CN112950493A - 轨道列车线阵相机图像畸变校正方法及装置 - Google Patents
轨道列车线阵相机图像畸变校正方法及装置 Download PDFInfo
- Publication number
- CN112950493A CN112950493A CN202110137404.5A CN202110137404A CN112950493A CN 112950493 A CN112950493 A CN 112950493A CN 202110137404 A CN202110137404 A CN 202110137404A CN 112950493 A CN112950493 A CN 112950493A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- learning network
- network model
- train
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明涉及一种轨道列车线阵相机图像畸变校正方法及装置,所述方法的步骤为:选择过车图像中均匀分布的列车零部件作为数据的标注物体构建训练数据集;基于深度学习网络构建深度学习网络模型;以训练数据集为输入对深度学习网络模型进行训练;通过训练后的深度学习网络模型检测待校正过车图像中的零部件位置框;根据检测出的零部件位置框计算对应零部件的畸变率;对零部件畸变率进行拟合,得到拟合曲线;在拟合曲线上选取图像畸变率值,根据选取的图像畸变率值对图像各部分分别进行拉伸,完成畸变图像的校正。本发明能够解决现有线阵相机图像畸变校正方法效率低、性能差、泛化性不足的问题。
Description
技术领域
本发明属于轨道交通技术领域,涉及轨道列车图像处理技术,具体地说,涉及一种轨道列车线阵相机图像畸变校正方法及装置。
背景技术
目前,基于线阵相机的轨道列车故障识别系统已经在车辆状态检测和异常预警方面得到广泛应用。轨道列车故障识别系统通过在轨旁或车底固定位置安装线阵相机对来往车辆进行图像数据采集,然后通过图像处理算法对采集到的图像数据进行分析,判断运行车辆是否存在安全隐患或安全故障。然而由于列车运行速度时刻变化,使得相机拍摄频率与列车速度无法匹配,导致相机采集到的过车图像在水平方向和竖直方向上都存在畸变问题,如图1a-1c所示,图1a和图1b表示采集到的横向压缩畸变和横向拉伸畸变的图像,图1c表示采集到的近似无畸变图像。畸变给后续基于图像处理与分析的列车状态检测和异常预警带来了极大困难,因此对轨道列车线阵相机畸变图像进行校正至关重要,当前许多研究人员已经对列车过车图像的畸变校正问题做了大量工作。
路绳方、刘震提出了动车组运行故障动态图像比对分析方法(激光与光电子学进展,2017(09):301-307.),利用金字塔结构下图像的多分辨率性质,通过在低分辨率图像提取尺度不变特征变换(SIFT)特征点,利用KD树和随机抽样一致(简称:RANSAC)算法剔除特征点的误匹配,由粗略到精细分层实现图像的精确配准与对齐。
公开号为CN104318568A的中国专利申请公开了一种图像配准的方法和系统,所述方法包括:获取待配准图像和参考图像;对所述待配准图像和参考图像进行形态学处理,将所述待配准图像分为多个大小相同的待配准子图像,将所述参考图像分为多个大小相同的参考子图像;从所述参考子图像中确定起始参考子图像,根据所述起始参考子图像设定参考模板,将所述参考模板与所述待配准子图像进行配准,根据所述配准的结果获取起始偏移量;根据所述起始偏移量配准所述起始待配准子图像,并通过二分法确定经过所述配准的起始待配准子图像是否包含局部偏移量;根据所述起始偏移量和/或局部偏移量配准所述待配准图像。
授权公告号为CN110415192B的中国专利公开的一种轨道列车线阵相机图像畸变校正方法,方法包括以一张同车型无畸变的列车线阵相机图像为标准模板,对列车每个单节车厢或者单节车厢的一段,分别进行图像畸变校正;在进行图像畸变校正之前先对图像进行超采样处理,可以避免下一步提取图像轮廓时可能会造成的图像信息丢失;在建立最小范数优化问题之前先提取图像轮廓,可以有效地解决标准模板图像与畸变图像之间可能存在的光照差异、灰尘、水渍、污渍以及随机噪声干扰等影响,使得校正更加精确、可靠性更高;将线性方程问题转化为最小范数的约束问题,并通过优化方法进行求解,可以得到更加稳定可靠的还原矩阵,进而使得校正后的结果更加稳定可靠。
公开号为CN111354026A的中国专利申请公开了一种基于SURF特征的改进列车图像精确配准方法,包括以下步骤:通过直方图,对参考图像和待配准图像,进行均衡化预处理;对预处理后的参考图像进行特征检测,提取出参考图像的特征点,对预处理后的待配准图像进行特征检测,提取出待配准图像的特征点;将参考图像的全部特征点和待配准图像的全部特征点进行一一匹配,形成多个特征点对;对特征点对进行筛选,删除匹配错误的特征点对;将筛选后的特征点对进行分段配准。
如上所述,现有列车图像畸变校正方法大多是通过全局配准或者局部配准的方式进行特征点检测,随后根据特征点的位置对图像对应区域进行拉伸或缩放。但由于特征点检测方式受图像的形变程度以及图像亮度变化影响较大,算法实际运行时检测出的特征点较少或无法检测出特征点,因此上述算法只适用于单一、限定的列车图像畸变场景,无法应对列车速度时刻变化、曝光不足、形变严重的情况,算法的鲁棒性存在不足,畸变校正性能差,效率低。
发明内容
本发明针对现有线阵相机图像畸变校正方法存在的畸变校正性能差等上述问题,提供了一种轨道列车线阵相机图像畸变校正方法及装置,能够解决现有线阵相机图像畸变校正方法效率低、性能差、泛化性不足的问题。
为了达到上述目的,本发明提供了一种轨道列车线阵相机图像畸变校正方法,其具体步骤为:
选择过车图像中均匀分布的列车零部件作为数据的标注物体构建训练数据集;
基于深度学习网络构建深度学习网络模型;
以训练数据集为输入对深度学习网络模型进行训练;
通过训练后的深度学习网络模型检测待校正过车图像中的零部件位置框;
根据检测出的零部件位置框计算对应零部件的畸变率;
对零部件畸变率进行拟合,得到拟合曲线;
在拟合曲线上选取图像畸变率值,根据选取的图像畸变率值对图像各部分分别进行拉伸,完成畸变图像的校正。
进一步的,还包括以下步骤:对构建的训练数据集数据进行镜像、随机加噪声处理。
进一步的,还包括以下步骤:选择过车图像中均匀分布的列车零部件作为数据的标注物体构建测试数据集,将测试数据集输入至训练后的深度学习网络模型中检验训练后的深度学习网络模型的性能。
优选的,根据检测出的零部件位置框计算对应零部件畸变率的具体步骤为:定义深度学习网络模型检测位置框的左上角位置为(x1,y1)、右下角位置为(x2,y2),则有:
dx=x2-x1 (1)
dy=y2-y1 (2)
式中,dx为采集图像定位零部件的计算宽值,dy为采集图像定位零部件的计算高值;
畸变率r与计算宽值和计算高值之间的关系表示
式中,x为原始先验已知近似无畸变零部件的宽,y为原始先验已知近似无畸变零部件的高;
由公式(3)得到畸变率r为:
式中,r1为原始先验已知近似无畸变零部件的宽高比。
优选的,以训练数据集为输入对深度学习网络模型进行训练的具体步骤为:
从训练数据中均匀抽出小批量样本mini-batch按照批次顺序送入Retinanet网络中,然后基于深度学习网络模型的损失函数计算损失函数值;
通过反向传播进行迭代完成梯度计算,采用动量+梯度下降法更新深度学习网络模型参数,使损失函数值最小;
循环训练所有批次,将所有数据迭代一遍成为一个epoch,若epoch未达到设定值则返回步骤1,继续进行训练,若epoch达到设定值,则完成训练。
为了达到上述目的,本发明还提供了一种适用于轨道列车线阵相机图像畸变校正装置,包括:
数据采集模块,与线阵相机连接,用于采集过车图像;
数据集生成模块,用于选择过车图像中均匀分布的列车零部件作为数据的标注物体构建训练数据集及测试数据集;
模型生成及训练模块,用于基于深度学习网络构建深度学习网络模型,并根据训练数据集对深度学习网络模型进行训练;
检测模块,用于根据训练后的深度学习网络模型检测过车图像中的零部件位置框;
畸变率计算模块,用于根据零部件位置框的左上角位置及右下角位置,结合原始先验已知近似无畸变零部件的宽高值计算畸变率;
拟合校正模块,用于对零部件畸变率进行拟合,得到拟合曲线;并在拟合曲线上选取图像畸变率值,根据选取的图像畸变率值对图像各部分分别进行拉伸,校正图像。
进一步的,还包括模型性能评估模块,用于根据测试数据集检验训练后的深度学习网络模型的性能。
与现有技术相比,本发明的优点和积极效果在于:
本发明通过构建合理的训练数据集,基于深度学习网络构建深度学习网络模型,通过训练数据集对深度学习网络模型进行训练,通过训练后的深度学习网络模型对过车图像进行检测,定位列车各零部件位置,随后根据检测出的零部件位置框计算对应零部件畸变率,通过对零部件畸变率数值进行拟合,确定列车图像各部分的畸变率,最后基于图像各部分畸变率对图像进行校正,实现畸变列车图像的复原,有效解决轨道列车线阵相机图畸变问题,图像畸变校正速度快,校正性能和鲁棒性能好,提高了列车运行的安全性。
附图说明
图1a-1c为采集的过车图像示意图;
图2为本发明实施例所述轨道列车线阵相机图像畸变校正方法的流程图;
图3a-3c为本发明实施例所述轨道列车线阵相机图像畸变校正方法中用于畸变率计算的过车图像示意图;
图4为图3c所示过车图像的畸变校正结果示意图;
图5为本发明实施例轨道列车线阵相机图像畸变校正装置的结构框图。
图中,1、数据采集模块,2、数据集生成模块,3、模型生成及训练模块,4、检测模块,5、畸变率计算模块,6、拟合校正模块,7、模型性能评估模块,8、线阵相机。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
在本发明的描述中,需要说明的是,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在轨道列车线阵相机图像故障识别系统中,由于列车运行场景复杂,导致列车图像存在曝光不足、畸变失真、模糊等缺点,同时由于采集过车图像的周期长、列车各种零部件数量比例差距大,导致过车图像数据少、零部件样本类别不均衡等问题。本发明在充分考虑上述不足的基础上,提出了一种轨道列车线阵相机图像畸变校正方法及装置,采用基于深度学习网络的检测算法实现轨旁过车图像零部件位置的准确定位,随后根据检测出的零部件位置框计算对应零部件畸变率,通过对零部件畸变率数值进行拟合,确定列车图像各部分的畸变率,最后基于图像各部分畸变率对图像进行校正,实现畸变列车图像的复原,有效解决了轨道列车线阵相机图像畸变的问题,提升了列车车辆状态检测和异常预警,为列车的安全运行提供重要保障。以下对上述轨道列车线阵相机图像畸变校正方法及装置进行详细说明。
实施例1:参见图2,本实施例提供了一种轨道列车线阵相机图像畸变校正方法,其具体步骤为:
S1、选择过车图像中均匀分布的列车零部件作为数据的标注物体构建训练数据集。本实施例采用了轨道列车线阵相机采集到图像中零部件高度值近似不变的特性,选择过车图像中均匀分布的列车零部件作为训练数据集的标注物体。
S2、基于深度学习网络构建深度学习网络模型。
本实施例采用Retinanet网络构建深度学习网络模型,相比于其他深度学习网络,Retinanet网络通过在不同尺度的特征层建立金字塔,用于获取丰富且多尺度的特征金字塔,提出了focal loss,能够解决样本类别不均衡问题,使其在同等模型(例如:Faster R-CNN、SSD、Yolo等)的前向计算时间下具有更好的检测性能。
S3、以训练数据集为输入对深度学习网络模型进行训练;其具体步骤为:
S31、从训练数据中均匀抽出小批量样本mini-batch按照批次顺序送入Retinanet网络中,然后基于深度学习网络模型的损失函数计算损失函数值;
S32、通过反向传播进行迭代完成梯度计算,采用动量+梯度下降法更新深度学习网络模型参数,使损失函数值最小;
S33、循环训练所有批次,将所有数据迭代一遍成为一个epoch,若epoch未达到设定值则返回步骤S31,继续进行训练,若epoch达到设定值,则完成训练。
S4、通过训练后的深度学习网络模型检测待校正过车图像中的零部件位置框。
S5、根据检测出的零部件位置框计算对应零部件的畸变率。其具体步骤为:
定义深度学习网络模型检测位置框的左上角位置为(x1,y1)、右下角位置为(x2,y2),则有:
dx=x2-x1 (1)
dy=y2-y1 (2)
式中,dx为采集图像定位零部件的计算宽值,dy为采集图像定位零部件的计算高值;
畸变率r与计算宽值和计算高值之间的关系表示
式中,x为原始先验已知近似无畸变零部件的宽,y为原始先验已知近似无畸变零部件的高;
由公式(3)得到畸变率r为:
式中,r1为原始先验已知近似无畸变零部件的宽高比。
线阵相机采集轨旁过车图像时,由于列车运行时车体上下幅度变化不大,因此列车零部件在线阵相机成像的高度上近似不发生变化,仅在水平方向上会出现压缩畸变或拉伸畸变,如图3a-3c所示,图中三张采集过车图像中矩形框标出区域的高度基本一致。其中,图3a的畸变率分别为1.08、1.11,图3b的畸变率分别为1.06、1.09,图3c的畸变率分别为1.96、2.12、2.34。本实施例基于采集到列车图像数据上下方向形变近似为零的基础上,提出直接根据位置框的宽高比来计算列车图像的畸变率,能够快速计算图像畸变率,提高图像畸变校正的速度。
S6、对零部件畸变率进行拟合,得到拟合曲线。
具体地,由于零部件计算出图像各部分的畸变率是离散的,本实施例中,通过三次曲线对所有计算出的畸变率结果进行拟合,得到光滑的曲线。需要说明的是,拟合曲线的次数可根据实际需求调整。
S7、在拟合曲线上选取图像畸变率值,根据选取的图像畸变率值对图像各部分分别进行拉伸,完成畸变图像的校正。图3c所示过车图像的校正结果参见图4。
需要说明的是,畸变校正后的图像直接保存即可。
上述方法中,在步骤S1中,还包括以下步骤:对构建的训练数据集数据进行镜像、随机加噪声处理,实现数据增强。
上述方法中,在步骤S3中,还包括以下步骤:选择过车图像中均匀分布的列车零部件作为数据的标注物体构建测试数据集,将测试数据集输入至训练后的深度学习网络模型中检验训练后的深度学习网络模型的性能。需要说明的是,训练数据集和测试数据集无重复数据。
本实施例上述方法,相比于现有其他方法,受曝光、列车速度时刻变化、图像形变严重等因素的影响小,畸变校正速度快,具有更好的校正性能和鲁棒性,能够有效解决列车线阵相机图像畸变问题,提升列车车辆状态检测和异常预警,为列车的安全运行提供重要保障。
实施例2:参见图5,本实施例提供了一种适用于轨道列车线阵相机图像畸变校正装置,包括:
数据采集模块1,与线阵相机8连接,用于采集过车图像;
数据集生成模块2,用于选择过车图像中均匀分布的列车零部件作为数据的标注物体构建训练数据集及测试数据集;
模型生成及训练模块3,用于基于深度学习网络构建深度学习网络模型,并根据训练数据集对深度学习网络模型进行训练;
检测模块4,用于根据训练后的深度学习网络模型检测过车图像中的零部件位置框;
畸变率计算模块5,用于根据零部件位置框的左上角位置及右下角位置,结合原始先验已知近似无畸变零部件的宽高值计算畸变率;
拟合校正模块6,用于对零部件畸变率进行拟合,得到拟合曲线;并在拟合曲线上选取图像畸变率值,根据选取的图像畸变率值对图像各部分分别进行拉伸,校正图像。
上述装置还包括模型性能评估模块7,用于根据测试数据集检验训练后的深度学习网络模型的性能。
本实施例上述装置,相比于现有其他装置,受曝光、列车速度时刻变化、图像形变严重等因素的影响小,畸变校正速度快,具有更好的校正性能和鲁棒性,能够有效解决列车线阵相机图像畸变问题,提升列车车辆状态检测和异常预警,为列车的安全运行提供重要保障。
上述实施例用来解释本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (7)
1.一种轨道列车线阵相机图像畸变校正方法,其特征在于,其具体步骤为:
选择过车图像中均匀分布的列车零部件作为数据的标注物体构建训练数据集;
基于深度学习网络构建深度学习网络模型;
以训练数据集为输入对深度学习网络模型进行训练;
通过训练后的深度学习网络模型检测待校正过车图像中的零部件位置框;
根据检测出的零部件位置框计算对应零部件的畸变率;
对零部件畸变率进行拟合,得到拟合曲线;
在拟合曲线上选取图像畸变率值,根据选取的图像畸变率值对图像各部分分别进行拉伸,完成畸变图像的校正。
2.如权利要求1所述的轨道列车线阵相机图像畸变校正方法,其特征在于,还包括以下步骤:对构建的训练数据集数据进行镜像、随机加噪声处理。
3.如权利要求2所述的轨道列车线阵相机图像畸变校正方法,其特征在于,还包括以下步骤:选择过车图像中均匀分布的列车零部件作为数据的标注物体构建测试数据集,将测试数据集输入至训练后的深度学习网络模型中检验训练后的深度学习网络模型的性能。
5.如权利要求4所述的轨道列车线阵相机图像畸变校正方法,其特征在于,以训练数据集为输入对深度学习网络模型进行训练的具体步骤为:从训练数据中均匀抽出小批量样本mini-batch按照批次顺序送入深度学习网络中,然后基于深度学习网络模型的损失函数计算损失函数值;
通过反向传播进行迭代完成梯度计算,采用动量+梯度下降法更新深度学习网络模型参数,使损失函数值最小;
循环训练所有批次,将所有数据迭代一遍成为一个epoch,若epoch未达到设定值则返回步骤1,继续进行训练,若epoch达到设定值,则完成训练。
6.一种轨道列车线阵相机图像畸变校正装置,其特征在于,包括:
数据采集模块,与线阵相机连接,用于采集过车图像;
数据集生成模块,用于选择过车图像中均匀分布的列车零部件作为数据的标注物体构建训练数据集及测试数据集;
模型生成及训练模块,用于基于深度学习网络构建深度学习网络模型,并根据训练数据集对深度学习网络模型进行训练;
检测模块,用于根据训练后的深度学习网络模型检测过车图像中的零部件位置框;
畸变率计算模块,用于根据零部件位置框的左上角位置及右下角位置,结合原始先验已知近似无畸变零部件的宽高值计算畸变率;
拟合校正模块,用于对零部件畸变率进行拟合,得到拟合曲线;并在拟合曲线上选取图像畸变率值,根据选取的图像畸变率值对图像各部分分别进行拉伸,校正图像。
7.如权利要求6所述轨道列车线阵相机图像畸变校正装置,其特征在于,还包括模型性能评估模块,用于根据测试数据集检验训练后的深度学习网络模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137404.5A CN112950493B (zh) | 2021-02-01 | 2021-02-01 | 轨道列车线阵相机图像畸变校正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137404.5A CN112950493B (zh) | 2021-02-01 | 2021-02-01 | 轨道列车线阵相机图像畸变校正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950493A true CN112950493A (zh) | 2021-06-11 |
CN112950493B CN112950493B (zh) | 2022-11-01 |
Family
ID=76240886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110137404.5A Active CN112950493B (zh) | 2021-02-01 | 2021-02-01 | 轨道列车线阵相机图像畸变校正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950493B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808049A (zh) * | 2021-09-23 | 2021-12-17 | 成都货安计量技术中心有限公司 | 一种列车线阵图像畸变校正方法及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN107180416A (zh) * | 2017-05-17 | 2017-09-19 | 石家庄铁道大学 | 火车车轮踏面图像畸形校正方法及系统 |
US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
CN108805935A (zh) * | 2018-05-02 | 2018-11-13 | 南京大学 | 一种基于正交像素当量比的线阵相机畸变校正方法 |
CN109685845A (zh) * | 2018-11-26 | 2019-04-26 | 普达迪泰(天津)智能装备科技有限公司 | 一种用于fod检测机器人的基于pos系统的实时图像拼接处理方法 |
CN110176041A (zh) * | 2019-05-29 | 2019-08-27 | 西南交通大学 | 一种基于双目视觉算法的新型列车辅助装配方法 |
CN110415192A (zh) * | 2019-07-31 | 2019-11-05 | 广州运达智能科技有限公司 | 一种轨道列车线阵相机图像畸变校正方法 |
CN110660034A (zh) * | 2019-10-08 | 2020-01-07 | 北京迈格威科技有限公司 | 图像校正方法、装置及电子设备 |
CN111354026A (zh) * | 2020-02-27 | 2020-06-30 | 广州运达智能科技有限公司 | 一种基于surf特征的改进列车图像精确配准方法和系统 |
-
2021
- 2021-02-01 CN CN202110137404.5A patent/CN112950493B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372193A1 (en) * | 2016-06-23 | 2017-12-28 | Siemens Healthcare Gmbh | Image Correction Using A Deep Generative Machine-Learning Model |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN107180416A (zh) * | 2017-05-17 | 2017-09-19 | 石家庄铁道大学 | 火车车轮踏面图像畸形校正方法及系统 |
CN108805935A (zh) * | 2018-05-02 | 2018-11-13 | 南京大学 | 一种基于正交像素当量比的线阵相机畸变校正方法 |
CN109685845A (zh) * | 2018-11-26 | 2019-04-26 | 普达迪泰(天津)智能装备科技有限公司 | 一种用于fod检测机器人的基于pos系统的实时图像拼接处理方法 |
CN110176041A (zh) * | 2019-05-29 | 2019-08-27 | 西南交通大学 | 一种基于双目视觉算法的新型列车辅助装配方法 |
CN110415192A (zh) * | 2019-07-31 | 2019-11-05 | 广州运达智能科技有限公司 | 一种轨道列车线阵相机图像畸变校正方法 |
CN110660034A (zh) * | 2019-10-08 | 2020-01-07 | 北京迈格威科技有限公司 | 图像校正方法、装置及电子设备 |
CN111354026A (zh) * | 2020-02-27 | 2020-06-30 | 广州运达智能科技有限公司 | 一种基于surf特征的改进列车图像精确配准方法和系统 |
Non-Patent Citations (4)
Title |
---|
JIANGPENG RONG等: "Radial Lens Distortion Correction Using Convolutional Neural Networks Trained with Synthesized Images", 《ASIAN CONFERENCE ON COMPUTER VISION》 * |
TEJAS S. BORKAR等: "DeepCorrect: Correcting DNN Models Against Image Distortions", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
国家食品药品监督管理局人事司: "医学成像设备 医疗器械部分", 《北京:中国医药科技出版社》 * |
李兆新等: "线阵相机图像自适应畸变校正方法及在列车成像上的应用", 《电子测量技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808049A (zh) * | 2021-09-23 | 2021-12-17 | 成都货安计量技术中心有限公司 | 一种列车线阵图像畸变校正方法及电子设备 |
CN113808049B (zh) * | 2021-09-23 | 2023-06-02 | 成都货安计量技术中心有限公司 | 一种列车线阵图像畸变校正方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112950493B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN106408609B (zh) | 一种基于双目视觉的并联机构末端运动位姿检测方法 | |
CN106778737B (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
KR20170074812A (ko) | 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템 | |
CN109100370A (zh) | 一种基于投影法和连通域分析的pcb板缺陷检测方法 | |
CN109447067A (zh) | 一种票据方向检测矫正方法及自动检票系统 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN107016353B (zh) | 一种变分辨率目标探测与识别一体化的方法与系统 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN112017243B (zh) | 一种介质能见度识别方法 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN110298840A (zh) | 一种基于图像的纱线缺陷检测方法 | |
CN113744337A (zh) | 一种融合视觉、imu与声纳的同步定位与建图方法 | |
CN111257329A (zh) | 一种智能手机摄像头缺陷检测方法以及检测系统 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN112950493B (zh) | 轨道列车线阵相机图像畸变校正方法及装置 | |
CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
CN113375555A (zh) | 一种基于手机影像的电力线夹测量方法及系统 | |
CN112801110B (zh) | 轨道列车线阵相机图像畸变校正的目标检测方法及装置 | |
CN117315547A (zh) | 一种解决动态物体大占比的视觉slam方法 | |
CN115775269B (zh) | 一种基于线特征的列车图像精确配准方法 | |
CN112468721A (zh) | 一种具有自动调焦功能的视觉采集方法及装置 | |
CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
CN115035164A (zh) | 一种运动目标识别方法及装置 |
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 |