CN117560566A - 一种在航船舶水尺放大增强抓拍方法 - Google Patents
一种在航船舶水尺放大增强抓拍方法 Download PDFInfo
- Publication number
- CN117560566A CN117560566A CN202311505051.5A CN202311505051A CN117560566A CN 117560566 A CN117560566 A CN 117560566A CN 202311505051 A CN202311505051 A CN 202311505051A CN 117560566 A CN117560566 A CN 117560566A
- Authority
- CN
- China
- Prior art keywords
- ship
- water gauge
- snapshot
- zoom
- adjustment
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003321 amplification Effects 0.000 title description 4
- 238000003199 nucleic acid amplification method Methods 0.000 title description 4
- 230000006870 function Effects 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000002507 cathodic stripping potentiometry Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised 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
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/69—Control of means for changing angle of the field of view, e.g. optical zoom objectives or electronic zooming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种在航船舶水尺放大增强抓拍方法，包括：获取船舶水尺图像数据集，对yolov5模型进行训练，得到船舶水尺定位模型；在抓拍相机初始预设变倍Z0下，检测船舶在抓拍相机画面中的位置，对抓拍相机变倍进行第一次调整，根据第一次调整后的变倍对在航船舶进行抓拍；根据第一次调整变倍后抓拍到的船舶图像，利用训练得到的船舶水尺定位模型对在航船舶水尺进行定位，对抓拍相机变倍进行第二次调整，根据第二次调整后的变倍以及水尺定位对在航船舶水尺部位进行抓拍，从而得到船舶水尺放大增强图像。本发明通过高分辨率的成像和放大功能，允许抓拍者即使是在遥远的距离或者极度低光条件下也能精确地定位和观察目标。
Description
技术领域
本发明涉及一种在航船舶水尺放大增强抓拍方法，属于航道船舶检测和抓拍技术领域。
背景技术
船舶水尺是船舶上用于测量船舶吃水及载重的标志物，其准确识别对于安全导航、港口管理和海事执法具有关键意义。近年来，船舶检测与抓拍方向的技术日趋成熟，主要集中在对船舶本身及船舶船名的检测、抓拍和识别，船舶水尺尺寸较小、细节较多，与一般的船舶抓拍有所区别，船舶水尺的抓拍较难实现，目前尚未有针对船舶水尺图像的抓拍方法。
常用的船舶抓拍方法是采用雷达/AIS进行目标检测，检测到有船只经过后触发相机进行抓拍，这种方法对水尺图像清晰抓拍的比例不高，大部分无法对在航船舶水尺的细节特征进行准确抓拍，无法达到对在航船舶识别查看水尺读数的目的。
发明内容
本发明所要解决的技术问题是：提供一种在航船舶水尺放大增强抓拍方法，通过高分辨率的成像和放大功能，允许抓拍者即使是在遥远的距离或者极度低光条件下也能精确地定位和观察目标。
本发明为解决上述技术问题采用以下技术方案：
一种在航船舶水尺放大增强抓拍方法，包括如下步骤：
步骤1，获取船舶水尺图像数据集，利用所述船舶水尺图像数据集对yoloV5模型进行训练，得到船舶水尺定位模型；
步骤2，在抓拍相机初始预设变倍Z0下，当检测到在航船舶完全进入检测相机画面时，检测船舶在检测相机画面中的位置，对抓拍相机变倍进行第一次调整，根据第一次调整后的变倍对在航船舶进行抓拍，第一次调整后的变倍为：
其中，Z1为第一次调整后的变倍，n为第一次调整变倍后抓拍到的船舶图像数量，k为修正参数，x1为检测相机检测出的船舶矩形框左下角X轴坐标，x2为检测相机检测出的船舶矩形框右上角X轴坐标；
步骤3，根据第一次调整变倍后抓拍到的船舶图像，利用步骤1训练得到的船舶水尺定位模型对在航船舶水尺进行定位，对抓拍相机变倍进行第二次调整，根据第二次调整后的变倍以及水尺定位对在航船舶水尺部位进行抓拍，从而得到船舶水尺放大增强图像，第二次调整后的变倍为：
其中，将抓拍相机所在经纬度的日出时间之后的时间至日落时间之前的时间定义为白天，其他时间定义为夜间，Z为第二次调整后的变倍，x＝min{x1,x2,…,xn}，y＝min{y1,y2,…,yn}，x1,x2,…,xn分别为水尺在水平方向上占第一次调整变倍后抓拍到的第一张、第二张、…、第n张船舶图像的比例，y1,y2,…,yn分别为水尺在垂直方向上占第一次调整变倍后抓拍到的第一张、第二张、…、第n张船舶图像的比例。
作为本发明的一种优选方案，所述步骤1的具体过程如下：
1)获取包含水尺的船舶图像数据集，数据集中的船舶图像不少于5000张，且数据集中的船舶图像包括不同应用场景下不同类型船舶水尺，应用场景包括白天和夜间，船舶类型包括货船、客船、滚装船、拖船、集装箱船以及公务船；
2)对1)获取的船舶图像数据集中的船舶图像进行标注，标注水尺框并提供对应的类别标签，类别标签包括是水尺和不是水尺两类；
3)利用标注后的数据集对yoloV5模型进行训练，利用反向传播算法优化模型的参数，得到船舶水尺定位模型。
作为本发明的一种优选方案，根据权利要求2所述的在航船舶水尺放大增强抓拍方法，其特征在于，所述yoloV5模型包括输入端、主干网络、Neck网络和输出端；输入端采用Mosaic数据增强，对包含水尺的船舶图像数据集进行随机缩放、随机裁剪和随机排布；主干网络包括Focus模块和CSP模块，Focus模块用于对输入端数据增强后的图像进行聚焦和压缩，将高分辨率图像转化为低分辨率图像；输出端采用GIOU_Loss损失函数，GIOU_Loss损失函数的公式为：其中，IOULoss为GIOU_Loss损失，A为真实标签，B为预测标签。
作为本发明的一种优选方案，所述步骤2中，n不小于3，k的取值为1.18。
一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够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所述的在航船舶水尺放大增强抓拍方法的步骤。
一种计算机可读存储介质，所述计算机可读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上所述的在航船舶水尺放大增强抓拍方法的步骤。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明提供一种适用于在航船舶的水尺放大增强抓拍技术，该项技术解决了在航船舶水尺细节聚焦不清的难题，使用该技术抓拍的水尺照片具有成像高清、细节人眼可辨。通过高分辨率的成像和放大功能，允许操作者精确地定位和观察目标，即使是在遥远的距离或者极度低光条件下。采用光学变焦、数字放大或者其他高级成像技术来实现，从而确保目标细节的清晰可见性。
2、采用本发明方法，白天水尺拍清比例由20％提升至95％，夜间水尺拍清比例由不到10％提升至90％。
附图说明
图1是本发明一种在航船舶水尺放大增强抓拍方法的流程图；
图2是船舶水尺标注示意图；
图3是水尺放大增强抓拍效果图；
图4是yoloV5模型结构图；
图5是yoloV5模型中的Focus模块结构图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，为本发明提出的一种在航船舶水尺放大增强抓拍方法的流程图，具体步骤如下：
步骤一：训练水尺定位模型，得到水尺定位算法。(1)先收集包含水尺的图像数据集，数据集应该不少于5000张，包含各种应用场景下的不同船舶的水尺图。(2)对数据集进行标注，为每个水尺框出边界框并提供对应的类别标签，如图2所示。(3)运用yoloV5模型训练水尺图像，训练过程涉及将图像输入模型，并通过反向传播算法优化模型的参数，使其能够准确地检测和定位水尺。
yoloV5网络结构模型，如图4所示，该模型由四个部分构成，主要分为输入端、主干网络(Backbone)、Neck网络、和输出端(Prediction)。
输入端：采用Mosaic数据增强，对吃水线数据集进行随机缩放、随机裁剪、随机排布。
选择四个不同的图像：从训练数据集中选择四个不同的图像。
随机选择一个主图像：从这四个图像中随机选择一个作为主图像。
随机选择三个辅助图像：从剩下的三个图像中随机选择三个。
调整图像大小和位置：将辅助图像调整大小并随机放置在主图像周围，形成一个合成的Mosaic图像。这模拟了不同目标和背景之间的多样性。
生成标签：生成合成图像的标签，通常是主图像中的物体和其对应的位置信息。
主干网络，主要由Focus模块和CSP结构构成。
Focus模块的主要作用是将输入图像的信息进行聚焦和压缩，从而减少计算复杂度，并保留图像中的重要特征。它通常用于处理高分辨率的输入图像，将其转化为适合进一步处理的低分辨率特征图。Focus模块的结构如图5所示。
原始为640*640*3的图像，经过Focus结构，采用切片(slice)操作，先变成320*320*12的特征图，拼接(Concat)后，再金国以及卷积操作，最终变成320*320*64的特征图。
YoloV5中有两种结构的CSP，CSP1 X结构在Backbone主干网络中，另一种CSP2 X结构在Neck中。对于Backbone的主干网络结构，CSP模块中的卷积核大小都是3*3，步长为2。假如输入的图像尺寸是608*608，那么它的特征图变化的规律是：608*608->304*304->152*152->76*76->38*38->19*19，最终得到了一个19*19大小的特征图。
输出端主要由GIOU_Loss损失函数构成。
GIOU_Loss损失函数公式为：
模型训练时采用5000张图像进行标注，按8:1:1的比例，划分训练集、验证集和测试集，最终模型精度95.57％，召回率96.7％。
步骤二：相机像素为1920*1080，初始变倍为Z0，在Z0＝1变倍下检测模型检测到船舶在图像中的位置(x1,x2,L1,y2)，第一次将变倍调整为Z1：
使得船舶正好拍摄n张照片，n＝3,4,5,…，k为修正参数，取1.18。
步骤三：对步骤二中的图像定位到水尺后，调整抓拍相机，其中x为水尺在水平方向上占所有拍摄图像比例中的最小值，y为水尺在垂直方向上占所有拍摄图像比例中的最小值，按照如下调整公式调整变倍：
白天：
夜间：
使用水尺定位模型之前，白天水尺拍清比例为20％，夜间不到10％，使用模型之后白天提升到95％，夜间达到90％，水尺放大增强抓拍效果如图3所示。
基于同一发明构思，本申请实施例提供一种计算机设备，包括存储器、处理器，以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现前述的在航船舶水尺放大增强抓拍方法的步骤。
基于同一发明构思，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现前述的在航船舶水尺放大增强抓拍方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (6)
1.一种在航船舶水尺放大增强抓拍方法，其特征在于，包括如下步骤：
步骤1，获取船舶水尺图像数据集，利用所述船舶水尺图像数据集对yoloV5模型进行训练，得到船舶水尺定位模型；
步骤2，在抓拍相机初始预设变倍Z0下，当检测到在航船舶完全进入检测相机画面时，检测船舶在检测相机画面中的位置，对抓拍相机变倍进行第一次调整，根据第一次调整后的变倍对在航船舶进行抓拍，第一次调整后的变倍为：
其中，Z1为第一次调整后的变倍，n为第一次调整变倍后抓拍到的船舶图像数量，k为修正参数，x1为检测相机检测出的船舶矩形框左下角X轴坐标，x2为检测相机检测出的船舶矩形框右上角X轴坐标；
步骤3，根据第一次调整变倍后抓拍到的船舶图像，利用步骤1训练得到的船舶水尺定位模型对在航船舶水尺进行定位，对抓拍相机变倍进行第二次调整，根据第二次调整后的变倍以及水尺定位对在航船舶水尺部位进行抓拍，从而得到船舶水尺放大增强图像，第二次调整后的变倍为：
其中，将抓拍相机所在经纬度的日出时间之后的时间至日落时间之前的时间定义为白天，其他时间定义为夜间，Z为第二次调整后的变倍，x＝min{x1，x2，…，xn}，y＝min{y1，y2，…，yn}，x1，x2，…，xn分别为水尺在水平方向上占第一次调整变倍后抓拍到的第一张、第二张、…、第n张船舶图像的比例，y1，y2，…，yn分别为水尺在垂直方向上占第一次调整变倍后抓拍到的第一张、第二张、…、第n张船舶图像的比例。
2.根据权利要求1所述的在航船舶水尺放大增强抓拍方法，其特征在于，所述步骤1的具体过程如下：
1)获取包含水尺的船舶图像数据集，数据集中的船舶图像不少于5000张，且数据集中的船舶图像包括不同应用场景下不同类型船舶水尺，应用场景包括白天和夜间，船舶类型包括货船、客船、滚装船、拖船、集装箱船以及公务船；
2)对1)获取的船舶图像数据集中的船舶图像进行标注，标注水尺框并提供对应的类别标签，类别标签包括是水尺和不是水尺两类；
3)利用标注后的数据集对yoloV5模型进行训练，利用反向传播算法优化模型的参数，得到船舶水尺定位模型。
3.根据权利要求2所述的在航船舶水尺放大增强抓拍方法，其特征在于，所述yoloV5模型包括输入端、主干网络、Neck网络和输出端；输入端采用Mosaic数据增强，对包含水尺的船舶图像数据集进行随机缩放、随机裁剪和随机排布；主干网络包括Focus模块和CSP模块，Focus模块用于对输入端数据增强后的图像进行聚焦和压缩，将高分辨率图像转化为低分辨率图像；输出端采用GIOU_Loss损失函数，GIOU_Loss损失函数的公式为：其中，IOULoss为GIOU_Loss损失，A为真实标签，B为预测标签。
4.根据权利要求1所述的在航船舶水尺放大增强抓拍方法，其特征在于，所述步骤2中，抓拍相机的像素为1920*1080，n不小于3，k的取值为1.18。
5.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的在航船舶水尺放大增强抓拍方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至4任一项所述的在航船舶水尺放大增强抓拍方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311505051.5A CN117560566A (zh) | 2023-11-13 | 2023-11-13 | 一种在航船舶水尺放大增强抓拍方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311505051.5A CN117560566A (zh) | 2023-11-13 | 2023-11-13 | 一种在航船舶水尺放大增强抓拍方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117560566A true CN117560566A (zh) | 2024-02-13 |
Family
ID=89817887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311505051.5A Pending CN117560566A (zh) | 2023-11-13 | 2023-11-13 | 一种在航船舶水尺放大增强抓拍方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117560566A (zh) |
-
2023
- 2023-11-13 CN CN202311505051.5A patent/CN117560566A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113436258B (zh) | 基于视觉与激光雷达融合的海上浮码头检测方法及系统 | |
| US20210227144A1 (en) | Target tracking method and device, movable platform, and storage medium | |
| CN107506406B (zh) | 一种输电线路杆塔照片归档方法及系统 | |
| CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
| CN112102141B (zh) | 水印的检测方法、装置、存储介质以及电子设备 | |
| CN113505781B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| CN109447902B (zh) | 一种图像拼接方法、装置、储存介质及设备 | |
| CN109829421B (zh) | 车辆检测的方法、装置及计算机可读存储介质 | |
| CN116385911A (zh) | 一种用于无人机巡检绝缘子的轻量型目标检测方法 | |
| CN116719031B (zh) | 一种合成孔径雷达sar图像的海洋涡旋检测方法及系统 | |
| CN117095246A (zh) | 基于偏振成像的深度学习指针仪表读数识别方法 | |
| CN115861922B (zh) | 一种稀疏烟火检测方法、装置、计算机设备及存储介质 | |
| CN116883870A (zh) | 一种基于深度学习的无人机落石目标检测方法及装置 | |
| CN115235493B (zh) | 一种基于矢量地图进行自动驾驶定位的方法及装置 | |
| CN116740135A (zh) | 红外弱小目标跟踪方法、装置、电子设备及存储介质 | |
| CN117560566A (zh) | 一种在航船舶水尺放大增强抓拍方法 | |
| CN116563844A (zh) | 圣女果成熟度检测方法、装置、设备及存储介质 | |
| CN115883969A (zh) | 一种无人机拍摄方法、装置、设备及介质 | |
| CN114782556A (zh) | 相机与激光雷达的配准方法、系统及存储介质 | |
| JP2018124740A (ja) | 画像検索システム、画像検索方法及び画像検索プログラム | |
| CN112308812A (zh) | 一种检测图片清晰度的方法、终端和存储介质 | |
| CN117726666B (zh) | 跨相机单目图片度量深度估计方法、装置、设备及介质 | |
| CN117893990B (zh) | 道路标志检测方法、装置和计算机设备 | |
| US20240037889A1 (en) | Image processing device, image processing method, and program recording medium | |
| CN118130503A (zh) | 一种物体缺陷检测方法、系统、存储介质和电子设备 |
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 |