CN111626996B - 基于dem三维特征分布的滑动窗口检测方法 - Google Patents
基于dem三维特征分布的滑动窗口检测方法 Download PDFInfo
- Publication number
- CN111626996B CN111626996B CN202010435166.1A CN202010435166A CN111626996B CN 111626996 B CN111626996 B CN 111626996B CN 202010435166 A CN202010435166 A CN 202010435166A CN 111626996 B CN111626996 B CN 111626996B
- Authority
- CN
- China
- Prior art keywords
- window
- grabbing
- distribution
- windows
- sub
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C3/00—Load-engaging elements or devices attached to lifting or lowering gear of cranes or adapted for connection therewith and intended primarily for transmitting lifting forces to loose materials; Grabs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供基于DEM三维特征分布的滑动窗口检测算法,具体步骤如下;步骤一业务场景与基本定义;步骤二,质量特征分布及安全关系模型;步骤三,滑动窗口算法。本发明提供基于DEM三维特征分布的滑动窗口检测算法,根据现场采集的数据,进行DEM三维建模,进一步提取三维特征及分布,建立三维特征分布与抓取效果、抓取安全的关系模型,并通过仿真实验,验证检测方法的效果,为无人值守系统安全抓取提供安全有效的抓取区域。
Description
技术领域
本发明属于无人行车抓取安全与抓取检测领域,特别是涉及基于DEM三维特征分布的滑动窗口检测方法。
背景技术
干散堆料发货出现无人值守的新业务模式,但是干散料的分布连续、极不规则、动态变化快,抓取区域的检测,涉及业务的安全、稳定,实时根据干散堆料的分布情况,检测三维图像与发货安全、效果相关的特征及分布,给出抓取区域的分布情况,直接关系到系统的可用性。三维图像的检测、生成及分割等技术已经应用于生产、安全预警等各个方面。如应用检测技术获得DEM三维模型,应用DEM三维特征检测与分割路面裂缝区域,或通过目标图像比对报警,或用于坡度误差、地形分析等应用。在干散料的抓取工作中,抓取质量与抓取安全,是抓取工作的难点,当前无人值守的散料发货刚处于试用阶段,在干散料的三维分布特征与抓取效果、抓取安全方面,还没见到相关的研究,是急需解决的难题,在细颗粒干散料无人值守系统的抓取发料工作中,干散料的三维分布连续、极不规则、动态变化快,抓斗抓取区域的选择,关系到抓取的安全性与抓取效果,在三维分布极端的情况下,抓取区域选择不当,易引起抓斗翻转、闭合绳脱槽等事故,或抓取效果较差,达不到抓取效率要求。基于干散料的分布特性,申请人提出一种基于三维特征分布的滑动窗口检测算法。
发明内容
为了解决以上问题,本发明提供基于DEM三维特征分布的滑动窗口检测方法,根据现场采集的数据,进行DEM三维建模,进一步提取三维特征及分布,建立三维特征分布与抓取效果、抓取安全的关系模型,并通过仿真实验,验证检测方法的效果,为无人值守系统安全抓取提供安全有效的抓取区域,为达此目的,本发明提供基于DEM三维特征分布的滑动窗口检测方法,具体步骤如下;
步骤一,业务场景与基本定义;
在干散料码头、仓库中,散料的堆放为倾倒或抓斗抛放形成,其三维分布既连续又极不规则,工业级干散料无人值守装运业务,要求系统安全、高效,干散堆料的变化较快,要保证安全,要根据现场抓斗抓取姿态与堆料分布情况,建立三维特征分布与安全关系模型,在安全的情况下方可抓取;在抓取质量方面,对每一次抓取位的堆料分布情况建模;
根据建模需要,做如下基本定义:
(1)单元窗口:整个堆料区域划分为M×N个基本方格,称为单元窗口,每个单元窗口为边长为l的正方形,整个区域可视作一个三维矩阵Amn,每个单元窗口Amn的平均高度为Hmn(m∈(1…M),n∈(1…N));
(3)抓取子窗口:为表示三维分布特征,将任何一个抓取窗口Wpq划分为多个子窗口,每个子窗口包含U×V个单元窗口,称为抓取子窗口Wuv,位于抓取窗口中心位置的虚拟子窗口Wc称为中心子窗口,实际应用中,子窗口数量划分越细,数据表达越精确;
(4)质量分布向心度(AFFuv):表示任何一个子窗口Wuv堆料量以及离抓取窗口中心聚集的程度,如果抓取窗口高度越高、物料离中心点越近,其向心度越高;
(5)滑动窗口:为寻找物料分布满足安全与特征分布较好的抓取位置,按抓取窗口的大小,每隔S行、T列动态滑动此窗口,记录滑动过程中所有窗口的p、q值及特征分布数据,此窗口称之为滑动窗口;
步骤二质量特征分布及安全关系模型;
对于任何一个抓取窗口,其包含P×Q个单元窗口,则窗口Wpq为:
在Wpq窗口抓取作业时,其抓取方式中物料集中在中心一带最有利,如果抓取窗口的物料分布为中间凹,抓取的量较少,达不到抓取效果与效率要求,当大斜坡方向与抓斗长边方向一致时,抓取量介于两者之间,同时易产生动滑轮脱槽的安全风险;
要保证每一次抓取质量满足要求,设计抓取窗口Wpq的特征参数与特征模型,为方便表达抓取窗口的物料分布情况,从以下几个特征值来考虑:
1、中心平均高度,对于窗口Wpq来讲,其抓取分布于式(1)所在的区域,假设在各窗口的物料分布在Px∈[l1,l2]中心带,对于连续分布的干散料来讲,在总量一定时,中心带的平均高度HSz能较好的反应物料分布好坏的一个特征;
2、质量分布向心度,将抓取窗口Wpq分为多个抓取子窗口Wuv,每一个子窗口Wuv包含U×V个单元窗口,对于任何一个窗口Wuv,其中心离Wpq线的垂直距离为luv,且HSz越大、 luv越小,其质量分布向心度越好,即形成“峰”状分布,即特征值与HSz乘积越大,抓取效果越好,当子窗口在[1,l1]与[l2,P]范围时,对抓取不利;
根据上述分析,定论质量分布向心度为:
AFFuv=α*HSz*Duv (式2)
其中,α值为:
对于整个抓取窗口,其质量分布向心度为所有子窗口向心度之和的平均值,由此可得:
根据式(2),可以求出任何一个子窗口的质量分布向心度值,用于评测在此窗口在抓取时是否满足抓取效果,如果满足则实施抓取动作,否则通过滑动窗口,找到合适的抓取窗口位置;
对于任意一个抓取窗口Wpq,抓取时抓斗倾斜度越小抓取越安全,出现安全事故的机率越低,细颗粒散料的理想分布的情况是中间高、四周低,即Px∈[l1,l2]时,抓取安全且效果好;
为分析安全关系,将整个窗口分为中心带WZc、周边四个子窗口WZk(k∈[1,4]),则对于任何一个周边子窗口WZk,中心带WZc为:
其中,WZc的中心点位于((1+P)/2,(yWc+1+Q/2)),抓取窗口可表示为:用Wn表示HSz高于各子窗口WZk平均高度的数量,Wn=2时最危险, Wn=3次之,当Wn=4时最安全,四个周边子窗口的根据抓斗长边左右两边的位置,分为WLpq和WRpq,即Wpq=(WLpq WRpq),假设HLpq、HRpq表示Wpq左右两边窗口的均高,SWpq表示Wpq的安全特征系数,则SWpq可表示为:
SWpq=β*HSz/abs(HLPq-HRPq) (式6)
式(6)中,当Wn=2或Wn=3,左右两边的子窗口高度相差达到某一危险值Hd时,会发生安全事故,安全情况,此时β=0,其它情况下,β=1,由式6可知,SWpq值越大,越安全;
步骤三滑动窗口算法;
如果规则的划分各抓取窗口,SWpq与AFFpq同时符合抓取要求的Wpq并不多,从全局上看,有些窗口经过移动之后,很容易满足两个条件要求,因此,从第一个窗口W11开始,每次下、右移动S、T个单元窗口位置,计算其质量向心度与安全特征值,一直到所有满足滑动的窗口计算完成,则每个滑动窗口的位置为:
作为本发明进一步改进,单元窗口中定义M=33,N=99,共33*99个单元窗口,设 P=8,Q=16,U=2,V=4,则全场可划分为共24个抓取窗口,每个窗口又划分为8个子窗口,相关数据根据现场堆料的分布数据生成。
本申请提供基于DEM三维特征分布的滑动窗口检测方法,在抓取前根据物料的分布情况进行检测、分析,分判断分布相对安全、效果的影响特征,如中心凹陷、超高坡度等特征,建立整个区域的DEM三维特征分布模型,进一步利用滑动窗口,检测安全、高效的抓取区域。仿真结果表明,基于DTM三维特征分布的滑动窗口检测算法能根据堆料的分布情况,较好的给出高效、安全抓取区域,为无人值守行车抓取工程应用提供了全新的检测方法。
附图说明
图1为干散堆料高程图;
图2(a)为抓取窗口实景图;
图2(b)为抓取窗口分布图;
图2(c)为中心子窗口图;
图3为抓取窗口抓取方式与典型的三维分布图;
图4为几种典型的三维分布情况;
图5为三维特征数据及安全系数仿真结果分布图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供基于DEM三维特征分布的滑动窗口检测方法,在抓取前根据物料的分布情况进行检测、分析,分判断分布相对安全、效果的影响特征,如中心凹陷、超高坡度等特征,建立整个区域的DEM三维特征分布模型,进一步利用滑动窗口,检测安全、高效的抓取区域。仿真结果表明,基于DTM三维特征分布的滑动窗口检测算法能根据堆料的分布情况,较好的给出高效、安全抓取区域,为无人值守行车抓取工程应用提供了全新的检测方法。
本发明提供基于DEM三维特征分布的滑动窗口检测方法,具体实施例如下;
步骤一业务场景与基本定义;
在干散料码头、仓库中,散料的堆放通常为倾倒或抓斗抛放形成,其三维分布既连续又极不规则,如图1所示。工业级干散料无人值守装运业务,要求系统安全、高效。干散堆料的变化较快,要保证安全,要根据现场抓斗抓取姿态与堆料分布情况,建立三维特征分布与安全关系模型,在安全的情况下方可抓取;在抓取质量方面,对每一次抓取位的堆料分布情况建模;
根据建模需要,做如下基本定义:
(1)单元窗口:整个堆料区域划分为M×N个基本方格,称为单元窗口。每个单元窗口为边长为l的正方形,整个区域可视作一个三维矩阵Amn,每个单元窗口Amn的平均高度为Hmn(m∈(1…M),n∈(1…N))。
(2)抓取窗口:在抓斗抓取物料时,抓斗完全张开时抓取范围在平面上的投影称为抓取窗口,图2(a)表示实际抓取窗口的场景,图2(b)表示料场按规则划分为连续分布的抓取窗口。假设堆料区域Amn分成个抓取窗口,对于任何抓取窗口其包含P×Q个单元窗口。
(3)抓取子窗口:为表示三维分布特征,将任何一个抓取窗口Wpq划分为多个子窗口,每个子窗口包含U×V个单元窗口,称为抓取子窗口Wuv。位于抓取窗口中心位置的虚拟子窗口Wc称为中心子窗口。如图2(c)所示,窗口Wc为当前抓取窗口的中心窗口,整个窗口被划分为4个子窗口。实际应用中,子窗口数量划分越细,数据表达越精确。
(4)质量分布向心度(AFFuv):表示任何一个子窗口Wuv堆料量以及离抓取窗口中心聚集的程度。从直观上看,如果抓取窗口高度越高、物料离中心点越近,其向心度越高。
(5)滑动窗口:为寻找物料分布满足安全与特征分布较好的抓取位置,按抓取窗口的大小,每隔S行、T列动态滑动此窗口,记录滑动过程中所有窗口的p、q值及特征分布数据,此窗口称之为滑动窗口。
步骤二质量特征分布及安全关系模型;
对于任何一个抓取窗口,其包含P×Q个单元窗口,则窗口Wpq为:
在Wpq窗口抓取作业时,其抓取方式如图3(1)所示,物料集中在中心一带最有利,如图3(2)所示;如果抓取窗口的物料分布为中间凹,抓取的量较少,达不到抓取效果与效率要求,如图3(3)所示;当大斜坡方向与抓斗长边方向一致时,抓取量介于(2) 与(3)之间,同时易产生动滑轮脱槽的安全风险,如图3(4)所示。
要保证每一次抓取质量满足要求,设计抓取窗口Wpq的特征参数与特征模型。为方便表达抓取窗口的物料分布情况,从以下几个特征值来考虑:1、中心平均高度。如图3(2)~3(4)所示,对于窗口Wpq来讲,其抓取分布于式(1)所在的区域,如所3(2)所示,假设在各窗口的物料分布在Px∈[l1,l2]中心带,对于连续分布的干散料来讲,在总量一定时,中心带的平均高度HSz能较好的反应物料分布好坏的一个特征。2、质量分布向心度。将抓取窗口Wpq分为多个抓取子窗口Wuv,每一个子窗口Wuv包含U×V个单元窗口。对于任何一个窗口Wuv,其中心离Wpq线的垂直距离为luv,且HSz越大、luv越小,其质量分布向心度越好,即形成“峰”状分布,即特征值与HSz乘积越大,抓取效果越好,当子窗口在[1,l1]与[l2,P]范围时,对抓取不利。根据上述分析,定论质量分布向心度为:
AFFuv=α*HSz*Duv (式2)
其中,α值为:
对于整个抓取窗口,其质量分布向心度为所有子窗口向心度之和的平均值,由此可得:
根据式(2),可以求出任何一个子窗口的质量分布向心度值,用于评测在此窗口在抓取时是否满足抓取效果,如果满足则实施抓取动作,否则通过滑动窗口,找到合适的抓取窗口位置。
对于任意一个抓取窗口Wpq,抓取时抓斗倾斜度越小抓取越安全,出现安全事故的机率越低,如图4所示。细颗粒散料的理想分布的情况是中间高、四周低,即Px∈[l1,l2]时,抓取安全且效果好。
为分析安全关系,将整个窗口分为中心带WZc、周边四个子窗口WZk(k∈[1,4])。则对于任何一个周边子窗口WZk。中心带WZc为:
其中,WZc的中心点位于((1+P)/2,(yWc+1+Q/2))。抓取窗口可表示为:用Wn表示HSz高于各子窗口WZk平均高度的数量,由图4及现场情况可知,Wn=2时最危险,Wn=3次之,当Wn=4时最安全。四个周边子窗口的根据抓斗长边左右两边的位置,分为WLpq和WRpq,即Wpq=(WLpq WRpq),假设HLpq、HRpq表示Wpq左右两边窗口的均高,SWpq表示Wpq的安全特征系数,则SWpq可表示为:
SWpq=β*HSz/abs(HLpq-HRPq) (式6)
式(6)中,当Wn=2或Wn=3,左右两边的子窗口高度相差达到某一危险值Hd时,会发生安全事故,安全情况,此时β=0,其它情况下,β=1。由式6可知,SWpq值越大,越安全。
步骤三滑动窗口算法;
如图1所示的料场区域中,如果规则的划分各抓取窗口,SWpq与AFFpq同时符合抓取要求的Wpq并不多,从全局上看,有些窗口经过移动之后,很容易满足两个条件要求。因此,从第一个窗口W11开始,每次下、右移动S、T个单元窗口位置,计算其质量向心度与安全特征值,一直到所有满足滑动的窗口计算完成。则每个滑动窗口的位置为:
则滑动窗口算法过程如下:
模型仿真与分析如下:
采集现场高程数据,并应用插值方式生成DEM数据,生成物料三维模型,根据模型,对抓取窗口的中心带高度、周边子窗口高度差及Wn等三维特征进行提取,并根据式(4) 与式(6)计算得到窗口的质量分布向心度、抓取安全系数,再按式(7)的滑动次数,在整个发货区域滑动窗口,获得整个区域的滑动窗口向心度及安全系数,并记录所有滑动窗口的数据。
在图1的DEM三维图,M=33,N=99,共33*99个单元窗口,设P=8,Q=16, U=2,V=4,则全场可划分为共24个抓取窗口,每个窗口又划分为8个子窗口。设S=2,T=2,由式(7)可知全场抓取窗口共滑动40*14共560次。经仿真得到各滑动窗口向心度及安全系数分布。三维物料分布、向心度分布、安全系统分布、危险区域等特征数据分布如图5所示。左上图为物料分布原始数据,右上为各滑动窗口向心度分布,左下为滑动窗口安全系统分布图,右下为风险分布图。向心度分布图中,数据越大,物料分布越集中,抓取效果越好。
由图5仿真结果分布及三维物料原始分布情况对比可知,物料分布集中处,质量分布向心度AFF高,在抓取时安全性SW也较好,二者分布重合区域相似,交集部分为抓取同时满足抓取质量与安全的抓取窗口分布区域。风险的分布与安全的分布处于区域基本相反,安全风险值较高区域,尽量避免抓取工作。在实际操作过程中,需要定义安全抓取值及抓取质量向心度值后,过滤其中不满足要求的值点,余下分布区域为可安全抓取区。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.基于DEM三维特征分布的滑动窗口检测方法,具体步骤如下,其特征在于;
步骤一,业务场景与基本定义;
在干散料码头、仓库中,散料的堆放为倾倒或抓斗抛放形成,其三维分布既连续又极不规则,工业级干散料无人值守装运业务,要求系统安全、高效,干散堆料的变化较快,要保证安全,要根据现场抓斗抓取姿态与堆料分布情况,建立三维特征分布与安全关系模型,在安全的情况下方可抓取;在抓取质量方面,对每一次抓取位的堆料分布情况建模;
根据建模需要,做如下基本定义:
(1)单元窗口:整个堆料区域划分为M×N个基本方格,称为单元窗口,每个单元窗口为边长为l的正方形,整个区域可视作一个三维矩阵Amn,每个单元窗口Amn的平均高度为Hmn(m∈(1…M),n∈(1…N));
(3)抓取子窗口:为表示三维分布特征,将任何一个抓取窗口Wpq划分为多个子窗口,每个子窗口包含U×V个单元窗口,称为抓取子窗口Wuv,位于抓取窗口中心位置的虚拟子窗口Wc称为中心子窗口,实际应用中,子窗口数量划分越细,数据表达越精确;
(4)质量分布向心度(AFFuv):表示任何一个子窗口Wuv堆料量以及离抓取窗口中心聚集的程度,如果抓取窗口高度越高、物料离中心点越近,其向心度越高;
(5)滑动窗口:为寻找物料分布满足安全与特征分布较好的抓取位置,按抓取窗口的大小,每隔S行、T列动态滑动此窗口,记录滑动过程中所有窗口的p、q值及特征分布数据,此窗口称之为滑动窗口;
步骤二质量特征分布及安全关系模型;
对于任何一个抓取窗口,其包含P×Q个单元窗口,则窗口Wpq为:
在Wpq窗口抓取作业时,其抓取方式中物料集中在中心一带最有利,如果抓取窗口的物料分布为中间凹,抓取的量较少,达不到抓取效果与效率要求,当大斜坡方向与抓斗长边方向一致时,抓取量介于两者之间,同时易产生动滑轮脱槽的安全风险;
要保证每一次抓取质量满足要求,设计抓取窗口Wpq的特征参数与特征模型,为方便表达抓取窗口的物料分布情况,从以下几个特征值来考虑:
1、中心平均高度,对于窗口Wpq来讲,其抓取分布于式(1)所在的区域,假设在各窗口的物料分布在Px∈[l1,l2]中心带,对于连续分布的干散料来讲,在总量一定时,中心带的平均高度HSz能较好的反应物料分布好坏的一个特征;
2、质量分布向心度,将抓取窗口Wpq分为多个抓取子窗口Wuv,每一个子窗口Wuv包含U×V个单元窗口,对于任何一个窗口Wuv,其中心离Wpq线的垂直距离为luv,且HSz越大、luv越小,其质量分布向心度越好,即形成“峰”状分布,即特征值与HSz乘积越大,抓取效果越好,当子窗口在[1,l1]与[l2,P]范围时,对抓取不利;
根据上述分析,定论质量分布向心度为:
AFFuv=α*HSz*Duv (式2)
其中,α值为:
对于整个抓取窗口,其质量分布向心度为所有子窗口向心度之和的平均值,由此可得:
根据式(2),可以求出任何一个子窗口的质量分布向心度值,用于评测在此窗口在抓取时是否满足抓取效果,如果满足则实施抓取动作,否则通过滑动窗口,找到合适的抓取窗口位置;
对于任意一个抓取窗口Wpq,抓取时抓斗倾斜度越小抓取越安全,出现安全事故的机率越低,细颗粒散料的理想分布的情况是中间高、四周低,即Px∈[l1,l2]时,抓取安全且效果好;
为分析安全关系,将整个窗口分为中心带WZc、周边四个子窗口WZk(k∈[1,4]),则对于任何一个周边子窗口WZk,中心带WZc为:
其中,WZc的中心点位于((1+P)/2,(yWc+1+Q/2)),抓取窗口可表示为:用Wn表示HSz高于各子窗口WZk平均高度的数量,Wn=2时最危险,Wn=3次之,当Wn=4时最安全,四个周边子窗口的根据抓斗长边左右两边的位置,分为WLpq和WRpq,即Wpq=(WLpq WRpq),假设HLpq、HRpq表示Wpq左右两边窗口的均高,SWpq表示Wpq的安全特征系数,则SWpq可表示为:
SWpq=β*HSz/abs(HLpq-HRpq) (式6)
式(6)中,当Wn=2或Wn=3,左右两边的子窗口高度相差达到某一危险值Hd时,会发生安全事故,安全情况,此时β=0,其它情况下,β=1,由式6可知,SWpq值越大,越安全;
步骤三滑动窗口算法;
如果规则的划分各抓取窗口,SWpq与AFFpq同时符合抓取要求的Wpq并不多,从全局上看,有些窗口经过移动之后,很容易满足两个条件要求,因此,从第一个窗口W11开始,每次下、右移动S、T个单元窗口位置,计算其质量向心度与安全特征值,一直到所有满足滑动的窗口计算完成,则每个滑动窗口的位置为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435166.1A CN111626996B (zh) | 2020-05-21 | 2020-05-21 | 基于dem三维特征分布的滑动窗口检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435166.1A CN111626996B (zh) | 2020-05-21 | 2020-05-21 | 基于dem三维特征分布的滑动窗口检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626996A CN111626996A (zh) | 2020-09-04 |
CN111626996B true CN111626996B (zh) | 2021-10-19 |
Family
ID=72273036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010435166.1A Active CN111626996B (zh) | 2020-05-21 | 2020-05-21 | 基于dem三维特征分布的滑动窗口检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626996B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114888790B (zh) * | 2022-04-18 | 2023-10-24 | 金陵科技学院 | 基于散料三维特征分布的空间坐标寻位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103090791A (zh) * | 2013-01-08 | 2013-05-08 | 中联重科股份有限公司 | 散堆物料的测量系统、方法、装置和堆取料控制系统 |
CN107816978A (zh) * | 2017-10-23 | 2018-03-20 | 武汉德尔达科技有限公司 | 一种用于抓斗式挖泥船的浚测一体化水深测量方法 |
CN110081818A (zh) * | 2019-04-30 | 2019-08-02 | 国电龙源节能技术有限公司 | 堆场物料模型测量装置 |
CN110415265A (zh) * | 2019-08-08 | 2019-11-05 | 南京师范大学 | 基于无人机高精度dem数据的梯田自动提取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005308553A (ja) * | 2004-04-21 | 2005-11-04 | Topcon Corp | 三次元画像計測装置及び方法 |
WO2014136694A1 (ja) * | 2013-03-07 | 2014-09-12 | 独立行政法人石油天然ガス・金属鉱物資源機構 | 画像処理装置、画像処理方法及び画像処理プログラム |
US9589210B1 (en) * | 2015-08-26 | 2017-03-07 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
CN106044253B (zh) * | 2016-05-31 | 2019-03-29 | 中国神华能源股份有限公司 | 一种取料方法 |
CN108033279B (zh) * | 2017-12-13 | 2021-12-07 | 泰富重工制造有限公司 | 一种自动堆取料系统 |
CN109238173B (zh) * | 2018-08-16 | 2020-03-13 | 煤炭科学研究总院 | 一种储煤场三维实景重构系统及煤量快速估算方法 |
CN109902857B (zh) * | 2019-01-22 | 2020-11-10 | 江苏徐工工程机械研究院有限公司 | 一种运输车辆装载点自动规划方法及系统 |
CN110862014A (zh) * | 2019-10-14 | 2020-03-06 | 武汉港迪智能技术有限公司 | 一种库区物料自动作业系统及方法 |
-
2020
- 2020-05-21 CN CN202010435166.1A patent/CN111626996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103090791A (zh) * | 2013-01-08 | 2013-05-08 | 中联重科股份有限公司 | 散堆物料的测量系统、方法、装置和堆取料控制系统 |
CN107816978A (zh) * | 2017-10-23 | 2018-03-20 | 武汉德尔达科技有限公司 | 一种用于抓斗式挖泥船的浚测一体化水深测量方法 |
CN110081818A (zh) * | 2019-04-30 | 2019-08-02 | 国电龙源节能技术有限公司 | 堆场物料模型测量装置 |
CN110415265A (zh) * | 2019-08-08 | 2019-11-05 | 南京师范大学 | 基于无人机高精度dem数据的梯田自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111626996A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915764B (zh) | 基于动态规划的路面裂缝检测方法 | |
CN111626996B (zh) | 基于dem三维特征分布的滑动窗口检测方法 | |
CN103456003A (zh) | 对象跟踪装置及方法以及错误特征点剔除装置及方法 | |
CN113031005B (zh) | 基于激光雷达的吊车动态障碍物识别方法 | |
CN103745230A (zh) | 一种自适应群体异常行为分析方法 | |
CN111368650A (zh) | 一种基于轨迹数据的人群拥挤行为识别方法 | |
CN117132915B (zh) | 一种基于点云自动分类的输电线路树障隐患分析方法 | |
CN114888790B (zh) | 基于散料三维特征分布的空间坐标寻位方法 | |
CN115824052B (zh) | 一种基于激光雷达点云数据的堆料体积测量方法 | |
CN116228131A (zh) | 一种基于工地bim监控辅助方法 | |
Andersson et al. | Minimizing profile error when estimating the sieve-size distribution of iron ore pellets using ordinal logistic regression | |
CN111639424B (zh) | 基于dem的无人行车抓取安全与抓取效果检测算法 | |
CN111581816B (zh) | 干散料三维特征分布与抓取安全检测方法 | |
Yunoh et al. | Fatigue feature extraction analysis based on a K-means clustering approach | |
Lee et al. | Small Tool Image Database and Object Detection Approach for Indoor Construction Site Safety | |
CN111832660A (zh) | 一种移动船舶多目标实时检测方法 | |
CN110889831A (zh) | 三维激光集装箱码头轮胎吊障碍物检测和定位方法及系统 | |
CN114283579B (zh) | 基于c-v2x的关键场景生成方法、风险评估方法及系统 | |
CN113283495B (zh) | 一种集料颗粒分档方法及其装置 | |
CN113723533B (zh) | 对流天气影响终端区的模式识别方法及高斯混合聚类模型 | |
CN111581813A (zh) | 无人值守行车抓取安全检测方法 | |
Zou | Sliding Window Detection Algorithm of Grabbing Safety and Grabbing Effect Based on DEM with Applications to Unmanned Bridge Grabbing Work | |
CN111477002B (zh) | 一种基于危险度判别的高速公路合流区交通冲突预警系统 | |
Kowalczyk et al. | Fault injection in optical path-detection quality degradation analysis with Wasserstein distance | |
CN111201431B (zh) | 用于确定粒度双峰性的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |