CN116543036A - 一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法 - Google Patents
一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法 Download PDFInfo
- Publication number
- CN116543036A CN116543036A CN202310655504.6A CN202310655504A CN116543036A CN 116543036 A CN116543036 A CN 116543036A CN 202310655504 A CN202310655504 A CN 202310655504A CN 116543036 A CN116543036 A CN 116543036A
- Authority
- CN
- China
- Prior art keywords
- cable
- space
- sampling
- point
- track
- 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
- 238000005452 bending Methods 0.000 title claims abstract description 62
- 238000004364 calculation method Methods 0.000 title claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 63
- 239000002245 particle Substances 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000002902 bimodal effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 claims 1
- 230000009977 dual effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 9
- 238000000691 measurement method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法，包括RGB‑D双模态语义分割网络获取线缆掩膜，并由深度图像生成线缆空间点云；将掩膜经图像细化算法得到线缆平面特征中心线，并追踪线缆平面特征中心线轨迹，按轨迹像素坐标索引线缆空间点云得到线缆空间特征中心线；将线缆空间特征中心线非均匀化采样后得到空间采样点，对空间采样点进行代数化重建得到线缆空间特征曲线；将线缆空间特征曲线视为质点空间运动轨迹，利用质点空间运动规律求解线缆空间特征曲线的空间弯曲半径。
Description
技术领域
本发明涉及线缆敷设质量检测技术领域，尤其涉及一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法。
背景技术
线缆在轨道交通、航空航天、船舶运输等邻域大型装备中发挥信号传递的重要作用，线缆敷设过程中检测其弯曲半径是大型装备质量检测中的重要环节，线缆弯曲半径过小将造成应力集中，影响信号传输质量，更严重则致使绝缘层损坏，对大型设备的正常运行造成重大影响。传统手工测量线缆弯曲半径受测量人员主观性影响大，检测效率低，测量误差较大。
线缆弯曲半径测量方法有利用弯曲半径检测尺测量线缆的弯曲半径，如专利CN113624103A；利用视觉测量弯曲半径，如专利CN111412849B、CN113935958A；
上述具体专利对比文件为：
1)“线缆弯曲半径检测尺”，专利号CN113624103A。该发明公开了一种线缆弯曲半径检测尺，包括主尺和两个长度一样的支尺，主尺的前段沿长度方向设有滑槽，滑槽内设有滑块，主尺设有到主尺前端端部长度的刻度，两个支尺前端通过橡皮条连接，后端铰接于滑块的同一点。支尺长度预知，主尺与绷直的橡皮条垂直后，读取刻度值，可快速计算得出圆弧半径的大小，整个过程简单快速。本发明的线缆弯曲半径测量与上述方法不同，通过双模态语义分割网络得到线缆掩膜，在掩膜基础上构建空间特征中心线，并对其代数化重建，得到线缆空间特征曲线，求解线缆弯曲半径，对狭小空间内的线缆弯曲半径测量更具可行性，基于图像的代数化方法计算线缆弯曲半径具有较高精度。
2)“航天器电缆弯曲半径的快速测量方法及测量***”，专利号CN111412849B。该发明公开了一种航天器电缆弯曲半径的快速测量方法及测量***，通过获取待测量电缆和测量条图像，基于图像中电缆RGB值以及预设电缆的RGB值确定待测量电缆的类型，获取图像中测量条的RGB值与待测量电缆的RGB值差值大于预设阈值的环形圈的径向尺寸和轴向尺寸的比值计算电缆的直径，基于所述边缘轨迹获取所述待测量电缆弯曲部的弯曲半径，根据弯曲半径与直径的比值判断弯曲半径是否符合规范要求。通过拍照、识别、拟合的技术路径，快速实现不同粗细电缆弯曲半径的测量和与标准规范的快速比对，提高弯曲半径测量的一致性和效率。本发明与上述方法不同，采用深度学习RGB-D双模态语义分割方法获取线缆掩膜图像，分割得到的线缆掩膜准确性更高，干扰更少，并在线缆掩膜和线缆空间点云基础上构建线缆空间特征曲线，求解线缆空间弯曲半径，更符合线缆敷设实际情况。
3)“线缆弯曲半径检测方法与装置”，专利号CN113935958A。该发明涉及一种线缆弯曲半径检测方法与装置，采集预设在真实线缆空间中预设位置处的定位标记图像和真实线缆图像，根据定位标记图像的坐标信息，确定相机的投影矩阵，再对真实线缆进行逆投影处理，得到真实线缆在线缆弯曲平面中对应的曲线，确定所述真实线缆的弯曲半径。采用本方法能够提高线缆弯曲半径检测精度。本发明与上述方法不同，在掩膜图像基础上，提取掩膜特征中心线，并构建空间特征中心，降低计算量，参数多项式方程组代数化重建线缆空间特征曲线求解线缆空间弯曲半径，可计算线缆上任意一点的空间曲率，具有较强的实用性和可推广性。
发明内容
为解决上述技术问题，本发明的目的是提供一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法。
本发明的目的通过以下的技术方案来实现：
一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法，包括：
A、通过双模态语义分割网络获取线缆图像掩膜，并由深度图像构建线缆空间点云Pcable；
B、将掩膜经图像细化算法得到线缆平面特征中心线C2D，并追踪线缆平面特征中心线轨迹C2D_order，按轨迹像素坐标C2D_order(u,v)索引线缆空间点云Pcable得到线缆空间特征中心线C3D_order；
C、将线缆空间特征中心线非均匀化采样后得到空间采样点C3D_sampling，对空间采样点进行代数化重建得到线缆空间特征曲线Fcable；
D、将线缆空间特征曲线Fcable视为质点空间运动轨迹，利用质点空间运动规律求解线缆空间特征曲线的空间弯曲半径Rcable。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
在线缆弯曲半径测量过程中，通过双模态语义分割网络获得线缆掩膜图像，在掩膜图像基础上提取线缆特征中心线，进而通过代数化方法求解线缆弯曲半径，基于图像的线缆弯曲半径测量方法能适应狭窄线缆敷设环境条件下弯曲半径测量任务，有效提高线缆弯曲半径检测效率；追踪线缆平面特征曲线轨迹并按其像素坐标索引构建线缆空间特征曲线求解线缆空间弯曲半径满足线缆实际敷设过程中不共面的实际情况；代数化重建线缆特征曲线使得线缆空间特征中心线又离散点集转化成连续的代数化表达式，符合线缆实际敷设过程中的光顺性要求，同时也能避免空间特征中心线中点云噪声影响，有效提高线缆弯曲半径计算精度。
附图说明
图1是基于掩膜中心线代数化重建的线缆弯曲半径计算方法流程图；
图2是待测线缆RGB图；
图3是线缆掩膜与平面特征中心线图；
图4是线缆空间特征中心线图；
图5是代数化重建线缆空间特征曲线图；
图6是线缆空间弯曲半径可视化结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为基于掩膜中心线代数化重建的线缆弯曲半径计算方法，包括以下步骤：
步骤10RGB-D双模态语义分割网络获取线缆掩膜Mask，并由深度图像生成线缆空间点云Pcable；
将线缆RGB-D图像输入双模态语义分割网络改进ESANet中得到线缆掩膜Mask；由深度图生成线缆点云Pcable，每个深度像素坐标(up,vp)可得到一个对应的空间点坐标P(X,Y,Z)：
其中fx、fy分别为相机在成像平面x，y两个方向上的焦距；(u0,v0)为相机投影中心在图像坐标系中的坐标，即相机图像坐标系在像素坐标系中的偏移；d为像素坐标(up,vp)处的深度值；待测线缆RGB图如图2所示。
步骤20：将掩膜经图像细化算法得到线缆平面特征中心线C2D，并追踪线缆平面特征中心线轨迹C2D_order，按轨迹像素坐标C2D_order(u,v)索引线缆空间点云Pcable得到线缆空间特征中心线C3D_order；
将掩膜图像经rosenfeld细化算法得到单像素宽度的线缆平面特征中心线(如图3和图4所示)，追踪线缆平面特征中心线轨迹，按线缆平面特征中心线轨迹像素坐标C2D_order(u,v)索引线缆空间点云Pcable，得到可用于代数化重建的线缆空间特征中心线轨迹有序点集C3D_order。
追踪线缆平面特征中心线轨迹具体方法为：首先搜索线缆平面特征中心线上所有端点，选择其中一个端点作为起点，依次遍历邻域内非0像素，直到遍历到另一个端点时完成轨迹追踪，当遇到分支点时，保存该分支点坐标及该分支点前的轨迹向量，追踪完第一条轨迹后从分支点接着分支点之前的轨迹继续遍历邻域内非0像素完成其他轨迹追踪，实现将线缆平面特征中心线图像点C2D转化为有序的特征中心点坐标点C2D_order，针对多分支线缆平面特征中心线，须选择多分支轨迹共同起点，实现将各分支分离追踪，分别得到轨迹坐标向量。
步骤30：将线缆空间特征中心线非均匀化采样后得到空间采样点C3D_sampling，对空间采样点进行代数化重建得到线缆空间特征曲线Fcable；
将线缆空间特征中心线经等弧弦距采样方法非均匀化采样后得到空间采样点C3D_sampling，等弧弦距采样方法使得采样点C3D_sampling更加符合原空间特征点集C3D_order的曲率变化特征，曲率大采样点密集，曲率小采样点稀疏；
所述等弧弦距采样方法以采样区间弧中点与弦中点的欧式距离(弧弦距)近似代替弦高作为采样衡量指标，具体内容为：对空间特征点集C3D_order进行较大步长等弧长采样，获得初始采样区间，逐区间计算弧弦距，并设定采样阈值，若弧弦距大于阈值，则将弧长减半得到新的采样区间，再计算弧弦距，直到所有区间都满足等弧弦距采样条件，得到线缆空间特征采样点集C3D_sampling。
对空间采样点用参数8次多项式方程组代数化重建得到线缆空间特征曲线Fcable(X(t),Y(t),Z(t))：
其中ai、bi、ci分别表示多项式拟合系数；t为方程组参数，表示有序点集中各坐标点位置，t∈[1,m]，m为线缆空间特征采样点集C3D_sampling中空间点数量。
将线缆空间特征采样点集C3D_sampling坐标代入式(2)由最小二乘法求解示多项式拟合系数ai、bi、ci，得到参数方程组表示的线缆空间特征曲线Fcable(如图5所示)，特征曲线上点坐标表示为(X(t),Y(t),Z(t))。
步骤40：将线缆空间特征曲线Fcable视为质点空间运动轨迹，利用质点空间运动规律求解线缆空间特征曲线的空间弯曲半径Rcable。
将线缆空间特征曲线Fcable视为质点空间运动轨迹，线缆弯曲半径Rcable大小可由质点空间运动法向加速度an与运动速度v求解：
具体可描述为：已知质点空间运动轨迹为线缆空间特征曲线Fcable，因此质点空间运动轨迹速度/>加速度/>分别表示为：
质点空间运动加速度可分解为切向加速度/>法向加速度/>切向加速度/>与速度/>方向相同，由矢量合成可知切向加速度/>大小为：
其中θ为切向加速度与加速度/>的夹角。由矢量差可求得法向加速度/>其大小为：
由式(3)可求得线缆特征曲线上各点弯曲半径Rcable为：
线缆空间弯曲半径可看作线缆特征曲线空间坐标系中一个空间向量，向量长度为弯曲半径大小，向量方向与法向加速度共线，如图6所示为线缆空间弯曲半径可视化结果图。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法，其特征在于，包括：
A、通过双模态语义分割网络获取线缆图像掩膜，并由深度图像构建线缆空间点云Pcable；
B、将掩膜经图像细化算法得到线缆平面特征中心线C2D，并追踪线缆平面特征中心线轨迹C2D_order，按轨迹像素坐标C2D_order(u,v)索引线缆空间点云Pcable得到线缆空间特征中心线C3D_order；
C、将线缆空间特征中心线非均匀化采样后得到空间采样点C3D_sampling，对空间采样点进行代数化重建得到线缆空间特征曲线Fcable；
D、将线缆空间特征曲线Fcable视为质点空间运动轨迹，利用质点空间运动规律求解线缆空间特征曲线的空间弯曲半径Rcable。
2.如权利要求1所述的基于掩膜中心线代数化重建的线缆弯曲半径计算方法，其特征在于，所述步骤A中将线缆RGB-D图像输入双模态语义分割网络改进ESANet中得到线缆掩膜Mask；由深度图生成线缆点云Pcable，每个深度像素坐标(up,vp)可得到一个对应的空间点坐标P(X,Y,Z)：
其中fx、fy分别为相机在成像平面x，y两个方向上的焦距；(u0,v0)为相机投影中心在图像坐标系中的坐标，即相机图像坐标系在像素坐标系中的偏移；d为像素坐标(up,vp)处的深度值。
3.如权利要求1所述的基于掩膜中心线代数化重建的线缆弯曲半径计算方法，其特征在于，所述B中，所述图像细化算法采用rosenfeld细化算法，追踪线缆平面特征中心线轨迹，按线缆平面特征中心线轨迹像素坐标C2D_order(u,v)索引线缆空间点云Pcable，得到可用于代数化重建的线缆空间特征中心线轨迹有序点集C3D_order。
4.如权利要求3所述的基于掩膜中心线代数化重建的线缆弯曲半径计算方法，其特征在于，所述追踪线缆平面特征中心线轨迹具体包括：
搜索线缆平面特征中心线上所有端点，选择其中一个端点作为起点，依次遍历邻域内非0像素，直到遍历到另一个端点时完成轨迹追踪，当遇到分支点时，保存该分支点坐标及该分支点前的轨迹向量，追踪完第一条轨迹后从分支点接着分支点之前的轨迹继续遍历邻域内非0像素完成其他轨迹追踪，实现将线缆平面特征中心线图像点C2D转化为有序的特征中心点坐标点C2D_order，针对多分支线缆平面特征中心线，须选择多分支轨迹共同起点，实现将各分支分离追踪，分别得到轨迹坐标向量。
5.如权利要求1所述的基于掩膜中心线代数化重建的线缆弯曲半径计算方法，其特征在于，所述C中将线缆空间特征中心线经等弧弦距采样方法非均匀化采样后得到空间采样点C3D_sampling，等弧弦距采样方法使得采样点C3D_sampling符合原空间特征点集C3D_order的曲率变化特征，曲率大采样点密集，曲率小采样点稀疏；
所述等弧弦距采样方法以采样区间弧中点与弦中点的欧式距离近似代替弦高作为采样衡量指标，具体内容为：对空间特征点集C3D_order进行较大步长等弧长采样，获得初始采样区间，逐区间计算弧弦距，并设定采样阈值，若弧弦距大于阈值，则将弧长减半得到新的采样区间，再计算弧弦距，直到所有区间都满足等弧弦距采样条件，得到线缆空间特征采样点集C3D_sampling。
6.如权利要求1所述的基于掩膜中心线代数化重建的线缆弯曲半径计算方法，其特征在于，所述C中对空间采样点用参数8次多项式方程组代数化重建得到线缆空间特征曲线Fcable(X(t),Y(t),Z(t))：
其中ai、bi、ci分别表示多项式拟合系数；t为方程组参数，表示有序点集中各坐标点位置，t∈[1,m]，m为线缆空间特征采样点集C3D_sampling中空间点数量；
将线缆空间特征采样点集C3D_sampling坐标代入式(2)由最小二乘法求解示多项式拟合系数ai、bi、ci，得到参数方程组表示的线缆空间特征曲线Fcable，特征曲线上点坐标表示为(X(t),Y(t),Z(t))。
7.如权利要求1所述的基于掩膜中心线代数化重建的线缆弯曲半径计算方法，其特征在于，所述D中将线缆空间特征曲线Fcable视为质点空间运动轨迹，线缆弯曲半径Rcable大小由质点空间运动法向加速度an与运动速度v求解：
具体可描述为：已知质点空间运动轨迹为线缆空间特征曲线Fcable，因此质点空间运动轨迹速度/>加速度/>分别表示为：
质点空间运动加速度可分解为切向加速度/>法向加速度/>切向加速度/>与速度方向相同，由矢量合成可知切向加速度/>大小为：
其中θ为切向加速度与加速度/>的夹角；由矢量差可求得法向加速度/>其大小为：
由式(3)可求得线缆特征曲线上各点弯曲半径Rcable为：
线缆空间弯曲半径可看作线缆特征曲线空间坐标系中一个空间向量，向量长度为弯曲半径大小，向量方向与法向加速度共线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310655504.6A CN116543036A (zh) | 2023-06-05 | 2023-06-05 | 一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310655504.6A CN116543036A (zh) | 2023-06-05 | 2023-06-05 | 一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116543036A true CN116543036A (zh) | 2023-08-04 |
Family
ID=87448874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310655504.6A Pending CN116543036A (zh) | 2023-06-05 | 2023-06-05 | 一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116543036A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688706A (zh) * | 2024-01-31 | 2024-03-12 | 湘潭大学 | 一种基于视觉引导的布线设计方法及*** |
-
2023
- 2023-06-05 CN CN202310655504.6A patent/CN116543036A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688706A (zh) * | 2024-01-31 | 2024-03-12 | 湘潭大学 | 一种基于视觉引导的布线设计方法及*** |
| CN117688706B (zh) * | 2024-01-31 | 2024-05-10 | 湘潭大学 | 一种基于视觉引导的布线设计方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027010B (zh) | 一种钢构件圆柱体拟合方法 | |
| CN109615654B (zh) | 基于双目视觉的排水管道内表面腐蚀深度及面积测量方法 | |
| CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
| US8428335B2 (en) | Combining feature boundaries | |
| CN113819974B (zh) | 一种免水尺的河流水位视觉测量方法 | |
| CN116543036A (zh) | 一种基于掩膜中心线代数化重建的线缆弯曲半径计算方法 | |
| CN111489432B (zh) | 一种基于点云数据的弯管重建及余量计算方法 | |
| CN112825190B (zh) | 一种精度评估方法、***、电子设备和存储介质 | |
| CN108492276B (zh) | 一种基于相似性度量的矢量道路变化检测方法及装置 | |
| CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
| CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
| WO2021184686A1 (zh) | 基于多尺度生成对抗神经网络的单帧条纹分析方法 | |
| CN110715622B (zh) | 一种电缆导体截面积测量方法 | |
| CN114332510A (zh) | 一种层次化的图像匹配方法 | |
| CN112697044B (zh) | 一种基于无人机平台的静态刚性物体视觉测量方法 | |
| CN113724326B (zh) | 一种自主空中加油场景下锥套目标的单目视觉位姿解算方法 | |
| CN112365529B (zh) | 基于重心偏离度的隧洞点云配准方法、装置 | |
| CN109242774A (zh) | 一种基于多维空间不变特征的平板类零件点云拼接方法 | |
| CN113689394A (zh) | 一种基于三维点云的隧道初支平整度检测方法 | |
| CN109341588B (zh) | 一种双目结构光三***法视角加权的三维轮廓测量方法 | |
| CN113888641A (zh) | 一种基于机器视觉和深度学习的立木胸径测量方法 | |
| CN113658147A (zh) | 一种基于深度学习的工件尺寸测量装置及方法 | |
| CN107590517B (zh) | 一种基于形状信息的图像相似度度量方法及图像配准方法 | |
| Du et al. | Study on the reconstruction method of stereo vision in glass flume | |
| CN109829939B (zh) | 一种缩小多视影像匹配同名像点搜索范围的方法 |
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 |