CN113239752B - 一种无人机航拍影像自动识别*** - Google Patents
一种无人机航拍影像自动识别*** Download PDFInfo
- Publication number
- CN113239752B CN113239752B CN202110461261.3A CN202110461261A CN113239752B CN 113239752 B CN113239752 B CN 113239752B CN 202110461261 A CN202110461261 A CN 202110461261A CN 113239752 B CN113239752 B CN 113239752B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- module
- result
- loop
- 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
- 238000002372 labelling Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012986 modification Methods 0.000 claims abstract description 13
- 230000004048 modification Effects 0.000 claims abstract description 13
- 230000008676 import Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 239000003208 petroleum Substances 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction 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
- 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
- G06V10/40—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体提供了一种无人机航拍影像自动识别***,包括文件导入模块、图像文件识别模块、识别结果标注模块、标注结果修改模块、结果分析和导出模块,解决了现有无人机航拍影像后续分析处理方面依靠人工进行识别,识别的自动化水平较低,且人工识别标注的效率较低,所需的时间和费用较高的问题,本发明可以自动处理航拍影像图,并自动找出图中的关键区域(住宅/办公楼/厂房/医院等),并标注到原图像上,从而提高相关行业应用(如石油管线高后果区识别)的自动化水平,减少了工作量,提高了识别标注的效率,缩短了时间,降低了费用。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种无人机航拍影像自动识别***。
背景技术
近年来无人机在巡检和测绘等行业的应用越来越广泛,无人机凭借着操作简便、成本低、灵活性高、适应性强等优势,使这些工作变得更加智能化、自动化。
无人机巡检、测绘一般要求无人机上搭载摄像设备,连续拍摄多张目标区域的图片,并记录图像拍摄的位置和角度等信息,然后合成目标区域的二维或三维影像,随后进行相关分析,采集并标注图像中的关键数据,最后归档图像数据。
其中图像合成的技术已经相对成熟且可以完全借助计算机完成,如Pix4Dmapper等软件已经可以自动合成较高质量的目标区域的二维影像。
但是在图像的后续分析处理方面的相关研究与应用较少,比如标注居民区、医院、学校、道路以及各种关键设施等都需要依靠人工进行识别,识别的自动化水平较低。而人工识别标注的效率较低,所需的时间和费用较高。
发明内容
本发明提供的一种无人机航拍影像自动识别***目的是克服现有技术中无人机航拍影像后续分析处理方面依靠人工进行识别,识别的自动化水平较低,且人工识别标注的效率较低,所需的时间和费用较高的问题。
为此,本发明提供了一种无人机航拍影像自动识别***,包括文件导入模块、图像文件识别模块、识别结果标注模块、标注结果修改模块、结果分析和导出模块,文件导入模块将用户选择的图像导入到图像文件识别模块;图像文件识别模块对导入的图像进行识别并将识别结果输送至识别结果标注模块;识别结果标注模块将识别结果标注到用户选择的图像上;标注结果修改模块对有问题的识别结果进行修改;结果分析和导出模块对识别结果统计分析及保存。
