CN115100129A - 一种网架钢构建筑结点的点云数据扫描方法 - Google Patents

一种网架钢构建筑结点的点云数据扫描方法 Download PDF

Info

Publication number
CN115100129A
CN115100129A CN202210682006.6A CN202210682006A CN115100129A CN 115100129 A CN115100129 A CN 115100129A CN 202210682006 A CN202210682006 A CN 202210682006A CN 115100129 A CN115100129 A CN 115100129A
Authority
CN
China
Prior art keywords
target
steel structure
structure building
image
acquiring
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
Application number
CN202210682006.6A
Other languages
English (en)
Inventor
马宗方
袁山山
吴哲平
张国飞
宋琳
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202210682006.6A priority Critical patent/CN115100129A/zh
Publication of CN115100129A publication Critical patent/CN115100129A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种网架钢构建筑结点的点云数据扫描方法，其特征在于，包括以下步骤；S1：获取训练集；S2：获取达到识别要求的目标检测网络模型；S3：转为可在嵌入式设备中运行的模型格式；S4：采集网架钢构建筑结点图像数据；S5：进行目标检测；S6：获取实时网架钢构建筑结点图像数据；S7：记录目标结点在图像中的位置；S8：获取圆心坐标和圆半径；S9：调整参数逼近真实圆心；S10：计算出初始偏移量，进入高清摄像机视野；S11：计算激光传感器发出光束的红色聚焦点位置到目标结点的中心位置的距离；S12：获取激光传感器到目标结点的角度和距离参数集合；S13：根据目标结点的空间位置集合，绘制点云图像。本发明能够计算关键点信息并绘制点云图像。

Description

一种网架钢构建筑结点的点云数据扫描方法
技术领域
本发明涉及目标检测和建筑结构检测技术领域，具体涉及一种网架钢构建筑结点的点云数据扫描方法。
背景技术
随着我国建筑行业的不断发展，一些大跨度结构类型的建筑数量越来越多，在施工过程中利用钢结构网架施工技术，能够进一步保证大跨度结构的整体荷载以及施工质量，具有明显的应用优势。尽管在网架施工过程中对支座和预埋点的位置进行严格的控制，但人工测量难免存在较大误差，而且在后期网架也可能出现形状畸变问题，结点埋点间距出现偏移，导致网架坍塌等问题，严重威胁施工人员的安全。
目前现有的传统网架结构检测通过检测员手工测量，效率低，速度慢，误差大。安装大量传感器的网架结构检测技术，耗费大，不方便移动，检测人员无法随身携带。
发明内容
为了克服以上技术问题，本发明的目的在于提供一种网架钢构建筑结点的点云数据扫描方法，该方法基于目标检测和三维定位，识别、获取网架钢构建筑结点空间位置和类别信息，计算关键点信息并绘制点云图像。
为了实现上述目的，本发明采用的技术方案是：
一种网架钢构建筑结点的点云数据扫描方法，包括以下步骤；
S1：通过高清摄像机采集网架钢构建筑结点图像，标注、整理网架钢构建筑结点图像数据集，获取训练集；
S2：搭建目标检测网络，配置目标检测网络环境，将S1所述训练集送入所述目标检测网络进行训练，获取达到识别要求的目标检测网络模型；
S3：将S2训练好的目标检测网络模型转为可在嵌入式设备中运行的模型格式；
S4：通过可变焦高清摄像机实时采集网架钢构建筑结点图像数据；
S5：嵌入式设备加载S3转换后的目标检测模型文件，对采集到的网架钢构建筑结点图像数据进行目标检测；
S6：实时网架钢构建筑结点图像中检测到目标结点数量未达到设定值时，继续调整高清摄像机参数、中空旋转平台获取实时网架钢构建筑结点图像数据；
S7：实时网架钢构建筑结点图像中检测到目标螺栓球数量达到设定值时，对高清摄像机进行微调使图像清晰，记录目标结点在图像中的位置(xci,yci,wci,hci)；
S8：通过霍夫梯度法对图像中的目标结点进行圆检测，获取圆心坐标(xhi,yhi)和圆半径r；
S9：通过S6中记录的目标结点位置和霍夫梯度法提取的目标位置综合判断，调整参数逼近真实圆心；
S10：激光传感器通过与高清摄像机的相对位置计算出初始偏移量，进入高清摄像机视野；
S11：计算激光传感器发出光束的红色聚焦点位置到目标结点的中心位置的距离，调整激光传感器姿态，使得红色聚焦点打到目标结点中心；
S12：以激光传感器为坐标系原点建立三维坐标系，依次获取激光传感器到目标结点的角度和距离参数集合；
S13：通过三角函数公式，计算出目标结点的空间坐标位置，根据目标结点的空间位置集合，绘制点云图像。
所述步骤S1中获取训练集具包括：通过工业高清摄像机采集包含待检测目标的图像数据；根据待检测目标的类别信息对采集的图像数据进行人工标注，标注其二维坐标位置和类别信息。
所述步骤S2中目标检测网络为YOLOv3的目标检测网络。
所述步骤S6、S7中目标结点的数量设定值根据不同大小的网架设定，默认为5个。
所述步骤S8中所述霍夫梯度法具体为：第一步根据每个点的模向量找到圆心；第二步：根据所有候选中心的边缘非零像素对其的支持程度来确定半径；具体包含以下：
S81：对图像进行灰度处理，使用Canny边缘检测确定非0点；
S82：Sobel函数在灰度图上计算x,y方向的Sobel一阶导数得到梯度；假设S81，S82得到的非0点和梯度；
S83：设置最小距离和最大距离，得到每个非0点对应的梯度方向的线段；
S84：对非0点梯度方向上的线段进行像素累加，累加值越大，越能代表一个圆，投票最高的为圆心，投票数值为5的确定为圆心。
所述步骤S12中，计算目标螺栓球的空间坐标具体过程为：
已知激光测距仪到目标螺栓球中心位置距离d，测距仪仰角θ1，测距仪与水平轴x偏移角度θ2，通过下列公式计算出目标螺栓球的空间坐标(x,y,z)：
Figure BDA0003698731720000041
本发明的有益效果：
本发明提出的一种网架钢构建筑结点的点云数据扫描方法可嵌入到网架钢构建筑结点检测设备中，识别网架钢构建筑结点，计算其空间坐标并绘制点云图像，
相较于传统的人工检测技术，本发明融合目标检测和三维定位技术，能够准确识别网架钢构建筑结点，降低人工测量导致的误差，无需检测员在高空网架作业，降低作业难度，保障检测员人身安全，为网架健康状态检测提供技术支撑。
相较于安装大量传感器的网架钢构建筑检测方法，检测员可以随身携带，使用方便，可实现一对多检测，减少检测成本并极大的提高了网架钢构建筑检测的效率。
附图说明
图1为本发明实施例整体流程图。
图2为本发明实施例整体流程框图。
图3为本发明实施例结果示意图。
图4为本发明目标空间坐标获取示意图。
图5为通过Sobel算子得到的梯度图。
图6为梯度方向线段连接图。
图7为霍夫梯度法检测圆形结果图。
具体实施方式
下面结合实施例对本发明作进一步详细说明。
如图1-图7所示：本发明的目的是提供一种网架钢构建筑结点的点云数据扫描方法，实时检测目标，计算目标的空间坐标并绘制点云图像。
该方法利用可变焦高清摄像机、激光传感器、姿态传感器和控制系统，实现目标的检测和定位，本实施例中控制系统使用Hi3519AV100。如图1、图2所示，本发明具体包含以下步骤：
S1：姿态传感器、激光传感器和中空旋转平台复位；
S2：获取训练集，训练目标检测网络模型，将目标检测网络模型转换为可在嵌入式设备运行的模型，并在嵌入式设备加载模型进行目标检测；
S3：可变焦高清摄像机采集实时网架钢构建筑结点图像，送入目标检测网络确定图像中目标的坐标位置和类别信息；
具体的，可变焦高清摄像机采集实时网架钢构建筑结点图像数据，传输到目标检测模块，通过训练好的目标检测网络对其进行目标检测，获取目标类别和位置信息；所述目标检测模块采用yolov3目标检测网络实现，先采集大量包含待检测目标的图像，本实施例中待检测目标为螺栓球，人工标记待检测目标在图像中的位置和类别，制作图像目标检测数据集，利用该数据集对yolov3目标检测网络进行训练，将训练好的yolov3.cfg、yolov3.weight通过海思转换工具转为caffe模型，再将caffe模型转为.wk模型文件，在嵌入式设备加载.wk模型对实时图像数据进行目标检测，获取检测目标在图像中的位置和类别信息。
具体训练过程如下：
(1)通过高清摄像机采集大量包螺栓球的图像数据，存储格式为.jpg；
(2)使用labelImg软件对图像数据进行标注，标注结果存储在对应的txt文件中；
(3)将标注好的图像数据和标签文件，按照7：3分为训练集和测试集，本实施例中共采集2000张包含螺栓球的图像数据，标注后产生2000个对应的标签文件；
(4)将训练集和测试集放到配置文件指定的路径下开始训练，本实施例中使用GPU训练，训练轮次为300轮，保存训练好的模型；
(5)使用可变焦高清摄像机实时采集网架钢构建筑螺栓球结点图像，并送入训练好的目标检测网络；
(6)实时网架钢构建筑结点图像中检测到目标螺栓球数量小于5个时，继续调整高清摄像机参数、中空旋转平台；
(7)实时网架钢构建筑结点图像中检测到目标螺栓球数量大于等于5个时，对高清摄像机进行微调使图像清晰，记录目标螺栓球在图像中的位置(xci,yci,wci,hci)；
S4：对识别到的目标图像进行处理，使用霍夫梯度法检测图像中的圆，进一步逼近圆心。
具体过程如下：
(1)对图像进行灰度化处理如图3(a)；
(2)聚焦图像中的目标域，如图3(b)(d)；
(3)使用Canny算法对提取目标位置的非0点，如图3(c)；
(4)使用高斯滤波函数对其进行滤波处理，过滤掉图像中噪点信息，如图3(e)；
(5)使用霍夫梯度法检测图像中圆，具体过程如下：
①使用Sobel函数在灰度图上计算x,y方向的Sobel一阶导数得到梯度；
②设置最小距离和最大距离，得到每个非0点对应的梯度方向的线段；
③对非0点梯度方向上的线段进行像素累加，累加值越大，越能代表一个圆，投票最高的像素点确定为圆心。
④本实例中最终检测出4个圆，如图3(f)；
⑤对检测出的圆半径进行对比，在图像上绘制出半径最大的圆，即为目标圆，如图3(g)；
(6)激光传感器通过与高清摄像机的相对位置计算出初始偏移量，进入高清摄像机视野；
(7)计算激光传感器发出光束的红色聚焦点位置到目标螺栓球的球心位置横纵坐标系，调整激光传感器姿态，使得红色聚焦点打到目标螺栓球球心；
(8)以激光传感器为坐标系原点建立三维坐标系，依次获取激光传感器到目标螺栓球的角度和距离参数集合；
(9)通过三角函数公式，计算出目标螺栓球的空间坐标位置。本实施例中，计算一个目标的空间坐标如图4所示，具体过程如下：
已知激光测距仪到目标螺栓球中心位置距离d，测距仪仰角θ1，测距仪与水平轴x偏移角度θ2，通过下列公式计算出目标螺栓球的空间坐标(x,y,z)：
x＝dcosθ1cosθ2
y＝dsinθ1
z＝dcosθ1sinθ2
依次计算并获取所有目标螺栓球球心的空间坐标集合P＝{p1,p2,...}，绘制目标结点点云图像。

Claims (5)

1.一种网架钢构建筑结点的点云数据扫描方法，其特征在于，包括以下步骤；
S1：通过高清摄像机采集网架钢构建筑结点图像，标注、整理网架钢构建筑结点图像数据集，获取训练集；
S2：搭建目标检测网络，配置目标检测网络环境，将S1所述训练集送入所述目标检测网络进行训练，获取达到识别要求的目标检测网络模型；
S3：将S2训练好的目标检测网络模型转为可在嵌入式设备中运行的模型格式；
S4：通过可变焦高清摄像机实时采集网架钢构建筑结点图像数据；
S5：嵌入式设备加载S3转换后的目标检测模型文件，对采集到的网架钢构建筑结点图像数据进行目标检测；
S6：实时网架钢构建筑结点图像中检测到目标结点数量未达到设定值时，继续调整高清摄像机参数、中空旋转平台获取实时网架钢构建筑结点图像数据；
S7：实时网架钢构建筑结点图像中检测到目标螺栓球数量达到设定值时，对高清摄像机进行微调使图像清晰，记录目标结点在图像中的位置(xci,yci,wci,hci)；
S8：通过霍夫梯度法对图像中的目标结点进行圆检测，获取圆心坐标(xhi,yhi)和圆半径r；
S9：通过S6中记录的目标结点位置和霍夫梯度法提取的目标位置综合判断，调整参数逼近真实圆心；
S10：激光传感器通过与高清摄像机的相对位置计算出初始偏移量，进入高清摄像机视野；
S11：计算激光传感器发出光束的红色聚焦点位置到目标结点的中心位置的距离，调整激光传感器姿态，使得红色聚焦点打到目标结点中心；
S12：以激光传感器为坐标系原点建立三维坐标系，依次获取激光传感器到目标结点的角度和距离参数集合；
S13：通过三角函数公式，计算出目标结点的空间坐标位置，根据目标结点的空间位置集合，绘制点云图像。
2.根据权利要求1所述的一种网架钢构建筑结点的点云数据扫描方法，其特征在于，所述步骤S1中获取训练集具包括：通过工业高清摄像机采集包含待检测目标的图像数据；根据待检测目标的类别信息对采集的图像数据进行人工标注，标注其二维坐标位置和类别信息。
3.根据权利要求1所述的一种网架钢构建筑结点的点云数据扫描方法，其特征在于，所述步骤S2中目标检测网络为YOLOv3的目标检测网络。
4.根据权利要求1所述的一种网架钢构建筑结点的点云数据扫描方法，其特征在于，所述步骤S8中所述霍夫梯度法具体为：第一步根据每个点的模向量找到圆心；第二步：根据所有候选中心的边缘非零像素对其的支持程度来确定半径；具体包含以下：
S81：对图像进行灰度处理，使用Canny边缘检测确定非0点；
S82：Sobel函数在灰度图上计算x,y方向的Sobel一阶导数得到梯度；假设S81，S82得到的非0点和梯度；
S83：设置最小距离和最大距离，得到每个非0点对应的梯度方向的线段；
S84：对非0点梯度方向上的线段进行像素累加，累加值越大，越能代表一个圆，投票最高的为圆心，投票数值为5的确定为圆心。
5.根据权利要求1所述的一种网架钢构建筑结点的点云数据扫描方法，其特征在于，所述步骤S12中，计算目标螺栓球的空间坐标具体过程为：
已知激光测距仪到目标螺栓球中心位置距离d，测距仪仰角θ1，测距仪与水平轴x偏移角度θ2，通过下列公式计算出目标螺栓球的空间坐标(x,y,z)：
Figure FDA0003698731710000031
CN202210682006.6A 2022-06-16 2022-06-16 一种网架钢构建筑结点的点云数据扫描方法 Pending CN115100129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210682006.6A CN115100129A (zh) 2022-06-16 2022-06-16 一种网架钢构建筑结点的点云数据扫描方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210682006.6A CN115100129A (zh) 2022-06-16 2022-06-16 一种网架钢构建筑结点的点云数据扫描方法

Publications (1)

Publication Number Publication Date
CN115100129A true CN115100129A (zh) 2022-09-23

Family

ID=83291497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210682006.6A Pending CN115100129A (zh) 2022-06-16 2022-06-16 一种网架钢构建筑结点的点云数据扫描方法

Country Status (1)

Country Link
CN (1) CN115100129A (zh)

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
CN110084842B (zh) 一种机器人云台伺服二次对准方法及装置
CN112085003B (zh) 公共场所异常行为自动识别方法及装置、摄像机设备
CN113379712B (zh) 一种基于计算机视觉的钢桥螺栓病害检测方法及系统
CN113221682B (zh) 基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法
CN109919975B (zh) 一种基于坐标标定的广域监控运动目标关联方法
CN107589069B (zh) 一种物体碰撞恢复系数的非接触式测量方法
CN112102395B (zh) 一种基于机器视觉的自主巡检的方法
CN109870106A (zh) 一种基于无人机图片的建筑物体积测量方法
CN115717867A (zh) 一种基于机载双相机和目标追踪的桥梁变形测量方法
WO2024067435A1 (zh) 一种基于视频的多目标位移跟踪监测方法及装置
CN114494845A (zh) 一种用于施工项目现场人工智能隐患排查系统及其排查方法
CN112381190B (zh) 一种基于手机图像识别的索力测试方法
CN117710588A (zh) 一种基于视觉测距先验信息的三维目标检测方法
CN108388854A (zh) 一种基于改进fast-surf算法的定位方法
CN113191239A (zh) 一种基于计算机视觉的车辆外廓尺寸动态检测系统
CN117288094A (zh) 基于激光传感器的掘进机实时定位系统
CN115100129A (zh) 一种网架钢构建筑结点的点云数据扫描方法
CN116929336A (zh) 一种基于最小误差的激光反光柱slam建图方法
CN111598956A (zh) 标定方法、装置和系统
Chuanxiang et al. Automatic detection of aerial survey ground control points based on Yolov5-OBB
Zhao et al. Indoor lidar relocalization based on deep learning using a 3d model
CN111583174B (zh) 基于点云数据的铁塔形变检测检测的方法和系统
CN110853080A (zh) 一种田间果实尺寸的测量方法
CN113657144B (zh) 桥梁区域通航船舶的快速检测和跟踪方法

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