CN112611331A - 一种位移监测装置及测量方法 - Google Patents

一种位移监测装置及测量方法 Download PDF

Info

Publication number
CN112611331A
CN112611331A CN202110003517.6A CN202110003517A CN112611331A CN 112611331 A CN112611331 A CN 112611331A CN 202110003517 A CN202110003517 A CN 202110003517A CN 112611331 A CN112611331 A CN 112611331A
Authority
CN
China
Prior art keywords
target
displacement
calibration
camera
monitoring device
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
Application number
CN202110003517.6A
Other languages
English (en)
Inventor
张军亮
周宾
王喜军
赫向辉
刘建海
焦林生
杨怀忠
刘月富
暴锋
许伯骢
刘博天
范广平
梁添
曹耀武
郭振宇
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.)
Nanjing Ditaida Environmental Technology Co ltd
Shaanxi Guohua Jinjie Energy Co Ltd
Guohua Power Branch of China Shenhua Energy Co Ltd
Original Assignee
Nanjing Ditaida Environmental Technology Co ltd
Shaanxi Guohua Jinjie Energy Co Ltd
Guohua Power Branch of China Shenhua Energy Co Ltd
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 Nanjing Ditaida Environmental Technology Co ltd, Shaanxi Guohua Jinjie Energy Co Ltd, Guohua Power Branch of China Shenhua Energy Co Ltd filed Critical Nanjing Ditaida Environmental Technology Co ltd
Priority to CN202110003517.6A priority Critical patent/CN112611331A/zh
Publication of CN112611331A publication Critical patent/CN112611331A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请公开了一种位移监测装置，包括图像采集系统、网络系统、供电系统、计算机系统，所述图像采集系统负责蒸汽管上安装的观测目标的图像采集，所述网络系统负责服务器与控制机箱之间通过交换机利用光纤进行网络连接，控制机箱和相机之间则通过网线进行通信，所述供电系统主要负责供电设备对图像采集系统的相机、网络系统中的交换机供电，相对于现有的相对位移监测技术，本发明将深度学习与双目视觉结合，实现对待测物位移的高精度监测，大大提高了位移监测的准确性，拓展了深度学习的应用范围。该方法具有适用性好，应用场景广泛等特点，因此，本发明技术对于电厂锅炉、汽轮机管道等复杂环境下位移监测具有重要的应用价值。

Description

一种位移监测装置及测量方法
技术领域
本申请涉及测量技术领域，尤其涉及一种位移监测装置，本发明还涉及一种位移监测装置的测量方法。
背景技术
电厂锅炉是火力发电厂的主要热力设备之一，特指发电厂中向汽轮机提供规定数量和质量蒸汽的中大型锅炉，而锅炉的启停是锅炉运行中的重要组成部分，在机组快速启停过程中，由于锅炉内部各部分工质的膨胀差异，各部分工质之间不断挤压变形，当锅炉的内部效应力超过锅炉承受范围时，会导致锅炉发生变形、损坏甚至是撕裂的情况，严重影响到机组的政策运行，因此，建立一个锅炉膨胀监测系统对于保证锅炉安全稳定的运行至关重要。
目前的锅炉膨胀监测大都采用机械的方式，由管理人员定时巡检，采集数据并告知操作人员，但由于机组的膨胀监测点较多且相隔较远，人工巡检的方式不仅费时费力，而且所得数据不具备实时性，不足以为电站运行人员提供实时性的参考，因此我们提出一种位移监测装置及测量方法。
发明内容
本发明的目的在于提供一种位移监测装置，以解决上述背景技术中提出现有技术中锅炉膨胀监测大都采用机械的方式，由管理人员定时巡检，采集数据并告知操作人员，但由于机组的膨胀监测点较多且相隔较远，人工巡检的方式不仅费时费力，而且所得数据不具备实时性，不足以为电站运行人员提供实时性参考的问题。
为实现上述目的，本发明采用了如下技术方案：
一种位移监测装置，包括图像采集系统、网络系统、供电系统、计算机系统，所述图像采集系统负责蒸汽管上安装的观测目标的图像采集，所述网络系统负责服务器与控制机箱之间通过交换机利用光纤进行网络连接，控制机箱和相机之间则通过网线进行通信，所述供电系统主要负责供电设备对图像采集系统的相机、网络系统中的交换机供电，所述计算机系统负责控制整个系统的运行。
优选的，所述图像采集系统中每个采集单元由两台相机和其观测目标构成。
优选的，所述供电系统配备不间断稳压电源。
优选的，所述计算机系统负责图像的采集、处理，位移数据的运算、存储，其他设备对位移数据的访问。
本发明还提供了一种位移监测装置的测量方法，包括以下步骤：
S1、对图像采集系统中的采集单元逐个进行标定，首先将位移台调整至水平，并将标定靶安装在位移台上，调整至其垂直于位移台的运动方向，然后将两个相机固定在同一个支架上将相机支架调整至水平，同时确保位移台运动方向垂直于相机支架；
控制位移台沿Z轴正方向移动，每移动10mm停止一次，同时两个相机拍照，如此反复直至标定靶到达标定范围后边缘，提取2个相机拍摄的图片中棋盘格角点的像素坐标(XL，YL)，(XR，YR)，由于标靶是安装在位移台上，每次移动的距离均在控制之下，故所有角点的空间位置是确定的，第i个角点的空间坐标记为(Xi，YiZi)，对应的像素点坐标记为
Figure BDA0002882085670000021
将
Figure BDA0002882085670000022
和(Xi，Yi，Zi)分别作为深度神经网络训练的输入和输出值。
S2、利用步骤1得到的数据集进行标定过程的第二步，即训练模型，在步骤1收集完训练需要的数据后即可开始训练神经网络模型，我们使用的是4输入，3输出的带有3层隐藏层，分别有80，400，200个神经元节点的BP神经网络结构，激活函数为RELU，Batch size设为10240，使用MSE来评估每次训练的质量，将收集到的数据打乱后，防止数据是按某种规律排列的，打乱数据可避免神经网络学习到这一规律，在留下足够的测试集后，剩下的部分即可导入模型中进行训练。
S3、标定过程完成后，观测目标换为固定在待测目标上的标定板进行测量过程，将标定区域内的大标靶换为测量用的小标靶，摄像机相对位置保持不变，同时确保测量靶位于摄像机的标定范围中心。
优选的，所述步骤S1中首先将两个相机固定在特定位置，此时观测目标为标定标靶，将标靶固定在两相机特定距离的位置，通过标靶的移动令相机周期性捕捉角点，最终得到像素坐标和实际坐标的数据集，而实际坐标的最大值亦为测量范围的最大值，即标定范围等于测量范围，标定所用标靶规格为高精度氧化铝棋盘格标靶，其精度可达±0.001mm，外形尺寸为1000mm*800mm。
优选的，所述步骤S2中模型训练过程包括：构建神经网络模型，将步骤1最后得到的数据集打乱后导入模型中进行训练，最后以预测值与实际值的均方差为标准进行评估拟合程度，达到标准即可封装为层次数据格式的神经网络矩阵文件。
优选的，所述步骤S2中神经网络矩阵文件内的矩阵为表达式，以首张标定图片所得的平均值为基准位置，真实位置减去基准位置的值即为得到待观测物在该方向的相对位移。
优选的，所述步骤S3中标定过程完成后，即可开始测量，将标定区域内的大标靶换为测量用的小标靶，摄像机相对位置保持不变，同时确保测量靶位于摄像机的标定范围中心，通过网络连接将所拍摄的图片远程传输至工控机，读取角点后得到平面内每个角点的像素点坐标(xL,yL,xR,yR)，将其作为神经网络模型的输入值，运算后得到每个角点的实际坐标值(XC,YC,ZC)，在已知其参考坐标(X0,Y0,Z0)的情况下，即可获取其每个角点的位移(ΔX,ΔY,ΔZ)，对平面内的20个角点取均值，即可获得观测目标位移(ΔXB,ΔYB,ΔZB)，即管道的位移。
优选的，所述步骤S3中测量过程包括：采集单元的相机固定时间间隔地拍摄标定板，并提取标定板上的角点作为此时观测目标的真实位置。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
相对于现有的相对位移监测技术，本发明将深度学习与双目视觉结合，实现对待测物位移的高精度监测，大大提高了位移监测的准确性，拓展了深度学习的应用范围，该方法具有适用性好，应用场景广泛等特点，因此，本发明技术对于电厂锅炉、汽轮机管道等复杂环境下位移监测具有重要的应用价值。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明位移监测装置系统原理图；
图2为本发明双目视觉原理图；
图3为本发明位移监测方法流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本发明提供了如图1-3所示的一种位移监测装置，包括图像采集系统、网络系统、供电系统、计算机系统，所述图像采集系统负责蒸汽管上安装的观测目标的图像采集，所述网络系统负责服务器与控制机箱之间通过交换机利用光纤进行网络连接，控制机箱和相机之间则通过网线进行通信，所述供电系统主要负责供电设备对图像采集系统的相机、网络系统中的交换机供电，所述计算机系统负责控制整个系统的运行。
本发明一种位移监测装置在使用时，包括以下步骤：
S1、对图像采集系统中的采集单元逐个进行标定，标定过程包括：首先将两个相机固定在特定位置，此时观测目标为标定标靶，将标靶固定在两相机特定距离的位置，通过标靶的移动令相机周期性捕捉角点，最终得到像素坐标和实际坐标的数据集，而实际坐标的最大值亦为测量范围的最大值，即标定范围等于测量范围，标定所用标靶(后文记作标定靶)规格为高精度氧化铝棋盘格标靶，其精度可达±0.001mm，外形尺寸为1000mm*800mm，选用标定靶的目的是为了满足实际项目的测量需求，同时使用标定靶时，控制标定靶在一方向上进行移动即可获取足够的空间点位信息，降低了位移台的控制难度，同时也避免了另外2个方向上的误差累积，标定靶上的图案为10mm*10mm的棋盘格，实际使用时可通过适当的遮盖标靶图案以满足实际标定需求；
首先将位移台调整至水平，并将标定靶安装在位移台上，调整至其垂直于位移台的运动方向，然后将两个相机固定在同一个支架上(确保移动相机至测量现场后相机的相对位置能保持不变)，将相机支架调整至水平，同时确保位移台运动方向垂直于相机支架；
控制位移台沿Z轴正方向移动，每移动10mm停止一次，同时两个相机拍照，如此反复直至标定靶到达标定范围后边缘，提取2个相机拍摄的图片中棋盘格角点的像素坐标(XL，YL)，(XR，YR)，由于标靶是安装在位移台上，每次移动的距离均在控制之下，故所有角点的空间位置是确定的，第i个角点的空间坐标记为(Xi，Yi，Zi)，对应的像素点坐标记为
Figure BDA0002882085670000061
将
Figure BDA0002882085670000062
和(Xi，Yi，Zi)分别作为深度神经网络训练的输入和输出值；
S2、利用步骤1得到的数据集进行标定过程的第二步，即训练模型，利用步骤1得到的数据集进行标定过程的第二步，即训练模型；模型训练过程包括：构建神经网络模型，将步骤1最后得到的数据集打乱后导入模型中进行训练，最后以预测值与实际值的均方差为标准进行评估拟合程度，达到标准即可封装为层次数据格式的神经网络矩阵文件，在步骤1收集完训练需要的数据后即可开始训练神经网络模型，我们使用的是4输入，3输出的带有3层隐藏层(分别有80，400，200个神经元节点)的BP神经网络结构，激活函数为RELU(修正线性单元)，Batch size设为10240，使用MSE(均方差)来评估每次训练的质量，将收集到的数据打乱后，防止数据是按某种规律排列的，打乱数据可避免神经网络学习到这一规律，在留下足够的测试集后，剩下的部分即可导入模型中进行训练；
S3、标定过程完成后，观测目标换为固定在待测目标上的标定板进行测量过程，标定过程完成后，观测目标换为固定在待测目标上的标定板进行测量过程；测量过程包括：采集单元的相机固定时间间隔地拍摄标定板，并提取标定板上的角点作为此时观测目标的真实位置，以步骤2所得文件内的矩阵为表达式，以首张标定图片所得的平均值为基准位置，真实位置减去基准位置的值即为得到待观测物在该方向的相对位移，标定过程完成后，即可开始测量，将标定区域内的大标靶换为测量用的小标靶(后文记为测量靶)，摄像机相对位置保持不变，同时确保测量靶位于摄像机的标定范围中心，通过网络连接将所拍摄的图片远程传输至工控机，读取角点后得到平面内每个角点的像素点坐标(xL，yL，xR，yR)，将其作为神经网络模型的输入值，运算后得到每个角点的实际坐标值(XC,YC,ZC)，在已知其参考坐标(X0,Y0,Z0)(可根据实际情况，任选某一时刻或某一位置的(XC,YC,ZC)作为参考坐标)的情况下，即可获取其每个角点的位移(ΔX,ΔY,ΔZ)，对平面内的20个角点取均值，即可获得观测目标位移(ΔXB,ΔYB,ΔZB)，即管道的位移。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种位移监测装置，包括图像采集系统、网络系统、供电系统、计算机系统，其特征在于：所述图像采集系统负责蒸汽管上安装的观测目标的图像采集，所述网络系统负责服务器与控制机箱之间通过交换机利用光纤进行网络连接，控制机箱和相机之间则通过网线进行通信，所述供电系统主要负责供电设备对图像采集系统的相机、网络系统中的交换机供电，所述计算机系统负责控制整个系统的运行。
2.根据权利要求1所述一种位移监测装置，其特征在于：所述图像采集系统中每个采集单元由两台相机和其观测目标构成。
3.根据权利要求1所述一种位移监测装置，其特征在于：所述供电系统配备不间断稳压电源。
4.根据权利要求1所述一种位移监测装置，其特征在于：所述计算机系统负责图像的采集、处理，位移数据的运算、存储，其他设备对位移数据的访问。
5.根据权利要求1至4任意一项所述一种位移监测装置的测量方法，其特征在于：包括以下步骤：
S1、对图像采集系统中的采集单元逐个进行标定，首先将位移台调整至水平，并将标定靶安装在位移台上，调整至其垂直于位移台的运动方向，然后将两个相机固定在同一个支架上，将相机支架调整至水平，同时确保位移台运动方向垂直于相机支架；
控制位移台沿Z轴正方向移动，每移动10mm停止一次，同时两个相机拍照，如此反复直至标定靶到达标定范围后边缘，提取2个相机拍摄的图片中棋盘格角点的像素坐标(XL，YL)，(XR，YR)，由于标靶是安装在位移台上，每次移动的距离均在控制之下，故所有角点的空间位置是确定的，第i个角点的空间坐标记为(Xi，Yi，Zi)，对应的像素点坐标记为
Figure FDA0002882085660000021
将
Figure FDA0002882085660000022
和(Xi，Yi，Zi)分别作为深度神经网络训练的输入和输出值。
S2、利用步骤1得到的数据集进行标定过程的第二步，即训练模型，在步骤1收集完训练需要的数据后即可开始训练神经网络模型，我们使用的是4输入，3输出的带有3层隐藏层，分别有80，400，200个神经元节点的BP神经网络结构，激活函数为RELU，Batch size设为10240，使用MSE来评估每次训练的质量，将收集到的数据打乱后，防止数据是按某种规律排列的，打乱数据可避免神经网络学习到这一规律，在留下足够的测试集后，剩下的部分即可导入模型中进行训练。
S3、标定过程完成后，观测目标换为固定在待测目标上的标定板进行测量过程，将标定区域内的大标靶换为测量用的小标靶，摄像机相对位置保持不变，同时确保测量靶位于摄像机的标定范围中心。
6.根据权利要求5所述一种位移监测装置的测量方法，其特征在于：所述步骤S1中首先将两个相机固定在特定位置，此时观测目标为标定标靶，将标靶固定在两相机特定距离的位置，通过标靶的移动令相机周期性捕捉角点，最终得到像素坐标和实际坐标的数据集，而实际坐标的最大值亦为测量范围的最大值，即标定范围等于测量范围，标定所用标靶规格为高精度氧化铝棋盘格标靶，其精度可达±0.001mm，外形尺寸为1000mm*800mm。
7.根据权利要求5所述一种位移监测装置的测量方法，其特征在于：所述步骤S2中模型训练过程包括：构建神经网络模型，将步骤1最后得到的数据集打乱后导入模型中进行训练，最后以预测值与实际值的均方差为标准进行评估拟合程度，达到标准即可封装为层次数据格式的神经网络矩阵文件。
8.根据权利要求5所述一种位移监测装置的测量方法，其特征在于：所述步骤S2中神经网络矩阵文件内的矩阵为表达式，以首张标定图片所得的平均值为基准位置，真实位置减去基准位置的值即为得到待观测物在该方向的相对位移。
9.根据权利要求5所述一种位移监测装置的测量方法，其特征在于：所述步骤S3中标定过程完成后，即可开始测量，将标定区域内的大标靶换为测量用的小标靶，摄像机相对位置保持不变，同时确保测量靶位于摄像机的标定范围中心，通过网络连接将所拍摄的图片远程传输至工控机，读取角点后得到平面内每个角点的像素点坐标(xL,yL,xR,yR)，将其作为神经网络模型的输入值，运算后得到每个角点的实际坐标值(XC,YC,ZC)，在已知其参考坐标(X0,Y0,Z0)的情况下，即可获取其每个角点的位移(ΔX,ΔY,ΔZ)，对平面内的20个角点取均值，即可获得观测目标位移(ΔXB,ΔYB,ΔZB),即管道的位移。
10.根据权利要求5所述一种位移监测装置的测量方法，其特征在于：所述步骤S3中测量过程包括：采集单元的相机固定时间间隔地拍摄标定板，并提取标定板上的角点作为此时观测目标的真实位置。
CN202110003517.6A 2021-01-04 2021-01-04 一种位移监测装置及测量方法 Pending CN112611331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110003517.6A CN112611331A (zh) 2021-01-04 2021-01-04 一种位移监测装置及测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110003517.6A CN112611331A (zh) 2021-01-04 2021-01-04 一种位移监测装置及测量方法

Publications (1)

Publication Number Publication Date
CN112611331A true CN112611331A (zh) 2021-04-06

Family

ID=75254750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110003517.6A Pending CN112611331A (zh) 2021-01-04 2021-01-04 一种位移监测装置及测量方法

Country Status (1)

Country Link
CN (1) CN112611331A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091600A (zh) * 2022-12-26 2023-05-09 北京万集科技股份有限公司 一种图像目标的定位方法、装置、终端设备和存储介质
CN116379934A (zh) * 2023-05-08 2023-07-04 内蒙古大唐国际托克托发电有限责任公司 一种基于三维结构光测距的火电厂高温管道位移监测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913410A (zh) * 2016-03-03 2016-08-31 华北电力大学（保定） 一种基于机器视觉的远距离运动物体高度测量的装置与方法
CN106097322A (zh) * 2016-06-03 2016-11-09 江苏大学 一种基于神经网络的视觉系统标定方法
CN106127789A (zh) * 2016-07-04 2016-11-16 湖南科技大学 结合神经网络与虚拟靶标的立体视觉标定方法
CN109493389A (zh) * 2018-10-15 2019-03-19 同济大学 一种基于深度学习的相机标定方法及系统
CN111383281A (zh) * 2018-12-29 2020-07-07 天津大学青岛海洋技术研究院 一种基于rbf神经网络的摄像机标定方法
CN111563878A (zh) * 2020-03-27 2020-08-21 中国科学院西安光学精密机械研究所 一种空间目标定位方法
CN111739093A (zh) * 2020-06-18 2020-10-02 中国神华能源股份有限公司国华电力分公司 一种蒸汽管道位移的监测方法、装置及电子设备
CN212227983U (zh) * 2020-06-30 2020-12-25 中国神华能源股份有限公司国华电力分公司 一种蒸汽管道位移监测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913410A (zh) * 2016-03-03 2016-08-31 华北电力大学（保定） 一种基于机器视觉的远距离运动物体高度测量的装置与方法
CN106097322A (zh) * 2016-06-03 2016-11-09 江苏大学 一种基于神经网络的视觉系统标定方法
CN106127789A (zh) * 2016-07-04 2016-11-16 湖南科技大学 结合神经网络与虚拟靶标的立体视觉标定方法
CN109493389A (zh) * 2018-10-15 2019-03-19 同济大学 一种基于深度学习的相机标定方法及系统
CN111383281A (zh) * 2018-12-29 2020-07-07 天津大学青岛海洋技术研究院 一种基于rbf神经网络的摄像机标定方法
CN111563878A (zh) * 2020-03-27 2020-08-21 中国科学院西安光学精密机械研究所 一种空间目标定位方法
CN111739093A (zh) * 2020-06-18 2020-10-02 中国神华能源股份有限公司国华电力分公司 一种蒸汽管道位移的监测方法、装置及电子设备
CN212227983U (zh) * 2020-06-30 2020-12-25 中国神华能源股份有限公司国华电力分公司 一种蒸汽管道位移监测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张军强 等: "《计算机网络基础与电子商务》", 31 July 2015, 西安交通大学出版社 *
张艳红 等: "《水利可持续发展与科技创新》", 31 December 2011, 河北科学技术出版社 *
王鹤龙 等: "《电脑基础新知识》", 31 July 1995, 杭州大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091600A (zh) * 2022-12-26 2023-05-09 北京万集科技股份有限公司 一种图像目标的定位方法、装置、终端设备和存储介质
CN116091600B (zh) * 2022-12-26 2023-12-01 北京万集科技股份有限公司 一种图像目标的定位方法、装置、终端设备和存储介质
CN116379934A (zh) * 2023-05-08 2023-07-04 内蒙古大唐国际托克托发电有限责任公司 一种基于三维结构光测距的火电厂高温管道位移监测系统

Similar Documents

Publication Publication Date Title
CN112611331A (zh) 一种位移监测装置及测量方法
CN104002602B (zh) 具有加工精度纠正功能的激光活化设备和激光活化方法
CN103374721B (zh) 用于轧辊激光熔覆的实时在线数据采集及远程监控系统
CN108180868A (zh) 一种基于条纹投影的实时三维显微成像系统
CN102922521A (zh) 一种基于立体视觉伺服的机械臂系统及其实时校准方法
CN109631768A (zh) 一种结构物二维位移监测装置及方法
CN109192055A (zh) 一种变电站设备铭牌三维模型快速获取匹配的方法
CN110849269A (zh) 一种田间玉米棒几何尺寸测量系统及方法
CN109343578A (zh) 一种基于视觉反馈的tdi-ccd相机双目视觉系统视场对齐方法
CN110830710A (zh) 一种超长焦镜头的聚焦方法
CN111024047A (zh) 基于正交双目视觉的六自由度位姿测量装置及方法
CN112361989B (zh) 一种通过点云均匀性考量测量系统标定参数的方法
CN104865893A (zh) 运动平台控制系统和运动平台误差计算方法
CN115790366A (zh) 一种大型阵面拼接机构视觉定位系统和方法
CN113627400B (zh) 一种工业仪表视频识别系统
CN111862237B (zh) 用于光学面形测量的相机标定方法和实现该方法的装置
Pajor et al. Stereovision system for motion tracking and position error compensation of loading crane
CN113458156B (zh) 热轧精轧带钢位置的在线监测装置的标定方法
CN113910259A (zh) 机器人喷漆系统及喷漆方法
CN207198665U (zh) 地面定位调控装置
CN113592956A (zh) 一种基于显微检测机台的多镜头联合标定方法和装置
CN114237190A (zh) 3d数字化工厂设备管理方法及系统
CN104162752B (zh) 薄钢板搭接焊缝小特征点四机头串行视觉检测跟踪装置
CN116320356B (zh) 一种微视觉三维成像系统与方法
CN111821636A (zh) 一种基于两台消防炮的火源空间定位方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210406