CN118071752A - 一种接触网检测方法 - Google Patents
一种接触网检测方法 Download PDFInfo
- Publication number
- CN118071752A CN118071752A CN202410493956.3A CN202410493956A CN118071752A CN 118071752 A CN118071752 A CN 118071752A CN 202410493956 A CN202410493956 A CN 202410493956A CN 118071752 A CN118071752 A CN 118071752A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- contact net
- detection method
- data set
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 239000012212 insulator Substances 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种接触网检测方法,属于电气化铁路设备状态性能检测技术领域,包括以下步骤:获取接触网检测数据;对所述接触网检测图像进行颜色校正;对所述颜色校正图像进行对比度增强;使用构建空间注意力和通道注意力计算分支的卷积神经网络,进行对像素特征和通道特征进行加权处理;使用Canny算子提取图像有效边缘;进行图像标注,制作样本数据集;使用所述正样本数据集和负样本数据集进行检测模型训练,并进行检测,获得检测结果。本发明能够对恶劣环境下得到的检测图像数据进行针对性增强,提高检测数据使用效率,降低总体成本,获得专项提高的检测效果。
Description
技术领域
本申请涉及电气化铁路设备状态性能检测技术领域,尤其涉及一种接触网检测方法。
背景技术
随着电气化铁路运输的发展,接触网作为电力传输的关键组成部分,负责向运行中的电气化列车供电,其状态直接影响着铁路运输的安全与效率。接触网的检测和维护是确保铁路***可靠性的重要环节。为达到这一目的,通常采用接触网检测***,该***利用图像数据来评估接触网的完整性和性能。然而,在恶劣天气,诸如雾天、雨天、雾霾等条件下,采集到的接触网检测图像往往因环境因素导致质量下降,出现色偏、模糊、对比度低等问题,这给接触网的检测与维护带来了困难。传统图像处理技术,如去噪、锐化、滤波等,虽然在提高图像质量方面取得了一定进展,但仍无法有效应对极端天候条件下采集到的低质量图像数据。
因此,存在一种迫切需要开发一种新的图像增强技术,该技术能够特别针对恶劣天气条件下的接触网检测图像,提高其质量,从而实现更为准确和可靠的接触网状态评估。该技术应具备对恶劣环境因素有更强的鲁棒性,并能够适应不同的图像采集条件,确保接触网检测***的高效和精确。
因此,为了提高恶劣天气条件下接触网检测图像的质量,需要开发一种专用的图像增强步骤,能够针对性地对接触网检测图像数据进行优化,从而提升检测效果,确保铁路运输的安全与高效。
本发明旨在提供一种新型的接触网检测图像数据优化方法,通过专用的图像增强步骤,对恶劣天气条件下采集的接触网检测图像进行处理,以解决现有技术中存在的问题,并提升检测图像的质量。这种方法将有助于提高接触网检测的准确性和可靠性,为铁路运输安全保驾护航。
发明内容
本申请的目的是解决现有技术中上述的问题,本申请提供了一种接触网检测方法。能够应对检测图像质量较低的情况,能够很好地提供在特定条件下接触网的检测方法,并提供准确的检测结果。
为了实现上述目的,本申请采用了如下技术方案:
一种接触网检测方法,包括:
步骤一,获取接触网检测数据,进行预处理,获得尺寸一致的接触网检测图像,对所述接触网检测图像进行颜色校正,计算公式如下:
(1)
(2)
其中 SR(i,j)、 SG(i,j)和 SB(i,j)是所述检测图像S在像素点(i,j)处红色、绿色和蓝色通道的值,、/>和/>是图像S的红色、绿色和蓝色通道的均值;/>、/>表示颜色校正图像的像素点(i,j)处红色、蓝色通道的值;
步骤二,对所述颜色校正图像进行对比度增强,计算公式如下:
(3)
其中,表示包含三种颜色数据,Q表示权重矩阵,/>表示所述颜色校正图像,/>表示曝光图,/>是相机响应模型,k是曝光率, Dc表示对比度增强图像;
步骤三,使用卷积神经网络对所述对比度增强图像进行处理,构建空间注意力和通道注意力2个计算分支,进行对像素特征和通道特征进行加权处理,计算式如下:
(4)
(5)
其中,为输入特征图,C是RGB通道,H是图像高度,W是图像宽度,/>是子特征,/>是通道注意力计算模型,F(x)是空间注意力计算模型,w、b是空间注意力计算模型的参数,得到加权处理图像;
步骤四,使用Canny算子提取图像有效边缘,使用均值滤波对所述加权处理图像进行平滑处理,然后处理后的图像进行标注,制作正样本数据集和负样本数据集;
步骤五,使用所述正样本数据集和负样本数据集进行检测模型训练,并使用所述检测模型进行检测,获得检测结果。
在一些技术方案中,所述颜色校正步骤,在通过校正算法(1)、(2)计算之后,再结合灰度算法进一步校正,具体计算式如下:
(6)
(7)
(8)
其中,、/>和/>表示经过灰度校正图像的像素点 (i,j)处红色、蓝色和绿色通道的值,/>表示检测图像S的灰度均值。
在一些技术方案中,所述接触网检测数据,是存在可视性低、细节模糊或色偏严重的检测数据。
在一些技术方案中,所述接触网检测数据,是在雾天、雨天、雪天、沙尘暴、雾霾的环境下获取的。
在一些技术方案中,所述接触网检测对象包括吊弦、承力索、连接装置、绝缘子、支柱、定位装置。
在一些技术方案中,所述使用Canny算子提取图像有效边缘过程中,使用快速自适应双边滤波进行平滑处理。
优选地,采用最大间类方差法自适应对高、低阈值进行选择。
优选地,所述最大间类方差法在非参数、无监督条件下进行自动确定阈值。
在一些技术方案中,所述接触网检测数据是检测车或无人机获取的。
优选地,获取所述接触网检测数据后,存储于图像存储单元和/或无线传输到检测分析***。
本申请具有如下优点:
(1)本申请的接触网检测方法能够对雾天、雨天、雪天、沙尘暴、雾霾等恶劣环境下采集到的劣质数据进行优化处理,仍然能对接触网的运行情况进行检测;
(2)能够对可视性低、细节模糊或色偏严重的检测数据进行针对性增强,从色彩、对比度等多个方面对检测图像进行强化;
(3)通过构建空间注意力和通道注意力计算分支,避免对不重要信息的过度关注,降低总体计算量,也提高了检测准确度;
(4)使用并对Canny算子进行优化,能够凸显图像细节,获得更为准确的检测效果。
附图说明
图1所示为本申请的一种接触网检测方法流程示意图;
图2所示为包含构建空间注意力和通道注意力的网络结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请做进一步的详细说明。可以理解的是,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例;下面以具体实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。另外需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
如图1所示,为本申请的一种接触网检测方法流程示意图。一种接触网检测方法,检测数据是在雾天、雨天、雪天、沙尘暴、雾霾的环境下获取的,存在可视性低、细节模糊或色偏严重的情况。具体的检测方法包括:
接触网检测数据处理步骤。获取接触网检测数据并进行预处理,获得尺寸一致的接触网检测图像。
颜色校正步骤。对所述接触网检测图像进行颜色校正,使用如下的计算式:
(1)
(2)
其中 SR(i,j)、 SG(i,j)和 SB(i,j)是所述检测图像S在像素点(i,j)处红色、绿色和蓝色通道的值,、/>和/>是图像S的红色、绿色和蓝色通道的均值;/>、/>表示颜色校正图像的像素点(i,j)处红色、蓝色通道的值。由于在雨天或雾天等气候条件下,波长最长的红色光受到的影响最大,在获取检测图像时,红光衰减情况最严重。因此,对检测图像进行颜色补偿的过程,需要进行选择性补偿。后续增加灰度算法进行颜色校正即可。灰度算法的计算式如下:
(6)
(7)
(8)
其中,、/>和/>表示经过灰度校正图像的像素点 (i,j)处红色、蓝色和绿色通道的值,/>表示检测图像S的灰度均值。使用这样的校正算法,有效去除了色偏,且方便后续对比度增强等步骤的继续优化。
对比度增强步骤。计算公式如下:
(3)
其中,表示包含三种颜色数据,Q表示权重矩阵,/>表示所述颜色校正图像,/>表示曝光图,/>是相机响应模型,k是曝光率, Dc表示对比度增强图像。采用对比度增强的步骤,主要是因为在恶劣环境条件下,检测图像整体对比度会受影响而降低,所以需要进行增强。相机响应模型可以用来寻找最佳曝光比,以更好地曝光图像曝光不足的区域。使用上述计算式(3),在增强对比度的同时,可以避免出现过度增强,仍然能够很好地保留图像细节。
加权处理步骤。使用卷积神经网络对所述对比度增强图像进行处理,构建空间注意力和通道注意力2个计算分支,进行对像素特征和通道特征进行加权处理,计算式如下:
(4)
(5)
其中,为输入特征图,C是RGB通道,H是图像高度,W是图像宽度,/>是子特征,/>是通道注意力计算模型,F(x)是空间注意力计算模型,w、b是空间注意力计算模型的参数,得到加权处理图像。这样设计加权处理步骤,不仅能够避免对不重要信息的过度关注,降低总体计算量,而且能够弥补图像经过多次卷积而造成的信息丢失,图像恢复准确性更高。
制作数据集步骤。使用Canny算子提取图像有效边缘,使用均值滤波对所述加权处理图像进行平滑处理,然后处理后的图像进行标注,制作正样本数据集和负样本数据集。改进的Canny算子可以更加增强图像细节以及边缘,提高图像质量,凸显图像细节。
训练模型并检测步骤。使用所述正样本数据集和负样本数据集进行检测模型训练,并使用所述检测模型进行检测,获得检测结果。
在另一个实施例中,使用Canny算子提取图像有效边缘过程中,使用快速自适应双边滤波进行平滑处理。采用最大间类方差法自适应对高、低阈值进行选择。最大间类方差法在非参数、无监督条件下进行自动确定阈值。这样改进Canny算子,避免了无用背景边缘对于整体边缘提取的影响。
上述检测方法仅仅是使用电气化铁路用绝缘子状态检测装置进行状态检测的一种较优实施例,本领域技术人员容易想到,使用上述电气化铁路用绝缘子状态检测装置仅进行轴向力加载、径向力加载、风振、列车通行振动以及受电弓升降等任一项或多项的模拟检测;也可以仅进行简单的状态寿命循环检测。
本申请的接触网检测方法能够对恶劣天气下采集得到的接触网检测图像数据有针对性地进行处理,增强因恶劣天气导致的图像色彩、对比度等损失部分的优化,所设置的步骤条件也都可以最大程度提取并保留有效信息,得到准确的检测结果。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合地组成又一实施例。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,尽管参照前述实施例对本申请进行了详细的说明,对于本领域技术人员来说,其依然可以对前述各实施例所记载的技术方案进行改进,或者对其中部分技术特征进行等同替换。凡在本申请的精神和原则之内,所做的任何修改、等同替换,均应包含在本申请的保护范围之内。
Claims (10)
1.一种接触网检测方法,其特征在于,所述检测方法包括:
步骤一,获取接触网检测数据,进行预处理,获得尺寸一致的接触网检测图像,对所述接触网检测图像进行颜色校正,计算公式如下:
(1)
(2)
其中SR(i,j)、 SG(i,j)和 SB(i,j)是所述检测图像S在像素点(i,j)处红色、绿色和蓝色通道的值,、/>和 />是图像S的红色、绿色和蓝色通道的均值;/>、 />表示颜色校正图像的像素点 (i,j)处红色、蓝色通道的值;
步骤二,对所述颜色校正图像进行对比度增强,计算公式如下:
(3)
其中, c∈{R,G,B}表示包含三种颜色数据,Q表示权重矩阵,表示所述颜色校正图像,/>表示曝光图,/>是相机响应模型,k是曝光率,Dc表示对比度增强图像;
步骤三,使用卷积神经网络对所述对比度增强图像进行处理,构建空间注意力和通道注意力2个计算分支,进行对像素特征和通道特征进行加权处理,计算式如下:
(4)
(5)
其中,为输入特征图,C是RGB通道,H是图像高度,W是图像宽度, />是子特征,/>是通道注意力计算模型, F(x)是空间注意力计算模型,w、b是空间注意力计算模型的参数,得到加权处理图像;
步骤四,使用Canny算子提取图像有效边缘,使用均值滤波对所述加权处理图像进行平滑处理,然后处理后的图像进行标注,制作正样本数据集和负样本数据集;
步骤五,使用所述正样本数据集和负样本数据集进行检测模型训练,并使用所述检测模型进行检测,获得检测结果。
2.如权利要求1所述的检测方法,其特征在于,
所述颜色校正步骤,在通过校正算法(1)、(2)计算之后,再结合灰度算法进一步校正,具体计算式如下:
(6)
(7)
(8)
其中,、/>和/>表示经过灰度校正图像的像素点(i,j)处红色、蓝色和绿色通道的值,/>表示检测图像S的灰度均值。
3.如权利要求1所述的检测方法,其特征在于,
所述接触网检测数据,是存在可视性低、细节模糊或色偏严重的检测数据。
4.如权利要求1所述的检测方法,其特征在于,
所述接触网检测数据,是在雾天、雨天、雪天、沙尘暴、雾霾的环境下获取的。
5.如权利要求1所述的检测方法,其特征在于,
所述接触网检测对象包括吊弦、承力索、连接装置、绝缘子、支柱、定位装置。
6.如权利要求1所述的检测方法,其特征在于,
所述使用Canny算子提取图像有效边缘过程中,使用快速自适应双边滤波进行平滑处理。
7.如权利要求6所述的检测方法,其特征在于,
采用最大间类方差法自适应对高、低阈值进行选择。
8.如权利要求7所述的检测方法,其特征在于,
所述最大间类方差法在非参数、无监督条件下进行自动确定阈值。
9.如权利要求1所述的检测方法,其特征在于,
所述接触网检测数据是检测车或无人机获取的。
10.如权利要求9所述的检测方法,其特征在于,
获取所述接触网检测数据后,存储于图像存储单元和/或无线传输到检测分析***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410493956.3A CN118071752B (zh) | 2024-04-24 | 2024-04-24 | 一种接触网检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410493956.3A CN118071752B (zh) | 2024-04-24 | 2024-04-24 | 一种接触网检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118071752A true CN118071752A (zh) | 2024-05-24 |
CN118071752B CN118071752B (zh) | 2024-07-19 |
Family
ID=91104242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410493956.3A Active CN118071752B (zh) | 2024-04-24 | 2024-04-24 | 一种接触网检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118071752B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268596A (zh) * | 2013-05-30 | 2013-08-28 | 华南理工大学 | 一种降低图像噪声和使颜色接近标准的方法 |
CN103440672A (zh) * | 2013-07-19 | 2013-12-11 | 南京农业大学 | 一种花卉花朵图像分割提取方法 |
CN107578414A (zh) * | 2017-08-18 | 2018-01-12 | 东南大学 | 一种路面裂缝图像的处理方法 |
CN107705256A (zh) * | 2017-09-13 | 2018-02-16 | 西南交通大学 | 一种基于接触网语义的前向车载视频图像增强方法 |
WO2021031458A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像颜色校正方法、装置和存储介质 |
CN113888434A (zh) * | 2021-10-11 | 2022-01-04 | 复旦大学 | 一种沙尘图像增强方法 |
CN114155163A (zh) * | 2021-11-16 | 2022-03-08 | 辽宁工程技术大学 | 结合通道补偿与瑞利分布的水下图像增强算法 |
CN114705689A (zh) * | 2022-04-14 | 2022-07-05 | 西安建筑科技大学 | 一种基于无人机的建筑物外立面裂缝检测方法及*** |
CN115937029A (zh) * | 2022-12-13 | 2023-04-07 | 天津大学 | 一种水下图像增强方法 |
CN116592878A (zh) * | 2023-05-10 | 2023-08-15 | 北京理工大学 | 一种低照度视觉惯性定位*** |
CN117058026A (zh) * | 2023-08-09 | 2023-11-14 | 河南科技学院 | 一种衰减图引导的水下图像颜色校正方法 |
CN117115616A (zh) * | 2023-07-28 | 2023-11-24 | 江苏科技大学 | 一种基于卷积神经网络的实时低照度图像目标检测方法 |
-
2024
- 2024-04-24 CN CN202410493956.3A patent/CN118071752B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268596A (zh) * | 2013-05-30 | 2013-08-28 | 华南理工大学 | 一种降低图像噪声和使颜色接近标准的方法 |
CN103440672A (zh) * | 2013-07-19 | 2013-12-11 | 南京农业大学 | 一种花卉花朵图像分割提取方法 |
CN107578414A (zh) * | 2017-08-18 | 2018-01-12 | 东南大学 | 一种路面裂缝图像的处理方法 |
CN107705256A (zh) * | 2017-09-13 | 2018-02-16 | 西南交通大学 | 一种基于接触网语义的前向车载视频图像增强方法 |
WO2021031458A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像颜色校正方法、装置和存储介质 |
CN113888434A (zh) * | 2021-10-11 | 2022-01-04 | 复旦大学 | 一种沙尘图像增强方法 |
CN114155163A (zh) * | 2021-11-16 | 2022-03-08 | 辽宁工程技术大学 | 结合通道补偿与瑞利分布的水下图像增强算法 |
CN114705689A (zh) * | 2022-04-14 | 2022-07-05 | 西安建筑科技大学 | 一种基于无人机的建筑物外立面裂缝检测方法及*** |
CN115937029A (zh) * | 2022-12-13 | 2023-04-07 | 天津大学 | 一种水下图像增强方法 |
CN116592878A (zh) * | 2023-05-10 | 2023-08-15 | 北京理工大学 | 一种低照度视觉惯性定位*** |
CN117115616A (zh) * | 2023-07-28 | 2023-11-24 | 江苏科技大学 | 一种基于卷积神经网络的实时低照度图像目标检测方法 |
CN117058026A (zh) * | 2023-08-09 | 2023-11-14 | 河南科技学院 | 一种衰减图引导的水下图像颜色校正方法 |
Non-Patent Citations (1)
Title |
---|
王静;郑宏;李圣;王震;: "基于梯度区域分割的拼接图像颜色校正", 计算机工程与设计, no. 05, 16 May 2016 (2016-05-16) * |
Also Published As
Publication number | Publication date |
---|---|
CN118071752B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN111091548B (zh) | 基于深度学习的铁路货车承载鞍错位故障图像识别方法及*** | |
KR101361644B1 (ko) | 영상 처리 장치 및 영상 내의 안개 제거 방법 | |
CN116665080B (zh) | 基于目标识别的无人机劣化绝缘子检测方法及*** | |
CN105474259A (zh) | 用于在单一图像中去雾的方法和装置 | |
CN113298810A (zh) | 结合图像增强和深度卷积神经网络的道线检测方法 | |
CN111080621B (zh) | 一种铁路货车地板破损故障图像识别方法 | |
CN102881003B (zh) | 一种消除ccd天文图像中宇宙射线的方法 | |
CN110223266A (zh) | 一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法 | |
CN107609558A (zh) | 文字图像处理方法及装置 | |
CN115131351B (zh) | 基于红外图像的机油散热器检测方法 | |
CN111091541A (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
CN110046584B (zh) | 一种基于无人机巡检的道路裂纹检测装置及检测方法 | |
CN109919917B (zh) | 基于图像处理的架空输电线路的异物检测方法 | |
CN111325688B (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
CN110532875A (zh) | 夜晚模式镜头付着物的检测***、终端和存储介质 | |
CN108921132A (zh) | 无人机机载电缆探测*** | |
CN107330891B (zh) | 一种有效的图像质量评价*** | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN112712552A (zh) | 一种车辆踏面擦伤的故障检测方法 | |
CN118071752B (zh) | 一种接触网检测方法 | |
CN113239865B (zh) | 基于深度学习的车道线检测方法 | |
CN114581914A (zh) | 一种雾霾环境下的车牌识别方法 | |
CN113095283A (zh) | 一种基于动态roi和改进萤火虫算法的车道线提取方法 | |
CN112258483A (zh) | 一种钩尾销插托错位和螺母丢失故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |