CN112258453A - 一种工业故障巡检机器人定位地标检测方法 - Google Patents
一种工业故障巡检机器人定位地标检测方法 Download PDFInfo
- Publication number
- CN112258453A CN112258453A CN202011034789.4A CN202011034789A CN112258453A CN 112258453 A CN112258453 A CN 112258453A CN 202011034789 A CN202011034789 A CN 202011034789A CN 112258453 A CN112258453 A CN 112258453A
- Authority
- CN
- China
- Prior art keywords
- inspection robot
- fault inspection
- detection method
- optical flow
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000007689 inspection Methods 0.000 title claims abstract description 20
- 230000003287 optical effect Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20084—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种工业故障巡检机器人定位地标检测方法,其特征在于,包括如下步骤:步骤1、基于FT算法提取显著性图,对原始图像进行高斯滤波,并在LAB空间求得各通道的均值并融合;步骤2、基于FlowNet算法进行光流预测,获得光流x方向和y方向的灰度图,并对相邻5帧进行并操作并进行二值化处理;步骤3、基于YOLO‑V3算法提取带标签目标,获得相应标签的位置信息,并将显著图中预测框相应位置内的各像素值剔除,得出可用地标,本发明通过FT算法、FlowNet算法及YOLO算法的采用,在保证地标预测结果准确性的同时可快速进行计算,提高地标识别的效率,保证地标识别的实时性,大大节约定位地标的检测时间。
Description
技术领域
本发明属于移动机器人地标检测算法技术领域,具体涉及一种工业故障巡检机器人定位地标检测方法。
背景技术
近年来在显著性检测问题上,吸引了大量研究者的关注和兴趣,这种日益普及的原因在于模型的智能选择和处理速度在各种视觉任务中得以有效地使用,例如图像检索、目标检测、视频摘要和压缩等计算机视觉相关的领域,提高了计算机进行图像分析和处理的效率。
同时定位和建图(SLAM)是同时估计环境的模型或地图以及机器人在该地图中的位置的任务,也是计算机视觉领域的重要研究内容,显然地标对于定位和地图构建具有重要意义。
本文针无配合定位目标场景采用一种显著性检测算法,以提取环境可用路标和路标区域的视觉特征。
发明内容
本发明的目的在于提供一种工业故障巡检机器人定位地标检测方法,以解决的问题。
为实现上述目的,本发明提供如下技术方案:一种工业故障巡检机器人定位地标检测方法,其中,包括如下步骤:
步骤1、基于FT算法提取显著性图:
对原始图像进行高斯滤波,并在LAB空间求得各通道的均值并融合;
步骤2、基于FlowNet算法进行光流预测:
获得光流x方向和y方向的灰度图,并对相邻5帧进行并操作并进行二值化处理;
步骤3、基于YOLO-V3算法提取带标签目标:
获得相应标签的位置信息,并将显著图中预测框相应位置内的各像素值剔除,得出可用地标。
优选的,所述步骤1具体包括如下步骤:
步骤11、输入单张img格式原始场景图;
步骤12、对原始场景图img进行高斯滤波得到imgrgb图像;
步骤13、将imgrgb图像由RGB颜色空间转换为LAB颜色空间imglab;
步骤14、对图像imglab的L,A,B三个通道的图像分别取均值得到Lm,Am,Bm;
步骤15、分别对Lm,Am,Bm及imgrgb图像取欧氏距离并求和,获得初始显著性图。
优选的,所述步骤2具体包括如下步骤:
步骤21、于Flowne模型中输入提取的连续视频帧;
步骤22、通过Flowne模型对相邻两图片进行光流估计,获取光流信息并可视化得到彩色光流图;
步骤23、提取光流两通道的运动信息,得到与彩色光流图对应方向的灰度图并二值化;
步骤24、以原始场景图为中间帧,对相邻五帧对应方向的二值图进行并操作,得到两通道信息结合后的连续五幅二值图;
步骤25、对连续五幅二值图取交集并得到待筛选的结果图。
优选的,所述步骤3具体包括如下步骤:
步骤31、于YOLO-V3模型中输入单张原始场景图,对待筛选目标进行位置预测;
步骤32、获得相应待剔除目标标签的位置信息;
步骤33、将步骤1中显著图相应位置的像素值设为0,并剔除,得出可用地标。
优选的,工业故障巡检机器人上设置有对机器人四周进行记录的摄像装置,且摄像装置可对所述原始图像及连续视频进行记录。
优选的,工业故障巡检机器人上设置有存储装置。
本发明的技术效果和优点:该工业故障巡检机器人定位地标检测方法相对于传统特征提取网络,通过FT算法、FlowNet算法及YOLO算法的采用,在保证地标预测结果准确性的同时可快速进行计算,提高地标识别的效率,保证地标识别的实时性,,大大节约定位地标的检测时间。
附图说明
图1为本发明的的流程图;
图2为本发明的各流程实验结果示意图。
具体实施方式
下面将结合本发明实施例中的附图1-2,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了如图1-2中所示的一种工业故障巡检机器人定位地标检测方法,其中,包括如下步骤:
步骤1、基于FT算法提取显著性图:对原始图像进行高斯滤波,并在LAB 空间求得各通道的均值并融合,通过FT算法的采用,可用得到原始图像的显著图。
步骤2、基于FlowNet算法进行光流预测:获得光流x方向和y方向的灰度图,并对相邻5帧进行并操作并进行二值化处理,在本发明中,FlowNet算法采用FlowNet2.0,使在保证计算精度的同时可快速进行计算,可以实现实时的光流计算系统,大大节约定位地标的检测时间。
步骤3、基于YOLO-V3算法提取带标签目标:获得相应标签的位置信息,并将显著图中预测框相应位置内的各像素值剔除,得出可用地标,通过YOLO-V3 可以改变模型结构的大小来权衡速度与精度,可大大节约带标签目标提取时间。
具体的,所述步骤1具体包括如下步骤:
步骤11、输入单张img格式原始场景图,示例如图2(a)所示;
步骤12、对原始场景图img进行高斯滤波得到imgrgb图像;
步骤13、将imgrgb图像由RGB颜色空间转换为LAB颜色空间imglab;
步骤14、对装换后的图像imglab的L,A,B三个通道的图像分别取均值得到Lm,Am,Bm;
步骤15、分别对三个通道的均值图像Lm,Am,Bm及高斯滤波得到imgrgb图像取欧氏距离并求和,获得初始显著性图,初始显著性图如图2(b)所示。
具体的,所述步骤2具体包括如下步骤:
步骤21、于Flowne模型中输入提取的连续视频帧;
步骤22、通过Flowne模型对相邻两图片进行光流估计,获取光流信息并可视化得到彩色光流图;
步骤23、提取光流两通道的运动信息,两通道的运动信息包括x方向及y 方向,得到与彩色光流图对应的x方向及y方向的灰度图,其中x方向的灰度图如图2(c)所示、y方向的灰度图如图2(d)所示,并按固定阈值对其进行二值化处理;
步骤24、以原始场景图为中间帧,对相邻五帧对应方向的二值图进行并操作,得到两通道信息结合后的连续五幅二值图,对相邻五帧对应方向融合后的结果图如图2(e)所示,对结合后的连续五幅二值化处理后的结果图如图2(f) 所示;
步骤25、对步骤24中得到的连续五幅二值图取交集并得到待筛选的结果图,结果图如图2(g)所示。
具体的,所述步骤3具体包括如下步骤:
步骤31、于YOLO-V3模型中输入单张原始场景图,对待筛选目标进行位置预测;
步骤32、获得相应待剔除目标标签的位置信息;
步骤33、在本发明中,默认白色部分为显著区域将步骤1中显著图相应位置的像素值设为0,即剔除,剔除后的结果图如图2(h)所示,并筛选得出可用地标,可用地标筛选结果如图2(i)所示。
具体的,工业故障巡检机器人上设置有对机器人四周进行记录的摄像装置,且摄像装置可对所述原始图像及连续视频进行记录,机器人在巡检过程中利用摄像装置连续获取四周场景图像及连续视频,并检测筛选出四周场景中的可用地标,实现快速定位。
具体的,工业故障巡检机器人上设置有存储装置,存储装置内可预存工业故障巡检机器人巡检路线上的地标,通过检测算法对可用地标的快速识别,使可用地标可与存储装置预存地标匹配,从而可快速进行定位。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种工业故障巡检机器人定位地标检测方法,其特征在于,包括如下步骤:
步骤1、基于FT算法提取显著性图:
对原始图像进行高斯滤波,并在LAB空间求得各通道的均值并融合;
步骤2、基于FlowNet算法进行光流预测:
获得光流x方向和y方向的灰度图,并对相邻5帧进行并操作并进行二值化处理;
步骤3、基于YOLO-V3算法提取带标签目标:
获得相应标签的位置信息,并将显著图中预测框相应位置内的各像素值剔除,得出可用地标。
2.根据权利要求1所述的一种工业故障巡检机器人定位地标检测方法,其特征在于,所述步骤1具体包括如下步骤:
步骤11、输入单张img格式原始场景图;
步骤12、对原始场景图img进行高斯滤波得到imgrgb图像;
步骤13、将imgrgb图像由RGB颜色空间转换为LAB颜色空间imglab;
步骤14、对图像imglab的L,A,B三个通道的图像分别取均值得到Lm,Am,Bm;
步骤15、分别对Lm,Am,Bm及imgrgb图像取欧氏距离并求和,获得初始显著性图。
3.根据权利要求1所述的一种工业故障巡检机器人定位地标检测方法,其特征在于,所述步骤2具体包括如下步骤:
步骤21、于Flowne模型中输入提取的连续视频帧;
步骤22、通过Flowne模型对相邻两图片进行光流估计,获取光流信息并可视化得到彩色光流图;
步骤23、提取光流两通道的运动信息,得到与彩色光流图对应方向的灰度图并二值化;
步骤24、以原始场景图为中间帧,对相邻五帧对应方向的二值图进行并操作,得到两通道信息结合后的连续五幅二值图;
步骤25、对连续五幅二值图取交集并得到待筛选的结果图。
4.根据权利要求1所述的一种工业故障巡检机器人定位地标检测方法,其特征在于,所述步骤3具体包括如下步骤:
步骤31、于YOLO-V3模型中输入单张原始场景图,对待筛选目标进行位置预测;
步骤32、获得相应待剔除目标标签的位置信息;
步骤33、将步骤1中显著图相应位置的像素值设为0,并剔除,得出可用地标。
5.根据权利要求1所述的一种工业故障巡检机器人定位地标检测方法,其特征在于:工业故障巡检机器人上设置有对机器人四周进行记录的摄像装置,且摄像装置可对所述原始图像及连续视频进行记录。
6.根据权利要求1所述的一种工业故障巡检机器人定位地标检测方法,其特征在于:工业故障巡检机器人上设置有存储装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034789.4A CN112258453B (zh) | 2020-09-27 | 2020-09-27 | 一种工业故障巡检机器人定位地标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034789.4A CN112258453B (zh) | 2020-09-27 | 2020-09-27 | 一种工业故障巡检机器人定位地标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258453A true CN112258453A (zh) | 2021-01-22 |
CN112258453B CN112258453B (zh) | 2024-04-26 |
Family
ID=74233895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011034789.4A Active CN112258453B (zh) | 2020-09-27 | 2020-09-27 | 一种工业故障巡检机器人定位地标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114345719A (zh) * | 2022-01-17 | 2022-04-15 | 青岛齐林智信自控技术有限公司 | 一种肠衣套缩管自动分级装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140032113A (ko) * | 2012-09-06 | 2014-03-14 | (주)하기소닉 | 자연랜드마크 및 인공랜드마크와 엔코더를 이용한 지능형 이동로봇의 위치인식 방법 |
KR20140053712A (ko) * | 2012-10-26 | 2014-05-08 | (주)하기소닉 | 센서 융합에 의한 실내로봇용 위치인식 방법 |
WO2015180527A1 (zh) * | 2014-05-26 | 2015-12-03 | 清华大学深圳研究生院 | 一种图像显著性检测方法 |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
CN108681711A (zh) * | 2018-05-17 | 2018-10-19 | 常州信息职业技术学院 | 一种面向移动机器人的自然路标提取方法 |
WO2019071976A1 (zh) * | 2017-10-12 | 2019-04-18 | 北京大学深圳研究生院 | 基于区域增长和眼动模型的全景图像显著性检测方法 |
CN109682378A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种完全基于视觉信息的无人机室内定位与多目标跟踪方法 |
CN109859246A (zh) * | 2019-02-15 | 2019-06-07 | 哈尔滨工程大学 | 一种结合相关滤波与视觉显著性的低空慢速无人机跟踪方法 |
CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110866896A (zh) * | 2019-10-29 | 2020-03-06 | 中国地质大学(武汉) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 |
CN111161318A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种基于yolo算法及gms特征匹配的动态场景slam方法 |
CN111681259A (zh) * | 2020-05-17 | 2020-09-18 | 天津理工大学 | 基于无Anchor机制检测网络的车辆跟踪模型建立方法 |
-
2020
- 2020-09-27 CN CN202011034789.4A patent/CN112258453B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140032113A (ko) * | 2012-09-06 | 2014-03-14 | (주)하기소닉 | 자연랜드마크 및 인공랜드마크와 엔코더를 이용한 지능형 이동로봇의 위치인식 방법 |
KR20140053712A (ko) * | 2012-10-26 | 2014-05-08 | (주)하기소닉 | 센서 융합에 의한 실내로봇용 위치인식 방법 |
WO2015180527A1 (zh) * | 2014-05-26 | 2015-12-03 | 清华大学深圳研究生院 | 一种图像显著性检测方法 |
CN105825238A (zh) * | 2016-03-30 | 2016-08-03 | 江苏大学 | 一种视觉显著性目标的检测方法 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
WO2019071976A1 (zh) * | 2017-10-12 | 2019-04-18 | 北京大学深圳研究生院 | 基于区域增长和眼动模型的全景图像显著性检测方法 |
CN108681711A (zh) * | 2018-05-17 | 2018-10-19 | 常州信息职业技术学院 | 一种面向移动机器人的自然路标提取方法 |
CN109682378A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种完全基于视觉信息的无人机室内定位与多目标跟踪方法 |
CN109859246A (zh) * | 2019-02-15 | 2019-06-07 | 哈尔滨工程大学 | 一种结合相关滤波与视觉显著性的低空慢速无人机跟踪方法 |
CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110866896A (zh) * | 2019-10-29 | 2020-03-06 | 中国地质大学(武汉) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 |
CN111161318A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种基于yolo算法及gms特征匹配的动态场景slam方法 |
CN111681259A (zh) * | 2020-05-17 | 2020-09-18 | 天津理工大学 | 基于无Anchor机制检测网络的车辆跟踪模型建立方法 |
Non-Patent Citations (15)
Title |
---|
JIYU CHENG: "An Accurate Localization Scheme for Mobile Robots Using Optical Flow in Dynamic Environments", 2018 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS, pages 723 - 728 * |
YUAN XIA: "Pedestrian Detection for Transformer Substation Based on Gaussian Mixture Model and YOLO", 《2016 8TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS》 * |
刘晓辉;金志刚;赵安安;卫津津;: "融合运动和空间关系特性的显著性区域检测", 华中科技大学学报(自然科学版), no. 06 * |
刘晓辉;金志刚;赵安安;卫津津;: "融合运动和空间关系特性的显著性区域检测", 华中科技大学学报(自然科学版), no. 06, 23 June 2013 (2013-06-23) * |
徐金婧;徐熙平;: "基于时空显著特征的运动目标检测方法研究", 长春理工大学学报(自然科学版), no. 04 * |
徐金婧;徐熙平;: "基于时空显著特征的运动目标检测方法研究", 长春理工大学学报(自然科学版), no. 04, 15 August 2020 (2020-08-15) * |
李俊毅;高斌;仝小敏;李鹏;: "基于YOLO和GMM的视频行人检测方法", 中国电子科学研究院学报, no. 03 * |
李俊毅;高斌;仝小敏;李鹏;ZHANG LEI;: "基于YOLO和GMM的视频行人检测方法", 中国电子科学研究院学报, no. 03, 20 March 2019 (2019-03-20) * |
牛杰: "一种面向移动机器人导航的自然路标提取方法", 哈尔滨工程大学学报, vol. 40, no. 4, pages 844 - 850 * |
王伟;何姣;石强;: "复杂背景下目标识别算法分析与改进", 智能计算机与应用, no. 04 * |
王伟;何姣;石强;: "复杂背景下目标识别算法分析与改进", 智能计算机与应用, no. 04, 1 April 2020 (2020-04-01) * |
黄张祥;白瑞林;吉峰;: "图像显著性区域检测算法的软硬件协同设计及SoC实现", 小型微型计算机系统, no. 09 * |
黄张祥;白瑞林;吉峰;: "图像显著性区域检测算法的软硬件协同设计及SoC实现", 小型微型计算机系统, no. 09, 15 September 2016 (2016-09-15) * |
黄锋;易嘉闻;吴健辉;何伟;李武劲;欧先锋;: "光流法和显著性相结合的动态背景下运动目标检测方法", 成都工业学院学报, no. 01 * |
黄锋;易嘉闻;吴健辉;何伟;李武劲;欧先锋;: "光流法和显著性相结合的动态背景下运动目标检测方法", 成都工业学院学报, no. 01, 15 March 2020 (2020-03-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114345719A (zh) * | 2022-01-17 | 2022-04-15 | 青岛齐林智信自控技术有限公司 | 一种肠衣套缩管自动分级装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112258453B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097568B (zh) | 一种基于时空双分支网络的视频对象检测与分割方法 | |
JP4991923B2 (ja) | 画像処理方法及び装置 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN110232330B (zh) | 一种基于视频检测的行人重识别方法 | |
US20230267735A1 (en) | Method for structuring pedestrian information, device, apparatus and storage medium | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
WO2020233397A1 (zh) | 在视频中对目标进行检测的方法、装置、计算设备和存储介质 | |
CN110795595A (zh) | 基于边缘计算的视频结构化存储方法、装置、设备及介质 | |
CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
CN112488071B (zh) | 提取行人特征的方法、装置、电子设备和存储介质 | |
CN112905824A (zh) | 目标车辆追踪方法、装置、计算机设备及存储介质 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
GB2550858A (en) | A method, an apparatus and a computer program product for video object segmentation | |
CN112381043A (zh) | 一种旗帜检测方法 | |
CN111401308A (zh) | 一种基于光流效应的鱼类行为视频识别方法 | |
CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
CN114998815A (zh) | 一种基于视频分析的交通车辆识别追踪方法及系统 | |
CN112258453B (zh) | 一种工业故障巡检机器人定位地标检测方法 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
Ali et al. | IRUVD: a new still-image based dataset for automatic vehicle detection | |
CN112883836A (zh) | 一种煤矿井下巷道形变视频检测方法 | |
AU2011265494A1 (en) | Kernalized contextual feature | |
CN111832497A (zh) | 一种基于几何特征的文本检测后处理方法 | |
CN110555406A (zh) | 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法 |
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 |