CN117671496A - 一种无人机应用成果自动比对方法 - Google Patents
一种无人机应用成果自动比对方法 Download PDFInfo
- Publication number
- CN117671496A CN117671496A CN202311649470.6A CN202311649470A CN117671496A CN 117671496 A CN117671496 A CN 117671496A CN 202311649470 A CN202311649470 A CN 202311649470A CN 117671496 A CN117671496 A CN 117671496A
- Authority
- CN
- China
- Prior art keywords
- block
- value
- analyzed
- image
- determining
- 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 31
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种无人机应用成果自动比对方法，涉及图像处理技术领域，方法包括：获取无人机对目标区域拍摄得到的待处理图像，将待处理图像输入到图像分割模型中，得到多个检测对象；从待处理图像中分割得到多个待分析区块，每个待分析区块对应一个检测对象；确定每个待分析区块的分割阈值，基于分割阈值对每个待分析区块进行二值化处理，得到每个待分析区块的二值图像，基于二值图像计算每个待分析区块的特征值，基于多个特征值确定区块筛选阈值，从多个待分析区块中筛选出目标区块并输入到预训练得到的违建分析模型中，生成目标区域的违建分析结果。本发明实现了对无人机拍摄得到的建筑图像的自动分析，提高了对建筑图像的违建分析效率。
Description
技术领域
本发明涉及图像识别技术领域，更为具体的说，本发明涉及一种无人机应用成果自动比对方法。
背景技术
随着无人机技术与无线通信技术的发展，无人机航拍技术被广泛应用于各个领域。在违建监管领域上，通过无人机拍摄得到对不同区域的建筑图像，对建筑图像进行分析的检测技术极大地提升了对违章建筑的巡查效率。传统的基于人工对建筑图像进行分析的效率较低，且精确度不高，在将无人机应用于违建检测上后，如何提高对无人机的拍摄得到的图像进行高效分析，是目前亟待解决的问题。
发明内容
本发明提供一种无人机应用成果自动比对方法，用于对通过无人机拍摄得到的建筑图像进行高效分析，提升图像分析效率。
本发明的技术方案为：一种无人机应用成果自动比对方法，包括：
获取无人机对目标区域拍摄得到的待处理图像，将待处理图像输入到图像分割模型中，基于图像分割模型对待处理图像进行图像分割处理，得到多个检测对象；
提取多个检测对象的坐标信息，将多个检测对象映射在待处理图像中，从待处理图像中分割得到多个待分析区块，每个待分析区块对应一个检测对象；
确定每个待分析区块的分割阈值，基于分割阈值对每个待分析区块进行二值化处理，得到每个待分析区块的二值图像，基于二值图像计算每个待分析区块的特征值，基于多个特征值确定区块筛选阈值，通过区块筛选阈值从多个待分析区块中筛选出目标区块，将目标区块输入到预训练得到的违建分析模型中，生成目标区域的违建分析结果。
进一步地，确定每个待分析区块的分割阈值，包括：
分别对每个待分析区块进行灰度化处理，生成每个待分析区块的灰度直方图；
将所有待分析区块的灰度直方图进行特征融合，生成目标直方图；
确定目标直方图的第一参考灰度值和第二参考灰度值，对于第一参考灰度值和第二参考灰度值中分布的多个灰度值，分别以第一参考灰度值和第二参考灰度值为起点和终点遍历所有灰度值，基于第一参考灰度值确定目标谷值，其中，目标谷值为第一参考灰度值和第二参考灰度值中分布的多个灰度值中，最靠近第一参考灰度值的谷值，取目标谷值为分割阈值。
进一步地，基于二值图像计算每个待分析区块的特征值，包括：
对于任一二值图像，统计每个像素值的像素点数量，基于如下公式计算得到二值图像对应的特征值：
式中，E为特征值，A、B分别为二值图像中每类像素值的像素点的数量，max(A，B)为二值图像中每类像素值的像素点的数量中的数量最大值，SUM(A，B)为二值图像中每类像素值的像素点的数量之和。
进一步地，基于多个特征值确定区块筛选阈值，包括：
基于多个特征值生成特征值数量分布曲线，确定特征值数量分布曲线的最大峰值，以最大峰值对应的特征值为参考点，确定第一界限点和第二界限点，基于第一界限点和第二界限点确定特征选取范围；
筛选出位于特征选取范围内的多个特征值，统计位于特征选取范围内的多个特征值的特征均值，基于权重参数和特征均值确定筛选阈值。
进一步地，以最大峰值对应的特征值为参考点，确定第一界限点和第二界限点，包括：
第一界限点的确定包括：以参考点为移动起点，特征值减小的方向为移动方向，以预设步长为移动步长确定多个第一移动节点，遍历多个第一移动节点，计算每个第一移动节点的梯度值，记首个梯度值小于预设梯度阈值的第一移动节点为第一界限点；
第二界限点的确定包括：以参考点为移动起点，特征值增大的方向为移动方向，以预设步长为移动步长确定多个第二移动节点，遍历多个第二移动节点，计算每个第二移动节点的梯度值，记首个梯度值小于预设梯度阈值的第二移动节点为第二界限点。
进一步地，通过区块筛选阈值从多个待分析区块中筛选出目标区块，将目标区块输入到预训练得到的违建分析模型中，生成目标区域的违建分析结果，包括：
对于任一待分析区块，若待分析区块的特征值大于区块筛选阈值，则将待分析区块记为目标区块；
将所有目标区块输入到违建分析模型中，生成目标区域的违建分析结果。
进一步地，违建分析模型为神经网络模型，对违建分析模型的训练包括：
获取由多张航拍建筑图像组成的样本数据集，对每张航拍建筑图像进行人工标注，确定每栋建筑的位置信息，通过标注好的样本数据集对违建分析模型进行模型训练，得到训练好的违建分析模型。
进一步地，对于违建分析模型，还包括：
违建分析模型为YOLOv5模型。
本发明的优点如下：
本发明通过对待处理图像进行目标检测处理，确定目标对象中的多个对象后，综合分析每个建筑的特征信息，筛选出存在违建现象概率较大的部分建筑，将对应区域的图像信息输入到违建分析模型中，实现对无人机拍摄得到的建筑图像的自动分析，提升违建分析模型对目标区域进行违建检测的效率。
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地介绍，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示出的结构获得其他的附图。
图1为本发明实施例中提供的一种无人机应用成果自动比对方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。然而，本领域的普通技术人员可以理解，在本申请的各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
在违建监管领域上，无人机技术得到了很好的应用，传统的基于人工违建监管的方式，监管效率较低，不能很好地巡查建筑顶部的建设情况，将无人机应用于违建监管上，通过无人机航拍技术可以快速高效的获取每栋建筑的顶部建设数据，通过分析拍摄得到的建筑图像，可以极大地提升违建监管效率。然而在对建筑图像的分析过程中，传统的分析方式例如通过人工的方式将检测时段的建筑图像与历史拍摄得到的建筑图像进行对比从而确定违建情况，或者直接分析建筑图像中每栋建筑之间的差异性，确定存在异常的建筑，这种分析方式存在着一定的局限性，在建筑数量较多的情况下需要耗费较多的人力资源，违建检测效率不高。
在上述背景下，本发明实施例中提供一种无人机应用成果自动比对方法，实现对无人机拍摄得到的建筑图像的自动高效处理，提升违建检测效率。
参见图1，本发明实施例中提供的一种无人机应用成果自动比对方法，具体包括：
S10、获取无人机对目标区域拍摄得到的，将待处理图像输入到图像分割模型中，得到多个检测对象；
值得说明的是，目标区域可以是学校、社区、园区等区域，或者其它的需要进行违建检测的区域，通过无人机对目标区域进行拍摄，得到相关区域的建筑俯视图像，基于预训练得到的图像分割模型对待处理图像进行图像分割处理，输出的多个检测对象具体为待处理图像中包括的多栋建筑，其中，图像分割模型具体为目标检测模型，作用在于确定待处理图像中包括的每栋建筑的位置信息，具体的，可以采用例如Faster RCNN模型、SSD模型和YOLO系列模型等目标检测模型进行建筑检测，本实施例中以Faster RCNN模型为例。
S20、提取多个检测对象的坐标信息，将多个检测对象映射在待处理图像中，从待处理图像中分割得到多个待分析区块；
值得说明的是，分割得到的多个待分析区块中，每个待分析区块对应一个检测对象。
