CN115187802B - 一种用于管道巡检小车的精准控制方法 - Google Patents

一种用于管道巡检小车的精准控制方法 Download PDF

Info

Publication number
CN115187802B
CN115187802B CN202211107787.2A CN202211107787A CN115187802B CN 115187802 B CN115187802 B CN 115187802B CN 202211107787 A CN202211107787 A CN 202211107787A CN 115187802 B CN115187802 B CN 115187802B
Authority
CN
China
Prior art keywords
image
template
inspection trolley
corner
template image
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
CN202211107787.2A
Other languages
English (en)
Other versions
CN115187802A (zh
Inventor
江冰倩
路伟
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.)
Jiangsu Dongkong Automation Technology Co ltd
Original Assignee
Jiangsu Dongkong Automation Technology 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 Jiangsu Dongkong Automation Technology Co ltd filed Critical Jiangsu Dongkong Automation Technology Co ltd
Priority to CN202211107787.2A priority Critical patent/CN115187802B/zh
Publication of CN115187802A publication Critical patent/CN115187802A/zh
Application granted granted Critical
Publication of CN115187802B publication Critical patent/CN115187802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及小车路径规划技术领域，具体涉及一种用于管道巡检小车的精准控制方法，该方法对巡检小车进行初始路径的规划，获取巡检小车在初始路径上当前位置所对应的图像以及灰度图像；基于灰度图像计算图像的匹配必要性，当匹配必要性大于匹配必要性阈值时，基于图像与每张模板图像之间的图像相似度获取待精准匹配模板图像；通过对图像和待精准匹配模板图像之间角点的灰度值和角点连线方向角度，分别计算图像与每张待精准匹配模板图像的最终匹配程度，选择最终匹配程度最高的待精准匹配模板图像作为待标定图像，基于待标定图像对巡检小车进行路径重新规划。本发明降低了传统算法中仅根据灰度值的差异进行匹配，更加精准控制巡检小车行驶路径。

Description

一种用于管道巡检小车的精准控制方法
技术领域
本发明涉及小车路径规划技术领域，具体涉及一种用于管道巡检小车的精准控制方法。
背景技术
管道巡检过程中，通过控制巡检小车进行管道内部巡检，通过巡检小车传回来的当前位置的定位信息，进行实时调整巡检小车的巡检路径。但是由于巡检小车定位容易出现偏差，进而导致巡检路径规划不准确。
由于巡检小车极易出现定位偏差，需要进行巡检小车位置的标定，而传统的标定方法采用视觉标志进行标定或当前巡检小车采集的图像与历史先验的图像进行匹配，第一种方法中在管道中无法对视觉标志进行布置，而第二种方法，由于历史先验数据量较大，并且管道内部容易受到环境因素的影响，该方法计算量较大，容易增大巡检小车的功耗，并且对匹配精度造成影响。
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用于管道巡检小车的精准控制方法，所采用的技术方案具体如下：
对巡检小车进行初始路径的规划，根据巡检小车在初始路径上的当前位置，获取当前位置对应的图像；对图像进行灰度化处理得到对应的灰度图像；
对灰度图像进行OTSU阈值分割处理以计算图像中存在裂缝的概率，将所述概率作为当前位置对应图像的匹配必要性；当匹配必要性大于匹配必要性阈值时，在模板库中获取当前位置的模板图像范围，计算图像与模板图像范围内的每张模板图像之间的图像相似度，以得到待精准匹配模板图像；获取图像中目标角点与其周围top-n个距离最近的角点之间的灰度值和角点连线方向角度，计算图像与待精准匹配模板图像之间对应角点分布的第一匹配程度；
基于图像中的目标角点与其周围top-n个距离最近的角点的位置获取中心点，获取图像中距离中心点最近的n个第一角点，且不包括所述第一匹配程度计算过的角点，基于第一角点之间的灰度值和角点连线方向角度，计算图像与待精准匹配模板图像之间对应第一角点分布的第二匹配程度；基于图像中的角点数量获取目标角点对应的第W匹配程度；对所有匹配程度进行累乘得到图像与每张待精准匹配模板图像的最终匹配程度；
选择最终匹配程度最高所对应的待精准匹配模板图像作为待标定图像，基于待标定图像对应的巡检小车位置对当前位置的巡检小车进行路径重新规划。
进一步的，所述匹配必要性的获取方法，包括：
对灰度图像进行OTSU阈值分割处理得到对应的二值图像，将小于阈值的像素点的像素值设置为0，大于阈值的像素点的像素值设置为1；
根据连通域分析计算得到每个像素值为0的区域面积，设置连通域面积阈值，统计区域面积小于连通域面积阈值的区域个数和区域面积的总数量；将区域个数与总数量之间的比值作为所述匹配必要性。
进一步的，所述图像相似度的获取方法，包括：
将图像或模板图像对应二值图像中像素值为0的区域面积大于连通域面积阈值
Figure DEST_PATH_IMAGE001
的区域统称为区域C；
基于图像和模板图像中去除区域C后的剩余图像中的像素灰度值计算图像与模板图像之间的图像相似度，则图像相似度的计算公式为：
Figure 509918DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
是当前位置
Figure 684460DEST_PATH_IMAGE004
下巡检小车采集的图像去除区域
Figure DEST_PATH_IMAGE005
后的图像
Figure 237801DEST_PATH_IMAGE006
的灰度平均 值；
Figure DEST_PATH_IMAGE007
为第
Figure 279575DEST_PATH_IMAGE008
个模板图像去除区域
Figure 449525DEST_PATH_IMAGE005
的模板图像
Figure DEST_PATH_IMAGE009
的灰度平均值；
Figure 234947DEST_PATH_IMAGE010
是当前位置
Figure 190265DEST_PATH_IMAGE004
下巡检 小车采集的图像去除区域
Figure 465258DEST_PATH_IMAGE005
后的图像
Figure 122504DEST_PATH_IMAGE006
的灰度方差；
Figure DEST_PATH_IMAGE011
为第
Figure 541695DEST_PATH_IMAGE008
个模板图像去除区域
Figure 351519DEST_PATH_IMAGE005
的 模板图像
Figure 797413DEST_PATH_IMAGE009
的灰度方差；
Figure 489425DEST_PATH_IMAGE012
为当前位置
Figure 882230DEST_PATH_IMAGE004
下巡检小车采集的图像去除区域
Figure 858145DEST_PATH_IMAGE005
后的图像
Figure 960093DEST_PATH_IMAGE006
和第
Figure 591931DEST_PATH_IMAGE008
个模板图像去除区域
Figure 70317DEST_PATH_IMAGE005
的模板图像
Figure 900739DEST_PATH_IMAGE009
的灰度协方差；
Figure DEST_PATH_IMAGE013
和
Figure 94960DEST_PATH_IMAGE014
是用来维持稳定的常数。
进一步的，所述第一匹配程度的计算公式为：
Figure 948515DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示当前位置
Figure 688981DEST_PATH_IMAGE004
下巡检小车采集的图像去除区域
Figure 311593DEST_PATH_IMAGE005
后的图像
Figure 286502DEST_PATH_IMAGE006
的目标 角点
Figure 424091DEST_PATH_IMAGE018
与欧式距离最近的第
Figure DEST_PATH_IMAGE019
个角点
Figure 634492DEST_PATH_IMAGE020
之间的灰度值差异；
Figure DEST_PATH_IMAGE021
表示待精准匹配模板 图像
Figure 377189DEST_PATH_IMAGE022
的角点
Figure DEST_PATH_IMAGE023
与欧式距离最近的第
Figure 647634DEST_PATH_IMAGE019
个角点
Figure 538098DEST_PATH_IMAGE024
之间的灰度值差异；
Figure DEST_PATH_IMAGE025
表示目标角 点
Figure 552191DEST_PATH_IMAGE018
与欧式距离最近的第
Figure 696864DEST_PATH_IMAGE019
个角点
Figure 256984DEST_PATH_IMAGE020
之间连线与
Figure 572428DEST_PATH_IMAGE026
轴方向的角度；
Figure DEST_PATH_IMAGE027
表示角点
Figure 921370DEST_PATH_IMAGE023
与 欧式距离最近的第
Figure 654970DEST_PATH_IMAGE019
个角点
Figure 860693DEST_PATH_IMAGE024
之间连线与
Figure 476482DEST_PATH_IMAGE026
轴方向的角度；
Figure 894694DEST_PATH_IMAGE028
表示目标角点
Figure 528806DEST_PATH_IMAGE018
与 欧式距离最近的第
Figure DEST_PATH_IMAGE029
个角点
Figure 311954DEST_PATH_IMAGE030
之间连线与
Figure 149460DEST_PATH_IMAGE026
轴方向的角度；
Figure DEST_PATH_IMAGE031
表示角点
Figure 564173DEST_PATH_IMAGE023
与 欧式距离最近的第
Figure 803525DEST_PATH_IMAGE029
个角点
Figure 819891DEST_PATH_IMAGE032
之间连线与
Figure 879114DEST_PATH_IMAGE026
轴方向的角度。
进一步的，所述待精准匹配模板图像的获取方法，包括：
选取所述图像相似度的TOP-10所对应的模板图像作为待精准匹配模板图像。
本发明实施例至少具有如下有益效果：（1）在巡检小车位置标定中，根据巡检小车的功能性进行分析，判断当前位置下小车是否需要进行位置标定。在减少计算量的同时，降低巡检小车的功耗，并且在进行模板匹配过程中更加准确。
（2）在进行与模板图像的匹配过程中，先根据图像的相似度对模板图像库中的图像进行初步筛选，在筛选后的图像中进一步精准的匹配，并且在精准匹配过程中，使用图像的关键角点与模板图像的关键角点的分布特性进行匹配，降低了传统算法中仅根据灰度值的差异计算匹配程度，使得匹配程度计算的更加准确，同时避免了因为环境的影响对匹配精度造成的影响。
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为本发明一个实施例提供的一种用于管道巡检小车的精准控制方法的步骤流程图。
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用于管道巡检小车的精准控制方法，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用于管道巡检小车的精准控制方法的具体方案。
本发明所针对的具体场景为：在使用巡检小车进行管道裂缝巡检过程中，由于巡检小车定位精度的错误，会对巡检小车巡检过程中路径规划，以及目标巡检产生较大影响。为了实现对巡检小车的精准控制以及确定管道裂缝的位置，需要对巡检小车的位置进行标定。
请参阅图1，其示出了本发明一个实施例提供的一种用于管道巡检小车的精准控制方法的步骤流程图，该方法包括以下步骤：
步骤S001，对巡检小车进行初始路径的规划，根据巡检小车在初始路径上的当前位置，获取当前位置对应的图像；对图像进行灰度化处理得到对应的灰度图像。
具体的，根据管道施工路线图进行巡检小车的初始路径的规划，并设置巡检小车的图像采集的相机参数。巡检小车通过数据传输系统将小车的当前位置以及采集的图像传输至专业人工的控制器中，并根据当前工作情况对小车进行路径重新规划。
本方案中为了标定巡检小车的位置，需要采集先验的历史模板图像构建模板库，并记录每张模板图像下巡检小车的位置参数X，即单位时间移动的距离，将位置参数一并存入模板库中。
根据巡检小车在初始路径上的当前位置，利用相机采集当前位置所对应的图像，并对图像进行灰度化处理，得到该图像对应的灰度图像。
需要说明的是，灰度化处理是公知技术，本发明实施例中不再赘述。
步骤S002，对灰度图像进行OTSU阈值分割处理以计算图像中存在裂缝的概率，将概率作为当前位置对应图像的匹配必要性；当匹配必要性大于匹配必要性阈值时，在模板库中获取当前位置的模板图像范围，计算图像与模板图像范围内的每张模板图像之间的图像相似度，以得到待精准匹配模板图像；获取图像中目标角点与其周围前几个距离最近的角点之间的灰度值和角点连线方向角度，计算图像与待精准匹配模板图像之间对应角点分布的第一匹配程度。
具体的，在管道巡检小车的巡检过程中，由于巡检小车在地下的定位位置不准确，为了实现对巡检小车的精准控制以及确定管道裂缝的位置，需要对巡检小车的位置进行标定。同时为了减少计算量，对巡检小车在当前位置采集的图像进行分析，根据当前位置采集的图像确定每个巡检小车的当前视角下的管道图像，计算得到当前位置的巡检小车需要进行位置标定的重要程度，即根据当前位置采集的图像的目标性特征计算与模板库图像进行匹配必要性，来判断巡检小车是否需要与模板库中的图像匹配进行位置标定。
由于巡检小车是对管道的裂缝进行巡检，若当前位置的图像下存在管道裂缝的概率较低，则对应当前位置的巡检小车采集的图像的匹配必要性较小；若当前位置的图像下存在管道裂缝的概率较高，则对应当前位置的巡检小车采集的图像的匹配必要性较大，因此计算当前位置的巡检小车采集图像的存在裂缝的概率，即可表征图像的匹配必要性，则匹配必要性的获取方法为：
由于裂缝所在像素点的灰度值较低，其像素点的分布范围较小呈线性分布，因此 将灰度图像进行OTSU阈值分割处理，将小于阈值的像素点的像素值设置为0，大于阈值的像 素点的像素值设置为1；对像素值为0的区域进行形态学闭运算，将区域中的空洞区域进行 填充。由于采集的图像中像素值为0的区域主要为管道裂缝处以及管道远端巡检小车灯光 照不到的区域，因此根据连通域分析计算得到每个像素值为0的区域面积，设置连通域面积 阈值
Figure 701445DEST_PATH_IMAGE001
，可根据实施者具体实施情况而定，本方案中经验参考值
Figure DEST_PATH_IMAGE033
，统计所有像素值 为0的区域中面积小于连通域面积阈值
Figure 185516DEST_PATH_IMAGE001
的区域，以及标记大于连通域面积阈值
Figure 169522DEST_PATH_IMAGE001
的区域 记作
Figure 981620DEST_PATH_IMAGE005
，即可得到采集的图像中存在裂缝的概率，其中，巡检小车在当前位置
Figure 76484DEST_PATH_IMAGE004
下采集的图 像中存在裂缝的概率
Figure 228110DEST_PATH_IMAGE034
的计算表达式为：
Figure 383017DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示巡检小车在当前位置
Figure 603783DEST_PATH_IMAGE004
下采集的图像对应二值图像中像素值为0的区 域中面积小于连通域面积阈值
Figure 253070DEST_PATH_IMAGE001
的区域个数；
Figure 588366DEST_PATH_IMAGE038
表示巡检小车在当前位置
Figure 117436DEST_PATH_IMAGE004
下采集的图像 对应二值图像中像素值为0的区域总数量。
本方案中根据巡检小车采集的图像进行分析，若图像中存在裂缝的概率越大，则 表明当前巡检小车的位置采集的图像中含有裂缝的概率越大，则应更关注该巡检小车的位 置，则对应的需要进行巡检小车的位置标定的必要性越大，即图像与图像模板库的模板图 像进行匹配的必要性就越大，因此本方案中将巡检小车在当前位置
Figure 638547DEST_PATH_IMAGE004
下采集的图像中存在 裂缝的概率
Figure 340793DEST_PATH_IMAGE034
，作为巡检小车在当前位置
Figure 263750DEST_PATH_IMAGE004
下采集的图像与图像模板库中的模板图像进行 匹配的匹配必要性
Figure DEST_PATH_IMAGE039
。
根据巡检小车在当前位置
Figure 698142DEST_PATH_IMAGE004
所对应的匹配必要性
Figure 159079DEST_PATH_IMAGE039
，即巡检小车的当前位置下需 要进行位置标定的必要性，通过设置匹配必要性阈值
Figure 150169DEST_PATH_IMAGE040
，可根据实施者具体实施情况而定， 优选本方案中给出经验参考值
Figure DEST_PATH_IMAGE041
，若巡检小车在当前位置
Figure 380162DEST_PATH_IMAGE004
下的匹配必要性
Figure 47773DEST_PATH_IMAGE039
大于匹 配必要性阈值
Figure 996006DEST_PATH_IMAGE040
，则表明需要对当前位置下的巡检小车进行位置标定。
为了减小计算量，进一步缩减需要进行匹配的模板图像，将满足匹配必要性阈值 的位置
Figure 525208DEST_PATH_IMAGE004
，基于位置参数在模板库中该位置中模板图像范围
Figure 677883DEST_PATH_IMAGE042
。由于巡检小车存在位置偏 差，因此对应的模板库中模板图像范围
Figure 532707DEST_PATH_IMAGE042
也存在偏差，因此通过对位置设置允许的位置误 差范围值，来选取一定范围内的模板图像，其中允许的位置误差范围值设置为当前位置
Figure 702657DEST_PATH_IMAGE004
前 后
Figure DEST_PATH_IMAGE043
个单位的移动距离
Figure 488079DEST_PATH_IMAGE044
，可根据实施者具体实施情况而定，本方案建议经验参考值
Figure DEST_PATH_IMAGE045
，则设置的位置误差范围值后的模板图像范围为
Figure 427085DEST_PATH_IMAGE046
。
需要说明的是，为了表述方便，本方案实施例中接下来的模板图像指的是模板图像范围内的图像。
本方案中通过结合模板图像以及对应的采集模板图像时巡检小车的位置进行当 前场景下巡检小车位置的标定。当图像的匹配必要性大于匹配必要性阈值时，分析当前位 置
Figure 639761DEST_PATH_IMAGE004
下巡检小车采集的图像与各个模板图像之间的相似程度，其中，当前位置
Figure 844477DEST_PATH_IMAGE004
下巡检小车 采集的图像与各个模板图像之间的匹配程度越大，则表明采集的图像与模板图像越相近， 即巡检小车的位置越准确，则对应的当前位置下巡检小车的位置越需要进行重新标定；反 之亦然。
计算当前位置
Figure 495907DEST_PATH_IMAGE004
下采集的图像与模板图像之间的图像相似度，本方案通过图像相 似度进行初匹配，在模板图像范围中选取相似度较高的作为待精确匹配模板图像。其中在 初匹配过程中，若将巡检小车采集的图像中中间区域进行图像相似度分析时，即管道远端 巡检小车灯光照不到的区域，也即OTSU阈值分割处理中获取的像素值为0的区域面积小于 连通域面积阈值
Figure 102469DEST_PATH_IMAGE001
的区域
Figure 486046DEST_PATH_IMAGE005
，由于不同巡检小车位置的采集图像中区域
Figure 178058DEST_PATH_IMAGE005
基本相同，基本 全为黑色，因此本方案将当前位置
Figure 102021DEST_PATH_IMAGE004
所采集的图像中的区域
Figure 828669DEST_PATH_IMAGE005
去除之后计算图像相似度，将 当前位置
Figure 439604DEST_PATH_IMAGE004
的巡检小车采集的图像（去掉区域
Figure 618913DEST_PATH_IMAGE005
）与模板图像范围中每个模板图像（去掉区 域
Figure 549829DEST_PATH_IMAGE005
）的图像相似度，选取图像相似度的TOP-10所对应的模板图像作为待精准匹配模板图 像。
需要说明的是，区域
Figure 380250DEST_PATH_IMAGE005
是图像或模板图像对应二值图像中像素值为0的区域面积 大于连通域面积阈值
Figure 856362DEST_PATH_IMAGE001
的区域，是一个统称。
其中，当前位置
Figure 37813DEST_PATH_IMAGE004
下巡检小车采集的去除区域
Figure 506841DEST_PATH_IMAGE005
后的图像
Figure 208081DEST_PATH_IMAGE006
与模板图像范围中第
Figure 369941DEST_PATH_IMAGE008
个模板图像去除区域
Figure 258262DEST_PATH_IMAGE005
的模板图像
Figure 593297DEST_PATH_IMAGE009
之间的图像相似度
Figure DEST_PATH_IMAGE047
的计算表达式为：
Figure 273678DEST_PATH_IMAGE002
其中，
Figure 674615DEST_PATH_IMAGE003
是当前位置
Figure 50233DEST_PATH_IMAGE004
下巡检小车采集的去除区域
Figure 657800DEST_PATH_IMAGE005
后的图像
Figure 271316DEST_PATH_IMAGE006
的灰度平均值；
Figure 571716DEST_PATH_IMAGE007
为第
Figure 700209DEST_PATH_IMAGE008
个模板图像去除区域
Figure 314730DEST_PATH_IMAGE005
的模板图像
Figure 563177DEST_PATH_IMAGE009
的灰度平均值；
Figure 785211DEST_PATH_IMAGE010
是当前位置
Figure 384689DEST_PATH_IMAGE004
下巡检小车 采集的去除区域
Figure 615950DEST_PATH_IMAGE005
后的图像
Figure 984483DEST_PATH_IMAGE006
的灰度方差；
Figure 315102DEST_PATH_IMAGE011
为第
Figure 401875DEST_PATH_IMAGE008
个模板图像去除区域
Figure 171248DEST_PATH_IMAGE005
的模板图像
Figure 677445DEST_PATH_IMAGE009
的灰度方差；
Figure 975702DEST_PATH_IMAGE012
为当前位置
Figure 753034DEST_PATH_IMAGE004
下巡检小车采集的去除区域
Figure 309787DEST_PATH_IMAGE005
后的图像
Figure 138065DEST_PATH_IMAGE006
和第
Figure 387650DEST_PATH_IMAGE008
个模板图 像去除区域
Figure 934169DEST_PATH_IMAGE005
的模板图像
Figure 294612DEST_PATH_IMAGE009
的灰度协方差；
Figure 242976DEST_PATH_IMAGE013
和
Figure 601145DEST_PATH_IMAGE014
是用来维持稳定的常数，
Figure 634960DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE049
；
Figure 471198DEST_PATH_IMAGE050
是图像中最大像素值，一般为255；
Figure DEST_PATH_IMAGE051
，
Figure 726599DEST_PATH_IMAGE052
。
由于巡检小车采集的图像中图像的灰度值分布相近，主要为管壁、污垢以、管壁裂纹以及中间灯光打不到的区域，因此本方案选择图像相似度的TOP-10所对应的模板图像作为待精准匹配模板图像，避免了将所有的模板图像进行接下来的匹配过程，降低了巡检小车的功耗。
由于管道裂缝图像与周围环境之间存在较大的灰度值差异，因此通过对巡检小车 当前位置
Figure 58267DEST_PATH_IMAGE004
下采集的灰度图像与模板库中的待匹配图像进行角点检测。通过计算当前位置 下巡检小车的角点与其周围的角点之间的相关性，与模板库中待精准待匹配图像的角点与 其周围的角点之间的相关性。
由于在匹配过程中，当前位置巡检小车采集的图像与模板匹配图像之间的角点与 角点之间的分布位置以及灰度值变化是相似的，因此对于当前位置
Figure 579378DEST_PATH_IMAGE004
下巡检小车采集的去 除区域
Figure 219306DEST_PATH_IMAGE005
后的图像
Figure 391531DEST_PATH_IMAGE006
，因此在
Figure 638972DEST_PATH_IMAGE006
中任意选取一个角点作为目标角点
Figure 162226DEST_PATH_IMAGE018
，将目标角点
Figure 153316DEST_PATH_IMAGE018
与其 周围欧式距离最近的4个角点进行相连，且将目标角点
Figure 180047DEST_PATH_IMAGE018
与欧式距离最近的第
Figure 598390DEST_PATH_IMAGE019
个角点记 为
Figure DEST_PATH_IMAGE053
，计算目标角点
Figure 218727DEST_PATH_IMAGE018
与欧式距离最近的第
Figure 262775DEST_PATH_IMAGE019
个角点之间的灰度差异
Figure 894745DEST_PATH_IMAGE017
，以及该连线与
Figure 733257DEST_PATH_IMAGE026
轴正方向之间的方向角度
Figure 981836DEST_PATH_IMAGE025
。
其中角点与角点之间的灰度值差异
Figure 558136DEST_PATH_IMAGE017
的计算表达式为：
Figure 44612DEST_PATH_IMAGE054
， 其中
Figure DEST_PATH_IMAGE055
表示在当前位置
Figure 709818DEST_PATH_IMAGE004
下巡检小车采集的去除区域
Figure 914534DEST_PATH_IMAGE005
后的图像
Figure 300385DEST_PATH_IMAGE006
选取的目标角点
Figure 906947DEST_PATH_IMAGE018
的 灰度值；
Figure 556103DEST_PATH_IMAGE056
表示目标角点
Figure 248115DEST_PATH_IMAGE018
周围欧式距离从小到大排序后第
Figure 437657DEST_PATH_IMAGE019
个角点。
其中角点连线与
Figure 898725DEST_PATH_IMAGE026
轴正方向之间的方向角度
Figure 718783DEST_PATH_IMAGE025
的计算表达式为：
Figure DEST_PATH_IMAGE057
，其中
Figure 85042DEST_PATH_IMAGE058
表示的是当前位置
Figure 818555DEST_PATH_IMAGE004
下巡检小车采集的去除区域
Figure 602971DEST_PATH_IMAGE005
后 的图像
Figure 125088DEST_PATH_IMAGE006
选取的第
Figure DEST_PATH_IMAGE059
个角点坐标；
Figure 244223DEST_PATH_IMAGE060
表示的是目标角点
Figure 713250DEST_PATH_IMAGE018
与欧式距离最近的第
Figure 148911DEST_PATH_IMAGE019
个角点的坐标；
Figure DEST_PATH_IMAGE061
表示反正切函数。
对于待精准匹配模板图像，在计算精准匹配程度时，需要考虑角点与角点之间的 联系。若匹配程度较高时，表现的为角点与其周围角点之间的趋势变化是相似的，即角点与 其周围角点之间的灰度值变化以及连线的角度变化是相似的，因此本方案对待精准匹配模 板图像中检测出来的角点，与当前位置下巡检小车采集的去除区域
Figure 45192DEST_PATH_IMAGE005
后的图像
Figure 448360DEST_PATH_IMAGE006
的选取的 目标角点
Figure 471811DEST_PATH_IMAGE018
相对应的位置，确定待精准匹配模板图像中的角点为
Figure 11245DEST_PATH_IMAGE023
，其中
Figure 891477DEST_PATH_IMAGE023
的确定过程 为：设置欧式距离阈值
Figure 781941DEST_PATH_IMAGE062
以及灰度值阈值
Figure DEST_PATH_IMAGE063
，在待精准匹配模板图像中选取与
Figure 344770DEST_PATH_IMAGE018
的灰 度值
Figure 755023DEST_PATH_IMAGE055
差异小于
Figure 993106DEST_PATH_IMAGE063
，且同时满足欧式距离阈值小于
Figure 105288DEST_PATH_IMAGE062
的角点作为
Figure 267279DEST_PATH_IMAGE023
。若待精准匹配模 板图像中不存在该类角点，则当前的待精准匹配模板图像不进行下述操作。
基于当前位置下巡检小车采集的去除区域
Figure 46885DEST_PATH_IMAGE005
后的图像
Figure 268919DEST_PATH_IMAGE006
的操作，计算待精准匹配 模板图像中选取的角点
Figure 868396DEST_PATH_IMAGE023
与其周围欧式距离最近的4个角点，将角点
Figure 568499DEST_PATH_IMAGE023
与欧式距离最近的 第
Figure 937032DEST_PATH_IMAGE019
个角点记为
Figure 533230DEST_PATH_IMAGE064
，同样计算角点与角点之间的灰度值差异
Figure 620003DEST_PATH_IMAGE021
、角点连 线与
Figure 123797DEST_PATH_IMAGE026
轴正方向之间的方向角度
Figure 612416DEST_PATH_IMAGE027
。
计算当前位置下巡检小车采集的去除区域
Figure 176252DEST_PATH_IMAGE005
后的图像
Figure 959444DEST_PATH_IMAGE006
与待精准匹配模板图像
Figure 250617DEST_PATH_IMAGE022
的当前5个角点的第一次匹配程度
Figure DEST_PATH_IMAGE065
，其中，当前5个角点之间的第一匹配程度
Figure 797005DEST_PATH_IMAGE065
的计算表达式为：
Figure 531742DEST_PATH_IMAGE066
其中，
Figure 530791DEST_PATH_IMAGE017
表示当前位置
Figure 907546DEST_PATH_IMAGE004
下巡检小车采集的去除区域
Figure 105178DEST_PATH_IMAGE005
后的图像
Figure 463347DEST_PATH_IMAGE006
的目标角点
Figure 762741DEST_PATH_IMAGE018
与欧式距离最近的第
Figure 395717DEST_PATH_IMAGE019
个角点
Figure 464167DEST_PATH_IMAGE020
之间的灰度值差异；
Figure 993237DEST_PATH_IMAGE021
表示待精准匹配模板图像
Figure 514349DEST_PATH_IMAGE022
的角点
Figure 210735DEST_PATH_IMAGE023
与欧式距离最近的第
Figure 133691DEST_PATH_IMAGE019
个角点
Figure 833663DEST_PATH_IMAGE024
之间的灰度值差异；
Figure 91338DEST_PATH_IMAGE025
表示目标角点
Figure 82428DEST_PATH_IMAGE018
与欧式距离最近的第
Figure 109158DEST_PATH_IMAGE019
个角点
Figure 793081DEST_PATH_IMAGE020
之间连线与
Figure 272472DEST_PATH_IMAGE026
轴方向的角度；
Figure 67253DEST_PATH_IMAGE027
表示角点
Figure 948490DEST_PATH_IMAGE023
与欧式距 离最近的第
Figure 740997DEST_PATH_IMAGE019
个角点
Figure 973264DEST_PATH_IMAGE024
之间连线与
Figure 571736DEST_PATH_IMAGE026
轴方向的角度；
Figure 307479DEST_PATH_IMAGE028
表示目标角点
Figure 333204DEST_PATH_IMAGE018
与欧式距 离最近的第
Figure 996310DEST_PATH_IMAGE029
个角点
Figure 116581DEST_PATH_IMAGE030
之间连线与
Figure 988723DEST_PATH_IMAGE026
轴方向的角度；
Figure 434616DEST_PATH_IMAGE031
表示角点
Figure 64312DEST_PATH_IMAGE023
与欧式距 离最近的第
Figure 253854DEST_PATH_IMAGE029
个角点
Figure 980501DEST_PATH_IMAGE032
之间连线与
Figure 331717DEST_PATH_IMAGE026
轴方向的角度。
在匹配过程中，若匹配的待精准匹配模板图像与图像之间的匹配程度较高的时 候，对应的选取的角点与其周围角点之间的灰度值差异是相近的，并且角点与其周围角点 之间的连线角度的趋势变化也是相似的，因此，通过计算每个角点与其周围的角点的灰度 值差异，与模板图像中对应的角点与其周围角点的灰度值差异比值进行确定，若两图像的 灰度值差异越小，表明两个图像之间的对应角点之间的灰度值变化趋势相同，就表明两个 图像之间的第一次匹配程度较高。对于角点与角点之间的连线角度来说，若图像
Figure 511025DEST_PATH_IMAGE006
中4条角 点与角点之间的连线角度与待精准匹配模板图像中相对应位置的角点与角点之间的连线 角度的变化趋势相似，则表明两个图像之间的第一次匹配程度较高。
步骤S003，基于图像中的目标角点与其周围前几个距离最近的角点的位置获取中心点，获取图像中距离中心点最近的n个第一角点，且不包括第一匹配程度计算过的角点，基于第一角点之间的灰度值和角点连线方向角度，计算图像与待精准匹配模板图像之间对应第一角点分布的第二匹配程度；基于图像中的角点数量获取目标角点对应的第W匹配程度；对所有匹配程度进行累乘得到图像与每张待精准匹配模板图像的最终匹配程度。
具体的，在进行第二次匹配程度
Figure DEST_PATH_IMAGE067
计算时，将图像
Figure 628892DEST_PATH_IMAGE006
中选取的目标角点
Figure 210046DEST_PATH_IMAGE018
与其周围欧式距离最近的4个角点的质心，并将质心作为中心点，获取与中心点之间欧 式距离最近的4个角点，且不包括之前第一次匹配程度计算的5个角点，利用上述第一次匹 配程度的计算方法进行当前位置下巡检小车采集的去除区域
Figure 997742DEST_PATH_IMAGE005
后的图像
Figure 602030DEST_PATH_IMAGE006
与待精准匹配 模板图像
Figure 150953DEST_PATH_IMAGE022
的第二次匹配程度计算，不再进行赘述，依次类推，当最后一次匹配的角点数量 不满足4个时，不再进行匹配程度计算，进而基于图像
Figure 852192DEST_PATH_IMAGE006
中角点数量获取目标角点对应的第 W匹配程度，W为正整数。
对所有匹配程度进行累乘得到当前位置下巡检小车采集的去除区域
Figure 545211DEST_PATH_IMAGE005
后的图像
Figure 151641DEST_PATH_IMAGE006
与待精准匹配模板图像
Figure 971830DEST_PATH_IMAGE022
的最终匹配程度。
需要说明的是，在计算最终的匹配程度时，需要综合考虑所有的匹配过程的匹配程度，而本案中最终的匹配程度是依据一次一次重新确定周围角点，以及对应的角点之间的关系计算得到的，因此本方案中最终匹配程度的计算为累乘的过程。
步骤S004，选择最终匹配程度最高所对应的待精准匹配模板图像作为待标定图像，基于待标定图像对应的巡检小车位置对当前位置的巡检小车进行路径重新规划。
具体的，利用步骤S002和S003的方法，获取当前位置下巡检小车采集的去除区域
Figure 511265DEST_PATH_IMAGE005
后的图像
Figure 125917DEST_PATH_IMAGE006
与每张待精准匹配模板图像
Figure 16381DEST_PATH_IMAGE022
的最终匹配程度，将最终匹配程度进行归一 化，选取归一化后的最终匹配程度最高的待精准匹配模板图像作为待标定图像。获取待标 定图像在采集过程中巡检小车的位置
Figure 640260DEST_PATH_IMAGE068
，基于位置I进行当前位置
Figure 34202DEST_PATH_IMAGE004
下巡检小车位置的标定， 进而将待标定图像在采集过程中巡检小车的位置
Figure 288597DEST_PATH_IMAGE068
，作为巡检小车的当前位置，并将位置
Figure 400778DEST_PATH_IMAGE068
传输至控制系统中，根据工作状况进行巡检小车的路径重新规划。
综上所述，本发明实施例提供了一种用于管道巡检小车的精准控制方法，该方法对巡检小车进行初始路径的规划，获取巡检小车在初始路径上的当前位置所对应的图像以及灰度图像；基于灰度图像计算图像的匹配必要性，当匹配必要性大于匹配必要性阈值时，基于图像与模板库中每张模板图像之间的图像相似度获取待精准匹配模板图像；通过对图像和待精准匹配模板图像之间角点的灰度值和角点连线方向角度，分别计算图像与每张待精准匹配模板图像之间的最终匹配程度，选择最终匹配程度最高所对应的待精准匹配模板图像作为待标定图像，基于待标定图像对应的巡检小车位置对当前位置的巡检小车进行路径重新规划。本发明降低了传统算法中仅根据灰度值的差异进行匹配，进而更加精准控制巡检小车行驶路径。
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 (2)

1.一种用于管道巡检小车的精准控制方法，其特征在于，该方法包括以下步骤：
对巡检小车进行初始路径的规划，根据巡检小车在初始路径上的当前位置，获取当前位置对应的图像；对图像进行灰度化处理得到对应的灰度图像；
对灰度图像进行OTSU阈值分割处理以计算图像中存在裂缝的概率，将所述概率作为当前位置对应图像的匹配必要性；当匹配必要性大于匹配必要性阈值时，在模板库中获取当前位置的模板图像范围，计算图像与模板图像范围内的每张模板图像之间的图像相似度，以得到待精准匹配模板图像；获取图像中目标角点与其周围top-n个距离最近的角点之间的灰度值和角点连线方向角度，计算图像与待精准匹配模板图像之间对应角点分布的第一匹配程度；
基于图像中的目标角点与其周围top-n个距离最近的角点的位置获取中心点，获取图像中距离中心点最近的n个第一角点，且不包括所述第一匹配程度计算过的角点，基于第一角点之间的灰度值和角点连线方向角度，计算图像与待精准匹配模板图像之间对应第一角点分布的第二匹配程度；基于图像中的角点数量获取目标角点对应的第W匹配程度；对所有匹配程度进行累乘得到图像与每张待精准匹配模板图像的最终匹配程度；
选择最终匹配程度最高所对应的待精准匹配模板图像作为待标定图像，基于待标定图像对应的巡检小车位置对当前位置的巡检小车进行路径重新规划；
所述匹配必要性的获取方法，包括：
对灰度图像进行OTSU阈值分割处理得到对应的二值图像，将小于阈值的像素点的像素值设置为0，大于阈值的像素点的像素值设置为1；
根据连通域分析计算得到每个像素值为0的区域面积，设置连通域面积阈值，统计区域面积小于连通域面积阈值的区域个数和区域面积的总数量；将区域个数与总数量之间的比值作为所述匹配必要性；
所述图像相似度的获取方法，包括：
将图像或模板图像对应二值图像中像素值为0的区域面积大于连通域面积阈值
Figure DEST_PATH_IMAGE002
的区域统称为区域C；
基于图像和模板图像中去除区域C后的剩余图像中的像素灰度值计算图像与模板图像之间的图像相似度，则图像相似度的计算公式为：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
是当前位置
Figure DEST_PATH_IMAGE008
下巡检小车采集的图像去除区域
Figure DEST_PATH_IMAGE010
后的图像
Figure DEST_PATH_IMAGE012
的灰度平均值；
Figure DEST_PATH_IMAGE014
为第
Figure DEST_PATH_IMAGE016
个模板图像去除区域
Figure 783962DEST_PATH_IMAGE010
的模板图像
Figure DEST_PATH_IMAGE018
的灰度平均值；
Figure DEST_PATH_IMAGE020
是当前位置
Figure 186256DEST_PATH_IMAGE008
下巡检小车采集的图像去除区域
Figure 44622DEST_PATH_IMAGE010
后的图像
Figure 518460DEST_PATH_IMAGE012
的灰度方差；
Figure DEST_PATH_IMAGE022
为第
Figure 473777DEST_PATH_IMAGE016
个模板图像去除区域
Figure 624136DEST_PATH_IMAGE010
的模板图像
Figure 969798DEST_PATH_IMAGE018
的灰度方差；
Figure DEST_PATH_IMAGE024
为当前位置
Figure 575222DEST_PATH_IMAGE008
下巡检小车采集的图像去除区域
Figure 322730DEST_PATH_IMAGE010
后的图像
Figure 643990DEST_PATH_IMAGE012
和第
Figure 476948DEST_PATH_IMAGE016
个模板图像去除区域
Figure 546448DEST_PATH_IMAGE010
的模板图像
Figure 132151DEST_PATH_IMAGE018
的灰度协方差；
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE028
是用来维持稳定的常数；
所述第一匹配程度的计算公式为：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE032
表示当前位置
Figure 266722DEST_PATH_IMAGE008
下巡检小车采集的图像去除区域
Figure 586976DEST_PATH_IMAGE010
后的图像
Figure 924417DEST_PATH_IMAGE012
的目标角点
Figure DEST_PATH_IMAGE034
与欧式距离最近的第
Figure DEST_PATH_IMAGE036
个角点
Figure DEST_PATH_IMAGE038
之间的灰度值差异；
Figure DEST_PATH_IMAGE040
表示待精准匹配模板图像
Figure DEST_PATH_IMAGE042
的角点
Figure DEST_PATH_IMAGE044
与欧式距离最近的第
Figure 600511DEST_PATH_IMAGE036
个角点
Figure DEST_PATH_IMAGE046
之间的灰度值差异；
Figure DEST_PATH_IMAGE048
表示目标角点
Figure 420830DEST_PATH_IMAGE034
与欧式距离最近的第
Figure 962801DEST_PATH_IMAGE036
个角点
Figure 369512DEST_PATH_IMAGE038
之间连线与
Figure DEST_PATH_IMAGE050
轴方向的角度；
Figure DEST_PATH_IMAGE052
表示角点
Figure 87063DEST_PATH_IMAGE044
与欧式距离最近的第
Figure 937339DEST_PATH_IMAGE036
个角点
Figure 481453DEST_PATH_IMAGE046
之间连线与
Figure 719884DEST_PATH_IMAGE050
轴方向的角度；
Figure DEST_PATH_IMAGE054
表示目标角点
Figure 495205DEST_PATH_IMAGE034
与欧式距离最近的第
Figure DEST_PATH_IMAGE056
个角点
Figure DEST_PATH_IMAGE058
之间连线与
Figure 172174DEST_PATH_IMAGE050
轴方向的角度；
Figure DEST_PATH_IMAGE060
表示角点
Figure 501786DEST_PATH_IMAGE044
与欧式距离最近的第
Figure 250299DEST_PATH_IMAGE056
个角点
Figure DEST_PATH_IMAGE062
之间连线与
Figure 129394DEST_PATH_IMAGE050
轴方向的角度。
2.如权利要求1所述的一种用于管道巡检小车的精准控制方法，其特征在于，所述待精准匹配模板图像的获取方法，包括：
选取所述图像相似度的TOP-10所对应的模板图像作为待精准匹配模板图像。
CN202211107787.2A 2022-09-13 2022-09-13 一种用于管道巡检小车的精准控制方法 Active CN115187802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211107787.2A CN115187802B (zh) 2022-09-13 2022-09-13 一种用于管道巡检小车的精准控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211107787.2A CN115187802B (zh) 2022-09-13 2022-09-13 一种用于管道巡检小车的精准控制方法

Publications (2)

Publication Number Publication Date
CN115187802A CN115187802A (zh) 2022-10-14
CN115187802B true CN115187802B (zh) 2022-11-18

Family

ID=83524549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211107787.2A Active CN115187802B (zh) 2022-09-13 2022-09-13 一种用于管道巡检小车的精准控制方法

Country Status (1)

Country Link
CN (1) CN115187802B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449853B (zh) * 2023-06-14 2023-08-15 济宁龙纳智能科技有限公司 一种叉车式agv的路径规划方法
CN116714021B (zh) * 2023-07-26 2024-01-23 上海迪成智能科技有限公司 基于数据分析的单轨吊巡检机器人智能测试方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808165A (zh) * 2017-10-19 2018-03-16 南京理工大学 一种基于susan角点检测的红外图像匹配方法
CN112819009A (zh) * 2021-01-20 2021-05-18 浙江工业大学 一种基于Harris角点检测与NCC匹配的目标识别定位方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636848B (zh) * 2018-12-17 2020-12-25 武汉天乾科技有限责任公司 一种基于无人机的油气管道巡检方法
CN112907611A (zh) * 2021-03-26 2021-06-04 北京邮电大学 一种基于DT-SUSAN-Brute-Force的图像匹配算法
CN114777792A (zh) * 2022-05-09 2022-07-22 深圳市正浩创新科技股份有限公司 路径规划方法、装置、计算机可读介质及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808165A (zh) * 2017-10-19 2018-03-16 南京理工大学 一种基于susan角点检测的红外图像匹配方法
CN112819009A (zh) * 2021-01-20 2021-05-18 浙江工业大学 一种基于Harris角点检测与NCC匹配的目标识别定位方法

Also Published As

Publication number Publication date
CN115187802A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN115187802B (zh) 一种用于管道巡检小车的精准控制方法
CN104484648B (zh) 基于轮廓识别的机器人可变视角障碍物检测方法
CN111340797A (zh) 一种激光雷达与双目相机数据融合检测方法及系统
CN113137920B (zh) 一种水下测量的设备与水下测量方法
CN102679914B (zh) 一种盾构隧道衬砌管片渗漏水面积的测量方法及装置
CN109448059B (zh) 一种快速x角点亚像素检测方法
CN111679303B (zh) 一种多源定位信息融合的综合定位方法及装置
CN106996748A (zh) 一种基于双目视觉的轮径测量方法
CN109508709B (zh) 一种基于机器视觉的单指针仪表读数方法
CN102494663A (zh) 摆动喷管的摆动角度的测量系统及摆动角度的测量方法
CN112819958B (zh) 一种基于三维激光扫描的工程地质测绘方法与系统
CN114608522B (zh) 一种基于视觉的障碍物识别与测距方法
CN113538620A (zh) 一种面向二维栅格地图的slam建图结果评价方法
CN103714550A (zh) 一种基于匹配曲线特征评估的图像配准自动优化算法
CN110851978B (zh) 一种基于可见性的摄像机位置优化方法
CN115830070A (zh) 一种牵引变电所巡检机器人红外激光融合定位方法
CN116485801A (zh) 基于计算机视觉的胶管质量在线检测方法及系统
CN109344758B (zh) 基于改进局部二值模式的人脸识别方法
CN113837166A (zh) 一种基于深度学习的指针式仪表自动读数方法
CN117333846A (zh) 恶劣天气下基于传感器融合和增量学习的检测方法及系统
CN116879313A (zh) 一种基于雷视超融合的结构裂损实时测定方法
CN111473944B (zh) 观测流场中存在复杂壁面的piv数据修正方法、装置
CN111539329B (zh) 一种自适应的变电站指针仪表识别方法
CN112784785A (zh) 一种多样本拟合图像清晰化处理方法
CN112097693A (zh) 一种基于无人机的直线度测量系统及方法

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