CN113870354B - 一种基于深度学习的变压器油箱的测量方法及系统 - Google Patents
一种基于深度学习的变压器油箱的测量方法及系统 Download PDFInfo
- Publication number
- CN113870354B CN113870354B CN202110955141.9A CN202110955141A CN113870354B CN 113870354 B CN113870354 B CN 113870354B CN 202110955141 A CN202110955141 A CN 202110955141A CN 113870354 B CN113870354 B CN 113870354B
- Authority
- CN
- China
- Prior art keywords
- image
- camera
- transformer oil
- oil tank
- matching
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000000691 measurement method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 105
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000007547 defect Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000001681 protective effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004660 morphological change Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000001012 protector Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
Abstract
本发明公开了一种基于深度学习的变压器油箱的测量方法及系统，本方法属于非接触式的方法，采用至少双目相机和视觉技术来对变压器油箱的至少4个面进行拍照并针对待测量的目标面进行重点的关注，从而识别疑似发生缺陷的面，以及定位该面上变压器油箱的几何参数并进行测量。通过长期的测量，可基于历史测量信息和当前测量信息判断变压器油箱是否发生形貌上的变化以及变化量。本发明相比传统的人工测量手段，大大提高了效率并保障了安全性，同时还提高了精度，具有推广价值。
Description
技术领域
本发明涉及变压器技术领域，并且更具体地，涉及一种基于深度学习的变压器油箱的测量方法方法及系统。
背景技术
变压器在长期运行过程中可能出现安全隐患，其中包括变压器油箱的形貌发生几何参数上的变化，严重时，此种变化直接威胁电力系统的安全稳定运行。
目前对变压器油箱的几何参数变化主要还是采用人工利用工具进行测量的方法，例如现有技术中存在变压器油箱变形量测量工装这样的配套工具。显而易见的是，此种人工测量效率较低，劳动强度大，且对安全性有较高要求。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中存在的问题，根据本发明的一个方面，本发明提出一种基于深度学习的变压器油箱的测量方法，包括以下步骤：
第一步骤，第一相机拍摄目标电力设备的第一个面以获得第一个面的第一类型图像；
第二步骤，通过深度学习算法YOLO技术在第一个面的第一类型图像中识别变压器油箱在所述第一个面中的位置；
第三步骤，根据识别的变压器油箱的位置，控制第一相机拍摄目标电力设备的其余面以获得其余面的第一类型图像；
第四步骤，通过深度学习算法YOLO技术在其余面的第一类型图像中识别变压器油箱在其余面中的位置；
第五步骤，从所述第一个面和其余面的所有第一类型图像中分别截取变压器油箱在各个面的区域作为截取处理后的第一类型图像；
第六步骤，对于截取处理后的第一类型图像，通过显著性检测算法和水平投影法定位变压器油箱以判定变压器油箱是否在第一个面以及其余面中的任意面存在缺陷，并将判定存在缺陷的变压器油箱的面设定为待测量的目标面；
第七步骤，对于所有的待测量的目标面，双目相机中的每个相机对每一个待测量的目标面进行同步实时采集，获取该面上的第二类型图像和第三类型图像，其中，第二类型图像和第三类型图像构成双目图像；
第八步骤，利用金字塔匹配算法和三角测量法处理所述双目图像，计算变压器油箱在每一个待测量的目标面上的空间位置和几何参数。
优选地，其中，所述方法还包括如下步骤：
测量变压器油箱在每一个待测量的目标面上的长和宽，并以此监测变压器油箱在任一个待测量的目标面上是否发生长或宽方向上的形变。
优选地，其中，所述方法还包括：
当监测到变压器油箱在任一个待测量的目标面上发生长或宽方向上的形变时，根据检测长或宽的历史信息，计算发生形变的形变量。
优选地，其中，所述第一个面为变压器油箱的4个侧面中的任意一个；
所述其余面为变压器油箱的4个侧面中除第一个面之外的其余面。
优选地，其中，
第三步骤中，控制第一相机拍摄目标电力设备的上顶面，以获得上顶面的第一类型图像。
优选地，其中，
所述云台是一个云台、多个云台或无人机云台。
优选地，其中，所述第八步骤具体包括如下子步骤：
基于第二类型图像和第三类型图像进行金字塔块匹配得到双目图像的第一匹配点对，计算第一匹配点对中的所有匹配点的水平方向坐标之差的绝对值，将差值最小的值作为视差最小值，差值最大的值作为视差最大值以得到自适应视差等级；
进行归一化互相关匹配以得到第二匹配点对，通过第二匹配点对、双目相机中的两个相机的内参数和外参数，依据三角测量得到目标的空间位置和几何参数确定目标的长和宽。
