CN110188777B - 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 - Google Patents
一种基于数据挖掘的多周期钢轨伤损数据对齐方法 Download PDFInfo
- Publication number
- CN110188777B CN110188777B CN201910466679.6A CN201910466679A CN110188777B CN 110188777 B CN110188777 B CN 110188777B CN 201910466679 A CN201910466679 A CN 201910466679A CN 110188777 B CN110188777 B CN 110188777B
- Authority
- CN
- China
- Prior art keywords
- image
- calculating
- aligned
- window
- feature
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007418 data mining Methods 0.000 title claims abstract description 12
- 229910000831 Steel Inorganic materials 0.000 title claims description 5
- 239000010959 steel Substances 0.000 title claims description 5
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract 2
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 abstract description 6
- 208000014674 injury Diseases 0.000 abstract description 6
- 230000001131 transforming effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于数据挖掘的多周期钢轨伤损数据对齐方法，具体步骤如下：S1，将探伤车轨迹GPS转化为轨迹图像；S2，通过特征提取算法提取图像特征点；S3，对两张图像的特征点进行点对点匹配；S4，根据匹配的特征点集，计算单应性矩阵；S5，根据单应性矩阵对图像所有点进行变换，得到对齐后的图像；S6，根据对齐的图像回溯到伤损位置，即得到对齐的伤损。这种方法和传统的人工基于里程的对齐方式相比，其优势在于利用数据挖掘的方法充分利用地理轨迹特征，能够更加精准地对伤损进行对齐，在判断时了解伤损历史情况，进而提高伤损分析人员的工作效率。
Description
技术领域
本发明涉及轨道交通及钢轨探伤领域，具体涉及一种多周期钢轨伤损数据对齐方法。
背景技术
目前多周期对齐主要依赖人工基于里程或GPS的直接对齐。基于里程对齐通过人工在多周期数据的相同里程附近寻找相似的超声波波形，结合探伤领域知识判定为同一伤损。这种伤损对齐方式有以下特点：里程对齐带来的系统误差较大。探伤车工作过程中通常经过回退和道岔等情况，且里程计存在老化等情况，导致里程存在较大的系统误差；对齐效率低。目前的多周期对齐依赖人工对里程的手动拖拽和波形判定，耗时长且精确度较低；受人员主观影响大。对相似波形的判定与分析人员的判伤经验和领域知识密切相关，在很大程度上会影响对齐精度。另一种人工对齐方式采用根据两点之间的GPS距离直接对齐。它的问题在于GPS数据存在较大的系统误差，导致对齐精度较低。
基于数据挖掘的多周期伤损对齐方法能够充分利用伤损的GPS地理信息，根据探伤车运行轨迹特征，采用基于特征的图像配准方式，将探伤车轨迹进行对齐后，对相对应的伤损信息进行对齐。这种方法和传统的人工基于里程的对齐方式相比，其优势在于利用数据挖掘的方法充分利用地理轨迹特征，能够更加精准地对伤损进行对齐，精确的对齐可以是探伤分析工作人员在本次作业的过程中知道以前伤损的发展情况，进而提高伤损分析人员的工作效率。
发明内容
有鉴于此，针对现有的伤损分析方法存在的问题，本发明提出一种基于数据挖掘的多周期伤损数据对齐方法，以解决上述背景技术中的缺点。
本发明采用以下技术方案实现。
一种基于数据挖掘的多周期钢轨伤损数据对齐方法的特征在于，包含以下步骤：
S2，根据Harris角点检测(Harris Corner Detection)算法提取轨迹图像中的形状特征点。Harris角点检测算法的主要计算步骤如下：
S21，计算图像沿X方向与Y方向的一阶高斯偏导数Ix，Iy；
S22，计算Ix 2，Iy 2，Ix*Iy；
S23，对S22中的三个值做高斯模糊运算，分别得到Sxx，Syy，Sxy；
S24，根据Harris矩阵的定义M＝∑x，计算出矩阵的两个特征值，λ1，λ2；
S25，根据R＝det(M)-k(trace(M))2计算每个像素的R值。其中det(M)＝λ1λ2，trace(M)＝λ1+λ2。
S26，使用n*n的窗口，进行非最大信号压制(non-max value suppression)；
S27，设定阈值对角点检测的结果进行过滤，提取图像特征点。
S31，在S2中检测的特征点周围取m*m的窗口，对窗口内的每一个像素计算梯度方向，使用占比达到p％以上的方向作为主方向。
S32，以S31中计算得出的主方向为轴，特征点为中心取m1*m1的窗口，计算每个像素的梯度幅值和梯度方向。然后利用高斯窗口对齐进行加权运算。最后在每个(m1/2)*(m1/2)窗口上绘制八个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点。
S33，对每个特征值采用周围的种子点进行来描述，形成对应的SIFT特征向量。
S34，计算SIFT特征向量的欧式距离，取欧式距离最小的匹配为最优匹配。匹配后的两个特征点矩阵分别为A和B。
S4，根据点对点的匹配结果，计算单应性矩阵H(homography matrix)，计算公式为H＝A-1B。
S5，将单应性矩阵应用于图像中的所有轨迹点，对整张图片进行变换对齐，得到对齐后的图像；
S6，根据对齐后的图片，回溯到对应的GPS信息和伤损信息。根据对齐的伤损信息对偏差的里程数据进行校准，从而得到精确对齐的里程信息，可用于伤损溯源。
本发明的有益效果：
基于数据挖掘的多周期伤损对齐方法能够充分利用伤损的GPS地理信息，根据探伤车运行轨迹特征，采用基于特征的图像配准方式，将探伤车轨迹进行对齐后，对相对应的伤损信息进行高精度对齐，为多周期判伤提供有力支撑。
附图说明
图1是一种基于数据挖掘的多周期钢轨伤损数据对齐方法的流程示意图；
图2，图3是两个不同周期的探伤车轨迹图根据Harris角点检测提取出的图像特征点；
图4是使用基于特征的图像配准的对齐结果图；
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。
如图1所示，一种基于数据挖掘的多周期钢轨伤损数据对齐方法的特征在于，包含以下步骤：
S1，绘出探伤车轨迹的GPS坐标，并转换为轨迹图像；
S2，根据Harris角点检测(Harris Corner Detection)算法提取轨迹图像中的形状特征点。Harris角点检测算法的主要计算步骤如下：
S21，计算图像沿X方向与Y方向的一阶高斯偏导数Ix，Iy；
S22，计算Ix 2，Iy 2，Ix*Iy；
S23，对S22中的三个值做高斯模糊运算，分别得到Sxx，Syy，Sxy；
S24，根据Harris矩阵的定义M＝∑x，计算出矩阵的两个特征值，λ1，λ2；
S25，根据R＝det(M)-k(trace(M))2计算每个像素的R值。其中det(M)＝λ1λ2，trace(M)＝λ1+λ2。在对探伤车轨迹对齐时，k取0.04效果最好。
S26，使用n*n的窗口，进行非最大信号压制(non-max value suppression)；在对探伤车轨迹对齐时，窗口的取值是3*3。
S27，设定阈值对角点检测的结果进行过滤，提取图像特征点。两张图像特征点提取并标注的效果图如图2，图3所示。
S3，对两个图像中的形状特征点进行基于SIFT算法的匹配。具体步骤如下：
S31，在S2中检测的特征点周围取16*16的窗口，对窗口内的每一个像素计算梯度方向，使用占比达到80％以上的方向作为主方向。
S32，以S31中计算得出的主方向为轴，特征点为中心取16*16的窗口，计算每个像素的梯度幅值和梯度方向。然后利用高斯窗口对齐进行加权运算。最后在每个8*8窗口上绘制八个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点。
S33，对每个特征值采用周围的种子点进行来描述，形成对应的SIFT特征向量。
S34，计算SIFT特征向量的欧式距离，取欧式距离最小的匹配为最优匹配。匹配后的两个特征点矩阵分别为A和B。
S4，根据点对点的匹配结果，计算单应性矩阵(Homography Matrix)。在对探伤车轨迹对齐时，使用随机抽样一致算法(Random Sample Consensus)计算对齐点的转换矩阵。
S5，将单应性矩阵应用于图像中的所有轨迹点，对整张图片进行变换对齐。对齐后的探伤车轨迹图像如图4所示。
S6，根据对齐后的图片，回溯到对应的GPS信息和伤损信息。根据对齐的伤损信息对偏差的里程数据进行校准，从而得到精确对齐的里程信息，可用于伤损溯源。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于数据挖掘的多周期钢轨伤损数据对齐方法的特征在于，包含以下步骤：
S1，绘出探伤车轨迹的GPS坐标，并转换为轨迹图像；
S2，根据特征算法提取轨迹图像中的形状特征点；
S3，对两个图像中的形状特征点进行匹配；
S4，根据点对点的匹配结果，计算单应性矩阵H；
S5，将单应性矩阵应用于图像中的所有轨迹点，对整张图片进行变换对齐，得到对齐后的图像；
S6，根据对齐后的图片，回溯到对应的GPS信息和伤损信息，根据对齐的伤损信息对偏差的里程数据进行校准，从而得到精确对齐的里程信息，用于伤损溯源；
所述的S2特征提取算法是Harris角点检测算法；
所述Harris角点检测算法的主要计算步骤如下：
S21，计算图像沿X方向与Y方向的一阶高斯偏导数Ix，Iy；
S22，计算Ix 2，Iy 2，Ix*Iy；
S23，对S22中的三个值做高斯模糊运算，分别得到Sxx，Syy，Sxy；
S24，根据Harris矩阵的定义计算出矩阵的两个特征值λ1，λ2；
S25，根据R＝det(M)-k(trace(M))2计算每个像素的R值，其中det(M)＝λ1*λ2,trace(M)＝λ1+λ2；
S26，使用n*n的窗口，进行非最大信号压制；
S27，设定阈值对角点检测的结果进行过滤，提取图像特征点；
所述S3的匹配方法是基于SIFT算法；
所述的SIFT算法的主要步骤如下：
S31，在S2中检测的特征点周围取m*m的窗口，对窗口内的每一个像素计算梯度方向，使用占比达到p％以上的方向作为主方向；
S32，以S31中计算得出的主方向为轴，特征点为中心取m1*m1的窗口，计算每个像素的梯度幅值和梯度方向，然后利用高斯窗口对齐进行加权运算，最后在每个(m1/2)*(m1/2)窗口上绘制八个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点；
S33，对每个特征点采用周围的种子点进行来描述，形成对应的SIFT特征向量；
S34，计算SIFT特征向量的欧式距离，取欧式距离最小的匹配为最优匹配，匹配后的两个特征点矩阵分别为A和B；
所述S4的单应性矩阵H，其计算公式为H＝A-1B。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910466679.6A CN110188777B (zh) | 2019-05-31 | 2019-05-31 | 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910466679.6A CN110188777B (zh) | 2019-05-31 | 2019-05-31 | 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110188777A CN110188777A (zh) | 2019-08-30 |
| CN110188777B true CN110188777B (zh) | 2023-08-25 |
Family
ID=67719193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910466679.6A Active CN110188777B (zh) | 2019-05-31 | 2019-05-31 | 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110188777B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114485751B (zh) * | 2022-01-21 | 2023-09-12 | 中国铁道科学研究院集团有限公司 | 钢轨探伤车检测数据空间同步系统及方法 |
| CN115311254A (zh) * | 2022-09-13 | 2022-11-08 | 万岩铁路装备(成都)有限责任公司 | 基于Harris-SIFT算法的钢轨轮廓匹配方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04128650A (ja) * | 1990-09-19 | 1992-04-30 | Kinki Nippon Tetsudo Kk | レール探傷用自動走査装置 |
| JPH0868656A (ja) * | 1994-08-31 | 1996-03-12 | Alpine Electron Inc | 車載用ナビゲーション装置 |
| JP2002054938A (ja) * | 2000-08-11 | 2002-02-20 | Denso Corp | 車両用現在位置表示装置、ナビゲーション装置および記録媒体 |
| CN101758837A (zh) * | 2008-12-25 | 2010-06-30 | 中国铁道科学研究院基础设施检测研究所 | 钢轨探伤车信息自动校正方法、装置及系统 |
| CN102034355A (zh) * | 2010-12-28 | 2011-04-27 | 丁天 | 一种基于特征点匹配的车辆检测及跟踪方法 |
| KR20110048753A (ko) * | 2009-11-03 | 2011-05-12 | 삼성전자주식회사 | 사용자 단말 장치, 경로 안내 시스템 및 그 경로 안내 방법 |
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
| KR101241171B1 (ko) * | 2011-11-22 | 2013-03-11 | 현대자동차주식회사 | 영상센서를 이용한 ｇｐｓ 위치정보 보정방법 |
| CN103646389A (zh) * | 2013-03-26 | 2014-03-19 | 中国科学院电子学研究所 | 一种基于几何模型的sar斜距图像同名点自动提取方法 |
| KR20140049332A (ko) * | 2012-10-17 | 2014-04-25 | 현대모비스 주식회사 | Ｖ２ｉ 통신 기반의 영상 제공 시스템 및 이 시스템을 이용한 영상 제공 방법 |
| WO2017049994A1 (zh) * | 2015-09-25 | 2017-03-30 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
| WO2017079349A1 (en) * | 2015-11-04 | 2017-05-11 | Zoox, Inc. | System for implementing an active safety system in an autonomous vehicle |
| CN107316353A (zh) * | 2017-07-03 | 2017-11-03 | 国网冀北电力有限公司承德供电公司 | 一种无人机巡检信息管理方法、系统和服务器 |
| CN107451593A (zh) * | 2017-07-07 | 2017-12-08 | 西安交通大学 | 一种基于图像特征点的高精度gps定位方法 |
| CN107543558A (zh) * | 2016-06-29 | 2018-01-05 | 高德软件有限公司 | 公交站点间行驶耗时确定方法、公交导航方法及装置 |
| CN107610166A (zh) * | 2017-09-26 | 2018-01-19 | 上海海事大学 | 一种基于线性特征区域分割的平面地图图像配准方法 |
| US10049463B1 (en) * | 2017-02-14 | 2018-08-14 | Pinnacle Imaging Corporation | Method for accurately aligning and correcting images in high dynamic range video and image processing |
| CN108830842A (zh) * | 2018-06-04 | 2018-11-16 | 哈尔滨工程大学 | 一种基于角点检测的医学图像处理方法 |
| CN109307510A (zh) * | 2017-07-28 | 2019-02-05 | 广州极飞科技有限公司 | 飞行导航方法、装置和无人飞行器 |
| KR20190038739A (ko) * | 2017-09-30 | 2019-04-09 | 현대엠엔소프트 주식회사 | 도로 변경 지점 검출 방법 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4595733B2 (ja) * | 2005-08-02 | 2010-12-08 | カシオ計算機株式会社 | 画像処理装置 |
| US9370704B2 (en) * | 2006-08-21 | 2016-06-21 | Pillar Vision, Inc. | Trajectory detection and feedback system for tennis |
| KR101622110B1 (ko) * | 2009-08-11 | 2016-05-18 | 삼성전자 주식회사 | 특징점 추출 방법 및 추출 장치, 이를 이용한 영상 기반 위치인식 방법 |
| US8996301B2 (en) * | 2012-03-12 | 2015-03-31 | Strava, Inc. | Segment validation |
| TWI531495B (zh) * | 2012-12-11 | 2016-05-01 | Automatic Calibration Method and System for Vehicle Display System | |
| US9286656B2 (en) * | 2012-12-20 | 2016-03-15 | Chung-Ang University Industry-Academy Cooperation Foundation | Homography estimation apparatus and method |
| US9582864B2 (en) * | 2014-01-10 | 2017-02-28 | Perkinelmer Cellular Technologies Germany Gmbh | Method and system for image correction using a quasiperiodic grid |
| US20170236284A1 (en) * | 2016-02-13 | 2017-08-17 | University Of Rochester | Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking |
| US10423892B2 (en) * | 2016-04-05 | 2019-09-24 | Omni Ai, Inc. | Trajectory cluster model for learning trajectory patterns in video data |
-
2019
- 2019-05-31 CN CN201910466679.6A patent/CN110188777B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04128650A (ja) * | 1990-09-19 | 1992-04-30 | Kinki Nippon Tetsudo Kk | レール探傷用自動走査装置 |
| JPH0868656A (ja) * | 1994-08-31 | 1996-03-12 | Alpine Electron Inc | 車載用ナビゲーション装置 |
| JP2002054938A (ja) * | 2000-08-11 | 2002-02-20 | Denso Corp | 車両用現在位置表示装置、ナビゲーション装置および記録媒体 |
| CN101758837A (zh) * | 2008-12-25 | 2010-06-30 | 中国铁道科学研究院基础设施检测研究所 | 钢轨探伤车信息自动校正方法、装置及系统 |
| KR20110048753A (ko) * | 2009-11-03 | 2011-05-12 | 삼성전자주식회사 | 사용자 단말 장치, 경로 안내 시스템 및 그 경로 안내 방법 |
| CN102034355A (zh) * | 2010-12-28 | 2011-04-27 | 丁天 | 一种基于特征点匹配的车辆检测及跟踪方法 |
| KR101241171B1 (ko) * | 2011-11-22 | 2013-03-11 | 현대자동차주식회사 | 영상센서를 이용한 ｇｐｓ 위치정보 보정방법 |
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
| KR20140049332A (ko) * | 2012-10-17 | 2014-04-25 | 현대모비스 주식회사 | Ｖ２ｉ 통신 기반의 영상 제공 시스템 및 이 시스템을 이용한 영상 제공 방법 |
| CN103646389A (zh) * | 2013-03-26 | 2014-03-19 | 中国科学院电子学研究所 | 一种基于几何模型的sar斜距图像同名点自动提取方法 |
| WO2017049994A1 (zh) * | 2015-09-25 | 2017-03-30 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
| WO2017079349A1 (en) * | 2015-11-04 | 2017-05-11 | Zoox, Inc. | System for implementing an active safety system in an autonomous vehicle |
| CN107543558A (zh) * | 2016-06-29 | 2018-01-05 | 高德软件有限公司 | 公交站点间行驶耗时确定方法、公交导航方法及装置 |
| US10049463B1 (en) * | 2017-02-14 | 2018-08-14 | Pinnacle Imaging Corporation | Method for accurately aligning and correcting images in high dynamic range video and image processing |
| CN107316353A (zh) * | 2017-07-03 | 2017-11-03 | 国网冀北电力有限公司承德供电公司 | 一种无人机巡检信息管理方法、系统和服务器 |
| CN107451593A (zh) * | 2017-07-07 | 2017-12-08 | 西安交通大学 | 一种基于图像特征点的高精度gps定位方法 |
| CN109307510A (zh) * | 2017-07-28 | 2019-02-05 | 广州极飞科技有限公司 | 飞行导航方法、装置和无人飞行器 |
| CN107610166A (zh) * | 2017-09-26 | 2018-01-19 | 上海海事大学 | 一种基于线性特征区域分割的平面地图图像配准方法 |
| KR20190038739A (ko) * | 2017-09-30 | 2019-04-09 | 현대엠엔소프트 주식회사 | 도로 변경 지점 검출 방법 |
| CN108830842A (zh) * | 2018-06-04 | 2018-11-16 | 哈尔滨工程大学 | 一种基于角点检测的医学图像处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李承 ; 胡钊政 ; 胡月志 ; 吴华伟 ; .基于GPS与图像融合的智能车辆高精度定位算法.交通运输系统工程与信息.2017,(第03期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110188777A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lei et al. | New crack detection method for bridge inspection using UAV incorporating image processing | |
| Jin et al. | DM-RIS: Deep multimodel rail inspection system with improved MRF-GMM and CNN | |
| CN110188777B (zh) | 一种基于数据挖掘的多周期钢轨伤损数据对齐方法 | |
| WO2017052712A2 (en) | System and method for characterizing ferromagnetic material | |
| CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN103530894B (zh) | 一种基于多尺度块稀疏表示的视频目标追踪方法及其系统 | |
| CN104268883A (zh) | 一种基于边缘检测的时频谱曲线提取方法 | |
| CN103400388A (zh) | 一种利用RANSAC消除Brisk关键点错误匹配点对的方法 | |
| CN110146589B (zh) | 一种管道漏磁数据的高清可视化方法 | |
| CN104766341B (zh) | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 | |
| Lu et al. | Automatic fault detection of multiple targets in railway maintenance based on time-scale normalization | |
| CN102129685B (zh) | 一种基于高斯金字塔分解的不规则圆检测方法 | |
| CN105354831A (zh) | 一种基于图像分块方差-加权特征值的多缺陷检测方法 | |
| CN114799610B (zh) | 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统 | |
| CN108535354A (zh) | 一种钢丝绳漏磁检测和磁发射检测的损伤判定及定位方法 | |
| CN113506269B (zh) | 一种基于深度学习的道岔与非道岔轨道紧固件定位方法 | |
| CN103778436A (zh) | 一种基于图像处理的行人姿态检测方法 | |
| CN111882664A (zh) | 一种多窗口累计差分的裂缝提取方法 | |
| CN111563896A (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN113947583B (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 | |
| CN103106663B (zh) | 计算机系统中基于图像处理实现sim卡缺陷检测的方法 | |
| CN108876771A (zh) | 一种咬边焊接缺陷的检测方法 | |
| CN111257588B (zh) | 一种基于orb和ransac的油相流速测量方法 | |
| CN113436216A (zh) | 基于Canny算子的电气设备红外图像边缘检测方法 | |
| CN112329590A (zh) | 一种管道组件检测系统及检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220915 Address after: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015 Applicant after: Dongguan prophet big data Co.,Ltd. Address before: Room 303, R&D Building, No. 2, Weifeng Road, Niushan Foreign Economics Industrial Park, Dongcheng Street, Dongguan City, Guangdong 523000 Applicant before: Yu Yang Applicant before: Liang Fan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015 Patentee after: Guangdong Prophet Big Data Co.,Ltd. Country or region after: China Address before: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015 Patentee before: Dongguan prophet big data Co.,Ltd. Country or region before: China |