CN107203993A - 一种基于计算机视觉的井下监测系统 - Google Patents
一种基于计算机视觉的井下监测系统 Download PDFInfo
- Publication number
- CN107203993A CN107203993A CN201710424595.7A CN201710424595A CN107203993A CN 107203993 A CN107203993 A CN 107203993A CN 201710424595 A CN201710424595 A CN 201710424595A CN 107203993 A CN107203993 A CN 107203993A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- msup
- msubsup
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于计算机视觉的井下监测系统，包括井下监测模块和与井下监测模块相连的监测总站，所述井下监测模块包括：位于井下的若干个视频采集单元和信息传输单元，所述视频采集单元分布在矿井下的不同位置处，用于采集井下的图像信息，所述信息传输单元用于将视频采集单元采集得到的信息传输到图像预处理单元。本发明的有益效果为：通过井下监测模块实现井下图像的实时采集和信息传输，通过井上监测总站对采集得到的图像进行处理和分析，提取图像中的目标，方便工作人员实时观察井下的环境状况，确保了井下作业人员的安全监测。
Description
技术领域
本发明创造涉及矿井安全监测领域，具体涉及一种基于计算机视觉的井下监测系统。
背景技术
近年来，随着我国煤炭的生产和消费的不断增加，煤矿的采集活动正在如火如荼的进行着，随之而来的煤矿井下作业人员的安全问题成为煤矿安全生产中重点关注的问题。现有煤矿监测系统多采用人为监测等技术，往往存在着使用不方便，安全性能差，技术不完善等缺点，因此，本系统提供一种基于计算机视觉的井下监测系统，通过对井下视频的实时采集和处理，从图像中实时观察井下的具体情况，实现了对煤矿井下环境的有效监测，确保了井下作业人员的安全保障。
发明内容
针对上述问题，本发明旨在提供一种基于计算机视觉的井下监测系统。
本发明创造的目的通过以下技术方案实现：
一种基于计算机视觉的井下监测系统，包括井下监测模块和与井下监测模块相连的监测总站，所述井下监测模块包括：位于井下的若干个视频采集单元和信息传输单元，所述视频采集单元分布在矿井下的不同位置处，用于采集井下的图像信息，所述信息传输单元用于将视频采集单元采集得到的信息传输到图像预处理单元，所述监测总站位于矿调度室，包括图像预处理单元、边缘检测单元和目标提取单元，所述图像预处理单元用于对采集得到的原始图像进行裁剪，剔除采集的每帧视频图像中多余的部分，以缩小图像检测的区域大小，所述边缘检测单元用于对裁剪后的图像进行分区域滤波处理，所述目标提取单元用于对滤波后的图像进行边缘检测和目标形心的提取，从而提取图像中的目标。
本发明创造的有益效果：通过井下监测模块实现井下图像的实时采集和信息传输，通过井上监测总站对采集得到的图像进行处理和分析，提取图像中的目标，方便工作人员实时观察井下的环境状况，确保了井下作业人员的安全监测。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
附图标记：
井下监测模块1；监测总站2；电源模块3；视频采集单元11；信息传输单元12；图像预处理单元21；边缘检测单元22；目标提取单元23。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于计算机视觉的井下监测系统，包括井下监测模块1和与井下监测模块相连的监测总站2，所述井下监测模块1包括：位于井下的若干个视频采集单元11和信息传输单元12，所述视频采集单元11分布在矿井下的不同位置处，用于采集井下的图像信息，所述信息传输单元12用于将视频采集单元11采集得到的信息传输到图像预处理单元21，所述监测总站2位于矿调度室，包括图像预处理单元21、边缘检测单元22和目标提取单元23，所述图像预处理单元21用于对采集得到的原始图像进行裁剪，剔除采集的每帧视频图像中多余的部分，以缩小图像检测的区域大小，所述边缘检测单元22用于对裁剪后的图像进行分区域滤波处理，所述目标提取单元23用于对滤波后的图像进行边缘检测和目标形心的提取，从而提取图像中的目标。
优选地，系统还包括电源模块3，所述电源模块3与井下监测模块1相连，用于为井下监测模块1提供电源。
优选地，所述信息传输单元12包括发射器和接收器，实现井下监测模块1和监测总站2之间数据信息的发送和接收。
本优选实施例通过井下监测模块实现井下图像的实时采集和信息传输，通过井上监测总站对采集得到的图像进行处理和分析，提取图像中的目标，方便工作人员实时观察井下的环境状况，确保了井下作业人员的安全监测。
优选地，所述边缘检测单元22用于对裁剪后的图像进行分区域滤波处理，通过计算图像的局部区域的复杂度值来确定不同区域的不同滤波尺度参数，图像局部区域d的复杂度值yd的计算公式如下：
式中，Sd为图像局部区域d的信息熵值，Td为图像局部区域d的像素点的平均梯度值，μ1和μ2分别为图像局部区域d的信息熵值和平均梯度值在组合复杂度值yd中所占的比值；
其中，图像局部区域d的信息熵值的参数Sd的计算公式如下：
式中，hj是图像局部区域d的灰度级为h的像素点，k为图像局部区域d的灰度级为h的像素点总数，l是图像的总的灰度级，dh为局部区域d中灰度级为h的像素点总数；
其中，图像局部区域d的平均梯度值的计算公式如下：
式中，Tl(i,j)为局部区域d的位置(i,j)处的像素点的梯度估计值，Gx(i,j)为水平方向的梯度分量，Gy(i,j)为垂直方向的梯度分量，g为局部区域d的像素点总数；
b.根据计算所得的图像局部区域的复杂度值来确定不同局部区域的高斯滤波尺度参数σd，具体包括：
式中，ld是图像局部区域d的滤波尺度，根据局部区域d的复杂度值计算滤波尺度ld的计算公式为：
式中，ymax为局部区域的最大复杂度值，lmax＝log2[max(M,N)]是局部区域的最大滤波尺度，(M,N)为最大复杂度值对应的图像局部区域的分辨率，ymin为局部区域的最小复杂度值，yd是局部区域d的复杂度值；
本优选实施例在对图像局部区域的计算过程中引进了信息熵值和梯度值作为影响局部区域复杂度的因子，增加了图像复杂度计算的准确性，此外，在局部区域信息熵值的计算过程中，将像素点值的大小加入了计算，不仅考虑了局部区域的信息价值的大小也考虑了像素点的值对图像复杂度的影响，通过计算所得的图像的不同区域的复杂度，确定图像局部区域的滤波尺度，实现了图像不同区域进行不同尺度的滤波。
优选地，所述目标提取单元23用于对滤波后的图像进行边缘检测和目标的提取，具体包括：
a.采用高低阈值进行图像边缘的检测，定义局部区域d的高阈值为gd，对应的低阈值为ld，则高阈值的gd计算公式为：
式中，D(i,j)为局部图像d的3×3邻域内中心像素(i,j)的梯度幅值，H×L表示局部图像d的分辨率，ud表示局部图像d的梯度幅值的均值；
b.去除局部图像d中梯度幅值大于所述高阈值gd的像素点，利用剩余像素点计算局部图像d的低阈值ld，则低阈值ld的计算公式为:
式中，D′(m,n)为剩余像素点的3×3邻域内中心像素(m,n)的梯度幅值，M×N表示剩余的总像素的分辨率，ud′表示剩余像素的梯度幅值的均值，fd′表示剩余像素的梯度幅值的方差；
去除剩余像素点中梯度幅值大于低阈值ld的像素点，余下的像素即为图像的边缘；
c.根据检测所得的图像的边缘信息提取目标的形心，从而实现图像中目标的提取。
本优选实施例根据局部区域的像素信息自适应的确定高低阈值，与传统固定阈值的方法相比，有效的去除了图像中经过滤波后剩余的伪边缘，保证了图像边缘的连续性。
针对上述实施例，发明人进行了一系列测试，测试结果如下表所示：
| 目标形状 | 边缘检测精确率 | 形心提取精确率 |
| 弧形目标 | 99％ | 100％ |
| 奇数边的直线形目标 | 100％ | 100％ |
| 偶数边的直线形目标 | 100％ | 100％ |
从上述实验数据可以看出，本发明的边缘检测单元和目标形心提取单元都拥有较高的检测精确率，因此能够实现对本系统的视频采集单元采集得到的图像进行精确的边缘检测和形心提取。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种基于计算机视觉的井下监测系统，其特征是，包括井下监测模块和与井下监测模块相连的监测总站，所述井下监测模块包括：位于井下的若干个视频采集单元和信息传输单元，所述视频采集单元分布在矿井下的不同位置处，用于采集井下的图像信息，所述信息传输单元用于将视频采集单元采集得到的信息传输到图像预处理单元，所述监测总站位于矿调度室，包括图像预处理单元、边缘检测单元和目标提取单元，所述图像预处理单元用于对采集得到的原始图像进行裁剪，剔除采集的每帧视频图像中多余的部分，以缩小图像检测的区域大小，所述边缘检测单元用于对裁剪后的图像进行分区域滤波处理，所述目标提取单元用于对滤波后的图像进行边缘检测和目标形心的提取，从而确定目标。
2.根据权利要求1所述的一种基于计算机视觉的井下监测系统，其特征是，系统还包括电源模块，所述电源模块与井下监测模块相连，用于为井下监测模块提供电源。
3.根据权利要求2所述的一种基于计算机视觉的井下监测系统，其特征是，所述信息传输单元包括发射器和接收器，实现井下监测模块和监测总站之间数据信息的发送和接收。
4.根据权利要求1所述的一种基于计算机视觉的井下监测系统，其特征是，所述边缘检测单元用于对裁剪后的图像进行分区域滤波处理，通过计算图像的局部区域的复杂度值来确定不同区域的不同滤波尺度参数，图像局部区域d的复杂度值yd的计算公式如下：
<mrow>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
<msub>
<mi>S</mi>
<mi>d</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>T</mi>
<mi>d</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</msup>
</mrow>
式中，Sd为图像局部区域d的信息熵值，Td为图像局部区域d的像素点的平均梯度值，μ1和μ2分别为图像局部区域d的信息熵值和平均梯度值在组合复杂度值yd中所占的比值；
其中，图像局部区域d的信息熵值Sd的计算公式如下：
<mrow>
<mover>
<msub>
<mi>E</mi>
<mi>h</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
</mrow>
<mi>k</mi>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>E</mi>
<mi>h</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mfrac>
<msub>
<mi>d</mi>
<mi>h</mi>
</msub>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</msubsup>
<msub>
<mi>d</mi>
<mi>h</mi>
</msub>
</mrow>
</mfrac>
<mo>*</mo>
<mi>log</mi>
<mfrac>
<msub>
<mi>d</mi>
<mi>h</mi>
</msub>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</msubsup>
<msub>
<mi>d</mi>
<mi>h</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中，hj是图像局部区域d的灰度级为h的像素点，k为图像局部区域d的灰度级为h的像素点总数，l是图像的总的灰度级，dh为局部区域d中灰度级为h的像素点总数；
其中，图像局部区域d的平均梯度值的计算公式如下：
<mrow>
<msub>
<mi>T</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</msubsup>
<msub>
<mi>T</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>g</mi>
</mfrac>
</mrow>
式中，Tl(i,j)为局部区域d的位置(i,j)处的像素点的梯度估计值，Gx(i,j)为水平方向的梯度分量，Gy(i,j)为垂直方向的梯度分量，g为局部区域d的像素点总数；
b.根据计算所得的图像局部区域的复杂度值来确定不同局部区域的高斯滤波尺度参数σd，具体包括：
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>l</mi>
<mi>d</mi>
</msub>
<mn>3</mn>
</mfrac>
</mrow>
式中，ld是图像局部区域d的滤波尺度，根据局部区域d的复杂度计算滤波尺度ld的计算公式为：
<mrow>
<msub>
<mi>l</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>;</mo>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>y</mi>
<mi>d</mi>
</msub>
<mo><</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中，ymax为局部区域的最大复杂度值，lmax＝log2[max(M,N)]是局部区域的最大滤波尺度，(M,N)为最大复杂度对应的图像局部区域的分辨率，ymin为局部区域的最小复杂度值，yd是局部区域d的复杂度值。
5.根据权利要求1所述的一种基于计算机视觉的井下监测系统，其特征是，所述目标提取单元用于对滤波后的图像进行边缘检测和目标形心的提取，从而确定目标，具体包括：
a.采用高低阈值进行图像边缘的检测，定义局部区域d的高阈值为gd，对应的低阈值为ld，则高阈值的gd计算公式为：
<mrow>
<msub>
<mi>u</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</msubsup>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>H</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>d</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>H</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>g</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msub>
<mi>u</mi>
<mi>d</mi>
</msub>
<msup>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>d</mi>
</msub>
<mo>)</mo>
</mrow>
</msup>
</mrow>
式中，D(i,j)为局部图像d的3×3邻域内中心像素(i,j)的梯度幅值，H×L表示局部图像d的分辨率，ud表示局部图像d的梯度幅值的均值；
b.去除局部图像d中梯度幅值大于所述高阈值gd的像素点，利用剩余像素点计算局部图像d的低阈值ld，则低阈值ld的计算公式为:
<mrow>
<msup>
<msub>
<mi>u</mi>
<mi>d</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mi>D</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>d</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>D</mi>
<mo>&prime;</mo>
</msup>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msup>
<msub>
<mi>u</mi>
<mi>d</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>l</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msup>
<msub>
<mi>u</mi>
<mi>d</mi>
</msub>
<mo>&prime;</mo>
</msup>
<msup>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<msub>
<mi>f</mi>
<mi>d</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</msup>
</mrow>
式中，D′(m,n)为剩余像素点的3×3邻域内中心像素(m,n)的梯度幅值，M×N表示剩余的总像素的分辨率，ud′表示剩余像素的梯度幅值的均值，fd′表示剩余像素的梯度幅值的方差；
去除剩余像素点中梯度幅值大于低阈值ld的像素点，余下的像素即为图像的边缘；
c.根据检测所得的图像的边缘信息提取目标的形心，从而实现图像中目标的提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424595.7A CN107203993B (zh) | 2017-06-07 | 2017-06-07 | 一种基于计算机视觉的井下监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424595.7A CN107203993B (zh) | 2017-06-07 | 2017-06-07 | 一种基于计算机视觉的井下监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107203993A true CN107203993A (zh) | 2017-09-26 |
| CN107203993B CN107203993B (zh) | 2018-09-21 |
Family
ID=59906893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710424595.7A Active CN107203993B (zh) | 2017-06-07 | 2017-06-07 | 一种基于计算机视觉的井下监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107203993B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490873A (zh) * | 2019-03-08 | 2019-11-22 | 安徽理工大学 | 一种基于视觉与激光融合的矿井刚性罐道变形诊断装置及其定位方法 |
| CN111739254A (zh) * | 2020-07-01 | 2020-10-02 | 安徽理工大学 | 一种煤矿井下网络边缘视频实时处理联控系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514448A (zh) * | 2013-10-24 | 2014-01-15 | 北京国基科技股份有限公司 | 船形识别方法和系统 |
| CN103679790A (zh) * | 2013-12-18 | 2014-03-26 | 安徽理工大学 | 一种基于图像处理技术的井下煤仓煤位检测方法 |
| CN103942557A (zh) * | 2014-01-28 | 2014-07-23 | 西安科技大学 | 一种煤矿井下图像预处理方法 |
| US20140348378A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic video information |
-
2017
- 2017-06-07 CN CN201710424595.7A patent/CN107203993B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140348378A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic video information |
| CN103514448A (zh) * | 2013-10-24 | 2014-01-15 | 北京国基科技股份有限公司 | 船形识别方法和系统 |
| CN103679790A (zh) * | 2013-12-18 | 2014-03-26 | 安徽理工大学 | 一种基于图像处理技术的井下煤仓煤位检测方法 |
| CN103942557A (zh) * | 2014-01-28 | 2014-07-23 | 西安科技大学 | 一种煤矿井下图像预处理方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490873A (zh) * | 2019-03-08 | 2019-11-22 | 安徽理工大学 | 一种基于视觉与激光融合的矿井刚性罐道变形诊断装置及其定位方法 |
| CN110490873B (zh) * | 2019-03-08 | 2021-05-18 | 安徽理工大学 | 一种基于视觉与激光融合的矿井刚性罐道变形诊断装置及其定位方法 |
| CN111739254A (zh) * | 2020-07-01 | 2020-10-02 | 安徽理工大学 | 一种煤矿井下网络边缘视频实时处理联控系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107203993B (zh) | 2018-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
| CN103810717B (zh) | 一种人体行为检测方法及装置 | |
| CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
| CN102930253B (zh) | 一种基于图像离散多小波变换的煤岩识别方法 | |
| CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
| CN103903008B (zh) | 一种基于图像识别输电线路的雾等级的方法以及系统 | |
| CN102982313B (zh) | 烟雾检测的方法 | |
| CN106679567A (zh) | 基于双目立体视觉的接触网及支柱几何参数检测测量系统 | |
| CN104992429B (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN101329402B (zh) | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 | |
| CN107064937A (zh) | 一种双线偏振雷达系统及强雨的测量方法 | |
| CN104200673B (zh) | 一种基于道路图像的路面湿滑检测方法 | |
| CN110363742A (zh) | 一种基于cnn和图像处理的转辙机缺口检测方法 | |
| CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
| CN108229352B (zh) | 一种基于深度学习的站立检测方法 | |
| CN107480653A (zh) | 基于计算机视觉的客流量检测方法 | |
| CN107203993A (zh) | 一种基于计算机视觉的井下监测系统 | |
| CN105550703A (zh) | 一种适用于人体再识别的图片相似度计算方法 | |
| CN103425960A (zh) | 一种视频中快速运动物体侦测方法 | |
| CN104992139A (zh) | 一种基于运动矢量与圆形度匹配的落石检测方法 | |
| CN106951820A (zh) | 基于环形模板和椭圆拟合的客流统计方法 | |
| CN109544531A (zh) | 一种基于形状特征识别gpr图像病害类型的方法 | |
| CN108828332A (zh) | 一种计算雷电定位系统探测效率的方法 | |
| CN104392201A (zh) | 一种基于全向视觉的人体跌倒识别方法 | |
| Li et al. | Automatic defect detection method for the steel cord conveyor belt based on its X-ray images |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180810 Address after: 525000 Yingbin Road 25, Maoming City, Guangdong province (5 storeys of the West Building of the Construction Committee) Applicant after: Guangdong Ampang Construction Supervision Co., Ltd. Address before: 518000 five, Third South Oil fourth industrial zone, Nanshan Avenue, Nanshan street, Nanshan District, Shenzhen, Guangdong, China, 1124 Applicant before: Shenzhen Li Li Power Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Room 101, No. 13, Courtyard 99, West Guangdong South Road, Maoming City, Guangdong Province Patentee after: Guangdong Anbang Project Management Co., Ltd. Address before: 525000 Yingbin Road 25, Maoming City, Guangdong province (5 storeys of the West Building of the Construction Committee) Patentee before: Guangdong Ampang Construction Supervision Co., Ltd. |
|
| CP03 | Change of name, title or address |