CN113658259A - 基于视觉定位的冷轧厂轧辊的自动抓取方法 - Google Patents
基于视觉定位的冷轧厂轧辊的自动抓取方法 Download PDFInfo
- Publication number
- CN113658259A CN113658259A CN202111000699.8A CN202111000699A CN113658259A CN 113658259 A CN113658259 A CN 113658259A CN 202111000699 A CN202111000699 A CN 202111000699A CN 113658259 A CN113658259 A CN 113658259A
- Authority
- CN
- China
- Prior art keywords
- roller
- grabbing
- visual positioning
- rolls
- positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 238000005097 cold rolling Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 230000001419 dependent effect Effects 0.000 abstract description 3
- 230000001629 suppression Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B39/00—Arrangements for moving, supporting, or positioning work, or controlling its movement, combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B39/006—Pinch roll sets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/14—Session management
- H04L67/141—Setup of application sessions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
- H04L69/161—Implementation details of TCP/IP or UDP/IP stack architecture; Specification of modified or new header fields
- H04L69/162—Implementation details of TCP/IP or UDP/IP stack architecture; Specification of modified or new header fields involving adaptations of sockets based mechanisms
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20228—Disparity calculation for image-based rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Mechanical Engineering (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉定位的冷轧厂轧辊的自动抓取方法，包含如下步骤：训练数据驱动赋权的目标检测模型；对轧辊的图片进行目标检测与三维定位；与PLC控制系统建立通信控制关系。本发明能够利用PLC控制系统实现自动对轧辊进行识别定位与抓取，解决了现有技术高度依赖人工，且抓取轨迹无法溯源的缺陷，有效的改善模型的检测识别精度，摆脱了现有技术中NMS的局限性，降低了时间成本与人工成本，提高了工作效率。
Description
技术领域
本发明涉及计算机视觉和自动化技术领域，特别涉及一种基于视觉定位的冷轧厂轧辊的自动抓取方法。
背景技术
传统的轧辊抓取方法主要依赖人工远程遥控装载机实现轧辊的抓取与放置，因轧辊的现场摆放位置不固定，且不同型号的轧辊尺寸相差较大，所以为了找到合适的抓取位置，需要操作员适用远程遥控设备反复移动装载机，防止装载机在夹取轧辊时损伤轧辊，此项工作需操作员熟练作业，轧辊的移动路线无法固定，移动过程无法追溯，存在安全隐患，且在作业过程中需要操作员反复调整装载机的位置，工作效率低，增加了人工成本与时间成本。
发明内容
根据本发明实施例，提供了一种基于视觉定位的冷轧厂轧辊的自动抓取方法，包含如下步骤：
训练数据驱动赋权的目标检测模型；
对轧辊的图片进行目标检测与三维定位；
与PLC控制系统建立通信控制关系。
进一步，训练数据驱动赋权的目标检测模型包含如下子步骤：
采集若干张轧辊的照片，并对轧辊的照片的抓取区域进行扣取与标注；
将经过标注的轧辊的抓取区域图片作为前景与图像识别数据集进行拼接；
定义椭圆区域内的虚景框水平非极大值抑制方法；
选取神经网络模型，训练出目标检测模型。
进一步，椭圆区域内的虚景框水平非极大值抑制方法的定义如下：
其中Si表示第i个虚景框的置信度，bix表示经过常规NMS后保留的虚景框的X轴坐标，biy表示经过常规NMS后保留的虚景框的Y轴坐标，f表示椭圆区域函数。
进一步，椭圆区域函数f的定义如下：
其中（x0，y0）表示基准检测框中心点的位置，（x，y）表示其他检测框中心点的位置，a、b用于表示椭圆区域大小，h、w分别表示目标框的像素高和宽。
进一步，神经网络模型包括但不限于YOLOv5l。
进一步，图像识别数据集为MS COCO。
进一步，将轧辊的抓取区域图片与图像识别数据集进行拼接时，采取边界元素镜像填充的方式合成。
进一步，对轧辊的图片进行目标检测与三维定位包含如下子步骤：
捕获轧辊的图片并获得轧辊的深度图；
使用目标检测模型预测轧辊的像素二维坐标；
结合轧辊的深度图与轧辊的像素二维坐标计算出轧辊的三维世界坐标。
进一步，与PLC控制系统建立通信控制关系包含如下子步骤：
设计出足够传递信息的发送报文与应答报文；
将PLC控制程序与抓取系统建立连接；
PLC控制程序对抓取系统进行通信控制。
进一步，发送报文的长度为6字节，应答报文的长度为40字节。
根据本发明实施例的基于视觉定位的冷轧厂轧辊的自动抓取方法，能够利用PLC控制系统实现自动对轧辊进行识别定位与抓取，解决了现有技术高度依赖人工，且抓取轨迹无法溯源的缺陷，有效的改善模型的检测识别精度，摆脱了现有技术中NMS的局限性，降低了时间成本与人工成本，提高了工作效率。
要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并 且意图在于提供要求保护的技术的进一步说明。
附图说明
图1为根据本发明实施例基于视觉定位的冷轧厂轧辊的自动抓取方法的流程图；
图2为根据本发明实施例的S1的子步骤；
图3为根据本发明实施例的S2的子步骤
图4为根据本发明实施例的S3的子步骤；
图5为根据本发明实施例的发送报文的格式示意图；
图6为根据本发明实施例的应答报文的格式示意图。
具体实施方式
以下将结合附图，详细描述本发明的优选实施例，对本发明做进一步阐述。
首先，将结合图1～6描述根据本发明实施例的基于视觉定位的冷轧厂轧辊的自动抓取方法，用于抓取轧辊，其应用场景很广。
如图1所示，本发明实施例的基于视觉定位的冷轧厂轧辊的自动抓取方法，包含如下步骤：
在S1中，如图1所示，训练数据驱动赋权的目标检测模型。
进一步，如图2所示，训练数据驱动赋权的目标检测模型包含如下子步骤。
在S11中，如图2所示，不同时刻多角度地采集若干张轧辊的照片，并对轧辊的照片的抓取区域进行扣取与标注。
在S12中，如图2所示，将经过标注的轧辊的抓取区域图片作为前景与图像识别数据集进行拼接，用于对模型数据进行扩充。
进一步，考虑到MS COCO(Microsoft Common Objects in Context) 包含了各种各样的背景语义信息，图像识别数据集选用MS COCO(Microsoft Common Objects inContext)，很大程度上增强模型的鲁棒性。
进一步，将轧辊的抓取区域图片与图像识别数据集进行拼接时，采取边界元素镜像填充的方式合成，防止引入不必要的噪声，避免图片送入网络后进行缩放时产生畸变，同时，可以将数据量扩充至10万级，丰富数据集的同时大大减少了人工标注的工作量，本发明还对生成的样本进行了镜像翻转、高斯模糊以及更改亮度和对比度等预处理，将样本数量扩充到123287张，在训练模型过程中划分训练集和验证集的比例为9 : 1且全部为合成图片，训练集和验证集分别为110959张和12328张，进一步增强了模型的泛化能力。
在S13中，如图2所示，定义椭圆区域内的虚景框水平非极大值抑制方法，脱了现有技术中NMS的局限性，现有的非极大值抑制方法能够显著提高目标检测的性能，但也存在一些弊端。其依靠重叠面积的性质决定了在非极大值抑制方法之前需要为所有类设定一个阈值，然而不同的阈值可能适用于不同的目标，因此现有的非极大值抑制方法并不适用于类间差异较大的目标检测任务，同时，在工业场景实际应用中，为了提升目标检测结果的召回率，通常将置信度阈值设得较低，因此会出现大量与目标框相近且规律出现的不重叠虚景框。此时现有非极大值抑制方法便无法有效抑制虚景框。
进一步，椭圆区域内的虚景框水平非极大值抑制方法的定义如下：
其中其中Si表示第i个虚景框的置信度，bix表示经过常规NMS(非极大值抑制方法)处理后保留的虚景框的X轴坐标，biy表示经过常规NMS处理后保留的虚景框的Y轴坐标，f表示椭圆区域函数，用于对位于该椭圆区域内部的虚景框进行抑制，对位于该椭圆区域外部的虚景框进行保留。
进一步，椭圆区域函数f的定义如下：
其中（x0，y0）表示基准检测框中心点的位置，（x，y）表示其他检测框中心点的位置，a、b用于表示椭圆区域大小，这里椭圆的大小不能固定，太大了会导致相邻目标丢失，太小则达不到抑制效果，h、w分别表示目标框的像素高和宽，可以看出目标物体的长宽比越接近1，椭圆便越圆，反之则椭圆越扁。
在S14中，如图2所示，选取神经网络模型，训练出目标检测模型。
进一步，神经网络模型包括但不限于YOLOv5l，并利用经过标注的轧辊的抓取区域图片作为前景与图像识别数据集进行拼接所产生的数据训练出目标检测模型，YOLOv5是YOLO系列的最新进展，相较于其他版本其大小与速度都更具优势，能够提高每个点的感受野，同时在下采样过程中可以最大程度的减少原始信息损失，从而增强模型对小目标的检测识别能力，更适合工业场景的检测任务。
在S2中，如图1所示，对轧辊的图片进行目标检测与三维定位。
进一步，如图3所示，对轧辊的图片进行目标检测与三维定位包含如下子步骤。
在S21中，如图3所示，捕获轧辊的图片与轧辊的深度图，利用平行于地面安装在夹钳中心位置的双目相机上的RGB摄像头捕获一张彩色照片，双目相机位于夹钳的虎口位置且双目相机所在的平面平行于水平面，同一时刻，设置在双目相机上的红外摄像头捕获轧辊的两张红外照片，利用视差原理计算出深度并与彩色图片进行对齐后可以得到轧辊的深度图。
在S22中，如图3所示，使用目标检测模型预测轧辊的像素二维坐标，使用步骤S1训练所得目标检测模型对该图片进行推理预测，并通过限定椭圆区域内的NMS方法抑制虚景框，在推理预测过程中，每一个候选框都可当作真实框，以其为中心进行划定椭圆区域并在该区域内部进行NMS处理，经过对所有候选框都进行水平NMS处理之后便可以确定椭圆区域内的唯一最优结果，进而达到预测轧辊的像素二维坐标的目的。
在S23中，如图3所示，结合轧辊的深度图与轧辊的像素二维坐标计算出轧辊的三维世界坐标，本步骤利用相机小孔成像原理，结合深度图与目标检测模型预测的二维像素坐标结果，可以计算出凹槽目标中心在世界坐标中的(x, y)，再加上深度图中对应像素点的深度z便可组成凹槽目标中心的三维世界坐标(x, y, z)，进而达到计算出轧辊的三维世界坐标的目的，并且，通过计算目标检测模型向前推理出的预测框的左上角与右下角两个点在世界坐标中x、y轴的差值，可以推测出轧辊的直径与凹槽的宽度，从而确定夹钳的张开角度以及抓取的位置，借助安装在双目相机上的彩色摄像头的视角可以更直观的理解该坐标系的标定，有效的改善模型的检测识别精度，解决了现有技术中轧钢的抓取轨迹无法溯源的缺陷。
在S3中，如图1所示，与PLC控制系统建立通信控制关系。
进一步，如图4所示，与PLC控制系统建立通信控制关系包含如下子步骤。
在S31中，如图4所示，设计出足够传递信息的发送报文与应答报文。
进一步，如图5、6所示，发送报文的长度为6字节，应答报文的长度为40字节；发送报文由PLC控制程序发送给抓取系统，请求定位，其中1~2字段为报文头，内容固定为“QT”，3~4字段为序号，范围为1~255（0x01~0xff）,且PLC控制程序每发送一次请求序号执行+1操作，5-6字段为功能码且固定为0x0001；应答报文由抓取系统回传给PLC控制程序，返回定位结果，其中1~2字段为报文头，内容固定为“AW”，3~4字段为序号，内容与发送报文一致，5~26字段为抓取系统实际得到的轧辊凹槽的目标置信度、三维坐标、宽度以及高度等信息，27~38字段为留空字段，内容为0x00。39~40字段为状态码，目标识别定位成功（目标置信度大于0.8）则状态码为0x0009，目标识别定位失败则状态码为0x0004。
在S32中，如图4所示，将PLC控制程序通过socket套接字与抓取系统建立连接，其中PLC控制程序为客户端，抓取系统为服务端，通过客户端向服务端发起连接请求，以达到自动对轧辊进行识别定位与抓取的效果，降低了人工成本，提高了工作效率。
在S33中，如图4所示，PLC控制程序对抓取系统进行通信控制。
对x号轧辊的自动定位抓取过程如下：
首先，客户端PLC控制程序控制装载机移动到x号轧辊上方，向服务端发出对序号为x的轧辊的定位请求；然后，服务端抓取系统打开双目相机对x号轧辊进行凹槽识别及定位，若识别定位成功，则将位置信息及抓取位置等其他附属参数以报文的形式回传给客户端，若识别定位失败，则回传失败报文(状态码设为0x0004)；最后，PLC控制程序根据抓取系统回传的报文内容，对轧辊进行精确定位与自动抓取，若识别置信度较低或识别失败则请求人工判定是否需要重新定位。
以上，参照图1～6描述了根据本发明实施例的基于视觉定位的冷轧厂轧辊的自动抓取方法，能够利用PLC控制系统实现自动对轧辊进行识别定位与抓取，解决了现有技术高度依赖人工，且抓取轨迹无法溯源的缺陷，有效的改善模型的检测识别精度，摆脱了现有技术中NMS的局限性，降低了时间成本与人工成本，提高了工作效率。
需要说明的是，在本说明书中，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，包含如下步骤：
训练数据驱动赋权的目标检测模型；
对轧辊的图片进行目标检测与三维定位；
与PLC控制系统建立通信控制关系。
2.如权利要求1所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，所述训练数据驱动赋权的目标检测模型包含如下子步骤：
采集若干张所述轧辊的照片，并对所述轧辊的照片的抓取区域进行扣取与标注；
将经过标注的所述轧辊的抓取区域图片作为前景与图像识别数据集进行拼接；
定义椭圆区域内的虚景框水平非极大值抑制方法；
选取神经网络模型，训练出目标检测模型。
3.如权利要求2所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，所述椭圆区域内的虚景框水平非极大值抑制方法的定义如下：
其中Si表示第i个虚景框的置信度，bix表示经过常规NMS后保留的虚景框的X轴坐标，biy表示经过常规NMS后保留的虚景框的Y轴坐标，f表示所述椭圆区域函数。
4.如权利要求3所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，所述椭圆区域函数f的定义如下：
其中（x0，y0）表示基准检测框中心点的位置，（x，y）表示其他检测框中心点的位置，a、b用于表示椭圆区域大小，h、w分别表示目标框的像素高和宽。
5.如权利要求2所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，所述神经网络模型包括但不限于YOLOv5l。
6.如权利要求2所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，所述图像识别数据集为MS COCO。
7.如权利要求2所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，将所述轧辊的抓取区域图片与所述图像识别数据集进行拼接时，采取边界元素镜像填充的方式合成。
8.如权利要求1所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，对所述轧辊的图片进行目标检测与三维定位包含如下子步骤：
捕获所述轧辊的图片并获得轧辊的深度图；
使用所述目标检测模型预测所述轧辊的像素二维坐标；
结合所述轧辊的深度图与所述轧辊的像素二维坐标计算出所述轧辊的三维世界坐标。
9.如权利要求1所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，与所述PLC控制系统建立通信控制关系包含如下子步骤：
设计出足够传递信息的发送报文与应答报文；
将PLC控制程序与抓取系统建立连接；
PLC控制程序对抓取系统进行通信控制。
10.如权利要求1所述基于视觉定位的冷轧厂轧辊的自动抓取方法，其特征在于，所述发送报文的长度为6字节，所述应答报文的长度为40字节。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000699.8A CN113658259A (zh) | 2021-08-30 | 2021-08-30 | 基于视觉定位的冷轧厂轧辊的自动抓取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000699.8A CN113658259A (zh) | 2021-08-30 | 2021-08-30 | 基于视觉定位的冷轧厂轧辊的自动抓取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113658259A true CN113658259A (zh) | 2021-11-16 |
Family
ID=78482357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111000699.8A Pending CN113658259A (zh) | 2021-08-30 | 2021-08-30 | 基于视觉定位的冷轧厂轧辊的自动抓取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658259A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883488A (zh) * | 2023-07-21 | 2023-10-13 | 捷安特(中国)有限公司 | 一种圆形管的中心位置确定方法、装置、设备及介质 |
-
2021
- 2021-08-30 CN CN202111000699.8A patent/CN113658259A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883488A (zh) * | 2023-07-21 | 2023-10-13 | 捷安特(中国)有限公司 | 一种圆形管的中心位置确定方法、装置、设备及介质 |
| CN116883488B (zh) * | 2023-07-21 | 2024-03-26 | 捷安特(中国)有限公司 | 一种圆形管的中心位置确定方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111862296B (zh) | 三维重建方法及装置、系统、模型训练方法、存储介质 | |
| EP2005387B1 (en) | Constructing image panorama using frame selection | |
| CN113038018B (zh) | 辅助用户拍摄车辆视频的方法及装置 | |
| CN110570454B (zh) | 一种检测异物入侵的方法及装置 | |
| EP3641298B1 (en) | Method and device for capturing target object and video monitoring device | |
| CN108648194B (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
| CN111105347B (zh) | 一种生成带深度信息的全景图的方法、装置及存储介质 | |
| CN113658259A (zh) | 基于视觉定位的冷轧厂轧辊的自动抓取方法 | |
| WO2020015501A1 (zh) | 地图构建方法、装置、存储介质及电子设备 | |
| KR20120020711A (ko) | 물체 인식 시스템 및 그 물체 인식 방법 | |
| CN113298707B (zh) | 图像帧拼接方法、视频巡检方法、装置、设备及存储介质 | |
| CN109903308B (zh) | 用于获取信息的方法及装置 | |
| JP6761786B2 (ja) | 天井地図作成方法、天井地図作成装置及び天井地図作成プログラム | |
| CN116188763A (zh) | 一种基于YOLOv5的纸箱识别定位及放置角度的测量方法 | |
| CN113850837B (zh) | 视频处理方法、装置、电子设备、存储介质及计算机产品 | |
| CN111709991B (zh) | 一种铁路工机具的检测方法、系统、装置和存储介质 | |
| CN114972025A (zh) | 一种基于yuv色彩空间的图像快速拼接方法 | |
| CN113936209A (zh) | 巡逻机器人的协同作业方法及相关设备 | |
| CN114463170A (zh) | 一种针对agv应用的大场景图像拼接方法 | |
| CN110634136B (zh) | 一种管道壁破损检测方法、装置及系统 | |
| CN113723248A (zh) | 一种基于视觉的智能网联公交客流检测方法及系统 | |
| CN112016498A (zh) | 一种基于计算机视觉的商场散落购物车定位回收方法 | |
| JPWO2020039898A1 (ja) | 駅監視装置、駅監視方法及びプログラム | |
| CN110136104A (zh) | 基于无人机地面站的图像处理方法、系统及介质 | |
| CN113723373B (zh) | 一种基于无人机全景影像的违建检测方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20211116 Assignee: Wuhan Jizhi Haorui technology transfer Co.,Ltd. Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2024980004042 Denomination of invention: Automatic gripping method for cold rolling mill rolls based on visual positioning License type: Common License Record date: 20240408 |