CN110674763A - 一种基于对称检验的输电通道杆塔图像识别方法及系统 - Google Patents
一种基于对称检验的输电通道杆塔图像识别方法及系统 Download PDFInfo
- Publication number
- CN110674763A CN110674763A CN201910924959.7A CN201910924959A CN110674763A CN 110674763 A CN110674763 A CN 110674763A CN 201910924959 A CN201910924959 A CN 201910924959A CN 110674763 A CN110674763 A CN 110674763A
- Authority
- CN
- China
- Prior art keywords
- tower
- image
- transmission channel
- rectangular
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对称检验的输电通道杆塔图像识别方法及系统,本方法及系统能够对输电线路通道照片中的铁塔进行图像识别,本方法包括首先对图像进行截取并转化为RGB三原色灰度图,其次利用灰度图中天空背景的灰度梯度值低的特征剔除天空背景,利用铁塔灰度值高的特征选取疑似杆塔像素点;采用聚类算法获取疑似杆塔区域的矩形块;最后,利用输电线路杆塔在通道图片中的左右对称特征,通过基于横轴的图像卷积方法进行对称判断,实现杆塔的准确识别;本发明方法及系统具有准确率高、计算速度快的特点。
Description
技术领域
本发明涉及输电线路杆塔图像识别技术领域,具体设计一种基于对称检验的输电通道杆塔图像识别方法及系统。
背景技术
目前,国内外对输电线路杆塔图像识别的研究成果较少,主要目的为近距离检测树竹、鸟巢以及异物。已有成果通过检测金属塔材的直线、角点等局部特征进行初步判断,利用形态学融合技术划定检测区域,采用机器学习方法进行准确识别。该方法在异物检测中有较好的效果。然而,在输电线路通道微地形应用场景中,杆塔在图像中的尺寸相对较小,图片主要以展现大尺度的地形特征为目的。杆塔的直线特征和角点特征不突出,容易被山体植被的特征所遮蔽。另一方面,杆塔机器识别模型一般基于塔材结构的梯度特征,训练图片和识别图片中杆塔越精细,识别准确率越高。而在通道图片中,杆塔图片的梯度缺乏细节,难以建立良好模型。
输电线路通道中杆塔图像识别,可用于雷电防护、覆冰防护以及地质破坏检测等领域,是输电线路可视化技术发展的基础之一。对此,亟需开展输电线路通道杆塔图像识别技术与方法。
发明内容
本发明索要解决的技术问题是客服现有技术中的不足,目的在于提供一种基于对称检验的输电通道杆塔图像识别方法,解决目前输电线路通道杆塔图像识别困难的问题。
本发明通过下述技术方案实现:
一种基于对称检验的输电通道杆塔图像识别方法,包括以下步骤:
S1:图像截取。杆塔一般位于输电通道照片中心区域,为减少数据处理量,获取纵、横坐标中心2/3区域内的三原色像素数据,分别保存为Im_R、Im_G、Im_B。
S2:纯色背景剔除。计算Im_R、Im_G、Im_B的像素梯度幅值,令梯度幅值小于阈值γ的像素点灰度为1,保存为Im2_R、Im2_G、Im2_B。
S3:初判杆塔图像区域。对Im2_R、Im2_G、Im2_B分别采用K均值聚类算方法获取疑似杆塔图像的矩形区域。
S4:杆塔图像识别。对Im2_R、Im2_G、Im2_B中每个矩形区域采用对称检测方法判断是否为输电线路杆塔。
进一步的,像素梯度计算方法为:对于每一个像素点,计算其与周围像素点灰度差值的绝对值,以其中最大值作为像素梯度。
进一步的,k均值聚类方法步骤为:
S31:对灰度值高于α的像素点进行标记,作为待聚类像素集合W;
S32:根据坐标距离,采用k均值聚类算法对W中像素点进行分类,划分为k个子集合;
S33:对于每个子集合,可获取一个能包含所有像素点的矩形区域,即为疑似杆塔图像的区域。
进一步的,对称检测步骤为:
S41:在矩形区域N内进行像素二值化。将灰度值高于α的像素点设置为1,反之设置为0。
S42:矩形区域内的值为1的点数n,矩形的横轴宽度为a,纵轴高度为b。从N的左上角坐标开始,截取横轴宽度为d1,纵轴高度为b的子矩形块M1,要求该子矩形块内值为1的点数m需大于0.2*n,且d1为基数。剩余子矩形块为M2。
S43:用M1对M2进行横轴卷积,卷积结果为长度为a-d1的一维数组,其中最大值与m的比值大于1,则判定为对称。
进一步的,横轴卷积方法步骤如下:
S441:将子矩形块M1按列划分为d1个单列向量,将单列向量的排列次序倒置,形成新的子矩形块M3;将子矩形块M2左右分别增加d1-1列像素,并将新增像素的值设置为0,形成新的子矩形块M4;
S442:将M3与M4进行滑动点乘求和,公式如下:
其中,g(x)为卷积后生成的行向量,x为g(x)的元素序号,t为矩阵行序号,s为矩阵列序号,b为矩阵总行数,d1为矩阵总列数,M3(s,t)为子矩形块M3在t行s列的像素值,M4(s+x-1,t)为子矩形块M4在t行s+x-1列的像素值。
对应本发明中的方法,本发明还提供了一种基于对称检验的输电通道杆塔图像识别系统,所述系统包括:
图像采集单元,用于采集待识别的输电通道杆塔图像;
图像处理单元,用于获取待识别的输电通道杆塔图像中的三原色像素数据,分别保存为Im_R、Im_G、Im_B;
背景色剔除单元,用于分别计算Im_R、Im_G、Im_B的像素梯度幅值,令梯度幅值小于阈值γ的像素点灰度为1,分别对Im_R、Im_G、Im_B的背景色进行剔除,剔除后保存为Im2_R、Im2_G、Im2_B;
聚类处理单元,用于对Im2_R、Im2_G、Im2_B分别采用聚类算法,获取Im2_R、Im2_G、Im2_B中疑似杆塔图像的矩形区域;
判断单元,用于对Im2_R、Im2_G、Im2_B中的每个疑似杆塔图像的矩形区域均进行判断是否为输电线路杆塔,基于判断结果完成输电通道杆塔图像识别。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明为一种基于对称检验的输电通道杆塔图像识别方法,解决了小尺寸杆塔图像识别的问题;
2、本发明为一种基于对称检验的输电通道杆塔图像识别方法,利用RGB图像中杆塔灰度值高于山体、植被、建筑的特征和色差梯度高于天空背景的特征初步判断杆塔区域,利用输电线路杆塔在通道图片中的左右对称特征进行准确识别,具有准确率高、计算速度块的特点。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中图像识别方法的流程示意图;
图2是本申请中横轴卷积方法的流程示意图;
图3是本申请中图像识别系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明一种基于对称检验的输电通道杆塔图像识别方法,包括以下步骤:
S1:图像截取。获取纵、横坐标中心2/3区域内的三原色像素数据,分别保存为Im_R、Im_G、Im_B。
S2:纯色背景剔除。计算Im_R、Im_G、Im_B的像素梯度幅值,令梯度幅值小于阈值γ的像素点灰度为1,保存为Im2_R、Im2_G、Im2_B。
S3:初判杆塔图像区域。对Im2_R、Im2_G、Im2_B分别采用k均值聚类方法,获取疑似杆塔图像的矩形区域。
进一步的,k均值聚类方法步骤为:
S31:对灰度值高于α的像素点进行标记,作为待聚类像素集合W;
S32:根据坐标距离,采用k均值聚类算法对W中像素点进行分类,划分为k个子集合;
S33:对于每个子集合,可获取一个能包含所有像素点的矩形区域,即为疑似杆塔图像的区域。
S4:杆塔图像识别。对Im2_R、Im2_G、Im2_B中每个矩形区域采用对称检测方法判断是否为输电线路杆塔。
进一步的,所述的像素梯度计算方法为:对于每一个像素点,计算其与周围像素点灰度差值的绝对值,以其中最大值作为像素梯度。
进一步的,所述对称检测步骤为:
S41:在矩形区域N内进行像素二值化。将灰度值高于α的像素点设置为1,反之设置为0。
S42:矩形区域内的值为1的点数n,矩形的横轴宽度为a,纵轴高度为b。从N的左上角坐标开始,截取横轴宽度为d1,纵轴高度为b的子矩形块M1,要求该子矩形块内值为1的点数m需大于0.2*n,且d1为基数。剩余子矩形块为M2。
S43:用M1对M2进行横轴卷积,卷积结果为长度为a-d1的一维数组,其中最大值与m的比值大于1,则判定为对称。
进一步的,横轴卷积方法如图2所示,步骤如下:
S441:将子矩形块M1按列划分为d1个单列向量,将单列向量的排列次序倒置,形成新的子矩形块M3;将子矩形块M2左右分别增加d1-1列像素,并将新增像素的值设置为0,形成新的子矩形块M4;
S442:将M3与M4进行滑动点乘求和,公式如下:
其中,g(x)为卷积后生成的行向量,x为g(x)的元素序号,t为矩阵行序号,s为矩阵列序号,b为矩阵总行数,d1为矩阵总列数,M3(s,t)为子矩形块M3在t行s列的像素值,M4(s+x-1,t)为子矩形块M4在t行s+x-1列的像素值。
请参考图3,本发明实施例还提供了一种基于对称检验的输电通道杆塔图像识别系统,所述系统包括:
图像采集单元,用于采集待识别的输电通道杆塔图像;
图像处理单元,用于获取待识别的输电通道杆塔图像中的三原色像素数据,分别保存为Im_R、Im_G、Im_B;
背景色剔除单元,用于分别计算Im_R、Im_G、Im_B的像素梯度幅值,令梯度幅值小于阈值γ的像素点灰度为1,分别对Im_R、Im_G、Im_B的背景色进行剔除,剔除后保存为Im2_R、Im2_G、Im2_B;
聚类处理单元,用于对Im2_R、Im2_G、Im2_B分别采用聚类算法,获取Im2_R、Im2_G、Im2_B中疑似杆塔图像的矩形区域;
判断单元,用于对Im2_R、Im2_G、Im2_B中的每个疑似杆塔图像的矩形区域均进行判断是否为输电线路杆塔,基于判断结果完成输电通道杆塔图像识别。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于对称检验的输电通道杆塔图像识别方法,其特征在于,所述方法包括:
步骤1:获取待识别的输电通道杆塔图像,获取待识别的输电通道杆塔图像中的三原色像素数据,分别保存为Im_R、Im_G、Im_B;
步骤2:分别计算Im_R、Im_G、Im_B的像素梯度幅值,令梯度幅值小于阈值γ的像素点灰度为1,分别对Im_R、Im_G、Im_B的背景色进行剔除,剔除后保存为Im2_R、Im2_G、Im2_B;
步骤3:对Im2_R、Im2_G、Im2_B分别采用聚类算法,获取Im2_R、Im2_G、Im2_B中疑似杆塔图像的矩形区域;
步骤4:对Im2_R、Im2_G、Im2_B中的每个疑似杆塔图像的矩形区域均进行判断是否为输电线路杆塔,基于判断结果完成输电通道杆塔图像识别。
2.根据权利要求1所述的基于对称检验的输电通道杆塔图像识别方法,其特征在于,所述步骤1具体为:获取待识别的输电通道杆塔图像,以待识别的输电通道杆塔图像中心为原点对待识别的输电通道杆塔图像进行截取,获取截取后图像中的三原色像素数据,分别保存为Im_R、Im_G、Im_B。
3.根据权利要求2所述的基于对称检验的输电通道杆塔图像识别方法,其特征在于,截取的范围为截取原待识别的输电通道杆塔图像的2/3区域作为截取后的图像。
4.根据权利要求1所述的基于对称检验的输电通道杆塔图像识别方法,其特征在于,步骤2中对于图像中的每一个像素点,计算该像素点与周围像素点灰度差值的绝对值,以计算获得的绝对值中的最大值作为像素梯度。
5.根据权利要求1所述的基于对称检验的输电通道杆塔图像识别方法,其特征在于,步骤4中为:对Im2_R、Im2_G、Im2_B中的每个疑似杆塔图像的矩形区域均采用对称检测方法来判断是否为输电线路杆塔,所述对称检测方法的流程包括:
步骤a:在矩形区域N内进行像素二值化,将矩形区域N内灰度值高于α的像素点设置为1,反之设置为0;
步骤b:获取矩形区域N内的值为1的点数n,矩形区域N的横轴宽度为a,矩形区域N的纵轴高度为b;从矩形区域N的左上角坐标开始,截取横轴宽度为d1,纵轴高度为b的子矩形块M1,子矩形块M1内值为1的点数m大于0.2*n,且d1为基数,矩形区域N被截取剩余子矩形块为M2;
步骤c:用M1对M2进行横轴卷积,卷积结果为长度为a-d1的一维数组,其中,若数组中的最大值与m的比值大于1,则判定为对称,则判断疑似杆塔图像的矩形区域为输电线路杆塔图像区域。
7.根据权利要求1所述的基于对称检验的输电通道杆塔图像识别方法,其特征在于,对Im2_R、Im2_G、Im2_B分别采用聚类方法的流程为:
步骤a:对灰度值高于α的像素点进行标记,作为待聚类像素集合W;
步骤b:根据坐标距离,采用k均值聚类算法对W中像素点进行分类,划分为k个子集合;
步骤c:对于每个子集合,可获取一个能包含所有像素点的矩形区域,即为疑似杆塔图像的区域。
8.一种基于对称检验的输电通道杆塔图像识别系统,其特征在于,所述系统包括:
图像采集单元,用于采集待识别的输电通道杆塔图像;
图像处理单元,用于获取待识别的输电通道杆塔图像中的三原色像素数据,分别保存为Im_R、Im_G、Im_B;
背景色剔除单元,用于分别计算Im_R、Im_G、Im_B的像素梯度幅值,令梯度幅值小于阈值γ的像素点灰度为1,分别对Im_R、Im_G、Im_B的背景色进行剔除,剔除后保存为Im2_R、Im2_G、Im2_B;
聚类处理单元,用于对Im2_R、Im2_G、Im2_B分别采用聚类算法,获取Im2_R、Im2_G、Im2_B中疑似杆塔图像的矩形区域;
判断单元,用于对Im2_R、Im2_G、Im2_B中的每个疑似杆塔图像的矩形区域均进行判断是否为输电线路杆塔,基于判断结果完成输电通道杆塔图像识别。
9.根据权利要求8所述的基于对称检验的输电通道杆塔图像识别系统,其特征在于,对Im2_R、Im2_G、Im2_B中的每个疑似杆塔图像的矩形区域均采用对称检测方法来判断是否为输电线路杆塔,所述对称检测方法的流程包括:
步骤a:在矩形区域N内进行像素二值化,将矩形区域N内灰度值高于α的像素点设置为1,反之设置为0;
步骤b:获取矩形区域N内的值为1的点数n,矩形区域N的横轴宽度为a,矩形区域N的纵轴高度为b;从矩形区域N的左上角坐标开始,截取横轴宽度为d1,纵轴高度为b的子矩形块M1,子矩形块M1内值为1的点数m大于0.2*n,且d1为基数,矩形区域N被截取剩余子矩形块为M2;
步骤c:用M1对M2进行横轴卷积,卷积结果为长度为a-d1的一维数组,其中,若数组中的最大值与m的比值大于1,则判定为对称,则判断疑似杆塔图像的矩形区域为输电线路杆塔图像区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924959.7A CN110674763B (zh) | 2019-09-27 | 2019-09-27 | 一种基于对称检验的输电通道杆塔图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924959.7A CN110674763B (zh) | 2019-09-27 | 2019-09-27 | 一种基于对称检验的输电通道杆塔图像识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674763A true CN110674763A (zh) | 2020-01-10 |
CN110674763B CN110674763B (zh) | 2022-02-11 |
Family
ID=69079471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924959.7A Active CN110674763B (zh) | 2019-09-27 | 2019-09-27 | 一种基于对称检验的输电通道杆塔图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674763B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412296A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力塔方法 |
CN104867134A (zh) * | 2015-05-04 | 2015-08-26 | 国家电网公司 | 一种用于无人机巡检输电线路杆塔的识别方法 |
CN105023014A (zh) * | 2015-08-21 | 2015-11-04 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像内的杆塔目标提取方法 |
CN105282542A (zh) * | 2015-10-21 | 2016-01-27 | 上海熙菱信息技术有限公司 | 一种视频图像中异常条纹的检测方法及系统 |
WO2016106955A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种激光红外复合的地面建筑物识别及导航方法 |
CN106295655A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检图像的输电线路部件自动提取方法 |
US20180098137A1 (en) * | 2016-06-12 | 2018-04-05 | Green Grid Inc. | Method and system for utility power lines vegetation proximity monitoring and controlling |
CN110135599A (zh) * | 2019-05-15 | 2019-08-16 | 南京林业大学 | 无人机电力巡检点云智能化处理与分析服务平台 |
-
2019
- 2019-09-27 CN CN201910924959.7A patent/CN110674763B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412296A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力塔方法 |
WO2016106955A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种激光红外复合的地面建筑物识别及导航方法 |
CN104867134A (zh) * | 2015-05-04 | 2015-08-26 | 国家电网公司 | 一种用于无人机巡检输电线路杆塔的识别方法 |
CN105023014A (zh) * | 2015-08-21 | 2015-11-04 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像内的杆塔目标提取方法 |
CN105282542A (zh) * | 2015-10-21 | 2016-01-27 | 上海熙菱信息技术有限公司 | 一种视频图像中异常条纹的检测方法及系统 |
US20180098137A1 (en) * | 2016-06-12 | 2018-04-05 | Green Grid Inc. | Method and system for utility power lines vegetation proximity monitoring and controlling |
CN106295655A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检图像的输电线路部件自动提取方法 |
CN110135599A (zh) * | 2019-05-15 | 2019-08-16 | 南京林业大学 | 无人机电力巡检点云智能化处理与分析服务平台 |
Non-Patent Citations (2)
Title |
---|
LIU YAN 等: "Transmission Tower Extraction in High Resolution SAR Image Based on NSCT", 《ICIIP "18: PROCEEDINGS OF THE 3RD INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION PROCESSING》 * |
王榆夫 等: "基于无人机图像的电力杆塔倾斜检测", 《计算机仿真》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110674763B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705309B (zh) | 激光点云中林木参数评估方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
CN107688806B (zh) | 一种基于仿射变换的自由场景文本检测方法 | |
CN110807496B (zh) | 一种密集目标检测方法 | |
CN105868745B (zh) | 基于动态场景感知的天气识别方法 | |
CN105426844B (zh) | 一种答题卡识别方法 | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
CN108875803A (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
CN105184317B (zh) | 一种基于svm分类的车牌字符分割方法 | |
CN111723464A (zh) | 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法 | |
CN110570422A (zh) | 一种基于矩阵分析的胶囊缺陷视觉检测方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN114511718A (zh) | 一种建筑施工用物料智能管理方法及系统 | |
CN109961065A (zh) | 一种海面舰船目标检测方法 | |
CN104021395B (zh) | 一种基于高阶偏最小二乘法的目标跟踪算法 | |
CN112784894B (zh) | 一种岩石薄片显微图像自动标注方法 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Bao et al. | E-unet++: A semantic segmentation method for remote sensing images | |
CN110674763B (zh) | 一种基于对称检验的输电通道杆塔图像识别方法及系统 | |
CN113311507A (zh) | 一种台风路径的识别方法及装置 | |
CN103400389B (zh) | 一种高分辨率遥感图像分割方法 | |
CN105096240A (zh) | 基于纹理合成的影像敏感目标隐藏方法 | |
CN111738936A (zh) | 基于图像处理的多株水稻穗长的测量方法 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 |
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 |