CN112149543A - 一种基于计算机视觉的建筑扬尘识别系统与方法 - Google Patents
一种基于计算机视觉的建筑扬尘识别系统与方法 Download PDFInfo
- Publication number
- CN112149543A CN112149543A CN202010973045.2A CN202010973045A CN112149543A CN 112149543 A CN112149543 A CN 112149543A CN 202010973045 A CN202010973045 A CN 202010973045A CN 112149543 A CN112149543 A CN 112149543A
- Authority
- CN
- China
- Prior art keywords
- image
- building
- dust
- identification
- computer vision
- 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.)
- Granted
Links
- 239000000428 dust Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000010410 dusting Methods 0.000 claims 8
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的建筑扬尘识别系统与方法，首先对获取的单帧的建筑工地图像进行大小和分辨率的初始化处理，再经过高斯滤波对图像进行预处理。处理后的图像进行颜色模型转换。二值化图像形态学开操作，先腐蚀后膨胀，消除细小物体的影响扩大边缘区域得到背景和前景图像，合并成为掩膜图像。通过像素面积法计算提取的建筑扬尘的像素面积与图像总像素面积之比，判断是否图片具有建筑扬尘。图像有建筑扬尘的保存图像并输出识别警报信号。本发明是计算机视觉、图像处理和现代通讯技术结合在一起自动完成建筑扬尘的自动识别和报警的系统，解决了现有扬尘检测仪的测量周期长，精度差等弊端，有助于管理人员的监控工作。
Description
技术领域
本专利涉及计算机视觉和图像处理技术，具体涉及滤波处理、图像模型转换、通道分离、全局化阈值二值化、形态学的腐蚀和膨胀、分水岭算法、扬尘识别以及输出警报信号方法应用于建筑扬尘的自动识别系统。
背景技术
在中国经济高速发展阶段，城市化的进程越来越快。为了满足城市住房的要求，建筑施工在不断地上升。建筑施工过程中会产生大量扬尘，建筑扬尘的微小颗粒物会随风飘散到空气中造成PM2.5和PM10升高，雾霾天气次数的增多。高浓度的扬尘环境也会损害人体的呼吸系统，悬浮在空气中的建筑扬尘被直接吸入人体的呼吸系统，使得人体患肺病和心脑血管堵塞机率增加。建筑扬尘的大量增多会使得空气的流动性变差，空气中的细菌病毒难以扩散，增加了传染疾病的传播风险。建筑扬尘造成的影响危害形势严峻，为改善环境质量，各级政府部门非常重视对于建筑扬尘的防控。因此，监测建筑扬尘的污染，做到提前预警是建筑扬尘防控的重中之重。
建筑施工的各个阶段都会产生扬尘的颗粒物，所以我们需要实时连续的监测扬尘。目前国内的扬尘监测方法主要是以光学传感器为计数器的扬尘检测仪，测量误差大、周期长、稳定性较差，很多监测方法不可以及时的给出测量结果。随着图像处理和计算机视觉的迅速发展，本发明提出一种计算机视觉、图像处理和现代通信技术相结合建筑扬尘识别方法，可以对建筑扬尘目标进行及时检测和迅速的报警处理，解决了现有技术建筑扬尘检测的弊端。我们在建筑工地进行不同角度的无线摄像头安装，不同角度的摄像头按照每天固定时刻获取单帧监控图像，通过无线网络传输到图像信息库。我们调取信息库的图像，运行VS2010软件进行图像处理和利用计算机视觉判断建筑施工场地是否有大面积的扬尘污染。若有扬尘污染给予警报提示，提醒建筑工地的管理人员进行降尘措施。此种方法是基于监控终端的扬尘污染识别和输出识别信号机制，操作简单解放了大量人力劳动，有效减少仪器维护成本。
发明内容
本发明提出一种通过计算机视觉、图像处理和现代通信技术相结合的建筑扬尘识别方法。解决了现有建筑扬尘监测费时费力，测量误差大的弊端。此方法操作简单、经济又高效，能够灵敏快捷的获得施工地域的图像信息，判断是否具有建筑扬尘并给出报警识别信号，给监控建筑扬尘的人员带来很大便利。
为实现上述目的，本发明采用的技术方案为基于计算机视觉的建筑扬尘识别方案：
一种基于计算机视觉的建筑扬尘识别系统主要包括建筑工地图像采集模块、建筑工地图像信息存储模块、建筑工地图像处理模块、显示器显示建筑工地图像信息和报警模块。建筑工地图像采集模块与建筑工地图像信息存储模块连接，建筑工地图像信息存储模块与建筑工地图像处理模块连接；建筑工地图像处理模块分别连接显示器和报警模块；图像采集由安装在建筑工地各个角度的无线网络摄像头获取每天固定时刻的建筑工地周围环境的图像，经由无线网络传输到信息存储模块将图像信息存储起来，经图像处理模块滤波和算法分析，当输入图像信息达到报警的阈值发送报警信号。为监控人员提供及时高效的识别信息，实时输出识别报警信号，大大降低了监测建筑扬尘的运营和维护成本。
建筑工地图像中建筑扬尘的监测识别与识别警报信号的输出，主要是对建筑工地一系列的图像进行图像处理，获取识别目标，对目标进行像素点比例的计算，最终判断输出的警报信号。
上述步骤如下：
步骤a)图像采集模块采集的建筑工地单帧图像传输到图像信息存储模块，调用图像信息存储模块的单帧图像进行图像初始化处理，具体方法是调整单帧图像的大小以及图像的分辨率，其公式如下：
pc＝src.cols/dest.cols
pr＝src.rows/dest.rows
scr.cols为原图像的高度，scr.rows为原图像的宽度；
dest.cols为调整后图像的高度，dest.rows为调整后图像的宽度；
pc为高度缩放比例，pr为宽度缩放比例；
原图像宽和高分别为x*pc、y*pr，输出图像宽和高分别为x、y，新调整的图像不失比例。
步骤b)将经过调整大小和分辨率的图像进行高斯滤波保留图像的目标特征，去除图像在形成、传输和存储过程中受到的大量噪声污染。高斯滤波是对输入图像的像素点和高斯核的卷积模块进行卷积运算，对整幅图像进行加权平均，将这些结果一块组成滤波后图像数组的平滑滤波器。加权值需要高斯函数的形状来决定，二维高斯函数的公式为：
G(x,y)为输出图像在(x,y)点处的像素值，分布参数σ为滤波器的宽度；
x为像素点横坐标值，y为像素点的纵坐标值；
运用高斯核为3×3，计算公式如下：
g(x,y)＝{f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16；
g(x,y)：输出图像在(x,y)点处的像素值；
f(x,y)：输入图像在(x,y)点处的像素值；
步骤c)二维高斯滤波后RGB颜色模型的图像转为HSV颜色模型的图像，有建筑扬尘的图像转为HSV颜色模型后，图像中建筑扬尘的特征更为突出。HSV颜色模型是一种六角椎体模型的颜色空间，模型的参数有色调、饱和度和亮度。两个模型转换关系计算公式如下:
V＝max
max：表示在RGB三个通道中的最大值；
min：表示在RGB三个通道中的最小值；
步骤d)图像转为HSV颜色模型后，分离HSV模型的图像为色调、饱和度和明度三个通道的图像。根据每个通道图像的像素值和频数的分布直方图找出最佳阈值区间，采用全局化阈值区间二值化，遍历图像的像素点在阈值区间的将像素值设为255，不在阈值期间的像素值设为0。
步骤e)分离三个通道的二值化后的图像合并，新生成的图像进行形态学开操作。调用opencv函数erode和dilate先腐蚀后膨胀，开操作具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用。
腐蚀算法的步骤：
(1)用3x3的结构元素，扫描图像的每一个元素
(2)用结构元素与其覆盖的二值图像做“与”操作
(3)如果都为1，结果图像的该像素为1。否则为0
(4)结果：消除细小无意义的噪声点
膨胀算法的步骤：
(1)用3x3的结构元素，扫描图像的每一个元素
(2)用结构元素与其覆盖的二值图像做“与”操作
(3)如果都为0，结果图像的该像素为0。否则为1
(4)结果：填满背景空洞现象。
形态学开操作得到的两张前景和背景二值化图像合并成一张32位掩膜图片，掩膜图像作为标记分割目标区域。
步骤f)经过腐蚀膨胀处理后合并的掩膜图像作为分水岭算法的标记图像。分水岭算法是一种基于拓扑理论的数学形态学自下而上的递归过程，是依据临近像素间的相似性作为重要的参考，从而将在空间位置上相近并且灰度值相近的像素点互相连接起来构成一个封闭的轮廓将扬尘目标分割出来。递归公式如下：
hmin表示的是图像中灰度值最小的值，hmax灰度值最大的值；
Xh+1表示灰度值为h+1上的所有像素点，minh+1表示区域中灰度值最小点，
为Xh点所在灰度值为h的区域，Xh∩Xh+1表示两者相交，同在一个区域的点；
步骤g)分水岭算法分割出有建筑扬尘的区域，采用像素面积法统计扬尘目标区域像素点个数和整个图像像素点个数，计算扬尘目标区域像素点个数和图片像素点个数的比例值。公式如下：
scale_img＝whitecount/pixekcount
whitecount为建筑扬尘目标区域像素点个数，pixekcount整个图像总像素点的个数，scale_img为两者的比例值；
步骤h)计算出建筑扬尘区域和整个图像的比例值，比例值大于阈值的图像打上有问题的标签，对建筑扬尘进行目标识别，并且给出目标识别报警信号。程序将有问题的照片存储，方便监控人员核对信息。
本发明的目的在于解决现有建筑扬尘检测周期长、精度差和维护费用高昂的弊端。提出了一种通过计算机视觉、图像处理和现代通信技术相结合的建筑扬尘识别方法。此方法经济又高效，能够灵敏快捷的获得施工地域的图像信息，判断是否具有建筑扬尘并给出报警识别信号，给监控建筑扬尘的人员带来很大便利。
附图说明
图1算法流程图。
图2有建筑扬尘目标监测图。a为原图；b为扬尘识别图。
图3为实时监测信号输出图。
具体实施方式
图1为建筑扬尘监测总体设计流程图，核心部分为图像处理算法过程。有建筑扬尘的图片进行目标监测和输出监测识别信号，实验均可达到很好的效果。具体实施方式如下：
1.信息库获取的单帧图像进行大小和分辨率的初始化，设定图像大小为400*400，命名为“g_srcimage”。初始化后的图像进行高斯滤波处理，令高斯函数中的σ＝0.7。
2.预处理后的RGB图像转为HSV模型图片，模型转换后的图片分离为三个通道的图片，分别进行全局化二值化操作的。得到三张二值化的图片himg、simg、vimg，合并为一张二值化的图片binary_image。
3.对binary_image进行形态学开操作，调用opencv函数erode腐蚀操作6次得到前景图片，调用函数dilate膨胀操作6次得到后景图片。前景图片和后景图片构成掩膜图片markers，掩膜图片作为标记用分水岭算法提取目标区域。
4.采用像素面积法计算扬尘区域的比例面积，比例大于0.06就打上问题标签，保存具有建筑扬尘的图片并输出警报识别的信号。
Claims (9)
1.一种基于计算机视觉的建筑扬尘识别系统，其特征在于：包括建筑工地图像采集模块、建筑工地图像信息存储模块、建筑工地图像处理模块、显示器和报警模块；
建筑工地图像采集模块与建筑工地图像信息存储模块连接，建筑工地图像信息存储模块与建筑工地图像处理模块连接；建筑工地图像处理模块分别连接显示器和报警模块；
建筑工地图像采集模块中，由安装在建筑工地各个角度的无线网络摄像头获取每天固定时刻的建筑工地周围环境的图像；经由无线网络传输到建筑工地图像信息存储模块将图像信息存储起来；经建筑工地图像图像处理模块滤波和算法分析，当输入建筑工地图像信息达到报警的阈值发送报警信号；显示器显示建筑工地图像信息；
建筑工地图像中建筑扬尘的监测识别与识别警报信号的输出，主要是对建筑工地一系列的图像进行图像处理，获取识别目标，对目标进行像素点比例的计算，最终判断输出的警报信号。
2.利用权利要求1所述系统进行的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：该方法的实现步骤如下，
步骤a)图像采集模块采集建筑工地单帧图像，并传输到图像信息存储模块重，调用图像信息存储模块的单帧图像进行图像初始化处理，调整单帧图像的大小以及图像的分辨率；
步骤b)将经过调整大小和分辨率的图像进行高斯滤波保留图像的目标特征，去除图像在形成、传输和存储过程中受到的大量噪声污染；高斯滤波是对输入图像的像素点和高斯核的卷积模块进行卷积运算，对整幅图像进行加权平均，将这些结果一块组成滤波后图像数组的平滑滤波器；
步骤c)二维高斯滤波后RGB颜色模型的图像转为HSV颜色模型的图像，有建筑扬尘的图像转为HSV颜色模型后，图像中建筑扬尘的特征更为突出；HSV颜色模型是一种六角椎体模型的颜色空间，模型的参数有色调、饱和度和亮度；
步骤d)图像转为HSV颜色模型后，分离HSV模型的图像为色调、饱和度和明度三个通道的图像；根据每个通道图像的像素值和频数的分布直方图找出最佳阈值区间，采用全局化阈值区间二值化，遍历图像的像素点在阈值区间的将像素值设为255，不在阈值期间的像素值设为0；
步骤e)分离三个通道的二值化后的图像合并，新生成的图像进行形态学开操作；调用opencv函数erode和dilate先腐蚀后膨胀，开操作具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用；步骤f)经过腐蚀膨胀处理后合并的掩膜图像作为分水岭算法的标记图像；
步骤g)分水岭算法分割出有建筑扬尘的区域，采用像素面积法统计扬尘目标区域像素点个数和整个图像像素点个数，计算扬尘目标区域像素点个数和图片像素点个数的比例值；
步骤h)计算出建筑扬尘区域和整个图像的比例值，比例值大于阈值的图像打上有问题的标签，对建筑扬尘进行目标识别，并给出目标识别报警信号；程序将有问题的照片存储，方便监控人员核对信息。
3.根据权利要求2所述的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：利用摄像头传递到信息库获取建筑工地单帧图像，调整图像尺寸大小及分辨率的大小。
4.根据权利要求2所述的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：利用高斯滤波滤除在图像形成和传输过程中受到的噪声污染，在保留图像细节特征的情况下消除孤立的像素点和像素块。
5.根据权利要求2所述的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：将图像的RGB颜色模型转为HSV颜色模型，HSV颜色模型的图像分离为明度、饱和度和亮度三个通道；每个通道图像全局阈值二值化，三张二值化的图像合并为一张二值化的图像。
6.根据权利要求2所述的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：二值化的图像进行形态学开操作，消除细小物体，在纤细处分离物体先腐蚀后膨胀得到前景和后景图像，合并得到掩膜图。
7.根据权利要求2所述的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：根据形态学开操作得到的掩膜图，作为建筑扬尘识别分水岭算法的阈值标记图像；分水岭算法是阈值标记图像对建筑扬尘目标区域的像素灰度级别从低到高排序，然后从像素值低到像素值高实现淹没，标记图像的区域最高灰度值的边界点是分水岭，是建筑扬尘目标区域的边缘信息；用阈值标记的分水岭算法将目标建筑扬尘分割提取。
8.根据权利要求2所述的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：用像素面积法，将提取建筑扬尘的像素面积之和与图像总的像素面积之比，判断是否输出报警识别信号。
9.根据权利要求2所述的一种基于计算机视觉的建筑扬尘识别方法，其特征在于：判断图像中有建筑扬尘的，保存图像和输出建筑扬尘的识别警报信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010973045.2A CN112149543B (zh) | 2020-09-16 | 2020-09-16 | 一种基于计算机视觉的建筑扬尘识别系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010973045.2A CN112149543B (zh) | 2020-09-16 | 2020-09-16 | 一种基于计算机视觉的建筑扬尘识别系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149543A true CN112149543A (zh) | 2020-12-29 |
| CN112149543B CN112149543B (zh) | 2024-02-27 |
Family
ID=73893067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010973045.2A Active CN112149543B (zh) | 2020-09-16 | 2020-09-16 | 一种基于计算机视觉的建筑扬尘识别系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149543B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785710A (zh) * | 2021-01-28 | 2021-05-11 | 湖北省国土测绘院 | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 |
| CN113378667A (zh) * | 2021-05-28 | 2021-09-10 | 上海商汤智能科技有限公司 | 工地场景检测方法、装置、设备及存储介质 |
| CN113888397A (zh) * | 2021-10-08 | 2022-01-04 | 云南省烟草公司昆明市公司 | 基于无人机遥感和图像处理技术的烟草清塘点株方法 |
| CN114782415A (zh) * | 2022-06-16 | 2022-07-22 | 长春融成智能设备制造股份有限公司 | 一种基于机器视觉的灌装桶面异常状态实时监测方法 |
| CN114842349A (zh) * | 2022-07-01 | 2022-08-02 | 山东高速德建建筑科技股份有限公司 | 一种基于信息技术的建筑施工环境保护方法和系统 |
| CN114897770A (zh) * | 2022-03-30 | 2022-08-12 | 大连大学 | 一种樱桃裂果样本的智能移植增强平衡方法 |
| CN117036250A (zh) * | 2023-07-14 | 2023-11-10 | 小鲲智能技术(广州)有限公司 | 一种基于视觉算法的絮体沉降性能判断方法及装置 |
| CN117274884A (zh) * | 2023-11-21 | 2023-12-22 | 赣江新区慧工科技有限公司 | 一种基于图像识别的施工扬尘污染事件检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203265A (zh) * | 2016-06-28 | 2016-12-07 | 江苏大学 | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法 |
| CN107578045A (zh) * | 2017-09-19 | 2018-01-12 | 北京工业大学 | 一种基于机器视觉的水下目标识别方法 |
| CN109460705A (zh) * | 2018-09-26 | 2019-03-12 | 北京工业大学 | 基于机器视觉的输油管道监控方法 |
-
2020
- 2020-09-16 CN CN202010973045.2A patent/CN112149543B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203265A (zh) * | 2016-06-28 | 2016-12-07 | 江苏大学 | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法 |
| CN107578045A (zh) * | 2017-09-19 | 2018-01-12 | 北京工业大学 | 一种基于机器视觉的水下目标识别方法 |
| CN109460705A (zh) * | 2018-09-26 | 2019-03-12 | 北京工业大学 | 基于机器视觉的输油管道监控方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李倩;: "基于计算机图像处理的智能监控技术研究", 安阳师范学院学报, no. 05 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785710A (zh) * | 2021-01-28 | 2021-05-11 | 湖北省国土测绘院 | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 |
| CN112785710B (zh) * | 2021-01-28 | 2021-12-21 | 湖北省国土测绘院 | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 |
| CN113378667A (zh) * | 2021-05-28 | 2021-09-10 | 上海商汤智能科技有限公司 | 工地场景检测方法、装置、设备及存储介质 |
| CN113888397A (zh) * | 2021-10-08 | 2022-01-04 | 云南省烟草公司昆明市公司 | 基于无人机遥感和图像处理技术的烟草清塘点株方法 |
| CN114897770A (zh) * | 2022-03-30 | 2022-08-12 | 大连大学 | 一种樱桃裂果样本的智能移植增强平衡方法 |
| CN114897770B (zh) * | 2022-03-30 | 2024-10-18 | 大连大学 | 一种樱桃裂果样本的智能移植增强平衡方法 |
| CN114782415A (zh) * | 2022-06-16 | 2022-07-22 | 长春融成智能设备制造股份有限公司 | 一种基于机器视觉的灌装桶面异常状态实时监测方法 |
| CN114842349A (zh) * | 2022-07-01 | 2022-08-02 | 山东高速德建建筑科技股份有限公司 | 一种基于信息技术的建筑施工环境保护方法和系统 |
| CN114842349B (zh) * | 2022-07-01 | 2022-09-06 | 山东高速德建建筑科技股份有限公司 | 一种基于信息技术的建筑施工环境保护方法和系统 |
| CN117036250A (zh) * | 2023-07-14 | 2023-11-10 | 小鲲智能技术(广州)有限公司 | 一种基于视觉算法的絮体沉降性能判断方法及装置 |
| CN117036250B (zh) * | 2023-07-14 | 2023-12-26 | 小鲲智能技术(广州)有限公司 | 一种基于视觉算法的絮体沉降性能判断方法及装置 |
| CN117274884A (zh) * | 2023-11-21 | 2023-12-22 | 赣江新区慧工科技有限公司 | 一种基于图像识别的施工扬尘污染事件检测方法及系统 |
| CN117274884B (zh) * | 2023-11-21 | 2024-02-20 | 赣江新区慧工科技有限公司 | 一种基于图像识别的施工扬尘污染事件检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149543B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149543A (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
| CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
| CN106845408A (zh) | 一种复杂环境下的街道垃圾识别方法 | |
| CN106934386B (zh) | 一种基于自启发式策略的自然场景文字检测方法及系统 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
| CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
| CN102163284A (zh) | 面向中文环境的复杂场景文本定位方法 | |
| CN112861654B (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN103442209A (zh) | 一种输电线路的视频监控方法 | |
| CN105404847A (zh) | 一种遗留物实时检测方法 | |
| CN112507865B (zh) | 一种烟雾识别方法及识别装置 | |
| CN110490826B (zh) | 一种照相机中雾滴样本图像处理方法 | |
| CN115797775B (zh) | 基于近地视频图像的违章建筑智能识别方法及系统 | |
| CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
| CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN112560807A (zh) | 一种基于人头检测的人群聚集检测方法 | |
| CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
| CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
| CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
| CN113221976A (zh) | 基于时空光流网络的多视频帧黑烟柴油车检测方法及系统 | |
| CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
| CN118015472B (zh) | 基于遥感影像的多类型海岸线提取方法及系统 | |
| CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测系统 | |
| CN105405153A (zh) | 智能移动终端抗噪声干扰运动目标提取方法 |
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 |