CN114841944B - 基于挂轨轨道机器人的尾矿坝表面形变巡检方法 - Google Patents

基于挂轨轨道机器人的尾矿坝表面形变巡检方法 Download PDF

Info

Publication number
CN114841944B
CN114841944B CN202210439870.3A CN202210439870A CN114841944B CN 114841944 B CN114841944 B CN 114841944B CN 202210439870 A CN202210439870 A CN 202210439870A CN 114841944 B CN114841944 B CN 114841944B
Authority
CN
China
Prior art keywords
data
dimensional
point cloud
robot
rail
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
Application number
CN202210439870.3A
Other languages
English (en)
Other versions
CN114841944A (zh
Inventor
徐修平
聂闻
朱天强
代永新
代碧波
周玉新
原粲茗
吴小刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinosteel Maanshan General Institute of Mining Research Co Ltd
Original Assignee
Sinosteel Maanshan General Institute of Mining Research Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sinosteel Maanshan General Institute of Mining Research Co Ltd filed Critical Sinosteel Maanshan General Institute of Mining Research Co Ltd
Priority to CN202210439870.3A priority Critical patent/CN114841944B/zh
Publication of CN114841944A publication Critical patent/CN114841944A/zh
Priority to PCT/CN2023/075438 priority patent/WO2023207257A1/zh
Application granted granted Critical
Publication of CN114841944B publication Critical patent/CN114841944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T7/85—Stereo 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • Y02A90/30—Assessment of water resources

Abstract

本发明公开了一种基于挂轨轨道机器人的尾矿坝表面形变巡检方法，包括：采集尾矿库坝体表面的数据，对所述数据进行预处理，获得三维监测数据；基于所述三维监测数据进行建模，获得三维监测模型；对所述三维监测模型进行处理分析，获得坝体形变情况。本发明监测的主体是整个尾矿坝的坝体，构建的轨道环境在室外，通过在机器人上搭载双目相机与激光雷达来进行对整个坝体的扫描从而生成三维点云，进而捕捉尾矿坝表面的形变及其属性，包括形变的具体体积、位置等信息，实现对尾矿坝体表面形变数据的三维监测与重构。

Description

基于挂轨轨道机器人的尾矿坝表面形变巡检方法
技术领域
本发明属于形变巡检领域，尤其涉及一种基于挂轨轨道机器人的尾矿坝表面形变巡检方法。
背景技术
目前市面上用的比较多的轨道挂轨机器人的应用场景主要是在一些车间以及一些封闭环境内，通过摄像头进行一个图像的采集，通过对采集的二维图像的处理，对异常情况进行监控和监测。现有技术的局限性在于只能采集到基础的二维图像数据，在图像的数据的处理上也只是简单的在二维平面上的识别，并不能观测出异常处具体的形变变化。
发明内容
为解决上述问题，本发明提供一种基于挂轨轨道机器人的尾矿坝表面形变巡检方法，包括：
采集尾矿库坝体表面的数据，对所述数据进行预处理，获得三维监测数据；
基于所述三维监测数据进行建模，获得三维监测模型；
对所述三维监测模型进行处理分析，获得坝体形变情况。
优选的，采集所述尾矿库坝体表面的数据的过程包括，基于轨道滑轨机器人对所述尾矿库坝体进行数据采集，通过所述轨道滑轨机器人的双目相机采集获得图像数据，通过所述轨道滑轨机器人的激光雷达采集获得三维点云数据。
优选的，所述轨道滑轨机器人通过搭建数据采集层，上位机监控层，通讯层，控制层获得；所述数据采集层用于采集所述图像数据和所述三维点云数据；所述上位机监控层用于实时查看轨道滑轨机器人的位置信息和设备的运行状态；所述通讯层用于与上位机进行数据传输；所述控制层由上位机远程控制，用于控制设备的电机运转。
优选的，对所述数据进行预处理的过程包括，基于超像素和智能优化方法对所述图像数据进行去噪，基于去噪后的图像数据和所述三维点云数据进行数据融合处理，获得所述三维监测数据。
优选的，基于超像素和智能优化方法对所述图像数据进行去噪的过程包括，通过高斯滤波，采用掩模扫描图像中的每一个像素，用掩膜邻域内像素的加权平均灰度值替代掩膜中心像素点的值，获得去噪图像数据。
优选的，所述数据融合处理的过程包括，基于LVI-SAM算法对所述图像数据和所述三维点云数据进行处理，生成经过两相校准的尾矿库坝体的各个时刻的三维点云。
优选的，基于所述三维监测数据进行建模，获得三维监测模型的过程包括，基于所述三维监测数据获得监测图像，使用Sobel算子对所述监测图像进行预处理；对预处理后的图像进行代价计算；对进行代价计算后的图像进行动态规划，通过立体标定、立体匹配获得视差图；基于所述视差图，得到深度图；基于所述深度图绘制点云图；基于所述点云图，构建所述三维监测模型。
优选的，对所述三维监测模型进行处理分析的过程包括，将不同时刻的三维点云导入三维监测模型进行点云对齐，对齐后计算获得前后点云距离；通过预设阈值进行所述前后点云距离差异的可视化，获得可视化结果；计算所述三维监测模型的面积和体积，基于所述面积和体积以及所述可视化结果获得所述坝体形变情况。
优选的，将不同时刻的三维点云导入三维监测模型进行点云对齐的过程包括，计算三维点云间的倒角距离，基于所述倒角距离对生成点云与原点云进行比较对齐。
优选的，基于所述倒角距离对生成点云与原点云进行比较对齐通过ICP点云配准算法完成；
所述ICP点云配准算法的过程包括，对所述三维点云进行预处理，获得原始变换；对所述原始变换进行匹配，获得最近点；通过加权，调整对应点对的权重，剔除不合理的对应点对；通过计算loss，获得最小化loss；基于最小化loss，获得最优变换。
本发明公开了以下技术效果：
对比目前市面上采用的很多针对很多户外大型地质图像信息都是采用无人机的方法进行数据采集的，单次的操作流程复杂，且耗时耗力，每次都需要对无人机进行操纵。本申请构建轨道机器人轨道的方法具有一劳永逸的优越性，一次设置，即可长期自动运行。
本发明提供的一种基于挂轨轨道机器人的尾矿坝表面形变巡检方法，监测的主体是整个尾矿坝的坝体，构建的轨道环境在室外，通过在机器人上搭载双目相机与激光雷达来进行对整个坝体的扫描从而生成三维点云，进而捕捉尾矿坝表面的形变及其属性，包括形变的具体体积、位置等信息，实现对尾矿坝体表面形变数据的三维监测与重构。
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，下面将对实施例中所需要使用的附图作简单地介绍，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为本发明实施例的方法流程图；
图2为本发明实施例的设备模型图；
图3为本发明实施例的轨道架构示意图；
图4为本发明实施例的设备信息捕捉区域例图；
图5为本发明实施例不同阶级在同一水平位置所拍摄的照片的重合率示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于挂轨轨道机器人的尾矿坝表面形变巡检方法，包括：
(1)三维监测数据的获取
针对尾矿库坝体GNSS和测斜仪监测覆盖区域有限、无人机巡检精度不足的问题，拟选取三个已经装载双目相机和激光雷达的轨道滑轨机器人来对尾矿库坝体进行全区的在线监测(如图2所示)，将双目相机获取的视觉数据和激光雷达的获取的激光点云等多源数据进行融合。即收集尾矿库坝体表面的图像数据和激光扫描所获得的三维点云。
在对尾矿库坝体进行全区的在线监测时，将数据采集和轨道构建进行高效结合(如图3所示)，在监测目标物体的外围构建挂轨机器人的阶梯式运行轨道，轨道内置供能回路，可使挂轨机器人正常运行。通过阶梯式的架设可以使设备采集的信息的区域提升。采集设备正常不改变工作朝向，但是针对一些特殊的需求可以通过改变轨道运行方向来进行工作朝向的改变(如图4所示)。
特别地，针对较大范围内的采集任务，轨道的阶级构建要遵循图像采集的需求。即上下不同阶级在同一水平位置所拍摄的照片的重合率要达到50％(如图5所示)。
在轨道滑轨机器人的控制方面，拟搭建上位机监控层、通讯层、控制层、数据采集层的系统框架，开发巡检远程交互控制系统。其中上位机监控层用于实时查看机器人的具体位置和相关设备的运行状态，并通过通讯层实时反馈到上位机；通讯层作为设备与上位机进行数据传输；控制层由上位机远程控制，用于控制设备的电机运转；数据采集层通过相机采集图像数据，通过激光雷达采集三维点云数据。特别地，用户可以根据预设采集区域灵活控制轨道滑轨机器人的运行速度。
自主研发基于高速伺服电机驱动的尾矿库坝体双环形轨道巡检机器人来辅助完成监测数据的初步采集。特别的，在轨道滑轨机器人上加载补光灯，用来弥补夜间视觉模式失效。
(2)三维监测模型的生成
视觉方面首先通过超像素和智能优化等方法对采集到的图像进行图像去噪来得到更准确的图像数据。
利用高斯滤波进行去噪处理，具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
然后通过SGBM算法对图像数据进行预处理，建立尾矿库三维监测模型，并将其三维监测数据储存到数据库中。
激光雷达方面将采集到的雷达数据和双目相机所采集到的图像数据相融合，具体做法是用LVI-SAM算法对图像数据和雷达数据进行处理生成一个经过两相校准的整个尾矿库坝体的三维点云数据。
尾矿库三维监测模型的具体构建方法是，使用Sobel算子对图像进行预处理；对预处理后的图像进行代价计算；对进行代价计算后的图像进行动态规划，通过立体标定、立体匹配获得视差图；根据所述视差图，得到深度图；根据所述深度图绘制点云图；根据所述点云图，构建所述三维监测模型。
(3)三维监测模型的处理分析
选取前后不同时刻生成的三维监测模型或三维点云导入cloudcompare中进行点云对齐，对齐后计算前后点云距离，通过选取合适的阈值来进行前后点云差异的可视化，再通过进一步的计算三维模型的面积和体积可以进一步的深入了解到坝体的形变情况，并根据这个设立报警阈值
进行点云对齐的过程包括，计算三维点云间的倒角距离，即计算生成点云和groundtruth点云之间，平均的最短点距离。通过倒角距离的大小来判定与作比较的原点云的差别。
倒角距离对生成点云与原点云进行比较对齐通过点云配准完成。
点云配准(Point Cloud Registration)指的是输入两幅点云(source)和(target)，输出一个变换使得(source)和(target)的重合程度尽可能高。本发明只考虑刚性(rigid)变换，即变换只包括旋转、平移。点云配准可以分为粗配准(CoarseRegistration)和精配准(Fine Registration)两步。粗配准指的是在两幅点云之间的变换完全未知的情况下进行较为粗糙的配准，目的主要是为精配准提供较好的变换初值；精配准则是给定一个初始变换，进一步优化得到更精确的变换。
目前应用最广泛的点云精配准算法是迭代最近点算法(Iterative ClosestPoint,ICP)及各种变种ICP算法，本发明基于ICP算法进行点云对齐。
对于T是刚性变换的情形，点云配准问题可以描述为：
Figure BDA0003613406490000081
这里ps和pt是源点云和目标点云中的对应点。
ICP一般算法流程为：对所述三维点云进行预处理，获得原始变换；对所述原始变换进行匹配，获得最近点；通过加权，调整对应点对的权重，剔除不合理的对应点对；通过计算loss，获得最小化loss；基于最小化loss，获得最优变换；对以上步骤进行迭代，直到收敛。
本说明书实例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (7)

1.基于挂轨轨道机器人的尾矿坝表面形变巡检方法，其特征在于，包括：
采集尾矿库坝体表面的数据，对所述数据进行预处理，获得三维监测数据；
基于所述三维监测数据进行建模，获得三维监测模型；
对所述三维监测模型进行处理分析，获得坝体形变情况；
采集所述尾矿库坝体表面的数据的过程包括，基于轨道滑轨机器人对所述尾矿库坝体进行数据采集，通过所述轨道滑轨机器人的双目相机采集获得图像数据，通过所述轨道滑轨机器人的激光雷达采集获得三维点云数据；
在对尾矿库坝体进行全区的在线监测时，将数据采集和轨道构建进行高效结合，在监测目标物体的外围构建轨道滑轨机器人的阶梯式运行轨道，轨道内置供能回路，使轨道滑轨机器人正常运行；
基于所述三维监测数据进行建模，获得三维监测模型的过程包括，
基于所述三维监测数据获得监测图像，使用Sobel算子对所述监测图像进行预处理；对预处理后的图像进行代价计算；对进行代价计算后的图像进行动态规划，通过立体标定、立体匹配获得视差图；基于所述视差图，得到深度图；基于所述深度图绘制点云图；基于所述点云图，构建所述三维监测模型；
对所述三维监测模型进行处理分析的过程包括，将不同时刻的三维点云导入三维监测模型进行点云对齐，对齐后计算获得前后点云距离；通过预设阈值进行所述前后点云距离差异的可视化，获得可视化结果；计算所述三维监测模型的面积和体积，基于所述面积和体积以及所述可视化结果获得所述坝体形变情况。
2.根据权利要求1所述的基于挂轨轨道机器人的尾矿坝表面形变巡检方法，其特征在于，包括：
所述轨道滑轨机器人通过搭建数据采集层，上位机监控层，通讯层，控制层获得；
所述数据采集层用于采集所述图像数据和所述三维点云数据；
所述上位机监控层用于实时查看轨道滑轨机器人的位置信息和设备的运行状态；
所述通讯层用于与上位机进行数据传输；
所述控制层由上位机远程控制，用于控制设备的电机运转。
3.根据权利要求1所述的基于挂轨轨道机器人的尾矿坝表面形变巡检方法，其特征在于，包括：
对所述数据进行预处理的过程包括，基于超像素和智能优化方法对所述图像数据进行去噪，基于去噪后的图像数据和所述三维点云数据进行数据融合处理，获得所述三维监测数据。
4.根据权利要求3所述的基于挂轨轨道机器人的尾矿坝表面形变巡检方法，其特征在于，包括：
基于超像素和智能优化方法对所述图像数据进行去噪的过程包括，通过高斯滤波，采用掩模扫描图像中的每一个像素，用掩膜邻域内像素的加权平均灰度值替代掩膜中心像素点的值，获得去噪图像数据。
5.根据权利要求3所述的基于挂轨轨道机器人的尾矿坝表面形变巡检方法，其特征在于，包括：
所述数据融合处理的过程包括，基于LVI-SAM算法对所述图像数据和所述三维点云数据进行处理，生成经过两相校准的尾矿库坝体的各个时刻的三维点云。
6.根据权利要求1所述的基于挂轨轨道机器人的尾矿坝表面形变巡检方法，其特征在于，包括：
将不同时刻的三维点云导入三维监测模型进行点云对齐的过程包括，计算三维点云间的倒角距离，基于所述倒角距离对生成点云与原点云进行比较对齐。
7.根据权利要求6所述的基于挂轨轨道机器人的尾矿坝表面形变巡检方法，其特征在于，包括：
基于所述倒角距离对生成点云与原点云进行比较对齐通过ICP点云配准算法完成；
所述ICP点云配准算法的过程包括，对所述三维点云进行预处理，获得原始变换；对所述原始变换进行匹配，获得最近点；通过加权，调整对应点对的权重，剔除不合理的对应点对；通过计算loss，获得最小化loss；基于最小化loss，获得最优变换。
CN202210439870.3A 2022-04-25 2022-04-25 基于挂轨轨道机器人的尾矿坝表面形变巡检方法 Active CN114841944B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210439870.3A CN114841944B (zh) 2022-04-25 2022-04-25 基于挂轨轨道机器人的尾矿坝表面形变巡检方法
PCT/CN2023/075438 WO2023207257A1 (zh) 2022-04-25 2023-02-10 基于挂轨轨道机器人的尾矿坝表面形变巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210439870.3A CN114841944B (zh) 2022-04-25 2022-04-25 基于挂轨轨道机器人的尾矿坝表面形变巡检方法

Publications (2)

Publication Number Publication Date
CN114841944A CN114841944A (zh) 2022-08-02
CN114841944B true CN114841944B (zh) 2023-03-28

Family

ID=82566207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210439870.3A Active CN114841944B (zh) 2022-04-25 2022-04-25 基于挂轨轨道机器人的尾矿坝表面形变巡检方法

Country Status (2)

Country Link
CN (1) CN114841944B (zh)
WO (1) WO2023207257A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841944B (zh) * 2022-04-25 2023-03-28 中钢集团马鞍山矿山研究总院股份有限公司 基于挂轨轨道机器人的尾矿坝表面形变巡检方法
CN116879920B (zh) * 2023-07-12 2024-02-09 中电建绿建有限公司 一种基于激光点云技术的堤坝质量检测方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09113239A (ja) * 1995-10-19 1997-05-02 Ishikawajima Harima Heavy Ind Co Ltd ３次元形状構造物の計測装置
CN106323243A (zh) * 2016-08-18 2017-01-11 广州地理研究所 一种基于无人机的大坝变形观测预警系统及方法和装置
CN109060025A (zh) * 2018-08-13 2018-12-21 中国恩菲工程技术有限公司 尾矿库安全监控系统及方法
CN109269555A (zh) * 2018-09-03 2019-01-25 空中梦想（北京）科技有限公司 基于无人机和三维建模技术的尾矿库安全监测系统及方法
CN110232736B (zh) * 2019-06-18 2023-05-26 中国矿业大学 一种井下综采工作面三维场景快速构建方法
CN110672026A (zh) * 2019-08-30 2020-01-10 泉州佰桀智能制鞋设备研究院有限公司 一种过山车轨道检测方法、智能检测机器人及检测系统
CN111547084B (zh) * 2020-04-22 2021-07-30 中国铁路设计集团有限公司 基于自移动式轨道交通移动三维扫描系统的数据处理方法
CN113763583A (zh) * 2020-05-19 2021-12-07 深圳市路桥建设集团有限公司 一种隧道巡检设备和隧道巡检方法
CN114841944B (zh) * 2022-04-25 2023-03-28 中钢集团马鞍山矿山研究总院股份有限公司 基于挂轨轨道机器人的尾矿坝表面形变巡检方法

Also Published As

Publication number Publication date
CN114841944A (zh) 2022-08-02
WO2023207257A1 (zh) 2023-11-02

Similar Documents

Publication Publication Date Title
CN111897332B (zh) 一种语义智能变电站机器人仿人巡视作业方法及系统
CN111062873B (zh) 一种基于多对双目相机的视差图像拼接与可视化方法
CN114841944B (zh) 基于挂轨轨道机器人的尾矿坝表面形变巡检方法
CA2950791C (en) Binocular visual navigation system and method based on power robot
CN105302151B (zh) 一种飞机入坞引导和机型识别的系统及方法
CN112505065B (zh) 一种实现室内无人机对大部件表面缺陷进行检测的方法
CN111679291B (zh) 基于三维激光雷达的巡检机器人目标定位配置方法
CN104330074B (zh) 一种智能测绘平台及其实现方法
CN111512256A (zh) 自动和自适应的三维机器人现场勘测
CN114092537A (zh) 一种变电站电力无人机自动巡检方法及装置
CN114782626A (zh) 基于激光与视觉融合的变电站场景建图及定位优化方法
CN113031597A (zh) 一种基于深度学习和立体视觉的自主避障方法
CN116030208A (zh) 一种真实无人机虚拟仿真输电线路场景搭建方法及系统
CN116883604A (zh) 一种基于天、空、地影像的三维建模技术方法
CN115222884A (zh) 一种基于人工智能的空间对象分析及建模优化方法
CN115439621A (zh) 一种煤矿井下巡检机器人三维地图重建及目标检测方法
WO2019187772A1 (ja) 建造物管理システム、学習装置、位置判定装置、及び位置判定方法
CN114419259B (zh) 一种基于物理模型成像仿真的视觉定位方法及系统
Chen et al. Outdoor 3d environment reconstruction based on multi-sensor fusion for remote control
CN114923477A (zh) 基于视觉与激光slam技术的多维度空地协同建图系统和方法
Bai et al. Application of unmanned aerial vehicle multi-vision image 3D modeling in geological disasters
Gu et al. Surveying and mapping of large-scale 3D digital topographic map based on oblique photography technology
Zhou et al. Three dimensional fully autonomous inspection method for wind power employing unmanned aerial vehicle based on 5G wireless communication and artificial intelligence
Zhao et al. Reconstruction Textured Urban 3D Model by Fusing Ground-Based Laser Range Image and CCD Image.
Chen et al. Improving completeness and accuracy of 3D point clouds by using deep learning for applications of digital twins to civil structures

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