CN111767875B - 一种基于实例分割的隧道烟雾检测方法 - Google Patents
一种基于实例分割的隧道烟雾检测方法 Download PDFInfo
- Publication number
- CN111767875B CN111767875B CN202010633593.0A CN202010633593A CN111767875B CN 111767875 B CN111767875 B CN 111767875B CN 202010633593 A CN202010633593 A CN 202010633593A CN 111767875 B CN111767875 B CN 111767875B
- Authority
- CN
- China
- Prior art keywords
- module
- smoke
- image
- tunnel
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000007796 conventional method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于实例分割的隧道烟雾检测方法，可实现利用卷积神经网络进行实例分割，然后结合滤波方法实现高精度的烟雾检测，能够快速、准确地识别出烟雾，提高火灾情报的精度、缩短预报时间，减少财产损失和保障人的生命，在设计时能够很好的兼顾到烟雾的非刚体结构，对于烟雾区域的分割精准，本发明涉及隧道火灾检测技术领域。该基于实例分割的隧道烟雾检测方法，利用了实例分割方法，结合神经网络与传统图像滤波方法，实现了高准确性和与强鲁棒性的检测方法，可详细的得到烟雾边界信息，通过提出了一种特征融合方法，将深层，浅层及分割信息进行融合，增加了特征提取丰富性，增强了总体检测的鲁棒性。
Description
技术领域
本发明涉及隧道火灾检测技术领域，具体为一种基于实例分割的隧道烟雾检测方法。
背景技术
火灾对人类社会造成的伤害无可估量，每年都有大量的生命财产因为火灾而蒙受了巨大损失，不同于室内火灾监控技术的成熟，户外火情由于各种因素的影响为实时预警带来了困难，随着科学技术的发展以及图像识别技术的快速普及，通过视频监控智能地进行火情监控将是未来火灾预警的重要手段，由于室外火情常常具有相当的隐蔽性，直接对火焰检测效果甚微，因此对火情发生前产生的大量烟雾进行检测成为了实现户外火情检测的有效方案。
现有技术的技术方案：
现有的烟雾检测方法大致分为两种：第一种主要使用传统的光流法、插帧法、背景建模法等运动检测算；第二种主要侧重于深度学习算法，使用卷积神经网络提取烟雾特征，然后进行目标检测，因此现有技术结合了深度学习和传统分析方法，使用了针对烟雾的图像分割方法，相对目标检测方法，实例分割可精确到物体的边缘，有更高的识别准确度以及更强的鲁棒性。
方案一基于传统图像处理方法的实现细节：
首先从视频流中获取一帧烟雾图像，利用高斯混合模型对烟雾图像进行处理，以得到该烟雾图像的运动区域，然后利用暗通道去雾算法对图像进行处理，以得到无烟图像模型，从而获取待烟雾图像和无烟图像模型之间的差值图像，对差值图像进行二值化处理，以得到疑似烟雾区域。
方案二基于卷积神经网络的实现细节：
首先通过从前端摄像头设备或者本地视频文件中读取视频流，然后使用图像预处理技术对获取到的视频图像进行预处理，主要包括裁剪，调整大小等。通过标注标签，将处理好的样本输入到深度学习检测模型中，最终通过训练好的检测模型得到最终的烟雾检测结果。
现有技术的缺陷：
方案一主要具有的缺陷：
由于烟雾的移动速度缓慢，帧间差异不明显，使用高斯背景建模难以分理出合适准确的背景模型，导致检测结果不稳定。
方案二主要具有的缺陷：
基于深度学习的目标检测方法对于结构化不明晰的目标检测效果有效，烟雾形态各异，网络难以提取出通用特点，检测难度大。
通用缺陷：
上述方法对于复杂背景下信息处理能力差，尤其在隧道当中，过往车辆所带来的光线变化对检测模型的干扰不可忽视，需要设计出对噪声适应能力强的目标模型。
为了快速、准确地识别出烟雾，提高火灾情报的精度、缩短预报时间，减少财产损失和保障人的生命，本发明实现了一种基于深度学习和统计分析的隧道烟雾检测方法，现有的烟雾检测方法在设计时不能很好的兼顾到烟雾的非刚体结构，对于烟雾区域的分割不够精准，因此本发明利用了实例分割方法，结合神经网络与传统图像滤波方法，实现了高准确性和与强鲁棒性的检测方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于实例分割的隧道烟雾检测方法，利用卷积神经网络进行实例分割，然后结合滤波方法实现高精度的烟雾检测。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于实例分割的隧道烟雾检测方法，具体包括以下步骤：
S1、在神经网络模块，通过深度卷积神经网络提取图像的多级特征，并增加分支来进行像素级分割；
S2、然后通过一个小型网络融合多级特征并最终输出烟雾的掩码图；
S3、在滤波模块，首先通过盒式滤波器过滤隧道内灯光对图像带来的影响；
S4、然后确定连通域，过滤其他噪声的干扰；
S5、最终判定烟雾的具体边界并进行预警。
优选的，所述步骤S1中神经网络模块系统结构包括：视频图像采集模块、特征提取模块、实例分割模块、多层级特征融合模块、掩码图转换模块和神经网络输出模块。
优选的，所述视频图像采集模块用于从摄像头采集系统获得隧道内实时场景，且摄像头为模拟摄像机或数字摄像机，所述特征提取模块用于将视频图像采集模块输出的视频流按帧进行图像大小调整的预处理，然后输入进特征提取器中，分别提取深层与浅层特征，其中深层特征是指烟雾位置等全局语义信息，浅层特征是指烟雾纹理等局部细节信息。
优选的，所述实例分割模块利用网络训练好的实例分割分支对特征进行校准，使网络直接预测出目标的边缘特征，且多层级特征融合模块用于对网络提取出的多层级特征进行通道交换、相加等融合操作，得到融合特征，增加特征图信息，使其包含有更多的细节信息以及更强的语义信息。
优选的，所述掩码图转换模块用于将多层级特征融合模块输出的融合特征输入到掩码分支中，用浮点数取代二进制掩码，使网络输出仍保持有较多信息，同时保持了网络的轻量性，提高检测速度，且神经网络输出模块用于将特征图还原到原先尺寸，输出最终的检测结果。
优选的，所述步骤S3中滤波模块用于处理隧道内的光照影响，且滤波模块包括输入模块、光斑检测模块、光斑过滤模块、连通域模块以及最终的阈值判断模块。
优选的，所述输入模块用于将得到的神经网络模块所输出的图像传入传统方法处理模块，且光斑检测模块能够识别出图像中细小光斑，并结合多帧图像，平均出该光斑的像素值范围。
优选的，所述光斑过滤模块通过使用盒式滤波器对图像进行滤波，过滤掉零散的噪点，并且将其余部分减去光斑检测模块所得到的光斑像素值，所述连通域模块对滤波后的图像进行连通域检测，由于烟雾的非刚体结构导致易识别为多块烟雾，因此通过部署连通域检测将各模块连接起来，同时也进一步的过滤了噪声，最终确定较大范围的疑似烟雾区域。
优选的，所述阈值判断模块设置了阈值二值化图像，并通过烟雾边界以及最终的图像面积判断烟雾的大小与位置。
(三)有益效果
本发明提供了一种基于实例分割的隧道烟雾检测方法。与现有技术相比具备以下有益效果：
(1)、该基于实例分割的隧道烟雾检测方法，通过在，可实现利用卷积神经网络进行实例分割，然后结合滤波方法实现高精度的烟雾检测，能够快速、准确地识别出烟雾，提高火灾情报的精度、缩短预报时间，减少财产损失和保障人的生命，在设计时能够很好的兼顾到烟雾的非刚体结构，对于烟雾区域的分割精准，本发明利用了实例分割方法，结合神经网络与传统图像滤波方法，实现了高准确性和与强鲁棒性的检测方法，可详细的得到烟雾边界信息。
(2)、该基于实例分割的隧道烟雾检测方法，通过提出了一种特征融合方法，将深层，浅层及分割信息进行融合，增加了特征提取丰富性。
(3)、该基于实例分割的隧道烟雾检测方法，通过提出了一种去除隧道内光照影响的方法，增强了总体检测的鲁棒性。
附图说明
图1为本发明神经网络模块的系统框图；
图2为本发明滤波模块的系统框图；
图3为本发明实施例提供的检测方法流程图。
图中，101视频图像采集模块、102特征提取模块、103实例分割模块、104多层级特征融合模块、105掩码图转换模块、106神经网络输出模块、201输入模块、202光斑检测模块、203光斑过滤模块、204连通域模块、205阈值判断模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-3，本发明实施例提供一种技术方案：一种基于实例分割的隧道烟雾检测方法，具体包括以下步骤：
S1、在神经网络模块，通过深度卷积神经网络提取图像的多级特征，并增加分支来进行像素级分割；
S2、然后通过一个小型网络融合多级特征并最终输出烟雾的掩码图；
S3、在滤波模块，首先通过盒式滤波器过滤隧道内灯光对图像带来的影响；
S4、然后确定连通域，过滤其他噪声的干扰；
S5、最终判定烟雾的具体边界并进行预警。
由图1所示，本发明，步骤S1中神经网络模块系统结构包括：视频图像采集模块101、特征提取模块102、实例分割模块103、多层级特征融合模块104、掩码图转换模块105和神经网络输出模块106，视频图像采集模块101用于从摄像头采集系统获得隧道内实时场景，且摄像头为模拟摄像机或数字摄像机，特征提取模块102用于将视频图像采集模块101输出的视频流按帧进行图像大小调整的预处理，然后输入进特征提取器中，分别提取深层与浅层特征，其中深层特征是指烟雾位置等全局语义信息，浅层特征是指烟雾纹理等局部细节信息，实例分割模块103利用网络训练好的实例分割分支对特征进行校准，使网络直接预测出目标的边缘特征，且多层级特征融合模块104用于对网络提取出的多层级特征进行通道交换、相加等融合操作，得到融合特征，增加特征图信息，使其包含有更多的细节信息以及更强的语义信息，掩码图转换模块105用于将多层级特征融合模块104输出的融合特征输入到掩码分支中，用浮点数取代二进制掩码，使网络输出仍保持有较多信息，同时保持了网络的轻量性，提高检测速度，且神经网络输出模块106用于将特征图还原到原先尺寸，输出最终的检测结果。
由图2所示，本发明，步骤S3中滤波模块用于处理隧道内的光照影响，由于隧道内的灯光会导致图像出现零星光斑，并且使得整体图像画质变灰，容易误识别为薄雾，此情况尤其发生在隧道中部摄像头，因此设计此模块滤除光照影响，提高烟雾检测在隧道内的表现及鲁棒性，且滤波模块包括输入模块201、光斑检测模块202、光斑过滤模块203、连通域模块204以及最终的阈值判断模块205，输入模块201用于将得到的神经网络模块所输出的图像传入传统方法处理模块，且光斑检测模块202能够识别出图像中细小光斑，并结合多帧图像，平均出该光斑的像素值范围，此操作主要是为了滤除隧道中由于车辆经过而导致的局部光源变化，光斑过滤模块203通过使用盒式滤波器对图像进行滤波，过滤掉零散的噪点，并且将其余部分减去光斑检测模块202所得到的光斑像素值，减少隧道内不均匀灯光对图像造成的影响，增强该方法的鲁棒性，连通域模块204对滤波后的图像进行连通域检测，由于烟雾的非刚体结构导致易识别为多块烟雾，因此通过部署连通域检测将各模块连接起来，同时也进一步的过滤了噪声，最终确定较大范围的疑似烟雾区域，阈值判断模块205设置了阈值二值化图像，并通过烟雾边界以及最终的图像面积判断烟雾的大小与位置。
由图3所示，为本发明实施例提供的检测方法流程，总体流程为线性连接，单元依次相连，具体的实现模块如下：
模块301：模块获取图像输入信息。
模块302：通过图像预处理技术使图像满足神经网络输入模块。
模块303：在预处理之后衔接神经处理模块，接受预处理模块的输入。
模块304：将神经网络模块的输出作为传统检测模块的输入，并通过设定阈值输出最终的检测结果，实现高精度检测。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于实例分割的隧道烟雾检测方法，其特征在于：具体包括以下步骤：
S1、在神经网络模块，通过深度卷积神经网络提取图像的多级特征，并增加分支来进行像素级分割；所述步骤S1中神经网络模块系统结构包括：视频图像采集模块(101)、特征提取模块(102)、实例分割模块(103)、多层级特征融合模块(104)、掩码图转换模块(105)和神经网络输出模块(106)。
S2、然后通过一个小型网络融合多级特征并最终输出烟雾的掩码图；
S3、在滤波模块，首先通过盒式滤波器过滤隧道内灯光对图像带来的影响；所述步骤S3中滤波模块用于处理隧道内的光照影响，且滤波模块包括输入模块(201)、光斑检测模块(202)、光斑过滤模块(203)、连通域模块(204)以及最终的阈值判断模块(205)，所述输入模块(201)用于将得到的神经网络模块所输出的图像传入传统方法处理模块，且光斑检测模块(202)能够识别出图像中细小光斑，并结合多帧图像，平均出该光斑的像素值范围；
所述光斑过滤模块(203)通过使用盒式滤波器对图像进行滤波，过滤掉零散的噪点，并且将其余部分减去光斑检测模块(202)所得到的光斑像素值，所述连通域模块(204)对滤波后的图像进行连通域检测，由于烟雾的非刚体结构导致易识别为多块烟雾；
S4、然后确定连通域，过滤其他噪声的干扰；
S5、最终判定烟雾的具体边界并进行预警。
2.根据权利要求1所述的一种基于实例分割的隧道烟雾检测方法，其特征在于：所述视频图像采集模块(101)用于从摄像头采集系统获得隧道内实时场景，且摄像头为模拟摄像机或数字摄像机，所述特征提取模块(102)用于将视频图像采集模块(101)输出的视频流按帧进行图像大小调整的预处理，然后输入进特征提取器中，分别提取深层与浅层特征，其中深层特征是指烟雾位置全局语义信息，浅层特征是指烟雾纹理局部细节信息。
3.根据权利要求1所述的一种基于实例分割的隧道烟雾检测方法，其特征在于：所述实例分割模块(103)利用网络训练好的实例分割分支对特征进行校准，使网络直接预测出目标的边缘特征，且多层级特征融合模块(104)用于对网络提取出的多层级特征进行通道交换、相加融合操作，得到融合特征，增加特征图信息，使其包含有更多的细节信息以及更强的语义信息。
4.根据权利要求1所述的一种基于实例分割的隧道烟雾检测方法，其特征在于：所述掩码图转换模块(105)用于将多层级特征融合模块(104)输出的融合特征输入到掩码分支中，用浮点数取代二进制掩码，使网络输出仍保持有较多信息，同时保持了网络的轻量性，提高检测速度，且神经网络输出模块(106)用于将特征图还原到原先尺寸，输出最终的检测结果。
5.根据权利要求1所述的一种基于实例分割的隧道烟雾检测方法，其特征在于：所述阈值判断模块(205)设置了阈值二值化图像，并通过烟雾边界以及最终的图像面积判断烟雾的大小与位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633593.0A CN111767875B (zh) | 2020-07-06 | 2020-07-06 | 一种基于实例分割的隧道烟雾检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633593.0A CN111767875B (zh) | 2020-07-06 | 2020-07-06 | 一种基于实例分割的隧道烟雾检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767875A CN111767875A (zh) | 2020-10-13 |
| CN111767875B true CN111767875B (zh) | 2024-05-10 |
Family
ID=72724295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010633593.0A Active CN111767875B (zh) | 2020-07-06 | 2020-07-06 | 一种基于实例分割的隧道烟雾检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767875B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348828B (zh) * | 2020-10-27 | 2024-09-06 | 浙江大华技术股份有限公司 | 基于神经网络的实例分割方法和装置以及存储介质 |
| CN113192018B (zh) * | 2021-04-23 | 2023-11-24 | 北京化工大学 | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 |
| CN114943838A (zh) * | 2022-05-24 | 2022-08-26 | 重庆中科云从科技有限公司 | 目标对象方法、系统及计算机存储介质 |
| CN115147586B (zh) * | 2022-07-28 | 2024-03-26 | 深圳大学 | 基于深度学习的烟雾检测方法、装置、设备及存储介质 |
| CN115358981A (zh) * | 2022-08-16 | 2022-11-18 | 腾讯科技（深圳）有限公司 | 胶水缺陷的确定方法、装置、设备及存储介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739686A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标跟踪方法及其系统 |
| CN102305988A (zh) * | 2011-09-13 | 2012-01-04 | 江苏森莱浦光电科技有限公司 | 一种基于光斑检测的投影灯泡自动调焦装置及其使用方法 |
| CN202275254U (zh) * | 2011-09-13 | 2012-06-13 | 江苏森莱浦光电科技有限公司 | 一种基于光斑检测的投影灯泡自动调焦装置 |
| CN105136120A (zh) * | 2015-08-24 | 2015-12-09 | 陈建武 | 物体位移图像检测系统及方法 |
| CN107655403A (zh) * | 2016-07-24 | 2018-02-02 | 程媛 | 一种高速激光光斑检测系统 |
| EP3306566A1 (en) * | 2016-10-10 | 2018-04-11 | Direct Genomics Co., Ltd. | Method and system for processing image |
| CN108257137A (zh) * | 2017-11-27 | 2018-07-06 | 南京浩梁景信息科技有限公司 | 一种基于视觉光斑自动判读的角度测量方法及系统 |
| CN109885718A (zh) * | 2019-02-28 | 2019-06-14 | 江南大学 | 一种基于深度车贴检测的嫌疑车辆检索方法 |
| CN109886307A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像检测方法及系统 |
| CN110232380A (zh) * | 2019-06-13 | 2019-09-13 | 应急管理部天津消防研究所 | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 |
| CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
| CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
| CN111046827A (zh) * | 2019-12-20 | 2020-04-21 | 哈尔滨理工大学 | 一种基于卷积神经网络的视频烟雾检测方法 |
| CN111046728A (zh) * | 2019-11-01 | 2020-04-21 | 武汉纺织大学 | 一种基于特征金字塔网络的秸秆燃烧检测方法 |
| CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
| CN111178197A (zh) * | 2019-12-19 | 2020-05-19 | 华南农业大学 | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 |
| CN111263038A (zh) * | 2020-01-15 | 2020-06-09 | 天地（常州）自动化股份有限公司 | 摄像仪采集的数字图像设备及其自动滤波方法 |
| CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 一种基于深度学习和图像处理法的路面病害智能提取方法 |
-
2020
- 2020-07-06 CN CN202010633593.0A patent/CN111767875B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739686A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标跟踪方法及其系统 |
| CN102305988A (zh) * | 2011-09-13 | 2012-01-04 | 江苏森莱浦光电科技有限公司 | 一种基于光斑检测的投影灯泡自动调焦装置及其使用方法 |
| CN202275254U (zh) * | 2011-09-13 | 2012-06-13 | 江苏森莱浦光电科技有限公司 | 一种基于光斑检测的投影灯泡自动调焦装置 |
| CN105136120A (zh) * | 2015-08-24 | 2015-12-09 | 陈建武 | 物体位移图像检测系统及方法 |
| CN107655403A (zh) * | 2016-07-24 | 2018-02-02 | 程媛 | 一种高速激光光斑检测系统 |
| EP3306566A1 (en) * | 2016-10-10 | 2018-04-11 | Direct Genomics Co., Ltd. | Method and system for processing image |
| CN108257137A (zh) * | 2017-11-27 | 2018-07-06 | 南京浩梁景信息科技有限公司 | 一种基于视觉光斑自动判读的角度测量方法及系统 |
| CN109886307A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像检测方法及系统 |
| CN109885718A (zh) * | 2019-02-28 | 2019-06-14 | 江南大学 | 一种基于深度车贴检测的嫌疑车辆检索方法 |
| CN110232380A (zh) * | 2019-06-13 | 2019-09-13 | 应急管理部天津消防研究所 | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 |
| CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
| CN110533684A (zh) * | 2019-08-22 | 2019-12-03 | 杭州德适生物科技有限公司 | 一种染色体核型图像切割方法 |
| CN111046728A (zh) * | 2019-11-01 | 2020-04-21 | 武汉纺织大学 | 一种基于特征金字塔网络的秸秆燃烧检测方法 |
| CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
| CN111178197A (zh) * | 2019-12-19 | 2020-05-19 | 华南农业大学 | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 |
| CN111046827A (zh) * | 2019-12-20 | 2020-04-21 | 哈尔滨理工大学 | 一种基于卷积神经网络的视频烟雾检测方法 |
| CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 一种基于深度学习和图像处理法的路面病害智能提取方法 |
| CN111263038A (zh) * | 2020-01-15 | 2020-06-09 | 天地（常州）自动化股份有限公司 | 摄像仪采集的数字图像设备及其自动滤波方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767875A (zh) | 2020-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767875B (zh) | 一种基于实例分割的隧道烟雾检测方法 | |
| CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
| CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
| CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
| CN108197566B (zh) | 一种基于多路神经网络的监控视频行为检测方法 | |
| Akarsu et al. | A fast and adaptive road defect detection approach using computer vision with real time implementation | |
| CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN103646257B (zh) | 一种基于视频监控图像的行人检测和计数方法 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
| CN113256602A (zh) | 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 | |
| CN113139572A (zh) | 一种基于图像的列车空气弹簧的故障检测方法 | |
| CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 | |
| CN113326783A (zh) | 一种水利行业的边缘预警方法 | |
| CN109001213B (zh) | 一种卷到卷超薄柔性ic基板外观检测方法 | |
| CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
| CN116977334B (zh) | 一种光缆表面瑕疵检测方法及装置 | |
| Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
| CN111339824A (zh) | 基于机器视觉的路面抛洒物检测方法 | |
| CN112396629A (zh) | 一种基于红外可见光协同的河道巡检跟踪方法 | |
| CN116385364A (zh) | 一种基于视差辅助语义分割的多级导地线缺陷识别方法 | |
| CN115375945A (zh) | 一种水面油污识别和污染面积测算方法 | |
| CN114897815A (zh) | 基于人工智能的编织袋表面缺陷在线检测方法 | |
| CN114724091A (zh) | 一种输电线路导线异物识别方法及装置 | |
| CN116206297A (zh) | 基于级联神经网络的视频流实时车牌识别系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |