CN113610149A - 氢气压缩机的位姿实时显示方法及系统 - Google Patents

氢气压缩机的位姿实时显示方法及系统 Download PDF

Info

Publication number
CN113610149A
CN113610149A CN202110894411.XA CN202110894411A CN113610149A CN 113610149 A CN113610149 A CN 113610149A CN 202110894411 A CN202110894411 A CN 202110894411A CN 113610149 A CN113610149 A CN 113610149A
Authority
CN
China
Prior art keywords
hydrogen compressor
pose
real
image
time
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
Application number
CN202110894411.XA
Other languages
English (en)
Other versions
CN113610149B (zh
Inventor
方沛军
宣锋
夏冬平
姜方
伍远安
曹俊
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.)
Shanghai Hyfun Energy Technology Co Ltd
Original Assignee
Shanghai Hyfun Energy Technology 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 Shanghai Hyfun Energy Technology Co Ltd filed Critical Shanghai Hyfun Energy Technology Co Ltd
Priority to CN202110894411.XA priority Critical patent/CN113610149B/zh
Publication of CN113610149A publication Critical patent/CN113610149A/zh
Application granted granted Critical
Publication of CN113610149B publication Critical patent/CN113610149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及位姿测量技术领域，提供一种氢气压缩机的位姿实时显示方法及系统，包括：S1：获取氢气压缩机实时图像和氢气压缩机实时位置信息；S2：获得预处理后的氢气压缩机实时图像；S3：获得氢气压缩机空间点坐标；S4：获得所述氢气压缩机在所述氢气压缩机空间点坐标中对应的氢气压缩机图像点坐标；S5：构建投影方程；S6：通过所述投影方程获得位姿求解方程获得氢气压缩机位姿信息；S7：通过所述氢气压缩机位姿信息对所述氢气压缩机进行三维重建，获得氢气压缩机位姿显示模型。本发明通过多个传感器数据采集氢气压缩机的状态信息，并对多个传感器得到的数据进行融合处理得到氢气压缩机姿态信息，大大提高对氢气压缩机位姿的测量精度。

Description

氢气压缩机的位姿实时显示方法及系统
技术领域
本发明涉及位姿测量技术领域，尤其涉及一种氢气压缩机的位姿实时显示方法及系统。
背景技术
氢气压缩机作为加氢站最主要及最重要的设备，其运行的好坏直接关系到整个加氢站能否正常运行，而氢气压缩机初始安装时的精度直接决定了后续运行状态的好坏。而现在大部分安装主要靠人工的经验及借助于水平尺的测量来判断氢气压缩机的位姿，因而，在对氢气压缩机进行安装时，会导致安装完成的氢气压缩机的位姿有偏差，因此会使加氢站在运行时状态并不稳定。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于，解决现有技术中氢气压缩机的安装精度低的技术问题。
为实现上述目的，本发明提供一种氢气压缩机的位姿实时显示方法，包括步骤：
S1：获取氢气压缩机的氢气压缩机状态信息，所述氢气压缩机状态信息包括：氢气压缩机实时图像和氢气压缩机实时位置信息；
S2：对所述氢气压缩机实时图像进行预处理，获得预处理后的氢气压缩机实时图像；
S3：通过所述氢气压缩机实时位置信息获得氢气压缩机空间点坐标；
S4：根据所述预处理后的氢气压缩机实时图像，获得所述氢气压缩机在所述氢气压缩机空间点坐标中对应的氢气压缩机图像点坐标；
S5：根据所述氢气压缩机图像点坐标和所述氢气压缩机空间点坐标构建投影方程；
S6：通过所述投影方程获得位姿求解方程，对所述位姿求解方程进行迭代求解，获得氢气压缩机位姿信息；
S7：通过所述氢气压缩机位姿信息对所述氢气压缩机进行三维重建，获得氢气压缩机位姿显示模型。
优选地，步骤S2具体为：
S21：通过滤波模型对所述氢气压缩机实时图像进行滤波处理，获得滤波后的氢气压缩机实时图像；
S22：将所述滤波后的氢气压缩机实时图像中各像素点对应的像素值与权系数相乘，获得滤波图像的相乘像素点；将所述氢气压缩机实时图像中各像素点对应的像素值与权系数相乘，获得原图像的相乘像素点；
S23：将所述滤波图像的相乘像素点的像素值与所述原图像的相乘像素点的像素值相加，获得融合后的像素点；
S24：根据所述融合后的像素点获得所述预处理后的氢气压缩机实时图像。
优选地，步骤S21中，所述滤波模型的表达式为：
Figure BDA0003197252290000021
其中，g(x,y)表示滤波后的氢气压缩机实时图像；f(x,y)表示氢气压缩机实时图像；α表示调节因子；x表示图像的横坐标；y表示图像的纵坐标；
Figure BDA0003197252290000022
表示图像累加计算，
Figure BDA0003197252290000023
优选地，步骤S5中，所述投影方程的公式为：
Figure BDA0003197252290000024
其中，R表示旋转矩阵；t表示平移矩阵；
Figure BDA0003197252290000025
表示氢气压缩机空间点坐标；Vi表示投影矩阵；i表示空间点的编号；
Figure BDA0003197252290000026
pi表示氢气压缩机图像点坐标，pi T表示pi的转置矩阵。
优选地，步骤S6具体为：
S61：构建所述位姿求解方程，设置所述旋转矩阵的初值，设置预设阈值；
S62：通过所述位姿求解方程获得所述旋转矩阵的初值的下一次估计值；
S63：通过所述旋转矩阵的初值的下一次估计值获得所述平移矩阵的估计值；
S64：通过所述旋转矩阵的初值的下一次估计值和所述平移矩阵的估计值，计算获得误差值；
S65：判断所述误差值与所述预设阈值的大小；若所述误差值大于所述预设阈值，则将所述旋转矩阵的初值的下一次估计值作为所述旋转矩阵的新初值，返回步骤S61；否则，将所述旋转矩阵的初值的下一次估计值和所述平移矩阵的估计值作为所述位姿求解方程的最优解；
S66：通过所述位姿求解方程的最优解，获得所述氢气压缩机位姿信息。
优选地，步骤S61中，所述位姿求解方程的公式为：
Figure BDA0003197252290000031
其中，
Figure BDA0003197252290000032
表示投影点坐标的均值，n表示空间点的总数，
Figure BDA0003197252290000033
Figure BDA0003197252290000034
I3表示3阶单位矩阵。
优选地，步骤S62中，通过所述位姿求解方程获得所述旋转矩阵的初值的下一次估计值，采用的计算公式具体为：
Figure BDA0003197252290000035
其中，
Figure BDA0003197252290000036
Rk+1表示旋转矩阵的第k+1次估计值，k表示估计值计算的次数。
一种氢气压缩机的位姿实时显示系统，用于上述的氢气压缩机的位姿实时显示方法的实现，包括：多传感器信息采集系统、数据处理中心和位姿显示系统；
所述数据处理中心与所述多传感器信息采集系统和所述位姿显示系统电性连接；
所述多传感器信息采集系统，用于采集氢气压缩机状态信息；
所述数据处理中心，用于对所述氢气压缩机状态信息进行计算，获得氢气压缩机位姿信息；
所述位姿显示系统，用于通过所述氢气压缩机位姿信息对氢气压缩机进行三维重建，获得氢气压缩机位姿显示模型。
优选地，所述多传感器信息采集系统包括：相机和位置传感器；
所述相机和所述位置传感器均与所述数据处理中心电性连接；
所述相机用于采集氢气压缩机实时图像；
所述位置传感器用于采集氢气压缩机实时位置信息。
本发明具有以下有益效果：
通过多个传感器数据采集氢气压缩机的状态信息，并对多个传感器得到的数据进行融合处理得到氢气压缩机姿态信息，可以大大提高对氢气压缩机位姿的测量精度。
附图说明
图1为本发明实施例方法流程图；
图2为本发明实施例系统结构图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明提供一种氢气压缩机的位姿实时显示方法，包括步骤：
S1：获取氢气压缩机的氢气压缩机状态信息，所述氢气压缩机状态信息包括：氢气压缩机实时图像和氢气压缩机实时位置信息；
S2：对所述氢气压缩机实时图像进行预处理，获得预处理后的氢气压缩机实时图像；
S3：通过所述氢气压缩机实时位置信息获得氢气压缩机空间点坐标；
S4：根据所述预处理后的氢气压缩机实时图像，获得所述氢气压缩机在所述氢气压缩机空间点坐标中对应的氢气压缩机图像点坐标；
S5：根据所述氢气压缩机图像点坐标和所述氢气压缩机空间点坐标构建投影方程；
S6：通过所述投影方程获得位姿求解方程，对所述位姿求解方程进行迭代求解，获得氢气压缩机位姿信息；
S7：通过所述氢气压缩机位姿信息对所述氢气压缩机进行三维重建，获得氢气压缩机位姿显示模型。
本实施例中，步骤S2具体为：
S21：通过滤波模型对所述氢气压缩机实时图像进行滤波处理，获得滤波后的氢气压缩机实时图像；
S22：将所述滤波后的氢气压缩机实时图像中各像素点对应的像素值与权系数相乘，获得滤波图像的相乘像素点；将所述氢气压缩机实时图像中各像素点对应的像素值与权系数相乘，获得原图像的相乘像素点；
S23：将所述滤波图像的相乘像素点的像素值与所述原图像的相乘像素点的像素值相加，获得融合后的像素点；
S24：根据所述融合后的像素点获得所述预处理后的氢气压缩机实时图像；
具体实现中，通过步骤S2可以将氢气压缩机实时图像的图像特征进行局部强化，方便后续对图像特征点的提取和处理。
本实施例中，步骤S21中，所述滤波模型的表达式为：
Figure BDA0003197252290000051
其中，g(x,y)表示滤波后的氢气压缩机实时图像；f(x,y)表示氢气压缩机实时图像；α表示调节因子；x表示图像的横坐标；y表示图像的纵坐标；
Figure BDA0003197252290000052
表示图像累加计算，
Figure BDA0003197252290000053
本发明利用滤波模型对图像进行图像增强，可以将原来不清晰的图像变得清晰，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果。
本实施例步骤S5中，视线是指经过光心和氢气压缩机图像点坐标的射线，在投影矩阵作用下,氢气压缩机空间点
Figure BDA0003197252290000054
经在像平面的投影点为pi，氢气压缩机空间点
Figure BDA0003197252290000055
应与其在对应像平面的投影点pi重合，其代数形式即为本发明建立的投影方程，所述投影方程的公式为：
Figure BDA0003197252290000056
其中，R表示旋转矩阵；t表示平移矩阵；
Figure BDA0003197252290000057
表示氢气压缩机空间点坐标；Vi表示投影矩阵；i表示空间点的编号；
Figure BDA0003197252290000058
pi表示氢气压缩机图像点坐标，pi T表示pi的转置矩阵。
本实施例中，步骤S6具体为：
S61：构建所述位姿求解方程，设置所述旋转矩阵的初值，设置预设阈值；在K＝0时，R0表示第一次的旋转矩阵的初值；
S62：通过所述位姿求解方程获得所述旋转矩阵的初值的下一次估计值；
S63：通过所述旋转矩阵的初值的下一次估计值获得所述平移矩阵的估计值；
S64：通过所述旋转矩阵的初值的下一次估计值和所述平移矩阵的估计值，计算获得误差值；
S65：判断所述误差值与所述预设阈值的大小；若所述误差值大于所述预设阈值，则将所述旋转矩阵的初值的下一次估计值作为所述旋转矩阵的新初值，返回步骤S61；否则，将所述旋转矩阵的初值的下一次估计值和所述平移矩阵的估计值作为所述位姿求解方程的最优解；
S66：通过所述位姿求解方程的最优解，获得所述氢气压缩机位姿信息。
本实施例中，步骤S61中，所述位姿求解方程的公式为：
Figure BDA0003197252290000061
其中，
Figure BDA0003197252290000062
表示投影点坐标的均值，n表示空间点的总数，
Figure BDA0003197252290000063
Figure BDA0003197252290000064
I3表示3阶单位矩阵。
本实施例中，步骤S62中，通过所述位姿求解方程获得所述旋转矩阵的初值的下一次估计值，采用的计算公式具体为：
Figure BDA0003197252290000065
其中，
Figure BDA0003197252290000066
Rk+1表示旋转矩阵的第k+1次估计值，k表示估计值计算的次数。
步骤S63中，先要对旋转矩阵的初值的下一次估计值利用奇异值分解法求解，保证旋转矩阵的正交性，定义：
Figure BDA0003197252290000067
其中，
Figure BDA0003197252290000068
令UTMV＝D表示M的一个SVD分解，则旋转矩阵预设初值的下一次估计值公式Rk+1的解Rk+1＝VUT；进而得到平移矩阵的估计值tk+1＝t(Rk+1)。
步骤S64中，计算误差值采用的计算公式为：
Figure BDA0003197252290000071
参考图2，本发明提供一种氢气压缩机的位姿实时显示系统，用于上述的氢气压缩机的位姿实时显示方法的实现，包括：多传感器信息采集系统、数据处理中心和位姿显示系统；
所述数据处理中心与所述多传感器信息采集系统和所述位姿显示系统电性连接；
所述多传感器信息采集系统，用于采集氢气压缩机状态信息；
所述数据处理中心，用于对所述氢气压缩机状态信息进行计算，获得氢气压缩机位姿信息；
所述位姿显示系统，用于通过所述氢气压缩机位姿信息对氢气压缩机进行三维重建，获得氢气压缩机位姿显示模型。
本实施例中，所述多传感器信息采集系统包括：相机和位置传感器；
所述相机和所述位置传感器均与所述数据处理中心电性连接；
所述相机用于采集氢气压缩机实时图像；
所述位置传感器用于采集氢气压缩机实时位置信息。
本发明采用多传感器信息采集系统实时采集氢气压缩机状态信息，并融合氢气压缩机实时图像和氢气压缩机实时位置信息得到氢气压缩机姿态信息；数据处理中心利用氢气压缩机姿态信息，并根据3D模型文件重构其不同部件的空间坐标关系，将其发送到位姿显示系统进一步对氢气压缩机姿态信息进行三维重建显示，获得氢气压缩机位姿显示模型，从而实现氢气压缩机的实时位姿显示和氢气压缩机安装精度的可视化控制。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种氢气压缩机的位姿实时显示方法，其特征在于，包括步骤：
S1：获取氢气压缩机的氢气压缩机状态信息，所述氢气压缩机状态信息包括：氢气压缩机实时图像和氢气压缩机实时位置信息；
S2：对所述氢气压缩机实时图像进行预处理，获得预处理后的氢气压缩机实时图像；
S3：通过所述氢气压缩机实时位置信息获得氢气压缩机空间点坐标；
S4：根据所述预处理后的氢气压缩机实时图像，获得所述氢气压缩机在所述氢气压缩机空间点坐标中对应的氢气压缩机图像点坐标；
S5：根据所述氢气压缩机图像点坐标和所述氢气压缩机空间点坐标构建投影方程；
S6：通过所述投影方程获得位姿求解方程，对所述位姿求解方程进行迭代求解，获得氢气压缩机位姿信息；
S7：通过所述氢气压缩机位姿信息对所述氢气压缩机进行三维重建，获得氢气压缩机位姿显示模型。
2.根据权利要求1所述的氢气压缩机的位姿实时显示方法，其特征在于，步骤S2具体为：
S21：通过滤波模型对所述氢气压缩机实时图像进行滤波处理，获得滤波后的氢气压缩机实时图像；
S22：将所述滤波后的氢气压缩机实时图像中各像素点对应的像素值与权系数相乘，获得滤波图像的相乘像素点；将所述氢气压缩机实时图像中各像素点对应的像素值与权系数相乘，获得原图像的相乘像素点；
S23：将所述滤波图像的相乘像素点的像素值与所述原图像的相乘像素点的像素值相加，获得融合后的像素点；
S24：根据所述融合后的像素点获得所述预处理后的氢气压缩机实时图像。
3.根据权利要求2所述的氢气压缩机的位姿实时显示方法，其特征在于，步骤S21中，所述滤波模型的表达式为：
Figure FDA0003197252280000011
其中，g(x,y)表示滤波后的氢气压缩机实时图像；f(x,y)表示氢气压缩机实时图像；α表示调节因子；x表示图像的横坐标；y表示图像的纵坐标；
Figure FDA0003197252280000021
表示图像累加计算，
Figure FDA0003197252280000022
4.根据权利要求1所述的氢气压缩机的位姿实时显示方法，其特征在于，步骤S5中，所述投影方程的公式为：
Figure FDA0003197252280000023
其中，R表示旋转矩阵；t表示平移矩阵；
Figure FDA0003197252280000024
表示氢气压缩机空间点坐标；Vi表示投影矩阵；i表示空间点的编号；
Figure FDA0003197252280000025
pi表示氢气压缩机图像点坐标，pi T表示pi的转置矩阵。
5.根据权利要求4所述的氢气压缩机的位姿实时显示方法，其特征在于，步骤S6具体为：
S61：构建所述位姿求解方程，设置所述旋转矩阵的初值，设置预设阈值；
S62：通过所述位姿求解方程获得所述旋转矩阵的初值的下一次估计值；
S63：通过所述旋转矩阵的初值的下一次估计值获得所述平移矩阵的估计值；
S64：通过所述旋转矩阵的初值的下一次估计值和所述平移矩阵的估计值，计算获得误差值；
S65：判断所述误差值与所述预设阈值的大小；若所述误差值大于所述预设阈值，则将所述旋转矩阵的初值的下一次估计值作为所述旋转矩阵的新初值，返回步骤S61；否则，将所述旋转矩阵的初值的下一次估计值和所述平移矩阵的估计值作为所述位姿求解方程的最优解；
S66：通过所述位姿求解方程的最优解，获得所述氢气压缩机位姿信息。
6.根据权利要求5所述的氢气压缩机的位姿实时显示方法，其特征在于，步骤S61中，所述位姿求解方程的公式为：
Figure FDA0003197252280000026
其中，
Figure FDA0003197252280000027
表示投影点坐标的均值，n表示空间点的总数，
Figure FDA0003197252280000028
Figure FDA0003197252280000029
I3表示3阶单位矩阵。
7.根据权利要求5所述的氢气压缩机的位姿实时显示方法，其特征在于，步骤S62中，通过所述位姿求解方程获得所述旋转矩阵的初值的下一次估计值，采用的计算公式具体为：
Figure FDA0003197252280000031
其中，
Figure FDA0003197252280000032
Rk+1表示旋转矩阵的第k+1次估计值，k表示估计值计算的次数。
8.一种氢气压缩机的位姿实时显示系统，用于如权利要求1-7任一项所述的氢气压缩机的位姿实时显示方法的实现，其特征在于，包括：多传感器信息采集系统、数据处理中心和位姿显示系统；
所述数据处理中心与所述多传感器信息采集系统和所述位姿显示系统电性连接；
所述多传感器信息采集系统，用于采集氢气压缩机状态信息；
所述数据处理中心，用于对所述氢气压缩机状态信息进行计算，获得氢气压缩机位姿信息；
所述位姿显示系统，用于通过所述氢气压缩机位姿信息对氢气压缩机进行三维重建，获得氢气压缩机位姿显示模型。
9.根据权利要求8所述的氢气压缩机的位姿实时显示系统，其特征在于，所述多传感器信息采集系统包括：相机和位置传感器；
所述相机和所述位置传感器均与所述数据处理中心电性连接；
所述相机用于采集氢气压缩机实时图像；
所述位置传感器用于采集氢气压缩机实时位置信息。
CN202110894411.XA 2021-08-05 2021-08-05 氢气压缩机的位姿实时显示方法及系统 Active CN113610149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110894411.XA CN113610149B (zh) 2021-08-05 2021-08-05 氢气压缩机的位姿实时显示方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110894411.XA CN113610149B (zh) 2021-08-05 2021-08-05 氢气压缩机的位姿实时显示方法及系统

Publications (2)

Publication Number Publication Date
CN113610149A true CN113610149A (zh) 2021-11-05
CN113610149B CN113610149B (zh) 2024-03-26

Family

ID=78306935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110894411.XA Active CN113610149B (zh) 2021-08-05 2021-08-05 氢气压缩机的位姿实时显示方法及系统

Country Status (1)

Country Link
CN (1) CN113610149B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5388059A (en) * 1992-12-30 1995-02-07 University Of Maryland Computer vision system for accurate monitoring of object pose
CN110490932A (zh) * 2019-08-21 2019-11-22 东南大学 单目红外共面光标迭代优化测量行车吊臂空间位姿方法
CN111156998A (zh) * 2019-12-26 2020-05-15 华南理工大学 一种基于rgb-d相机与imu信息融合的移动机器人定位方法
CN111354043A (zh) * 2020-02-21 2020-06-30 集美大学 一种基于多传感器融合的三维姿态估计方法及装置
CN111681279A (zh) * 2020-04-17 2020-09-18 东南大学 基于改进李群非线性优化的行车吊臂空间位姿测量方法
CN112053383A (zh) * 2020-08-18 2020-12-08 东北大学 一种机器人实时定位的方法及装置
CN113052908A (zh) * 2021-04-16 2021-06-29 南京工业大学 一种基于多传感器数据融合的移动机器人位姿估计算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5388059A (en) * 1992-12-30 1995-02-07 University Of Maryland Computer vision system for accurate monitoring of object pose
CN110490932A (zh) * 2019-08-21 2019-11-22 东南大学 单目红外共面光标迭代优化测量行车吊臂空间位姿方法
CN111156998A (zh) * 2019-12-26 2020-05-15 华南理工大学 一种基于rgb-d相机与imu信息融合的移动机器人定位方法
CN111354043A (zh) * 2020-02-21 2020-06-30 集美大学 一种基于多传感器融合的三维姿态估计方法及装置
CN111681279A (zh) * 2020-04-17 2020-09-18 东南大学 基于改进李群非线性优化的行车吊臂空间位姿测量方法
CN112053383A (zh) * 2020-08-18 2020-12-08 东北大学 一种机器人实时定位的方法及装置
CN113052908A (zh) * 2021-04-16 2021-06-29 南京工业大学 一种基于多传感器数据融合的移动机器人位姿估计算法

Also Published As

Publication number Publication date
CN113610149B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
Young et al. Statistical analysis of inherent ambiguities in recovering 3-D motion from a noisy flow field
CN107369166B (zh) 一种基于多分辨率神经网络的目标跟踪方法及系统
CN1316416C (zh) 基于四个特征点的头部动作测定方法
CN111145251B (zh) 一种机器人及其同步定位与建图方法和计算机存储设备
CN108846857A (zh) 视觉里程计的测量方法及视觉里程计
CN111136660A (zh) 机器人位姿定位方法及系统
CN113011401B (zh) 人脸图像姿态估计和校正方法、系统、介质及电子设备
CN108805987A (zh) 基于深度学习的混合跟踪方法及装置
CN107507188B (zh) 一种基于机器学习提取图像信息的方法及装置
CN109300151A (zh) 图像处理方法和装置、电子设备
CN112733641A (zh) 物体尺寸测量方法、装置、设备及存储介质
CN114323033A (zh) 基于车道线和特征点的定位方法、设备及自动驾驶车辆
DE112016004198T5 (de) Positionsbestimmungseinrichtung und verfahren
CN112179373A (zh) 一种视觉里程计的测量方法及视觉里程计
Laotrakunchai et al. Measurement of size and distance of objects using mobile devices
CN113610149A (zh) 氢气压缩机的位姿实时显示方法及系统
CN113793251A (zh) 位姿确定方法、装置、电子设备和可读存储介质
CN113269897A (zh) 表面点云的获取方法、装置、设备及存储介质
CN111553954A (zh) 一种基于直接法单目slam的在线光度标定方法
CN113327270A (zh) 视觉惯导方法、装置、设备及计算机可读存储介质
CN114187179B (zh) 一种基于视频监控的遥感图像模拟生成方法及系统
CN113340310B (zh) 一种移动机器人台阶地形识别定位方法及相关装置
CN113159174B (zh) 无控制点的dem匹配与形变量探测方法及装置
CN105651209B (zh) 指定区域面积的应急获取方法和装置
CN111951337B (zh) 图像检测目标空间定位方法及系统

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
GR01 Patent grant
GR01 Patent grant