CN114419028A - 融合空间多视角的输电线路绝缘子缺陷去重方法及装置 - Google Patents
融合空间多视角的输电线路绝缘子缺陷去重方法及装置 Download PDFInfo
- Publication number
- CN114419028A CN114419028A CN202210234565.0A CN202210234565A CN114419028A CN 114419028 A CN114419028 A CN 114419028A CN 202210234565 A CN202210234565 A CN 202210234565A CN 114419028 A CN114419028 A CN 114419028A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- pixel
- determining
- transmission line
- 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
Images
Classifications
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种融合空间多视角的输电线路绝缘子缺陷去重方法及装置，通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿和待检测图像中每一像素对应的深度系数；根据相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；根据映射关系和目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中，达到缺陷在物理三维空间上的唯一表达，最终实现缺陷去重，避免人工花费大量时间和精力去反复校核缺陷是否为同一个。
Description
技术领域
本申请涉及高压线绝缘子缺陷故障诊断技术领域，特别是涉及一种融合空间多视角的输电线路绝缘子缺陷去重方法及装置。
背景技术
绝缘子串是由两个或多个绝缘子原件组合在一起，柔性悬挂的组件，是带有固定和运行需要的保护装置，被广泛应用于电力输电线路中。一旦玻璃绝缘子串发生自爆缺陷，经严重威胁到电网的安全运行，因此非常有必要对电力输电线路绝缘子串的自爆进行识别。鉴于传统巡检方式难度大、耗时长、效率低等问题，无人机巡检正在逐步替代人工巡检。
在现有的无人机巡检中，是通过无人机对电力输电线路进行拍照，获得多张图像，然后由人工对图像进行分析，确定具有缺陷的绝缘子串。由于无人机对电力输电线路进行拍摄时，会存在从多个角度对同一个绝缘子串进行拍摄的情况，故一旦绝缘子串存在缺陷，将导致多张图像会检测出缺陷目标，需要花费大量人力和时间去审核缺陷目标的真实存在情况。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确且直观的融合空间多视角的输电线路绝缘子缺陷去重方法及装置。
第一方面，本申请提供了一种融合空间多视角的输电线路绝缘子缺陷去重方法。所述方法包括：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
基于预设算法，确定待检测图像中每一像素对应的深度系数；
根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
在其中一个实施例中，输电线路的三维数字化模型中存在若干三维特征点；相应地，基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿，包括：
获取待检测图像的至少四个特征点；
将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿。
在其中一个实施例中，将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿，包括：
将至少四个特征点分为第一集合和第二集合；
根据第一集合中的特征点与三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；
根据每一转换参数和第二集合中的特征点，确定每一次匹配对应的代价值；
根据代价值中最小值对应的转换参数，确定待检测的绝缘子串图像对应的相机位姿。
在其中一个实施例中，基于预设算法，确定待检测图像中每一像素对应的深度系数，包括：
以待检测图像的获取时刻为当前时刻，获取当前时刻的上一时刻获取的待检测图像；
根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数。
在其中一个实施例中，根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数，包括：
对于当前时刻的待检测图像中的任一像素，获取任一像素与上一时刻的待检测图像中的每一像素的视差；
根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差；
根据当前时刻获取的待检测图像中每一像素的最优视差，确定当前时刻获取的待检测图像中每一像素对的深度系数。
在其中一个实施例中，根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差，包括：
对于当前时刻的待检测图像中的所有像素，选取与上一时刻的待检测图像中的任一像素的视差，构建视差图；
计算每一视差图对应的能量函数，能量函数用于指示视差图的大小；
根据能量函数最小的视差图，确定当前时刻获取的待检测图像中每一像素的最优视差。
第二方面，本申请还提供了一种融合空间多视角的输电线路绝缘子缺陷去重装置。所述装置包括：
检测模块，用于通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
第一确定模块，用于若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
第二确定模块，用于基于预设算法，确定待检测图像中每一像素对应的深度系数；
第三确定模块，用于根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
第四确定模块，用于根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
基于预设算法，确定待检测图像中每一像素对应的深度系数；
根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
基于预设算法，确定待检测图像中每一像素对应的深度系数；
根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
基于预设算法，确定待检测图像中每一像素对应的深度系数；
根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
上述融合空间多视角的输电线路绝缘子缺陷去重方法及装置，通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；基于预设算法，确定待检测图像中每一像素对应的深度系数；根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。将无人机精细化巡视输电线路的同一不见不同角度巡视到的图像，注册到输电线路三维空间上获取拍摄定位，结合目标检测将绝缘子串目标在三维上进行像素映射，实现同一绝缘子串的不同拍摄角度图像在物理三维空间上的唯一表达，实现缺陷去重，避免人工花费大量时间和精力去反复校核缺陷是否为同一个。
附图说明
图1为一个实施例中融合空间多视角的输电线路绝缘子缺陷去重方法的流程示意图；
图2为另一个实施例中融合空间多视角的输电线路绝缘子缺陷去重方法的流程示意图；
图3为又一个实施例中融合空间多视角的输电线路绝缘子缺陷去重方法的流程示意图；
图4为一个实施例中恢复的深度图的示意图；
图5为一个实施例中融合空间多视角的输电线路绝缘子缺陷去重装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供一种融合空间多视角的输电线路绝缘子缺陷去重方法，以该方法应用于服务器为例进行说明，包括以下步骤：
步骤102，通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
步骤104，若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
步骤106，基于预设算法，确定待检测图像中每一像素对应的深度系数；
步骤108，根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
步骤110，根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
其中，目标检测模型用于从无人机拍摄到的图像中检测出，是否存在具有缺陷的绝缘子串，通过在电力传输线路场景的专用数据集上训练，实现端到端输电线路绝缘子自爆缺陷的目标检测识别。在本实施例中，可以采用基于深度学习YOLOv4目标检测算法，具有模型轻量级、算法准确度高、速度快的优点，能够有效对具有自爆缺陷的绝缘子串进行检测。
输电线路的三维数字化模型是通过大规模图像三维重建技术将输电廊道进行三维数字化重建得到的，是输电廊道真实场景的还原，在进行三维数字化建模的时候，会生成大量的三维特征点。根据三维特征点与图像中的二维特征点进行匹配，可以确定相机的位姿。
需要说明的是，由相机的位姿只能够知道安装有摄像头的无人机在拍摄时，在世界坐标系下（即三维数字化模型所在的坐标系）的位置和姿态，但没有办法知道所拍摄物体离摄像头的距离。在实际控制无人机飞行时可能设定有一个距离值，但是此距离值只是一个大概值，且在具体飞行时存在太多不可控因素，故此距离值不够准确，可以通过将图像恢复为深度图像，获取到深度值，以此来确定图像中拍摄物体距离摄像头的距离。在获取到相机的位姿和图像中每一像素的深度后，就可以将二维图像中的每一像素映射到三维空间中，通过可视化技术显示出来，即可以确定具有缺陷的绝缘子串的位置。
上述融合空间多视角的输电线路绝缘子缺陷去重方法中，通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；基于预设算法，确定待检测图像中每一像素对应的深度系数；根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射位置；根据待检测图像的每一像素在三维数字化模型中的映射位置，确定待检测图像中具有缺陷的绝缘子串的三维位置。将无人机精细化巡视输电线路的同一不见不同角度巡视到的图像，注册到输电线路三维空间上获取拍摄定位，结合目标检测将绝缘子串目标在三维上进行像素映射，实现同一绝缘子串的不同拍摄角度图像在物理三维空间上的唯一表达，避免人工花费大量时间和精力去反复校核缺陷是否为同一个。
在其中一个实施例中，输电线路的三维数字化模型中存在若干三维特征点；相应地，参见图2，基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿，包括：
步骤202，获取待检测图像的至少四个特征点；
步骤204，将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿。
图像处理中，特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点（即两个边缘的交点）。图像特征点在基于特征点的图像匹配算法中有着十分重要的作用。图像特征点能够反映图像本质特征，能够标识图像中目标物体。通过特征点的匹配能够完成图像的匹配，也可以通过二维特征点与三维特征点的匹配，确定相机的位姿。以典型的求解2D-3D点对运动的PNP（Perspective-n-Point）算法为例，可以理解的是，二维图像是由无数个像素组成的，选择一个图像坐标系后，每一像素都具有唯一的坐标，而通过提取的图像特征点本质也是像素，也会有唯一的坐标；而在知道若干个三维空间点的坐标和其二维的投影位置时，可以通过两个坐标系之间的转换，确定相机的位姿信息。
上述融合空间多视角的输电线路绝缘子缺陷去重方法中，获取待检测图像的至少四个特征点；将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿。将无人机精细化巡视输电线路的同一不见不同角度巡视到的图像，注册到输电线路三维空间上获取拍摄定位，结合目标检测将绝缘子串目标在三维上进行像素映射，实现同一绝缘子串的不同拍摄角度图像在物理三维空间上的唯一表达，避免人工花费大量时间和精力去反复校核缺陷是否为同一个。
在其中一个实施例中，参见图3，将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿，包括：
步骤302，将至少四个特征点分为第一集合和第二集合；
步骤304，根据第一集合中的特征点与三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；
步骤306，根据每一转换参数和第二集合中的特征点，确定每一次匹配对应的代价值；
步骤308，根据代价值中最小值对应的转换参数，确定待检测的绝缘子串图像对应的相机位姿。
根据PNP（Perspective-n-Point）相机位姿估计算法的原理可知，在相机的位姿进行估计时，至少需要用到4对特征点才能对相机位姿进行唯一求解，在实际应用时，获取到的特征点的对数肯定大于4对。首先在三维空间中，相机的位姿用6DoF空间信息（x，y，z，rx，ry，rz）表示，在相机（图像）坐标系和世界坐标系之间，存在下列转换关系：
其中（u,v）表示相机坐标系中的点，（x,y,z）表示世界坐标系中的点，R表示旋转矩阵、t表示平移位置。由旋转矩阵和平移位置组成转换参数，表示两个坐标系之间的转换关系。
先由其中一部分特征点进行匹配确定此次匹配时用到的转换参数，在利用最后一对特征点进行转换参数检验，选取误差最小的那次匹配的转换参数，作为秋街道的最终的转移参数，利用其中的转移矩阵和平移位置计算得到相机的位姿。
上述融合空间多视角的输电线路绝缘子缺陷去重方法中，将至少四个特征点分为第一集合和第二集合；根据第一集合中的特征点与三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；根据每一转换参数和第二集合中的特征点，确定每一次匹配对应的代价值；根据代价值中最小值对应的转换参数，确定待检测的绝缘子串图像对应的相机位姿。将无人机精细化巡视输电线路的同一不见不同角度巡视到的图像，注册到输电线路三维空间上获取拍摄定位，结合目标检测将绝缘子串目标在三维上进行像素映射，实现同一绝缘子串的不同拍摄角度图像在物理三维空间上的唯一表达，避免人工花费大量时间和精力去反复校核缺陷是否为同一个。
在其中一个实施例中，基于预设算法，确定待检测图像中每一像素对应的深度系数，包括：
以待检测图像的获取时刻为当前时刻，获取当前时刻的上一时刻获取的待检测图像；
根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数。
在其中一个实施例中，根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数，包括：
对于当前时刻的待检测图像中的任一像素，获取任一像素与上一时刻的待检测图像中的每一像素的视差；
根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差；
根据当前时刻获取的待检测图像中每一像素的最优视差，确定当前时刻获取的待检测图像中每一像素对的深度系数。
在其中一个实施例中，根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差，包括：
对于当前时刻的待检测图像中的所有像素，选取与上一时刻的待检测图像中的任一像素的视差，构建视差图；
计算每一视差图对应的能量函数，能量函数用于指示视差图的大小；
根据能量函数最小的视差图，确定当前时刻获取的待检测图像中每一像素的最优视差。
需要说明的是，在现有技术中，是利用双目摄像头同时拍摄的两张图像进行深度图像恢复，但是无人机上一般采用的是单目摄像头，但是考虑到在进行巡视时，相邻两次拍摄图像时间间隔会较近，两张图像之间会有大量重叠场景，故可以使用相邻两次拍摄的图像进行深度图像恢复。具体地，当无人机在进行输电线路精细化巡视的时候，巡视部件会按照一定的要求，使无人机在一定距离拍摄几个不同角度的图像，图像之间存在一定的重合度。如下面无人机在巡视某杆塔的两个相邻图像，恢复的深度图如4所示。颜色越深表示距离越近，反之则反。
深度图估计可以采用SGBM算法，SGBM算法作为一种全局匹配算法，立体匹配的效果明显好于局部匹配算法，但是同时复杂度上也要远远大于局部匹配算法。通过选取每个像素点的disparity，组成一个disparity map，设置一个和disparity map相关的全局能量函数，使这个能量函数最小化，以达到求解每个像素最优disparity的目的。
能量函数形式如下：
其中，D指disparity map。E(D)是该disparity map对应的能量函数；p、q代表图像中的某个像素；Np 指像素p的相邻像素点（一般认为8连通）；C(p， Dp)指当前像素点disparity为Dp时，该像素点的cost；P1是一个惩罚系数，它适用于像素p相邻像素中dsparity值与p的dsparity值相差1的那些像素；P2是一个惩罚系数，它适用于像素p相邻像素中dsparity值与p的dsparity值相差大于1的那些像素；I[.]函数返回1如果函数中的参数为真，否则返回0。在计算得到每一像素对应的深度之后，就可以根据相机的位姿和每一像素的深度，将二维图像中的每一像素映射到三维数字化模型中。
上述融合空间多视角的输电线路绝缘子缺陷去重方法中，基于预设算法，确定待检测图像中每一像素对应的深度系数；根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射位置；根据待检测图像的每一像素在三维数字化模型中的映射位置，确定待检测图像中具有缺陷的绝缘子串的三维位置。将无人机精细化巡视输电线路的同一不见不同角度巡视到的图像，注册到输电线路三维空间上获取拍摄定位，结合目标检测将绝缘子串目标在三维上进行像素映射，实现同一绝缘子串的不同拍摄角度图像在物理三维空间上的唯一表达，避免人工花费大量时间和精力去反复校核缺陷是否为同一个。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的融合空间多视角的输电线路绝缘子缺陷去重方法的融合空间多视角的输电线路绝缘子缺陷去重装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个融合空间多视角的输电线路绝缘子缺陷去重装置实施例中的具体限定可以参见上文中对于融合空间多视角的输电线路绝缘子缺陷去重方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种融合空间多视角的输电线路绝缘子缺陷去重装置，包括：检测模块501、第一确定模块502、第二确定模块503、第三确定模块504和第四确定模块505，其中：
检测模块501，用于通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
第一确定模块502，用于若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
第二确定模块503，用于基于预设算法，确定待检测图像中每一像素对应的深度系数；
第三确定模块504，用于根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
第四确定模块505，用于根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合所述目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
在其中一个实施例中，第一确定模块502还用于：
获取待检测图像的至少四个特征点；
将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿。
在其中一个实施例中，第一确定模块502还用于：
将至少四个特征点分为第一集合和第二集合；
根据第一集合中的特征点与三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；
根据每一转换参数和第二集合中的特征点，确定每一次匹配对应的代价值；
根据代价值中最小值对应的转换参数，确定待检测的绝缘子串图像对应的相机位姿。
在其中一个实施例中，第二确定模块503还用于：
以待检测图像的获取时刻为当前时刻，获取当前时刻的上一时刻获取的待检测图像；
根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数。
在其中一个实施例中，第二确定模块503还用于：
对于当前时刻的待检测图像中的任一像素，获取任一像素与上一时刻的待检测图像中的每一像素的视差；
根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差；
根据当前时刻获取的待检测图像中每一像素的最优视差，确定当前时刻获取的待检测图像中每一像素对的深度系数。
在其中一个实施例中，第二确定模块503还用于：
对于当前时刻的待检测图像中的所有像素，选取与上一时刻的待检测图像中的任一像素的视差，构建视差图；
计算每一视差图对应的能量函数，能量函数用于指示视差图的大小；
根据能量函数最小的视差图，确定当前时刻获取的待检测图像中每一像素的最优视差。
上述融合空间多视角的输电线路绝缘子缺陷去重装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种绝缘子串缺陷检测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
基于预设算法，确定待检测图像中每一像素对应的深度系数；
根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待检测图像的至少四个特征点；
将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将至少四个特征点分为第一集合和第二集合；
根据第一集合中的特征点与三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；
根据每一转换参数和第二集合中的特征点，确定每一次匹配对应的代价值；
根据代价值中最小值对应的转换参数，确定待检测的绝缘子串图像对应的相机位姿。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
以待检测图像的获取时刻为当前时刻，获取当前时刻的上一时刻获取的待检测图像；
根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对于当前时刻的待检测图像中的任一像素，获取任一像素与上一时刻的待检测图像中的每一像素的视差；
根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差；
根据当前时刻获取的待检测图像中每一像素的最优视差，确定当前时刻获取的待检测图像中每一像素对的深度系数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对于当前时刻的待检测图像中的所有像素，选取与上一时刻的待检测图像中的任一像素的视差，构建视差图；
计算每一视差图对应的能量函数，能量函数用于指示视差图的大小；
根据能量函数最小的视差图，确定当前时刻获取的待检测图像中每一像素的最优视差。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
基于预设算法，确定待检测图像中每一像素对应的深度系数；
根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待检测图像的至少四个特征点；
将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将至少四个特征点分为第一集合和第二集合；
根据第一集合中的特征点与三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；
根据每一转换参数和第二集合中的特征点，确定每一次匹配对应的代价值；
根据代价值中最小值对应的转换参数，确定待检测的绝缘子串图像对应的相机位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
以待检测图像的获取时刻为当前时刻，获取当前时刻的上一时刻获取的待检测图像；
根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于当前时刻的待检测图像中的任一像素，获取任一像素与上一时刻的待检测图像中的每一像素的视差；
根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差；
根据当前时刻获取的待检测图像中每一像素的最优视差，确定当前时刻获取的待检测图像中每一像素对的深度系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于当前时刻的待检测图像中的所有像素，选取与上一时刻的待检测图像中的任一像素的视差，构建视差图；
计算每一视差图对应的能量函数，能量函数用于指示视差图的大小；
根据能量函数最小的视差图，确定当前时刻获取的待检测图像中每一像素的最优视差。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和待检测图像，确定待检测图像对应的相机位姿；
基于预设算法，确定待检测图像中每一像素对应的深度系数；
根据待检测图像对应的相机位姿和每一像素对应的深度系数，确定待检测图像的每一像素在三维数字化模型中的映射关系；
根据待检测图像的每一像素在三维数字化模型中的映射关系，同时结合目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待检测图像的至少四个特征点；
将至少四个特征点与三维数字化模型的三维特征点进行匹配，确定待检测的绝缘子串图像对应的相机位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将至少四个特征点分为第一集合和第二集合；
根据第一集合中的特征点与三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；
根据每一转换参数和第二集合中的特征点，确定每一次匹配对应的代价值；
根据代价值中最小值对应的转换参数，确定待检测的绝缘子串图像对应的相机位姿。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
以待检测图像的获取时刻为当前时刻，获取当前时刻的上一时刻获取的待检测图像；
根据当前时刻的待检测图像和上一时刻的待检测图像，确定当前时刻的待检测图像中每一像素对应的深度系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于当前时刻的待检测图像中的任一像素，获取任一像素与上一时刻的待检测图像中的每一像素的视差；
根据任一像素与上一时刻的待检测图像中的每一像素的视差，确定当前时刻获取的待检测图像中每一像素的最优视差；
根据当前时刻获取的待检测图像中每一像素的最优视差，确定当前时刻获取的待检测图像中每一像素对的深度系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于当前时刻的待检测图像中的所有像素，选取与上一时刻的待检测图像中的任一像素的视差，构建视差图；
计算每一视差图对应的能量函数，能量函数用于指示视差图的大小；
根据能量函数最小的视差图，确定当前时刻获取的待检测图像中每一像素的最优视差。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种融合空间多视角的输电线路绝缘子缺陷去重方法，其特征在于，所述方法包括：
通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
若所述待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和所述待检测图像，确定所述待检测图像对应的相机位姿；
基于预设算法，确定所述待检测图像中每一像素对应的深度系数；
根据所述待检测图像对应的相机位姿和每一像素对应的深度系数，确定所述待检测图像的每一像素在所述三维数字化模型中的映射关系；
根据所述待检测图像的每一像素在所述三维数字化模型中的映射关系，同时结合所述目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
2.根据权利要求1所述的方法，其特征在于，所述输电线路的三维数字化模型中存在若干三维特征点；相应地，所述基于输电线路的三维数字化模型和所述待检测图像，确定所述待检测图像对应的相机位姿，包括：
获取所述待检测图像的至少四个特征点；
将所述至少四个特征点与所述三维数字化模型的三维特征点进行匹配，确定所述待检测的绝缘子串图像对应的相机位姿。
3.根据权利要求2所述的方法，其特征在于，所述将所述至少四个特征点与所述三维数字化模型的三维特征点进行匹配，确定所述待检测的绝缘子串图像对应的相机位姿，包括：
将所述至少四个特征点分为第一集合和第二集合；
根据所述第一集合中的特征点与所述三维数字化模型的三维特征点进行匹配，确定每一次匹配对应的转换参数；
根据每一转换参数和所述第二集合中的特征点，确定每一次匹配对应的代价值；
根据所述代价值中最小值对应的转换参数，确定所述待检测的绝缘子串图像对应的相机位姿。
4.根据权利要求1所述的方法，其特征在于，所述基于预设算法，确定所述待检测图像中每一像素对应的深度系数，包括：
以所述待检测图像的获取时刻为当前时刻，获取所述当前时刻的上一时刻获取的待检测图像；
根据所述当前时刻的待检测图像和所述上一时刻的待检测图像，确定所述当前时刻的待检测图像中每一像素对应的深度系数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述当前时刻的待检测图像和所述上一时刻的待检测图像，确定所述当前时刻的待检测图像中每一像素对应的深度系数，包括：
对于所述当前时刻的待检测图像中的任一像素，获取所述任一像素与所述上一时刻的待检测图像中的每一像素的视差；
根据所述任一像素与所述上一时刻的待检测图像中的每一像素的视差，确定所述当前时刻获取的待检测图像中每一像素的最优视差；
根据所述当前时刻获取的待检测图像中每一像素的最优视差，确定所述当前时刻获取的待检测图像中每一像素对的深度系数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述任一像素与所述上一时刻的待检测图像中的每一像素的视差，确定所述当前时刻获取的待检测图像中每一像素的最优视差，包括：
对于所述当前时刻的待检测图像中的所有像素，选取与所述上一时刻的待检测图像中的任一像素的视差，构建视差图；
计算每一视差图对应的能量函数，所述能量函数用于指示视差图的大小；
根据所述能量函数最小的视差图，确定所述当前时刻获取的待检测图像中每一像素的最优视差。
7.一种融合空间多视角的输电线路绝缘子缺陷去重装置，其特征在于，所述装置包括：
检测模块，用于通过目标检测模型，判断待检测图像中是否存在具有缺陷的绝缘子串；
第一确定模块，用于若所述待检测图像中存在具有缺陷的绝缘子串，则基于输电线路的三维数字化模型和所述待检测图像，确定所述待检测图像对应的相机位姿；
第二确定模块，用于基于预设算法，确定所述待检测图像中每一像素对应的深度系数；
第三确定模块，用于根据所述待检测图像对应的相机位姿和每一像素对应的深度系数，确定所述待检测图像的每一像素在所述三维数字化模型中的映射关系；
第四确定模块，用于根据所述待检测图像的每一像素在所述三维数字化模型中的映射关系，同时结合所述目标检测模型，将绝缘子缺陷区域映射到输电线路三维空间中。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210234565.0A CN114419028A (zh) | 2022-03-10 | 2022-03-10 | 融合空间多视角的输电线路绝缘子缺陷去重方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210234565.0A CN114419028A (zh) | 2022-03-10 | 2022-03-10 | 融合空间多视角的输电线路绝缘子缺陷去重方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419028A true CN114419028A (zh) | 2022-04-29 |
Family
ID=81263843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210234565.0A Pending CN114419028A (zh) | 2022-03-10 | 2022-03-10 | 融合空间多视角的输电线路绝缘子缺陷去重方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419028A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115526892A (zh) * | 2022-11-29 | 2022-12-27 | 南方电网数字电网研究院有限公司 | 基于三维重建的图像缺陷去重检测方法和装置 |
| CN115880507A (zh) * | 2023-02-07 | 2023-03-31 | 南方电网数字电网研究院有限公司 | 输电图像缺陷检测的去重方法、装置、设备和存储介质 |
| CN116168034A (zh) * | 2023-04-25 | 2023-05-26 | 深圳思谋信息科技有限公司 | 编织物的缺陷检测方法、装置、设备及存储介质 |
| CN116612012A (zh) * | 2023-07-17 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 输电线路图像拼接方法、系统、计算机设备和存储介质 |
| CN116631087A (zh) * | 2023-07-20 | 2023-08-22 | 厦门闽投科技服务有限公司 | 一种基于无人机的电力巡检系统 |
-
2022
- 2022-03-10 CN CN202210234565.0A patent/CN114419028A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115526892A (zh) * | 2022-11-29 | 2022-12-27 | 南方电网数字电网研究院有限公司 | 基于三维重建的图像缺陷去重检测方法和装置 |
| CN115526892B (zh) * | 2022-11-29 | 2023-03-03 | 南方电网数字电网研究院有限公司 | 基于三维重建的图像缺陷去重检测方法和装置 |
| CN115880507A (zh) * | 2023-02-07 | 2023-03-31 | 南方电网数字电网研究院有限公司 | 输电图像缺陷检测的去重方法、装置、设备和存储介质 |
| CN116168034A (zh) * | 2023-04-25 | 2023-05-26 | 深圳思谋信息科技有限公司 | 编织物的缺陷检测方法、装置、设备及存储介质 |
| CN116168034B (zh) * | 2023-04-25 | 2023-07-18 | 深圳思谋信息科技有限公司 | 编织物的缺陷检测方法、装置、设备及存储介质 |
| CN116612012A (zh) * | 2023-07-17 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 输电线路图像拼接方法、系统、计算机设备和存储介质 |
| CN116631087A (zh) * | 2023-07-20 | 2023-08-22 | 厦门闽投科技服务有限公司 | 一种基于无人机的电力巡检系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419028A (zh) | 融合空间多视角的输电线路绝缘子缺陷去重方法及装置 | |
| CN111968129B (zh) | 具有语义感知的即时定位与地图构建系统及方法 | |
| CN110135455B (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
| CN112288875B (zh) | 一种面向无人机矿山巡检场景的快速三维重建方法 | |
| CN107862744B (zh) | 航空影像三维建模方法及相关产品 | |
| CN110176032B (zh) | 一种三维重建方法及装置 | |
| CN108401461A (zh) | 三维建图方法、装置、系统、云端平台、电子设备和计算机程序产品 | |
| CN114332415B (zh) | 基于多视角技术的输电线路廊道的三维重建方法及装置 | |
| CN112686877B (zh) | 基于双目相机的三维房屋损伤模型构建测量方法及系统 | |
| CN107507274A (zh) | 一种基于云计算的公安案件现场三维实景快速还原方法 | |
| CN107329962B (zh) | 图像检索数据库生成方法、增强现实的方法及装置 | |
| CN110428501B (zh) | 全景影像生成方法、装置、电子设备及可读存储介质 | |
| CN115797350A (zh) | 桥梁病害检测方法、装置、计算机设备和存储介质 | |
| CN114022620B (zh) | 一种三维场景重建中散乱纹理的剔除方法和系统 | |
| Wang et al. | TerrainFusion: Real-time digital surface model reconstruction based on monocular SLAM | |
| CN111563961A (zh) | 一种变电站的三维建模方法和相关装置 | |
| CN114066999A (zh) | 基于三维建模的目标定位系统及方法 | |
| CN111080685A (zh) | 一种基于多视角立体视觉的飞机钣金零件三维重建方法及系统 | |
| CN107958489A (zh) | 一种曲面重建方法及装置 | |
| CN115063485B (zh) | 三维重建方法、装置及计算机可读存储介质 | |
| CN116612235A (zh) | 一种多视图几何无人机图像三维重建方法及存储介质 | |
| CN116182894A (zh) | 一种单目视觉里程计方法、装置、系统及存储介质 | |
| CN114863021A (zh) | 一种基于三维重建场景的仿真数据集分析方法及系统 | |
| CN109785421B (zh) | 一种基于空地影像组合的纹理映射方法及系统 | |
| Zhang et al. | A vision-centric approach for static map element annotation |
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 |