CN116168028B - 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 - Google Patents
低可见度下基于边缘滤波的高铁原始图像处理方法和系统 Download PDFInfo
- Publication number
- CN116168028B CN116168028B CN202310450373.8A CN202310450373A CN116168028B CN 116168028 B CN116168028 B CN 116168028B CN 202310450373 A CN202310450373 A CN 202310450373A CN 116168028 B CN116168028 B CN 116168028B
- Authority
- CN
- China
- Prior art keywords
- edge
- gradient
- image
- pixel point
- edge pixel
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 15
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及边缘检测领域,具体涉及低可见度下基于边缘滤波的高铁原始图像处理方法和系统;包括以下步骤:S1摄像设备进行数据采集、S2基于边缘像素点是否围合识别目标部件、S3零件位置检测、S4报警;本发明以参考像素点为基准,采用极坐标的方式,计算基于参考像素点的梯度方向和梯度距离即极轴长度的极小值,从而计算出以参考像素点为基准的图像中的零件边缘,极大的提高了计算精度,特别是当零件边缘被遮盖时,可以通过远离零件边缘的像素参考点作为基准,特别是可以有多个参考像素点作为重复基准来计算零件边缘,提高了在低可见度条件下的边缘检测能力。
Description
技术领域
本发明涉及边缘检测领域,具体涉及低可见度下基于边缘滤波的高铁原始图像处理方法和系统。
背景技术
高速铁路,简称高铁,是指设计标准等级高、可供列车安全高速行驶的铁路系统;大多数高铁列车的检测方案是在动车组运行状态图像故障检测系统(Trouble of movingEMU Detection System,TEDS)的基础上改进和开发的,通常是基于用计算机将安装在铁轨附近的线阵相机采集到的图像与存储的历史图片配准,然后采用自动识别技术或者人工识别故障或者异物;在图像检测领域,如何准确快速、准确地确定目标图像的边缘,从而快速完成检测对象的识别,进而执行图形对比识别步骤,是高铁图形检测领域的关键步骤。
边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化,包括深度上的不连续、表面方向不连续、物质属性变化和场景照明变化,边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。
现有技术中公开了相关技术:
CN114820732A公开了一种高铁列车图像的关键点检测与描述的系统及方法,具体公开了基于自监督训练的深度学习算法,采用经典的图像配准流程:关键点检测、关键点描述、特征匹配和几何变换估计,克服了基于灰度的配准算法计算量大,耗时长的缺点,以及传统的基于特征的图像配准算法对更复杂的场景的鲁棒性不强的缺点,本申请的待配准图像在一个网络前传中提取多层次特征进行联合关键点检测和描述,在很大程度上提高关键点的定位精度的同时生成鲁棒的关键点描述符。
CN109753929B公开了一种高铁绝缘子巡检图像识别方法;具体公开了首先对巡检图像的感兴趣区域(ROI,Region of Interest)进行图像增强、去噪等预处理,然后采用图像切割的方式提取感兴趣区域中的正负样本并利用多层CNN对其进行训练学习,最后通过对训练后的模型进行分层次识别、针对错误集微调等优化处理,实现对巡检图像中绝缘子的精准识别。本发明尤其适用于背景复杂的接触网环境,可在接触网环境中以98.2%的识别率精确定位绝缘子,在不同的拍摄距离、角度、亮度下均能展现出较好的泛化能力。
然而:上述现有技术仍然存在以下问题:
(1)基于深度学习等算法进行图像识别,对硬件算力的要求较高;并且在低可见度天气条件下,深度学习的学习参数容易受到雨雾衍射光等因素的影响,造成学习得到的模型失准,识别精度降低。
(2)基于传统图像识别技术,在低可见度条件下,如果图像整体可见度降低,则会造成对于零部件的边缘的识别能力降低。
(3)传统的识别技术,公开了利用灰度梯度进行识别的技术手段,但是只是根据灰度梯度变化的最大方向进行识别,如果部分区域受可可见度、云雾、光影的影响,则无法扩大识别范围,识别精度较低。
发明内容
针对上述问题,本发明的目的在于提出低可见度下基于边缘滤波的高铁原始图像处理方法和系统,通过图像上数个参考像素点,以参考像素点为基准,采用极坐标的方式,计算基于参考像素点的梯度方向和梯度距离即极轴长度的极小值,从而计算出以参考像素点为基准的图像中的零件边缘,极大的提高了计算精度,特别是当零件边缘被遮盖时,可以通过远离零件边缘的像素参考点作为基准,特别是可以有多个参考像素点作为重复基准来计算零件边缘,提高了在低可见度条件下的边缘检测能力。
为实现本发明的目的,本发明通过以下技术方案实现:低可见度下基于边缘滤波的高铁原始图像处理方法,包括以下步骤:
S1:摄像设备进行数据采集;
所述摄像设备至少包括一个可见光摄像头C1;所述步骤S1包括:
S11:可见光扫描拍摄;
所述可见光摄像头C1对目标区域进行扫描式拍摄,得到以像素灰度形式存储的目标区域图像,其中,G(x,y)表示位置参数分别为x和y的像素点的灰度,x和y为像素位置下标,n和m分别为图像在横向和纵向上的最大像素点数量;
S12:建立图像区域灰度梯度函数;
其中,x和y分别为像素点的位置参数,θ和l分别为像素点的梯度方向和梯度距离;
S13:基于图像区域灰度梯度函数的边缘检测;包括:
S131:建立灰度梯度极函数;设定关于x和y的边界条件,满足:
进一步的,在所述步骤S1之后,还包括:
S2:基于边缘像素点是否围合识别目标部件。
进一步的,所述步骤S2包括:
S21:若边缘像素点集合{(x e ,y e )}的任意子集构成围合图形,且围合图形与原始数据库中的任一零件的外观图形比对一致,则将围合图形确定为目标零件;
S22:若边缘像素点集合{(x e ,y e )}的任意子集构成围合图形,且围合图形不与原始数据库中的任一零件的外观图形比对一致,则将围合图形确定为侵入物体;
S23:若边缘像素点集合{(x e ,y e )}的任意子集不构成围合图形,但至少一个子集的边缘像素点与原始数据库中的任一零件的外观图形部分比对一致,则判定该零件发生遮挡。
进一步的,所述摄像设备还至少包括一个长波摄像头C2;在所述步骤S134之后,还包括:
S135:检查边缘像素点数量;检查边缘像素点集合{(x e ,y e )}内的边缘像素点数量,若少于预设的阈值,则调用长波摄像头C2重新执行步骤S1。
进一步的,在所述步骤S2之后,还包括:
S3:零件位置检测;对于步骤S21检测到的目标零件,基于边缘像素点计算其几何中心,以及距离几何中心最远的第一远点的像素点位置,及所述第一远点对侧的第二远点的像素点位置,将所述第一远点和所述第二远点的像素点位置相连得到零件方位角;
S31:若所述几何中心和所述零件方位角与原始数据库中的差值小于预定的阈值,则判定该零件位置正确;
S32:若所述几何中心与原始数据库中的差值小于预定的阈值,且所述零件方位角与原始数据库中的差值不小于预定的阈值,则判定该零件发生平移;
S33:若所述几何中心与原始数据库中的差值不小于预定的阈值,且所述零件方位角与原始数据库中的差值小于预定的阈值,则判定该零件发生转动;
S34:若所述几何中心与原始数据库中的差值不小于预定的阈值,且所述零件方位角与原始数据库中的差值不小于预定的阈值,则判定该零件发生平移转动。
进一步的,在所述步骤S3之后,还包括:
S4:报警;若在步骤S3中检测到零件发生平移、转动、平移转动中的任一种,则向控制后台发出报警信息。
此外,本发明还提供了一种低可见度下基于边缘滤波的高铁原始图像处理系统,用于实施所述的低可见度下基于边缘滤波的高铁原始图像处理方法,其特征在于:包括摄像设备、数据总线、中央存储器和中央运算器;所述摄像设备至少包括一个可见光摄像头C1和一个长波摄像头C2;所述中央存储器用于存储原始数据库的数据。
本发明的有益效果为:
(1)相比于传统的基于灰度梯度最大方向来确定图像中的边缘的算法,本发明采用参考点作为基准点,从基准点出发构建极函数,通过求取极函数的驻点来得到从参考点出发到边缘像素点的角度和距离,进而可以扩大计算面积,提高了计算精度,具体来说,传统技术是从边缘附近出发进行灰度变化的判定,由于边缘区域的像素点距离较近,计算误差较大,本发明极大地提高了计算精度。
(2)本发明可以采用多个参考点,进行计算得到不同的极角度和极距离,即梯度方向和梯度距离,具体来说,对于一个边缘像素点,可以通过不同的多个参考点进行多次计算,提高了计算精度,特别是在低可见度情况下,当任一参考点无法准确拍摄时,可以通过其他参考点进行计算。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例一
根据图1所示,本实施例提供了低可见度下基于边缘滤波的高铁原始图像处理方法,包括以下步骤:
S1:摄像设备进行数据采集;
所述摄像设备至少包括一个可见光摄像头C1;所述步骤S1包括:
S11:可见光扫描拍摄;
所述可见光摄像头C1对目标区域进行扫描式拍摄,得到以像素灰度形式存储的目标区域图像,其中,G(x,y)表示位置参数分别为x和y的像素点的灰度,x和y为像素位置下标,n和m分别为图像在横向和纵向上的最大像素点数量;
S12:建立图像区域灰度梯度函数;
其中,x和y分别为像素点的位置参数,θ和l分别为像素点的梯度方向和梯度距离;
S13:基于图像区域灰度梯度函数的边缘检测;包括:
S131:建立灰度梯度极函数;设定关于x和y的边界条件,满足:
进一步的,在所述步骤S1之后,还包括:
S2:基于边缘像素点是否围合识别目标部件。
进一步的,所述步骤S2包括:
S21:若边缘像素点集合{(x e ,y e )}的任意子集构成围合图形,且围合图形与原始数据库中的任一零件的外观图形比对一致,则将围合图形确定为目标零件;
S22:若边缘像素点集合{(x e ,y e )}的任意子集构成围合图形,且围合图形不与原始数据库中的任一零件的外观图形比对一致,则将围合图形确定为侵入物体;
S23:若边缘像素点集合{(x e ,y e )}的任意子集不构成围合图形,但至少一个子集的边缘像素点与原始数据库中的任一零件的外观图形部分比对一致,则判定该零件发生遮挡。
进一步的,所述摄像设备还至少包括一个长波摄像头C2;在所述步骤S134之后,还包括:
S135:检查边缘像素点数量;检查边缘像素点集合{(x e ,y e )}内的边缘像素点数量,若少于预设的阈值,则调用长波摄像头C2重新执行步骤S1。
进一步的,在所述步骤S2之后,还包括:
S3:零件位置检测;对于步骤S21检测到的目标零件,基于边缘像素点计算其几何中心,以及距离几何中心最远的第一远点的像素点位置,及所述第一远点对侧的第二远点的像素点位置,将所述第一远点和所述第二远点的像素点位置相连得到零件方位角;
S31:若所述几何中心和所述零件方位角与原始数据库中的差值小于预定的阈值,则判定该零件位置正确;
S32:若所述几何中心与原始数据库中的差值小于预定的阈值,且所述零件方位角与原始数据库中的差值不小于预定的阈值,则判定该零件发生平移;
S33:若所述几何中心与原始数据库中的差值不小于预定的阈值,且所述零件方位角与原始数据库中的差值小于预定的阈值,则判定该零件发生转动;
S34:若所述几何中心与原始数据库中的差值不小于预定的阈值,且所述零件方位角与原始数据库中的差值不小于预定的阈值,则判定该零件发生平移转动。
进一步的,在所述步骤S3之后,还包括:
S4:报警;若在步骤S3中检测到零件发生平移、转动、平移转动中的任一种,则向控制后台发出报警信息。
具体实施例二
一种低可见度下基于边缘滤波的高铁原始图像处理系统,用于实施所述的低可见度下基于边缘滤波的高铁原始图像处理方法,其特征在于:包括摄像设备、数据总线、中央存储器和中央运算器;所述摄像设备至少包括一个可见光摄像头C1和一个长波摄像头C2;所述中央存储器用于存储原始数据库的数据。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.低可见度下基于边缘滤波的高铁原始图像处理方法,其特征在于,包括以下步骤:
S1:摄像设备进行数据采集;
所述摄像设备至少包括一个可见光摄像头C1;所述步骤S1包括:
S11:可见光扫描拍摄;
所述可见光摄像头C1对目标区域进行扫描式拍摄,得到以像素灰度形式存储的目标区域图像,其中,G(x,y)表示位置参数分别为x和y的像素点的灰度,x和y为像素位置下标,n和m分别为图像在横向和纵向上的最大像素点数量;
S12:建立图像区域灰度梯度函数;
其中,x和y分别为像素点的位置参数,θ和l分别为像素点的梯度方向和梯度距离;
S13:基于图像区域灰度梯度函数的边缘检测;包括:
S131:建立灰度梯度极函数;设定关于x和y的边界条件,满足:
S2:基于边缘像素点是否围合识别目标部件;包括:
S21:若边缘像素点集合{(x e ,y e )}的任意子集构成围合图形,且围合图形与原始数据库中的任一零件的外观图形比对一致,则将围合图形确定为目标零件;
S22:若边缘像素点集合{(x e ,y e )}的任意子集构成围合图形,且围合图形不与原始数据库中的任一零件的外观图形比对一致,则将围合图形确定为侵入物体;
S23:若边缘像素点集合{(x e ,y e )}的任意子集不构成围合图形,但至少一个子集的边缘像素点与原始数据库中的任一零件的外观图形部分比对一致,则判定该零件发生遮挡;
S3:零件位置检测;对于步骤S21检测到的目标零件,基于边缘像素点计算其几何中心,以及距离几何中心最远的第一远点的像素点位置,及所述第一远点对侧的第二远点的像素点位置,将所述第一远点和所述第二远点的像素点位置相连得到零件方位角;
S31:若所述几何中心和所述零件方位角与原始数据库中的差值小于预定的阈值,则判定该零件位置正确;
S32:若所述几何中心与原始数据库中的差值小于预定的阈值,且所述零件方位角与原始数据库中的差值不小于预定的阈值,则判定该零件发生平移;
S33:若所述几何中心与原始数据库中的差值不小于预定的阈值,且所述零件方位角与原始数据库中的差值小于预定的阈值,则判定该零件发生转动;
S34:若所述几何中心与原始数据库中的差值不小于预定的阈值,且所述零件方位角与原始数据库中的差值不小于预定的阈值,则判定该零件发生平移转动;
S4:报警;若在步骤S3中检测到零件发生平移、转动、平移转动中的任一种,则向控制后台发出报警信息。
2.根据权利要求1所述的低可见度下基于边缘滤波的高铁原始图像处理方法,其特征在于:所述摄像设备还至少包括一个长波摄像头C2;在所述步骤S134之后,还包括:
S135:检查边缘像素点数量;检查边缘像素点集合{(x e ,y e )}内的边缘像素点数量,若少于预设的阈值,则调用长波摄像头C2重新执行步骤S1。
3.一种低可见度下基于边缘滤波的高铁原始图像处理系统,用于实施根据权利要求1-2任一项所述的低可见度下基于边缘滤波的高铁原始图像处理方法,其特征在于:包括摄像设备、数据总线、中央存储器和中央运算器;所述摄像设备至少包括一个可见光摄像头C1和一个长波摄像头C2;所述中央存储器用于存储原始数据库的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450373.8A CN116168028B (zh) | 2023-04-25 | 2023-04-25 | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450373.8A CN116168028B (zh) | 2023-04-25 | 2023-04-25 | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168028A CN116168028A (zh) | 2023-05-26 |
CN116168028B true CN116168028B (zh) | 2023-06-23 |
Family
ID=86416712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310450373.8A Active CN116168028B (zh) | 2023-04-25 | 2023-04-25 | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168028B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173183B (zh) * | 2023-11-03 | 2024-01-26 | 山西阳光三极科技股份有限公司 | 一种基于人工智能的铁路货车故障检测方法 |
CN117607642B (zh) * | 2024-01-23 | 2024-03-26 | 中铁电气化铁路运营管理有限公司 | 一种轨道交通数据分析方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0402868A2 (de) * | 1989-06-16 | 1990-12-19 | Siemens Aktiengesellschaft | Verfahren zur Erkennung von vorab lokalisierten, in digitalen Grauwertbildern vorliegenden Zeichen, insbesondere zum Erkennen von in Metalloberflächen eingeschlagenen Zeichen |
CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
CN101916433A (zh) * | 2010-08-10 | 2010-12-15 | 西安电子科技大学 | 基于偏微分方程的强噪声污染图像的去噪方法 |
CN104504670A (zh) * | 2014-12-11 | 2015-04-08 | 上海理工大学 | 多尺度梯度域图像融合算法 |
CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
-
2023
- 2023-04-25 CN CN202310450373.8A patent/CN116168028B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0402868A2 (de) * | 1989-06-16 | 1990-12-19 | Siemens Aktiengesellschaft | Verfahren zur Erkennung von vorab lokalisierten, in digitalen Grauwertbildern vorliegenden Zeichen, insbesondere zum Erkennen von in Metalloberflächen eingeschlagenen Zeichen |
CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
CN101916433A (zh) * | 2010-08-10 | 2010-12-15 | 西安电子科技大学 | 基于偏微分方程的强噪声污染图像的去噪方法 |
CN104504670A (zh) * | 2014-12-11 | 2015-04-08 | 上海理工大学 | 多尺度梯度域图像融合算法 |
CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
Non-Patent Citations (1)
Title |
---|
基于图像梯度差值算法的自动快速调焦;罗鑫;张亚军;;工具技术(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116168028A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168028B (zh) | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 | |
CN107154040B (zh) | 一种隧道衬砌表面图像裂缝检测方法 | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN111145228B (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN109434251B (zh) | 一种基于粒子滤波的焊缝图像跟踪方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
CN112487912B (zh) | 基于改进YOLOv3的任意方向舰船检测方法 | |
CN109087323A (zh) | 一种基于精细cad模型的图像车辆三维姿态估计方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
CN111179220B (zh) | 车道标识线质量检测方法、系统及存储介质 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN114067147B (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN110929598B (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN106803066B (zh) | 一种基于Hough变换的车辆偏航角确定方法 | |
CN114241438B (zh) | 一种基于先验信息的交通信号灯快速精确的识别方法 | |
CN117557565A (zh) | 一种锂电池极片的检测方法及其装置 | |
CN116206094B (zh) | 风机扇叶角度测量方法、装置、系统及电子设备 | |
CN111428538B (zh) | 一种车道线提取方法、装置和设备 |
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 |