CN112580517A - 集卡车头防砸保护系统及方法、计算机存储介质、龙门吊 - Google Patents
集卡车头防砸保护系统及方法、计算机存储介质、龙门吊 Download PDFInfo
- Publication number
- CN112580517A CN112580517A CN202011524533.1A CN202011524533A CN112580517A CN 112580517 A CN112580517 A CN 112580517A CN 202011524533 A CN202011524533 A CN 202011524533A CN 112580517 A CN112580517 A CN 112580517A
- Authority
- CN
- China
- Prior art keywords
- truck
- head
- module
- calibration
- container
- 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
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10016—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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种集卡车头防砸保护系统及方法、计算机存储介质、龙门吊,包括:标定模块,预先对集卡的停车点进行标定;采集模块,获取所述标定模块的视频流,解码成图片,并对所述图片进行预处理;AI视觉算法模块,将预处理后的所述图片输入Mask R‑CNN神经网络算法模型,得到所述集卡的车头实例分割图、车头中心点坐标;判断模块,获取所述标定模块的标定集卡的停车点、所述AI视觉算法模块的车头中心点,计算所述标定集卡的停车点与所述车头中心点的距离;数据记录模块,用以记录各模块的历史记录。本发明实现集卡车头的实时检测、识别和定位跟踪。
Description
技术领域
本发明涉及集卡车头防砸保护技术,更具体地说,涉及一种集卡车头防砸保护系统及方法、计算机存储介质、龙门吊。
背景技术
集装箱卡车(以下简称集卡)是港口集装箱运输、装卸的重要物流工具,集卡车头防砸保护系统主要用于防止码头龙门吊在装卸集装箱时集卡发生移动,起重机司机又无法及时发现,从而引发起重机的吊具或者集装箱砸撞集卡车头的安全事故。
通常情况下,集装箱进行装卸前需要集卡按既定车道进入指定区域,港口的龙门吊等起重机设备开动至集卡上方,放下吊具对集卡进行装箱、卸箱作业。装卸过程中,集装箱龙门吊下的集卡是否发生移动,不仅影响集装箱起重机的作业效率和精确性,更重要的是关系到集卡司机的人身安全。
在现有的集卡车头防砸保护系统中,大多采用人工参与或激光扫描检测定位防砸的方式,这些方案的缺点是:前者效率较低,影响港口整体效率;后者需要激光扫描设备,价格昂贵,功能单一,维护成本高,且维护复杂,精度难以提升。
发明内容
针对现有技术中存在的上述缺陷,本发明的目的是提供一种集卡车头防砸保护系统及方法、计算机存储介质、龙门吊,实现集卡车头的实时检测、识别和定位跟踪。
为实现上述目的,本发明采用如下技术方案:
本发明提供了一种集卡车头防砸保护系统,包括:
标定模块,预先对集卡的停车点进行标定;
采集模块,获取所述标定模块的视频流,解码成图片,并对所述图片进行预处理;
AI视觉算法模块,将预处理后的所述图片输入Mask R-CNN神经网络算法模型,得到所述集卡的车头实例分割图、车头中心点坐标;
判断模块,获取所述标定模块的标定集卡的停车点、所述AI视觉算法模块的车头中心点,计算所述标定集卡的停车点与所述车头中心点的距离;
数据记录模块,用以记录各模块的历史记录。
较佳的,所述标定模块为工业相机。
较佳的,所述判断模块计算所述标定集卡的停车点与所述车头中心点在所述集卡水平方向上的距离,若距离小于预设值,则所述集卡的车头处于安全区域内;若距离大于预设值,则所述集卡的车头处于危险区域内,所述判断模块向PLC发送警报。
本发明还提供了一种集卡车头防砸保护方法,包括以下步骤:
1)在龙门吊上安装权利要求1-3任一项所述的集卡车头防砸保护系统中的所述标定模块,集卡在作业车道上的位置导引结束,预先通过所述标定模块进行一次集卡停车点标定;
2)所述采集模块获取所述标定模块的视频流,解码成图片,并对所述图片进行预处理;
3)将预处理后的所述图片输入所述AI视觉算法模块中预先训练好的Mask R-CNN神经网络算法模型进行定位,得到所述集卡的车头中心点,计算所述集卡的车头中心点与所述集卡停车点在所述集卡车头方向水平方向上的距离,若距离小于预设值,则所述集卡的车头处于安全区域内,继续步骤2);若距离大于预设值,则所述集卡的车头处于危险区域内,所述判断模块向PLC发送警报。
较佳的,所述步骤2)中,预处理包括滤波去燥算法、直方图均衡化算法。
较佳的,所述步骤3)中,所述Mask R-CNN神经网络算法模型的训练过程如下:
a)建立集卡车头样本库;
b)制作数据集;
c)搭建所述Mask R-CNN神经网络算法模型。
较佳的,所述步骤a)中,建立集卡车头样本库具体如下:
获取所述标定模块的视频流,通过目标检测算法识别出所述集卡的车头,获取带有所述集卡的车头图像,并利用标注工具对所述集卡的车头图像进行标注工作。
较佳的,所述步骤b)中,制作数据集具体如下:
从所述集卡车头样本库中提取训练集、验证集、测试集。
较佳的,所述步骤c)中,搭建所述Mask R-CNN神经网络算法模型具体如下:
使用所述训练集进行所述集卡的车头实例分割模型训练,通过所述验证集评判所述Mask R-CNN神经网络算法模型是否符合要求,再通过所述测试集进行测试,得到训练好的所述Mask R-CNN神经网络算法模型。
较佳的,所述步骤3)中,将预处理后的所述图片输入所述AI视觉算法模块中预先训练好的Mask R-CNN神经网络算法模型进行定位,得到所述集卡的车头中心点,具体如下:
将预处理后的所述图片输入所述AI视觉算法模块中预先训练好的Mask R-CNN神经网络算法模型,即可得到所述集卡的车头实例分割图、车头顶面的最小外接矩形以及四个顶角坐标点,通过计算即可得到车头的中心点。
较佳的,所述步骤3)中,所述判断模块向PLC发送警报,所述警报以光报警和/或声报警形式呈现。
本发明还提供了一种计算机存储介质,包括存储器和处理器,所述存储器用以存储计算机指令,所述处理器用以在运行所述计算机指令时,执行所述的集卡车头防砸保护方法。
本发明还提供了一种龙门吊,包括所述的集卡车头防砸保护系统。
本发明所提供的一种集卡车头防砸保护系统及方法、计算机存储介质、龙门吊,还具有以下几点有益效果:
1)在使用前只需在龙门吊上安装一台工业相机,集卡在作业车道上的位置导引结束,预先通过相机进行一次集卡停车点标定,标定过程简单、使用方便、成本较低;
2)采用训练好的Mask R-CNN神经网络实例分割的算法模型对集卡车头先进行目标检测,后进行实例分割可精确到物体的边缘,是一种像素级分割定位,在识别不重叠物体的速度上更快,准确度更高,有效地提高了检测定位精度;
3)在实际应用中,价格低,随着数据记录模块标定数据集的增加,AI算法模型的定期训练,系统精度可再提高。
附图说明
图1是本发明集卡车头防砸保护系统的框架结构示意图;
图2是本发明集卡车头防砸保护系统的布置示意图;
图3是图2的右视示意图;
图4是本发明集卡车头防砸保护系统中Mask R-CNN神经网络算法模型的神经网络结构图;
图5是本发明集卡车头防砸保护方法的流程示意图。
具体实施方式
为了能更好地理解本发明的上述技术方案,下面结合附图和实施例进一步说明本发明的技术方案。
请结合图1所示,本发明所提供的一种集卡车头防砸保护系统,包括:
标定模块100,选用工业相机3并预先安装,进行畸变矫正标定,集卡1在作业车道上的位置导引结束,再通过工业相机3进行一次集卡停车点标定。工业相机3用于拍摄集卡车头的识别区域,其安装位置不唯一;
采集模块101,获取工业相机3的视频流,解码成图片,并对图片进行预处理;
AI视觉算法模块102,将预处理后的图片输入Mask R-CNN神经网络算法模型,得到集卡1的车头实例分割图、车头中心点坐标;
判断模块103,获取标定模块100的标定集卡的停车点、AI视觉算法模块102的车头中心点,计算标定集卡1的停车点与车头中心点的距离。若距离小于预设值,则集卡1的车头处于安全区域内;若距离大于预设值,则集卡1的车头处于危险区域内,判断模块103向PLC发送警报;
数据记录模块104,主要用于记录历史数据,包括部分原始图像数据,一方面可以定期训练AI视觉检测系统,训练数据越多,网络的参数就被优化得越好,整个算法最终识别率也会越高,另一方面留档备用。
请结合图2至图5所示,本发明还提供了一种集卡车头防砸保护方法,包括以下步骤:
1)集卡1在作业车道上的位置导引结束,预先安装在龙门吊2上的工业相机3拍摄车道的视频,因每条车道与工业相机3的距离和角度不同,从视频上来看,存在一定的轻微的畸变,需要通过相机标定来矫正这种畸变。本实施例中,对相机标定的数据有集卡停车点,集卡车头在车道上占用的像素点等。
集卡停车点的标定,即集卡导引结束停在车道准确位置时,标定拍摄的图片中的集卡车头中心点坐标X0(X0,Y0)。本实施例中,可包括有若干车道,对车道编号并分别标定集卡停车点;
2)采集模块获读取工业相机3的视频流,解码成图片,对图片进行预处理;具体的,可采用C++和第三方OpenCV开源库读取工业相机3基于RTSP(实时流协议)的流,得到一张张图片。其中,对图片进行预处理包括滤波去燥算法、直方图均衡化算法等,便于后续的识别;
3)将处理后的图片输入预先训练好的Mask R-CNN神经网络算法模型进行定位,得到集卡1车头的中心点坐标X(X,Y),计算该中心点与标定的集卡1停车点在车头水平方向的距离D:
D=|X-X0|
若距离D小于预设值,则集卡1车头在安全区域内,继续步骤2);若距离D大于预设值,则集卡1车头在危险区域内,向PLC发送警报。该步骤中,Mask R-CNN神经网络训练过程如下:
a)建立车头样本库:获取工业相机3的视频流,通过目标检测算法识别出集卡1车头,获取带有集卡1车头的图像,并利用labelme标注工具进行集卡1车头的mask标注工作,从而建立集卡1车头的样本库;
b)制作数据集:从车头样本库中提取训练集、验证集、测试集;
c)搭建Mask R-CNN神经网络算法模型,使用训练集进行集卡1车头实例分割模型训练,通过验证集来评判Mask R-CNN神经网络算法模型是否符合要求,并通过测试集进行测试,最终得到训练好的Mask R-CNN神经网络算法模型。
在步骤3)中,判断模块向PLC发送警报,警报以光报警和/或声报警形式呈现。
在步骤3)中,将处理后的图片输入预先训练好的Mask RCNN神经网络算法模型进行定位,即可得到集卡1车头顶面的最小外接矩形的所有坐标点,通过计算即可得到集卡1车头的中心点。
本发明还提供了一种计算机存储介质,包括存储器和处理器,存储器用以存储计算机指令,处理器用以在运行计算机指令时,执行集卡车头防砸保护方法。
本发明还提供了一种龙门吊,包括集卡车头防砸保护系统。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (13)
1.一种集卡车头防砸保护系统,其特征在于,包括:
标定模块,预先对集卡的停车点进行标定;
采集模块,获取所述标定模块的视频流,解码成图片,并对所述图片进行预处理;
AI视觉算法模块,将预处理后的所述图片输入Mask R-CNN神经网络算法模型,得到所述集卡的车头实例分割图、车头中心点坐标;
判断模块,获取所述标定模块的标定集卡的停车点、所述AI视觉算法模块的车头中心点,计算所述标定集卡的停车点与所述车头中心点的距离;
数据记录模块,用以记录各模块的历史记录。
2.根据权利要求1所述的集卡车头防砸保护系统,其特征在于:所述标定模块为工业相机。
3.根据权利要求1所述的集卡车头防砸保护系统,其特征在于:所述判断模块计算所述标定集卡的停车点与所述车头中心点在所述集卡水平方向上的距离,若距离小于预设值,则所述集卡的车头处于安全区域内;若距离大于预设值,则所述集卡的车头处于危险区域内,所述判断模块向PLC发送警报。
4.一种集卡车头防砸保护方法,其特征在于,包括以下步骤:
1)在龙门吊上安装权利要求1-3任一项所述的集卡车头防砸保护系统中的所述标定模块,集卡在作业车道上的位置导引结束,预先通过所述标定模块进行一次集卡停车点标定;
2)所述采集模块获取所述标定模块的视频流,解码成图片,并对所述图片进行预处理;
3)将预处理后的所述图片输入所述AI视觉算法模块中预先训练好的Mask R-CNN神经网络算法模型进行定位,得到所述集卡的车头中心点,计算所述集卡的车头中心点与所述集卡停车点在所述集卡车头方向水平方向上的距离,若距离小于预设值,则所述集卡的车头处于安全区域内,继续步骤2);若距离大于预设值,则所述集卡的车头处于危险区域内,所述判断模块向PLC发送警报。
5.根据权利要求4所述的集卡车头防砸保护方法,其特征在于:所述步骤2)中,预处理包括滤波去燥算法、直方图均衡化算法。
6.根据权利要求4所述的集卡车头防砸保护方法,其特征在于:所述步骤3)中,所述Mask R-CNN神经网络算法模型的训练过程如下:
a)建立集卡车头样本库;
b)制作数据集;
c)搭建所述Mask R-CNN神经网络算法模型。
7.根据权利要求6所述的集卡车头防砸保护方法,其特征在于:所述步骤a)中,建立集卡车头样本库具体如下:
获取所述标定模块的视频流,通过目标检测算法识别出所述集卡的车头,获取带有所述集卡的车头图像,并利用标注工具对所述集卡的车头图像进行标注工作。
8.根据权利要求7所述的集卡车头防砸保护方法,其特征在于:所述步骤b)中,制作数据集具体如下:
从所述集卡车头样本库中提取训练集、验证集、测试集。
9.根据权利要求8所述的集卡车头防砸保护方法,其特征在于:所述步骤c)中,搭建所述Mask R-CNN神经网络算法模型具体如下:
使用所述训练集进行所述集卡的车头实例分割模型训练,通过所述验证集评判所述Mask R-CNN神经网络算法模型是否符合要求,再通过所述测试集进行测试,得到训练好的所述Mask R-CNN神经网络算法模型。
10.根据权利要求4所述的集卡车头防砸保护方法,其特征在于:所述步骤3)中,将预处理后的所述图片输入所述AI视觉算法模块中预先训练好的Mask R-CNN神经网络算法模型进行定位,得到所述集卡的车头中心点,具体如下:
将预处理后的所述图片输入所述AI视觉算法模块中预先训练好的Mask R-CNN神经网络算法模型,即可得到所述集卡的车头实例分割图、车头顶面的最小外接矩形以及四个顶角坐标点,通过计算即可得到车头的中心点。
11.根据权利要求4所述的集卡车头防砸保护方法,其特征在于:所述步骤3)中,所述判断模块向PLC发送警报,所述警报以光报警和/或声报警形式呈现。
12.一种计算机存储介质,其特征在于:包括存储器和处理器,所述存储器用以存储计算机指令,所述处理器用以在运行所述计算机指令时,执行权利要求4-11任一项所述的集卡车头防砸保护方法。
13.一种龙门吊,其特征在于:包括权利要求1-3任一项所述的集卡车头防砸保护系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524533.1A CN112580517A (zh) | 2020-12-22 | 2020-12-22 | 集卡车头防砸保护系统及方法、计算机存储介质、龙门吊 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524533.1A CN112580517A (zh) | 2020-12-22 | 2020-12-22 | 集卡车头防砸保护系统及方法、计算机存储介质、龙门吊 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580517A true CN112580517A (zh) | 2021-03-30 |
Family
ID=75136566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524533.1A Pending CN112580517A (zh) | 2020-12-22 | 2020-12-22 | 集卡车头防砸保护系统及方法、计算机存储介质、龙门吊 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580517A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114104980A (zh) * | 2021-10-15 | 2022-03-01 | 福建电子口岸股份有限公司 | 一种基于ai与视觉结合的岸桥安全作业控制方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767780A (zh) * | 2020-04-10 | 2020-10-13 | 福建电子口岸股份有限公司 | 一种ai与视觉结合的智能集卡定位方法和系统 |
CN111784627A (zh) * | 2020-04-10 | 2020-10-16 | 福建电子口岸股份有限公司 | 一种车辆的集装箱对位方法 |
CN111832415A (zh) * | 2020-06-15 | 2020-10-27 | 航天智造(上海)科技有限责任公司 | 一种用于集装箱吊装作业的卡车安全智能保护系统 |
-
2020
- 2020-12-22 CN CN202011524533.1A patent/CN112580517A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767780A (zh) * | 2020-04-10 | 2020-10-13 | 福建电子口岸股份有限公司 | 一种ai与视觉结合的智能集卡定位方法和系统 |
CN111784627A (zh) * | 2020-04-10 | 2020-10-16 | 福建电子口岸股份有限公司 | 一种车辆的集装箱对位方法 |
CN111832415A (zh) * | 2020-06-15 | 2020-10-27 | 航天智造(上海)科技有限责任公司 | 一种用于集装箱吊装作业的卡车安全智能保护系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114104980A (zh) * | 2021-10-15 | 2022-03-01 | 福建电子口岸股份有限公司 | 一种基于ai与视觉结合的岸桥安全作业控制方法和系统 |
CN114104980B (zh) * | 2021-10-15 | 2023-06-02 | 福建电子口岸股份有限公司 | 一种基于ai与视觉结合的岸桥安全作业控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765378B (zh) | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 | |
CN112528721B (zh) | 一种桥吊集卡安全定位方法和系统 | |
CN112418103B (zh) | 一种基于动态双目视觉的桥式起重机吊装安全防撞系统及方法 | |
CN111754466B (zh) | 传输机皮带损伤状况的智能检测方法 | |
CN112348034A (zh) | 基于无人机图像识别的起重机缺陷检测系统和工作方法 | |
CN111767780B (zh) | 一种ai与视觉结合的智能集卡定位方法和系统 | |
CN112784814B (zh) | 车辆倒车入库的姿态识别方法及输送车倒车入库引导系统 | |
CN112819894A (zh) | 一种集卡引导定位系统及方法、计算机存储介质、龙门吊 | |
CN115205286B (zh) | 爬塔机器人机械臂螺栓识别与定位方法、存储介质、终端 | |
CN114714355A (zh) | 自主移动焊接机器人嵌入式视觉跟踪控制系统 | |
CN111784627A (zh) | 一种车辆的集装箱对位方法 | |
CN107527347A (zh) | 基于计算机视觉图像处理的港口集装箱起吊安全监测方法 | |
CN114170252A (zh) | 一种基于机器视觉的集卡车头防砸保护系统及方法 | |
CN114136219B (zh) | 一种基于线结构光的隧道湿喷车喷浆厚度实时检测装置及方法 | |
CN112580517A (zh) | 集卡车头防砸保护系统及方法、计算机存储介质、龙门吊 | |
CN117115249A (zh) | 一种集装箱锁孔自动识别定位系统及方法 | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
CN114758163B (zh) | 一种叉车移动控制方法、装置、电子设备及存储介质 | |
CN110310239A (zh) | 一种基于特性值拟合消除光照影响的图像处理方法 | |
CN115215221A (zh) | 塔式起重机及其控制方法、控制装置和控制器 | |
CN111854678B (zh) | 一种单目视觉下基于语义分割和卡尔曼滤波的位姿测量方法 | |
CN114772467A (zh) | 基于图像识别的塔机顶升过程中垂直度监测系统及方法 | |
CN114299282A (zh) | 一种自动化码头集装箱的箱型识别系统及其方法 | |
CN114166846A (zh) | 一种钢铁行业冷轧卷断面条码及缺陷检测装置 | |
CN112686162A (zh) | 仓库环境整洁状态的检测方法、装置、设备和存储介质 |
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 |