CN111798466A - 基于视觉定位的钻井支持平台动能实时测量方法和系统 - Google Patents
基于视觉定位的钻井支持平台动能实时测量方法和系统 Download PDFInfo
- Publication number
- CN111798466A CN111798466A CN202010625607.4A CN202010625607A CN111798466A CN 111798466 A CN111798466 A CN 111798466A CN 202010625607 A CN202010625607 A CN 202010625607A CN 111798466 A CN111798466 A CN 111798466A
- Authority
- CN
- China
- Prior art keywords
- support platform
- neural network
- drilling
- drilling support
- convolutional neural
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000036544 posture Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 4
- 229910003460 diamond Inorganic materials 0.000 claims description 3
- 239000010432 diamond Substances 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于钻探参数检测技术领域,涉及一种基于视觉定位的钻井支持平台动能实时测量方法和系统,包括:S1采集钻井支持平台不同姿态的图像,作为卷积神经网络的训练图集;S2建立原始卷积神经网络,输入训练图集对原始卷积神经网络进行训练,获得最终的卷积神经网络模型;S3采集钻井支持平台的实时图像,并将其输入卷积神经网络模型以获得钻井支持平台的特征点的图像坐标;S4根据特征点的图像坐标计算出钻井支持平台的姿态信息;S5根据相邻图像输出的姿态信息获得钻井支持平台的瞬时速度,并根据瞬时速度计算钻井支持平台的动能。其简化了支持平台的动能计算过程,满足实时测量需求,可以应用到实际的辅助钻井工程作业中作为预警措施。
Description
技术领域
本发明是关于一种基于视觉定位的钻井支持平台动能实时测量方法和系统,属于钻探参数检测技术领域。
背景技术
深海资源开采的主要设备是浮式钻井平台,钻井支持平台可以有效降低钻井平台的甲板载荷并节省甲板空间,可以大幅度的降低钻井及开采成本,并且对生产过程没有负面影响。
钻井平台与钻井支持平台之间由舷桥与弹力缆连接,为避免两平台之间相对运动过大导致舷桥或弹力缆断裂,有必要实时测量钻井支持平台的动能,在舷桥或弹力缆有断裂风险时及时预警。但目前现有技术中还不存在准确地实时测量钻井支持平台的动能的方法。
发明内容
针对上述现有技术的不足,本发明的目的是提供了一种基于视觉定位的钻井支持平台动能实时测量方法和系统,其极大地简化了支持平台的动能的计算过程,能够满足实时测量的需求,可以应用到实际的辅助钻井工程作业中作为预警措施。
为实现上述目的,本发明提供了一种基于视觉定位的钻井支持平台动能实时测量方法,包括以下步骤:S1采集钻井支持平台不同姿态的图像,作为卷积神经网络的训练图集;S2建立原始卷积神经网络,输入训练图集对原始卷积神经网络进行训练,获得最终的卷积神经网络模型;S3采集钻井支持平台的实时图像,并将其输入卷积神经网络模型以获得钻井支持平台的特征点的图像坐标;S4根据特征点的图像坐标计算出钻井支持平台的姿态信息;S5根据相邻图像输出的姿态信息获得钻井支持平台的瞬时速度,并根据瞬时速度计算钻井支持平台的动能。
进一步,钻井支持平台的特征点通过以下方式确定:选用与钻井支持平台边缘贴合的包围盒对钻井支持平台进行包裹,包围盒的8个角点以及钻井支持平台质心作为特征点。
进一步,原始卷积神经网络包括卷积层和池化层,卷积层包含m个大小相同权值不同的卷积滤波器,卷积层的输出经过池化层的池化操作后得到特征点的图像坐标。
进一步,步骤S2中对原始卷积神经网络进行训练的过程为对卷积滤波器的权值进行优化的过程,其具体为:对卷积滤波器的权值进行初始化,根据输入的训练图集对卷积滤波器的权值进行训练,卷积滤波器的权值采用梯度下降法进行训练,直至获得最小的损失函数后输出最终的卷积神经网络模型。
进一步,卷积神经网络模型将对输入的实时图像进行如下处理:将实时图像用网格划分成若干网格单元,每一个网格单元包括一具有特征点图像的位置信息以及网格的平均置信度值;通过网格的平均置信度值计算每个网格单元置信度值,并将置信度评分低的网格单元裁剪;通过卷积神经网络输出特征点图像的位置信息,当特征点图像在多个网格单元内均有投影时,选取网格单元置信度值高的网格单元四周3×3的网格邻域作为检测区域。
进一步,步骤S4中特征点的图像坐标通过2D图像坐标系与3D空间坐标系之间点的对应关系,采用Perspective-n-Point算法获得钻井支持平台的6D姿态信息。
进一步,步骤S5中,钻井支持平台的动能的计算公式为:
其中,M是钻井支持平台的质量,V是钻井支持平台的瞬时速度,Ce是偏心系数,Cm为虚拟质量系数,Cp是菱形系数,Cs是形状系数,Cp与Cs为1。
进一步,步骤S5中,钻井支持平台的动能的计算公式为:
Ce计算公式为:
其中,dc是从接触面到船舶中心的距离,r是旋转半径;
Cm计算公式为:
其中,f是吃水深度,m是型宽,Cb是方形系数,其计算公式为:
其中,vd是船舶的排水量,Lp是垂线间长。
进一步,不同姿态的图像和实时图像均通过摄像机获得,建立摄像机的非线性模型,通过摄像机的非线性模型获得摄像机的畸变参数,根据畸变参数对不同姿态的图像和实时图像进行修正。
本发明还公开了一种基于视觉定位的钻井支持平台动能实时测量系统,包括:训练图集获取模块,用于采集钻井支持平台不同姿态的图像,作为卷积神经网络的训练图集;模型训练模块,用于建立原始卷积神经网络,输入训练图集对原始卷积神经网络进行训练,获得最终的卷积神经网络模型;特征点获取模块,用于采集钻井支持平台的实时图像,并将其输入卷积神经网络模型以获得钻井支持平台的特征点的图像坐标;姿态信息获取模块,用于根据特征点的图像坐标计算出钻井支持平台的姿态信息;动能获取模块,用于根据相邻图像输出的姿态信息获得钻井支持平台的瞬时速度,并根据瞬时速度计算钻井支持平台的动能。
本发明由于采取以上技术方案,其具有以下优点:本发明采用卷积神经网络技术,从钻井支持平台的整体特征出发,使用包围盒对钻井支持平台进行等效替代,该技术极大地简化了计算过程,满足实时测量的需求,可以应用到实际的辅助钻井工程作业中作为预警措施。
附图说明
图1是本发明一实施例中基于视觉定位的钻井支持平台动能实时测量的流程图;
图2是本发明一实施例中摄像机的非线性模型的原理示意图;
图3是本发明一实施例中的钻井支持平台动能的实时测量方法的设备布置图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
实施例一
本实例公开了一种基于视觉定位的钻井支持平台动能实时测量方法,如图1所示,包括以下步骤:
S1采集钻井支持平台不同姿态的图像,作为卷积神经网络的训练图集。
不同姿态的图像通过摄像机获得,建立摄像机的非线性模型,通过摄像机的非线性模型获得摄像机的畸变参数,根据畸变参数对不同姿态的图像进行修正。
其中,建立摄像机的非线性模型的过程为:
如图2所示,假设3D空间中一点PW(XW,YW,ZW)在摄像机坐标系下坐标为(XC,YC,ZC),投影在图像物理坐标系中的坐标为(x,y),设图像左上角点为图像像素坐标系O-uv原点,则摄像机坐标系与图像物理坐标系中的点之间几何变换关系,即摄像机初始模型为:
其中:λ为深度系数,f为相机焦距,dx与dy分别为每个像素在x方向与y方向上的尺寸,(u0,v0)为摄像机光心在像素坐标系中的坐标,矩阵R和向量T分别为由世界坐标系到摄像机坐标系的旋转矩阵与平移向量。
为修正摄像机模型,引入二阶径向畸变,投影点畸变后的坐标(xd,yd)与理想坐标(x,y)之间关系为:
其中,k1、k2为摄像机的畸变参数,可通过摄像机标定得到。
经过畸变拟合后的摄像机非线性模型为:
采用张正友法对摄像机参数进行标定,标定板图案选为网格,得到摄像机的内参数矩阵M1和畸变参数k1与k2;
将摄像机布置在钻井平台上方视野开阔处,使用高速摄像机采集钻井支持平台一定数量的不同姿态的图像,作为卷积神经网络的训练图集;通过畸变参数k1与k2对训练集中图像进行修正。
S2建立原始卷积神经网络,输入训练图集对原始卷积神经网络进行训练,获得最终的卷积神经网络模型。
原始卷积神经网络包括卷积层和池化层,卷积层包含m个大小相同权值不同的卷积滤波器,卷积层的输出经过池化层的池化操作后得到特征点的图像坐标。
步骤S2中对原始卷积神经网络进行训练的过程为对卷积滤波器的权值进行优化的过程,其具体为:对卷积滤波器的权值进行初始化,卷积神经网络的权值初始化采用ImageNet数据集,根据输入的训练图集对卷积滤波器的权值进行训练,卷积滤波器的权值采用梯度下降法进行训练,直至获得最小的损失函数后输出最终的卷积神经网络模型。
S3采集钻井支持平台的实时图像,并将其输入卷积神经网络模型以获得钻井支持平台的特征点的图像坐标。
其中的实时图像同意需要根据摄像机的畸变参数进行修正。
钻井支持平台的特征点通过以下方式确定:选用与钻井支持平台边缘贴合的包围盒对钻井支持平台进行包裹,包围盒的8个角点以及钻井支持平台质心作为特征点。特征点图像的位置信息有如下特征;观测对象的质心会被限制位于网格内部;对包围盒角点进行限制,角点可以位于网格外部,也可以位于网格内部。
卷积神经网络模型将对输入的经过修正的实时图像进行如下处理:将实时图像用网格按照S×S的规则划分成若干网格单元,每一个网格单元包括一具有特征点图像的位置信息以及网格的平均置信度值;通过网格的平均置信度值计算每个网格单元置信度值,并将置信度评分低的网格单元裁剪;通过卷积神经网络输出特征点图像的位置信息,当特征点图像在多个网格单元内均有投影时,选取网格单元置信度值高的网格单元四周3×3的网格邻域作为检测区域。
S4根据特征点的图像坐标计算出钻井支持平台的姿态信息。
步骤S4中特征点的图像坐标代入畸变拟合后的摄像机非线性模型,采用Perspective-n-Point算法获得钻井支持平台的6D姿态信息。
S5根据相邻图像输出的姿态信息获得钻井支持平台的瞬时速度,并根据瞬时速度计算钻井支持平台的动能。
步骤S5中,钻井支持平台的动能的计算公式为:
其中,M是钻井支持平台的质量,V是钻井支持平台的瞬时速度,Ce是偏心系数,Cm为虚拟质量系数,Cp是菱形系数,Cs是形状系数,Cp与Cs为1。
进一步,步骤S5中,钻井支持平台的动能的计算公式为:
Ce计算公式为:
其中,dc是从接触面到船舶中心的距离,r是旋转半径;
Cm计算公式为:
其中,f是吃水深度,m是型宽,Cb是方形系数,其计算公式为:
其中,vd是船舶的排水量,Lp是垂线间长。
实施例二
基于相同的发明构思,本实施例还公开了一种基于视觉定位的钻井支持平台动能实时测量系统,包括:
训练图集获取模块,用于采集钻井支持平台不同姿态的图像,作为卷积神经网络的训练图集;
模型训练模块,用于建立原始卷积神经网络,输入训练图集对原始卷积神经网络进行训练,获得最终的卷积神经网络模型;
特征点获取模块,用于采集钻井支持平台的实时图像,并将其输入卷积神经网络模型以获得钻井支持平台的特征点的图像坐标;
姿态信息获取模块,用于根据特征点的图像坐标计算出钻井支持平台的姿态信息;动能获取模块,用于根据相邻图像输出的姿态信息获得钻井支持平台的瞬时速度,并根据瞬时速度计算钻井支持平台的动能。
如图3所示,该实时测量系统具体包括钻井平台、钻井支撑平台和钻井辅助平台,其中钻井平台与钻井辅助平台通过舷桥和弹力缆相连。该钻井平台上设置有摄像机、计算机、水下摄像机、水下照明设备、图像采集卡。水下摄像机与水下照明设备均置于水下,通过图像采集卡采集水下摄像机拍摄图像,并在计算机中作为卷积神经网络输入。
上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于视觉定位的钻井支持平台动能实时测量方法,其特征在于,包括以下步骤:
S1采集钻井支持平台不同姿态的图像,作为卷积神经网络的训练图集;
S2建立原始卷积神经网络,输入所述训练图集对所述原始卷积神经网络进行训练,获得最终的卷积神经网络模型;
S3采集所述钻井支持平台的实时图像,并将其输入所述卷积神经网络模型以获得所述钻井支持平台的特征点的图像坐标;
S4根据所述特征点的图像坐标计算出所述钻井支持平台的姿态信息;
S5根据相邻图像输出的所述姿态信息获得所述钻井支持平台的瞬时速度,并根据所述瞬时速度计算所述钻井支持平台的动能。
2.如权利要求1所述的基于视觉定位的钻井支持平台动能实时测量方法,其特征在于,所述钻井支持平台的特征点通过以下方式确定:选用与所述钻井支持平台边缘贴合的包围盒对钻井支持平台进行包裹,所述包围盒的8个角点以及钻井支持平台质心作为特征点。
3.如权利要求2所述的基于视觉定位的钻井支持平台动能实时测量方法,其特征在于,所述原始卷积神经网络包括卷积层和池化层,所述卷积层包含m个大小相同权值不同的卷积滤波器,所述卷积层的输出经过池化层的池化操作后得到特征点的图像坐标。
4.如权利要求3所述的基于视觉定位的钻井支持平台动能实时测量方法,其特征在于,所述步骤S2中对所述原始卷积神经网络进行训练的过程为对所述卷积滤波器的权值进行优化的过程,其具体为:对所述卷积滤波器的权值进行初始化,根据输入的所述训练图集对所述卷积滤波器的权值进行训练,所述卷积滤波器的权值采用梯度下降法进行训练,直至获得最小的损失函数后输出最终的卷积神经网络模型。
5.如权利要求2所述的基于视觉定位的钻井支持平台动能实时测量方法,其特征在于,所述卷积神经网络模型将对输入的实时图像进行如下处理:
将所述实时图像用网格划分成若干网格单元,每一个所述网格单元包括一具有特征点图像的位置信息以及所述网格的平均置信度值;通过所述网格的平均置信度值计算每个网格单元置信度值,并将置信度评分低的网格单元裁剪;通过卷积神经网络输出特征点图像的位置信息,当所述特征点图像在多个所述网格单元内均有投影时,选取所述网格单元置信度值高的网格单元四周3×3的网格邻域作为检测区域。
6.如权利要求1-5任一项所述的基于视觉定位的钻井支持平台动能实时测量方法,其特征在于,所述步骤S4中特征点的图像坐标通过2D图像坐标系与3D空间坐标系之间点的对应关系,采用Perspective-n-Point算法获得钻井支持平台的6D姿态信息。
9.如权利要求1-5任一项所述的基于视觉定位的钻井支持平台动能实时测量方法,其特征在于,所述不同姿态的图像和实时图像均通过摄像机获得,建立所述摄像机的非线性模型,通过所述摄像机的非线性模型获得所述摄像机的畸变参数,根据所述畸变参数对所述不同姿态的图像和实时图像进行修正。
10.一种基于视觉定位的钻井支持平台动能实时测量系统,其特征在于,包括:
训练图集获取模块,用于采集钻井支持平台不同姿态的图像,作为卷积神经网络的训练图集;
模型训练模块,用于建立原始卷积神经网络,输入所述训练图集对所述原始卷积神经网络进行训练,获得最终的卷积神经网络模型;
特征点获取模块,用于采集所述钻井支持平台的实时图像,并将其输入所述卷积神经网络模型以获得所述钻井支持平台的特征点的图像坐标;
姿态信息获取模块,用于根据所述特征点的图像坐标计算出所述钻井支持平台的姿态信息;
动能获取模块,用于根据相邻图像输出的所述姿态信息获得所述钻井支持平台的瞬时速度,并根据所述瞬时速度计算所述钻井支持平台的动能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010625607.4A CN111798466A (zh) | 2020-07-01 | 2020-07-01 | 基于视觉定位的钻井支持平台动能实时测量方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010625607.4A CN111798466A (zh) | 2020-07-01 | 2020-07-01 | 基于视觉定位的钻井支持平台动能实时测量方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798466A true CN111798466A (zh) | 2020-10-20 |
Family
ID=72811088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010625607.4A Pending CN111798466A (zh) | 2020-07-01 | 2020-07-01 | 基于视觉定位的钻井支持平台动能实时测量方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798466A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112796746A (zh) * | 2021-02-26 | 2021-05-14 | 西安石油大学 | 一种用于石油地质勘探的钻井方法 |
CN113191341A (zh) * | 2021-07-01 | 2021-07-30 | 天津海翼科技有限公司 | 浮体平台检测的潜水器规划方法、系统、设备和潜水器 |
CN113204733A (zh) * | 2021-05-24 | 2021-08-03 | 中冶南方工程技术有限公司 | 一种同轨道斗轮堆取料机防碰撞方法 |
CN114812388A (zh) * | 2022-04-01 | 2022-07-29 | 西安理工大学 | 基于深度相机的石油钻井岩屑在线体积检测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419055A (zh) * | 2008-10-30 | 2009-04-29 | 北京航空航天大学 | 基于视觉的空间目标位姿测量装置和方法 |
CN105654507A (zh) * | 2015-12-24 | 2016-06-08 | 北京航天测控技术有限公司 | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 |
CN106780607A (zh) * | 2016-11-24 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 一种两运动船舶相对六自由度运动的检测装置 |
CN109284754A (zh) * | 2018-11-01 | 2019-01-29 | 哈尔滨工业大学 | 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法 |
CN109923583A (zh) * | 2017-07-07 | 2019-06-21 | 深圳市大疆创新科技有限公司 | 一种姿态的识别方法、设备及可移动平台 |
CN110287923A (zh) * | 2019-06-29 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 人体姿态获取方法、装置、计算机设备及存储介质 |
CN110472468A (zh) * | 2018-05-09 | 2019-11-19 | 福特全球技术公司 | 单目视觉里程计:来自后视相机的车辆的速度和横摆率 |
CN110706291A (zh) * | 2019-09-26 | 2020-01-17 | 哈尔滨工程大学 | 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 |
CN111341068A (zh) * | 2020-03-02 | 2020-06-26 | 北京四利通控制技术股份有限公司 | 一种基于深度学习的钻井现场危险区域预警系统与方法 |
-
2020
- 2020-07-01 CN CN202010625607.4A patent/CN111798466A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419055A (zh) * | 2008-10-30 | 2009-04-29 | 北京航空航天大学 | 基于视觉的空间目标位姿测量装置和方法 |
CN105654507A (zh) * | 2015-12-24 | 2016-06-08 | 北京航天测控技术有限公司 | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 |
CN106780607A (zh) * | 2016-11-24 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 一种两运动船舶相对六自由度运动的检测装置 |
CN109923583A (zh) * | 2017-07-07 | 2019-06-21 | 深圳市大疆创新科技有限公司 | 一种姿态的识别方法、设备及可移动平台 |
CN110472468A (zh) * | 2018-05-09 | 2019-11-19 | 福特全球技术公司 | 单目视觉里程计:来自后视相机的车辆的速度和横摆率 |
CN109284754A (zh) * | 2018-11-01 | 2019-01-29 | 哈尔滨工业大学 | 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法 |
CN110287923A (zh) * | 2019-06-29 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 人体姿态获取方法、装置、计算机设备及存储介质 |
CN110706291A (zh) * | 2019-09-26 | 2020-01-17 | 哈尔滨工程大学 | 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 |
CN111341068A (zh) * | 2020-03-02 | 2020-06-26 | 北京四利通控制技术股份有限公司 | 一种基于深度学习的钻井现场危险区域预警系统与方法 |
Non-Patent Citations (2)
Title |
---|
SHUNLONG LI,YAPENG GUO,E TAL: "Real-time geometry identification of moving ships by computer vision techniques in bridge area", SMART STRUCTURES AND SYSTEMS, vol. 23, no. 4, pages 359 - 371 * |
张华平;冯建国;王君辉;: "PIANC及中国标准船舶有效撞击能计算对比分析", 水运工程, no. 04, pages 81 - 85 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112796746A (zh) * | 2021-02-26 | 2021-05-14 | 西安石油大学 | 一种用于石油地质勘探的钻井方法 |
CN112796746B (zh) * | 2021-02-26 | 2022-06-07 | 西安石油大学 | 一种用于石油地质勘探的钻井方法 |
CN113204733A (zh) * | 2021-05-24 | 2021-08-03 | 中冶南方工程技术有限公司 | 一种同轨道斗轮堆取料机防碰撞方法 |
CN113204733B (zh) * | 2021-05-24 | 2024-04-16 | 中冶南方工程技术有限公司 | 一种同轨道斗轮堆取料机防碰撞方法 |
CN113191341A (zh) * | 2021-07-01 | 2021-07-30 | 天津海翼科技有限公司 | 浮体平台检测的潜水器规划方法、系统、设备和潜水器 |
CN114812388A (zh) * | 2022-04-01 | 2022-07-29 | 西安理工大学 | 基于深度相机的石油钻井岩屑在线体积检测系统 |
CN114812388B (zh) * | 2022-04-01 | 2023-11-17 | 西安理工大学 | 基于深度相机的石油钻井岩屑在线体积检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798466A (zh) | 基于视觉定位的钻井支持平台动能实时测量方法和系统 | |
CN104981105B (zh) | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 | |
CN110706291A (zh) | 一种适用于水池实验中运动物体三维轨迹的视觉测量方法 | |
CN102645173A (zh) | 一种基于多目视觉的桥梁三维变形监测方法 | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
CN102788572B (zh) | 一种工程机械吊钩姿态的测量方法、装置及系统 | |
CN111814827A (zh) | 基于yolo的关键点目标检测方法 | |
CN113379712A (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
CN110796700A (zh) | 基于卷积神经网络的多物体抓取区域定位方法 | |
CN115526924B (zh) | 一种蒙特卡洛模拟的水文环境建模方法及系统 | |
CN109754362A (zh) | 一种用可旋转的边界框标注海参目标检测结果的方法 | |
CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 | |
CN109636849A (zh) | 一种工件定位方法、装置、计算机及计算机可读存储介质 | |
CN103854271B (zh) | 一种平面摄像机标定方法 | |
CN115578460A (zh) | 基于多模态特征提取与稠密预测的机器人抓取方法与系统 | |
CN104236455A (zh) | 蜂巢板在线检测系统及其检测方法 | |
CN106097277B (zh) | 一种基于视觉测量的绳索物质点跟踪方法 | |
CN115019254A (zh) | 一种输电区域异物入侵检测方法、装置、终端及存储介质 | |
CN105551048A (zh) | 一种基于空间面片的三维角点检测方法 | |
CN111260714B (zh) | 一种洪涝受灾评估方法、装置、设备及计算机存储介质 | |
CN108734148A (zh) | 一种基于云计算的公共场合图像信息采集无人机控制系统 | |
CN104732027A (zh) | 一种红外成像模拟方法及系统 | |
CN117576461A (zh) | 一种用于变电站场景的语义理解方法、介质及系统 | |
CN112526154A (zh) | 一种计算机视觉下的圆模板匹配旋转结构运动无标记测量方法 | |
CN107036555A (zh) | 一种交叉光轴光栅投影测量仿真系统及其实现方法 |
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 |