CN111736237A - 辐射雾检测方法、装置、计算机设备和可读存储介质 - Google Patents
辐射雾检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111736237A CN111736237A CN202010760018.7A CN202010760018A CN111736237A CN 111736237 A CN111736237 A CN 111736237A CN 202010760018 A CN202010760018 A CN 202010760018A CN 111736237 A CN111736237 A CN 111736237A
- Authority
- CN
- China
- Prior art keywords
- target
- target image
- target area
- preset
- radiation fog
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种辐射雾检测方法、装置、计算机设备和可读存储介质。所述方法包括:获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。采用本方法能够对辐射雾进行简单且准确地检测。
Description
技术领域
本申请涉及气象检测技术领域,特别是涉及一种辐射雾检测方法、装置、计算机设备和可读存储介质。
背景技术
辐射雾(Radiation fog),是指由于地表辐射冷却作用使地面气层水汽凝结而形成的雾,辐射雾在北方冬季、初春和秋末等季节比较常见,主要出现在晴朗、微风、近地面、水汽比较充沛的夜间或早晨。
辐射雾会对人们的生活与出行带来很多不良的影响,例如,辐射雾能造成能见度下降,对交通(城市交通、高速公路、机场航班起降、水陆航运等)影响较大;辐射雾弥漫时,空气中的有毒、有害物质可能会与大气污染物发生一系列物理化学反应,从而产生新的有害物质,且由于辐射雾的存在,空气无法对流,空气中的污染物很难扩散,对人体造成很大危险。
因此,如何对辐射雾进行简单且准确地检测,向人们输出可靠的辐射雾检测数据,成为目前亟待解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对辐射雾进行简单且准确地检测的辐射雾检测方法、装置、计算机设备和可读存储介质。
第一方面,本申请实施例提供一种辐射雾检测方法,所述方法包括:
获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;
若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;
若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。
在其中一个实施例中,所述目标区域包括目标物,所述根据所述目标图像获取所述目标区域的能见度值,包括:
将所述目标图像输入至清晰度分类模型中,得到所述目标图像对应的清晰度等级,所述清晰度等级用于表征所述目标物在所述目标图像中成像的清晰程度,所述清晰度分类模型由所述目标区域对应的多个样本图像训练得到;
根据所述清晰度等级,查找预置的与所述清晰度等级匹配的能见度系数,所述清晰度等级和所述能见度系数正相关;
基于所述能见度系数计算所述目标区域的能见度值。
在其中一个实施例中,所述目标图像具体通过高感光成像组件获取;所述基于所述能见度系数计算所述目标区域的能见度值,包括:
获取所述高感光成像组件至所述目标物的目标距离;
计算所述目标图像中各像素点至所述高感光成像组件的光心的距离均值,得到第一均值,所述目标图像处于所述高感光成像组件的成像平面;
计算所述目标物在所述目标图像中对应的各像素点至所述高感光成像组件的光心的距离均值,得到第二均值;
根据所述目标距离、所述第一均值、所述第二均值以及所述能见度系数,计算所述目标区域的能见度值。
在其中一个实施例中,所述检测所述目标区域对应的目标图像是否包括辐射雾,包括:
将所述目标图像输入至辐射雾识别模型中,得到识别结果,所述识别结果用于表征所述目标图像包括辐射雾或所述目标图像不包括辐射雾,所述辐射雾识别模型由不同历史时刻的多个辐射雾样本图像训练得到。
在其中一个实施例中,所述方法还包括:
通过光仪亮度计测量所述目标区域对应的目标亮度值;
根据所述目标亮度值查找预设的参数调整表,得到所述目标亮度值对应的目标成像参数,所述参数调整表包括各亮度值和各成像参数之间的映射关系;
将所述目标成像参数设置为所述高感光成像组件的工作参数。
在其中一个实施例中,所述环境数据包括所述目标区域对应的风速、温度以及空气湿度中的至少一个。
在其中一个实施例中,在所述环境数据包括所述目标区域对应风速、温度以及空气湿度的情况下,所述检测所述环境数据是否满足预设条件,包括:
检测所述风速是否处于预设风速范围内,并检测所述温度是否小于预设温度阈值以及检测所述空气湿度是否大于预设湿度阈值;
若所述风速处于所述预设风速范围内、所述温度小于所述预设温度阈值且所述空气湿度大于所述预设湿度阈值,则确定所述环境数据满足所述预设条件。
第二方面,本申请实施例提供一种辐射雾检测装置,所述装置包括:
第一获取模块,用于获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;
检测模块,用于若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;
第二获取模块,用于若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面的方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值;由此,由于预设条件与辐射雾形成的气象因素有关,若环境数据满足该预设条件,则表征目标区域的当前环境容易形成辐射雾,在此种情况下再检测目标区域对应的目标图像是否包括辐射雾,可以提升辐射雾检测的准确性,且本申请实施例辐射雾检测方法不依赖于遥感雷达卫星等复杂的实施环境,仅根据目标区域的环境数据和目标区域对应的目标图像即可方便地实现辐射雾的检测,降低了辐射雾的检测难度。
附图说明
图1为一个实施例中辐射雾检测方法的流程示意图;
图2为另一个实施例中步骤S300的细化步骤示意图;
图3为另一个实施例中步骤S303的细化步骤示意图;
图4为另一个实施例中辐射雾检测方法的流程示意图;
图5为另一个实施例中步骤S100的部分细化步骤示意图;
图6为一个实施例中辐射雾检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请实施例提供的辐射雾检测方法,其执行主体可以是辐射雾检测装置,该辐射雾检测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,计算机设备可以是服务器。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。可以理解的是,下述方法实施例提供的辐射雾检测方法,也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。
在一个实施例中,如图1所示,提供了一种辐射雾检测方法,包括以下步骤:
步骤S100,获取目标区域的环境数据,并检测环境数据是否满足预设条件。
本申请实施例中,目标区域可以是需要进行辐射雾检测的区域。计算机设备获取目标区域的环境数据,可以是通过相关的传感器获取的,例如,计算机设备可以通过风速风向仪采集目标区域的风向或风速,或通过温湿度计采集目标区域的温度和空气湿度,等等。
本申请实施例中,该预设条件与辐射雾形成的气象因素有关,预设条件可以包括容易形成辐射雾的气象因素。如辐射雾一般出现在晴朗和空气湿度较高的夜晚,辐射雾主要是因为夜间地面辐射冷却,从而靠近地表的空气温度低,当气温降到露点或露点以下时达到饱和凝结,并形成逆温现象,使空气中的水汽达到饱和所致;但如果风速过高,辐射雾会与上层较干空气混合而使辐射雾消散,而风速为1-3m/s时,辐射雾会在垂直方向扩展,辐射雾的垂直高度将达到10-30米且不消散。计算机设备则可以设置该预设条件为容易形成辐射雾的风速范围、温度阈值或湿度阈值,等等。
计算机设备检测环境数据是否满足预设条件,例如,可以是检测环境数据中包括的风速是否处于容易形成辐射雾的风速范围内等。由此,计算机设备通过检测环境数据是否满足预设条件,则可以确定环境数据表征的目标区域的当前环境是否容易形成辐射雾。
步骤S200,若环境数据满足预设条件,则检测目标区域对应的目标图像是否包括辐射雾。
本申请实施例中,计算机设备可以通过成像组件采集目标区域对应的目标图像。计算机设备若检测到环境数据满足预设条件,则表征目标区域的当前环境容易形成辐射雾;在环境数据满足预设条件的情况下,计算机设备再检测目标区域对应的目标图像是否包括辐射雾,由此可以提升辐射雾检测的准确性。
作为一种实施方式,计算机设备检测目标区域对应的目标图像是否包括辐射雾,可以通过执行如下步骤A1实现:
步骤A1,将目标图像输入至辐射雾识别模型中,得到识别结果。
其中,辐射雾识别模型由计算机设备采用不同历史时刻的多个辐射雾样本图像训练得到,识别结果用于表征目标图像包括辐射雾或目标图像不包括辐射雾。
本申请实施例中,计算机设备可以获取不同历史时刻的多个辐射雾样本图像,该多个辐射雾样本图像可以包括正样本和负样本;其中,正样本包括辐射雾,负样本不包括辐射雾,且正样本和负样本均具有对应的类别标签。计算机设备采用不同历史时刻的多个辐射雾样本图像训练初始辐射雾识别模型,训练后得到辐射雾识别模型。初始辐射雾识别模型可以是Resnet残差网络、VGG网络等分类网络模型,在此不做具体限制。
步骤S300,若目标图像包括辐射雾,则根据目标图像获取目标区域的能见度值。
能见度是反映大气透明度的一个指标,计算机设备若检测到目标图像包括辐射雾,则根据该目标图像获取目标区域的能见度值。在一种可能的实施方式中,计算机设备可以通过目标区域中的目标物在目标图像中成像的清晰程度,来确定目标区域的能见度值。可以理解的是,目标区域中的目标物在目标图像中成像越清晰,则目标区域的能见度值越高,反之,则目标区域的能见度值越低。
在另一种可能的实施方式中,计算机设备还可以获取目标区域在不包括辐射雾的正常环境下的参考图像,计算机设备计算目标区域中的目标物在该参考图像中各像素点的像素值与其在目标图像中对应像素点的像素值的差值,然后计算各差值的平均值;计算机设备根据该平均值在预置的映射表中查找该平均值对应的能见度值,从而得到目标区域的能见度值。其中,该映射表可以包括各差值平均值与各能见度的对应关系,该对应关系可以是分析目标区域的历史辐射雾检测数据得到的。
本实施例通过获取目标区域的环境数据,并检测环境数据是否满足预设条件,预设条件与辐射雾形成的气象因素有关;若环境数据满足预设条件,则检测目标区域对应的目标图像是否包括辐射雾;若目标图像包括辐射雾,则根据目标图像获取目标区域的能见度值;由此,由于预设条件与辐射雾形成的气象因素有关,若环境数据满足该预设条件,则表征目标区域的当前环境容易形成辐射雾,在此种情况下再检测目标区域对应的目标图像是否包括辐射雾,可以提升辐射雾检测的准确性,且本申请实施例辐射雾检测方法不依赖于遥感雷达卫星等复杂的实施环境,仅根据目标区域的环境数据和目标区域对应的目标图像即可方便地实现辐射雾的检测,降低了辐射雾的检测难度。
在一个实施例中,在上述图1所示实施例的基础上,参见图2,本实施例涉及的是计算机设备如何根据目标图像获取目标区域的能见度值的过程。如图2所示,该过程包括步骤S301、步骤S302和步骤S303:
步骤S301,将目标图像输入至清晰度分类模型中,得到目标图像对应的清晰度等级。
其中,目标区域包括目标物,清晰度等级用于表征目标物在目标图像中成像的清晰程度,清晰度分类模型由计算机设备采用目标区域对应的多个样本图像训练得到。
本申请实施例中,目标物可以是人工选定的目标区域的标志物,目标物如标志性建筑物、信号塔、山脉等。计算机设备获取目标区域对应的多个样本图像,各样本图像包括人工标注的目标物在样本图片中成像的清晰度等级,例如,标注清晰度等级“0”表示目标物在该样本图片中不可见,标注清晰度等级“1”表示目标物在该样本图片中稍微可见,标注清晰度等级“2”表示目标物在该样本图片中边缘可见,标注清晰度等级“3”表示目标物在该样本图片中清晰可见。计算机设备采用该多个样本图像训练初始清晰度分类模型,训练后得到清晰度分类模型。其中,初始清晰度分类模型可以是Resnet残差网络等分类网络模型,在此不做具体限制。
计算机设备将目标图像输入至训练的清晰度分类模型中,则得到目标图像对应的清晰度等级,例如得到清晰度等级为“0”、“1”、“2”或“3”,不同的清晰度等级表征目标物在目标图像中不同的成像清晰程度。
步骤S302,根据清晰度等级,查找预置的与清晰度等级匹配的能见度系数。
计算机设备在数据库中查找与目标图像的清晰度等级匹配的能见度系数,能见度系数用于计算机设备计算目标区域的能见度值,清晰度等级和能见度系数正相关。
例如,清晰度等级“0”匹配的能见度系数为0,清晰度等级“1”匹配的能见度系数为1,清晰度等级“2”匹配的能见度系数为1.5,清晰度等级“3”匹配的能见度系数为2.5。
步骤S303,基于能见度系数计算目标区域的能见度值。
计算机设备基于能见度系数计算目标区域的能见度值。在步骤S303一种可能的实施方式中,目标图像具体通过高感光成像组件获取,参见图3,步骤S303包括步骤S3031、步骤S3032、步骤S3033和步骤S3034:
步骤S3031,获取高感光成像组件至目标物的目标距离。
其中,该目标距离可以是人工获取后输入计算机设备的,也可以是计算机设备通过测距传感器测量的,在此不做具体限制。
步骤S3032,计算目标图像中各像素点至高感光成像组件的光心的距离均值,得到第一均值。
本申请实施例中,目标图像处于高感光成像组件的成像平面。计算机设备可以通过公式1计算目标图像中的各像素点至高感光成像组件的光心的距离dj:
其中,v为目标图像中任一像素点在目标图像中的纵坐标,θ表示高感光成像组件的光轴与地平面的夹角,H为高感光成像组件距离地平面的高度,f是高感光成像组件的有效焦距,vh为地平线在目标图像中的垂直点的纵坐标。
地平线在目标图像中的垂直点可以是地平线在目标图像中的灭点。在一种可能的实施方式中,计算机设备可以采用多个由人工分别标注了灭点位置的训练图片,训练得到灭点检测模型,灭点检测模型可以是基于SSD或者YOLO目标检测模型框架训练得到的。计算机设备将目标图像输入训练的灭点检测模型中,则得到地平线在目标图像中的垂直点的位置,从而得到地平线在目标图像中的垂直点的纵坐标。
计算机设备计算目标图像中的各像素点至高感光成像组件的光心的距离后,计算各距离的均值,得到第一均值。
步骤S3033,计算目标物在目标图像中对应的各像素点至高感光成像组件的光心的距离均值,得到第二均值。
作为一种实施方式,计算机设备可以首先采用目标检测模型检测目标物在目标图像中对应的位置框,计算机设备将目标图像中处于该位置框内的各像素点确定为目标图像中的目标物对应的各像素点。
计算机设备确定目标图像中的目标物对应的各像素点后,计算机设备可以采用与步骤S3032同样的方式,计算目标图像中的目标物对应的各像素点至成像组件的光心的距离,并进一步计算得到第二均值,本实施例在此不再赘述。
步骤S3034,根据目标距离、第一均值、第二均值以及能见度系数,计算目标区域的能见度值。
本申请实施例中,计算机设备采用公式2计算目标区域的能见度值D:
D=di*αd/dmean 公式2
其中,di为目标图像对应的第二均值,dmean为目标图像对应的第一均值,d为高感光成像组件至目标物的目标距离,α为能见度系数。
由此,计算机设备通过上述步骤计算得到目标区域的能见度值,相较于通过人工目测能见度,本实施例提升了目标区域的能见度值的数据可靠性,从而可以输出更加可靠的能见度结果,有利于提升交通安全及人们的出行安全。
本申请实施例中,目标图像具体通过高感光成像组件获取。在一种可能的实施方式中,由于高感光成像组件属于高精度仪器,计算机设备可以在检测到环境数据满足预设条件的情况下,再通过高感光成像组件采集目标区域对应的目标图像,由此可以延长高感光成像组件的使用寿命,从而可以降低辐射雾检测的成本。
在另一种可能的实施方式中,计算机设备也可以同时获取目标区域的环境数据以及通过高感光成像组件获取目标区域对应的目标图像,计算机设备获取到环境数据和目标图像后,计算机设备首先检测环境数据是否满足预设条件,若环境数据满足预设条件,计算机设备再检测该目标图像是否包括辐射雾;而若环境数据不满足该预设条件,计算机设备则不对该目标图像进行处理。
本申请实施例中,高感光成像组件可以是高感光成像仪,高感光成像仪可以安装在目标区域内的可旋转云台上。传统相机由于其性能限制,计算机设备无法识别其在夜间采集的图片中的内容,因此基于传统相机采集的图片,计算机设备无法实现辐射雾的夜间检测;而本申请实施例采用高感光成像组件获取目标图像,计算机设备通过调整高感光成像组件的工作参数,使得高感光成像组件在夜间或者光线较差的环境下也可以采集到与白天成像效果类似的目标图像,从而可以实现辐射雾的全天候检测,扩大了辐射雾的检测范围,进而提升了辐射雾的检测可靠性。
在一个实施例中,在上述图3所示实施例的基础上,参见图4,本实施例涉及的是计算机设备如何自动调整高感光成像组件的工作参数的过程。如图4所示,本实施例辐射雾检测方法还包括:
步骤S401,通过光仪亮度计测量目标区域对应的目标亮度值。
计算机设备通过光仪亮度计测量目标区域对应的目标亮度值,不同的目标亮度值表征的目标区域的光线强度不同,目标亮度值越大则表征目标区域的光线强度越高。
步骤S402,根据目标亮度值查找预设的参数调整表,得到目标亮度值对应的目标成像参数。
其中,参数调整表包括各亮度值和各成像参数之间的映射关系。
本申请实施例中,各亮度值和各成像参数之间的映射关系可以是计算机设备将多个历史时刻下,光仪亮度计的亮度值以及对应的高感光成像组件的成像参数进行拟合得到的,成像参数包括曝光度,增益,降噪,等等。
计算机设备根据目标亮度值查找预设的参数调整表,得到目标亮度值对应的目标成像参数。
步骤S403,将目标成像参数设置为高感光成像组件的工作参数。
在一种可能的实施方式中,参数调整表如表1所示:
Luminance | agc | mshutter | denoise |
0 | 0x00 | 0x4f | 0x07 |
(0,750] | 0x0c | 0x49 | 0x05 |
(750,2700] | 0x00 | 0x40 | 0x00 |
(2700,∞) | 0x00 | 0x4a | 0x05 |
表1
其中,Luminance为光仪亮度计的流明值(亮度值),agc为增益,mshutter为曝光度,denoise为降噪。
如表1所示,当目标亮度值为0时,计算机设备则将高感光成像组件的agc调整成0x00、mshutter调整成0x4f、denoise调整成0x07;当目标亮度值为0~750时,计算机设备则将高感光成像组件的agc调整成0x0c、mshutter调整成0x49、denoise调整成0x05;当目标亮度值为750~2700时,计算机设备则将高感光成像组件的agc调整成0x00、mshutter调整成0x40、denoise调整成0x00;当目标亮度值大于2700时,计算机设备则将高感光成像组件的agc调整成0x00、mshutter调整成0x0f、denoise调整成0x07。
由此,计算机设备基于光仪亮度计测量的目标区域对应的目标亮度值,即可自适应调整高感光成像组件的工作参数,无需人工调整,提升了高感光成像组件的工作参数的调整及时性,从而确保高感光成像组件采集的目标图像的效果,进而提升了辐射雾检测的准确性。
在一个实施例中,在上述图1所示实施例的基础上,环境数据包括目标区域对应的风速、温度以及空气湿度中的至少一个。参见图5,本实施例涉及的是计算机设备如何检测环境数据是否满足预设条件的过程。如图5所示,在环境数据包括目标区域对应风速、温度以及空气湿度的情况下,该过程包括:
步骤S101,检测风速是否处于预设风速范围内,并检测温度是否小于预设温度阈值以及检测空气湿度是否大于预设湿度阈值。
本申请实施例中,环境数据包括目标区域对应风速、温度以及空气湿度。计算机设备根辐射雾容易形成的气象因素,确定预设条件为环境数据包括的风速处于预设风速范围内、包括的温度小于预设温度阈值且包括的空气湿度大于预设湿度阈值。
计算机设备检测风速是否处于预设风速范围内,并检测温度是否小于预设温度阈值以及检测空气湿度是否大于预设湿度阈值,由此,计算机设备通过步骤S101可以检测目标区域的当前环境是否与容易形成辐射雾的气象因素相同。
步骤S102,若风速处于预设风速范围内、温度小于预设温度阈值且空气湿度大于预设湿度阈值,则确定环境数据满足预设条件。
计算机设备若检测到风速处于预设风速范围内、温度小于预设温度阈值且空气湿度大于预设湿度阈值,则确定环境数据满足预设条件。
在环境数据满足预设条件的情况下,计算机设备再检测目标区域对应的目标图像是否包括辐射雾,由此可以提升辐射雾检测的准确性。
应该理解的是,虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种辐射雾检测装置,包括:
第一获取模块100,用于获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;
检测模块200,用于若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;
第二获取模块300,用于若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。
在一个实施例中,所述第二获取模块300包括:
清晰度分类单元,用于将所述目标图像输入至清晰度分类模型中,得到所述目标图像对应的清晰度等级,所述清晰度等级用于表征所述目标物在所述目标图像中成像的清晰程度,所述清晰度分类模型由所述目标区域对应的多个样本图像训练得到;
查找单元,用于根据所述清晰度等级,查找预置的与所述清晰度等级匹配的能见度系数,所述清晰度等级和所述能见度系数正相关;
计算单元,用于基于所述能见度系数计算所述目标区域的能见度值。
在一个实施例中,所述目标图像具体通过高感光成像组件获取;所述计算单元具体用于获取所述高感光成像组件至所述目标物的目标距离;计算所述目标图像中各像素点至所述高感光成像组件的光心的距离均值,得到第一均值,所述目标图像处于所述高感光成像组件的成像平面;计算所述目标物在所述目标图像中对应的各像素点至所述高感光成像组件的光心的距离均值,得到第二均值;根据所述目标距离、所述第一均值、所述第二均值以及所述能见度系数,计算所述目标区域的能见度值。
在一个实施例中,所述检测模块200包括:
识别单元,用于将所述目标图像输入至辐射雾识别模型中,得到识别结果,所述识别结果用于表征所述目标图像包括辐射雾或所述目标图像不包括辐射雾,所述辐射雾识别模型由不同历史时刻的多个辐射雾样本图像训练得到。
在一个实施例中,所述装置还包括:
测量模块,用于通过光仪亮度计测量所述目标区域对应的目标亮度值;
参数确定模块,用于根据所述目标亮度值查找预设的参数调整表,得到所述目标亮度值对应的目标成像参数,所述参数调整表包括各亮度值和各成像参数之间的映射关系;
参数调整模块,用于将所述目标成像参数设置为所述高感光成像组件的工作参数。
在一个实施例中,所述环境数据包括所述目标区域对应的风速、温度以及空气湿度中的至少一个。
在一个实施例中,在所述环境数据包括所述目标区域对应风速、温度以及空气湿度的情况下,所述第一获取模块100包括:
检测单元,用于检测所述风速是否处于预设风速范围内,并检测所述温度是否小于预设温度阈值以及检测所述空气湿度是否大于预设湿度阈值;
确定单元,用于若所述风速处于所述预设风速范围内、所述温度小于所述预设温度阈值且所述空气湿度大于所述预设湿度阈值,则确定所述环境数据满足所述预设条件。
关于辐射雾检测装置的具体限定可以参见上文中对于辐射雾检测方法的限定,在此不再赘述。上述辐射雾检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储辐射雾检测方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种辐射雾检测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;
若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;
若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。
在一个实施例中,所述目标区域包括目标物,处理器执行计算机程序时还实现以下步骤:
将所述目标图像输入至清晰度分类模型中,得到所述目标图像对应的清晰度等级,所述清晰度等级用于表征所述目标物在所述目标图像中成像的清晰程度,所述清晰度分类模型由所述目标区域对应的多个样本图像训练得到;
根据所述清晰度等级,查找预置的与所述清晰度等级匹配的能见度系数,所述清晰度等级和所述能见度系数正相关;
基于所述能见度系数计算所述目标区域的能见度值。
在一个实施例中,所述目标图像具体通过高感光成像组件获取,处理器执行计算机程序时还实现以下步骤:
获取所述高感光成像组件至所述目标物的目标距离;
计算所述目标图像中各像素点至所述高感光成像组件的光心的距离均值,得到第一均值,所述目标图像处于所述高感光成像组件的成像平面;
计算所述目标物在所述目标图像中对应的各像素点至所述高感光成像组件的光心的距离均值,得到第二均值;
根据所述目标距离、所述第一均值、所述第二均值以及所述能见度系数,计算所述目标区域的能见度值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述目标图像输入至辐射雾识别模型中,得到识别结果,所述识别结果用于表征所述目标图像包括辐射雾或所述目标图像不包括辐射雾,所述辐射雾识别模型由不同历史时刻的多个辐射雾样本图像训练得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过光仪亮度计测量所述目标区域对应的目标亮度值;
根据所述目标亮度值查找预设的参数调整表,得到所述目标亮度值对应的目标成像参数,所述参数调整表包括各亮度值和各成像参数之间的映射关系;
将所述目标成像参数设置为所述高感光成像组件的工作参数。
在一个实施例中,所述环境数据包括所述目标区域对应的风速、温度以及空气湿度中的至少一个。
在一个实施例中,在所述环境数据包括所述目标区域对应风速、温度以及空气湿度的情况下,处理器执行计算机程序时还实现以下步骤:
检测所述风速是否处于预设风速范围内,并检测所述温度是否小于预设温度阈值以及检测所述空气湿度是否大于预设湿度阈值;
若所述风速处于所述预设风速范围内、所述温度小于所述预设温度阈值且所述空气湿度大于所述预设湿度阈值,则确定所述环境数据满足所述预设条件。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;
若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;
若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。
在一个实施例中,所述目标区域包括目标物,计算机程序被处理器执行时还实现以下步骤:
将所述目标图像输入至清晰度分类模型中,得到所述目标图像对应的清晰度等级,所述清晰度等级用于表征所述目标物在所述目标图像中成像的清晰程度,所述清晰度分类模型由所述目标区域对应的多个样本图像训练得到;
根据所述清晰度等级,查找预置的与所述清晰度等级匹配的能见度系数,所述清晰度等级和所述能见度系数正相关;
基于所述能见度系数计算所述目标区域的能见度值。
在一个实施例中,所述目标图像具体通过高感光成像组件获取,计算机程序被处理器执行时还实现以下步骤:
获取所述高感光成像组件至所述目标物的目标距离;
计算所述目标图像中各像素点至所述高感光成像组件的光心的距离均值,得到第一均值,所述目标图像处于所述高感光成像组件的成像平面;
计算所述目标物在所述目标图像中对应的各像素点至所述高感光成像组件的光心的距离均值,得到第二均值;
根据所述目标距离、所述第一均值、所述第二均值以及所述能见度系数,计算所述目标区域的能见度值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述目标图像输入至辐射雾识别模型中,得到识别结果,所述识别结果用于表征所述目标图像包括辐射雾或所述目标图像不包括辐射雾,所述辐射雾识别模型由不同历史时刻的多个辐射雾样本图像训练得到。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过光仪亮度计测量所述目标区域对应的目标亮度值;
根据所述目标亮度值查找预设的参数调整表,得到所述目标亮度值对应的目标成像参数,所述参数调整表包括各亮度值和各成像参数之间的映射关系;
将所述目标成像参数设置为所述高感光成像组件的工作参数。
在一个实施例中,所述环境数据包括所述目标区域对应的风速、温度以及空气湿度中的至少一个。
在一个实施例中,在所述环境数据包括所述目标区域对应风速、温度以及空气湿度的情况下,在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
检测所述风速是否处于预设风速范围内,并检测所述温度是否小于预设温度阈值以及检测所述空气湿度是否大于预设湿度阈值;
若所述风速处于所述预设风速范围内、所述温度小于所述预设温度阈值且所述空气湿度大于所述预设湿度阈值,则确定所述环境数据满足所述预设条件。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种辐射雾检测方法,其特征在于,所述方法包括:
获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;
若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;
若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。
2.根据权利要求1所述的方法,其特征在于,所述目标区域包括目标物,所述根据所述目标图像获取所述目标区域的能见度值,包括:
将所述目标图像输入至清晰度分类模型中,得到所述目标图像对应的清晰度等级,所述清晰度等级用于表征所述目标物在所述目标图像中成像的清晰程度,所述清晰度分类模型由所述目标区域对应的多个样本图像训练得到;
根据所述清晰度等级,查找预置的与所述清晰度等级匹配的能见度系数,所述清晰度等级和所述能见度系数正相关;
基于所述能见度系数计算所述目标区域的能见度值。
3.根据权利要求2所述的方法,其特征在于,所述目标图像具体通过高感光成像组件获取;所述基于所述能见度系数计算所述目标区域的能见度值,包括:
获取所述高感光成像组件至所述目标物的目标距离;
计算所述目标图像中各像素点至所述高感光成像组件的光心的距离均值,得到第一均值,所述目标图像处于所述高感光成像组件的成像平面;
计算所述目标物在所述目标图像中对应的各像素点至所述高感光成像组件的光心的距离均值,得到第二均值;
根据所述目标距离、所述第一均值、所述第二均值以及所述能见度系数,计算所述目标区域的能见度值。
4.根据权利要求1所述的方法,其特征在于,所述检测所述目标区域对应的目标图像是否包括辐射雾,包括:
将所述目标图像输入至辐射雾识别模型中,得到识别结果,所述识别结果用于表征所述目标图像包括辐射雾或所述目标图像不包括辐射雾,所述辐射雾识别模型由不同历史时刻的多个辐射雾样本图像训练得到。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
通过光仪亮度计测量所述目标区域对应的目标亮度值;
根据所述目标亮度值查找预设的参数调整表,得到所述目标亮度值对应的目标成像参数,所述参数调整表包括各亮度值和各成像参数之间的映射关系;
将所述目标成像参数设置为所述高感光成像组件的工作参数。
6.根据权利要求1所述的方法,其特征在于,所述环境数据包括所述目标区域对应的风速、温度以及空气湿度中的至少一个。
7.根据权利要求6所述的方法,其特征在于,在所述环境数据包括所述目标区域对应风速、温度以及空气湿度的情况下,所述检测所述环境数据是否满足预设条件,包括:
检测所述风速是否处于预设风速范围内,并检测所述温度是否小于预设温度阈值以及检测所述空气湿度是否大于预设湿度阈值;
若所述风速处于所述预设风速范围内、所述温度小于所述预设温度阈值且所述空气湿度大于所述预设湿度阈值,则确定所述环境数据满足所述预设条件。
8.一种辐射雾检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标区域的环境数据,并检测所述环境数据是否满足预设条件,所述预设条件与辐射雾形成的气象因素有关;
检测模块,用于若所述环境数据满足所述预设条件,则检测所述目标区域对应的目标图像是否包括辐射雾;
第二获取模块,用于若所述目标图像包括辐射雾,则根据所述目标图像获取所述目标区域的能见度值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760018.7A CN111736237A (zh) | 2020-07-31 | 2020-07-31 | 辐射雾检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760018.7A CN111736237A (zh) | 2020-07-31 | 2020-07-31 | 辐射雾检测方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111736237A true CN111736237A (zh) | 2020-10-02 |
Family
ID=72656902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010760018.7A Pending CN111736237A (zh) | 2020-07-31 | 2020-07-31 | 辐射雾检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736237A (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007251719A (ja) * | 2006-03-17 | 2007-09-27 | Hitachi Kokusai Electric Inc | 気象データに連動したカメラシステム |
CN101207833A (zh) * | 2006-12-19 | 2008-06-25 | Tcl数码科技(深圳)有限责任公司 | 数码相机镜头光心偏移的检测方法 |
CN101672768A (zh) * | 2008-09-11 | 2010-03-17 | 中国海洋大学 | 海上浓雾条件下大气水平能见度场的获取方法 |
US20100091143A1 (en) * | 2006-07-07 | 2010-04-15 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
US20100214791A1 (en) * | 2006-08-11 | 2010-08-26 | Donnelly Corporation | Automatic headlamp control system |
DE102009011866A1 (de) * | 2009-03-05 | 2010-09-09 | Volkswagen Ag | Verfahren und Vorrichtung zum Bestimmen einer Sichtweite für ein Fahrzeug |
CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
US20110254947A1 (en) * | 2008-12-24 | 2011-10-20 | Ricoh Company. Limited | Method and apparatus for image processing and on - vehicle camera apparatus |
CN102540277A (zh) * | 2012-01-16 | 2012-07-04 | 武汉大学 | 基于面向对象和时序影像的白天陆地辐射雾检测方法 |
CN103630496A (zh) * | 2013-12-12 | 2014-03-12 | 南京大学 | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 |
CN105388092A (zh) * | 2015-05-22 | 2016-03-09 | 杨晓富 | 一种银亭雾霾监测与环境调节方法 |
CN106845552A (zh) * | 2017-01-31 | 2017-06-13 | 东南大学 | 在光强分布不均匀环境下的融合光流和sift特征点匹配的低动态载体速度计算方法 |
CN108234970A (zh) * | 2018-01-04 | 2018-06-29 | 努比亚技术有限公司 | 一种图像处理方法、终端及计算机可读存储介质 |
CN109409336A (zh) * | 2018-11-30 | 2019-03-01 | 安徽继远软件有限公司 | 一种基于图像识别的大雾预警系统及方法 |
CN109782372A (zh) * | 2019-01-28 | 2019-05-21 | 中国气象局气象探测中心 | 一种结霜现象自动识别方法及系统 |
CN110018111A (zh) * | 2019-04-19 | 2019-07-16 | 中国科学院国家天文台南京天文光学技术研究所 | 南极天文望远镜镜面结霜预测方法 |
CN110097762A (zh) * | 2019-03-25 | 2019-08-06 | 南京微达电子科技有限公司 | 一种道路视频图像低能见度刻度估算方法及系统 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
CN111242374A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 雷电预测方法、装置、计算机设备和计算机可读存储介质 |
CN111259957A (zh) * | 2020-01-15 | 2020-06-09 | 上海眼控科技股份有限公司 | 基于深度学习的能见度监测和模型训练方法、装置、终端及介质 |
CN111398109A (zh) * | 2020-03-10 | 2020-07-10 | 上海眼控科技股份有限公司 | 大气能见度测量方法、传感器模组、系统和存储介质 |
CN111413297A (zh) * | 2020-04-13 | 2020-07-14 | 上海眼控科技股份有限公司 | 能见度测量方法、装置、计算机设备及存储介质 |
-
2020
- 2020-07-31 CN CN202010760018.7A patent/CN111736237A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007251719A (ja) * | 2006-03-17 | 2007-09-27 | Hitachi Kokusai Electric Inc | 気象データに連動したカメラシステム |
US20100091143A1 (en) * | 2006-07-07 | 2010-04-15 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
US20100214791A1 (en) * | 2006-08-11 | 2010-08-26 | Donnelly Corporation | Automatic headlamp control system |
CN101207833A (zh) * | 2006-12-19 | 2008-06-25 | Tcl数码科技(深圳)有限责任公司 | 数码相机镜头光心偏移的检测方法 |
CN101672768A (zh) * | 2008-09-11 | 2010-03-17 | 中国海洋大学 | 海上浓雾条件下大气水平能见度场的获取方法 |
US20110254947A1 (en) * | 2008-12-24 | 2011-10-20 | Ricoh Company. Limited | Method and apparatus for image processing and on - vehicle camera apparatus |
DE102009011866A1 (de) * | 2009-03-05 | 2010-09-09 | Volkswagen Ag | Verfahren und Vorrichtung zum Bestimmen einer Sichtweite für ein Fahrzeug |
CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
CN102540277A (zh) * | 2012-01-16 | 2012-07-04 | 武汉大学 | 基于面向对象和时序影像的白天陆地辐射雾检测方法 |
CN103630496A (zh) * | 2013-12-12 | 2014-03-12 | 南京大学 | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 |
CN105388092A (zh) * | 2015-05-22 | 2016-03-09 | 杨晓富 | 一种银亭雾霾监测与环境调节方法 |
CN106845552A (zh) * | 2017-01-31 | 2017-06-13 | 东南大学 | 在光强分布不均匀环境下的融合光流和sift特征点匹配的低动态载体速度计算方法 |
CN108234970A (zh) * | 2018-01-04 | 2018-06-29 | 努比亚技术有限公司 | 一种图像处理方法、终端及计算机可读存储介质 |
CN109409336A (zh) * | 2018-11-30 | 2019-03-01 | 安徽继远软件有限公司 | 一种基于图像识别的大雾预警系统及方法 |
CN109782372A (zh) * | 2019-01-28 | 2019-05-21 | 中国气象局气象探测中心 | 一种结霜现象自动识别方法及系统 |
CN110097762A (zh) * | 2019-03-25 | 2019-08-06 | 南京微达电子科技有限公司 | 一种道路视频图像低能见度刻度估算方法及系统 |
CN110018111A (zh) * | 2019-04-19 | 2019-07-16 | 中国科学院国家天文台南京天文光学技术研究所 | 南极天文望远镜镜面结霜预测方法 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
CN111242374A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 雷电预测方法、装置、计算机设备和计算机可读存储介质 |
CN111259957A (zh) * | 2020-01-15 | 2020-06-09 | 上海眼控科技股份有限公司 | 基于深度学习的能见度监测和模型训练方法、装置、终端及介质 |
CN111398109A (zh) * | 2020-03-10 | 2020-07-10 | 上海眼控科技股份有限公司 | 大气能见度测量方法、传感器模组、系统和存储介质 |
CN111413297A (zh) * | 2020-04-13 | 2020-07-14 | 上海眼控科技股份有限公司 | 能见度测量方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
PALVANOV A 等: "Visnet:deep convolutional neural networks for forecasting atmospheric visibility", 《SENSORS》 * |
宋洪军 等: "基于摄像机动态标定的交通能见度估计", 《计算机学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11720104B2 (en) | Systems and methods for adaptive property analysis via autonomous vehicles | |
US10964054B2 (en) | Method and device for positioning | |
US10012735B1 (en) | GPS offset calibrations for UAVs | |
CN101281142B (zh) | 一种测量大气能见度的方法 | |
EP3876189A1 (en) | Geographic object detection device, geographic object detection method, and geographic object detection program | |
CN112649900A (zh) | 一种能见度的监测方法、装置、设备、系统和介质 | |
CN111932519A (zh) | 天气预测方法、装置、计算机设备和存储介质 | |
CN114252884A (zh) | 路侧雷达定位监测方法、装置、计算机设备和存储介质 | |
Varjo et al. | Image based visibility estimation during day and night | |
CN111914933A (zh) | 降雪检测方法、装置、计算机设备和可读存储介质 | |
CN112990168B (zh) | 一种违法用地监测方法及系统 | |
CN114252883B (zh) | 目标检测方法、装置、计算机设备和介质 | |
US20230108779A1 (en) | Road deterioration diagnostic device, road deterioration diagnostic system, roaddeterioration diagnostic method, and recording medium | |
CN111785094B (zh) | 平流雾检测方法、装置、计算机设备和可读存储介质 | |
WO2021212319A1 (zh) | 红外图像处理方法、装置、系统及可移动平台 | |
CN111736237A (zh) | 辐射雾检测方法、装置、计算机设备和可读存储介质 | |
CN113238209A (zh) | 基于毫米波雷达的道路感知方法、系统、设备及存储介质 | |
CN112255604A (zh) | 一种雷达数据准确性的判断方法、装置及计算机设备 | |
CN116612103A (zh) | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 | |
KR20210044127A (ko) | 영상 분석 기반 가시거리 측정 및 경보 시스템 및 방법 | |
TWI726396B (zh) | 環境巡檢系統及其方法 | |
CN111800582B (zh) | 锋面雾检测方法、装置、计算机设备和可读存储介质 | |
CN112734794B (zh) | 一种基于深度学习的运动目标跟踪与定位方法 | |
CN114170507A (zh) | 光伏组件安装区域的确定方法、装置、设备及存储介质 | |
CN110243357B (zh) | 一种无人机定位方法、装置、无人机及存储介质 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221115 |