CN107464220A - 一种基于重力叠加模型的公路面层病害图像增强方法 - Google Patents
一种基于重力叠加模型的公路面层病害图像增强方法 Download PDFInfo
- Publication number
- CN107464220A CN107464220A CN201710532751.1A CN201710532751A CN107464220A CN 107464220 A CN107464220 A CN 107464220A CN 201710532751 A CN201710532751 A CN 201710532751A CN 107464220 A CN107464220 A CN 107464220A
- Authority
- CN
- China
- Prior art keywords
- surface layer
- mrow
- radar image
- value
- pixel
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 57
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 57
- 230000005484 gravity Effects 0.000 title claims abstract description 31
- 239000000654 additive Substances 0.000 title claims abstract description 29
- 230000000996 additive effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002344 surface layer Substances 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 230000002146 bilateral effect Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000005728 strengthening Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 8
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 240000007594 Oryza sativa Species 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract description 11
- 238000007689 inspection Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000006062 fragmentation reaction Methods 0.000 description 10
- 238000013467 fragmentation Methods 0.000 description 6
- 239000011324 bead Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 230000009021 linear effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20028—Bilateral filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于公路面层病害检测预处理技术领域，具体公开了一种基于重力叠加模型的公路面层病害图像增强方法，包括步骤：(1)输入实时拍摄得到的路面视频，并对其采样获得公路面层病害图像Xt；(2)制作基于灰度值‑距离的叠加权重对照表M，大小为m×n；(3)对于图像X中每一像素i做基于重力叠加模型的双边滤波,得到增强的像素值Yt,i；(4)遍历Xt，得到最终增强结果Yt。本发明方法不仅具有双边滤波、可以同时平滑噪声和保持目标边缘的特点，而且在重力叠加模型中引入了一个向上的弹力分量，用来滤除掉大量较大的孤立斑点噪声，能够针对公路面层病害图像进行有效的增强滤波，从而为之后病害区域检测提供高质量的数据。
Description
技术领域
本发明属于公路面层病害检测预处理技术领域，具体涉及一种基于重力叠加模型的公路面层病害图像增强方法，可用于对含有较多斑点噪声的图像进行预处理滤波操作。
背景技术
对于公路病害图像检测系统来说，道路图像采集系统在对公路路面做图像采集时，不可避免的会存在大量的受光照干扰严重成像质量较差的路面数据。实际中，对于这些成像较差的数据来说，我们让车载图像采集系统倒过来重新采集该区域的数据显然并不合适，因而我们只能对这些成像质量较差的道路图像做数据处理、目标识别。而识别效果的好坏、结果中虚景漏检数量的多少，也正反映出了该道路病害检测系统鲁棒性的强弱。所以，图像预处理变成了道路病害检测系统中尤为重要的一环。对于成像质量较差的公路面层图像，它们的预处理主要可以分为光照补偿前处理和图像滤波这两部分。
在以往的道路病害检测系统中，它们主要是依赖硬件技术创新来解决病害分割的问题，比如改进数据采集设备、光照设备。成本难以把控。而且在自动化病害视觉检测这个问题上，以往系统只能针对成像质量较好的公路图像做病害检测，而在图像预处理方面，常用到的滤波算法是高斯滤波或者双边滤波。
上述两种常用到的滤波算法，虽然对于道路病害图像预处理有一定的效果，但是仍存在不足。对于高斯滤波来说，可以平滑掉部分图像噪声的干扰，但是同时减少了裂缝与路面区域的边缘特征，不利于之后对于裂缝区域的精确分割；而常见的双边滤波算法，可以做到平滑背景噪声的同时保持目标边缘特征，但是该算法运行效率较低，用于大规模的道路病害图像实时检测，显然并不合适。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种基于重力叠加模型的公路面层病害图像增强方法，该方法不仅具有双边滤波、可以同时平滑噪声和保持目标边缘的特点，而且在重力叠加模型中引入了一个向上的弹力分量，用来滤除掉大量较大的孤立斑点噪声，是常用的双边滤波算法不能做到的。
本发明的技术方案是：一种基于重力叠加模型的公路面层病害图像增强方法，其特征在于，包括如下步骤：
(1)输入实时拍摄得到的路面视频，并对其采样获得公路面层病害图像Xt；
(2)制作基于灰度值-距离的叠加权重对照表M，大小为m×n，其中m为M的行值，表示公路面层病害图像Xt的灰度阶大小；n为M的列值，表示Xt中像素点i的邻域Si的对角线长度；
(3)对于图像X中每一像素i做基于重力叠加模型的双边滤波,得到增强的像素值Yt,i；
(4)遍历Xt，得到最终增强结果Yt。
步骤(1)所述的路面视频采样获取公路面层病害图像Xt的方法，按如下步骤进行：
(2.1)根据车载系统行驶速度v，计算出图像数据采集设备的采样帧频率f＝v/l，其中有效的检测速度范围v∈[1,33]，单位为m/s，l∈[50,200]表示每一帧公路图像所覆盖的公路的长度范围，单位为米；
(2.2)对于输入的视频数据每隔1/f秒进行一次采样，采样结果保存在Xt中，其中下标t∈[1,+∞)表示采样序号。
步骤(2)所述的基于灰度值-距离的叠加权重对照表M的制作方法，按如下步骤进行：
(3.1)M的行值m表示输入图像X的灰度阶大小，对于b比特灰度图像则取m＝2b，这里b表示图像的位深度，列值n表示邻域Si的对角线长度，即k∈[5,100]为滑窗半径；
(3.2)基于灰度值-距离的叠加权重对照表M中每一个值其中u和v表示该对照表M的二维坐标,u∈[0,m-1],v∈[1,n]，σ∈[0.5,10]为区域影响系数，α∈[1,100]为顶点影响系数。
步骤(3)所述的基于重力叠加模型的双边滤波，得到增强的像素值Yt,i，按如下公式进行：
其中Xi表示图像X中像素i的灰度值，j表示X上的像素点，M(Xi,Di,j)的值为对照表M中横、纵坐标分别为Xi和Di,j时候的取值，Si表示图像X中以像素i为中心、k为半径的邻域，Di,j代表像素j与像素i的欧氏距离，β∈[1,256]为归一化系数。
步骤(3.1)中所述的图像的位深度b的取值为8、24或32。
本发明的有益效果：本发明提供了一种基于重力叠加模型的公路面层病害图像增强方法，该方法不仅具有双边滤波、可以同时平滑噪声和保持目标边缘的特点，而且在重力叠加模型中引入了一个向上的弹力分量，用来滤除掉大量较大的孤立斑点噪声，这是常用的双边滤波算法不能做到的。最终对于病害图像的测试中，效果满足病害图像预处理的要求。本发明方法中的基于重力叠加模型的双边滤波算法对于较低对比度的图像有着不俗的滤波效果，与现有的滤波算法相比，在处理低对比度图像时，该算法有更强的去斑点噪声、提高对比度的特性，鲁棒性较强，运行效率更快。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1本发明的方法流程图。
图2本发明的重力叠加模型示意图。
图3碎裂病害原图1；
图4碎裂病害增强滤波结果图1；
图5碎裂病害原图2；
图6碎裂病害增强滤波结果图2；
图7碎裂病害原图3；
图8碎裂病害增强滤波结果图3；
图9带分割线的碎裂病害原图4；
图10碎裂病害增强滤波结果图4；
图11线裂病害原图1；
图12线裂病害增强滤波结果图1。
图13线裂病害原图2；
图14线裂病害增强滤波结果图2。
具体实施方式
以下参照附图，对本发明的技术方案和效果做进一步详细描述。
本发明提供了一种基于重力叠加模型的公路面层病害图像增强方法，其重力叠加模型可以理解如下：当质量为m的小球压在一个弹性平面上时，会使平面凹陷，如图2所示，同时，产生的凹陷会影响周边区域S，m越重则其影响的范围S也会越大。此外当多个小球压在同一平面上时，则使得凹陷更深，而且，对周边区域的影响范围相应会更广。质量较轻、离其他小球较远的小球则并不会使弹性平面产生凹陷。简单来说，质量越重，分布越密集的小球区域，对该区域弹性平面作用越强，产生的凹陷越深；相反的，质量越轻，越离散的小球，由于平面本身也具有向上的弹力，它们并不能对平面产生影响。基于这个思想，便有了本发明的基于重力叠加的双边滤波算法。该算法不仅具有双边滤波可以同时平滑噪声和保持目标边缘的特点，而且在重力叠加模型中引入了一个向上的弹力分量，用来滤除掉大量较大的孤立斑点噪声，这是常用的双边滤波算法不能做到的。最终对于病害图像的测试中，效果满足病害图像预处理的要求。
参见图1，本发明的实现步骤如下：
步骤1，输入实时拍摄得到的路面视频，并对其采样获得公路面层病害图像Xt，如图3所示。
(1.1)根据车载系统行驶速度v，计算出图像数据采集设备的采样帧频率f，由于时间等于路程与速度的比值，而频率又是时间的倒数，由此可以推导出公式f＝v/l，其中有效的检测速度范围v∈[1,33]，单位为m/s，l∈[50,200]表示每一帧公路图像所覆盖的公路的长度范围，单位为米；这里我们取v＝20m/s,l＝2m,f＝10Hz.
(1.2)对于输入的路面视频数据每隔1/f秒进行一次采样，采样结果保存在Xt中，其中下标t∈[1,+∞)表示采样序号。
步骤2，制作灰度值-距离的叠加权重对照表M，大小为m×n。
(2.1)M的行值m表示公路面层病害图像Xt的灰度阶大小，对于b比特灰度图像则取m＝2b，取b＝8，m＝256，列值n表示图像Xi中像素点i的邻域Si的对角线长度，即这里取k＝10为滑窗半径。
(2.2)表中每一个值其中u和v表示该表的二维坐标，u∈[0,m],v∈[1,n]，取σ＝1.7为范围影响系数，取α＝4为顶点影响系数。
步骤3，增强滤波。对于公路面层病害图像Xt中每一像素i做基于重力叠加模型的双边滤波其中Xi表示公路面层病害图像Xt中像素i的灰度值，M(Xi,Di,j)的值为对照表M中横纵坐标分别为Xi和Di,j时候的取值，Si表示以像素i为中心、k为半径的邻域，Di,j＝||i-j||代表像素j与i的欧氏距离，这里像素j∈Si，取β＝100为归一化系数。
步骤4，遍历Xi，得到最终增强结果Yi，如图4所示。
本发明效果可以通过以下仿真实验进行验证：
1.实验条件与方法
硬件平台为：处理器为Intel(R)Core(TM)i5-4200U CPU@1.60GHz，内存为4.0G，硬盘1T,操作系统为Windows 7；
软件平台：Visual Studio 2013；
实验方法：采用本发明方法。
2.仿真内容与结果
在上述实验条件下，选取58幅不同环境下采集到的公路图片进行实验，这里选取其中6幅进行展示。图3、图5、图7、图9均为碎裂病害原图，图4、图6、图8、图10均为与之对应的碎裂病害增强滤波结果图。图11、图13均为线裂病害原图，图12、图14、均为与之对应的线裂病害增强滤波结果图。从采用基于重力叠加模型的双边滤波算法做增强滤波后的结果来看，公路图像裂缝区域与背景区域对比度得到了加强，与常见滤波算法相比，本发明方法效率较高、鲁棒性较好、适用性更强，增强滤波的结果为之后病害区域的检测提供了基础。
综上，本发明提供了一种基于重力叠加模型的公路面层病害图像增强方法，该方法不仅具有双边滤波、可以同时平滑噪声和保持目标边缘的特点，而且在重力叠加模型中引入了一个向上的弹力分量，用来滤除掉大量较大的孤立斑点噪声，这是常用的双边滤波算法不能做到的。最终对于病害图像的测试中，效果满足病害图像预处理的要求。本发明方法中的基于重力叠加模型的双边滤波算法对于较低对比度的图像有着不俗的滤波效果，与现有的滤波算法相比，在处理低对比度图像时，该算法有更强的去斑点噪声、提高对比度的特性，鲁棒性较强，运行效率更快。
本实施方式中没有详细叙述的部分属本行业的公知的常用手段，这里不一一叙述。以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (5)
1.一种基于重力叠加模型的公路面层病害图像增强方法，其特征在于，包括如下步骤：
(1)输入实时拍摄得到的路面视频，并对其采样获得公路面层病害图像Xt；
(2)制作基于灰度值-距离的叠加权重对照表M，大小为m×n，其中m为M的行值，表示公路面层病害图像Xt的灰度阶大小；n为M的列值，表示Xt中像素点i的邻域Si的对角线长度；
(3)对于图像X中每一像素i做基于重力叠加模型的双边滤波,得到增强的像素值Yt,i；
(4)遍历Xt，得到最终增强结果Yt。
2.根据权利要求1所述的一种基于重力叠加模型的公路面层病害图像增强方法，其特征在于，步骤(1)所述的路面视频采样获取公路面层病害图像Xt的方法，按如下步骤进行：
(2.1)根据车载系统行驶速度v，计算出图像数据采集设备的采样帧频率f＝v/l，其中有效的检测速度范围v∈[1,33]，单位为m/s，l∈[50,200]表示每一帧公路图像所覆盖的公路的长度范围，单位为米；
(2.2)对于输入的视频数据每隔1/f秒进行一次采样，采样结果保存在Xt中，其中下标t∈[1,+∞)表示采样序号。
3.根据权利要求1所述的一种基于重力叠加模型的公路面层病害图像增强方法，其特征在于，步骤(2)所述的基于灰度值-距离的叠加权重对照表M的制作方法，按如下步骤进行：
(3.1)M的行值m表示输入图像X的灰度阶大小，对于b比特灰度图像则取m＝2b，这里b表示图像的位深度，列值n表示邻域Si的对角线长度，即k∈[5,100]为滑窗半径；
(3.2)基于灰度值-距离的叠加权重对照表M中每一个值其中u和v表示该对照表M的二维坐标,u∈[0,m-1],v∈[1,n]，σ∈[0.5,10]为区域影响系数，α∈[1,100]为顶点影响系数。
4.根据权利要求1所述的一种基于重力叠加模型的公路面层病害图像增强方法，其特征在于，步骤(3)所述的基于重力叠加模型的双边滤波，得到增强的像素值Yt,i，按如下公式进行：
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>&beta;k</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中Xi表示图像X中像素i的灰度值，j表示X上的像素点，M(Xi,Di,j)的值为对照表M中横、纵坐标分别为Xi和Di,j时候的取值，Si表示图像X中以像素i为中心、k为半径的邻域，Di,j代表像素j与像素i的欧氏距离，β∈[1,256]为归一化系数。
5.根据权利要求3所述的一种基于重力叠加模型的公路面层病害图像增强方法，其特征在于，步骤(3.1)中所述的图像的位深度b的取值为8、24或32。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710532751.1A CN107464220B (zh) | 2017-07-03 | 2017-07-03 | 一种基于重力叠加模型的公路面层病害图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710532751.1A CN107464220B (zh) | 2017-07-03 | 2017-07-03 | 一种基于重力叠加模型的公路面层病害图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107464220A true CN107464220A (zh) | 2017-12-12 |
| CN107464220B CN107464220B (zh) | 2020-07-28 |
Family
ID=60546605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710532751.1A Active CN107464220B (zh) | 2017-07-03 | 2017-07-03 | 一种基于重力叠加模型的公路面层病害图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107464220B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115909256A (zh) * | 2023-01-06 | 2023-04-04 | 济宁市百卉农林发展有限公司 | 基于道路视觉图像的道路病害检测方法 |
| CN116152239A (zh) * | 2023-04-18 | 2023-05-23 | 中铁九局集团第一建设有限公司 | 一种高速公路路面病害检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020914A (zh) * | 2012-12-18 | 2013-04-03 | 华侨大学 | 基于空间连续性原理的快速图像去雾方法 |
| CN103266552A (zh) * | 2013-05-09 | 2013-08-28 | 江苏科技大学 | 一种基于深度图像的路面检测系统 |
| KR101684990B1 (ko) * | 2015-08-04 | 2016-12-12 | 청주대학교 산학협력단 | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 |
-
2017
- 2017-07-03 CN CN201710532751.1A patent/CN107464220B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020914A (zh) * | 2012-12-18 | 2013-04-03 | 华侨大学 | 基于空间连续性原理的快速图像去雾方法 |
| CN103266552A (zh) * | 2013-05-09 | 2013-08-28 | 江苏科技大学 | 一种基于深度图像的路面检测系统 |
| KR101684990B1 (ko) * | 2015-08-04 | 2016-12-12 | 청주대학교 산학협력단 | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 熊枫: "《基于深度图像的沥青路面裂缝识别算法研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115909256A (zh) * | 2023-01-06 | 2023-04-04 | 济宁市百卉农林发展有限公司 | 基于道路视觉图像的道路病害检测方法 |
| CN116152239A (zh) * | 2023-04-18 | 2023-05-23 | 中铁九局集团第一建设有限公司 | 一种高速公路路面病害检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107464220B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
| CN105447851B (zh) | 一种玻璃面板的音孔缺陷检测方法及系统 | |
| CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
| CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
| CN106650770A (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
| CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
| CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
| CN107169953A (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
| CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
| CN103295225B (zh) | 弱光照条件下的列车转向架边缘检测方法 | |
| CN110310238B (zh) | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 | |
| CN108520212A (zh) | 基于改进的卷积神经网络的交通标志检测方法 | |
| CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
| CN109741322A (zh) | 一种基于机器学习的能见度测量方法 | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN108647593A (zh) | 基于图像处理和svm的无人机路面破损分类检测方法 | |
| Gong et al. | Automatic subway tunnel crack detection system based on line scan camera | |
| CN113409267A (zh) | 一种基于深度学习的路面裂缝检测与分割方法 | |
| CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 | |
| CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
| CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
| CN111738228A (zh) | 一种面向治超证据链校验的多视角车辆特征匹配方法 | |
| CN107464220A (zh) | 一种基于重力叠加模型的公路面层病害图像增强方法 | |
| CN115527170A (zh) | 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统 | |
| CN108491828A (zh) | 一种基于层次的成对相似性PVAnet的停车位检测系统及方法 |
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 |