[go: up one dir, main page]

CN113076893B - 一种基于深度学习的高速公路疏水管堵塞态势感知方法 - Google Patents

一种基于深度学习的高速公路疏水管堵塞态势感知方法 Download PDF

Info

Publication number
CN113076893B
CN113076893B CN202110383869.9A CN202110383869A CN113076893B CN 113076893 B CN113076893 B CN 113076893B CN 202110383869 A CN202110383869 A CN 202110383869A CN 113076893 B CN113076893 B CN 113076893B
Authority
CN
China
Prior art keywords
area
neural network
drain pipe
blockage
confidence
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
Application number
CN202110383869.9A
Other languages
English (en)
Other versions
CN113076893A (zh
Inventor
乔铁柱
付杰
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.)
Inner Mongolia Xianhong Science Co ltd
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202110383869.9A priority Critical patent/CN113076893B/zh
Publication of CN113076893A publication Critical patent/CN113076893A/zh
Application granted granted Critical
Publication of CN113076893B publication Critical patent/CN113076893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明一种基于深度学习的高速公路疏水管堵塞态势感知方法，属于计算机视觉巡检技术领域；所要解决的技术问题为：提供一种基于深度学习的高速公路疏水管堵塞态势感知方法的改进；解决上述技术问题采用的技术方案为：通过在高速公路的定点区域设置CCD摄像机对疏水管表面的数据采集；将采集的数据发送至PC端按帧进行数据拆分，灰度处理，再将灰度处理后的图像进行翻转、缩放，形成图像集；利用卷积神经网络，将图像集中的图像进行淤泥特征提取，同时生成疏水管堵塞预测模型对疏水管是否拥堵进行判定，并将判定结果在PC端进行显示，当判定结果为拥堵时，将预警信息传输至高速公路路况管理系统，进行预警报警；本发明应用于高速公路疏水管堵塞判断。

