CN110648364B - 一种多维度空间固废视觉检测定位及识别方法与系统 - Google Patents

一种多维度空间固废视觉检测定位及识别方法与系统 Download PDF

Info

Publication number
CN110648364B
CN110648364B CN201910875190.4A CN201910875190A CN110648364B CN 110648364 B CN110648364 B CN 110648364B CN 201910875190 A CN201910875190 A CN 201910875190A CN 110648364 B CN110648364 B CN 110648364B
Authority
CN
China
Prior art keywords
image
height
color image
roi
solid waste
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
CN201910875190.4A
Other languages
English (en)
Other versions
CN110648364A (zh
Inventor
杨建红
房怀英
庄江腾
黄文景
范伟
林伟端
肖文
库跃东
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.)
Huaqiao University
Fujian South Highway Machinery Co Ltd
Original Assignee
Huaqiao University
Fujian South Highway Machinery 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 Huaqiao University, Fujian South Highway Machinery Co Ltd filed Critical Huaqiao University
Priority to CN201910875190.4A priority Critical patent/CN110648364B/zh
Publication of CN110648364A publication Critical patent/CN110648364A/zh
Application granted granted Critical
Publication of CN110648364B publication Critical patent/CN110648364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种多维度空间固废视觉检测定位及识别方法与系统，通过高度图像采集装置、彩色图像采集装置分别采集高度图像、彩色图像，实现多维度数据采集；并基于多维度数据进行多维度数据处理，包括数据预处理、有效区域提取、识别分类模型，实现对待检测固体废物的识别与定位。其中，数据预处理对两种不同数据进行处理；有效区域提取是利用不同数据的特点对含有建筑垃圾的区域进行提取；识别分类模型为全卷积神经网络算法。本发明的实施，可大大提高分拣的效率，同时又不耗费过多人力，完善了建筑垃圾分拣技术。

Description

一种多维度空间固废视觉检测定位及识别方法与系统
技术领域
本发明涉及建筑垃圾识别技术领域，更具体地说，涉及一种多维度空间固废视觉检测定位及识别方法，以及一种多维度空间固废视觉检测定位及识别系统。
背景技术
建筑垃圾是指在对建筑物实施新建、改建、扩建或者是拆除过程中产生的固体废弃物。我国建筑垃圾的数量已占到城市垃圾总量的30％-40％。以500-600吨/万平方米的标准推算，到2020年，我国还将新增建筑面积约300亿平方米，新产生的建筑垃圾将是一个令人震撼的数字。
事实上，建筑垃圾常被誉为“放错了地方的黄金”。经分拣、粉碎后，建筑垃圾大多可以作为再生资源重新利用，如加工成空心砖、墙板、加气混凝土等建材。实现建筑垃圾减量化、资源化、无害化已成为我国诸多城市新时期的一项重要的、紧迫的社会发展战略任务；而高效、准确、及时地对建筑垃圾的堆放位置、面积及体积进行监测是合理化处置与资源化利用建筑垃圾的基础。
为了实现建筑垃圾的合理利用，首先需要对建筑垃圾进行分拣处理。目前国内建筑垃圾分拣行业刚刚兴起，主要为人工分拣，而且分拣环境较差，导致分拣效率低，另外人工成本高也是制约该行业发展的一大因素。因而，如何取代人工分拣是亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种多维度空间固废视觉检测定位及识别方法与系统，能够在复杂工况下实现建筑垃圾的定位及识别，可大大提高分拣的效率，同时又不耗费过多人力，完善了建筑垃圾分拣技术。
本发明的技术方案如下：
一种多维度空间固废视觉检测定位及识别方法，包括离线训练步骤、在线检测步骤；
离线训练步骤，步骤如下：
1.1)采集样本固体废物的高度图像、彩色图像；
1.2)根据预定的高度阈值，将高度图像进行二值化处理，得到二值图像；
1.3)将二值图像作为掩膜，对彩色图像进行掩膜处理，获取目标像素覆盖的目标区域；
1.4)将步骤1.3)掩膜处理后的彩色图像的目标区域与其对应于高度图像的相应目标区域进行ROI提取，获得一个或多个ROI图像；
1.5)制作ROI图像标签，将ROI图像作为输入，将ROI图像标签作为训练目标，进行全卷积神经网络训练，得到训练模型；
在线检测步骤，步骤如下：
2.1)采集待检测固体废物的高度图像、彩色图像；
2.2)根据预定的高度阈值，将高度图像进行二值化处理，得到二值图像；
2.3)将二值图像作为掩膜，对彩色图像进行掩膜处理，获取目标像素覆盖的目标区域；
2.4)将步骤2.3)掩膜处理后的彩色图像的目标区域与其对应于高度图像的相应目标区域进行ROI提取，获得一个或多个ROI图像；
2.5)将步骤2.4)获得ROI图像输入训练模型，进行图像检测，得到每个ROI图像的预测，重新组合获取高度图像或彩色图像的训练结果；
2.6)根据训练结果进行轮廓检测，获取每个ROI图像对应的目标的轮廓；
2.7)基于轮廓，对每个目标进行抓取姿态及位置计算，完成定位与识别。
作为优选，离线训练步骤或在线检测步骤中，对采集高度图像时存在的盲区数据缺失点进行填充，方法如下：
Miss(x,y)＝Mid{Height(x±δ,y±δ)}|δ|≤k；
其中，Miss(x,y)表示坐标为(x,y)的数据缺失点，Mid{}表示取中值函数，Height(x±δ,y±δ)表示坐标为(x±δ,y±δ)的像素点的值；在计算时，数据缺失点不计算在内。
作为优选，离线训练步骤或在线检测步骤中，二值化处理的方法如下：
Figure GDA0003798283300000021
其中，threshold为设定的阈值，Height(x,y)为在(x,y)处的高度图的值，Mask(x,y)表示在(x,y)处的掩膜图像的值。
作为优选，离线训练步骤或在线检测步骤中，对彩色图像进行掩膜处理的方法如下：
MC(x,y)＝Mask(x,y)×COLOR(x,y)；
COLOR(x,y)表示在(x,y)处的彩色图的值，MC表示经过掩膜处理后的彩色图像，MC(x,y)为经过掩膜后的彩色图像在(x,y)处的值。
作为优选，步骤1.4)或步骤2.4)中，将掩膜后的彩色图像与高度图像进行数据合并，再其进行ROI提取，其中，合并方法为：将单通道的高度图像与三通道的彩色图像叠加为四通道的RGBH图像。
作为优选，步骤1.4)或步骤2.4)中，提取ROI的方法如下：
对二值图像中的连通区域进行提取，并使用平行的矩形框进行定位，得到ROI的位置及范围；
利用得到ROI的位置及范围，分别对彩色图像和高度图像中的目标进行定位与ROI区域提取，得到一个或多个对应的ROI图像。
作为优选，步骤1.5)或步骤2.5)中，所述的全卷积神经网络为一层或多层卷积神经网络，且最后一层为卷积层。
一种多维度空间固废视觉检测定位及识别系统，包括高度图像采集装置、彩色图像采集装置、处理器、输送装置，高度图像采集装置、彩色图像采集装置与处理器连接；输送装置用于输送固体废物，高度图像采集装置、彩色图像采集装置用于获取固体废物的黑白图像与彩色图像，处理器执行所述的多维度空间固废视觉检测定位及识别方法，实现固体废物的定位与识别。
作为优选，在输送装置的输送路径上，位于输送装置上方设置有暗箱，暗箱内设置有激光光源、白色光源；高度图像采集装置、彩色图像采集装置设置于暗箱内；其中，高度图像采集装置包括两个单色黑白相机，两个单色黑白相机对称地设置于激光光源的两侧，利用三角测距法进行高度值的测量；彩色图像采集装置为彩色线阵相机，配合白色光源进行设置。
作为优选，还包括传感器，输送装置将输送速度反馈给传感器，控制不同位置的高度图像采集装置、彩色图像采集装置同步采集同一个固体废物的高度图像、彩色图像。
本发明的有益效果如下：
本发明所述的多维度空间固废视觉检测定位及识别方法与系统，通过高度图像采集装置、彩色图像采集装置分别采集高度图像、彩色图像，实现多维度数据采集；并基于多维度数据进行多维度数据处理，包括数据预处理、有效区域提取、识别分类模型，实现对待检测固体废物的识别与定位。其中，数据预处理对两种不同数据进行处理；有效区域提取是利用不同数据的特点对含有建筑垃圾的区域进行提取；识别分类模型为全卷积神经网络算法。
本发明的实施，可大大提高分拣的效率，同时又不耗费过多人力，完善了建筑垃圾分拣技术。
附图说明
图1是本发明所述的方法的流程示意图；
图2是本发明所述的系统的原理示意图；
图3是掩膜后的彩色图像与高度图像进行数据合并的过程示意图；
图4是提取ROI的过程示意图(图中为高度图像、彩色图像为实际拍摄的图像，因而固体废物周边的底色为实际拍摄的图像的组成部分，非背景色)；
图中：11是黑白相机，12是彩色线阵相机，21是激光光源，22是白色光源，30是输送装置，40是暗箱。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
本发明为了解决现有技术存在的分拣效率低、人工成本高等不足，提供一种多维度空间固废视觉检测定位及识别方法，以及一种多维度空间固废视觉检测定位及识别系统，可大大提高分拣的效率，同时又不耗费过多人力，完善了建筑垃圾分拣技术。
本发明所述的多维度空间固废视觉检测定位及识别方法，为一种多维度数据处理方式，包括数据预处理、有效区域提取、识别分类模型等过程。本发明所述的方法可分为两大部分，即包括离线训练步骤、在线检测步骤，如图1所示，具体如下：
离线训练步骤，步骤如下：
1.1)采集样本固体废物的高度图像、彩色图像；本实施例中，还对高度图像进行滤波处理。
1.2)根据预定的高度阈值，将高度图像进行二值化处理，得到二值图像；具体地，将高度图像中像素值大于高度阈值的像素设为目标像素，小于高度阈值的像素设为背景像素，将目标像素置1，背景像素置0，得到二值图像。
1.3)将二值图像作为掩膜，对彩色图像进行掩膜处理，以消除复杂颜色背景的影响，获取目标像素覆盖的目标区域。
1.4)将步骤1.3)掩膜处理后的彩色图像的目标区域与其对应于高度图像的相应目标区域进行ROI提取，获得一个或多个ROI图像，作为待检测子图像；
1.5)制作ROI图像标签，将ROI图像作为输入，将ROI图像标签作为训练目标，进行全卷积神经网络训练，得到训练模型。
在线检测步骤，步骤如下(其中的步骤2.1)至步骤2.4)与离线训练步骤的步骤1.1)至步骤1.4)相同)：
2.1)采集待检测固体废物的高度图像、彩色图像；
2.2)根据预定的高度阈值，将高度图像进行二值化处理，得到二值图像；
2.3)将二值图像作为掩膜，对彩色图像进行掩膜处理，获取目标像素覆盖的目标区域；
2.4)将步骤2.3)掩膜处理后的彩色图像的目标区域与其对应于高度图像的相应目标区域进行ROI提取，获得一个或多个ROI图像；
2.5)将步骤2.4)获得ROI图像输入训练模型，进行图像检测，得到每个ROI图像的预测，重新组合获取高度图像或彩色图像的训练结果；
2.6)根据训练结果进行轮廓检测，获取每个ROI图像对应的目标的轮廓；
2.7)基于轮廓，对每个目标进行抓取姿态及位置计算，完成定位与识别。
基于所述的方法，并为了实现所述的方法，本发明还提供一种多维度空间固废视觉检测定位及识别系统，如图2所示，包括高度图像采集装置、彩色图像采集装置、处理器、输送装置30，高度图像采集装置、彩色图像采集装置与处理器连接；输送装置30用于输送固体废物，高度图像采集装置、彩色图像采集装置用于获取固体废物的黑白图像与彩色图像，处理器执行所述的多维度空间固废视觉检测定位及识别方法，实现固体废物的定位与识别。
其中，在输送装置30的输送路径上，位于输送装置30上方设置有暗箱40，暗箱40内设置有激光光源21、白色光源22；高度图像采集装置、彩色图像采集装置设置于暗箱40内。本实施例中，高度图像采集装置包括两个单色黑白相机11，用于获取黑白的高度图像；两个单色黑白相机11对称地设置于激光光源21的两侧，处理器利用三角测距法对两个黑白单色相机采集的高度图像进行高度值的计算。彩色图像采集装置为彩色线阵相机12，用于获取彩色图像，包括红色值图像、绿色值图像、蓝色值图像，彩色线阵相机12的位置配合白色光源22进行设置，可设置于白色光源22的旁边。
由于高度图像采集装置、彩色图像采集装置在具体实施时，存在位置间隔，则同一个时刻拍摄的高度图像与彩色图像可能存在角度、内容的区别，为了使高度图像与彩色图像能够尽量体现相同角度、相同内容，本发明通过传感器配合输送装置30的输送速度进行实现。具体地，本发明所述的系统还包括传感器，输送装置30将输送速度反馈给传感器，控制不同位置的高度图像采集装置、彩色图像采集装置同步采集同一个固体废物的高度图像、彩色图像。假设高度图像采集装置、彩色图像采集装置沿输送路径前后设置，传感器接收输送装置30的输送速度，可通过处理器计算固体废物到达高度图像采集装置与彩色图像采集装置各自对应的预设的拍摄位置的时刻，进而控制高度图像采集装置、彩色图像采集装置在固体废物分别到达对应两者的预设的拍摄位置时，进行拍摄，即可获取同步的高度、彩色图像。
离线训练步骤或在线检测步骤中，即步骤1.1)或步骤2.1)中，对采集高度图像时存在的盲区数据缺失点进行填充，即对高度图像采集模块中存在的盲区数据缺失点进行填充，方法如下：
Miss(x,y)＝Mid{Height(x±δ,y±δ)}|δ|≤k；
其中，Miss(x,y)表示坐标为(x,y)的数据缺失点，Mid{}表示取中值函数，Height(x±δ,y±δ)表示坐标为(x±δ,y±δ)的像素点的值；在计算时，数据缺失点不计算在内。
作为优选，离线训练步骤或在线检测步骤中，即步骤1.2)或步骤2.2)中，二值化处理的方法如下：
Figure GDA0003798283300000071
其中，threshold为设定的阈值，Height(x,y)为在(x,y)处的高度图的值，Mask(x,y)表示在(x,y)处的掩膜图像的值。
离线训练步骤或在线检测步骤中，即步骤1.3)或步骤2.3)中，对彩色图像进行掩膜处理的方法如下：
MC(x,y)＝Mask(x,y)×COLOR(x,y)；
COLOR(x,y)表示在(x,y)处的彩色图的值，MC表示经过掩膜处理后的彩色图像，MC(x,y)为经过掩膜后的彩色图像在(x,y)处的值。
步骤1.4)或步骤2.4)中，将掩膜后的彩色图像与高度图像进行数据合并，再其进行ROI提取，其中，如图3所示，合并方法为：将单通道的高度图像与三通道的彩色图像(即红色值图像、绿色值图像、蓝色值图像)叠加为四通道的RGBH图像。
步骤1.4)或步骤2.4)中，如图4所示，提取ROI的方法如下：
对二值图像(即二值化处理后的高度图像)中的连通区域进行提取，并使用平行的矩形框进行定位，得到ROI的位置及范围；
利用得到ROI的位置及范围，分别对彩色图像和高度图像中的目标进行定位与ROI区域提取，得到一个或多个对应的ROI图像。
步骤1.5)或步骤2.5)中，所述的全卷积神经网络为一层或多层卷积神经网络，且最后一层为卷积层。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (6)

1.一种多维度空间固废视觉检测定位及识别方法，其特征在于，包括离线训练步骤、在线检测步骤；
离线训练步骤，步骤如下：
1.1)采集样本固体废物的高度图像、彩色图像；
1.2)根据预定的高度阈值，将高度图像进行二值化处理，得到二值图像；
1.3)将二值图像作为掩膜，对彩色图像进行掩膜处理，获取目标像素覆盖的目标区域；
1.4)将步骤1.3)掩膜处理后的彩色图像的目标区域与其对应于高度图像的相应目标区域进行ROI提取，获得一个或多个ROI图像；
1.5)制作ROI图像标签，将ROI图像作为输入，将ROI图像标签作为训练目标，进行全卷积神经网络训练，得到训练模型；在线检测步骤，步骤如下：
2.1)采集待检测固体废物的高度图像、彩色图像；
2.2)根据预定的高度阈值，将高度图像进行二值化处理，得到二值图像，二值化处理的方法如下：
Figure FDA0003798283290000011
其中，threshold为设定的阈值，Height(x，y)为在(x，y)处的高度图的值，Mask(x，y)表示在(x，y)处的掩膜图像的值；
2.3)将二值图像作为掩膜，对彩色图像进行掩膜处理，获取目标像素覆盖的目标区域；
2.4)将步骤2.3)掩膜处理后的彩色图像的目标区域与其对应于高度图像的相应目标区域进行ROI提取，获得一个或多个ROI图像；
2.5)将步骤2.4)获得ROI图像输入训练模型，进行图像检测，得到每个ROI图像的预测，重新组合获取高度图像或彩色图像的训练结果；
2.6)根据训练结果进行轮廓检测，获取每个ROI图像对应的目标的轮廓；
2.7)基于轮廓，对每个目标进行抓取姿态及位置计算，完成定位与识别，
离线训练步骤或在线检测步骤中，对采集高度图像时存在的盲区数据缺失点进行填充，方法如下：
Miss(x，y)＝Mid{Height(x±δ，y±δ)}|δ}≤k；
其中，Miss(x，y)表示坐标为(x，y)的数据缺失点，Mid{}表示取中值函数，Height(x±δ，y±δ)表示坐标为(x±δ，y±δ)的像素点的值；在计算时，数据缺失点不计算在内；
离线训练步骤或在线检测步骤中，对彩色图像进行掩膜处理的方法如下：
MC(x，y)＝Mask(x，y)×COLOR(x，y)；
COLOR(x，y)表示在(x，y)处的彩色图的值，MC表示经过掩膜处理后的彩色图像，MC(x，y)为经过掩膜后的彩色图像在(x，y)处的值；
步骤1.4)或步骤2.4)中，提取ROI的方法如下：
对二值图像中的连通区域进行提取，并使用平行的矩形框进行定位，得到ROI的位置及范围；
利用得到ROI的位置及范围，分别对彩色图像和高度图像中的目标进行定位与ROI区域提取，得到一个或多个对应的ROI图像。
2.根据权利要求1所述的多维度空间固废视觉检测定位及识别方法，其特征在于，步骤1.4)或步骤2.4)中，将掩膜后的彩色图像与高度图像进行数据合并，再其进行ROI提取，其中，合并方法为：将单通道的高度图像与三通道的彩色图像叠加为四通道的RGBH图像。
3.根据权利要求1所述的多维度空间固废视觉检测定位及识别方法，其特征在于，步骤1.5)或步骤2.5)中，所述的全卷积神经网络为一层或多层卷积神经网络，且最后一层为卷积层。
4.一种多维度空间固废视觉检测定位及识别系统，其特征在于，包括高度图像采集装置、彩色图像采集装置、处理器、输送装置，高度图像采集装置、彩色图像采集装置与处理器连接；输送装置用于输送固体废物，高度图像采集装置、彩色图像采集装置用于获取固体废物的黑白图像与彩色图像，处理器执行权利要求1至3任一项所述的多维度空间固废视觉检测定位及识别方法，实现固体废物的定位与识别。
5.根据权利要求4所述的多维度空间固废视觉检测定位及识别系统，其特征在于，在输送装置的输送路径上，位于输送装置上方设置有暗箱，暗箱内设置有激光光源、白色光源；高度图像采集装置、彩色图像采集装置设置于暗箱内；其中，高度图像采集装置包括两个单色黑白相机，两个单色黑白相机对称地设置于激光光源的两侧，利用三角测距法进行高度值的测量；彩色图像采集装置为彩色线阵相机，配合白色光源进行设置。
6.根据权利要求4所述的多维度空间固废视觉检测定位及识别系统，其特征在于，还包括传感器，输送装置将输送速度反馈给传感器，控制不同位置的高度图像采集装置、彩色图像采集装置同步采集同一个固体废物的高度图像、彩色图像。
CN201910875190.4A 2019-09-17 2019-09-17 一种多维度空间固废视觉检测定位及识别方法与系统 Active CN110648364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910875190.4A CN110648364B (zh) 2019-09-17 2019-09-17 一种多维度空间固废视觉检测定位及识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910875190.4A CN110648364B (zh) 2019-09-17 2019-09-17 一种多维度空间固废视觉检测定位及识别方法与系统

Publications (2)

Publication Number Publication Date
CN110648364A CN110648364A (zh) 2020-01-03
CN110648364B true CN110648364B (zh) 2022-09-30

Family

ID=68991919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910875190.4A Active CN110648364B (zh) 2019-09-17 2019-09-17 一种多维度空间固废视觉检测定位及识别方法与系统

Country Status (1)

Country Link
CN (1) CN110648364B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337496A (zh) * 2020-04-13 2020-06-26 黑龙江北草堂中药材有限责任公司 一种中药材挑拣装置及挑拣方法
CN112044808A (zh) * 2020-08-24 2020-12-08 华侨大学 一种生活垃圾识别系统
CN112836615B (zh) * 2021-01-26 2021-11-09 西南交通大学 基于深度学习与全局推理的遥感影像多尺度固废检测方法
CN113060436B (zh) * 2021-02-03 2022-04-01 宁波环链大数据有限公司 一种基于图像识别的厨余垃圾投递检测方法与系统
CN113486937A (zh) * 2021-06-28 2021-10-08 华侨大学 一种基于卷积神经网络的固废识别数据集构建系统
CN113554068B (zh) * 2021-07-05 2023-10-31 华侨大学 一种实例分割数据集的半自动标注方法、装置及可读介质
CN113538845B (zh) * 2021-07-12 2022-07-12 中铁建网络信息科技有限公司 一种基于远程视频监控分析技术的建筑施工现场安全生产实时监测预警方法
CN113731836B (zh) * 2021-08-04 2023-05-26 华侨大学 一种基于深度学习的城市固体废弃物在线分选系统
CN114077877B (zh) * 2022-01-19 2022-05-13 人民中科(北京)智能技术有限公司 一种新增垃圾识别方法、装置、计算机设备及存储介质
CN114570674A (zh) * 2022-01-19 2022-06-03 福建南方路面机械股份有限公司 一种基于高度传感器的自动分拣方法、装置及可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106824816A (zh) * 2016-12-20 2017-06-13 浙江工业大学 一种基于机器视觉的pe瓶检测与分拣方法
CN107961990A (zh) * 2017-12-27 2018-04-27 华侨大学 一种建筑垃圾分拣系统和分拣方法
CN109465809A (zh) * 2018-12-17 2019-03-15 中北大学 一种基于双目立体视觉定位识别的智能垃圾分类机器人

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2973264B3 (fr) * 2011-04-01 2013-05-31 Envac Optibag Ab Procede et systeme pour identifier des conteneurs de dechets sur la base d'un motif

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106824816A (zh) * 2016-12-20 2017-06-13 浙江工业大学 一种基于机器视觉的pe瓶检测与分拣方法
CN107961990A (zh) * 2017-12-27 2018-04-27 华侨大学 一种建筑垃圾分拣系统和分拣方法
CN109465809A (zh) * 2018-12-17 2019-03-15 中北大学 一种基于双目立体视觉定位识别的智能垃圾分类机器人

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
建筑垃圾的颜色特征提取与分类研究;黄惠玲等;《光学与光电技术》;20180210(第01期);全文 *
饮料瓶回收装置物品形状检测研究;康婷婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150715(第7期);I138-1298 *

Also Published As

Publication number Publication date
CN110648364A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110648364B (zh) 一种多维度空间固废视觉检测定位及识别方法与系统
CN107480611B (zh) 一种基于深度学习卷积神经网络的裂缝识别方法
Schmugge et al. Crack segmentation by leveraging multiple frames of varying illumination
CN206139527U (zh) 全景视觉马铃薯分选和缺陷检测装置
CN106991668B (zh) 一种天网摄像头拍摄画面的评价方法
CN103454285A (zh) 基于机器视觉的传动链条质量检测系统
CN108760747A (zh) 一种3d打印模型表面缺陷视觉检测方法
CN107402221A (zh) 一种基于机器视觉的显示面板缺陷识别方法及系统
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN111266315A (zh) 基于视觉分析的矿石物料在线分拣系统及其方法
CN110599445A (zh) 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置
CN109675827B (zh) 一种建筑垃圾识别分拣设备、识别方法及其抓取方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN110490842A (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN108280838A (zh) 一种基于边缘检测的夹片牙型缺陷检测方法
CN109848073A (zh) 一种分拣煤与煤矸石的设备与方法
CN107024478A (zh) 一种零件加工自动缺陷识别系统
CN111784171A (zh) 基于人工智能及图像处理的市政cim环卫工作分配方法
CN110852164A (zh) 一种基于YOLOv3的自动检测违章建筑方法及系统
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及系统
CN109087305A (zh) 一种基于深度卷积神经网络的裂缝图像分割方法
CN111914767A (zh) 一种基于多源遥感数据的散乱污企业检测方法及系统
CN103245666B (zh) 一种蓄电池极板外观缺陷自动检测方法
CN103090946A (zh) 果树单树产量测量的方法和系统
CN114387261A (zh) 一种适用于铁路钢桥螺栓病害的自动检测方法

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