CN114985150B - 基于视觉感知的喷雾机精准喷雾的控制方法 - Google Patents

基于视觉感知的喷雾机精准喷雾的控制方法 Download PDF

Info

Publication number
CN114985150B
CN114985150B CN202210918663.6A CN202210918663A CN114985150B CN 114985150 B CN114985150 B CN 114985150B CN 202210918663 A CN202210918663 A CN 202210918663A CN 114985150 B CN114985150 B CN 114985150B
Authority
CN
China
Prior art keywords
gradient
matrix
spraying
area
coefficient
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
CN202210918663.6A
Other languages
English (en)
Other versions
CN114985150A (zh
Inventor
张宏博
张玉宁
佟龙
张磊
梁东勋
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.)
Shandong Damuzhi Spraying Equipments Co ltd
Original Assignee
Shandong Damuzhi Spraying Equipments 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 Shandong Damuzhi Spraying Equipments Co ltd filed Critical Shandong Damuzhi Spraying Equipments Co ltd
Priority to CN202210918663.6A priority Critical patent/CN114985150B/zh
Publication of CN114985150A publication Critical patent/CN114985150A/zh
Application granted granted Critical
Publication of CN114985150B publication Critical patent/CN114985150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05B—SPRAYING APPARATUS; ATOMISING APPARATUS; NOZZLES
    • B05B12/00—Arrangements for controlling delivery; Arrangements for controlling the spray area
    • B05B12/08—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means
    • B05B12/12—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means responsive to conditions of ambient medium or target, e.g. humidity, temperature position or movement of the target relative to the spray apparatus
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D47/00—Separating dispersed particles from gases, air or vapours by liquid as separating agent
    • B01D47/06—Spray cleaning
    • 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
    • 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
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2247/00—Details relating to the separation of dispersed particles from gases, air or vapours by liquid as separating agent
    • B01D2247/08—Means for controlling the separation process
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
    • Y02A50/2351—Atmospheric particulate matter [PM], e.g. carbon smoke microparticles, smog, aerosol particles, dust

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于视觉感知的喷雾机精准喷雾的控制方法。该方法包括：获得喷雾机周围环境图像并灰度化得到灰度图；对灰度图分析获得最大梯度矩阵、最小梯度矩阵和梯度尺寸区域矩阵；对最大梯度矩阵、最小梯度矩阵和梯度尺寸区域矩阵分析获得扬尘的浓度量化系数和范围量化系数；利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数；基于工作半径调节函数和喷雾量调节函数控制喷雾机工作时的喷雾半径和喷雾量。本发明分析喷雾机周围的环境图像得到了扬尘的浓度和范围，进而控制喷雾机工作时的相关参数，达到喷雾机的精准喷雾的目的，保证喷雾机工作效率的同时，降低了水资源的浪费。

Description

基于视觉感知的喷雾机精准喷雾的控制方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于视觉感知的喷雾机精准喷雾的控制方法。
背景技术
在国内，随着工业的发展造成的环境污染，空气中有大量的颗粒污染物，特别在建筑工地或工厂，扬尘粉尘的存在造成环境污染。我国对环境治理的力度不断加深，因此在城市环境治理中，会使用喷雾机对扬尘污染进行处理。我国作为工业大国，利用喷雾机进行扬尘处理会使用很多的水源，因此喷雾机的工作效率对资源的节约使用和扬尘的高效处理都有重大意义。
目前在利用喷雾机对扬尘进行处理时，一般都是全部范围的全覆盖除尘，通过许多喷头全天候等量等速的进行喷水除尘，这种方法耗费大量的水资源，并且会一定程度的影响作业环境，带来一定的隐患，于此同时资源浪费的缺点也十分明显。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于视觉感知的喷雾机精准喷雾的控制方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于视觉感知的喷雾机精准喷雾的控制方法：获得喷雾机周围环境图像并灰度化得到灰度图；灰度图中各像素点相对于其邻域中像素点的梯度的最大值和最小值分别组成最大梯度矩阵和最小梯度矩阵；基于最大梯度矩阵中元素的均值和各元素的差值获得最大梯度偏方差；以最大梯度矩阵中梯度值最大的像素点为中心点获得弱扬尘区域；基于弱扬尘区域的面积与灰度图面积的比值、最大梯度偏方差获得第一浓度量化系数；
设定预设数量的梯度级，获得最小梯度矩阵中每个元素所属的梯度级以及属于各梯度级的元素对应的像素点组成的不同面积的连通域的数量，其中一个连通域内像素点的梯度值属于一个梯度级；利用所述不同面积的连通域的数量组成梯度尺寸区域矩阵；将梯度尺寸区域矩阵分为四个子矩阵，其中位于梯度尺寸区域矩阵右上角和右下角的子矩阵分别为第一子矩阵和第二子矩阵；第一、第二子矩阵的元素和分别与梯度尺寸区域矩阵元素和的比值为第一系数和第二系数；
基于梯度尺寸区域矩阵中各列元素之和获得连通域分布系数；利用第一、第二系数和连通域分布系数获得第二浓度量化系数；第二浓度量化系数与第一浓度量化系数的比值为浓度量化系数；利用第一系数和第二系数的比值、弱扬尘区域的面积与灰度图面积的比值获得范围量化系数；利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数；基于工作半径调节函数和喷雾量调节函数控制喷雾机工作时的喷雾半径和喷雾量。
优选地，最大梯度偏方差为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示最大梯度偏方差；
Figure 100002_DEST_PATH_IMAGE006
表示最大梯度矩阵中元素的均值；
Figure 100002_DEST_PATH_IMAGE008
表示最大梯度矩阵中第i行第j列的元素；m和n分别表示最大梯度矩阵共有m行和n列。
优选地，以最大梯度矩阵中梯度值最大的像素点为中心点获得弱扬尘区域包括：设定梯度阈值，将最大梯度矩阵中梯度值最大的像素点作为中心点；在所述中心点的邻域内寻找梯度值与中心点的梯度值的差值的绝对值小于梯度阈值的像素点，记为弱扬尘区域像素点，其中所述中心点的邻域的尺寸不断变大；所述弱扬尘区域像素点组成弱扬尘区域。
优选地，利用所述不同面积的连通域的数量组成梯度尺寸区域矩阵包括：梯度尺寸区域矩阵中每行元素为同一梯度级的像素点组成的连通域的数量，每列元素为同一面积的连通域的数量；其中，每行元素的排列顺序按照同一梯度级的像素点组成的连通域的面积从小到大排列，每列元素的排列顺序按照构成的相同面积的连通域内的像素点的梯度值所属的梯度级从小到大排列。
优选地，将梯度尺寸区域矩阵分为四个子矩阵，其中位于梯度尺寸区域矩阵右上角和右下角的子矩阵分别为第一子矩阵和第二子矩阵包括：梯度尺寸区域矩阵共有5行和
Figure 100002_DEST_PATH_IMAGE010
列元素，其中第一子矩阵中的元素为梯度尺寸区域矩阵中第一行、第二行和第
Figure 100002_DEST_PATH_IMAGE012
列到第
Figure 564215DEST_PATH_IMAGE010
列的元素；第二子矩阵中的元素为梯度尺寸区域矩阵中第三行、第四行、第五行和第
Figure 362406DEST_PATH_IMAGE012
列到第
Figure 92465DEST_PATH_IMAGE010
列的元素。
优选地，连通域分布系数为：
Figure 100002_DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE016
表示连通域分布系数；
Figure 213874DEST_PATH_IMAGE010
表示梯度尺寸区域矩阵中的列数，
Figure 100002_DEST_PATH_IMAGE018
表示梯度尺寸区域矩阵中的行数，取值为5；
Figure 100002_DEST_PATH_IMAGE020
表示梯度尺寸区域矩阵中第a行第b列的元素；
Figure 100002_DEST_PATH_IMAGE022
表示梯度尺寸区域矩阵中所有元素的和。
优选地，利用第一、第二系数和连通域分布系数获得第二浓度量化系数包括：第一系数和连通域分布系数与第二浓度量化系数成正相关关系；第二系数与第二浓度量化系数成负相关关系。
优选地，范围量化系数为：
Figure 100002_DEST_PATH_IMAGE024
其中，
Figure 100002_DEST_PATH_IMAGE026
表示范围量化系数；
Figure 100002_DEST_PATH_IMAGE028
表示第一系数，
Figure 100002_DEST_PATH_IMAGE030
表示第二系数；
Figure 100002_DEST_PATH_IMAGE032
表示弱扬尘区域的面积，
Figure 100002_DEST_PATH_IMAGE034
表示灰度图的面积。
优选地，利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数包括：
设定扬尘范围阈值和扬尘浓度阈值，则工作半径调节函数为：
Figure 100002_DEST_PATH_IMAGE036
其中，
Figure 100002_DEST_PATH_IMAGE038
表示工作半径调节函数；
Figure 100002_DEST_PATH_IMAGE040
表示喷雾机的最大工作半径；
Figure 23216DEST_PATH_IMAGE026
表示范围量化系数；
Figure 100002_DEST_PATH_IMAGE042
表示扬尘范围阈值；
喷雾量调节函数为：
Figure 100002_DEST_PATH_IMAGE044
其中，
Figure 100002_DEST_PATH_IMAGE046
表示喷雾量调节函数；
Figure 100002_DEST_PATH_IMAGE048
表示喷雾机的最大喷雾量；
Figure 100002_DEST_PATH_IMAGE050
表示浓度量化系数；
Figure 100002_DEST_PATH_IMAGE052
表示扬尘浓度阈值；
Figure 100002_DEST_PATH_IMAGE054
表示自然常数。
本发明实施例至少具有如下有益效果：本发明通过对喷雾机周围环境图像的灰度图进行分析获得了最大梯度矩阵和最小梯度矩阵以及梯度尺寸区域矩阵；同时对最大梯度矩阵分析获得最大梯度偏方差；基于弱扬尘区域的面积与灰度图面积的比值、最大梯度偏方差获得第一浓度量化系数；对最小梯度矩阵和梯度尺寸区域矩阵分析得到第一系数、第二系数、连通域分布系数；利用第一、第二系数和连通域分布系数获得第二浓度量化系数；第二浓度量化系数与第一浓度量化系数的比值为浓度量化系数；利用第一系数和第二系数的比值、弱扬尘区域的面积与灰度图面积的比值获得范围量化系数；利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数；基于工作半径调节函数和喷雾量调节函数控制喷雾机工作时的喷雾半径和喷雾量。本发明分析喷雾机周围的环境图像得到了扬尘的浓度和范围，进而控制喷雾机工作时的相关参数，达到喷雾机的精准喷雾的目的，保证喷雾机工作效率的同时，降低了水资源的浪费。
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和优点，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它附图。
图1为本发明实施例提供的一种基于视觉感知的喷雾机精准喷雾的控制方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于视觉感知的喷雾机精准喷雾的控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于视觉感知的喷雾机精准喷雾的控制方法的具体方案。
实施例：
本发明的主要应用场景为：在工业化的现代社会中，空中的灰尘含量越来越多，特别在房屋拆迁，垃圾回收站或废旧物品收购站，在进行垃圾倾倒或废旧物品倾倒时，会造成较大的扬尘，因此需要喷雾机对扬尘进行处理，然而目前除尘的喷雾机都是全覆盖的无差别的喷雾除尘操作，造成的极大的资源浪费，并且除尘的效果不好，因此需要分析喷雾机周围扬尘的浓度和范围进而控制喷雾机工作时的相关参数。
请参阅图1，其示出了本发明实施例提供的一种基于视觉感知的喷雾机精准喷雾的控制方法的方法流程图，该方法包括以下步骤：
步骤S1，获得喷雾机周围环境图像并灰度化得到灰度图；灰度图中各像素点相对于其邻域中像素点的梯度的最大值和最小值分别组成最大梯度矩阵和最小梯度矩阵；基于最大梯度矩阵中元素的均值和各元素的差值获得最大梯度偏方差；以最大梯度矩阵中梯度值最大的像素点为中心点获得弱扬尘区域；基于弱扬尘区域的面积与灰度图面积的比值、最大梯度偏方差获得第一浓度量化系数。
首先，传统的喷雾机是固定位置的，且一旦工作都是固定的范围，固定的喷雾量，本发明需要评估空气中的扬尘的含量，根据浓度来调节喷雾机的工作状态，因此需要在喷雾机上安装摄像机，来采集喷雾机周围的环境数据，进而进行分析，得到扬尘的分布。
如果要对喷雾机的工作状态进行精细化控制，首先需要对环境的扬尘分布进行检测，根据环境的扬尘分布来精细化控制喷雾机工作状态。以往对空气扬尘检测一般是通过空气采样来进行，但是作为喷雾机上的检测装置，采样获取扬尘的方式并不适合，一方面喷雾机的工作并不是固定的，采样获取的空气扬尘的浓度，只是在喷雾机附近很小的范围；另一方面采集获得的只是扬尘浓度，对扬尘的分布范围并没有相关信息。所以本发明实施例通过采集喷雾机周围的图像来获得扬尘的浓度和分布，进而指导喷雾机的工作。
需要说明的是，在利用喷雾机周围的环境图像分析扬尘的浓度和分布时，并不能仅仅靠一张图像进行分析，需要设多张环境图像综合进行分析；本实施例以一张环境图像进行说明，获得喷雾机周围环境图像并灰度化得到灰度图。
进一步的，扬尘在空气中表现为细小颗粒，扬尘的存在会使得拍摄得到的图像的对比度降低，并且掩盖周围环境的纹理特征，扬尘的浓度越大，周围的环境特征越不明显，并且图像中的颜色表现越单一，为土黄色的图像，环境背景被掩盖。因此拍摄得到的图像中的梯度会有相应的变化，比如图像整体梯度的平滑，图像对比度的下降，图像亮度的下降。由于扬尘的存在使得灰度图的像素点之间的灰度值的变化变得平滑，即对于同一背景下不同扬尘浓度情况下得到的灰度图，浓度越大相邻像素点的灰度值梯度越小，梯度最大值越小，梯度最小值越小。基于以上分析本发明通过灰度图中相邻像素点的梯度特征来表征扬尘浓度的大小。
计算灰度图中每个像素点8邻域的梯度的最大值和梯度的最小值：
Figure DEST_PATH_IMAGE056
Figure DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE060
表示灰度图中像素点（i，j）的灰度值；
Figure DEST_PATH_IMAGE062
表示灰度图中像素点（i，j）的8邻域内像素点（c，d）的灰度值；
Figure 110035DEST_PATH_IMAGE008
表示灰度图中像素点（i，j）相对于其邻域中像素点的梯度的最大值；
Figure DEST_PATH_IMAGE064
示灰度图中像素点（i，j）相对于其邻域中像素点的梯度的最小值。
获得灰度图中每个像素点梯度的最大值和梯度的最小值后，分别组成最大梯度矩阵A和最小梯度矩阵B：
Figure DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE068
最大梯度矩阵A和最小梯度矩阵B表示了每个像素点8邻域的最大梯度值和最小梯度值。对于最大梯度矩阵A中梯度的最大值表征了灰度图中的梯度突变信息，表达了图像的背景信息变化，而扬尘的存在会使得图像中的背景模糊，纹理不清晰，进而使得图像的梯度变得平滑，因此最大梯度矩阵A整体较小，同时，扬尘的存在会使得梯度接近，因此扬尘浓度越大最大梯度矩阵A中元素的离散程度较小；对于A中梯度的最大值表征了图像中的梯度突变信息，表达了图像的背景信息变化，而扬尘的存在会使得图像中的背景模糊，纹理不清晰，进而使得图像的梯度变得平滑，因此最大梯度整体较小，而扬尘的存在会使得梯度接近，因此扬尘浓度越大最大梯度矩阵A元素的离散程度较小；而对于最小梯度矩阵B，表明了灰度图的平滑程度，矩阵中元素越小表明图像越平滑，表明图像中的背景信息被扬尘覆盖遮掩，因此可以表明扬尘的浓度越大。基于以上分析，可以利用A和B两个矩阵从两个角度来分析扬尘浓度和分布。
最后，本实施例中通过最大梯度偏方差来计算最大梯度矩阵A元素相比于全局平均梯度的离散程度，相比没有扬尘的正常图像，扬尘对于最大梯度矩阵A的影响是使得矩阵中元素较小且元素趋于平稳，和传统方差计算离散程度相比，最大梯度偏方差考虑了灰度图的全局平均信息，而不是极端的最大梯度的情况，将最大梯度矩阵A和全局平均梯度的距离考虑进去，更好的表征扬尘对灰度图整体特性带来的影响。最大梯度偏方差为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 882600DEST_PATH_IMAGE004
表示最大梯度偏方差；
Figure 733881DEST_PATH_IMAGE006
表示最大梯度矩阵中元素的均值；
Figure 226042DEST_PATH_IMAGE008
表示最大梯度矩阵中第i行第j列的元素；m和n分别表示最大梯度矩阵共有m行和n列。
Figure 733247DEST_PATH_IMAGE004
越小表明最大梯度与平均梯度之间的距离越小且最大梯度矩阵的离散程度越小，表明扬尘对灰度图的影响越大，表明扬尘浓度越高。
与此同时，最大梯度矩阵A中的元素最大值表明了灰度图中存在最大梯度的地方，该位置有最大梯度，表明扬尘对灰度图的影响最为微弱，所以灰度图的边缘纹理特征明显，并且由于扬尘的扩散特性，在该位置周围的最大梯度值都应当偏大，因为该处扬尘影响较弱，将该部分称为弱扬尘区域，因此以该元素点为中心点，统计弱扬尘区域的面积大小，以该元素点为中心点，计算周围像素点与中心点的梯度值的差值的绝对值，设定梯度阈值
Figure 336267DEST_PATH_IMAGE040
，优选地，本实施例中梯度阈值
Figure 245317DEST_PATH_IMAGE040
的取值为5.4，在中心点的邻域内寻找梯度值与中心点的梯度值的差值的绝对值小于梯度阈值的像素点，记为弱扬尘区域像素点，其中所述中心点的邻域的尺寸不仅仅指的是8邻域，邻域的尺寸是不断变大的，直至找到所有满足条件的弱扬尘区域像素点，邻域的尺寸停止变大，弱扬尘区域像素点组成弱扬尘区域，弱扬尘区域的面积为
Figure 908379DEST_PATH_IMAGE032
，弱扬尘区域的面积越小表明扬尘的扩张范围越大，浓度越大。
以上通过对最大梯度矩阵A的分析得到了弱扬尘区域面积和最大梯度偏方差，则最终根据该矩阵得第一浓度量化系数：
Figure DEST_PATH_IMAGE070
上式中
Figure DEST_PATH_IMAGE072
表示根据最大梯度矩阵A得到的扬尘浓度的量化，记为第一浓度量化系数，
Figure 623919DEST_PATH_IMAGE004
表示最大梯度偏方差，
Figure DEST_PATH_IMAGE074
表示弱扬尘区域占据灰度图面积的比例；
Figure 296209DEST_PATH_IMAGE072
越小表明扬尘浓度就越大。
步骤S2，设定预设数量的梯度级，获得最小梯度矩阵中每个元素所属的梯度级以及属于各梯度级的元素对应的像素点组成的不同面积的连通域的数量，其中一个连通域内像素点的梯度值属于一个梯度级；利用所述不同面积的连通域的数量组成梯度尺寸区域矩阵；将梯度尺寸区域矩阵分为四个子矩阵，其中位于梯度尺寸区域矩阵右上角和右下角的子矩阵分别为第一子矩阵和第二子矩阵；第一、第二子矩阵的元素和分别与梯度尺寸区域矩阵元素和的比值为第一系数和第二系数。
首先，同样的，对于最小梯度矩阵B来说，表明了扬尘对于灰度图的影响，扬尘会使得灰度图中的纹理边缘等信息消失，因此导致梯度的消失，最终使得最小梯度值趋近于0，因此在最小梯度矩阵B中，元素值越小就表明扬尘对灰度图的影响越大，也即是扬尘浓度越大。
基于对最小梯度矩阵B的分析，本发明实施例通过最小梯度矩阵B中的元素的分布来确定扬尘对灰度图的影响结果。灰度尺寸区域矩阵能够表征每个灰阶的连通域的大小，因此本发明结合灰度尺寸区域矩阵的原理针对最小梯度矩阵B生成梯度尺寸区域矩阵来进行相关量化。
进一步的，根据最小梯度矩阵B特征进行梯度级的划分，最小梯度矩阵B体现了扬尘对图像中边缘纹理的影响，扬尘浓度越大，范围越广，就表明最小梯度矩阵B中的元素越小，同时结合灰度尺寸区域矩阵的特点，为了使梯度尺寸区域矩阵更好的表征扬尘的特征，本发明设定预设数量的梯度级，也即是5个梯度级，最小的梯度级为1，最大的梯度级为5，分别为：
Figure DEST_PATH_IMAGE076
设定梯度级的依据在于，扬尘的存在会削弱边缘纹理特征，导致边缘纹理的消失，进而使得最小梯度矩阵B中的元素变小，浓度越大，纹理消失的越多，元素值就集中在0-2之间，次之集中在3-7，以此类推，最终的元素集中的梯度级越大，表明扬尘浓度越小；反之元素集中的梯度级越小，扬尘浓度越大。而梯度尺寸区域矩阵的特点是统计同一梯度级下连通域的大小，因此属于低梯度级的像素点组成的连通域的数量越多，表明浓度越大，扬尘范围越大。
梯度尺寸区域矩阵中每行元素为同一梯度级的像素点组成的连通域的数量，每列元素为同一面积的连通域的数量；其中，每行元素的排列顺序按照同一梯度级的像素点组成的连通域的面积从小到大排列，每列元素的排列顺序按照构成的相同面积的连通域内的像素点的梯度值所属的梯度级从小到大排列。梯度尺寸区域矩阵的行数为5行，列数为
Figure 981137DEST_PATH_IMAGE010
列。
进一步的，梯度尺寸区域矩阵右上角元素越大表示属于低梯度级的像素点构成连通域占据灰度图总面积的比例越大，表明扬尘浓度越大范围更广；右下角元素越大表示属于高梯度级的像素点构成的连通域的面积占据灰度图总体面积的比例越大，表明扬尘浓度小，因此右下角元素越大，连通域面积越大，表明扬尘浓度越小范围越小。基于此需要对梯度尺寸区域矩阵进行划分，划分为四个子矩阵，其中位于梯度尺寸区域矩阵右上角和右下角的子矩阵分别为第一子矩阵和第二子矩阵，第一子矩阵中的元素为梯度尺寸区域矩阵中第一行、第二行和第
Figure 80680DEST_PATH_IMAGE012
列到第
Figure 93635DEST_PATH_IMAGE010
列的元素；第二子矩阵中的元素为梯度尺寸区域矩阵中第三行、第四行、第五行和第
Figure 53106DEST_PATH_IMAGE012
列到第
Figure 671169DEST_PATH_IMAGE010
列的元素。
计算第一子矩阵中元素的和为
Figure DEST_PATH_IMAGE078
，第二子矩阵中元素的和为
Figure DEST_PATH_IMAGE080
，梯度尺寸区域矩阵中元素的和为
Figure DEST_PATH_IMAGE082
；则基于第一、第二子矩阵的元素和分别与梯度尺寸区域矩阵元素和的比值为第一系数和第二系数：
Figure DEST_PATH_IMAGE084
Figure DEST_PATH_IMAGE086
其中，第一系数表示的是属于低梯度级的像素点组成的面积较大的连通域的数量占据图像中所有连通域的数量的比值，该比值越大说明扬尘的浓度越大范围越广；第二系数表示的是属于高梯度级的像素点组成的面积较大的连通域的数量占据图像中所有连通域的数量的比值，该比值越大说明扬尘的浓度越小范围越小。
需要说明的是，在这里仅用了位于梯度尺寸区域矩阵右上角的第一子矩阵和位于梯度尺寸区域矩阵第二子矩阵进行分析，是因为这两个子矩阵中对应的是面积较大的连通域的数量，相对的误差就比较小；而在划分得到第一、第二子矩阵时还会得到位于梯度尺寸区域矩阵左上角和左下角的两个子矩阵，不用这两个子矩阵进行分析的原因为这两个子矩阵中对应的是面积较小的连通域的数量，较小的连通域的形成很可能是误差的原因造成的，例如梯度尺寸区域矩阵第一列对应的连通域的面积仅为1，这样的很可能仅仅是由于误差原因形成的连通域，不具有代表性。
步骤S3，基于梯度尺寸区域矩阵中各列元素之和获得连通域分布系数；利用第一、第二系数和连通域分布系数获得第二浓度量化系数；第二浓度量化系数与第一浓度量化系数的比值为浓度量化系数；利用第一系数和第二系数的比值、弱扬尘区域的面积与灰度图面积的比值获得范围量化系数；利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数；基于工作半径调节函数和喷雾量调节函数控制喷雾机工作时的喷雾半径和喷雾量。
首先，在步骤S2中结合最小梯度矩阵B的特征对梯度尺寸区域矩阵中的局部信息进行了分析，接下来需要对梯度尺寸区域矩阵整体进行分析，若是扬尘的浓度较大，范围较广，则灰度图中的属于低梯度级的像素点组成的连通域分布应该是较为集中且面积较大的，若是扬尘的浓度较小，范围较小，则灰度图中的属于低梯度级的像素点组成的连通域分布应该是较为散乱且面积较小的。因此利用梯度尺寸区域矩阵来分析连通域的大小均匀性对扬尘的浓度和范围进行量化。获得连通域分布系数：
Figure DEST_PATH_IMAGE014A
其中，
Figure 98870DEST_PATH_IMAGE016
表示连通域分布系数；
Figure 802384DEST_PATH_IMAGE010
表示梯度尺寸区域矩阵中的列数，
Figure 550897DEST_PATH_IMAGE018
表示梯度尺寸区域矩阵中的行数，取值为5；
Figure 85784DEST_PATH_IMAGE020
表示梯度尺寸区域矩阵中第a行第b列的元素；
Figure 264480DEST_PATH_IMAGE022
表示梯度尺寸区域矩阵中所有元素的和。连通域分布系数的计算通过计算梯度尺寸区域矩阵同一行中，也即是相同梯度级中元素的分布，即连通域的数量，来得到连通域大小的不均匀性。连通域分布越散乱表明扬尘的浓度较小，范围较小。SZN值越大，扬尘浓度越大。由于梯度尺度矩阵中每行元素的排列顺序是按照连通域的大小排列的，也即是每列表示的是连通域的大小，列的元素表示的是每个大小的连通域的的数量，如果大的连通域的数量越多，平方后的值就越大，最终SZN的值就越大，扬尘的浓度就越大。
进一步的，结合第一、第二系数和连通域分布系数再次对扬尘的浓度进行量化，获得第二浓度量化系数：
Figure DEST_PATH_IMAGE088
其中，
Figure DEST_PATH_IMAGE090
表示第二浓度量化系数，该值越大表示扬尘浓度越大；
Figure 173399DEST_PATH_IMAGE028
表示第一系数，该值越大说明扬尘的浓度越大，
Figure 725603DEST_PATH_IMAGE030
为第二系数，该值越大说明扬尘的浓度越小；
Figure 52679DEST_PATH_IMAGE016
表示连通域分布系数，该值越小表明扬尘的浓度越大。
由此获得浓度量化系数，第二浓度量化系数与第一浓度量化系数的比值为浓度量化系数：
Figure DEST_PATH_IMAGE092
其中，第二浓度量化系数
Figure 792490DEST_PATH_IMAGE090
越大，浓度越大，浓度量化系数越大，第一浓度量化系数
Figure 470596DEST_PATH_IMAGE072
越小，浓度越大，浓度量化系数越大。
利用第一系数和第二系数的比值、弱扬尘区域的面积与灰度图面积的比值获得范围量化系数：
Figure DEST_PATH_IMAGE024A
其中，
Figure 951124DEST_PATH_IMAGE026
表示范围量化系数；
Figure 398286DEST_PATH_IMAGE028
表示第一系数，
Figure 915855DEST_PATH_IMAGE030
表示第二系数；
Figure 81257DEST_PATH_IMAGE032
表示弱扬尘区域的面积，
Figure 975264DEST_PATH_IMAGE034
表示灰度图的面积。
Figure DEST_PATH_IMAGE094
越大，范围量化系数越大，综合最大梯度矩阵A和最小梯度矩阵B的分析结果得到最终的扬尘分布范围的范围量化系数。
最后，利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数：设定扬尘范围阈值
Figure 861619DEST_PATH_IMAGE042
和扬尘浓度阈值
Figure 487772DEST_PATH_IMAGE052
，则工作半径调节函数为：
Figure DEST_PATH_IMAGE036A
其中，
Figure 61842DEST_PATH_IMAGE038
表示工作半径调节函数；
Figure 759539DEST_PATH_IMAGE040
表示喷雾机的最大工作半径；
Figure 712452DEST_PATH_IMAGE026
表示范围量化系数；
Figure 775086DEST_PATH_IMAGE042
表示扬尘范围阈值；当范围量化系数大于扬尘范围阈值
Figure 915080DEST_PATH_IMAGE042
时，需要喷雾机以最大工作半径进行工作，当小于等于扬尘范围阈值
Figure 153819DEST_PATH_IMAGE042
时，需要根据范围量化系数的值调节工作半径。
喷雾量调节函数为：
Figure DEST_PATH_IMAGE044A
其中，
Figure 351451DEST_PATH_IMAGE046
表示喷雾量调节函数；
Figure 850566DEST_PATH_IMAGE048
表示喷雾机的最大喷雾量；
Figure 274594DEST_PATH_IMAGE050
表示浓度量化系数；
Figure 251777DEST_PATH_IMAGE052
表示扬尘浓度阈值；
Figure 444861DEST_PATH_IMAGE054
表示自然常数；当浓度量化系数大于扬尘浓度阈值
Figure 849297DEST_PATH_IMAGE052
时，需要喷雾机以最大喷雾量进行工作，当浓度量化系数小于等于扬尘浓度阈值
Figure 760622DEST_PATH_IMAGE052
时，需要根据浓度量化系数的值调节喷雾量。其中扬尘范围阈值
Figure 75584DEST_PATH_IMAGE042
和扬尘浓度阈值
Figure 326437DEST_PATH_IMAGE052
需要根据实际情况进行确定。
需要说明的是，有的情况下可能一张喷雾机周围的环境图像就能较为准确的分析喷雾机周围环境的扬尘的情况，但有的情况下可能需要拍摄周围环境的多张图像进行分析才能准确的分析得到喷雾机周围环境扬尘的情况，这需要实施者根据具体情况而定，但是每张图像的分析过程相同，多张图像时得到每张的分析结果后可以综合考虑得到最终的扬尘的情况。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，该方法包括：获得喷雾机周围环境图像并灰度化得到灰度图；灰度图中各像素点相对于其邻域中像素点的梯度的最大值和最小值分别组成最大梯度矩阵和最小梯度矩阵；基于最大梯度矩阵中元素的均值和各元素的差值获得最大梯度偏方差；以最大梯度矩阵中梯度值最大的像素点为中心点获得弱扬尘区域；基于弱扬尘区域的面积与灰度图面积的比值、最大梯度偏方差获得第一浓度量化系数；
设定预设数量的梯度级，获得最小梯度矩阵中每个元素所属的梯度级以及属于各梯度级的元素对应的像素点组成的不同面积的连通域的数量，其中一个连通域内像素点的梯度值属于一个梯度级；利用所述不同面积的连通域的数量组成梯度尺寸区域矩阵；将梯度尺寸区域矩阵分为四个子矩阵，其中位于梯度尺寸区域矩阵右上角和右下角的子矩阵分别为第一子矩阵和第二子矩阵；第一、第二子矩阵的元素和分别与梯度尺寸区域矩阵元素和的比值为第一系数和第二系数；
基于梯度尺寸区域矩阵中各列元素之和获得连通域分布系数；利用第一、第二系数和连通域分布系数获得第二浓度量化系数；第二浓度量化系数与第一浓度量化系数的比值为浓度量化系数；利用第一系数和第二系数的比值、弱扬尘区域的面积与灰度图面积的比值获得范围量化系数；利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数；基于工作半径调节函数和喷雾量调节函数控制喷雾机工作时的喷雾半径和喷雾量。
2.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述最大梯度偏方差为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示最大梯度偏方差；
Figure DEST_PATH_IMAGE006
表示最大梯度矩阵中元素的均值；
Figure DEST_PATH_IMAGE008
表示最大梯度矩阵中第i行第j列的元素；m和n分别表示最大梯度矩阵共有m行和n列。
3.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述以最大梯度矩阵中梯度值最大的像素点为中心点获得弱扬尘区域包括：设定梯度阈值，将最大梯度矩阵中梯度值最大的像素点作为中心点；在所述中心点的邻域内寻找梯度值与中心点的梯度值的差值的绝对值小于梯度阈值的像素点，记为弱扬尘区域像素点，其中所述中心点的邻域的尺寸不断变大；所述弱扬尘区域像素点组成弱扬尘区域。
4.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述利用所述不同面积的连通域的数量组成梯度尺寸区域矩阵包括：梯度尺寸区域矩阵中每行元素为同一梯度级的像素点组成的连通域的数量，每列元素为同一面积的连通域的数量；其中，每行元素的排列顺序按照同一梯度级的像素点组成的连通域的面积从小到大排列，每列元素的排列顺序按照构成的相同面积的连通域内的像素点的梯度值所属的梯度级从小到大排列。
5.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述将梯度尺寸区域矩阵分为四个子矩阵，其中位于梯度尺寸区域矩阵右上角和右下角的子矩阵分别为第一子矩阵和第二子矩阵包括：梯度尺寸区域矩阵共有5行和
Figure DEST_PATH_IMAGE010
列元素，其中第一子矩阵中的元素为梯度尺寸区域矩阵中第一行、第二行和第
Figure DEST_PATH_IMAGE012
列到第
Figure 786633DEST_PATH_IMAGE010
列的元素；第二子矩阵中的元素为梯度尺寸区域矩阵中第三行、第四行、第五行和第
Figure 31669DEST_PATH_IMAGE012
列到第
Figure 76986DEST_PATH_IMAGE010
列的元素。
6.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述连通域分布系数为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
表示连通域分布系数；
Figure 190304DEST_PATH_IMAGE010
表示梯度尺寸区域矩阵中的列数，
Figure DEST_PATH_IMAGE018
表示梯度尺寸区域矩阵中的行数，取值为5；
Figure DEST_PATH_IMAGE020
表示梯度尺寸区域矩阵中第a行第b列的元素；
Figure DEST_PATH_IMAGE022
表示梯度尺寸区域矩阵中所有元素的和。
7.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述利用第一、第二系数和连通域分布系数获得第二浓度量化系数包括：第一系数和连通域分布系数与第二浓度量化系数成正相关关系；第二系数与第二浓度量化系数成负相关关系。
8.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述范围量化系数为：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
表示范围量化系数；
Figure DEST_PATH_IMAGE028
表示第一系数，
Figure DEST_PATH_IMAGE030
表示第二系数；
Figure DEST_PATH_IMAGE032
表示弱扬尘区域的面积，
Figure DEST_PATH_IMAGE034
表示灰度图的面积。
9.根据权利要求1所述的基于视觉感知的喷雾机精准喷雾的控制方法，其特征在于，所述利用范围量化系数和浓度量化系数分别构建喷雾机的工作半径调节函数和喷雾量调节函数包括：
设定扬尘范围阈值和扬尘浓度阈值，则工作半径调节函数为：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
表示工作半径调节函数；
Figure DEST_PATH_IMAGE040
表示喷雾机的最大工作半径；
Figure 351814DEST_PATH_IMAGE026
表示范围量化系数；
Figure DEST_PATH_IMAGE042
表示扬尘范围阈值；
喷雾量调节函数为：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE046
表示喷雾量调节函数；
Figure DEST_PATH_IMAGE048
表示喷雾机的最大喷雾量；
Figure DEST_PATH_IMAGE050
表示浓度量化系数；
Figure DEST_PATH_IMAGE052
表示扬尘浓度阈值；
Figure DEST_PATH_IMAGE054
表示自然常数。
CN202210918663.6A 2022-08-02 2022-08-02 基于视觉感知的喷雾机精准喷雾的控制方法 Active CN114985150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210918663.6A CN114985150B (zh) 2022-08-02 2022-08-02 基于视觉感知的喷雾机精准喷雾的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210918663.6A CN114985150B (zh) 2022-08-02 2022-08-02 基于视觉感知的喷雾机精准喷雾的控制方法

Publications (2)

Publication Number Publication Date
CN114985150A CN114985150A (zh) 2022-09-02
CN114985150B true CN114985150B (zh) 2022-11-01

Family

ID=83020877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210918663.6A Active CN114985150B (zh) 2022-08-02 2022-08-02 基于视觉感知的喷雾机精准喷雾的控制方法

Country Status (1)

Country Link
CN (1) CN114985150B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115487959B (zh) * 2022-11-16 2023-02-17 山东济矿鲁能煤电股份有限公司阳城煤矿 一种用于煤矿钻进钻机喷雾智能调控方法
CN117853825B (zh) * 2024-03-07 2024-05-28 大连傲盈科技有限公司 一种公路施工状态监测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5424742A (en) * 1992-12-31 1995-06-13 Raytheon Company Synthetic aperture radar guidance system and method of operating same
JP2009285539A (ja) * 2008-05-27 2009-12-10 Panasonic Electric Works Co Ltd 静電霧化装置の検査方法およびその装置
CN101770644A (zh) * 2010-01-19 2010-07-07 浙江林学院 森林火灾远程视频监控烟火识别方法
KR20160083784A (ko) * 2014-12-31 2016-07-12 가톨릭대학교 산학협력단 이미지 처리 프로그램을 통한 공기 중 섬유상 물질의 실시간 검출 방법 및 장치
CN107204004A (zh) * 2017-04-26 2017-09-26 中南大学 一种铝电解槽火眼视频动态特征识别方法及系统
CN109089032A (zh) * 2018-09-29 2018-12-25 佛山市云米电器科技有限公司 一种烟雾视觉成像装置
CN109190624A (zh) * 2018-09-29 2019-01-11 佛山市云米电器科技有限公司 基于图像处理的厨房油烟浓度检测方法
CN109344827A (zh) * 2018-09-29 2019-02-15 佛山市云米电器科技有限公司 一种带补光装置的油烟机及油烟浓度检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112011103687B4 (de) * 2010-11-05 2017-01-05 Cytognomix, Inc. Zentromerdetektor und Methode zur Bestimmung der Strahlenbelastung durch Chromosomabnormalitäten
US10740903B2 (en) * 2018-07-18 2020-08-11 Adobe Inc. Edge detection using fuzzy gradient information

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5424742A (en) * 1992-12-31 1995-06-13 Raytheon Company Synthetic aperture radar guidance system and method of operating same
JP2009285539A (ja) * 2008-05-27 2009-12-10 Panasonic Electric Works Co Ltd 静電霧化装置の検査方法およびその装置
CN101770644A (zh) * 2010-01-19 2010-07-07 浙江林学院 森林火灾远程视频监控烟火识别方法
KR20160083784A (ko) * 2014-12-31 2016-07-12 가톨릭대학교 산학협력단 이미지 처리 프로그램을 통한 공기 중 섬유상 물질의 실시간 검출 방법 및 장치
CN107204004A (zh) * 2017-04-26 2017-09-26 中南大学 一种铝电解槽火眼视频动态特征识别方法及系统
CN109089032A (zh) * 2018-09-29 2018-12-25 佛山市云米电器科技有限公司 一种烟雾视觉成像装置
CN109190624A (zh) * 2018-09-29 2019-01-11 佛山市云米电器科技有限公司 基于图像处理的厨房油烟浓度检测方法
CN109344827A (zh) * 2018-09-29 2019-02-15 佛山市云米电器科技有限公司 一种带补光装置的油烟机及油烟浓度检测方法

Also Published As

Publication number Publication date
CN114985150A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114985150B (zh) 基于视觉感知的喷雾机精准喷雾的控制方法
CN110118775B (zh) 厂拌水泥稳定碎石骨料组成快速检测方法
CN109753890B (zh) 一种路面垃圾物智能识别与感知方法及其实现装置
Mathavan et al. Use of a self-organizing map for crack detection in highly textured pavement images
CN110264466A (zh) 一种基于深度卷积神经网络的钢筋检测方法
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN112418108B (zh) 一种基于样本重加权的遥感图像多类目标检测方法
CN105510195A (zh) 一种堆叠骨料的粒度粒形在线检测方法
CN109242870A (zh) 一种基于图像划分和纹理特征的海天线检测方法
CN112017164A (zh) 基于深度阈值卷积模型的土石料级配检测方法
CN114324078B (zh) 一种颗粒粒径识别方法、装置、设备和介质
CN115290663B (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN111896540A (zh) 一种基于区块链的水质在线监测系统
US12131519B2 (en) Method and system for pollutant identifying and early warning based on cluster analysis
CN114820773A (zh) 基于计算机视觉的筒仓运输车辆车厢位置检测方法
CN115100174B (zh) 一种船舶钣金件漆面缺陷检测方法
CN118196095B (zh) 一种纺织品表面缺陷检测方法
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN118241529A (zh) 一种智能道路平整度测试方法
CN110132246B (zh) 基于残差分区的水深遥感探测方法
CN118052737A (zh) 一种基于超像素场景先验的感知导向的无人机图像去雾算法
CN111797730A (zh) 一种水泥熟料岩相自动分析方法
CN114627289B (zh) 基于投票机制的工业零件实例分割方法
CN114399516B (zh) 一种基于实例分割算法的堆石坝料分割方法

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