CN113494906A - 利用机器学习识别目标的影像全站仪无人测量方法及系统 - Google Patents
利用机器学习识别目标的影像全站仪无人测量方法及系统 Download PDFInfo
- Publication number
- CN113494906A CN113494906A CN202110810075.6A CN202110810075A CN113494906A CN 113494906 A CN113494906 A CN 113494906A CN 202110810075 A CN202110810075 A CN 202110810075A CN 113494906 A CN113494906 A CN 113494906A
- Authority
- CN
- China
- Prior art keywords
- target
- total station
- image
- cooperative
- machine learning
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种利用机器学习识别目标的影像全站仪无人测量方法及系统,包括利用影像全站仪,基于工程控制网与测量目标区域通视情况架设全站仪,完成对测站的定位和定向,使测量数据与工程控制网基准统一;在待测目标点上安置带有特征背景板的合作目标,利用影像全站仪广角镜头拍摄目标区域影像,自动识别提取视场内所有合作目标,得到合作目标中心点像素坐标和属性信息;利用自动识别所得待测合作目标的影像坐标,以及像空间坐标系与视准轴的关系,计算全站仪当前视准轴中心位置与各合作目标之间的偏转角;影像全站仪根据偏转角依次自动照准待测合作目标,进行精确的角度和距离测量。本发明提高了测量工作的效率与自动化程度。
Description
技术领域
本发明属于高精度自动化工程测量领域,具体涉及一种利用机器学习识别目标的影像全站仪无人测量方法及系统。
背景技术
影像全站仪不同于一般的全站仪,在继承了传统全站仪点测量精度高、适用范围广的优点上,其具有基于ATR技术的基本目标搜索与目标照准功能、基于广角镜头所摄目标影像的“Touch Drive”(触屏/即点即测)技术等,实现了在人工辅助下快速测量目标的功能,提高了测量工作的效率。
现有工作模式下,影像全站仪在进行测量工作时,仍需要点击触屏上目标或手动对准等人工辅助的方式照准大量安置在被测物体上的合作目标;部分支持全方位搜索目标的全站仪,其搜索目标的模式固定且单一,搜索时间较长,在待测点位分布情况复杂、点位测量顺序不固定时难以满足施工要求。
虽然相比传统全站仪,仅需人工辅助照准目标的影像全站仪已经大大降低工作强度,但其硬件仍然有进行深度开发的前景,本领域亟待进一步研究以省略人工辅助照准这一过程。
考虑到计算机视觉(Computer Vision)领域的技术发展已经能提取影像中特定目标的位置信息、特征信息,不必依赖人工判读即可按工程需求自动制定照准顺序,依次自动照准目标,本发明提出,对影像全站仪在现有技术的支持下实现更深层次的自动化,从而实现仪器安置好之后的无人化测量过程,提高测量的效率,降低测量工作的工作负荷。
发明内容
为解决上述问题,本发明公开了一种利用机器学习识别目标的影像全站仪无人测量方法,改变了以往需人工选定照准目标,人工设置点位名称,人工导出测量结果的工作模式,能自动化且高效的实现多个目标的自动照准、自动测量、自动命名,并实时传递结果,实现深层次的自动化测量过程与结果的实时输出。
为了实现上述目的,本发明提出一种利用机器学习识别目标的影像全站仪无人测量方法,包括以下步骤:
(1)利用影像全站仪,基于工程控制网与测量目标区域通视情况架设全站仪,完成对测站的定位和定向,使测量数据与工程控制网基准统一;
(2)在待测目标点上安置带有特征背景板的合作目标,利用影像全站仪广角镜头拍摄目标区域影像,自动识别提取视场内所有合作目标,得到合作目标中心点像素坐标和属性信息;所述合作目标包括反射装置,反射装置起到使测量激光沿原方向返回的作用;
(3)利用自动识别所得待测合作目标的影像坐标,以及像空间坐标系与视准轴的关系,计算全站仪当前视准轴中心位置与各合作目标之间的偏转角;
(4)影像全站仪根据偏转角依次自动照准待测合作目标,进行精确的角度和距离测量。
而且,所述测站的定位和定向采用自由设站方式完成。
而且,反射装置的测量中心与特征背景板中心重合或存在固定且已知的相对位置关系,所述特征背景板的作用为赋予不同属性的合作目标特定的形状和/或纹理特征,所述合作目标的属性包括安置点位的名称和反射性能。
而且,自动识别提取视场内所有合作目标的实现方式为,基于图像金字塔和掩膜覆盖处理,通过灰度模板匹配或SVM分类器进行目标检测。
而且,所述自动识别提取视场内所有合作目标的实现方式为,通过机器学习实现多尺度多目标识别检测,包括采用卷积神经网络算法进行训练和检测,所述卷积神经网络算法采用R-CNN或YOLO。
而且,利用合作目标的中心点像素坐标、广角相机参数、像空间坐标与全站仪照准部之间的关系,计算照准目标所需的偏转角,指导全站仪依次照准多个目标时,计算方式如下,
设A点为合作目标中心点,B点为望远镜当前照准点,
其中,式(1)为水平偏转角αM计算公式,式(2)为垂直方向偏转角βM计算公式;
αA、αB为A点、B点在当前测站的水平角,βA、βB为A点、B点在当前测站的垂直角;为摄影中心与影像全站仪旋转中心的位置偏移量;(xA,yA,-f)、(xB,yB,-f)分别对应A、B两点在像空间坐标系下的坐标,其中f为焦距,向量形式用a、b表示;
而且,基于网络通讯协议,建立影像全站仪与其他设备的实时或短延时信息交互通讯,实现测量成果的自动存储与实时转化利用,所述其他设备包括可视化设备、数据库服务器、工程设备。
本发明提供一种利用机器学习识别目标的影像全站仪无人测量系统,用于实现如上述的一种利用机器学习识别目标的影像全站仪无人测量方法。
而且,包括以下模块,
第一模块,用于利用影像全站仪,基于工程控制网与测量目标区域通视情况架设全站仪,完成对测站的定位和定向,使测量数据与工程控制网基准统一;
第二模块,用于在待测目标点上安置带有特征背景板的合作目标,利用影像全站仪广角镜头拍摄目标区域影像,自动识别提取视场内所有合作目标,得到合作目标中心点像素坐标和属性信息;所述合作目标包括反射装置,反射装置起到使测量激光沿原方向返回的作用;
第三模块,用于利用自动识别所得待测合作目标的影像坐标,以及像空间坐标系与视准轴的关系,计算全站仪当前视准轴中心位置与各合作目标之间的偏转角;
第四模块,用于影像全站仪根据偏转角依次自动照准待测合作目标,进行精确的角度和距离测量。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种利用机器学习识别目标的影像全站仪无人测量方法。
本发明所述的一种利用机器学习识别目标的影像全站仪无人测量方法,基于现有的影像全站仪硬件设备,通过解析影像全站仪拍摄的被测物体影像,获取被测物体上合作目标的空间位置和属性信息,指导全站仪自动照准、自动测量、自动标记命名所测坐标结果,并实现实时/短暂延时的结果传输共享。该方法利用机器学习相关技术,实现了多尺度下多个目标的识别,替代了传统人工辅助照准工作,实现了测量过程的自动化与测量结果共享的实时化,提高了测量工作的效率与自动化程度。
本发明方案实施简单方便,实用性强,解决了相关技术存在的需人工照准或自动搜索效率低的问题,能够用于自动化施工中的测量放样工作,具有重要的市场价值。
附图说明
图1为本发明实施例的原理框图。
图2为本发明实施例的待测合作目标示例图。
图3为本发明实施例的形状特征、纹理特征示例图。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
本发明利用影像全站仪自带的广角相机,对测量区域拍摄照片,通过影像信息指导全站仪自动识别待测合作目标,实现快速、全自动化、高精度测量目的。本方法采用了基于机器学习的目标识别方法,识别出影像中所有的待测合作目标;利用基于广角相机建立的像空间坐标与全站仪照准轴的空间关系,指导全站仪自动照准;利用合作目标的影像信息,在测量阶段对点位自动归类命名,省去了人工记录、人工判别输入点号等工作。在测量过程中、测量结束后等阶段,本方法均能实时获取测量结果,通过网络协议通讯,将结果实时传递给其他设备。基于本方法,影像全站仪可以在仪器架设完毕后,不需要人工干预的完成“照准——测量——标注数据——整理存储——上传/发送信息”工作,从而提高测量工作速度,降低测量工作负荷,提升测量工作效率。
如图1所示,本发明实施例所述的一种利用机器学习识别目标的影像全站仪无人测量方法,将影像全站仪与计算机视觉技术相结合,使用机器学习算法快速自动的解析影像全站仪广角相机所摄影像,指导全站仪自动快速地对合作目标照准测量,并在测量阶段结合目标影像特征提取目标属性,自动标注点名,并通过网络通讯协议实现实时的多平台、多设备的结果传输、信息交互。具体实现过程包括以下步骤:
(1)利用影像全站仪,基于工程控制网与测量目标区域通视情况,选择合适位置架设全站仪,完成对测站的定位和定向。
具体实施时,所述测站的定位和定向可采用自由设站等方法完成。
实施例中,首先结合施工现场的实际情况,建立工程测量坐标系,布设工程测量控制网。在考虑观测通视情况时,合理确定被测物体上合作目标的安置位置,并精确安置合作目标。然后,通过观测已知控制点,使用自由设站的方式,完成影像全站仪的定位和定向。
(2)在待测目标点上安置带有特征背景板的合作目标,利用影像全站仪广角镜头拍摄目标区域影像,自动识别合作目标的影像坐标。
所述合作目标包括反射装置,例如图2所示,可以将反射装置设置在特征背景板前方;反射装置起到使测量激光沿原方向返回的作用,可采用反射片或棱镜;特征背景板表面为特殊设计的、与背景区别明显的图案,以保证目标检测算法可稳定检测出影像中所有待测目标,获取其空间位置与属性信息。具体实施时,特征背景板可采用硬纸板或塑料板等薄板,不能安置背景板的情况下,也可直接在被测物体表面绘制特征图案进行替代。反射装置的测量中心需与特征背景板中心重合或存在固定且已知的相对位置关系,从而支持基于目标检测算法提取的目标位置定位测量中心位置。所述合作目标的反射中心需精确安置在预设的安置位置处,其相对于被测物主要轴线的真实空间位置关系需已知。具体实施时,安置位置优选为测量中需要特别关注的特征点位,例如墩柱顶部中心、中轴线与盖梁下底面的交点、限位控制器安置点等。
所述特征背景板的作用为赋予不同属性(安置点位的名称、反射性能)的合作目标特定的形状和/或纹理特征,图3所示举例,具体实施时可以选择设置不同的形状,和/或不同的纹理,以便目标检测算法可稳定检测。反射性能指待测合作目标的反射中心所安置的反射装置种类,如反射装置为棱镜、反射片等,安置点位名称用于表示贴片安置位置与被测物主要轴线的相对关系,如“顶部中心点”、“1号面第1层左1点”等。不同的形状与纹理特征在目标检测算法中的分类识别结果不同,与待测合作目标的属性一一对应。
实施例中,使用影像全站仪广角相机,拍摄被测物体的全景影像;对所设图像进行图像增强处理后,可以基于图像金字塔、掩膜覆盖处理,通过灰度模板匹配或SVM分类器进行目标检测,也可以采用R-CNN和YOLO等机器学习相关算法实现多尺度、多目标识别,提取视场内所有合作目标的中心点像素坐标和属性信息。
通过获取合作目标的中心点像素坐标和属性信息,并结合像素坐标和属性信息,可以实现每次观测坐标的自动命名。
例如,可使用影像全站仪预先自动测量待测目标到测站的距离,获取目标在全景影像中的概略像素尺寸,基于图像金字塔合理设置不同尺寸的模板图片;随后,基于灰度模板匹配算法,计算生成目标模板图的相似度图,获取最高相似度位置,并结合当前目标模板图尺度确定待测目标位置;检测出待测目标并输出结果后,使用色块掩膜覆盖令该区域相似度降低,并通过“检测—掩膜处理”的迭代不断寻找下一个相似度最大值位置,直至找到所有待测目标,算法结束。又如,可使用以R-CNN、YOLO为代表的卷积神经网络算法(CNN,Convolutional Neural Networks),制作待测目标的训练集,训练CNN,使其检测出所有待测目标。
(3)利用识别结果、像空间坐标系与照准轴的关系等信息,计算全站仪当前视准轴中心位置与各目标之间的偏转角;
(4)影像全站仪根据偏转角依次快速、自动照准待测合作目标,进行精确的角度和距离测量;
实施例中,利用广角相机的镜头参数、相机的内外方位元素、像空间坐标系与照准轴的空间相对关系,计算全站仪照准部从当前视角起依次照准每个目标所需的偏转角,指导全站仪自动依次自动照准所有目标。具体计算公式为式(1)与式(2),其中式(1)为水平偏转角αM计算公式,式(2)为垂直方向偏转角βM计算公式。式中,αA、αB、βA、βB为A点(合作目标中心点)、B点(望远镜当前照准点)在当前测站的水平角α与垂直角β;为摄影中心与影像全站仪旋转中心的位置偏移量;(xA,yA,-f)、(xB,yB,-f)分别对应A、B两点在像空间坐标系下的坐标(像平面坐标x,y,焦距f),其向量形式用a、b表示;为相机与全站仪照准部标定的外方位角元素,λ为尺度因子,取决于待测点与全站仪之间的距离,λA、λB分别对应A、B两点。影像全站仪中,与一般由厂家提供,且相对固定。分别表示旋转矩阵的第1行、第2行、第3行。
实际使用时,可根据精度需求对公式进行近似化简处理。
具体实施时,进一步地,可以利用从合作目标特征背景板上的影像特征信息中识别提取到的目标属性信息,生成所测点位的点名,在照准测量、获取点位三维坐标后,直接对观测结果命名。
具体实施时,进一步地,可以利用网络通讯协议,建立影像全站仪与其他设备的实时/短延时信息交互通讯,实现测量成果的自动存储与实时转化利用,所述其他设备包括可视化设备、数据库服务器、工程设备(支持适用于大型工程设备)。优选建议在不同测量阶段将测量结果实时传递给其他设备;例如:在目标识别阶段,将已识别影像发送给施工控制设备供环节控制人员查看,并支持通过交互判断是否进行测量;在测量完毕后,将测量结果发送给PC/Android端的可视化程序,将测量结果实时呈现在数据可视化交互界面上,从而更直观的反应实际测量情况。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种利用机器学习识别目标的影像全站仪无人测量系统,包括以下模块,
第一模块,用于利用影像全站仪,基于工程控制网与测量目标区域通视情况架设全站仪,完成对测站的定位和定向,使测量数据与工程控制网基准统一;
第二模块,用于在待测目标点上安置带有特征背景板的合作目标,利用影像全站仪广角镜头拍摄目标区域影像,自动识别提取视场内所有合作目标,得到合作目标中心点像素坐标和属性信息;所述合作目标包括反射装置,反射装置起到使测量激光沿原方向返回的作用;
第三模块,用于利用自动识别所得待测合作目标的影像坐标,以及像空间坐标系与视准轴的关系,计算全站仪当前视准轴中心位置与各合作目标之间的偏转角;
第四模块,用于影像全站仪根据偏转角依次自动照准待测合作目标,进行精确的角度和距离测量。
在一些可能的实施例中,提供一种利用机器学习识别目标的影像全站仪无人测量系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种利用机器学习识别目标的影像全站仪无人测量方法。
在一些可能的实施例中,提供一种利用机器学习识别目标的影像全站仪无人测量系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种利用机器学习识别目标的影像全站仪无人测量方法。
本文中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种利用机器学习识别目标的影像全站仪无人测量方法,其特征在于,包括以下步骤:
(1)利用影像全站仪,基于工程控制网与测量目标区域通视情况架设全站仪,完成对测站的定位和定向,使测量数据与工程控制网基准统一;
(2)在待测目标点上安置带有特征背景板的合作目标,利用影像全站仪广角镜头拍摄目标区域影像,自动识别提取视场内所有合作目标,得到合作目标中心点像素坐标和属性信息;所述合作目标包括反射装置,反射装置起到使测量激光沿原方向返回的作用;
(3)利用自动识别所得待测合作目标的影像坐标,以及像空间坐标系与视准轴的关系,计算全站仪当前视准轴中心位置与各合作目标之间的偏转角;
(4)影像全站仪根据偏转角依次自动照准待测合作目标,进行精确的角度和距离测量。
2.根据权利要求1所述的一种利用机器学习识别目标的影像全站仪无人测量方法,其特征在于:所述测站的定位和定向采用自由设站方式完成。
3.根据权利要求1所述的一种利用机器学习识别目标的影像全站仪无人测量方法,其特征在于:反射装置的测量中心与特征背景板中心重合或存在固定且已知的相对位置关系,所述特征背景板的作用为赋予不同属性的合作目标特定的形状和/或纹理特征,所述合作目标的属性包括安置点位的名称和反射性能。
4.根据权利要求1所述的一种利用机器学习识别目标的影像全站仪无人测量方法,其特征在于:自动识别提取视场内所有合作目标的实现方式为,基于图像金字塔和掩膜覆盖处理,通过灰度模板匹配或SVM分类器进行目标检测。
5.根据权利要求4所述的一种利用机器学习识别目标的影像全站仪无人测量方法,其特征在于:所述自动识别提取视场内所有合作目标的实现方式为,通过机器学习实现多尺度多目标识别检测,包括采用卷积神经网络算法进行训练和检测,所述卷积神经网络算法采用R-CNN或YOLO。
6.根据权利要求1所述的一种利用机器学习识别目标的影像全站仪无人测量方法,其特征在于:利用合作目标的中心点像素坐标、广角相机参数、像空间坐标与全站仪照准部之间的关系,计算照准目标所需的偏转角,指导全站仪依次照准多个目标时,计算方式如下,
设A点为合作目标中心点,B点为望远镜当前照准点,
其中,式(1)为水平偏转角αM计算公式,式(2)为垂直方向偏转角βM计算公式;
αA、αB为A点、B点在当前测站的水平角,βA、βB为A点、B点在当前测站的垂直角;为摄影中心与影像全站仪旋转中心的位置偏移量;(xA,yA,-f)、(xB,yB,-f)分别对应A、B两点在像空间坐标系下的坐标,其中f为焦距,向量形式用a、b表示;
7.根据权利要求1或2或3或4或5或6所述的一种利用机器学习识别目标的影像全站仪无人测量方法,其特征在于:基于网络通讯协议,建立影像全站仪与其他设备的实时或短延时信息交互通讯,实现测量成果的自动存储与实时转化利用,所述其他设备包括可视化设备、数据库服务器、工程设备。
8.一种利用机器学习识别目标的影像全站仪无人测量系统,其特征在于:用于实现如权利要求1-7任一项所述的一种利用机器学习识别目标的影像全站仪无人测量方法。
9.根据权利要求8所述利用机器学习识别目标的影像全站仪无人测量系统,其特征在于:包括以下模块,
第一模块,用于利用影像全站仪,基于工程控制网与测量目标区域通视情况架设全站仪,完成对测站的定位和定向,使测量数据与工程控制网基准统一;
第二模块,用于在待测目标点上安置带有特征背景板的合作目标,利用影像全站仪广角镜头拍摄目标区域影像,自动识别提取视场内所有合作目标,得到合作目标中心点像素坐标和属性信息;所述合作目标包括反射装置,反射装置起到使测量激光沿原方向返回的作用;
第三模块,用于利用自动识别所得待测合作目标的影像坐标,以及像空间坐标系与视准轴的关系,计算全站仪当前视准轴中心位置与各合作目标之间的偏转角;
第四模块,用于影像全站仪根据偏转角依次自动照准待测合作目标,进行精确的角度和距离测量。
10.根据权利要求6所述利用机器学习识别目标的影像全站仪无人测量系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-7任一项所述的一种利用机器学习识别目标的影像全站仪无人测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810075.6A CN113494906B (zh) | 2021-07-18 | 2021-07-18 | 利用机器学习识别目标的影像全站仪无人测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810075.6A CN113494906B (zh) | 2021-07-18 | 2021-07-18 | 利用机器学习识别目标的影像全站仪无人测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113494906A true CN113494906A (zh) | 2021-10-12 |
CN113494906B CN113494906B (zh) | 2023-03-10 |
Family
ID=77996180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110810075.6A Active CN113494906B (zh) | 2021-07-18 | 2021-07-18 | 利用机器学习识别目标的影像全站仪无人测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113494906B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026235A (zh) * | 2022-12-14 | 2023-04-28 | 广东省水利水电第三工程局有限公司 | 一种自动放样方法、装置、存储介质以及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140267772A1 (en) * | 2013-03-15 | 2014-09-18 | Novatel Inc. | Robotic total station with image-based target re-acquisition |
CN107421515A (zh) * | 2017-06-28 | 2017-12-01 | 中国科学院光电研究院 | 一种多功能几何量精密智能测量装置及方法 |
CN113112415A (zh) * | 2021-03-10 | 2021-07-13 | 中铁第四勘察设计院集团有限公司 | 一种全站仪影像测量的靶标自动识别方法和装置 |
-
2021
- 2021-07-18 CN CN202110810075.6A patent/CN113494906B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140267772A1 (en) * | 2013-03-15 | 2014-09-18 | Novatel Inc. | Robotic total station with image-based target re-acquisition |
CN107421515A (zh) * | 2017-06-28 | 2017-12-01 | 中国科学院光电研究院 | 一种多功能几何量精密智能测量装置及方法 |
CN113112415A (zh) * | 2021-03-10 | 2021-07-13 | 中铁第四勘察设计院集团有限公司 | 一种全站仪影像测量的靶标自动识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
索文凯等: "空地协同视觉实现无人机自主降落研究", 《红外技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026235A (zh) * | 2022-12-14 | 2023-04-28 | 广东省水利水电第三工程局有限公司 | 一种自动放样方法、装置、存储介质以及系统 |
CN116026235B (zh) * | 2022-12-14 | 2023-09-01 | 广东省水利水电第三工程局有限公司 | 一种自动放样方法、装置、存储介质以及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113494906B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021208442A1 (zh) | 一种三维场景的重建系统、方法、设备及存储介质 | |
CN103196370B (zh) | 一种导管接头空间位姿参数的测量方法和装置 | |
CN112509057B (zh) | 相机外参标定方法、装置、电子设备以及计算机可读介质 | |
CN109544628B (zh) | 一种指针式仪表的准确读数识别系统及方法 | |
CN109341668B (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 | |
CN111028358B (zh) | 室内环境的增强现实显示方法、装置及终端设备 | |
Mi et al. | A vision-based displacement measurement system for foundation pit | |
CN109297413A (zh) | 一种大型筒体结构视觉测量方法 | |
CN114838668B (zh) | 一种隧道位移监测方法及系统 | |
CN113256740A (zh) | 一种雷达与相机的标定方法、电子设备及存储介质 | |
CN111307046B (zh) | 基于半球图像的树高测量方法 | |
CN113134683A (zh) | 基于机器学习的激光标刻方法及装置 | |
CN109100112B (zh) | 一种基于计算机视觉的气弹模型风洞试验平面风振响应测试方法 | |
CN117036300A (zh) | 基于点云-rgb异源图像多级配准映射的路面裂缝识别方法 | |
CN113494906B (zh) | 利用机器学习识别目标的影像全站仪无人测量方法及系统 | |
CN106157322A (zh) | 一种基于平面镜的像机安装位置标定方法 | |
CN114137564A (zh) | 一种室内物体自动标识定位方法和装置 | |
CN114140539A (zh) | 一种室内物体的位置获取方法和装置 | |
CN104166995B (zh) | 一种基于马步测度的Harris‑SIFT双目视觉定位方法 | |
CN111311659A (zh) | 一种基于斜交平面镜三维成像的校准方法 | |
CN109636856A (zh) | 基于hog特征融合算子的物体六维度位姿信息联合测量方法 | |
JP4236202B2 (ja) | モデリング装置およびカメラパラメータの計算方法 | |
CN109815966A (zh) | 一种基于改进sift算法的移动机器人视觉里程计实现方法 | |
CN115100257A (zh) | 套管对准方法、装置、计算机设备、存储介质 | |
Bai et al. | Application of unmanned aerial vehicle multi-vision image 3D modeling in geological disasters |
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 |