Description

一种基于深度学习的高速公路疏水管堵塞态势感知方法
技术领域
本发明一种基于深度学习的高速公路疏水管堵塞态势感知方法，属于基于深度学习的高速公路疏水管堵塞态势感知方法技术领域。
背景技术
我国高速公路建造成本最低每公里达3000-4000万，然现阶段，高速公路路面排水系统仍不健全，中央隔离带的排水设计不完善。一旦遭遇强降水天气，路面形成积水，导致产生车辆侧翻、制动距离增加等危险因素，其次经行车荷载的作用使得雨水通过中央隔离带渗入路面结构层出现水破坏现象，即路面结构产生坑洞、网裂、辙槽等，这将极大威胁人民生命财产的安全，以及阻碍国家运输经济的发展。
高速公路中央隔离带处的疏水管有助于快速地排除积水，但其会因各种原因引起管内泥沙淤积，导致排水性能降低。保持中央隔离带疏水管畅通是高速公路运维的重中之重，而有效地感知出疏水管堵塞状态仍是排水系统的难点之一。
现阶段我国高速公路中央隔离带疏水管的阻塞状态主要由专业人员定期负责检测，人为检测往往是耗时、低效、代价高昂的一种方法，因此借助计算机视觉手段作为支撑，可以提高巡检效率。卷积神经网络是人工智能深度学习领域中目标检测的一项杰出技术，可以快速自动识别出图像中的各个物体。因此，提出了一种基于深度学习的高速公路疏水管堵塞态势感知方法。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于深度学习的高速公路疏水管堵塞态势感知方法的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种基于深度学习的高速公路疏水管堵塞态势感知方法，包括如下步骤：
步骤一：构建数据集：通过在多条高速公路的定点区域设置多个CCD摄像机进行疏水管表面的视频图像数据采集；
步骤二：将步骤一中采集的疏水管表面图像数据发送至PC端按帧进行数据拆分，并将拆分的RGB彩色图像进行灰度处理，再将灰度处理后的图像进行翻转、缩放，形成图像集；
步骤三：利用卷积神经网络，将步骤二形成的图像集中的图像进行淤泥特征提取，同时通过态势感知的预测机制生成疏水管堵塞预测模型；
步骤四：通过疏水管堵塞预测模型对疏水管是否拥堵进行判定，并将判定结果在PC端进行显示，当判定结果为拥堵时，将预警信息传输至高速公路路况管理系统，进行预警报警。
所述步骤三中利用卷积神经网络对图像进行淤泥特征提取的具体步骤为：
步骤3.1：将图像集的75％-80％用于训练卷积神经网络，将图像集的20％-25％用于验证卷积神经网络模型；
步骤3.2：将原始图像的二维特性通过增设表示该卷积核区域淤积程度的Z轴而形成三维机制，得到卷积神经网络三维机制；
步骤3.3：在三维机制的神经网络中采用MES损失函数用于对图像集淤泥特征提取进行训练，并通过将损失函数进行正则化防止过拟合；
其中，损失函数的计算公式为：LOSS＝(OUT-Ei)2，上式中Ei为期望输出，OUT为输出层神经元的输出；
正则化计算公式为：
Figure BDA0003014073090000021
上式中LOSS为损失函数，λ为比例系数，wi为对应神经元i的权重；
步骤3.4：运用随机梯度训练公式
Figure BDA0003014073090000022
对卷积神经网络中所有神经元的权值进行更新，上式中η为本神经网络的学习率；
步骤3.5：采用卷积核的变形体系对图像的区域进行扩大，使卷积核看到更宽广的区域；
步骤3.6：在用卷积神经网络进行淤泥特征提取时，通过加深网络层数同时加入残差连接提高提取精度；
步骤3.7：在n*n卷积核区域中计算每一块区域的置信度，汇总所有区域的置信度，使用最小二乘法拟合出新的曲面。
所述置信度的计算步骤为：计算步骤3.7新拟合曲面的极值，不断地取曲面内所有极值的平均值，上述平均值即为区域淤积程度的置信度。
所述期望输出Ei的具体计算方法如下：
将区域划分成N*N卷积核大小的神经网络，当所示区域为整块淤泥时，判定堵塞，并获得
Figure BDA0003014073090000023
的置信度；
当所示区域非整块淤泥时，则将该1*1区域再细分至
Figure BDA0003014073090000024
当所示区域的淤泥区域大于40％，判定堵塞，默认细分前的区域同样获得
Figure BDA0003014073090000031
的置信度；
将该图片区域的各个卷积核区域置信度叠加，当叠加的置信度大于0.4时，期望输出Ei的值为1，当叠加的置信度小于等于0.4时，期望输出Ei的值为0。
所述步骤三中通过态势感知的预测机制生成疏水管堵塞预测模型的预测机制为：
根据地区的土质粘滞系数、风速、温度、降水量、车流量的不同，该预测机制产生的预测结果不同，在提取淤泥特征的同时，生成疏水管堵塞预测模型。
所述疏水管堵塞预测模型采用多元齐次线性函数模型进行淤泥堵塞预测，计算公式为：yi＝a1x1+a2x2+a3x3+a4x4+a5x5，上式中：xi为影响预测结果的因素，ai为对应影响因子的比例系数；
当yi＞0.4时，判定为疏水管拥堵，当yi≤0.4时，判定为疏水管正常。
本发明相对于现有技术具备的有益效果为：本发明提供的基于深度学习的高速公路疏水管堵塞态势感知方法，利用卷积神经网络建立高速公路中央隔离带疏水管堵塞状态检测模型，建立了卷积神经网络CNN识别疏水管堵塞程度三维机制，通过计算置信度和堵塞预测机制，能够及时获知疏水管的堵塞状态并报警提示，检测效率高、精度高。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明的3*3变形卷积神经网络的三维机制；
图2、3、4、5为本发明的3*3变形卷积神经网络对淤泥的特征提取；
图6、7、8为本发明的4*4卷积神经网络对淤泥占比的计算。
具体实施方式
如图1至图8所示，本发明一种基于深度学习的高速公路疏水管堵塞态势感知方法，包括如下步骤：
步骤一：构建数据集：通过在多条高速公路的定点区域设置多个CCD摄像机进行疏水管表面的视频图像数据采集；
步骤二：将步骤一中采集的疏水管表面图像数据发送至PC端按帧进行数据拆分，并将拆分的RGB彩色图像进行灰度处理，再将灰度处理后的图像进行翻转、缩放，形成图像集；
步骤三：利用卷积神经网络，将步骤二形成的图像集中的图像进行淤泥特征提取，同时通过态势感知的预测机制生成疏水管堵塞预测模型；
步骤四：通过疏水管堵塞预测模型对疏水管是否拥堵进行判定，并将判定结果在PC端进行显示，当判定结果为拥堵时，将预警信息传输至高速公路路况管理系统，进行预警报警。
所述步骤三中利用卷积神经网络对图像进行淤泥特征提取的具体步骤为：
步骤3.1：将图像集的75％-80％用于训练卷积神经网络，将图像集的20％-25％用于验证卷积神经网络模型；
步骤3.2：将原始图像的二维特性通过增设表示该卷积核区域淤积程度的Z轴而形成三维机制，得到卷积神经网络三维机制；
步骤3.3：在三维机制的神经网络中采用MES损失函数用于对图像集淤泥特征提取进行训练，并通过将损失函数进行正则化防止过拟合；
其中，损失函数的计算公式为：LOSS＝(OUT-Ei)2，上式中Ei为期望输出，OUT为输出层神经元的输出；
正则化计算公式为：
Figure BDA0003014073090000041
上式中LOSS为损失函数，λ为比例系数，wi为对应神经元i的权重；
步骤3.4：运用随机梯度训练公式
Figure BDA0003014073090000042
对卷积神经网络中所有神经元的权值进行更新，上式中η为本神经网络的学习率；
步骤3.5：采用卷积核的变形体系对图像的区域进行扩大，使卷积核看到更宽广的区域；
步骤3.6：在用卷积神经网络进行淤泥特征提取时，通过加深网络层数同时加入残差连接提高提取精度；
步骤3.7：在n*n卷积核区域中计算每一块区域的置信度，汇总所有区域的置信度，使用最小二乘法拟合出新的曲面。
所述置信度的计算步骤为：计算步骤3.7新拟合曲面的极值，不断地取曲面内所有极值的平均值，上述平均值即为区域淤积程度的置信度。
所述期望输出Ei的具体计算方法如下：
将区域划分成N*N卷积核大小的神经网络，当所示区域为整块淤泥时，判定堵塞，并获得
Figure BDA0003014073090000043
的置信度；
当所示区域非整块淤泥时，则将该1*1区域再细分至
Figure BDA0003014073090000044
当所示区域的淤泥区域大于40％，判定堵塞，默认细分前的区域同样获得
Figure BDA0003014073090000051
的置信度；
将该图片区域的各个卷积核区域置信度叠加，当叠加的置信度大于0.4时，期望输出Ei的值为1，当叠加的置信度小于等于0.4时，期望输出Ei的值为0。
所述步骤三中通过态势感知的预测机制生成疏水管堵塞预测模型的预测机制为：
根据地区的土质粘滞系数、风速、温度、降水量、车流量的不同，该预测机制产生的预测结果不同，在提取淤泥特征的同时，生成疏水管堵塞预测模型。
所述疏水管堵塞预测模型采用多元齐次线性函数模型进行淤泥堵塞预测，计算公式为：yi＝a1x1+a2x2+a3x3+a4x4+a5x5，上式中：xi为影响预测结果的因素，ai为对应影响因子的比例系数；
当yi＞0.4时，判定为疏水管拥堵，当yi≤0.4时，判定为疏水管正常。
本发明提供的基于深度学习的高速公路疏水管堵塞态势感知方法，采用“卷积神经网络”技术，结合CCD摄像机采集的相关图像数据，实现高准确率检测高速公路疏水管堵塞态势感知方法。
硬件设施包括：CCD摄像机、含有RTX2080显卡的PC端。
本发明利用卷积神经网络统计规律记忆强的优势，将分帧而成的图像进行淤泥特征提取(形如图2、3、4、5)。本发明通过以下实施例进行详细说明。
数据集为十条不同高速公路的十个定点区域，共计100个区域，进行图像采集，进一步提高数据的多样性，预防过拟合现象的发生。
整个实施流程为，前期通过硬件设施CCD摄像机对所在区域的疏水管表面拍摄视频，上传至PC。
PC将视频按帧拆分，为进一步压缩数据量，提高运算速度，将原有的RGB彩色图像进行灰度化处理。
所有附图中浅灰色区域为淤泥，深灰色区域为正常区域。
所得图像再进行翻转，缩放等形式，最终产生20000张图像。
图像集的75％用于训练卷积神经网络，25％用于验证卷积神经网络模型。
该神经网络采用MSE损失函数，即LOSS＝(OUT-Ei)2，其中Ei为期望输出，OUT为输出层神经元的输出。
在训练网络的过程中，为避免过拟合现象的发生，将对损失函数进行正则化。
正则化的公式为：
Figure BDA0003014073090000061
其中LOSS为损失函数，λ为比例系数，wi为对应神经元i的权重。
卷积神经网络中所有神经元权值的更新运用随机梯度这一训练公式，即
Figure BDA0003014073090000062
其中η是本神经网络的学习率。
为了让卷积核看到更宽广的区域，本发明采用卷积核的变形体系。
原先的3*3卷积仅能看到3*3个点，通过附图1中的9个标号，可以将感受野扩大到7*7个点。
卷积神经网络主要用于提取淤泥淤积的特征，为进一步提高精度，加深网络层数的同时加入残差连接，这样就实现了信息在网络中流动。
卷积神经网络三维机制意为，将原始图像的二维特性通过增设表示该卷积核区域淤积程度的Z轴而形成三维机制，如附图1所示。
在这个3*3卷积核区域中，计算每一块区域淤泥的置信度，汇总这64个区域的置信度，使用最小二乘法来拟合出新的曲面。
计算该曲面中极值，为避免出现梯度消失或者梯度爆炸现象，因此不断地取曲面内所有极值的平均值。
该平均值即为该区域淤积程度的置信度。
其中Ei的计算方法为：由图1所示，首先将该区域划分成N*N卷积核大小的神经网络，当遇到如图1白色区域所示的整块淤泥时，判定堵塞，并获得
Figure BDA0003014073090000063
的置信度，若出现图3至图5中的白色区域所示的非整块淤泥时，则将该1*1区域再细分至
Figure BDA0003014073090000064
如图6至图8所示，当淤泥区域大于40％，判定堵塞，默认细分前的区域同样获得
Figure BDA0003014073090000065
的置信度。最终将该图片区域的各个卷积核区域置信度叠加，大于0.4时，期望输出Ei的值为1，反之则为0。
态势感知是对疏水管堵塞状态的快速诊断及预测，其预测机制如下：根据地区的土质粘滞系数、风速、温度、降水量、车流量的不同，该预测机制产生的预测结果不同。在提取淤泥特征的同时，生成疏水管堵塞预测模型。
该预测模型采用多元齐次线性函数模型，根据yi＝a1x1+a2x2+a3x3+a4x4+a5x5，其中xi代表影响预测结果的因素，ai代表对应影响因子的比例系数。
当yi＞0.4时，判定为拥堵，反之则判定为正常。
判定拥堵时，将预警信息上传者高速公路路况管理部分，便于相关人员及时疏通排水系统，从而降低安全风险系数。
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种基于深度学习的高速公路疏水管堵塞态势感知方法，其特征在于：包括如下步骤：
步骤一：构建数据集：通过在多条高速公路的定点区域设置多个CCD摄像机进行疏水管表面的视频图像数据采集；
步骤二：将步骤一中采集的疏水管表面图像数据发送至PC端按帧进行数据拆分，并将拆分的RGB彩色图像进行灰度处理，再将灰度处理后的图像进行翻转、缩放，形成图像集；
步骤三：利用卷积神经网络，将步骤二形成的图像集中的图像进行淤泥特征提取，同时通过态势感知的预测机制生成疏水管堵塞预测模型；
步骤四：通过疏水管堵塞预测模型对疏水管是否拥堵进行判定，并将判定结果在PC端进行显示，当判定结果为拥堵时，将预警信息传输至高速公路路况管理系统，进行预警报警；
所述步骤三中利用卷积神经网络对图像进行淤泥特征提取的具体步骤为：
步骤3.1：将图像集的75％-80％用于训练卷积神经网络，将图像集的20％-25％用于验证卷积神经网络模型；
步骤3.2：将原始图像的二维特性通过增设表示卷积核区域淤积程度的Z轴而形成三维机制，得到卷积神经网络三维机制；
步骤3.3：在三维机制的神经网络中采用MES损失函数用于对图像集淤泥特征提取进行训练，并通过将损失函数进行正则化防止过拟合；
其中，损失函数的计算公式为：LOSS＝(OUT-Ei)2，上式中Ei为期望输出，OUT为输出层神经元的输出；
正则化计算公式为：
Figure RE-FDA0003697477760000011
上式中LOSS为损失函数，λ为比例系数，wi为对应神经元i的权重；
步骤3.4：运用随机梯度训练公式
Figure RE-FDA0003697477760000012
对卷积神经网络中所有神经元的权值进行更新，上式中η为本神经网络的学习率；
步骤3.5：采用卷积核的变形体系对图像的区域进行扩大，使卷积核看到更宽广的区域；
步骤3.6：在用卷积神经网络进行淤泥特征提取时，通过加深网络层数同时加入残差连接提高提取精度；
步骤3.7：在n*n卷积核区域中计算每一块区域的置信度，汇总所有区域的置信度，使用最小二乘法拟合出新的曲面；
所述置信度的计算步骤为：计算步骤3.7新拟合曲面的极值，不断地取曲面内所有极值的平均值，上述平均值即为区域淤积程度的置信度；
所述期望输出Ei的具体计算方法如下：
将区域划分成N*N卷积核大小的神经网络，当所示区域为整块淤泥时，判定堵塞，并获得
Figure RE-FDA0003697477760000021
的置信度；
当所示区域非整块淤泥时，则将1*1区域再细分至
Figure RE-FDA0003697477760000022
当所示区域的淤泥区域大于40％，判定堵塞，默认细分前的区域同样获得
Figure RE-FDA0003697477760000023
的置信度；
将图片区域的各个卷积核区域置信度叠加，当叠加的置信度大于0.4时，期望输出Ei的值为1，当叠加的置信度小于等于0.4时，期望输出Ei的值为0。
2.根据权利要求1所述的一种基于深度学习的高速公路疏水管堵塞态势感知方法，其特征在于：所述步骤三中通过态势感知的预测机制生成疏水管堵塞预测模型的预测机制为：
根据地区的土质粘滞系数、风速、温度、降水量、车流量的不同，该预测机制产生的预测结果不同，在提取淤泥特征的同时，生成疏水管堵塞预测模型。
3.根据权利要求2所述的一种基于深度学习的高速公路疏水管堵塞态势感知方法，其特征在于：所述疏水管堵塞预测模型采用多元齐次线性函数模型进行淤泥堵塞预测，计算公式为：yi＝a1x1+a2x2+a3x3+a4x4+a5x5，上式中：xi为影响预测结果的因素，ai为对应影响因子的比例系数；
当yi＞0.4时，判定为疏水管拥堵，当yi≤0.4时，判定为疏水管正常。
CN202110383869.9A 2021-04-09 2021-04-09 一种基于深度学习的高速公路疏水管堵塞态势感知方法 Active CN113076893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110383869.9A CN113076893B (zh) 2021-04-09 2021-04-09 一种基于深度学习的高速公路疏水管堵塞态势感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110383869.9A CN113076893B (zh) 2021-04-09 2021-04-09 一种基于深度学习的高速公路疏水管堵塞态势感知方法

Publications (2)

Publication Number Publication Date
CN113076893A CN113076893A (zh) 2021-07-06
CN113076893B true CN113076893B (zh) 2022-08-02

Family

ID=76615956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110383869.9A Active CN113076893B (zh) 2021-04-09 2021-04-09 一种基于深度学习的高速公路疏水管堵塞态势感知方法

Country Status (1)

Country Link
CN (1) CN113076893B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314704B (zh) * 2023-09-28 2024-04-19 光谷技术有限公司 应急事件管理方法、电子设备和存储介质
CN118626808B (zh) * 2024-08-13 2024-10-01 东北大学 喷嘴堵塞检测方法、装置、存储介质和计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447963A (zh) * 2018-10-22 2019-03-08 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN112351928A (zh) * 2018-07-10 2021-02-09 铁路视像有限公司 基于轨道分段的铁路障碍物检测的方法与系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3555876A4 (en) * 2016-12-19 2020-08-19 Thrugreen, LLC CONNECTED AND ADAPTIVE VEHICLE TRAFFIC MANAGEMENT SYSTEM WITH DIGITAL PRIORITIZATION
US10496699B2 (en) * 2017-03-20 2019-12-03 Adobe Inc. Topic association and tagging for dense images
CN107730881A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的交通拥堵视觉检测系统
CN109147331B (zh) * 2018-10-11 2021-07-27 青岛大学 一种基于计算机视觉的道路拥堵状态检测方法
CN110176143A (zh) * 2019-06-10 2019-08-27 长安大学 一种基于深度学习算法的高速公路交通拥堵检测方法
CN110674887A (zh) * 2019-10-08 2020-01-10 中兴飞流信息科技有限公司 一种基于视频分类的端到端道路拥堵检测算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112351928A (zh) * 2018-07-10 2021-02-09 铁路视像有限公司 基于轨道分段的铁路障碍物检测的方法与系统
CN109447963A (zh) * 2018-10-22 2019-03-08 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置

Also Published As

Publication number Publication date
CN113076893A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN109934805B (zh) 一种基于低照度图像和神经网络的水污染检测方法
CN115409741B (zh) 一种利用河流表面色差测量泥沙含量的机器视觉识别方法
CN108985269A (zh) 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
CN113076893B (zh) 一种基于深度学习的高速公路疏水管堵塞态势感知方法
CN112016831A (zh) 一种基于ai智能预报的城市内涝落区的识别方法
CN110751644B (zh) 道路表面裂纹检测方法
CN114066808B (zh) 一种基于深度学习的路面缺陷检测方法及系统
CN113536836A (zh) 一种基于无人机遥感技术监测河湖水域侵占方法
CN114705689A (zh) 一种基于无人机的建筑物外立面裂缝检测方法及系统
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
Munawar Image and video processing for defect detection in key infrastructure
CN113011338B (zh) 一种车道线检测方法及系统
Wang et al. Urban flood extent segmentation and evaluation from real-world surveillance camera images using deep convolutional neural network
CN108563977A (zh) 一种高速公路出入口的行人预警方法及系统
Cheng et al. Embankment crack detection in UAV images based on efficient channel attention U2Net
CN109034024A (zh) 基于图像目标检测的物流车辆车型分类识别方法
CN117152617A (zh) 一种城市洪涝识别方法及系统
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法
CN110187142A (zh) 流速监测方法和系统
CN114255250A (zh) 基于深度学习的河防工程边坡坍塌检测方法
CN111079595A (zh) 一种动态洪水风险图新理念与风险智能识别方法
CN116386280A (zh) 一种用于城市地下空间关键区域的涝灾监测预警系统
CN115620259A (zh) 一种基于交通非现场执法场景下的车道线检测方法
CN118505599A (zh) 一种无人机遥感堤坝影像定标与智能分割变化检测方法
CN117953421A (zh) 一种城市道路场景的积水检测方法、电子设备及存储介质

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
TR01 Transfer of patent right

Effective date of registration: 20240605

Address after: 011500 Building B1, Intelligent Manufacturing Industrial Park, Helingeer New Area, Hohhot City, Inner Mongolia Autonomous Region

Patentee after: Inner Mongolia Xianhong Science Co.,Ltd.

Country or region after: China

Address before: 030024 No. 79 West Main Street, Taiyuan, Shanxi, Yingze

Patentee before: Taiyuan University of Technology

Country or region before: China

TR01 Transfer of patent right