优选地，其中，通过双目标定求取双目相机中的两个相机的内参数和外参数，包括：
提取标定图像中的棋盘点，采用张正友标定法，计算双目相机中的两个相机的内参数，然后根据相机成像原理，采用光束平差法和非线性优化的方法，计算得到双目相机中左、右相机的外参数，
其中，
对于左、右相机，采用光束平差法基于相机成像计算得到物体的图像坐标，
计算的图像坐标与真实检测得到的图像坐标进行重投影误差计算；
通过非线性优化的方法，使得重投影误差最小以得到相机的外参数。
优选地，其中，所述提取标定图像中的棋盘点，采用张正友标定法，计算双目相机中的两个相机的内参数，然后根据相机成像原理，采用光束平差法和非线性优化的方法，计算得到双目相机中左、右相机的外参数，具体包括：
令相机坐标系下标志物的齐次坐标为M＝(X',Y',Z',1)，图像坐标系下标志物的齐次坐标为m＝(μ，ν，1)，提取棋盘角点在二维图像坐标系下的像素位置为(μ，ν)，
通过张正友相机标定法获得左、右相机的内参数；
令棋盘格的三维坐标与相机坐标系之间的转换关系如下：
其中，(X,Y,Z)为世界坐标系下棋盘角点的三维坐标，(X',Y',Z')为相机坐标系下标志物角点坐标，R,T分别为世界坐标系和相机坐标系之间的旋转矩阵和平移矩阵，
通过相机内参矩阵建立空间点到二维点的几何关系：
其中，
A为相机内参矩阵；
s为深度因子，所述深度因子取决于相机拍摄时距标定板的距离；
(fx,fy,ux,uy)为相机的内参数。
对于上式(2)，三维坐标映射到图像坐标的关系进一步表达为：
对于上式(3)，左、右相机的三维空间坐标点与二维像素坐标点之间的映射关系通过如下左右相机方程组表达，其中l下标表示对应于左相机，r下标表示对应于右相机：
其中，(flx,fly,ulx,uly)，(frx,fry,urx,ury)分别为左、右相机的内参数，为左右相机的焦距与主点坐标，其通过张正友标定法标定而确定；
右相机的空间集合关系表示为：
计算获得的标志物角点位置与提取的角点位置之间存在如下误差：
其中，ml,mr为真实检测到的左、右图棋盘角点坐标位置，是已知量，其通过图像像素齐次坐标表示；λ1,λ2为左、右相机投影变换误差的权重，取经验值；例如，根据标定经验，λ1,λ2通常设置为1；
ml',mr'作为三维点投影到图像坐标系的坐标，也属于齐次坐标，按如下步骤计算获得：
a.在优化计算的过程中，对公式(6)中的Rlr,Tlr，Rl,Tl赋值；
b.根据公式(6)，得到Rr,Tr；
c.根据公式(4)、(5)和三维向二维映射，得到ml',mr'；
d.由公式(7)计算出εf；
e.利用非线性最小二乘法不断优化所述误差εf：不断对公式(6)中的Rlr,Tlr，Rl,Tl赋值，以迭代的方式执行步骤a至d不断，直至误差εf最小；
根据最终优化的误差εf确定相应的左、右相机之间的旋转、平移矩阵Rlr,Tlr，以及Rl,Tl；最终优化的误差εf对应的Rlr,Tlr为左、右相机的外参数。
优选地，其中，金字塔块匹配包括，
基于第二类型图像和第三类型图像进行金字塔块匹配得到双目图像的第一匹配点对时：
将同步实时采集的多张第二、第三类型图像依据预定的采样率进行缩放得到各自分辨率由小到大的图像金字塔，每个图像金字塔中：分辨率最大的层为对应的原图，分辨率最小的层大于32*32；
从第二类型图像和第三类型图像中任选其一，其对应的图像金字塔从分辨率最小的图像划分为一定的图像块，对所述图像块利用灰度最小误差平方和以便计算当前图像块的中心点在第二类型图像和第三类型图像中的另一图像上的位移，得到其中一个图像的中心点在另一图像上的对应位置；
划分的图像块的中心点以匹配种子点，对于金字塔上的相邻两层图像的种子点满足以下关系：其中/>代表种子点在金字塔P层左图上的坐标，/>代表种子点在金字塔P层右图上的坐标，/>代表种子点在P-1层的位移，λ代表上采样率，
根据金字塔最后一层的原始的双目图像对，得到种子点的匹配信息之后，在包含16个种子点的块内利用单应性变换生成匹配点增加匹配信息，其中，单应矩阵由16个种子点通过随机一致采样法得到，是一个3*3的矩阵，设单应矩阵为那么种子点所在块内的任意一点(xr,yr)，即在左相机拍摄的左图中的点，通过下面的变换得到其在右相机拍摄的右图中对应的匹配点(xr,yr)：
结合先验知识进行匹配点对的筛选；
其中，i表示匹配点对的个数为多个，i为自然数；
任一Pl表示双目左图的某个点(xl,yl)；
相应的Pr则表示Pl在右图中的匹配点(xr,yr)。
根据本发明的另一个方面，提供了一种基于深度学习的变压器油箱的测量系统，包括：
第一图像获取模块，用于使第一相机拍摄目标电力设备的第一个面以获得第一个面的第一类型图像；
第一识别模块，用于通过深度学习算法YOLO技术在第一个面的第一类型图像中识别变压器油箱在所述第一个面中的位置；
第二图像获取模块，用于根据识别的变压器油箱的位置，控制第一相机拍摄目标电力设备的其余面以获得其余面的第一类型图像；
第二识别模块，用于通过深度学习算法YOLO技术在其余面的第一类型图像中识别变压器油箱在其余面中的位置；
图像截取模块，用于从所述第一个面和其余面的所有第一类型图像中分别截取变压器油箱在各个面的区域作为截取处理后的第一类型图像；
待测量的目标面确定模块，用于对于截取处理后的第一类型图像，通过显著性检测算法和水平投影法定位变压器油箱以判定变压器油箱是否在第一个面以及其余面中的任意面存在缺陷，并将判定存在缺陷的变压器油箱的面设定为待测量的目标面；
双目图像确定模块，用于对于所有的待测量的目标面，双目相机中的每个相机对每一个待测量的目标面进行同步实时采集，获取该面上的第二类型图像和第三类型图像，其中，第二类型图像和第三类型图像构成双目图像；
计算模块，用于利用金字塔匹配算法和三角测量法处理所述双目图像，计算变压器油箱在每一个待测量的目标面上的空间位置和几何参数。
本发明提供的基于深度学习的变压器油箱的测量方法及系统，从不同角度对变压器的油箱的不同平面进行拍照，识别出存在缺陷的目标平面，以及定位该面上变压器油箱的几何参数并进行测量，通过长期的测量，可基于历史测量信息和当前测量信息判断变压器油箱是否发生形貌上的变化以及变化量。
上述说明仅是本发明技术方案的概述，为了能够使得本发明的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂，下面以本发明的具体实施方式进行举例说明。
附图说明
通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。
在附图中：
图1为根据本发明实施方式的变压器油箱的测量方法100的流程图；
图2为根据本发明实施方式的变压器油箱的测量系统200的结构示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
参见图1，在一个实施例中，本发明揭示了一种基于深度学习的变压器油箱的测量方法，包括以下步骤：
基于深度学习的变压器油箱的测量方法，包括以下步骤：
步骤101，第一相机拍摄目标电力设备的第一个面以获得第一个面的第一类型图像；
步骤102，通过深度学习算法YOLO技术在第一个面的第一类型图像中识别变压器油箱在所述第一个面中的位置；
步骤103，根据识别的变压器油箱的位置，控制第一相机拍摄目标电力设备的其余面以获得其余面的第一类型图像；
步骤104，通过深度学习算法YOLO技术在其余面的第一类型图像中识别变压器油箱在其余面中的位置；
步骤105，从所述第一个面和其余面的所有第一类型图像中分别截取变压器油箱在各个面的区域作为截取处理后的第一类型图像；
步骤106，对于截取处理后的第一类型图像，通过显著性检测算法和水平投影法定位变压器油箱以判定变压器油箱是否在第一个面以及其余面中的任意面存在缺陷，并将判定存在缺陷的变压器油箱的面设定为待测量的目标面；
步骤107，对于所有的待测量的目标面，双目相机中的每个相机对每一个待测量的目标面进行同步实时采集，获取该面上的第二类型图像和第三类型图像，其中，第二类型图像和第三类型图像构成双目图像；
步骤108，利用金字塔匹配算法和三角测量法处理所述双目图像，计算变压器油箱在每一个待测量的目标面上的空间位置和几何参数。
在本发明的实施方式中，测量过程包括：
第一步骤，云台上的第一相机拍摄目标电力设备的第一个面以获得第一个面的第一类型图像；
第二步骤，通过深度学习算法YOLO技术在第一个面的第一类型图像中识别变压器油箱在所述第一个面中的位置；
第三步骤，根据识别的变压器油箱的位置，云台控制第一相机拍摄目标电力设备的其余面以获得其余面的第一类型图像；
第四步骤，通过深度学习算法YOLO技术在其余面的第一类型图像中识别变压器油箱在其余面中的位置；
第五步骤，从所述第一个面和其余面的所有第一类型图像中分别截取变压器油箱在各个面的区域作为截取处理后的第一类型图像；
第六步骤，对于截取处理后的第一类型图像，通过显著性检测算法和水平投影法定位变压器油箱以初步判定变压器油箱是否在第一个面以及其余面中的任意面存在缺陷，并将初步判定存在缺陷的变压器油箱的面设定为待测量的目标面；
第七步骤，对于所有的待测量的目标面，双目相机对准每一个待测量的目标面进行同步实时采集，获取该面上的第二类型图像和第三类型图像，其中，第二类型图像和第三类型图像构成双目图像；
第八步骤，利用金字塔匹配算法和三角测量法处理所述双目图像，计算变压器油箱在每一个待测量的目标面上的空间位置和几何参数。
对于上述实施例而言，其方法属于非接触式的方法，采用至少双目相机和视觉技术来对变压器油箱的至少4个面进行拍照并针对待测量的目标面进行重点的关注，从而识别疑似发生缺陷的面，以及定位该面上变压器油箱的几何参数并进行测量。相比传统的人工测量手段，本发明大大提高了效率并保障了安全性，同时还提高了精度，具有推广价值。
在另一个实施例中，所述第八步骤之后还包括如下步骤：
第九步骤，测量变压器油箱在每一个待测量的目标面上的长和宽，并以此监测变压器油箱在任一个待测量的目标面上是否发生长或宽方向上的形变。
能够理解，通过长期的测量，可基于历史测量信息和当前测量信息判断变压器油箱是否发生形貌上的变化以及变化量。
在另一个实施例中，所述第九步骤之后还包括如下步骤：
第十步骤，当监测到变压器油箱在任一个待测量的目标面上发生长或宽方向上的形变时，根据检测长或宽的历史信息，计算发生形变的形变量。
对于该实施例而言，由于能够确定目标的三维空间位置，并能够定义其长和宽，因此只需要监测其长和宽，即可根据长和宽的变化来检测目标的形变。
在另一个实施例中，所述第一个面为变压器油箱的4个侧面中的任意一个；所述其余面为变压器油箱的4个侧面中除第一个面之外的其余面。变压器油箱的主要面包括：4个侧面。
在另一个实施例中，
第三步骤中，云台控制第一相机360度拍摄目标电力设施的其余面以获得其余面的第一类型图像。
在另一个实施例中，
第三步骤中，云台控制第一相机拍摄目标电力设施的上顶面以获得上顶面的第一类型图像。
在另一个实施例中，
第一相机是第一短焦相机。
在另一个实施例中，
双目相机包括第一长焦相机和第二长焦相机。
能够理解，此种情形下，本发明的方案是基于三目视觉的方案。
在另一个实施例中，
第一相机也可以是双目相机中的一个相机，只要其相机拍摄的图像质量满足第一图像的质量要求即可，这意味着本发明可以使用双目视觉方案即可完成本发明的所有实施例。
在另一个实施例中，
所述云台可以是较为固定的一个云台或多个云台，还可以是无人机云台。
能够理解，固定云台的好处是专用、使用稳定，而无人机云台则可充分发挥灵活特性，360度甚至立体的全方位进行拍摄相关各个类型的图像。
