CN111123915A - 一种巡检机器人越障方法、系统、存储介质及计算设备 - Google Patents
一种巡检机器人越障方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN111123915A CN111123915A CN201911234036.5A CN201911234036A CN111123915A CN 111123915 A CN111123915 A CN 111123915A CN 201911234036 A CN201911234036 A CN 201911234036A CN 111123915 A CN111123915 A CN 111123915A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- robot
- picture
- distance
- identified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007689 inspection Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000004888 barrier function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 3
- 239000002994 raw material Substances 0.000 claims 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Abstract
本发明公开了一种巡检机器人越障方法,包括采集各种外部环境下的障碍物图片,构建障碍物图片集;采用训练好的对抗网络对障碍物图片集进行扩充;用扩充后的障碍物图片集训练识别模型;将实时采集的障碍物图片输入训练好的识别模型,进行障碍物识别;计算识别出的障碍物与机器人之间的距离;响应于距离小于阈值,向机器人发出越障信号。同时公开了相应的系统、存储介质及计算设备。本发明采用对抗网络对障碍物图片集进行扩充,保证了小样本情况下模型泛化能力和检测准确率。
Description
技术领域
本发明涉及一种巡检机器人越障方法、系统、存储介质及计算设备,属于输电线路智能运检领域。
背景技术
随着智能机器人技术的迅速发展,机器人巡检逐渐成为发展的主流,输电线路巡检机器人沿地线巡检,需自主跨越防震锤、间隔棒、悬垂线夹等多种障碍物。
在巡检时,机器人对障碍物进行识别和测距,根据距离进行越障。现有的越障方法中,往往利用数量庞大的样本训练神经网络模型,用训练好的神经网络模型进行障碍物识别。但是该方法无法保证小样本情况下检测准确率及模型泛化能力。
发明内容
本发明提供了一种巡检机器人越障方法、系统、存储介质及计算设备,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种巡检机器人越障方法,包括,
采集各种外部环境下的障碍物图片,构建障碍物图片集;
采用训练好的对抗网络对障碍物图片集进行扩充;
用扩充后的障碍物图片集训练识别模型;
将实时采集的障碍物图片输入训练好的识别模型,进行障碍物识别;
计算识别出的障碍物与机器人之间的距离;
响应于距离小于阈值,向机器人发出越障信号。
对抗网络包括生成网络和判断网络;
沿生成网络生成新障碍物图片的流程,生成网络依次包括随机噪声输入层、维度变换层和多层反卷积层;
沿判断网络判断新障碍物图片的流程,判断网络依次包括图片输入层、多层卷积降维、Flatten层和多层隐藏层。
用标注框对扩充后的障碍物图片集进行标注,用标注后的障碍物图片集训练识别模型。
识别模型为yolov3轻量版模型,yolov3轻量版模型为缩减了网络层数量的yolov3模型。
计算识别出的障碍物与机器人之间距离的过程为,
基于识别获得的障碍物标注框顶点坐标,计算障碍物标注框中心点坐标;
获取与标注框顶点坐标和标注框中心点坐标对应的实时点云数据;
根据实时点云数据,计算机器人上的图片采集设备到所识别障碍物的距离;
将图片采集设备到所识别障碍物的距离转换成机器人到所识别障碍物的距离。
计算图片采集设备分别到标注框顶点和标注框中心点的距离,将距离最小的值作为图片采集设备到所识别障碍物的距离。
将图片采集设备到所识别障碍物的距离转换成机器人到所识别障碍物的距离,具体公式为,
D2=D1*sin(90°-α2-θ)
D1=L*cos(α1+β1)
其中,L为图片采集设备到所识别障碍物的直线距离,D2为机器人到所识别障碍物的距离,D1为L垂直投影到水平面的长度,α1为图片采集设备中心线与L的夹角,θ为图片采集设备安装的偏移角度,β1为图片采集设备中心线与水平线的夹角,α2为图片采集设备中心线垂直投影到水平面的直线与D1的夹角。
一种巡检机器人越障系统,包括,
图片集构建模块:采集各种外部环境下的障碍物图片,构建障碍物图片集;
扩充模块:采用训练好的对抗网络对障碍物图片集进行扩充;
训练模块:用扩充后的障碍物图片集训练识别模型;
识别模块:将实时采集的障碍物图片输入训练好的识别模型,进行障碍物识别;
测距模块:计算识别出的障碍物与机器人之间的距离;
响应模块:响应于距离小于阈值,向机器人发出越障信号。
一种存储一个或多个程序的存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行巡检机器人越障方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行巡检机器人越障方法的指令。
本发明所达到的有益效果:1、本发明采用对抗网络对障碍物图片集进行扩充,保证了小样本情况下模型泛化能力和检测准确率;2、本发明采用yolov3轻量版模型进行障碍物识别,大大降低了识别复杂度,提高了识别效率。
附图说明
图1为本发明方法的流程图;
图2为生成网络结构图;
图3为判断网络结构图;
图4为yolov3轻量版模型结构图;
图5为测距流程图;
图6为机器人模拟在线识别检测障碍物的正视图;
图7为机器人模拟在线识别检测障碍物的附视图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种巡检机器人越障方法,包括以下步骤:
步骤1,采集各种外部环境下的障碍物图片,构建障碍物图片集。
在巡检机器人的前后两固定深度双目相机,相机分辨率为(w,h),在光照强、阴雨等不同天气条件下控制机器人在线路中采集障碍物图片,并将所有障碍物图片的尺寸变换到288×288,用这些变换后的障碍物图片构建障碍物图片集。
这里将图片尺寸进行变换,是为了便于后续高效地实时在线识别,保证识别准确率高与测距误差小的要求。
步骤2,采用训练好的对抗网络对障碍物图片集进行扩充。
对抗网络的生成网络是基于yolov3轻量版模型结构的反卷积变形结构,具体如图2所示,生成网络共9层,沿生成网络生成新障碍物图片的流程,依次包括随机噪声输入层、维度变换层和多层反卷积层。
生成网络生成新障碍物图片的过程为:用维度为(1000,)值在(-1,1)之间的随机噪声作为网络输入,经过维度变换和多层反卷积输出为288×288×3的新障碍物图片。
判断网络也是根据yolov3轻量版模型结构进行修改,具体如图3所示,判断网络共12层,沿判断网络判断新障碍物图片的流程,依次包括图片输入层、多层卷积降维、Flatten层和多层隐藏层。
判断网络判断新障碍物图片的过程为:将生成的新障碍物图片与原图片作为输入,经多层卷积降维到(9×9×1024),使用Flatten变成一维(82944,),再经过5个隐藏层输出维度为(1,)值在(0,1)之间的数据,也就是真假值。
对抗网络将生成的新障碍物图片设为假(0),原图片设为真(1),对抗网络训练完成后,判断网络几乎无法判别生成的新障碍物图片与原图片的真假。
用对抗网络方法对障碍物图片集进行扩充,生成的图片对比原图,其颜色、亮度、障碍物的位置以及形状等某一个或者全部参数会发生变化,这符合机器人在不同工况下,对未知环境因素的适应能力;通过扩充可将小样本扩充成大样本,保证了模型泛化能力和检测准确率。
步骤3,用标注框对扩充后的障碍物图片集进行标注。
新的障碍物图片和老的障碍物图片混合、打散后进行标注框标注,标注尽可能紧凑,标注框(一般采用方形标注框)对准障碍物的边缘,这样能够提高模型训练精度和后面与障碍物实际距离测量精度。
步骤4,用标注后的障碍物图片集训练识别模型。
如图4所示,识别模型为yolov3轻量版模型,yolov3轻量版模型为缩减了网络层数量的yolov3模型。该模型一共24层,由于传统的yolov3模型深度为106层,影响识别效率,因此将yolov3模型进行简化,在保留了yolov3模型算法特点的情况下,减小计算量,提高实时性。
yolov3轻量版模型输入障碍物图片尺寸为288×288×3,可以将网络层数缩减至24层,通过多层卷积与池化降维到(9×9×255)和(18×18×255),用[yolo]层来计算损失函数以及预测分类和边界框回归。由于输入图片尺寸小,为了减小计算量,yolov3轻量版模型只用2个[yolo]层来预测。
步骤5,将实时采集的障碍物图片输入训练好的识别模型,进行障碍物识别。
实时障碍物图片也是通过深度双目相机采集,实时障碍物图片依次进行尺寸变换和标注框标注后输入训练好的yolov3轻量版模型。
步骤6,计算识别出的障碍物与机器人之间的距离。
如图5所示,采集障碍物图片的同时也会采集实时点云数据,两者采用双线程同步进行的,计算识别出的障碍物与机器人之间距离的具体过程如下:
1)基于识别获得的障碍物标注框顶点坐标,计算障碍物标注框中心点坐标。
yolov3轻量版模型识别出障碍物后,会得到一个标注框、识别障碍物名称以及识别概率,标注框框选识别出来的物体,并得到标注框四个顶点(Xmin,Ymin),(Xmin,Ymax),(Xmax,Ymin),(Xmax,Ymax),四个顶点的中心点坐标为
2)获取与标注框顶点坐标和标注框中心点坐标对应的实时点云数据。
利用插值法将五个点的X坐标乘以w/288,Y坐标乘以h/288,得到相机分辨率对应的新的四个顶点坐标(X′min,Y′min),(X′min,Y′max),(X′max,Y′min),(X′max,Y′max)和中心点坐标(X′med,Y′med),根据新的五个点坐标,从采集的实时点云数据中筛选出对应的实时点云数据,点云数据包括三维空间坐标(X',Y',Z')。
4)将图片采集设备到所识别障碍物的距离转换成机器人到所识别障碍物的距离。
如图6和7所示,θ,β1可用工具测量;
θ为图片采集设备安装的偏移角度;
β1为图片采集设备中心线与水平线的夹角,即相机安装的俯仰角度;
其中,Y′为特征点y轴坐标;
L为图片采集设备到所识别障碍物的直线距离;
α1为图片采集设备中心线与L的夹角;
h为相机分辨率中的h值;
H1=L*sin(α1+β1)
其中,H1为特征点到以图片采集设备中心点为基准水平面的垂直距离;
D1=L*cos(α1+β1)
其中,D1为L垂直投影到水平面的长度;
其中,X′为特征点x轴坐标;
w为相机分辨率中的w值;
α2为图片采集设备中心线垂直投影到水平面的直线与D1的夹角;D2=D1*sin(90°-α2-θ)
其中,D2为机器人到所识别障碍物的距离。
步骤7,响应于距离小于阈值,向机器人发出越障信号。
不同的情况下会设置不同的越障信号,机器人接收到越障信号后,会根据预设的既定动作进行越障。
机器人的越障动作与障碍物类型以及与障碍物实际距离有关。在实际线路中,相邻不同障碍物或相同障碍物之间距离较大时,机器人可逐个完成约定的越障动作;若相邻不同障碍物或相同障碍物之间距离小于定值,且最近障碍物距离也小于阈值,机器人可完成连续越障动作。
一种巡检机器人越障系统,包括,
图片集构建模块:采集各种外部环境下的障碍物图片,构建障碍物图片集;
扩充模块:采用训练好的对抗网络对障碍物图片集进行扩充;
训练模块:用扩充后的障碍物图片集训练识别模型;
识别模块:将实时采集的障碍物图片输入训练好的识别模型,进行障碍物识别;
测距模块:计算识别出的障碍物与机器人之间的距离;
响应模块:响应于距离小于阈值,向机器人发出越障信号。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备巡检机器人越障方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行巡检机器人越障方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,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,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种巡检机器人越障方法,其特征在于:包括,
采集各种外部环境下的障碍物图片,构建障碍物图片集;
采用训练好的对抗网络对障碍物图片集进行扩充;
用扩充后的障碍物图片集训练识别模型;
将实时采集的障碍物图片输入训练好的识别模型,进行障碍物识别;
计算识别出的障碍物与机器人之间的距离;
响应于距离小于阈值,向机器人发出越障信号。
2.根据权利要求1所述的一种巡检机器人越障方法,其特征在于:对抗网络包括生成网络和判断网络;
沿生成网络生成新障碍物图片的流程,生成网络依次包括随机噪声输入层、维度变换层和多层反卷积层;
沿判断网络判断新障碍物图片的流程,判断网络依次包括图片输入层、多层卷积降维、Flatten层和多层隐藏层。
3.根据权利要求1所述的一种巡检机器人越障方法,其特征在于:用标注框对扩充后的障碍物图片集进行标注,用标注后的障碍物图片集训练识别模型。
4.根据权利要求3所述的一种巡检机器人越障方法,其特征在于:识别模型为yolov3轻量版模型,yolov3轻量版模型为缩减了网络层数量的yolov3模型。
5.根据权利要求3所述的一种巡检机器人越障方法,其特征在于:计算识别出的障碍物与机器人之间距离的过程为,
基于识别获得的障碍物标注框顶点坐标,计算障碍物标注框中心点坐标;
获取与标注框顶点坐标和标注框中心点坐标对应的实时点云数据;
根据实时点云数据,计算机器人上的图片采集设备到所识别障碍物的距离;
将图片采集设备到所识别障碍物的距离转换成机器人到所识别障碍物的距离。
6.根据权利要求5所述的一种巡检机器人越障方法,其特征在于:计算图片采集设备分别到标注框顶点和标注框中心点的距离,将距离最小的值作为图片采集设备到所识别障碍物的距离。
7.根据权利要求5所述的一种巡检机器人越障方法,其特征在于:将图片采集设备到所识别障碍物的距离转换成机器人到所识别障碍物的距离,具体公式为,
D2=D1*sin(90°-α2-θ)
D1=L*cos(α1+β1)
其中,L为图片采集设备到所识别障碍物的直线距离,D2为机器人到所识别障碍物的距离,D1为L垂直投影到水平面的长度,α1为图片采集设备中心线与L的夹角,θ为图片采集设备安装的偏移角度,β1为图片采集设备中心线与水平线的夹角,α2为图片采集设备中心线垂直投影到水平面的直线与D1的夹角。
8.一种巡检机器人越障系统,其特征在于:包括,
图片集构建模块:采集各种外部环境下的障碍物图片,构建障碍物图片集;
扩充模块:采用训练好的对抗网络对障碍物图片集进行扩充;
训练模块:用扩充后的障碍物图片集训练识别模型;
识别模块:将实时采集的障碍物图片输入训练好的识别模型,进行障碍物识别;
测距模块:计算识别出的障碍物与机器人之间的距离;
响应模块:响应于距离小于阈值,向机器人发出越障信号。
9.一种存储一个或多个程序的存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234036.5A CN111123915A (zh) | 2019-12-05 | 2019-12-05 | 一种巡检机器人越障方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234036.5A CN111123915A (zh) | 2019-12-05 | 2019-12-05 | 一种巡检机器人越障方法、系统、存储介质及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111123915A true CN111123915A (zh) | 2020-05-08 |
Family
ID=70497842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911234036.5A Pending CN111123915A (zh) | 2019-12-05 | 2019-12-05 | 一种巡检机器人越障方法、系统、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123915A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113119119A (zh) * | 2021-03-30 | 2021-07-16 | 广州大学 | 一种机器人动作的执行方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921119A (zh) * | 2018-07-12 | 2018-11-30 | 电子科技大学 | 一种障碍物实时检测和分类方法 |
CN109117863A (zh) * | 2018-07-04 | 2019-01-01 | 全球能源互联网研究院有限公司 | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 |
CN109828267A (zh) * | 2019-02-25 | 2019-05-31 | 国电南瑞科技股份有限公司 | 基于实例分割和深度摄像头的变电站巡检机器人障碍物检测和测距方法 |
CN110298330A (zh) * | 2019-07-05 | 2019-10-01 | 东北大学 | 一种输电线路巡检机器人单目检测与定位方法 |
CN110414374A (zh) * | 2019-07-08 | 2019-11-05 | 深兰科技(上海)有限公司 | 一种障碍物位姿的确定方法、装置、设备及介质 |
-
2019
- 2019-12-05 CN CN201911234036.5A patent/CN111123915A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117863A (zh) * | 2018-07-04 | 2019-01-01 | 全球能源互联网研究院有限公司 | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 |
CN108921119A (zh) * | 2018-07-12 | 2018-11-30 | 电子科技大学 | 一种障碍物实时检测和分类方法 |
CN109828267A (zh) * | 2019-02-25 | 2019-05-31 | 国电南瑞科技股份有限公司 | 基于实例分割和深度摄像头的变电站巡检机器人障碍物检测和测距方法 |
CN110298330A (zh) * | 2019-07-05 | 2019-10-01 | 东北大学 | 一种输电线路巡检机器人单目检测与定位方法 |
CN110414374A (zh) * | 2019-07-08 | 2019-11-05 | 深兰科技(上海)有限公司 | 一种障碍物位姿的确定方法、装置、设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113119119A (zh) * | 2021-03-30 | 2021-07-16 | 广州大学 | 一种机器人动作的执行方法、装置和存储介质 |
CN113119119B (zh) * | 2021-03-30 | 2022-07-05 | 广州大学 | 一种机器人动作的执行方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
WO2022188379A1 (zh) | 服务于电力机器人的人工智能系统及方法 | |
CN110059558B (zh) | 一种基于改进ssd网络的果园障碍物实时检测方法 | |
CN111665842B (zh) | 一种基于语义信息融合的室内slam建图方法及系统 | |
WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN111080693A (zh) | 一种基于YOLOv3的机器人自主分类抓取方法 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN112669318B (zh) | 表面缺陷检测方法、装置、设备及存储介质 | |
CN113450408A (zh) | 一种基于深度相机的非规则物体位姿估计方法及装置 | |
CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
CN114241298A (zh) | 一种激光雷达和图像融合的塔吊环境目标检测方法及系统 | |
CN106155299B (zh) | 一种对智能设备进行手势控制的方法及装置 | |
CN114638784A (zh) | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 | |
CN115115859A (zh) | 基于无人机航拍的长线性工程施工进度智能识别与分析方法 | |
CN115049821A (zh) | 一种基于多传感器融合的三维环境目标检测方法 | |
CN113657423A (zh) | 适用于小体积零件与堆叠零件的目标检测方法及其应用 | |
CN110349209A (zh) | 基于双目视觉的振捣棒定位方法 | |
CN114170188A (zh) | 一种俯视图像的目标计数方法、系统及存储介质 | |
CN111123915A (zh) | 一种巡检机器人越障方法、系统、存储介质及计算设备 | |
CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 | |
CN116612097A (zh) | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 | |
CN116486287A (zh) | 基于环境自适应机器人视觉系统的目标检测方法及系统 | |
CN110706288A (zh) | 目标检测的方法、装置、设备及可读存储介质 | |
CN106446962B (zh) | 一种大梁障碍物动态聚类识别方法 | |
Shi et al. | Cobev: Elevating roadside 3d object detection with depth and height complementarity |
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: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |