CN117576635B - 一种视频识别中线状目标张紧状态的判定方法 - Google Patents
一种视频识别中线状目标张紧状态的判定方法 Download PDFInfo
- Publication number
- CN117576635B CN117576635B CN202410064105.7A CN202410064105A CN117576635B CN 117576635 B CN117576635 B CN 117576635B CN 202410064105 A CN202410064105 A CN 202410064105A CN 117576635 B CN117576635 B CN 117576635B
- Authority
- CN
- China
- Prior art keywords
- target
- judged
- linear
- image
- target 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 239000003129 oil well Substances 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 39
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 239000003208 petroleum Substances 0.000 abstract description 7
- 229910000831 Steel Inorganic materials 0.000 description 22
- 239000010959 steel Substances 0.000 description 22
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开一种视频识别中线状目标张紧状态的判定方法,属于石油井筒作业技术领域。包括:采集包含石油井筒作业场景中待判定线状目标的图像数据,得到原数据集;分别对原数据集中每张图像中的待判定线状目标的外接矩形框进行标注,得到第一训练集;基于卷积神经网络,训练第一训练集,得到目标检测模型;将包含待判定线状目标的图像作为第一目标图像,确定该第一目标图像中待判定线状目标的位置;确定第一目标图像中待判定线状目标的轮廓;判定第一目标图像中的待判定线状目标是否处于张紧状态。本发明普遍适用性高、可行性高,能消除实施难度,以及,提高了线状目标张紧状态判定的精度、准确性,有效减少了误报。
Description
技术领域
本发明具体涉及一种视频识别中线状目标张紧状态的判定方法,属于石油井筒作业技术领域。
背景技术
在石油井筒作业中,因存在高空坠物、机械伤害、物体打击等潜在危险,故通常被认为是一项高风险工作。在进行钻井作业时,虽然规定使用符合标准的设备和工具,并且要求作业人员必须经过专业的培训才能进行操作,但是仍然存在着安全风险,其中,当拉紧的线状目标突然发生断裂即为一项影响重大的安全风险,钢缆为石油井筒作业场景中常见的线状目标之一,拉紧的钢缆突然发生断裂时,会对附近的作业人员造成严重的人身伤害。为避免或降低上述风险对作业人员造成的人身伤害,需要在钢缆处于张紧状态时对周围作业人员作出提醒,提示其离开危险区域。
钢缆是否处于张紧状态,传统的判定方法包括:在钢缆上安装传感器进行测量,或在钢缆上安装电极运用电信号进行测量,或使用声波进行判定,或使用激光雷达进行判定,但在工况复杂、条件恶劣的作业环境中,难以保证前述方法所涉及的硬件设备正常运行、符合防爆要求,因此,前述方法在实际应用中实施难度大且可行性差。此外,传统的判定方法还包括基于视觉的判定方法,由于线状目标在图像中的占比很小,识别判定较为困难,使得该方法判定精度低,而导致大量误报产生。
发明内容
为了解决现有技术在判断石油井筒作业领域中的线状目标是否处于张紧状态时,实施难度大、可行性差和准确性低下等问题,本发明提出了一种视频识别中线状目标张紧状态的判定方法。
为了实现上述技术目的,提出如下的技术方案:
本技术方案第一目的在于,提供:一种视频识别中线状目标张紧状态的判定方法,包括:
S1:采集包含石油井筒作业场景中待判定线状目标的图像数据,得到原数据集;
其中,所述图像数据的数量至少可使得S2确定出所述待判定线状目标的位置;
所述待判定线状目标包括钢缆;
S2:分别对原数据集中每张图像中的待判定线状目标的外接矩形框进行标注,得到第一训练集;
S3:基于卷积神经网络,训练第一训练集,得到用于检测所述待判定线状目标的外接矩形框的目标检测模型;
S4:将原数据集以外的包含所述待判定线状目标的图像作为第一目标图像,确定该第一目标图像中待判定线状目标的位置,具体包括:
将第一目标图像输入至目标检测模型中,经目标检测模型推理,输出四个坐标x、y、w和h,其中,默认以第一目标图像左上角作为坐标原点,构建直角坐标系;以x和y分别作为左上顶点的横坐标和纵坐标,以w和h分别作为宽度和高度,形成一矩形框,则第一目标图像中的待判定线状目标位于该矩形框内,矩形框实质为目标检测模型推理得到的第一目标图像中的待判定线状目标的外接矩形框,表示该待判定线状目标的粗略位置;
S5:确定第一目标图像中待判定线状目标的轮廓,具体包括:
S5.1将原数据集中每张图像数据中的待判定线状目标的轮廓进行标注,得到第二训练集;
S5.2基于卷积神经网络,训练第二训练集,得到用于检测所述待判定线状目标的轮廓的目标分割模型;
S5.3裁剪步骤S4所得的第一目标图像的外接矩形框,得到w*h像素的图像,作为第二目标图像;
S5.4将第二目标图像输入至目标分割模型中,经目标分割模型推理,输出一组分割掩码,一组分割掩码为与第二目标图像具有相同尺寸的二进制图像,一组分割掩码又包括多个分割掩码,其中,每个分割掩码都一一对应于第二目标图像中的每个像素,每个分割掩码表示其对应像素所属的区域;对每个分割掩码进行二值化,其中,分割掩码的值为0,表示其对应的像素属于所述待判定线状目标的轮廓区域外;分割掩码的值为1,表示其对应的像素属于所述待判定线状目标的轮廓区域内;
S6:判定第一目标图像中的待判定线状目标是否处于张紧状态;
具体包括:
S6.1以第一目标图像左上角为原点,建立直角坐标系,将经步骤S5.4所得取值为1的分割掩码对应的像素的点坐标存入列表中,得到第一目标图像中的待判定线状目标轮廓的列表;
S6.2从列表中选取距离最远的两个点,确定一条直线y=kx+a,其中,x、y分别表示待判定线状目标对应直线的自变量和因变量,k表示待判定线状目标对应直线在坐标系中的斜率,a表示待判定线状目标对应直线在坐标系中的截距;以及,坐标系中,x轴正向向右,y轴正向向下;
如果列表中除距离最远的两个点外,其它点均匀分布在直线两侧,则第一目标图像中的待判定线状目标处于张紧状态;
反之,如果列表中的其它点无规律地分布,则第一目标图像中的待判定线状目标未处于张紧状态;
列表中的其它点是否均匀分布在直线两侧,通过如下方法进行判断:
S6.2.1基于经步骤S5确定的第一目标图像中待判定线状目标的轮廓,得到轮廓的宽度(b);
S6.2.2分别计算列表中的其它点到直线的距离(d),若距离(d)<宽度(b),则距离(d)对应的点处于直线上;
S6.2.3统计列表中处于直线上点的占比,设置阈值,当占比大于阈值时,得出列表中的其它点均匀分布在直线两侧,即第一目标图像中的待判定线状目标处于张紧状态。
本技术方案第二目的在于,提供:一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的视频识别中线状目标张紧状态的判定方法的步骤。
本技术方案第三目的在于,提供:一种视频识别中线状目标张紧状态的判定方法的信息数据处理终端。
采用本技术方案,带来的有益技术效果为:
基于本发明,不需要在作业现场安装部署传感器、雷达等硬件设备,仅需通过摄像头采集石油井筒作业场景中包含待判定线状目标的图像,然后,远程进行标注、训练、推理、分析和判断,因此,本判定方法普遍适用于普通工况的作业环境,同时,适用于工况复杂、条件恶劣的作业环境。为此,本发明提供的判定方法有效提高了线状目标张紧状态判定的普遍适用性,消除现有方法在实际应用中的实施难度,很大程度地提高了可行性;
此外,本发明克服了现有技术因线状目标在图像中的占比小而识别判定困难的问题,即提高了线状目标张紧状态判定的精度、准确性,有效减少了误报。
附图说明
图1为本发明的流程图;
图2为本发明实施例1中原数据集中的图像之一;
图3为图2经外接矩形框标注后所得的图像;
图4为本发明实施例1中原数据集以外的图像之一,经目标检测模型推理得到钢缆外接矩形框的图像;
图5为图2经轮廓标注后所得的图像;
图6为图4经外接矩形框裁剪后所得的图像。
具体实施方式
下面通过对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
本实施例以待判定线状目标为钢缆,提出:一种视频识别中钢缆张紧状态的判定方法(如图1所示),包括:
S1:采集包含石油井筒作业场景中待判定钢缆的图像数据,得到原数据集;
其中,所述图像数据的数量至少可使得下述步骤S2确定出所述待判定钢缆的位置;
S2:分别对原数据集中每张图像中的待判定钢缆的外接矩形框进行标注,得到第一训练集,其中,以原数据集中的图像之一为例(图2),标注后如图3所示;
S3:基于卷积神经网络,训练第一训练集,得到用于检测所述待判定钢缆的外接矩形框的目标检测模型;
S4:将原数据集以外的包含所述待判定钢缆的图像作为第一目标图像,确定该第一目标图像中待判定钢缆的位置,具体包括:
将第一目标图像输入至目标检测模型中,经目标检测模型推理,输出四个坐标(x,y,w,h),其中,默认以第一目标图像左上角作为坐标原点,构建直角坐标系;以x,y分别作为左上顶点的横坐标和纵坐标,以w,h分别作为宽度和高度,形成一矩形框,则第一目标图像中的待判定线状目标位于该矩形框内,矩形框实质为目标检测模型推理得到的第一目标图像中的待判定线状目标的外接矩形框,表示该待判定线状目标的粗略位置;
假定,通过上述步骤S1至步骤S2,得到石油井筒作业场景中如图4所示钢缆对应的目标检测模型。首先,将图4所示的一张完整的1920*1080图像,作为第一目标图像,并将该第一目标图像输入到目标检测模型中,经该目标检测模型推理,输出坐标(x,y,w,h),假定以图4左上角作为坐标原点,构建直角坐标系;其次,以x,y分别作为左上顶点的横坐标和纵坐标,以w,h分别作为宽度和高度,形成一矩形框,则图4所示钢缆位于该矩形框内,该矩形框实质为该目标检测模型推理得到的图4所示钢缆的外接矩形框,即表示图4所示钢缆大致处于该矩形框内;
S5:确定第一目标图像中待判定钢缆的轮廓,具体包括:
S5.1将原数据集中每张图像数据中的待判定线状目标的轮廓进行标注,得到第二训练集,其中,以原数据集中的图像之一为例(图2),标注后如图5所示;
S5.2基于卷积神经网络,训练第二训练集,得到用于检测所述待判定线状目标的轮廓的目标分割模型;
S5.3裁剪经步骤S4所得的第一目标图像的外接矩形框,得到宽(w)*高(h)像素的图像,作为第二目标图像(如图6所示,图6为图4经外接矩形框裁剪后所得);
S5.4将第二目标图像输入至步骤S5.2的目标分割模型中,经目标分割模型推理,输出一组分割掩码,一组分割掩码为与第二目标图像具有相同尺寸的二进制图像,一组分割掩码又包括多个分割掩码,其中,每个分割掩码都一一对应于第二目标图像中的每个像素,每个分割掩码表示其对应像素所属的区域;对每个分割掩码进行二值化,其中,分割掩码的值为0,表示其对应的像素属于所述待判定线状目标的轮廓区域外;分割掩码的值为1,表示其对应的像素属于所述待判定线状目标的轮廓区域内;
S6:判定第一目标图像中的待判定线状目标是否处于张紧状态;
具体包括:
S6.1以第一目标图像左上角为原点,建立直角坐标系,将经步骤S5.4所得取值为1的分割掩码对应的像素的点坐标存入列表中,得到第一目标图像中的待判定线状目标轮廓的列表;
S6.2从列表中选取距离最远的两个点,确定一条直线y=kx+a(对应于图4,则该直线为y=0.26x+540,具体的点坐标(x,y)表示图4中钢缆轮廓上的像素点。该直线中,x、y分别表示图4中钢缆对应直线的自变量和因变量,0.26表示图4中钢缆对应直线在坐标系中的斜率,540表示图4中钢缆对应直线在坐标系中的截距);
如果列表中除距离最远的两个点外,其它点均匀分布在直线两侧,则第一目标图像中的待判定线状目标处于张紧状态;
反之,如果列表中的其它点无规律地分布,则第一目标图像中的待判定线状目标未处于张紧状态;
列表中的其它点是否均匀分布在直线两侧,通过如下方法进行判断:
S6.2.1基于经步骤S5确定的第一目标图像中待判定线状目标的轮廓,得到轮廓的宽度(b);
S6.2.2分别计算列表中的其它点到直线的距离(d),若距离(d)<宽度(b),则距离(d)对应的点处于直线上;
S6.2.3统计列表中处于直线上点的占比,设置阈值,当占比大于阈值时,得出列表中的其它点均匀分布在直线两侧,即第一目标图像中的待判定线状目标处于张紧状态。
实施例2
在实施例1的基础上,本实施例提出:一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的视频识别中线状目标张紧状态的判定方法的步骤。
实施例3
在实施例1的基础上,本实施例提出:一种视频识别中线状目标张紧状态的判定方法的信息数据处理终端。
以上所述为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了说明,对本领域的技术人员来讲,依旧可以对前述实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,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 (5)
1.一种视频识别中线状目标张紧状态的判定方法,其特征在于,包括如下步骤:
S1:采集包含石油井筒作业场景中待判定线状目标的图像数据,得到原数据集;
S2:分别对原数据集中每张图像中的待判定线状目标的外接矩形框进行标注,得到第一训练集;
S3:基于卷积神经网络,训练第一训练集,得到用于检测所述待判定线状目标的外接矩形框的目标检测模型;
S4:将原数据集以外的包含所述待判定线状目标的图像作为第一目标图像,确定该第一目标图像中待判定线状目标的位置;
S5:确定第一目标图像中待判定线状目标的轮廓,具体包括:
将原数据集中每张图像数据中的待判定线状目标的轮廓进行标注,得到第二训练集;
基于卷积神经网络,训练第二训练集,得到用于检测所述待判定线状目标的轮廓的目标分割模型;
裁剪经步骤S4所得的第一目标图像的外接矩形框,得到w*h像素的图像,作为第二目标图像;
将第二目标图像输入至所述目标分割模型中,经目标分割模型推理,输出一组分割掩码,一组分割掩码为与第二目标图像具有相同尺寸的二进制图像,一组分割掩码又包括多个分割掩码,其中,每个分割掩码都一一对应于第二目标图像中的每个像素,每个分割掩码表示其对应像素所属的区域;
对每个分割掩码进行二值化,其中,分割掩码的值为0,表示其对应的像素属于所述待判定线状目标的轮廓区域外;分割掩码的值为1,表示其对应的像素属于所述待判定线状目标的轮廓区域内;
S6:判定第一目标图像中的待判定线状目标是否处于张紧状态,具体包括:
以第一目标图像左上角为原点,建立直角坐标系,将经步骤S5所得取值为1的分割掩码对应的像素的点坐标存入列表中,得到第一目标图像中的待判定线状目标轮廓的列表;
从列表中选取距离最远的两个点,确定一条直线y=kx+a,其中,x、y分别表示待判定线状目标对应直线的自变量和因变量,k表示待判定线状目标对应直线在坐标系中的斜率,a表示待判定线状目标对应直线在坐标系中的截距;以及,坐标系中,x轴正向向右,y轴正向向下;
如果列表中除距离最远的两个点外,其它点均匀分布在直线两侧,则第一目标图像中的待判定线状目标处于张紧状态;
反之,如果列表中的其它点无规律地分布,则第一目标图像中的待判定线状目标未处于张紧状态。
2.根据权利要求1所述的视频识别中线状目标张紧状态的判定方法,其特征在于,所述图像数据的数量至少可使得步骤S2确定出所述待判定线状目标的位置。
3.根据权利要求1所述的视频识别中线状目标张紧状态的判定方法,其特征在于,所述待判定线状目标包括钢缆。
4.根据权利要求1所述的视频识别中线状目标张紧状态的判定方法,其特征在于,在步骤S4中,确定该第一目标图像中待判定线状目标的位置,包括:
将第一目标图像输入至目标检测模型中,经目标检测模型推理,输出四个坐标x、y、w和h,其中,默认以第一目标图像左上角作为坐标原点,构建直角坐标系;以x和y分别作为左上顶点的横坐标和纵坐标,以w和h分别作为宽度和高度,形成一矩形框,则第一目标图像中的待判定线状目标位于该矩形框内,矩形框为目标检测模型推理得到的第一目标图像中的待判定线状目标的外接矩形框,表示该待判定线状目标的粗略位置。
5.根据权利要求1所述的视频识别中线状目标张紧状态的判定方法,其特征在于,列表中的其它点是否均匀分布在直线两侧,通过如下方法进行判断:
基于经步骤S5确定的第一目标图像中待判定线状目标的轮廓,得到轮廓的宽度;
分别计算列表中的其它点到直线的距离,若距离<宽度,则距离对应的点处于直线上;
统计列表中处于直线上点的占比,设置阈值,当占比大于阈值时,得出列表中的其它点均匀分布在直线两侧,即第一目标图像中的待判定线状目标处于张紧状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064105.7A CN117576635B (zh) | 2024-01-17 | 2024-01-17 | 一种视频识别中线状目标张紧状态的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064105.7A CN117576635B (zh) | 2024-01-17 | 2024-01-17 | 一种视频识别中线状目标张紧状态的判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576635A CN117576635A (zh) | 2024-02-20 |
CN117576635B true CN117576635B (zh) | 2024-03-29 |
Family
ID=89888582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410064105.7A Active CN117576635B (zh) | 2024-01-17 | 2024-01-17 | 一种视频识别中线状目标张紧状态的判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576635B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710242A (zh) * | 2009-12-07 | 2010-05-19 | 天津大学 | 深海平台系泊线监控方法 |
CN102774471A (zh) * | 2012-08-09 | 2012-11-14 | 中国海洋石油总公司 | 单点锚腿松弛的处理方法 |
CN104459192A (zh) * | 2014-12-10 | 2015-03-25 | 中国矿业大学 | 一种钢丝绳卷筒机构出绳状态检测试验台 |
CN106023155A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 基于水平集的在线目标轮廓跟踪方法 |
CN107403443A (zh) * | 2017-07-28 | 2017-11-28 | 中南大学 | 一种基于机器视觉的多绳多层缠绕排绳状态在线检测方法及装置 |
CN108062768A (zh) * | 2017-12-12 | 2018-05-22 | 中国矿业大学 | 一种基于表面纹理特征的钢丝绳轴向移动状态识别方法 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN110428398A (zh) * | 2019-07-04 | 2019-11-08 | 华中科技大学 | 一种基于深度学习的高铁接触网拉线缺陷检测方法 |
CN111325735A (zh) * | 2020-02-25 | 2020-06-23 | 杭州测质成科技有限公司 | 基于深度学习的航空发动机保险状态检测方法 |
CN112330617A (zh) * | 2020-10-28 | 2021-02-05 | 联鸾智能科技(上海)合伙企业(有限合伙) | 一种电梯限速器绳张紧状态检测方法及系统 |
CN114581422A (zh) * | 2022-03-09 | 2022-06-03 | 成都诺比侃科技有限公司 | 一种基于图像处理的承力索接触线异常检测方法与系统 |
CN114720552A (zh) * | 2022-03-29 | 2022-07-08 | 哈尔滨理工大学 | 一种识别钢丝绳缺陷的电磁检测方法 |
CN114758150A (zh) * | 2020-12-28 | 2022-07-15 | 广州慧睿思通人工智能技术有限公司 | 火车刹车链条的状态识别方法及装置、设备、存储介质 |
CN115571561A (zh) * | 2022-10-08 | 2023-01-06 | 煤炭科学研究总院有限公司 | 刮板链的监测方法及其装置 |
CN115744084A (zh) * | 2022-11-21 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于多传感器数据融合的皮带张紧控制系统及其方法 |
CN115908951A (zh) * | 2023-01-06 | 2023-04-04 | 长江勘测规划设计研究有限责任公司 | 一种机器视觉实时识别预紧螺栓状态的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3043854A1 (en) * | 2016-12-21 | 2018-06-28 | Halliburton Energy Services, Inc. | Downhole sensing cable system for improved seismic energy coupling to the cable system |
-
2024
- 2024-01-17 CN CN202410064105.7A patent/CN117576635B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710242A (zh) * | 2009-12-07 | 2010-05-19 | 天津大学 | 深海平台系泊线监控方法 |
CN102774471A (zh) * | 2012-08-09 | 2012-11-14 | 中国海洋石油总公司 | 单点锚腿松弛的处理方法 |
CN104459192A (zh) * | 2014-12-10 | 2015-03-25 | 中国矿业大学 | 一种钢丝绳卷筒机构出绳状态检测试验台 |
CN106023155A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 基于水平集的在线目标轮廓跟踪方法 |
CN107403443A (zh) * | 2017-07-28 | 2017-11-28 | 中南大学 | 一种基于机器视觉的多绳多层缠绕排绳状态在线检测方法及装置 |
CN108062768A (zh) * | 2017-12-12 | 2018-05-22 | 中国矿业大学 | 一种基于表面纹理特征的钢丝绳轴向移动状态识别方法 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN110428398A (zh) * | 2019-07-04 | 2019-11-08 | 华中科技大学 | 一种基于深度学习的高铁接触网拉线缺陷检测方法 |
CN111325735A (zh) * | 2020-02-25 | 2020-06-23 | 杭州测质成科技有限公司 | 基于深度学习的航空发动机保险状态检测方法 |
CN112330617A (zh) * | 2020-10-28 | 2021-02-05 | 联鸾智能科技(上海)合伙企业(有限合伙) | 一种电梯限速器绳张紧状态检测方法及系统 |
CN114758150A (zh) * | 2020-12-28 | 2022-07-15 | 广州慧睿思通人工智能技术有限公司 | 火车刹车链条的状态识别方法及装置、设备、存储介质 |
CN114581422A (zh) * | 2022-03-09 | 2022-06-03 | 成都诺比侃科技有限公司 | 一种基于图像处理的承力索接触线异常检测方法与系统 |
CN114720552A (zh) * | 2022-03-29 | 2022-07-08 | 哈尔滨理工大学 | 一种识别钢丝绳缺陷的电磁检测方法 |
CN115571561A (zh) * | 2022-10-08 | 2023-01-06 | 煤炭科学研究总院有限公司 | 刮板链的监测方法及其装置 |
CN115744084A (zh) * | 2022-11-21 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于多传感器数据融合的皮带张紧控制系统及其方法 |
CN115908951A (zh) * | 2023-01-06 | 2023-04-04 | 长江勘测规划设计研究有限责任公司 | 一种机器视觉实时识别预紧螺栓状态的方法 |
Non-Patent Citations (4)
Title |
---|
Identification of cable tension through physical models and non-contact measurement;Cecilia Rinaldi 等;《Mechanical Systems and Signal Processing》;20231215;第205卷(第2023期);1-20 * |
基于机器视觉的安全带检测系统研究;郑刚;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210715(第(2021)07期);C035-172 * |
基于计算机视觉技术的钻井作业现场智能监控系统构建;于晓文 等;《中国石油和化工标准与质量》;20211115;第41卷(第21期);167-168 * |
空间平面薄膜结构褶皱与动力学分析;刘充;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20160415(第(2016)04期);B020-266 * |
Also Published As
Publication number | Publication date |
---|---|
CN117576635A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232320B (zh) | 实时检测工地现场工人危险靠近施工机械的方法及系统 | |
CN113370977B (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及系统 | |
CN110147748B (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN115066708A (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
JP2007041730A (ja) | 電線異常検出方法および装置およびプログラム | |
CN111460917B (zh) | 基于多模态信息融合的机场异常行为检测系统及方法 | |
CN111339901A (zh) | 基于图像的入侵检测方法、装置、电子设备及存储介质 | |
CN110392239B (zh) | 指定区域监控方法及装置 | |
CN113469974B (zh) | 球团链篦机篦板状态监测方法及其监测系统 | |
CN117576635B (zh) | 一种视频识别中线状目标张紧状态的判定方法 | |
CN114445398A (zh) | 采煤机液压支架护帮板状态监测方法及装置 | |
CN113160220A (zh) | 一种基于深度学习的检测门把手归位和弯曲的方法 | |
CN112749735A (zh) | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 | |
CN116091450A (zh) | 一种障碍物检测方法、装置、设备、介质和产品 | |
CN113554882A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN112288747A (zh) | 一种钢坯的智能检测方法及装置 | |
CN111814784A (zh) | 基于图像处理的液位识别方法及相关装置 | |
CN116403165B (zh) | 一种危险化学品泄露应急处理方法、装置及可读存储介质 | |
CN116320346B (zh) | 一种将图像rgb色彩数据转换为多维数据进行综合分析的方法 | |
CN110927731B (zh) | 一种立体防护方法、三维检测装置和计算机可读存储介质 | |
CN117214910A (zh) | 基于激光雷达点云数据的作业安全距离管理方法 | |
Zhang et al. | MSCA-YOLO: Accurate Detection of Railway Track Anomalies Using Multi-scale Features | |
CN114937240A (zh) | 基于计算机视觉的工人与机械防撞预测的方法及系统 | |
CN112819749A (zh) | 一种转炉出钢钢包液位识别方法、系统、介质及终端 | |
CN117671288A (zh) | 一种警戒带距离的确定方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |