CN113255595A - 基于区块链技术的多摄像头土方覆盖率的智能计算方法 - Google Patents
基于区块链技术的多摄像头土方覆盖率的智能计算方法 Download PDFInfo
- Publication number
- CN113255595A CN113255595A CN202110722565.0A CN202110722565A CN113255595A CN 113255595 A CN113255595 A CN 113255595A CN 202110722565 A CN202110722565 A CN 202110722565A CN 113255595 A CN113255595 A CN 113255595A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- image processing
- earthwork
- camera
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Studio Devices (AREA)
Abstract
本申请涉及一种基于区块链技术的多摄像头土方覆盖率的智能计算方法,其属于智能建筑领域,一种基于区块链技术的多摄像头土方覆盖率的智能计算方法包括获取图像采集信息并对图像采集信息进行处理后输出图像处理信息;根据图像匹配算法对图像处理信息进行匹配后得到重叠区域信息,重叠区域信息指多个摄像机拍摄的图像之间互相重叠的区域;根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息;通过对覆盖区域信息和土方区域信息进行计算后得到土方覆盖率。本申请具有提高了施工现场土方覆盖率计算结果的准确性的效果。
Description
技术领域
本申请涉及智能建筑领域,尤其是涉及一种基于区块链技术的多摄像头土方覆盖率的智能计算方法。
背景技术
随着科技的发展,人们进行工程施工时,施工现场的面积也越来越大,而出于环境保护的考虑,为避免施工现场土方挖掘后造成的扬尘污染,需要对施工现场进行土方覆盖。
目前,管理人员会根据施工现场的施工模型预先判断需要覆盖的面积,并根据判断后的结果采购相应大小的覆盖设备进行土方覆盖。
针对上述中的相关技术,发明人发现:在采用上述方式计算施工现场土方覆盖率时,施工现场的土方覆盖率的计算结果很不准确,误差较大。
发明内容
本申请提供一种基于区块链技术的多摄像头土方覆盖率的智能计算方法,具有提高了施工现场土方覆盖率计算结果的准确性的特点。
本申请目的一是提供一种基于区块链技术的多摄像头土方覆盖率的智能计算方法。
本申请的上述申请目的一是通过以下技术方案得以实现的:
一种基于区块链技术的多摄像头土方覆盖率的智能计算方法,包括:
获取图像采集信息并对图像采集信息进行处理后输出图像处理信息;
根据图像匹配算法对图像处理信息进行匹配后得到重叠区域信息,所述重叠区域信息指多个摄像机拍摄的图像之间互相重叠的区域;
根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息;
通过对覆盖区域信息和土方区域信息进行计算后得到土方覆盖率。
通过采用上述技术方案,首先获取摄像机拍摄的图像信息,并对图像信息进行处理,然后根据多个摄像机拍摄的图像计算出图像的重叠区域信息,再根据重叠区域信息和图像处理信息得到覆盖区域信息和土方区域信息,再将两者进行计算后即可得到土方覆盖率,采用这种方式,根据重叠区域信息可以解决多个摄像机拍摄的图像有重叠不方便计算的问题,并且提高了施工现场土方覆盖率计算结果的准确性。
本申请在一较佳示例中可以进一步配置为:所述获取图像采集信息的方法包括:通过区块链平台获取图像采集信息。
通过采用上述技术方案,通过区块链平台获取信息更加便捷,且由于区块链本身的特点,当单个节点出现问题时,并不会影响整体数据,提高了数据的安全性。
本申请在一较佳示例中可以进一步配置为:
所述对图像采集信息进行处理后输出图像处理信息的方法包括:
提取关键帧图像;
对关键帧图像进行图像处理后得到图像处理信息;
其中,图像处理包括,图片大小处理、归一化处理和零中心化处理。
通过采用上述技术方案,可以提高图像的质量,避免一些额外因素对关键帧图像造成影响。
本申请在一较佳示例中可以进一步配置为:对输出的图像处理信息需要进行判断处理,判断处理的过程包括:利用基于深度学习的神经网络方法对图像处理信息中的关键帧图像进行判断,若判断结果为是,则根据图像匹配算法对图像处理信息进行匹配处理。
通过采用上述技术方案,对关键帧图像进行筛选,减少对无用图像的资源浪费,提高计算效率。
本申请在一较佳示例中可以进一步配置为:
所述根据图像匹配算法对图像处理信息进行匹配的方法包括:
获取摄像机的参数信息;
根据摄像机的参数信息对图像处理信息进行预处理。
本申请在一较佳示例中可以进一步配置为:所述根据图像匹配算法对图像处理信息进行匹配的方法包括:利用基于SIFT特征的图像匹配算法对预处理后的图像处理信息进行进一步匹配处理。
本申请在一较佳示例中可以进一步配置为:所述根据图像检测算法对图像处理信息进行检测分析的方法包括:
将图像处理信息中的关键帧图像转换到HSV颜色空间;
在HSV颜色空间内对关键帧图像进行颜色处理和检测后得到覆盖区域信息和土方区域信息。
本申请目的二是提供一种基于区块链技术的多摄像头土方覆盖率的计算系统。
本申请的上述申请目的二是通过以下技术方案得以实现的:
一种基于区块链技术的多摄像头土方覆盖率的计算系统,包括:
处理模块,用于获取图像采集信息并对图像采集信息进行处理后输出图像处理信息;
匹配模块,用于根据图像匹配算法对图像处理信息进行匹配后得到重叠区域信息;
检测模块,用于根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息;
计算模块,用于对覆盖区域信息和土方区域信息进行计算后得到土方覆盖率。
本申请目的三是提供一种智能终端。
本申请的上述申请目的三是通过以下技术方案得以实现的:
一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行的上述基于区块链技术的多摄像头土方覆盖率的智能计算方法的计算机程序指令。
本申请目的四是提供一种计算机介质,能够存储相应的程序。
本申请的上述申请目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,存储有能够被处理器加载并执行上述任一种基于区块链技术的多摄像头土方覆盖率的智能计算方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
通过对摄像机拍摄的图像信息进行处理,并根据处理后的图像信息计算得到多个摄像机拍摄的图像的重叠区域信息,然后根据算法对重叠区域信息和图像处理信息进行分析后得到覆盖区域信息和土方区域信息,采用这种方式,可以提高施工现场土方覆盖率计算结果的准确性。
附图说明
图1是本申请实施例的系统结构示意图。
图2是本申请实施例的方法流程示意图。
图3是本申请实施例中基于SIFT特征的图像匹配算法的流程示意图。
附图标记说明:1、处理模块;2、匹配模块;3、检测模块;4、计算模块。
具体实施方式
以下结合附图对本申请做进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域人员在阅读完本说明书后可以根据需要对本实施例作出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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全部其他实施例,都属于本申请保护的范围。
下面结合说明书附图对本申请实施例做进一步详细描述。
本申请提供一种基于区块链技术的多摄像头土方覆盖率的计算系统,如图1所示,一种基于区块链技术的多摄像头土方覆盖率的计算系统包括处理模块1、匹配模块2、检测模块3和计算模块4;处理模块1用于获取图像采集信息并对图像采集信息进行处理后输出图像处理信息;匹配模块2,可用于根据图像匹配算法对图像处理信息进行匹配后得到重叠区域信息;检测模块3,用于根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息;计算模块4,用于对覆盖区域信息和土方区域信息进行计算后得到土方覆盖率。
在本申请实施例中,上述模块均是服务器内一部分功能模块,服务器通过与区块链平台通信获取图像采集信息,然后对图像采集信息进行预处理,例如,图像的大小和清晰度等;服务器对图像采集信息进行预处理后输出图像处理信息;此时需要对图像处理信息进行判断,由于设置在施工现场的摄像机是实时监测施工现场的情况,所以在一些特殊时期,例如夜晚时期的图像就不需要进行处理。
根据图像匹配算法对图像处理信息进行匹配后得到重叠区域信息,然后再根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息,再根据覆盖区域信息和土方区域信息计算得到施工现场的土方覆盖率,通过对多个摄像机拍摄的图像之间的重叠区域的计算,然后再根据重叠区域计算出应覆盖区域和整体的土方区域,对二者进行计算后即可得到土方覆盖率,采用这种方式,可以提高施工现场土方覆盖率计算结果的准确性。
本申请还提供一种基于区块链技术的多摄像头土方覆盖率的智能计算方法,所述方法的主要流程描述如下。
如图2所示:
步骤S101:获取图像采集信息并对图像采集信息进行处理后输出图像处理信息。
在本申请实施例中,图像采集信息指通过摄像机采集到的图像信息;在施工现场会设置多个摄像机实时监控施工现场的情况;其中,获取图像采集信息的方式可以采用与区块链平台进行通信,从而实现获取图像采集信息;区块链数据库是分布式存储的,每一个节点都能够复制并存储一个数据库副本,如果某一个节点发生故障,并不会影响到整个数据库技术;并且在区块链上确认的信息不能再修改和删除,相较于中心化的数据库安全性更高。
在本申请实施例中,服务器在获取图像采集信息的同时还会获取一些关键信息,这里的关键信息可以理解为关于摄像机本身的一些参数信息,例如,摄像机的位置、朝向、可旋转角度等,通过这些关键信息可以对多个摄像机监控的区域叠加后产生的覆盖区域进行初步判定,方便进行下一步操作;可以理解的是,关键信息是基于摄像机本身生成的信息,在安装摄像机时,关于摄像机的关键信息已经上传至区块链平台,在使用时,只需服务器和区块链平台实现通信,即可获得关于摄像机的图像采集信息及关键信息。
在获取到图像采集信息后,需要对图像采集信息进行预处理,处理后输出图像处理信息;其中,预处理包括以下步骤:
S100:提取关键帧图像。
S200:对关键帧图像进行图像处理后得到图像处理信息。
关键帧图像可以理解为除了一些特殊时期或特殊情况下的图像,其余的图像皆为关键帧图像;这里的特殊时期指夜间时期、天气较差,例如,沙尘天气或雨水天气,在特殊时期时,摄像机的视线被遮挡,拍摄出的图像信息也是较为模糊的图像,无法作为关键帧图像进行判定;特殊情况可以理解为该帧图像损坏,无法显示有效图像等情况。
在本申请实施例中,对于提取的关键帧图像的数量要求较低,例如,每隔十分钟提取一帧关键帧图像;在提取到关键帧图像后需要对关键帧图像进行进一步的处理,图像处理的方式包括:图片大小处理、归一化处理和零中心化处理;采用以上图像处理的方式为了得到适合于进行匹配的图像;其中,图片大小处理可以理解为对关键帧图像进行大小处理,使得关键帧图像的大小符合处理的要求;归一化处理是指对关键帧图像中的图像数据进行处理后限制在需要的范围内,以便于对图像数据的处理,保证程序运行时收敛加快;零中心化处理是指对关键帧图像中进行处理后所有图像数据的中心均为(0,0),本申请实施例中采用的三种图像处理方式均为本领域的常用技术手段,这里不再赘述。
在对图像采集信息进行处理后得到图像处理信息,此时的图像依旧为关键帧图像,不过该关键帧图像为经过图像处理后的关键帧图像;上述过程中存在这样一个问题,在特殊时期或特殊情况下的图像可能无法进行下一步操作,尽管对关键帧图像经过了预处理,但是仍有可能存在一些关键帧图像无法进行匹配的情况,所以需要对图像处理信息中的关键帧图像进行判断,当判断结果为是时,则可以对关键帧图像进行下一步处理。
在本申请实施例中,采用基于深度学习的神经网络模型对图像处理信息中的关键帧图像进行判断;首先,建立神经网络模型,然后利用数据驱动的方式对神经网络模型进行训练,从而得到训练好的神经网络模型;其中,神经网络模型的输入为关键帧图像,输出为判断结果,判断结果仅为是或否;当判断结果为是时,进行下一步操作,当判断结果为否时,说明该帧图像不需要进行处理;可以理解的是,深度学习指相关技术中的图像深度学习算法,例如VGG、ResNET算法等;上述过程是本领域的常用技术手段,这里不再赘述。
步骤S102:根据图像匹配算法对图像处理信息进行匹配后得到重叠区域信息。
当判断结果为是时,对图像处理信息进行步骤S102的处理。
图像匹配算法是智能判定的图像处理技术;图像匹配算法包括多种算法,例如基于灰度和模板的图像匹配方法,该种匹配方法的原理是根据已知模板图像到另一幅图像中寻找与模板图像相似的子图像;再如基于特征的图像匹配方法,例如点特征和边缘特征等;再如基于域变换的图像匹配算法,如傅里叶-梅林变换、沃尔什变换和小波变换等。
在对图像处理信息进行匹配前需要先进行预处理,该过程在步骤S101中已经执行过,即,获取摄像机的参数信息,然后根据摄像机的参数信息对图像处理信息进行预处理;这里的参数信息指摄像机的位置、朝向、可旋转角度等,根据这些参数信息对图像进行预处理,之后再对图像进行匹配处理。
本申请实施例中采用的是基于SIFT特征的图像匹配算法,下面介绍该种匹配算法的具体步骤。
如图3所示:
S1:获取图像处理信息。
S2:建立尺度空间。
通过对输入图像进行不同高斯核卷积,得到图像的高斯尺度空间,两个相邻的尺度空间的图像相减得到高斯差分尺度空间。
S3:提取特征点。
在高斯差分尺度空间,每一个检测点同邻近的26个点进行比价,确定是否为极大值或极小值点,并确保检测点在尺度空间和图像空间都为极值点,其中,所有的局部极值点构成SIFT特征的关键点集合。
S4:提取特征描述子。
利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使得算子具有旋转不变性。
其中,通过公式计算(x,y)处梯度的模值和方向公式。
m(x,y)为关键点梯度模值,θ(x,y)为关键点梯度方向,L为关键点尺度;以关键点为中心,进行采样,并划分窗口统计可得到特征点的128维SIFT特征向量。
S5:特征点对预匹配。
利用最优节点优先搜索算法,来匹配不同摄像机关键帧图像的特征点向量,利用设定的阈值来确定匹配对。
S6:外点去除。
利用RANSAC算法剔除误匹配点对,通过多次随机抽取一点的样本进行估计,每次抽取多个数据来确定模型参数,判断匹配点对是否在误差允许范围内,并在此过程中删除误匹配点对。
通过采用上述过程进行图像匹配,计算并得到匹配特征点对区域位置和大小,即可得出多摄像头重叠区域,这里的多摄像头重叠区域即是指重叠区域信息。
采用基于SIFT特征的图像匹配算法对图像处理信息中的关键帧图像进行匹配,从而计算得到重叠区域信息,这种方式可以准确地计算出多个摄像机之间拍摄的重叠区域信息,从而根据重叠区域信息进行下一步操作,使用这种方式提高了重叠区域信息的计算准确性,进而提高了施工现场土方覆盖率计算结果的准确性。
步骤S103:根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息。
在本步骤中根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息具体的方法是将图像处理信息中的关键帧图像转换到HSV颜色空间,然后利用覆盖网和泥土的颜色属性,进行覆盖区域的检测以及土方部分的检测,从而得到覆盖区域信息和土方区域信息,下面详细介绍检测过程。
1、获取图像处理信息中的关键帧图像。
2、将关键帧图像转换到HSV颜色空间。
颜色空间也称彩色模型,又彩色空间或彩色系统,它的用途是在某些标准下用通常可接受的方式对彩色加以说明,颜色空间包括很多种,常用的由RGB模型、CMY模型、HSV模型、HSI模型等;需要注意的是,传统的图像为RGB模型,RGB模型是依据人眼识别的颜色定义出的空间,可表示大部分颜色;HSV模型是为了更好的数字化处理颜色而提出的;在图像处理中,最常用的颜色空间是RGB模型,常用于颜色显示和图像处理,三维坐标的模型形式,比较容易被理解;而HSV模型,是针对用户观感的一种颜色模型,侧重于色彩表示,什么颜色、深浅如何、明暗如何等。
这里转换的方式是通过对关键帧图像中每个像素至进行运算后完成转换,转换的过程具体为,将RGB模型读入工作区并显示图像,通过对RGB模型中的像素数据进行数据类型的强制转换,使得RGB模型中的数据类型转换成HSV模型中的数据类型,从而实现将关键帧图像转换到HSV颜色空间。
3、过滤HSV颜色空间中的关键帧图像。
在本申请实施例中,施工现场选用的覆盖设备为绿色覆盖网,并且土方的颜色一般是介于黄色与褐色之间,由此可以通过已知的绿色覆盖网和土方大概的颜色范围对关键帧图像进行过滤,通过颜色范围对图像进行滤波,进而可以得到对应区域的位置。
4、根据边缘提取算法得到所有区域的外轮廓。
轮廓提取是指提取物体边缘,例如,对于矩形图形而言,矩形框即是该图形的外轮廓。
5、计算各个区域的面积。
6、根据预设的阈值过滤掉面积较小的噪声区域。
根据第5步中计算得到的各个区域的面积,将各个区域的面积与阈值进行比较,若区域面积小于阈值则去除该区域。
本申请实施例中采用的检测方法是通过简单的颜色空间判别方式,其原理是依据不同的颜色区分覆盖区域和裸露的土方区域。
在本申请实施例中,上述获取覆盖区域和土方区域的方式均可以通过软件实现,并且对关键帧图像实现从RGB模型到HSV模型的转换也可以通过软件实现,这些均是本领域内常用技术手段,这里不再赘述。
步骤S104:通过对覆盖区域信息和土方区域信息进行计算后得到土方覆盖率。
在本申请实施例中,覆盖区域信息指绿色覆盖网所覆盖的区域面积信息,将覆盖区域信息与土方区域信息进行计算后即可得到土方覆盖率。
采用本方法进行土方覆盖率的计算,可提高施工现场土方覆盖率计算结果的准确性。
为了更好地执行上述方法的程序,本申请还提供一种智能终端,智能终端包括存储器和处理器。
其中,存储器可用于存储指令、程序、代码、代码集或指令集。存储器可以包括存储程序区和存储数据区,其中存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令以及用于实现上述基于区块链技术的多摄像头土方覆盖率的智能计算方法的指令等;存储数据区可存储上述基于区块链技术的多摄像头土方覆盖率的智能计算方法中涉及到的数据等。
处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集,调用存储在存储器内的数据,执行本申请的各种功能和处理数据。处理器可以为特定用途集成电路、数字信号处理器、数字信号处理装置、可编程逻辑装置、现场可编程门阵列、中央处理器、控制器、微控制器和微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
本申请还提供一种计算机可读存储介质,例如包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该计算机可读存储介质存储有能够被处理器加载并执行上述基于区块链技术的多摄像头土方覆盖率的智能计算方法的计算机程序。
以上描述仅为本申请得较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种基于区块链技术的多摄像头土方覆盖率的智能计算方法,其特征在于,包括:
获取图像采集信息并对图像采集信息进行处理后输出图像处理信息;
根据图像匹配算法对图像处理信息进行匹配后得到重叠区域信息,所述重叠区域信息指多个摄像机拍摄的图像之间互相重叠的区域;
根据图像处理信息和重叠区域信息得到覆盖区域信息和土方区域信息;
通过对覆盖区域信息和土方区域信息进行计算后得到土方覆盖率。
2.根据权利要求1所述的基于区块链技术的多摄像头土方覆盖率的智能计算方法,其特征在于,所述获取图像采集信息的方法包括:通过区块链平台获取图像采集信息。
3.根据权利要求1所述的基于区块链技术的多摄像头土方覆盖率的智能计算方法,其特征在于,所述对图像采集信息进行处理后输出图像处理信息的方法包括:
提取关键帧图像;
对关键帧图像进行图像处理后得到图像处理信息;
其中,图像处理包括,图片大小处理、归一化处理和零中心化处理。
4.根据权利要求3所述的基于区块链技术的多摄像头土方覆盖率的智能计算方法,其特征在于,对输出的图像处理信息需要进行判断处理,判断处理的过程包括:利用基于深度学习的神经网络方法对图像处理信息中的关键帧图像进行判断,若判断结果为是,则根据图像匹配算法对图像处理信息进行匹配处理。
5.根据权利要求1所述的基于区块链技术的多摄像头土方覆盖率的智能计算方法,其特征在于,所述根据图像匹配算法对图像处理信息进行匹配的方法包括:
获取摄像机的参数信息;
根据摄像机的参数信息对图像处理信息进行预处理。
6.根据权利要求5所述的基于区块链技术的多摄像头土方覆盖率的智能计算方法,其特征在于,所述根据图像匹配算法对图像处理信息进行匹配的方法包括: 利用基于SIFT特征的图像匹配算法对预处理后的图像处理信息进行进一步匹配处理。
7.根据权利要求1所述的基于区块链技术的多摄像头土方覆盖率的智能计算方法,其特征在于,所述根据图像检测算法对图像处理信息进行检测分析的方法包括:
将图像处理信息中的关键帧图像转换到HSV颜色空间;
在HSV颜色空间内对关键帧图像进行颜色处理和检测后得到覆盖区域信息和土方区域信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722565.0A CN113255595A (zh) | 2021-06-29 | 2021-06-29 | 基于区块链技术的多摄像头土方覆盖率的智能计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722565.0A CN113255595A (zh) | 2021-06-29 | 2021-06-29 | 基于区块链技术的多摄像头土方覆盖率的智能计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255595A true CN113255595A (zh) | 2021-08-13 |
Family
ID=77190083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110722565.0A Pending CN113255595A (zh) | 2021-06-29 | 2021-06-29 | 基于区块链技术的多摄像头土方覆盖率的智能计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255595A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331686A (zh) * | 2014-10-28 | 2015-02-04 | 中国农业大学 | 一种土壤地表秸秆覆盖率人工辅助识别系统 |
CN110889844A (zh) * | 2019-11-29 | 2020-03-17 | 哈尔滨工程大学 | 一种基于深度聚类分析的珊瑚分布及健康状况评估方法 |
CN112288634A (zh) * | 2020-10-29 | 2021-01-29 | 江苏理工学院 | 一种多无人机航拍图像的拼接方法及装置 |
-
2021
- 2021-06-29 CN CN202110722565.0A patent/CN113255595A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331686A (zh) * | 2014-10-28 | 2015-02-04 | 中国农业大学 | 一种土壤地表秸秆覆盖率人工辅助识别系统 |
CN110889844A (zh) * | 2019-11-29 | 2020-03-17 | 哈尔滨工程大学 | 一种基于深度聚类分析的珊瑚分布及健康状况评估方法 |
CN112288634A (zh) * | 2020-10-29 | 2021-01-29 | 江苏理工学院 | 一种多无人机航拍图像的拼接方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Fc4: Fully convolutional color constancy with confidence-weighted pooling | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
Chaudhuri et al. | Automatic building detection from high-resolution satellite images based on morphology and internal gray variance | |
US9870600B2 (en) | Raw sensor image and video de-hazing and atmospheric light analysis methods and systems | |
CN111325769B (zh) | 一种目标对象检测方法及装置 | |
Goel et al. | Specific color detection in images using RGB modelling in MATLAB | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
CN110502977B (zh) | 一种建筑物变化分类检测方法、系统、装置及存储介质 | |
CN111160169A (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及系统 | |
CN111523416A (zh) | 一种基于高速公路etc门架的车辆预警方法和装置 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN112101260A (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
LU501796B1 (en) | Intelligent calculation method of multi-camera earthwork coverage based on blockchain technology | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
Hao et al. | Active cues collection and integration for building extraction with high-resolution color remote sensing imagery | |
CN115984712A (zh) | 基于多尺度特征的遥感图像小目标检测方法及系统 | |
CN115546736A (zh) | 基于图像采集的河道采砂监控处理方法及系统 |
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 |