CN114648575A - 一种基于orb算法的轨道边坡位移双目视觉检测方法及*** - Google Patents
一种基于orb算法的轨道边坡位移双目视觉检测方法及*** Download PDFInfo
- Publication number
- CN114648575A CN114648575A CN202210357172.9A CN202210357172A CN114648575A CN 114648575 A CN114648575 A CN 114648575A CN 202210357172 A CN202210357172 A CN 202210357172A CN 114648575 A CN114648575 A CN 114648575A
- Authority
- CN
- China
- Prior art keywords
- marker
- displacement
- detection method
- orb algorithm
- binocular vision
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 239000003550 marker Substances 0.000 claims abstract description 69
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000003384 imaging method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 3
- 238000000034 method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000035882 stress Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及坡道安全检测技术领域，公开了一种基于ORB算法的轨道边坡位移双目视觉检测方法，包括如下步骤：S100，针对被测目标设置标志物；S200，按照预设频率实时获取包含标志物的测量图像；S300，根据预设规则自动识别测量图像中的标志物；S400，获取标志物的位移信息；可以由标志物的位移情况来反映边坡状况，再自动的对包含标志物的测量图像进行获取，从而能够持续的对标志物的位移信息进行监控，减少人工现场拍照的需要，从而能够减少误差，综合性的提升边坡安全检测效率。
Description
技术领域
本发明涉及坡道安全检测技术领域，具体涉及一种基于ORB算法的轨道边坡位移双目视觉检测方法。
背景技术
目前，在边坡安全检测领域中，主要分为两大类，分别是基于应力的检测和基于位移的检测。
其中，基于应力的检测方法是根据边坡内部受力结构失衡原理，将压力，张力，剪切力等检测传感器埋设在边坡内部相关检测点，进行动态的检测其内部相关应力变化情况，得到全面的边坡安全性判别的力学数据，检测精度高。但是，传感器埋设需要在了解边坡内部结构的基础上进行，专业知识要求高，且传感器的埋设和维护过程繁琐，实施难度和工程量大，且受制于成本和应用条件等。
基于位移的检测方法是利用不安全现象必然导致被检测目标表面特征(面积。长度，空间位置等)发生变化的原理。目前国内外基于位移的检测方法主要有人工现场观测法，GPS检测法，激光三维成像法，图像检测法等。
人工现场观测法是在边坡设置观测点和观测标尺，测量观测点物理量的变化。一般适用于危险性已知的场合，检测量和强度受气候条件的限制。
GPS检测法采用全球卫星定位技术，通过在监测点安装GPS接收器获取监测点的空间坐标信息，实现对被测点的动态检测。但是该方法测量精度低成本高，难以满足实际的工程需要。
激光三维成像法用于静态测量，检测时间长，目标物表面情况和边坡上的草，树都会对测量精度造成影响，不适用于边坡检测。
而图像检测法是一种非接触式，可以实现远距离测量的方法。它通过使用图像处理技术，得到目标信息的重要参数。但是为达到对目标空间信息获取的目的，首先需要做的是对目标进行识别，识别完成后，对目标进行三维重构，最终得到目标的空间位置信息。但是，目前需要人工进行现场拍摄获取现场图像，再由后台通过对现场图像的检测来对边坡安全进行判断，导致精准度不高，且时效性不强。
发明内容
本发明的目的在于提供一种基于ORB算法的轨道边坡位移双目视觉检测方法，解决以下技术问题：
如何提升边坡安全检测的效率和精准度。
本发明的目的可以通过以下技术方案实现：
一种基于ORB算法的轨道边坡位移双目视觉检测方法，包括如下步骤：
S100，针对被测目标设置标志物；
S200，按照预设频率实时获取包含所述标志物的测量图像；
S300，根据预设规则自动识别所述测量图像中的所述标志物；
S400，获取所述标志物的位移信息。
通过上述技术方案，可以由标志物的位移情况来反映边坡状况，再自动的对包含标志物的测量图像进行获取，从而能够持续的对标志物的位移信息进行监控，减少人工现场拍照的需要，从而能够减少误差，综合性的提升边坡安全检测效率。
作为本发明进一步的方案：还包括：
S500，将所述位移信息发送云服务器，所述云服务器处理后将所述位移信息连同安全判定结果发送终端。
通过上述技术方案，位移信息的实时发送云服务器能够将边坡安全情况实时的同步至终端，终端的持有者可以随时查看边坡安全情况，并能够在第一时间知晓边坡安全情况的变化，充分提升边坡安全检测的时效性。
作为本发明进一步的方案：所述步骤S200包括：
步骤S201，标定摄像组件的内参和外参，确定所述摄像组件组成部分的相对位置关系；
步骤S202，控制所述摄像组件针对所述被测目标获取所述测量图像。
通过上述技术方案，对摄像组件的位置标定以及确定能够最大限度的减少人工导致的拍摄误差，提升标志物位移信息获取的精准度。
作为本发明进一步的方案：所述摄像组件包括第一摄像单元和第二摄像单元；
所述内参数包括第一摄像单元的焦距fx和第二摄像单元的焦距fy和基准距u0、v0；
外参数有包括旋转矩阵R和平移向量T；
坐标转换关系式：
其中，[u v 1]T为图像坐标，[XW YW ZW 1]T为世界坐标，所述坐标转换关系式代表所述图像坐标与所述世界坐标之间的转换关系。
通过上述技术方案，能够快速的对标志物的坐标进行获取。
作为本发明进一步的方案：所述步骤S400包括：
S401，确定所述第一摄像单元的光圈圆心与所述第二摄像单元的光圈圆心之间的距离T；
S402，根据第一成像点距离第一摄像单元的光圈中心的第一偏距XL与第二成像点距离第二摄像单元的光圈中心的第二偏距XR的和得到视差D；
S403，根据相似三角形的相似公式计算得到所述标志物距离；
所述相似公式为：
(T-D)/T＝(Z-f)/Z
其中，Z为第一摄像单元的光圈圆心与第二摄像单元的光圈圆心之间连接线中点与所述标志物之间的距离，f为第一摄像单元和第二摄像单元的焦距，f＝fx＝fy，D＝XL+XR。
通过上述技术方案，利用相似三角形的相似公式能够准确的对标志物距离摄像组件的距离进行计算。
作为本发明进一步的方案：所述步骤S300包括：
S301，识别确定所述标志物的目标颜色。
作为本发明进一步的方案：所述步骤S300包括：
S302，根据所述目标颜色确认所述标志物的轮廓后，确定所述标志物的位置。
作为本发明进一步的方案：所述步骤S302包括：
S3021，基于ORB算法查找所述测量图像中关于所述标志物的关键点；
S3022，将所述关键点转化为对应的特征向量。
作为本发明进一步的方案：一种基于ORB算法的轨道边坡位移双目视觉检测***，包括：
采样模块，用于获取包含所述标志物的测量图像；
识别模块，与所述采样模块连接，用于根据预设规则识别所述测量图像中的所述标志物；
处理模块，与所述识别模块连接，用于获取所述标志物的位移信息。
作为本发明进一步的方案：还包括通信模块和云服务器以及终端；
所述云服务器通过通信模块与所述采样模块、识别模块、处理模块以及终端连接。
本发明的有益效果：
本发明可以通过标志物的位移情况来反映边坡状况，再自动的对包含标志物的测量图像进行获取，从而能够持续的对标志物的位移信息进行监控，减少人工现场拍照的需要，从而能够减少误差，综合性的提升边坡安全检测效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1本发明中轨道边坡位移双目视觉检测方法的基本流程图；
图2是本发明中确定标志物相对位置的原理解释图；
图3是本发明中FAST角点检测的示意图；
图4是本发明中轨道边坡位移双目视觉检测***的连接示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种基于ORB算法的轨道边坡位移双目视觉检测方法，包括如下步骤：
S100，针对被测目标设置标志物；
S200，按照预设频率实时获取包含标志物的测量图像；
S300，根据预设规则自动识别测量图像中的标志物；
S400，获取标志物的位移信息。
通过上述技术方案，可以由标志物的位移情况来反映边坡状况，再自动的对包含标志物的测量图像进行获取，从而能够持续的对标志物的位移信息进行监控，减少人工现场拍照的需要，从而能够减少误差，综合性的提升边坡安全检测效率。
作为本发明进一步的方案：还包括：
S500，将位移信息发送云服务器，云服务器处理后将位移信息连同安全判定结果发送终端。
通过上述技术方案，位移信息的实时发送云服务器能够将边坡安全情况实时的同步至终端，终端的持有者可以随时查看边坡安全情况，并能够在第一时间知晓边坡安全情况的变化，充分提升边坡安全检测的时效性。
作为本发明进一步的方案：步骤S200包括：
步骤S201，标定摄像组件的内参和外参，确定摄像组件组成部分的相对位置关系；
步骤S202，控制摄像组件针对被测目标获取测量图像。
通过上述技术方案，对摄像组件的位置标定以及确定能够最大限度的减少人工导致的拍摄误差，提升标志物位移信息获取的精准度。
作为本发明进一步的方案：摄像组件包括第一摄像单元和第二摄像单元；
内参数包括第一摄像单元的焦距fx和第二摄像单元的焦距fy和基准距u0、v0；
外参数有包括旋转矩阵R和平移向量T；
坐标转换关系式：
其中，[u v 1]T为图像坐标，[XW YW ZW 1]T为世界坐标，坐标转换关系式代表图像坐标与世界坐标之间的转换关系。
在本发明的本实施例中，可采用棋盘标定法来对摄像单元进行标定，可以利用对10幅以上不同方向的棋盘提取若干角点。另外，由于相机成像可以被看作是针孔模型，因此可根据成像原理直接得到上述的坐标转换关系式。
作为本发明进一步的方案：步骤S400包括：
S401，确定第一摄像单元的光圈圆心与第二摄像单元的光圈圆心之间的距离T；
S402，根据第一成像点距离第一摄像单元的光圈中心的第一偏距XL与第二成像点距离第二摄像单元的光圈中心的第二偏距XR的和得到视差D；
S403，根据相似三角形的相似公式计算得到标志物距离；
相似公式为：
(T-D)/T＝(Z-f)/Z
其中，Z为第一摄像单元的光圈圆心与第二摄像单元的光圈圆心之间连接线中点与标志物之间的距离，f为第一摄像单元和第二摄像单元的焦距，f＝fx＝fy，D＝XL+XR。
通过上述技术方案，利用相似三角形的相似公式能够准确的对标志物距离摄像组件的距离进行计算。
如图2所示，P为待测物体；OL为左目光圈中心，OR为右目光圈中心；PL为左成像点，PR为右成像点。从而得到两个相似三角形非别为P—OL—OR和P—PL—PR，所以由相似三角形的相似关系可得：(T-XL-XR)/T＝(Z-f)/Z，从而得出Z的值，从而可通过Z值的变化代表标志物的位移信息。
作为本发明进一步的方案：步骤S300包括：
S301，识别确定标志物的目标颜色。
在发明的技术方案中，在室外实地测试时采用的是红色正方形标志物，在室内模型测试时采用的是绿色正方形的标志物。标志物的颜色应根据实际情况，与边坡表面背景颜色有较大的差距。室外实地测试是在具有绿色植被的边坡进行测量，因此使用的是红色正方形标志物；室内模型测试是用棕色边坡进行测试，所以选用的是绿色正方形标志物。
在对标志物进行颜色的识时中，可将将摄像组件所发出的图像从RGB空间转换到HSV色彩空间，转换后通过设定目标颜色阈值的上限和下限，最后通过设定掩膜取值范围从而实现对目标颜色的识别与追踪。但是实际使用中，仅仅对颜色的识别并不能够满足实际需要，为了提高对标志物识别追踪的准确性，在识别出颜色后，还需确定标志物形状。
作为本发明进一步的方案：步骤S300包括：
S302，根据目标颜色确认标志物的轮廓后，确定标志物的位置。在使用时，需要提取图像中绿色目标的轮廓，通过对轮廓的分析与检测，计算轮廓的角点个数，如果轮廓的角点个数为4个再利用正方形的数学定义对其进行判断，最终实现了对绿色(红色)正方形标志物的准确识别与追踪。
为准确的对轮廓的角点进行精准的定位：步骤S302包括：
S3021，基于ORB算法查找测量图像中关于标志物的关键点；
S3022，将关键点转化为对应的特征向量。
其中，ORB(Oriented Fastand Rotated Brief)算法是用改进的FAST算法进行特征点提取，通过灰度质心法获取主方向，用改进的BRIEF获取特征描述子。与标准的BRIEF算法不同，ORB算法是通过领域灰度平均值进行比较而非单一的通过像素点对进行比较生产二进制串码。
ORB特征检测的第一步是查找图像中的关键点，而关键点检测算法即使用FAST算法。
FAST是Features from Accelerated Segments Test的简称，可以快速选择关键点。算法步骤如下：给与一个像素点p，FAST比较目标p圆圈范围中的16个像素，每个像素按高于p，小于p，或者与p相似，分为三类。
这里的比较是带有阈值h的。对于给定的阈值h，更亮的像素将是亮度超过Ip+h的像素，更暗的像素将是亮度低于Ip-h的像素，相似像素将是亮度在这两个值之间的像素。在对像素分类后，如果圈圈上有8个以上的相连像素，暗于或亮于p则将像素p选作关键点。而FAST如此高效的原因是，仅将p与圆圈中的4个等距像素相比。这种方法已经证明和比较16个周围像素的效果相同。如果至少有一对连续像素的亮度高于或低于p，则将p选作关键点。这种优化使得在整个图像中搜索关键点的时间缩短了四倍。其角点检测效果如图3所示。
ORB算法的第二步是将第一个算法发现的关键点变成特征向量，这些特征向量可以共同表示一个对象。要创建特征向量，ORB会用到BRIEF算法。
BRIEF是Binary Robust Independent Elementary Features的简称，它的作用是根据一组关键点创建二元特征向量。二元特征向量又称为二元描述符，是仅包含1和0的特征向量。在BRIEF中每个关键点由一个二元特征向量描述，该向量一般为128-512位的字符串，其中仅包含1和0。通过BRIEF算法为每个特征点获取了256位由0和1比特串组成的描述子，随后通过异或操作计算两个特征点之间的汉明距离，距离越小说明两个特征点越相似，距离越大说明两个特征点之间的差异性越大。
作为本发明进一步的方案：一种基于ORB算法的轨道边坡位移双目视觉检测***，包括：
采样模块，用于获取包含标志物的测量图像；
识别处理模块，与采样模块连接，用于根据预设规则识别测量图像中的标志物，并用于获取标志物的位移信息。
作为本发明进一步的方案：还包括通信模块和云服务器以及终端；
云服务器通过通信模块与采样模块、识别处理模块以及终端连接。
在实际应用时，本发明中的轨道边坡检测***可主要由高清双目拍摄子***，4G传输子***和控制中心计算机三部分组成。
其中，可参见图4所示，采样模块包括高清拍摄子***和工业数码相机图像转换卡。高清拍摄子***的主要作用是进行数字图像的获取，通过数据采集器，图像转换卡等将光信号、模拟信号、物理数据等信息转化为数字图像信息，经过控制中心计算机处理计算，它在某种程度上决定了数字图像分析的精度和准确率。
通信模块则可包括4G/5G传输子***，可利用采样模块得到图像分析技术得到的轨道边坡的位移信息通过4G/5G网络传输，从而实现边坡位移实时监测和远程传输。
识别处理模块可包括控制中心子***，控制中心子***可包括多个部分，每部分可由相关独立软件完成，即数码拍摄模块、图像处理与特征提取模块、数据库模块三部分功能。
本实施例所采用的是5G无线网络进行数据的传输，将测得的数据通过5G网络发送给云服务器，通过手机终端下载接收并显示数据。
该过程主要分为三步：
(1)通过python-opencv进行编程搭建TCP客户端。
(2)在Onenet平台开通TCP服务器，再通过其提供的ip地址及端口号进行连接。
(3)在手机上下载设备云app登录服务器，即可实时接收客户端发送的数据。
另外，检测***可基于EAIDK_610开发板，和PC端相比，大大提高了产品的便捷性，实用性，从而综合的提升产品的使用率。
本发明的工作原理：。
本发明具有全自动化监测的工作模式，检测***启动后可以自动识别追踪标志物、自动测距、自动上传数据等。可通过WIFI模块将本地数据上传云端服务器，用户可以直接通过手机实时对边坡的位移进行监测，从而对可能发生的危险提前预警。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，包括如下步骤：
S100，针对被测目标设置标志物；
S200，按照预设频率实时获取包含所述标志物的测量图像；
S300，根据预设规则自动识别所述测量图像中的所述标志物；
S400，获取所述标志物的位移信息。
2.根据权利要求1所述的基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，还包括：
S500，将所述位移信息发送云服务器，所述云服务器处理后将所述位移信息连同安全判定结果发送终端。
3.根据权利要求1所述的基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，所述步骤S200包括：
步骤S201，标定摄像组件的内参和外参，确定所述摄像组件组成部分的相对位置关系；
步骤S202，控制所述摄像组件针对所述被测目标获取所述测量图像。
4.根据权利要求3所述的基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，所述摄像组件包括第一摄像单元和第二摄像单元；
所述内参数包括第一摄像单元的焦距fx和第二摄像单元的焦距fy和基准距u0、v0；
外参数有包括旋转矩阵R和平移向量T；
坐标转换关系式：
其中，[u v 1]T为图像坐标，[XW YW ZW 1]T为世界坐标，所述坐标转换关系式代表所述图像坐标与所述世界坐标之间的转换关系。
5.根据权利要求4所述的基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，所述步骤S400包括：
S401，确定所述第一摄像单元的光圈圆心与所述第二摄像单元的光圈圆心之间的距离T；
S402，根据第一成像点距离第一摄像单元的光圈中心的第一偏距XL与第二成像点距离第二摄像单元的光圈中心的第二偏距XR的和得到视差D；
S403，根据相似三角形的相似公式计算得到所述标志物距离；
所述相似公式为：
(T-D)/T＝(Z-f)/Z
其中，Z为第一摄像单元的光圈圆心与第二摄像单元的光圈圆心之间连接线中点与所述标志物之间的距离，f为第一摄像单元和第二摄像单元的焦距，f＝fx＝fy，D＝XL+XR。
6.根据权利要求1所述的基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，所述步骤S300包括：
S301，识别确定所述标志物的目标颜色。
7.根据权利要求6所述的基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，所述步骤S300包括：
S302，根据所述目标颜色确认所述标志物的轮廓后，确定所述标志物的位置。
8.根据权利要求7所述的基于ORB算法的轨道边坡位移双目视觉检测方法，其特征在于，所述步骤S302包括：
S3021，基于ORB算法查找所述测量图像中关于所述标志物的关键点；
S3022，将所述关键点转化为对应的特征向量。
9.一种基于ORB算法的轨道边坡位移双目视觉检测***，其特征在于，包括：
采样模块，用于获取包含所述标志物的测量图像；
识别模块，与所述采样模块连接，用于根据预设规则识别所述测量图像中的所述标志物；
处理模块，与所述识别模块连接，用于获取所述标志物的位移信息。
10.根据权利要求9所述的基于ORB算法的轨道边坡位移双目视觉检测***，其特征在于，还包括通信模块和云服务器以及终端；
所述云服务器通过通信模块与所述采样模块、识别模块、处理模块以及终端连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210357172.9A CN114648575A (zh) | 2022-04-01 | 2022-04-01 | 一种基于orb算法的轨道边坡位移双目视觉检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210357172.9A CN114648575A (zh) | 2022-04-01 | 2022-04-01 | 一种基于orb算法的轨道边坡位移双目视觉检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114648575A true CN114648575A (zh) | 2022-06-21 |
Family
ID=81997139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210357172.9A Pending CN114648575A (zh) | 2022-04-01 | 2022-04-01 | 一种基于orb算法的轨道边坡位移双目视觉检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648575A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993803A (zh) * | 2023-09-26 | 2023-11-03 | 南方科技大学 | 滑坡形变监测方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015024407A1 (zh) * | 2013-08-19 | 2015-02-26 | 国家电网公司 | 基于电力机器人的双目视觉导航***及方法 |
| CN110852323A (zh) * | 2019-11-18 | 2020-02-28 | 南京莱斯电子设备有限公司 | 一种基于角点的空中目标探测方法 |
| CN113267128A (zh) * | 2021-05-31 | 2021-08-17 | 西南石油大学 | 一种双目视觉自动化边坡位移监测方法 |
-
2022
- 2022-04-01 CN CN202210357172.9A patent/CN114648575A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015024407A1 (zh) * | 2013-08-19 | 2015-02-26 | 国家电网公司 | 基于电力机器人的双目视觉导航***及方法 |
| CN110852323A (zh) * | 2019-11-18 | 2020-02-28 | 南京莱斯电子设备有限公司 | 一种基于角点的空中目标探测方法 |
| CN113267128A (zh) * | 2021-05-31 | 2021-08-17 | 西南石油大学 | 一种双目视觉自动化边坡位移监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨扬: "基于双目视觉和差分校正的边坡滑移测量技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1 * |
| 柳杨: "《数字图像物体识别理论详解与实战》", 北京邮电大学出版社, pages: 42 * |
| 饮茶先啦靓仔: "《Learning OpenCV3》ch19:双目标定与立体匹配", 《简书》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993803A (zh) * | 2023-09-26 | 2023-11-03 | 南方科技大学 | 滑坡形变监测方法、装置及电子设备 |
| CN116993803B (zh) * | 2023-09-26 | 2024-01-19 | 南方科技大学 | 滑坡形变监测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及*** | |
| CN102798350B (zh) | 一种臂架挠度的测量方法、装置及*** | |
| CN113592989B (zh) | 一种三维场景的重建***、方法、设备及存储介质 | |
| CN102980510B (zh) | 一种激光光尺影像测树装置及其测树方法 | |
| CN108398123B (zh) | 一种全站仪及其度盘标定方法 | |
| CA3058955C (en) | A system for measuring deformations and a method for measuring deformations | |
| CN111753712A (zh) | 电力生产人员安全监测方法、***以及设备 | |
| CN111179335A (zh) | 一种基于双目视觉的立木测定方法 | |
| CN111608731B (zh) | 一种盾构隧道安全状态监测预警装置及其监测预警方法 | |
| CN115511878A (zh) | 一种边坡地表位移监测方法、装置、介质及设备 | |
| CN114648575A (zh) | 一种基于orb算法的轨道边坡位移双目视觉检测方法及*** | |
| CN115376000A (zh) | 一种水下测量方法、设备及计算机可读存储介质 | |
| CN115829918A (zh) | 一种基于机器视觉的大型设施结构形变的监测方法 | |
| CN112284509A (zh) | 一种基于手机视频的桥梁结构振型测量方法 | |
| CN110910379B (zh) | 一种残缺检测方法及装置 | |
| CN218723923U (zh) | 一种基于机器视觉的边坡形变自动化监测预警*** | |
| CN113112551B (zh) | 相机参数的确定方法、装置、路侧设备和云控平台 | |
| CN114486132A (zh) | 一种桥梁梁体竖向位移测量装置 | |
| CN114266835A (zh) | 一种非量测相机的变形监测控制方法与*** | |
| CN113989513A (zh) | 一种方形指针式仪表读数识别的方法 | |
| CN110824525A (zh) | 机器人的自定位方法 | |
| CN116681778B (zh) | 一种基于单目相机的距离测量方法 | |
| CN117541639A (zh) | 基于计算机视觉识别的风机净空距离计算***及方法 | |
| CN116912721B (zh) | 一种基于单目立体视觉的配电网设备本体识别方法及*** | |
| CN115797281B (zh) | 一种基于大数据的基坑工程巡检的自动测量*** |
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: 20220621 |