CN110796050A - 一种无人机巡检过程中目标物体的识别方法及相关装置 - Google Patents
一种无人机巡检过程中目标物体的识别方法及相关装置 Download PDFInfo
- Publication number
- CN110796050A CN110796050A CN201910996194.8A CN201910996194A CN110796050A CN 110796050 A CN110796050 A CN 110796050A CN 201910996194 A CN201910996194 A CN 201910996194A CN 110796050 A CN110796050 A CN 110796050A
- Authority
- CN
- China
- Prior art keywords
- target object
- unmanned aerial
- aerial vehicle
- image
- detection
- 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.)
- Pending
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
- G06V20/13—Satellite images
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种无人机巡检过程中目标物体的识别方法,包括接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;对所述灰度图像进行直线检测与角点检测;根据直线检测与角点检测的检测结果确定杆塔的位置;根据目标物体的颜色特征在所述杆塔的位置识别所述目标物体。该无人机巡检过程中目标物体的识别方法能够精确识别杆塔上的目标物体,提高识别精度。本申请还公开了一种无人机巡检过程中目标物体的识别装置、设备以及计算机可读存储介质,均具有上述技术效果。
Description
技术领域
本申请涉及无人机巡检技术领域,特别涉及一种无人机巡检过程中目标物体的识别方法;还涉及一种无人机巡检过程中目标物体的识别装置、设备以及计算机可读存储介质。
背景技术
无人机已越来越多的应用在各个领域。目前,在电力领域,利用无人机进行巡检的过程中,由于无人机拍摄图像的角度多样,拍摄时光照、气候等环境因素各异,以及输电线路所处环境的复杂,所以为判别杆塔上是否有目标物体需要对图像进行一系列复杂的运算。然而,现有的技术方案无法精确的识别目标物体。因此,如何在无人机巡检过程中精确识别目标物体已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种无人机巡检过程中目标物体的识别方法,能够精确识别杆塔上的目标物体以规避目标物体对输电线路造成安全隐患。本申请的另一目的是提供一种无人机巡检过程中目标物体的识别装置、设备以及计算机可读存储介质,均具有上述技术效果。
为解决上述技术问题,本申请提供了一种无人机巡检过程中目标物体的识别方法,包括:
接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;
对所述灰度图像进行直线检测与角点检测;
根据直线检测与角点检测的检测结果确定杆塔的位置;
根据目标物体的颜色特征在所述杆塔的位置识别目标物体。
可选的,所述对所述原始图像进行灰度化处理得到灰度图像包括:
利用加权平均法对所述原始图像进行灰度化处理得到所述灰度图像。
可选的,还包括:
分别在直线检测与角点检测后进行形态学闭运算。
可选的,还包括:
对所述灰度图像进行HOG特征提取并基于提取的HOG特征检验确定的所述杆塔的位置是否准确。
为解决上述技术问题,本申请还提供了一种无人机巡检过程中目标物体的识别装置,包括:
图像灰度化处理模块,用于接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;
直线与角点检测模块,用于对所述灰度图像进行直线检测与角点检测;
杆塔位置确定模块,用于根据直线检测与角点检测的检测结果确定杆塔的位置;
无人机巡检过程中目标物体的识别模块,用于根据目标物体的颜色特征在所述杆塔的位置识别目标物体。
可选的,所述图像灰度化处理模块具体用于利用加权平均法对所述图像进行灰度化处理得到所述灰度图像。
可选的,还包括:
形态学闭运算模块,用于分别在直线检测与角点检测后进行形态学闭运算。
可选的,还包括:
检验模块,用于对所述灰度图像进行HOG特征提取并基于提取的HOG特征检验确定的所述杆塔的位置是否准确。
为解决上述技术问题,本申请还提供了一种无人机巡检过程中目标物体的识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上所述的无人机巡检过程中目标物体的识别方法的步骤。
为解决上述技术问题,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的无人机巡检过程中目标物体的识别方法的步骤。
本申请所提供的无人机巡检过程中目标物体的识别方法,包括接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;对所述灰度图像进行直线检测与角点检测;根据直线检测与角点检测的检测结果确定杆塔的位置;根据目标物体的颜色特征在所述杆塔的位置识别目标物体。
可见,本申请所提供的无人机巡检过程中目标物体的识别方法,基于形状特征与颜色特征进行识别,首先识别输电线路的杆塔,进而基于杆塔的位置识别目标物体,从而可以精确识别出杆塔上的目标物体,剔除环境中与目标物体相似物体的干扰。
本申请所提供的无人机巡检过程中目标物体的识别装置、设备以及计算机可读存储介质,均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种无人机巡检过程中目标物体的识别方法的流程示意图;
图2为本申请实施例所提供的一种无人机巡检过程中目标物体的识别装置的示意图。
具体实施方式
本申请的核心是提供一种无人机巡检过程中目标物体的识别方法,能够精确识别杆塔上的目标物体以规避目标物体对输电线路造成安全隐患。本申请的另一核心是提供一种无人机巡检过程中目标物体的识别装置、设备以及计算机可读存储介质,均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种无人机巡检过程中目标物体的识别方法的流程示意图;参考图1所示,该无人机巡检过程中目标物体的识别方法包括:
S101:接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;
具体的,无人机采集的原始图像是彩色图像,采用RGB颜色模式。而RGB颜色模式无法反映图像的形态特征,为此,在接收到原始图像的基础上,首先对原始图像进行灰度化处理得到灰度图像。较之彩色图像,灰度图像是R、G、B三个分量相同的图像,其可以反映图像的整体和局部的色度和亮度等级的分布与特征。
其中,在一种具体的实施方式中,上述对原始图像进行灰度化处理得到灰度图像可以包括利用加权平均法对原始图像进行灰度化处理得到灰度图像。
具体的,在YUV颜色空间中,Y分量表示像素点的亮度,反映亮度等级。根据RGB颜色模式与YUV颜色空间的变化关系建立Y与R、G、B三个颜色分量的对应关系:Y=0.3R+0.59G+0.11B,从而依据此对应关系对原始图像进行灰度化处理,用Y这一亮度值表达各像素点的灰度值。
S102:对灰度图像进行直线检测与角点检测;
具体的,将原始图像转化为灰度图像后,进一步对灰度图像进行直线检测与角点检测。其中,直线检测的目的在于检测图像中局部的直的轮廓,具体可利用LSD算法对灰度图像进行处理,并输出一系列的直线分割结果。具体而言,为减弱甚至消除灰度图像中出现的锯齿效应,可首先将灰度图像缩小为原来的80%,进而进行梯度计算。
灰度图像的梯度计算公式为:
梯度幅值的计算公式为:
其中,i(x,y)表示坐标为(x,y)的像素点的灰度值。
进一步,对计算得到的梯度值进行排序,在0与最大梯度幅值之间等间隔的均匀设置1024个序列,各像素点根据梯度幅值分类到相应的序列中。其中,计算得到的梯度值可能存在错误的数值。因此,可设置一个梯度阈值以基于此梯度阈值剔除小于此梯度阈值的像素点。以序列中一个未使用的像素点作为种子点进行递归以进行区域增长,进而进行矩形估计,从而完成直线检测。
另外,可利用Harris算法进行角点检测。具体而言,计算灰度图像在X方向与Y方向上的梯度,进而计算两个方向上的梯度的乘积。通过高斯函数对计算得到的乘积进行高斯加权形成矩阵元素。计算每个像素点的Harris相应值,并忽略小于预设阈值的计算结果。在领域内进行最大值抑制,局部最大值即为灰度图像中的角点。
可以明白的是,针对直线检测以及角点检测,本申请的上述实施例进行了概述,对于其具体实施过程,参考现有技术即可,本申请在此不做详尽展开。
S103:根据直线检测与角点检测的检测结果确定杆塔的位置;
S104:根据目标物体的颜色特征在杆塔的位置识别目标物体。
具体的,在完成直线检测与角点检测的基础上,本步骤旨在根据直线检测与角点检测的检测结果确定灰度图像中杆塔的位置。进而在确定的杆塔的位置处根据目标物体的颜色特征识别目标物体。具体可对疑似目标物体的图像区域进行粗提取,并提取得到HOG特征,进一步通过SVM分类器进行精确提取,进而识别目标物体,并可进一步进行标记。
进一步,在一种具体的实施方式中,还可以包括分别在直线检测与角点检测后进行形态学闭运算。
具体的,形态学闭运算用于消除小物体、在纤细点处分离物体、平滑较大物体的边界,且同时不明显改变图像的面积。由此,可在完后直线检测后,对直线检测后的灰度图像进行形态学闭运算,以及在完成角点检测后,对角点检测后的灰度图像进行形态学闭运算。所谓进行形态学闭运算即先执行膨胀运算再执行腐蚀运算。
其中,腐蚀运算是一种消除边界点,时边界向内收缩的过程,可用于小且无意义的物体。具体可用3乘3的结构元素扫描灰度图像上的每一个像素点,用结构元素与其覆盖的二值图像进行逻辑与操作,若均为1,则对应的像素点为1,否则,对应的像素点为0。从而,基于上述操作将二值图像减小一圈。
膨胀运算是将与物体接触的所有背景点合并到该物体中,使边界向外扩张的过程,可用于填补物体中的空洞。具体可用3乘3的结构元素扫描灰度图像上的每一个像素点,用结构元素与其覆盖的二值图像进行逻辑与操作,若均为0,则对应的像素点为0,否则,对应的像素点为1。从而,基于上述操作将二值图像扩大一圈。
此外,在一种具体的实施方式中,还可以包括对灰度图像进行HOG特征提取并基于提取的HOG特征检验确定的杆塔的位置是否准确。
具体的,为保障杆塔位置确认的准确性,本实施例中,在根据直线检测与角点检测的检测结果确定杆塔的位置的基础上,进一步,对灰度图像进行HOG特征提取,并基于提取的HOG特征检验杆塔的位置是否准确。
综上所述,本申请所提供的无人机巡检过程中目标物体的识别方法,基于形状特征与颜色特征进行识别,首先识别输电线路的杆塔,进而基于杆塔的位置识别目标物体,从而可以精确识别出杆塔上的目标物体,剔除环境中与目标物体相似物体的干扰,提高识别精度。
本申请还提供了一种无人机巡检过程中目标物体的识别装置,下文描述的该装置可以与上文描述的方法相互对应参照。参考图2所示,该无人机巡检过程中目标物体的识别装置包括:
图像灰度化处理模块10,用于接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;
直线与角点检测模块20,用于对所述灰度图像进行直线检测与角点检测;
杆塔位置确定模块30,用于根据直线检测与角点检测的检测结果确定杆塔的位置;
无人机巡检过程中目标物体的识别模块40,用于根据目标物体的颜色特征在所述杆塔的位置识别目标物体。
在上述实施例的基础上,可选的,所述图像灰度化处理模块10具体用于利用加权平均法对所述图像进行灰度化处理得到所述灰度图像。
在上述实施例的基础上,可选的,还包括:
形态学闭运算模块,用于分别在直线检测与角点检测后进行形态学闭运算。
在上述实施例的基础上,可选的,还包括:
检验模块,用于对所述灰度图像进行HOG特征提取并基于提取的HOG特征检验确定的所述杆塔的位置是否准确。
本申请还提供了一种无人机巡检过程中目标物体的识别设备,包括:存储器与处理器;其中,存储器用于存储计算机程序;处理器用于执行该计算机程序时实现如下的步骤:
接收原始图像,并对原始图像进行灰度化处理得到灰度图像;对灰度图像进行直线检测与角点检测;根据直线检测与角点检测的检测结果确定杆塔的位置;根据目标物体的颜色特征在杆塔的位置识别目标物体。
对于本申请所提供的无人机巡检过程中目标物体的识别设备的介绍请参照上述方法的实施例,本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如下的步骤:
接收原始图像,并对原始图像进行灰度化处理得到灰度图像;对灰度图像进行直线检测与角点检测;根据直线检测与角点检测的检测结果确定杆塔的位置;根据目标物体的颜色特征在杆塔的位置识别目标物体。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明所提供的计算机可读存储介质的介绍请参照上述方法实施例,本发明在此不做赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似模块互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机设备软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦写可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的无人机巡检过程中目标物体的识别方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围。
Claims (10)
1.一种无人机巡检过程中目标物体的识别方法,其特征在于,包括:
接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;
对所述灰度图像进行直线检测与角点检测;
根据直线检测与角点检测的检测结果确定杆塔的位置;
根据目标物体的颜色特征在所述杆塔的位置识别目标物体。
2.根据权利要求1所述的无人机巡检过程中目标物体的识别方法,其特征在于,所述对所述原始图像进行灰度化处理得到灰度图像包括:
利用加权平均法对所述原始图像进行灰度化处理得到所述灰度图像。
3.根据权利要求2所述的无人机巡检过程中目标物体的识别方法,其特征在于,还包括:
分别在直线检测与角点检测后进行形态学闭运算。
4.根据权利要求3所述的无人机巡检过程中目标物体的识别方法,其特征在于,还包括:
对所述灰度图像进行HOG特征提取并基于提取的HOG特征检验确定的所述杆塔的位置是否准确。
5.一种无人机巡检过程中目标物体的识别装置,其特征在于,包括:
图像灰度化处理模块,用于接收原始图像,并对所述原始图像进行灰度化处理得到灰度图像;
直线与角点检测模块,用于对所述灰度图像进行直线检测与角点检测;
杆塔位置确定模块,用于根据直线检测与角点检测的检测结果确定杆塔的位置;
无人机巡检过程中目标物体的识别模块,用于根据目标物体的颜色特征在所述杆塔的位置识别目标物体。
6.根据权利要求5所述的无人机巡检过程中目标物体的识别装置,其特征在于,所述图像灰度化处理模块具体用于利用加权平均法对所述图像进行灰度化处理得到所述灰度图像。
7.根据权利要求6所述的无人机巡检过程中目标物体的识别装置,其特征在于,还包括:
形态学闭运算模块,用于分别在直线检测与角点检测后进行形态学闭运算。
8.根据权利要求7所述的无人机巡检过程中目标物体的识别装置,其特征在于,还包括:
检验模块,用于对所述灰度图像进行HOG特征提取并基于提取的HOG特征检验确定的所述杆塔的位置是否准确。
9.一种无人机巡检过程中目标物体的识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述的无人机巡检过程中目标物体的识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的无人机巡检过程中目标物体的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996194.8A CN110796050A (zh) | 2019-10-18 | 2019-10-18 | 一种无人机巡检过程中目标物体的识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996194.8A CN110796050A (zh) | 2019-10-18 | 2019-10-18 | 一种无人机巡检过程中目标物体的识别方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796050A true CN110796050A (zh) | 2020-02-14 |
Family
ID=69440422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910996194.8A Pending CN110796050A (zh) | 2019-10-18 | 2019-10-18 | 一种无人机巡检过程中目标物体的识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796050A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380933A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
CN106250835A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于特征识别的输电线路上的鸟巢识别方法 |
-
2019
- 2019-10-18 CN CN201910996194.8A patent/CN110796050A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
CN106250835A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于特征识别的输电线路上的鸟巢识别方法 |
Non-Patent Citations (1)
Title |
---|
QINGHUA WANG: "A solution for identification of bird’s nests on transmission lines with UAV patrol", 《2016 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND ENGINEERING APPLICATIONS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380933A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
CN112380933B (zh) * | 2020-11-02 | 2023-11-07 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN111415363A (zh) | 一种图像边缘识别方法 | |
CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
CN107527370B (zh) | 一种基于camshift的目标跟踪方法 | |
CN114005058A (zh) | 粉尘识别方法、装置及终端设备 | |
CN112634301A (zh) | 设备区域图像提取方法及装置 | |
US9824289B2 (en) | Exploiting color for license plate recognition | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN114842213A (zh) | 一种障碍物轮廓检测方法、装置、终端设备和存储介质 | |
CN111260655A (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN114638818A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113936010A (zh) | 货架定位方法、装置、货架搬运设备及存储介质 | |
CN110796050A (zh) | 一种无人机巡检过程中目标物体的识别方法及相关装置 | |
CN112734689A (zh) | 垫片质量检测方法、系统、装置和存储介质 | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
JPH1151611A (ja) | 認識対象物体の位置姿勢認識装置および位置姿勢認識方法 | |
CN110751163A (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN114219760A (zh) | 仪表的读数识别方法、装置及电子设备 | |
CN112508925B (zh) | 电子锁面板质量检测方法、系统、计算机装置和存储介质 | |
CN112529928A (zh) | 零件组装检测方法、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |
|
RJ01 | Rejection of invention patent application after publication |