S30、确定每个待分析区块的分割阈值，基于分割阈值对每个待分析区块进行二值化处理，得到每个待分析区块的二值图像；
其中，分割阈值的作用在于作为对待分析区块进行二值化处理提供参考阈值，对待分析区块进行二值化处理时以分割阈值为分割点。
S40、基于二值图像计算每个待分析区块的特征值，基于多个特征值确定区块筛选阈值，通过区块筛选阈值从多个待分析区块中筛选出目标区块；
S50、将目标区块输入到预训练得到的违建分析模型中，生成目标区域的违建分析结果。
值得说明的是，步骤S40中筛选出目标区块的意义在于确定待处理图像中存在违建情况的概率较大的图像，在确定目标区块后，将目标区块输入到违建分析模型中进行违建分析，确定目标区域的违建检测结果，其中，违建分析模型为神经网络模型，具体为YOLOv5模型。
可通过如下方式对违建分析模型进行训练：
获取由多张航拍建筑图像组成的样本数据集，对每张航拍建筑图像进行人工标注，确定每栋建筑的位置信息，通过标注好的样本数据集对违建分析模型进行模型训练，得到训练好的违建分析模型。
具体的，对于部分区域的建筑，例如小区，每栋建筑的楼顶布局较为相似，楼顶的天台占楼顶总面积的比例也较为相似，本发明通过分析区域中每栋建筑的特征值，特征值用于表征每栋建筑中天台的占地面积信息，若拍摄得到的图像中可视的天台的占地面积较小，则表示建筑可能存在违建现象，在这种情况下通过预训练得到的违建分析模型对相关区域的图像进行分析，一般情况下建筑违建现象不多，对于待处理图像中包括得到所有建筑，可能不存在违建的建筑或者只有少量建筑存在违建情况，因此，相较于直接对待处理图像进行全局分析，先对图像进行预处理，筛除部分明显不存在违建情况的建筑，对剩余的区域进行违建分析，可以极大地提升图像处理效率。
作为一种示例性的实施过程，步骤S30中，确定每个待分析区块的分割阈值，具体包括：
分别对每个待分析区块进行灰度化处理，生成每个待分析区块的灰度直方图；将所有待分析区块的灰度直方图进行特征融合，生成目标直方图；
值得说明的是，对于多个待分析区块，考虑到存在违建的建筑可能只是少数，因此将每栋建筑对应的图像的灰度值进行特征融合，可通过生成的目标直方图确定用于分割建筑中天台区域和其余区域的分割阈值；
确定目标直方图的第一参考灰度值和第二参考灰度值，对于第一参考灰度值和第二参考灰度值中分布的多个灰度值，分别以第一参考灰度值和第二参考灰度值为起点和终点遍历所有灰度值，基于第一参考灰度值确定目标谷值；
具体的，第一参考灰度值和第二参考灰度值为目标直方图中像素点数量最大的两个灰度值，且第一参考灰度值对应的像素点的数量大于第二参考灰度值对应的像素点的数量，通过第一参考灰度值和第二参考灰度值可以分别确定前景和背景区域各自的灰度中心，再基于第一灰度参考值确定目标谷值，其中，目标谷值为第一参考灰度值和第二参考灰度值中分布的多个灰度值中，最靠近第一参考灰度值的谷值，取目标谷值为分割阈值。
作为一种示例性的实施过程，步骤S40中基于二值图像计算每个待分析区块的特征值，具体包括：
对于任一二值图像，统计每个像素值的像素点数量，基于如下公式计算得到二值图像对应的特征值：
式中，E为特征值，A、B分别为二值图像中每类像素值的像素点的数量，max(A，B)为二值图像中每类像素值的像素点的数量中的数量最大值，SUM(A，B)为二值图像中每类像素值的像素点的数量之和。
在通过上述公式可计算得到每个待分析区块的特征值后，对于多个特征值，通过如下步骤确定筛选阈值：
基于多个特征值生成特征值数量分布曲线，确定特征值数量分布曲线的最大峰值，以最大峰值对应的特征值为参考点，确定第一界限点和第二界限点，基于第一界限点和第二界限点确定特征选取范围；
其中，考虑到多数建筑都不存在违建情况，因此选择特征值数量分布曲线中的最大峰值作为参考，以最大峰值为中心，周围特征区域内的特征值对应的建筑存在违建现象的概率较小，因此以最大峰值对应的特征值为参考点，确定第一界限点和第二界限点，从而划定特征选取范围。
在确定特征选取范围后，筛选出位于特征选取范围内的多个特征值，统计位于特征选取范围内的多个特征值的特征均值，基于权重参数和特征均值确定筛选阈值；
具体的，特征均值用于表征不存在违建现象的建筑的参考数值，在这基础上，考虑到违建现象会占用部分天台区域，因此设定权重参数，确定筛选阈值。权重参数的取值可以是0.5-0.9.本实施例中以0.7为例，通过权重参数对特征均值进行相乘加权，从而确定筛选阈值。
作为一种示例性的实施过程，上述步骤中，以最大峰值对应的特征值为参考点，确定第一界限点和第二界限点，具体包括：
第一界限点的确定包括：以参考点为移动起点，特征值减小的方向为移动方向，以预设步长为移动步长确定多个第一移动节点，遍历多个第一移动节点，计算每个第一移动节点的梯度值，记首个梯度值小于预设梯度阈值的第一移动节点为第一界限点；
第二界限点的确定包括：以参考点为移动起点，特征值增大的方向为移动方向，以预设步长为移动步长确定多个第二移动节点，遍历多个第二移动节点，计算每个第二移动节点的梯度值，记首个梯度值小于预设梯度阈值的第二移动节点为第二界限点。
具体的，第一界限点为特征值减小方向上的特征点，第二界限点为特征值增大方向上的特征点，本实施例中通过逐步分析相邻两个节点的梯度值，筛选出梯度突变的特征点作为界限点，从而确定第一界限点和第二界限点。
作为一种示例性的实施过程，步骤S40中，通过区块筛选阈值从多个待分析区块中筛选出目标区块，具体包括：
对于任一待分析区块，若待分析区块的特征值大于区块筛选阈值，则将待分析区块记为目标区块；
通过上述方式筛选出多个目标区块，将目标区块输入到预训练得到的违建分析模型中，生成目标区域的违建分析结果，具体的，违建分析结果具体为每个目标区块存在违建现象的概率。
本发明通过对待处理图像进行目标检测处理，确定目标对象中的多个对象后，综合分析每个建筑的特征信息，筛选出存在违建现象概率较大的部分建筑，将对应区域的图像信息输入到违建分析模型中，实现对无人机拍摄得到的建筑图像的自动分析，提升违建分析模型对目标区域进行违建检测的效率。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种无人机应用成果自动比对方法，其特征在于，包括：
获取无人机对目标区域拍摄得到的待处理图像，将待处理图像输入到图像分割模型中，基于图像分割模型对待处理图像进行图像分割处理，得到多个检测对象；
提取多个检测对象的坐标信息，将多个检测对象映射在待处理图像中，从待处理图像中分割得到多个待分析区块，每个待分析区块对应一个检测对象；
确定每个待分析区块的分割阈值，基于分割阈值对每个待分析区块进行二值化处理，得到每个待分析区块的二值图像，基于二值图像计算每个待分析区块的特征值，基于多个特征值确定区块筛选阈值，通过区块筛选阈值从多个待分析区块中筛选出目标区块，将目标区块输入到预训练得到的违建分析模型中，生成目标区域的违建分析结果。
2.如权利要求1所述的一种无人机应用成果自动比对方法，其特征在于，确定每个待分析区块的分割阈值，包括：
分别对每个待分析区块进行灰度化处理，生成每个待分析区块的灰度直方图；
将所有待分析区块的灰度直方图进行特征融合，生成目标直方图；确定目标直方图的第一参考灰度值和第二参考灰度值，对于第一参考灰度值和第二参考灰度值中分布的多个灰度值，分别以第一参考灰度值和第二参考灰度值为起点和终点遍历所有灰度值，基于第一参考灰度值确定目标谷值，其中，目标谷值为第一参考灰度值和第二参考灰度值中分布的多个灰度值中，最靠近第一参考灰度值的谷值，取目标谷值为分割阈值。
3.如权利要求1所述的一种无人机应用成果自动比对方法，其特征在于，基于二值图像计算每个待分析区块的特征值，包括：
对于任一二值图像，统计每个像素值的像素点数量，基于如下公式计算得到二值图像对应的特征值：
式中，E为特征值，A、B分别为二值图像中每类像素值的像素点的数量，max(A，B)为二值图像中每类像素值的像素点的数量中的数量最大值，SUM(A，B)为二值图像中每类像素值的像素点的数量之和。
4.如权利要求1所述的一种无人机应用成果自动比对方法，其特征在于，基于多个特征值确定区块筛选阈值，包括：
基于多个特征值生成特征值数量分布曲线，确定特征值数量分布曲线的最大峰值，以最大峰值对应的特征值为参考点，确定第一界限点和第二界限点，基于第一界限点和第二界限点确定特征选取范围；
筛选出位于特征选取范围内的多个特征值，统计位于特征选取范围内的多个特征值的特征均值，基于权重参数和特征均值确定筛选阈值。
5.如权利要求4所述的一种无人机应用成果自动比对方法，其特征在于，以最大峰值对应的特征值为参考点，确定第一界限点和第二界限点，包括：
第一界限点的确定包括：以参考点为移动起点，特征值减小的方向为移动方向，以预设步长为移动步长确定多个第一移动节点，遍历多个第一移动节点，计算每个第一移动节点的梯度值，记首个梯度值小于预设梯度阈值的第一移动节点为第一界限点；
第二界限点的确定包括：以参考点为移动起点，特征值增大的方向为移动方向，以预设步长为移动步长确定多个第二移动节点，遍历多个第二移动节点，计算每个第二移动节点的梯度值，记首个梯度值小于预设梯度阈值的第二移动节点为第二界限点。
6.如权利要求5所述的一种无人机应用成果自动比对方法，其特征在于，通过区块筛选阈值从多个待分析区块中筛选出目标区块，将目标区块输入到预训练得到的违建分析模型中，生成目标区域的违建分析结果，包括：
对于任一待分析区块，若待分析区块的特征值大于区块筛选阈值，则将待分析区块记为目标区块；
将所有目标区块输入到违建分析模型中，生成目标区域的违建分析结果。
7.如权利要求6所述的一种无人机应用成果自动比对方法，其特征在于，违建分析模型为神经网络模型，对违建分析模型的训练包括：
获取由多张航拍建筑图像组成的样本数据集，对每张航拍建筑图像进行人工标注，确定每栋建筑的位置信息，通过标注好的样本数据集对违建分析模型进行模型训练，得到训练好的违建分析模型。
8.如权利要求7所述的一种无人机应用成果自动比对方法，其特征在于，对于违建分析模型，还包括：
违建分析模型为YOLOv5模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311649470.6A CN117671496B (zh) | 2023-12-05 | 2023-12-05 | 一种无人机应用成果自动比对方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311649470.6A CN117671496B (zh) | 2023-12-05 | 2023-12-05 | 一种无人机应用成果自动比对方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117671496A true CN117671496A (zh) | 2024-03-08 |
| CN117671496B CN117671496B (zh) | 2024-06-21 |
Family
ID=90069277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311649470.6A Active CN117671496B (zh) | 2023-12-05 | 2023-12-05 | 一种无人机应用成果自动比对方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117671496B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于图像识别的违章建筑识别方法、装置 |
| CN113822247A (zh) * | 2021-11-22 | 2021-12-21 | 广东泰一高新技术发展有限公司 | 基于航拍影像的违章建筑识别方法及系统 |
| CN115049935A (zh) * | 2022-08-12 | 2022-09-13 | 松立控股集团股份有限公司 | 一种城市违章建筑分割检测方法 |
| CN115731477A (zh) * | 2022-11-04 | 2023-03-03 | 浙江大华技术股份有限公司 | 图像识别方法、违建检测方法、终端设备以及存储介质 |
-
2023
- 2023-12-05 CN CN202311649470.6A patent/CN117671496B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于图像识别的违章建筑识别方法、装置 |
| CN113822247A (zh) * | 2021-11-22 | 2021-12-21 | 广东泰一高新技术发展有限公司 | 基于航拍影像的违章建筑识别方法及系统 |
| CN115049935A (zh) * | 2022-08-12 | 2022-09-13 | 松立控股集团股份有限公司 | 一种城市违章建筑分割检测方法 |
| CN115731477A (zh) * | 2022-11-04 | 2023-03-03 | 浙江大华技术股份有限公司 | 图像识别方法、违建检测方法、终端设备以及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| CHING-LUNG FAN: "Identifying Illegal Buildings Using UAV Images a nd Fa ster R-CNN Based on Deep Learn ing", SOFT COMPUTING FOR SECURITY APPLICATIONS, 20 July 2023 (2023-07-20) * |
| KANG CI ET AL.: "YOLO-UB based detection and identification of lllegal structures in the ancient city", RESEARCHGATE, 30 November 2023 (2023-11-30) * |
| 刘洋: "结合语义分割与面向对象变化检测的屋顶面疑似违建发现", 硕士电子期刊, no. 03, 15 March 2022 (2022-03-15) * |
| 耿欣 等: "基于深度学习方法的耕地违建自动提取", 地理空间信息, vol. 20, no. 3, 31 March 2022 (2022-03-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117671496B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN104700099B (zh) | 识别交通标志的方法和装置 | |
| CN114140683A (zh) | 一种航拍图像目标检测的方法、设备与介质 | |
| CN112149476B (zh) | 目标检测方法、装置、设备和存储介质 | |
| CN111626249B (zh) | 题目图像中几何图形的识别方法、装置和计算机存储介质 | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
| Xiang et al. | Lightweight fully convolutional network for license plate detection | |
| CN114332513A (zh) | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 | |
| CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
| CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN113781510A (zh) | 边缘检测方法、装置及电子设备 | |
| CN116740652B (zh) | 一种基于神经网络模型的锈斑面积扩大的监测方法与系统 | |
| CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
| CN112949584A (zh) | 一种图像筛选方法及装置、电子设备和存储介质 | |
| CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
| CN110287752B (zh) | 一种点阵码检测方法及装置 | |
| CN117671496B (zh) | 一种无人机应用成果自动比对方法 | |
| Lokhande et al. | A survey on document image binarization techniques | |
| CN113537253B (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
| CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
| CN112465817B (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
| CN112990350B (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 | |
| CN115620259A (zh) | 一种基于交通非现场执法场景下的车道线检测方法 |
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 |