CN108491851B - 一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法 - Google Patents
一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法 Download PDFInfo
- Publication number
- CN108491851B CN108491851B CN201810083619.1A CN201810083619A CN108491851B CN 108491851 B CN108491851 B CN 108491851B CN 201810083619 A CN201810083619 A CN 201810083619A CN 108491851 B CN108491851 B CN 108491851B
- Authority
- CN
- China
- Prior art keywords
- container
- image
- lock hole
- keyhole
- lockhole
- 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
Links
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，该方法通过在吊具的四角分别安装一个摄像头，在距离集装箱上方的固定高度采集样本图像，然后人工标记锁孔位置并提取锁孔的梯度直方图用于训练Cascade分类器与支持向量机，首先采用训练好的Cascade分类器找出图像中可能是锁孔的区域作为候选区域，然后采用经过训练的支持向量机根据每个候选区域的梯度直方图进行分类找出其中是锁孔的区域，最后根据四幅图像中锁孔的相对位置计算出锁孔与吊具的位置偏差并进行调整。本发明能够快速准确地定位锁孔的位置并有效地抑制光线的影响，能够在室外环境下稳定工作。
Description
技术领域
本发明属于机器视觉与图像处理领域，具体涉及到机器视觉中的目标检测方法。
背景技术
随着物流业的快速发展和人力成本的上升，码头、港口、货场等地迫切需要通过提升机械的自动化水平，增加货物周转效率，减少人力管理成本。其中，在吊车吊起集装箱的环节对司机操作要求较高，采用人工操作在吊具对准集装箱时耗时较长。提升该环节效率的关键是实现吊具与集装箱上锁孔的自动对准。采用机器视觉方法来实现该功能是一种较为常见的方法，但是需要注意提高抗环境光的干扰能力，还需要提高识别准确率和实时性。
现有的多种机器视觉解决方案，其中发明专利《一种集装箱锁孔粗定位和跟踪方法》(CN：105956619A)与本发明的方案最为接近。该发明采用两个摄像头，每个摄像头只采集两个锁孔的图像，同样采用梯度直方图和支持向量机的方法对锁孔进行识别，但是没有对支持向量机进行二次训练，识别准确率低，需要通过面积排序选择锁孔区域。此外，需要对图像进行多尺度搜索，运行速度慢，难以满足现场的实时性要求，而且每幅图像只能包含两个锁孔，若存在相邻集装箱的锁孔干扰则难以分辨。因此，此发明所述算法只能用于锁孔的粗定位与跟踪，难以用于计算吊具与集装箱的位置偏差。
综上所述，本发明首先采用执行效率更高的Cascade方法产生候选区域，然后提取候选区域的梯度直方图采用经过二次训练的支持向量机进行分类，识别准确性高速度快。梯度直方图是锁孔的形状特征，不易受到光线干扰，识别效果稳定。此外，本发明中提出的现场校正方法避免单独对每个相机分别进行校准，同时避免因为摄像头安装的位置偏差造成的定位偏差。吊具上安装的陀螺仪能够实时检测吊具的运动状态，从而确保相机在吊具的平衡位置采集图像，避免因为吊具自身的晃动使得吊具与集装箱的偏差计算产生误差。
发明内容
为了让吊具自动对准集装箱锁孔实现自动起吊，本发明提供了一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，该方法包括以下步骤：
1、一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，其特征在于，包括以下步骤：
步骤1：在吊具四个角各安装一个摄像头用于图像采集并在吊具上安装一个六轴陀螺仪用于吊具姿态检测，然后进行现场校准；
步骤2：通过摄像头采集样本图像，人工标记出其中的锁孔区域和非锁孔区域将其作为正负样本，并提取样本的梯度直方图对支持向量机与Cascade分类器分别进行训练；
步骤3：四个摄像头各采集一幅图像，然后用训练好的Cascade分类器对每个图像进行多尺度检测得到候选区域，接着提取候选区域的梯度直方图输入训练好的支持向量机进行分类，得到锁孔区域。
步骤4：滤除附近其他集装箱锁孔的干扰并根据四幅图像中锁孔的相对位置计算出吊具与集装箱的偏差。进一步，所述步骤1中的现场校准方法，具体步骤如下：
步骤1.1：将吊具插入集装箱锁孔接着解锁，在原位置上升到距离集装箱h的高度，然后令四个摄像头同时分别采集一副图像；
步骤1.2：将吊具向集装箱的前后左右四个方向分别移动0.2h的距离，并且在吊具停止晃动后，令四个摄像头同时分别采集一副图像；
步骤1.3：比较每个摄像头在集装箱正上方拍摄的图像和在集装箱四个方向偏移后拍摄的对应图像，计算每个摄像头在h高度偏移单位距离后锁孔中心在图像中的偏移量，即偏移比率(记为T)。
进一步，所述步骤2具体包括以下步骤：
步骤2.1：在距离集装箱上方固定高度h处，令每个摄像头采集一千幅图像作为样本图像；
步骤2.2：人工标记出样本图像中的锁孔区域并将所有锁孔区域缩放到120*80的尺寸，作为训练的正样本(标记为“+1”)，同时标记相同数量且尺寸为120*80的非锁孔区域作为训练的负样本(标记为“-1”)；步骤2.3：提取每个正负样本的梯度直方图，其中生成梯度直方图的cell尺寸为10*10，block尺寸为2*2，bins大小为9，得到的梯度直方图为1*2772大小的向量；
步骤2.4：构建输入为1*2772，输出为“+1”和“-1”，核函数为“linear”的支持向量机，将正负样本的梯度直方图向量及其类别标签输入该支持向量机进行训练；
步骤2.5：采用步骤2.4中训练的支持向量机和尺寸为120*80的滑动窗口对四千幅样本图像进行多尺度检测，然后将识别错误的所有区域加入到负样本中，重新对支持向量机进行训练；
步骤2.6：构造假正率为0.4，真正率为0.995，共计10层的Cascade分类器，然后采用与步骤2.5中相同正负样本集的梯度直方图向量对Cascade分类器进行训练，得到一个低漏识别率，高误识别率的分类器。
进一步，所述步骤3具体包含以下步骤：
步骤3.1：当吊具位于集装箱上方高度h且当陀螺仪检测到吊具晃动的加速度为0时，采集一幅图像；
步骤3.2：采用训练好的Cascade分类器对图像进行多尺度检测得到若干候选区域，并将这些区域的尺寸缩放120*80；
步骤3.3：提取候选区域的梯度直方图向量(向量维度为1*2772，生成梯度直方图的cell尺寸为10*10，block尺寸为2*2，bins大小为9)并将其输入训练好的SVM分类器进行分类得到锁孔区域；
步骤3.4：滤除临近集装箱锁孔的干扰；
步骤3.5：根据四幅图像中的四个锁孔的位置和每个摄像头的偏差比率T，计算出吊具中心与集装箱中心的距离偏差和偏差方向。
进一步，步骤3.4所述的滤除临近集装箱锁孔干扰的方法，若是左上角的摄像头，则计算每个锁孔中心到图像右下角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；若是右上角的摄像头，则计算每个锁孔中心到图像左下角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；若是左下角的摄像头，则计算每个锁孔中心到图像右上角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；若是右下角的摄像头，则计算每个锁孔中心到图像左上角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔。
本发明的优点是：采用本发明限定的方法能够快速有效的识别出集装箱锁孔的位置并计算出吊具与锁孔的偏差，实现了二者的自动对准。同时采用陀螺仪辅助使得相机在吊具的平衡位置进行图像采集，避免了吊具本身晃动造成的误差。
附图说明
图1采集的样本图像
图2正样本示意图
图3负样本示意图
图4锁孔检测示意图
具体实施方式
首先在吊具的四个角各安装一个摄像头用于拍摄集装箱的四个锁孔并在吊具上安装陀螺仪用于检测吊具的运动状态。具体实施方式分为以下四大步骤：
步骤1：在吊具四个角各安装一个摄像头用于图像采集并在吊具上安装一个六轴陀螺仪用于吊具姿态检测，然后进行现场校准。
步骤2：通过摄像头采集样本图像，人工标记出其中的锁孔区域和非锁孔区域将其作为正负样本，并提取样本的梯度直方图对支持向量机与Cascade分类器分别进行训练；
步骤3：四个摄像头各采集一幅图像，然后用训练好的Cascade分类器对每个图像进行多尺度检测得到候选区域，接着提取候选区域的梯度直方图输入训练好的支持向量机进行分类，得到锁孔区域；
步骤4：滤除附近其他集装箱锁孔的干扰并根据四幅图像中锁孔的相对位置计算出吊具与集装箱的偏差。
下面将结合具体实施方式详细阐述基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法。
1、摄像头安装与现场摄像头的校准：
步骤1.1：将吊具插入集装箱锁孔接着解锁，在原位置上升到距离集装箱1m处，然后令四个摄像头同时分别采集一副图像；
步骤1.2：将吊具向集装箱的前后左右四个方向分别移动20cm的距离，并且在吊具停止晃动后，令四个摄像头同时分别采集一副图像；
步骤1.3：比较摄像头在集装箱正上方拍摄的图像和在集装箱四个方向偏移后拍摄的图像，计算每个摄像头在1m处偏移单位距离后锁孔中心在图像中的偏移量，即偏移比率(记为T)。
2、采集样本图像进行前期训练：
步骤2.1：把吊具降到距离集装箱上方1m处并让四个摄像头同时拍摄集装箱上方的图像，每个摄像头分别采集1000幅图像作为样本图像。采集的图像如图1所示，图1中的四幅图像分为4个摄像头所拍摄的，每个图像的分辨率为846*462。
步骤2.2：人工标记出4000个样本图像中的锁孔区域并将所有锁孔区域缩放到120*80的尺寸(如图2所示)，作为训练的正样本(标记为“+1”)，同时标记相同数量且尺寸为120*80的非锁孔区域作为训练的负样本(标记为“-1”)；
步骤2.3：提取每个正负样本的梯度直方图，其中生成梯度直方图的cell尺寸为10*10，block尺寸为2*2，bins大小为9，得到的梯度直方图为1*2772大小的向量；
步骤2.4：构建输入为1*2772，输出为“+1”和“-1”，核函数为“linear”的支持向量机，将正负样本的梯度直方图向量及其类别标签输入该支持向量机进行训练；
步骤2.5：采用步骤2.4中训练的支持向量机和尺寸为120*80的滑动窗口对四千幅样本图像进行多尺度检测，然后将识别错误的所有区域加入到负样本(如图3所示)中，重新对支持向量机进行训练；
步骤2.6：构造假正率为0.4，真正率为0.995，共计10层的Cascade分类器，然后采用与步骤2.5中相同正负样本集的梯度直方图向量对Cascade分类器进行训练，得到一个低漏识别率，高误识别率的分类器。
3、步骤3的实际运行的具体步骤如下：
步骤3.1：当吊具位于集装箱上方1m处且当陀螺仪检测到吊具晃动的加速度为0时(吊具晃动状态类似于单摆运动，当陀螺仪加速度为0时即吊具处于平衡状态，在此时拍摄可以避免因为吊具的晃动影响锁孔的定位精度)，采集一幅图像；
步骤3.2：采用训练好的Cascade分类器对图像进行多尺度检测得到若干候选区域，并将这些区域的尺寸缩放120*80；
步骤3.3：提取候选区域的梯度直方图向量(向量维度为1*2772，生成梯度直方图的cell尺寸为10*10，block尺寸为2*2，bins大小为9)并将其输入训练好的SVM分类器进行分类得到锁孔区域；
步骤3.4：滤除临近集装箱锁孔的干扰，若是左上角的摄像头，则计算每个锁孔中心到图像右下角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；若是右上角的摄像头，则计算每个锁孔中心到图像左下角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；若是左下角的摄像头，则计算每个锁孔中心到图像右上角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；若是右下角的摄像头，则计算每个锁孔中心到图像左上角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔。
步骤3.5：根据四幅图像中的四个锁孔的位置(如图4所示)和偏差比率T，计算出吊具中心与集装箱中心的现实距离偏差和偏差方向。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，其特征在于，包括以下步骤：
步骤1：在吊具四个角各安装一个摄像头用于图像采集并在吊具上安装一个六轴陀螺仪用于吊具姿态检测，然后进行现场校准；
所述步骤1中的现场校准方法，具体步骤如下：
步骤1.1：将吊具插入集装箱锁孔接着解锁，在原位置上升到距离集装箱h的高度，然后令四个摄像头同时分别采集一副图像；
步骤1.2：将吊具向集装箱的前后左右四个方向分别移动0.2h的距离，并且在吊具停止晃动后，令四个摄像头同时分别采集一副图像；
步骤1.3：比较每个摄像头在集装箱正上方拍摄的图像和在集装箱四个方向偏移后拍摄的对应图像，计算每个摄像头在h高度偏移单位距离后锁孔中心在图像中的偏移量，即偏移比率，记为T；
步骤2：通过摄像头采集样本图像，人工标记出其中的锁孔区域和非锁孔区域将其作为正负样本，并提取样本的梯度直方图对支持向量机与Cascade分类器分别进行训练；
步骤3：四个摄像头各采集一幅图像，然后用训练好的Cascade分类器对每个图像进行多尺度检测得到候选区域，接着提取候选区域的梯度直方图输入训练好的支持向量机进行分类，得到锁孔区域；
步骤4：滤除附近其他集装箱锁孔的干扰并根据四幅图像中锁孔的相对位置计算出吊具与集装箱的偏差；根据四幅图像中的四个锁孔的位置和每个摄像头的偏移 比率T，计算出吊具中心与集装箱中心的距离偏差和偏差方向；
所述步骤2具体包括以下步骤：
步骤2.1：在距离集装箱上方固定高度h处，令每个摄像头采集一千幅图像作为样本图像；
步骤2.2：人工标记出样本图像中的锁孔区域并将所有锁孔区域缩放到120*80的尺寸，作为训练的正样本，标记为“+1”，同时标记相同数量且尺寸为120*80的非锁孔区域作为训练的负样本，标记为“-1”；
步骤2.3：提取每个正负样本的梯度直方图；
步骤2.4：构建输入为1*2772，输出为“+1”和“-1”，核函数为“linear”的支持向量机，将正负样本的梯度直方图向量及其类别标签输入该支持向量机进行训练；
步骤2.5：采用步骤2.4中训练的支持向量机和尺寸为120*80的滑动窗口对四千幅样本图像进行多尺度检测，然后将识别错误的所有区域加入到负样本中，重新对支持向量机进行训练；
步骤2.6：构造假正率为0.4，真正率为0.995，共计10层的Cascade分类器，然后采用与步骤2.4 中相同正负样本集的梯度直方图向量对Cascade分类器进行训练，得到训练好的分类器。
2.根据权利要求1所述的一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，其特征在于：提取每个正负样本的梯度直方图的过程中，生成梯度直方图的cell尺寸为10*10，block尺寸为2*2，bins大小为9，得到的梯度直方图为1*2772大小的向量。
3.根据权利要求1所述的一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，其特征在于：所述步骤3具体包含以下步骤：
步骤3.1：当吊具位于集装箱上方高度h且当陀螺仪检测到吊具晃动的加速度为0时，四个摄像头各采集一幅图像；
步骤3.2：对采集好的每一幅图像，采用训练好的Cascade分类器得到若干候选区域，并将这些区域的尺寸缩放到训练样本相同的尺寸；
步骤3.3：提取候选区域的梯度直方图并将其输入训练好的SVM分类器进行分类得到锁孔区域。
4.根据权利要求3所述的一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，其特征在于：采用训练好的Cascade分类器对图像进行多尺度检测得到若干候选区域，并将这些区域的尺寸缩放120*80。
5.根据权利要求3所述的一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，其特征在于：步骤3.3的具体过程为：提取候选区域的梯度直方图向量，向量维度为1*2772，生成梯度直方图的cell尺寸为10*10，block尺寸为2*2，bins大小为9，并将其输入训练好的SVM分类器进行分类得到锁孔区域。
6.根据权利要求3所述的一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法，其特征在于：其中滤除临近集装箱锁孔干扰的方法，当左上角的摄像头拍摄锁孔时，则计算每个锁孔中心到图像右下角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；当右上角的摄像头拍摄锁孔时，则计算每个锁孔中心到图像左下角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；当左下角的摄像头拍摄锁孔时，则计算每个锁孔中心到图像右上角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔；当右下角的摄像头拍摄锁孔时，则计算每个锁孔中心到图像左上角的距离并选择距离最短的锁孔作为所检测集装箱的锁孔。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810083619.1A CN108491851B (zh) | 2018-01-29 | 2018-01-29 | 一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810083619.1A CN108491851B (zh) | 2018-01-29 | 2018-01-29 | 一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108491851A CN108491851A (zh) | 2018-09-04 |
| CN108491851B true CN108491851B (zh) | 2020-07-31 |
Family
ID=63343853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810083619.1A Active CN108491851B (zh) | 2018-01-29 | 2018-01-29 | 一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108491851B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111243016B (zh) * | 2018-11-28 | 2024-03-19 | 周口师范学院 | 一种集装箱自动识别与定位方法 |
| CN109905605B (zh) * | 2019-04-02 | 2020-10-23 | 唐山港集团股份有限公司 | 一种四摄像机自动跟焦监控方法 |
| CN110197499B (zh) * | 2019-05-27 | 2021-02-02 | 江苏警官学院 | 一种基于计算机视觉的集装箱安全起吊监测方法 |
| EP4013701B1 (en) * | 2019-08-16 | 2024-06-05 | Abb Schweiz Ag | Method and apparatus for determining object location |
| CN114222707B (zh) * | 2019-09-30 | 2023-06-27 | 上海成业智能科技股份有限公司 | 集装箱锁销装拆方法、装置、设备及存储介质 |
| CN112288800B (zh) * | 2020-09-27 | 2023-05-12 | 山东浪潮科学研究院有限公司 | 一种服务器机柜门锁眼识别方法、设备及装置 |
| CN112562018B (zh) * | 2020-12-09 | 2023-08-11 | 杭州鸿泉物联网技术股份有限公司 | 一种吊点跟随定位方法及系统 |
| CN112661013B (zh) * | 2020-12-17 | 2023-06-30 | 北京航天自动控制研究所 | 一种自动化码头桥吊遗留锁垫检测方法及系统 |
| CN113213340B (zh) * | 2021-05-11 | 2024-03-12 | 上海西井科技股份有限公司 | 基于锁孔识别的集卡卸箱方法、系统、设备及存储介质 |
| EP4286790B1 (de) * | 2022-05-31 | 2024-07-03 | Sick Ag | Vorrichtung und verfahren zum ermitteln der räumlichen lage von aufnahmeelementen eines containers |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI117969B (fi) * | 2004-09-01 | 2007-05-15 | Kalmar Ind Oy Ab | Laitteisto ja menetelmä kontin kiertoheilahdusliikkeen pysäyttämiseksi |
| JP2006126154A (ja) * | 2004-10-27 | 2006-05-18 | Takashima Giken Kk | Ｘ線異物検出装置 |
| CN101887524B (zh) * | 2010-07-06 | 2012-07-04 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
| CN105956619B (zh) * | 2016-04-27 | 2019-05-24 | 浙江工业大学 | 一种集装箱锁孔粗定位和跟踪方法 |
| CN106372667B (zh) * | 2016-08-31 | 2019-04-16 | 西南交通大学 | 一种高铁接触网斜撑套筒部件螺钉不良状态检测方法 |
| CN106629399A (zh) * | 2016-12-23 | 2017-05-10 | 上海电机学院 | 一种集装箱对箱引导系统 |
| CN106709956B (zh) * | 2016-12-30 | 2020-05-15 | 广州汽车集团股份有限公司 | 全景影像系统的远程标定方法和系统 |
-
2018
- 2018-01-29 CN CN201810083619.1A patent/CN108491851B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108491851A (zh) | 2018-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491851B (zh) | 一种基于机器视觉的集装箱锁孔快速识别与吊具纠偏方法 | |
| CN111461107B (zh) | 用于识别感兴趣区的材料搬运方法、装置和系统 | |
| US10776661B2 (en) | Methods, systems and apparatus for segmenting and dimensioning objects | |
| US10452999B2 (en) | Method and a device for generating a confidence measure for an estimation derived from images captured by a camera mounted on a vehicle | |
| Geiger et al. | Are we ready for autonomous driving? the kitti vision benchmark suite | |
| CN110580723B (zh) | 一种利用深度学习和计算机视觉进行精准定位的方法 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN108364466A (zh) | 一种基于无人机交通视频的车流量统计方法 | |
| CN109253722A (zh) | 融合语义分割的单目测距系统、方法、设备及存储介质 | |
| CN109740613B (zh) | 一种基于Feature-Shift和预测的视觉伺服控制方法 | |
| KR20180098945A (ko) | 고정형 단일 카메라를 이용한 차량 속도 감지 방법 및 장치 | |
| CN111832760B (zh) | 一种基于视觉算法的井盖自动巡检方法 | |
| JP2010157093A (ja) | 運動推定装置及びプログラム | |
| CN112419260A (zh) | 一种pcb文字区域缺陷检测方法 | |
| EP3526728B1 (en) | System and method for object recognition based estimation of planogram compliance | |
| Efrat et al. | Semi-local 3d lane detection and uncertainty estimation | |
| Sun et al. | Faster R-CNN based autonomous navigation for vehicles in warehouse | |
| CN108256563A (zh) | 基于距离度量的视觉词典闭环检测方法与装置 | |
| CN114863136A (zh) | 一种基于对角线网络的无锚框目标检测方法及系统 | |
| Kim et al. | Vision-based activity analysis framework considering interactive operation of construction equipment | |
| van der Mark et al. | Stereo based obstacle detection with uncertainty in rough terrain | |
| CN110765993B (zh) | 基于ai算法的sem图形量测方法 | |
| CN115082509B (zh) | 一种对无特征目标的追踪方法 | |
| CN111386533B (zh) | 使用对称定位的空白区域检测和识别图像数据中图形字符表示的方法和装置 | |
| Kang et al. | An automatic airborne image mosaicing method based on the SIFT feature matching |
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: 20211124 Address after: 213000 No. 76, Feilong West Road, Changzhou City, Jiangsu Province Patentee after: CHANGZHOU GT ELECTRIC Co.,Ltd. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University |
|
| TR01 | Transfer of patent right |