023
- 2023-12-26 CN CN202311797188.2A patent/CN117523318B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
| WO2020062433A1 (zh) * | 2018-09-29 | 2020-04-02 | 初速度（苏州）科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| WO2020235320A1 (ja) * | 2019-05-20 | 2020-11-26 | 株式会社Ihi | 異物検出システムおよび方法 |
| WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
| CN110780356A (zh) * | 2019-10-16 | 2020-02-11 | 上海众应信息科技有限公司 | 地铁站台间隙异物检测系统 |
| CN111898418A (zh) * | 2020-06-17 | 2020-11-06 | 北京航空航天大学 | 一种基于t-tiny-yolo网络的人体异常行为检测方法 |
| CN112116576A (zh) * | 2020-09-20 | 2020-12-22 | 中国人民解放军空军工程大学 | 基于偏振结构光成像和改进Mask R-CNN的缺陷检测方法 |
| CN112417978A (zh) * | 2020-10-26 | 2021-02-26 | 刘英杰 | 基于视觉的列车与屏蔽门之间异物检测方法及装置 |
| CN112487878A (zh) * | 2020-11-12 | 2021-03-12 | 卡斯柯信号有限公司 | 地铁屏蔽门与列车之间的异物检测方法、装置及存储介质 |
| CN113536963A (zh) * | 2021-06-25 | 2021-10-22 | 西安电子科技大学 | 基于轻量化yolo网络的sar图像飞机目标检测方法 |
| CN114120205A (zh) * | 2021-12-02 | 2022-03-01 | 云南电网有限责任公司信息中心 | 一种配网作业人员系安全带的目标检测和图像识别方法 |
| JP2023089473A (ja) * | 2021-12-16 | 2023-06-28 | 株式会社日立製作所 | 列車制御システムおよび列車制御方法 |
| CN114549443A (zh) * | 2022-02-15 | 2022-05-27 | 宁波微科光电股份有限公司 | 一种异物探测方法、系统及存储介质 |
| CN114757925A (zh) * | 2022-04-22 | 2022-07-15 | 国网陕西省电力有限公司电力科学研究院 | 一种非接触式高压断路器缺陷检测方法及系统 |
| CN115346202A (zh) * | 2022-08-14 | 2022-11-15 | 浙江农林大学 | 一种基于神经网络的植物叶片病变识别方法 |
| CN116630702A (zh) * | 2023-05-23 | 2023-08-22 | 吉林大学 | 一种基于语义分割网络的路面附着系数预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 于晓英 ; 苏宏升 ; 姜泽 ; 董昱 ; .基于YOLO的铁路侵限异物检测方法.兰州交通大学学报.2020,(第02期),正文. * |
| 刘伟铭 ; 杜逍睿 ; 李静宁 ; 郑仲星 ; .SOM与HL融合的地铁异物分类算法.铁道标准设计.2020,64(第07期),正文. * |
| 谭飞刚 ; 刘建 ; .一种基于计算机视觉的地铁站台异物检测算法.铁路计算机应用.2017,(第01期),正文. * |
| 谭飞刚 ; 刘开元 ; .基于机器视觉的地铁曲线型站台异物检测算法.深圳信息职业技术学院学报.2017,(第01期),正文. * |
| 钟映春 ; 孙思语 ; 吕帅 ; 罗志勇 ; 熊勇良 ; 何惠清 ; .铁塔航拍图像中鸟巢的YOLOv3识别研究.广东工业大学学报.2020,(第03期),正文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117523318A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101237089B1 (ko) | 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법 | |
| EP2485041B1 (en) | Method for processing body inspection image and body inspection device | |
| EP2686667B1 (en) | Mwir sensor for flame detection | |
| CN110298297B (zh) | 火焰识别方法和装置 | |
| KR20130032856A (ko) | 영상 감시 장치 및 영상 감시 방법 | |
| CN111981910A (zh) | 一种基于人工智能的低空防御系统 | |
| CN107798688A (zh) | 运动目标识别方法、预警方法以及汽车防追尾预警装置 | |
| CN107038691A (zh) | 基于云检测辅助的暗原色遥感影像去雾方法 | |
| CN112634577B (zh) | 用于烟雾报警的方法和设备 | |
| CN113128481A (zh) | 一种人脸活体检测方法、装置、设备及存储介质 | |
| CN111460917B (zh) | 基于多模态信息融合的机场异常行为检测系统及方法 | |
| CN117523318B (zh) | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 | |
| CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
| CN114120171A (zh) | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 | |
| CN112364884A (zh) | 一种移动物体侦测的方法 | |
| CN110084160B (zh) | 一种基于运动和亮度显著性特征的视频森林烟火检测方法 | |
| CN115713620A (zh) | 一种红外小目标检测方法、装置、计算设备及存储介质 | |
| KR102432675B1 (ko) | Cctv 영상을 이용한 수영장 입수자의 이상징후 및 익사사고 모니터링 및 안전경보 시스템 | |
| Pillai et al. | Detecting tail lights for analyzing traffic during night using image processing techniques | |
| CN113359847B (zh) | 基于无线电遥感技术的无人机反制方法、系统和存储介质 | |
| CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 | |
| CN115661753A (zh) | 一种基于YOLOv3的机房视频检测方法 | |
| Lee et al. | Infrared small target detection algorithm using an augmented intensity and density-based clustering | |
| JP2009115765A (ja) | 目標撮像探知装置 | |
| CN113627284B (zh) | 基于改进CenterNet的实时火焰检测方法及检测装置 |
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 |