CN112571425B - 一种带压堵漏机器人的漏点定位自主控制方法及系统 - Google Patents

一种带压堵漏机器人的漏点定位自主控制方法及系统 Download PDF

Info

Publication number
CN112571425B
CN112571425B CN202011374018.XA CN202011374018A CN112571425B CN 112571425 B CN112571425 B CN 112571425B CN 202011374018 A CN202011374018 A CN 202011374018A CN 112571425 B CN112571425 B CN 112571425B
Authority
CN
China
Prior art keywords
image
pipeline
leak
pressurized
leakage
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.)
Active
Application number
CN202011374018.XA
Other languages
English (en)
Other versions
CN112571425A (zh
Inventor
范衠
马培立
林培涵
李晓明
朱贵杰
王诏君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Original Assignee
Shantou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University filed Critical Shantou University
Priority to CN202011374018.XA priority Critical patent/CN112571425B/zh
Publication of CN112571425A publication Critical patent/CN112571425A/zh
Application granted granted Critical
Publication of CN112571425B publication Critical patent/CN112571425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B25J19/023—Optical sensing devices including video camera means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
    • F16L55/00—Devices or appurtenances for use in, or in connection with, pipes or pipe systems
    • F16L55/16—Devices for covering leaks in pipes or hoses, e.g. hose-menders
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
    • F16L55/00—Devices or appurtenances for use in, or in connection with, pipes or pipe systems
    • F16L55/16—Devices for covering leaks in pipes or hoses, e.g. hose-menders
    • F16L55/168—Devices for covering leaks in pipes or hoses, e.g. hose-menders from outside the pipe

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Multimedia (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及带压堵漏技术领域，具体涉及一种带压堵漏机器人的漏点定位自主控制方法及系统，所述方法为：首先控制双目摄像头采集泄露管道的RGB图像和深度图像，滤除所述RGB图像和深度图像中的背景噪声，得到背景图像，并采用训练好的轻量化分割模型对背景图像进行场景语义分割，得到探针末端图像、带压管道图像、以及漏点水柱图像；接着获取带压管道图像的深度数据，根据所述深度数据确定表示所述带压管道位姿的线性方程组；并根据所述线性方程组重新设定机械臂在工具坐标系中的平面方程，得到新的工具坐标系；最后在所述新的工具坐标系下，根据带压管道图像和漏点水柱图像的边界线确定漏点位置，本发明能够实现对管道漏点的快速精准定位。

Description

一种带压堵漏机器人的漏点定位自主控制方法及系统
技术领域
本发明涉及带压堵漏技术领域，具体涉及一种带压堵漏机器人的漏点定位自主控制方法及系统。
背景技术
带压堵漏是利用合适的密封件，彻底切断介质泄漏的通道，或堵塞，或隔离泄漏介质通道，或增加泄漏介质通道中流体流动阻力，以便形成一个封闭的空间，达到阻止流体外泄的目的。带压堵漏是指在一个大气压以上任意带着压力管道和容器罐内部储存或输送介质因腐蚀穿孔跑冒滴漏或人为损坏导致泄漏、采用不停输不倒罐在内部介质飞溅过程中堵住的方法。目前，在企业生产过程中，较为常见的泄漏主要为发生在管道、容器和阀体上的漏点导致的泄漏缺陷。一旦发生泄漏，通常需要考虑到采用捻打，注胶等方式来对泄漏管道实现修复工作。
现有技术中，已经出现了用于带压堵漏的机器人，然而，当前的带压堵漏机器人在使用探针末端进行堵漏时，首先需要确定漏点位置，并对探针进行定位，在执行探针定位步骤时，现有技术采用人工操作的方式，在操作人员对漏点进行微调定位时，操作人员难以从一个角度对漏点进行良好的观察，需要操作人员执行大量的操作，往往会产生操作繁琐，需要重复定位等问题。从而导致无法实现对漏点的快速精准定位，从而会浪费大量的操作时间，导致修复漏点的效率降低。
发明内容
本发明提供一种带压堵漏机器人的漏点定位自主控制方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，本发明提供以下技术方案：
一种带压堵漏机器人的漏点定位自主控制方法，所述方法包括：
步骤S100、控制双目摄像头采集泄露管道的RGB图像和深度图像，滤除所述RGB图像和深度图像中的背景噪声，得到背景图像，所述背景图像包含有探针末端图像、带压管道图像、以及漏点水柱图像，所述探针设置于带压堵漏机器人的机械臂上；
步骤S200、采用训练好的轻量化分割模型对所述背景图像进行场景语义分割，从所述背景图像中分割得到探针末端图像、带压管道图像、以及漏点水柱图像；
步骤S300、获取所述带压管道图像的深度数据，根据所述深度数据确定表示所述带压管道位姿的线性方程组；
步骤S400、根据所述线性方程组重新设定机械臂在工具坐标系中的平面方程，得到新的工具坐标系；
步骤S500、在所述新的工具坐标系下，根据带压管道图像和漏点水柱图像的边界线确定漏点位置。
进一步，所述滤除所述RGB图像和深度图像中的背景噪声，具体为：通过CVFH算法将所述RGB图像和深度图像中的背景噪声进行滤除。
进一步，所述RGB图像和深度图像的大小均为512*512。
进一步，步骤S300中，所述根据所述深度数据确定表示所述带压管道位姿的线性方程组，具体为：
根据所述深度数据确定所述管道的两个端点，根据所述管道的两个端点拟合得到一个线性方程组，所述线性方程组用于表示所述带压管道的位姿。
进一步，步骤S400中，所述根据所述线性方程组重新设定机械臂在工具坐标系中的平面方程，具体为：
将机械臂在工具坐标系中的方向与管道在工具坐标系中的方向平行，机械臂在工具坐标系中的平面方程。
进一步，在确定漏点位置后，所述方法还包括：
将所述漏点位置与探针末端的深度数据相比较，确定所述漏点位置与探针末端的相对位置关系；
根据所述相对位置关系将所述探针末端调整到所述漏点位置。
进一步，所述方法还包括：
在获取漏点定位的同时，利用TF坐标变换将所述双目摄像头的坐标变化到所述新的工具坐标系下。
一种带压堵漏机器人的漏点定位自主控制系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的带压堵漏机器人的漏点定位自主控制方法。
本发明的有益效果是：本发明公开一种带压堵漏机器人的漏点定位自主控制方法及系统，本发明使用双目摄像头对复杂场景进行滤波，从而获得良好的背景图像；结合轻量化分割模型设计出一个对探针末端、带压管道、以及漏点水柱进行分割的方法，并结合分割结果获取带压管道的走向，并拟合成线性方程来生成新的工具坐标系，从而实现对漏点的快速精准定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种带压堵漏机器人的漏点定位自主控制方法的流程示意图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参考图1，如图1所示为本申请实施例提供的一种带压堵漏机器人的漏点定位自主控制方法，所述方法包括以下步骤：
步骤S100、控制双目摄像头采集泄露管道的RGB图像和深度图像，滤除所述RGB图像和深度图像中的背景噪声，得到背景图像；
其中，所述背景图像包含有探针末端图像、带压管道图像、以及漏点水柱图像，所述探针设置于带压堵漏机器人的机械臂上。
可以理解，在带压堵漏机器人进行漏点定位时，泄露管道的漏点处已经形成了水柱，带压堵漏机器人已经控制探针运行至漏点附近，带压堵漏机器人需要控制探针进一步精确运行至漏点处，以对该漏点进行堵漏修复；也就是说，所述背景图像包含有探针末端图像、带压管道图像、以及漏点水柱图像，所述探针设置于带压堵漏机器人的机械臂上；所述探针末端图像为至少探针的末端部位的图像，所述带压管道图像为至少包含漏点的带压管道的图像，所述漏点水柱图像为至少包含漏点处喷出的水柱的图像。
本步骤中，首先，控制双目摄像头采集泄露管道的RGB图像和深度图像，接着，将双目摄像头回传的RGB图像和深度图像中的大量背景噪声进行滤除，在去噪后得到背景图像；便于分离出清晰的探针末端图像、带压管道图像、以及漏点水柱图像，从而便于后续对漏点进行准确定位。
步骤S200、采用训练好的轻量化分割模型对所述背景图像进行场景语义分割，从所述背景图像中分割得到探针末端图像、带压管道图像、以及漏点水柱图像。
在得到所述背景图像后，需要从背景图像中分离得到探针末端图像、带压管道图像、以及漏点水柱图像，本实施例中，采用轻量化分割模型DeepLabv3+来实现实时的场景语义分割，具体地，所述轻量化分割模型为DeepLabv3+，DeepLabv3+是一种轻量化的语义分割模型。在实现对漏点的场景语义分割后，可以得到像素级的图像识别分割结果，可以满足对图像分割的精细化要求，便于对漏洞进行精准定位。
步骤S300、获取所述带压管道图像的深度数据，根据所述深度数据确定表示所述带压管道位姿的线性方程组。
本实施例中，在对所述背景图像进行场景语义分割的同时，可以获取分割得到的带压管道在该背景图像中的深度数据，并根据所述深度数据拟合得到一个线性方程组来表示该带压管道的位姿。
步骤S400、根据所述线性方程组重新设定机械臂在工具坐标系中的平面方程，得到新的工具坐标系。
步骤S500、在所述新的工具坐标系下，根据带压管道图像和漏点水柱图像的边界线确定漏点位置。
本实施例中，在确定好新的工具坐标系后，在同一坐标系下，根据带压管道和漏点水柱的交界位置来判断出漏点位置。
本发明提供的实施例中，通过使用双目摄像头采集的RGB图像以及深度图像，信息并结合机械臂，保证了探针末端能够较好的寻找到漏点。此外，带压堵漏机器人会根据分割得到的泄露管道走向去更新机械臂在工具坐标系中的平面方程，使带压堵漏机器人不受自身的位置影响，能够精确地运动到漏点上。
在一个优选的实施例中，通过CVFH算法将所述RGB图像和深度图像中的背景噪声进行滤除；
其中，CVFH算法(Clustered-Viewpoint-Feature-Histogram，聚类视点特征直方图算法)是基于VFH算法(Vector-Field-Histogram，向量场直方图算法)扩展的方法。具体地，将所述RGB图像和深度图像中点云分别细分为具有相似法线的相邻点的聚类，计算每个聚类的向量场直方图；接着将形状分布组件添加到每个向量场直方图中，再对向量场直方图进行去噪。本实施例采用的CVFH算法只计算稳定聚类区域的全局特征，针对RGB图像和深度图像中出现点云残缺的情况，具有良好的去噪效果。
在一个优选的实施例中，所述RGB图像和深度图像的大小均为512*512。
具体地，在对轻量化分割模型进行训练时，选用512*512大小的图像输入轻量化分割模型进行训练，得到训练好的轻量化分割模型；在对所述背景图像进行实时的场景语义分割，也同样将背景图像调整为512*512大小，通过采用训练好的轻量化分割模型对所述背景图像进行实时的场景语义分割，确定所述背景图像中的探针末端、带压管道、以及漏点水柱；本实施例中，发明人将训练和实时分割的图像均确定为512*512大小，符合漏点识别场景的区间大小，在满足对漏点进行准确定位的同时，也尽量减少了处理时间，提高了整体的漏点定位效率。
在一个优选的实施例中，步骤S300中，所述根据所述深度数据确定表示所述带压管道位姿的线性方程组，具体为：
根据所述深度数据确定所述管道的两个端点，根据所述管道的两个端点拟合得到一个线性方程组，所述线性方程组用于表示所述带压管道的位姿。
在一个优选的实施例中，步骤S400中，所述根据所述线性方程组重新设定机械臂在工具坐标系中的平面方程，具体为：
将机械臂在工具坐标系中的方向与管道在工具坐标系中的方向平行，机械臂在工具坐标系中的平面方程。
作为改进，本实施例还包括：将所述新的工具坐标系存入带压堵漏机器人。以便后续工作人员对探针进行微调。
在一个优选的实施例中，在确定漏点位置后，所述方法还包括：
将所述漏点位置与探针末端的深度数据相比较，确定所述漏点位置与探针末端的相对位置关系；
根据所述相对位置关系将所述探针末端调整到所述漏点位置。
本实施例中，并与探针末端的深度数据相比较，获得相对漏点的位置，以调整所述探针末端，从而对漏点进行补漏修复。
在一个优选的实施例中，所述方法还包括：
在获取漏点定位的同时，利用TF坐标变换将所述双目摄像头的坐标变化到所述新的工具坐标系下。
本实施例中，将所述双目摄像头的坐标变化到所述新的工具坐标系下，可以便于所述带压堵漏机器人对漏点进行自主定位。
其中，所述TF坐标转换(Coordinate Frames Transforms，坐标转换)包括了位置和姿态两个方面的变换。TF是一个让用户随时间跟踪多个坐标系的功能包，它使用树型数据结构，根据时间缓冲并维护多个坐标系之间的坐标变换关系，可以帮助开发者在任意时间，在不同坐标系之间完成点、向量等坐标的变换。
与图1的方法相对应，本发明实施例还提供一种带压堵漏机器人的漏点定位自主控制系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的带压堵漏机器人的漏点定位自主控制方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
所称处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种带压堵漏机器人的漏点定位自主控制系统的控制中心，利用各种接口和线路连接整个一种带压堵漏机器人的漏点定位自主控制系统可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种带压堵漏机器人的漏点定位自主控制系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。

Claims (8)

1.一种带压堵漏机器人的漏点定位自主控制方法，其特征在于，所述方法包括：
步骤S100、控制双目摄像头采集泄露管道的RGB图像和深度图像，滤除所述RGB图像和深度图像中的背景噪声，得到背景图像，所述背景图像包含有探针末端图像、带压管道图像、以及漏点水柱图像，所述探针设置于带压堵漏机器人的机械臂上；
步骤S200、采用训练好的轻量化分割模型对所述背景图像进行场景语义分割，从所述背景图像中分割得到探针末端图像、带压管道图像、以及漏点水柱图像；
步骤S300、获取所述带压管道图像的深度数据，根据所述深度数据确定表示所述带压管道位姿的线性方程组；
步骤S400、根据所述线性方程组重新设定机械臂在工具坐标系中的平面方程，得到新的工具坐标系；
步骤S500、在所述新的工具坐标系下，根据带压管道图像和漏点水柱图像的边界线确定漏点位置。
2.根据权利要求1所述的一种带压堵漏机器人的漏点定位自主控制方法，其特征在于，所述滤除所述RGB图像和深度图像中的背景噪声，具体为：通过CVFH算法将所述RGB图像和深度图像中的背景噪声进行滤除。
3.根据权利要求1所述的一种带压堵漏机器人的漏点定位自主控制方法，其特征在于，所述RGB图像和深度图像的大小均为512*512。
4.根据权利要求1所述的一种带压堵漏机器人的漏点定位自主控制方法，其特征在于，步骤S300中，所述根据所述深度数据确定表示所述带压管道位姿的线性方程组，具体为：
根据所述深度数据确定所述管道的两个端点，根据所述管道的两个端点拟合得到一个线性方程组，所述线性方程组用于表示所述带压管道的位姿。
5.根据权利要求1所述的一种带压堵漏机器人的漏点定位自主控制方法，其特征在于，步骤S400中，所述根据所述线性方程组重新设定机械臂在工具坐标系中的平面方程，具体为：
将机械臂在工具坐标系中的方向与管道在工具坐标系中的方向平行，机械臂在工具坐标系中的平面方程。
6.根据权利要求5所述的一种带压堵漏机器人的漏点定位自主控制方法，其特征在于，在确定漏点位置后，所述方法还包括：
将所述漏点位置与探针末端的深度数据相比较，确定所述漏点位置与探针末端的相对位置关系；
根据所述相对位置关系将所述探针末端调整到所述漏点位置。
7.根据权利要求5所述的一种带压堵漏机器人的漏点定位自主控制方法，其特征在于，所述方法还包括：
在获取漏点定位的同时，利用TF坐标变换将所述双目摄像头的坐标变化到所述新的工具坐标系下。
8.一种带压堵漏机器人的漏点定位自主控制系统，其特征在于，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7任一项所述的带压堵漏机器人的漏点定位自主控制方法。
CN202011374018.XA 2020-11-30 2020-11-30 一种带压堵漏机器人的漏点定位自主控制方法及系统 Active CN112571425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011374018.XA CN112571425B (zh) 2020-11-30 2020-11-30 一种带压堵漏机器人的漏点定位自主控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011374018.XA CN112571425B (zh) 2020-11-30 2020-11-30 一种带压堵漏机器人的漏点定位自主控制方法及系统

Publications (2)

Publication Number Publication Date
CN112571425A CN112571425A (zh) 2021-03-30
CN112571425B true CN112571425B (zh) 2022-04-01

Family

ID=75126451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011374018.XA Active CN112571425B (zh) 2020-11-30 2020-11-30 一种带压堵漏机器人的漏点定位自主控制方法及系统

Country Status (1)

Country Link
CN (1) CN112571425B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171748A (zh) * 2018-01-23 2018-06-15 哈工大机器人（合肥）国际创新研究院 一种面向机器人智能抓取应用的视觉识别与定位方法
CN108986136A (zh) * 2018-07-23 2018-12-11 南昌航空大学 一种基于语义分割的双目场景流确定方法及系统
CN109711413A (zh) * 2018-12-30 2019-05-03 陕西师范大学 基于深度学习的图像语义分割方法
CN110706333A (zh) * 2019-09-25 2020-01-17 汕头大学 一种基于人工标定管道位置及其漏点的重建方法
CN111739037A (zh) * 2020-07-31 2020-10-02 之江实验室 一种针对室内场景rgb-d图像的语义分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171748A (zh) * 2018-01-23 2018-06-15 哈工大机器人（合肥）国际创新研究院 一种面向机器人智能抓取应用的视觉识别与定位方法
CN108986136A (zh) * 2018-07-23 2018-12-11 南昌航空大学 一种基于语义分割的双目场景流确定方法及系统
CN109711413A (zh) * 2018-12-30 2019-05-03 陕西师范大学 基于深度学习的图像语义分割方法
CN110706333A (zh) * 2019-09-25 2020-01-17 汕头大学 一种基于人工标定管道位置及其漏点的重建方法
CN111739037A (zh) * 2020-07-31 2020-10-02 之江实验室 一种针对室内场景rgb-d图像的语义分割方法

Also Published As

Publication number Publication date
CN112571425A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN114331951B (zh) 图像检测方法、装置、计算机、可读存储介质及程序产品
CN113658150A (zh) 一种基于深度学习的染色体自动分割和分类方法
CN109919825B (zh) 一种orb-slam硬件加速器
CN110110687B (zh) 基于颜色信息和三维轮廓信息的树上水果自动识别方法
CN112571425B (zh) 一种带压堵漏机器人的漏点定位自主控制方法及系统
CN106649956A (zh) 一种基于轴测图的管道三维重建方法
CN114329684B (zh) 一种基于bim的模型预匹配方法及系统
CN107710229B (zh) 图像中的形状识别方法、装置、设备及计算机存储介质
CN110727386A (zh) 一种用于电子白板的操作图元方法、系统及存储介质
CN114325760A (zh) 基于多线激光雷达的公路隧道质检避障方法及系统
CN111882613B (zh) 基于边缘语义的视觉里程计方法、装置、存储介质及设备
CN112132845A (zh) 三维模型的单体化方法、装置、电子设备和可读介质
Jia LRD‐SLAM: A Lightweight Robust Dynamic SLAM Method by Semantic Segmentation Network
Chai et al. A new method for fast detection and pose estimation of texture-less industrial parts
CN114049380B (zh) 目标物体定位追踪方法、装置、计算机设备和存储介质
Loesch et al. Localization of 3D objects using model-constrained SLAM
CN116958019A (zh) 基于机器视觉的缺陷检测方法、装置及存储介质
CN112767491B (zh) 焊道拐点的确定方法、装置和计算机可读存储介质
EP3924792A1 (en) Method and apparatus for managing robot program
CN115797533A (zh) 模型描边方法、装置、设备及存储介质
CN112734851B (zh) 一种位姿确定的方法以及装置
CN114708571A (zh) 基于域控制器平台的自动泊车的停车位标注方法及装置
CN113706552A (zh) 一种激光反射率底图语义分割标注数据的生成方法及装置
US8817042B2 (en) Graphic rendering system and projection method thereof
Yu et al. Shape analysis and recognition based on skeleton and morphological structure

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