埋地非金属管线的智能预测与定位可视化研究

随着国家管网机制的完善和环保要求的提高,对油田生产过程产生的污染物泄漏防护要求愈发严格。历史管网布局不明,是造成油田施工后管道破损的重要因素之一。为此,提出一种埋地玻璃钢污水管线检测定位方法,通过理论分析与实验论证此检测方法的可行性。将检测得到的数据建立数据库,利用BP神经网络预测管径大小。设计完成数据采集系统,同时增加GPS模块采集位置信息,将采集得到的位置信息进行Mapping定位,最后将信息数据处理后并打包为可视化APP。以上实验表明,通过检测定位管道内部污水介质确定非金属管道走向与深度的方法是有效的;BP神经网络预测管径较为有效和智能;Mapping定位管线能够快捷的将管线位置信息发送并存储;管线数据可视化大大节省了后期分析处理资源。

基于深度学习的室内动态场景下视觉SLAM技术研究

视觉同步定位与建图(visual simultaneous localization and mapping,VSLAM)技术是近年来机器人和计算机视觉领域的重点研究方向之一,但当前的主流算法主要面向静态环境,当场景中存在运动的物体时,算法的定位精度和稳定性会受到很大影响。为了解决上述问题,提出了一种惯性测量单元(inertial measurement unit,IMU)积分与YOLOv4语义分割结合的VSLAM前端动态特征点剔除算法,通过YOLOv4网络对图像进行语义分割,识别图像中有运动可能的物体;再将IMU积分与语义分割结合,对目标检测框内有运动可能的特征点进行重投影误差的解算,识别并剔除环境中运动的特征点。在TUM Visual-Inertial Dataset上验证该算法,结果表明,在包含运动物体的室内场景下,该算法可以有效剔除环境中的运动物体,显著提升SLAM系统的定位精度和稳定性。

面向高动态环境的ORB-SLAM3算法优化

ORB-SLAM3(simultaneous localization and mapping)是当前最优秀的视觉SLAM算法之一,然而其基于静态环境的假设导致算法在高动态环境下精度不佳甚至定位失败。针对这一问题,提出一种结合光流和实例分割的动态特征点去除方法,以提高ORB-SLAM3在高动态环境下的定位精度。并且在TUM数据集上进行了RGB-D相机模式和单目相机模式的实验,实验结果表明了该方法的有效性。

基于SLAM技术的地下空间三维实景建设关键技术研究

利用室内移动扫描、多源遥感数据融合、实景三维建模、视觉识别等新兴的测绘地理信息技术完成了地下空间普查、地下空间数据建库、应用系统开发和应用接口开发4个层面内容的研究,旨在构建地下空间基础数据体系和应用服务体系,实现宏观环境中的微观信息集成与应用,促进智慧城市的精细化管理。

基于ORB-SLAM框架的直接法改进与对比

在ORB-SLAM(oriented fast and rotated brief-simultaneous localization and mapping)框架的基础上,采用半直接视觉里程计(semi-direct visual odometry,SVO)法和稠密直接法替代特征点法,并利用慕尼黑工业大学SLAM数据集进行测试和对比。结果表明,SVO和ORB-SLAM在单目模式下的平均解算时间分别为31.1 ms、20.5 ms,RGB-D模式下的平均解算时间分别为39.5 ms、32.5 ms。某些条件下SVO解算的轨迹精度可以达到甚至高于ORB-SLAM。

基于点特征的动态线特征描述匹配与追踪

为解决动态情况下线特征不易追踪的问题,提出一种基于SURF点特征和LSD(Line Segment Detector)线特征动态线特征描述方法,并通过粗匹配、精匹配两步实现基于SURF点特征匹配的动态线特征的匹配、追踪,从而获取动态情况下连续的线特征信息。