CN114596307A - 基于无人机和机器视觉的铁路接触网吊弦长度测量方法 - Google Patents
基于无人机和机器视觉的铁路接触网吊弦长度测量方法 Download PDFInfo
- Publication number
- CN114596307A CN114596307A CN202210338156.5A CN202210338156A CN114596307A CN 114596307 A CN114596307 A CN 114596307A CN 202210338156 A CN202210338156 A CN 202210338156A CN 114596307 A CN114596307 A CN 114596307A
- Authority
- CN
- China
- Prior art keywords
- dropper
- line
- image
- contact
- contact 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 239000003086 colorant Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于无人机和机器视觉的铁路接触网吊弦长度测量方法,包括:使用无人机采集接触网的视频图像;选取包含有吊弦的图像;对出现运动模糊的图像进行复原;去除图像的复杂背景,分别保留吊弦与承力索连接处以及吊弦与接触线连接处两个区域的图像;对图像进行边缘检测;对得到的边缘检测结果进行霍夫直线检测,得到承力索和接触线的上下边界的轮廓线,并得到承力索和接触线的上下边界线的纵坐标;利用承力索和接触线的上下边界线的纵坐标,计算吊弦的长度。本发明能够快速高效安全地完成对高铁接触网吊弦长度的测量,进而判断出吊弦是否发生故障,具有效率高、安全性高以及测量精度高的优势。
Description
技术领域
本发明涉及一种高铁巡检技术,具体地说是一种基于无人机和机器视觉的铁路接触网吊弦长度测量方法。
背景技术
接触网供电系统作为电气化铁路的重要组成部分,直接影响着铁路系统的正常运行,随着高速铁路的大力发展,对接触网的安全性、稳定性提出了更高要求。其中,吊弦是铁路接触网的重要部件之一,吊弦长度会随着环境以及使用发生变化,可能导致吊弦的长度超出标准范围,影响接触网的正常使用。
目前,在高铁接触网的日常巡检中,吊弦长度一直由人工进行测量,任务繁重且存在效率低、危险度高等问题。现在也有通过无人机进行图像采集以替代人工测量的方式,但是由于现场情况的多样性,采集得到的图像会存在各种各样的情况,如背景复杂、光照度较低等。且由于采集是由安装在无人机上的专用相机通过视频形式采集的,会出现在降帧过后图像中吊弦存在运动模糊的情况。现有技术对于不同情况的现场图像无法得到较好的测量结果、准确率较低,无法使用于接触网常见工况下的非接触吊弦长度测量。
发明内容
本发明的目的就是提供一种基于无人机和机器视觉的铁路接触网吊弦长度测量方法,以解决现有技术对于不同情况的现场图像无法得到较好的测量结果、准确率较低,无法使用于接触网常见工况下的非接触吊弦长度测量的问题。
本发明是这样实现的:一种基于无人机和机器视觉的铁路接触网吊弦长度测量方法,包括以下步骤。
a.使用无人机搭载摄像装置沿铁路线路飞行采集接触网的视频图像。
b.在采集得到的视频图像中选取包含有吊弦的图像。
c.对出现运动模糊的图像进行复原。
d.去除图像的复杂背景,分别保留吊弦与承力索连接处以及吊弦与接触线连接处两个区域的图像。
e.对图像进行边缘检测,得到吊弦与承力索连接处的结构轮廓以及吊弦与接触线连接处的结构轮廓。
f.对得到的边缘检测结果进行霍夫直线检测,得到承力索和接触线的上下边界的轮廓线,并得到承力索和接触线的上下边界线的纵坐标。
g.利用承力索和接触线的上下边界线的纵坐标,计算吊弦的长度。
进一步地,在步骤d中,在吊弦与承力索连接处以及吊弦与接触线连接处分别选取一个矩形区域,分别提取两个矩形区域内特定位置像素的颜色作为背景色,并使用两个背景色分别对图像上下两部分中矩形区域以外的部分进行背景填充。
进一步地,选取矩形区域中一个顶点的像素,并提取该像素的颜色作为背景色。
进一步地,对使用两个背景色分别对图像上下两部分进行背景填充后的图像进行边缘检测,两个背景色的分界处形成一条边缘,对该边缘使用黑色进行填充消除。
进一步地,在步骤d中,利用人机交互的半自动算法获取吊弦与承力索之间连接结构的中心点坐标(x1,y1)以及吊弦与接触线之间连接结构的中心点坐标(x2,y2),在吊弦与承力索的连接处截取出以(x1,y1)为中心的矩形区域,在吊弦与接触线的连接处截取出以(x2,y2)为中心的矩形区域。
进一步地,在步骤f中,如果通过霍夫直线检测得到在承力索附近的直线或在接触线附近的直线超过两条,则将矩形区域中心点上下最邻近的两条直线作为承力索或接触线的上下边界线。
进一步地,在步骤g中,利用承力索和接触线的上下边界线的纵坐标,通过纵坐标作差分别得到接触线和承力索纵向所占的像素个数,以及接触线到承力索纵向距离所占的像素个数;通过接触线和承力索的已知直径,计算每个像素代表的高度,再乘以接触线到承力索纵向距离所占的像素个数,得到接触线与承力索的纵向距离,即为吊弦的长度。
进一步地,对步骤c中,采用约束最小二乘方滤波的方法对出现运动模糊的图像进行复原。
本发明利用无人机和图像处理技术,通过无人机采集接触网的视频图像,然后对获得的视频图像进行图像处理,经过相应的操作处理,从而得到吊弦长度。相对于人工测量来说,能够大大提高效率,且危险性极低。
通过特殊的背景处理方式,将图像中铁路沿线两侧如树枝、建筑等复杂背景去除,以避免复杂背景对检测结果的影响。背景去除时保留必要区域的图像,将区域外的图像全部进行颜色替换,从而简单直接地将背景进行去除,得到只含有需要进行边缘检测的吊弦与承力索连接处以及吊弦与接触线连接处两个区域的图像。该方法大大简化后续边缘检测的同时,还能够有效避免复杂背景对边缘检测的影响,从而适应不同的现场环境,对于不同背景复杂程度、不同光照度等多样化的图片,都能通过该方法进行背景去除得到处理后的图片,得到较好的背景去除效果。
本发明能够快速高效安全地完成对高铁接触网吊弦长度的测量,进而判断出吊弦是否发生故障,具有效率高、安全性高以及测量精度高的优势。
附图说明
图1是本发明的流程图。
图2是本发明运动模糊图像复原效果对比图。
图3是本发明吊弦上下两端区域选取示意图。
图4是对图3进行背景去除的效果图。
图5是对图4进行边缘检测的结果。
图6是本发明进行霍夫直线检测的结果。
图7是本发明霍夫直线检测后在接触线附近得到超过两条直线的示意图。
具体实施方式
如图1所示,本发明包括以下步骤。
a.使用无人机搭载摄像装置沿铁路线路飞行采集接触网的视频图像。
b.在采集得到的视频图像中选取包含有吊弦的图像。
c.对出现运动模糊的图像进行复原。
d.去除图像的复杂背景,分别保留吊弦与承力索连接处以及吊弦与接触线连接处两个区域的图像。
e.对图像进行边缘检测,得到吊弦与承力索连接处的结构轮廓以及吊弦与接触线连接处的结构轮廓。
f.对得到的边缘检测结果进行霍夫直线检测,得到承力索和接触线的上下边界的轮廓线,并得到承力索和接触线的上下边界线的纵坐标。
g.利用承力索和接触线的上下边界线的纵坐标,计算吊弦的长度。
下面对本发明进行详细说明。
步骤一,图像采集。利用行业级无人机搭载高配置相机沿铁路线路飞行采集接触网上视频图像,尽量保持摄像头正对接触网,且尽量保持匀速飞行。
步骤二,从采集到的视频图像中抽取包含工字形结构的图像,工字形结构包括吊弦以及其上下两端连接的承力索和接触线。该步骤可以采用人工选取或图像识别技术实现。
步骤三,图像复原。如图2所示,在无人机采集图像过程中,由于障碍物影响或接触网走势,可能会存在飞行速度的变化,将导致图像出现运动模糊的情况。为了后续图像处理可以在保证图像细节的情况下顺利进行,首先需要对出现运动模糊的图像进行模糊复原。
本发明采用约束最小二乘方滤波的方法对图像进行模糊复原,此方法在滤除噪声的同时可以较好的保持边缘细节信息,适用于本发明的滤波要求。
步骤四,图像背景去除。在高铁接触网系统中,铁路沿线两侧如树枝、建筑等会使图像背景较为复杂,会对后续边缘检测以及霍夫直线检测的结果产生较大影响,基于此,本发明提出一种背景分割且像素延伸的方法。
如图3所示,图像中存在大量建筑及树木,需要进行背景的去除操作,在吊弦与承力索连接处以及吊弦与接触线连接处分别选取一个矩形区域,分别提取两个矩形区域内特定位置像素的颜色作为背景色,并使用两个背景色分别对图像上下两部分中矩形区域以外的部分进行背景填充。
为了保证背景去除后该部分图像的颜色与保留的矩形区域的背景差距不会很大,所以要选取矩形区域内背景中某个像素的颜色,为了避免选取到吊弦、连接结构、承力索或者接触线上的像素,由于上述构件不会和矩形区域的顶点重合,所以一般可以选取矩形区域中一个顶点的像素,并提取该像素的颜色作为背景色。
具体的,利用人机交互的半自动算法获取吊弦与承力索之间连接结构的中心点坐标(x1,y1)以及吊弦与接触线之间连接结构的中心点坐标(x2,y2),具体为利用opencv中的鼠标响应回调函setMouseCallback,采用直接鼠标点击的方式,可直接获得鼠标点击位置的坐标。在吊弦与承力索的连接处截取出以(x1,y1)为中心的矩形区域,矩形区域四个顶点坐标分别为(x1-35,y1-10)、(x1+35,y1-10)、(x1-35,y1+10)、x1+35,y1+10),在吊弦与接触线的连接处截取出以(x2,y2)为中心的矩形区域,矩形区域四个顶点坐标分别为(x2-35,y2-10)、(x2+35,y2-10)、(x2-35,y2+10)、(x2+35,y2+10)。将两个矩形区域外的周围背景区域用矩形区域的右下角处的颜色填充,完成图像的去除背景工作。背景去除效果如图4所示。
步骤五,边缘检测。如图5所示,对图像进行边缘检测,得到吊弦与承力索连接处的结构轮廓以及吊弦与接触线连接处的结构轮廓。由于去除背景后的图像上下两部分颜色有明显差异,两个背景色的分界处形成一条边缘,对该边缘使用黑色进行填充消除。
图像边缘是图像最基本的特征,所谓边缘(Edge),是指图像局部特性的不连续性,灰度或结构等信息的突变处称之为边缘。边缘通常可以通过一阶导数或二阶导数检测得到。一阶导数是以最大值作为对应的边缘的位置,常见的有Roberts算子、Sobel算子和Prewitt算子。而二阶导数则以过零点作为对应边缘的位置,常见的有Laplacian算子,此类算子对噪声敏感。此外,还有一种就是Canny算子,其是在满足一定约束条件下推导出来的边缘检测最优化算子,由于基本不受噪声影响,有较好的边缘提取效果,所以这里使用Canny算子对图像进行边缘检测。
步骤六,霍夫直线检测。如图6所示,对得到的边缘检测结果进行霍夫直线检测,得到承力索和接触线的上下边界的轮廓线。对霍夫直线检测的源代码进行修改,具体方式为添加代码为:for x1,y1,x2,y2 in lines1[:]:print(x1,y1,x2,y2),此代码可以使之在原来边缘直线处画出轮廓线外,还可以输出此轮廓线所在坐标,从而得到承力索和接触线的上下边界线的纵坐标。
但并非每张图片用霍夫直线检测后都会像图6一样承力索和接触线处都只有代表上下边界的直线,也可能像图7一样在接触线或承力索的上下边缘处得到超过两条的直线,此时将会得到这多条直线的所有纵坐标。将这些坐标与步骤四中得到的y1和y2放在一起从小到大排列,图像的坐标是以左上角为原点的,所以在图7所示中的坐标从小到大排列为a<y1<b<c<y2<d<f<e。之后再将y1以及y2邻近的坐标作为最终的承力索和接触线的边界坐标,即承力索上下边界的纵坐标为a和b,接触线上下边界的纵坐标为c和d。
步骤七,利用承力索和接触线的上下边界线的纵坐标,通过纵坐标作差分别得到接触线和承力索纵向所占的像素个数,以及接触线到承力索纵向距离所占的像素个数;通过接触线和承力索的已知直径,计算每个像素代表的高度,再乘以接触线到承力索纵向距离所占的像素个数,得到接触线与承力索的纵向距离,即为吊弦的长度。
本发明通过特殊的背景处理方式,将图像中铁路沿线两侧如树枝、建筑等复杂背景去除,以避免复杂背景对检测结果的影响。背景去除时保留必要区域的图像,将区域外的图像全部进行颜色替换,从而简单直接地将背景进行去除,得到只含有需要进行边缘检测的吊弦与承力索连接处以及吊弦与接触线连接处两个区域的图像。该方法大大简化后续边缘检测的同时,还能够有效避免复杂背景对边缘检测的影响,从而适应不同的现场环境,对于不同背景复杂程度、不同光照度等多样化的图片,都能通过该方法进行背景去除得到处理后的图片,得到较好的背景去除效果。
本发明利用无人机和图像处理技术,通过无人机采集接触网的视频图像,然后对获得的视频图像进行图像处理,经过相应的操作处理,从而得到吊弦长度。相对于人工测量来说,能够大大提高效率,且危险性极低。能够快速高效安全地完成对高铁接触网吊弦长度的测量,进而判断出吊弦是否发生故障,具有效率高、安全性高以及测量精度高的优势。
Claims (8)
1.一种基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,包括以下步骤:
a.使用无人机搭载摄像装置沿铁路线路飞行采集接触网的视频图像;
b.在采集得到的视频图像中选取包含有吊弦的图像;
c.对出现运动模糊的图像进行复原;
d.去除图像的复杂背景,分别保留吊弦与承力索连接处以及吊弦与接触线连接处两个区域的图像;
e.对图像进行边缘检测,得到吊弦与承力索连接处的结构轮廓以及吊弦与接触线连接处的结构轮廓;
f.对得到的边缘检测结果进行霍夫直线检测,得到承力索和接触线的上下边界的轮廓线,并得到承力索和接触线的上下边界线的纵坐标;
g.利用承力索和接触线的上下边界线的纵坐标,计算吊弦的长度。
2.根据权利要求1所述的基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,在步骤d中,在吊弦与承力索连接处以及吊弦与接触线连接处分别选取一个矩形区域,分别提取两个矩形区域内特定位置像素的颜色作为背景色,并使用两个背景色分别对图像上下两部分中矩形区域以外的部分进行背景填充。
3.根据权利要求2所述的基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,选取矩形区域中一个顶点的像素,并提取该像素的颜色作为背景色。
4.根据权利要求2所述的基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,对使用两个背景色分别对图像上下两部分进行背景填充后的图像进行边缘检测,两个背景色的分界处形成一条边缘,对该边缘使用黑色进行填充消除。
5.根据权利要求2所述的基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,在步骤d中,利用人机交互的半自动算法获取吊弦与承力索之间连接结构的中心点坐标(x1,y1)以及吊弦与接触线之间连接结构的中心点坐标(x2,y2),在吊弦与承力索的连接处截取出以(x1,y1)为中心的矩形区域,在吊弦与接触线的连接处截取出以(x2,y2)为中心的矩形区域。
6.根据权利要求5所述的基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,在步骤f中,如果通过霍夫直线检测得到在承力索附近的直线或在接触线附近的直线超过两条,则将矩形区域中心点上下最邻近的两条直线作为承力索或接触线的上下边界线。
7.根据权利要求5所述的基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,在步骤g中,利用承力索和接触线的上下边界线的纵坐标,通过纵坐标作差分别得到接触线和承力索纵向所占的像素个数,以及接触线到承力索纵向距离所占的像素个数;通过接触线和承力索的已知直径,计算每个像素代表的高度,再乘以接触线到承力索纵向距离所占的像素个数,得到接触线与承力索的纵向距离,即为吊弦的长度。
8.根据权利要求2所述的基于无人机和机器视觉的铁路接触网吊弦长度测量方法,其特征在于,对步骤c中,采用约束最小二乘方滤波的方法对出现运动模糊的图像进行复原。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210338156.5A CN114596307A (zh) | 2022-04-01 | 2022-04-01 | 基于无人机和机器视觉的铁路接触网吊弦长度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210338156.5A CN114596307A (zh) | 2022-04-01 | 2022-04-01 | 基于无人机和机器视觉的铁路接触网吊弦长度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596307A true CN114596307A (zh) | 2022-06-07 |
Family
ID=81820626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210338156.5A Pending CN114596307A (zh) | 2022-04-01 | 2022-04-01 | 基于无人机和机器视觉的铁路接触网吊弦长度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596307A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788965A (zh) * | 2024-02-28 | 2024-03-29 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
-
2022
- 2022-04-01 CN CN202210338156.5A patent/CN114596307A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788965A (zh) * | 2024-02-28 | 2024-03-29 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
CN117788965B (zh) * | 2024-02-28 | 2024-05-10 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754466B (zh) | 传输机皮带损伤状况的智能检测方法 | |
CN109373921B (zh) | 一种隧道监测方法及装置 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN111652296A (zh) | 一种基于深度学习的铁路货车下拉杆折断故障检测方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN110910443B (zh) | 基于单监控相机的接触网几何参数实时测量方法及装置 | |
US20230005278A1 (en) | Lane extraction method using projection transformation of three-dimensional point cloud map | |
CN112097732A (zh) | 一种基于双目相机的三维测距方法、系统、设备及可读存储介质 | |
CN111859805B (zh) | 基于人工智能的电力图纸拓扑关系的检测方法 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN107644417A (zh) | 应变片外观缺损检测方法 | |
CN114596307A (zh) | 基于无人机和机器视觉的铁路接触网吊弦长度测量方法 | |
CN111768417A (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
CN103390259A (zh) | 视觉导引agv中的地面图像处理方法 | |
CN108537815B (zh) | 一种视频图像前景分割方法和装置 | |
CN106485701A (zh) | 基于图像的铁路接触网承力索座装反与否的检测方法 | |
CN111401341B (zh) | 一种基于视觉的减速带检测方法、装置及其存储介质 | |
CN110501339B (zh) | 一种复杂环境下的布面定位方法 | |
CN112085723A (zh) | 一种货车摇枕弹簧窜出故障自动检测方法 | |
CN111598033A (zh) | 货物的定位方法、装置、系统及计算机可读存储介质 | |
CN112132824B (zh) | 一种货车轴箱弹簧故障自动检测方法 | |
CN116030430A (zh) | 铁轨识别方法、装置、设备及存储介质 | |
KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
CN113920139A (zh) | 悬挂加油机移动控制方法、装置、悬挂加油机及存储介质 | |
CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 |
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 |