CN113052011A - 一种基于计算机视觉的道路目标流量监测系统 - Google Patents
一种基于计算机视觉的道路目标流量监测系统 Download PDFInfo
- Publication number
- CN113052011A CN113052011A CN202110246689.6A CN202110246689A CN113052011A CN 113052011 A CN113052011 A CN 113052011A CN 202110246689 A CN202110246689 A CN 202110246689A CN 113052011 A CN113052011 A CN 113052011A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- image
- detection
- computer vision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000007726 management method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的道路目标流量监测系统，研究目标为图像目标监测，基于机器视觉库opencv的yolov4卷积神经网络模型，进行批量预处理拟定检测目标，优化原yolov4的损失函数，利用模块化矩阵检测系统框选出图片上每一个拟定识别物体，并对对象进行分类并计数，且输出每一个监测对象的坐标；对于采集数据的偏差，进行自定义的临界值设置与比对；将获取的视频、数据、标识结果进行存储，实时导入数据库，进行大数据的采集与分析，使得目标分类更细化，为图像化管理提供基础，在保证识别精度的同时,提升运算效率,加快检测速度，为后序规划提供现实可靠的数据源。
Description
技术领域
本发明涉及图像目标监测技术领域，具体为一种基于计算机视觉的道路目标流量监测系统。
背景技术
交通流量信息是交通控制中的重要信息，要实现交通流数据的提取，先要进行车辆检测.目前国内常见的交通流检测的方法有超声波检测、红外检测、环形感应圈检测和计算机视觉检测，超声波检测精度不高，容易受车辆遮挡和行人的影响，检测的距离短(一般不超过12m)；红外检测受车辆本身热源的影响，抗噪声的能力不强，检测精度也不高；环形感应圈检测精度高，但要求设置于路面土木结构中，对路面有损坏，施工和安装不便，而且安装的数量多。
发明内容
为了克服上述问题，本发明提出了一种基于计算机视觉的道路目标流量监测系统，包括以下步骤：
步骤一，数据采集，数据采集包括静态图片采集和动态视频采集，以摄像头对现场检测目标状态与位置进行采集，用传感器设备对环境进行检测；并将云端与智能终端相连接，研究人员对交通控制系统实现远程可视化监察与控制的管理，图像采集与智能识别系统以C/S架构呈现，实现智能设备与后台控制程序交互；
步骤二，数据分析，在数据分析过程中，过滤器为自定义模式，根据样本的采集进行背景移除、临界值、腐蚀化、双边过滤、中值模糊或拓展形态的处理，得到更精确的结果；
步骤三，数据存储，将获取的视频、数据、标识结果进行存储，实时导入数据库，以进行大数据的采集与分析，使得目标分类更细化，并将数据库与上位机连接，实现数据库与上位机之间的数据信息传递。
优选的，在步骤二中，腐蚀化处理的目的在于消除画布中图像的边界点，令边界按拟定参数向内部收缩，用于消除与检测目标相比无意义的物体。
优选的，在步骤二中，对图像的中值模糊处理，采用MedianBlur函数，作为一个非线性的滤波器，取当前领域的中值作为当前点的灰度值。
优选的，通过YOLO网络进行对象识别，具体包括以下步骤：
步骤一，实时读取摄像头内的信息送入YOLO网络，并把图片等分为多个格子；
步骤二，预测每个格子当中是否存在目标中心点，若存在则实现目标检测，其工作内容需要确定目标是否属于检测对象以及检测对象所在位置，预测目标位置时需获得以下参数：即目标框中心点位置，目标框的长和宽以及置信度，用以判断选框中内容是否属于检测对象；
步骤三，计算置信度，在抽样对总体参数作出估计时，采用概率的陈述方法，即估计值与总体参数在一定允许的误差范围以内，其相应的概率为计算目标。
优选的，在拍摄过程中，定位至检测图像中带有给定标签的单个目标，之后检测图像中带有给定标签的所有目标。
优选的，拟定摄像头拍摄区域内，60秒，交通流量＜10，区域为白色；10≤交通流量＜20，区域为绿色；20≤交通流量＜30，区域为蓝色；30≤交通流量＜50，区域为黄色；交通流量≥50，区域为红色。
对于归一化指数函数softmax，将多分类的结果以数值概率的形式表达，为确保概率的非负性，softmax将模型的预测结果转化至指数函数上。
其中的损失函数越大，则该类在标签上的占比概率越小，性能随之越差，因而softmax函数在细节的处理上，容易造成数值稳定性的问题。YOLOv4用多个独立的逻辑运算器替换softmax函数，极大地减少了这一问题的出现概率。
以计算输入属于特定标签的可能性。在计算分类损失时，对每个标签使用二元交叉熵损失，以此避免使用softmax函数而降低计算的复杂度。
Recall随预测标签的增加而增加，但Precision会上下波动。
YOLO的网络结构有5层：输入层-从检测图像/视频中读入数据；卷积层-将对象的局部特征通过权值矩阵重新组装得到的完整图像；池化层-选取卷积后特征图像中对应像素点最大值为池化后特征，用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；全连接层；输出层。
与现有技术相比，本发明的有益效果是：
本发明基于机器视觉库opencv的yolov4卷积神经网络模型，进行批量预处理拟定检测目标，优化原yolov4的损失函数，利用模块化矩阵检测系统框选出图片上每一个拟定识别物体，并对对象进行分类并计数，且输出每一个监测对象的坐标。对于采集数据的偏差，进行自定义的临界值设置与比对；将获取的视频、数据、标识结果进行存储，实时导入数据库，进行大数据的采集与分析，使得目标分类更细化，为图像化管理提供基础，在保证识别精度的同时，提升运算效率，加快检测速度，为后序规划提供现实可靠的数据源。
本发明的神经网络可以通过大数据的分析统计，得到拟定驱动程序的操控，自定义实时优化参数，对于特征的提取和监测目标的分类可以在网络环境下统一完成；对于采集数据的偏差，进行自定义的临界值设置与比对；将获取的视频、数据、标识结果进行存储，实时导入数据库，进行大数据的采集与分析，使得目标分类更细化，为图像化管理提供基础，在保证识别精度的同时，提升运算效率，加快检测速度，为后序规划提供现实可靠的数据源。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的数据处理流程图；
图2为混淆矩阵图；
图3为YOLO网络结构图。
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。
请参阅图1～3，本发明提供以下种技术方案：
实施例一
一种基于计算机视觉的道路目标流量监测系统，包括以下步骤：
步骤一，数据采集，数据采集包括静态图片采集和动态视频采集，以摄像头对现场检测目标状态与位置进行采集，用传感器设备对环境进行检测；并将云端与智能终端相连接，研究人员对交通控制系统实现远程可视化监察与控制的管理，图像采集与智能识别系统以C/S架构呈现，实现智能设备与后台控制程序交互；
步骤二，数据分析，在数据分析过程中，过滤器为自定义模式，根据样本的采集进行背景移除、临界值、腐蚀化、双边过滤、中值模糊或拓展形态的处理，得到更精确的结果；
步骤三，数据存储，将获取的视频、数据、标识结果进行存储，实时导入数据库，以进行大数据的采集与分析，使得目标分类更细化，并将数据库与上位机连接，实现数据库与上位机之间的数据信息传递。
在步骤二中，腐蚀化处理的目的在于消除画布中图像的边界点，令边界按拟定参数向内部收缩，用于消除与检测目标相比无意义的物体。
在步骤二中，对图像的中值模糊处理，采用MedianBlur函数，作为一个非线性的滤波器，取当前领域的中值作为当前点的灰度值。
YOLO网络识别对象的过程为：
1.实时读取摄像头内的信息送入YOLO网络，并把图片等分为7*7个格子；
2.预测每个格子当中是否存在目标中心点，若存在则实现目标检测，其工作内容需要确定目标是否属于检测对象以及检测对象所在位置，预测目标位置时需获得以下参数：即目标框中心点位置，目标框的长和宽以及置信度，用以判断选框中内容是否属于检测对象；
3.计算置信度,在抽样对总体参数作出估计时，由于样本的随机性，其结论总是不确定的。因此，采用概率的陈述方法，即估计值与总体参数在一定允许的误差范围以内，其相应的概率为计算目标。
拍摄过程中，定位至检测图像中带有给定标签的单个目标，之后检测图像中带有给定标签的所有目标。
拟定摄像头拍摄区域内，60秒，交通流量＜10，区域为白色；10≤交通流量＜20，区域为绿色；20≤交通流量＜30，区域为蓝色；30≤交通流量＜50，区域为黄色；交通流量≥50，区域为红色。
YOLO的网络结构包括输入层、卷积层、池化层、全连接层和输出层；输入层从检测图像/视频中读入数据；卷积层将对象的局部特征通过权值矩阵重新组装得到的完整图像；池化层选取卷积后特征图像中对应像素点最大值为池化后特征，用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于计算机视觉的道路目标流量监测系统，其特征在于，包括以下步骤：
步骤一，数据采集，数据采集包括静态图片采集和动态视频采集，以摄像头对现场检测目标状态与位置进行采集，用传感器设备对环境进行检测；并将云端与智能终端相连接，研究人员对交通控制系统实现远程可视化监察与控制的管理，图像采集与智能识别系统以C/S架构呈现，实现智能设备与后台控制程序交互；
步骤二，数据分析，在数据分析过程中，过滤器为自定义模式，根据样本的采集进行背景移除、临界值、腐蚀化、双边过滤、中值模糊或拓展形态的处理，得到更精确的结果；
步骤三，数据存储，将获取的视频、数据、标识结果进行存储，实时导入数据库，以进行大数据的采集与分析，使得目标分类更细化，并将数据库与上位机连接，实现数据库与上位机之间的数据信息传递。
2.根据权利要求1所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，在步骤二中，腐蚀化处理的目的在于消除画布中图像的边界点，令边界按拟定参数向内部收缩，用于消除与检测目标相比无意义的物体。
3.根据权利要求1所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，在步骤二中，对图像的中值模糊处理，采用MedianBlur函数，作为一个非线性的滤波器，取当前领域的中值作为当前点的灰度值。
4.根据权利要求1所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，通过YOLO网络进行对象识别，具体包括以下步骤：
步骤一，实时读取摄像头内的信息送入YOLO网络，并把图片等分为多个格子；
步骤二，预测每个格子当中是否存在目标中心点，若存在则实现目标检测，其工作内容需要确定目标是否属于检测对象以及检测对象所在位置，预测目标位置时需获得以下参数：即目标框中心点位置，目标框的长和宽以及置信度，用以判断选框中内容是否属于检测对象；
步骤三，计算置信度，在抽样对总体参数作出估计时，采用概率的陈述方法，即估计值与总体参数在一定允许的误差范围以内，其相应的概率为计算目标。
5.根据权利要求4所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，在拍摄过程中，定位至检测图像中带有给定标签的单个目标，之后检测图像中带有给定标签的所有目标。
6.根据权利要求4所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，拟定摄像头拍摄区域内，60秒，交通流量＜10，区域为白色；10≤交通流量＜20，区域为绿色；20≤交通流量＜30，区域为蓝色；30≤交通流量＜50，区域为黄色；交通流量≥50，区域为红色。
7.根据权利要求4所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，YOLO的网络结构包括输入层、卷积层、池化层、全连接层和输出层。
8.根据权利要求7所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，输入层从检测图像/视频中读入数据。
9.根据权利要求7所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，卷积层将对象的局部特征通过权值矩阵重新组装得到的完整图像。
10.根据权利要求7所述的一种基于计算机视觉的道路目标流量监测系统，其特征在于，池化层选取卷积后特征图像中对应像素点最大值为池化后特征，用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110246689.6A CN113052011A (zh) | 2021-03-05 | 2021-03-05 | 一种基于计算机视觉的道路目标流量监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110246689.6A CN113052011A (zh) | 2021-03-05 | 2021-03-05 | 一种基于计算机视觉的道路目标流量监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052011A true CN113052011A (zh) | 2021-06-29 |
Family
ID=76510284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110246689.6A Pending CN113052011A (zh) | 2021-03-05 | 2021-03-05 | 一种基于计算机视觉的道路目标流量监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052011A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117270420A (zh) * | 2023-07-14 | 2023-12-22 | 南通祥峰电子有限公司 | 一种基于智能模型的电器元件设计试样系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358803A (zh) * | 2017-08-22 | 2017-11-17 | 哈尔滨理工大学 | 一种交通信号控制系统及其控制方法 |
| CN108205891A (zh) * | 2018-01-02 | 2018-06-26 | 霍锦涛 | 一种监控区域的车辆监测方法 |
| CN108537117A (zh) * | 2018-03-06 | 2018-09-14 | 哈尔滨思派科技有限公司 | 一种基于深度学习的乘客检测方法和系统 |
| CN111554105A (zh) * | 2020-05-29 | 2020-08-18 | 浙江科技学院 | 一种复杂交通路口的智能流量识别与统计方法 |
| CN112101433A (zh) * | 2020-09-04 | 2020-12-18 | 东南大学 | 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法 |
-
2021
- 2021-03-05 CN CN202110246689.6A patent/CN113052011A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358803A (zh) * | 2017-08-22 | 2017-11-17 | 哈尔滨理工大学 | 一种交通信号控制系统及其控制方法 |
| CN108205891A (zh) * | 2018-01-02 | 2018-06-26 | 霍锦涛 | 一种监控区域的车辆监测方法 |
| CN108537117A (zh) * | 2018-03-06 | 2018-09-14 | 哈尔滨思派科技有限公司 | 一种基于深度学习的乘客检测方法和系统 |
| CN111554105A (zh) * | 2020-05-29 | 2020-08-18 | 浙江科技学院 | 一种复杂交通路口的智能流量识别与统计方法 |
| CN112101433A (zh) * | 2020-09-04 | 2020-12-18 | 东南大学 | 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZICONG JIANG等: "Real-time object detection method for embedded devices", 《HTTPS://ARXIV.ORG/ABS/2011.04244V2》 * |
| 徐子睿等: "基于YOLOv4的车辆检测与流量统计研究", 《现代信息科技》 * |
| 黄健等: "深度卷积神经网络的目标检测算法综述", 《计算机工程与应用》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117270420A (zh) * | 2023-07-14 | 2023-12-22 | 南通祥峰电子有限公司 | 一种基于智能模型的电器元件设计试样系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN109345547B (zh) | 基于深度学习多任务网络的交通车道线检测方法及装置 | |
| CN112016461B (zh) | 一种多目标的行为识别方法及系统 | |
| CN111832398B (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
| CN111462155B (zh) | 移动侦测方法、装置、计算机设备和存储介质 | |
| CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 | |
| CN110826577A (zh) | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 | |
| CN110599458A (zh) | 基于卷积神经网络的地下管网检测评估云系统 | |
| CN113052011A (zh) | 一种基于计算机视觉的道路目标流量监测系统 | |
| CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
| CN116205905B (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
| CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和系统 | |
| CN110599460A (zh) | 基于混合卷积神经网络的地下管网检测评估云系统 | |
| CN113591752B (zh) | 基于卷积神经网络的设备漏油监控方法及相关设备 | |
| CN116908184A (zh) | 一种导地线压接检测系统及其检测方法 | |
| CN116168213A (zh) | 人流量数据的识别方法和人流量数据识别模型的训练方法 | |
| CN114648736A (zh) | 基于目标检测的鲁棒工程车辆识别方法及系统 | |
| CN114549628A (zh) | 一种电力杆倾斜检测方法、装置、设备及存储介质 | |
| CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
| CN118470577B (zh) | 一种基于大数据的巡检场景识别方法及系统 | |
| CN112487967A (zh) | 一种基于三维卷积网络的景区涂画行为识别方法 | |
| CN118624625B (zh) | 一种新能源汽车电池盖板的智能电测系统及方法 | |
| CN118365139B (zh) | 风险态势感知方法、系统、设备和介质 | |
| CN118229976A (zh) | 一种变电站电力设备的点云分割方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |
|
| RJ01 | Rejection of invention patent application after publication |