CN107729906A - 一种基于智能机器人的巡检点电表数值识别方法 - Google Patents

一种基于智能机器人的巡检点电表数值识别方法 Download PDF

Info

Publication number
CN107729906A
CN107729906A CN201710998464.XA CN201710998464A CN107729906A CN 107729906 A CN107729906 A CN 107729906A CN 201710998464 A CN201710998464 A CN 201710998464A CN 107729906 A CN107729906 A CN 107729906A
Authority
CN
China
Prior art keywords
ammeter
inspection point
recognized
images
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.)
Granted
Application number
CN201710998464.XA
Other languages
English (en)
Other versions
CN107729906B (zh
Inventor
陈冰冰
袁智育
李祥
段武军
杨佳驹
孔维远
孙立振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710998464.XA priority Critical patent/CN107729906B/zh
Publication of CN107729906A publication Critical patent/CN107729906A/zh
Application granted granted Critical
Publication of CN107729906B publication Critical patent/CN107729906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于智能机器人的巡检点电表数值识别方法，属于图像识别技术领域。该方法执行如下步骤：1）拍摄标准图像；2）选取标准区域；3）建立电表刻度集合；4）生成训练数据集合；5）进行训练；6）获取待识别图像；7）选取待识别图像小块；8）确定最相似图像块；9）确定映射关系；10）确定待识别图像中的电表区域；11）获取二值化图像；12）拟合在二值化图像确定电表刻度指针；13）确定电表数值。该方法具有较强的定位误差容忍度，较高的仪表识别准确度，仪表的识别度为60%左右，采用本发明的方法后，准确度提高到99%左右。

Description

一种基于智能机器人的巡检点电表数值识别方法
技术领域
本发明涉及一种基于智能机器人的巡检点电表数值识别方法，属于图像识别技术领域。
背景技术
随着科技技术的发展，智能化程度的加深，机械化智能化的设备逐渐取代人工被应用于机械化的繁琐工作中。正如电力设备的巡检工作，采用智能巡检机器人进行巡检工作，解决了由供电机房的特殊环境带来的安全隐患问题以及人工巡检可能带来的失误和/或错误的问题。
由于技术的不成熟，云台在转动过程中存在的机械误差[-1Rad,1Rad]，导致拍不到图像；仪表识别算法对图片拍摄的位置误差容忍度低，导致仪表识别率下降。因此，需要提供一种具有高准确率且能够适配现有设备的采集识别方法，为台账记录及告警提供可靠的参考。
发明内容
本发明要解决的技术问题是，针对现有技术不足，提出一种具有高准确率的基于智能机器人的巡检点电表数值识别方法。
本发明为了解决上述技术问题提出的技术方案是：一种基于智能机器人的巡检点电表数值识别方法，执行如下步骤：
1）拍摄所述巡检点的标准图像；
2）从所述标准图像中选取标准区域；所述标准区域大小在[400*300，800*700]像素之间，且所述巡检点的电表区域包含于所述标准区域中；
3）建立巡检点的电表刻度集合（K, SV），其中Kϵ(1…n),SVϵ[0,2*π)，K为电表的指针所在直线的斜率，SV为刻度值；
4）以标准图像为基础生成训练数据集合；
5）将所述训练数据集合带入到kd树中进行训练，同时计算标准区域的角点特征；
6）通过所述智能机器人获取巡检点的待识别图像；
7）从所述待识别图像中选取出若干待识别图像小块；
8）将所述待识别图像小块的集合带入到训练后的kd树中，通过最邻近搜索法从所述待识别图像小块的集合中选取与所述标准区域矢量距离最小的待识别图像小块作为最相似图像块；
9）将所述最相似图像块的角点特征和所述标准区域的角点特征进行匹配，得到所述最相似图像块和所述标准区域之间的映射关系；
10）根据所述映射关系来确定所述待识别图像中的电表区域；
11）对步骤10）中的电表区域进行灰度化和二值化处理，得到处理后的二值化图像；
12）通过霍夫线段拟合在所述二值化图像中寻找线段，选取离指针旋转中心的距离最短的线段作为电表刻度指针；
13）通过所述电表刻度指针的斜率和刻度集合确定所述巡检点的电表数值；
在步骤1）的拍摄之前，先设置好所述巡检点所对应的摄像机的放大倍数、聚焦值、云台的水平角度、云台的垂直角度以及巡检点的位置坐标；步骤6）获取待识别图像前，先根据巡检点的位置坐标移动到对应的巡检点，并按照步骤1）设置的放大倍数、聚焦值、云台的水平角和云台的垂直角度进行设置。
上述技术方案的改进是：标准图像的大小为1920*1080像素。
上述技术方案的改进是：步骤7）在所述待识别图像中以间隔32个像素的距离取出图像小块。
上述技术方案的改进是：步骤4）中，对所述标准图像以2像素的间隔进行分块处理生成训练图像小块，所述训练图像小块的长、宽尺寸与所述待识别图像小块的长、宽尺寸相同。
本发明采用上述技术方案的有益效果是：本发明通过确定各巡检点对应的云台的水平角度和云台的垂直角度，解决了云台在转动过程中存在的机械误差[-1Rad,1Rad]，导致拍不到图像的问题；本发明通过确定拍摄时的巡检点位置，解决了由于机器人本体在移动过程中的误差导致拍不到图像的问题；通过目标对象查找匹配解决了仪表识别算法对图片拍摄的位置误差容忍度低，导致仪表识别率下降的问题。
相较于普通的固定位置仪表识别法，该方法具有较强的定位误差容忍度，较高的仪表识别准确度，仪表的识别度为60%左右，采用本发明的方法后，准确度提高到99%左右。
具体实施方式
实施例
本实施例的一种基于智能机器人的巡检点电表数值识别方法，执行步骤如下：
1）拍摄巡检点的标准图像ImgStd；机器人自主移动到房间指定的位置，设置好与相应的巡检点对应的摄像机的放大倍数Z、聚焦值F、云台的水平角度H、云台的垂直角度V，并记录当前巡检点在室内的位置坐标（PosX，PosY）。
2）从标准图像ImgStd中选取标准区域ImgStdArea；标准区域ImgStdArea大小在[400*300，800*700]像素之间，且巡检点的电表区域包含于标准区域ImgStdArea中。
3）建立巡检点的电表刻度集合（K, SV），其中Kϵ(1…n),SVϵ[0,2*π)，K为电表的指针所在直线的斜率，SV为刻度值，仪表的刻度数目集合为(1…n)；K=(PRY-PCY)/(PRX-PCX)，指针旋转中心位置为（PCX,PCY）每个刻度距离指针旋转中心最远端位置为（PRX,PRY）。
4）以标准图像ImgStd为基础生成训练数据集合；标准图像ImgStd的标准大小为1920*1080，ImgStdAreaϵImgStd，标准区域ImgStdArea所在矩形为(x,y,w,h)，其中(x,y)为标准区域ImgStdArea的左上角坐标位置，w为标准区域ImgStdArea的宽度，h为标准区域ImgStdArea的高度。将标准区域ImgStdArea作为正样本，将其它部分的区域以间隔为2个像素的间隔，取作负样本。负样本所在区域为(Nx,Ny,Nw,Nh)，则应该满足下列条件:
①( (Nx>=0)∧(Nx+Nw)<(x+1/3*w) ) ∨( (Nx>=(x+2/3*w))∧(Nx+Nw)<1920 ) ∧(Nx=x+2*n)。其中n为整数。
②( (Ny>=0)∧(Ny+Nh)<(x+1/3*h) ) ∨( (Ny>=(x+2/3*h))∧(Ny+Nh)<1920 )∧(Ny=y+2*n)。其中n为整数。
③ Nw = w
④ Nh = h
针对上述的各个大小都为(w,h)的样本图，将其统一规整为64*64的图像小块，然后计算这些小块的HOG+LBP特征从而形成8100维的向量特征，这些向量特征为训练数据集合。
5）将训练数据集合带入到kd树中进行训练，得到用于识别标准区域的模型文件，并将模型文件ModelKd记录保存。同时计算标准区域的角点特征。将标准区域ImgStdArea的3通道的RGB图像转化为单通道的灰度图，计算标准区域ImgStdArea的所有角点特征，并记录这些角点特征到文件ModelFeature。
6）通过智能机器人获取巡检点的待识别图像；通知机器人巡检指定的巡检点，机器人将按照预先设定的参数，移动到指定的坐标，设定好指定的放大倍数，聚焦值等参数，然后按照步骤1的方法拍摄一张待识别图像ImgSmp。
7）从待识别图像ImgSmp中选取出若干待识别图像小块；在待识别图像ImgSmp中以间隔32个像素的距离取出待识别图像小块，该待识别图像小块的长度和高度与标定过程中样本的宽高一致，该待识别图像小块对应的矩形为(Sx,Sy,Sw,Sh)，Sw=w,Sh=h。
8）将待识别图像小块的集合带入到训练后的kd树中，通过最邻近搜索法从待识别图像小块的集合中选取与标准区域矢量距离最小的待识别图像小块作为最相似图像块。
9）将最相似图像块的角点特征和标准区域的角点特征进行匹配，得到最相似图像块和标准区域之间的映射关系；
计算待识别图像小块内的所有的角点特征，并使用角点特征描述子描述这些特征。将最相似图像块的角点特征和标准区域的角点特征进行匹配，找出特征间欧式距离最近的5对特征点，形成配对特征点，这些配对特征点一半来自于最相似图像块一半来标准区域，使用这些特征的坐标建立两幅图像之间的映射关系
10）根据映射关系来确定待识别图像中的电表区域；记为图像小块ImgSmpFin。
11）对步骤10）中的电表区域进行灰度化和二值化处理，得到处理后的二值化图像；将图像小块ImgSmpFin做灰度化处理，记为灰度图像ImgSmpGry，计算该灰度图像ImgSmpGry的灰度直方图，将灰度直方图在横轴[0,255]上均分为10份，找出区间内像素点数最大的区间，记为[Amin,Amax]，按照阈值Tv=(Amin+Amax)/2将灰度图像ImgSmpGry进行二值化处理，得到的二值化图像ImgSmpBin。
12）通过霍夫线段拟合在二值化图像ImgSmpBin中寻找线段，选取离指针旋转中心的距离最短的线段作为电表刻度指针；
13）通过电表刻度指针的斜率和刻度集合确定巡检点的电表数值。
在完成巡检点的电表数值识别后，巡检后台***将电压表、电流表读数记录到数据库中；巡检后台***根据预设的电压、电流限值，判断识别结果是否在正常范围内，如不在正常范围内，则在***界面弹出告警信息，并且短信通知相关人员；通过历史查询工具界面查询识别历史数据与图片。
本发明不局限于上述实施例。凡采用等同替换形成的技术方案，均落在本发明要求的保护范围。

Claims (4)

1.一种基于智能机器人的巡检点电表数值识别方法，其特征在于执行如下步骤：
1）拍摄所述巡检点的标准图像；
2）从所述标准图像中选取标准区域；所述标准区域大小在[400*300，800*700]像素之间，且所述巡检点的电表区域包含于所述标准区域中；
3）建立巡检点的电表刻度集合（K, SV），其中Kϵ(1…n),SVϵ[0,2*π)，K为电表的指针所在直线的斜率，SV为刻度值；
4）以标准图像为基础生成训练数据集合；
5）将所述训练数据集合带入到kd树中进行训练，同时计算标准区域的角点特征；
6）通过所述智能机器人获取巡检点的待识别图像；
7）从所述待识别图像中选取出若干待识别图像小块；
8）将所述待识别图像小块的集合带入到训练后的kd树中，通过最邻近搜索法从所述待识别图像小块的集合中选取与所述标准区域矢量距离最小的待识别图像小块作为最相似图像块；
9）将所述最相似图像块的角点特征和所述标准区域的角点特征进行匹配，得到所述最相似图像块和所述标准区域之间的映射关系；
10）根据所述映射关系来确定所述待识别图像中的电表区域；
11）对步骤10）中的电表区域进行灰度化和二值化处理，得到处理后的二值化图像；
12）通过霍夫线段拟合在所述二值化图像中寻找线段，选取离指针旋转中心的距离最短的线段作为电表刻度指针；
13）通过所述电表刻度指针的斜率和刻度集合确定所述巡检点的电表数值；
在步骤1）的拍摄之前，先设置好所述巡检点所对应的摄像机的放大倍数、聚焦值、云台的水平角度、云台的垂直角度以及巡检点的位置坐标；
步骤6）获取待识别图像前，先根据巡检点的位置坐标移动到对应的巡检点，并按照步骤1）设置的放大倍数、聚焦值、云台的水平角和云台的垂直角度进行设置。
2.根据权利要求1所述的基于智能机器人的巡检点电表数值识别方法，其特征在于：标准图像的大小为1920*1080像素。
3.根据权利要求1所述的基于智能机器人的巡检点电表数值识别方法，其特征在于：步骤7）在所述待识别图像中以间隔32个像素的距离取出图像小块。
4.根据权利要求1所述的基于智能机器人的巡检点电表数值识别方法，其特征在于：步骤4）中，对所述标准图像以2像素的间隔进行分块处理生成训练图像小块，所述训练图像小块的长、宽尺寸与所述待识别图像小块的长、宽尺寸相同。
CN201710998464.XA 2017-10-24 2017-10-24 一种基于智能机器人的巡检点电表数值识别方法 Active CN107729906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710998464.XA CN107729906B (zh) 2017-10-24 2017-10-24 一种基于智能机器人的巡检点电表数值识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710998464.XA CN107729906B (zh) 2017-10-24 2017-10-24 一种基于智能机器人的巡检点电表数值识别方法

Publications (2)

Publication Number Publication Date
CN107729906A true CN107729906A (zh) 2018-02-23
CN107729906B CN107729906B (zh) 2021-11-02

Family

ID=61213646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710998464.XA Active CN107729906B (zh) 2017-10-24 2017-10-24 一种基于智能机器人的巡检点电表数值识别方法

Country Status (1)

Country Link
CN (1) CN107729906B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616723A (zh) * 2018-04-20 2018-10-02 国网江苏省电力有限公司电力科学研究院 一种用于gil管廊的视频巡检***
CN110378257A (zh) * 2019-07-04 2019-10-25 上海图菱新能源科技有限公司 人工智能模型全过程自动化***
CN112562112A (zh) * 2020-11-16 2021-03-26 深圳市长龙铁路电子工程有限公司 自动巡检方法及***
CN113450384A (zh) * 2021-06-11 2021-09-28 力源电力设备股份有限公司 基于编码标志信息的指针式表计物理信息读取方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3998215B1 (ja) * 2007-03-29 2007-10-24 国立大学法人山口大学 画像処理装置、画像処理方法及び画像処理プログラム
CN103034838A (zh) * 2012-12-03 2013-04-10 中国人民解放军63963部队 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN103927507A (zh) * 2013-01-12 2014-07-16 山东鲁能智能技术有限公司 一种改进的变电站巡检机器人的多仪表读数识别方法
CN104463240A (zh) * 2013-09-23 2015-03-25 深圳市朗驰欣创科技有限公司 一种控制列表界面的方法及装置
CN104899609A (zh) * 2015-06-19 2015-09-09 四川大学 一种基于图像配准的机械式表计识别方法
CN105913095A (zh) * 2016-05-17 2016-08-31 杭州申昊科技股份有限公司 一种适用于变电站巡检机器人的仪表识别方法
CN105930837A (zh) * 2016-05-17 2016-09-07 杭州申昊科技股份有限公司 基于自主巡检机器人的变电站仪表设备图像识别方法
CN105975979A (zh) * 2016-04-22 2016-09-28 浙江大学 一种基于机器视觉的仪表检测方法
US20170075437A1 (en) * 2015-09-14 2017-03-16 Denso International America, Inc. Self-calibrating indicating device
CN106709452A (zh) * 2016-12-23 2017-05-24 浙江大学 一种基于智能巡检机器人的仪表位置检测方法
CN106778823A (zh) * 2016-11-22 2017-05-31 国网湖北省电力公司宜昌供电公司 一种指针式仪表读数自动识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3998215B1 (ja) * 2007-03-29 2007-10-24 国立大学法人山口大学 画像処理装置、画像処理方法及び画像処理プログラム
CN103034838A (zh) * 2012-12-03 2013-04-10 中国人民解放军63963部队 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN103927507A (zh) * 2013-01-12 2014-07-16 山东鲁能智能技术有限公司 一种改进的变电站巡检机器人的多仪表读数识别方法
CN104463240A (zh) * 2013-09-23 2015-03-25 深圳市朗驰欣创科技有限公司 一种控制列表界面的方法及装置
CN104899609A (zh) * 2015-06-19 2015-09-09 四川大学 一种基于图像配准的机械式表计识别方法
US20170075437A1 (en) * 2015-09-14 2017-03-16 Denso International America, Inc. Self-calibrating indicating device
CN105975979A (zh) * 2016-04-22 2016-09-28 浙江大学 一种基于机器视觉的仪表检测方法
CN105913095A (zh) * 2016-05-17 2016-08-31 杭州申昊科技股份有限公司 一种适用于变电站巡检机器人的仪表识别方法
CN105930837A (zh) * 2016-05-17 2016-09-07 杭州申昊科技股份有限公司 基于自主巡检机器人的变电站仪表设备图像识别方法
CN106778823A (zh) * 2016-11-22 2017-05-31 国网湖北省电力公司宜昌供电公司 一种指针式仪表读数自动识别方法
CN106709452A (zh) * 2016-12-23 2017-05-24 浙江大学 一种基于智能巡检机器人的仪表位置检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIA-WEI GAO 等: "A Robust Pointer Meter Reading Recognition Method for Substation Inspection Robot", 《2017 INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION SCIENCES》 *
孙伟 等: "《嵌入式图像处理***工程案例精选DaVinci***设计与实现》", 30 April 2017 *
张文杰 等: "基于视觉显著性的指针式仪表读数识别算法", 《计算机辅助设计与图形学学报》 *
许丽 等: "巡检机器人中的指针式仪表读数识别***", 《仪器仪表学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616723A (zh) * 2018-04-20 2018-10-02 国网江苏省电力有限公司电力科学研究院 一种用于gil管廊的视频巡检***
CN110378257A (zh) * 2019-07-04 2019-10-25 上海图菱新能源科技有限公司 人工智能模型全过程自动化***
CN110378257B (zh) * 2019-07-04 2023-12-19 山东巧思智能科技有限公司 人工智能模型全过程自动化***
CN112562112A (zh) * 2020-11-16 2021-03-26 深圳市长龙铁路电子工程有限公司 自动巡检方法及***
CN113450384A (zh) * 2021-06-11 2021-09-28 力源电力设备股份有限公司 基于编码标志信息的指针式表计物理信息读取方法
CN113450384B (zh) * 2021-06-11 2023-12-29 力源电力设备股份有限公司 基于编码标志信息的指针式表计物理信息读取方法

Also Published As

Publication number Publication date
CN107729906B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN107729906A (zh) 一种基于智能机器人的巡检点电表数值识别方法
CN106338521B (zh) 增材制造表面及内部缺陷与形貌复合检测方法及装置
CN106737665B (zh) 基于双目视觉和sift特征匹配的机械臂控制***及实现方法
CN111582123B (zh) 一种基于信标识别与视觉slam的agv定位方法
CN104899609B (zh) 一种基于图像配准的机械式表计识别方法
CN110967014B (zh) 一种基于增强现实技术的机房室内导航和设备追踪的方法
CN110108712A (zh) 多功能视觉缺陷检测***
TW201516969A (zh) 視訊物件追蹤方法
Momeni-k et al. Height estimation from a single camera view
CN109447949A (zh) 基于巡检机器人的绝缘端子缺陷识别方法
CN106650701A (zh) 基于双目视觉的室内阴影环境下障碍物检测方法及装置
CN107009357A (zh) 一种基于nao机器人抓取物体的方法
CN105631852A (zh) 基于深度图像等高线的室内人体检测方法
CN107832661A (zh) 一种基于视觉路标的室内移动机器人定位方法
CN111967323B (zh) 一种基于深度学习算法的电力带电作业安全检测方法
CN108470165B (zh) 一种采摘机器人果实视觉协同搜索方法
CN111652069A (zh) 移动机器人的目标识别与定位方法
CN111283303A (zh) 一种基于hdr图像的熔池中心识别***及其方法
CN115861407B (zh) 基于深度学习的安全距离检测方法及***
Jiang et al. Mobile robot gas source localization via top-down visual attention mechanism and shape analysis
CN111127542A (zh) 一种基于图像的非合作目标对接环提取方法
CN115902977A (zh) 基于视觉和gps的变电站机器人双重定位方法及***
CN116160458A (zh) 一种移动机器人多传感器融合快速定位方法、设备及***
CN115049860A (zh) 一种基于特征点识别的***及抓取方法
Ristić-Durrant et al. Low-level sensor fusion-based human tracking for mobile robot

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