CN117058222A - 一种tbm岩渣形态识别方法及系统 - Google Patents
一种tbm岩渣形态识别方法及系统 Download PDFInfo
- Publication number
- CN117058222A CN117058222A CN202310921948.XA CN202310921948A CN117058222A CN 117058222 A CN117058222 A CN 117058222A CN 202310921948 A CN202310921948 A CN 202310921948A CN 117058222 A CN117058222 A CN 117058222A
- Authority
- CN
- China
- Prior art keywords
- slag
- rock
- pixel
- rock slag
- tbm
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 82
- 239000002893 slag Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013049 sediment Substances 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000010363 phase shift Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000005641 tunneling Effects 0.000 abstract description 7
- 230000008447 perception Effects 0.000 abstract description 4
- 208000022971 Tuberculous meningitis Diseases 0.000 description 20
- 208000001223 meningeal tuberculosis Diseases 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 4
- 238000010587 phase diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种TBM岩渣形态识别方法及系统,包括:获取经不同频率的结构光照射的岩渣深度图像,对岩渣深度图像中的结构光进行解码,得到各像素点的绝对相位,以此对像素点进行相位匹配;根据匹配的像素对计算视差值,根据像素点对应的视差值得到像素点对应的深度,以此得到各像素点的三维坐标,并构建得到三维点云图;获取无结构光照射的岩渣彩色图像,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云;对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类。满足TBM掘进过程中岩渣尺寸快速感知的工程需求,提高识别准确率和识别效率。
Description
技术领域
本发明涉及隧道掘进机施工技术领域,特别是涉及一种TBM岩渣形态识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在TBM掘进过程中,隧道掌子面受滚刀挤压作用,其内部形成横向或纵向的裂纹;当相邻裂缝交汇或延伸至边界时,岩块从掌子面上剥落形成岩渣,随后经由TBM岩渣传送皮带机运至洞外。岩渣形态在表征围岩条件方面具有较高参考价值,与TBM掘进状态存在密切联系。岩渣形态可以为现场作业人员提供对前方岩体直观的判别依据,也是对TBM掘进状态和滚刀磨损状态的重要表征。
尽管当前TBM大多配备有用于监控运渣皮带机的录像设备,可实时查看TBM出渣情况。然而,这种观察仍依赖人工,自动化程度较低且停留在定性层面,对于岩渣的形态与尺寸难以做到高效、客观与定量评价;在岩渣的点荷载强度测试中,也需要人工进行待测岩渣的尺寸识别与记录,受制于人工测量的误差和大样本检测的需求。
发明内容
为了解决上述问题,本发明提出了一种TBM岩渣形态识别方法及系统,满足TBM掘进过程中岩渣尺寸快速感知的工程需求,提高识别准确率和识别效率。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种TBM岩渣形态识别方法,包括:
获取经不同频率的结构光照射的岩渣深度图像,对岩渣深度图像中的结构光进行解码,得到各像素点的绝对相位,以此对像素点进行相位匹配;
根据匹配的像素对计算视差值,根据像素点对应的视差值得到像素点对应的深度,以此得到各像素点的三维坐标,并构建得到三维点云图;
获取无结构光照射的岩渣彩色图像,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云;
对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类。
作为可选择的实施方式,所述解码的过程为:所述结构光经多频外差法编码,对岩渣深度图像中的结构光按照三频四步外差的相位展开方式进行解码,其中三频指采用三种不同频率的结构光,四步指固定光栅频率,对相位进行四步相移。
作为可选择的实施方式,采用双目相机采集岩渣深度图像,则相位匹配为对左相位图中的点,遍历右相位图的对应行,找到绝对相位相等的点。
作为可选择的实施方式,所述视差值为像素对中两个像素点的X轴坐标差,再根据相机焦距得到像素点对应的深度。
作为可选择的实施方式,在识别过程中,通过区域分割划分背景区域和目标区域,由此勾勒出目标岩渣的形态,并识别目标岩渣的形态分类,即片状或块状,判断目标岩渣的种类。
作为可选择的实施方式,经区域分割后得到二值化图像,其中黑白交界处为外轮廓,根据目标岩渣各个点的坐标,对外轮廓点进行筛选后得到中心点,该中心点为点荷载强度试验中的点荷载加载点。
作为可选择的实施方式,通过求过中心点到边界的最小尺寸方向,得到点荷载加载方向,通过求垂直于加载方向,过中心点且两端边界的最小距离,得到过加载点的最小截面宽度。
第二方面,本发明提供一种TBM岩渣形态识别系统,包括:
解码模块,被配置为获取经不同频率的结构光照射的岩渣深度图像,对岩渣深度图像中的结构光进行解码,得到各像素点的绝对相位,以此对像素点进行相位匹配;
点云构建模块,被配置为根据匹配的像素对计算视差值,根据像素点对应的视差值得到像素点对应的深度,以此得到各像素点的三维坐标,并构建得到三维点云图;
匹配模块,被配置为获取无结构光照射的岩渣彩色图像,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云;
识别模块,被配置为对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
针对适用于TBM掘进过程中岩渣尺寸快速感知的工程需求,本发明提出一种TBM岩渣形态识别方法及系统,获取经不同频率的结构光照射的岩渣深度图像,并进行解码得到各像素点的绝对相位,然后根据相位匹配和三角测量原理计算出各像素点在主相机坐标系下的三维坐标,由此构建得到三维点云图,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云,对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类,在点云中完成定位,对齐保证坐标系统一,提高识别准确率和识别效率。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的TBM岩渣形态识别方法流程图;
图2为本发明实施例1提供的视差值与深度映射示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
针对适用于TBM掘进过程中岩渣尺寸快速感知的工程需求,本实施例提出一种TBM岩渣形态识别方法,如图1所示,包括:
获取经不同频率的结构光照射的岩渣深度图像,对岩渣深度图像中的结构光进行解码,得到各像素点的绝对相位,以此对像素点进行相位匹配;
根据匹配的像素对计算视差值,根据像素点对应的视差值得到像素点对应的深度,以此得到各像素点的三维坐标,并构建得到三维点云图;
获取无结构光照射的岩渣彩色图像,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云;
对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类。
在本实施例中,基于双目结构光视觉的图像拾取,利用立体视觉计算像素点对应的深度;具体地:
(1)立体视觉的实施首先要进行双目相机的标定,得到相机内外参,该参数用于后续点云坐标的计算;
(2)由投影仪向被测物体发射按照多频外差法编码的结构光,以增加被测物体的表面纹理信息;
其中,多频外差法编码方式为:
其中,为第j个光栅频率、第i步相移下像素点(x,y)处的灰度值;b为光栅相移函数的振幅;a表示为了消除振幅b带来的负灰度而引入的补偿值;W为光栅相移图像的宽度,一般情况下与投影设备分辨率的宽度相等;fj为正弦光栅频率,即光栅条纹周期的个数;/>为第i步相移图像的相位。
在投影设备投射光栅的过程中,a、b、W均保持不变,只有光栅频率fj与相位产生周期性变化。
(3)由双目相机采集经不同频率的结构光照射的岩渣深度图像,并对岩渣深度图像中的结构光按照三频四步外差的相位展开方式进行解码;三频指采用3种不同频率的结构光,四步指固定光栅频率,对相位进行四步相移;
由此,经过解码后得到各像素点的绝对相位,然后根据相位匹配和三角测量原理计算出各像素点在主相机坐标系下的三维坐标;三维坐标计算过程如下:
(1)相位匹配;即,对左相位图中的点A,遍历右相位图对应行,找到绝对相位与其相近的点A',这两个点即为立体匹配得到的左右图像对应点,可以用于后续计算视差与点云构建的过程。
(2)视差计算;经像素立体匹配后,设左相机视野中点Pl(xl,y)与右相机视野中点Pr(xr,,y)建立了匹配,由此计算出左相机图像点P(x,y)对应的视差值disprity:disprity=xl-xr。
(3)像素与点云映射;得到像素点对应的视差值后,计算当前像素点对应的深度。
视差值与深度是一一对应的关系,如图2所示,Ol、Or为左右相机坐标系原点,cl、cr为左右相机主点,Z为Р点的深度值,T为光心OlOr基线距离,立体矫正后,左右相机的焦距均为f,为相机内参。
由三角形相似原理建立如下关系:
化简可得:其中,d为像素点对应的视差值;
进一步,将二维像素坐标映射到三维空间中,像素点的三维坐标为:
至此完成像素点三维坐标的计算,由此便可构建得到三维点云图。
在本实施例中,关闭投影仪,利用主相机采集无结构光照射的岩渣彩色图像,根据该图像获取物体表面的真实色彩纹理信息;然后,结合三维点云图,通过像素点的对齐关系,得到彩色点云。
在本实施例中,在进行目标识别时,首先基于YOLOv3目标检测网络以及前期人工标注的大量包含标签的训练集图片,利用有监督深度学习得到最佳的神经网络参数,由此得到训练后的神经网络,可识别出目标岩渣的位置,以矩形框形式标记各个碎石的位置及尺寸;
通过区域分割划分背景区域和目标区域,勾勒出目标岩渣的形态,识别目标岩渣的形态分类,即片状或块状,判断岩石种类,估算目标岩渣的大致重量。
经区域分割后,得到二值化图像,其中黑白交界处即为碎石的外轮廓;根据目标岩渣的各个点的坐标,对外轮廓点进行处理和筛选后,得到中心点,该中心点即为点荷载强度试验中的点荷载加载点;
中心点计算过程如下:
设外轮廓点共有n个,其在图像像素坐标系下的坐标分别为(x1,y1),(x2,y2)......(xn,yn),那么中心点的坐标(xc,yc)为:
通过遍历算法求其过中心点到边界的最小尺寸方向,即为点荷载加载方向,通过遍历算法求垂直于加载方向,过中心点且两端边界的最小距离,即为过加载点的最小截面宽度。
实施例2
本实施例提供一种TBM岩渣形态识别系统,包括:
解码模块,被配置为获取经不同频率的结构光照射的岩渣深度图像,对岩渣深度图像中的结构光进行解码,得到各像素点的绝对相位,以此对像素点进行相位匹配;
点云构建模块,被配置为根据匹配的像素对计算视差值,根据像素点对应的视差值得到像素点对应的深度,以此得到各像素点的三维坐标,并构建得到三维点云图;
匹配模块,被配置为获取无结构光照射的岩渣彩色图像,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云;
识别模块,被配置为对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种TBM岩渣形态识别方法,其特征在于,包括:
获取经不同频率的结构光照射的岩渣深度图像,对岩渣深度图像中的结构光进行解码,得到各像素点的绝对相位,以此对像素点进行相位匹配;
根据匹配的像素对计算视差值,根据像素点对应的视差值得到像素点对应的深度,以此得到各像素点的三维坐标,并构建得到三维点云图;
获取无结构光照射的岩渣彩色图像,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云;
对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类。
2.如权利要求1所述的一种TBM岩渣形态识别方法,其特征在于,所述解码的过程为:所述结构光经多频外差法编码,对岩渣深度图像中的结构光按照三频四步外差的相位展开方式进行解码,其中三频指采用三种不同频率的结构光,四步指固定光栅频率,对相位进行四步相移。
3.如权利要求1所述的一种TBM岩渣形态识别方法,其特征在于,采用双目相机采集岩渣深度图像,则相位匹配为对左相位图中的点,遍历右相位图的对应行,找到绝对相位相等的点。
4.如权利要求1所述的一种TBM岩渣形态识别方法,其特征在于,所述视差值为像素对中两个像素点的X轴坐标差,再根据相机焦距得到像素点对应的深度。
5.如权利要求1所述的一种TBM岩渣形态识别方法,其特征在于,在识别过程中,通过区域分割划分背景区域和目标区域,由此勾勒出目标岩渣的形态,并识别目标岩渣的形态分类,即片状或块状,判断目标岩渣的种类。
6.如权利要求5所述的一种TBM岩渣形态识别方法,其特征在于,经区域分割后得到二值化图像,其中黑白交界处为外轮廓,根据目标岩渣各个点的坐标,对外轮廓点进行筛选后得到中心点,该中心点为点荷载强度试验中的点荷载加载点。
7.如权利要求6所述的一种TBM岩渣形态识别方法,其特征在于,通过求过中心点到边界的最小尺寸方向,得到点荷载加载方向,通过求垂直于加载方向,过中心点且两端边界的最小距离,得到过加载点的最小截面宽度。
8.一种TBM岩渣形态识别系统,其特征在于,包括:
解码模块,被配置为获取经不同频率的结构光照射的岩渣深度图像,对岩渣深度图像中的结构光进行解码,得到各像素点的绝对相位,以此对像素点进行相位匹配;
点云构建模块,被配置为根据匹配的像素对计算视差值,根据像素点对应的视差值得到像素点对应的深度,以此得到各像素点的三维坐标,并构建得到三维点云图;
匹配模块,被配置为获取无结构光照射的岩渣彩色图像,对岩渣彩色图像与三维点云图进行像素点对齐后,得到彩色点云;
识别模块,被配置为对彩色点云采用训练后的神经网络识别得到目标岩渣的位置、尺寸及种类。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921948.XA CN117058222A (zh) | 2023-07-25 | 2023-07-25 | 一种tbm岩渣形态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921948.XA CN117058222A (zh) | 2023-07-25 | 2023-07-25 | 一种tbm岩渣形态识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117058222A true CN117058222A (zh) | 2023-11-14 |
Family
ID=88658063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921948.XA Pending CN117058222A (zh) | 2023-07-25 | 2023-07-25 | 一种tbm岩渣形态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058222A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117760332A (zh) * | 2024-02-22 | 2024-03-26 | 南京派光智慧感知信息技术有限公司 | 一种用于监测隧道变形的方法、介质及设备 |
-
2023
- 2023-07-25 CN CN202310921948.XA patent/CN117058222A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117760332A (zh) * | 2024-02-22 | 2024-03-26 | 南京派光智慧感知信息技术有限公司 | 一种用于监测隧道变形的方法、介质及设备 |
CN117760332B (zh) * | 2024-02-22 | 2024-05-07 | 南京派光智慧感知信息技术有限公司 | 一种用于监测隧道变形的方法、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
US8121400B2 (en) | Method of comparing similarity of 3D visual objects | |
US7471809B2 (en) | Method, apparatus, and program for processing stereo image | |
CN103959307B (zh) | 从灰度图像中检测和描述特征的方法 | |
Rashidi et al. | Innovative stereo vision-based approach to generate dense depth map of transportation infrastructure | |
CN109801333B (zh) | 体积测量方法、装置、系统及计算设备 | |
JP5404263B2 (ja) | 視差算出方法、および視差算出装置 | |
CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
CN104048969A (zh) | 一种隧道病害的识别方法 | |
CN104685513A (zh) | 根据使用阵列源捕捉的低分辨率图像的基于特征的高分辨率运动估计 | |
CN105335955A (zh) | 对象检测方法和对象检测装置 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
Ranft et al. | Modeling arbitrarily oriented slanted planes for efficient stereo vision based on block matching | |
CN117058222A (zh) | 一种tbm岩渣形态识别方法及系统 | |
Haq et al. | Stereo-based 3D reconstruction of potholes by a hybrid, dense matching scheme | |
JP2020134187A (ja) | 傷検査装置および方法 | |
WO2021108626A1 (en) | System and method for correspondence map determination | |
JP6411188B2 (ja) | ステレオマッチング装置とステレオマッチングプログラムとステレオマッチング方法 | |
El Bouazzaoui et al. | Enhancing rgb-d slam performances considering sensor specifications for indoor localization | |
Dhiman et al. | A multi-frame stereo vision-based road profiling technique for distress analysis | |
CN114332349A (zh) | 一种双目结构光边缘重建方法、系统及存储介质 | |
RU2667026C1 (ru) | Устройство обнаружения уступов и способ обнаружения уступов | |
WO2014054124A1 (ja) | 路面標示検出装置及び路面標示検出方法 | |
CN109063543B (zh) | 一种考虑局部形变的视频车辆重识别方法、系统及装置 | |
CN113884025B (zh) | 增材制造结构光回环检测方法、装置、电子设备和存储介质 |
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 |