[go: up one dir, main page]

CN114897066A - 基于机器视觉与毫米波雷达的螺栓松动检测方法及装置 - Google Patents

基于机器视觉与毫米波雷达的螺栓松动检测方法及装置 Download PDF

Info

Publication number
CN114897066A
CN114897066A CN202210489970.7A CN202210489970A CN114897066A CN 114897066 A CN114897066 A CN 114897066A CN 202210489970 A CN202210489970 A CN 202210489970A CN 114897066 A CN114897066 A CN 114897066A
Authority
CN
China
Prior art keywords
bolt
information
nut
wave radar
millimeter wave
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
Application number
CN202210489970.7A
Other languages
English (en)
Inventor
钱超
鲍敬源
史跃东
崔海涛
李星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202210489970.7A priority Critical patent/CN114897066A/zh
Publication of CN114897066A publication Critical patent/CN114897066A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明是关于一种基于机器视觉与毫米波雷达的螺栓松动检测方法及装置，方法包括：通过机器视觉摄像装置获取目标设备的目标图像；通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。通过该技术方案，提高螺栓螺母的识别准确度，实现准确判断螺栓是否松动。

Description

基于机器视觉与毫米波雷达的螺栓松动检测方法及装置
技术领域
本发明涉及机器检测技术领域，尤其涉及一种基于机器视觉与毫米波雷达的螺栓松动检测方法及装置。
背景技术
现有的相关技术中，主要基于机器视觉进行螺栓松动检测，其检测方法为：通过机器视觉为核心的图像配准技术处理基准图像和浮动图像，基准图像为螺栓全部拧紧时的图像，浮动图像为部分螺栓松动时的图像。根据基准图像和配准后松动螺栓图像生成的差异图像判断螺栓是否松动。
现有技术主要存在以下缺陷：
1)图像配准是应用于不同时间、不同拍摄角度或不同图像采集装置的同一场景的两幅或多幅图像的处理过程，以几何方式对齐基准图像和浮动图像。在拍摄检测过程中，拍摄角度方面存在较大差异，拍摄距离变化和环境亮度变化性较大，并且图像突出的特征较多、不重叠区域所占比例大，采用图像配准方法进行判断螺栓是否松动，存在螺栓松动程度小的情况下检测效果不佳。
2)根据螺栓与螺母的相对空间位置关系，在拧紧状态下，每个螺栓的位姿不统一，无法通过测量角度直接判断螺栓是否松动。
发明内容
为克服相关技术中存在的问题，本发明提供一种基于机器视觉与毫米波雷达的螺栓松动检测方法及装置，将机器视觉和毫米波雷达技术融合，不仅能够适用于不同的复杂环境，同时提高螺栓螺母的识别准确度，实现准确判断螺栓是否松动。
根据本发明实施例的第一方面，提供一种基于机器视觉与毫米波雷达的螺栓松动检测方法，所述方法包括：
通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
在一个实施例中，优选地，通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息，包括：
对所述目标图像进行预处理，得到处理后的图像；
通过SURF算法对所述处理后的图像进行特征点检测，以得到特征点信息，其中，特征点信息包括特征点的位置信息、方向信息和特征描述信息；
根据每个特征点信息，使用对应大小的矩形框从所述处理后的图像中框选图像片段；
将每个图像片段输入至所述深度学习识别模型，以识别所述图像片段的目标类别，其中，所述目标类别包括螺母、螺栓和非螺栓和螺母；
根据各个图像片段的目标类别和特征点信息，确定螺栓螺母识别信息，其中，所述螺栓螺母识别信息包括螺栓类别信息、螺母类别信息和螺栓、螺母的位置信息。
在一个实施例中，优选地，通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，包括：
通过毫米波雷达向外发射连续的调频毫米波信号，并接收所述螺栓和螺母的反射信号；
将所述调频毫米波信号和所述反射信号进行混频以获得回波差拍信号；
利用所述得回波差拍信号和上下扫频段差拍信号频谱对称的性质，计算得到所述螺栓和与其对应的螺母之间的距离信息和位置信息。
在一个实施例中，优选地，所述方法还包括：
通过快速傅里叶变换得到所述调频毫米波信号和所述反射信号的离散频率谱；
根据所述离散频率谱的峰值排除虚假螺栓和螺母。
在一个实施例中，优选地，将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离，包括：
将所述螺栓螺母识别信息、所述距离信息和位置信息在统一的坐标系下进行融合；
确定所述机器视觉摄像装置的第一采样周期和所述毫米波雷达的第二采样周期；
以所述第一采样周期和所述第二采样周期中最大的采样周期为基准，确定所述第一采样周期和所述第二采样周期的最小公倍数，将所述最小公倍数作为目标数据采集时间；
按照所述目标数据采集时间将统一坐标系后的螺栓螺母识别信息、所述距离信息和位置信息进行数据采集和融合，以实现融合后的螺栓螺母识别信息、距离信息和位置信息在空间和时间上同步；
根据所述融合后的螺栓螺母识别信息、距离信息和位置信息，计算得到每个螺栓和与其对应的螺母之间的实际距离。
在一个实施例中，优选地，根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动，包括：
判断每个螺栓和与其对应的螺母之间的实际距离是否大于预设阈值；
当任一螺栓和与其对应的螺母之间的实际距离大于所述预设阈值时，确定所述任一螺栓松动。
在一个实施例中，优选地，所述方法还包括：
当确定任一螺栓松动时，在所述目标图像上进行突出显示，并输出报警提示。
根据本发明实施例的第二方面，提供一种基于机器视觉与毫米波雷达的螺栓松动检测装置，所述装置包括：
第一获取模块，用于通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
识别模块，用于通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
第二获取模块，用于通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
融合模块，用于将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
确定模块，用于根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
在一个实施例中，优选地，所述识别模块包括：
预处理单元，用于对所述目标图像进行预处理，得到处理后的图像；
检测单元，用于通过SURF算法对所述处理后的图像进行特征点检测，以得到特征点信息，其中，特征点信息包括特征点的位置信息、方向信息和特征描述信息；
框选单元，用于根据每个特征点信息，使用对应大小的矩形框从所述处理后的图像中框选图像片段；
类别识别单元，用于将每个图像片段输入至所述深度学习识别模型，以识别所述图像片段的目标类别，其中，所述目标类别包括螺母、螺栓和非螺栓和螺母；
信息确定单元，用于根据各个图像片段的目标类别和特征点信息，确定螺栓螺母识别信息，其中，所述螺栓螺母识别信息包括螺栓类别信息、螺母类别信息和螺栓、螺母的位置信息。
在一个实施例中，优选地，第二获取模块包括：
收发单元，用于通过毫米波雷达向外发射连续的调频毫米波信号，并接收所述螺栓和螺母的反射信号；
混频单元，用于将所述调频毫米波信号和所述反射信号进行混频以获得回波差拍信号；
计算单元，用于利用所述得回波差拍信号和上下扫频段差拍信号频谱对称的性质，计算得到所述螺栓和与其对应的螺母之间的距离信息和位置信息。
在一个实施例中，优选地，所述装置还包括：
变换模块，用于通过快速傅里叶变换得到所述调频毫米波信号和所述反射信号的离散频率谱；
排除模块，用于根据所述离散频率谱的峰值排除虚假螺栓和螺母。
在一个实施例中，优选地，融合模块包括：
坐标融合单元，用于将所述螺栓螺母识别信息、所述距离信息和位置信息在统一的坐标系下进行融合；
周期确定单元，用于确定所述机器视觉摄像装置的第一采样周期和所述毫米波雷达的第二采样周期；
时间确定单元，用于以所述第一采样周期和所述第二采样周期中最大的采样周期为基准，确定所述第一采样周期和所述第二采样周期的最小公倍数，将所述最小公倍数作为目标数据采集时间；
时间同步单元，用于按照所述目标数据采集时间将统一坐标系后的螺栓螺母识别信息、所述距离信息和位置信息进行数据采集和融合，以实现融合后的螺栓螺母识别信息、距离信息和位置信息在空间和时间上同步；
距离计算单元，用于根据所述融合后的螺栓螺母识别信息、距离信息和位置信息，计算得到每个螺栓和与其对应的螺母之间的实际距离。
在一个实施例中，优选地，确定模块用于：
判断每个螺栓和与其对应的螺母之间的实际距离是否大于预设阈值；
当任一螺栓和与其对应的螺母之间的实际距离大于所述预设阈值时，确定所述任一螺栓松动。
在一个实施例中，优选地，所述装置还包括：
提示模块，用于当确定任一螺栓松动时，在所述目标图像上进行突出显示，并输出报警提示。
根据本发明实施例的第三方面，提供一种基于机器视觉与毫米波雷达的螺栓松动检测装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第一方面的实施例中任一项所述方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例中，将机器视觉和毫米波雷达技术融合，不仅能够适用于不同的复杂环境，同时提高螺栓和螺母的识别准确度，精确到毫米级别，而在信息融合时，解决了空间坐标统一和时间数据选择的问题，不但能实现实时识别，还进一步保证了螺栓松动的检测效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法的流程图。
图2是根据一示例性实施例示出的目标图像的示意图。
图3是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法中步骤S102的流程图。
图4是根据一示例性实施例示出的离散高斯及其近似梯度算子示意图。
图5是根据一示例性实施例示出的算子级联实现尺度空间不变性示意图。
图6是根据一示例性实施例示出的框选图像过程示意图。
图7是根据一示例性实施例示出的螺栓螺母识别结果示意图。
图8是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法中步骤S103的流程图。
图9A是根据一示例性实施例示出的雷达信号示意图。
图9B是根据一示例性实施例示出的发射信号、回波信号及差拍信号的示意图。
图10是根据一示例性实施例示出的另一种基于机器视觉与毫米波雷达的螺栓松动检测方法的流程图。
图11是根据一示例性实施例示出的时域信号和频域信号示意图。
图12是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法中步骤S104的流程图。
图13是根据一示例性实施例示出的时间选择示意图。
图14是根据一示例性实施例示出的螺栓和螺母的距离示意图。
图15是根据一示例性实施例示出的螺栓松动检测结果示意图。
图16是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法的流程图。
如图1所示，根据本发明实施例的第一方面，提供一种基于机器视觉与毫米波雷达的螺栓松动检测方法，所述方法包括：
步骤S101，通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；目标图像可以如图2所示。
步骤S102，通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
步骤S103，通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
步骤S104，将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
步骤S105，根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
在一个实施例中，优选地，根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动，包括：
判断每个螺栓和与其对应的螺母之间的实际距离是否大于预设阈值；
当任一螺栓和与其对应的螺母之间的实际距离大于所述预设阈值时，确定所述任一螺栓松动。
在该实施例中，将机器视觉和毫米波雷达技术融合，不仅能够适用于不同的复杂环境，同时提高螺栓和螺母的识别准确度，精确到毫米级别，而在信息融合时，解决了空间坐标统一和时间数据选择的问题，不但能实现实时识别，还进一步保证了螺栓松动的检测效果。
图3是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法中步骤S102的流程图。
如图3所示，在一个实施例中，优选地，上述步骤S102包括：
步骤S301，对所述目标图像进行预处理，得到处理后的图像；
由于螺母、螺栓为小物体检测，通过填充或者拉升的方式，对图片进行resize，将输入的图像像素统一转换为640*640，在计算过程中使得目标的尺寸变大，利于小目标检测。
步骤S302，通过SURF算法对所述处理后的图像进行特征点检测，以得到特征点信息，其中，特征点信息包括特征点的位置信息、方向信息和特征描述信息；
得到处理好的图片后，通过SURF算法进行特征提取，通过建立不同尺度的级联算子来实现高斯图像的尺度不变性特征，计算LOG得到每个像素点的Hessian矩阵，使用积分图来实现预计算，通过积分图查找表实现Hessiam矩阵快速计算。离散高斯及其近似梯度算子如图4所示。算子级联实现尺度空间不变性如图5所示。最终把高斯核近似为一个盒子滤波，这样就可以不用进行高斯核与浮点数计算，基于积分图，不断扩大盒子滤波核的大小，就可以在不同层数计算结果。对第一层分别使用9×9、15×15、21×21、27×27，扩大之后进行下层级计算。每个层级之间的差值一般取值为12，这时下个层级的滤波核就是39×39，再下一个层级就是51×51。取值为24时，下个层级就是51×51，再下个层级就是75×75。为了在每一层之间定位图像的关键点(图像的关键点就是图像Hessian矩阵梯度最大值或者最小值所在点的附近)，对同一层级的不同层3×3×3范围内寻找极大值或者极小值作为候选点，对满足条件的关键点，使用插值公式寻找亚像素级别的关键点的准确位置，最终得到SURF特征检测的关键点数据，即特征点信息。
为了实现方向旋转和尺度变换的的不变性，输出结果包括三个方面的内容，特征点的位置信息，方向信息，特征描述。
位置信息：特征点的坐标位置；
方向信息：特征点位于图像的朝向；
特征描述：特征点的像素大小。
步骤S303，根据每个特征点信息，使用对应大小的矩形框从所述处理后的图像中框选图像片段；
步骤S304，将每个图像片段输入至所述深度学习识别模型，以识别所述图像片段的目标类别，其中，所述目标类别包括螺母、螺栓和非螺栓和螺母；
具体地，如图6所示，用矩形框从图像中框选出一个图像片段，输入到深度学习识别模型中识别该图像片段中目标的类别；根据特征点，使用不同大小的矩形框扫描整个图像，直到框选的图像片段被预测为螺母、螺栓的可能性大于设定特征点阈值，便定位并识别到了螺母、螺栓。
借鉴one-stage目标检测算法(也称one-shot object detectors)思想，其特点是识别时一步到位，能够直接扫描出目标特征点，速度相对较快。在目标检测过程中，能够快速检测到被识别目标；检测过程中，使用了交叉熵的方法，即置信度损失和分类Loss函数进行优化，提高算法准确度，具体函数公式如下：
Figure BDA0003630797380000101
λcoord表示有目标时，计算置信度评分误差时，用更大的权重；
λnoobj表示没有目标的框计算置信度评分(confidence)误差时，用更小的权重；
Figure BDA0003630797380000102
表示对象是否在网格i中；
Figure BDA0003630797380000103
表示第i个网格中的第j个预测边界框用来预测类别；
xi、yi表示真实目标框的中心点坐标；
wi、hi表示真实目标框的宽和高；
Ci表示预测框的置信度；
pi(c)表示类别预测最大值；
S表示Sigmoid函数，取值0，1之间；
B表示预测B个边界框及其置信度；
其中，公式中第一项表示边框中心点误差，第二项表示边框宽度和高度误差，第三项表示边框内有对象的置信度误差，第四项表示边框内无对象的置信度误差，第五项表示对象分类误差。
步骤S305，根据各个图像片段的目标类别和特征点信息，确定螺栓螺母识别信息，其中，所述螺栓螺母识别信息包括螺栓类别信息、螺母类别信息和螺栓、螺母的位置信息。具体地，识别结果如图7所示，可以识别出所有螺栓和螺母组合。
图8是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法中步骤S103的流程图。
如图8所示，在一个实施例中，优选地，步骤S103包括：
步骤S801，通过毫米波雷达向外发射连续的调频毫米波信号，并接收所述螺栓和螺母的反射信号；
根据FMCW雷达测距原理，对于线性调频(锯齿波调制)，不同的目标物体(如螺栓和螺母)将产生不同的差频信号，在一个调制周期内，得到一个差频信号，然后再根据频率分析算法得到差频信号的频率值，进而得到螺栓与螺母之间的坐标位置。
步骤S802，将所述调频毫米波信号和所述反射信号进行混频以获得回波差拍信号；
激光雷达天线向外发射一系列连续调频毫米波，并接收目标的反射信号，用回波信号和发射信号的一部分进行相干混频，得到包含目标的距离信息的调频信号；
步骤S803，利用所述得回波差拍信号和上下扫频段差拍信号频谱对称的性质，计算得到所述螺栓和与其对应的螺母之间的距离信息和位置信息。
如图9A所示，TX表示发射天线，RX表示接收天线，IF signal表示混频(中频信号)。信号处理的部分便是处理的调频信号。
通过将发射信号(即调频毫米波信号)与接收信号的调频信号进行混频获得回波差拍信号，差拍信号包含目标的距离信息，利用上、下扫频段差拍信号频谱对称的性质，计算得到螺母、螺栓的距离和位置参数。
雷达发射信号、回波信号及差拍信号时频关系如图9B所示。
多普勒频移：
Figure BDA0003630797380000111
相对静止时频率fr＝μ·2R/c其中μ＝B/T为扫频频率变化率。
相对运动时上下沿对应：
fb+＝fr+fd
fb-＝fr-fd
距离位置：R＝c(fb++fb-)T/4B
其中，B表示扫频带宽；T表示扫频周期；fb静止时频偏；fb+表示相对运动时上沿频偏；fb-表示相对运动时下沿频偏；fd表示多普勒频移；fr表示相对静止时的频率；vr表示相对速度；B表示毫米波的相位差；c表示光速(299792458m/s)。
图10是根据一示例性实施例示出的另一种基于机器视觉与毫米波雷达的螺栓松动检测方法的流程图。
如图10所示，在一个实施例中，优选地，所述方法还包括：
步骤S1001，通过快速傅里叶变换得到所述调频毫米波信号和所述反射信号的离散频率谱；
步骤S1002，根据所述离散频率谱的峰值排除虚假螺栓和螺母。
由于雷达信号在时域上的特征不明显，通过提取各个信号分量的频率、幅值、相位，将信号转换到频域上，使螺母、螺栓特征明显化；
如图11所示，傅里叶变换可以将左侧的时域信号转换到右侧的频域中，得到频域信号后，可根据特征信号峰值排除虚假目标。
图12是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测方法中步骤S104的流程图。
如图12所示，在一个实施例中，优选地，步骤S104包括：
步骤S1201，将所述螺栓螺母识别信息、所述距离信息和位置信息在统一的坐标系下进行融合；
视觉相机所获得的信息需要和毫米波雷达信息进行融合，通过对信息的坐标系进行统一，使两者的信息能够在统一的坐标系下进行融合，得到相机视觉的坐标系和毫米波雷达坐标系。
步骤S1202，确定所述机器视觉摄像装置的第一采样周期和所述毫米波雷达的第二采样周期；
步骤S1203，以所述第一采样周期和所述第二采样周期中最大的采样周期为基准，确定所述第一采样周期和所述第二采样周期的最小公倍数，将所述最小公倍数作为目标数据采集时间；
步骤S1204，按照所述目标数据采集时间将统一坐标系后的螺栓螺母识别信息、所述距离信息和位置信息进行数据采集和融合，以实现融合后的螺栓螺母识别信息、距离信息和位置信息在空间和时间上同步；
在完成了相机视觉和毫米波雷达的坐标系统一后，由于两个传感器在数据采集频率上存在差异，所获得的信息需要进行时间数据选择，由于毫米雷达和视觉相机的采样频率不一样(如：毫米波雷达的数据采集频率为20HZ，视觉相机的采集频率为30HZ)，为了获取同一时刻的目标数据，以采样周期较长的采样时间为基准，选择两者采样周期的最小公倍数100ms进行数据采集及融合，再将两者的数据通过空间坐标转换，完成时间和空间上的同步。其时间上的选择过程如图13所示。
步骤S1205，根据所述融合后的螺栓螺母识别信息、距离信息和位置信息，计算得到每个螺栓和与其对应的螺母之间的实际距离。
在机器视觉与毫米波雷达信息融合结束后，由AI机器视觉识别出识螺栓与螺母，得到两者在视觉图像中的位置，再由毫米波雷达获取两者在三维空间中的实际位置，得到两者的三维平面位置，如图14所示，从而得到螺栓与螺母之间的距离。
在一个实施例中，优选地，所述方法还包括：
当确定任一螺栓松动时，在所述目标图像上进行突出显示，并输出报警提示。如图15所示，可以在图像上显示松动距离，从而提醒用户进行处理。
图16是根据一示例性实施例示出的一种基于机器视觉与毫米波雷达的螺栓松动检测装置的框图。
如图16所示，根据本发明实施例的第二方面，提供一种基于机器视觉与毫米波雷达的螺栓松动检测装置，所述装置包括：
第一获取模块1601，用于通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
识别模块1602，用于通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
第二获取模块1603，用于通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
融合模块1604，用于将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
确定模块1605，用于根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
在一个实施例中，优选地，所述识别模块包括：
预处理单元，用于对所述目标图像进行预处理，得到处理后的图像；
检测单元，用于通过SURF算法对所述处理后的图像进行特征点检测，以得到特征点信息，其中，特征点信息包括特征点的位置信息、方向信息和特征描述信息；
框选单元，用于根据每个特征点信息，使用对应大小的矩形框从所述处理后的图像中框选图像片段；
类别识别单元，用于将每个图像片段输入至所述深度学习识别模型，以识别所述图像片段的目标类别，其中，所述目标类别包括螺母、螺栓和非螺栓和螺母；
信息确定单元，用于根据各个图像片段的目标类别和特征点信息，确定螺栓螺母识别信息，其中，所述螺栓螺母识别信息包括螺栓类别信息、螺母类别信息和螺栓、螺母的位置信息。
在一个实施例中，优选地，第二获取模块包括：
收发单元，用于通过毫米波雷达向外发射连续的调频毫米波信号，并接收所述螺栓和螺母的反射信号；
混频单元，用于将所述调频毫米波信号和所述反射信号进行混频以获得回波差拍信号；
计算单元，用于利用所述得回波差拍信号和上下扫频段差拍信号频谱对称的性质，计算得到所述螺栓和与其对应的螺母之间的距离信息和位置信息。
在一个实施例中，优选地，所述装置还包括：
变换模块，用于通过快速傅里叶变换得到所述调频毫米波信号和所述反射信号的离散频率谱；
排除模块，用于根据所述离散频率谱的峰值排除虚假螺栓和螺母。
在一个实施例中，优选地，融合模块包括：
坐标融合单元，用于将所述螺栓螺母识别信息、所述距离信息和位置信息在统一的坐标系下进行融合；
周期确定单元，用于确定所述机器视觉摄像装置的第一采样周期和所述毫米波雷达的第二采样周期；
时间确定单元，用于以所述第一采样周期和所述第二采样周期中最大的采样周期为基准，确定所述第一采样周期和所述第二采样周期的最小公倍数，将所述最小公倍数作为目标数据采集时间；
时间同步单元，用于按照所述目标数据采集时间将统一坐标系后的螺栓螺母识别信息、所述距离信息和位置信息进行数据采集和融合，以实现融合后的螺栓螺母识别信息、距离信息和位置信息在空间和时间上同步；
距离计算单元，用于根据所述融合后的螺栓螺母识别信息、距离信息和位置信息，计算得到每个螺栓和与其对应的螺母之间的实际距离。
在一个实施例中，优选地，确定模块用于：
判断每个螺栓和与其对应的螺母之间的实际距离是否大于预设阈值；
当任一螺栓和与其对应的螺母之间的实际距离大于所述预设阈值时，确定所述任一螺栓松动。
在一个实施例中，优选地，所述装置还包括：
提示模块，用于当确定任一螺栓松动时，在所述目标图像上进行突出显示，并输出报警提示。
根据本发明实施例的第三方面，提供一种基于机器视觉与毫米波雷达的螺栓松动检测装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第一方面的实施例中任一项所述方法的步骤。
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于机器视觉与毫米波雷达的螺栓松动检测方法，其特征在于，所述方法包括：
通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
2.根据权利要求1所述的方法，其特征在于，通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息，包括：
对所述目标图像进行预处理，得到处理后的图像；
通过SURF算法对所述处理后的图像进行特征点检测，以得到特征点信息，其中，特征点信息包括特征点的位置信息、方向信息和特征描述信息；
根据每个特征点信息，使用对应大小的矩形框从所述处理后的图像中框选图像片段；
将每个图像片段输入至所述深度学习识别模型，以识别所述图像片段的目标类别，其中，所述目标类别包括螺母、螺栓和非螺栓和螺母；
根据各个图像片段的目标类别和特征点信息，确定螺栓螺母识别信息，其中，所述螺栓螺母识别信息包括螺栓类别信息、螺母类别信息和螺栓、螺母的位置信息。
3.根据权利要求1所述的方法，其特征在于，通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，包括：
通过毫米波雷达向外发射连续的调频毫米波信号，并接收所述螺栓和螺母的反射信号；
将所述调频毫米波信号和所述反射信号进行混频以获得回波差拍信号；
利用所述得回波差拍信号和上下扫频段差拍信号频谱对称的性质，计算得到所述螺栓和与其对应的螺母之间的距离信息和位置信息。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过快速傅里叶变换得到所述调频毫米波信号和所述反射信号的离散频率谱；
根据所述离散频率谱的峰值排除虚假螺栓和螺母。
5.根据权利要求1所述的方法，其特征在于，将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离，包括：
将所述螺栓螺母识别信息、所述距离信息和位置信息在统一的坐标系下进行融合；
确定所述机器视觉摄像装置的第一采样周期和所述毫米波雷达的第二采样周期；
以所述第一采样周期和所述第二采样周期中最大的采样周期为基准，确定所述第一采样周期和所述第二采样周期的最小公倍数，将所述最小公倍数作为目标数据采集时间；
按照所述目标数据采集时间将统一坐标系后的螺栓螺母识别信息、所述距离信息和位置信息进行数据采集和融合，以实现融合后的螺栓螺母识别信息、距离信息和位置信息在空间和时间上同步；
根据所述融合后的螺栓螺母识别信息、距离信息和位置信息，计算得到每个螺栓和与其对应的螺母之间的实际距离。
6.根据权利要求1所述的方法，其特征在于，根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动，包括：
判断每个螺栓和与其对应的螺母之间的实际距离是否大于预设阈值；
当任一螺栓和与其对应的螺母之间的实际距离大于所述预设阈值时，确定所述任一螺栓松动。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
当确定任一螺栓松动时，在所述目标图像上进行突出显示，并输出报警提示。
8.一种基于机器视觉与毫米波雷达的螺栓松动检测装置，其特征在于，所述装置包括：
第一获取模块，用于通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
识别模块，用于通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
第二获取模块，用于通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
融合模块，用于将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
确定模块，用于根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
9.一种基于机器视觉与毫米波雷达的螺栓松动检测装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
通过机器视觉摄像装置获取目标设备的目标图像，其中，所述目标图像中包括至少一个螺栓和与其对应的螺母；
通过深度学习识别模型对所述目标图像进行识别，以得到螺栓螺母识别信息；
通过毫米波雷达获取所述目标设备上所述至少一个螺栓和与其对应的螺母的距离信息和位置信息，其中，所述毫米波雷达和所述机器视觉摄像装置处于同一水平面上；
将所述螺栓螺母识别信息和所述距离信息和位置信息按照预设融合规则进行信息融合，以得到每个螺栓和与其对应的螺母之间的实际距离；
根据每个螺栓和与其对应的螺母之间的实际距离，确定各个螺栓是否松动。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
CN202210489970.7A 2022-05-06 2022-05-06 基于机器视觉与毫米波雷达的螺栓松动检测方法及装置 Pending CN114897066A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210489970.7A CN114897066A (zh) 2022-05-06 2022-05-06 基于机器视觉与毫米波雷达的螺栓松动检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210489970.7A CN114897066A (zh) 2022-05-06 2022-05-06 基于机器视觉与毫米波雷达的螺栓松动检测方法及装置

Publications (1)

Publication Number Publication Date
CN114897066A true CN114897066A (zh) 2022-08-12

Family

ID=82718647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210489970.7A Pending CN114897066A (zh) 2022-05-06 2022-05-06 基于机器视觉与毫米波雷达的螺栓松动检测方法及装置

Country Status (1)

Country Link
CN (1) CN114897066A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630259A (zh) * 2023-05-16 2023-08-22 中铁第四勘察设计院集团有限公司 一种信号箱内螺母松动检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209956A (zh) * 2020-01-02 2020-05-29 北京汽车集团有限公司 传感器数据融合方法、车辆的环境地图生成方法及系统
CN111931764A (zh) * 2020-06-30 2020-11-13 华为技术有限公司 一种目标检测方法、目标检测框架及相关设备
CN112882006A (zh) * 2021-01-20 2021-06-01 南京理工大学 基于复合调频连续波的毫米波近程目标探测方法
CN113128400A (zh) * 2021-04-19 2021-07-16 北京明略软件系统有限公司 螺栓松动角度识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209956A (zh) * 2020-01-02 2020-05-29 北京汽车集团有限公司 传感器数据融合方法、车辆的环境地图生成方法及系统
CN111931764A (zh) * 2020-06-30 2020-11-13 华为技术有限公司 一种目标检测方法、目标检测框架及相关设备
CN112882006A (zh) * 2021-01-20 2021-06-01 南京理工大学 基于复合调频连续波的毫米波近程目标探测方法
CN113128400A (zh) * 2021-04-19 2021-07-16 北京明略软件系统有限公司 螺栓松动角度识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王延江，林青: "《数字图像处理》", 1 November 2016, 中国石油大学出版社, pages: 1 - 3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630259A (zh) * 2023-05-16 2023-08-22 中铁第四勘察设计院集团有限公司 一种信号箱内螺母松动检测方法及装置

Similar Documents

Publication Publication Date Title
US12099141B1 (en) Laser detection method for port machinery equipment
US10521898B2 (en) Structural masking for progressive health monitoring
CN116106855B (zh) 摔倒检测方法及摔倒检测装置
Decourt et al. Darod: A deep automotive radar object detector on range-doppler maps
JP2009186364A (ja) データ処理装置、姿勢推定システム、姿勢推定方法およびプログラム
CN111046877A (zh) 一种毫米波图像可疑物品检测方法和系统
CN114638830B (zh) 隧道钢筋识别模型的训练方法及隧道钢筋识别方法
CN120431075A (zh) 基于深度学习目标检测的船体缺陷检测方法及装置
WO2022044187A1 (ja) データ処理装置、データ処理方法、及びプログラム
CN119810616A (zh) 一种基于深度学习的施工人机安全智能检测与预警方法
CN114897066A (zh) 基于机器视觉与毫米波雷达的螺栓松动检测方法及装置
US11300681B2 (en) Weather radar apparatus and severe rain prediction method
JP2003344532A (ja) レーダ装置
JP7006781B2 (ja) 合成開口レーダ信号解析装置、合成開口レーダ信号解析方法および合成開口レーダ信号解析プログラム
CN112712476B (zh) 用于tof测距的去噪方法及装置、tof相机
JP2022138425A (ja) 物体位置検出装置及び方法
CN118131161A (zh) 目标识别方法、装置、设备和计算机可读存储介质
JP5460399B2 (ja) 画像レーダ装置
JP2010113562A (ja) 物体検知追跡装置，物体検知追跡方法および物体検知追跡プログラム
JP7219603B2 (ja) 海面計測装置及び海面計測プログラム
CN116047451A (zh) 一种基于光流法的低慢小目标雷达回波识别方法及装置
WO2022122195A1 (en) Manipulation of radar readings
Li et al. High-speed aircraft single channel sar-gmti based on neural network
CN111736157A (zh) 基于ppi数据的临近预报的预测方法及设备
US20250052891A1 (en) Detection apparatus, detection method, and non-transitory storage medium

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