CN107784634A - 一种基于模板匹配的输电线杆塔鸟巢识别方法 - Google Patents
一种基于模板匹配的输电线杆塔鸟巢识别方法 Download PDFInfo
- Publication number
- CN107784634A CN107784634A CN201710794666.2A CN201710794666A CN107784634A CN 107784634 A CN107784634 A CN 107784634A CN 201710794666 A CN201710794666 A CN 201710794666A CN 107784634 A CN107784634 A CN 107784634A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- image
- template
- shaft tower
- power transmission
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 244000000626 Daucus carota Species 0.000 title claims abstract description 20
- 230000005540 biological transmission Effects 0.000 title claims abstract description 20
- 235000005770 birds nest Nutrition 0.000 title claims abstract description 20
- 235000005765 wild carrot Nutrition 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 230000000750 progressive effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000005611 electricity Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 239000012212 insulator Substances 0.000 abstract description 3
- 239000000725 suspension Substances 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000000926 separation method Methods 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
大部分基于无人机输电线路巡检技术的研究都是关于导线的断股和异物悬挂、绝缘子缺失等缺陷检测。而对于输电线杆塔横鸟巢识别技术的研究却少之又少。而且图片背景较为复杂,难以获得令人较为满意的检测效果。杆塔是输电线路中的重要部件,一旦出现故障隐患,将直接威胁高压电网安全。本发明涉及一种基于模板匹配的输电线杆塔鸟巢识别方法,首先将航拍图从GRB空间转换为HSI空间,为了减少运算量,提高识别速度,通过对图片进行降维处理,然后分别在H和S通道上做预处理。经过预处理后,载入准备好的模板,利用模板匹配法将待识别的图像与模板图像进行信息区叠加,对叠加后的图像进行匹配像素统计,从而得到匹配系数,取匹配系数最大值为最佳匹配。
Description
技术领域
本发明涉及模板匹配,具体涉及一种基于模板匹配的输电线杆塔鸟巢识别方法。
背景技术
经济发展不仅使城乡电网负荷快速增长,也对供电可靠性和供电质量提出了更高的要求。 我国的电力线路走廊,经常需要穿越各种复杂的地理环境,频繁经过湖泊水库以及崇山峻岭 等,输电线路这种覆盖范围大、分布区域广、传输距离长、地理条件复杂多变及受环境气候 影响显著等特点,给线路的日常运行、维护和检修带来极大挑战。
输电线路的巡视一般采用人工巡视方式,这种方法虽简单,但效率较低,周期较长,且 需要配备大量光学设备和素质高、经验丰富的巡线人员,对人力、财力的要求较高。随着我 国基于无人机的输电线路巡检技术的发展和应用,对于如何在复杂的自然背景下,利用图像 处理技术,从航空影像中自动精确地提取线路设备(如导线、绝缘子等),准确识别检测其 缺陷,成为一项关键技术问题。
目前,大部分基于无人机输电线路巡检技术的研究都是关于导线的断股和异物悬挂、绝 缘子缺失等缺陷检测。而对于输电线杆塔横鸟巢识别技术的研究却少之又少。同时,由于图 片背景较为复杂,难以获得令人较为满意的检测效果。杆塔是输电线路中的重要部件,一旦 出现故障隐患,将直接威胁高压电网安全,甚至造成难以估量的损失。
本文针对这一不足,重点研究了航拍图像中的杆塔鸟巢的识别。
发明内容
本发明公开了一种基于航拍图像的输电线杆塔鸟巢识别方法,主要内容包括航拍图像预 处理、利用模板匹配法检测鸟巢、显示匹配结果。
本发明的总体设计思想是:由于航拍图片背景比较复杂,且拍摄角度不固定,本文首先 将航拍图从GRB空间转换为HSI空间。为了减少运算量,提高识别速度,通过对图片进行 降维处理,然后分别在H和S通道上做预处理。经过预处理后,载入准备好的模板,利用模板匹配法将待识别的图像与模板图像进行信息区叠加,对叠加后的图像进行匹配像素统计, 从而得到匹配系数,取匹配系数最大值为最佳匹配。图1是该方法总体流程图。
附图说明
图1主程序流程图;
图2-1加椒盐噪声图与自适应滤波后对比截图;
图2-2 HIS单通道图像;
图2-3 HIS单通道图像阈值分割;
图2-4 H和S通道阈值分割后取交集效果;
图2-5 Sobel算子;
图2-6 Sobel边缘检测效果图;
图3-1模板匹配过程;
图3-2鸟巢模板;
图3-3鸟巢识别结果。
具体实施方式
图像预处理
由于不存在完美状态,在获取图像过程中不可避免总会引入各种噪声,不仅妨碍感官, 更会妨碍后续图源信息的理解和分析,给处理结果造成误差,因此,在对图像处理之前一般 会所得目标图像进行去噪处理。滤波是信号处理中的概念,目的是将信号中特定波段的频率 滤除,为去噪中很经典的处理方法。
自适应中值滤波
中值滤波效果依赖于滤波窗口的大小,太大使边缘模糊,太小了则去噪效果不佳。因为 噪声点和边缘点同样是灰度变化较为剧烈的像素,普通中值滤波改变噪声点灰度时,也将一 定程度改变边缘像素的灰度值。而噪声点像素值几乎都是邻域内的极值,但边缘通常不会是, 则能利用这一特征来限制中值滤波。
具体的改进方法可为:逐行扫描图像,当处理每一个像素时,判断该像素是否是滤波窗 口覆盖下邻域像素的极大值或者极小值。如果是,则采用正常的中值滤波处理该像素;如果 不是,则不予处理。这种方法能够非常有效地去除突发噪声点,尤其是椒盐噪声,并且几乎 不影响边缘。对比图如图2-1所示。
在本发明中,因其相邻各点有很强的相关性,边缘特征又要保证不被模糊,所以中值滤 波法最合适。
空间变换及处理
HSI色彩空间用色调(Hue)、色饱和度(Saturation)和亮度(Intensity)来描述色彩。用色调和 饱和度表示颜色的类别与深浅程度,用亮度指示颜色的相对明暗度。HSI色彩空间将图像的 色度与亮度分开,为彩色图像处理提供了极大的便利,对于特定颜色,只需要针对H和S分 量,在平面进行分析处理,而忽略右侧的I分量。将航拍图像转换到HSI空间,并将三通 道分离,获取H和S分量单通道图像如图2-2所示。
由于图像分辨率比较高,计算耗费的时间就比较长。因此,在通道分离后,对图像大小 进行重置,减小为原来0.5倍,这样可以减少计算量,加快代码运行效率。接着分别对H和 S通道进行阈值分割,获取的前景图像如图2-3所示。
由图2-3可见,H通道噪点相对较少,也基本消除了单幅图像中光线强弱对前景提取的 影响,而S通道中存在大量的噪点色块。通过对不同背景中不同颜色杆塔的大量测试可知, H分量单通道阈值分割,可将大多情况下的杆塔较完整地提取;S分量虽能将杆塔提取,却 极易出现误检。可见,单独使用HSI色彩空间的某一种分量,很难获取较准确的前景图像。 将图2-3所示的两幅图像求交集,如此便可同时利用H和S分量信息,同时忽略I分量,避 免光照的影响,如图2-4所示。
分析以上可知,将图像首先从RGB色彩空间转换到HSI空间,再分别对H和S通道进行阈值分割,最后将分割结果求交集,这一方法可以将草地、水泥地上等背景去除,减少干扰识别的因素。
Sobel边缘检测
Sobel算子是一种基于梯度的边缘检测方法。Sobel算子的表达式为:
g(i,j)=|f(i-l,j+1)+2f(i,j+l)+f(i+1,j+1)-f(i-1,j-l)-2f(i,j-l)-f(i+1,j-l)|
+|f(i-l,j-1)+2f(i-l,j)+f(i-l,j+l)-f(i+1,j-l)-2f(i+1,j)-f(i+l,j+1)|
Sobel边缘检测算子的两个卷积计算模板如图2-5所示,图像中的每个点都用这两个模板 作卷积,第一个模板对通常的垂直边缘响应最大,第二个模板对水平边缘响应最大。两个卷 积的最大值作为该点的输出值,运算结果是一幅边缘幅度图像。Sobel算子对灰度渐变和噪 声较多的图像处理得较好。
Sobel算子首先对图像进行平滑处理,具有一定的噪声抑制能力,然后再作微分运算,可 以产生很好的边缘效果,但也会检测出一些伪边缘,使得边缘较粗。考虑到图像实时处理要 求计算速度快,而杆塔鸟巢的特征明显,精度要求不高,因此采用基于一阶导数的Sobel算 子进行边缘检测。检测结果如图2-6所示。
基于模板匹配的鸟巢识别
匹配是将输入与事先己有的表达进行结合,或根据已知模式寻找相应的模式的过程,即 建立未知与已知之间的联系以识别未知对象的过程。将已知模式的集合称为模板库,未知模 式的集合成为测试样本库。如图3-1所示,在模板库中找到待分类模式所属的类别的过程即 为匹配。
模板导入
本发明针对***编号进行识别,将标准的***编号字体的数字模板导入数据库中,利用 Matlab自带图像输入语,即句,即:
temp=imread('C:\Users\Administrator\Desktop\muban.bmp');
鸟巢模板如图3-2所示。
鸟巢识别流程
首先将待识别字体模板输入数据库中,然后将待识别航拍图片图片输入程序中,通过空 间变换、阈值分割、边缘检测,将图像背景去除,并与模板进行相乘,统计每次模板匹配后 的相关系数,相关系数越大表示匹配程度较高。选取相关系数最大的点作为识别结果,最后 将识别结果输出。识别结果如图3-3所示。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实 施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明 的实质内容。
Claims (5)
1.一种基于模板匹配的输电线杆塔鸟巢识别方法,其特征在于:首先将航拍图从GRB空间转换为HSI空间;其次,通过对图片进行降维处理,然后分别在H和S通道上做预处理;经过预处理后,载入准备好的模板,利用模板匹配法将待识别的图像与模板图像进行信息区叠加,对叠加后的图像进行匹配像素统计,从而得到匹配系数,取匹配系数最大值为最佳匹配。
2.根据权利要求1所述的输电线杆塔鸟巢识别方法,其特征在于:所述的滤波为自适应中值滤波,逐行扫描图像,当处理每一个像素时,判断该像素是否是滤波窗口覆盖下邻域像素的极大值或者极小值;如果是,则采用正常的中值滤波处理该像素;如果不是,则不予处理。
3.根据权利要求1所述的输电线杆塔鸟巢识别方法,其特征在于:所述的空间变换为:HSI色彩空间将图像的色度与亮度分开,为彩色图像处理提供了极大的便利,对于特定颜色,只需要针对H和S分量,在平面进行分析处理,而忽略右侧的I分量。
4.根据权利要求1所述的输电线杆塔鸟巢识别方法,其特征在于:Sobel边缘检测具体为:Sobel算子首先对图像进行平滑处理,具有一定的噪声抑制能力,然后再作微分运算,可以产生很好的边缘效果。
5.根据权利要求1所述的输电线杆塔鸟巢识别方法,其特征在于:所述的模板匹配具体为:将待识别字体模板输入数据库中,然后将待识别航拍图片输入程序中,经过一系列预处理操作将图像背景去除,并与模板进行相乘,统计每次模板匹配后的相关系数,相关系数越大表示匹配程度较高。选取相关系数最大的点作为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710794666.2A CN107784634A (zh) | 2017-09-06 | 2017-09-06 | 一种基于模板匹配的输电线杆塔鸟巢识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710794666.2A CN107784634A (zh) | 2017-09-06 | 2017-09-06 | 一种基于模板匹配的输电线杆塔鸟巢识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784634A true CN107784634A (zh) | 2018-03-09 |
Family
ID=61437957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710794666.2A Pending CN107784634A (zh) | 2017-09-06 | 2017-09-06 | 一种基于模板匹配的输电线杆塔鸟巢识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784634A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759670A (zh) * | 2018-05-31 | 2018-11-06 | 成都唐源电气股份有限公司 | 一种基于非接触式检测技术的接触线磨耗动态检测装置 |
CN108764020A (zh) * | 2018-03-30 | 2018-11-06 | 广东工业大学 | 一种基于无人机图像的高压电塔上的鸟巢识别方法 |
CN109445432A (zh) * | 2018-10-31 | 2019-03-08 | 中国科学技术大学 | 基于图像的无人机和地面移动机器人编队定位方法 |
CN109544501A (zh) * | 2018-03-22 | 2019-03-29 | 广东电网有限责任公司清远供电局 | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 |
CN110020598A (zh) * | 2019-02-28 | 2019-07-16 | 中电海康集团有限公司 | 一种基于深度学习检测电线杆上异物的方法及装置 |
CN110276241A (zh) * | 2019-03-28 | 2019-09-24 | 广东工业大学 | 一种基于模板匹配的防震锤识别方法 |
CN110516531A (zh) * | 2019-07-11 | 2019-11-29 | 广东工业大学 | 一种基于模板匹配的危险品标志的识别方法 |
CN113050153A (zh) * | 2020-11-06 | 2021-06-29 | 泰州物族信息科技有限公司 | 对象存在有效性鉴定平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105536205A (zh) * | 2015-12-08 | 2016-05-04 | 天津大学 | 一种基于单目视频人体动作感知的上肢训练*** |
CN105562361A (zh) * | 2015-12-23 | 2016-05-11 | 西安工程大学 | 一种织物分拣机器人自主分拣方法 |
KR101684139B1 (ko) * | 2015-06-30 | 2016-12-08 | 주식회사 버츄얼스톰 | 다중 블록 레이어 조명환경을 이용한 증강현실 방법 및 그 기록매체 |
CN106326808A (zh) * | 2015-06-23 | 2017-01-11 | 上海深邃智能科技有限公司 | 基于无人机图像的检测输电线路杆塔鸟窝的方法 |
CN106683075A (zh) * | 2016-11-22 | 2017-05-17 | 广东工业大学 | 一种输电线杆塔横担处螺栓缺陷检测方法 |
CN106980827A (zh) * | 2017-03-16 | 2017-07-25 | 天津大学 | 一种基于航拍图像的识别输电线路中鸟巢的方法 |
-
2017
- 2017-09-06 CN CN201710794666.2A patent/CN107784634A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326808A (zh) * | 2015-06-23 | 2017-01-11 | 上海深邃智能科技有限公司 | 基于无人机图像的检测输电线路杆塔鸟窝的方法 |
KR101684139B1 (ko) * | 2015-06-30 | 2016-12-08 | 주식회사 버츄얼스톰 | 다중 블록 레이어 조명환경을 이용한 증강현실 방법 및 그 기록매체 |
CN105536205A (zh) * | 2015-12-08 | 2016-05-04 | 天津大学 | 一种基于单目视频人体动作感知的上肢训练*** |
CN105562361A (zh) * | 2015-12-23 | 2016-05-11 | 西安工程大学 | 一种织物分拣机器人自主分拣方法 |
CN106683075A (zh) * | 2016-11-22 | 2017-05-17 | 广东工业大学 | 一种输电线杆塔横担处螺栓缺陷检测方法 |
CN106980827A (zh) * | 2017-03-16 | 2017-07-25 | 天津大学 | 一种基于航拍图像的识别输电线路中鸟巢的方法 |
Non-Patent Citations (2)
Title |
---|
丁巧: "机器视觉激光焊接缺陷检测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
张少平: "输电线路典型目标图像识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544501A (zh) * | 2018-03-22 | 2019-03-29 | 广东电网有限责任公司清远供电局 | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 |
CN108764020A (zh) * | 2018-03-30 | 2018-11-06 | 广东工业大学 | 一种基于无人机图像的高压电塔上的鸟巢识别方法 |
CN108759670A (zh) * | 2018-05-31 | 2018-11-06 | 成都唐源电气股份有限公司 | 一种基于非接触式检测技术的接触线磨耗动态检测装置 |
CN109445432A (zh) * | 2018-10-31 | 2019-03-08 | 中国科学技术大学 | 基于图像的无人机和地面移动机器人编队定位方法 |
CN110020598A (zh) * | 2019-02-28 | 2019-07-16 | 中电海康集团有限公司 | 一种基于深度学习检测电线杆上异物的方法及装置 |
CN110276241A (zh) * | 2019-03-28 | 2019-09-24 | 广东工业大学 | 一种基于模板匹配的防震锤识别方法 |
CN110516531A (zh) * | 2019-07-11 | 2019-11-29 | 广东工业大学 | 一种基于模板匹配的危险品标志的识别方法 |
CN110516531B (zh) * | 2019-07-11 | 2023-04-11 | 广东工业大学 | 一种基于模板匹配的危险品标志的识别方法 |
CN113050153A (zh) * | 2020-11-06 | 2021-06-29 | 泰州物族信息科技有限公司 | 对象存在有效性鉴定平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784634A (zh) | 一种基于模板匹配的输电线杆塔鸟巢识别方法 | |
CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
CN108133481A (zh) | 一种针对荧光免疫层析试条成像***的图像处理算法 | |
CN106683075A (zh) | 一种输电线杆塔横担处螺栓缺陷检测方法 | |
CN113989662B (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN108550159B (zh) | 一种基于图像三色分割的烟气浓度标识方法 | |
Chao et al. | High throughput spectral imaging system for wholesomeness inspection of chicken | |
CN111007039B (zh) | 中低分辨率遥感图像亚像元级水体自动提取方法和*** | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和*** | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、***及软件存储器 | |
CN105974120B (zh) | 一种c反应蛋白色度自动检测装置与方法 | |
CN109613023A (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
CN112215085A (zh) | 一种基于孪生网络的输电走廊异物检测方法及*** | |
CN106251328A (zh) | 一种利用二维高光谱图像识别鸡胴体表面污染物的方法 | |
CN107704878A (zh) | 一种基于深度学习的高光谱数据库半自动化建立方法 | |
CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
CN107462182A (zh) | 一种基于机器视觉和红线激光器的截面轮廓形变检测方法 | |
CN114663821A (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
CN110276241A (zh) | 一种基于模板匹配的防震锤识别方法 | |
CN113158969A (zh) | 一种苹果外观缺陷识别***及方法 | |
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN116543241A (zh) | 泄露气体云团的检测方法、装置、存储介质和电子设备 | |
Fang et al. | Detection of building shadow in remote sensing imagery of urban areas with fine spatial resolution based on saturation and near-infrared information | |
CN103900499B (zh) | 基于计算机视觉技术的卷烟包装警语区域面积测定方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |