CN110398477B - 材质分类及识别方法 - Google Patents

材质分类及识别方法 Download PDF

Info

Publication number
CN110398477B
CN110398477B CN201910593142.6A CN201910593142A CN110398477B CN 110398477 B CN110398477 B CN 110398477B CN 201910593142 A CN201910593142 A CN 201910593142A CN 110398477 B CN110398477 B CN 110398477B
Authority
CN
China
Prior art keywords
matrix
measured
infrared light
image
vector
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.)
Active
Application number
CN201910593142.6A
Other languages
English (en)
Other versions
CN110398477A (zh
Inventor
谢永明
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.)
Hong Kong Shinning Cloud Technology Co ltd
Original Assignee
Hong Kong Shinning Cloud Technology Co ltd
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 Hong Kong Shinning Cloud Technology Co ltd filed Critical Hong Kong Shinning Cloud Technology Co ltd
Priority to CN201910593142.6A priority Critical patent/CN110398477B/zh
Publication of CN110398477A publication Critical patent/CN110398477A/zh
Application granted granted Critical
Publication of CN110398477B publication Critical patent/CN110398477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N2021/4733—Discriminating different types of scatterers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种材质分类及识别方法，基于TOF手持终端，其包括如下步骤：a.控制发射器以设定的相位与频率值发射红外光，并获取所述红外光的反射光的矢量值；b.发射器向被测物体发射红外光，采集被测物体的图像；c.去除所述图像中的固定模式噪声并对所述图像的像素进行深度标准化处理以获取被测物体的特征参数；d.将被测物体的特征参数与数据库中的特征参数对比。本发明的材质分类及识别方法可方便快捷地实现对材质特征的采集分析，且在各种日常环境下均可正常使用，应用范围相当广泛。

Description

材质分类及识别方法
技术领域
本发明涉及材质分类识别领域，更具体地涉及一种基于TOF手持终端的材质分类及识别方法。
背景技术
随着科技不断进步，对物体材质的识别逐渐成为热点，而材料分类是计算机视觉应用中很常用但又比较难实现的一种技术。在日常场景应用中可用于识别可能包含各种视觉上相似但结构不同的材料。例如，自动机器人和自动驾驶车辆必须识别到是否在混凝土、金属或路面上行驶。因此，随着机器人技术和人机交互的进一步发展，对更精确的材料分类的需求会快速增长。
虽然现有计算机视觉技术，例如语义分割和对象识别，可以在材料分类应用中起到一定的作用。但是材料分类的主要难点之一是不同的材料可能产生非常相似的外观；例如，面对相机的人造塑料水果和真实水果就会产生视觉上类似的难以区分的RGB图像。
区分相似外观的可能策略之一是使用目标物体的光学响应，例如入射光的空间，角度和时间扩散。而ToF技术的逐渐发展和应用，为这一策略的实现和广泛应用提供了可能性。
ToF技术是通过分析从光源到物体的飞行和返回时间的已知飞行时间的相机系统，用于提供关于到物体的距离(深度)的信息。ToF技术的基本操作原理是用调制光(例如脉冲)照射场景。诸如这些光脉冲的调制光从场景中的物体反射回来，并且反射光透镜在图像传感器上，特别是在传感器的传感器表面上聚焦在场景中的物体上以形成图像。
在专利申请公布号：CN109188456A中提出了一种精准的目标材质识别系统。其公开了一种精准的目标材质识别系统，包括：偏振光发射系统和偏振光探测系统；其中，偏振光发射系统包括：依次设置的脉冲激光器、分光器和发射系统；以及与分光器相连的PIN探测器；偏振光探测系统包括：依次连接的接收系统、四路斯托克斯光子偏振探测系统、光子计数数据采集系统和数据处理系统；其中，PIN探测器与光子计数数据采集系统相连，利用Gm-APD测量得到的光子计数分布计算反射光子的Stokes矢量，通过Stokes矢量的变化情况达到目标材质识别的目的。但，在此专利申请中所涉及的系统结构复杂，包括了脉冲激光器、分光器和发射系统，以及分光器相连的PIN探测器，其中的四路光子偏振探测系统需要经过精准调试，而且激光雷达也属于比较专业的设备，其应用范围很小，很难实现普遍的日常应用。
另外，在专利申请公布号：CN105701804A中公开了一种物体材质的识别方法及装置，其主要通过利用微距拍摄镜头获取待识别物体的图像，进而根据图像获得待识别物体的材质数据，使得能够根据材质数据识别待识别物体的材质。但在该方案中使用微距镜头或放大镜头，需要近距离拍摄被测物体，应用场景上有很大的限制；同时，此方案对具有类似表面纹理特性的物体，显然是无法分辨的。
因此，有必要提供一种改进的材质的分类及识别方法以克服上述缺点。
发明内容
本发明的目的是提供一种材质分类及识别方法。本发明的材质分类及识别方法可方便快捷地实现对材质特征的采集分析，且在各种日常环境下均可正常使用，应用范围相当广泛。
为实现上述目的，本发明提供一种材质分类及识别方法，基于TOF手持终端，其包括如下步骤：a.控制发射器以设定的相位与频率值发射红外光，并获取所述红外光的反射光的矢量值；b.发射器向被测物体发射红外光，采集被测物体的图像；c.去除所述图像中的固定模式噪声,并对所述图像的像素进行深度标准化处理以获取被测物体的特征参数；d.将被测物体的特征参数与数据库中的特征参数对比。
较佳地，所述步骤a具体为：a1.获取n个测量频率并生成与n个测量频率对应的矢量
Figure BDA0002116766600000031
a2.在m个相位上对所述红外光采样，得到m个与相位相关的矢量
Figure BDA0002116766600000032
a3.将矢量
Figure BDA0002116766600000033
与矢量
Figure BDA0002116766600000034
堆叠在一起，得到总测量矩阵A(a1…an)。
较佳地，所述步骤去除所述图像中的固定模式噪声具体为：c11.用漫射光作为传感器的曝光输入，并创建噪声校准矩阵B；c12.对矩阵B进行归一化处理，得到矩阵B1；c13.根据所述红外光的相位与频率参数采集图像并创建被测物体的测量值矩阵C；c14.将矩阵C与矩阵B1进行相减运算。
较佳地，所述矩阵B、矩阵C的创建过程与矩阵A的创建过程完全相同。
较佳地，所述步骤对所述图像的像素进行深度标准化处理具体为：
c21.确定被测物体反射的红外光在其基频
Figure BDA0002116766600000035
处的复振幅，取向量M的相位偏移
Figure BDA0002116766600000036
的曝光值
Figure BDA0002116766600000037
并使用离散傅里叶变换获得系数
Figure BDA0002116766600000038
根据此基频系数
Figure BDA0002116766600000039
得到所需的延迟τref和幅度因子αref用于信号补偿：
Figure BDA00021167666000000310
c22.改变延迟τref和幅度因子αref相应的傅立叶系数，将所述频率
Figure BDA00021167666000000311
的传播到所有调制频率
Figure BDA00021167666000000312
的测量信号上，利用傅里叶变换处理向量M相位样本的调制频率，对系数
Figure BDA00021167666000000313
进行相移以补偿延迟τref，并用αref归一化向量M的幅度，得到
Figure BDA00021167666000000314
c23.使用
Figure BDA0002116766600000041
调整曝光值，得到
Figure BDA0002116766600000042
以获取被测物体的材质特征矩阵。
较佳地，所述步骤c21至c23还可分别对材质及距离参数独立执行。
较佳地，所述步骤获取被测物体的特征参数，具体为：将每个像素的原始相关性测量表示为Aaligned，其中每个像素是一个深度和幅度归一化的复数
Figure BDA0002116766600000043
将所述复数矩阵
Figure BDA0002116766600000044
矢量化处理，得到一个m*n*2维的特征向量，用于对材质的训练、分类和识别。
较佳地，所述步骤d具体为：通过线性判别分析，对比不同材质的包含区域，以区分确定被测物体的材质。
较佳地，所述数据库内包含有已知材质的各种参数信息。
较佳地，所述数据库设置于云端服务器。
与现有技术相比，本发明的材质分类及识别方法，可通过具有飞行时间(ToF)的手持终端，实现对材质特性的采集与分析，即能在日常环境下，简单快捷地实现材质的特性采集分析，应用范围相当广泛；另外，可对相似外观的不同材质加以区分，实现材质的比对和识别，提高了识别的精度。
通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。
附图说明
图1为本发明材质分类及识别方法的流程图。
图2为本发明材质分类及识别方法一优选实施方式的流程图。
图3为本发明材质分类及识别方法另一优选实施方式的流程图。
图4为本发明材质分类及识别方法再一优选实施方式的流程图。
具体实施方式
现在参考附图描述本发明的实施例，附图中类似的元件标号代表类似的元件。如上所述，本发明提供了一种材质分类及识别方法，本发明的材质分类及识别方法可方便快捷地实现对材质特征的采集分析，且在各种日常环境下均可正常使用，应用范围相当广泛。
本发明的材质分类及识别方法，基于TOF(Time of Flight)手持终端，从而本发明在应用过程中需要使用具备ToF摄像功能和控制及处理单元的手持终端。其中，所述手持终端可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、个人电脑(Personal Computer，PC)、MP3播放器、MP4播放器、可穿戴设备(例如，智能眼镜、智能手表、智能手环等)等，只要可实现TOF摄像功能即可。
请参考图1，图1为本发明材质分类及识别方法的流程图。具体地，本发明材质分类及识别方法包括如下步骤。
步骤S001，控制发射器以设定的相位与频率值发射红外光，并获取所述红外光的反射光的矢量值；在本步骤中，预先设置好ToF手持终端红外光发射器发射红外光的相位与频率，然后在所述发射器发射红外光时，采集其反射光的相关相位
Figure BDA0002116766600000051
和相关频率
Figure BDA0002116766600000052
其中n和m均为大于1的自然数。从而生成n个测量频率对应的测量矢量a1…n，并在m个不同相位采样，也即得到相位矩阵
Figure BDA0002116766600000053
将所有这些矢量堆叠在一起，得到总测量矩阵A(a1…an)。具体地，请再结合参考图2，作为本发明的一优选实施方式，所述步骤S001中具体还包括如下步骤S101至步骤S103：
步骤S101，获取n个测量频率并生成与n个测量频率对应的矢量
Figure BDA0002116766600000054
在本步骤中，对ToF手持终端(在本优选实施方式中具体为ToF相机的红外发光器)发射红外光的反射光的频率进行采样，采样获取所述反射光的n个频率参数，从而生成与其对应的矢量
Figure BDA0002116766600000055
其中，n的取值可依据使用过程中的精度要求而确定，通常精度越高，取值越大，从而在实际使用过程中可根据不同的场合而灵活选择。
步骤S102，在m个相位上对所述红外光的反射光采样，得到m个与相位相关的矢量
Figure BDA0002116766600000061
在本步骤中，对所述反射光在其各个频率上进行m个相位的采样，如在相位0°，90°，180°，270°等位置进行采样，从而得到m个与相位相关的矢量
Figure BDA0002116766600000062
其中，m的取值与n相同，根据测量精度要求而定，在此不再细述。
步骤S103，将矢量
Figure BDA0002116766600000063
与矢量
Figure BDA0002116766600000064
堆叠在一起，得到总测量矩阵A(a1…an)；在本步骤中，具体地，将两矢量
Figure BDA0002116766600000065
与
Figure BDA0002116766600000066
进行堆叠，从而得到包含相位与频率参数信息的总测量矩阵A(a1…an)，以便于后续对的材质特性的提取。
步骤S002，发射器向被测物体发射红外光，采集被测物体的图像；在本步骤中，发射器以所述步骤S001中相同的相位与频率参数的红外光向被测物体发射红外光，以保证发射出的红外光的参数的一致性；具体操作过程同步骤S001，且在获取所述红外光的相位与频率参数后，同样地需要经过上述步骤S101至步骤S103，获取被测物体的相关参数，以供后续步骤使用；在此不再细述。
步骤S003，去除所述图像中的固定模式噪声并对所述图像的像素进行深度标准化处理以获取被测物体的特征参数；在本步骤中，主要通过像素校准去除所述步骤S001采样过程中存在的调制频率相关的固定模式噪声，以去除固定模式噪声对采样结果精度的影响，进一步提高了最终的识别精度；其中，所述固定模式噪声通常指TOF手持终端与其所处的自然环境本身固定存在的噪声；利用漫射光作为传感器的曝光输入，以此创建噪声校准矩阵；然后，将此矩阵的归一化数据与被测物体的测量值分开，以补偿所述固定模式噪声。
另外，请再结合参考图3，作为本发明的另一优选实施方式，所述步骤S003中去除所述图像中的固定模式噪声具体还包括如下步骤S311至步骤S314：
步骤S311，用漫射光作为传感器的曝光输入，并创建噪声校准矩阵B；在本步骤中，将ToF手持终端的传感器暴露在环境光(漫射光)下，用与未来采样过程相同的相位及频率进行曝光，并针对每一个像素遍历计算其曝光强度，以获取所述噪声校准矩阵B；
步骤S312，对矩阵B进行归一化处理，得到矩阵B1；
步骤S313，根据所述红外光的相位与频率参数采集图像并创建被测物体的测量值矩阵C；
步骤S314，将矩阵C与矩阵B1进行相减运算；在本步骤中，将矩阵B1与矩阵C矩阵进行相减运算，即可去除调制频率中含有的固定模式噪声，从而使得测量结果更准确，精度更高。
在本优选实施方式中，所述矩阵B、C的创建过程与所述步骤S001中的矩阵A的创建过程完全相同，在此不再重复介绍。
再有，所述步骤S003中对所述图像的像素进行深度标准化处理，具体为，通过提取发射器发射的红外光照射到被测物体上的反射光的相应幅度和相位参数，进行材质的计算，并去除非被测物体的反射图像；其中，选择一组调制频率对应的矢量
Figure BDA0002116766600000071
进行测量，并选择一个调制频率作为每种材料的参考点，在本优选实施方式中选择使用
Figure BDA0002116766600000072
为所有给定材料的参考频率；当然，所述参考频率能与调制频率一一对应，效果会更佳。具体地，请再结合参考图4，作为本发明的再一优选实施方式，所述步骤S003中对所述图像的像素进行深度标准化处理还进一步地包括如下步骤S321至步骤S323：
步骤S321，确定被测物体反射的红外光在其基频
Figure BDA0002116766600000073
处的复振幅，取向量M的相位偏移
Figure BDA0002116766600000074
的曝光值
Figure BDA0002116766600000075
并使用离散傅里叶变换获得系数
Figure BDA0002116766600000076
根据此基频系数
Figure BDA0002116766600000077
得到所需的延迟τref和幅度因子αref用于信号补偿：
Figure BDA0002116766600000078
步骤S322，改变延迟τref和幅度因子αref相应的傅立叶系数，将所述频率
Figure BDA0002116766600000081
的校正传播到所有调制频率
Figure BDA0002116766600000082
的测量信号上，利用傅里叶变换处理向量M相位样本的调制频率，对系数
Figure BDA0002116766600000083
进行相移以补偿延迟τref，并用αref归一化向量M的幅度，得到
Figure BDA0002116766600000084
步骤S323，使用
Figure BDA0002116766600000085
调整曝光值，得到
Figure BDA0002116766600000086
以获取被测物体的材质特征矩阵。
上述步骤S321至步骤S323可分别对所有像素、材料及距离参数独立执行，上述过程仅执行了对像素参数的处理，在具体使用过程中还需要独立对材料参数与距离参数进行与上述步骤完全相同的处理，在此不再细述；从而通过分析在测量的
Figure BDA0002116766600000087
频率上的相移来确定给定测量矢量的总时间延迟，然后，通过相应的相位移动所有测量值以补偿该延迟。且由以上3步遍历操作之后，针对单一材质和单一距离上的数据，将获取到每个ToF传感器像素的
Figure BDA0002116766600000088
进而获取了原始材质特征矩阵，然后对其与固定模式的噪声矩阵相减(具体同步骤S314)，并进行标准化处理，从而提取出去除了噪声的材质特征矩阵Aaligned。
另外，在所述步骤S003中获取被测物体的特征参数，具体地为：经过噪声去除和深度标准化处理后，每个像素的原始相关性测量表示为Aaligned，其中每个像素是一个深度和幅度归一化的复数
Figure BDA0002116766600000089
将所述复数矩阵
Figure BDA00021167666000000810
矢量化处理，得到一个m n 2维的特征向量，从而可用于材质的训练、分类和识别，从而可实现有效的材质特性的机器学习。
步骤S004，将被测物体的特征参数与数据库中的特征参数对比；在本步骤中，通过线性判别分析，对比不同材质的包含区域，以区分确定被测物体的材质；具体地，使用原始空间和尺寸缩小空间中的特征来比较分类精度，且在本发明中用了线性判别分析(LDA)，能表示出不同材质在二维图表中的不同包含区域，通过对比不同物体的包含区域，即能区分出不同的材质，实现材质的识别。
另外，在本发明的优选实施方式中，所述数据库中包含有已知材质的各种参数信息，且所述数据库设置于云端服务器，使得通过有效的材质特性的机器学习过程后，可以将学习后的不同的材质特性的包含区域保存至云端服务器，从而随时随地可通过上传被测物体的材质参数至云端服务器，通过与云端服务器中数据库的对比，即可准确而快捷地获取被测物体的材质，以实现待测物体的材质识别。
以上结合最佳实施例对本发明进行了描述，但本发明并不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。

Claims (8)

1.一种材质分类及识别方法，基于TOF手持终端，其特征在于，包括如下步骤：
a.控制发射器以设定的相位与频率值发射红外光，并获取所述红外光的反射光的矢量值；
b.发射器向被测物体发射红外光，采集被测物体的图像；
c.去除所述图像中的固定模式噪声，并对所述图像的像素进行深度标准化处理以获取被测物体的特征参数；
d.将被测物体的特征参数与数据库中的特征参数对比；
其中，所述步骤a具体为：
a1.获取n个测量频率并生成与n个测量频率对应的矢量
Figure FDA0003491676110000011
a2.在m个相位上对所述红外光采样，得到m个与相位相关的矢量
Figure FDA0003491676110000012
a3.将矢量
Figure FDA0003491676110000013
与矢量
Figure FDA0003491676110000014
堆叠在一起，得到总测量矩阵A＝(a1…an)；
另外，所述步骤对所述图像的像素进行深度标准化处理具体为：
c21.确定被测物体反射的红外光在其基频
Figure FDA0003491676110000015
处的复振幅，取向量M的相位偏移
Figure FDA0003491676110000016
的曝光值
Figure FDA0003491676110000017
并使用离散傅里叶变换获得系数
Figure FDA0003491676110000018
根据此基频系数
Figure FDA0003491676110000019
得到所需的延迟τref和幅度因子αref用于信号补偿：
Figure FDA00034916761100000110
c22.改变延迟τref和幅度因子αref相应的傅立叶系数，将所述频率
Figure FDA00034916761100000111
的校正传播到所有调制频率
Figure FDA00034916761100000112
的测量信号上，利用傅里叶变换处理向量M相位样本的调制频率，对系数
Figure FDA00034916761100000113
进行相移以补偿延迟τref，并用αref归一化向量M的幅度，得到
Figure FDA00034916761100000114
c23.使用
Figure FDA00034916761100000115
调整曝光值，得到
Figure FDA00034916761100000116
以获取被测物体的材质特征矩阵。
2.如权利要求1所述的材质分类及识别方法，其特征在于，所述步骤去除所述图像中的固定模式噪声具体为：
c11.用漫射光作为传感器的曝光输入，并创建噪声校准矩阵B；
c12.对矩阵B进行归一化处理，得到矩阵B1；
c13.根据所述红外光的相位与频率参数采集图像并创建被测物体的测量值矩阵C；
c14.将矩阵C与矩阵B1进行相减运算。
3.如权利要求2所述的材质分类及识别方法，其特征在于，所述矩阵B、矩阵C的创建过程与矩阵A的创建过程完全相同。
4.如权利要求3所述的材质分类及识别方法，其特征在于，所述步骤c21至c23还可分别对材质及距离参数独立执行。
5.如权利要求4所述的材质分类及识别方法，其特征在于，所述步骤获取被测物体的特征参数，具体为：
将每个像素的原始相关性测量表示为Aaligned，其中每个像素是一个深度和幅度归一化的复数
Figure FDA0003491676110000021
将所述复数矩阵
Figure FDA0003491676110000022
矢量化处理，得到一个m*n*2维的特征向量，用于对材质的训练、分类和识别。
6.如权利要求2所述的材质分类及识别方法，其特征在于，所述步骤d具体为：
通过线性判别分析，对比不同材质的包含区域，以区分确定被测物体的材质。
7.如权利要求1所述的材质分类及识别方法，其特征在于，所述数据库内包含有已知材质的各种参数信息。
8.如权利要求1所述的材质分类及识别方法，其特征在于，所述数据库设置于云端服务器。
CN201910593142.6A 2019-07-03 2019-07-03 材质分类及识别方法 Active CN110398477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910593142.6A CN110398477B (zh) 2019-07-03 2019-07-03 材质分类及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910593142.6A CN110398477B (zh) 2019-07-03 2019-07-03 材质分类及识别方法

Publications (2)

Publication Number Publication Date
CN110398477A CN110398477A (zh) 2019-11-01
CN110398477B true CN110398477B (zh) 2022-06-24

Family

ID=68322679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910593142.6A Active CN110398477B (zh) 2019-07-03 2019-07-03 材质分类及识别方法

Country Status (1)

Country Link
CN (1) CN110398477B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283420A (zh) * 2021-05-20 2021-08-20 维沃移动通信有限公司 电子设备、材质检测方法、材质检测装置和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635860A (zh) * 2008-07-25 2010-01-27 三星电子株式会社 成像方法和设备
CN106526593A (zh) * 2016-12-19 2017-03-22 国家测绘地理信息局卫星测绘应用中心 基于sar严密成像模型的子像素级角反射器自动定位方法
CN106680813A (zh) * 2016-11-23 2017-05-17 西南交通大学 一种高效时间反演成像技术方法
CN106997586A (zh) * 2016-01-25 2017-08-01 杭州海康威视数字技术股份有限公司 一种物体材料确定方法、装置及系统
CN108886588A (zh) * 2016-01-15 2018-11-23 康耐视股份有限公司 用于形成低信息内容场景的一维数字表示的机器视觉系统
CN111670576A (zh) * 2017-12-05 2020-09-15 艾瑞3D有限公司 用于深度获取的光场图像处理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO330292B1 (no) * 2007-09-12 2011-03-21 Det Norske Veritas As Akustiske tykkelsesmalinger ved bruk av gass som et koblingsmedium
US10337993B2 (en) * 2016-04-15 2019-07-02 Massachusetts Institute Of Technology Methods and apparatus for fluorescence lifetime imaging with periodically modulated light
US10598783B2 (en) * 2016-07-07 2020-03-24 Microsoft Technology Licensing, Llc Multi-frequency unwrapping

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635860A (zh) * 2008-07-25 2010-01-27 三星电子株式会社 成像方法和设备
CN108886588A (zh) * 2016-01-15 2018-11-23 康耐视股份有限公司 用于形成低信息内容场景的一维数字表示的机器视觉系统
CN106997586A (zh) * 2016-01-25 2017-08-01 杭州海康威视数字技术股份有限公司 一种物体材料确定方法、装置及系统
CN106680813A (zh) * 2016-11-23 2017-05-17 西南交通大学 一种高效时间反演成像技术方法
CN106526593A (zh) * 2016-12-19 2017-03-22 国家测绘地理信息局卫星测绘应用中心 基于sar严密成像模型的子像素级角反射器自动定位方法
CN111670576A (zh) * 2017-12-05 2020-09-15 艾瑞3D有限公司 用于深度获取的光场图像处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CMOS图像传感器主要噪声测试技术研究;毛成林;《中国优秀硕士学位论文全文数据库》;20180516(第6期);第2章 *
多CCD拼接相机中图像传感器不均匀性校正;王军等;《半导体光电》;20050630;第26卷(第3期);第261-263页 *

Also Published As

Publication number Publication date
CN110398477A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
JP6928414B2 (ja) 点群データセット内において物体を分類する方法およびシステム
Wu et al. Rachis detection and three-dimensional localization of cut off point for vision-based banana robot
Paulus et al. Surface feature based classification of plant organs from 3D laserscanned point clouds for plant phenotyping
CN109477710B (zh) 基于点的结构化光系统的反射率图估计
JP2022525204A (ja) 少なくとも１つの材料特性を識別するための検出器
CN107203743B (zh) 一种人脸深度跟踪装置及实现方法
CN111492198B (zh) 物体形状测量装置和方法以及程序
Hambarde et al. Single image depth estimation using deep adversarial training
US20230147186A1 (en) Adaptive processing in time of flight imaging
CN110398477B (zh) 材质分类及识别方法
EP3999822A1 (en) Spectrometer device
CN117474029B (zh) 基于区块链的ai偏振增强图码波频采集成像识别方法
CN113272639B (zh) 一种提取待测物质的光谱信息的方法
JP6044052B2 (ja) 魚眼画像データ作成プログラム及びｌａｉ算出プログラム
CN110333185B (zh) 材质检测方法
CN109459391B (zh) 一种红枣品质检测、红枣偏振检测模型生成方法及装置
CN114998980B (zh) 一种虹膜检测方法、装置、电子设备及存储介质
CN114076637B (zh) 高光谱获取方法及其系统、电子设备和编码宽光谱成像装置
EP3973447B1 (en) Surface recognition
Liu et al. Multispectral LiDAR point cloud highlight removal based on color information
Wang et al. Multi-exposure virtual photometer: A tool for evaluating the illumination robustness of feature detectors
EP4166932A1 (en) Enhanced method for the determination of an analyte concentration in bodily fluid
US20230393278A1 (en) Electronic device, method and computer program
Shao et al. Feasibility study on fruit parameter estimation based on hyperspectral LiDAR point cloud
Shojaeipour et al. Laser-pointer rangefinder between mobile robot and obstacles via webcam based

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