CN109458980B - 一种基于线性回归拟合的天线下倾角测量方法 - Google Patents

一种基于线性回归拟合的天线下倾角测量方法 Download PDF

Info

Publication number
CN109458980B
CN109458980B CN201811363450.1A CN201811363450A CN109458980B CN 109458980 B CN109458980 B CN 109458980B CN 201811363450 A CN201811363450 A CN 201811363450A CN 109458980 B CN109458980 B CN 109458980B
Authority
CN
China
Prior art keywords
antenna
image
coordinates
fitting
mask
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
Application number
CN201811363450.1A
Other languages
English (en)
Other versions
CN109458980A (zh
Inventor
翟懿奎
邓文博
柯琪锐
伍月婷
甘俊英
徐颖
王天雷
吴细
陈丽燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to EP19870065.0A priority Critical patent/EP3683541A4/en
Priority to US16/975,599 priority patent/US20200410710A1/en
Priority to PCT/CN2019/076720 priority patent/WO2020098177A1/zh
Publication of CN109458980A publication Critical patent/CN109458980A/zh
Application granted granted Critical
Publication of CN109458980B publication Critical patent/CN109458980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C1/00—Measuring angles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/10—Radiation diagrams of antennas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于线性回归拟合的天线下倾角测量方法，包括以下步骤：对输入的原始天线图像利用深度学习方法进行图像实例分割处理，得到分割图像；对分割图像进行掩膜处理；对掩膜处理后的分割图像进行数学线性建模拟合；所述对掩膜处理后的分割图像进行数学线性建模拟合包括以下步骤：从掩膜处理后的分割图像中提取天线边缘轮廓的像素值坐标，截取位于天线右端边缘的像素值；通过数学线性建模拟合的方法将像素值坐标拟合成一条直线进而得到天线下倾角角度。通过对天线图像进行深度学习网络结合掩膜和线性拟合的处理得到天线下倾角角度，建立一种方便、安全、有效、准确的天线测量方法。

Description

一种基于线性回归拟合的天线下倾角测量方法
技术领域
本发明涉及通信测量领域，特别是一种基于线性回归拟合的天线下倾角测量方法。
背景技术
在通讯领域里，经常要对天线下倾角进行调整。天线下倾角是决定基站信号覆盖范围的重要参数之一，不但在网络规划的初期需要准确设计每个天线的下倾角，在基站投入运行以后，随着业务的发展，用户的变化以及周围信号环境的变化，还需要对下倾角做出准确调整。
目前对基站天线机械下倾角的测量普遍采用坡度计，使用坡度计测量天线机械下倾角时，测量者必须爬上铁塔或者抱杆贴近天线进行测量，相当危险和麻烦，也使得测量的准确性受到影响。而随着技术发展，出现了GSM-R系统，该系统是一种测量人员可以不用贴近天线就可以准确测量出天线下倾角的测量系工具，能够实现不登塔作业即可完成基站天线倾角的测量工作，并可对各基站测试点进行联网，实现对基站天线倾角的实时监测。但安装传感器，不仅耗时，成本较高，且新旧塔间、基站塔层数及数量等都存在差异性，因而该方法实用性不高，运行周期长，实现较为困难。因此设计出简单操作，性能可靠的角度测量方法就很有必要。
发明内容
为解决上述问题，本发明实施例的目的在于提供一种基于线性回归拟合的天线下倾角测量方法，以便安全、有效、快速、准确地对天线下倾角进行测量。
本发明实施例解决其问题所采用的技术方案是：
一种基于线性回归拟合的天线下倾角测量方法，包括以下步骤：对输入的原始天线图像利用深度学习方法进行图像实例分割处理，得到分割图像；对分割图像进行掩膜处理；对掩膜处理后的分割图像进行数学线性建模拟合；所述对掩膜处理后的分割图像进行数学线性建模拟合包括以下步骤：从掩膜处理后的分割图像中提取天线边缘轮廓的像素值的坐标，截取位于正侧面天线平面右端边缘的像素值的坐标；通过数学线性建模拟合的方法将位于正侧面天线平面右端边缘的像素值的坐标拟合成一条直线并获取直线斜率进而得到天线下倾角角度。
进一步，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像包括以下步骤：利用卷积神经网络获得天线候选框和天线特征图；从天线候选框中生成感兴趣区域并结合天线特征图进而得到感兴趣区域的特征图，对感兴趣区域进行像素校正。
进一步，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像还包括以下步骤：对感兴趣区域进行预测，得到天线特征图映射的回归边框，并预测感兴趣区域的像素点的类别，得到分割图像。
进一步，所述像素校正是通过利用残差网络进行对齐处理；所述像素校正包括两个量化过程，分别是感兴趣区域到天线特征图的映射和天线特征图到原始天线图像的映射。
进一步，所述对分割图像进行掩膜处理包括以下步骤：从分割图像中提取该天线的轮廓的图像坐标；映射图像坐标到像素坐标系，并通过波尔运算转换为二值坐标，与设置的掩膜坐标卷积生成新掩膜；采用颜色生成器将新掩膜进行填充处理。
进一步，所述映射图像坐标到像素坐标系包括对坐标系进行转换处理。
优选地，生成新掩膜的操作公式为：I(i,j)＝5*I(i,j)-[I(i-1,j)+I(i+1,j)+I(i,j-1)+I(i,j+1)]；其中I(i，j)是图像中心元素。
进一步，所述数学线性建模拟合的方法是梯度下降最小二乘法。
优选地，拟合的直线的模型为：f(x)＝wTx+b；其中WT为权重矩阵的转置，b为偏移量；天线下倾角角度计算公式为：θ＝arctan(|k|)；其中，k为通过梯度下降最小二乘法线性拟合的直线的斜率。
本发明实施例的有益效果是：本发明实施例采用的一种基于线性回归拟合的天线下倾角测量方法，经过深度学习网络的处理直接输出得到天线下倾角角度；同时经过掩膜处理实例分割后的分割图像使得数学线性建模的直线更加贴合天线的真实值，使天线下倾角角度更加准确；本发明实施例避免了攀爬测量的危险和减少安装传感器的成本，能更加有效、安全、低成本、准确地获得天线下倾角数据。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例的进行图像实例分割处理的深度学习方法的结构图；
图2是本发明实施例的图像实例分割的流程框架图；
图3是本发明实施例的残差网络对感兴趣网络对齐的示意图；
图4是本发明实施例的图像坐标系与像素坐标系的对应关系图；
图5是本发明实施例的掩膜运算的运算图；
图6是本发明实施例的数学线性建模拟合的坐标图。
具体实施方式
在本发明的一个实施例中，公开了一种基于线性回归拟合的天线下倾角测量方法，包括以下步骤：对输入的原始天线图像利用深度学习方法进行图像实例分割处理，得到分割图像；对分割图像进行掩膜处理；对掩膜处理后的分割图像进行数学线性建模拟合；所述对掩膜处理后的分割图像进行数学线性建模拟合包括以下步骤：从掩膜处理后的分割图像中提取天线边缘轮廓的像素值的坐标，截取位于正侧面天线平面右端边缘的像素值的坐标；通过数学线性建模拟合的方法将位于正侧面天线平面右端边缘的像素值的坐标拟合成一条直线并获取直线斜率进而得到天线下倾角角度。
参照图1和图2，在一个实施例中，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像包括以下步骤：利用卷积神经网络获得天线候选框和天线特征图；从天线候选框中生成感兴趣区域并结合天线特征图进而得到感兴趣区域的特征图，对感兴趣区域进行像素校正。
进一步，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像还包括以下步骤：对感兴趣区域进行预测，得到天线特征图映射的回归边框，并预测感兴趣区域的像素点的类别，得到分割图像。
参照图3，所述像素校正是通过利用残差网络进行对齐处理；所述像素校正包括两个量化过程，分别是感兴趣区域到天线特征图的映射过程和天线特征图到原始天线图像的映射过程；保证输入和输出之间在像素级别上的一一对应。
参照图5，在一个实施例中，所述对分割图像进行掩膜处理包括以下步骤：从分割图像中提取该天线的轮廓的图像坐标；映射图像坐标到像素坐标系，并通过波尔运算转换为二值坐标，与设置的掩膜坐标卷积生成新掩膜；采用颜色生成器将新掩膜进行填充处理。
优选地，生成新掩膜的操作公式为：I(i,j)＝5*I(i,j)-[I(i-1,j)+I(i+1,j)+I(i,j-1)+I(i,j+1)]；其中I(i，j)是图像中心元素。
参照图4，在一个实施例中，所述映射图像坐标到像素坐标系包括对坐标系进行转换处理。像素坐标系和图像坐标系都在天线图像的成像平面上，只是各自的原点和度量单位不一样。图像坐标系的原点为相机光轴与成像平面的交点，通常情况下是成像平面的中心点。图像坐标系的单位是mm，而像素坐标系的单位是pixel。这二者之间的转换如下：其中dx和dy表示每一列和每一行分别代表多少mm，即1pixel＝dx mm。其中坐标转换公式如下：
Figure GDA0001980636350000061
；
Figure GDA0001980636350000062
；
其中，u0、v0分别是图像坐标系的中心点的横坐标和纵坐标；R为3X3正交现状矩阵；T为三维平移向量。
对分割图像需要经过掩码分支网络进行掩膜处理。掩码分支网络是一个卷积网络，取感兴趣区域分类器选择的正区域作为输入，并生成正区域的掩码。生成的掩码是对应28x28像素低分辨率的。生成的掩码是由浮点数表示的软掩码，相对二进制掩码具有更多的细节。掩码的小尺寸属性有助于保持掩码分支网络的轻量性。在推断过程中，将预测的掩码放大为感兴趣区域的边框的尺寸以给出最终的掩码结果。
参照图6，所述数学线性建模拟合包括采用梯度下降最小二乘法实现对数据样本的优化。优选地，拟合的直线的模型为：f(x)＝wTx+b；其中WT为权重矩阵的转置，b为偏移量；天线下倾角角度计算公式为：θ＝arctan(|k|)；其中，k为通过梯度下降最小二乘法线性拟合的直线的斜率。
在一个实施例中，计算过程如下：用yi代表第i个点的真实值；f(xi)代表通过模型函数f后的预测值；得到欧式距离的表达式：distance＝(yi-f(xi))2，该式从损失函数的角度看，为平方误差，即
Figure GDA0001980636350000071
得到拟合的目标函数为：
Figure GDA0001980636350000072
将J(θ)经向量运算得：
Figure GDA0001980636350000073
对θ进行偏导运算：
Figure GDA0001980636350000074
通过令偏导等于零，将样本点拟合到近似的一条直线上，获取通过最小二乘误差得到的直线斜率，进而准确得到基站天线的下倾角数值。由如下反正切公式可知：θ＝arctan(|k|)；其中θ为天线下倾角，k为通过梯度下降最小二乘法线性拟合直线的斜率。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (7)

1.一种基于线性回归拟合的天线下倾角测量方法，其特征在于，包括以下步骤：
对输入的原始天线图像利用深度学习方法进行图像实例分割处理，得到分割图像；
对分割图像进行掩膜处理；
对掩膜处理后的分割图像进行数学线性建模拟合；
所述对分割图像进行掩膜处理包括以下步骤：从分割图像中提取该天线的轮廓的图像坐标；映射图像坐标到像素坐标系，并通过波尔运算转换为二值坐标，与设置的掩膜坐标卷积生成新掩膜；采用颜色生成器将新掩膜进行填充处理；生成新掩膜的操作公式为：I(i,j)＝5*I(i,j)-[I(i-1,j)+I(i+1,j)+I(i,j-1)+I(i,j+1)]；其中I(i，j)是图像中心元素；
所述对掩膜处理后的分割图像进行数学线性建模拟合包括以下步骤：从掩膜处理后的分割图像中提取天线边缘轮廓的像素值坐标，截取位于正侧面天线平面右端边缘的像素值的坐标；通过数学线性建模拟合的方法将位于正侧面天线平面右端边缘的像素值的坐标拟合成一条直线并获取直线斜率进而得到天线下倾角角度。
2.根据权利要求1所述的一种基于线性回归拟合的天线下倾角测量方法，其特征在于，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像包括以下步骤：
利用卷积神经网络获得天线候选框和天线特征图；
从天线候选框中生成感兴趣区域并结合天线特征图进而得到感兴趣区域的特征图，对感兴趣区域进行像素校正。
3.根据权利要求2所述的一种基于线性回归拟合的天线下倾角测量方法，其特征在于，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像还包括以下步骤：对感兴趣区域进行预测，得到天线特征图映射的回归边框，并预测感兴趣区域的像素点的类别，得到分割图像。
4.根据权利要求2或3任一项所述的一种基于线性回归拟合的天线下倾角测量方法，其特征在于，所述像素校正是通过利用残差网络进行对齐处理；所述像素校正包括两个量化过程，分别是感兴趣区域到天线特征图的映射和天线特征图到原始天线图像的映射。
5.根据权利要求1所述的一种基于线性回归拟合的天线下倾角测量方法，其特征在于，所述映射图像坐标到像素坐标系包括对坐标系进行转换处理。
6.根据权利要求1所述的一种基于线性回归拟合的天线下倾角测量方法，其特征在于，所述数学线性建模拟合包括梯度下降最小二乘法。
7.根据权利要求6所述的一种基于线性回归拟合的天线下倾角测量方法，其特征在于，拟合的直线的模型为：f(x)＝wTx+b；其中WT为权重矩阵的转置，b为偏移量；天线下倾角角度计算公式为：θ＝arctan(|k|)；其中，k为通过梯度下降最小二乘法线性拟合的直线的斜率。
CN201811363450.1A 2018-11-06 2018-11-15 一种基于线性回归拟合的天线下倾角测量方法 Active CN109458980B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP19870065.0A EP3683541A4 (en) 2018-11-06 2019-03-01 METHOD OF MEASURING THE DOWN TILT ANGLE OF AN ANTENNA BASED ON A LINEAR REGRESSION ADJUSTMENT
US16/975,599 US20200410710A1 (en) 2018-11-06 2019-03-01 Method for measuring antenna downtilt based on linear regression fitting
PCT/CN2019/076720 WO2020098177A1 (zh) 2018-11-06 2019-03-01 一种基于线性回归拟合的天线下倾角测量方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811321973X 2018-11-06
CN201811321973 2018-11-06

Publications (2)

Publication Number Publication Date
CN109458980A CN109458980A (zh) 2019-03-12
CN109458980B true CN109458980B (zh) 2021-01-26

Family

ID=65610628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811363450.1A Active CN109458980B (zh) 2018-11-06 2018-11-15 一种基于线性回归拟合的天线下倾角测量方法

Country Status (4)

Country Link
US (1) US20200410710A1 (zh)
EP (1) EP3683541A4 (zh)
CN (1) CN109458980B (zh)
WO (1) WO2020098177A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109579774B (zh) * 2018-11-06 2021-04-23 五邑大学 一种基于深度实例分割网络的天线下倾角测量方法
US20200301021A1 (en) * 2019-03-19 2020-09-24 Adva Optical Networking Se Method and apparatus for automatic detection of antenna site conditions
CN110263390B (zh) * 2019-05-24 2023-04-25 五邑大学 基于无人机视觉测量的天线下倾角自动调整方法及系统
CN110415239B (zh) * 2019-08-01 2022-12-16 腾讯科技（深圳）有限公司 图像处理方法、装置、设备、医疗电子设备以及介质
US11074707B2 (en) * 2019-08-13 2021-07-27 Wuyi University Method and system of antenna measurement for mobile communication base station
CN110660096B (zh) * 2019-10-08 2023-05-23 珠海格力电器股份有限公司 曲线一致性检测方法及存储介质
CN112070721B (zh) * 2020-08-13 2024-01-12 五邑大学 基于实例分割网络的天线参数测量方法、装置及存储介质
CN112880622B (zh) * 2021-02-04 2022-12-13 上海航天控制技术研究所 一种应用倾角仪标定柔性喷管摆角传感器的方法
CN113781571A (zh) * 2021-02-09 2021-12-10 北京沃东天骏信息技术有限公司 图像处理方法和装置
CN113343987B (zh) * 2021-06-30 2023-08-22 北京奇艺世纪科技有限公司 文本检测处理方法、装置、电子设备及存储介质
CN114931112B (zh) * 2022-04-08 2024-01-26 南京农业大学 基于智能巡检机器人的母猪体尺检测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647663A (zh) * 2018-05-17 2018-10-12 西安电子科技大学 基于深度学习和多层次图结构模型的人体姿态估计方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2595872B1 (fr) * 1986-03-11 1988-07-01 Centre Nat Etd Spatiales Ensemble d'etalonnage des angles d'elevation et d'azimut de l'axe radioelectrique d'une antenne
US6400831B2 (en) * 1998-04-02 2002-06-04 Microsoft Corporation Semantic video object segmentation and tracking
WO2009134820A2 (en) * 2008-04-28 2009-11-05 Cornell University Tool for accurate quantification in molecular mri
US20110150317A1 (en) * 2009-12-17 2011-06-23 Electronics And Telecommunications Research Institute System and method for automatically measuring antenna characteristics
US8907261B1 (en) * 2011-04-28 2014-12-09 Steve Wishstar Electromagnetic wave detection
AT511191B1 (de) * 2011-07-01 2012-10-15 Thomas Dr Neubauer Verfahren und vorrichtung zur bestimmung und speicherung von position und ausrichtung von antennenstrukturen
CN105761249B (zh) * 2016-02-01 2018-06-15 南京工程学院 一种基于图像计算天线机械下倾角的方法
CN107121125B (zh) * 2017-06-12 2019-05-14 哈尔滨工业大学 一种通讯基站天线位姿自动检测装置与方法
CN107830846B (zh) * 2017-09-30 2020-04-10 杭州艾航科技有限公司 一种利用无人机和卷积神经网络测量通信塔天线角度方法
AU2019349986A1 (en) * 2018-09-26 2021-06-10 Sitesee Pty Ltd Apparatus and method for three-dimensional object recognition

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647663A (zh) * 2018-05-17 2018-10-12 西安电子科技大学 基于深度学习和多层次图结构模型的人体姿态估计方法

Also Published As

Publication number Publication date
WO2020098177A1 (zh) 2020-05-22
CN109458980A (zh) 2019-03-12
EP3683541A4 (en) 2021-03-17
US20200410710A1 (en) 2020-12-31
EP3683541A1 (en) 2020-07-22

Similar Documents

Publication Publication Date Title
CN109458980B (zh) 一种基于线性回归拟合的天线下倾角测量方法
CN113744270B (zh) 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法
CN112766274B (zh) 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统
CN108510551B (zh) 一种远距离大视场条件下相机参数的标定方法及系统
CN106971408B (zh) 一种基于时空转换思想的摄像机标定方法
CN106996748A (zh) 一种基于双目视觉的轮径测量方法
CN109579774B (zh) 一种基于深度实例分割网络的天线下倾角测量方法
CN110363758B (zh) 一种光学遥感卫星成像质量确定方法及系统
CN109631912A (zh) 一种深空球形目标被动测距方法
CN109544642B (zh) 一种基于n型靶标的tdi-ccd相机参数标定方法
CN112418251B (zh) 红外体温检测方法及系统
CN112634373A (zh) 基于零膨胀陶瓷标定板的视觉测量系统动态校正方法
CN109974618A (zh) 多传感器视觉测量系统的全局标定方法
CN116625258A (zh) 链条间距测量系统及链条间距测量方法
CN117671303B (zh) 基于孪生网络的立体测距隐患预警方法及系统
CN111142137B (zh) 一种点源靶标像控点的定位方法和装置
KR102261870B1 (ko) 영상 처리에 기초한 수위 산출 장치 및 방법
CN111798516B (zh) 一种桥式起重机设备运行状态量的检测及误差分析方法
CN116091488B (zh) 一种发动机摇摆试验的位移测试方法及位移测试系统
CN114509018A (zh) 一种全场实时桥梁挠度测量方法
KR102310900B1 (ko) 무인항공기를 이용한 송전설비의 진단장치 및 그 방법
KR101919958B1 (ko) 건축 구조물의 변형률 분포 시각화 장치 및 방법
CN113670268A (zh) 基于双目视觉的无人机和电力杆塔距离测量方法
KR101961479B1 (ko) 카메라 모듈의 렌즈 중심부 측정장치 및 방법
CN113945159B (zh) 一种基于轮廓匹配的螺栓直径测量方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhai Yikui

Inventor after: Deng Wenbo

Inventor after: Ke Qirui

Inventor after: Wu Yueting

Inventor after: Gan Junying

Inventor after: Xu Ying

Inventor after: Wang Tianlei

Inventor after: Wu Xi

Inventor after: Chen Liyan

Inventor before: Deng Wenbo

Inventor before: Zhai Yikui

Inventor before: Ke Qirui

Inventor before: Wu Yueting

Inventor before: Gan Junying

Inventor before: Xu Ying

Inventor before: Wang Tianlei

Inventor before: Wu Xi

Inventor before: Chen Liyan

GR01 Patent grant
GR01 Patent grant