在另一个实施例中，
所述第八步骤具体包括如下子步骤：
基于第二类型图像和第三类型图像进行金字塔块匹配得到双目图像的第一匹配点对，计算第一匹配点对中的所有匹配点的水平方向坐标之差的绝对值，将差值最小的值作为视差最小值，差值最大的值作为视差最大值以得到自适应视差等级；
进行归一化互相关匹配以得到第二匹配点对，通过第二匹配点对、双目相机中的两个相机的内参数和外参数，依据三角测量得到目标的空间位置和几何参数，确定目标的三维空间的位置并定义相应的长和宽。
在另一个实施例中，
通过双目标定求取双目相机中的两个相机的内参数和外参数，包括：
提取标定图像中的棋盘点，采用张正友标定法，计算双目相机中的两个相机的内参数，然后根据相机成像原理，采用光束平差法和非线性优化的方法，计算得到双目相机中左、右相机的外参数，
其中，
对于左、右相机，采用光束平差法基于相机成像计算得到物体的图像坐标，
计算的图像坐标与真实检测得到的图像坐标进行重投影误差计算；
通过非线性优化的方法，使得重投影误差最小以得到相机的外参数。
在另一个实施例中，
提取标定图像中的棋盘点，采用张正友标定法，计算双目相机中的两个相机的内参数，然后根据相机成像原理，采用光束平差法和非线性优化的方法，计算得到双目相机中左、右相机的外参数，具体包括：
令相机坐标系下标志物的齐次坐标为M＝(X',Y',Z',1)，图像坐标系下标志物的齐次坐标为m＝(μ，ν，1)，提取棋盘角点在二维图像坐标系下的像素位置为(μ，ν)，
通过张正友相机标定法获得左、右相机的内参数；
令棋盘格的三维坐标与相机坐标系之间的转换关系如下：
其中，(X,Y,Z)为世界坐标系下棋盘角点的三维坐标，(X',Y',Z')为相机坐标系下标志物角点坐标，R,T分别为世界坐标系和相机坐标系之间的旋转矩阵和平移矩阵，
进一步通过相机内参矩阵建立空间点到二维点的几何关系：
其中，
A为相机内参矩阵；
s为深度因子，所述深度因子取决于相机拍摄时距标定板的距离；
(fx,fy,ux,uy)为相机的内参数。
对于上式(2)，三维坐标映射到图像坐标的关系进一步表达为：
对于上式(3)，左、右相机的三维空间坐标点与二维像素坐标点之间的映射关系通过如下左右相机方程组表达，其中l下标表示对应于左相机，r下标表示对应于右相机：
其中，(flx,fly,ulx,uly)，(frx,fry,urx,ury)分别为左、右相机的内参数，为左右相机的焦距与主点坐标，其通过张正友标定法标定而确定；
由于左、右相机固定放置，因此右相机与左相机之间也有固定的旋转和平移关系，这就是双目标定需要计算的Rlr,Tlr，Rlr,Tlr即需要求取的左、右相机的外参数；
右相机的空间集合关系表示为：
又由于噪声和成像误差等因素影响，计算获得的标志物角点位置与提取的角点位置之间存在如下误差：
其中，ml,mr为真实检测到的左右图棋盘角点坐标位置，是已知量，其通过图像像素齐次坐标表示；λ1,λ2为左、右相机投影变换误差的权重，取经验值；例如，根据标定经验，λ1,λ2通常设置为1；
ml',mr'作为三维点投影到图像坐标系的坐标，也属于齐次坐标，按如下步骤计算获得：
a.在优化计算的过程中，先对公式(6)中的Rlr,Tlr，Rl,Tl赋值；
b.根据公式(6)，即可进一步得到Rr,Tr；
c.根据公式(4)、(5)和三维向二维映射，得到ml',mr'；
d.由公式(7)计算出εf；
e.利用非线性最小二乘法不断优化所述误差εf：不断对公式(6)中的Rlr,Tlr，Rl,Tl赋值，以迭代的方式执行步骤a至d不断，直至误差εf最小；
根据最终优化的误差εf确定相应的左、右相机之间的旋转、平移矩阵Rlr,Tlr，以及Rl,Tl；最终优化的误差εf对应的Rlr,Tlr为左、右相机的外参数。
对于上述实施例而言，其给出了完整的实施例以示例性说明如何具体的求得外参数和内参数。能够理解，由于内参数仅仅是每个相机的固有属性参数，与其镜头等有关，因此，只需要通过张正友标定法即可确定，这属于现有技术，并非本发明的关键。本发明的关键在于：如何通过具体的方法求得外参数。
进一步的，在另一个实施例中，由于一个棋盘格上有多个角点，并且事先拍摄了多个不同姿态的棋盘图像，因此，可以得到不同姿态下所有角点总体的误差ε：
其中，i表示拍摄的所有不同姿态的棋盘图像，其从1取值到N，j表示每一个棋盘上的的所有角点，其从0取值到M。
因此，这意味着本实施例可以用于约束上一实施例的迭代终止条件。
在另一个实施例中，金字塔块匹配包括，
基于第二类型图像和第三类型图像进行金字塔块匹配得到双目图像的第一匹配点对时：
将同步实时采集的多张第二、第三类型图像依据预定的采样率进行缩放得到各自分辨率由小到大的图像金字塔，每个图像金字塔中：分辨率最大的层为对应的原图，分辨率最小的层大于32*32；
从第二类型图像和第三类型图像中任选其一，其对应的图像金字塔从分辨率最小的图像划分为一定的图像块，对所述图像块利用灰度最小误差平方和以便计算当前图像块的中心点在第二类型图像和第三类型图像中的另一图像上的位移，得到其中一个图像的中心点在另一图像上的对应位置；
划分的图像块的中心点以匹配种子点，对于金字塔上的相邻两层图像的种子点满足以下关系：其中/>代表种子点在金字塔P层左图上的坐标，/>代表种子点在金字塔P层右图上的坐标，/>代表种子点在P-1层的位移，λ代表上采样率，
根据金字塔最后一层的原始的双目图像对，得到种子点的匹配信息之后，在包含16个种子点的块内利用单应性变换生成匹配点增加匹配信息，其中，单应矩阵由16个种子点通过随机一致采样法得到，是一个3*3的矩阵，设单应矩阵为那么种子点所在块内的任意一点(xr,yr)，即在左相机拍摄的左图中的点，通过下面的变换得到其在右相机拍摄的右图中对应的匹配点(xr,yr)：/>
通过上述步骤得到的匹配信息是含噪的，包含着较多错误的匹配点的，进一步结合先验知识进行匹配点对的筛选；
其中，i表示匹配点对的个数为多个，i为自然数；
任一Pl表示双目左图的某个点(xl,yl)；
相应的Pr则表示Pl在右图中的匹配点(xr,yr)。
在另一个实施例中，其中，
根据以下公式筛选所述匹配点以得到双目图像的初始匹配点对(Pl，Pr)：
Pr T(e1,e2,e3)＝0，该式表示Pl的匹配点Pr应该在极线上，其中，Pr＝(xr,yr,1)，Pl＝(xl,yl,1)，分别是相应匹配点的齐次坐标；
并且，e＝(e1,e2,e3)＝FPl，其中，
e1,e2,e3代表Pl在右图上的极线方程的系数；
F为基础矩阵，是大小为3*3的矩阵，能够发现，该基础矩阵关联于双目图像的匹配点对；
此外，筛选以得到匹配点对时，还需满足下式：
该式表示pr到pl对应的右图极线的距离应该小于1个像素。
进一步的，在另一个实施例中，其中，
对i个匹配点对，进行自适应视差等级计算，找到其中的最大视差值Dmax和最小视差值Dmin：
在另一个实施例中，对于所述归一化互相关匹配，其中，
所述匹配是基于图像灰度信息的匹配，按如下公式进行归一化互相关NCC(Normalization cross correlation)匹配：
其中，(i,j)表示i行j列，I1(x,y)表示行列(i,j)处的模板图像的灰度值，I2(x,y)表示行列(i,j)处的ROI(Region of Interest)图像的灰度值，表示模板图像的平均灰度值，/>表示ROI图像的平均灰度值；
以滑动窗口的方式遍历视差范围，每次滑动都会产生一个和模板图像为等大小的ROI图像，计算模板图像与当前ROI图像的相似性度量值；
遍历完整的图像后，则形成一个图像，找出相似性度量值的最大值所对应的位置作为目标匹配位置。
在另一个实施例中，其中，
按如下步骤实施如下基于金字塔NCC算法的匹配：
设置金字塔层数nLevels，创建待匹配图像和模板图像对应的nLevels层金字塔图像；
创建每层金字塔时，涉及到降采样处理，降采样后出现锯齿，采用平滑滤波器进行处理；
计算模板与待匹配图像中ROI图像的相似性值，选择归一化互相关NCC为相似性度量值，在视差等级范围内进行匹配；
对于低分辨率的匹配值，上采样到高分辨率上，在一个小的范围内进行NCC匹配，得到最终的匹配效果；
需要通过双目相机拍摄包含目标(例如变压器油箱或变压器)的图像，利用三角测距的方法定位目标的空间位置，同时通过半自动地给出测量线以及保护框，计算目标的长度以及目标距离保护物的距离；
其中，
双目匹配时仅针对目标的两个端点位置，在双目图像中的位置进行像素匹配，然后利用三角测量的方法恢复出目标端点处的三维坐标，最后使用三维坐标之间的欧氏距离恢复出目标的长度；
其中，对于目标与保护物之间的距离测量：在双目图像中匹配保护物并恢复出保护物中心点的三维坐标，然后利用保护物的三维坐标与目标中心的三维坐标进行测量，获取目标距离保护物的距离。
此外，对于本发明而言，以变压器油箱的一个面的长度为例，所述方法还包括如下步骤：
假设B、C两个点代表变压器油箱的该面的两端的两个端点，在左、右相机的双目图像中的第二类型图像、第三类型图像中的任一图像中，以B、C两个端点为中心形成该图像中的第一矩形框和第二矩形框；
依据第一矩形框中心B、第二矩形框中心C，分别进行金字塔匹配，找到第二类型图像、第三类型图像中的另一幅图中的对应点B’、C’；
进一步，对于B、C两点中的每一点，通过如下步骤得到场景中该点在左相机下的三维坐标slXl：
对Xl进行叉乘运算：
代表向量叉乘，其中，/>表示Xl的转置；
Xl和Xr作为归一化的相机坐标系下的坐标，通过如下归一化得到：
其中，(xL,yL)与(xR,yR)为基于金字塔块匹配得到的二维匹配点对；
由此，通过(xL,yL)与(xR,yR)可求得Xl和Xr，并求得
这使得(8)式中，等式右侧Rlr、Tlr都是已知项，而(12)式中等式左侧为0，因此可求取出右相机下的深度sr，从而进一步求取出右相机下某点的坐标srXr；
然后，依据下式(13)的三角测量公式，进一步求取出左相机的深度sl：
slXl＝srRlrXr+Tlr (13)，
并进一步求取出右相机下的该点的三维坐标slXl；
进一步，对于B、C两点中的每一点，能够求得左、右相机下的每一点的三维坐标slXl、srXr，从而得出B、C两个端点的三维坐标，待测量的长度则由B、C两个端点的欧氏距离可得：
假设点B和C的三维坐标为(XB,YB,ZB)和(XC,YC,ZC)，则其欧氏距离d为：
能够理解，假设B、C代表变压器油箱的一个面的、长度方向上的两个端点，按照上述实施例即可实时的确定变压器油箱的一个面的长度，并检测其是否发生长度方向上的形变。类似的，宽度方向上的端点之间的欧氏距离同样可以采用上述实施例来确定。显而易见，本发明巧妙的利用了欧氏距离即可定义相应的长和宽，监测所述长和宽以进一步监测形变。
在另一个实施例中，所述云台自动进行左右360度，上下20度的旋转搜索。能够理解，这是为了在布置现场更有针对性的实时、全面检测，避免浪费在不必要的目标上。
需要说明的是，本发明中，匹配的目的是在两个不同的视角，依据一定的相似度准则匹配出目标在前后两幅图中的位置，以帮助后续结合内外参信息进行三维重建恢复目标的三维空间坐标。归一化互相关匹配(NCC)算法是图像匹配算法中较为经典的匹配算法。它是一种相似性度量或者匹配程度的表征，而不是一种图像匹配的完整方法，但是把互相关的思想作为度量测度，在许多匹配算法里都会用到。它通过计算参考图和模版图之间的互相关度量值来确定两者的匹配程度，度量值大小反映了参考图和模版图之间的相似程度。度量值越大，表示搜索子图上的位置和模板越相似。当度量值为1时，两者最相似，为最佳匹配位置。当然，通常由于不同传感器或同一传感器在不同时间、不同视点获得的图像在空间上往往会存在差异、自然环境的变化、传感器本身的缺陷、图像噪声的影响、因此很难找到度量值为1的匹配位置。通常只需要在参考图上找到最大度量值的位置，为最佳匹配位置。
图2为根据本发明实施方式的变压器油箱的测量系统200的结构示意图。如图2所示，了一种基于深度学习的变压器油箱的测量系统，包括：
第一图像获取模块201，用于使第一相机拍摄目标电力设备的第一个面以获得第一个面的第一类型图像；
第一识别模块202，用于通过深度学习算法YOLO技术在第一个面的第一类型图像中识别变压器油箱在所述第一个面中的位置；
第二图像获取模块203，用于根据识别的变压器油箱的位置，控制第一相机拍摄目标电力设备的其余面以获得其余面的第一类型图像；
第二识别模块204，用于通过深度学习算法YOLO技术在其余面的第一类型图像中识别变压器油箱在其余面中的位置；
图像截取模块205，用于从所述第一个面和其余面的所有第一类型图像中分别截取变压器油箱在各个面的区域作为截取处理后的第一类型图像；
待测量的目标面确定模块206，用于对于截取处理后的第一类型图像，通过显著性检测算法和水平投影法定位变压器油箱以判定变压器油箱是否在第一个面以及其余面中的任意面存在缺陷，并将判定存在缺陷的变压器油箱的面设定为待测量的目标面；
双目图像确定模块207，用于对于所有的待测量的目标面，双目相机中的每个相机对每一个待测量的目标面进行同步实时采集，获取该面上的第二类型图像和第三类型图像，其中，第二类型图像和第三类型图像构成双目图像；
计算模块208，用于利用金字塔匹配算法和三角测量法处理所述双目图像，计算变压器油箱在每一个待测量的目标面上的空间位置和几何参数。
本发明提供的基于深度学习的变压器油箱的测量方法及系统，从不同角度对变压器的油箱的不同平面进行拍照，识别出存在缺陷的目标平面，以及定位该面上变压器油箱的几何参数并进行测量，通过长期的测量，可基于历史测量信息和当前测量信息判断变压器油箱是否发生形貌上的变化以及变化量。
本发明的实施例的基于深度学习的变压器油箱的测量系统200与本发明的另一个实施例的基于深度学习的变压器油箱的测量方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种基于深度学习的变压器油箱的测量方法，包括以下步骤：
第一步骤，第一相机拍摄目标电力设备的第一个面以获得第一个面的第一类型图像；
第二步骤，通过深度学习算法YOLO技术在第一个面的第一类型图像中识别变压器油箱在所述第一个面中的位置；
第三步骤，根据识别的变压器油箱的位置，控制第一相机拍摄目标电力设备的其余面以获得其余面的第一类型图像；
第四步骤，通过深度学习算法YOLO技术在其余面的第一类型图像中识别变压器油箱在其余面中的位置；
第五步骤，从所述第一个面和其余面的所有第一类型图像中分别截取变压器油箱在各个面的区域作为截取处理后的第一类型图像；
第六步骤，对于截取处理后的第一类型图像，通过显著性检测算法和水平投影法定位变压器油箱以判定变压器油箱是否在第一个面以及其余面中的任意面存在缺陷，并将判定存在缺陷的变压器油箱的面设定为待测量的目标面；
第七步骤，对于所有的待测量的目标面，双目相机中的每个相机对每一个待测量的目标面进行同步实时采集，获取该面上的第二类型图像和第三类型图像，其中，第二类型图像和第三类型图像构成双目图像；
第八步骤，利用金字塔匹配算法和三角测量法处理所述双目图像，计算变压器油箱在每一个待测量的目标面上的空间位置和几何参数；
其中，所述第一个面为变压器油箱的4个侧面中的任意一个；
所述其余面为变压器油箱的4个侧面中除第一个面之外的其余面；
其中，所述第八步骤具体包括如下子步骤：
基于第二类型图像和第三类型图像进行金字塔块匹配得到双目图像的第一匹配点对，计算第一匹配点对中的所有匹配点的水平方向坐标之差的绝对值，将差值最小的值作为视差最小值，差值最大的值作为视差最大值以得到自适应视差等级；
进行归一化互相关匹配以得到第二匹配点对，通过第二匹配点对、双目相机中的两个相机的内参数和外参数，依据三角测量得到目标的空间位置和几何参数确定目标的长和宽。
2.根据权利要求1所述的方法，其中，所述方法还包括如下步骤：
测量变压器油箱在每一个待测量的目标面上的长和宽，并以此监测变压器油箱在任一个待测量的目标面上是否发生长或宽方向上的形变。
3.根据权利要求2所述的方法，其中，所述方法还包括：
当监测到变压器油箱在任一个待测量的目标面上发生长或宽方向上的形变时，根据检测长或宽的历史信息，计算发生形变的形变量。
4.根据权利要求1所述的方法，其中，
第三步骤中，控制第一相机拍摄目标电力设备的上顶面，以获得上顶面的第一类型图像。
5.根据权利要求1所述的方法，其中，
所述云台是一个云台、多个云台或无人机云台。
6.根据权利要求1所述的方法，其中，通过双目标定求取双目相机中的两个相机的内参数和外参数，包括：
提取标定图像中的棋盘点，采用张正友标定法，计算双目相机中的两个相机的内参数，然后根据相机成像原理，采用光束平差法和非线性优化的方法，计算得到双目相机中左、右相机的外参数，
其中，
对于左、右相机，采用光束平差法基于相机成像计算得到物体的图像坐标，
计算的图像坐标与真实检测得到的图像坐标进行重投影误差计算；
通过非线性优化的方法，使得重投影误差最小以得到相机的外参数。
7.根据权利要求6所述的方法，其中，所述提取标定图像中的棋盘点，采用张正友标定法，计算双目相机中的两个相机的内参数，然后根据相机成像原理，采用光束平差法和非线性优化的方法，计算得到双目相机中左、右相机的外参数，具体包括：
令相机坐标系下标志物的齐次坐标为M＝(X',Y',Z',1)，图像坐标系下标志物的齐次坐标为m＝(μ，v，1)，提取棋盘角点在二维图像坐标系下的像素位置为(μ，v)，
通过张正友相机标定法获得左、右相机的内参数；
令棋盘格的三维坐标与相机坐标系之间的转换关系如下：
其中，(X,Y,Z)为世界坐标系下棋盘角点的三维坐标，(X',Y',Z')为相机坐标系下标志物角点坐标，R,T分别为世界坐标系和相机坐标系之间的旋转矩阵和平移矩阵，
通过相机内参矩阵建立空间点到二维点的几何关系：
其中，
A为相机内参矩阵；
s为深度因子，所述深度因子取决于相机拍摄时距标定板的距离；
(fx,fy,ux,uy)为相机的内参数；
对于上式(2)，三维坐标映射到图像坐标的关系进一步表达为：
对于上式(3)，左、右相机的三维空间坐标点与二维像素坐标点之间的映射关系通过如下左右相机方程组表达，其中l下标表示对应于左相机，r下标表示对应于右相机：
其中，(flx,fly,ulx,uly)，(frx,fry,urx,ury)分别为左、右相机的内参数，为左右相机的焦距与主点坐标，其通过张正友标定法标定而确定；
右相机的空间集合关系表示为：
计算获得的标志物角点位置与提取的角点位置之间存在如下误差：
其中，ml,mr为真实检测到的左、右图棋盘角点坐标位置，是已知量，其通过图像像素齐次坐标表示；λ1,λ2为左、右相机投影变换误差的权重，取经验值；根据标定经验，λ1,λ2设置为1；
ml',mr'作为三维点投影到图像坐标系的坐标，也属于齐次坐标，按如下步骤计算获得：
a.在优化计算的过程中，对公式(6)中的Rlr,Tlr，Rl,Tl赋值；
b.根据公式(6)，得到Rr,Tr；
c.根据公式(4)、(5)和三维向二维映射，得到ml',mr'；
d.由公式(7)计算出εf；
e.利用非线性最小二乘法不断优化所述误差εf：不断对公式(6)中的Rlr,Tlr，Rl,Tl赋值，以迭代的方式执行步骤a至d不断，直至误差εf最小；
根据最终优化的误差εf确定相应的左、右相机之间的旋转、平移矩阵Rlr,Tlr，以及Rl,Tl；最终优化的误差εf对应的Rlr,Tlr为左、右相机的外参数。
8.根据权利要求7所述的方法，其中，金字塔块匹配包括，
基于第二类型图像和第三类型图像进行金字塔块匹配得到双目图像的第一匹配点对时：
将同步实时采集的多张第二、第三类型图像依据预定的采样率进行缩放得到各自分辨率由小到大的图像金字塔，每个图像金字塔中：分辨率最大的层为对应的原图，分辨率最小的层大于32*32；
从第二类型图像和第三类型图像中任选其一，其对应的图像金字塔从分辨率最小的图像划分为一定的图像块，对所述图像块利用灰度最小误差平方和以便计算当前图像块的中心点在第二类型图像和第三类型图像中的另一图像上的位移，得到其中一个图像的中心点在另一图像上的对应位置；
划分的图像块的中心点以匹配种子点，对于金字塔上的相邻两层图像的种子点满足以下关系：其中/>代表种子点在金字塔P层左图上的坐标，/>代表种子点在金字塔P层右图上的坐标，/>代表种子点在P-1层的位移，λ代表上采样率，
根据金字塔最后一层的原始的双目图像对，得到种子点的匹配信息之后，在包含16个种子点的块内利用单应性变换生成匹配点增加匹配信息，其中，单应矩阵由16个种子点通过随机一致采样法得到，是一个3*3的矩阵，设单应矩阵为那么种子点所在块内的任意一点(xr,yr)，即在左相机拍摄的左图中的点，通过下面的变换得到其在右相机拍摄的右图中对应的匹配点(xr,yr)：
结合先验知识进行匹配点对(Pl i,)的筛选；
其中，i表示匹配点对的个数为多个，i为自然数；
任一Pl表示双目左图的某个点(xl,yl)；
相应的Pr则表示Pl在右图中的匹配点(xr,yr)。
9.一种基于深度学习的变压器油箱的测量系统，包括：
第一图像获取模块，用于使第一相机拍摄目标电力设备的第一个面以获得第一个面的第一类型图像；
第一识别模块，用于通过深度学习算法YOLO技术在第一个面的第一类型图像中识别变压器油箱在所述第一个面中的位置；
第二图像获取模块，用于根据识别的变压器油箱的位置，控制第一相机拍摄目标电力设备的其余面以获得其余面的第一类型图像；
第二识别模块，用于通过深度学习算法YOLO技术在其余面的第一类型图像中识别变压器油箱在其余面中的位置；
图像截取模块，用于从所述第一个面和其余面的所有第一类型图像中分别截取变压器油箱在各个面的区域作为截取处理后的第一类型图像；
待测量的目标面确定模块，用于对于截取处理后的第一类型图像，通过显著性检测算法和水平投影法定位变压器油箱以判定变压器油箱是否在第一个面以及其余面中的任意面存在缺陷，并将判定存在缺陷的变压器油箱的面设定为待测量的目标面；
双目图像确定模块，用于对于所有的待测量的目标面，双目相机中的每个相机对每一个待测量的目标面进行同步实时采集，获取该面上的第二类型图像和第三类型图像，其中，第二类型图像和第三类型图像构成双目图像；
计算模块，用于利用金字塔匹配算法和三角测量法处理所述双目图像，计算变压器油箱在每一个待测量的目标面上的空间位置和几何参数；
其中，所述第一个面为变压器油箱的4个侧面中的任意一个；
所述其余面为变压器油箱的4个侧面中除第一个面之外的其余面；
其中，所述计算模块，具体用于：
基于第二类型图像和第三类型图像进行金字塔块匹配得到双目图像的第一匹配点对，计算第一匹配点对中的所有匹配点的水平方向坐标之差的绝对值，将差值最小的值作为视差最小值，差值最大的值作为视差最大值以得到自适应视差等级；
进行归一化互相关匹配以得到第二匹配点对，通过第二匹配点对、双目相机中的两个相机的内参数和外参数，依据三角测量得到目标的空间位置和几何参数确定目标的长和宽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110955141.9A CN113870354B (zh) | 2021-08-19 | 2021-08-19 | 一种基于深度学习的变压器油箱的测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110955141.9A CN113870354B (zh) | 2021-08-19 | 2021-08-19 | 一种基于深度学习的变压器油箱的测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113870354A CN113870354A (zh) | 2021-12-31 |
| CN113870354B true CN113870354B (zh) | 2024-03-08 |
Family
ID=78990694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110955141.9A Active CN113870354B (zh) | 2021-08-19 | 2021-08-19 | 一种基于深度学习的变压器油箱的测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113870354B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109084724A (zh) * | 2018-07-06 | 2018-12-25 | 西安理工大学 | 一种基于双目视觉的深度学习障碍物测距方法 |
| CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101876533B (zh) * | 2010-06-23 | 2011-11-30 | 北京航空航天大学 | 一种显微立体视觉校准方法 |
-
2021
- 2021-08-19 CN CN202110955141.9A patent/CN113870354B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109084724A (zh) * | 2018-07-06 | 2018-12-25 | 西安理工大学 | 一种基于双目视觉的深度学习障碍物测距方法 |
| CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 眼科手术机器人双目视觉标定方法研究;闫兴;曹禹;王晓楠;朱立夫;王君;何文浩;;工具技术;20191220(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113870354A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105894499B (zh) | 一种基于双目视觉的空间物体三维信息快速检测方法 | |
| CN108876836B (zh) | 一种深度估计方法、装置、系统及计算机可读存储介质 | |
| TWI555379B (zh) | 一種全景魚眼相機影像校正、合成與景深重建方法與其系統 | |
| WO2014044126A1 (zh) | 坐标获取装置、实时三维重建系统和方法、立体交互设备 | |
| CN106530358A (zh) | 仅用两幅场景图像标定ptz摄像机的方法 | |
| CN106570899B (zh) | 一种目标物体检测方法及装置 | |
| CN110060304B (zh) | 一种生物体三维信息采集方法 | |
| CN110322485A (zh) | 一种异构多相机成像系统的快速图像配准方法 | |
| CA3233222A1 (en) | Method, apparatus and device for photogrammetry, and storage medium | |
| CN114359406A (zh) | 自动对焦双目摄像头的标定、3d视觉及深度点云计算方法 | |
| CN116957987A (zh) | 一种多目极线校正方法、装置、计算机设备及存储介质 | |
| CN112470189B (zh) | 光场系统的遮挡消除 | |
| CN109990756B (zh) | 一种双目测距方法及系统 | |
| CN108537831B (zh) | 对增材制造工件进行ct成像的方法及装置 | |
| JP7300895B2 (ja) | 画像処理装置および画像処理方法、プログラム、並びに記憶媒体 | |
| CN113870354B (zh) | 一种基于深度学习的变压器油箱的测量方法及系统 | |
| JP7033294B2 (ja) | 撮像システム、撮像方法 | |
| CN111768448A (zh) | 一种基于多相机检测的空间坐标系标定方法 | |
| CN113240749B (zh) | 一种面向海上舰船平台无人机回收的远距离双目标定与测距方法 | |
| CN113884017B (zh) | 一种基于三目视觉的绝缘子的非接触形变检测方法及系统 | |
| Su et al. | An automatic calibration system for binocular stereo imaging | |
| CN109389629B (zh) | 立体匹配自适应视差等级的确定方法 | |
| CN113793388A (zh) | 一种基于深度学习的立体视觉人际安全距离检测方法 | |
| CN106447613A (zh) | 一种基于图像局部配准的全景去虚影方法及系统 | |
| CN112102419A (zh) | 双光成像设备标定方法及系统、图像配准方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |