CN116758106B - 基于无人机的水流登记单元界线核实方法 - Google Patents
基于无人机的水流登记单元界线核实方法 Download PDFInfo
- Publication number
- CN116758106B CN116758106B CN202310856027.XA CN202310856027A CN116758106B CN 116758106 B CN116758106 B CN 116758106B CN 202310856027 A CN202310856027 A CN 202310856027A CN 116758106 B CN116758106 B CN 116758106B
- Authority
- CN
- China
- Prior art keywords
- boundary line
- position data
- water surface
- edge image
- boundary
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012795 verification Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 5
- 238000011065 in-situ storage Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process 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
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于无人机的水流登记单元界线核实方法,涉及水体异常区域边界检测领域,包括以下步骤:调用无人机水流登记单元采集的数据,计算水面波浪最大间隔变化时间,间隔时间段获取无人机航拍的两张河道水面图像,并对获取的水面图像进行边缘提取得到边缘图像,计算两个边缘图像上边界线位置数据,保留基准边缘图像上位置数据与另一个边缘图像位置数据相近边界线,去除其它风浪伪边界线,本发明通过比对两者边缘图像上分界线的位置变化以实现对风浪伪边界线进行识别剔除,实现保留两张边缘图像中位置数据相近的边界线,实现初步快速有效的去除大量的风浪伪边界线。
Description
技术领域
本发明涉及及水体异常区域边界检测领域,具体为基于无人机的水流登记单元界线核实方法。
背景技术
我国的地貌特征形式多变,许多地区河道水体异常问题非常严重,影响复杂,是现阶段水利管理的重中之重,针对不同地域的特点,采取无人机技术监控,能够实现更好的信息数据搜集,水体异常是水体中营养物质过剩,水质参数浓度超标、水生生物爆发型增值、或引起水体功能下降的外源性物质输入而导致的水体的功能下降的现象,水体异常会导致水色异常,常规的水体异常边界检测方法多为通过无人机航拍获取水面图像,然后对采集的图像进行边缘检测得到图像的边界线,从而通过边界线确定水色异常区域边界信息。
如申请公布号为CN104700387A,名称为《一种图像边界线的检测方法及系统》,其图像边界线的检测方法包括对待检测图像进行边缘检测,得到图像的准边界线;所述的准边界线包括待检测图像水平方向的准边界线和竖直方向的准边界线;计算每条准边界线的弯曲度;查看每条准边界线的弯曲度是否小于设定的弯曲度阈值,若是则准边界线确定为图像边界线,若否则准边界线为干扰曲线。
但是在复杂的水面场景中,水面容易受到风浪等影响,按照梯度获得的边界将不仅仅是水色异常边界,还夹杂其他众多的伪边界,而且由于边界之间相互交叉干扰,边界的连续性被破坏,同时区别与上述《一种图像边界线的检测方法及系统》的申请,其无法通过计算标准化边界线的弯曲度进行确定目标边界线,检测获取的水体污染边界准确性较差,为此本申请提供基于无人机的水流登记单元界线核实方法。
发明内容
本发明的目的是提供基于无人机的水流登记单元界线核实方法,以解决现有技术中的上述不足之处。
为了实现上述目的,本发明提供如下技术方案:基于无人机的水流登记单元界线核实方法,其用于对无人机航拍的水面图像中水色异常区域边界线进行处理并核实,包括以下步骤:
S1:调用无人机水流登记单元采集的数据,计算水面波浪最大间隔变化时间,然后间隔/>时间段获取无人机航拍的两张河道水面图像,并对获取的水面图像进行边缘提取得到边缘图像,其中边缘图像上包括多个边界线和目标像素点;
S2:以任意一个边缘图像为基准边缘图像,计算两个边缘图像上边界线位置数据,保留基准边缘图像上位置数据与另一个边缘图像位置数据相近的边界线,去除其它风浪伪边界线,获得预处理后的基准边缘图像;
S3:以基准边缘图像各边界线为基线设定检测区域,并计算检测区域内像素点系数K,然后计算检测区域像素点系数阈值;
S4:比较各边界线检测区域内像素点系数K与阈值系数,当/>,则当前检测区域内的边界线为风浪伪边界线,并将该检测区域内风浪伪边界线去除;
S5:提取边缘图像上剩下的边界线的位置信息,然后基于位置信息对各边界线进行实地核实以确定水色异常区域边界信息。
作为上述技术方案的进一步描述:所述步骤S1中计算水面波浪最大间隔变化时间的计算公式为:/>;
其中,L为水面波浪间距,V为水面波浪的移动速度。
作为上述技术方案的进一步描述:所述步骤S1中间隔时间段获取无人机航拍的两张水面图像为同一水面区域的位置图像,且水面图像中包含水体异常区域。
作为上述技术方案的进一步描述:所述步骤S2具体包括以下步骤:
S2.1:在基准边缘图像上与各边界线垂直方向建立一个刻度坐标,顺序计算基准边缘图像上各个边界线与刻度坐标交叉点位置数据,获取位置数据集合U1=[、/>、/>...../>],其中一个位置数据对应一个边界线;同样获取另一个边缘图像上位置数据集合U2=[/>、/>、/>...../>];
S2.2:将数据集合U1和U2进行比较,获取位置数据集合U1与位置数据集合U2中相似位置数据集合Ux,其中相似位置数据集合Ux中位置数据对应的边界线为目标边界线;
S2.3:保留基准边缘图像上相似位置数据集合Ux中位置数据对应的目标边界线,获得预处理后的基准边缘图像。
作为上述技术方案的进一步描述:设定检测区域,并计算检测区域内像素点系数K包括以下步骤:S3.1:以边界线为基准线,向两侧延伸f长度距离获取一个矩形检测区域,其中;即使得向基准线两侧延伸的位置不穿过初始时相邻风浪伪边界线之间的中线,防止出现干扰,然后统计检测区域内像素点个数/>;
S3.2:计算检测区域内像素点系数,/>,其中,/>为边界线长度。
作为上述技术方案的进一步描述:计算检测区域像素点阈值系数具体为:在基准边缘图像上没有边界线的区域提取一个测算区域,并统计测算区域内像素点个数/>以及测算区域的面积/>,然后通过计算公式/>,计算检测区域像素点数量阈值/>的值。
作为上述技术方案的进一步描述:所述步骤S1中将水面图像进行边缘提取得到边缘图像具体为:计算水面图像中每个像素点的梯度幅值,获取水面图像中的所有目标像素点;检测水面图像上沿河垂直方向的目标像素点得到待检测图像的边界线。
作为上述技术方案的进一步描述:所述步骤S5中提取边缘图像上边界线的位置信息具体为:
S5.1:在边缘图像上录入经纬度坐标数据;
S5.2:基于录入的经纬度坐标数据自动识别边缘图像上各个边界线的位置信息。
作为上述技术方案的进一步描述:所述步骤4中比较各边界线检测区域内像素点系数K与阈值系数,当/>,则认定当前检测区域内的边界线为目标边界线。
作为上述技术方案的进一步描述:将数据集合U1和U2进行比较,获取位置数据集合U1与位置数据集合U2中相似位置数据集合Ux具体为:将数据集合U1中各边界线位置数据与数据集合U2中各边界线位置数据进行比较,当两者差值小于额定值P时,则认定当前位置数据对应的边界线为目标边界线,并存入数据集合Ux中,其中额定值P为预设值。
在上述技术方案中,本发明提供的基于无人机的水流登记单元界线核实方法,具备以下有益效果:
该基于无人机的水流登记单元接线核实方法通过计算水面波浪最大间隔变化时间,并间隔/>时间获取两张河道水面图像进行边缘检测提取到两张水面图像的边缘图像,然后通过比对两者边缘图像上分界线的位置变化以实现对风浪伪边界线进行识别剔除,实现保留两张边缘图像中位置数据相近的边界线,实现初步快速有效的去除大量的风浪伪边界线,显著检索后续二次去除风浪伪边界线的计算量,提高工作效率,同时通过计算水面波浪最大间隔变化时间/>进行检测采集两张水面图像,显著提高对风浪伪边界线去除的准确性。
附图说明
为了更清楚地说明本申请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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供基于无人机的水流登记单元界线核实方法示意图。
实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图对本发明作进一步的详细介绍。
请参阅图1,本发明实施例提供一种技术方案:基于无人机的水流登记单元界线核实方法,其用于对无人机航拍的水面图像中水色异常区域边界线进行处理并核实,具体的,无人机对河道进行航拍获取水平图像信息并进行检测获取相关水流数据,同时将获取的水面图像信相关水流数据储存在水流登记单元中,为后续对数据进行处理分析提供数据支持,包括以下步骤:
S1:调用无人机水流登记单元采集的数据,计算水面波浪最大间隔变化时间,水面上波浪移动最大间距的变化时间/>,即在/>这个时段前后水面上波浪移动间距最大,然后间隔/>时间段获取无人机航拍的两张河道水面图像,并对获取的水面图像边缘检测提取得到边缘图像,其中获取的边缘图像上包括多个边界线和目标像素点;此时获取的边界线中夹杂着众多的风浪伪边界线,其中风浪伪边界线为水面风浪在进行边缘检测提取到边缘图像产生的边界线;
S2:以任意一个边缘图像为基准边缘图像,计算两个边缘图像上边界线位置数据,保留基准边缘图像上位置数据与另一个边缘图像位置数据相近的边界线,去除其它风浪伪边界线,获得预处理后的基准边缘图像;风浪指的是在风的作用下产生的水面波动,具有较规则的外形,排列整齐,并进行扩散,波面粗糙,且波峰附近有浪花或泡沫,由于风浪扩散是动态进行移动的,即风浪伪边界线是动态移动的,而目标边界线(目标分界线为水色异常区域分界线,也就是水体异常区域分界线)相较于风浪伪边界线接近与静止状态,通过计算水面波浪最大间隔变化时间,并间隔/>时间获取两张河道水面图像进行边缘检测提取到两张水面图像的边缘图像,然后通过比对两者边缘图像上分界线的位置变化以实现对风浪伪边界线进行识别剔除,从而实现保留两张边缘图像中位置数据相近的边界线,实现初步快速有效的去除大量的风浪伪边界线,显著检索后续二次去除风浪伪边界线的计算量,提高工作效率,同时通过计算水面波浪最大间隔变化时间/>进行检测采集两张水面图像,显著提高对风浪伪边界线去除的准确性。
S3:以基准边缘图像各边界线为基线设定检测区域,并计算检测区域内像素点系数K,然后计算检测区域像素点系数阈值;
S4:比较各边界线检测区域内像素点系数K与阈值系数,当/>,则当前检测区域内的边界线为风浪伪边界线,并将该检测区域内风浪伪边界线去除;如上述说明的,风浪波面粗糙,且波峰附近有浪花或泡沫使得在对水面图像进行边缘检测提取到边缘图像中,位于风浪伪边界线附近区域会出现大量的目标像素点,而目标边界线(即水体异常区域分界线)的附近区域只有正常水面产生的目标像素点,通过在各边界线附近划定检测区域并计算检测区域像素点系数K,同时计算检测区域像素点系数阈值/>,比较检测区域内像素点系数K与阈值系数/>,当/>,则认定当前检测区域内的边界线为目标边界线,当,则当前检测区域内的边界线为风浪伪边界线,并将该检测区域内风浪伪边界线去除,实现二次去除风浪伪边界线,通过双重方式两次对风浪伪边界线进行去除,实现将提取得到的边缘图像上大量的风浪伪边界线去除,为对水色异常区域实地核实提供数据支持,便于后续对水色异常区域边界信息进行实地核实,显著降低实地核实的工作量,显著提高了工作的效率。
S5:提取边缘图像上剩下的边界线的位置信息,然后基于位置信息对各边界线进行实地核实以确定水色异常区域边界信息。
本发明提供的再一个实施例中,步骤S1中计算水面波浪最大间隔变化时间的计算公式为:/>;
其中,L为水面波浪间距,V为水面波浪的移动速度,且水面波浪间距L和水面波浪的移动速度V的数值通过无人机进行测取并储存在水流登记单元,可以直接从水流登记单元中进行提取获得,步骤S1中间隔
时间段获取无人机航拍的两张水面图像为同一水面区域的位置图像,即两张位置图像拍摄的角度、位置、区域和环境均一致,且水面图像中包含水体异常区域。
本发明提供的再一个实施例中,步骤S2具体包括以下步骤:
S2.1:在基准边缘图像上与各边界线垂直方向建立一个刻度坐标,顺序计算基准边缘图像上各个边界线与刻度坐标交叉点位置数据,获取位置数据集合U1=[、/>、/>...../>],其中一个位置数据对应一个边界线;同样获取另一个边缘图像上位置数据集合U2=[/>、/>、/>...../>];S2.2:将数据集合U1和U2进行比较,获取位置数据集合U1与位置数据集合U2中相似位置数据集合Ux,其中相似位置数据集合Ux中位置数据对应的边界线为目标边界线;S2.3:保留基准边缘图像上相似位置数据集合Ux中位置数据对应的目标边界线,获得预处理后的基准边缘图像。进一步的,步骤S2中在对两个边缘图像上个边界线的位置数据进行计算时,通过在各边界线垂直方向建立刻度坐标,从而计算各个边界线与刻度坐标交叉点的位置数据,通过获取同一刻度坐标上各个边界线同一位置点的位置数据进行比对,即实现对两组边缘图像上各个边界线的位置数据进行比对,实现剔除风浪伪边界线,无需对大量的边界线具体位置进行测算比对,显著降低的运算量,提高位置数据计算和比对的效率。
本发明提供的再一个实施例中,设定检测区域,并计算检测区域内像素点系数K包括以下步骤:
S3.1:以边界线为基准线,向两侧延伸f长度距离获取一个矩形检测区域,其中;即使得向基准线两侧延伸的位置不穿过初始时相邻风浪伪边界线之间的中线,防止出现干扰,然后统计检测区域内像素点个数/>;
S3.2:计算检测区域内像素点系数,/>,其中,/>为边界线长度。
计算检测区域像素点阈值系数具体为:在基准边缘图像上没有边界线的区域提取一个测算区域,并统计测算区域内像素点个数/>以及测算区域的面积/>,然后通过计算公式/>,计算检测区域像素点数量阈值/>的值。
本发明提供的再一个实施例中,步骤S1中将水面图像进行边缘提取得到边缘图像具体为:计算水面图像中每个像素点的梯度幅值,获取水面图像中的所有目标像素点;检测水面图像上沿河垂直方向的目标像素点得到待检测图像的边界线。
本发明提供的再一个实施例中,步骤S5中提取边缘图像上边界线的位置信息具体为:S5.1:在边缘图像上录入经纬度坐标数据;S5.2:基于录入的经纬度坐标数据自动识别边缘图像上各个边界线的位置信息。
本发明提供的再一个实施例中,将数据集合U1和U2进行比较,获取位置数据集合U1与位置数据集合U2中相似位置数据集合Ux具体为:将数据集合U1中各边界线位置数据与数据集合U2中各边界线位置数据进行比较,当两者差值小于额定值P时,则认定当前位置数据对应的边界线为目标边界线,并存入数据集合Ux中,其中额定值P为预设值。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (8)
1.基于无人机的水流登记单元界线核实方法,其用于对无人机航拍的水面图像中水色异常区域边界线进行处理并核实,其特征在于,包括以下步骤:
S1:调用无人机水流登记单元采集的数据,计算水面波浪最大间隔变化时间Tmax,然后间隔Tmax时间段获取无人机航拍的两张河道水面图像,并对获取的水面图像边缘检测提取得到边缘图像;
S2:以任意一个边缘图像为基准边缘图像,计算两个边缘图像上边界线位置数据,保留基准边缘图像上位置数据与另一个边缘图像位置数据相近的边界线,去除其它风浪伪边界线,获得预处理后的基准边缘图像;
S3:以基准边缘图像各边界线为基线设定检测区域,并计算检测区域内像素点系数K,然后计算检测区域像素点系数阈值Ke;
S4:比较各边界线检测区域内像素点系数K与阈值系数Ke,当K>Ke,则当前检测区域内的边界线为风浪伪边界线,并将该检测区域内风浪伪边界线去除;
S5:提取边缘图像上剩下的边界线的位置信息,然后基于位置信息对各边界线进行实地核实以确定水色异常区域边界信息;
设定检测区域,并计算检测区域内像素点系数K包括以下步骤:
S3.1:以边界线为基准线,向两侧延伸f长度距离获取一个矩形检测区域,其中L为水面波浪间距,然后统计检测区域内像素点个数M;
S3.2:计算检测区域内像素点系数K,其中,m为边界线长度;
计算检测区域像素点阈值系数Ke具体为:
在基准边缘图像上没有边界线的区域提取一个测算区域,并统计测算区域内像素点个数Me以及测算区域的面积S,然后通过计算公式计算检测区域像素点数量阈值Ke的值。
2.根据权利要求1所述的基于无人机的水流登记单元界线核实方法,其特征在于,所述步骤S1中计算水面波浪最大间隔变化时间Tmax的计算公式为:
其中,L为水面波浪间距,V为水面波浪的移动速度。
3.根据权利要求1所述的基于无人机的水流登记单元界线核实方法,其特征在于,所述步骤S1中间隔Tmax时间段获取无人机航拍的两张水面图像为同一水面区域的位置图像,且水面图像中包含水体异常区域。
4.根据权利要求1所述的基于无人机的水流登记单元界线核实方法,其特征在于,所述步骤S2具体包括以下步骤:
S2.1:在基准边缘图像上与各边界线垂直方向建立一个刻度坐标,顺序计算基准边缘图像上各个边界线与刻度坐标交叉点位置数据,获取位置数据集合U1=[X1、X2、X3.....Xn],其中一个位置数据对应一个边界线;同样获取另一个边缘图像上位置数据集合U2=[X′1、X’2、X’3.....X’n];
S2.2:将数据集合U1和U2进行比较,获取位置数据集合U1与位置数据集合U2中相似位置数据集合Ux,其中相似位置数据集合Ux中位置数据对应的边界线为目标边界线;
S2.3:保留基准边缘图像上相似位置数据集合Ux中位置数据对应的目标边界线,获得预处理后的基准边缘图像。
5.根据权利要求1所述的基于无人机的水流登记单元界线核实方法,其特征在于,所述步骤S1中将水面图像进行边缘提取得到边缘图像具体为:计算水面图像中每个像素点的梯度幅值,获取水面图像中的所有目标像素点;检测水面图像上沿河垂直方向的目标像素点得到待检测图像的边界线。
6.根据权利要求1所述的基于无人机的水流登记单元界线核实方法,其特征在于,所述步骤S5中提取边缘图像上边界线的位置信息具体为:
S5.1:在边缘图像上录入经纬度坐标数据;
S5.2:基于录入的经纬度坐标数据自动识别边缘图像上各个边界线的位置信息。
7.根据权利要求1所述的基于无人机的水流登记单元界线核实方法,其特征在于,所述步骤S4中比较各边界线检测区域内像素点系数K与阈值系数Ke,当K≤Ke,则认定当前检测区域内的边界线为目标边界线。
8.根据权利要求4所述的基于无人机的水流登记单元界线核实方法,其特征在于,将数据集合U1和U2进行比较,获取位置数据集合U1与位置数据集合U2中相似位置数据集合Ux具体为:将数据集合U1中各边界线位置数据与数据集合U2中各边界线位置数据进行比较,当两者差值小于额定值P时,则认定当前位置数据对应的边界线为目标边界线,并存入数据集合Ux中,其中额定值P为预设值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856027.XA CN116758106B (zh) | 2023-07-13 | 2023-07-13 | 基于无人机的水流登记单元界线核实方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856027.XA CN116758106B (zh) | 2023-07-13 | 2023-07-13 | 基于无人机的水流登记单元界线核实方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758106A CN116758106A (zh) | 2023-09-15 |
CN116758106B true CN116758106B (zh) | 2024-02-27 |
Family
ID=87951370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310856027.XA Active CN116758106B (zh) | 2023-07-13 | 2023-07-13 | 基于无人机的水流登记单元界线核实方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758106B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011243161A (ja) * | 2010-05-21 | 2011-12-01 | Denso Corp | 車線境界検出装置、車線境界検出プログラム |
CN104700387A (zh) * | 2013-12-09 | 2015-06-10 | 方正国际软件(北京)有限公司 | 一种图像边界线的检测方法及系统 |
WO2016192494A1 (zh) * | 2015-05-29 | 2016-12-08 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CA3119812A1 (en) * | 2018-12-10 | 2020-06-18 | The Climate Corporation | Mapping field anomalies using digital images and machine learning models |
CN113343908A (zh) * | 2021-06-28 | 2021-09-03 | 江苏省环境监测中心 | 一种基于msi影像的水色异常区域识别方法及系统 |
CN114913440A (zh) * | 2022-06-10 | 2022-08-16 | 国网江苏省电力有限公司泰州供电分公司 | 一种无人机巡检图像边界特征精准定位方法 |
CN115100439A (zh) * | 2022-07-15 | 2022-09-23 | 广东瑞恩科技有限公司 | 一种用于水产养殖的水体异常检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10402671B2 (en) * | 2016-03-28 | 2019-09-03 | General Dynamics Mission Systems, Inc. | System and methods for automatic solar panel recognition and defect detection using infrared imaging |
WO2021069967A1 (en) * | 2019-10-08 | 2021-04-15 | Mobileye Vision Technologies Ltd. | Systems and methods for vehicle navigation |
-
2023
- 2023-07-13 CN CN202310856027.XA patent/CN116758106B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011243161A (ja) * | 2010-05-21 | 2011-12-01 | Denso Corp | 車線境界検出装置、車線境界検出プログラム |
CN104700387A (zh) * | 2013-12-09 | 2015-06-10 | 方正国际软件(北京)有限公司 | 一种图像边界线的检测方法及系统 |
WO2016192494A1 (zh) * | 2015-05-29 | 2016-12-08 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CA3119812A1 (en) * | 2018-12-10 | 2020-06-18 | The Climate Corporation | Mapping field anomalies using digital images and machine learning models |
CN113343908A (zh) * | 2021-06-28 | 2021-09-03 | 江苏省环境监测中心 | 一种基于msi影像的水色异常区域识别方法及系统 |
CN114913440A (zh) * | 2022-06-10 | 2022-08-16 | 国网江苏省电力有限公司泰州供电分公司 | 一种无人机巡检图像边界特征精准定位方法 |
CN115100439A (zh) * | 2022-07-15 | 2022-09-23 | 广东瑞恩科技有限公司 | 一种用于水产养殖的水体异常检测方法 |
Non-Patent Citations (2)
Title |
---|
Deep learning-based water quality estimation and anomaly detection using Landsat-8/Sentinel-2 virtual constellation and cloud computing;Kyle T. Peterson等;《GIScience & Remote Sensing》;第57卷;510-525 * |
全自主智能无人机在河道治理工程中的应用;严国辉;《水利科技与经济》;第27卷(第4期);105-110 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758106A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220148213A1 (en) | Method for fully automatically detecting chessboard corner points | |
CN103714541A (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN111539938B (zh) | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 | |
CN112149667A (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN113469178B (zh) | 一种基于深度学习的电力表计识别方法 | |
CN109165603B (zh) | 一种舰船检测方法及装置 | |
CN109029203A (zh) | 一种基于数字图像处理的半自动测量物体尺寸装置 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN116824516B (zh) | 一种涉路施工安全监测及管理系统 | |
CN105405134A (zh) | 一种相机检校标志中心坐标提取方法 | |
CN116883887A (zh) | 一种针对红外视频的泄漏气体检测方法 | |
CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN105654082B (zh) | 字符识别后处理方法、设备及包括该设备的图像拾取设备 | |
CN107403429B (zh) | 一种周期序列图像模型参数的快速自动获取方法 | |
CN116758106B (zh) | 基于无人机的水流登记单元界线核实方法 | |
CN112036232B (zh) | 一种图像表格结构识别方法、系统、终端以及存储介质 | |
CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN102262782A (zh) | 一种利用cfa重采样插值定位拼接的数字图像取证方法 | |
CN104573698A (zh) | 面向成像测量的图像纹理主方向识别方法 | |
CN110135382B (zh) | 一种人体检测方法和装置 | |
CN116957935A (zh) | 基于航迹线约束的侧扫声呐条带图像拼接方法 | |
CN108037503B (zh) | 一种面向家居板材上下料的基于激光雷达的平面多板材定位方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN114202508A (zh) | 一种适应多品种瓷砖表面缺陷凸显的检测方法及系统 |
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 |