WO2020164282A1 - 基于yolo的图像目标识别方法、装置、电子设备和存储介质 - Google Patents

基于yolo的图像目标识别方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
WO2020164282A1
WO2020164282A1 PCT/CN2019/118499 CN2019118499W WO2020164282A1 WO 2020164282 A1 WO2020164282 A1 WO 2020164282A1 CN 2019118499 W CN2019118499 W CN 2019118499W WO 2020164282 A1 WO2020164282 A1 WO 2020164282A1
Authority
WO
WIPO (PCT)
Prior art keywords
detection frame
image
classification
yolo
preset
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.)
Ceased
Application number
PCT/CN2019/118499
Other languages
English (en)
French (fr)
Inventor
赵峰
王健宗
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2020164282A1 publication Critical patent/WO2020164282A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Definitions

  • This application relates to the field of computer learning and image recognition, and more specifically, to a YOLO-based image target recognition method, device, electronic equipment and storage medium.
  • YOLO solves object detection as a regression problem, based on a single end-to-end network, to complete the input from the original image to the output of the object position and category.
  • YOLO The core idea of YOLO is to use the entire graph as the input of the network, and directly return to the position of the bounding box and the category to which the bounding box belongs in the output layer. The inventor realized that based on the use of YOLO's high-speed operation, how to design a method that can improve the accuracy of YOLO is an urgent need to solve at present.
  • this application proposes a YOLO-based image target recognition method, device, electronic equipment and storage medium.
  • the technical solution of the present application provides a method for image target recognition based on YOLO, including:
  • the detection frame and the classification identification information are used as the classification result of the identification.
  • the technical solution of the present application also proposes an image target recognition device based on YOLO, which includes: an input module to receive the image to be detected;
  • the adjustment module adjusts the size of the image to be detected received by the input module according to preset requirements, and generates the first detected image
  • the matching recognition module sends the first detection image generated by the adjustment module to the neural network model for matching recognition, and generates a detection frame, classification identification information, and classification probability values corresponding to the classification identification information;
  • a judging module judging whether the classification probability value is greater than a preset classification probability threshold, if it is not greater, send a signal to the matching recognition module, if it is greater, send a signal to the classification module;
  • the classification module uses the detection frame and the classification identification information as the classification result of the identification.
  • the technical solution of the present application also proposes an electronic device, including a memory, a processor, and a camera device.
  • the memory includes a YOLO-based image target recognition program, and the YOLO-based image target recognition program is used by the processor.
  • the steps of the above-mentioned YOLO-based image target recognition method are realized during execution.
  • the fourth aspect of the present application also provides a computer non-volatile readable storage medium, the computer non-volatile readable storage medium includes a YOLO-based image target recognition program, the YOLO-based image target recognition program is When the processor is executed, the steps of the above-mentioned YOLO-based image target recognition method are realized.
  • This application proposes a YOLO-based image target recognition method, device, system and storage medium.
  • This method judges the classification and recognition probability, and only uses the recognition information as the recognition result when the preset classification probability threshold is reached, which improves the accuracy of image recognition and the sense of recognition experience.
  • the present application can also adjust the position of the detection frame in real time, which effectively improves the detection efficiency and accuracy; the detection time is reduced by optimizing the detection calculation method. After experiments and verifications, the method of this application is superior to the detection method of the prior art. More embodied in improved recognition accuracy and increased computing speed.
  • Figure 1 is a flow chart of an image target recognition method based on YOLO in this application
  • Figure 2 shows a schematic diagram of the convolution operation in the classification process of this application
  • Figure 3 shows a block diagram of an electronic device of the present application
  • Fig. 4 shows a schematic diagram of a specific embodiment of the present application.
  • Fig. 1 is a flow chart of an image target recognition method based on YOLO in this application.
  • the technical solution of the present application provides a YOLO-based image target recognition method, including:
  • S104 Adjust the size of the image to be detected according to a preset requirement to generate a first detected image
  • S106 Send the first detection image to a neural network model for matching recognition, and generate a detection frame, classification identification information, and classification probability values corresponding to the classification identification information;
  • the size is the size specified by the neural network model.
  • the size of the generally selected image will be smaller than the size of the image to be detected, which can ensure the speed of calculation processing and can quickly perform class recognition.
  • 448*448 or 416*416 is selected.
  • the size selection in this step can be set according to actual needs, and is not limited to the above-mentioned sizes and cannot limit the protection of this application. range.
  • the first detection image is sent to a neural network model to generate a detection frame, classification identification information, and classification probability values corresponding to the classification identification information.
  • a neural network model to generate a detection frame, classification identification information, and classification probability values corresponding to the classification identification information.
  • the classification probability threshold is set to 90%, when detecting a picture containing a kitten, if the probability of identifying the kitten in the detection frame exceeds 90% , It means that a kitten is circled in the detection box and the cat in the picture has been identified.
  • the classification probability value is less than the preset classification probability threshold, it will return to step S106 for re-identification until the classification probability value is greater than the preset classification probability threshold.
  • the neural network model performs multi-layer convolution operations on the image.
  • the described YOLO convolution operation is a conventional operation in the field, and belongs to the prior art, and will not be repeated in this application.
  • step S106 it includes after step S106:
  • the step After the step of generating the detection frame, the classification identification information, and the classification probability value corresponding to the classification identification information, the step includes:
  • the remaining detection frames of the same type are calculated for the coincidence degree, and the detection frame with the highest coincidence degree is retained.
  • the method before receiving the image to be detected in the step S102, the method further includes:
  • the neural network model is trained through the following steps:
  • the preprocessed image set is trained to obtain a neural network model with an input interface and an output interface.
  • the step of obtaining the training image data set includes:
  • a set number of positive samples and negative samples of each tag in the total set of identification tags are selected from the picture library to form the training set and the validation set, where a positive sample of a label is a picture containing the object corresponding to the label, and a negative of a label
  • the sample is a picture that does not contain the object corresponding to the label
  • the training set is the image data of the positive sample and the negative sample
  • the verification set is the label sequence of the positive sample and the negative sample
  • the output of the neural network model Is the predicted label sequence of the samples in the training set.
  • the training image data set has 1,000 object categories and 1.2 million training images.
  • the preprocessing includes one or more of rotation, contrast enhancement, tilt, and scaling.
  • the image will be distorted to a certain extent.
  • the training of the distorted image can be Increase the accuracy of the final image recognition.
  • the step of generating the detection frame is specifically as follows:
  • Predict the dynamic detection frame perform iterative prediction on the generated detection frame, and generate the latest detection frame
  • the latest detection frame coincidence degree is greater than or equal to the preset coincidence degree threshold, keep the latest detection frame; if the latest detection frame coincidence degree is less than the preset coincidence degree threshold, continue to predict the dynamic detection frame ;
  • the initial preset coordinate point is the coordinate point of the preset detection frame, which may be automatically generated during training and recognition detection, or may be generated by a person skilled in the art according to actual needs.
  • the prediction of the dynamic detection frame, the iterative prediction of the generated detection frame, and the generation of the latest detection frame are specifically as follows:
  • b x , b y , b w , and b h are the four coordinate point values of the latest detection frame. It should be noted that the detection frame is a quadrilateral, and the position of the quadrilateral detection frame can be determined by the values of 4 points.
  • the network predicts the 4 coordinates of each detection frame, (t x , t y , t w , t h ). If the cell deviates from the coordinates (c x , c y ) of the upper left corner of the image, the coordinates of the latest detection frame expressed by the above formula can be obtained.
  • each box uses multi-label classification to predict the classes that the bounding box may contain.
  • this application uses binary cross entropy loss technology for class prediction.
  • the main purpose of using binary cross entropy loss for category prediction is that the applicant finds that the softmax technology does not require good performance, but only uses an independent logical classifier, so this step does not need to use the softmax technology.
  • the binary cross entropy loss technology will provide more help.
  • the binary cross-entropy loss technology is a common technology in the field, and those skilled in the art can implement the binary cross-entropy loss technology according to requirements, and this application will not repeat them one by one.
  • the convolution operation of each layer is calculated by alternating 3 ⁇ 3 and 1 ⁇ 1 convolution layers.
  • the applicant has found through a limited number of actual tests that the use of the above-mentioned convolutional layer for alternating operation can increase the accuracy and effectively increase the operation speed.
  • the alternate calculation of the convolutional layer is specifically as follows: firstly, a 3 ⁇ 3 convolution operation is used, and then a 1 ⁇ 1 convolution operation is used, and the operations are alternately performed in turn until all the convolutional layers have participated in the operation.
  • the size is the size specified by the neural network model.
  • the classification probability value in the detection frame is calculated, and the optimal N detection frames of the same type are selected. It should be noted that the size of the detection frame is dynamically predicted, and the process of dynamic prediction is the solution described above.
  • the probability threshold is used to filter the M classification probability values of all the detection frames, and a set of screening rules is formulated:
  • Calculate the classification probability value of each detection frame arrange its classification probability values from largest to smallest, and select the highest ranked category. It can be said that this step is the first round of screening.
  • the M categories of each detection frame are evaluated first, and a champion category with the highest probability value is selected.
  • the highest ranked category is compared with a preset probability threshold. If it is greater than or equal to the preset probability threshold, the detection frame is retained; if it is less than the preset probability threshold, the detection frame is deleted. It can be said that in the second round of screening, the champion classification is compared with the probability threshold, and the check box with a value greater than the probability threshold is eligible to enter the final.
  • the probability threshold can be set to 0.24 (24%). By comparison, the preset detection frame is displayed on the picture, and it can be seen that as long as the classification probability value is greater than or equal to the 0.24 probability threshold, it can be displayed.
  • the overlap degree calculation is performed on the N detection frames of the same type, and the detection frame with the highest overlap degree is retained.
  • the coincidence degree calculation (IOU) is performed in pairs. If the coincidence degree calculation value IoU>0.3, the detection frame with low probability is eliminated.
  • Figure 2 shows a schematic diagram of the convolution operation in the classification process of this application.
  • the neural network model adopts 53 layers of convolution operation, and the convolution operation of each layer is 3 ⁇ 3 and 1 ⁇ 1 convolution layers alternately.
  • This feature extraction method realizes the highest measurement floating point operation per second. This also means that the neural network structure can make better use of the machine's GPU, improve the evaluation efficiency, and thus increase the speed. Because the ResNets technology has too many levels and is not efficient, the convolution operation described in this application can have higher efficiency and higher accuracy.
  • each neural network is trained with the same settings and tested with a single cropping accuracy of 256 ⁇ 256.
  • the performance of the classifier using the feature extraction of the present application is comparable to the most advanced classifier in the prior art, but there are fewer floating point operations and faster speed.
  • FIG. 3 shows a block diagram of the application of the above-mentioned YOLO-based image target recognition method of this application to an electronic device.
  • the technical solution of the present application also proposes an electronic device 2, which includes a memory 201, a processor 202, and a camera 203.
  • the memory 201 includes an image target recognition program based on YOLO.
  • the YOLO image target recognition program is executed by the processor, the following steps are implemented:
  • the detection frame and the classification identification information are used as the classification result of the identification.
  • the first detection image is sent to a neural network model to generate a detection frame, classification identification information, and classification probability values corresponding to the classification identification information.
  • a neural network model to generate a detection frame, classification identification information, and classification probability values corresponding to the classification identification information.
  • the classification probability threshold is set to 90%, when detecting a picture containing a kitten, if the probability of identifying the kitten in the detection frame exceeds 90% , It means that a kitten is circled in the detection box and the cat in the picture has been identified.
  • the classification probability value is less than the preset classification probability threshold, it will return to step S106 for re-identification until the classification probability value is greater than the preset classification probability threshold.
  • the neural network model performs multi-layer convolution operations on the image.
  • the described YOLO convolution operation is a conventional operation in the field, and belongs to the prior art, and will not be repeated in this application.
  • the method before the receiving the image to be detected, the method further includes:
  • the neural network model is trained through the following steps:
  • the preprocessed image set is trained to obtain a neural network model with an input interface and an output interface.
  • the step of generating the detection frame is specifically as follows:
  • the latest detection frame coincidence degree is greater than or equal to the preset coincidence degree threshold, keep the latest detection frame; if the latest detection frame coincidence degree is less than the preset coincidence degree threshold, continue to predict the dynamic detection frame ;
  • the prediction of the dynamic detection frame, the iterative prediction of the generated detection frame, and the generation of the latest detection frame are specifically as follows:
  • dimensional clustering can be used as an anchor frame to dynamically predict the detection frame, and the detection frame is also a bounding box.
  • the network predicts the 4 coordinates of each detection frame, t x , t y , t w , and t h . If the cell deviates from the upper left corner of the image (c x , c y ), the coordinates of the latest detection frame expressed by the above formula can be obtained, where b x , b y , b w , and b h are the coordinates of the latest detection frame.
  • Four coordinate point values It should be noted that the detection frame is a quadrilateral, and the position of the quadrilateral detection frame can be determined by the values of 4 points.
  • each box uses multi-label classification to predict the classes that the bounding box may contain.
  • this application uses binary cross-entropy loss technology for class prediction.
  • the main purpose of using binary cross entropy loss for category prediction is that the applicant finds that the softmax technology does not require good performance, but only uses an independent logical classifier, so this step does not need to use the softmax technology.
  • the binary cross entropy loss technology will provide more help.
  • the binary cross-entropy loss technology is a common technology in the field, and those skilled in the art can implement the binary cross-entropy loss technology according to requirements, and this application will not repeat them one by one.
  • the method before the receiving the image to be detected, the method further includes:
  • Image training is performed to obtain a neural network model; the neural network model is a model with an input interface and an output interface obtained by image training for different types of pictures.
  • the convolution operation of each layer is calculated by alternating 3 ⁇ 3 and 1 ⁇ 1 convolution layers.
  • the applicant has found through a limited number of actual tests that the use of the above-mentioned convolutional layer for alternating operation can increase the accuracy and effectively increase the operation speed.
  • the alternate calculation of the convolutional layer is specifically as follows: firstly, a 3 ⁇ 3 convolution operation is used, and then a 1 ⁇ 1 convolution operation is used, and the operations are alternated in turn until all the convolutional layers have participated in the operation.
  • the size is the size specified by the neural network model.
  • This feature extraction method realizes the highest measurement floating point operation per second. This also means that the neural network structure can make better use of the machine's GPU, improve the evaluation efficiency, and thus increase the speed. Because the ResNets technology has too many levels and is not efficient, the convolution operation described in this application can have higher efficiency and higher accuracy.
  • each neural network is trained with the same settings and tested with a single cropping accuracy of 256 ⁇ 256.
  • the performance of the classifier using the feature extraction of the present application is comparable to the most advanced classifier in the prior art, but there are fewer floating point operations and faster speed.
  • the probability threshold is used to filter the M classification probability values of all the detection frames, and a set of screening rules is formulated:
  • Calculate the classification probability value of each detection frame arrange its classification probability values from largest to smallest, and select the highest ranked category. It can be said that this step is the first round of screening.
  • the M categories of each detection frame are evaluated first, and a champion category with the highest probability value is selected.
  • the highest ranked category is compared with a preset probability threshold. If it is greater than or equal to the preset probability threshold, the detection frame is retained; if it is less than the preset probability threshold, the detection frame is deleted. It can be said that in the second round of screening, the champion classification is compared with the probability threshold, and the check box with a value greater than the probability threshold is eligible to enter the final.
  • the probability threshold can be set to 0.24 (24%). By comparison, the detection frame that passed the preliminaries is displayed on the picture. It can be seen that as long as the classification probability value is greater than or equal to the 0.24 probability threshold, it can be displayed.
  • the overlap degree calculation is performed on the N detection frames of the same type, and the detection frame with the highest overlap degree is retained.
  • the coincidence degree calculation (IOU) is performed in pairs. If the coincidence degree calculation value IoU>0.3, the detection frame with low probability is eliminated.
  • this application also proposes an image target recognition device based on YOLO, including: an input module to receive the image to be detected;
  • the adjustment module adjusts the size of the image to be detected received by the input module according to preset requirements, and generates the first detected image
  • the matching recognition module sends the first detection image generated by the adjustment module to the neural network model for matching recognition, and generates a detection frame, classification identification information, and classification probability values corresponding to the classification identification information;
  • a judging module judging whether the classification probability value is greater than a preset classification probability threshold, if it is not greater, send a signal to the matching recognition module, if it is greater, send a signal to the classification module;
  • the classification module uses the detection frame and the classification identification information as the classification result of the identification.
  • it further includes a training module to perform image training to obtain a neural network model, and the training module includes:
  • Data set acquisition unit to acquire training image data set
  • a preprocessing unit which performs image preprocessing on the training image data set to obtain a preprocessed image set
  • the training unit trains the preprocessed image set to obtain a neural network model with an input interface and an output interface.
  • the aforementioned data set obtaining unit includes:
  • Tag library which stores different tags and tag sequences corresponding to different objects
  • Picture library which stores the image data and label sequence of pictures
  • the screening unit selects a set number of positive samples and negative samples of each tag in the total identification tag set from the picture library to form a training set and a validation set, where a positive sample of one label is a picture containing the object corresponding to the label, and one The negative sample of the label is a picture that does not contain the object corresponding to the label, the training set is the image data of the positive sample and the negative sample, the verification set is the label sequence of the positive sample and the negative sample, the neural network The output of the model is the predicted label sequence of the samples in the training set.
  • the above-mentioned matching recognition module includes:
  • the initial detection frame generating unit generates the initial detection frame according to the initial preset coordinate points
  • the prediction unit predicts the dynamic detection frame, iteratively predicts the generated detection frame, and generates the latest detection frame;
  • the coincidence degree obtaining unit calculates the coincidence degree of the latest detection frame
  • the screening unit if the latest detection frame coincidence degree is greater than or equal to the preset coincidence degree threshold, keep the latest detection frame; if the latest detection frame coincidence degree is less than the preset coincidence degree threshold, send a signal to the prediction unit Then continue to predict the dynamic detection frame;
  • the detection frame generation unit generates N detection frames of the same category.
  • the above prediction unit includes:
  • Prediction sub-unit predict the 4 coordinates of each detection frame, (t x , t y , t w , t h );
  • Update the subunit, by predicting the width p w and height p h of the detection frame predicted by the subunit, and update the coordinates of the detection frame, the coordinates of the latest detection frame are:
  • b x , b y , b w , and b h are the four coordinate point values of the latest detection frame.
  • 53 layers of convolution operation are used in the neural network model, and the convolution operation of each layer is alternately calculated by 3 ⁇ 3 and 1 ⁇ 1 convolution layers.
  • the judgment module includes:
  • the classification probability obtaining unit calculates the classification probability value of each detection frame
  • the first screening unit arranges the classification probability value of each detection frame from largest to smallest, and selects the highest ranked category;
  • the second screening unit compares the highest ranked category with a preset probability threshold, and if it is greater than or equal to the preset probability threshold, then keep the detection frame; if it is less than the preset probability threshold, delete the Check box,
  • the classification module includes a third screening unit, which calculates the degree of coincidence of the reserved detection frames of the same type, retains the detection frame with the highest degree of coincidence, and uses the detection frame with the highest degree of coincidence and its corresponding classification identification information as the recognized classification result.
  • Figure 4 shows a schematic diagram of an embodiment of the present application.
  • the number of convolutional layers in the neural network model is set to 0-52. Then receive the first detected image after size adjustment.
  • the size of the first detected image is 416*416.
  • the specific size can be set according to actual computing requirements and computing capabilities.
  • 416*416 is selected for description, and the color is Color photo.
  • the 0th layer of the neural network model receives the 416*416 size, 3-channel (RGB) color first detection image, and performs the convolution operation.
  • the 52nd layer performs a convolution operation on the feature picture, and the final output one-dimensional prediction array contains 13*13*5*85 values. Reduce the multi-dimensional array or matrix to a one-dimensional array through a series of operations.
  • the one-dimensional array is the prediction array.
  • the number 13*13 in the 13*13*5*85 values represents the width*height of the feature map, and there are a total of 13*13 feature units.
  • YOLO divides the original picture (416*416) into 13*13 cells on average, and each feature unit corresponds to a picture area.
  • the specific size can be set by those skilled in the art according to actual computing requirements and computing capabilities.
  • Number 5 Represents 5 bounding boxes with different shapes. YOLO will generate 5 bounding boxes in each image area, and use the center of the area as the center of the detection box to detect objects, so YOLO will use 13*13*5 detection frames to detect a picture or image.
  • Each detection frame contains 4 coordinate values (x, y, width, height)
  • Each detection frame has a confidence value of the detected object, which is also the above-mentioned confidence (0 ⁇ 1), which is understood as the confidence probability of detecting the object, that is, the confidence value.
  • Each detection frame has 80 classification detection probability values (0 ⁇ 1), which means that the objects in the detection frame may be the probability of each classification respectively.
  • the above process is to divide a 416*416 picture into 13*13 picture areas.
  • Each picture area generates 5 detection frames, and each detection frame contains 85 values (4 coordinates).
  • the final one-dimensional prediction array (predictions) represents the detected objects in the picture, the array contains a total of 13*13*5*85 numerical predictions[0 ] ⁇ predictions[13*13*5*85-1].
  • this application also proposes a computer-readable storage medium including a YOLO-based image target recognition program, which, when executed by a processor, implements the steps of the above-mentioned YOLO-based image target recognition method.
  • This application proposes a YOLO-based image target recognition method, device, electronic equipment and storage medium. This method can effectively improve the detection accuracy and reduce the detection time. After experiments and verifications, the method of this application is superior to the detection method of the prior art. More embodied in improved recognition accuracy and increased computing speed.
  • the disclosed device and method may be implemented in other ways.
  • the device embodiments described above are merely illustrative.
  • the division of the units is only a logical function division, and there may be other divisions in actual implementation, such as: multiple units or components can be combined, or It can be integrated into another system, or some features can be ignored or not implemented.
  • the coupling, or direct coupling, or communication connection between the components shown or discussed may be indirect coupling or communication connection through some interfaces, devices or units, and may be in electrical, mechanical or other forms. of.
  • the units described above as separate components may or may not be physically separate, and the components displayed as units may or may not be physical units; they may be located in one place or distributed on multiple network units; Some or all of the units can be selected according to actual needs to achieve the purpose of the solution of the embodiment.
  • the functional units in the embodiments of the present application can all be integrated into one processing unit, or each unit can be individually used as a unit, or two or more units can be integrated into one unit;
  • the unit can be implemented in the form of hardware, or in the form of hardware plus software functional units.
  • the foregoing program can be stored in a computer readable storage medium.
  • the execution includes The steps of the foregoing method embodiment; and the foregoing storage medium includes: removable storage devices, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), magnetic disks or optical disks, etc.
  • the medium storing the program code.
  • the above-mentioned integrated unit of this application is implemented in the form of a software function module and sold or used as an independent product, it can also be stored in a computer readable storage medium.
  • the computer software product is stored in a storage medium and includes several instructions for A computer device (which may be a personal computer, a server, or a network device, etc.) executes all or part of the methods described in the various embodiments of the present application.
  • the aforementioned storage media include: removable storage devices, ROM, RAM, magnetic disks, or optical disks and other media that can store program codes.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种人工智能技术，提供了一种基于YOLO的图像目标识别方法、系统和存储介质，其中，方法包括：接收待检测图像（S102）；根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像（S104）；将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值（S106）；判断所述分类概率值是否大于预设的分类概率阈值（S108）；若大于，则将所述检测框和分类识别信息作为识别的分类结果（S110）。通过所述方法，能够有效提高检测精度，降低检测时间。

Description

基于YOLO的图像目标识别方法、装置、电子设备和存储介质
本申请要求申请号为201910114621.5，申请日为2019年2月14日，发明创造名称为“一种基于YOLO的图像目标识别方法、系统和存储介质”的专利申请的优先权。
技术领域
本申请涉及计算机学习及图像识别领域，更具体地，涉及一种基于YOLO的图像目标识别方法、装置、电子设备和存储介质。
背景技术
人工智能技术的高速发展，深度学习越来越多的应用于计算机视觉中，尤其是图像的目标检测领域。
近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法(R-CNN，Fast R-CNN,Faster R-CNN)，它们是two-stage的，需要先使用启发式方法(selective search)或者CNN网络(RPN)产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo(全称为You Only Look Once)，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法准确度高一些，但是速度慢；第二类算法速度快，但是准确性要低一些。越来越多的目标检测方法基于YOLO实现，许多深度网络也是基于YOLO进行改进。YOLO将物体检测作为回归问题求解，基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。
YOLO的核心思想就是利用整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。发明人意识到在利用YOLO高速率运算的基础上，如何设计出能够提高YOLO准确率的方法是目前亟不可待要解决的。
申请内容
为了解决上述至少一个技术问题，本申请提出了一种基于YOLO的图像目标识别方法、装置、电子设备和存储介质。
为了实现上述目的，本申请的技术方案提供了一种基于YOLO的图像目标识别方法，包括：
接收待检测图像；
根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；
将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
判断所述分类概率值是否大于预设的分类概率阈值；
若大于，则将所述检测框和分类识别信息作为识别的分类结果。
本申请的技术方案还提出了一种基于YOLO的图像目标识别装置，包括：输入模块，接收待检测图像；
调整模块，根据预设的要求调整输入模块接收的待检测图像的尺寸大小，生成第一检测图像；
匹配识别模块，将调整模块生成的第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
判断模块，判断所述分类概率值是否大于预设的分类概率阈值，若不大于，发送信号给匹配识别模块，若大于，发送信号给分类模块；
分类模块，将所述检测框和分类识别信息作为识别的分类结果。
本申请的技术方案还提出了一种电子设备，包括：存储器、处理器及摄像装置，所述存储器中包括基于YOLO的图像目标识别程序，所述基于YOLO的图像目标识别程序被所述处理器执行时实现上述基于YOLO的图像目标识别方法的步骤。
本申请第四方面还提供一种计算机非易失性可读存储介质，所述计算机非易失性可读存储介质中包括基于YOLO的图像目标识别程序，所述基于YOLO的图像目标识别程序被处理器执行时，实现如上述基于YOLO的图像目标识别方法的步骤。
本申请提出的一种基于YOLO的图像目标识别方法、装置、系统和存储介质。该方法对分类识别概率进行判断，在达到预设分类概率阈值时才将识别信息作为识别结果，提升了图像识别的准确性和识别体验感。本申请还能够实时调整检测框的位置，有效提高检测效率和精度；通过优化检测的计算方式降低了检测时间。经过实验和验证，本申请的方法比现有技术的检测方法要优越。更多的体现在提高了识别准确率和增加了运算速度。
附图说明
图1为本申请一种基于YOLO的图像目标识别方法流程图；
图2示出了本申请分类过程中卷积运算示意图；
图3示出了本申请一种电子设备的框图；
图4示出了本申请一个具体实施例的示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
图1为本申请一种基于YOLO的图像目标识别方法流程图。
如图1所示，本申请的技术方案提供了一种基于YOLO的图像目标识别方法，包括：
S102，接收待检测图像；
S104，根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；
S106，将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
S108，判断所述分类概率值是否大于预设的分类概率阈值；
S110，若大于，则将所述检测框和分类识别信息作为识别的分类结果。
需要说明的是，其中所述尺寸大小为上述神经网络模型规定的大小。在神经网络模型中，一般选取的图像尺寸大小会比待检测图像的尺寸要小，这样可以保证运算处理的速度，可以快速的进行类识别。一般选取448*448或者416*416等，本领域技术人员应当明了，此步骤的尺寸大小选取是可以根据实际需要进行设定的，并不限于上述提及的尺寸大小，不能限制本申请的保护范围。
将所述第一检测图像发送至神经网络模型中，生成检测框和分类识别信息以及分类识别信息对应的分类概率值。本领域技术人员可根据实际需要设置分类概率值，例如，设置所述分类概率阈值为90％，则在检测一个包含小猫的图片时，若检测框中对小猫的识别的概率超过90％，则表明检测框中圈出了小猫，已经识别出来图片中的猫。若所述分类概率值是否小于预设的分类概率阈值，则将返回步骤S106进行重新识别，一直到所述分类概率值大于所述预设的分类概率阈值为止。所述神经网络模型会将图像进行多层的卷积运算。所述的YOLO卷积运算为本领域的常规运算，属于现有技术，本申请不再一一赘述。
优选地，在步骤S106之后包括：
所述生成检测框和分类识别信息以及分类识别信息对应的分类概率值步骤之后包括：
计算每个检测框的分类概率值，将其分类概率值按照从大到小进行排列，选取排名最高的分类；
将排名最高的分类与预设的概率阈值进行比较，若大于等于所述预设的概率阈值，则保留所述检测框；若小于所述预设概率阈值，则删除所述检测框；
将保留的所述同类检测框进行重合度计算，将重合度最高的检测框保留。
本方案中，在所述S102步骤中接收待检测图像之前还包括：
进行图片训练，得到神经网络模型；所述神经网络模型通过如下步骤进行训练：
获取训练图像数据集；
将所述训练图像数据集进行图像预处理，得到预处理后的图像集；
将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。
优选地，上述获取训练图像数据集的步骤包括：
建立标签库，所述标签库存储有不同物体对应的不同标签及标签顺序；
构建图片库，存储图片的图像数据和标签序列；
从图片库挑选所述识别标签总集中每个标签的设定数量的正样本和负样本构成训练集和验证集，其中，一个标签的正样本为包含该标签对应物体的图片，一个标签的负样本为不包含该标签对应物体的图片，所述训练集为所述正样本和负样本的图像数据，所述验证集为所述正样本和负样本的标签序列，所述神经网络模型的输出为预测的训练集中样本的标签序列。
需要说明的是，所述训练图像数据集有1000个对象类别和120万个训练图像。在进行训练之前会将数据集进行预处理，预处理包括旋转、对比度增强、倾斜、缩放中的一种或几种，在预处理之后，图像会有一定的失真，通过对失真图像的训练可以增加最后图像识别的准确性。
本方案中，所述生成检测框的步骤具体为：
根据初始预设坐标点位生成初始检测框；
进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；
计算所述最新的检测框的重合度；
若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，则继续进行动态检测框的预测；
最后生成同类别的N个同类检测框。
需要说明的是，所述初始预设坐标点位为预设的检测框的坐标点位，可以是在训练和识别检测中自动生成，也可以是本领域技术人员根据实际需要生成。
本方案中，所述进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框具体为：
预测每个检测框的4个坐标，(t x，t y，t w，t h)；如果单元格偏离图像的左上角坐标(c x,c y)，并且上步预测的检测框具有宽度p w和高度p h，则最新检测框的坐标为：
b x＝σ(t x)+c x
b y＝σ(t y)+c y
Figure PCTCN2019118499-appb-000001
Figure PCTCN2019118499-appb-000002
其中，b x、b y、b w、b h分别为最新检测框的四个坐标点位值。需要说明的是，检测框为四边形，其中通过4个点的值便可确定四边形检测框的位置。
网络预测每个检测框的4个坐标，(t x，t y，t w，t h)。如果单元格偏离图像的左上角坐标(c x,c y)，所以可以得出上述公式表达的最新检测框的坐标。
需要说明的是，每个框使用多标签分类预测边界框可能包含的类。在 进行类别识别过程中，本申请使用二元交叉熵损失技术进行类预测。采用二元交叉熵损失进行类别预测的目的主要为，申请人发现softmax技术不需要良好的性能，而只是使用独立的逻辑分类器，所以此步骤不需采用softmax技术。当使用本申请的方法迁移到更复杂的类别识别领域时，二元交叉熵损失技术会提供更多帮助。二元交叉熵损失技术为本领域的常用技术，本领域技术人员可以根据需求进行二元交叉熵损失技术的实现，本申请不再一一赘述。
优选的，所述的神经网络模型中采用53层卷积运算，并且每层的卷积运算为3×3和1×1卷积层交替进行计算。申请人在通过有限次的实际测试中发现，采用上述的卷积层进行交替运算可以增加准确率，并且还能有效提高运算速度。其中，卷积层交替进行计算具体为，首先采用3×3的卷积运算，再采用1×1的卷积运算，依次交替进行，直至所有的卷积层都参与完运算为止。
本方案中，所述尺寸大小为神经网络模型规定的大小。
为了更好的说明本申请的技术方案，下面对本申请的技术方案进行详细的举例说明。
在生成了检测框后，计算所述检测框中的分类概率值，并筛选出最优的N个同类检测框。需要说明的是，检测框的大小是动态预测的，动态预测的过程为上述描述的方案。使用概率阈值对所有检测框的M个分类概率值进行筛选，并制定了一套筛选规则：
计算每个检测框的分类概率值，将其分类概率值按照从大到小进行排列，选取排名最高的分类。可以说此步骤为第一轮筛选，每个检测框的M个分类内部先进行评比，选出一个概率值最高的冠军分类。
将排名最高的分类与预设的概率阈值进行比较，若大于等于所述预设的概率阈值，则保留所述检测框；若小于所述预设概率阈值，则删除所述检测框。可以说，第二轮筛选，冠军分类与概率阈值进行比较，数值大于概率阈值的检测框才有资格进入决赛。例如，概率阈值可以设置为0.24(24％)。通过比较，就把通过预设的检测框显示在图片上，可以看出只要是大于等于0.24概率阈值的分类概率值，就可以显示出来。本领域技术人员可根据实际需要设置概率阈值，本申请描述的概率阈值并不能限制本申请的保护范围。
将所述N同类检测框进行重合度计算，将重合度最高的检测框保留。
例如，经过上述筛选步骤之后又三个检测框都检测出分类为“马”。
对所述的三个检测各自的检测概率降序排序。
两两进行重合度计算(IOU)，如果重合度计算值IoU>0.3，就将概率低的检测框淘汰。
最终得出了分类为“马”的唯一检测框。
图2示出了本申请分类过程中卷积运算示意图。
如图2所示，所述的神经网络模型中采用53层卷积运算，并且每层的 卷积运算为3×3和1×1卷积层交替进行。
该特征提取方式实现了每秒最高的测量浮点运算。这也就意味着神经网络结构可以更好地利用机器的GPU，提高评估效率，从而提高速度。由于ResNets技术的层次太多而且效率不高，所以本申请的所述卷积运算可以有更高的效率和更高的准确率。
例如，对每个神经网络都使用相同的设置进行训练，并以256×256的单一裁剪精度进行测试。采用本申请的特征提取的分类器的性能与现有技术中最先进的分类器相当，但浮点运算更少，速度更快。
图3示出了本申请上述基于YOLO的图像目标识别方法应用于一种电子设备的框图。
如图3所示，本申请的技术方案还提出了一种电子设备2，包括：存储器201、处理器202及摄像装置203，所述存储器201中包括基于YOLO的图像目标识别程序，所述基于YOLO的图像目标识别程序被所述处理器执行时实现如下步骤：
接收待检测图像；
根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；
将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
判断所述分类概率值是否大于预设的分类概率阈值；
若大于，则将所述检测框和分类识别信息作为识别的分类结果。
将所述第一检测图像发送至神经网络模型中，生成检测框和分类识别信息以及分类识别信息对应的分类概率值。本领域技术人员可根据实际需要设置分类概率值，例如，设置所述分类概率阈值为90％，则在检测一个包含小猫的图片时，若检测框中对小猫的识别的概率超过90％，则表明检测框中圈出了小猫，已经识别出来图片中的猫。若所述分类概率值是否小于预设的分类概率阈值，则将返回步骤S106进行重新识别，一直到所述分类概率值大于所述预设的分类概率阈值为止。所述神经网络模型会将图像进行多层的卷积运算。所述的YOLO卷积运算为本领域的常规运算，属于现有技术，本申请不再一一赘述。
本方案中，在所述接收待检测图像之前还包括：
进行图片训练，得到神经网络模型；所述神经网络模型通过如下步骤进行训练：
获取训练图像数据集；
将所述训练图像数据集进行图像预处理，得到预处理后的图像集；
将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。
本方案中，所述生成检测框的步骤具体为：
根据初始预设坐标点位生成初始检测框；
进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最 新的检测框；
计算所述最新的检测框的重合度；
若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，则继续进行动态检测框的预测；
最后生成同类别的N个同类检测框。
本方案中，所述进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框具体为：
预测每个检测框的4个坐标，(t x，t y，t w，t h)；如果单元格偏离图像的左上角坐标(c x,c y)，并且上步预测的检测框具有宽度p w和高度p h，则最新检测框的坐标为：
b x＝σ(t x)+c x
b y＝σ(t y)+c y
Figure PCTCN2019118499-appb-000003
Figure PCTCN2019118499-appb-000004
本申请中，可以使用维度聚类作为锚框来动态预测检测框，所述的检测框也为边界框。网络预测每个检测框的4个坐标，t x，t y，t w，t h。如果单元格偏离图像的左上角坐标(c x,c y)，所以可以得出上述公式表达的最新检测框的坐标，其中，b x、b y、b w、b h分别为最新检测框的四个坐标点位值。需要说明的是，检测框为四边形，其中通过4个点的值便可确定四边形检测框的位置。
需要说明的是，每个框使用多标签分类预测边界框可能包含的类。在进行类别识别过程中，本申请使用二元交叉熵损失技术进行类预测。采用二元交叉熵损失进行类别预测的目的主要为，申请人发现softmax技术不需要良好的性能，而只是使用独立的逻辑分类器，所以此步骤不需采用softmax技术。当使用本申请的方法迁移到更复杂的类别识别领域时，二元交叉熵损失技术会更提供更多帮助。二元交叉熵损失技术为本领域的常用技术，本领域技术人员可以根据需求进行二元交叉熵损失技术的实现，本申请不再一一赘述。
本方案中，在所述接收待检测图像之前还包括：
进行图片训练，得到神经网络模型；所述的神经网络模型为针对不同类别的图片进行图像训练得到的具备输入接口和输出接口的模型。
优选的，所述的神经网络模型中采用53层卷积运算，并且每层的卷积运算为3×3和1×1卷积层交替进行计算。申请人在通过有限次的实际测试中发现，采用上述的卷积层进行交替运算可以增加准确率，并且还能有效提高运算速度。其中，卷积层交替进行计算具体为，首先采用3×3的卷积运算，再采用1×1的卷积运算，依次交替进行，直至所有的卷积层都参 与完运算为止。
本方案中，所述尺寸大小为神经网络模型规定的大小。
需要说明的是，所述的神经网络模型中采用53层卷积运算，并且每层的卷积运算为3×3和1×1卷积层交替进行。
该特征提取方式实现了每秒最高的测量浮点运算。这也就意味着神经网络结构可以更好地利用机器的GPU，提高评估效率，从而提高速度。由于ResNets技术的层次太多而且效率不高，所以本申请的所述卷积运算可以有更高的效率和更高的准确率。
例如，对每个神经网络都使用相同的设置进行训练，并以256×256的单一裁剪精度进行测试。采用本申请的特征提取的分类器的性能与现有技术中最先进的分类器相当，但浮点运算更少，速度更快。
计算所述检测框中的分类概率值，并筛选出最优的N个同类检测框。使用概率阈值对所有检测框的M个分类概率值进行筛选，并制定了一套筛选规则：
计算每个检测框的分类概率值，将其分类概率值按照从大到小进行排列，选取排名最高的分类。可以说此步骤为第一轮筛选，每个检测框的M个分类内部先进行评比，选出一个概率值最高的冠军分类。
将排名最高的分类与预设的概率阈值进行比较，若大于等于所述预设的概率阈值，则保留所述检测框；若小于所述预设概率阈值，则删除所述检测框。可以说，第二轮筛选，冠军分类与概率阈值进行比较，数值大于概率阈值的检测框才有资格进入决赛。例如，概率阈值可以设置为0.24(24％)。通过比较，就把通过预赛的检测框显示在图片上，可以看出只要是大于等于0.24概率阈值的分类概率值，就可以显示出来。
将所述N同类检测框进行重合度计算，将重合度最高的检测框保留。
例如，经过上述筛选步骤之后又三个检测框都检测出分类为“马”。
对所述的三个检测各自的检测概率降序排序。
两两进行重合度计算(IOU)，如果重合度计算值IoU>0.3，就将概率低的检测框淘汰。
最终得出了分类为“马”的唯一检测框。
此外，本申请还提出一种基于YOLO的图像目标识别装置，包括：输入模块，接收待检测图像；
调整模块，根据预设的要求调整输入模块接收的待检测图像的尺寸大小，生成第一检测图像；
匹配识别模块，将调整模块生成的第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
判断模块，判断所述分类概率值是否大于预设的分类概率阈值，若不大于，发送信号给匹配识别模块，若大于，发送信号给分类模块；
分类模块，将所述检测框和分类识别信息作为识别的分类结果。
优选地，还包括训练模块，进行图片训练，得到神经网络模型，所述训练模块包括：
数据集获取单元，获取训练图像数据集；
预处理单元，将所述训练图像数据集进行图像预处理，得到预处理后的图像集；
训练单元，将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。
进一步，优选地，上述数据集获取单元包括：
标签库，存储有不同物体对应的不同标签及标签顺序；
图片库，存储图片的图像数据和标签序列；
筛选单元，从图片库挑选所述识别标签总集中每个标签的设定数量的正样本和负样本构成训练集和验证集，其中，一个标签的正样本为包含该标签对应物体的图片，一个标签的负样本为不包含该标签对应物体的图片，所述训练集为所述正样本和负样本的图像数据，所述验证集为所述正样本和负样本的标签序列，所述神经网络模型的输出为预测的训练集中样本的标签序列。
优选地，上述匹配识别模块包括：
初始检测框生成单元，根据初始预设坐标点位生成初始检测框；
预测单元，进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；
重合度获得单元，计算所述最新的检测框的重合度；
筛选单元，若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，发送信号给预测单元则继续进行动态检测框的预测；
检测框生成单元，生成同类别的N个同类检测框。
优选地，上述预测单元包括：
预测子单元，预测每个检测框的4个坐标，(t x，t y，t w，t h)；
判断子单元，判断单元格是否偏离图像的左上角坐标(c x,c y)，如果偏离发送信号给更新子单元；
更新子单元，通过预测子单元预测的检测框的宽度p w和高度p h，更新检测框的坐标，则最新检测框的坐标为：
b x＝σ(t x)+c x
b y＝σ(t y)+c y
Figure PCTCN2019118499-appb-000005
Figure PCTCN2019118499-appb-000006
其中，b x、b y、b w、b h分别为最新检测框的四个坐标点位值。
优选地，所述的神经网络模型中采用53层卷积运算，并且每层的卷积运算为3×3和1×1卷积层交替计算。
优选地，所述判断模块包括：
分类概率获得单元，计算每个检测框的分类概率值；
第一筛选单元，将每个检测框的分类概率值按照从大到小进行排列，选取排名最高的分类；
第二筛选单元，将排名最高的分类与预设的概率阈值进行比较，若大于等于所述预设的概率阈值，则保留所述检测框；若小于所述预设概率阈值，则删除所述检测框，
所述分类模块包括第三筛选单元，将保留的所述同类检测框进行重合度计算，将重合度最高的检测框保留，将重合度最高的检测框及其对应的分类识别信息作为识别的分类结果。
为了更好的说明本申请的技术方案，下面通过一实施例进行详细说明。图4示出了本申请实施例的示意图。
如图4所示，在神经网络模型中设置卷积层数为0-52层。然后接收经过尺寸调整后的第一检测图像，其中所述第一检测图像的大小为416*416，具体大小可以根据实际运算需求和运算能力设置，本实施例选用416*416进行说明，颜色是彩色照片。神经网络模型的第0层接收416*416大小，3通道(RGB)的彩色第一检测图像，进行卷积运算。
经过第0～51层卷积运算后，得到一张13*13大小，425通道的特征图片(feature map)。
第52层对该特征图片进行卷积运算，最终输出一维预测数组包含13*13*5*85个数值。通过一系列的运算将多维数组或矩阵降到一维数组。所述的一维数组便是预测数组。
其中，13*13*5*85个数值中的数字13*13代表了特征图(feature map)的宽*高，一共有13*13个特征单元。YOLO将原始图片(416*416)平均划分成13*13个区域(cell)，每个特征单元对应的一个图片区域。具体大小可以由本领域技术人员根据实际运算需求和运算能力设置。
数字5：代表了5个形状不同的检测框(bounding box)，YOLO在每个图片区域都会生成5个形状不同的检测框，以该区域的中心点为检测框的中心点去检测物体，所以YOLO一共会用13*13*5个检测框去检测一张图片或者图像。
数字85可以分拆成3部分理解，85＝4+1+80。
4：每个检测框包含4个坐标值(x,y,width,height)
1：每个检测框都有1个检测物体自信值，也为上述的的置信度(0～1)，理解为检测到物体的自信概率，即置信度值。
80：每个检测框都有80个分类检测概率值(0～1)，理解为检测框内的物体分别可能是每个分类的概率。
可以说，上述的过程为，将一张416*416的图片，被平均划分成13*13个图片区域，每个图片区域生成5个检测框，每个检测框包含85个值(4个坐标值+1个检测物体自信值+80个分类检测值)，最后得到的一维预测数组(predictions)代表了图片中检测到的物体，数组共 包含13*13*5*85个数值predictions[0]～predictions[13*13*5*85-1]。
此外，本申请还提出一种计算机可读存储介质，包括基于YOLO的图像目标识别程序，所述基于YOLO的图像目标识别程序被处理器执行时，实现上述基于YOLO的图像目标识别方法的步骤。
本申请之计算机可读存储介质的具体实施方式与上述多标签分类方法、电子装置的具体实施方式大致相同，在此不再赘述。
本申请提出的一种基于YOLO的图像目标识别方法、装置、电子设备和存储介质。该方法能够有效提高检测精度，降低检测时间。经过实验和验证，本申请的方法比现有技术的检测方法要优越。更多的体现在提高了识别准确率和增加了运算速度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的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、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (20)

  1. 一种基于YOLO的图像目标识别方法，其特征在于，包括：
    接收待检测图像；
    根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；
    将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
    判断所述分类概率值是否大于预设的分类概率阈值；
    若大于，则将所述检测框和分类识别信息作为识别的分类结果。
  2. 根据权利要求1所述的基于YOLO的图像目标识别方法，其特征在于，在所述接收待检测图像之前还包括：
    进行图片训练，得到神经网络模型；所述神经网络模型通过如下步骤进行训练：
    获取训练图像数据集；
    将所述训练图像数据集进行图像预处理，得到预处理后的图像集；
    将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。
  3. 根据权利要求2所述的基于YOLO的图像目标识别方法，其特征在于，所述获取训练图像数据集的步骤包括：
    建立标签库，所述标签库存储有不同物体对应的不同标签及标签顺序；
    构建图片库，存储图片的图像数据和标签序列；
    从图片库挑选所述识别标签总集中每个标签的设定数量的正样本和负样本构成训练集和验证集，其中，一个标签的正样本为包含该标签对应物体的图片，一个标签的负样本为不包含该标签对应物体的图片，所述训练集为所述正样本和负样本的图像数据，所述验证集为所述正样本和负样本的标签序列，所述神经网络模型的输出为预测的训练集中样本的标签序列。
  4. 根据权利要求1所述的基于YOLO的图像目标识别方法，其特征在于，所述生成检测框的步骤具体为：
    根据初始预设坐标点位生成初始检测框；
    进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；
    计算所述最新的检测框的重合度；
    若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，则继续进行动态检测框的预测；
    最后生成同类别的N个同类检测框。
  5. 根据权利要求4所述的基于YOLO的图像目标识别方法，其特征在于，所述进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框具体为：
    预测每个检测框的4个坐标，(t x，t y，t w，t h)；如果单元格偏离图像的左上角坐标(c x,c y)，并且上步预测的检测框具有宽度p w和高度p h，则最新检测框的坐标为：
    b x＝σ(t x)+c x
    b y＝σ(t y)+c y
    Figure PCTCN2019118499-appb-100001
    Figure PCTCN2019118499-appb-100002
    其中，b x、b y、b w、b h分别为最新检测框的四个坐标点位值。
  6. 根据权利要求2所述的基于YOLO的图像目标识别方法，其特征在于，所述的神经网络模型中采用53层卷积运算，并且每层的卷积运算为3×3和1×1卷积层交替计算。
  7. 根据权利要求1所述的基于YOLO的图像目标识别方法，其特征在于，所述尺寸大小为神经网络模型规定的大小。
  8. 根据权利要求1所述的基于YOLO的图像目标识别方法，其特征在于，所述生成检测框和分类识别信息以及分类识别信息对应的分类概率值步骤之后包括：
    计算每个检测框的分类概率值，将其分类概率值按照从大到小进行排列，选取排名最高的分类；
    将排名最高的分类与预设的概率阈值进行比较，若大于等于所述预设的概率阈值，则保留所述检测框；若小于所述预设概率阈值，则删除所述检测框；
    将保留的同类所述检测框进行重合度计算，将重合度最高的检测框保留。
  9. 一种基于YOLO的图像目标识别装置，其特征在于，包括：输入模块，接收待检测图像；
    调整模块，根据预设的要求调整输入模块接收的待检测图像的尺寸大小，生成第一检测图像；
    匹配识别模块，将调整模块生成的第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
    判断模块，判断所述分类概率值是否大于预设的分类概率阈值，若不大于，发送信号给匹配识别模块，若大于，发送信号给分类模块；
    分类模块，将所述检测框和分类识别信息作为识别的分类结果。
  10. 根据权利要求9所述的基于YOLO的图像目标识别装置，其特征在于，还包括训练模块，进行图片训练，得到神经网络模型，所述训练模块包括：
    数据集获取单元，获取训练图像数据集；
    预处理单元，将所述训练图像数据集进行图像预处理，得到预处理后 的图像集；
    训练单元，将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。
  11. 根据权利要求10所述的基于YOLO的图像目标识别装置，其特征在于，所述数据集获取单元包括：
    标签库，存储有不同物体对应的不同标签及标签顺序；
    图片库，存储图片的图像数据和标签序列；
    筛选单元，从图片库挑选所述识别标签总集中每个标签的设定数量的正样本和负样本构成训练集和验证集，其中，一个标签的正样本为包含该标签对应物体的图片，一个标签的负样本为不包含该标签对应物体的图片，所述训练集为所述正样本和负样本的图像数据，所述验证集为所述正样本和负样本的标签序列，所述神经网络模型的输出为预测的训练集中样本的标签序列。
  12. 根据权利要求9所述的基于YOLO的图像目标识别装置，其特征在于，所述匹配识别模块包括：
    初始检测框生成单元，根据初始预设坐标点位生成初始检测框；
    预测单元，进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；
    重合度获得单元，计算所述最新的检测框的重合度；
    筛选单元，若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，发送信号给预测单元则继续进行动态检测框的预测；
    检测框生成单元，生成同类别的N个同类检测框。
  13. 根据权利要求12所述的基于YOLO的图像目标识别装置，其特征在于，所述预测单元包括：
    预测子单元，预测每个检测框的4个坐标，(t x，t y，t w，t h)；
    判断子单元，判断单元格是否偏离图像的左上角坐标(c x,c y)，如果偏离发送信号给更新子单元；
    更新子单元，通过预测子单元预测的检测框的宽度p w和高度p h，更新检测框的坐标，则最新检测框的坐标为：
    b x＝σ(t x)+c x
    b y＝σ(t y)+c y
    Figure PCTCN2019118499-appb-100003
    Figure PCTCN2019118499-appb-100004
    其中，b x、b y、b w、b h分别为最新检测框的四个坐标点位值。
  14. 根据权利要求9所述的基于YOLO的图像目标识别装置，其特征在于，所述的神经网络模型中采用53层卷积运算，并且每层的卷积运算为3×3和1×1卷积层交替计算。
  15. 根据权利要求9所述的基于YOLO的图像目标识别装置，其特征在 于，所述判断模块包括：
    分类概率获得单元，计算每个检测框的分类概率值；
    第一筛选单元，将每个检测框的分类概率值按照从大到小进行排列，选取排名最高的分类；
    第二筛选单元，将排名最高的分类与预设的概率阈值进行比较，若大于等于所述预设的概率阈值，则保留所述检测框；若小于所述预设概率阈值，则删除所述检测框，
    所述分类模块包括第三筛选单元，将保留的同类所述检测框进行重合度计算，将重合度最高的检测框保留，将重合度最高的检测框及其对应的分类识别信息作为识别的分类结果。
  16. 一种电子设备，其特征在于，包括：存储器、处理器及摄像装置，所述存储器中包括基于YOLO的图像目标识别程序，所述基于YOLO的图像目标识别程序被所述处理器执行时实现如下步骤：
    接收待检测图像；
    根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；
    将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；
    判断所述分类概率值是否大于预设的分类概率阈值；
    若大于，则将所述检测框和分类识别信息作为识别的分类结果。
  17. 根据权利要求16所述的电子设备，其特征在于，所述生成检测框的步骤包括：
    根据初始预设坐标点位生成初始检测框；
    进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；
    计算所述最新的检测框的重合度；
    若最新的检测框重合度大于等于预设的重合度阈值，则保留所述最新的检测框；若所述最新的检测框重合度小于预设的重合度阈值，则继续进行动态检测框的预测；
    最后生成同类别的N个同类检测框。
  18. 根据权利要求16所述的电子设备，其特征在于，所述进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框的步骤包括：
    预测每个检测框的4个坐标，(t x，t y，t w，t h)；如果单元格偏离图像的左上角坐标(c x,c y)，并且上步预测的检测框具有宽度p w和高度p h，则最新检测框的坐标为：
    b x＝σ(t x)+c x
    b y＝σ(t y)+c y
    Figure PCTCN2019118499-appb-100005
    Figure PCTCN2019118499-appb-100006
    其中，b x、b y、b w、b h分别为最新检测框的四个坐标点位值。
  19. 根据权利要求16所述的电子设备，其特征在于，所述神经网络模型的训练步骤包括：
    获取训练图像数据集；
    将所述训练图像数据集进行图像预处理，得到预处理后的图像集；
    将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。
  20. 一种计算机非易失性可读存储介质，其特征在于，所述计算机非易失性可读存储介质中包括基于YOLO的图像目标识别程序，所述基于YOLO的图像目标识别程序被处理器执行时，实现如权利要求1至8中任一项所述的一种基于YOLO的图像目标识别方法的步骤。
PCT/CN2019/118499 2019-02-14 2019-11-14 基于yolo的图像目标识别方法、装置、电子设备和存储介质 Ceased WO2020164282A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910114621.5 2019-02-14
CN201910114621.5A CN109977943B (zh) 2019-02-14 2019-02-14 一种基于yolo的图像目标识别方法、系统和存储介质

Publications (1)

Publication Number Publication Date
WO2020164282A1 true WO2020164282A1 (zh) 2020-08-20

Family

ID=67076997

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/118499 Ceased WO2020164282A1 (zh) 2019-02-14 2019-11-14 基于yolo的图像目标识别方法、装置、电子设备和存储介质

Country Status (2)

Country Link
CN (1) CN109977943B (zh)
WO (1) WO2020164282A1 (zh)

Cited By (252)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986255A (zh) * 2020-09-07 2020-11-24 北京凌云光技术集团有限责任公司 一种图像检测模型的多尺度anchor初始化方法与装置
CN112036286A (zh) * 2020-08-25 2020-12-04 北京华正明天信息技术股份有限公司 一种基于yoloV3算法实现温度感应及智能分析识别火焰的方法
CN112036507A (zh) * 2020-09-25 2020-12-04 北京小米松果电子有限公司 图像识别模型的训练方法、装置、存储介质和电子设备
CN112101134A (zh) * 2020-08-24 2020-12-18 深圳市商汤科技有限公司 物体的检测方法及装置、电子设备和存储介质
CN112132064A (zh) * 2020-09-25 2020-12-25 新希望六和股份有限公司 基于人工智能的识别孕囊数量的方法、装置、设备和介质
CN112149748A (zh) * 2020-09-28 2020-12-29 商汤集团有限公司 图像分类方法及装置、电子设备和存储介质
CN112183358A (zh) * 2020-09-29 2021-01-05 新石器慧拓(北京)科技有限公司 一种目标检测模型的训练方法及装置
CN112200186A (zh) * 2020-10-15 2021-01-08 上海海事大学 基于改进yolo_v3模型的车标识别方法
CN112231497A (zh) * 2020-10-19 2021-01-15 腾讯科技（深圳）有限公司 信息分类方法、装置、存储介质及电子设备
CN112288003A (zh) * 2020-10-28 2021-01-29 北京奇艺世纪科技有限公司 一种神经网络训练、及目标检测方法和装置
CN112287884A (zh) * 2020-11-19 2021-01-29 长江大学 一种考试异常行为检测方法、装置及计算机可读存储介质
CN112330641A (zh) * 2020-11-09 2021-02-05 迩言(上海)科技有限公司 一种基于深度学习的粮食不完善粒识别方法及系统
CN112348778A (zh) * 2020-10-21 2021-02-09 深圳市优必选科技股份有限公司 一种物体识别方法、装置、终端设备及存储介质
CN112348112A (zh) * 2020-11-24 2021-02-09 深圳市优必选科技股份有限公司 图像识别模型的训练方法、训练装置及终端设备
CN112364807A (zh) * 2020-11-24 2021-02-12 深圳市优必选科技股份有限公司 图像识别方法、装置、终端设备及计算机可读存储介质
CN112365465A (zh) * 2020-11-09 2021-02-12 浙江大华技术股份有限公司 合成图像类别确定方法、装置、存储介质及电子装置
CN112417970A (zh) * 2020-10-22 2021-02-26 北京迈格威科技有限公司 目标对象识别方法、装置和电子系统
CN112489015A (zh) * 2020-11-27 2021-03-12 广州高新兴机器人有限公司 一种用于移动机器人的化纤飘杂识别方法
CN112488947A (zh) * 2020-12-04 2021-03-12 北京字跳网络技术有限公司 模型训练和图像处理方法、装置、设备和计算机可读介质
CN112507912A (zh) * 2020-12-15 2021-03-16 网易（杭州）网络有限公司 一种识别违规图片的方法及装置
CN112508009A (zh) * 2020-11-23 2021-03-16 北京配天技术有限公司 圆形特征检测方法、装置及存储装置
CN112529020A (zh) * 2020-12-24 2021-03-19 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、系统、设备及存储介质
CN112541483A (zh) * 2020-12-25 2021-03-23 三峡大学 Yolo和分块-融合策略结合的稠密人脸检测方法
CN112560586A (zh) * 2020-11-27 2021-03-26 国家电网有限公司大数据中心 一种杆塔标识牌结构化数据获得方法、装置及电子设备
CN112560799A (zh) * 2021-01-05 2021-03-26 北京航空航天大学 基于自适应目标区域搜索和博弈的无人机智能车辆目标检测方法和应用
CN112561889A (zh) * 2020-12-18 2021-03-26 深圳赛安特技术服务有限公司 目标物检测方法、装置、电子设备及存储介质
CN112580734A (zh) * 2020-12-25 2021-03-30 深圳市优必选科技股份有限公司 目标检测模型训练方法、系统、终端设备及存储介质
CN112580523A (zh) * 2020-12-22 2021-03-30 平安国际智慧城市科技股份有限公司 行为识别方法、装置、设备及存储介质
CN112597915A (zh) * 2020-12-26 2021-04-02 上海有个机器人有限公司 对室内近距离行人进行识别的方法、装置、介质和机器人
CN112613097A (zh) * 2020-12-15 2021-04-06 中铁二十四局集团江苏工程有限公司 一种基于计算机视觉的bim快速化建模方法
CN112633159A (zh) * 2020-12-22 2021-04-09 北京迈格威科技有限公司 人-物交互关系识别方法、模型训练方法及对应装置
CN112634202A (zh) * 2020-12-04 2021-04-09 浙江省农业科学院 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统
CN112634327A (zh) * 2020-12-21 2021-04-09 合肥讯图信息科技有限公司 基于YOLOv4模型的跟踪方法
CN112633352A (zh) * 2020-12-18 2021-04-09 浙江大华技术股份有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112633286A (zh) * 2020-12-25 2021-04-09 北京航星机器制造有限公司 一种基于危险品相似率和识别概率的智能安检系统
CN112669323A (zh) * 2020-12-29 2021-04-16 深圳云天励飞技术股份有限公司 图像处理方法及相关设备
CN112699925A (zh) * 2020-12-23 2021-04-23 国网安徽省电力有限公司检修分公司 一种变电站表计图像分类方法
CN112734641A (zh) * 2020-12-31 2021-04-30 百果园技术(新加坡)有限公司 目标检测模型的训练方法、装置、计算机设备及介质
CN112733741A (zh) * 2021-01-14 2021-04-30 苏州挚途科技有限公司 交通标识牌识别方法、装置和电子设备
CN112766170A (zh) * 2021-01-21 2021-05-07 广西财经学院 基于簇类无人机图像的自适应分割检测方法及装置
CN112784694A (zh) * 2020-12-31 2021-05-11 杭州电子科技大学 一种基于evp_yolo的室内物品检测方法
CN112800971A (zh) * 2021-01-29 2021-05-14 深圳市商汤科技有限公司 神经网络训练及点云数据处理方法、装置、设备和介质
CN112818980A (zh) * 2021-01-15 2021-05-18 湖南千盟物联信息技术有限公司 一种基于Yolov3算法的钢包号检测识别方法
CN112836697A (zh) * 2020-12-24 2021-05-25 南京泓图人工智能技术研究院有限公司 一种基于yolov5的车辆种类检测与质量预估方法
CN112861711A (zh) * 2021-02-05 2021-05-28 深圳市安软科技股份有限公司 区域入侵检测方法、装置、电子设备及存储介质
CN112861716A (zh) * 2021-02-05 2021-05-28 深圳市安软科技股份有限公司 违规物品摆放的监测方法、系统、设备及存储介质
CN112906794A (zh) * 2021-02-22 2021-06-04 珠海格力电器股份有限公司 一种目标检测方法、装置、存储介质及终端
CN112906495A (zh) * 2021-01-27 2021-06-04 深圳安智杰科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112906621A (zh) * 2021-03-10 2021-06-04 北京华捷艾米科技有限公司 一种手部检测方法、装置、存储介质和设备
CN112906478A (zh) * 2021-01-22 2021-06-04 北京百度网讯科技有限公司 目标对象的识别方法、装置、设备和存储介质
CN112907553A (zh) * 2021-03-09 2021-06-04 苏州鸿鹄骐骥电子科技有限公司 一种基于Yolov3的高清图像目标检测方法
CN112911171A (zh) * 2021-02-04 2021-06-04 上海航天控制技术研究所 一种基于加速处理的智能光电信息处理系统及方法
CN112966762A (zh) * 2021-03-16 2021-06-15 南京恩博科技有限公司 一种野生动物检测方法、装置、存储介质及电子设备
CN112966618A (zh) * 2021-03-11 2021-06-15 京东数科海益信息科技有限公司 着装识别方法、装置、设备及计算机可读介质
CN112990334A (zh) * 2021-03-29 2021-06-18 西安电子科技大学 基于改进原型网络的小样本sar图像目标识别方法
CN112991304A (zh) * 2021-03-23 2021-06-18 武汉大学 一种基于激光定向能量沉积监测系统的熔池溅射检测方法
CN112989924A (zh) * 2021-01-26 2021-06-18 深圳市优必选科技股份有限公司 目标检测方法、目标检测装置及终端设备
CN113011319A (zh) * 2021-03-16 2021-06-22 上海应用技术大学 多尺度火灾目标识别方法及系统
CN113052127A (zh) * 2021-04-09 2021-06-29 上海云从企业发展有限公司 一种行为检测方法、系统、计算机设备及机器可读介质
CN113095133A (zh) * 2021-03-04 2021-07-09 北京迈格威科技有限公司 模型训练方法、目标检测方法及对应装置
CN113128522A (zh) * 2021-05-11 2021-07-16 四川云从天府人工智能科技有限公司 目标识别方法、装置、计算机设备和存储介质
CN113139597A (zh) * 2021-04-19 2021-07-20 中国人民解放军91054部队 一种基于统计思想的图像分布外检测方法
CN113205067A (zh) * 2021-05-26 2021-08-03 北京京东乾石科技有限公司 作业人员监控方法、装置、电子设备和存储介质
CN113222889A (zh) * 2021-03-30 2021-08-06 大连智慧渔业科技有限公司 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置
CN113240638A (zh) * 2021-05-12 2021-08-10 上海联影智能医疗科技有限公司 基于深度学习的目标检测方法、设备及介质
CN113255716A (zh) * 2021-03-19 2021-08-13 上海东普信息科技有限公司 基于YOLOv4的回流件识别方法、装置、设备及存储介质
CN113377888A (zh) * 2021-06-25 2021-09-10 北京百度网讯科技有限公司 训练目标检测模型和检测目标的方法
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法
CN113434721A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 表情包分类方法、装置、计算机设备和存储介质
CN113435260A (zh) * 2021-06-07 2021-09-24 上海商汤智能科技有限公司 图像检测方法和相关训练方法及相关装置、设备及介质
CN113486857A (zh) * 2021-08-03 2021-10-08 云南大学 一种基于YOLOv4的登高安全检测方法及系统
CN113486746A (zh) * 2021-06-25 2021-10-08 海南电网有限责任公司三亚供电局 基于生物感应及视频监控的电力电缆防外破方法
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
CN113553948A (zh) * 2021-07-23 2021-10-26 中远海运科技(北京)有限公司 烟虫自动识别和计数方法、计算机可读介质
CN113591566A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 图像识别模型的训练方法、装置、电子设备和存储介质
CN113723217A (zh) * 2021-08-09 2021-11-30 南京邮电大学 一种基于yolo改进的物体智能检测方法及系统
CN113723157A (zh) * 2020-12-15 2021-11-30 京东数字科技控股股份有限公司 一种农作物病害识别方法、装置、电子设备及存储介质
CN113723406A (zh) * 2021-09-03 2021-11-30 乐普（北京）医疗器械股份有限公司 一种对冠脉造影图像进行支架定位的处理方法和装置
CN113743339A (zh) * 2021-09-09 2021-12-03 三峡大学 一种基于场景识别的室内跌倒检测方法和系统
CN113762023A (zh) * 2021-02-18 2021-12-07 北京京东振世信息技术有限公司 基于物品关联关系的对象识别的方法和装置
CN113792656A (zh) * 2021-09-15 2021-12-14 山东大学 一种人员移动中使用移动通讯设备的行为检测及报警系统
CN113807449A (zh) * 2021-09-23 2021-12-17 合肥工业大学 一种沉积岩类别识别方法、装置、电子设备和存储介质
CN113850140A (zh) * 2021-08-26 2021-12-28 航天恒星科技有限公司 一种面向密集排列舰船的检测方法及装置
CN113869122A (zh) * 2021-08-27 2021-12-31 国网浙江省电力有限公司 一种配网工程强化管控方法
CN113870196A (zh) * 2021-09-10 2021-12-31 苏州浪潮智能科技有限公司 一种基于锚点切图的图像处理方法、装置、设备和介质
CN113869413A (zh) * 2021-09-28 2021-12-31 南京荣新智能科技有限公司 一种中药饮片小包装目标检测识别方法及系统
CN113869393A (zh) * 2021-09-26 2021-12-31 新疆爱华盈通信息技术有限公司 图像分类方法、系统、电子设备与存储介质
CN113869121A (zh) * 2021-08-26 2021-12-31 中国人民解放军海军工程大学 一种基于有效区域识别的雷达波形分类方法及系统
CN113869211A (zh) * 2021-09-28 2021-12-31 杭州福柜科技有限公司 图像自动标注和标注质量自动评价方法及系统
CN113948190A (zh) * 2021-09-02 2022-01-18 上海健康医学院 X线头颅正位片头影测量标志点自动识别方法及设备
CN113971732A (zh) * 2021-10-18 2022-01-25 中科院成都信息技术股份有限公司 小目标检测方法、装置、可读存储介质及电子设备
CN113989744A (zh) * 2021-10-29 2022-01-28 西安电子科技大学 一种基于超大尺寸高分辨图像的行人目标检测方法及系统
CN113989494A (zh) * 2021-11-17 2022-01-28 北京环境特性研究所 一种复杂气候条件下的图像识别方法和装置
CN113989939A (zh) * 2021-11-16 2022-01-28 河北工业大学 一种基于改进yolo算法的小目标行人检测系统
CN114022446A (zh) * 2021-11-04 2022-02-08 广东工业大学 一种基于改进YOLOv3的皮革瑕疵检测方法及系统
CN114022554A (zh) * 2021-11-03 2022-02-08 北华航天工业学院 一种基于yolo的按摩机器人穴位检测与定位方法
CN114022705A (zh) * 2021-10-29 2022-02-08 电子科技大学 一种基于场景复杂度预分类的自适应目标检测方法
CN114049685A (zh) * 2021-11-10 2022-02-15 深圳前海环融联易信息科技服务有限公司 合同签署单的签名验证方法
CN114049650A (zh) * 2021-10-14 2022-02-15 熵基科技股份有限公司 一种行人检测方法、装置、设备及可读存储介质
CN114066837A (zh) * 2021-11-11 2022-02-18 中国船舶重工集团公司第七一九研究所 一种船舶舱室动态水位识别方法和系统
CN114119455A (zh) * 2021-09-03 2022-03-01 乐普（北京）医疗器械股份有限公司 一种基于目标检测网络定位血管狭窄部位的方法和装置
CN114119961A (zh) * 2021-11-12 2022-03-01 上海朱光亚战略科技研究院 目标检测方法、装置、设备、存储介质和程序产品
CN114120039A (zh) * 2021-11-27 2022-03-01 深圳爱莫科技有限公司 一种用于市场稽查的冰淇淋检测识别方法、系统及设备
CN114120358A (zh) * 2021-11-11 2022-03-01 国网江苏省电力有限公司技能培训中心 一种基于超像素引导深度学习的人员头戴安全帽识别方法
CN114140745A (zh) * 2021-11-29 2022-03-04 上海建科工程咨询有限公司 施工现场人员属性检测方法、系统、装置及介质
CN114154556A (zh) * 2021-11-03 2022-03-08 同盾科技有限公司 样本预测模型的训练方法、装置、电子设备及存储介质
CN114169623A (zh) * 2021-12-13 2022-03-11 南方电网科学研究院有限责任公司 一种电力设备故障分析方法、装置、电子设备及存储介质
CN114170467A (zh) * 2021-12-09 2022-03-11 武汉珞珈天铭电气科技有限公司 一种导线断股识别方法、设备及存储介质
CN114187473A (zh) * 2021-12-06 2022-03-15 杭州慕锐科技有限公司 一种提高花型图分类打标准确率的方法
CN114202041A (zh) * 2020-09-18 2022-03-18 顺丰科技有限公司 包装物料检测方法和装置
CN114220120A (zh) * 2021-12-01 2022-03-22 中林信达（北京）科技信息有限责任公司 一种东北虎个体识别方法
CN114241296A (zh) * 2021-11-11 2022-03-25 上海航天控制技术研究所 月面着陆陨石坑障碍检测方法以及存储介质和电子设备
CN114255389A (zh) * 2021-11-15 2022-03-29 浙江时空道宇科技有限公司 一种目标对象检测方法、装置、设备和存储介质
CN114283374A (zh) * 2021-12-21 2022-04-05 科大讯飞华南人工智能研究院（广州）有限公司 目标识别方法、装置、电子设备及存储介质
CN114332614A (zh) * 2021-12-28 2022-04-12 中国兵器科学研究院 一种物体分类方法、装置、设备及介质
CN114332846A (zh) * 2021-12-09 2022-04-12 甄智(苏州)智能科技有限公司 一种物料的检测及分类方法
CN114331943A (zh) * 2020-09-27 2022-04-12 合肥君正科技有限公司 图像目标检测方法、装置以及存储介质、电子设备
CN114359222A (zh) * 2022-01-05 2022-04-15 多伦科技股份有限公司 一种任意多边形目标检测方法、电子设备及存储介质
CN114359670A (zh) * 2021-12-28 2022-04-15 深圳中智永浩机器人有限公司 非结构化数据标注方法、装置、计算机设备及存储介质
CN114373075A (zh) * 2021-12-31 2022-04-19 西安电子科技大学广州研究院 目标部件检测数据集的构建方法、检测方法、装置及设备
CN114387538A (zh) * 2021-12-15 2022-04-22 江苏电力信息技术有限公司 基于YoloX网络的变电站作业现场安全识别方法
CN114387219A (zh) * 2021-12-17 2022-04-22 依未科技(北京)有限公司 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备
US20220130139A1 (en) * 2022-01-05 2022-04-28 Baidu Usa Llc Image processing method and apparatus, electronic device and storage medium
CN114419390A (zh) * 2021-12-24 2022-04-29 北京三快在线科技有限公司 目标对象的预测方法、装置、电子设备和存储介质
CN114429619A (zh) * 2022-01-26 2022-05-03 浙江商汤科技开发有限公司 目标车辆的检测方法及装置
CN114463656A (zh) * 2020-10-22 2022-05-10 北京鸿享技术服务有限公司 检测模型训练方法、装置、设备及存储介质
CN114550090A (zh) * 2022-02-18 2022-05-27 国网福建省电力有限公司上杭县供电公司 一种基于深度学习的变电站鸟巢识别方法及系统
CN114565848A (zh) * 2022-02-25 2022-05-31 佛山读图科技有限公司 一种复杂场景的药液液位检测方法及系统
CN114581647A (zh) * 2022-02-25 2022-06-03 浙江啄云智能科技有限公司 一种置信度后处理方法、装置、设备及存储介质
CN114581707A (zh) * 2022-03-03 2022-06-03 广州极飞科技股份有限公司 分类方法、装置、电子设备及存储介质
CN114612926A (zh) * 2020-12-08 2022-06-10 顺丰科技有限公司 场景中人数计数方法、装置、计算机设备和存储介质
CN114627039A (zh) * 2020-12-11 2022-06-14 Tcl科技集团股份有限公司 一种面板缺陷检测模型的生成方法、检测方法及终端设备
CN114626477A (zh) * 2022-03-22 2022-06-14 中国农业银行股份有限公司 一种目标检测方法、装置及设备
CN114629047A (zh) * 2022-03-18 2022-06-14 新疆信息产业有限责任公司 一种防振锤滑移的检测方法、装置及设备
CN114638991A (zh) * 2022-03-18 2022-06-17 聊城大学 一种基于YOLOv4-MobileNetv3和PyQt5的智能零售结算方法
CN114663673A (zh) * 2022-03-23 2022-06-24 每平每屋(上海)科技有限公司 文件处理方法、装置、设备及存储介质
CN114662594A (zh) * 2022-03-25 2022-06-24 浙江省通信产业服务有限公司 一种目标特征识别分析系统
CN114742204A (zh) * 2022-04-08 2022-07-12 黑龙江惠达科技发展有限公司 检测秸秆覆盖率的方法和装置
CN114742704A (zh) * 2022-03-25 2022-07-12 影石创新科技股份有限公司 图像扩增方法和基于图像扩增的模型训练方法
CN114758181A (zh) * 2022-04-24 2022-07-15 北京世纪好未来教育科技有限公司 一种图像检测方法、装置、设备及介质
CN114758177A (zh) * 2022-04-18 2022-07-15 北京安铁软件技术有限公司 一种动车四角锁开闭状态检测方法及系统
CN114782778A (zh) * 2022-04-25 2022-07-22 广东工业大学 一种基于机器视觉技术的装配状态监控方法及系统
CN114782494A (zh) * 2022-05-16 2022-07-22 京东方科技集团股份有限公司 一种动态目标分析方法、装置、设备及存储介质
CN114782954A (zh) * 2022-04-18 2022-07-22 携程旅游网络技术（上海）有限公司 图片验证码识别方法、系统、设备及存储介质
CN114821288A (zh) * 2021-01-29 2022-07-29 中强光电股份有限公司 图像辨识方法以及无人机系统
CN114821663A (zh) * 2022-05-20 2022-07-29 澜途集思生态科技集团有限公司 基于CornerNet算法的生态生物识别方法
CN114842315A (zh) * 2022-05-07 2022-08-02 无锡雪浪数制科技有限公司 轻量化高铁轮毂垫片防松识别方法及装置
CN114862821A (zh) * 2022-05-25 2022-08-05 中关村芯海择优科技有限公司 继电保护硬压板的自动化监测方法、系统、设备
CN114881763A (zh) * 2022-05-18 2022-08-09 中国工商银行股份有限公司 养殖业贷后监管方法、装置、设备和介质
CN114937168A (zh) * 2022-05-05 2022-08-23 广东美的厨房电器制造有限公司 一种脏污识别方法、装置、设备和存储介质
CN114972891A (zh) * 2022-07-07 2022-08-30 智云数创(洛阳)数字科技有限公司 一种cad构件自动识别方法及bim建模方法
CN114998689A (zh) * 2022-06-20 2022-09-02 深圳技术大学 一种轨道数据集的生成方法、轨道识别方法和系统
CN115019096A (zh) * 2022-06-08 2022-09-06 中国兵器工业计算机应用技术研究所 一种基于动态神经网络的武装人员装备检测方法和系统
CN115029209A (zh) * 2022-06-17 2022-09-09 杭州天杭空气质量检测有限公司 一种菌落图像采集处理装置及其处理方法
CN115063733A (zh) * 2021-02-27 2022-09-16 华为技术有限公司 一种对象检测方法及电子设备
CN115082661A (zh) * 2022-07-11 2022-09-20 阿斯曼尔科技(上海)有限公司 一种传感器装配难度降低方法
CN115115884A (zh) * 2022-06-30 2022-09-27 浪潮(北京)电子信息产业有限公司 对抗样本的检测方法、系统、设备及存储介质
CN115131679A (zh) * 2022-07-01 2022-09-30 合众新能源汽车有限公司 检测方法、装置及计算机存储介质
CN115187982A (zh) * 2022-07-12 2022-10-14 河北华清环境科技集团股份有限公司 藻类检测方法、装置及终端设备
CN115205583A (zh) * 2022-06-08 2022-10-18 浙江大华技术股份有限公司 图像分类模型训练方法、电子设备和计算机可读存储介质
CN115240132A (zh) * 2022-06-20 2022-10-25 讯飞智元信息科技有限公司 传送带运行状态的监测方法、装置和存储介质
CN115291141A (zh) * 2022-07-26 2022-11-04 深圳供电局有限公司 一种电缆及其附件的故障诊断方法及系统
CN115297263A (zh) * 2022-08-24 2022-11-04 广州方图科技有限公司 适用于拍立方的自动拍照控制方法、系统及拍立方
CN115346172A (zh) * 2022-08-16 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种钩提杆复位弹簧丢失和折断检测方法及系统
CN115346170A (zh) * 2022-08-11 2022-11-15 北京市燃气集团有限责任公司 一种燃气设施区域的智能监控方法及装置
WO2022252089A1 (zh) * 2021-05-31 2022-12-08 京东方科技集团股份有限公司 对象检测模型的训练方法、对象检测方法及装置
CN115456382A (zh) * 2022-08-31 2022-12-09 同炎数智科技(重庆)有限公司 一种基于云平台的在建工程项目质量安全实时监测方法
CN115527023A (zh) * 2022-08-31 2022-12-27 北京结慧科技有限公司 图像检测方法、装置、电子设备及存储介质
CN115546566A (zh) * 2022-11-24 2022-12-30 杭州心识宇宙科技有限公司 基于物品识别的智能体交互方法、装置、设备及存储介质
CN115546797A (zh) * 2022-09-28 2022-12-30 国网福建省电力有限公司 一种基于yolov5算法的电能表识别方法、设备及存储介质
CN115546542A (zh) * 2022-09-29 2022-12-30 上海云从企业发展有限公司 目标识别方法、装置、电子设备及存储介质
CN115578556A (zh) * 2022-09-30 2023-01-06 际络科技(上海)有限公司 目标检测后处理方法、装置、电子设备、车辆及存储介质
CN115619719A (zh) * 2022-09-26 2023-01-17 华南农业大学 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法
CN115620124A (zh) * 2022-09-05 2023-01-17 北京遥感设备研究所 基于检测级联、运动分析、时序分析网络的抗干扰方法
CN115661693A (zh) * 2022-11-04 2023-01-31 国网福建省电力有限公司建设分公司 基于目标检测算法的识别基坑口是否存在安全围栏的方法
CN115690565A (zh) * 2022-09-28 2023-02-03 大连海洋大学 融合知识与改进YOLOv5的养殖红鳍东方鲀目标检测方法
CN115690570A (zh) * 2023-01-05 2023-02-03 中国水产科学研究院黄海水产研究所 一种基于st-gcn的鱼群摄食强度预测方法
CN115713803A (zh) * 2022-11-28 2023-02-24 深圳市捷易科技有限公司 一种基于人眼的身份识别方法及系统
CN115719084A (zh) * 2022-11-23 2023-02-28 中电信数智科技有限公司 参数调优方法、装置、电子设备及计算机可读存储介质
CN115762083A (zh) * 2022-11-11 2023-03-07 南方电网数字电网科技(广东)有限公司 基于无人探测器的线路部件识别告警方法及系统
CN115761707A (zh) * 2022-08-31 2023-03-07 青岛海尔电冰箱有限公司 图像检测模型处理方法、存储介质及系统
CN115761412A (zh) * 2022-11-29 2023-03-07 北京中星天视科技有限公司 检测框处理方法、装置、电子设备和计算机可读介质
CN115754873A (zh) * 2022-10-13 2023-03-07 国家电网有限公司技术学院分公司 一种互感器误差试验的接线检测方法及系统
CN115862249A (zh) * 2022-11-23 2023-03-28 深圳市万物云科技有限公司 基于多传感器联合的明火检测方法、装置及相关介质
CN115880570A (zh) * 2022-11-18 2023-03-31 成都西交智汇大数据科技有限公司 玻璃棒停靠位置的检测方法、装置、设备及可读存储介质
CN115909358A (zh) * 2022-07-27 2023-04-04 广州市玄武无线科技股份有限公司 商品规格识别方法、装置、终端设备及计算机存储介质
CN115909495A (zh) * 2022-11-21 2023-04-04 浙江大华技术股份有限公司 行为检测方法、设备以及存储介质
CN116052138A (zh) * 2023-01-16 2023-05-02 成都宇亨智能科技有限公司 一种用于川芎剪种的方法及其系统
CN116051985A (zh) * 2022-12-20 2023-05-02 中国科学院空天信息创新研究院 一种基于多模型互馈学习的半监督遥感目标检测方法
CN116091906A (zh) * 2023-03-06 2023-05-09 成都合能创越软件有限公司 基于生成对抗网络的异常大小物体识别方法及系统
CN116189067A (zh) * 2021-11-25 2023-05-30 浙江宇视科技有限公司 数据处理性能确定方法、装置、电子设备及介质
CN116205832A (zh) * 2021-11-29 2023-06-02 中国科学院沈阳计算技术研究所有限公司 一种基于stm r-cnn的金属表面缺陷检测方法
CN116244626A (zh) * 2023-01-16 2023-06-09 中国人民解放军战略支援部队信息工程大学 一种基于波形的水声Modem属性智能识别方法
CN116363426A (zh) * 2023-03-28 2023-06-30 南京工业大学 公路防眩板健康状态自动检测方法
CN116363430A (zh) * 2023-03-30 2023-06-30 神华准格尔能源有限责任公司 夜间环境的托辊检测方法、装置和托辊检测系统
CN116363610A (zh) * 2023-03-31 2023-06-30 河南大学 一种基于改进YOLOv5的航拍车辆旋转目标检测方法
CN116403163A (zh) * 2023-04-20 2023-07-07 慧铁科技有限公司 一种截断塞门手把开合状态的识别方法和装置
CN116434158A (zh) * 2023-04-11 2023-07-14 清华大学 目标检测方法、装置、计算机设备和存储介质
CN116448254A (zh) * 2023-04-18 2023-07-18 珠海市它物云科技有限公司 生猪体温检测的方法、温度监测装置和计算机可读存储介质
CN116452858A (zh) * 2023-03-24 2023-07-18 哈尔滨市科佳通用机电股份有限公司 一种铁路货车连接拉杆圆销折断故障识别方法及系统
CN116524477A (zh) * 2023-04-10 2023-08-01 北京谊安医疗系统股份有限公司 一种识别检测盒检测结果的方法及系统
CN116524337A (zh) * 2023-03-27 2023-08-01 山东大学 一种知识增强的多服务机器人物体类别识别方法及系统
CN116543258A (zh) * 2023-05-04 2023-08-04 零束科技有限公司 一种目标检测方法、装置及相关设备
CN116597269A (zh) * 2023-04-07 2023-08-15 北京百度网讯科技有限公司 模型的训练方法、装置及电子设备
CN116612401A (zh) * 2023-05-31 2023-08-18 华中科技大学 基于水上搜救无人机的落水人员识别方法、系统及介质
CN116626046A (zh) * 2023-05-11 2023-08-22 广东电网有限责任公司江门供电局 一种继电保护柜端子缺陷检测方法、系统、设备和介质
CN116630786A (zh) * 2023-05-25 2023-08-22 苏州广目汽车科技有限公司 一种火情检测方法、装置及设备
CN116644310A (zh) * 2023-04-20 2023-08-25 北斗星通智联科技有限责任公司 一种自动标注方法、装置、电子设备及介质
CN116665092A (zh) * 2023-05-17 2023-08-29 暨南大学 基于ia-yolov7的污水悬浮物识别方法及系统
CN116681687A (zh) * 2023-06-20 2023-09-01 广东电网有限责任公司广州供电局 基于计算机视觉的导线检测方法、装置和计算机设备
CN116758547A (zh) * 2023-06-27 2023-09-15 北京中超伟业信息安全技术股份有限公司 一种纸介质碳化方法、系统及存储介质
CN116916166A (zh) * 2023-09-12 2023-10-20 湖南湘银河传感科技有限公司 一种基于ai图像解析的遥测终端机
CN116935395A (zh) * 2023-03-03 2023-10-24 中国移动通信有限公司研究院 文本识别方法、装置、电子设备及存储介质
CN116935096A (zh) * 2023-06-05 2023-10-24 麦克奥迪实业集团有限公司 图像色彩调整方法、介质及设备
CN116935232A (zh) * 2023-09-15 2023-10-24 青岛国测海遥信息技术有限公司 海上风力设备的遥感图像处理方法和装置、设备和介质
CN116958801A (zh) * 2022-04-20 2023-10-27 中国石油化工股份有限公司 一种针对野外露头数据的溶洞识别方法
CN116977921A (zh) * 2023-06-28 2023-10-31 三峡科技有限责任公司 一种工地安全防护用品的多步骤小目标检测方法
CN117011884A (zh) * 2023-04-18 2023-11-07 中国林业科学研究院森林生态环境与自然保护研究所 基于ai训练的物种鉴定方法、系统、介质及设备
CN117079265A (zh) * 2023-07-17 2023-11-17 清华大学 单目3d目标检测的开放集领域泛化的方法、装置及设备
CN117076972A (zh) * 2022-05-06 2023-11-17 芯恩（青岛）集成电路有限公司 芯片失效类型的数据分类方法及装置、存储介质和终端
CN117078919A (zh) * 2023-09-06 2023-11-17 浙江大华技术股份有限公司 检测框的外扩方法及装置
CN117115559A (zh) * 2023-09-20 2023-11-24 浙江乘屹电子科技有限公司 用于智能终端的摄像模组的电机基板的检测方法
CN117152501A (zh) * 2023-08-18 2023-12-01 长园深瑞继保自动化有限公司 一种指示灯的状态识别方法、装置、终端设备及存储介质
CN117152522A (zh) * 2023-09-04 2023-12-01 中国海洋大学三亚海洋研究院 一种基于神经网络模型检测对虾存活状态的方法
CN117292387A (zh) * 2023-08-18 2023-12-26 深圳市雁联计算系统有限公司 一种影像数据自动标注方法及系统
CN117315771A (zh) * 2023-08-28 2023-12-29 北京天元创新科技有限公司 使用手机行为识别方法、装置、电子设备及存储介质
CN117315443A (zh) * 2023-10-17 2023-12-29 上海锡鼎智能科技有限公司 一种电表指针偏转状态识别方法、计算设备及存储介质
CN117523318A (zh) * 2023-12-26 2024-02-06 宁波微科光电股份有限公司 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质
CN117671726A (zh) * 2023-11-06 2024-03-08 广西民族大学 基于走失追踪yolov8模型的人物图像追踪方法及装置
CN117671597A (zh) * 2023-12-25 2024-03-08 北京大学长沙计算与数字经济研究院 一种老鼠检测模型的构建方法和老鼠检测方法及装置
CN117893895A (zh) * 2024-03-15 2024-04-16 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 一种三疣梭子蟹的识别方法、系统、设备和存储介质
CN118052825A (zh) * 2024-04-16 2024-05-17 浙江泰伦绝缘子有限公司 一种玻璃绝缘子表面瑕疵检测方法
CN118072000A (zh) * 2024-04-17 2024-05-24 中国科学院合肥物质科学研究院 一种基于新型目标识别算法的鱼类检测方法
CN118070748A (zh) * 2024-04-16 2024-05-24 中南民族大学 基于目标检测的电路板器件热分析方法及装置
CN118097526A (zh) * 2024-04-25 2024-05-28 福建卓航特种设备有限公司 基于图像处理的飞行物识别方法及系统
CN118212394A (zh) * 2024-03-13 2024-06-18 浙江寿仙谷植物药研究院有限公司 一种灵芝菌丝体表型特征智能检测方法
CN118351286A (zh) * 2024-03-12 2024-07-16 北京合众伟奇科技股份有限公司 一种用于管理电能表的方法
CN118379612A (zh) * 2024-06-25 2024-07-23 武汉大水云科技有限公司 一种复杂场景下的水位识别方法
CN118506108A (zh) * 2024-07-17 2024-08-16 天翼视联科技有限公司 图像标注方法、装置、电子装置和存储介质
CN118691857A (zh) * 2023-12-29 2024-09-24 中国计量大学 一种商标侵权检测方法和系统
CN118736268A (zh) * 2024-05-31 2024-10-01 中国联合网络通信有限公司广东省分公司 一种通信基站的天线检查方法、设备及存储介质
CN119296009A (zh) * 2024-12-10 2025-01-10 湖南鸣鸣很忙商业连锁有限公司 一种陈列饱满度检测方法及系统
CN119477921A (zh) * 2025-01-16 2025-02-18 安徽恒泰电气科技股份有限公司 基于YOLOv8算法的煤炭输送带跑偏检测方法、系统及装置
CN119579865A (zh) * 2024-11-21 2025-03-07 北京深势科技有限公司 一种电镜图的标尺及标尺信息组合特征的识别方法和装置
CN119625816A (zh) * 2023-09-13 2025-03-14 中国农业大学 鱼类行为识别方法及装置
CN119649096A (zh) * 2024-11-21 2025-03-18 哈尔滨工业大学 一种基于SlowFast算法的圆窗膜穿刺状态检测方法
CN119863840A (zh) * 2024-12-26 2025-04-22 北京源络科技有限公司 药品识别方法、核对方法、药品识别装置及电子设备
CN120087564A (zh) * 2025-04-30 2025-06-03 中网华信科技股份有限公司 一种工业设备预测性维护方法及系统
CN120259802A (zh) * 2025-06-09 2025-07-04 北京市农林科学院 基于轻量化多任务图像识别网络和知识图谱的鱼类混养判断方法
WO2026016376A1 (zh) * 2024-07-16 2026-01-22 天翼视联科技有限公司 证件盗拍识别方法、装置、计算机设备及存储介质
CN121391913A (zh) * 2025-12-24 2026-01-23 天津市春鹏预应力钢绞线有限公司 一种捻股设备智能断丝识别系统
CN121411456A (zh) * 2025-12-29 2026-01-27 江苏道达智能科技有限公司 一种rgv路径规划方法和系统

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977943B (zh) * 2019-02-14 2024-05-07 平安科技（深圳）有限公司 一种基于yolo的图像目标识别方法、系统和存储介质
CN110348304A (zh) * 2019-06-06 2019-10-18 武汉理工大学 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法
CN110738125B (zh) * 2019-09-19 2023-08-01 平安科技（深圳）有限公司 利用Mask R-CNN选择检测框的方法、装置及存储介质
CN111223343B (zh) * 2020-03-07 2022-01-28 上海中科教育装备集团有限公司 一种杠杆平衡实验人工智能评分实验器材及评分方法
CN111582021B (zh) * 2020-03-26 2024-07-05 平安科技（深圳）有限公司 场景图像中的文本检测方法、装置及计算机设备
CN111695559B (zh) * 2020-04-28 2023-07-18 深圳市跨越新科技有限公司 基于YoloV3模型的运单图片信息打码方法及系统
CN113705591A (zh) * 2020-05-20 2021-11-26 上海微创卜算子医疗科技有限公司 可读存储介质、支架规格识别方法及装置
CN111626256B (zh) * 2020-06-03 2023-06-27 兰波(苏州)智能科技有限公司 基于扫描电镜图像的高精度硅藻检测识别方法及系统
CN111738280A (zh) * 2020-06-29 2020-10-02 腾讯科技（武汉）有限公司 一种图像识别方法、装置、设备及可读存储介质
CN111738259A (zh) * 2020-06-29 2020-10-02 广东电网有限责任公司 一种杆塔状态检测方法及装置
CN111523621B (zh) * 2020-07-03 2020-10-20 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备和存储介质
CN111857350B (zh) * 2020-07-28 2024-07-19 海尔优家智能科技（北京）有限公司 用于旋转显示设备的方法及装置、设备
CN112132018A (zh) * 2020-09-22 2020-12-25 平安国际智慧城市科技股份有限公司 交警识别方法、装置、介质及电子设备
CN112116582B (zh) * 2020-09-24 2024-07-05 深圳爱莫科技有限公司 一种库存或陈列场景下的条烟检测识别方法
CN112132088B (zh) * 2020-09-29 2024-01-12 动联(山东)电子科技有限公司 一种巡检点位漏巡识别方法
CN112381773B (zh) * 2020-11-05 2023-04-18 东风柳州汽车有限公司 关键截面数据分析方法、装置、设备及存储介质
CN112508915A (zh) * 2020-12-11 2021-03-16 中信银行股份有限公司 一种目标检测结果优化方法及系统
CN112215308B (zh) * 2020-12-13 2021-03-30 之江实验室 一种吊装物体单阶检测方法、装置、电子设备及存储介质
CN112507896B (zh) * 2020-12-14 2023-11-07 大连大学 一种采用改进的yolo-v4模型对樱桃果实进行检测的方法
CN112508017A (zh) * 2020-12-15 2021-03-16 通号智慧城市研究设计院有限公司 数显仪表读数智能识别方法、系统、处理设备和存储介质
CN112613570B (zh) * 2020-12-29 2024-06-11 深圳云天励飞技术股份有限公司 一种图像检测方法、图像检测装置、设备及存储介质
CN112766118A (zh) * 2021-01-08 2021-05-07 中国工商银行股份有限公司 对象识别方法、装置、电子设备和介质
CN113033398B (zh) * 2021-03-25 2022-02-11 深圳市康冠商用科技有限公司 一种手势识别方法、装置、计算机设备及存储介质
CN112965604A (zh) * 2021-03-29 2021-06-15 深圳市优必选科技股份有限公司 手势识别方法、装置、终端设备及计算机可读存储介质
CN113158922A (zh) * 2021-04-26 2021-07-23 平安科技（深圳）有限公司 基于yolo神经网络的车流量统计方法、装置及设备
CN113269188B (zh) * 2021-06-17 2023-03-14 华南农业大学 一种标记点及其像素坐标检测方法
CN113705643B (zh) * 2021-08-17 2022-10-28 荣耀终端有限公司 一种目标物检测方法、装置以及电子设备
CN113657280B (zh) * 2021-08-18 2024-06-21 广东电网有限责任公司 一种输电线路目标缺陷检测示警方法及系统
CN113793325B (zh) * 2021-09-22 2024-05-24 北京市商汤科技开发有限公司 一种检测方法、装置、计算机设备和存储介质
CN113869388B (zh) * 2021-09-24 2025-09-23 广州华多网络科技有限公司 目标物品识别方法及其装置、设备、介质、产品
CN114511741B (zh) * 2022-01-28 2024-09-13 腾讯科技（深圳）有限公司 图像的识别方法、装置、设备、存储介质及程序产品
CN114596358A (zh) * 2022-03-03 2022-06-07 深圳一清创新科技有限公司 一种物体检测方法、装置及电子设备
CN115471694B (zh) * 2022-08-29 2026-03-27 浙江理工大学 基于YoloV5和ResNet50的垃圾分类方法
CN116310736A (zh) * 2023-03-24 2023-06-23 安谋科技（中国）有限公司 图像处理方法、系统、可读介质和电子设备
CN116342316A (zh) * 2023-05-31 2023-06-27 青岛希尔信息科技有限公司 会计核算和项目财务管理系统及方法
CN117037051A (zh) * 2023-07-28 2023-11-10 浪潮通信信息系统有限公司 光交箱端子识别方法、装置、电子设备及存储介质
CN117201834B (zh) * 2023-09-11 2024-06-21 南京天创电子技术有限公司 基于目标检测的实时双光谱融合视频流显示方法及系统
CN118967553B (zh) * 2024-07-03 2025-06-17 深圳市红昌精密电路有限公司 柔性线路板的缺陷检测方法、装置、设备及存储介质
CN120673380B (zh) * 2025-08-20 2026-01-23 北京科技大学 一种基于开放目标检测的无人车周围目标识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527009A (zh) * 2017-07-11 2017-12-29 浙江汉凡软件科技有限公司 一种基于yolo目标检测的遗留物检测方法
CN108154098A (zh) * 2017-12-20 2018-06-12 歌尔股份有限公司 一种机器人的目标识别方法、装置和机器人
CN109117794A (zh) * 2018-08-16 2019-01-01 广东工业大学 一种运动目标行为跟踪方法、装置、设备及可读存储介质
CN109977943A (zh) * 2019-02-14 2019-07-05 平安科技（深圳）有限公司 一种基于yolo的图像目标识别方法、系统和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247956B (zh) * 2016-10-09 2020-03-27 成都快眼科技有限公司 一种基于网格判断的快速目标检测方法
CN107423760A (zh) * 2017-07-21 2017-12-01 西安电子科技大学 基于预分割和回归的深度学习目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527009A (zh) * 2017-07-11 2017-12-29 浙江汉凡软件科技有限公司 一种基于yolo目标检测的遗留物检测方法
CN108154098A (zh) * 2017-12-20 2018-06-12 歌尔股份有限公司 一种机器人的目标识别方法、装置和机器人
CN109117794A (zh) * 2018-08-16 2019-01-01 广东工业大学 一种运动目标行为跟踪方法、装置、设备及可读存储介质
CN109977943A (zh) * 2019-02-14 2019-07-05 平安科技（深圳）有限公司 一种基于yolo的图像目标识别方法、系统和存储介质

Cited By (327)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101134A (zh) * 2020-08-24 2020-12-18 深圳市商汤科技有限公司 物体的检测方法及装置、电子设备和存储介质
CN112101134B (zh) * 2020-08-24 2024-01-02 深圳市商汤科技有限公司 物体的检测方法及装置、电子设备和存储介质
CN112036286A (zh) * 2020-08-25 2020-12-04 北京华正明天信息技术股份有限公司 一种基于yoloV3算法实现温度感应及智能分析识别火焰的方法
CN111986255A (zh) * 2020-09-07 2020-11-24 北京凌云光技术集团有限责任公司 一种图像检测模型的多尺度anchor初始化方法与装置
CN111986255B (zh) * 2020-09-07 2024-04-09 凌云光技术股份有限公司 一种图像检测模型的多尺度anchor初始化方法与装置
CN114202041A (zh) * 2020-09-18 2022-03-18 顺丰科技有限公司 包装物料检测方法和装置
CN112036507A (zh) * 2020-09-25 2020-12-04 北京小米松果电子有限公司 图像识别模型的训练方法、装置、存储介质和电子设备
CN112132064A (zh) * 2020-09-25 2020-12-25 新希望六和股份有限公司 基于人工智能的识别孕囊数量的方法、装置、设备和介质
CN112036507B (zh) * 2020-09-25 2023-11-14 北京小米松果电子有限公司 图像识别模型的训练方法、装置、存储介质和电子设备
CN114331943A (zh) * 2020-09-27 2022-04-12 合肥君正科技有限公司 图像目标检测方法、装置以及存储介质、电子设备
CN112149748A (zh) * 2020-09-28 2020-12-29 商汤集团有限公司 图像分类方法及装置、电子设备和存储介质
CN112149748B (zh) * 2020-09-28 2024-05-21 商汤集团有限公司 图像分类方法及装置、电子设备和存储介质
CN112183358A (zh) * 2020-09-29 2021-01-05 新石器慧拓(北京)科技有限公司 一种目标检测模型的训练方法及装置
CN112183358B (zh) * 2020-09-29 2024-04-23 新石器慧通（北京）科技有限公司 一种目标检测模型的训练方法及装置
CN112200186B (zh) * 2020-10-15 2024-03-15 上海海事大学 基于改进yolo_v3模型的车标识别方法
CN112200186A (zh) * 2020-10-15 2021-01-08 上海海事大学 基于改进yolo_v3模型的车标识别方法
CN112231497B (zh) * 2020-10-19 2024-04-09 腾讯科技（深圳）有限公司 信息分类方法、装置、存储介质及电子设备
CN112231497A (zh) * 2020-10-19 2021-01-15 腾讯科技（深圳）有限公司 信息分类方法、装置、存储介质及电子设备
CN112348778A (zh) * 2020-10-21 2021-02-09 深圳市优必选科技股份有限公司 一种物体识别方法、装置、终端设备及存储介质
CN112348778B (zh) * 2020-10-21 2023-10-27 深圳市优必选科技股份有限公司 一种物体识别方法、装置、终端设备及存储介质
CN112417970A (zh) * 2020-10-22 2021-02-26 北京迈格威科技有限公司 目标对象识别方法、装置和电子系统
CN114463656A (zh) * 2020-10-22 2022-05-10 北京鸿享技术服务有限公司 检测模型训练方法、装置、设备及存储介质
CN112288003A (zh) * 2020-10-28 2021-01-29 北京奇艺世纪科技有限公司 一种神经网络训练、及目标检测方法和装置
CN112365465B (zh) * 2020-11-09 2024-02-06 浙江大华技术股份有限公司 合成图像类别确定方法、装置、存储介质及电子装置
CN112330641A (zh) * 2020-11-09 2021-02-05 迩言(上海)科技有限公司 一种基于深度学习的粮食不完善粒识别方法及系统
CN112365465A (zh) * 2020-11-09 2021-02-12 浙江大华技术股份有限公司 合成图像类别确定方法、装置、存储介质及电子装置
CN112287884A (zh) * 2020-11-19 2021-01-29 长江大学 一种考试异常行为检测方法、装置及计算机可读存储介质
CN112287884B (zh) * 2020-11-19 2024-02-20 长江大学 一种考试异常行为检测方法、装置及计算机可读存储介质
CN112508009A (zh) * 2020-11-23 2021-03-16 北京配天技术有限公司 圆形特征检测方法、装置及存储装置
CN112364807B (zh) * 2020-11-24 2023-12-15 深圳市优必选科技股份有限公司 图像识别方法、装置、终端设备及计算机可读存储介质
CN112348112B (zh) * 2020-11-24 2023-12-15 深圳市优必选科技股份有限公司 图像识别模型的训练方法、训练装置及终端设备
CN112364807A (zh) * 2020-11-24 2021-02-12 深圳市优必选科技股份有限公司 图像识别方法、装置、终端设备及计算机可读存储介质
CN112348112A (zh) * 2020-11-24 2021-02-09 深圳市优必选科技股份有限公司 图像识别模型的训练方法、训练装置及终端设备
CN112560586A (zh) * 2020-11-27 2021-03-26 国家电网有限公司大数据中心 一种杆塔标识牌结构化数据获得方法、装置及电子设备
CN112489015A (zh) * 2020-11-27 2021-03-12 广州高新兴机器人有限公司 一种用于移动机器人的化纤飘杂识别方法
CN112560586B (zh) * 2020-11-27 2024-05-10 国家电网有限公司大数据中心 一种杆塔标识牌结构化数据获得方法、装置及电子设备
CN112634202A (zh) * 2020-12-04 2021-04-09 浙江省农业科学院 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统
CN112488947A (zh) * 2020-12-04 2021-03-12 北京字跳网络技术有限公司 模型训练和图像处理方法、装置、设备和计算机可读介质
CN114612926A (zh) * 2020-12-08 2022-06-10 顺丰科技有限公司 场景中人数计数方法、装置、计算机设备和存储介质
CN114627039A (zh) * 2020-12-11 2022-06-14 Tcl科技集团股份有限公司 一种面板缺陷检测模型的生成方法、检测方法及终端设备
CN112613097A (zh) * 2020-12-15 2021-04-06 中铁二十四局集团江苏工程有限公司 一种基于计算机视觉的bim快速化建模方法
CN112507912B (zh) * 2020-12-15 2024-06-11 杭州网易智企科技有限公司 一种识别违规图片的方法及装置
CN112507912A (zh) * 2020-12-15 2021-03-16 网易（杭州）网络有限公司 一种识别违规图片的方法及装置
CN113723157B (zh) * 2020-12-15 2024-02-09 京东科技控股股份有限公司 一种农作物病害识别方法、装置、电子设备及存储介质
CN113723157A (zh) * 2020-12-15 2021-11-30 京东数字科技控股股份有限公司 一种农作物病害识别方法、装置、电子设备及存储介质
CN112633352A (zh) * 2020-12-18 2021-04-09 浙江大华技术股份有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112561889A (zh) * 2020-12-18 2021-03-26 深圳赛安特技术服务有限公司 目标物检测方法、装置、电子设备及存储介质
CN112633352B (zh) * 2020-12-18 2023-08-29 浙江大华技术股份有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112634327A (zh) * 2020-12-21 2021-04-09 合肥讯图信息科技有限公司 基于YOLOv4模型的跟踪方法
CN112633159A (zh) * 2020-12-22 2021-04-09 北京迈格威科技有限公司 人-物交互关系识别方法、模型训练方法及对应装置
CN112580523A (zh) * 2020-12-22 2021-03-30 平安国际智慧城市科技股份有限公司 行为识别方法、装置、设备及存储介质
CN112633159B (zh) * 2020-12-22 2024-04-12 北京迈格威科技有限公司 人-物交互关系识别方法、模型训练方法及对应装置
CN112699925A (zh) * 2020-12-23 2021-04-23 国网安徽省电力有限公司检修分公司 一种变电站表计图像分类方法
CN112529020B (zh) * 2020-12-24 2024-05-24 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、系统、设备及存储介质
CN112836697A (zh) * 2020-12-24 2021-05-25 南京泓图人工智能技术研究院有限公司 一种基于yolov5的车辆种类检测与质量预估方法
CN112529020A (zh) * 2020-12-24 2021-03-19 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、系统、设备及存储介质
CN112580734A (zh) * 2020-12-25 2021-03-30 深圳市优必选科技股份有限公司 目标检测模型训练方法、系统、终端设备及存储介质
CN112541483B (zh) * 2020-12-25 2024-05-17 深圳市富浩鹏电子有限公司 Yolo和分块-融合策略结合的稠密人脸检测方法
CN112541483A (zh) * 2020-12-25 2021-03-23 三峡大学 Yolo和分块-融合策略结合的稠密人脸检测方法
CN112580734B (zh) * 2020-12-25 2023-12-29 深圳市优必选科技股份有限公司 目标检测模型训练方法、系统、终端设备及存储介质
CN112633286A (zh) * 2020-12-25 2021-04-09 北京航星机器制造有限公司 一种基于危险品相似率和识别概率的智能安检系统
CN112597915A (zh) * 2020-12-26 2021-04-02 上海有个机器人有限公司 对室内近距离行人进行识别的方法、装置、介质和机器人
CN112597915B (zh) * 2020-12-26 2024-04-09 上海有个机器人有限公司 对室内近距离行人进行识别的方法、装置、介质和机器人
CN112669323A (zh) * 2020-12-29 2021-04-16 深圳云天励飞技术股份有限公司 图像处理方法及相关设备
CN112734641B (zh) * 2020-12-31 2024-05-31 百果园技术(新加坡)有限公司 目标检测模型的训练方法、装置、计算机设备及介质
CN112734641A (zh) * 2020-12-31 2021-04-30 百果园技术(新加坡)有限公司 目标检测模型的训练方法、装置、计算机设备及介质
CN112784694A (zh) * 2020-12-31 2021-05-11 杭州电子科技大学 一种基于evp_yolo的室内物品检测方法
CN112560799B (zh) * 2021-01-05 2022-08-05 北京航空航天大学 基于自适应目标区域搜索和博弈的无人机智能车辆目标检测方法和应用
CN112560799A (zh) * 2021-01-05 2021-03-26 北京航空航天大学 基于自适应目标区域搜索和博弈的无人机智能车辆目标检测方法和应用
CN112733741A (zh) * 2021-01-14 2021-04-30 苏州挚途科技有限公司 交通标识牌识别方法、装置和电子设备
CN112818980A (zh) * 2021-01-15 2021-05-18 湖南千盟物联信息技术有限公司 一种基于Yolov3算法的钢包号检测识别方法
CN112766170A (zh) * 2021-01-21 2021-05-07 广西财经学院 基于簇类无人机图像的自适应分割检测方法及装置
CN112766170B (zh) * 2021-01-21 2024-04-16 广西财经学院 基于簇类无人机图像的自适应分割检测方法及装置
CN112906478B (zh) * 2021-01-22 2024-01-09 北京百度网讯科技有限公司 目标对象的识别方法、装置、设备和存储介质
CN112906478A (zh) * 2021-01-22 2021-06-04 北京百度网讯科技有限公司 目标对象的识别方法、装置、设备和存储介质
CN112989924A (zh) * 2021-01-26 2021-06-18 深圳市优必选科技股份有限公司 目标检测方法、目标检测装置及终端设备
CN112989924B (zh) * 2021-01-26 2024-05-24 深圳市优必选科技股份有限公司 目标检测方法、目标检测装置及终端设备
CN112906495B (zh) * 2021-01-27 2024-04-30 深圳安智杰科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112906495A (zh) * 2021-01-27 2021-06-04 深圳安智杰科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112800971A (zh) * 2021-01-29 2021-05-14 深圳市商汤科技有限公司 神经网络训练及点云数据处理方法、装置、设备和介质
CN114821288A (zh) * 2021-01-29 2022-07-29 中强光电股份有限公司 图像辨识方法以及无人机系统
CN112911171B (zh) * 2021-02-04 2022-04-22 上海航天控制技术研究所 一种基于加速处理的智能光电信息处理系统及方法
CN112911171A (zh) * 2021-02-04 2021-06-04 上海航天控制技术研究所 一种基于加速处理的智能光电信息处理系统及方法
CN112861711A (zh) * 2021-02-05 2021-05-28 深圳市安软科技股份有限公司 区域入侵检测方法、装置、电子设备及存储介质
CN112861716A (zh) * 2021-02-05 2021-05-28 深圳市安软科技股份有限公司 违规物品摆放的监测方法、系统、设备及存储介质
CN113762023B (zh) * 2021-02-18 2024-05-24 北京京东振世信息技术有限公司 基于物品关联关系的对象识别的方法和装置
CN113762023A (zh) * 2021-02-18 2021-12-07 北京京东振世信息技术有限公司 基于物品关联关系的对象识别的方法和装置
CN112906794A (zh) * 2021-02-22 2021-06-04 珠海格力电器股份有限公司 一种目标检测方法、装置、存储介质及终端
CN115063733A (zh) * 2021-02-27 2022-09-16 华为技术有限公司 一种对象检测方法及电子设备
CN113095133A (zh) * 2021-03-04 2021-07-09 北京迈格威科技有限公司 模型训练方法、目标检测方法及对应装置
CN113095133B (zh) * 2021-03-04 2023-12-29 北京迈格威科技有限公司 模型训练方法、目标检测方法及对应装置
CN112907553A (zh) * 2021-03-09 2021-06-04 苏州鸿鹄骐骥电子科技有限公司 一种基于Yolov3的高清图像目标检测方法
CN112906621A (zh) * 2021-03-10 2021-06-04 北京华捷艾米科技有限公司 一种手部检测方法、装置、存储介质和设备
CN112966618A (zh) * 2021-03-11 2021-06-15 京东数科海益信息科技有限公司 着装识别方法、装置、设备及计算机可读介质
CN112966618B (zh) * 2021-03-11 2024-02-09 京东科技信息技术有限公司 着装识别方法、装置、设备及计算机可读介质
CN112966762B (zh) * 2021-03-16 2023-12-26 南京恩博科技有限公司 一种野生动物检测方法、装置、存储介质及电子设备
CN112966762A (zh) * 2021-03-16 2021-06-15 南京恩博科技有限公司 一种野生动物检测方法、装置、存储介质及电子设备
CN113011319A (zh) * 2021-03-16 2021-06-22 上海应用技术大学 多尺度火灾目标识别方法及系统
CN113011319B (zh) * 2021-03-16 2024-04-16 上海应用技术大学 多尺度火灾目标识别方法及系统
CN113255716A (zh) * 2021-03-19 2021-08-13 上海东普信息科技有限公司 基于YOLOv4的回流件识别方法、装置、设备及存储介质
CN112991304A (zh) * 2021-03-23 2021-06-18 武汉大学 一种基于激光定向能量沉积监测系统的熔池溅射检测方法
CN112990334A (zh) * 2021-03-29 2021-06-18 西安电子科技大学 基于改进原型网络的小样本sar图像目标识别方法
CN113222889B (zh) * 2021-03-30 2024-03-12 大连智慧渔业科技有限公司 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置
CN113222889A (zh) * 2021-03-30 2021-08-06 大连智慧渔业科技有限公司 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置
CN113052127A (zh) * 2021-04-09 2021-06-29 上海云从企业发展有限公司 一种行为检测方法、系统、计算机设备及机器可读介质
CN113139597B (zh) * 2021-04-19 2022-11-04 中国人民解放军91054部队 一种基于统计思想的图像分布外检测方法
CN113139597A (zh) * 2021-04-19 2021-07-20 中国人民解放军91054部队 一种基于统计思想的图像分布外检测方法
CN113128522A (zh) * 2021-05-11 2021-07-16 四川云从天府人工智能科技有限公司 目标识别方法、装置、计算机设备和存储介质
CN113128522B (zh) * 2021-05-11 2024-04-05 四川云从天府人工智能科技有限公司 目标识别方法、装置、计算机设备和存储介质
CN113240638B (zh) * 2021-05-12 2023-11-10 上海联影智能医疗科技有限公司 基于深度学习的目标检测方法、设备及介质
CN113240638A (zh) * 2021-05-12 2021-08-10 上海联影智能医疗科技有限公司 基于深度学习的目标检测方法、设备及介质
CN113205067A (zh) * 2021-05-26 2021-08-03 北京京东乾石科技有限公司 作业人员监控方法、装置、电子设备和存储介质
CN113205067B (zh) * 2021-05-26 2024-04-09 北京京东乾石科技有限公司 作业人员监控方法、装置、电子设备和存储介质
WO2022252089A1 (zh) * 2021-05-31 2022-12-08 京东方科技集团股份有限公司 对象检测模型的训练方法、对象检测方法及装置
CN113435260A (zh) * 2021-06-07 2021-09-24 上海商汤智能科技有限公司 图像检测方法和相关训练方法及相关装置、设备及介质
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法
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
CN113536963B (zh) * 2021-06-25 2023-08-15 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
CN113377888B (zh) * 2021-06-25 2024-04-02 北京百度网讯科技有限公司 训练目标检测模型和检测目标的方法
CN113486746A (zh) * 2021-06-25 2021-10-08 海南电网有限责任公司三亚供电局 基于生物感应及视频监控的电力电缆防外破方法
CN113377888A (zh) * 2021-06-25 2021-09-10 北京百度网讯科技有限公司 训练目标检测模型和检测目标的方法
CN113591566A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 图像识别模型的训练方法、装置、电子设备和存储介质
CN113434721A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 表情包分类方法、装置、计算机设备和存储介质
CN113553948A (zh) * 2021-07-23 2021-10-26 中远海运科技(北京)有限公司 烟虫自动识别和计数方法、计算机可读介质
CN113486857B (zh) * 2021-08-03 2023-05-12 云南大学 一种基于YOLOv4的登高安全检测方法及系统
CN113486857A (zh) * 2021-08-03 2021-10-08 云南大学 一种基于YOLOv4的登高安全检测方法及系统
CN113723217A (zh) * 2021-08-09 2021-11-30 南京邮电大学 一种基于yolo改进的物体智能检测方法及系统
CN113869121A (zh) * 2021-08-26 2021-12-31 中国人民解放军海军工程大学 一种基于有效区域识别的雷达波形分类方法及系统
CN113850140A (zh) * 2021-08-26 2021-12-28 航天恒星科技有限公司 一种面向密集排列舰船的检测方法及装置
CN113869122A (zh) * 2021-08-27 2021-12-31 国网浙江省电力有限公司 一种配网工程强化管控方法
CN113948190A (zh) * 2021-09-02 2022-01-18 上海健康医学院 X线头颅正位片头影测量标志点自动识别方法及设备
CN114119455B (zh) * 2021-09-03 2024-04-09 乐普（北京）医疗器械股份有限公司 一种基于目标检测网络定位血管狭窄部位的方法和装置
CN114119455A (zh) * 2021-09-03 2022-03-01 乐普（北京）医疗器械股份有限公司 一种基于目标检测网络定位血管狭窄部位的方法和装置
CN113723406B (zh) * 2021-09-03 2023-07-18 乐普（北京）医疗器械股份有限公司 一种对冠脉造影图像进行支架定位的处理方法和装置
CN113723406A (zh) * 2021-09-03 2021-11-30 乐普（北京）医疗器械股份有限公司 一种对冠脉造影图像进行支架定位的处理方法和装置
CN113743339B (zh) * 2021-09-09 2023-10-03 三峡大学 一种基于场景识别的室内跌倒检测方法和系统
CN113743339A (zh) * 2021-09-09 2021-12-03 三峡大学 一种基于场景识别的室内跌倒检测方法和系统
CN113870196A (zh) * 2021-09-10 2021-12-31 苏州浪潮智能科技有限公司 一种基于锚点切图的图像处理方法、装置、设备和介质
CN113792656B (zh) * 2021-09-15 2023-07-18 山东大学 一种人员移动中使用移动通讯设备的行为检测及报警系统
CN113792656A (zh) * 2021-09-15 2021-12-14 山东大学 一种人员移动中使用移动通讯设备的行为检测及报警系统
CN113807449A (zh) * 2021-09-23 2021-12-17 合肥工业大学 一种沉积岩类别识别方法、装置、电子设备和存储介质
CN113869393A (zh) * 2021-09-26 2021-12-31 新疆爱华盈通信息技术有限公司 图像分类方法、系统、电子设备与存储介质
CN113869413A (zh) * 2021-09-28 2021-12-31 南京荣新智能科技有限公司 一种中药饮片小包装目标检测识别方法及系统
CN113869211A (zh) * 2021-09-28 2021-12-31 杭州福柜科技有限公司 图像自动标注和标注质量自动评价方法及系统
CN114049650A (zh) * 2021-10-14 2022-02-15 熵基科技股份有限公司 一种行人检测方法、装置、设备及可读存储介质
CN113971732A (zh) * 2021-10-18 2022-01-25 中科院成都信息技术股份有限公司 小目标检测方法、装置、可读存储介质及电子设备
CN114022705B (zh) * 2021-10-29 2023-08-04 电子科技大学 一种基于场景复杂度预分类的自适应目标检测方法
CN114022705A (zh) * 2021-10-29 2022-02-08 电子科技大学 一种基于场景复杂度预分类的自适应目标检测方法
CN113989744A (zh) * 2021-10-29 2022-01-28 西安电子科技大学 一种基于超大尺寸高分辨图像的行人目标检测方法及系统
CN114022554A (zh) * 2021-11-03 2022-02-08 北华航天工业学院 一种基于yolo的按摩机器人穴位检测与定位方法
CN114022554B (zh) * 2021-11-03 2023-02-03 北华航天工业学院 一种基于yolo的按摩机器人穴位检测与定位方法
CN114154556A (zh) * 2021-11-03 2022-03-08 同盾科技有限公司 样本预测模型的训练方法、装置、电子设备及存储介质
CN114022446A (zh) * 2021-11-04 2022-02-08 广东工业大学 一种基于改进YOLOv3的皮革瑕疵检测方法及系统
CN114049685A (zh) * 2021-11-10 2022-02-15 深圳前海环融联易信息科技服务有限公司 合同签署单的签名验证方法
CN114066837B (zh) * 2021-11-11 2025-04-08 中国船舶重工集团公司第七一九研究所 一种船舶舱室动态水位识别方法和系统
CN114120358A (zh) * 2021-11-11 2022-03-01 国网江苏省电力有限公司技能培训中心 一种基于超像素引导深度学习的人员头戴安全帽识别方法
CN114241296A (zh) * 2021-11-11 2022-03-25 上海航天控制技术研究所 月面着陆陨石坑障碍检测方法以及存储介质和电子设备
CN114120358B (zh) * 2021-11-11 2024-04-26 国网江苏省电力有限公司技能培训中心 一种基于超像素引导深度学习的人员头戴安全帽识别方法
CN114066837A (zh) * 2021-11-11 2022-02-18 中国船舶重工集团公司第七一九研究所 一种船舶舱室动态水位识别方法和系统
CN114119961A (zh) * 2021-11-12 2022-03-01 上海朱光亚战略科技研究院 目标检测方法、装置、设备、存储介质和程序产品
CN114255389A (zh) * 2021-11-15 2022-03-29 浙江时空道宇科技有限公司 一种目标对象检测方法、装置、设备和存储介质
CN113989939B (zh) * 2021-11-16 2024-05-14 河北工业大学 一种基于改进yolo算法的小目标行人检测系统
CN113989939A (zh) * 2021-11-16 2022-01-28 河北工业大学 一种基于改进yolo算法的小目标行人检测系统
CN113989494A (zh) * 2021-11-17 2022-01-28 北京环境特性研究所 一种复杂气候条件下的图像识别方法和装置
CN116189067A (zh) * 2021-11-25 2023-05-30 浙江宇视科技有限公司 数据处理性能确定方法、装置、电子设备及介质
CN114120039B (zh) * 2021-11-27 2025-02-21 深圳爱莫科技有限公司 一种用于市场稽查的冰淇淋检测识别方法、系统及设备
CN114120039A (zh) * 2021-11-27 2022-03-01 深圳爱莫科技有限公司 一种用于市场稽查的冰淇淋检测识别方法、系统及设备
CN116205832A (zh) * 2021-11-29 2023-06-02 中国科学院沈阳计算技术研究所有限公司 一种基于stm r-cnn的金属表面缺陷检测方法
CN114140745A (zh) * 2021-11-29 2022-03-04 上海建科工程咨询有限公司 施工现场人员属性检测方法、系统、装置及介质
CN114220120A (zh) * 2021-12-01 2022-03-22 中林信达（北京）科技信息有限责任公司 一种东北虎个体识别方法
CN114187473A (zh) * 2021-12-06 2022-03-15 杭州慕锐科技有限公司 一种提高花型图分类打标准确率的方法
CN114170467A (zh) * 2021-12-09 2022-03-11 武汉珞珈天铭电气科技有限公司 一种导线断股识别方法、设备及存储介质
CN114332846A (zh) * 2021-12-09 2022-04-12 甄智(苏州)智能科技有限公司 一种物料的检测及分类方法
CN114169623A (zh) * 2021-12-13 2022-03-11 南方电网科学研究院有限责任公司 一种电力设备故障分析方法、装置、电子设备及存储介质
CN114387538A (zh) * 2021-12-15 2022-04-22 江苏电力信息技术有限公司 基于YoloX网络的变电站作业现场安全识别方法
CN114387219A (zh) * 2021-12-17 2022-04-22 依未科技(北京)有限公司 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备
CN114283374A (zh) * 2021-12-21 2022-04-05 科大讯飞华南人工智能研究院（广州）有限公司 目标识别方法、装置、电子设备及存储介质
CN114419390A (zh) * 2021-12-24 2022-04-29 北京三快在线科技有限公司 目标对象的预测方法、装置、电子设备和存储介质
CN114332614A (zh) * 2021-12-28 2022-04-12 中国兵器科学研究院 一种物体分类方法、装置、设备及介质
CN114359670A (zh) * 2021-12-28 2022-04-15 深圳中智永浩机器人有限公司 非结构化数据标注方法、装置、计算机设备及存储介质
CN114332614B (zh) * 2021-12-28 2025-07-22 中国兵器科学研究院 一种物体分类方法、装置、设备及介质
CN114373075A (zh) * 2021-12-31 2022-04-19 西安电子科技大学广州研究院 目标部件检测数据集的构建方法、检测方法、装置及设备
CN114359222A (zh) * 2022-01-05 2022-04-15 多伦科技股份有限公司 一种任意多边形目标检测方法、电子设备及存储介质
US20220130139A1 (en) * 2022-01-05 2022-04-28 Baidu Usa Llc Image processing method and apparatus, electronic device and storage medium
US11756288B2 (en) * 2022-01-05 2023-09-12 Baidu Usa Llc Image processing method and apparatus, electronic device and storage medium
CN114429619A (zh) * 2022-01-26 2022-05-03 浙江商汤科技开发有限公司 目标车辆的检测方法及装置
CN114550090A (zh) * 2022-02-18 2022-05-27 国网福建省电力有限公司上杭县供电公司 一种基于深度学习的变电站鸟巢识别方法及系统
CN114565848A (zh) * 2022-02-25 2022-05-31 佛山读图科技有限公司 一种复杂场景的药液液位检测方法及系统
CN114581647A (zh) * 2022-02-25 2022-06-03 浙江啄云智能科技有限公司 一种置信度后处理方法、装置、设备及存储介质
CN114565848B (zh) * 2022-02-25 2022-12-02 佛山读图科技有限公司 一种复杂场景的药液液位检测方法及系统
CN114581707A (zh) * 2022-03-03 2022-06-03 广州极飞科技股份有限公司 分类方法、装置、电子设备及存储介质
CN114638991A (zh) * 2022-03-18 2022-06-17 聊城大学 一种基于YOLOv4-MobileNetv3和PyQt5的智能零售结算方法
CN114629047A (zh) * 2022-03-18 2022-06-14 新疆信息产业有限责任公司 一种防振锤滑移的检测方法、装置及设备
CN114626477A (zh) * 2022-03-22 2022-06-14 中国农业银行股份有限公司 一种目标检测方法、装置及设备
CN114663673A (zh) * 2022-03-23 2022-06-24 每平每屋(上海)科技有限公司 文件处理方法、装置、设备及存储介质
CN114662594A (zh) * 2022-03-25 2022-06-24 浙江省通信产业服务有限公司 一种目标特征识别分析系统
CN114742704A (zh) * 2022-03-25 2022-07-12 影石创新科技股份有限公司 图像扩增方法和基于图像扩增的模型训练方法
CN114662594B (zh) * 2022-03-25 2022-10-04 浙江省通信产业服务有限公司 一种目标特征识别分析系统
CN114742204A (zh) * 2022-04-08 2022-07-12 黑龙江惠达科技发展有限公司 检测秸秆覆盖率的方法和装置
CN114758177A (zh) * 2022-04-18 2022-07-15 北京安铁软件技术有限公司 一种动车四角锁开闭状态检测方法及系统
CN114782954A (zh) * 2022-04-18 2022-07-22 携程旅游网络技术（上海）有限公司 图片验证码识别方法、系统、设备及存储介质
CN116958801A (zh) * 2022-04-20 2023-10-27 中国石油化工股份有限公司 一种针对野外露头数据的溶洞识别方法
CN114758181A (zh) * 2022-04-24 2022-07-15 北京世纪好未来教育科技有限公司 一种图像检测方法、装置、设备及介质
CN114782778A (zh) * 2022-04-25 2022-07-22 广东工业大学 一种基于机器视觉技术的装配状态监控方法及系统
CN114782778B (zh) * 2022-04-25 2023-01-06 广东工业大学 一种基于机器视觉技术的装配状态监控方法及系统
CN114937168A (zh) * 2022-05-05 2022-08-23 广东美的厨房电器制造有限公司 一种脏污识别方法、装置、设备和存储介质
CN117076972A (zh) * 2022-05-06 2023-11-17 芯恩（青岛）集成电路有限公司 芯片失效类型的数据分类方法及装置、存储介质和终端
CN114842315B (zh) * 2022-05-07 2024-02-02 无锡雪浪数制科技有限公司 轻量化高铁轮毂垫片防松识别方法及装置
CN114842315A (zh) * 2022-05-07 2022-08-02 无锡雪浪数制科技有限公司 轻量化高铁轮毂垫片防松识别方法及装置
CN114782494A (zh) * 2022-05-16 2022-07-22 京东方科技集团股份有限公司 一种动态目标分析方法、装置、设备及存储介质
CN114782494B (zh) * 2022-05-16 2025-04-01 京东方科技集团股份有限公司 一种动态目标分析方法、装置、设备及存储介质
CN114881763A (zh) * 2022-05-18 2022-08-09 中国工商银行股份有限公司 养殖业贷后监管方法、装置、设备和介质
CN114881763B (zh) * 2022-05-18 2023-05-26 中国工商银行股份有限公司 养殖业贷后监管方法、装置、设备和介质
CN114821663A (zh) * 2022-05-20 2022-07-29 澜途集思生态科技集团有限公司 基于CornerNet算法的生态生物识别方法
CN114862821A (zh) * 2022-05-25 2022-08-05 中关村芯海择优科技有限公司 继电保护硬压板的自动化监测方法、系统、设备
CN115019096A (zh) * 2022-06-08 2022-09-06 中国兵器工业计算机应用技术研究所 一种基于动态神经网络的武装人员装备检测方法和系统
CN115205583A (zh) * 2022-06-08 2022-10-18 浙江大华技术股份有限公司 图像分类模型训练方法、电子设备和计算机可读存储介质
CN115029209A (zh) * 2022-06-17 2022-09-09 杭州天杭空气质量检测有限公司 一种菌落图像采集处理装置及其处理方法
CN115240132A (zh) * 2022-06-20 2022-10-25 讯飞智元信息科技有限公司 传送带运行状态的监测方法、装置和存储介质
CN114998689A (zh) * 2022-06-20 2022-09-02 深圳技术大学 一种轨道数据集的生成方法、轨道识别方法和系统
CN115115884A (zh) * 2022-06-30 2022-09-27 浪潮(北京)电子信息产业有限公司 对抗样本的检测方法、系统、设备及存储介质
CN115131679A (zh) * 2022-07-01 2022-09-30 合众新能源汽车有限公司 检测方法、装置及计算机存储介质
CN114972891B (zh) * 2022-07-07 2024-05-03 智云数创(洛阳)数字科技有限公司 一种cad构件自动识别方法及bim建模方法
CN114972891A (zh) * 2022-07-07 2022-08-30 智云数创(洛阳)数字科技有限公司 一种cad构件自动识别方法及bim建模方法
CN115082661A (zh) * 2022-07-11 2022-09-20 阿斯曼尔科技(上海)有限公司 一种传感器装配难度降低方法
CN115082661B (zh) * 2022-07-11 2024-05-10 阿斯曼尔科技(上海)有限公司 一种传感器装配难度降低方法
CN115187982A (zh) * 2022-07-12 2022-10-14 河北华清环境科技集团股份有限公司 藻类检测方法、装置及终端设备
CN115291141A (zh) * 2022-07-26 2022-11-04 深圳供电局有限公司 一种电缆及其附件的故障诊断方法及系统
CN115909358B (zh) * 2022-07-27 2024-02-13 广州市玄武无线科技股份有限公司 商品规格识别方法、装置、终端设备及计算机存储介质
CN115909358A (zh) * 2022-07-27 2023-04-04 广州市玄武无线科技股份有限公司 商品规格识别方法、装置、终端设备及计算机存储介质
CN115346170A (zh) * 2022-08-11 2022-11-15 北京市燃气集团有限责任公司 一种燃气设施区域的智能监控方法及装置
CN115346170B (zh) * 2022-08-11 2023-05-30 北京市燃气集团有限责任公司 一种燃气设施区域的智能监控方法及装置
CN115346172B (zh) * 2022-08-16 2023-04-21 哈尔滨市科佳通用机电股份有限公司 一种钩提杆复位弹簧丢失和折断检测方法及系统
CN115346172A (zh) * 2022-08-16 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种钩提杆复位弹簧丢失和折断检测方法及系统
CN115297263B (zh) * 2022-08-24 2023-04-07 广州方图科技有限公司 适用于拍立方的自动拍照控制方法、系统及拍立方
CN115297263A (zh) * 2022-08-24 2022-11-04 广州方图科技有限公司 适用于拍立方的自动拍照控制方法、系统及拍立方
CN115527023A (zh) * 2022-08-31 2022-12-27 北京结慧科技有限公司 图像检测方法、装置、电子设备及存储介质
CN115456382A (zh) * 2022-08-31 2022-12-09 同炎数智科技(重庆)有限公司 一种基于云平台的在建工程项目质量安全实时监测方法
CN115761707A (zh) * 2022-08-31 2023-03-07 青岛海尔电冰箱有限公司 图像检测模型处理方法、存储介质及系统
CN115620124A (zh) * 2022-09-05 2023-01-17 北京遥感设备研究所 基于检测级联、运动分析、时序分析网络的抗干扰方法
CN115619719A (zh) * 2022-09-26 2023-01-17 华南农业大学 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法
CN115546797A (zh) * 2022-09-28 2022-12-30 国网福建省电力有限公司 一种基于yolov5算法的电能表识别方法、设备及存储介质
CN115690565A (zh) * 2022-09-28 2023-02-03 大连海洋大学 融合知识与改进YOLOv5的养殖红鳍东方鲀目标检测方法
CN115690565B (zh) * 2022-09-28 2024-02-20 大连海洋大学 融合知识与改进YOLOv5的养殖红鳍东方鲀目标检测方法
CN115546542A (zh) * 2022-09-29 2022-12-30 上海云从企业发展有限公司 目标识别方法、装置、电子设备及存储介质
CN115578556A (zh) * 2022-09-30 2023-01-06 际络科技(上海)有限公司 目标检测后处理方法、装置、电子设备、车辆及存储介质
CN115754873A (zh) * 2022-10-13 2023-03-07 国家电网有限公司技术学院分公司 一种互感器误差试验的接线检测方法及系统
CN115661693A (zh) * 2022-11-04 2023-01-31 国网福建省电力有限公司建设分公司 基于目标检测算法的识别基坑口是否存在安全围栏的方法
CN115762083A (zh) * 2022-11-11 2023-03-07 南方电网数字电网科技(广东)有限公司 基于无人探测器的线路部件识别告警方法及系统
CN115880570A (zh) * 2022-11-18 2023-03-31 成都西交智汇大数据科技有限公司 玻璃棒停靠位置的检测方法、装置、设备及可读存储介质
CN115909495A (zh) * 2022-11-21 2023-04-04 浙江大华技术股份有限公司 行为检测方法、设备以及存储介质
CN115862249A (zh) * 2022-11-23 2023-03-28 深圳市万物云科技有限公司 基于多传感器联合的明火检测方法、装置及相关介质
CN115719084A (zh) * 2022-11-23 2023-02-28 中电信数智科技有限公司 参数调优方法、装置、电子设备及计算机可读存储介质
CN115546566A (zh) * 2022-11-24 2022-12-30 杭州心识宇宙科技有限公司 基于物品识别的智能体交互方法、装置、设备及存储介质
CN115713803A (zh) * 2022-11-28 2023-02-24 深圳市捷易科技有限公司 一种基于人眼的身份识别方法及系统
CN115761412A (zh) * 2022-11-29 2023-03-07 北京中星天视科技有限公司 检测框处理方法、装置、电子设备和计算机可读介质
CN116051985B (zh) * 2022-12-20 2023-06-23 中国科学院空天信息创新研究院 一种基于多模型互馈学习的半监督遥感目标检测方法
CN116051985A (zh) * 2022-12-20 2023-05-02 中国科学院空天信息创新研究院 一种基于多模型互馈学习的半监督遥感目标检测方法
CN115690570B (zh) * 2023-01-05 2023-03-28 中国水产科学研究院黄海水产研究所 一种基于st-gcn的鱼群摄食强度预测方法
CN115690570A (zh) * 2023-01-05 2023-02-03 中国水产科学研究院黄海水产研究所 一种基于st-gcn的鱼群摄食强度预测方法
CN116244626A (zh) * 2023-01-16 2023-06-09 中国人民解放军战略支援部队信息工程大学 一种基于波形的水声Modem属性智能识别方法
CN116052138A (zh) * 2023-01-16 2023-05-02 成都宇亨智能科技有限公司 一种用于川芎剪种的方法及其系统
CN116935395A (zh) * 2023-03-03 2023-10-24 中国移动通信有限公司研究院 文本识别方法、装置、电子设备及存储介质
CN116091906A (zh) * 2023-03-06 2023-05-09 成都合能创越软件有限公司 基于生成对抗网络的异常大小物体识别方法及系统
CN116452858B (zh) * 2023-03-24 2023-12-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货车连接拉杆圆销折断故障识别方法及系统
CN116452858A (zh) * 2023-03-24 2023-07-18 哈尔滨市科佳通用机电股份有限公司 一种铁路货车连接拉杆圆销折断故障识别方法及系统
CN116524337A (zh) * 2023-03-27 2023-08-01 山东大学 一种知识增强的多服务机器人物体类别识别方法及系统
CN116363426A (zh) * 2023-03-28 2023-06-30 南京工业大学 公路防眩板健康状态自动检测方法
CN116363430A (zh) * 2023-03-30 2023-06-30 神华准格尔能源有限责任公司 夜间环境的托辊检测方法、装置和托辊检测系统
CN116363610A (zh) * 2023-03-31 2023-06-30 河南大学 一种基于改进YOLOv5的航拍车辆旋转目标检测方法
CN116597269A (zh) * 2023-04-07 2023-08-15 北京百度网讯科技有限公司 模型的训练方法、装置及电子设备
CN116524477A (zh) * 2023-04-10 2023-08-01 北京谊安医疗系统股份有限公司 一种识别检测盒检测结果的方法及系统
CN116434158A (zh) * 2023-04-11 2023-07-14 清华大学 目标检测方法、装置、计算机设备和存储介质
CN116448254A (zh) * 2023-04-18 2023-07-18 珠海市它物云科技有限公司 生猪体温检测的方法、温度监测装置和计算机可读存储介质
CN117011884A (zh) * 2023-04-18 2023-11-07 中国林业科学研究院森林生态环境与自然保护研究所 基于ai训练的物种鉴定方法、系统、介质及设备
CN116403163A (zh) * 2023-04-20 2023-07-07 慧铁科技有限公司 一种截断塞门手把开合状态的识别方法和装置
CN116644310A (zh) * 2023-04-20 2023-08-25 北斗星通智联科技有限责任公司 一种自动标注方法、装置、电子设备及介质
CN116403163B (zh) * 2023-04-20 2023-10-27 慧铁科技有限公司 一种截断塞门手把开合状态的识别方法和装置
CN116543258A (zh) * 2023-05-04 2023-08-04 零束科技有限公司 一种目标检测方法、装置及相关设备
CN116626046A (zh) * 2023-05-11 2023-08-22 广东电网有限责任公司江门供电局 一种继电保护柜端子缺陷检测方法、系统、设备和介质
CN116665092A (zh) * 2023-05-17 2023-08-29 暨南大学 基于ia-yolov7的污水悬浮物识别方法及系统
CN116630786A (zh) * 2023-05-25 2023-08-22 苏州广目汽车科技有限公司 一种火情检测方法、装置及设备
CN116612401A (zh) * 2023-05-31 2023-08-18 华中科技大学 基于水上搜救无人机的落水人员识别方法、系统及介质
CN116935096A (zh) * 2023-06-05 2023-10-24 麦克奥迪实业集团有限公司 图像色彩调整方法、介质及设备
CN116681687A (zh) * 2023-06-20 2023-09-01 广东电网有限责任公司广州供电局 基于计算机视觉的导线检测方法、装置和计算机设备
CN116758547B (zh) * 2023-06-27 2024-03-12 北京中超伟业信息安全技术股份有限公司 一种纸介质碳化方法、系统及存储介质
CN116758547A (zh) * 2023-06-27 2023-09-15 北京中超伟业信息安全技术股份有限公司 一种纸介质碳化方法、系统及存储介质
CN116977921A (zh) * 2023-06-28 2023-10-31 三峡科技有限责任公司 一种工地安全防护用品的多步骤小目标检测方法
CN117079265A (zh) * 2023-07-17 2023-11-17 清华大学 单目3d目标检测的开放集领域泛化的方法、装置及设备
CN117292387A (zh) * 2023-08-18 2023-12-26 深圳市雁联计算系统有限公司 一种影像数据自动标注方法及系统
CN117152501A (zh) * 2023-08-18 2023-12-01 长园深瑞继保自动化有限公司 一种指示灯的状态识别方法、装置、终端设备及存储介质
CN117315771A (zh) * 2023-08-28 2023-12-29 北京天元创新科技有限公司 使用手机行为识别方法、装置、电子设备及存储介质
CN117152522A (zh) * 2023-09-04 2023-12-01 中国海洋大学三亚海洋研究院 一种基于神经网络模型检测对虾存活状态的方法
CN117078919A (zh) * 2023-09-06 2023-11-17 浙江大华技术股份有限公司 检测框的外扩方法及装置
CN116916166B (zh) * 2023-09-12 2023-11-17 湖南湘银河传感科技有限公司 一种基于ai图像解析的遥测终端机
CN116916166A (zh) * 2023-09-12 2023-10-20 湖南湘银河传感科技有限公司 一种基于ai图像解析的遥测终端机
CN119625816A (zh) * 2023-09-13 2025-03-14 中国农业大学 鱼类行为识别方法及装置
CN116935232A (zh) * 2023-09-15 2023-10-24 青岛国测海遥信息技术有限公司 海上风力设备的遥感图像处理方法和装置、设备和介质
CN117115559A (zh) * 2023-09-20 2023-11-24 浙江乘屹电子科技有限公司 用于智能终端的摄像模组的电机基板的检测方法
CN117315443A (zh) * 2023-10-17 2023-12-29 上海锡鼎智能科技有限公司 一种电表指针偏转状态识别方法、计算设备及存储介质
CN117671726A (zh) * 2023-11-06 2024-03-08 广西民族大学 基于走失追踪yolov8模型的人物图像追踪方法及装置
CN117671597A (zh) * 2023-12-25 2024-03-08 北京大学长沙计算与数字经济研究院 一种老鼠检测模型的构建方法和老鼠检测方法及装置
CN117523318B (zh) * 2023-12-26 2024-04-16 宁波微科光电股份有限公司 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质
CN117523318A (zh) * 2023-12-26 2024-02-06 宁波微科光电股份有限公司 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质
CN118691857A (zh) * 2023-12-29 2024-09-24 中国计量大学 一种商标侵权检测方法和系统
CN118351286A (zh) * 2024-03-12 2024-07-16 北京合众伟奇科技股份有限公司 一种用于管理电能表的方法
CN118212394A (zh) * 2024-03-13 2024-06-18 浙江寿仙谷植物药研究院有限公司 一种灵芝菌丝体表型特征智能检测方法
CN117893895A (zh) * 2024-03-15 2024-04-16 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 一种三疣梭子蟹的识别方法、系统、设备和存储介质
CN118052825A (zh) * 2024-04-16 2024-05-17 浙江泰伦绝缘子有限公司 一种玻璃绝缘子表面瑕疵检测方法
CN118070748A (zh) * 2024-04-16 2024-05-24 中南民族大学 基于目标检测的电路板器件热分析方法及装置
CN118072000A (zh) * 2024-04-17 2024-05-24 中国科学院合肥物质科学研究院 一种基于新型目标识别算法的鱼类检测方法
CN118097526A (zh) * 2024-04-25 2024-05-28 福建卓航特种设备有限公司 基于图像处理的飞行物识别方法及系统
CN118736268A (zh) * 2024-05-31 2024-10-01 中国联合网络通信有限公司广东省分公司 一种通信基站的天线检查方法、设备及存储介质
CN118379612A (zh) * 2024-06-25 2024-07-23 武汉大水云科技有限公司 一种复杂场景下的水位识别方法
WO2026016376A1 (zh) * 2024-07-16 2026-01-22 天翼视联科技有限公司 证件盗拍识别方法、装置、计算机设备及存储介质
CN118506108A (zh) * 2024-07-17 2024-08-16 天翼视联科技有限公司 图像标注方法、装置、电子装置和存储介质
CN119579865A (zh) * 2024-11-21 2025-03-07 北京深势科技有限公司 一种电镜图的标尺及标尺信息组合特征的识别方法和装置
CN119649096A (zh) * 2024-11-21 2025-03-18 哈尔滨工业大学 一种基于SlowFast算法的圆窗膜穿刺状态检测方法
CN119649096B (zh) * 2024-11-21 2025-10-17 哈尔滨工业大学 一种基于SlowFast算法的圆窗膜穿刺状态检测方法
CN119579865B (zh) * 2024-11-21 2025-09-26 北京深势科技有限公司 一种电镜图的标尺及标尺信息组合特征的识别方法和装置
CN119296009A (zh) * 2024-12-10 2025-01-10 湖南鸣鸣很忙商业连锁有限公司 一种陈列饱满度检测方法及系统
CN119863840A (zh) * 2024-12-26 2025-04-22 北京源络科技有限公司 药品识别方法、核对方法、药品识别装置及电子设备
CN119477921A (zh) * 2025-01-16 2025-02-18 安徽恒泰电气科技股份有限公司 基于YOLOv8算法的煤炭输送带跑偏检测方法、系统及装置
CN120087564A (zh) * 2025-04-30 2025-06-03 中网华信科技股份有限公司 一种工业设备预测性维护方法及系统
CN120259802A (zh) * 2025-06-09 2025-07-04 北京市农林科学院 基于轻量化多任务图像识别网络和知识图谱的鱼类混养判断方法
CN121391913A (zh) * 2025-12-24 2026-01-23 天津市春鹏预应力钢绞线有限公司 一种捻股设备智能断丝识别系统
CN121411456A (zh) * 2025-12-29 2026-01-27 江苏道达智能科技有限公司 一种rgv路径规划方法和系统

Also Published As

Publication number Publication date
CN109977943A (zh) 2019-07-05
CN109977943B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
WO2020164282A1 (zh) 基于yolo的图像目标识别方法、装置、电子设备和存储介质
CN112052787B (zh) 基于人工智能的目标检测方法、装置及电子设备
CN110533084B (zh) 一种基于自注意力机制的多尺度目标检测方法
CN113743426B (zh) 一种训练方法、装置、设备以及计算机可读存储介质
CN111814902A (zh) 目标检测模型训练方法、目标识别方法、装置和介质
US8401292B2 (en) Identifying high saliency regions in digital images
US20170032247A1 (en) Media classification
WO2021027157A1 (zh) 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN110717058B (zh) 信息推荐方法及装置、存储介质
CN107633226A (zh) 一种人体动作跟踪识别方法及系统
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
KR20200052439A (ko) 딥러닝 모델의 최적화 시스템 및 방법
CN116403094B (zh) 一种嵌入式图像识别方法及系统
CN109903339B (zh) 一种基于多维融合特征的视频群体人物定位检测方法
CN114170642A (zh) 图像检测的处理方法、装置、设备及存储介质
CN110069959A (zh) 一种人脸检测方法、装置及用户设备
WO2022045915A1 (en) Distances between distributions for the belonging-to-the-distribution measurement of the image
CN108492301A (zh) 一种场景分割方法、终端及存储介质
CN117237867A (zh) 基于特征融合的自适应场面监视视频目标检测方法和系统
CN111862040B (zh) 人像图片质量评价方法、装置、设备及存储介质
CN112580435B (zh) 人脸定位方法、人脸模型训练与检测方法及装置
CN115512207A (zh) 一种基于多路特征融合及高阶损失感知采样的单阶段目标检测方法
CN120164235A (zh) 基于多模态数据的电力危险人员身份识别方法及系统
CN117011730A (zh) 一种无人机图像变化的检测方法、电子终端及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19915076

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19915076

Country of ref document: EP

Kind code of ref document: A1