所述文件导入模块将用户选择的图像导入包括如下步骤:将用户选择的图像读入内存、解码并统一转换为RGB格式的二维点阵图像的形式存储。
所述图像文件识别模块对导入的图像进行识别包括如下步骤:
1)对导入的图像进行预处理,所述预处理包括如下步骤:首先将导入的图像转换为灰度图像,去除灰度图像上的噪点;然后对去除噪点后的灰度图像进行边缘检测及边缘细化,得出骨架图;最后,连接骨架图中的间隔;
2)将步骤1)的骨架图作为一张平面图,将骨架图中有多个岔路的像素点作为节点,两个节点之间的路径作为边;
3)检测步骤2)骨架图中所有的最小环路;
4)将步骤3)所有的最小环路进行筛选,过滤掉所有的非矩形环路;
5)将导入的图像按照步骤4)过滤后剩余的环路进行切割,切割后进行归类,形成初识识别结果。
所述边缘检测通过检测图像相邻部分的变化率确定边缘。
所述边缘细化是对检测到的边缘进行细化,并将同一线条细化为单像素宽度。
所述检测最小环路采用算法,所述算法包括如下步骤:对于所有边所连接的两个节点和/>规定一个顺序,正向遍历为/>,逆向遍历为/>;对于每条边保留两个计数值:/>和/>,其中,/>表示这条边是否被正向遍历过,/>表示这条边是否被反向遍历过;初始状态下,对于所有边/>,/>;然后,任意选择一个满足/>或/>的边,若其,则正向遍历该边,否则有/>,此时反向遍历该边,直到返回该边;若正向遍历该边,则设置初始的当前节点为/>;否则设置初始的当前节点为/>;遍历的过程中,每次选择当前节点的顺时针方向的下一条边/>进行遍历,并根据遍历的方向设置/>或/>;返回初始节点后,遍历完成;遍历完成后即找出了一个最小环路;若遍历完成后图中仍存在边满足/>或/>,则继续执行上述步骤,直到所有边均满足/>且/>。
所述算法会额外检测出一个不属于最小环路的环路,检测完毕后去掉不属于最小环路的环路后,剩下的即为骨架图中所有的最小环路。
所述步骤4通过计算环路与矩形的相似度进行筛选过滤,筛选过滤包括如下步骤:首先枚举矩形的方向,然后采用二分查找的方式,找出矩形的边的位置,对于每条边,均匀取其中的n个点,并对每个点计算垂直于线段方向的、距离该点最近的环路上的点与该点的距离与对应边长度的比值,最终得出该环路与矩形的不相似度,过滤掉不相似度大于预设的阈值的环路,即过滤掉所有的非矩形的环路。
所述不相似度的计算公式为,/>为不相似度,/>为矩形的方向,/>的角度为0 ~ 360°,/>为点,/>为对应边长度,ri为每个点垂直于线段方向的、距离该点最近的环路上的点与该点的距离。
所述标注结果修改模块对有问题的识别结果进行修改时,操作员检验对应区域的标注是否有误,并在对应区域进行增加/删除/修改操作,形成最终标注结果,即为最终识别结果。
本发明的有益效果:本发明提供的这种无人机航拍影像自动识别***,文件导入模块具有文件导入功能,将用户选择的图像导入到图像文件识别模块;图像文件识别模块具有图像文件识别功能,将用户导入的图像文件进行关键区域提取、筛选和分类,形成初步的分类结果(识别结果),识别结果标注模块将识别结果标注到用户选择的图像上;标注结果修改模块对有问题的识别结果进行修改;结果分析和导出模块对识别结果统计分析及保存,为相关行业的应用提供参考,本无人机航拍影像自动识别***可以自动处理航拍影像图,并自动找出图中的关键区域(住宅/办公楼/厂房/医院等),并标注到原图像上,从而提高相关行业应用(如石油管线高后果区识别)的自动化水平,减少了工作量,提高了识别标注的效率,缩短了时间,降低了费用。
附图说明
以下将结合附图对本发明做进一步详细说明。
图1是无人机航拍影像自动识别***的流程图;
图2是图像骨架优化的示意图;
图3是图像骨架的节点和边的定义;
图4是最小环路示意图;
图5是矩形上的点到环路上的对应点的距离的示意图;
图6为具体实施方式介绍中的示例航拍影像图;
图7为图6的预处理结果;
图8为图7的环路提取结果;
图9为图6的已标注到原图像上的初步识别结果。
具体实施方式
实施例1:
如图1所示,一种无人机航拍影像自动识别***,包括文件导入模块、图像文件识别模块、识别结果标注模块、标注结果修改模块、结果分析和导出模块,文件导入模块将用户选择的图像导入到图像文件识别模块;图像文件识别模块对导入的图像进行识别并将识别结果输送至识别结果标注模块;识别结果标注模块将识别结果标注到用户选择的图像上;标注结果修改模块对有问题的识别结果进行修改;结果分析和导出模块对识别结果统计分析及保存。
本发明提供的这种无人机航拍影像自动识别***,其实现包含前端展示和后端处理算法两部分,其中前端展示包括文件导入模块、识别结果标注模块、标注结果修改模块、结果分析和导出模块,负责提供用户界面,方便用户操作,展示处理结果,并允许用户手动修正结果;后端处理算法包括图像文件识别模块,后端处理算法为***提供核心算法支持;
文件导入模块具有图像文件导入功能,用户选择图像文件,导入到图像文件识别模块中,支持jpg\bmp\gif\png等多种图像格式;图像文件识别模块具有图像文件识别功能,将用户导入的图像文件进行关键区域提取、筛选和分类,形成初步的分类结果(识别结果),识别结果标注模块将识别结果标注到用户选择的图像上;标注结果修改模块对有问题的识别结果进行修改,修改时允许用户手动调整;结果分析和导出模块对识别结果统计分析及保存,为相关行业的应用提供参考,本无人机航拍影像自动识别***可以自动处理航拍影像图,并自动找出图中的关键区域(住宅/办公楼/厂房/医院等),并标注到原图像上,从而提高相关行业应用(如石油管线高后果区识别)的自动化水平,减少了工作量,提高了识别标注的效率,缩短了时间,降低了费用。
实施例2:
在实施例1的基础上,进一步的,所述文件导入模块将用户选择的图像导入包括如下步骤:将用户选择的图像读入内存、解码并统一转换为RGB格式的二维点阵图像的形式存储。支持jpg\bmp\gif\png等多种图像格式,适应性强,此部分主要由前端参与。
进一步的,所述图像文件识别模块对导入的图像进行识别包括如下步骤:
1)对导入的图像进行预处理,所述预处理包括如下步骤:首先将导入的图像转换为灰度图像,去除灰度图像上的噪点;然后对去除噪点后的灰度图像进行边缘检测及边缘细化,得出骨架图;最后,连接骨架图中的间隔;得出骨架图后连接骨架图中的间隔(如图2所示),是对骨架图进行优化;
2)将步骤1)的骨架图作为一张平面图,将骨架图中有多个岔路的像素点作为节点,两个节点之间的路径作为边(如图3所示);这样建立的图中,每个节点的度(与节点相连的边的条数)满足:/>;
3)检测步骤2)骨架图中所有的最小环路;所述最小环路为无法拆分成两个或多个更小环路的环路(如图4所示,图中共有5个最小环路);
4)将步骤3)所有的最小环路进行筛选,过滤掉所有的非矩形环路;
5)将导入的图像按照步骤4)过滤后剩余的环路进行切割,切割后进行归类,形成初识识别结果。
进一步的,所述边缘检测通过检测图像相邻部分的变化率确定边缘;变化率即梯度值,边缘检测的算法为公知技术,检测时选择变化率大的部分作为边缘。此方法确定边缘简单清晰准确度高。
进一步的,所述边缘细化是对检测到的边缘进行细化,并将同一线条细化为单像素宽度。使得出的图像骨架更加精确。
进一步的,所述检测最小环路采用算法,所述算法包括如下步骤:对于所有边所连接的两个节点和/>规定一个顺序,正向遍历为/>,逆向遍历为/>;对于每条边保留两个计数值:/>和/>,其中,/>表示这条边是否被正向遍历过,/>表示这条边是否被反向遍历过;初始状态下,对于所有边/>,/>;然后,任意选择一个满足/>或/>的边,若其/>,则正向遍历该边,否则有/>,此时反向遍历该边,直到返回该边;若正向遍历该边,则设置初始的当前节点为/>;否则设置初始的当前节点为/>;遍历的过程中,每次选择当前节点的顺时针方向的下一条边/>进行遍历,并根据遍历的方向设置/>或;返回初始节点后,遍历完成;遍历完成后即找出了一个最小环路;若遍历完成后图中仍存在边满足/>或/>,则继续执行上述步骤,直到所有边均满足/>且/>。
进一步的,所述算法会额外检测出一个不属于最小环路的环路,检测完毕后去掉不属于最小环路的环路后,剩下的即为骨架图中所有的最小环路。上述检测算法会额外检测出一个不属于最小环路的环路,它是包围在整个图形外侧的一个环路(如图4中的环路),因此执行完检测算法后,需要去掉所包围的面积最大的环路,剩下的就是所有的最小环路。
进一步的,所述步骤4通过计算环路与矩形的相似度进行筛选过滤,筛选过滤包括如下步骤:首先枚举矩形的方向,然后采用二分查找的方式,找出矩形的边的位置,对于每条边,均匀取其中的 n 个点(矩形总共有4n个点),并对每个点计算垂直于线段方向的、距离该点最近的环路上的点与该点的距离ri如图5所示)与对应边长度的比值,最终得出该环路与矩形的不相似度,过滤掉 不相似度大于预设的阈值的环路,即过滤掉所有的非矩形的环路。
进一步的,所述不相似度的计算公式为
,为不相似度,/>为矩形的方向,/>的角度为0 ~ 360°,/>为点,/>为对应边长度,ri为每个点垂直于线段方向的、距离该点最近的环路上的点与该点的距离。此算法精确度高。
进一步的,所述标注结果修改模块对有问题的识别结果进行修改时,操作员检验对应区域的标注是否有误,并在对应区域进行增加/删除/修改操作,形成最终标注结果,即为最终识别结果。
软件将原始航拍影像显示在界面上,作为底板;然后,将初步识别结果叠加到底板上进行标注,其包含所有的关键区域的范围和关键区域的分类结果;操作员可检验对应区域的标注是否有误,并直接在界面上的对应区域进行增加/删除/修改操作,从而调整结果,形成最终标注结果。允许操作员对标注结果进行调整,以获取更准确的结果。
进一步的,结果分析和导出模块对识别结果统计分析及保存。具体实现是根据最终识别结果,统计相关信息,并可以根据操作员提供自定义的公式计算一些附加项目,并最终将其写入到用户指定的Excel表中,以供参考。本自动识别***可以自动统计分析识别结果(如建筑物数、人口估计数、易燃易爆物(如石油管线)附近的人口数等),并导出Excel报表,从而让相关行业的工作人员更加方便的进行数据整理工作,进而为行业应用提供参考。
实施例3:
在实施例2的基础上,结合附图对无人机航拍影像自动识别***在石油管道巡检领域的应用的说明如下:
图6为一张石油管道巡检的航拍影像示例图。
首先将石油管道巡检的航拍影像图片(图6)导入识别***,识别***会对导入的图片进行预处理,得出的骨架图(图7);然后检测骨架图中的所有最小环路,对检查的所有最小环路进行筛选,筛选掉不符合规则的环路,结果如图8所示;
此后***将会把原图中的对应区域用分类器进行识别,识别结果将标记在原图上(图9);图9显示所有的建筑物均被识别出来,且屋顶的建筑物被归类为厂房;但是仍有部分错误识别,图中的3个较小的非建筑物被识别成建筑物,此时需要人工在软件界面上进行调整,删除3个误识别的区域。
最后***可以对最终结果进行统计和分析,生成Excel表格的形式,以供后续统计分析。表格列明了石油管线附近的建筑物数、关键建筑物数(医院、学校、加油站的计数)和估计人口数(由操作员自定义计算公式,***会按照公式自动进行计算),可以为石油管线高后果区识别提供帮助。
本发明的描述中,需要理解的是,若有术语等指示的方位或位置关系为基于附图所示的方位或位置关系,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (8)
1.一种无人机航拍影像自动识别***,其特征在于:包括文件导入模块、图像文件识别模块、识别结果标注模块、标注结果修改模块、结果分析和导出模块,
文件导入模块将用户选择的图像导入到图像文件识别模块;
图像文件识别模块对导入的图像进行识别并将识别结果输送至识别结果标注模块;
所述图像文件识别模块对导入的图像进行识别包括如下步骤:
1)对导入的图像进行预处理,所述预处理包括如下步骤:首先将导入的图像转换为灰度图像,去除灰度图像上的噪点;然后对去除噪点后的灰度图像进行边缘检测及边缘细化,得出骨架图;最后,连接骨架图中的间隔;
2)将步骤1)的骨架图作为一张平面图,将骨架图中有多个岔路的像素点作为节点,两个节点之间的路径作为边;
3)检测步骤2)骨架图中所有的最小环路;
4)将步骤3)所有的最小环路进行筛选,过滤掉所有的非矩形环路;所述步骤4通过计算环路与矩形的相似度进行筛选过滤,筛选过滤包括如下步骤:首先枚举矩形的方向,然后采用二分查找的方式,找出矩形的边的位置,对于每条边,均匀取其中的个点,并对每个点计算垂直于线段方向的、距离该点最近的环路上的点与该点的距离与对应边长度的比值,最终得出该环路与矩形的不相似度,过滤掉不相似度大于预设的阈值的环路,即过滤掉所有的非矩形的环路;
5)将导入的图像按照步骤4)过滤后剩余的环路进行切割,切割后进行归类,形成初识识别结果;
识别结果标注模块将识别结果标注到用户选择的图像上;
标注结果修改模块对有问题的识别结果进行修改;
结果分析和导出模块对识别结果统计分析及保存。
2.如权利要求1所述的无人机航拍影像自动识别***,其特征在于:所述文件导入模块将用户选择的图像导入包括如下步骤:将用户选择的图像读入内存、解码并统一转换为RGB格式的二维点阵图像的形式存储。
3.如权利要求1所述的无人机航拍影像自动识别***,其特征在于:所述边缘检测通过检测图像相邻部分的变化率确定边缘。
4.如权利要求1所述的无人机航拍影像自动识别***,其特征在于:所述边缘细化是对检测到的边缘进行细化,并将同一线条细化为单像素宽度。
5. 如权利要求1所述的无人机航拍影像自动识别***,其特征在于:所述检测最小环路采用算法,所述算法包括如下步骤:对于所有边所连接的两个节点和/>规定一个顺序,正向遍历为/>,逆向遍历为 />;对于每条边保留两个计数值:/> 和 />,其中,/>表示这条边是否被正向遍历过,/>表示这条边是否被反向遍历过;初始状态下,对于所有边/>,/>;然后,任意选择一个满足/> 或 /> 的边,若其 />,则正向遍历该边,否则有 />,此时反向遍历该边,直到返回该边;若正向遍历该边,则设置初始的当前节点为/>;否则设置初始的当前节点为/>;遍历的过程中,每次选择当前节点的顺时针方向的下一条边/>进行遍历,并根据遍历的方向设置 />或 />;返回初始节点后,遍历完成;遍历完成后即找出了一个最小环路;若遍历完成后图中仍存在边满足 />或 />,则继续执行上述步骤,直到所有边均满足/> 且 />。
6.如权利要求5所述的无人机航拍影像自动识别***,其特征在于:所述算法会额外检测出一个不属于最小环路的环路,检测完毕后去掉不属于最小环路的环路后,剩下的即为骨架图中所有的最小环路。
7. 如权利要求1所述的无人机航拍影像自动识别***,其特征在于:所述不相似度的计算公式为, ns为不相似度,/>为矩形的方向,/>的角度为0 ~ 360°,/>为点,/>为对应边长度,ri为每个点垂直于线段方向的、距离该点最近的环路上的点与该点的距离。
8.如权利要求1所述的无人机航拍影像自动识别***,其特征在于:所述标注结果修改模块对有问题的识别结果进行修改时,操作员检验对应区域的标注是否有误,并在对应区域进行增加/删除/修改操作,形成最终标注结果,即为最终识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461261.3A CN113239752B (zh) | 2021-04-27 | 2021-04-27 | 一种无人机航拍影像自动识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461261.3A CN113239752B (zh) | 2021-04-27 | 2021-04-27 | 一种无人机航拍影像自动识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239752A CN113239752A (zh) | 2021-08-10 |
CN113239752B true CN113239752B (zh) | 2024-06-18 |
Family
ID=77129483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110461261.3A Active CN113239752B (zh) | 2021-04-27 | 2021-04-27 | 一种无人机航拍影像自动识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239752B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567046A (zh) * | 2009-06-11 | 2009-10-28 | 北京航空航天大学 | 一种基于最小覆盖圆匹配的无人机目标识别方法 |
CN108761237A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 无人机电力巡检图像关键电力部件自动诊断与标注*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2580726A1 (en) * | 2004-09-16 | 2006-03-30 | Imaging Therapeutics, Inc. | System and method of predicting future fractures |
US8401222B2 (en) * | 2009-05-22 | 2013-03-19 | Pictometry International Corp. | System and process for roof measurement using aerial imagery |
US9477904B2 (en) * | 2014-01-13 | 2016-10-25 | Here Global B.V. | Systems and methods for refining building alignment in an aerial image |
CN105825212A (zh) * | 2016-02-18 | 2016-08-03 | 江西洪都航空工业集团有限责任公司 | 一种基于Hadoop的分布式车牌识别方法 |
CN106096497B (zh) * | 2016-05-28 | 2019-08-06 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种针对多元遥感数据的房屋矢量化方法 |
CN106570468B (zh) * | 2016-10-25 | 2019-11-22 | 中国人民解放军空军工程大学 | 一种重建LiDAR原始点云建筑物轮廓线的方法 |
CN106650663B (zh) * | 2016-12-21 | 2019-07-16 | 中南大学 | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 |
CN112270234B (zh) * | 2020-10-20 | 2022-04-19 | 天津大学 | 一种基于航拍图像的输电线路绝缘子目标识别方法 |
-
2021
- 2021-04-27 CN CN202110461261.3A patent/CN113239752B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567046A (zh) * | 2009-06-11 | 2009-10-28 | 北京航空航天大学 | 一种基于最小覆盖圆匹配的无人机目标识别方法 |
CN108761237A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 无人机电力巡检图像关键电力部件自动诊断与标注*** |
Non-Patent Citations (1)
Title |
---|
"赋权图的最小环路遍历路径分析与研究";索红军;《渭南师范学院学报》;第27卷(第10期);第78-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113239752A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及*** | |
CN109685066B (zh) | 一种基于深度卷积神经网络的矿井目标检测与识别方法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN111461209B (zh) | 一种模型训练装置和方法 | |
CN107688811B (zh) | 车牌识别方法及装置 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN114998815B (zh) | 一种基于视频分析的交通车辆识别追踪方法及*** | |
CN111027456A (zh) | 基于图像识别的机械水表读数识别方法 | |
CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
CN109325487B (zh) | 一种基于目标检测的全种类车牌识别方法 | |
CN113538585B (zh) | 基于无人机的高精度多目标智能识别定位追踪方法及*** | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN105224941A (zh) | 对象辨识与定位方法 | |
CN112561885B (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN113239752B (zh) | 一种无人机航拍影像自动识别*** | |
CN117372956A (zh) | 一种变电站屏柜设备状态检测方法及装置 | |
CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、***及存储介质 | |
CN111160374A (zh) | 一种基于机器学习的颜色识别方法及***、装置 | |
CN113191351B (zh) | 数字电表的示数识别方法及装置、模型训练方法及装置 | |
CN114012722A (zh) | 一种基于深度学习和边缘检测的机械臂抓取目标方法 | |
CN110942008B (zh) | 一种基于深度学习的面单信息定位方法和*** | |
CN112633116A (zh) | 一种智能解析pdf图文的方法 | |
CN117372510B (zh) | 基于计算机视觉模型的地图注记识别方法、终端及介质 |
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 |