CN117670979B - 一种基于固定点位单目相机的大宗货物体积测量方法 - Google Patents
一种基于固定点位单目相机的大宗货物体积测量方法 Download PDFInfo
- Publication number
- CN117670979B CN117670979B CN202410139140.0A CN202410139140A CN117670979B CN 117670979 B CN117670979 B CN 117670979B CN 202410139140 A CN202410139140 A CN 202410139140A CN 117670979 B CN117670979 B CN 117670979B
- Authority
- CN
- China
- Prior art keywords
- cargo
- depth
- model
- image
- data set
- 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
- 238000000691 measurement method Methods 0.000 title claims description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于固定点位单目相机的大宗货物体积测量方法,通过训练和筛选获得轮廓计算模型和深度计算模型,从而获得基于传统单目监控摄像头获取待的测量货物图像的货物轮廓数据和货物深度信息图,最终得以计算出货物体积基于传统单目监控摄像头。本发明能对大宗货物进行全天候体积监测,具有自动化程度高、设备成本低、运维简单、易推广、效率高等特点。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于固定点位单目相机的大宗货物体积测量方法。
背景技术
大宗商品仓储监管和体积测量是供应链场景中的重要技术。
仓储常规智能视频监管仅限于对人员、车辆等异常目标进行自动检测,近年来,基于图像实例分割技术对货物轮廓识别逐渐投入行业应用,但对货物轮廓的测量并不能准确度量货物总量的大小,基于常规监控对大宗散货体积进行测量的技术实现较少。现有技术通常使用无人机拍多张图像,通过无人机定位轨迹数据点与三维重建位姿估计轨迹点的配准关联计算获得货物点云数据,其原理与双目相机相似,需特殊设备的支持,且运维和操作的成本较高,难以实现全天候的货物监测。此外,现有公开的专利中对于图像和点云中货物区域的提取环节通常靠人为划定兴趣区域,或进行手动处理去掉环境干扰物,处理环节复杂,增加了工作量,人工成本较高。
基于此,本申请提出一种基于传统监控摄像头对大宗货物进行全天候体积监测的方法,具有自动化程度高、设备成本低、运维简单、易推广、效率高等特点。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于固定点位单目相机的大宗货物体积测量方法,具体通过以下技术方案来实现:
本发明提供了一种基于固定点位单目相机的大宗货物体积测量方法,包括以下步骤:
通过双目相机拍摄仓库环境图像和货物存储形态图像,作为样本数据集;
通过训练和筛选获得轮廓计算模型;
通过训练和筛选获得深度计算模型;
通过单目相机获取待测量货物图像;
将待测量货物图像输入轮廓计算模型和深度计算模型,获得货物轮廓数据和货物深度信息图;
将货物深度信息图与待测量货物图像融合,通过计算获得3D点云数据;
根据货物轮廓数据对3D点云数据进行提取,获得货物3D点云数据;
根据货物3D点云数据建立货物3D模型;
根据货物3D模型计算出货物体积。
可选或优选地,获得轮廓计算模型的步骤包括:
A、标注样本数据集中的货物轮廓信息,制作出图像实例分割样本数据集,并划分出训练集、测试集、验证集;
B、选择实例分割模型,结合上述图像实例分割样本数据集,设置模型相关参数,训练后获得多个备选模型;
C、对步骤B中获得的多个备选模型进行筛选,获得轮廓计算模型。
可选或优选地,样本数据集包含相机拍摄图像和深度信息;所述样本数据集包括货物堆叠、摆放的多种形态。
可选或优选地,所述实例分割模型为Mask R-CNN、Faster R-CNN或Yolact中的一种。
可选或优选地,在筛选获得轮廓计算模型时,根据F1值和mAP指标对备选模型进行筛选。
可选或优选地,获得深度计算模型的步骤包括:
A、将所述样本数据集和深度训练数据集合并形成新的样本数据集,并按照8:1:1的比例划分训练集、验证集、测试集;
B、使用GLP Depth模型的神经网络结构和上述新的样本数据集,配置包括最大深度、学习率、迭代次数在内的相关参数,训练后得到多个备选模型;
C、对步骤B中获得的多个备选模型进行筛选,获得深度计算模型。
可选或优选地,所述深度训练数据集为NYU-V2-Depth数据集。
可选或优选地,在筛选获得深度计算模型时,根据准确率、召回率和F1值指标对备选模型进行对比,将最优的备选模型作为深度计算模型。
可选或优选地,在计算3D点云数据时,将货物深度信息图与待测量货物图像融合,得到RGBD深度图像,根据RGBD深度图像的内参数,计算得到对应的3D点云数据。
可选或优选地,在建立货物3D模型时,先将3D点云数据按照待测量货物图像的视角投影至二维平面,使用货物轮廓数据提取范围内的点云数据,得到货物3D点云数据;基于上述货物3D点云数据建立3D模型,获得货物3D模型。
可选或优选地,在计算货物体积时,包括步骤:
A、基于货物3D模型,按照尺寸S进行体素化均匀下采样,将得到的数据投影至水平面,遍历水平面内所有数据点,计算/>所在3D体素网格垂直方向上所有点/>的y值的最大值/>和最小值/>;其中,S为体素化的参数,表示单位距离;i=1,2,3…N,N代表水平面上点的个数;j=1,2,3…M,M代表水平面上第i个点所在3D体素网格垂直方向上点的个数;y为点/>的纵坐标,/>代表点/>的纵坐标值;
B、计算所在体素网格的体积/>,累加得到整个3D模型的体积V,即:
。
基于上述技术方案,可产生如下技术效果:
本发明提供的一种基于固定点位单目相机的大宗货物体积测量方法,适用于有固定点位摄像头的仓储监管场景。本发明所需要的设备成本低廉,支持普通摄像头,可直接对接已安装监控设备的仓库,实现普通仓库的智能监管,节省人力物力。相比于无人机飞行测绘,本技术方案运维成本低,无需人工干预,避免了室内无人机作业的局限性和续航问题,可全天候运行。本技术方案可基于深度学习模型自动提取场景中的货物信息,提高了数据处理的的时效性,使整个过程可全自动运行,提高系统的效率。
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,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地介绍,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示出的结构获得其他的附图。
图1 为本发明的方法流程图;
图2为本实施例的数据和模型的构建图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
下面将结合本发明实施例中的附图,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1和图2所示:
本发明提供了一种基于固定点位单目相机的大宗货物体积测量方法,包括以下步骤:
S1、准备双目相机,拍摄待监测目标品类货物的真实仓库现场环境和货物存储形态图像,即原始待检测图像,用于制作样本数据集;
具体地,所述样本数据集包含相机拍摄图像和深度信息;
进一步地,所述样本数据集尽可能覆盖货物所有可能出现的样子,及所处环境的各种情况,从而保证训练后的模型的识别效果。
S2、根据步骤S1生成的样本数据集,通过人工方式标注图像中货物轮廓信息,整理制作图像实例分割样本数据集,按照一定比例划分训练集、测试集、验证集;
S3、选择实例分割模型,结合步骤S2中的图像实例分割样本数据集,设置模型相关参数,进行充分训练后得到多个备选模型;
S4、根据F1值和mAP指标,对步骤S3获得的多个备选模型进行筛选,将获得的最优的备选模型作为轮廓计算模型;
其中,F1=。
在本实施例中,选择mAP最大的模型作为轮廓计算模型。
S5、将原始待检测图像输入步骤 S4得到的轮廓计算模型中进行计算,识别图像中的目标货物并得到二维图像中的货物轮廓polygon数据,其中坐标点以百分比形式存储;
S6、将步骤S1中的样本数据集和NYU-V2-Depth数据集合并形成新的样本数据集,并按照8:1:1的比例划分训练集、验证集、测试集;
其中,所述NYU-V2-Depth数据集为由微软Kinect的RGB和Depth摄像机记录的各种室内场景的视频序列组成的数据集,该数据集包含了1449张标注的RGB和深度图像,以及407024张没有标注的图片,每个目标都有一个类别和一个标号,该数据集还包括了经过预处理的深度图和一组用于操作数据和标签的有用函数,从而用于进行深度学习和室内场景分割等任务。
S7、使用GLP Depth模型的神经网络结构和步骤S6获得的新的样本数据集,配置相关参数,进行充分训练后得到多个备选模型;
具体地,所述相关参数包括但不限于最大深度、学习率和迭代次数。
S8、综合对比准确率(Accuracy)、召回率(Recall)和F1值(F1-score)指标,对步骤S7中的多个备选数据集进行选择,将最优模型作为深度计算模型;
在本实施例中,将F1-score值最高的的备选模型作为深度计算模型。
S9、将原始待检测图像输入步骤S8获得的深度计算模型进行计算,得到深度信息图;
S10、将步骤S9获得的深度信息图和原始待检测图像融合,得到RGBD深度图像;
S11、根据步骤S10获得的RGBD深度图像的图像尺寸、相机焦距、光心等内参数,计算得到图像对应的3D点云数据;
S12、将步骤S11得到的3D点云数据按照原始待检测图像的视角投影至二维平面,使用步骤S5得到的货物轮廓数据提取范围内的点云数据,得到货物点云数据;
S13、基于步骤S12得到的货物点云数据重建3D模型;
S14、基于步骤S13建立的3D模型,按照尺寸S进行体素化均匀下采样,将得到的数据投影至水平面,遍历水平面内所有数据点,计算/>所在3D体素网格垂直方向上所有点的y值的最大值/>和最小值/>;
其中,S为体素化的参数,表示单位距离;i=1,2,3…N,N代表水平面上点的个数;j=1,2,3…M,M代表水平面上第i个点所在3D体素网格垂直方向上点的个数;y为点的纵坐标,/>代表点/>的纵坐标值;
在本实施例中,尺寸S为2-5cm。
S15、计算所在体素网格的体积/>,累加得到逼近整个3D模型的体积V,即:
。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于,包括:
通过双目相机拍摄仓库环境图像和货物存储形态图像,作为样本数据集;所述样本数据集包含相机拍摄图像和深度信息;所述样本数据集包括货物堆叠、摆放的多种形态;
标注上述样本数据集中的货物轮廓信息,制作出图像实例分割样本数据集,通过训练和筛选获得轮廓计算模型;
将上述样本数据集和深度训练数据集合并,通过训练和筛选获得深度计算模型;
通过单目相机获取待测量货物图像;
将待测量货物图像输入轮廓计算模型和深度计算模型,获得货物轮廓数据和货物深度信息图;
将货物深度信息图与待测量货物图像融合,通过融合图像的内参数,计算获得3D点云数据;
将3D点云数据按照待测量货物图像的视角投影至二维平面,使用货物轮廓数据提取范围内的点云数据,得到货物3D点云数据;基于上述货物3D点云数据建立3D模型,获得货物3D模型;
根据货物3D模型计算出货物体积。
2.根据权利要求1所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于,获得轮廓计算模型的步骤包括:
A、标注样本数据集中的货物轮廓信息,制作出图像实例分割样本数据集,并划分出训练集、测试集、验证集;
B、选择实例分割模型,结合上述图像实例分割样本数据集,设置模型相关参数,训练后获得多个备选模型;
C、对步骤B中获得的多个备选模型进行筛选,获得轮廓计算模型。
3.根据权利要求2所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于:所述实例分割模型为Mask R-CNN、Faster R-CNN或Yolact中的一种。
4.根据权利要求2所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于:在筛选获得轮廓计算模型时,根据F1值和mAP指标对备选模型进行筛选。
5.根据权利要求1所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于,获得深度计算模型的步骤包括:
A、将所述样本数据集和深度训练数据集合并形成新的样本数据集,并按照8:1:1的比例划分训练集、验证集、测试集;
B、使用GLP Depth模型的神经网络结构和上述新的样本数据集,配置包括最大深度、学习率、迭代次数在内的相关参数,训练后得到多个备选模型;
C、对步骤B中获得的多个备选模型进行筛选,获得深度计算模型。
6.根据权利要求5所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于,所述深度训练数据集为NYU-V2-Depth数据集。
7.根据权利要求5所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于:在筛选获得深度计算模型时,根据准确率、召回率和F1值指标对备选模型进行对比,将最优的备选模型作为深度计算模型。
8.根据权利要求1所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于,在计算3D点云数据时,将货物深度信息图与待测量货物图像融合,得到RGBD深度图像,根据RGBD深度图像的内参数,计算得到对应的3D点云数据。
9.根据权利要求1所述的一种基于固定点位单目相机的大宗货物体积测量方法,其特征在于,在计算货物体积时,包括步骤:
A、基于货物3D模型,按照尺寸S进行体素化均匀下采样,将得到的数据投影至水平面,遍历水平面内所有数据点pi,计算pi所在3D体素网格垂直方向上所有点pij的y值的最大值max(pij.y)和最小值min(pij.y);其中,S为体素化的参数,表示单位距离;i=1,2,3…N,N代表水平面上点的个数;j=1,2,3…M,M代表水平面上第i个点所在3D体素网格垂直方向上点的个数;y为点pij的纵坐标,pij.y代表点pij的纵坐标值;
B、计算pi所在体素网格的体积vi,累加得到整个3D模型的体积V,即:
V=∑i(S2(max(pij.y)-min(pij.y)))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139140.0A CN117670979B (zh) | 2024-02-01 | 2024-02-01 | 一种基于固定点位单目相机的大宗货物体积测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139140.0A CN117670979B (zh) | 2024-02-01 | 2024-02-01 | 一种基于固定点位单目相机的大宗货物体积测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117670979A CN117670979A (zh) | 2024-03-08 |
CN117670979B true CN117670979B (zh) | 2024-04-30 |
Family
ID=90084756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410139140.0A Active CN117670979B (zh) | 2024-02-01 | 2024-02-01 | 一种基于固定点位单目相机的大宗货物体积测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670979B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655019A (zh) * | 2018-10-29 | 2019-04-19 | 北方工业大学 | 一种基于深度学习和三维重建的货物体积测量方法 |
CN109886961A (zh) * | 2019-03-27 | 2019-06-14 | 重庆交通大学 | 基于深度图像的中大型货物体积测量方法 |
CN110751688A (zh) * | 2019-10-17 | 2020-02-04 | 南京鑫和汇通电子科技有限公司 | 一种基于深度图像的剔除噪声的立方物体体积计算方法 |
CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
CN111351433A (zh) * | 2020-04-14 | 2020-06-30 | 深圳市异方科技有限公司 | 一种基于惯性设备与摄像头的手持体积测量装置 |
CN111709987A (zh) * | 2020-06-11 | 2020-09-25 | 上海东普信息科技有限公司 | 包裹体积测量方法、装置、设备及存储介质 |
CN113362385A (zh) * | 2021-06-21 | 2021-09-07 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于深度图像的货物体积测量方法及设备 |
CN113988740A (zh) * | 2021-09-30 | 2022-01-28 | 洛伦兹(北京)科技有限公司 | 车厢装卸率计算方法及装置 |
CN114373005A (zh) * | 2021-12-07 | 2022-04-19 | 深圳市锐明技术股份有限公司 | 一种货物体积测量方法、装置、电子设备及可读存储介质 |
CN115205380A (zh) * | 2022-06-02 | 2022-10-18 | 河南讯飞人工智能科技有限公司 | 一种体积估计方法、装置、电子设备和存储介质 |
CN115861403A (zh) * | 2022-11-11 | 2023-03-28 | 上海复瞰科技有限公司 | 一种非接触式物体体积测量方法、装置、电子设备及介质 |
CN116266363A (zh) * | 2021-12-16 | 2023-06-20 | 顺丰科技有限公司 | 物品体积计算方法、装置、电子设备及可读存储介质 |
CN116758136A (zh) * | 2023-08-21 | 2023-09-15 | 杭州蓝芯科技有限公司 | 一种货物体积实时在线识别方法、系统、设备以及介质 |
CN117314903A (zh) * | 2023-11-28 | 2023-12-29 | 四川港投云港科技有限公司 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443196B (zh) * | 2018-09-28 | 2020-07-24 | 顺丰科技有限公司 | 一种体积测量方法及系统 |
JP2024008245A (ja) * | 2022-07-07 | 2024-01-19 | 富士通株式会社 | 情報処理プログラム、情報処理方法、および情報処理装置 |
-
2024
- 2024-02-01 CN CN202410139140.0A patent/CN117670979B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655019A (zh) * | 2018-10-29 | 2019-04-19 | 北方工业大学 | 一种基于深度学习和三维重建的货物体积测量方法 |
CN109886961A (zh) * | 2019-03-27 | 2019-06-14 | 重庆交通大学 | 基于深度图像的中大型货物体积测量方法 |
CN110751688A (zh) * | 2019-10-17 | 2020-02-04 | 南京鑫和汇通电子科技有限公司 | 一种基于深度图像的剔除噪声的立方物体体积计算方法 |
CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
CN111351433A (zh) * | 2020-04-14 | 2020-06-30 | 深圳市异方科技有限公司 | 一种基于惯性设备与摄像头的手持体积测量装置 |
CN111709987A (zh) * | 2020-06-11 | 2020-09-25 | 上海东普信息科技有限公司 | 包裹体积测量方法、装置、设备及存储介质 |
CN113362385A (zh) * | 2021-06-21 | 2021-09-07 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于深度图像的货物体积测量方法及设备 |
CN113988740A (zh) * | 2021-09-30 | 2022-01-28 | 洛伦兹(北京)科技有限公司 | 车厢装卸率计算方法及装置 |
CN114373005A (zh) * | 2021-12-07 | 2022-04-19 | 深圳市锐明技术股份有限公司 | 一种货物体积测量方法、装置、电子设备及可读存储介质 |
CN116266363A (zh) * | 2021-12-16 | 2023-06-20 | 顺丰科技有限公司 | 物品体积计算方法、装置、电子设备及可读存储介质 |
CN115205380A (zh) * | 2022-06-02 | 2022-10-18 | 河南讯飞人工智能科技有限公司 | 一种体积估计方法、装置、电子设备和存储介质 |
CN115861403A (zh) * | 2022-11-11 | 2023-03-28 | 上海复瞰科技有限公司 | 一种非接触式物体体积测量方法、装置、电子设备及介质 |
CN116758136A (zh) * | 2023-08-21 | 2023-09-15 | 杭州蓝芯科技有限公司 | 一种货物体积实时在线识别方法、系统、设备以及介质 |
CN117314903A (zh) * | 2023-11-28 | 2023-12-29 | 四川港投云港科技有限公司 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
Non-Patent Citations (5)
Title |
---|
An Approach to the Use of Depth Cameras for Weed Volume Estimation;Dionisio Andujar等;《Sensors》;20160625;第16卷(第7期);1-11 * |
Depth estimation of supervised monocular images based on semantic segmentation;Qi Wang等;《Journal of Visual Communication and Image Representation》;20230228;第90卷;1-9 * |
Global-Local Path Networks for Monocular Depth Estimation with Vertical CutDepth;Doyeon Kim等;《https://arxiv.org/abs/2201.07436v1》;20220119;1-11 * |
基于Kinect2.0深度图像的快速体积测量;李玲玲等;《微型机与应用》;20170417;第36卷(第7期);35-38+42 * |
基于图像的智能测量技术研究;韩砾菁;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20220115(第1期);I138-1354 * |
Also Published As
Publication number | Publication date |
---|---|
CN117670979A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morgenthal et al. | Framework for automated UAS-based structural condition assessment of bridges | |
CN110069972A (zh) | 自动探测真实世界物体 | |
CN113128405A (zh) | 一种结合语义分割与点云处理的植物识别与模型构建方法 | |
CN110418957A (zh) | 对具有运行机构的设施进行状态监控的方法和装置 | |
CN112132213A (zh) | 样本图像的处理方法及装置、电子设备、存储介质 | |
KR102308456B1 (ko) | 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
WO2021181647A1 (ja) | 画像処理装置、画像処理方法、およびコンピュータ可読媒体 | |
CN114359562A (zh) | 一种四维点云自动语义分割标注系统及方法 | |
CN117315146B (zh) | 基于跨尺度多源数据的三维模型的重建方法及存储方法 | |
CN112562005A (zh) | 一种空间标定方法和系统 | |
Ma et al. | An intelligent object detection and measurement system based on trinocular vision | |
CN115995058A (zh) | 基于人工智能的输电通道安全在线监测方法 | |
Nagy et al. | 3D CNN based phantom object removing from mobile laser scanning data | |
Li et al. | 3D map system for tree monitoring in hong kong using google street view imagery and deep learning | |
CN117670979B (zh) | 一种基于固定点位单目相机的大宗货物体积测量方法 | |
CN115019216B (zh) | 实时地物检测和定位计数方法、系统及计算机 | |
CN113781639B (zh) | 一种大场景道路基础设施数字化模型快速构建方法 | |
CN116311218A (zh) | 基于自注意力特征融合的带噪植株点云语义分割方法及系统 | |
CN110826432B (zh) | 一种基于航空图片的输电线识别方法 | |
CN114359891A (zh) | 一种三维车辆检测方法、系统、装置及介质 | |
Lee et al. | Semi-automatic framework for traffic landmark annotation | |
CN112163988A (zh) | 红外图像的生成方法、装置、计算机设备和可读存储介质 | |
CN115909183B (zh) | 一种燃气输送外部环境监测系统与监测方法 | |
KR102520676B1 (ko) | 라이다 및 카메라 수집정보 기반 수목정보 탐지장치 및 이를 이용한 수목정보 탐지방법 |
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 |