CN110675393B - 一种基于机器视觉的坯料规格检测方法 - Google Patents
一种基于机器视觉的坯料规格检测方法 Download PDFInfo
- Publication number
- CN110675393B CN110675393B CN201910930423.6A CN201910930423A CN110675393B CN 110675393 B CN110675393 B CN 110675393B CN 201910930423 A CN201910930423 A CN 201910930423A CN 110675393 B CN110675393 B CN 110675393B
- Authority
- CN
- China
- Prior art keywords
- pixel
- detection
- points
- roi
- edge
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 229910000831 Steel Inorganic materials 0.000 abstract description 7
- 239000010959 steel Substances 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 5
- 239000000428 dust Substances 0.000 abstract description 4
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
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)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明属于钢铁行业的坯料规格实时检测领域,尤其时涉及一种基于机器视觉的坯料规格检测方法,首先智能判断物体到来情况,然后检测物体边缘检测,最后通过边缘检测结果进行实际尺寸换算。本发明解决钢铁领域进行远距离测量坯料规格时,由于受到检测光源变换、粉尘扰动、检测物体震动等因素的影响,导致的测量稳定性低,测量效果不佳的问题。
Description
技术领域
本发明涉及钢铁行业的坯料规格实时检测领域,尤其涉及一种基于机器视觉的坯料规格检测方法。
背景技术
随着工业监控装置在工业生产领域的广泛应用,以及图像处理、模式识别、机器视觉等相关技术的发展,并且根据钢铁行业对物体检测精度的要求和对设备的自动化和信息化的需求,远距离的测量方式已经成为钢铁行业在工业生产领域的一种迫切需求。
在工业中,基于机器视觉的边缘检测技术也得到了一定的应用,但是该技术还存在很多问题。例如,物体容易受到光源稳定性、粉尘扰动与被检测物体振动等因素影响,因此,其检测效果并不理想。
虽然专利CN107247023A介绍了一种直角坐标CDD视觉检测装置,通过这种装置解决了图像显示清晰度无法保证,且补光灯亮度不易调节,防护性能不佳,使用寿命短,损坏率高,维修成本高的问题,但是它没有考虑到现场粉尘以及震动的对测量物体带来的影响,并且这装置在钢铁领域的应用存在装置复杂、对工作环境要求苛刻、价格高昂等的条件限制,使得该技术有着很大的局限性。专利CN104715487A公开了一种基于伪Zernike矩的亚像素边缘检测方法,虽然该方法对噪声不敏感,即克服了噪声的影响,但是由于其使用伪Zernike的计算方法,而伪Zernike矩计算复杂度较大,那么这样便影响了计算的速度,同样不适用于对检测速度要求高的工业场景。杨兵兵等提出的将伪Zernike矩和Sobel算子、Canny算子等经典方法结合,寻求提高检测精度的亚像素边缘检测方法,能够准确地检测出数字图像边缘,但由于其检测的图像只考虑了低噪声情况,对图像中有很高噪声的情况,其检测精度有待改善。另外当两条边缘相距较近时,其提出的算法将检测不精确,甚至会出现检测错误的情况,所以亟需一种能够快速、简单、稳定的检测方法。
为此,我们提出一种基于机器视觉的坯料规格检测方法来解决上述问题。
发明内容
1、发明目的。
本发明提出了一种可以再钢铁领域进行远距离测量坯料规格时,避免外界因素的影响,增加测量稳定性,提高测量效果的基于机器视觉的坯料规格检测方法。
2、本发明所采用的技术方案。
一种基于机器视觉的坯料规格检测方法,具体包括以下步骤:
S1、智能判断物体到来情况:视觉检测系统采用实时视频分析的方式,通过实时抓拍物体,判断物体前部边缘实际位置后,停止物体实际运行;待物体完全停止后,采集6-10张被测物体实时图像;物体完全停止的判断依据如下:
a设置相机帧率;
b对每一帧图像进行ROI移动侦测检查,即依据基准背景图片ROI与当前帧ROI进行像素对比;对比时,首先将ROI区域进行灰度处理,然后将ROI区域每一像素点进行差分计算;当基准背景图片ROI中的任一像素与实时图片ROI中所对应的像素差值大于一定阈值时,认为该区域有新的移动物体到来;
c识别系统通过现场控制设备,使得运动物体停止;
d等待3-5秒后,再次运用移动侦测技术,此时,比较前后两帧图像ROI区域内容,若像素差累积值低于一定阈值,则认为检测物体处于完全停止状态,并可进行下一步的智能识别过程;
像素差累计值表示如下:
其中,graydiff_sum表示像素差累计值;graypre(i,j)表示前一帧第i行第j列像素灰度值;graynow(i,j)表示当前帧第i行第j列像素灰度值;
e若检测结果为物体仍旧处于运动状态,则继续等待3-5秒后,执行d步;
S2、检测物体边缘检测
1)连续提取n(n≥5)秒内所有2n幅检测图片:利用OPENCV的canny检测方法,将图片中被测物体的边缘进行提取;对于被测物体的具体一个边缘,将提取出2n条检测出来的不同边缘;取2n条线段中最长的线段作为基准线段,取剩余2n-1条线段的两个端点作为待优化点的集合命名为点空间Q(xi,yi),其中i=1,2,...,2n-1;
2)求出空间Q中每一个点(xi,yi)到基准线段的距离di,其计算过程如下:
3)若则点Qi舍弃;其中阈值计算过程如下
vlow=avg(d)+stdev(d)
vhigh=avg(d)-stdev(d)
avg(d)表示所有点到基准线段的距离平均值,stdev(d)表示所有点到基准线段的距离标准差;
4)将2.3步骤中所有满足条件的点与基准线段的两个端点组成点空间,其中i=1,2,...,2n-k,k为所舍弃点的个数;
5)对点空间P内所有点运用最小二乘法,可以得到理论上最优的检测物体边缘的斜率k和截距b,其计算过程如下:
其中,表示坐标x的平均值,/>表示坐标y的平均值;则理论上最优的检测物体边缘可表示为
y=kx+b;
此时,考虑点集空间P(xi,yi),i=1,2,...,2n-k,计算所有点到直线y=kx+b之间的距离,分别在直线两端取距离直线y=kx+b最近的两个点,将这两个点进行连接,即为最终计算的被测物体边缘;
6)以此类推,可将视野可及的物体条边缘进行检测;
S3、边缘检测结果进行实际尺寸换算;
通过换算,可以得到真实的被测物体规格信息;
Lact=Ldet*α
其中,Lact表示物体实际长度,单位:米;Ldet表示物体检测长度,单位:像素,α表示单位像素比,单位:米/像素。
在上述一种基于机器视觉的坯料规格检测方法中,所述S1步骤中采用的基准背景图片为无检测物体出现时的纯背景图片。
在上述一种基于机器视觉的坯料规格检测方法中,所述S1步骤中设置相机帧率为2fps。
3、本发明所产生的技术效果。
机器视觉的检测精度取决于采样系统的采样分辨率与视野实际大小。根据公式
检测精度=视野大小/采样分辨率
该方法采用多次成像后检测边缘进行噪声处理,将不符合统计意义上的边检检测点进行剔除,同时由于采用了多次成像的方法,可以将光源稳定性、粉尘扰动与被检测物体振动等因素影响降至最低,使得检测效果较好。其检测过程中,规避被测物体存在轻微抖动与偏移现场,使得拍摄的实际效果不存在物体虚化、边缘不清晰的情况。该方法快速、简单、稳定,对于对图像中有很高噪声的情况,其检测精度也可以保持。
附图说明
图1为本发明提出的一种基于机器视觉的坯料规格检测方法的原理框图。
具体实施方式
以下实施例仅处于说明性目的,而不是想要限制本发明的范围。
实施例
一种基于机器视觉的坯料规格检测方法,具体包括以下步骤:
S1、智能判断物体到来情况:视觉检测系统采用实时视频分析的方式,通过实时抓拍物体,判断物体前部边缘实际位置后,停止物体实际运行;待物体完全停止后,采集6-10张被测物体实时图像;物体完全停止的判断依据如下:
a设置相机帧率为2fps;
b对每一帧图像进行ROI(选择区域)移动侦测检查,即依据基准背景图片ROI与当前帧ROI进行像素对比;对比时,首先将ROI区域进行灰度处理,然后将ROI区域每一像素点进行差分计算;当基准背景图片ROI中的任一像素与实时图片ROI中所对应的像素差值大于一定阈值时,认为该区域有新的移动物体到来;
c识别系统通过现场控制设备,使得运动物体停止;
d等待3-5秒后,再次运用移动侦测技术,此时,比较前后两帧图像ROI区域内容,若像素差累积值低于一定阈值,则认为检测物体处于完全停止状态,并可进行下一步的智能识别过程;
像素差累计值可表示如下:
其中,graydiff_sum表示像素差累计值;graypre(i,j)表示前一帧第i行第j列像素灰度值;graynow(i,j)表示当前帧第i行第j列像素灰度值;
e若检测结果为物体仍旧处于运动状态,则继续等待3-5秒后,执行d步;
S2、检测物体边缘检测
此时,由于检测物体处于完全停止状态;因此,不同时刻的光源设置情况对于检测物体的影响完全消除,并且检测物体处于稳定状态,有利于图像处理算法提取出实际的物体边缘;
1)连续提取n(n≥5)秒内所有2n幅检测图片;利用OPENCV的canny检测方法,将图片中被测物体的边缘进行提取;对于被测物体的具体一个边缘,例如近端长度方向边缘,将提取出2n条检测出来的不同边缘;此2n条边缘的两个端点虽然大体相近,然而由于环境光的变化稍有不同,导致检测的2n条边缘存在些许差别;此时可以取2n条线段中最长的线段作为基准线段,取剩余2n-1条线段的两个端点作为待优化点的集合命名为点空间Q(xi,yi),其中i=1,2,...,2n-1;
2)求出空间Q中每一个点(xi,yi)到基准线段的距离di,其计算过程如下:
3)若则点Qi舍弃;其中阈值计算过程如下
vlow=avg(d)+stdev(d)
vhigh=avg(d)-stdev(d)
avg(d)表示所有点到基准线段的距离平均值,stdev(d)表示所有点到基准线段的距离标准差;
4)将2.3步骤中所有满足条件的点与基准线段的两个端点组成点空间,其中i=1,2,...,2n-k,k为所舍弃点的个数;
5)对点空间P内所有点运用最小二乘法,可以得到理论上最优的检测物体边缘的斜率k和截距b,其计算过程如下:
其中,表示坐标x的平均值,/>表示坐标y的平均值;则理论上最优的检测物体边缘可表示为
y=kx+b;
此时,考虑点集空间P(xi,yi),i=1,2,...,2n-k,计算所有点到直线y=kx+b之间的距离,分别在直线两端取距离直线y=kx+b最近的两个点,将这两个点进行连接,即为最终计算的被测物体边缘;
6)以此类推,可将视野可及的物体条边缘进行检测;
S3、边缘检测结果进行实际尺寸换算
经过标定后的视频检测系统,其每个像素点所对应的实物长度为确定的,因此,利用检测后的被测物体边缘检测结果,计算边缘的像素长度;通过换算,可以得到真实的被测物体规格信息;
Lact=Ldet*α
其中,Lact表示物体实际长度,单位:米;Ldet表示物体检测长度,单位:像素,α表示单位像素比,单位:米/像素。
其中,S1步骤中采用的基准背景图片为无检测物体出现时的纯背景图片。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于机器视觉的坯料规格检测方法,其特征在于,具体包括以下步骤:
S1、智能判断物体到来情况:视觉检测系统采用实时视频分析的方式,通过实时抓拍物体,判断物体前部边缘实际位置后,停止物体实际运行;待物体完全停止后,采集6-10张被测物体实时图像;物体完全停止的判断依据如下:
a设置相机帧率;
b对每一帧图像进行ROI移动侦测检查,即依据基准背景图片ROI与当前帧ROI进行像素对比;对比时,首先将ROI区域进行灰度处理,然后将ROI区域每一像素点进行差分计算;当基准背景图片ROI中的任一像素与实时图片ROI中所对应的像素差值大于一定阈值时,认为该区域有新的移动物体到来;
c识别系统通过现场控制设备,使得运动物体停止;
d等待3-5秒后,再次运用移动侦测技术,此时,比较前后两帧图像ROI区域内容,若像素差累积值低于一定阈值,则认为检测物体处于完全停止状态,并可进行下一步的智能识别过程;
像素差累计值表示如下:
其中,graydiff_sum表示像素差累计值;graypre(i,j)表示前一帧第i行第j列像素灰度值;graynow(i,j)表示当前帧第i行第j列像素灰度值;
e若检测结果为物体仍旧处于运动状态,则继续等待3-5秒后,执行d步;
S2、检测物体边缘检测
1)连续提取n(n≥5)秒内所有2n幅检测图片:利用OPENCV的canny检测方法,将图片中被测物体的边缘进行提取;对于被测物体的具体一个边缘,将提取出2n条检测出来的不同边缘;取2n条线段中最长的线段作为基准线段,取剩余2n-1条线段的两个端点作为待优化点的集合命名为点空间Q(xi,yi),其中i=1,2,...,2n-1;
2)求出空间Q中每一个点(xi,yi)到基准线段的距离di,其计算过程如下:
3)若则点Qi舍弃;其中阈值计算过程如下
vlow=avg(d)+stdev(d)
vhigh=avg(d)-stdev(d)
avg(d)表示所有点到基准线段的距离平均值,stdev(d)表示所有点到基准线段的距离标准差;
4)将2.3步骤中所有满足条件的点与基准线段的两个端点组成点空间,其中i=1,2,...,2n-k,k为所舍弃点的个数;
5)对点空间P内所有点运用最小二乘法,可以得到理论上最优的检测物体边缘的斜率k和截距b,其计算过程如下:
其中,表示坐标x的平均值,/>表示坐标y的平均值;则理论上最优的检测物体边缘可表示为
y=kx+b;
此时,考虑点集空间P(xi,yi),i=1,2,...,2n-k,计算所有点到直线y=kx+b之间的距离,分别在直线两端取距离直线y=kx+b最近的两个点,将这两个点进行连接,即为最终计算的被测物体边缘;
6)以此类推,可将视野可及的物体条边缘进行检测;
S3、边缘检测结果进行实际尺寸换算;
通过换算,可以得到真实的被测物体规格信息;
Lact=Ldet*α
其中,Lact表示物体实际长度,单位:米;Ldet表示物体检测长度,单位:像素,α表示单位像素比,单位:米/像素。
2.根据权利要求1所述的一种基于机器视觉的坯料规格检测方法,其特征在于,所述S1步骤中采用的基准背景图片为无检测物体出现时的纯背景图片。
3.根据权利要求1所述的一种基于机器视觉的坯料规格检测方法,其特征在于,所述S1步骤中设置相机帧率为2fps。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930423.6A CN110675393B (zh) | 2019-09-29 | 2019-09-29 | 一种基于机器视觉的坯料规格检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930423.6A CN110675393B (zh) | 2019-09-29 | 2019-09-29 | 一种基于机器视觉的坯料规格检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675393A CN110675393A (zh) | 2020-01-10 |
CN110675393B true CN110675393B (zh) | 2024-03-26 |
Family
ID=69079846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910930423.6A Active CN110675393B (zh) | 2019-09-29 | 2019-09-29 | 一种基于机器视觉的坯料规格检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675393B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112361985B (zh) * | 2020-11-23 | 2022-02-11 | 福建三钢闽光股份有限公司 | 一种基于机器视觉的坯料弯曲度检测方法 |
CN112941299A (zh) * | 2021-01-18 | 2021-06-11 | 上海呈彧智能科技有限公司 | 一种基于机器视觉的板坯加热炉自动进出钢控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009186260A (ja) * | 2008-02-05 | 2009-08-20 | Nissan Motor Co Ltd | 物体検出装置及び測距方法 |
CN102441581A (zh) * | 2010-09-30 | 2012-05-09 | 邓玥 | 基于机器视觉的型钢断面尺寸在线检测的装置及方法 |
CN104359403A (zh) * | 2014-11-21 | 2015-02-18 | 天津工业大学 | 基于亚像素边缘算法的平面零件尺寸测量方法 |
CN105865344A (zh) * | 2016-06-13 | 2016-08-17 | 长春工业大学 | 一种基于机器视觉的工件尺寸测量方法和装置 |
CN106600592A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种基于连续帧图像拼接的轨道长弦测量方法 |
KR20170055869A (ko) * | 2015-11-12 | 2017-05-22 | 엘지전자 주식회사 | 이동단말기 및 그 제어방법 |
CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
CN109612390A (zh) * | 2018-12-17 | 2019-04-12 | 江南大学 | 基于机器视觉的大尺寸工件自动测量系统 |
CN109993800A (zh) * | 2019-03-18 | 2019-07-09 | 五邑大学 | 一种工件尺寸的检测方法、装置及存储介质 |
-
2019
- 2019-09-29 CN CN201910930423.6A patent/CN110675393B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009186260A (ja) * | 2008-02-05 | 2009-08-20 | Nissan Motor Co Ltd | 物体検出装置及び測距方法 |
CN102441581A (zh) * | 2010-09-30 | 2012-05-09 | 邓玥 | 基于机器视觉的型钢断面尺寸在线检测的装置及方法 |
CN104359403A (zh) * | 2014-11-21 | 2015-02-18 | 天津工业大学 | 基于亚像素边缘算法的平面零件尺寸测量方法 |
KR20170055869A (ko) * | 2015-11-12 | 2017-05-22 | 엘지전자 주식회사 | 이동단말기 및 그 제어방법 |
CN105865344A (zh) * | 2016-06-13 | 2016-08-17 | 长春工业大学 | 一种基于机器视觉的工件尺寸测量方法和装置 |
CN106600592A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种基于连续帧图像拼接的轨道长弦测量方法 |
CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
CN109612390A (zh) * | 2018-12-17 | 2019-04-12 | 江南大学 | 基于机器视觉的大尺寸工件自动测量系统 |
CN109993800A (zh) * | 2019-03-18 | 2019-07-09 | 五邑大学 | 一种工件尺寸的检测方法、装置及存储介质 |
Non-Patent Citations (4)
Title |
---|
《基于机器视觉的大型零件尺寸测量技术研究》;李雪娇等;《光电技术应用》;20170430;第32卷(第2期);全文 * |
《基于机器视觉的零件平面尺寸的测量》;马文娟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20061215(第12期);全文 * |
《多图像平均法》;蔡利梅;《数字图像处理》;20140831;全文 * |
《薄片零件机器视觉图像亚像素边缘检测》;伍济钢等;《中国机械工程》;20090228;第20卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110675393A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111288967B (zh) | 一种基于机器视觉的远距离高精度位移检测方法 | |
CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN110675393B (zh) | 一种基于机器视觉的坯料规格检测方法 | |
CN102982537B (zh) | 一种检测场景变换的方法和系统 | |
CN110991360B (zh) | 一种基于视觉算法的机器人巡检点位智能配置方法 | |
CN108693194A (zh) | 钢板生产线点阵喷码机器视觉自动检测系统 | |
CN113223050B (zh) | 一种基于ArUco码的机器人运动轨迹实时采集方法 | |
CN110880184A (zh) | 一种基于光流场进行摄像头自动巡检的方法及装置 | |
JP7023803B2 (ja) | 監視システム | |
CN102932598A (zh) | 由摄像机对画面中的图像进行智能跟踪的方法 | |
CN112927233A (zh) | 一种船用激光雷达与视频联合目标捕捉方法 | |
WO2023236886A1 (zh) | 一种基于密集光流法的云遮挡预测方法 | |
CN116402863A (zh) | 一种建筑施工监控数据智能分析及预警系统 | |
CN110648354B (zh) | 一种动态环境下的slam方法 | |
CN116704416A (zh) | 一种高压断路器机械特性自动提取方法及系统 | |
CN113643206A (zh) | 一种奶牛呼吸情况检测方法 | |
CN117237597A (zh) | 一种基于北斗卫星数据与ai图形融合的数据处理终端 | |
CN109879170B (zh) | 一种起重机吊臂旁弯位移实时检测系统 | |
CN104835156B (zh) | 一种基于计算机视觉的无纺布袋自动定位方法 | |
CN114184127B (zh) | 一种基于单相机无标靶的建筑物全局位移监测方法 | |
CN112361985B (zh) | 一种基于机器视觉的坯料弯曲度检测方法 | |
CN114782803A (zh) | 一种基于压缩采样和图像识别的监测输电线舞动的方法 | |
CN113888604A (zh) | 一种基于深度光流的目标跟踪方法 | |
CN206023988U (zh) | 一种灌装生产线药瓶定位分析系统 |
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 |