CN110687548A - 一种基于无人船的雷达数据处理系统 - Google Patents
一种基于无人船的雷达数据处理系统 Download PDFInfo
- Publication number
- CN110687548A CN110687548A CN201911021610.9A CN201911021610A CN110687548A CN 110687548 A CN110687548 A CN 110687548A CN 201911021610 A CN201911021610 A CN 201911021610A CN 110687548 A CN110687548 A CN 110687548A
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- remote sensing
- information
- sensing image
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/487—Extracting wanted echo signals, e.g. pulse detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/491—Details of non-pulse systems
- G01S7/493—Extracting wanted echo signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Abstract
本发明公开了一种基于无人船的雷达数据处理系统,包括数据采集模块以及数据处理模块;所述数据采集模块包括雷达传感器、遥感影像接收器、摄像模块、船体数据采集模块,所述数据采集模块将所采集的信息预处理后传输至数据处理模块;所述雷达传感器,所述雷达传感器发射电磁波对覆盖水域上的目标进行照射并接收其回波,获得目标跟踪数据并将接收到的电磁波处理为模拟信号。优点在于:本发明的数据处理模块通过模拟建模分析,计算出三维雷达数据,再通过激光雷达得到激光点云分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM,最终计算出障碍物点得到障碍信息与前文所得障碍信息比对,保证最终得出的障碍信息准确无误。
Description
技术领域
本发明涉及雷达数据处理技术领域,尤其涉及一种基于无人船的雷达数据处理系统。
背景技术
目前市场上利用雷达数据进行避障的设备很多,但是同类设备对障碍物生成雷达数据分析所得到的进度往往不足,此时为了保证良好实现避障,只能扩大避障范围即为对障碍物进行大半径绕行,此类操作会明显消耗更多的能量;
若想实现对障碍物的精准避让,只能计算出真实障碍物避让参数,现有技术中对雷达数据的分析效果较差,为得到的真实障碍物信息还需要算法进行过滤和筛选,否则无法保证数据有效性;为了快捷有效地对雷达图像的分析测试工作做出支持,目前急需一种既能够生成真实雷达数据,同时还能剔除干扰以及无法的问题,值得说明的是,随着社会的不断进步,无人船的出现大大缩减了船体的尺寸,同时其携带染料也更加有限,故此,提出一种能够精准计算避障参数的无人船雷法数据处理系统尤为重要。
发明内容
本发明的目的是为了解决现有技术中的问题,而提出的一种基于无人船的雷达数据处理系统。
为了实现上述目的,本发明采用了如下技术方案:一种基于无人船的雷达数据处理系统,包括数据采集模块以及数据处理模块;
所述数据采集模块包括雷达传感器、遥感影像接收器、摄像模块、船体数据采集模块,所述数据采集模块将所采集的信息预处理后传输至数据处理模块;
所述雷达传感器,所述雷达传感器发射电磁波对覆盖水域上的目标进行照射并接收其回波,获得目标跟踪数据并将接收到的电磁波处理为模拟信号;
所述遥感影像接收器,用于实时接收卫星下传的遥感影像,并转化为数字信号;
所述摄像模块,至少包括10个全景摄像机,其中至少50%的全景摄像机位于船体的前进方向,用于获取船体周边的视频数据,并转化为数字信号;
所述船体数据采集模块,用于获取船体的位置数据数据、船体的行驶速度数据和船体的加速度数据,并将其电信号转化为数字信号;
所述数据处理模块处理数据采集模块所传输的数据处理后得到障碍信息。
在上述的基于无人船的雷达数据处理系统中,所述数据处理模块包括模拟建模分析:
S1、通过NVIDIA Tegra K1移动处理器进行将雷达传感器所传输的模拟信号进行三维雷达数据转换;
S2、通过激光雷达数据处理,得到激光点云数据分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM,并将三维数据点投影到栅格地图上;
将所有栅格相对高度大于某个阈值的栅格设定为障碍物点,即得到障碍信息。
在上述的基于无人船的雷达数据处理系统中,使用分布式计算系统存储雷达数据,通过建立MapReduce模型以云计算的方式对雷达数据进行高速处理,将处理结果与障碍信息进行比对,将一致信息输出,将不一致的信息重新导入步骤S1计算。
在上述的基于无人船的雷达数据处理系统中,所述数据采集模块在将数据传输至数据处理模块时,按照同一时间戳为时间基准,对每路数据按各自的固有帧周期进行顺序编号,并在存储数据的同时将各路数据帧编号的对应关系存储下来。
在上述的基于无人船的雷达数据处理系统中,遥感影像的处理步骤如下:
1)遥感影像接收器在接收遥感影像后,确定遥感影像的分辨率并截取,对截取遥感影像进行数据标注;
2)使用Canny边缘检测算法对截取的遥感影像进行预处理,通过对图像边缘进行提取,并将提取得到的图像与原图像叠加,突出航道特征,用以加速分析;
3)搭建图像分类模型,通过在对基础的网络进行分类任务的训练中,在网络的参数存留下低级的图像特征信息,将上述图像特征信息在特征提取模型构建的流程中,传递给下一级的语义分割模型;
4)搭建一个语义分割模型,用于在遥感影像中分割出道路信息;在经过训练后,提取道路信息的网络参数将留存在分割模型中。
在上述的基于无人船的雷达数据处理系统中,步骤1)中对截取遥感影像进行数据标注为:观察并测量遥感影像所覆盖的地理范围,结合要提取的航道实际情况,截取图像分类和语义分割任务的原始数据是尺寸为256*256,即0.23像素每米分辨尺度的RGB遥感的影像。
在上述的基于无人船的雷达数据处理系统中,步骤2)中使用Canny边缘检测算法对截取的遥感影像进行预处理为:
用高斯滤波去除影像噪点,得到去噪后的图像;
使用Sobel算子,利用卷积操作计算遥感影像x和y两个方向的梯度,尺寸为3的Sobel算子,在x和y两个方向的卷积核如下:
提取边缘信息时,缩减边缘,只保留局部最大梯度,通过Canny算法使用两个阈值,来区分边缘像素,利用低阈值过滤掉噪声或颜色变化引起的小的梯度值,利用高阈值区分强边缘点和弱边缘点。
在上述的基于无人船的雷达数据处理系统中,建立MapReduce模型时在主程序中通过传入雷达类型以及排序Compare方式、雷达对应的扫描周期、雷达数据的时间戳,通过在主程序中加载动态库的方式,将雷达类型传递至动态库的Map函数和Reduce函数中;
在Map阶段,根据雷达类型确定雷达处理函数,将读取出来的雷达数据进行解析,根据航迹信息链表计算出障碍物信息,再根据切分Partition和排序Compare的方式,进行Key/Value键值对的建立,建立以时间为Key,其它所有内容为Value的Key/Value键值对,后切分成不同数据块,排序之后,进行归并Reduce;最终生成的结果包括雷达解析数据,与其相对应的索引文件,索引文件中标识出每一条记录、时间戳的起始位置和结束位置,以及所有障碍物信息;所述障碍物信息的计算步骤如下:
输入航迹信息链表,数据长度、雷达扫描周期;
按照固定长度读取一条航迹信息;
检查是否到整个航迹信息链的结尾,如果是Yes,进入下一步,如果是No,返回到障碍物信息链表中至结束;
继续检查是否在同一个扫描周期内,如果是Yes,将这一条航迹数据压入到临时链表内;如果是No,进入下一步;
从临时链表取出同一周期的航迹数据进行障碍物信息;
将这一周期的告警结果插入到整个障碍物信息的尾部;
清空记录同一周期航迹数据的临时链表,将这一条航迹数据压入到临时链表内。
与现有的技术相比,本发明的优点在于:
1、本发明中设置有遥感影像接收器和摄像模块,船体数据采集模块,处理遥感影像接收器和摄像模块所传输的数据处理后得到障碍信息。
2、本发明的数据处理模块通过模拟建模分析,首先计算出三维雷达数据,再通过激光雷达得到激光点云数据分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM,最终计算出障碍物点得到障碍信息与前文所得障碍信息比对。
3、本发明使用分布式计算系统存储雷达数据,通过建立MapReduce模型以云计算的方式对雷达数据进行高速处理,将处理结果与障碍信息进行比对,保证最终得出的障碍信息准确无误。
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
一种基于无人船的雷达数据处理系统,包括数据采集模块以及数据处理模块;
数据采集模块包括雷达传感器、遥感影像接收器、摄像模块、船体数据采集模块,数据采集模块将所采集的信息预处理后传输至数据处理模块;
雷达传感器,雷达传感器发射电磁波对覆盖水域上的目标进行照射并接收其回波,获得目标跟踪数据并将接收到的电磁波处理为模拟信号;
遥感影像接收器,用于实时接收卫星下传的遥感影像,并转化为数字信号;
摄像模块,至少包括10个全景摄像机,其中至少50%的全景摄像机位于船体的前进方向,用于获取船体周边的视频数据,并转化为数字信号;
船体数据采集模块,用于获取船体的位置数据数据、船体的行驶速度数据和船体的加速度数据,并将其电信号转化为数字信号;
数据处理模块处理数据采集模块所传输的数据处理后得到障碍信息。
数据处理模块包括模拟建模分析:
S1、通过NVIDIA Tegra K1移动处理器进行将雷达传感器所传输的模拟信号进行三维雷达数据转换;
S2、通过激光雷达数据处理,得到激光点云数据分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM,并将三维数据点投影到栅格地图上;
将所有栅格相对高度大于某个阈值的栅格设定为障碍物点,即得到障碍信息。
使用分布式计算系统存储雷达数据,通过建立MapReduce模型以云计算的方式对雷达数据进行高速处理,将处理结果与障碍信息进行比对,将一致信息输出,将不一致的信息重新导入步骤S1计算。
数据采集模块在将数据传输至数据处理模块时,按照同一时间戳为时间基准,对每路数据按各自的固有帧周期进行顺序编号,并在存储数据的同时将各路数据帧编号的对应关系存储下来。
遥感影像的处理步骤如下:
1)遥感影像接收器在接收遥感影像后,确定遥感影像的分辨率并截取,对截取遥感影像进行数据标注;
2)使用Canny边缘检测算法对截取的遥感影像进行预处理,通过对图像边缘进行提取,并将提取得到的图像与原图像叠加,突出航道特征,用以加速分析;
3)搭建图像分类模型,通过在对基础的网络进行分类任务的训练中,在网络的参数存留下低级的图像特征信息,将上述图像特征信息在特征提取模型构建的流程中,传递给下一级的语义分割模型;
4)搭建一个语义分割模型,用于在遥感影像中分割出道路信息;在经过训练后,提取道路信息的网络参数将留存在分割模型中。
步骤1)中对截取遥感影像进行数据标注为:观察并测量遥感影像所覆盖的地理范围,结合要提取的航道实际情况,截取图像分类和语义分割任务的原始数据是尺寸为256*256,即0.23像素每米分辨尺度的RGB遥感的影像;步骤2)中使用Canny边缘检测算法对截取的遥感影像进行预处理为:
用高斯滤波去除影像噪点,得到去噪后的图像;
使用Sobel算子,利用卷积操作计算遥感影像x和y两个方向的梯度,尺寸为3的Sobel算子,在x和y两个方向的卷积核如下:
提取边缘信息时,缩减边缘,只保留局部最大梯度,通过Canny算法使用两个阈值,来区分边缘像素,利用低阈值过滤掉噪声或颜色变化引起的小的梯度值,利用高阈值区分强边缘点和弱边缘点。
建立MapReduce模型时在主程序中通过传入雷达类型以及排序Compare方式、雷达对应的扫描周期、雷达数据的时间戳,通过在主程序中加载动态库的方式,将雷达类型传递至动态库的Map函数和Reduce函数中;
在Map阶段,根据雷达类型确定雷达处理函数,将读取出来的雷达数据进行解析,根据航迹信息链表计算出障碍物信息,再根据切分Partition和排序Compare的方式,进行Key/Value键值对的建立,建立以时间为Key,其它所有内容为Value的Key/Value键值对,后切分成不同数据块,排序之后,进行归并Reduce;最终生成的结果包括雷达解析数据,与其相对应的索引文件,索引文件中标识出每一条记录、时间戳的起始位置和结束位置,以及所有障碍物信息;障碍物信息的计算步骤如下:
输入航迹信息链表,数据长度、雷达扫描周期;
按照固定长度读取一条航迹信息;
检查是否到整个航迹信息链的结尾,如果是Yes,进入下一步,如果是No,返回到障碍物信息链表中至结束;
继续检查是否在同一个扫描周期内,如果是Yes,将这一条航迹数据压入到临时链表内;如果是No,进入下一步;
从临时链表取出同一周期的航迹数据进行障碍物信息;
将这一周期的告警结果插入到整个障碍物信息的尾部;
清空记录同一周期航迹数据的临时链表,将这一条航迹数据压入到临时链表内。
以上实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于无人船的雷达数据处理系统,其特征在于,包括数据采集模块以及数据处理模块;
所述数据采集模块包括雷达传感器、遥感影像接收器、摄像模块、船体数据采集模块,所述数据采集模块将所采集的信息预处理后传输至数据处理模块;
所述雷达传感器,所述雷达传感器发射电磁波对覆盖水域上的目标进行照射并接收其回波,获得目标跟踪数据并将接收到的电磁波处理为模拟信号;
所述遥感影像接收器,用于实时接收卫星下传的遥感影像,并转化为数字信号;
所述摄像模块,至少包括10个全景摄像机,其中至少50%的全景摄像机位于船体的前进方向,用于获取船体周边的视频数据,并转化为数字信号;
所述船体数据采集模块,用于获取船体的位置数据数据、船体的行驶速度数据和船体的加速度数据,并将其电信号转化为数字信号;
所述数据处理模块处理数据采集模块所传输的数据处理后得到障碍信息。
2.根据权利要求1所述的基于无人船的雷达数据处理系统,其特征在于,所述数据处理模块包括模拟建模分析:
S1、通过NVIDIA Tegra K1移动处理器进行将雷达传感器所传输的模拟信号进行三维雷达数据转换;
S2、通过激光雷达数据处理,得到激光点云数据分类图、数字高程模型DEM、等高线、数字表面模型DSM、数字正射影像图DOM,并将三维数据点投影到栅格地图上;
将所有栅格相对高度大于某个阈值的栅格设定为障碍物点,即得到障碍信息。
3.根据权利要求2所述的基于无人船的雷达数据处理系统,其特征在于,使用分布式计算系统存储雷达数据,通过建立MapReduce模型以云计算的方式对雷达数据进行高速处理,将处理结果与障碍信息进行比对,将一致信息输出,将不一致的信息重新导入步骤S1计算。
4.根据权利要求2所述的基于无人船的雷达数据处理系统,其特征在于,所述数据采集模块在将数据传输至数据处理模块时,按照同一时间戳为时间基准,对每路数据按各自的固有帧周期进行顺序编号,并在存储数据的同时将各路数据帧编号的对应关系存储下来。
5.根据权利要求2所述的基于无人船的雷达数据处理系统,其特征在于,遥感影像的处理步骤如下:
1)遥感影像接收器在接收遥感影像后,确定遥感影像的分辨率并截取,对截取遥感影像进行数据标注;
2)使用Canny边缘检测算法对截取的遥感影像进行预处理,通过对图像边缘进行提取,并将提取得到的图像与原图像叠加,突出航道特征,用以加速分析;
3)搭建图像分类模型,通过在对基础的网络进行分类任务的训练中,在网络的参数存留下低级的图像特征信息,将上述图像特征信息在特征提取模型构建的流程中,传递给下一级的语义分割模型;
4)搭建一个语义分割模型,用于在遥感影像中分割出道路信息;在经过训练后,提取道路信息的网络参数将留存在分割模型中。
6.根据权利要求5所述的基于遥感影像和深度学习的道路提取方法,其特征在于:步骤1)中对截取遥感影像进行数据标注为:观察并测量遥感影像所覆盖的地理范围,结合要提取的航道实际情况,截取图像分类和语义分割任务的原始数据是尺寸为256*256,即0.23像素每米分辨尺度的RGB遥感的影像。
7.根据权利要求5所述的基于遥感影像和深度学习的道路提取方法,其特征在于:步骤2)中使用Canny边缘检测算法对截取的遥感影像进行预处理为:
用高斯滤波去除影像噪点,得到去噪后的图像;
使用Sobel算子,利用卷积操作计算遥感影像x和y两个方向的梯度,尺寸为3的Sobel算子,在x和y两个方向的卷积核如下:
提取边缘信息时,缩减边缘,只保留局部最大梯度,通过Canny算法使用两个阈值,来区分边缘像素,利用低阈值过滤掉噪声或颜色变化引起的小的梯度值,利用高阈值区分强边缘点和弱边缘点。
8.根据权利要求4所述的基于无人船的雷达数据处理系统,其特征在于,建立MapReduce模型时在主程序中通过传入雷达类型以及排序Compare方式、雷达对应的扫描周期、雷达数据的时间戳,通过在主程序中加载动态库的方式,将雷达类型传递至动态库的Map函数和Reduce函数中;
在Map阶段,根据雷达类型确定雷达处理函数,将读取出来的雷达数据进行解析,根据航迹信息链表计算出障碍物信息,再根据切分Partition和排序Compare的方式,进行Key/Value键值对的建立,建立以时间为Key,其它所有内容为Value的Key/Value键值对,后切分成不同数据块,排序之后,进行归并Reduce;最终生成的结果包括雷达解析数据,与其相对应的索引文件,索引文件中标识出每一条记录、时间戳的起始位置和结束位置,以及所有障碍物信息;所述障碍物信息的计算步骤如下:
输入航迹信息链表,数据长度、雷达扫描周期;
按照固定长度读取一条航迹信息;
检查是否到整个航迹信息链的结尾,如果是Yes,进入下一步,如果是No,返回到障碍物信息链表中至结束;
继续检查是否在同一个扫描周期内,如果是Yes,将这一条航迹数据压入到临时链表内;如果是No,进入下一步;
从临时链表取出同一周期的航迹数据进行障碍物信息;
将这一周期的告警结果插入到整个障碍物信息的尾部;
清空记录同一周期航迹数据的临时链表,将这一条航迹数据压入到临时链表内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021610.9A CN110687548A (zh) | 2019-10-25 | 2019-10-25 | 一种基于无人船的雷达数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021610.9A CN110687548A (zh) | 2019-10-25 | 2019-10-25 | 一种基于无人船的雷达数据处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110687548A true CN110687548A (zh) | 2020-01-14 |
Family
ID=69114038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911021610.9A Withdrawn CN110687548A (zh) | 2019-10-25 | 2019-10-25 | 一种基于无人船的雷达数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687548A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419402A (zh) * | 2020-11-27 | 2021-02-26 | 广东电网有限责任公司肇庆供电局 | 一种基于多光谱影像和激光点云的定位方法及系统 |
CN113920266A (zh) * | 2021-11-03 | 2022-01-11 | 泰瑞数创科技(北京)有限公司 | 城市信息模型语义信息人工智能生成方法和系统 |
-
2019
- 2019-10-25 CN CN201911021610.9A patent/CN110687548A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419402A (zh) * | 2020-11-27 | 2021-02-26 | 广东电网有限责任公司肇庆供电局 | 一种基于多光谱影像和激光点云的定位方法及系统 |
CN113920266A (zh) * | 2021-11-03 | 2022-01-11 | 泰瑞数创科技(北京)有限公司 | 城市信息模型语义信息人工智能生成方法和系统 |
CN113920266B (zh) * | 2021-11-03 | 2022-10-21 | 泰瑞数创科技(北京)股份有限公司 | 城市信息模型语义信息人工智能生成方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5081689A (en) | Apparatus and method for extracting edges and lines | |
CN111753757B (zh) | 一种图像识别处理方法及装置 | |
Sauerbier et al. | The practical application of UAV-based photogrammetry under economic aspects | |
CN110866545A (zh) | 一种探地雷达资料中管线目标的自动识别方法及系统 | |
CN112731440A (zh) | 高速铁路边坡形变检测方法及装置 | |
CN112257605A (zh) | 基于自标注训练样本的三维目标检测方法、系统及装置 | |
CN113759337B (zh) | 针对地下空间数据的三维探地雷达实时解译方法及系统 | |
CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
CN110687548A (zh) | 一种基于无人船的雷达数据处理系统 | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN107767366B (zh) | 一种输电线路拟合方法及装置 | |
CN109544574B (zh) | 基于全固态vts雷达的目标提取方法 | |
CN116862832A (zh) | 一种基于三维实景模型的作业人员定位方法 | |
CN113895482B (zh) | 基于轨旁设备的列车测速方法及装置 | |
KR101392222B1 (ko) | 표적 윤곽을 추출하는 레이저 레이더, 그것의 표적 윤곽 추출 방법 | |
EP4242996A1 (en) | Status determination device, status determination system, and status determination method | |
Yoonseok et al. | Railway track extraction from mobile laser scanning data | |
CN115436966A (zh) | 一种激光雷达参考水深控制点批量提取方法 | |
CN112348112B (zh) | 图像识别模型的训练方法、训练装置及终端设备 | |
CN109919863B (zh) | 一种全自动菌落计数仪、系统及其菌落计数方法 | |
CN113608234A (zh) | 一种城市数据采集系统 | |
CN114556449A (zh) | 障碍物检测及重识别方法、装置、可移动平台及存储介质 | |
Tian et al. | Building contours extraction from light detect and ranging data | |
CN115909183B (zh) | 一种燃气输送外部环境监测系统与监测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200114 |
|
WW01 | Invention patent application withdrawn after publication |