CN109472822A - 基于深度图像处理的物体尺寸测量方法 - Google Patents
基于深度图像处理的物体尺寸测量方法 Download PDFInfo
- Publication number
- CN109472822A CN109472822A CN201811637965.6A CN201811637965A CN109472822A CN 109472822 A CN109472822 A CN 109472822A CN 201811637965 A CN201811637965 A CN 201811637965A CN 109472822 A CN109472822 A CN 109472822A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- camera
- dimension
- point
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明属于物体尺寸测量领域,具体涉及一种基于深度图像处理的物体尺寸测量方法,包括以下步骤:(1)采集并确定基准图像,利用深度相机采集物体的深度图像,并将其与基准图像进行灰度差值计算,得到差值图;(2)构建大津算法模型,对差值图进行二值化,得到二值图像;(3)利用边缘检测方法对二值图像进行边缘检测,确定物体的轮廓;(4)计算确定物体轮廓的最小矩形;(5)利用物体轮廓的最小矩形和基准图像与相机之间的距离差值得到物体高度;(6)利用小孔成像原理计算得到物体的长度和宽度。本发明能够实现物体尺寸测量的自动化,有效提高物体尺寸测量的速度和准确度。
Description
技术领域
本发明属于物体尺寸测量领域,具体涉及一种基于深度图像处理的物体尺寸测量方法。
背景技术
随着物流行业的高速发展,包裹流量日益增多,为了增加物流行业的自动化程度,需要测量包裹的尺寸,以实现根据包裹尺寸计费和快递运输车调配的自动化,目前人工检测仍然是最为普遍的包裹尺寸测量方式,存在检测效率低下、人力成本较高以及对不规则物体的测量准确度低等问题,并且传统的人工测量手段不仅劳动强度大、耗时长,测量的结果还需要人为输入系统,极大的降低了整个物流流程的速度。
发明内容
为解决背景技术中存在的问题,本发明的目的在于提供一种基于深度图像处理的物体尺寸测量方法,实现包裹尺寸测量的自动化,并提高包裹尺寸的测量速度和准确度。
一种基于深度图像处理的物体尺寸测量方法,利用深度相机对放置于载物台上的物体进行尺寸测量,包括以下步骤:
(1)指定载物台上感兴趣区域,并以载物台空载时深度相机采集的感兴趣区域内的图像为基准图像;将物体置于载物台上,利用深度相机采集物体的深度图像,并将其与基准图像进行灰度值作差,得到差值图;
(2)构建大津算法模型,对步骤(1)所得的差值图进行二值化,并确定最佳二值化阈值,得到区分前景和背景的二值图像;
(3)利用边缘检测方法对步骤(2)所得的二值图像进行边缘检测,并通过边缘的长度排除噪声以确定物体的轮廓;
(4)计算确定物体轮廓的最小矩形;
(5)利用物体轮廓的最小矩形和基准图像与相机之间距离的差值得到物体高度;
(6)利用小孔成像原理计算出物体的长度和宽度。
进一步地,步骤(1)中将物体的深度图像与基准图像进行灰度值作差的具体过程为:将物体的深度图像和基准图像中对应坐标像素灰度值逐个进行相减,相减公式为:
S(i,j)=I(i,j)-B(i,j),0≤i<W,0≤j<H;
式中,S(i,j)为差值图在坐标(i,j)处的像素值,I(i,j)为采集到的深度图像在坐标(i,j)处的像素值,B(i,j)为载物台基准图像在坐标(i,j)处的像素值,W为感兴趣区域的宽度,H为感兴趣区域的高度。
进一步地,步骤(2)中构建的大津算法模型,其公式为:
式中,t为阈值,w1(t)和w2(t)分别为被阈值t分开的两个类的像素数占总像素数的比重,和分别为被阈值t分开的两个类的方差,为此时两个类的方差的加权和;
通过穷举阈值t的方法来确定使方差的加权和最小时的阈值t,即为最佳二值化阈值;确定最佳二值化阈值参数后,即可得到区分前景和背景的二值图像。
进一步地,步骤(3)的具体步骤为:
a、对二值图像中每一个像素点的梯度幅值和方向进行计算,计算公式为:
gx(i,j)=f(i,j)-f(i-1,j),gy(i,j)=f(i,j)-f(i,j-1)
0≤i<W,0≤j<H
式中,W为二值图像的宽度,H为二值图像的高度,f(i,j)为二值图像在坐标(i,j)处的像素值,gx(i,j)和gy(i,j)分别为f(i,j)在x轴方向和y轴方向的梯度幅值分量,M(i,j)为二值图像在坐标(i,j)处的梯度幅值,α(i,j)为二值图像在坐标(i,j)处的梯度方向;
b、使用非极大值抑制的方法细化边缘,即沿着像素点f(i,j)的梯度方向α(i,j)的若干个像素中,若该像素点f(i,j)所对应的梯度幅值M(i,j)是最大值,则保留,否则置为0,遍历二值图像中的每一个像素点,得到经过非极大值抑制处理后的幅值图像M(i,j);
c、使用双阈值处理来检测边缘,并用连接分析来得到最终的边缘图像,即双阈值为高阈值和低阈值,对于经过非极大值抑制处理的二值图像的每个幅值点M(i,j),若该点的幅值大于高阈值,则其一定为边缘点,若该点的幅值小于低阈值,则其一定不是边缘点,对于幅值介于低阈值和高阈值之间的点,若其8个邻域中存在边缘点则该点为边缘点,否则,该点不是边缘点,逐一分析得到最终的边缘图像;
d、物体所在位置的判断:若某个边缘点在另一个边缘点的8个邻域中,则这两个边缘点属于同一条边缘,按照这样的判定规则,统计出边缘图像中所有的边缘和每条边缘对应的像素点个数,然后按照像素点个数进行排序,像素点个数最多的边缘所在的位置视为物体所在的位置。
进一步地,步骤(4)的具体步骤为:
I、对边缘最长的离散像素点的集合,计算能包含所有像素点的凸包,得到多边形凸包;
II、对于得到的多边形凸包,沿着凸包的一条边的方向获得能包含凸包的最小矩形,遍历凸包的每一条边,最终矩形中面积最小的即为能包含物体轮廓的最小矩形。
进一步地,步骤(5)的具体步骤为:
①、在深度图像上采集最小矩形内的所有像素点的像素值,并对所采集的像素值进行排序,取中位数的值,即为物体表面与相机的距离,记为h2;
②、采集基准图像内所有像素点的像素值,对所采集的像素值进行排序,取中位数的值,即为基准图像与相机的距离,即为h1;
③、物体的高度计算公式为:H物体=h1-h2。
进一步地,步骤(6)的具体步骤为:
A、以感兴趣区域为标准建立坐标系,确定最小矩形的四个顶点在该坐标系中的坐标;设定最小矩形的四个顶点坐标分别为(xa,ya),(xb,yb),(xc,yc),(xd,yd);根据小孔成像原理,建立的模型公式为:
式中,h2为物体表面距离相机的距离;xi和yi为顶点在图像坐标系中的坐标;Xi和Yi为在物体表面平面上物体顶点与相机光轴的偏移量;cx和cy为相机内参数,分别表示图像中心与光轴在x和y方向上的偏移像素点数;fx和fy为相机内参数,分别表示相机物体焦距长度在x和y方向上以像素为单位的度量值;
将最小矩形的四个顶点坐标分别带入上述模型公式,得到四个顶点在物体表面平面上与相机光轴的偏移量,分别为(Xa,Ya),(Xb,Yb),(Xc,Yc),(Xd,Yd);
B、通过最小矩形四个顶点的偏移量计算最小矩形的边长,计算公式为:
式中,L物体为物体的长度,W物体为物体的宽度。
与现有技术相比,本发明的有益效果为:
本发明通过深度相机获取物体的深度图像后,对深度图像进行图像处理,利用物体图像和基准图像与相机之间的距离差值得到物体高度,利用小孔成像原理计算得到物体的长度和宽度,从而实现物体尺寸测量的自动化,有效提高物体尺寸测量的速度和准确度。
附图说明
图1是本发明深度相机安装示意图;
图2是本发明基于深度图像处理的物体尺寸测量方法的流程图;
图3是本发明指定感兴趣区域示意图以及得到的基准图像;
图4是本发明物体深度图像与基准图像的差值图像;
图5是本发明对差值图像进行二值化的二值图像;
图6是本发明经过边缘检测后的边缘图像;
图7是本发明经过筛选后的物体轮廓图像;
图8是本发明物体检测结果图像;
图9是本发明坐标系的建立以及物体顶点关系。
具体实施方式
图1为深度相机安装示意图,深度相机安装于载物台的正上方,将待测物体置于载物台上进行测量。
图2为基于深度图像处理的物体尺寸测量方法的流程示意图,包括以下步骤:
(1)指定载物台上感兴趣区域,并以载物台空载时深度相机采集的感兴趣区域内的图像为基准图像,如图3所示,在深度相机初次使用时需要人为指定感兴趣区域,在后续图像处理中,只对感兴趣区域内的图像进行处理,能够有效避免环境干扰,从而降低算法复杂度;将物体置于载物台上,利用深度相机采集物体的深度图像,并将其与基准图像进行灰度值作差,得到差值图,具体过程为:将物体的深度图像和基准图像中对应坐标像素灰度值逐个进行相减,相减公式为:
S(i,j)=I(i,j)-B(i,j),0≤i<W,0≤j<H;
式中,S(i,j)为差值图在坐标(i,j)处的像素值,I(i,j)为采集到的深度图像在坐标(i,j)处的像素值,B(i,j)为载物台基准图像在坐标(i,j)处的像素值,W为感兴趣区域的宽度,H为感兴趣区域的高度。
将待测物体的深度图像与基准图像进行灰度值作差后得到的差值图,如图4所示。
(2)构建大津算法模型,对步骤(1)所得的差值图进行二值化,并确定最佳二值化阈值,得到区分前景和背景的二值图像;
其中构建的大津算法模型,其公式为:
式中,t为阈值,w1(t)和w2(t)分别为被阈值t分开的两个类的像素数占总像素数的比重,和分别为被阈值t分开的两个类的方差,为此时两个类的方差的加权和;
该模型公式用来衡量二值化结果的优劣,通过穷举阈值t的方法来确定使方差的加权和最小时的阈值t,即为最佳二值化阈值;确定最佳二值化阈值参数后,即可得到区分前景和背景的二值图像,如图5所示。
(3)利用边缘检测方法对步骤(2)所得的二值图像进行边缘检测,并通过边缘的长度排除噪声以确定物体的轮廓,具体步骤为:
a、对二值图像中每一个像素点的梯度幅值和方向进行计算,计算公式为:
gx(i,j)=f(i,j)-f(i-1,j),gy(i,j)=f(i,j)-f(i,j-1)
0≤i<W,0≤j<H
式中,W为二值图像的宽度,H为二值图像的高度,f(i,j)为二值图像在坐标(i,j)处的像素值,gx(i,j)和gy(i,j)分别为f(i,j)在x轴方向和y轴方向的梯度幅值分量,M(i,j)为二值图像在坐标(i,j)处的梯度幅值,α(i,j)为二值图像在坐标(i,j)处的梯度方向;
b、使用非极大值抑制的方法细化边缘,即沿着像素点f(i,j)的梯度方向α(i,j)的若干个像素中,若该像素点f(i,j)所对应的梯度幅值M(i,j)是最大值,则保留,否则置为0,遍历二值图像中的每一个像素点,得到经过非极大值抑制处理后的幅值图像M(i,j);
c、使用双阈值处理来检测边缘,并用连接分析来得到最终的边缘图像,即双阈值为高阈值和低阈值,对于经过非极大值抑制处理的二值图像的每个幅值点M(i,j),若该点的幅值大于高阈值,则其一定为边缘点,若该点的幅值小于低阈值,则其一定不是边缘点,对于幅值介于低阈值和高阈值之间的点,若其8个邻域中存在边缘点则该点为边缘点,否则,该点不是边缘点,逐一分析得到最终的边缘图像,结果如图6所示;
d、物体所在位置的判断:若某个边缘点在另一个边缘点的8个邻域中,则这两个边缘点属于同一条边缘,按照这样的判定规则,统计出边缘图像中所有的边缘和每条边缘对应的像素点个数,然后按照像素点个数进行排序,像素点个数最多的边缘所在的位置视为物体所在的位置,经过筛选后物体的轮廓图像如图7所示。
(4)计算确定物体轮廓的最小矩形,结果如图8所示,具体实施步骤为I、对边缘最长的离散像素点的集合,计算能包含所有像素点的凸包,得到多边形凸包;
II、对于得到的多边形凸包,每次沿着凸包的一条边的方向获得能包含凸包的最小矩形,遍历凸包的每一条边,最终矩形中面积最小的即为能包含物体轮廓的最小矩形。
(5)利用物体轮廓的最小矩形和基准图像与相机之间距离的差值得到物体高度,具体步骤为:
①、在深度图像上采集最小矩形内的所有像素点的像素值,并对所采集的像素值进行排序,取中位数的值,即为物体表面与相机的距离,记为h2;
②、采集基准图像内所有像素点的像素值,对所采集的像素值进行排序,取中位数的值,即为基准图像与相机的距离,即为h1;
③、物体的高度计算公式为:H物体=h1-h2。
(6)利用小孔成像原理,结合深度相机内参数、最小矩形顶点坐标以及物体表面与相机的距离这三项数据,计算出物体的长度和宽度,具体步骤为:
A、以感兴趣区域为标准建立坐标系,如图9所示,确定最小矩形的四个顶点在该坐标系中的坐标;设定最小矩形的四个顶点坐标分别为(xa,ya),(xb,yb),(xc,yc),(xd,yd);根据小孔成像原理,建立的模型公式为:
式中,h2为物体表面距离相机的距离;xi和yi为顶点在图像坐标系中的坐标;Xi和Yi为在物体表面平面上物体顶点与相机光轴的偏移量;cx和cy为相机内参数,分别表示图像中心与光轴在x和y方向上的偏移像素点数;fx和fy为相机内参数,分别表示相机物体焦距长度在x和y方向上以像素为单位的度量值;
将最小矩形的四个顶点坐标分别带入上述模型公式,得到四个顶点在物体表面平面上与相机光轴的偏移量,分别为(Xa,Ya),(Xb,Yb),(Xc,Yc),(Xd,Yd);
B、通过最小矩形四个顶点的偏移量计算最小矩形的边长,计算公式为:
式中,L物体为物体的长度,W物体为物体的宽度。
通过上述步骤能够完成从深度相加采集的待测物体的深度图像中计算出待测物体的尺寸,实现物体尺寸测量的自动化,有效提高物体尺寸测量的速度和准确度。
Claims (7)
1.一种基于深度图像处理的物体尺寸测量方法,其特征在于,利用深度相机对放置于载物台上的物体进行尺寸测量,包括以下步骤:
(1)指定载物台上感兴趣区域,并以载物台空载时深度相机采集的感兴趣区域内的图像为基准图像;将物体置于载物台上,利用深度相机采集物体的深度图像,并将其与基准图像进行灰度值作差,得到差值图;
(2)构建大津算法模型,对步骤(1)所得的差值图进行二值化,并确定最佳二值化阈值,得到区分前景和背景的二值图像;
(3)利用边缘检测方法对步骤(2)所得的二值图像进行边缘检测,并通过边缘的长度排除噪声以确定物体的轮廓;
(4)计算确定物体轮廓的最小矩形;
(5)利用物体轮廓的最小矩形和基准图像与相机之间距离的差值得到物体高度;
(6)利用小孔成像原理计算出物体的长度和宽度。
2.根据权利要求1所述的基于深度图像处理的物体尺寸测量方法,其特征在于,所述步骤(1)中将物体的深度图像与基准图像进行灰度值作差的具体过程为:将物体的深度图像和基准图像中对应坐标像素灰度值逐个进行相减,相减公式为:
S(i,j)=I(i,j)-B(i,j),0≤i<W,0≤j<H;
式中,S(i,j)为差值图在坐标(i,j)处的像素值,I(i,j)为采集到的深度图像在坐标(i,j)处的像素值,B(i,j)为载物台基准图像在坐标(i,j)处的像素值,W为感兴趣区域的宽度,H为感兴趣区域的高度。
3.根据权利要求2所述的基于深度图像处理的物体尺寸测量方法,其特征在于,步骤(2)中构建的大津算法模型,其公式为:
式中,t为阈值,w1(t)和w2(t)分别为被阈值t分开的两个类的像素数占总像素数的比重,和分别为被阈值t分开的两个类的方差,为此时两个类的方差的加权和;
通过穷举阈值t的方法来确定使方差的加权和最小时的阈值t,即为最佳二值化阈值;确定最佳二值化阈值参数后,即可得到区分前景和背景的二值图像。
4.根据权利要求3所述的基于深度图像处理的物体尺寸测量方法,其特征在于,步骤(3)的具体步骤为:
a、对二值图像中每一个像素点的梯度幅值和方向进行计算,计算公式为:
gx(i,j)=f(i,j)-f(i-1,j),gy(i,j)=f(i,j)-f(i,j-1)
0≤i<W,0≤j<H
式中,W为二值图像的宽度,H为二值图像的高度,f(i,j)为二值图像在坐标(i,j)处的像素值,gx(i,j)和gy(i,j)分别为f(i,j)在x轴方向和y轴方向的梯度幅值分量,M(i,j)为二值图像在坐标(i,j)处的梯度幅值,α(i,j)为二值图像在坐标(i,j)处的梯度方向;
b、使用非极大值抑制的方法细化边缘,即沿着像素点f(i,j)的梯度方向α(i,j)的若干个像素中,若该像素点f(i,j)所对应的梯度幅值M(i,j)是最大值,则保留,否则置为0,遍历二值图像中的每一个像素点,得到经过非极大值抑制处理后的幅值图像M(i,j);
c、使用双阈值处理来检测边缘,并用连接分析来得到最终的边缘图像,即双阈值为高阈值和低阈值,对于经过非极大值抑制处理的二值图像的每个幅值点M(i,j),若该点的幅值大于高阈值,则其一定为边缘点,若该点的幅值小于低阈值,则其一定不是边缘点,对于幅值介于低阈值和高阈值之间的点,若其8个邻域中存在边缘点则该点为边缘点,否则,该点不是边缘点,逐一分析得到最终的边缘图像;
d、物体所在位置的判断:若某个边缘点在另一个边缘点的8个邻域中,则这两个边缘点属于同一条边缘,按照这样的判定规则,统计出边缘图像中所有的边缘和每条边缘对应的像素点个数,然后按照像素点个数进行排序,像素点个数最多的边缘所在的位置视为物体所在的位置。
5.根据权利要求4所述的基于深度图像处理的物体尺寸测量方法,其特征在于,步骤(4)的具体步骤为:
I、对边缘最长的离散像素点的集合,计算能包含所有像素点的凸包,得到多边形凸包;
II、对于得到的多边形凸包,沿着凸包的一条边的方向获得能包含凸包的最小矩形,遍历凸包的每一条边,最终矩形中面积最小的即为能包含物体轮廓的最小矩形。
6.根据权利要求5所述的基于深度图像处理的物体尺寸测量方法,其特征在于,步骤(5)的具体步骤为:
①、在深度图像上采集最小矩形内的所有像素点的像素值,并对所采集的像素值进行排序,取中位数的值,即为物体表面与相机的距离,记为h2;
②、采集基准图像内所有像素点的像素值,对所采集的像素值进行排序,取中位数的值,即为基准图像与相机的距离,即为h1;
③、物体的高度计算公式为:H物体=h1-h2。
7.根据权利要求6所述的基于深度图像处理的物体尺寸测量方法,其特征在于,步骤(6)的具体步骤为:
A、以感兴趣区域为标准建立坐标系,确定最小矩形的四个顶点在该坐标系中的坐标;设定最小矩形的四个顶点坐标分别为(xa,ya),(xb,yb),(xc,yc),(xd,yd);根据小孔成像原理,建立的模型公式为:
式中,h2为物体表面距离相机的距离;xi和yi为顶点在图像坐标系中的坐标;Xi和Yi为在物体表面平面上物体顶点与相机光轴的偏移量;cx和cy为相机内参数,分别表示图像中心与光轴在x和y方向上的偏移像素点数;fx和fy为相机内参数,分别表示相机物体焦距长度在x和y方向上以像素为单位的度量值;
将最小矩形的四个顶点坐标分别带入上述模型公式,得到四个顶点在物体表面平面上与相机光轴的偏移量,分别为(Xa,Ya),(Xb,Yb),(Xc,Yc),(Xd,Yd);
B、通过最小矩形四个顶点的偏移量计算最小矩形的边长,计算公式为:
式中,L物体为物体的长度,W物体为物体的宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637965.6A CN109472822A (zh) | 2018-12-29 | 2018-12-29 | 基于深度图像处理的物体尺寸测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637965.6A CN109472822A (zh) | 2018-12-29 | 2018-12-29 | 基于深度图像处理的物体尺寸测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472822A true CN109472822A (zh) | 2019-03-15 |
Family
ID=65676956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811637965.6A Pending CN109472822A (zh) | 2018-12-29 | 2018-12-29 | 基于深度图像处理的物体尺寸测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472822A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978939A (zh) * | 2019-05-21 | 2019-07-05 | 芜湖智久机器人有限公司 | 一种物体尺寸估算系统及方法、仓库容量估算系统及方法 |
CN110243308A (zh) * | 2019-05-31 | 2019-09-17 | 湖北大学 | 基于区域定位的实时相位测量轮廓术 |
CN110246124A (zh) * | 2019-05-24 | 2019-09-17 | 西安交通大学 | 基于深度学习的目标尺寸测量方法及系统 |
CN110345877A (zh) * | 2019-07-03 | 2019-10-18 | 西安交通大学 | 一种管板孔径和节距测量方法 |
CN110349205A (zh) * | 2019-07-22 | 2019-10-18 | 杭州光珀智能科技有限公司 | 一种物体体积的测量方法及装置 |
CN110390681A (zh) * | 2019-07-17 | 2019-10-29 | 海伯森技术(深圳)有限公司 | 一种基于深度相机的深度图物体轮廓快速提取方法及装置 |
CN110782473A (zh) * | 2019-12-05 | 2020-02-11 | 青岛大学 | 一种基于深度相机的传送带静止包裹检测方法及检测系统 |
CN110838142A (zh) * | 2019-11-05 | 2020-02-25 | 沈阳民航东北凯亚有限公司 | 一种基于深度图像的行李尺寸识别方法及装置 |
CN111047588A (zh) * | 2019-12-26 | 2020-04-21 | 电子科技大学 | 一种轴型小零件尺寸的图像化测量方法 |
CN111080701A (zh) * | 2019-12-13 | 2020-04-28 | 深圳市丰巢科技有限公司 | 智能柜物体检测方法、装置、服务器及存储介质 |
CN111127572A (zh) * | 2020-01-06 | 2020-05-08 | 长春理工大学 | 基于轴向采集方式的集成成像深度图获取方法 |
CN111354009A (zh) * | 2020-02-27 | 2020-06-30 | 西安交通大学 | 激光增材制造熔池形状的提取方法 |
CN111429503A (zh) * | 2020-02-21 | 2020-07-17 | 于兴虎 | 一种斑马鱼幼鱼年龄估计方法及系统 |
CN111524193A (zh) * | 2020-04-17 | 2020-08-11 | 西安交通大学 | 一种物体二维尺寸的测量方法及测量装置 |
CN111932576A (zh) * | 2020-07-15 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度相机的物体边界测量方法和装置 |
CN112233094A (zh) * | 2020-10-16 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的车钩托梁折断检测方法、系统及装置 |
CN112254635A (zh) * | 2020-09-23 | 2021-01-22 | 洛伦兹(北京)科技有限公司 | 体积测量方法、装置及系统 |
CN112651968A (zh) * | 2021-01-20 | 2021-04-13 | 广东工业大学 | 一种基于深度信息的木板形变与凹坑检测方法 |
CN113066097A (zh) * | 2021-05-24 | 2021-07-02 | 广东技术师范大学 | 一种快速精确测量叉指换能器指条宽度、周期、金属化比的方法及系统 |
CN113513980A (zh) * | 2021-06-07 | 2021-10-19 | 昂视工业技术(深圳)有限公司 | 基于辅助尺的体积测量装置 |
CN113689400A (zh) * | 2021-08-24 | 2021-11-23 | 凌云光技术股份有限公司 | 一种深度图像截面轮廓边沿的检测方法及装置 |
CN114396875A (zh) * | 2022-01-18 | 2022-04-26 | 安徽工业大学 | 一种基于深度相机垂直拍摄的长方形包裹体积测量方法 |
CN114772220A (zh) * | 2022-06-23 | 2022-07-22 | 力博重工科技股份有限公司 | 一种带式输送机物料负载的实时检测方法 |
CN114882095A (zh) * | 2022-05-06 | 2022-08-09 | 山东省科学院海洋仪器仪表研究所 | 一种基于轮廓匹配的物体高度在线测量方法 |
RU2806064C1 (ru) * | 2022-12-15 | 2023-10-25 | Общество с ограниченной ответственностью "ГАРПИКС МЕДИА" | Автоматизированная система определения габаритов объекта |
CN117611657A (zh) * | 2024-01-22 | 2024-02-27 | 江西农业大学 | 一种杏鲍菇体积计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292701A (zh) * | 2013-06-24 | 2013-09-11 | 哈尔滨工业大学 | 基于机器视觉的精密器件在线尺寸测量方法 |
CN106023201A (zh) * | 2016-05-19 | 2016-10-12 | 南京林业大学 | 一种针对矩形透明塑料袋的尺寸测量方法 |
CN106839975A (zh) * | 2015-12-03 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的体积测量方法及其系统 |
CN107067431A (zh) * | 2017-01-16 | 2017-08-18 | 河海大学常州校区 | 一种基于Kinect的物体体积计算方法 |
-
2018
- 2018-12-29 CN CN201811637965.6A patent/CN109472822A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292701A (zh) * | 2013-06-24 | 2013-09-11 | 哈尔滨工业大学 | 基于机器视觉的精密器件在线尺寸测量方法 |
CN106839975A (zh) * | 2015-12-03 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的体积测量方法及其系统 |
CN106023201A (zh) * | 2016-05-19 | 2016-10-12 | 南京林业大学 | 一种针对矩形透明塑料袋的尺寸测量方法 |
CN107067431A (zh) * | 2017-01-16 | 2017-08-18 | 河海大学常州校区 | 一种基于Kinect的物体体积计算方法 |
Non-Patent Citations (1)
Title |
---|
赵超 等: ""面向Kinect RGB-D图像的目标尺寸测量方法"", 《工业控制计算机》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978939B (zh) * | 2019-05-21 | 2023-03-24 | 安徽宏途机器人科技有限公司 | 一种物体尺寸估算系统及方法、仓库容量估算系统及方法 |
CN109978939A (zh) * | 2019-05-21 | 2019-07-05 | 芜湖智久机器人有限公司 | 一种物体尺寸估算系统及方法、仓库容量估算系统及方法 |
CN110246124A (zh) * | 2019-05-24 | 2019-09-17 | 西安交通大学 | 基于深度学习的目标尺寸测量方法及系统 |
CN110243308A (zh) * | 2019-05-31 | 2019-09-17 | 湖北大学 | 基于区域定位的实时相位测量轮廓术 |
CN110345877A (zh) * | 2019-07-03 | 2019-10-18 | 西安交通大学 | 一种管板孔径和节距测量方法 |
CN110390681A (zh) * | 2019-07-17 | 2019-10-29 | 海伯森技术(深圳)有限公司 | 一种基于深度相机的深度图物体轮廓快速提取方法及装置 |
CN110390681B (zh) * | 2019-07-17 | 2023-04-11 | 海伯森技术(深圳)有限公司 | 一种基于深度相机的深度图物体轮廓快速提取方法及装置 |
CN110349205A (zh) * | 2019-07-22 | 2019-10-18 | 杭州光珀智能科技有限公司 | 一种物体体积的测量方法及装置 |
CN110349205B (zh) * | 2019-07-22 | 2021-05-28 | 浙江光珀智能科技有限公司 | 一种物体体积的测量方法及装置 |
CN110838142B (zh) * | 2019-11-05 | 2023-09-08 | 沈阳民航东北凯亚有限公司 | 一种基于深度图像的行李尺寸识别方法及装置 |
CN110838142A (zh) * | 2019-11-05 | 2020-02-25 | 沈阳民航东北凯亚有限公司 | 一种基于深度图像的行李尺寸识别方法及装置 |
CN110782473A (zh) * | 2019-12-05 | 2020-02-11 | 青岛大学 | 一种基于深度相机的传送带静止包裹检测方法及检测系统 |
CN110782473B (zh) * | 2019-12-05 | 2024-04-12 | 青岛大学 | 一种基于深度相机的传送带静止包裹检测方法及检测系统 |
CN111080701A (zh) * | 2019-12-13 | 2020-04-28 | 深圳市丰巢科技有限公司 | 智能柜物体检测方法、装置、服务器及存储介质 |
CN111047588A (zh) * | 2019-12-26 | 2020-04-21 | 电子科技大学 | 一种轴型小零件尺寸的图像化测量方法 |
CN111127572A (zh) * | 2020-01-06 | 2020-05-08 | 长春理工大学 | 基于轴向采集方式的集成成像深度图获取方法 |
CN111429503B (zh) * | 2020-02-21 | 2021-02-09 | 宁波智能装备研究院有限公司 | 一种斑马鱼幼鱼年龄估计方法及系统 |
CN111429503A (zh) * | 2020-02-21 | 2020-07-17 | 于兴虎 | 一种斑马鱼幼鱼年龄估计方法及系统 |
CN111354009A (zh) * | 2020-02-27 | 2020-06-30 | 西安交通大学 | 激光增材制造熔池形状的提取方法 |
CN111524193A (zh) * | 2020-04-17 | 2020-08-11 | 西安交通大学 | 一种物体二维尺寸的测量方法及测量装置 |
CN111524193B (zh) * | 2020-04-17 | 2022-05-03 | 西安交通大学 | 一种物体二维尺寸的测量方法及测量装置 |
CN111932576B (zh) * | 2020-07-15 | 2023-10-31 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度相机的物体边界测量方法和装置 |
CN111932576A (zh) * | 2020-07-15 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度相机的物体边界测量方法和装置 |
CN112254635A (zh) * | 2020-09-23 | 2021-01-22 | 洛伦兹(北京)科技有限公司 | 体积测量方法、装置及系统 |
CN112254635B (zh) * | 2020-09-23 | 2022-06-28 | 洛伦兹(北京)科技有限公司 | 体积测量方法、装置及系统 |
CN112233094B (zh) * | 2020-10-16 | 2021-06-25 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的车钩托梁折断检测方法、系统及装置 |
CN112233094A (zh) * | 2020-10-16 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的车钩托梁折断检测方法、系统及装置 |
CN112651968A (zh) * | 2021-01-20 | 2021-04-13 | 广东工业大学 | 一种基于深度信息的木板形变与凹坑检测方法 |
CN113066097A (zh) * | 2021-05-24 | 2021-07-02 | 广东技术师范大学 | 一种快速精确测量叉指换能器指条宽度、周期、金属化比的方法及系统 |
CN113513980A (zh) * | 2021-06-07 | 2021-10-19 | 昂视工业技术(深圳)有限公司 | 基于辅助尺的体积测量装置 |
CN113689400A (zh) * | 2021-08-24 | 2021-11-23 | 凌云光技术股份有限公司 | 一种深度图像截面轮廓边沿的检测方法及装置 |
CN113689400B (zh) * | 2021-08-24 | 2024-04-19 | 凌云光技术股份有限公司 | 一种深度图像截面轮廓边沿的检测方法及装置 |
CN114396875A (zh) * | 2022-01-18 | 2022-04-26 | 安徽工业大学 | 一种基于深度相机垂直拍摄的长方形包裹体积测量方法 |
CN114396875B (zh) * | 2022-01-18 | 2023-11-10 | 安徽工业大学 | 一种基于深度相机垂直拍摄的长方形包裹体积测量方法 |
CN114882095A (zh) * | 2022-05-06 | 2022-08-09 | 山东省科学院海洋仪器仪表研究所 | 一种基于轮廓匹配的物体高度在线测量方法 |
CN114772220B (zh) * | 2022-06-23 | 2022-10-14 | 力博重工科技股份有限公司 | 一种带式输送机物料负载的实时检测方法 |
CN114772220A (zh) * | 2022-06-23 | 2022-07-22 | 力博重工科技股份有限公司 | 一种带式输送机物料负载的实时检测方法 |
RU2806064C1 (ru) * | 2022-12-15 | 2023-10-25 | Общество с ограниченной ответственностью "ГАРПИКС МЕДИА" | Автоматизированная система определения габаритов объекта |
CN117611657A (zh) * | 2024-01-22 | 2024-02-27 | 江西农业大学 | 一种杏鲍菇体积计算方法 |
CN117611657B (zh) * | 2024-01-22 | 2024-04-23 | 江西农业大学 | 一种杏鲍菇体积计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
CN103994724B (zh) | 基于数字图像处理技术的结构二维位移及应变监测方法 | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN102297660B (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
CN104554341B (zh) | 检测轨道平顺度的系统和方法 | |
EP2085928B1 (en) | Detection of blobs in images | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN109870461A (zh) | 一种电子元器件质量检测系统 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN105957059B (zh) | 电子元件漏件检测方法和系统 | |
CN107451999A (zh) | 基于图像识别的异物检测方法和装置 | |
CN108416771A (zh) | 一种基于单目相机的金属材料锈蚀面积检测方法 | |
CN102975826A (zh) | 基于机器视觉的便携式船舶水尺自动检测和识别方法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN108186051A (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
CN109060290A (zh) | 基于视频和亚像素技术对风洞密度场进行测量的方法 | |
CN108470338A (zh) | 一种水位监测方法 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
CN112308828A (zh) | 一种密封设备气密性的人工智能检测方法和检测系统 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
Zhou et al. | UAV vision detection method for crane surface cracks based on Faster R-CNN and image segmentation | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |