CN114720425B - 一种基于图像识别的能见度监测系统及方法 - Google Patents
一种基于图像识别的能见度监测系统及方法 Download PDFInfo
- Publication number
- CN114720425B CN114720425B CN202210456532.0A CN202210456532A CN114720425B CN 114720425 B CN114720425 B CN 114720425B CN 202210456532 A CN202210456532 A CN 202210456532A CN 114720425 B CN114720425 B CN 114720425B
- Authority
- CN
- China
- Prior art keywords
- visibility
- image
- scattering
- area
- detection
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
- G01N21/53—Scattering, i.e. diffuse reflection within a body or fluid within a flowing fluid, e.g. smoke
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像识别的能见度监测系统及方法,发明属于能见度监测技术领域,包括散射检测模块、图像模块和服务器;所述散射检测模块基于散射法进行能见度检测,获得散射能见度;所述图像模块用于在进行散射能见度检测时采集对应的检测图像,并通过采集的检测图像进行能见度值修正,具体方法包括:选取目标物,当散射检测模块进行能见度检测时,进行图像采集,分为目标物图像和散射图像,基于图像法计算能见度,标记为图像能见度;对散射图像进行环境分析,获得散射修正系数,根据综合能见度公式获得综合能见度;通过散射检测模块和图像模块之间的相互配合,实现监测互补,提高监测精度,避免出现单一监测造成较大误差的问题。
Description
技术领域
本发明属于能见度监测技术领域,具体是一种基于图像识别的能见度监测系统及方法。
背景技术
目前气象监测中对于能见度的监测,采用两种方式,一种是散射式能见度监测、一种是投射式能见度监测,散射式能见度是基于大气消光效应中,光散射一般占比例最大,这是散射式能见度测量的依据和基础,由于光散射占消光效应的比例不固定,散射式能见度测试数据常常不准确,目前市场上以散射式为主。投射式能见度监测,主要是以测量一定距离内的2700K色温白光、消光系数,从而准确测量能见度,哪怕是在突然变化的大气环境下,也能准确测量能见度;但是投射式能见度监测所使用的仪器设备体积很大,相应的价格也就比较昂贵,而且传播距离要求收发端距离较远,这给人们标定和校准设备也造成了很大困难。
因此,本发明提供了一种基于图像识别的能见度监测系统及方法,通过图像识别计算,对散射式能见度的监测数据进行调整和修正,进行综合监测,互相克服对应的缺点,提高监测精度。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于图像识别的能见度监测系统及方法。
本发明的目的可以通过以下技术方案实现:
一种基于图像识别的能见度监测系统,包括散射检测模块、图像模块和服务器;
所述散射检测模块基于散射法进行能见度检测,获得散射能见度;
所述图像模块用于在进行散射能见度检测时采集对应的检测图像,并通过采集的检测图像进行能见度值修正,具体方法包括:
选取目标物,当散射检测模块进行能见度检测时,进行图像采集,分为目标物图像和散射图像,基于图像法计算能见度,标记为图像能见度;
对散射图像进行环境分析,获得散射修正系数,根据综合能见度公式RMOR=η×(λt×Rt+α×λs×Rs)获得综合能见度,其中η为修正因子,取值范围为0<η≤1,λt与λs分别为图像能见度权重和散射能见度权重,α为散射修正系数,Rt和Rs为图像能见度和散射能见度。
进一步地,散射检测模块的工作方法包括:
获取检测区域的全景图像,将全景图像进行数据模型转化,获得全景模型,定义障碍物概念,识别全景模型中的障碍物,设置障碍物辐射区,并在全景模型中进行障碍物辐射区标记;识别全景模型中的安装区域,将安装区域划分为若干个单元区域,进行单元区域合并,获得待选区,计算待选区的优先级,在优先级最高的待选区安装能见度检测装置,通过能见度检测装置进行能见度检测,获得散射能见度。
进一步地,进行单元区域合并的方法包括:
识别各个单元区域的中心点坐标,任选一个中心点为初始点,将初始点周边一圈的中心点进行直接合并,获得初始区域,识别初始区域的中心点、面积和边界轮廓,计算初始余量半径,根据初始区域中心点和初始余量半径进行趋向合并,获得合并区域,识别合并区域的中心点、面积和边界轮廓,计算合并余量半径,根据计算的合并余量半径和合并区域中心点进行合并区域调整,获得待选区。
进一步地,计算初始余量半径的方法包括:
建立标准匹配表,将初始区域面积和边界轮廓输入到标准匹配表中进行相似度匹配,获得对应的轮廓相似度值、面积比例值和标准半径,根据余量半径公式计算初始余量半径,其中,b1、b2均为比例系数,取值范围为0<b1≤1,0<b2≤1,Rmax为待选区最大半径,XS为轮廓相似度值,MB为面积比例值,Rb为标准半径。
进一步地,根据计算的合并余量半径和合并区域中心点进行合并区域调整的方法包括:
当合并余量半径大于零时,再次进行合并;当合并余量半径不大于零时,进行相应的单元区域剔除,直到剔除一个单元区域后,合并余量半径大于零,完成合并区域调整。
进一步地,计算待选区的优先级的方法包括:
识别各个待选区边界距离障碍物的最短距离,并标记为Pi,其中i表示待选区,i=1、2、……、n,n为正整数;设置待选区的环境影响系数,并标记为Li;根据优先值公式Qi=β1×Pi×β2×Li计算优先级,其中β1、β2均为比例系数,取值范围为0<β1≤1,0<β2≤1。
进一步地,基于图像法计算能见度的方法包括:
获取目标物到摄像机的距离,标记为L;识别目标物与背景的固有亮度对比度,标记为C;识别目标物图像中目标物与背景的整体亮度,将目标物的整体亮度标记为ML,将背景的整体亮度标记为BL,根据能见度公式计算能见度。
进一步地,对散射图像进行环境分析的方法包括:
将散射图像进行灰度化处理并设定灰度阈值,进行图像二值化,获得图像数据矩阵,进行图像数据矩阵列向求和,并将求和结果归一化至[0,1]区间;并将归一化结果大于X1的列向序列号标记为差筛数据,对差筛数据进行差分计算,对差分结果进行归一化处理,获得分析数据;建立分析模型,将分析数据和散射图像的灰度图像输入到分析模型中进行分析,获得散射修正系数。
进一步地,λt与λs的确定方法为:
设置低能见度范围,并进行分段划分,获得若干个能见度段,为每个能见度段设置对应的图像能见度权重,获取散射能见度Rs和散射修正系数α,将α×Rs的值与各个能见度段进行匹配,获得对应的图像能见度权重λt,计算散射能见度权重λs。
一种基于图像识别的能见度监测方法,具体步骤如下:
步骤一:用于基于散射法进行能见度检测,获得散射能见度;
步骤二:在进行散射能见度检测时采集对应的检测图像,分为目标物图像和散射图像,基于图像法计算能见度,标记为图像能见度;
步骤三:进行数据处理,计算综合能见度。
与现有技术相比,本发明的有益效果是:
通过进行合并单元区域获得待选区,实现选择对能见度监测影响最小的安装环境,尽可能的降低环境因素对能见度监测的影响;并通过计算余量半径的方式,实现单元区域的快速合并,提高数据处理效率;通过散射检测模块和图像模块之间的相互配合,实现监测互补,提高监测精度,避免出现单一监测造成较大误差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中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。
图1为本发明原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于图像识别的能见度监测系统,包括散射检测模块、图像模块和服务器;
所述散射检测模块基于散射法进行能见度检测,具体方法包括:
获取检测区域的全景图像,将全景图像进行数据模型转化,获得全景模型,定义障碍物概念,识别全景模型中的障碍物,设置障碍物辐射区,并在全景模型中进行障碍物辐射区标记;识别全景模型中的安装区域,将安装区域划分为若干个单元区域,进行单元区域合并,获得待选区,计算待选区的优先级,在优先级最高的待选区安装能见度检测装置,通过能见度检测装置进行能见度检测,获得散射能见度。
能见度检测装置为利用散射法原理进行能见度检测的装置。
定义障碍物概念就是根据能见度检测中影响检测精度的物体进行定义的,具体的为本领域常识。
设置障碍物辐射区就是以障碍物为中心向外延伸一定的区域为辐射区,具体的由专家组根据不同障碍物种类对检测的影响进行设置的。
将全景图像进行数据模型转化就是根据全景图像转化为三维模型,具体转化过程为本领域常识。
全景模型中的安装区域就是除了障碍物辐射区外可以进行检测装置安装的区域,如根据实际情况不包括道路。
将安装区域划分为若干个单元区域的方法包括:设置对应单元区域的尺寸,根据已知单元区域尺寸进行划分,再进行相应的调整,具体的根据已知单元区域尺寸进行划分为本领域常识。
进行单元区域合并的方法包括:
识别各个单元区域的中心点坐标,任选一个中心点为初始点,将初始点周边一圈的中心点进行直接合并,获得初始区域,初始区域就是初始点和合并中心点对应的单元区域的整合区域,因为初始区域是一定小于待选区的,是需要进行再次合并的;识别初始区域的中心点、面积和边界轮廓,计算初始余量半径,根据初始区域中心点和初始余量半径进行趋向合并,获得合并区域,识别合并区域的中心点、面积和边界轮廓,计算合并余量半径,根据计算的合并余量半径和合并区域中心点进行合并区域调整,获得待选区。
计算初始余量半径的方法包括:
建立标准匹配表,将初始区域面积和边界轮廓输入到标准匹配表中进行相似度匹配,获得对应的轮廓相似度值、面积比例值和标准半径,根据余量半径公式计算初始余量半径,其中,b1、b2均为比例系数,取值范围为0<b1≤1,0<b2≤1,Rmax为待选区最大半径,由专家组根据能见度检测装置安装需要进行设置的,XS为轮廓相似度值,MB为面积比例值,Rb为标准半径。
建立标准匹配表的方法包括:
获取单元区域进行组合具有的边界轮廓,通过相似度进行轮廓归类,从每个分类中选择一个作为标准轮廓,设置标准轮廓对应的各个面积的标准半径,均由专家组进行讨论设置,基于上述内容,具体的建立过程为本领域常识。
计算合并余量半径与计算初始余量半径的方法相同。
根据初始区域中心点和初始余量半径进行趋向合并就是根据中心点的位置和边界轮廓确定向哪个方向进行合并,按照尽可能符合后续安装能见度检测设备需要的区域形状方向进行合并,可以通过建立神经网络模型的方式进行智能合并,具体的建立和训练过程为本领域常识。
根据计算的合并余量半径和合并区域中心点进行合并区域调整的方法包括:
当合并余量半径大于零时,再次进行合并;当合并余量半径不大于零时,进行相应的单元区域剔除,可以按照合并的顺序进行剔除,直到剔除一个单元区域后,合并余量半径大于零,完成合并区域调整。
计算待选区的优先级的方法包括:
识别各个待选区边界距离障碍物的最短距离,并标记为Pi,其中i表示待选区,i=1、2、……、n,n为正整数;设置待选区的环境影响系数,并标记为Li;根据优先值公式Qi=β1×Pi×β2×Li计算优先级,其中β1、β2均为比例系数,取值范围为0<β1≤1,0<β2≤1。
设置待选区的环境影响系数的方法包括:
采集待选区内的环境数据,如光照数据、空气质量、反光数据等;通过基于CNN网络或DNN网络建立智能模型,通过智能模型进行分析设置对应的环境影响系数,具体的建立和训练过程为本领域常识。
所述图像模块用于在进行散射能见度检测时采集对应的检测图像,并通过采集的检测图像进行能见度值修正,具体方法包括:
选取目标物,通常选择亮度较低的物体,如人工黑体或树林、建筑物等近似黑体,且在进行图像获取时,图像内包括散射检测模块进行能见度检测时的图像;当散射检测模块进行能见度检测时,进行图像采集,分为目标物图像和散射图像,基于图像法计算能见度,标记为图像能见度;
对散射图像进行环境分析,获得散射修正系数,根据综合能见度公式RMOR=η×(λt×Rt+α×λs×Rs)获得综合能见度,即为检测能见度;其中η为修正因子,取值范围为0<η≤1,λt与λs分别为图像能见度权重和散射能见度权重,α为散射修正系数,Rt和Rs为图像能见度和散射能见度。
基于图像法计算能见度的方法包括:
获取目标物到摄像机的距离,标记为L;识别目标物与背景的固有亮度对比度,标记为C;识别目标物图像中目标物与背景的整体亮度,将目标物的整体亮度标记为ML,将背景的整体亮度标记为BL,其中背景区域是事先设置的;根据能见度公式计算能见度。
对散射图像进行环境分析的方法包括:
将散射图像进行灰度化处理并设定灰度阈值,进行图像二值化,获得图像数据矩阵,进行图像数据矩阵列向求和,并将求和结果归一化至[0,1]区间;并将归一化结果大于X1的列向序列号标记为差筛数据,X1为正数,由专家组根据实际情况进行设置;对差筛数据进行差分计算,对差分结果进行归一化处理,获得分析数据;建立分析模型,将分析数据和散射图像的灰度图像输入到分析模型中进行分析,获得散射修正系数。
分析模型是基于CNN网络或DNN网络进行建立的,再通过建立训练集进行训练,具体的建立和训练过程为本领域常识,因此不进行详细叙述。
λt与λs的确定方法为:
设置低能见度范围,并进行分段划分,获得若干个能见度段,为每个能见度段设置对应的图像能见度权重,由专家组进行设置;获取散射能见度Rs和散射修正系数α,将α×Rs的值与各个能见度段进行匹配,获得对应的图像能见度权重λt,计算散射能见度权重λs。
因为图像法检测能见度,在低能见度环境下进行检测时,具有较大的检测误差,而散射法受环境影响较大,如在雨天、雪天等环境下误差较大。
一种基于图像识别的能见度监测方法,具体步骤包括:
步骤一:用于基于散射法进行能见度检测,获得散射能见度;
获取检测区域的全景图像,将全景图像进行数据模型转化,获得全景模型,定义障碍物概念,识别全景模型中的障碍物,设置障碍物辐射区,并在全景模型中进行障碍物辐射区标记;识别全景模型中的安装区域,将安装区域划分为若干个单元区域,进行单元区域合并,获得待选区,计算待选区的优先级,在优先级最高的待选区安装能见度检测装置,通过能见度检测装置进行能见度检测,获得散射能见度。
步骤二:在进行散射能见度检测时采集对应的检测图像,分为目标物图像和散射图像,基于图像法计算能见度,标记为图像能见度;
步骤三:进行数据处理,计算综合能见度。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于图像识别的能见度监测系统,其特征在于,包括散射检测模块、图像模块和服务器;
所述散射检测模块基于散射法进行能见度检测,获得散射能见度;
所述图像模块用于在进行散射能见度检测时采集对应的检测图像,并通过采集的检测图像进行能见度值修正,具体方法包括:
选取目标物,当散射检测模块进行能见度检测时,进行图像采集,分为目标物图像和散射图像,基于图像法计算能见度,标记为图像能见度;
对散射图像进行环境分析,获得散射修正系数,根据综合能见度公式获得综合能见度,其中为修正因子,取值范围为0<≤1,λt与λs分别为图像能见度权重和散射能见度权重,α为散射修正系数,Rt和Rs为图像能见度和散射能见度;
对散射图像进行环境分析的方法包括:
将散射图像进行灰度化处理并设定灰度阈值,进行图像二值化,获得图像数据矩阵,进行图像数据矩阵列向求和,并将求和结果归一化至[0,1]区间;并将归一化结果大于X1的列向序列号标记为差筛数据,X1为正数,对差筛数据进行差分计算,对差分结果进行归一化处理,获得分析数据;建立分析模型,将分析数据和散射图像的灰度图像输入到分析模型中进行分析,获得散射修正系数;
λt与λs的确定方法为:
设置低能见度范围,并进行分段划分,获得若干个能见度段,为每个能见度段设置对应的图像能见度权重,获取散射能见度Rs和散射修正系数α,将α×Rs的值与各个能见度段进行匹配,获得对应的图像能见度权重λt,计算散射能见度权重λs。
2.根据权利要求1所述的一种基于图像识别的能见度监测系统,其特征在于,散射检测模块的工作方法包括:
获取检测区域的全景图像,将全景图像进行数据模型转化,获得全景模型,定义障碍物概念,识别全景模型中的障碍物,设置障碍物辐射区,并在全景模型中进行障碍物辐射区标记;识别全景模型中的安装区域,将安装区域划分为若干个单元区域,进行单元区域合并,获得待选区,计算待选区的优先级,在优先级最高的待选区安装能见度检测装置,通过能见度检测装置进行能见度检测,获得散射能见度。
3.根据权利要求2所述的一种基于图像识别的能见度监测系统,其特征在于,进行单元区域合并的方法包括:
识别各个单元区域的中心点坐标,任选一个中心点为初始点,将初始点周边一圈的中心点进行直接合并,获得初始区域,识别初始区域的中心点、面积和边界轮廓,计算初始余量半径,根据初始区域中心点和初始余量半径进行趋向合并,获得合并区域,识别合并区域的中心点、面积和边界轮廓,计算合并余量半径,根据计算的合并余量半径和合并区域中心点进行合并区域调整,获得待选区。
5.根据权利要求4所述的一种基于图像识别的能见度监测系统,其特征在于,根据计算的合并余量半径和合并区域中心点进行合并区域调整的方法包括:
当合并余量半径大于零时,再次进行合并;当合并余量半径不大于零时,进行相应的单元区域剔除,直到剔除一个单元区域后,合并余量半径大于零,完成合并区域调整。
8.一种基于图像识别的能见度监测方法,其特征在于,应用于如权利要求1-7中任意一项所述的一种基于图像识别的能见度监测系统,具体步骤如下:
步骤一:用于基于散射法进行能见度检测,获得散射能见度;
步骤二:在进行散射能见度检测时采集对应的检测图像,分为目标物图像和散射图像,基于图像法计算能见度,标记为图像能见度;
步骤三:进行数据处理,计算综合能见度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210456532.0A CN114720425B (zh) | 2022-04-24 | 2022-04-24 | 一种基于图像识别的能见度监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210456532.0A CN114720425B (zh) | 2022-04-24 | 2022-04-24 | 一种基于图像识别的能见度监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114720425A CN114720425A (zh) | 2022-07-08 |
CN114720425B true CN114720425B (zh) | 2023-02-21 |
Family
ID=82245369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210456532.0A Active CN114720425B (zh) | 2022-04-24 | 2022-04-24 | 一种基于图像识别的能见度监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720425B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115617A (zh) * | 2022-07-26 | 2022-09-27 | 安徽气象信息有限公司 | 一种应用于气象能见度检测仪的能见度检测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030174332A1 (en) * | 1999-03-12 | 2003-09-18 | Regents Of The University Of Minnesota | Video camera-based visibility measurement system |
US20130342692A1 (en) * | 2011-01-26 | 2013-12-26 | Nanjing University | Ptz video visibility detection method based on luminance characteristic |
CN107505291A (zh) * | 2017-07-05 | 2017-12-22 | 中南大学 | 一种通过单幅图像估计能见度的方法 |
CN109783973A (zh) * | 2018-12-25 | 2019-05-21 | 北京航空航天大学 | 一种基于图像退化模型的大气能见度计算方法 |
CN110503634A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 基于图像自动识别的能见度测量方法 |
CN111191629A (zh) * | 2020-01-07 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种基于多目标的图像能见度检测方法 |
CN112288736A (zh) * | 2020-11-09 | 2021-01-29 | 浙江大学 | 一种基于图像的能见度估测方法 |
CN112649900A (zh) * | 2020-11-27 | 2021-04-13 | 上海眼控科技股份有限公司 | 一种能见度的监测方法、装置、设备、系统和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
-
2022
- 2022-04-24 CN CN202210456532.0A patent/CN114720425B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030174332A1 (en) * | 1999-03-12 | 2003-09-18 | Regents Of The University Of Minnesota | Video camera-based visibility measurement system |
US20130342692A1 (en) * | 2011-01-26 | 2013-12-26 | Nanjing University | Ptz video visibility detection method based on luminance characteristic |
CN107505291A (zh) * | 2017-07-05 | 2017-12-22 | 中南大学 | 一种通过单幅图像估计能见度的方法 |
CN109783973A (zh) * | 2018-12-25 | 2019-05-21 | 北京航空航天大学 | 一种基于图像退化模型的大气能见度计算方法 |
CN110503634A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 基于图像自动识别的能见度测量方法 |
CN111191629A (zh) * | 2020-01-07 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种基于多目标的图像能见度检测方法 |
CN112288736A (zh) * | 2020-11-09 | 2021-01-29 | 浙江大学 | 一种基于图像的能见度估测方法 |
CN112649900A (zh) * | 2020-11-27 | 2021-04-13 | 上海眼控科技股份有限公司 | 一种能见度的监测方法、装置、设备、系统和介质 |
Non-Patent Citations (3)
Title |
---|
前向散射式能见度仪测试方法研究;王敏等;《气象科技》;20210228;第49卷(第1期);第12-17页 * |
基于全视野数字图像的能见度估算方法;陆天舒等;《应用气象学报》;20181130;第29卷(第06期);第701-709页 * |
目标板反射对图像法测量能见度的误差分析;王敏等;《科学技术与工程》;20210630;第21卷(第18期);第7657-7662页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114720425A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN108764257B (zh) | 一种多视角的指针式仪表识别方法 | |
CN112906694B (zh) | 变电站倾斜式指针式仪表图像的读数矫正系统及方法 | |
CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
CN112699876B (zh) | 一种用于集气站多类型仪表自动读数方法 | |
CN109271991B (zh) | 一种基于深度学习的车牌检测方法 | |
CN105675626A (zh) | 一种轮胎模具的字符缺陷检测方法 | |
CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
CN112365462B (zh) | 一种基于图像的变化检测方法 | |
CN111965636A (zh) | 一种基于毫米波雷达和视觉融合的夜间目标检测方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN110866430A (zh) | 一种车牌识别方法及装置 | |
CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN108169142A (zh) | 基于遥感影像的水色异常快速定位方法和装置 | |
CN114720425B (zh) | 一种基于图像识别的能见度监测系统及方法 | |
CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
CN114037650B (zh) | 变化检测及目标检测的地面目标可见光毁伤图像处理方法 | |
CN105654042B (zh) | 玻璃温度计的检定温度字符识别方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 |
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 |