CN112347890A - 一种绝缘子机器人作业识别方法、存储介质及系统 - Google Patents
一种绝缘子机器人作业识别方法、存储介质及系统 Download PDFInfo
- Publication number
- CN112347890A CN112347890A CN202011189744.4A CN202011189744A CN112347890A CN 112347890 A CN112347890 A CN 112347890A CN 202011189744 A CN202011189744 A CN 202011189744A CN 112347890 A CN112347890 A CN 112347890A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image information
- image
- insulator robot
- recognition
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 208000034953 Twin anemia-polycythemia sequence Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 150000003839 salts Chemical class 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
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种绝缘子机器人作业识别方法,其包括步骤,获取绝缘子机器人周边的图像信息;对获取的图像信息进行预处理;对预处理后的图像信息进行图像识别;利用贝叶斯网络算法对图像识别后的图像信息进行运算,将识别出的图像信息转换成绝缘子机器人运动过程中的环境信息模式。本发明还提供一种存储介质及绝缘子机器人作业识别系统,本发明提供的绝缘子机器人作业识别方法、存储介质及系统可识别出绝缘子机器人行进过程中的环境信息,以使绝缘子机器人能够完成相应的动作。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种绝缘子机器人作业识别方法、存储介质及系统。
背景技术
图像识别即是指利用计算机对图像进行处理、分析和理解,以来识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。图像的传统识别流程分为四个步骤:图像采集、图像预处理、特征提取、图像识别。
绝缘子清扫机器人在执行带电清扫作业时,需要对所处运行状态进行信息采集,即应具有对其周围工作环境感知,并针对其工作环境进行人工智能的模式识别。因此绝缘子清洗机器人的模式识别模块应当具有以下特点:第一能够识别输电线路,保证清扫机器人能够正常在线工作,避免发生脱线、坠毁等事故;第二能够区分和识别电气设备,对不同类型的金具和障碍物做出识别;第三能根据识别的周围环境信息,做出安全性判断并规划出清扫机器人的动作序列,进而驱动清扫机器人平稳、安全、有效地工作和越障,国家级大学生创新训练项目计划资助+202010497068。
现阶段,通过图像识别技术配合绝缘子清扫机器人作业,是最适合、最有效的,其可以显著提高绝缘子机器人的作业效率。
发明内容
有鉴于此,本发明提供一种绝缘子机器人作业识别方法、存储介质及系统提高传统绝缘子机器人作业的效率。
为了达到上述目的,本发明解决技术问题的技术方案是提供一种绝缘子机器人作业识别方法,其包括步骤:获取绝缘子机器人周边的图像信息;对获取的图像信息进行预处理;对预处理后的图像信息进行图像识别;利用贝叶斯网络算法对图像识别后的图像信息进行运算,将识别出的图像信息转换成绝缘子机器人运动过程中的环境信息模式。
进一步,所述对获取的图像信息进行预处理包括步骤:对图像信息进行阈值分割;去除图像信息中的环境噪音;增强图片的对比度。
进一步,其特征在于,所述对预处理后的图像信息进行图像识别包括步骤:图形毛刺处理;FPGA边缘检测;图形轮廓综合。
进一步,所述获取绝缘子机器人周边的图像信息时,采取旋转编码器进行信号同步。
进一步,所述对图像信息进行阈值分割的方法为:选择迭代阈值法作为阈值分割方法。
进一步,所述去除图像信息中的环境噪音时,选择中值滤波技术。
进一步,所述绝缘子清扫机器人在运行过程中的环境信息模式包括:绝缘子障碍物、防振锤障碍物、右转弯跳线、左转弯跳线、无障碍物直线。
本发明还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行绝缘子机器人作业识别方法。
本发明还提供一种绝缘子机器人作业识别系统,其包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现绝缘子机器人作业识别方法。
与现有技术相比,本发明所提供的绝缘子机器人作业识别方法、存储介质及系统具有以下有益效果:
通过线扫描同步,使用线阵CCD扫描测量二维图形轮廓,结合贝叶斯网络算法进行工作模式识别、图像识别技术,以使得绝缘子机器人能够适应复杂地形,并根据实际的环境,完成各项操作。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明的保护范围内。
附图说明
图1为本发明第一实施例提供的一种绝缘子机器人作业识别方法的流程示意图;
图2为图1中步骤S1种线扫描同步的原理示意图;
图3为图1中步骤S2及步骤S3的原理示意图;
图4为图1中步骤S2的子步骤流程图;
图5为图1中步骤S3的子步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1-3,本发明提供的一种绝缘子机器人作业识别方法,其包括步骤:
S1,获取绝缘子机器人周边的图像信息;
具体的,为了获得环境图像,在本实施例中采用电荷耦合器获得图像的输入,为了保证线扫描相机在第一次采集的像素读取的同时也可以进行二次曝光,同时与被测对象之间产生相对运动,以形成二维图像。采取旋转编码器进行信号同步,其能使单位时间内线阵CCD相机所采集的图像总和与所对应的物实际尺寸和相机行进的速度相同。
线扫描同步是线阵CCD扫描测量二维图形轮廓的关键技术,也是影响系统测量进度的最主要因素,因为当扫描同步时没有发生物体变形,对其进行处理的结果最接近实际物体尺寸,最能反映出物体轮廓。
S2,对获取的图像信息进行预处理;
具体的,在获取到绝缘子机器人周边的图像信息后,对图像进行初步优化的预处理,包括阈值分割、去除环境噪音及对比度增强。其中,由于阈值分割法的基本思想是首先确定一个阈值,然后将图像中每个像素点的灰度值与该阈值进行比较,根据比较的结果将每个像素点划分为两类——前景或背景。因此阈值的选取最为关键,将直接影响到图像分割的效果以及后续图像描述与分析的准确性。本实施例中选择迭代阈值法作为阈值分割方法:首先选择一个阈值作为图像的初始阈值,通常选择图像的灰度均值作为图像的初始阈值,然后通过分割图像和修改阈值的迭代过程获得图像的最佳阈值。
其过程可描述如下:
(1)遍历灰度数据,求出最大灰度Zmax和最小灰度Zmin,令阈值初值:
T=(Zmax+Zmin)/2
(2)根据阈值初值T分割图像为R1、R2:
R1={f(x,y|0≤f(x,y)≤T}
R2={f(x,y|f(x,y)≥T}
(3)对区域计算平均灰度值μ1、μ2:
其中,f(i,j)为图像上(i,j)点灰度值,N(i,j)为图像上(i,j)点权重系数,一般取1。迭代计算过程至T为常数,即为最佳阈值。
噪音消除方面,由于消除高斯白噪声或者椒盐噪声从原理上讲使用的都是低通滤波的方波,而低通滤波在消除图像噪声的同时,也会消除图像中有用的高频信息。因此,图像去噪方法在本质上其实是在去除噪声和保留高频信息之间的一种权衡。本实施例中选择中值滤波技术,该技术对脉冲噪声有良好的滤除作用,特别是在滤除噪声的同时,能够保护信号的边缘,使之不被模糊。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,使周围的像素值接近真实值,从而消除孤立的噪声点。其实现方法是用[3 3]二维滑动模板对照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为:
g(x,y)=Med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y),g(x,y)分别为原始图像和处理后的图像。
同时,受环境因素、光照变化等影响,所采集到的目标图像会出现明暗度不同,将导致图像识别区域的一些细节无法很好地辨识,影响识别的准确性。因此在进行下一步识别前需要对目标图像进行对比度增强的处理。
S3,对预处理后的图像信息进行图像识别;
具体的,图像识别即为对预处理后的图像进行算法函数计算,得到所需的图像元素信息,进而综合为处理图像的轮廓边缘信息的过程。
现有的边缘检测技术主要基于Matlab等数学分析软件进行算法实现,由于其系统的复杂性和大型化,本实施例中使用基于FPGA的Sobel算子实时图像边缘检测,轻量化、仪器化检测模块,以此来提高模式识别系统的整体效率。
Sobel边缘检测的硬件实现系统包含梯度计算模块和门限处理模块,其中梯度计算模块可分为图像行缓冲模块和卷积计算模块。此外,各个模块功能的实现可通过调用QuartusⅡ软件提供的各种宏功能模块(Mega-functions)来实现。
梯度计算模块主要完成两个Sobel算子分别与3×3窗口图像像素矩阵的卷积运算。首先构造3×3图像像素矩阵,引入一个容量足够大的存储单元来缓冲串行输入的图像数据流,并把串行图像数据转化为并行的3行图像数据,这样在3个像素时钟后就可以得到3×3图像像素矩阵。以往常使用先入先出栈(FIFO)作为图像数据的缓冲器,但由于对FIFO的读写操作较为复杂。本实施例中选择调用QuartusⅡ软件提供的基于RAM移位寄存器宏模块的ALTSHIFT_TAPS来实现功能。卷积运算的具体实现是垂直算子和水平算子使用并行结构,与ALTSHIFT_TAPS宏功能模块输出的数据同时相乘并相加,过程中需用到6个可编程乘加器ALTMULT_ADD模块,而得到的6个数据可分为水平数据和垂直数据两组,每边各3个。再将这两组数据分别送往可编程多路并行加法器PARALLEL_ADD模块,得到两个数据。最后通过调用浮点平方根ALTFP_SQRT模块来计算这两个数据的均方根,即得到3×3窗口中心点像素的梯度值。该方法可以保证每个周期输出一个像素点的Sobel梯度值。Sobel算法的输出是以3×3像素输出的颜色矩阵,对预处理的图像进行逐矩阵像素复制和标记,以完成对轮廓的提取。
S4,利用贝叶斯网络算法对图像识别后的图像信息进行运算,将识别出的图像信息转换成绝缘子机器人运动过程中的环境信息模式;
具体的,贝叶斯网络算法是一种基于朴素贝叶斯分类的改进,由于其算法核心的特性,是一种自生长的特征数据挖掘方法,被广泛应用于多关联变量的工程问题。本实施例中基于贝叶斯网络的算法特性,用于对项目中绝缘子清扫机器人在其工作环境下的模式识别。
绝缘子清扫机器人在运行过程中获取的环境信息模式包括:绝缘子障碍物、防振锤障碍物、右转弯跳线、左转弯跳线、无障碍物直线。由此可以将贝叶斯网络元素中辨识元素根据其物理特性分为:方向向量、包络面积、灰度特征。其中方向向量表征了跳线的偏向、障碍物相对于中心线的上下位置关系、有无障碍物;包络面积表征了是否为跳线、障碍物类型;灰度特征表征了障碍物材质、跳线材质;决策对象为所处工作环境的模式类型。按照物理关系可以得到主观贝叶斯初级网路,并针对于该网络进行正确样本训练,最终训练得到可靠度较高的贝叶斯网络模型。方向向量在XOY平面内按照90°分为四象限区域,按模糊隶属度函数对图像方向向量做概率分析;包络面积按小于防振锤面积、防振锤与绝缘子面积、大于绝缘子面积分为三种观测转态;灰度特征按低灰度、中灰度、高灰度也分为三种观测状态以判断金属、陶瓷、线材。基于观测分类方法,该贝叶斯网络概率空间向量为36项,减少了对计算量的需求,满足实际分析情景。
请参阅图4,步骤S2包括子步骤:
S21,对图像信息进行阈值分割;
具体的,首先选择一个阈值作为图像的初始阈值,通常选择图像的灰度均值作为图像的初始阈值,然后通过分割图像和修改阈值的迭代过程获得图像的最佳阈值。
S22,去除图像信息中的环境噪音;
具体的,选择中值滤波技术,该技术对脉冲噪声有良好的滤除作用,特别是在滤除噪声的同时,能够保护信号的边缘,使之不被模糊。
S23,增强图片的对比度;
具体的,受环境因素、光照变化等影响,所采集到的目标图像会出现明暗度不同,将导致图像识别区域的一些细节无法很好地辨识,影响识别的准确性。因此在进行下一步识别前需要对目标图像进行对比度增强的处理。
请参阅图5,步骤S3还包括子步骤:
S31,图形毛刺处理;
具体的,在预处理的过程中,图形信息中还可能存在一些毛刺,采用形态学开闭运算将毛刺去除。
S32,FPGA边缘检测;
具体的,使用基于FPGA的Sobel算子实时图像边缘检测,轻量化、仪器化检测模块,以此来提高模式识别系统的整体效率。
S33,图形轮廓综合;
具体的,对图像进行逐矩阵像素复制和标记,以完成对轮廓的提取。
本发明还提供一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、DVD、硬盘、闪存、U盘、CF卡、SD卡、MMC卡、SM卡、记忆棒(Memory Stick)、XD卡等。
计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
本发明还提供一种绝缘子机器人作业识别系统,该绝缘子机器人作业识别系统包括处理器和存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现绝缘子机器人作业识别方法。
与现有技术相比,本发明所提供的绝缘子机器人作业识别方法、存储介质及系统具有以下有益效果:
通过线扫描同步,使用线阵CCD扫描测量二维图形轮廓,结合贝叶斯网络算法进行工作模式识别、图像识别技术,以使得绝缘子机器人能够适应复杂地形,并根据实际的环境,完成各项操作。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明的保护范围内。
Claims (9)
1.一种绝缘子机器人作业识别方法,其特征在于,包括步骤:
获取绝缘子机器人周边的图像信息;
对获取的图像信息进行预处理;
对预处理后的图像信息进行图像识别;
利用贝叶斯网络算法对图像识别后的图像信息进行运算,将识别出的图像信息转换成绝缘子机器人运动过程中的环境信息模式。
2.如权利要求1所述的一种绝缘子机器人作业识别方法,其特征在于,所述对获取的图像信息进行预处理包括步骤:
对图像信息进行阈值分割;
去除图像信息中的环境噪音;
增强图片的对比度。
3.如权利要求1所述的一种绝缘子机器人作业识别方法,其特征在于,所述对预处理后的图像信息进行图像识别包括步骤:
图形毛刺处理;
FPGA边缘检测;
图形轮廓综合。
4.如权利要求1所述的一种绝缘子机器人作业识别方法,其特征在于:
所述获取绝缘子机器人周边的图像信息时,采取旋转编码器进行信号同步。
5.如权利要求2所述的一种绝缘子机器人作业识别方法,其特征在于:
所述对图像信息进行阈值分割的方法为:选择迭代阈值法作为阈值分割方法。
6.如权利要求2所述的一种绝缘子机器人作业识别方法,其特征在于:
所述去除图像信息中的环境噪音时,选择中值滤波技术。
7.如权利要求1所述的一种绝缘子机器人作业识别方法,其特征在于:
所述绝缘子清扫机器人在运行过程中的环境信息模式包括:绝缘子障碍物、防振锤障碍物、右转弯跳线、左转弯跳线、无障碍物直线。
8.一种存储介质,其特征在于:
所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1-7中任一项中所述的绝缘子机器人作业识别方法。
9.一种绝缘子机器人作业识别系统,其特征在于:
所述绝缘子机器人作业识别系统包括处理器及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行,实现如权利要求1-7任一项所述的绝缘子机器人作业识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189744.4A CN112347890A (zh) | 2020-10-30 | 2020-10-30 | 一种绝缘子机器人作业识别方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011189744.4A CN112347890A (zh) | 2020-10-30 | 2020-10-30 | 一种绝缘子机器人作业识别方法、存储介质及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112347890A true CN112347890A (zh) | 2021-02-09 |
Family
ID=74356732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011189744.4A Pending CN112347890A (zh) | 2020-10-30 | 2020-10-30 | 一种绝缘子机器人作业识别方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347890A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318544A (zh) * | 2014-09-25 | 2015-01-28 | 中国水产科学研究院东海水产研究所 | 基于夜间灯光卫星遥感数据光透捕作业渔船数量估算方法 |
CN105354815A (zh) * | 2015-09-12 | 2016-02-24 | 沈阳理工大学 | 一种基于平板类微小型零件的精确识别定位方法 |
US20170344007A1 (en) * | 2016-05-26 | 2017-11-30 | Korea University Research And Business Foundation | Method for controlling mobile robot based on bayesian network learning |
CN109801305A (zh) * | 2019-01-17 | 2019-05-24 | 西安电子科技大学 | 基于深度胶囊网络的sar图像变化检测方法 |
CN110293554A (zh) * | 2018-03-21 | 2019-10-01 | 北京猎户星空科技有限公司 | 机器人的控制方法、装置和系统 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
-
2020
- 2020-10-30 CN CN202011189744.4A patent/CN112347890A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318544A (zh) * | 2014-09-25 | 2015-01-28 | 中国水产科学研究院东海水产研究所 | 基于夜间灯光卫星遥感数据光透捕作业渔船数量估算方法 |
CN105354815A (zh) * | 2015-09-12 | 2016-02-24 | 沈阳理工大学 | 一种基于平板类微小型零件的精确识别定位方法 |
US20170344007A1 (en) * | 2016-05-26 | 2017-11-30 | Korea University Research And Business Foundation | Method for controlling mobile robot based on bayesian network learning |
CN110293554A (zh) * | 2018-03-21 | 2019-10-01 | 北京猎户星空科技有限公司 | 机器人的控制方法、装置和系统 |
CN109801305A (zh) * | 2019-01-17 | 2019-05-24 | 西安电子科技大学 | 基于深度胶囊网络的sar图像变化检测方法 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
Non-Patent Citations (5)
Title |
---|
刘晓云: "基于sobel算子的实时图像边缘检测系统设计", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
张丽红 等: "基于FPGA的Sobel 边缘检测应用", 《嵌入式技术》 * |
李仪等: "基于贝叶斯分类器的移动机器人避障", 《控制工程》 * |
李明 等: "Sobel边缘检测的FPGA实现", 《嵌入式技术》 * |
柴慧敏等: "贝叶斯网络与模糊理论的移动机器人避障", 《控制工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
US6463175B1 (en) | Structure-guided image processing and image feature enhancement | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
Rao et al. | Object tracking system using approximate median filter, Kalman filter and dynamic template matching | |
CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
Pujar et al. | Medical image segmentation based on vigorous smoothing and edge detection ideology | |
CN112338898B (zh) | 物体分选系统的图像处理方法、装置及物体分选系统 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
Nguyen et al. | An improved real-time blob detection for visual surveillance | |
CN112347890A (zh) | 一种绝缘子机器人作业识别方法、存储介质及系统 | |
CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
Steckenrider et al. | Detection and classification of stochastic features using a multi-Bayesian approach | |
Zhen et al. | Design of moving object detection algorithm based on computer vision | |
CN108961248A (zh) | 一种应用于包含复杂信息的机箱表面划痕检测方法 | |
CN110415229B (zh) | 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 | |
CN110648341B (zh) | 一种基于尺度空间和子图的目标边界检测方法 | |
Luo | Edge detection algorithm based on color space variables | |
Sun et al. | Image segmentation algorithm based on top-hat transformation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |
|
RJ01 | Rejection of invention patent application after publication |