CN112116633A - 一种矿井打钻计数方法 - Google Patents
一种矿井打钻计数方法 Download PDFInfo
- Publication number
- CN112116633A CN112116633A CN202011020689.6A CN202011020689A CN112116633A CN 112116633 A CN112116633 A CN 112116633A CN 202011020689 A CN202011020689 A CN 202011020689A CN 112116633 A CN112116633 A CN 112116633A
- Authority
- CN
- China
- Prior art keywords
- drilling machine
- motion
- drilling
- dimensional data
- dimensional
- 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 87
- 238000000034 method Methods 0.000 title claims abstract description 36
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 66
- 229910052742 iron Inorganic materials 0.000 claims abstract description 33
- 230000003287 optical effect Effects 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种矿井打钻计数方法，它包括如下步骤：获取钻机在矿井工作区域的打钻视频；对连续两帧视频图进行光流估计，得到稠密光流图；将稠密光流图和视频图逐帧进行拼接，从而获取钻机的三维数据点；将三维数据点中的二维坐标进行直线拟合，估计出钻机的运动方向；对二维坐标进行坐标变换投影成基于运动方向的一维坐标，从而形成保留时间信息的二维数据点；将二维数据点通过自适应滤波得到运动数据点；对运动数据点进行状态分析得到钻机的运动轨迹、铁杆与钻头的连接信息，从而判断出钻机的运动状态，估计出打入或取出铁杆的数量。本发明将光流估计、基于深度学习的检测与识别，以及自适应滤波等技术结合在一起，提高了识别的适应能力，且该方法对钻机铁杆的识别精度高、识别速度快。
Description
技术领域
本发明属于计算机视觉领域，具体来说，涉及一种基于机器学习的打钻计数方法。
背景技术
由于矿井中作业环境非常复杂和危险，所以必须对矿井中各种环境进行监测。为了提高矿井的安全性，防止瓦斯爆炸或者水源渗漏，通常会使用钻机在矿井墙壁中打入或取出铁杆。通常打入或取出的铁杆数量要求是一定的，为了防止由人为失误导致打入或取出的铁杆数量出错，需要对这一数量进行监测。
在传统做法中，通常是边看视频边统计数量，这种方式不但费时费力，而且后期识别过程也全靠人工完成，效率十分低下且出错可能性大。
近些年来，随着人工智能的不断发展，自动检测识别技术开始越来越多地应用到工业生产、社会安防和生活消费等各个方面。由于机器具备速度快、无疲劳、能适应恶劣环境等优点，自动检测识别技术的普及极大地提高了工业生产水平，改善了人们的生活质量。但在矿井打钻计数方面，目前国际国内仍然没有一种有效的技术方案。
发明内容
本发明旨在提供一种高精度、鲁棒的矿井打钻计数方法，该方法通过相应算法对摄像头获取到的矿井中的钻机视频进行检测，从而统计出打入或取出矿壁中铁杆的数量。
为实现上述技术目的，本发明采用的技术方案如下：
一种矿井打钻计数方法，包括如下步骤：
获取钻机在矿井工作区域的打钻视频，并逐帧生成视频图；
通过Farneback光流法对连续两帧视频图进行光流估计，得到稠密光流图；
将稠密光流图和视频图逐帧进行拼接，从而获取钻机的三维数据点，所述钻机的三维数据点包括铁杆、钻头和机身在运动过程中的二维坐标和时间信息；
将三维数据点中的二维坐标进行直线拟合，估计出钻机的运动方向；
对二维坐标进行坐标变换投影成基于运动方向的一维坐标，从而形成包含一维坐标和时间信息的二维数据点；
将二维数据点通过自适应滤波得到运动数据点；
对运动数据点进行状态分析得到钻机的运动轨迹、铁杆与钻头的连接信息，从而判断出钻机的运动状态，估计出打入或取出铁杆的数量。
进一步限定，打钻视频需要确保钻机的运动轨迹清晰，使得钻机的分辨率大小不低于20×20。
进一步限定，所述将稠密光流图和视频图逐帧进行拼接，从而获取钻机的三维数据点，具体为：
将稠密光流图的RGB数据和视频图和RGB信息合并形成RGB四通道图像，利用基于深度卷积神经的目标检测中心网络进行学习，从而获取钻机的三维数据点。
进一步限定，所述将二维数据点通过自适应滤波得到运动数据点，具体包括：
通过二维数据点的一维坐标计算自适应方差，过滤掉坐标值大于自适应方差的二维数据点，然后对一维坐标在时间轴上一次进行线性插值和平均滤波，从而得到运动数据点；
令钻机的运动方向与轴的夹角为θ，三维数据点的二维坐标为
则转换后的坐标点满足：
令
xi∈Xc
则x_normi的方差为：
其中，n为三维数据点的数量；
设计滤波器h(t)：
滤波器h(t)的序列长度为2l+1，滤波器滤波后的结果为：
进一步限定，所述对运动数据点进行状态分析得到运动轨迹、铁杆与钻头的连接信息，从而判断出钻机的运动状态，估计打入或取出铁杆的数量，具体包括：
计算二维数据点的极值点，对极小值点按照时间轴排序，将排序后的极小值点进行两两迭代，筛选出处于两个极小值点之间的极大值点，通过极大值点将两个相邻极小值点之间的区域划分成两个区域，左边区域为进杆状态，右边区域为退杆状态，配合是否检测到铁杆这一信息即可估计打入或取出铁杆的数量。
本发明先通过摄像头从矿井采集打钻视频，再运用机器学习技术逐帧检测出钻机的三个部件，并根据已有的检测信息采用后处理的办法计算出当前打进铁杆的数目、取出铁杆的数目以及钻机的运动周期数，该方法充分考虑了应用场景可能存在的反光、遮挡和低分辨率等情况，将光流估计、基于深度学习的检测与识别，以及自适应滤波等技术结合在一起，实现了一种高精度、高鲁棒性的打钻检测与计数方法。
本发明相比现有技术，具有如下特点：
1、本发明基于单摄像头完成采集工作，对场景的光照、反光和烟盒遮挡等情况有很好的适应能力。
2、精度高，在检测误检率＝0.6％的条件下，识别准确率高达99％，计数准确率高达97％。
3、处理速度快，单张图片从采集到最终结果记录完毕总体耗时在5毫秒以内，能够精确捕获钻机状态的变化信息，最终得到可靠的打入或取出铁杆的数量估计。
附图说明
图1为打钻视频的采集流程；
图2为本申请矿井打钻计数方法的流程图；
图3为以二维数据点建立的坐标系；
图4为本申请矿井打钻计数系统的结构框图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
图1示出了采集打钻视频的流程，具体包括：
首先是将摄像头安装钻机工作前方的特定区域，然后设置视频采样率、储存路径等参数，确认后，将定期采集的打钻视频存入视频数据库中。
其中，摄像头的安装需要根据工作的地形、光照以及拍照设备的分辨率等参数进行适当调节，确保视频中钻机的运动轨迹不被遮挡，钻机部件的分辨率大小不低于400(20×20)，相机拍摄方向正对于钻机运动平面的夹角。
图2示出了一种矿井打钻计数方法的流程图，包括如下步骤：
S10：从视频数据库中获取钻机在矿井工作区域的打钻视频，打钻视频需要确保钻机的运动轨迹清晰，将打钻视频逐帧生成视频图，以便后续处理。
S20：将步骤S10中逐帧生成的视频图通过Farneback(法尼贝克)光流法进行光流估计，得到稠密光流图。
光流法是关于视域中的物体运动检测中的概念，用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动，其利用图像序列中的像素在时间域上的变化、相邻帧之间的相关性来找到的上一帧跟当前帧间存在的对应关系，计算出相邻帧之间物体的运动信息的一种方法。
光流法有着各种各样的分支，OpenCV中的calcOpticalFlowPyrLK光流算法实际上是一种稀疏特征点的光流算法，也就是说我们先找到那些(特征)点需要进行处理。而本申请利用的是一种被广泛使用的经典稠密光流算法—Farneback算法，由Gunner Farneback在2003年提出来，它是一个全局性的密集光流算法，也就是对每一个点都进行光流计算稠密光流法，主要包括两个步骤：
1、将图像视为二维信号的函数(输出图像是灰度图像)，因变量是二维坐标位置X＝(x y)T，并利用二次多项式对于图像进行近似建模，得到：
f(X)～XTAX+bTX+c
其中，A是一个2×2的对称矩阵(是通过像素的邻域信息的最小二乘加权拟合得到的，权重系数与邻域的像素大小和位置有关)，b是一个2×1的矩阵向量，c为标量。
系数化后，上述公式右侧可以写成：
2、将原有图像的二维信号空间，转换为以(1，x，y，x2，y2，xy)作为基函数的空间，则表示图像需要一个六维向量作为系数，代入不同像素点的位置x，y求出不同像素点的灰度值。
Farneback光流算法对于每帧图像中的每个像素点周围设定一个邻域(2n+1)×(2n+1)，利用邻域内的共(2n+1)2个像素点作为最小二乘法的样本点，拟合得到中心像素点的六维系数。因此对于图像中的每个像素点，都能得到一个六维向量。
S30：将步骤S20中的稠密光流图和步骤S10中的视频图按逐帧进行拼接，从而获取钻机的三维数据点，钻机的三维数据点包括铁杆、钻头和机身在运动过程中的二维坐标和时间信息。
其中，钻机的三维数据点的具体获取方式为：
将稠密光流图的RGB数据和视频图和RGB信息合并形成RGB四通道图像，利用基于深度卷积神经的目标检测中心网络(CenterNet)进行学习，从而获取钻机的三维数据点。
深度卷积神经的目标检测中心网络在2019被首次提出，在物体检测任务中兼顾了精度与速度。
S40：将步骤S30中的三维数据点中的二维坐标进行平面直线拟合，估计出钻机的运动方向。
S50：运用坐标变换的方法将二维坐标投影成基于钻机的运动方向的一维坐标，保留时间信息后，形成包含一维坐标和时间信息的二维数据点。
S60：为了消除二维数据点中的噪音，将二维数据点通过自适应滤波得到运动数据点，具体包括：
通过二维数据点的一维坐标计算自适应方差，过滤掉坐标值大于自适应方差的二维数据点，更新二维数据点，然后对更新二维数据点中的一维坐标在时间轴上一次进行线性插值和平均滤波，从而再次更新得到运动数据点；
令钻机的运动方向与轴的夹角为θ，三维数据点的二维坐标为
则转换后的坐标点满足：
令
xi∈Xc
可见x_normi的计算仅利用到了二维坐标投影到钻机运动方向的一维坐标Xc。
则x_normi的方差为：
其中，n为三维数据点的数量；
设计滤波器h(t)：
滤波器h(t)的序列长度为2l+1，滤波器滤波后的结果为：
将二维数据点带入滤波器即可得到运动数据点。
7)根据步骤6)最终得到的运动数据点，将其送入状态分析模块分析该运动轨迹和铁杆与钻头的连接信息可以判断出钻机的运动状态，进而得到打入或取出铁杆数量的最优估计。
S70：对滤波修正得到的运动数据点进行状态分析得到钻机的运动轨迹、铁杆与钻头的连接信息，从而判断出钻机的运动状态，估计打入或取出铁杆的数量。具体过程如下：
以二维数据点中的时间信息作为横轴，以Xc作为纵轴建立坐标系，求得Xc的极值点，对其中的极小值点按时间轴进行排序，然后两两迭代，比如选择第i个和第i+1个两个相邻的极小值点，如图3所示，在这两个极小值x1和x3点之间找出极大值点x2，通过极大值点x2将两个相邻极小值点之间的区域划分成两个区域，x1与x2之间的曲线为进杆状态，x2与x3之间的曲线为退杆状态，配合是否检测到铁杆这一信息即可估计打入或取出铁杆的数量，输出统计结果。
图4示出了矿井打钻计数系统的结构框图，其包括：视频采集模块、钻机部件检测模块、自适应滤波模块和状态分析模块。
其中视频采集模块用于获取钻机在矿井工作区域的打钻视频。
钻机部件检测模块包括稠密光流提取模块、深度网络检测模块和结果处理模块。
稠密光流提取模块通过Farneback光流法对连续两帧视频图进行光流估计，得到稠密光流图。
深度网络检测模块将稠密光流图和视频图逐帧进行拼接，利用基于深度卷积神经的目标检测中心网络进行学习，输出结果。
结果处理模块对深度网络检测模块的输出结果整理成钻机的铁杆、钻头和机身三维数据点，钻机的三维数据点包括铁杆、钻头和机身各自的二维坐标和时间信息。
自适应性滤波模块包括直线拟合模块、坐标变换模块和方差滤波模块。
直线拟合模块将三维数据点中的二维坐标进行直线拟合，估计出钻机的运动方向；坐标变换模块对二维坐标进行坐标变换投影成基于运动方向的一维坐标，从而形成包含一维坐标和时间信息的二维数据点；方差滤波模块将二维数据点通过自适应滤波得到运动数据点。
状态分析模块包括极值点计算模块、迭代估计模块和结果分析模块。
极值点计算模块用于计算二维数据点的极值点；迭代估计模块对极小值点按时间轴进行排序，将排序后的极小值点进行两两迭代，筛选出处于两个极小值点之间的极大值点；结果分析模块通过极大值点将两个相邻极小值点之间的区域划分成两个区域，左边区域为进杆状态，右边区域为退杆状态，配合是否检测到铁杆这一信息即可估计打入或取出铁杆的数量，输出统计结果。
Claims (5)
1.一种矿井打钻计数方法，其特征在于，包括如下步骤：
获取钻机在矿井工作区域的打钻视频，并逐帧生成视频图；
通过Farneback光流法对连续两帧视频图进行光流估计，得到稠密光流图；
将稠密光流图和视频图逐帧进行拼接，从而获取钻机的三维数据点，所述钻机的三维数据点包括铁杆、钻头和机身在运动过程中的二维坐标和时间信息；
将三维数据点中的二维坐标进行直线拟合，估计出钻机的运动方向；
对二维坐标进行坐标变换投影成基于运动方向的一维坐标，从而形成包含一维坐标和时间信息的二维数据点；
将二维数据点通过自适应滤波得到运动数据点；
对运动数据点进行状态分析得到钻机的运动轨迹、铁杆与钻头的连接信息，从而判断出钻机的运动状态，估计出打入或取出铁杆的数量。
2.根据权利要求1所述的一种矿井打钻计数方法，其特征在于，打钻视频需要确保钻机的运动轨迹清晰，使得钻机的分辨率大小不低于20×20。
3.根据权利要求1所述的一种矿井打钻计数方法，其特征在于，所述将稠密光流图和视频图逐帧进行拼接，从而获取钻机的三维数据点，具体为：
将稠密光流图的RGB数据和视频图和RGB信息合并形成RGB四通道图像，利用基于深度卷积神经的目标检测中心网络进行学习，从而获取钻机的三维数据点。
4.根据权利要求1所述的一种矿井打钻计数方法，其特征在于，所述将二维数据点通过自适应滤波得到运动数据点，具体包括：
通过二维数据点的一维坐标计算自适应方差，过滤掉坐标值大于自适应方差的二维数据点，然后对一维坐标在时间轴上一次进行线性插值和平均滤波，从而得到运动数据点；
令钻机的运动方向与轴的夹角为θ，三维数据点的二维坐标为
则转换后的坐标点满足：
令
则x_normi的方差为：
其中，n为三维数据点的数量；
设计滤波器h(t)：
滤波器h(t)的序列长度为2l+1，滤波器滤波后的结果为：
5.根据权利要求1所述的一种矿井打钻计数方法，其特征在于，所述对运动数据点进行状态分析得到运动轨迹、铁杆与钻头的连接信息，从而判断出钻机的运动状态，估计打入或取出铁杆的数量，具体包括：
计算二维数据点的极值点，对极小值点按照时间轴排序，将排序后的极小值点进行两两迭代，筛选出处于两个极小值点之间的极大值点，通过极大值点将两个相邻极小值点之间的区域划分成两个区域，左边区域为进杆状态，右边区域为退杆状态，配合是否检测到铁杆这一信息即可估计打入或取出铁杆的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011020689.6A CN112116633A (zh) | 2020-09-25 | 2020-09-25 | 一种矿井打钻计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011020689.6A CN112116633A (zh) | 2020-09-25 | 2020-09-25 | 一种矿井打钻计数方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116633A true CN112116633A (zh) | 2020-12-22 |
Family
ID=73800102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011020689.6A Pending CN112116633A (zh) | 2020-09-25 | 2020-09-25 | 一种矿井打钻计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116633A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580609A (zh) * | 2021-01-26 | 2021-03-30 | 南京北路智控科技股份有限公司 | 一种煤矿钻杆计数方法 |
| CN112883830A (zh) * | 2021-01-29 | 2021-06-01 | 南京北路智控科技股份有限公司 | 一种钻杆实时自动计数方法 |
| CN113111805A (zh) * | 2021-04-16 | 2021-07-13 | 北京科技大学 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
| CN113591590A (zh) * | 2021-07-05 | 2021-11-02 | 天地（常州）自动化股份有限公司 | 一种基于人体姿态识别的打钻视频退杆计数方法 |
| CN113642406A (zh) * | 2021-07-14 | 2021-11-12 | 广州市玄武无线科技股份有限公司 | 密集悬挂纸片的清点系统、方法、装置、设备及存储介质 |
| CN114821453A (zh) * | 2022-06-30 | 2022-07-29 | 广州英码信息科技有限公司 | 基于目标检测的煤矿钻杆计数方法及计算机可读介质 |
| RU2802411C1 (ru) * | 2021-07-05 | 2023-08-28 | Тяньди (Чанчжоу) Аутомэйшн Ко., Лтд. | Способ подсчета извлечения штанг на видеозаписях бурения на основе распознавания жестов человеческого тела |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761737A (zh) * | 2014-01-22 | 2014-04-30 | 北京工业大学 | 基于稠密光流的机器人运动估计方法 |
| US20150242700A1 (en) * | 2013-12-26 | 2015-08-27 | Huazhong University Of Science And Technology | Method for estimating rotation axis and mass center of spatial target based on binocular optical flows |
| CN108830925A (zh) * | 2018-05-08 | 2018-11-16 | 中德（珠海）人工智能研究院有限公司 | 一种基于球幕视频流的三维数字化建模方法 |
-
2020
- 2020-09-25 CN CN202011020689.6A patent/CN112116633A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150242700A1 (en) * | 2013-12-26 | 2015-08-27 | Huazhong University Of Science And Technology | Method for estimating rotation axis and mass center of spatial target based on binocular optical flows |
| CN103761737A (zh) * | 2014-01-22 | 2014-04-30 | 北京工业大学 | 基于稠密光流的机器人运动估计方法 |
| CN108830925A (zh) * | 2018-05-08 | 2018-11-16 | 中德（珠海）人工智能研究院有限公司 | 一种基于球幕视频流的三维数字化建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张军 等: "矿井上行钻孔深度高精度测量技术", 《煤矿安全》, vol. 51, no. 7, pages 132 - 135 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580609A (zh) * | 2021-01-26 | 2021-03-30 | 南京北路智控科技股份有限公司 | 一种煤矿钻杆计数方法 |
| CN112883830A (zh) * | 2021-01-29 | 2021-06-01 | 南京北路智控科技股份有限公司 | 一种钻杆实时自动计数方法 |
| CN113111805A (zh) * | 2021-04-16 | 2021-07-13 | 北京科技大学 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
| CN113591590A (zh) * | 2021-07-05 | 2021-11-02 | 天地（常州）自动化股份有限公司 | 一种基于人体姿态识别的打钻视频退杆计数方法 |
| WO2023279531A1 (zh) * | 2021-07-05 | 2023-01-12 | 天地（常州）自动化股份有限公司 | 一种基于人体姿态识别的打钻视频退杆计数方法 |
| RU2802411C1 (ru) * | 2021-07-05 | 2023-08-28 | Тяньди (Чанчжоу) Аутомэйшн Ко., Лтд. | Способ подсчета извлечения штанг на видеозаписях бурения на основе распознавания жестов человеческого тела |
| CN113591590B (zh) * | 2021-07-05 | 2024-02-23 | 天地（常州）自动化股份有限公司 | 一种基于人体姿态识别的打钻视频退杆计数方法 |
| CN113642406A (zh) * | 2021-07-14 | 2021-11-12 | 广州市玄武无线科技股份有限公司 | 密集悬挂纸片的清点系统、方法、装置、设备及存储介质 |
| CN114821453A (zh) * | 2022-06-30 | 2022-07-29 | 广州英码信息科技有限公司 | 基于目标检测的煤矿钻杆计数方法及计算机可读介质 |
| CN114821453B (zh) * | 2022-06-30 | 2022-09-20 | 广州英码信息科技有限公司 | 基于目标检测的煤矿钻杆计数方法及计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112116633A (zh) | 一种矿井打钻计数方法 | |
| CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
| Gallego et al. | Accurate angular velocity estimation with an event camera | |
| CN111724439B (zh) | 一种动态场景下的视觉定位方法及装置 | |
| Kang et al. | Detection and tracking of moving objects from a moving platform in presence of strong parallax | |
| EP2956891B1 (en) | Segmenting objects in multimedia data | |
| CN111721259B (zh) | 基于双目视觉的水下机器人回收定位方法 | |
| CN109934108B (zh) | 一种多目标多种类的车辆检测和测距系统及实现方法 | |
| CN108257165B (zh) | 图像立体匹配方法、双目视觉设备 | |
| CN110706269B (zh) | 一种基于双目视觉slam的动态场景密集建模方法 | |
| CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
| CN111251336A (zh) | 一种基于视觉定位的双臂协同智能装配系统 | |
| CN110992288B (zh) | 一种用于矿山井筒环境下的视频图像盲去噪方法 | |
| CN113450410A (zh) | 一种基于对极几何的单目深度和位姿联合估计方法 | |
| CN115830018B (zh) | 基于深度学习与双目视觉的碳素块检测方法及系统 | |
| CN115619826A (zh) | 一种基于重投影误差和深度估计的动态slam方法 | |
| CN114972421A (zh) | 车间物料识别追踪与定位方法、系统 | |
| CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
| CN113643206A (zh) | 一种奶牛呼吸情况检测方法 | |
| CN112883836A (zh) | 一种煤矿井下巷道形变视频检测方法 | |
| CN109410254B (zh) | 一种基于目标和相机运动建模的目标跟踪方法 | |
| CN116740036A (zh) | 一种钢管管端引熄弧板切割点位检测方法和系统 | |
| CN114091520B (zh) | 一种井工煤矿中工作设备识别与检测的方法与装置 | |
| CN112200850B (zh) | 一种基于成熟特征点的orb提取方法 | |
| CN115953460A (zh) | 基于自监督深度学习的视觉里程计方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Xuan Inventor before: Yang Heng Inventor before: Li Xuan |