CN111079724A - 一种基于无人机的海漂垃圾识别方法 - Google Patents

一种基于无人机的海漂垃圾识别方法 Download PDF

Info

Publication number
CN111079724A
CN111079724A CN202010215614.7A CN202010215614A CN111079724A CN 111079724 A CN111079724 A CN 111079724A CN 202010215614 A CN202010215614 A CN 202010215614A CN 111079724 A CN111079724 A CN 111079724A
Authority
CN
China
Prior art keywords
image
garbage
floating
unmanned aerial
aerial vehicle
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
Application number
CN202010215614.7A
Other languages
English (en)
Other versions
CN111079724B (zh
Inventor
李俊
徐曼
赵祥军
徐忠建
朱必亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Speed China Technology Co Ltd
Original Assignee
Speed Space Time Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Speed Space Time Information Technology Co Ltd filed Critical Speed Space Time Information Technology Co Ltd
Priority to CN202010215614.7A priority Critical patent/CN111079724B/zh
Publication of CN111079724A publication Critical patent/CN111079724A/zh
Application granted granted Critical
Publication of CN111079724B publication Critical patent/CN111079724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种该基于无人机的海漂垃圾识别方法，具体包括如下步骤：（1）采用无人机进行拍摄，获得并导入海岸线的影像图，并对影像图进行灰度处理；（2）对经灰度处理后的影像图进行滤波处理，预定影像图中每个点的移动滤波模板，并设置滤波阀值；对影像图中的每个点通过滤波器进行计算或分析，获得滤波后的灰度图；（3）对滤波后的灰度图的灰度矩阵求极值，即在X方向和Y方向同时满足极大值，通过求极值的方式确定影像图中海漂垃圾的像素位置（x，y）；（4）对影像图中的海漂垃圾进行定位，通过计算图像像素获取海漂垃圾在影像图中的位置，从而利用图像像素的位置和海漂垃圾的实际尺寸的对应关系来定位影像图中的海漂垃圾。

Description

一种基于无人机的海漂垃圾识别方法
技术领域
本发明涉及一种图像处理技术领域，特别涉及一种基于无人机的海漂垃圾识别方法。
背景技术
海漂垃圾是目前海洋治理的重要工作，其核心是如何识别海漂垃圾并且确定其位置。在过去信息化技术尚未普及时，海洋管理部门通常采用人工巡视的手段，即通过在海岸线船舶航行来人工发现垃圾。近些年，也出现了利用摄像头进行远程监控的方法在海岸线附近进行监测，但是该种方法存在一些缺点，例如存在监测死角和资金投入较大等。以上两种方法，可以对海漂垃圾影像进行采集，但是对海漂垃圾识别判断主要还是通过人工识别方式，在获取的影像数量较多或影像范围较大时，通过人工识别方式会产生巨大的工作量，同时识别效率也相对较低。
近些年无人机应用广泛，利用无人机和航空摄影技术可以在许多基础设施巡查方面进行应用，例如无人机已广泛应用在海洋、电力、公路、大坝水例等领域。和人眼巡视手段相比，无人机可以获得批量、大范围、人力无法到达地域的影像资料。目前智能识别和自动特征提取等技术还处于研究阶段，并不能广泛应用，导致无人机巡查效果大打折扣。
因此，有必要开发一种基于无人机的海漂垃圾识别方法，能够对海漂垃圾进行识别，减少人工识别程序，提高识别效率，同时可以结合海岸线监控视频进行实时监控，提升了海漂垃圾的打捞效率。
发明内容
本发明要解决的技术问题是提供一种基于无人机的海漂垃圾识别方法，能够对海漂垃圾进行识别，减少人工识别程序，提高识别效率，同时可以结合海岸线监控视频进行实时监控，提升了海漂垃圾的打捞效率。
为了解决上述技术问题，本发明采用的技术方案是：该基于无人机的海漂垃圾识别方法，具体包括如下步骤：
（1）采用无人机进行拍摄，获得并导入海岸线的影像图，并对所述影像图进行灰度处理；
（2）对所述步骤（1）中经灰度处理后的所述影像图进行滤波处理，首先预定所述影像图中每个点的移动滤波模板，并设置滤波阀值；然后对所述影像图中的每个点通过滤波器进行计算或分析，从而实现过滤功能，获得滤波后的灰度图；
（3）对滤波后的灰度图的灰度矩阵求极值，即在X方向和Y方向同时满足极大值，通过求极值的方式确定影像图中海漂垃圾的像素位置（x，y）；
（4）对所述影像图中的海漂垃圾进行定位，通过计算图像像素获取所述海漂垃圾在影像图中的位置，从而利用所述图像像素的位置和所述海漂垃圾的实际尺寸的对应关系来定位所述影像图中的所述海漂垃圾，获得所述海漂垃圾的识别结果。
采用上述技术方案，借助无人机开展航空摄影，获得有效的影像资料；再通对影像资料的自动分析、识别和定位技术；对无人机所采集到的影像图进行识别、分析和定位，以无人机航拍影像作为数据源，然后利用影像自动识别技术对影像进行分类，最后对分类图进行海漂垃圾识别判断；从而得知海岸线的漂浮垃圾的具体位置和垃圾的种类，该基于无人机的海漂垃圾的识别方法利用无人机在海岸线附近拍摄的现场照片数据训练污染对象识别模型、图片分类模型，对海漂垃圾进行识别，减少人工识别程序，提高识别效率，同时可以结合海岸线监控视频进行实时监控，一旦发现海漂垃圾等，立刻推送给城市监控系统，提升了海漂垃圾打捞效率。
作为本发明的优选技术方案，该基于无人机的海漂垃圾识别方法还包括根据现场核实对所述识别结果进行修正，并输出修正后的识别结果。根据海岸线环境、海岸线长度、巡查频次、影像的质量要求等选择固定翼无人机、旋翼无人机或固定翼旋翼相结合无人机。无人机飞行控制包含气象条件选择、飞行高度和线路规划、相机拍摄参数设定、是否超视距等。用无人机海漂垃圾巡查主要是借助无人机获得海面的高清数值影像资料，故所有的飞行控制因素也是基于此设定，所以尽量选择晴朗光照好的时段以及在人工目视范围内自主飞行。通过无人机飞行记录现场的真实情况，通过后期与实验结果的比较，输出修正后的识别结果。以无人机航拍影像作为数据源，首先需要借助无人机巡查获取影像资料，然后利用影像自动识别技术对影像进行分类，最后对分类图进行海漂垃圾识别判断。
作为本发明的优选技术方案，所述步骤（1）中经过灰度处理后的所述影像图为灰度图像是由像素矩阵组成的数值图像。
作为本发明的优选技术方案，所述步骤（2）对所述影像图进行滤波处理时采用空域滤波技术，对于所述影像图的矩阵中的每个点，所述滤波器通过事先定义的规则进行计算或分析，从而在该点实现过滤的功能；所述空域滤波技术的算法公式为：
Figure DEST_PATH_IMAGE001
其中，￠表示矩形邻域，
Figure 863810DEST_PATH_IMAGE002
表示卷积掩膜，
Figure DEST_PATH_IMAGE003
表示原图像数据。
作为本发明的优选技术方案，所述滤波阀值由所述海漂垃圾和海面的灰度分界值决定，通过设定不同的所述滤波阈值，所得到的滤波效果均不同，当f（x，y）处灰度值小于某一阈值R时，预定滤波模板的关系式都置为0。灰度处理后滤波工作重要性在于滤波阈值的设定，滤波过程是指一旦阈值确定，小于该阈值的灰度值设定为0，其他灰度值不为0的地方便可以默认为海漂垃圾。通过设定不同的滤波阈值，会得到不同滤波效果；通过实验发现，对比原图设置滤波阈值为70时，滤波效果不显著，甚至产生误判，影像中识别的海漂垃圾较多，和实际不符；滤波阈值为80时，滤波效果稍有改善，但仍然不能反映真实情况；当滤波阈值设置为90时，识别出的海漂垃圾比较符合实际情况。因此，滤波阈值的设定直接关系影像识别的效果，具体阈值数值主要和影像灰度值有关，由海漂垃圾和海面的灰度分界值决定。
作为本发明的优选技术方案，所述步骤（4）中利用图像像素位置和实际目标物的实际尺寸对应关系对所述海漂垃圾进行定位的具体步骤为：以所述数值图像的左下角为原点，原点水平向右方向为图宽方向，原点竖直向上方向为图长方向，设定所述数值图像的大小为mｘn，则所述数值图像的矩阵的大小也为mｘn，其中图宽为m个像素，图长n个像素，所述数值图像中的所述海漂垃圾会对应所述数值图像中唯一的像素坐标位置；通过所述数值图像和所述海漂垃圾的实物尺寸的对应关系，将所述数值图像中的像素大小换算成实际尺寸，同时所述像素坐标则转换为所述海漂垃圾的实际位置的坐标，从而实现了所述海漂垃圾的实际位置定位。
作为本发明的优选技术方案，所述步骤（3）中通过求极值的方式确定所述影像图中海漂垃圾的像素位置的具体计算公式为：
Figure 127211DEST_PATH_IMAGE004
其中，G为要求解的梯度，I为像素点灰度值，i,j为像素点坐标。计算出梯度后，再以比较梯度为0且两边梯度值相反的像素点为条件判断是否为灰度极值点。因为图像的灰度是离散的像素点数据，所以无法直接求导，但在离散的数据中可以通过差分计算来近似，因此采用这样的计算方法来求极值。
作为本发明的优选技术方案，所述步骤（1）中根据海岸线长度、巡查频次和影像质量来选择所述无人机，并设置所述无人机的参数。
与现有技术相比，该基于无人机的海漂垃圾的识别方法具有以下优点：利用无人机在海岸线附近拍摄的现场照片数据训练污染对象识别模型、图片分类模型，对海漂垃圾进行识别，减少人工识别程序，提高识别效率，同时可以结合海岸线监控视频进行实时监控，一旦发现海漂垃圾等，立刻推送给城市监控系统，提升了海漂垃圾打捞效率。
附图说明
图1为本发明的基于无人机的海漂垃圾识别方法的工作流程图；
图2为本发明的基于无人机的海漂垃圾识别方法的影像图识别流程图；
图3为本发明的基于无人机的海漂垃圾识别方法的影像图的原始图；
图4为本发明的基于无人机的海漂垃圾识别方法的经过灰度处理后的影像图；
图5为本发明的基于无人机的海漂垃圾识别方法的经过滤波后的灰度图；
图6为本发明的基于无人机的海漂垃圾识别方法的对滤波后的灰度图求极值后的定位图；
图7为本发明的基于无人机的海漂垃圾识别方法的不同滤波阀值的分类图；
其中：图（a）为原图；图（b）为设滤波阀值R=70时；图（c）为设滤波阀值R=80时；图（d）为设滤波阀值R=90时；
图8为本发明的基于无人机的海漂垃圾识别方法的空域滤波过程图。
具体实施方式
下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
实施例1：如图1~8所示，该基于无人机的海漂垃圾识别方法，具体包括如下步骤：
（1）根据海岸线长度、巡查频次和影像质量来选择所述无人机，并设置所述无人机的参数；采用无人机进行拍摄，获得并导入海岸线的影像图，并对所述影像图进行灰度处理；经过灰度处理后的所述影像图为灰度图像是由像素矩阵组成的数值图像；
（2）对所述步骤（1）中经灰度处理后的所述影像图进行滤波处理，首先预定所述影像图中每个点的移动滤波模板，并设置滤波阀值；然后对所述影像图中的每个点通过滤波器进行计算或分析，从而实现过滤功能，获得滤波后的灰度图；所述步骤（2）对所述影像图进行滤波处理时采用空域滤波技术，对于所述影像图（数字图像）的矩阵中的每个点，所述滤波器通过事先定义的规则进行计算或分析，从而在该点实现过滤的功能；所述空域滤波技术的算法公式为：
Figure DEST_PATH_IMAGE005
其中，￠表示矩形邻域，
Figure 431153DEST_PATH_IMAGE002
表示卷积掩膜，
Figure 519326DEST_PATH_IMAGE003
表示原图像数据；
所述滤波阀值由所述海漂垃圾和海面的灰度分界值决定，通过设定不同的所述滤波阈值，所得到的滤波效果均不同，当f（x，y）处灰度值小于某一阈值R时，预定滤波模板的关系式都置为0；灰度处理后滤波工作重要性在于滤波阈值的设定，滤波过程是指一旦阈值确定，小于该阈值的灰度值设定为0，其他灰度值不为0的地方便可以默认为海漂垃圾。通过设定不同的滤波阈值，会得到不同滤波效果；通过实验发现，对比原图设置滤波阈值为70时，滤波效果不显著，甚至产生误判，影像中识别的海漂垃圾较多，和实际不符；滤波阈值为80时，滤波效果稍有改善，但仍然不能反映真实情况；当滤波阈值设置为90时，识别出的海漂垃圾比较符合实际情况。因此，滤波阈值的设定直接关系影像识别的效果，具体阈值数值主要和影像灰度值有关，由海漂垃圾和海面的灰度分界值决定；
（3）对滤波后的灰度图的灰度矩阵求极值，即在X方向和Y方向同时满足极大值，通过求极值的方式确定影像图中海漂垃圾的像素位置（x，y）；
所述步骤（3）中通过求极值的方式确定所述影像图中海漂垃圾的像素位置的具体计算公式为：
Figure 756272DEST_PATH_IMAGE006
其中，G为要求解的梯度，I为像素点灰度值，i,j为像素点坐标。计算出梯度后，可以比较梯度为0且两边梯度值相反的像素点为条件判断是否为灰度极值点；
（4）对所述影像图中的海漂垃圾进行定位，通过计算图像像素获取所述海漂垃圾在影像图中的位置，从而利用所述图像像素的位置和所述海漂垃圾的实际尺寸的对应关系来定位所述影像图中的所述海漂垃圾，获得所述海漂垃圾的识别结果；所述步骤（4）中利用图像像素位置和实际目标物的实际尺寸对应关系对所述海漂垃圾进行定位的具体步骤为：以所述数值图像的左下角为原点，原点水平向右方向为图宽方向，原点竖直向上方向为图长方向，设定所述数值图像的大小为mｘn，则所述数值图像的矩阵的大小也为mｘn，其中图宽为m个像素，图长n个像素，所述数值图像中的所述海漂垃圾会对应所述数值图像中唯一的像素坐标位置；通过所述数值图像和所述海漂垃圾的实物尺寸的对应关系，将所述数值图像中的像素大小换算成实际尺寸，同时所述像素坐标则转换为所述海漂垃圾的实际位置的坐标，从而实现了所述海漂垃圾的实际位置定位；
例如，影像图的大小为440×725像素，实际尺寸为22m×36.25m；以图像为背景建立坐标，即图像左下角为坐标O点，往右为X轴方向，往上为Y轴方向，上述图像中实际宽度为22m，像素宽度为440，则每个像素实际尺寸为c= 22/440= 0.05m，即每个像素坐标大小代表实际大小0.05m；如果图像中某个漂浮垃圾像素位置为（m,n），则实际坐标位置为（m·c,n·c）；
（5）根据现场核实对所述识别结果进行修正，并输出修正后的识别结果。根据海岸线环境、海岸线长度、巡查频次、影像的质量要求等选择固定翼无人机、旋翼无人机或固定翼旋翼相结合无人机。无人机飞行控制包含气象条件选择、飞行高度和线路规划、相机拍摄参数设定、是否超视距等。用无人机海漂垃圾巡查主要是借助无人机获得海面的高清数值影像资料，故所有的飞行控制因素也是基于此设定，所以尽量选择晴朗光照好的时段以及在人工目视范围内自主飞行。通过无人机飞行记录现场的真实情况，通过后期与实验结果的比较，输出修正后的识别结果。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，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 (8)

1.一种基于无人机的海漂垃圾识别方法，其特征在于，具体包括如下步骤：
（1）采用无人机进行拍摄，获得并导入海岸线的影像图，并对所述影像图进行灰度处理；
（2）对所述步骤（1）中经灰度处理后的所述影像图进行滤波处理，首先预定所述影像图中每个点的移动滤波模板，并设置滤波阀值；然后对所述影像图中的每个点通过滤波器进行计算或分析，从而实现过滤功能，获得滤波后的灰度图；
（3）对滤波后的灰度图的灰度矩阵求极值，即在X方向和Y方向同时满足极大值，通过求极值的方式确定影像图中海漂垃圾的像素位置（x，y）；
（4）对所述影像图中的海漂垃圾进行定位，通过计算图像像素获取所述海漂垃圾在影像图中的位置，从而利用所述图像像素的位置和所述海漂垃圾的实际尺寸的对应关系来定位所述影像图中的所述海漂垃圾，获得所述海漂垃圾的识别结果。
2.根据权利要求1所述的基于无人机的海漂垃圾识别方法，其特征在于，该基于无人机的海漂垃圾识别方法还包括根据现场核实对所述识别结果进行修正，并输出修正后的识别结果。
3.根据权利要求2所述的基于无人机的海漂垃圾识别方法，其特征在于，所述步骤（1）中经过灰度处理后的所述影像图为灰度图像是由像素矩阵组成的数值图像。
4.根据权利要求3所述的基于无人机的海漂垃圾识别方法，其特征在于，所述步骤（2）对所述影像图进行滤波处理时采用空域滤波技术，对于所述影像图的矩阵中的每个点，所述滤波器通过事先定义的规则进行计算或分析，从而在该点实现过滤的功能；所述空域滤波技术的算法公式为：
Figure 426922DEST_PATH_IMAGE002
其中，￠表示矩形邻域，
Figure 609642DEST_PATH_IMAGE004
表示卷积掩膜，
Figure 733587DEST_PATH_IMAGE006
表示原图像数据。
5.根据权利要求4所述的基于无人机的海漂垃圾识别方法，其特征在于，所述滤波阀值由所述海漂垃圾和海面的灰度分界值决定，通过设定不同的所述滤波阈值，所得到的滤波效果均不同，当f（x，y）处灰度值小于某一阈值R时，预定滤波模板的关系式都置为0。
6.根据权利要求4所述的基于无人机的海漂垃圾识别方法，其特征在于，所述步骤（4）中利用图像像素位置和实际目标物的实际尺寸对应关系对所述海漂垃圾进行定位的具体步骤为：以所述数值图像的左下角为原点，原点水平向右方向为图宽方向，原点竖直向上方向为图长方向，设定所述数值图像的大小为mｘn，则所述数值图像的矩阵的大小也为mｘn，其中图宽为m个像素，图长n个像素，所述数值图像中的所述海漂垃圾会对应所述数值图像中唯一的像素坐标位置；通过所述数值图像和所述海漂垃圾的实物尺寸的对应关系，将所述数值图像中的像素大小换算成实际尺寸，同时所述像素坐标则转换为所述海漂垃圾的实际位置的坐标，从而实现了所述海漂垃圾的实际位置定位。
7.根据权利要求4所述的基于无人机的海漂垃圾识别方法，其特征在于，所述步骤（3）中通过求极值的方式确定所述影像图中海漂垃圾的像素位置的具体计算公式为：
Figure 332058DEST_PATH_IMAGE008
其中，G为要求解的梯度，I为像素点灰度值，i,j为像素点坐标；计算出梯度后，再以比较梯度为0且两边梯度值相反的像素点为条件判断是否为灰度极值点。
8.根据权利要求4所述的基于无人机的海漂垃圾识别方法，其特征在于，所述步骤（1）中根据海岸线长度、巡查频次和影像质量来选择所述无人机，并设置所述无人机的参数。
CN202010215614.7A 2020-03-25 2020-03-25 一种基于无人机的海漂垃圾识别方法 Active CN111079724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010215614.7A CN111079724B (zh) 2020-03-25 2020-03-25 一种基于无人机的海漂垃圾识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010215614.7A CN111079724B (zh) 2020-03-25 2020-03-25 一种基于无人机的海漂垃圾识别方法

Publications (2)

Publication Number Publication Date
CN111079724A true CN111079724A (zh) 2020-04-28
CN111079724B CN111079724B (zh) 2020-06-30

Family

ID=70324626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010215614.7A Active CN111079724B (zh) 2020-03-25 2020-03-25 一种基于无人机的海漂垃圾识别方法

Country Status (1)

Country Link
CN (1) CN111079724B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158965A (zh) * 2021-05-08 2021-07-23 福建万福信息技术有限公司 一种实现海漂垃圾识别的仿视觉识别方法、设备和介质
CN113240026A (zh) * 2021-05-24 2021-08-10 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN114596536A (zh) * 2022-05-07 2022-06-07 陕西欧卡电子智能科技有限公司 无人船沿岸巡检方法、装置、计算机设备及存储介质
CN114612812A (zh) * 2020-12-07 2022-06-10 江河瑞通（北京）技术有限公司 一种基于枪球联动的海漂垃圾图像识别算法
CN116152115A (zh) * 2023-04-04 2023-05-23 湖南融城环保科技有限公司 基于计算机视觉的垃圾图像去噪处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004178210A (ja) * 2002-11-26 2004-06-24 Denso Corp 画像処理方法及び画像認識方法並びにこれらの方法をコンピュータにより実行させるプログラム
JP2010055576A (ja) * 2008-08-29 2010-03-11 Sharp Corp 画像処理装置、画像処理プログラム、コンピュータ読み取り可能な記録媒体、電子機器及び画像処理方法
CN104047248A (zh) * 2014-06-05 2014-09-17 江苏紫光吉地达环境科技有限公司 复合式轨道路面自动清洁车系统
CN105844337A (zh) * 2016-04-14 2016-08-10 吴本刚 一种智能垃圾分类装置
CN107622231A (zh) * 2017-09-08 2018-01-23 内蒙古大学 一种水天一体智能漂浮物收集系统及其收集方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004178210A (ja) * 2002-11-26 2004-06-24 Denso Corp 画像処理方法及び画像認識方法並びにこれらの方法をコンピュータにより実行させるプログラム
JP2010055576A (ja) * 2008-08-29 2010-03-11 Sharp Corp 画像処理装置、画像処理プログラム、コンピュータ読み取り可能な記録媒体、電子機器及び画像処理方法
CN104047248A (zh) * 2014-06-05 2014-09-17 江苏紫光吉地达环境科技有限公司 复合式轨道路面自动清洁车系统
CN105844337A (zh) * 2016-04-14 2016-08-10 吴本刚 一种智能垃圾分类装置
CN107622231A (zh) * 2017-09-08 2018-01-23 内蒙古大学 一种水天一体智能漂浮物收集系统及其收集方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612812A (zh) * 2020-12-07 2022-06-10 江河瑞通（北京）技术有限公司 一种基于枪球联动的海漂垃圾图像识别算法
CN114612812B (zh) * 2020-12-07 2024-08-30 江河瑞通（北京）技术有限公司 一种基于枪球联动的海漂垃圾图像识别算法
CN113158965A (zh) * 2021-05-08 2021-07-23 福建万福信息技术有限公司 一种实现海漂垃圾识别的仿视觉识别方法、设备和介质
CN113158965B (zh) * 2021-05-08 2024-03-19 福建万福信息技术有限公司 一种实现海漂垃圾识别的仿视觉识别方法、设备和介质
CN113240026A (zh) * 2021-05-24 2021-08-10 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN113240026B (zh) * 2021-05-24 2022-03-25 中国科学院重庆绿色智能技术研究院 一种矢栅结合的内陆水面漂浮物批量识别提取方法
CN114596536A (zh) * 2022-05-07 2022-06-07 陕西欧卡电子智能科技有限公司 无人船沿岸巡检方法、装置、计算机设备及存储介质
CN116152115A (zh) * 2023-04-04 2023-05-23 湖南融城环保科技有限公司 基于计算机视觉的垃圾图像去噪处理方法

Also Published As

Publication number Publication date
CN111079724B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111079724B (zh) 一种基于无人机的海漂垃圾识别方法
CN109785291B (zh) 一种车道线自适应检测方法
CN107516077B (zh) 基于激光点云和影像数据融合的交通标牌信息提取方法
CN110473221B (zh) 一种目标物体自动扫描系统及方法
CN105718872B (zh) 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统
CN114743119B (zh) 基于无人机的高铁接触网吊弦螺母缺陷检测方法
CN106780560B (zh) 一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法
CN113593250A (zh) 一种基于视觉识别的违章停车检测系统
CN108961276B (zh) 基于视觉伺服的配电线路巡检数据自动采集方法及系统
CN109993089B (zh) 一种基于深度学习的视频目标去除及背景恢复方法
CN113313116B (zh) 一种基于视觉的水下人工目标准确检测与定位方法
CN112669301B (zh) 一种高铁底板脱漆故障检测方法
CN115631116B (zh) 基于双目视觉的飞行器电力巡检系统
CN116109954A (zh) 房屋安全隐患识别方法、装置及存储介质
CN116012728A (zh) 应用于无人机巡检的轨道线路识别跟踪方法及系统
Shajahan et al. Automated inspection of monopole tower using drones and computer vision
CN113095309B (zh) 一种基于点云的道路场景地面标识物的提取方法
CN108520496B (zh) 一种基于光流法的海空背景监控视频图像拼接方法
CN109558877A (zh) 基于kcf的海上目标跟踪算法
CN117809248A (zh) 一种用于输电线路的钓鱼行为检测方法和终端
CN117456353A (zh) 一种河流湖泊智慧界桩的管理系统
CN116597164A (zh) 一种基于计算机视觉的港口船舶水线检测方法
CN116342693A (zh) 一种基于点云和卷积神经网络的桥梁缆索表面损伤快速定位方法
CN116091887A (zh) 基于弱监督的目标检测模型训练方法及装置
CN111626180B (zh) 基于偏振成像的车道线检测方法及其装置

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
CP01 Change in the name or title of a patent holder

Address after: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province

Patentee after: Speed Technology Co.,Ltd.

Address before: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province

Patentee before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder