CN108921847A - 基于机器视觉的桥梁底部检测方法 - Google Patents
基于机器视觉的桥梁底部检测方法 Download PDFInfo
- Publication number
- CN108921847A CN108921847A CN201810894869.3A CN201810894869A CN108921847A CN 108921847 A CN108921847 A CN 108921847A CN 201810894869 A CN201810894869 A CN 201810894869A CN 108921847 A CN108921847 A CN 108921847A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- function
- indicates
- indicate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 32
- 108091006146 Channels Proteins 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 238000005316 response function Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于机器视觉的桥梁底部检测方法,其目的在于实现对桥梁底部的类似裂缝状的结构进行识别,首先采用基于ORB特征点的图像拼接方法对采集到的桥梁底部图像进行拼接,然后使用LDE算法对拼接后的图像进行增强预处理,最后使用Tuff分割算法将图像中裂缝结构进行分割。最终得到的分割图像便于对桥梁整体缺陷的检测与分析。
Description
技术领域
本发明属于图像识别领域,涉及基于ORB特征检测的图像拼接方法和LDE 图像增强方法以及Tuff图像分割方法。
背景技术
由于混凝土原材料的成本低且可塑性高,它被广泛应用于桥梁建筑当中。然而在这种由混凝土建造的桥梁往往存在一些安全隐患,最常见的便是裂纹。一旦有裂纹出现在桥体,若不及时发现及时处理,情况往往会恶化。因此,对混凝土桥梁的状态结构分析是一个相当重要的工作。为了避免这类问题的恶化,通常需要对桥梁的情况定期进行检查。传统的方法是安排技术人员到实地现场去观测,通过肉眼来观察判断桥底是否产生了裂缝。这种人工的方法不仅工作强度大而且效率低,是否观测出裂缝以及裂缝类似物极大的依赖于观测人员的自身的相关经验和主观判断,很容易出现误检的问题。因此研制一组自动检测桥梁底部的系统意义十分重大。
名词解释:
ORB:(Oriented FAST and Rotated BRIEF)特征点匹配法。
RANSAC为Random Sample Consensus的缩写,它是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。
LDE方法:即LDE函数。
Hessian矩阵:黑塞矩阵(Hessian Matrix),,是一个多元函数的二阶偏导数构成的方阵。
发明内容
本发明提供了一种基于机器视觉的桥梁底部检测方法,其目的在于实现对桥梁底部的类似裂缝状的结构进行识别,首先采用基于ORB特征点的图像拼接方法对采集到的桥梁底部图像进行拼接,以便后续对桥梁整体缺陷的检测与分析。
为实现上述目的,本发明的技术方案如下:
一种基于机器视觉的桥梁底部检测方法,包括以下步骤:
步骤一:通过桥梁检测机器人采集桥梁底部的两个航道的序列图像,其中包括两个航道的序列图像,航道即桥梁检测机器人车体航行路线;具体如图1、图2所示(这里航道仅针对桥梁检测机器人车体航行路线而言,桥梁底部本身不存在分隔)
步骤二:检测两个航道序列图像的ORB特征点;
步骤三:根据ORB特征点之间的欧式距离匹配两航道图像序列间的ORB特征点;
步骤四:用RANSAC方法剔除误匹配点,达到精确匹配;
步骤五:利用得到的匹配点计算出两组图像序列间的单应性矩阵,将一个航道的图像映射到另一个航道的图像的坐标空间中,然后根据匹配点的坐标平移实现拼接;
步骤六:在拼接边缘处进行加权平均模糊处理以消除拼接痕迹得到拼接后的图像;
步骤七:利用LDE方法对拼接后的图像进行预处理以加强裂缝结构在图像中的对比度;
步骤八:对由步骤七得到的图像使用Tuff裂缝分割方法,将图像中类似裂缝的结构分割出来,得到检测结果。
进一步的改进,所述步骤七中的LDE方法具体步骤如下:
步骤7.1:将g(x,y;σ)与f(x,y)进行卷积运算,再将得到的结果取 Hessian矩阵Hσ(x,y);
其中,x表示图像中的像素横坐标,y表示图像中的像素纵坐标;g(x,y;σ) 表示均值为0,标准差为σ的高斯函数,gxy(x,y)表示g(x,y;σ)先对x 求偏导,再对y求偏导,gxx(x,y)表示对x求两次偏导;gyy(x,y)表示对y 求两次偏导,f(x,y)表示拼接后的图像中(x,y)位置像素的灰度值;
步骤7.2:计算局部、前向、后向裂缝滤波函数:
rl(x,y,θ;σ)=gxx(x,y)cos2θ+gyy(x,y)sin2θ+gxy(x,y)sin 2θ
其中θ表示计算时在图像中选取的方向,θ初始值取零度(根据实际情况作调节),分别表示在θ方向基础上旋转的角度,大于零为顺时针方向旋转,小于零则为逆时针方向旋转;d作为可调参数,取值大于零,它影响着滤波函数的局部性;rl(x,y,θ;σ)表示局部裂缝滤波函数,表示前向裂缝滤波函数,表示后向裂缝滤波函数,gxx(x,y),gyy(x,y), gxy(x,y)同步骤7.1;
步骤7.3:将三种滤波函数各与原图像f(x,y)进行卷积操作得到裂缝响应函数:
Rl(x,y,θ;σ)=rl(x,y,θ;σ)*f(x,y)
Rl(x,y,θ;σ)表示局部裂缝响应函数;表示前向裂缝响应函数;表示后向裂缝响应函数。rl(x,y,θ;σ), 同步骤7.2;
步骤7.4:将三种裂缝响应函数取最大值并求和得到总响应函数,总响应函数的图像即为经LDE方法处理过后的图像:
其中,R*(x,y;σ)表示LDE预处理后的图像;表示 Rl(x,y,θ;σ)取最大值;表示取最大值;表示取最大值。
进一步的改进,所述步骤八中的Tuff裂缝分割方法具体步骤如下:
步骤8.1:计算出步骤7.1中Hessian矩阵的两个特征向量:分割曲线的轴向以及与轴向相垂直的方向;
步骤8.2:计算一个能量泛函;
ε(φ)=εreg(φ)+εevolve(φ)
其中,
这里εreg(φ)与εevolve(φ)分别表示为影响曲线光滑度和曲线演变的能量泛函;其中,r1表示影响光滑度的系数,取值大于零;φ(x)表示水平集函数;δ(x)表示理想单位冲激函数;αi表示影响曲线演变程度的轴向分量以及垂直分量的参数;vi(i=1,2)表示步骤8.1中提到的两个方向向量;H(φ)表示单位阶跃函数。
步骤8.3:计算能量泛函ε(φ),当ε(φ)取最小值时,分割曲线演变为最终结果。
有益效果
与现有技术相比,本发明的优点体现在以下几点:
(1)本发明采用了基于ORB特征点的图像拼接、LDE图像增强、Tuff图像分割的方法,实现了桥梁底部图像中裂缝的识别与分割。
(2)与传统的图像检测方法相比,该方法针对性较强。选用的LDE算法能够从对比度较低的图像中增强裂缝结构的亮度,配合专门对于图像中裂缝这类拓扑结构的Tuff分割算法,使得本发明能够应用于桥梁底部图像中裂缝的分割。
(3)与传统的人工检测方法相比,该检测方法具有高精度、高效率等优势,能够达到检测所需的要求。
附图说明
图1为桥梁检测机器人结构图,用于采集图像;
图2于不同航道采集到的图像,左侧的为航道1采集的图像,右侧为航道2采集的图像;
图3为本发明的流程图;
图4为应用本发明所述方法对采集到的桥梁底部图像进行拼接、预处理以及裂缝分割的过程示意图,其中,(a)和(b)分别为两个航道的桥梁底部图像中的一幅,(c)为拼接后的图像,(d)为使用LDE方法对(c)进行裂缝结构增强的预处理结果,(e)即为在(d)的基础上使用Tuff方法分割出的裂缝结构。
具体实施方式
下面将结合附图和实例对本发明做进一步的说明。
如图2所示,基于机器视觉的桥梁底部检测方法,包括以下步骤:
步骤1:通过桥梁检测机器人采集桥梁底部的序列图像,记两个航道的图像序列分别为L、R,记图4中的(a)、(b)分别为Li与Ri。
步骤2:检测Li与Ri的ORB特征点;
步骤3:匹配Li与Ri的ORB特征点(只能将两航道图像序列中对应位置的两图像特征点进行匹配);
步骤4:用RANSAC方法剔除误匹配点,达到精确匹配;
步骤5:利用得到的匹配点计算出Li与Ri间的单应性矩阵,将Li映射到Ri的坐标空间中,再将Ri适当平移实现拼接;
步骤6:在拼接边缘处进行加权平均模糊处理以消除拼接痕迹,此时得到如图4中的(c)所示的拼接后的图像,设为f(x,y),即图像中(x,y)位置像素的灰度值;
步骤7:利用LDE方法对拼接后的图像f(x,y)进行预处理以加强裂缝结构在图像中的对比度:
步骤7.1:将g(x,y;σ)与f(x,y)进行卷积运算,再将得到的结果取 Hessian矩阵Hσ(x,y);
其中,g(x,y;σ)是均值为0,标准差为σ的高斯函数;
步骤7.2:计算局部、前向、后向裂缝滤波函数;
rl(x,y,θ;σ)=gxx cos2θ+gyy sin2θ+gxy sin 2θ
其中θ表示计算时在图像f(x,y)中选取的方向,则表示在θ方向基础上旋转的角度。d总是大于零,它影响着滤波函数的局部性。
步骤7.3:将三种滤波函数各与f(x,y)进行卷积操作得到裂缝响应函数;
Rl(x,y,θ;σ)=rl(x,y,θ;σ)*f(x,y)
步骤7.4:将三种裂缝响应函数取最大值并求和得到总响应函数 R*(x,y;σ),即为图4中(d);
其中为了书写方便,省略了
步骤8:对图4中(d)使用Tuff裂缝分割方法,将图像中类似裂缝的结构分割出来,得到检测结果:
步骤8.1:计算出步骤7.1中Hessian矩阵的两个特征向量,它们分别代表分割曲线的轴向以及与轴向相垂直的方向;
步骤8.2:计算一个能量泛函;
ε(φ)=εreg(φ)+εevolve(φ)
其中,
这里εreg(φ)与εevolve(φ)分别为影响曲线光滑度和曲线演变的能量泛函。其中,r1是影响光滑度的系数,φ(x)为水平集函数,δ(x)为理想单位冲激函数,αi是影响曲线演变程度的轴向分量以及其垂直分量的参数,vi是步骤8.1中提到的两个方向向量,H(φ)是单位阶跃函数。
步骤8.3:计算能量泛函ε(φ)的最小值。当ε(φ)取最小值时,分割曲线演变为最终分割结果,即图4中(e)所示。
Claims (3)
1.一种基于机器视觉的桥梁底部检测方法,其特征在于,包括以下步骤:
步骤一:通过桥梁检测机器人采集桥梁底部的两个航道的序列图像,其中包括两个航道的序列图像,航道即桥梁检测机器人车体航行路线;
步骤二:检测两个航道序列图像的ORB特征点;
步骤三:根据ORB特征点之间的欧式距离匹配两航道图像序列间的ORB特征点;
步骤四:用RANSAC方法剔除误匹配点,达到精确匹配;
步骤五:利用得到的匹配点计算出两组图像序列间的单应性矩阵,将一个航道的图像映射到另一个航道的图像的坐标空间中,然后根据匹配点的坐标平移实现拼接;
步骤六:在拼接边缘处进行加权平均模糊处理以消除拼接痕迹得到拼接后的图像;
步骤七:利用LDE方法对拼接后的图像进行预处理以加强裂缝结构在图像中的对比度;
步骤八:对由步骤七得到的图像使用Tuff裂缝分割方法,将图像中类似裂缝的结构分割出来,得到检测结果。
2.如权利要求1所述的基于机器视觉的桥梁底部检测方法,其特征在于,所述步骤七中的LDE方法具体步骤如下:
步骤7.1:将g(x,y;σ)与f(x,y)进行卷积运算,再将得到的结果取Hessian矩阵Hσ(x,y);
其中,x表示图像中的像素横坐标,y表示图像中的像素纵坐标;g(x,y;σ)表示均值为0,标准差为σ的高斯函数,gxy(x,y)表示g(x,y;σ)先对x求偏导,再对y求偏导,gxx(x,y)表示对x求两次偏导;gyy(x,y)表示对y求两次偏导,f(x,y)表示拼接后的图像中(x,y)位置像素的灰度值;
步骤7.2:计算局部、前向、后向裂缝滤波函数:
rl(x,y,θ;σ)=gxx(x,y)cos2θ+gyy(x,y)sin2θ+gxy(x,y)sin 2θ
其中θ表示计算时在图像中选取的方向,θ初始值取零度(根据实际情况作调节),分别表示在θ方向基础上旋转的角度,大于零为顺时针方向旋转,小于零则为逆时针方向旋转;d作为可调参数,取值大于零,它影响着滤波函数的局部性;rl(x,y,θ;σ)表示局部裂缝滤波函数,表示前向裂缝滤波函数,表示后向裂缝滤波函数,gxx(x,y),gyy(x,y),gxy(x,y)同步骤7.1;
步骤7.3:将三种滤波函数各与原图像f(x,y)进行卷积操作得到裂缝响应函数:
Rl(x,y,θ;σ)=rl(x,y,θ;σ)*f(x,y)
Rl(x,y,θ;σ)表示局部裂缝响应函数;表示前向裂缝响应函数;表示后向裂缝响应函数。rl(x,y,θ;σ), 同步骤7.2;
步骤7.4:将三种裂缝响应函数取最大值并求和得到总响应函数,总响应函数的图像即为经LDE方法处理过后的图像:
其中,R*(x,y;σ)表示LDE预处理后的图像;表示Rl(x,y,θ;σ)取最大值;表示取最大值;表示取最大值。
3.如权利要求2所述的基于机器视觉的桥梁底部检测方法,其特征在于,所述步骤八中的Tuff裂缝分割方法具体步骤如下:
步骤8.1:计算出步骤7.1中Hessian矩阵的两个特征向量:分割曲线的轴向以及与轴向相垂直的方向;
步骤8.2:计算一个能量泛函;
ε(φ)=εreg(φ)+εevolve(φ)
其中,
这里εreg(φ)与εevolve(φ)分别表示为影响曲线光滑度和曲线演变的能量泛函;其中,r1表示影响光滑度的系数,取值大于零,φ(x)表示水平集函数,δ(x)表示理想单位冲激函数,αi表示影响曲线演变程度的轴向分量以及垂直分量的参数,vi(i=1,2)表示步骤8.1中提到的两个方向向量,H(φ)表示单位阶跃函数。
步骤8.3:计算能量泛函ε(φ),当ε(φ)取最小值时,分割曲线演变为最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810894869.3A CN108921847B (zh) | 2018-08-08 | 2018-08-08 | 基于机器视觉的桥梁底部检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810894869.3A CN108921847B (zh) | 2018-08-08 | 2018-08-08 | 基于机器视觉的桥梁底部检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921847A true CN108921847A (zh) | 2018-11-30 |
CN108921847B CN108921847B (zh) | 2022-06-24 |
Family
ID=64397391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810894869.3A Active CN108921847B (zh) | 2018-08-08 | 2018-08-08 | 基于机器视觉的桥梁底部检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921847B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754368A (zh) * | 2019-01-23 | 2019-05-14 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝拼接方法 |
CN110084743A (zh) * | 2019-01-25 | 2019-08-02 | 电子科技大学 | 基于多航带起始航迹约束的图像拼接与定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576998A (zh) * | 2009-05-21 | 2009-11-11 | 北京航空航天大学 | 采用裂缝边缘法对多源图像分割结果进行综合的方法 |
CN104369742A (zh) * | 2014-11-17 | 2015-02-25 | 贡力 | 一种基于图像处理的隧道表面裂缝快速智能检测车 |
CN104778679A (zh) * | 2014-12-22 | 2015-07-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
CN105764719A (zh) * | 2013-11-13 | 2016-07-13 | 奥迪股份公司 | 用于调控执行器的方法 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
AU2016202856A1 (en) * | 2015-05-05 | 2016-11-24 | Smart Infrastructure Asset Management Australia Research And Development Pty Ltd | Image processing techniques for identifying infrastructure condition status |
CN106770325A (zh) * | 2016-12-19 | 2017-05-31 | 湖北省建筑工程质量监督检验测试中心 | 一种混凝土构件裂缝自动检测方法 |
CN206467573U (zh) * | 2017-02-16 | 2017-09-05 | 昆山市鹿通路桥工程有限公司 | 防滑高架桥 |
-
2018
- 2018-08-08 CN CN201810894869.3A patent/CN108921847B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576998A (zh) * | 2009-05-21 | 2009-11-11 | 北京航空航天大学 | 采用裂缝边缘法对多源图像分割结果进行综合的方法 |
CN105764719A (zh) * | 2013-11-13 | 2016-07-13 | 奥迪股份公司 | 用于调控执行器的方法 |
CN104369742A (zh) * | 2014-11-17 | 2015-02-25 | 贡力 | 一种基于图像处理的隧道表面裂缝快速智能检测车 |
CN104778679A (zh) * | 2014-12-22 | 2015-07-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星数据的控制点图元快速匹配方法 |
AU2016202856A1 (en) * | 2015-05-05 | 2016-11-24 | Smart Infrastructure Asset Management Australia Research And Development Pty Ltd | Image processing techniques for identifying infrastructure condition status |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN106770325A (zh) * | 2016-12-19 | 2017-05-31 | 湖北省建筑工程质量监督检验测试中心 | 一种混凝土构件裂缝自动检测方法 |
CN206467573U (zh) * | 2017-02-16 | 2017-09-05 | 昆山市鹿通路桥工程有限公司 | 防滑高架桥 |
Non-Patent Citations (5)
Title |
---|
SUVADIP MUKHERJEE 等: "ORIENTED FILTERS FOR VESSEL CONTRAST ENHANCEMENT WITH LOCAL DIRE", 《IEEE》 * |
SUVADIP MUKHERJEE 等: "Tubularity Flow Field—A Technique for Automatic Neuron Segmentation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
杨帆 等: "《精通图像处理经典算法 MATLAB版 第2版》", 28 February 2018 * |
王睿 等: "基于机器视觉检测的裂缝特征研究", 《土木工程学报》 * |
颜志国 等: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754368A (zh) * | 2019-01-23 | 2019-05-14 | 郑州工程技术学院 | 一种桥梁质量检测中的裂缝拼接方法 |
CN110084743A (zh) * | 2019-01-25 | 2019-08-02 | 电子科技大学 | 基于多航带起始航迹约束的图像拼接与定位方法 |
CN110084743B (zh) * | 2019-01-25 | 2023-04-14 | 电子科技大学 | 基于多航带起始航迹约束的图像拼接与定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108921847B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082464B (zh) | 除尘机焊接过程中焊缝数据的识别方法及系统 | |
CN109615654B (zh) | 基于双目视觉的排水管道内表面腐蚀深度及面积测量方法 | |
CN110853100B (zh) | 一种基于改进点线特征的结构化场景视觉slam方法 | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN106340009B (zh) | 一种基于平行双目的电力线检测方法及系统 | |
CN111127318A (zh) | 一种机场环境下的全景图像拼接方法 | |
CN105865344A (zh) | 一种基于机器视觉的工件尺寸测量方法和装置 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
WO2020041319A1 (en) | Fatigue crack detection in civil infrastructure | |
CN108921847A (zh) | 基于机器视觉的桥梁底部检测方法 | |
CN107909085A (zh) | 一种基于Harris算子的图像特征角点提取方法 | |
CN108827979A (zh) | 一种模组镜头外观检测方法 | |
CN108182704A (zh) | 基于形状上下文特征的定位方法 | |
CN106600580A (zh) | 一种基于霍夫变换的电力线异常识别方法及其系统 | |
CN109785370A (zh) | 一种基于空间时间序列模型的弱纹理图像配准方法 | |
CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN111563896A (zh) | 一种用于接触网异常检测的图像处理方法 | |
Zhang et al. | Automatic crack inspection for concrete bridge bottom surfaces based on machine vision | |
CN104966283A (zh) | 图像分层配准方法 | |
CN117611525A (zh) | 一种受电弓滑板磨耗视觉检测方法和系统 | |
CN116958837A (zh) | 基于无人机的市政设施故障检测系统 | |
CN107886530A (zh) | 一种改进的基于sift特征的图像配准算法 | |
CN113592953B (zh) | 一种基于特征点集的双目非合作目标位姿测量方法 | |
Ma et al. | Variable subset DIC algorithm for measuring discontinuous displacement based on pixel-level ZNCC value distribution map | |
CN112991372B (zh) | 一种基于多边形匹配的2d-3d相机外参标定方法 |
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 |