-
公开(公告)号：CN115019296A
公开(公告)日：2022-09-06
申请号：CN202210930782.3
申请日：2022-08-04
IPC: G06V20/62 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉领域，尤其涉及一种基于级联的车牌检测识别方法和装置，该方法包括：步骤一，通过摄像头获取视频图像，使用车牌检测模型，输出每张图像中检测到的车牌矩形边界框和包络框的位置；步骤二，基于步骤一车牌检测的结果，采用仿射变换以得到车牌的正面视角图；步骤三，将所述车牌的正面视角图输入到基于深度卷积神经网络的二分类器中，判断车牌是否为真正的车牌，是则保留，否则移除；步骤四：将步骤三去除假样例后的车牌，通过车牌识别技术实现车牌号码识别，获取检测图像中的所有车牌位置及号码。本发明实现方法简单，可移植性强，能够实现不限于移动摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准识别。
-
公开(公告)号：CN112215308A
公开(公告)日：2021-01-12
申请号：CN202011456486.1
申请日：2020-12-13
Applicant: 之江实验室
Abstract: 本发明公开了一种吊装物体单阶检测方法、装置、电子设备及存储介质，该方法包括：获取吊装物体图像，作为训练集；对训练集进行特征提取，获得目标坐标及旋转角度；使用基于深度卷积神经网络的检测模型作为吊装物体检测的基线网络架构，并按旋转框方式修改检测模型；使用所述训练集、目标坐标及旋转角度对修改后的检测模型进行训练，获得训练好的检测模型；使用训练好的检测模型对待检测的图像进行检测，获得图像中带旋转角度的吊装物体的检测结果。本发明实现方法简单，可移植性强，能够实现对监控摄像头拍摄的厂区、工地等作业场所中吊装物体的精准检测。
-
公开(公告)号：CN116704384A
公开(公告)日：2023-09-05
申请号：CN202310702822.3
申请日：2023-06-14
IPC: G06V20/17 , G06V20/10 , G06V20/70 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/26 , G06N3/0464
Abstract: 本发明公开了一种基于无人机监测智能识别水稻抽穗期的方法，该方法包括：获取水稻小区图像；对图像进行标注，将标注的图像输入到训练好的深度卷积神经网络检测模型中，检测每张图像中的水稻小区目标框的位置，选取图像中最大面积的目标框，裁剪出框中的水稻小区图像；对深度卷积神经网络检测模型检测效果不满足要求的图像进行人工手动标注，按标注区域对图像进行裁剪；将裁剪后的图像输入到一个基于深度卷积神经网络的二分类器中，输出水稻小区是否为抽穗期的预测结果。本发明还公开了一种基于无人机监测智能识别水稻抽穗期的装置。本发明实现方法简单，可移植性强，能够实现对田间种植的各品种水稻抽穗期的精准识别。
-
公开(公告)号：CN116453003A
公开(公告)日：2023-07-18
申请号：CN202310701408.0
申请日：2023-06-14
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06V10/22 , G06V10/26 , G06V10/28 , G06V10/56 , G06N3/0464 , G06N3/08 , G06Q50/02
Abstract: 本发明一种基于无人机监测智能识别水稻生长势的方法，包括：获取水稻小区图像，对图像进行标注，建立深度卷积神经网络检测模型，使用标注的水稻小区图像对模型进行优化训练，将待检测的水稻小区图像输入训练好的模型中，检测每张图像中水稻小区目标框的位置；选取每张水稻小区图像中最大面积的目标框，对目标框中的水稻小区图像进行预处理；计算预处理后的水稻小区图像的植被覆盖率，按照植被覆盖率高低判定水稻小区生长势的级别。本发明还提供了一种基于无人机监测智能识别水稻生长势的系统。本发明方法简单，在水稻生长势的识别方面精度高，速度快，成本低，能够广泛应用于农业的自动化、智能化生产管理中。
-
公开(公告)号：CN112528960B
公开(公告)日：2023-07-14
申请号：CN202011588312.0
申请日：2020-12-29
Applicant: 之江实验室
IPC: G06V40/20 , G06V10/46 , G06V20/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于视频行为分析技术领域，涉及一种基于人体姿态估计和图像分类的吸烟行为检测方法，首先读取检测区域监控视频，对视频帧进行预处理和归一化，然后采用YoloV3目标检测方法进行人体框检测，得到人体框位置坐标，在视频帧上面进行剪裁，得到需要进行人体姿态估计的子图，再以所述子图作为输入，使用改进后的人体姿态估计的方法AlphaPose进行人体关键点检测提取，通过定位嘴部和左、右手腕关键点，截取相应的局部图像块，制作分类网络数据集，设计图像分类网络模型，进行网络训练，得到吸烟分类模型，再采用训练好的模型对实时图像进行分类判断，得到视频的吸烟行为检测结果。本发明较好的弥补了两种方法的不足，同时改进算法，提升了检测效率。
-
Patent Agency Ranking
公开(公告)号：CN111626276B
公开(公告)日：2020-10-30
申请号：CN202010750662.6
申请日：2020-07-30
Applicant: 之江实验室
Abstract: 本发明公开了一种基于两级神经网络的工鞋穿戴检测方法及装置，包括：获取监控视频的图片数据集；对图片数据集中包含的鞋子目标和人体目标进行标注，得到标注数据集；构建两级神经网络模型，所述两级神经网络模型由一级人体检测网络模型和二级鞋子检测网络模型级联而成，二级鞋子检测网络模型的输入为一级人体检测网络模型的输出；将待检测的图片输入到所述两级神经网络模型中，输出人体框位置、鞋子位置相对人体框的偏移和穿戴工鞋的置信度；根据人体框位置、鞋子位置相对人体框的偏移，计算得到鞋子的位置，结合置信度判断是否穿戴工鞋。该方法克服了视频中工作人员的鞋子目标较小导致检测召回率低的问题，可用于工厂中工作人员工鞋穿戴检测。
-
公开(公告)号：CN111626276A
公开(公告)日：2020-09-04
申请号：CN202010750662.6
申请日：2020-07-30
Applicant: 之江实验室
Abstract: 本发明公开了一种基于两级神经网络的工鞋穿戴检测方法及装置，包括：获取监控视频的图片数据集；对图片数据集中包含的鞋子目标和人体目标进行标注，得到标注数据集；构建两级神经网络模型，所述两级神经网络模型由一级人体检测网络模型和二级鞋子检测网络模型级联而成，二级鞋子检测网络模型的输入为一级人体检测网络模型的输出；将待检测的图片输入到所述两级神经网络模型中，输出人体框位置、鞋子位置相对人体框的偏移和穿戴工鞋的置信度；根据人体框位置、鞋子位置相对人体框的偏移，计算得到鞋子的位置，结合置信度判断是否穿戴工鞋。该方法克服了视频中工作人员的鞋子目标较小导致检测召回率低的问题，可用于工厂中工作人员工鞋穿戴检测。
-
公开(公告)号：CN111598066A
公开(公告)日：2020-08-28
申请号：CN202010722851.2
申请日：2020-07-24
Applicant: 之江实验室
Abstract: 本发明公开了一种基于级联预测的安全帽佩戴识别方法，该方法将安全帽佩戴识别分为行人检测、目标跟踪和安全帽佩戴分类三个步骤。在行人检测时，通过基于深度卷积神经网络的检测算法来获取视频每一帧图像中行人目标框的位置；基于行人检测的结果，采用卡尔曼滤波和匈牙利算法进行轨迹关联以得到优化后的行人目标框；对于每一个目标框内的行人，通过一个基于深度卷积神经网络的二分类器来判断其是否佩戴安全帽。本发明采用三个模块级联预测的方式，实现方法简单，可移植性强，能够实现对监控摄像头拍摄的厂区、工地等作业场所中工作人员是否佩戴安全帽的精准识别。
-
公开(公告)号：CN117593652A
公开(公告)日：2024-02-23
申请号：CN202410075345.7
申请日：2024-01-18
Applicant: 之江实验室
IPC: G06V20/10 , G06V10/26 , G06V10/82 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种智能识别大豆叶片叶形的方法和系统，方法包括以下步骤：构建包含完整大豆叶片图像的训练集对基于深度卷积神经网络的大豆叶片检测分割模型进行训练，将待检测的大豆叶片图像输入训练好的大豆叶片检测分割模型并输出每张图像中分割出的大豆叶片图像；基于分割出的大豆叶片图像，采用最小外接矩形法计算叶长和叶宽，进而计算得到大豆叶片长宽比；将分割出的大豆叶片图像切分为若干区域，基于大豆叶片长宽比及各区域的叶片像素量判定大豆叶片叶形。本发明能够实现对大豆叶片叶形的自动高效识别，识别精度和速度高，适用于智能识别大豆品种等实战部署场景。
-
公开(公告)号：CN112215308B
公开(公告)日：2021-03-30
申请号：CN202011456486.1
申请日：2020-12-13
Applicant: 之江实验室
Abstract: 本发明公开了一种吊装物体单阶检测方法、装置、电子设备及存储介质，该方法包括：获取吊装物体图像，作为训练集；对训练集进行特征提取，获得目标坐标及旋转角度；使用基于深度卷积神经网络的检测模型作为吊装物体检测的基线网络架构，并按旋转框方式修改检测模型；使用所述训练集、目标坐标及旋转角度对修改后的检测模型进行训练，获得训练好的检测模型；使用训练好的检测模型对待检测的图像进行检测，获得图像中带旋转角度的吊装物体的检测结果。本发明实现方法简单，可移植性强，能够实现对监控摄像头拍摄的厂区、工地等作业场所中吊装物体的精准检测。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.024 seconds)
