CN110956180A - 配重重量的检测方法与系统、获取方法与系统及起重机 - Google Patents
配重重量的检测方法与系统、获取方法与系统及起重机 Download PDFInfo
- Publication number
- CN110956180A CN110956180A CN201910598067.2A CN201910598067A CN110956180A CN 110956180 A CN110956180 A CN 110956180A CN 201910598067 A CN201910598067 A CN 201910598067A CN 110956180 A CN110956180 A CN 110956180A
- Authority
- CN
- China
- Prior art keywords
- counterweight
- image
- detected
- weight
- region
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 50
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 40
- 230000036961 partial effect Effects 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 27
- 230000035772 mutation Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 18
- 230000008901 benefit Effects 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06V10/56—Extraction of image or video features relating to colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及配重识别领域,公开了一种配重重量的检测方法、获取方法、检测系统、获取系统及起重机。所述配重重量的检测方法包括:基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域;对所述待检测区域进行二值化处理;基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域;以及采用已训练的分类器处理已提取的准目标区域,以检测所述配重块的配重重量。该检测方法可快速地锁定并提取配重重量所在区域,具有较好的可靠性与鲁棒性,从而实现配重重量的自动识别与高精度的检测,更进一步地可在装配配重的过程中实现总配重重量的自动化识别。
Description
技术领域
本发明涉及配重识别领域,具体地,涉及一种配重重量的检测方法、获取方法、检测系统、获取系统及起重机。
背景技术
现阶段,起重机配重的重量主要是靠人识别,工人通过视频装置或直接目测配重块标记的重量后进行计算,得到配重总重量后与起重机进行匹配,这种方法需要人工执行且容易出错,尤其当配重计算出错导致工况选择错误时,工况所对应的起重量表对应错误,极容易造成起重机的超载、翻车等事故。
论文《嵌入式起重机配重重量自动识别系统研究设计》公开以下内容:先检测配重块上的白纸与标牌的位置和大小,然后以白纸、标牌作为依据,对配重重量的位置及重量进行检测识别。但由于在长期使用配重的过程中,配重块上白纸与标牌易磨损和脱落,故以白纸与标牌为前提,对配重文字检测缺乏可靠性,且实用性不大。
发明内容
本发明的目的是提供一种配重重量的检测方法、获取方法、检测系统、获取系统及起重机,其可快速地锁定并提取配重重量所在区域,具有较好的可靠性与鲁棒性,从而实现配重重量的自动识别与高精度的检测。
为了实现上述目的,本发明提供一种配重重量的检测方法,所述检测方法包括:基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域;对所述待检测区域进行二值化处理;基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域;以及采用已训练的分类器处理已提取的准目标区域,以检测所述配重块的配重重量。
优选地,所述检测方法还包括:在执行所述对所述待检测区域进行二值化处理的步骤之前,执行以下操作:计算所述待检测区域的灰度均值;以及在所述待检测区域的灰度均值小于预设均值的情况下,对该待检测区域进行图像纹理增强。
优选地,所述对该待检测区域进行图像纹理增强包括:采用第一结构元素对所述待检测区域进行开、闭运算;基于所述待检测区域及开运算后的图像,获取第一图像;基于所述待检测区域及闭运算后的图像,获取第二图像;以及基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像。
优选地,所述基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像包括:分别计算所述第一图像和所述第二图像的边缘信息熵;以及对所述第一图像和所述第二图像的边缘信息熵进行加权融合,以获取所述待检测区域所对应的融合图像。
优选地,所述检测方法还包括:在执行所述计算所述待检测区域的灰度均值的步骤之前,采用第二结构元素对所述待检测区域进行开、闭运算,以实现滤波去噪。
优选地,所述基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域包括:采用形象学处理方法,获取二值化处理后的待检测区域中的连通区域;以及基于所述连通区域的位置信息,提取所述准目标区域。
优选地,所述检测方法还包括:在执行所述基于所述连通区域的位置信息,提取所述准目标区域的步骤之前,执行以下操作:基于所述连通区域的凹凸曲率,对所述连通区域进行分割,以去除干扰点;估算所述连通区域中被分割的各个子连通区域的面积及高宽比例;以及在所述各个子连通区域中的特定子连通区域的面积及高宽比例满足以下任一剔除条件的情况下,剔除所述特定子连通区域:所述特定子连通区域的面积小于第一预设面积;所述特定子连通区域的面积大于第二预设面积;以及所述特定子连通区域的高宽比例大于预设比例,其中,所述第一预设面积小于所述第二预设面积。
优选地,所述基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域包括:基于所述配重块的图像中的结构特征,获取该图像中的包括所述待检测区域的部分图像;以及基于所获取的所述部分图像的颜色特征,按照水平灰度梯度复杂度突变及垂直灰度梯度复杂度突变的大小,对该部分图像执行行和列的切割,以获取所述待检测区域。
优选地,所述对该部分图像执行行和列的切割包括:基于所述部分图像的颜色特征,分别计算水平灰度梯度复杂度及垂直灰度梯度复杂度;基于所述水平灰度梯度复杂度及所述垂直灰度梯度复杂度,分别获取水平灰度梯度复杂度突变的最大值与最小值、垂直灰度梯度复杂度突变的最大值与最小值;基于所述水平灰度梯度复杂度突变的最大值与最小值所对应的列、所述垂直灰度梯度复杂度突变的最大值与最小值所对应的行,对所述部分图像进行切割,以获取所述待检测区域。
通过上述技术方案,本发明创造性地基于配重块的图像中的结构特征及颜色特征,获取包括该配重块的配重重量的待检测区域,然后,从二值化处理后的待检测区域中提取关于所述配重重量的准目标区域,最后,利用提前做好训练的分类器处理所提取的准目标区域,从而检测所述配重块的配重重量,其可快速锁定并提取配重重量所在区域,具有较好的可靠性与鲁棒性,从而实现配重重量的自动识别与高精度的检测。
相应地,本发明还提供一种配重重量的获取方法,所述获取方法包括:根据上述的配重重量的检测方法,检测第一配重块的配重重量;根据上述的配重重量的检测方法,检测第二配重块的配重重量;以及基于所述第一配重块及所述第二配重块的配重重量,获取配重块的总配重重量。
优选地,所述获取方法还包括:采集所述第一配重块和所述第二配重块的图像;在执行所述检测第一配重块的配重重量的步骤之后,且所采集的图像表明第二配重块被安装至定位梢的情况下,基于所述第一配重块的图像的垂直梯度突变的最大值所对应的列与水平梯度突变的最大值所对应的行,将所述第一配重块的图像的像素赋值为0。
通过上述技术方案,本发明创造性地通过上述的配重重量的检测方法检测第一、第二配重重量,并基于所述第一、第二配重重量,获取配重块的总配重重量,由此,可有效识别总配重重量,且准确率高,从而可在装配配重的过程中实现总配重重量的自动化识别。
相应地,本发明还提供一种配重重量的检测系统,所述检测系统包括:待检测区域获取装置,用于基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域;二值化处理装置,用于对所述待检测区域进行二值化处理;准目标区域提取装置,用于基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域;以及检测装置,用于采用已训练的分类器处理已提取的准目标区域,以检测所述配重块的配重重量。
有关本发明提供的配重重量的检测系统的具体细节及益处可参阅上述针对配重重量的检测方法的描述,于此不再赘述。
相应地,本发明还提供一种配重重量的获取系统,所述获取系统包括:根据上述的配重重量的检测系统,用于检测第一配重块的配重重量与第二配重块的配重重量;以及总配重重量获取装置,用于基于所述第一配重块与所述第二配重块的配重重量,获取配重块的总配重重量。
优选地,所述获取系统还包括:采集装置,用于采集所述第一配重块和所述第二配重块的图像;赋值装置,用于在所述检测系统检测完第一配重块的配重重量之后,且所述采集装置所采集的图像表明第二配重块被安装至定位梢的情况下,基于所述第一配重块的图像的垂直梯度突变的最大值所对应的列与水平梯度突变的最大值所对应的行,将所述第一配重块的图像的像素赋值为0。
优选地,所述采集装置包括:摄像头,用于采集所述第一配重块和所述第二配重块的图像;以及伸缩控制模块,用于控制摄像头的伸缩和/或旋转,以使得该摄像头的视角大于或等于所述第一配重块和所述第二配重块所在区域的范围。
有关本发明提供的配重重量的获取系统的益处可参阅上述针对配重重量的获取方法的描述,于此不再赘述。
相应地,本发明还提供一种起重机,所述起重机被配置有上述的配重重量的获取系统。
相应地,本发明还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的配重重量的检测方法或上述的配重重量的获取方法。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明实施例提供的配重重量的检测方法的流程图;
图2是本发明实施例提供的获取待检测区域的流程图;
图3是本发明实施例提供的配重块的结构示意图;
图4是本发明实施例提供的提取准目标区域的流程图;
图5是本发明实施例提供的在提取准目标区域过程中剔除非配重重量区域的流程图;
图6是本发明实施例提供的配重重量的检测方法的流程图;
图7是本发明实施例提供的配重重量的检测系统的结构图;
图8是本发明实施例提供的配重重量的获取系统的结构图;
图9是本发明实施例提供的配重重量的获取方法的流程图;以及
图10是本发明实施例提供的摄像头及配重块的安装位置的示意图。
附图标记说明
1 配重块 2 配重块
70 待检测区域获取装置 71 二值化处理装置
72 准目标区域提取装置 73 检测装置
80 检测系统 800 图像分析处理器
801 车载显示器 810 摄像头
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明实施例提供的配重重量的检测方法的流程图。如图1所示,所述检测方法可包括以下步骤:步骤S101,基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域;步骤S102,对所述待检测区域进行二值化处理;步骤S103,基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域;以及步骤S104,采用已训练的分类器处理已提取的准目标区域,以检测所述配重块的配重重量。
在优选实施例中,为了提高对图像的处理速度,可在执行步骤S101之前,对所述配重块的图像进行缩放并灰度化。
上述检测方法可由配重重量的检测系统执行,所述检测系统可为图像分析处理器800,如图8所示。此外,为了便于机手等工作人员查看,所述检测系统还可包括:车载显示器801,用于实时显示配重重量,如图8所示。
所述步骤S101可包括如下步骤:基于所述配重块的图像中的结构特征,获取该图像中的包括所述待检测区域的部分图像;以及基于所获取的所述部分图像的颜色特征,按照水平灰度梯度复杂度突变及垂直灰度梯度复杂度突变的大小,对该部分图像执行行和列的切割,以获取所述待检测区域。
具体地,所述获取该图像中的包括所述待检测区域的部分图像的过程包括以下内容:如图3所示,配重块的配重重量所在区域一般在挂扣索具(凹陷)处的一侧且配重块(配重块1、配重块2)为对称特征,故选取配重块图像的左半边图像或右半边图像作为研究对象(即部分图像)。本发明实施例主要是但不限于,以图像的列中心线的左半边(即左侧)图像作为研究对象(即部分图像)。
所述对该部分图像执行行和列的切割的过程可包括如下步骤,如图2所示:
步骤S201,基于所述部分图像的颜色特征,分别计算水平灰度梯度复杂度及垂直灰度梯度复杂度。
对该研究对象进行水平与垂直灰度梯度复杂度计算,以分析配重重量的灰度结构特性。
水平与垂直梯度复杂度的定义如下:
其中,I(x,y)为配重块的图像(或原始灰度图像),行号i=1,2,…m,列号j=1,2,…n,C1、C2分别表示图像的垂直和水平梯度复杂度。
步骤S202,基于所述水平灰度梯度复杂度及所述垂直灰度梯度复杂度,分别获取水平灰度梯度复杂度突变的最大值与最小值、垂直灰度梯度复杂度突变的最大值与最小值。
基于所述水平灰度梯度复杂度及所述垂直灰度梯度复杂度,从中筛选出水平灰度梯度复杂度突变的最大值与最小值Hori_grad(maxj1,minj2),并记录Hori_grad(maxj1,minj2)所对应的列号j1、j2。类似地,筛选垂直灰度梯度复杂度突变的最大值与最小值Verti_grad(maxi1,mini2),并记录Verti_grad(maxi1,mini2)所对应的行号i1、i2。
步骤S203,基于所述水平灰度梯度复杂度突变的最大值与最小值所对应的列、所述垂直灰度梯度复杂度突变的最大值与最小值所对应的行,对所述部分图像进行切割,以获取所述待检测区域。
以步骤S202中记录的Hori_grad(maxj1,minj2)所对应的列号j1、j2进行切割,并以步骤S202中记录的Verti_grad(maxi1,mini2)所对应的行号i1、i2进行切割,从而得到所述配重块的图像中的待检测区域,如图3中的圆形区域A。
对于步骤S102,在获取所述待检测区域之后,可通过分析所述待检测区域的灰度分布情况,对该待检测区域进行二值化处理,例如,在灰度大于预设灰度的情况下,将其赋值为0;在灰度小于或等于所述预设灰度的情况下,将其赋值为1。
如图4所示,所述步骤S103可包括如下步骤:
步骤S401,采用形象学处理方法,获取二值化处理后的待检测区域中的连通区域。
步骤S402,基于所述连通区域的位置信息,提取所述准目标区域。
事实上,密集型杂质或污点等干扰点所在区域(即非数字连通区域)会与准目标区域相粘连,导致所识别的准目标区域的面积增大,最终影响配重重量的准确性和时效性。因此,为了消除干扰点的不良影响,优选地,在执行步骤S402之前,还可计算连通区域的凹凸包的坐标点,基于所计算的坐标点对连通区域进行分割,以分割成若干个子连通区域。最终,通过分析子连通区域的具体情况,剔除大量非数字连通区域,从而准确地识别准目标区域,为快速且准确地识别配重重量打下坚实的基础。
具体地,如图5所示,上述过程可包括如下步骤:
步骤S501,基于所述连通区域的凹凸曲率,对所述连通区域进行分割,以去除干扰点。
分析连通区域的凹凸曲率,提取峰值点(例如,极大值与极小值所对应的点),并基于所述峰值点的坐标点对相粘连的连通域进行分割处理,从而去除杂质、污点等干扰。与此同时,所述连通区域被分割为各个子连通区域步骤S502,估算所述连通区域中被分割的各个子连通区域的面积及高宽比例。
步骤S503,在所述各个子连通区域中的特定子连通区域的面积及高宽比例满足以下任一剔除条件的情况下,剔除所述特定子连通区域。
所述剔除条件可为所述特定子连通区域的面积小于第一预设面积;所述特定子连通区域的面积大于第二预设面积;或所述特定子连通区域的高宽比例大于预设比例,其中,所述第一预设面积小于所述第二预设面积。
配重重量(例如8t)所在区域的面积通常满足一定的规格,例如,配重重量(例如8t)所在区域的面积大于或等于150、小于或等于3000、且高宽比小于或等于1.5,相应地,所述第一预设面积可为150,所述第二预设面积可为3000,所述预设比例可为1.5。当然,本发明实施例中的第一预设面积、第二预设面积及预设比例并不限于上述各值,其他任何合理范围内的数值均是可行的。
当某个子连通区域的面积过大(例如超过3000)、过小(例如小于150) 或者高宽比过大(例如超过1.5)时,则表明该子连通区域不是配重重量所在区域,将该子连通区域反二值化处理,从而剔除该子连通区域。例如,若该子连通区域为1,则将其取反为0,即该子连通区域与背景(非配重重量区域)的值相同。
在剔除非配重重量区域之后,基于所剩下的连通区域的位置信息,提取所述准目标区域,即提取粗定位的配重块的配重重量所在区域,由此,根据配重块的配重重量及吊索具所在的结构位置及颜色特征,粗提取配重量所在区域。
对于所述步骤S104,可提前搜集一定数量的配重块的配重重量(即数字区域)的正、负样本,所述正、负样本分别为配重重量所在区域(即目标区域)、非配重重量所在区域(即非目标区域)。利用所述正、负样本对分类器(例如,向量机SVM)进行训练,然后,采用已训练好的分类器处理在步骤S103中提取的准目标区域,从而实现对所述配重块的配重重量的实时检测。
若采集配重块的图像时的光照较暗,则配重文字与背景颜色弱差分条件下,配重文字纹理极不突出,在本实施例中可采用阈值化决策增强配重文字纹理,可有效突显配重文字的纹理变化特征,便于检测。
在对所述待检测区域进行二值化处理之前,还可执行以下操作:计算所述待检测区域的灰度均值;以及在所述待检测区域的灰度均值小于预设均值的情况下,对该待检测区域进行图像纹理增强。其中,所述对该待检测区域进行图像纹理增强可包括:采用第一结构元素对所述待检测区域进行开、闭运算;基于所述待检测区域及开运算后的图像,获取第一图像;基于所述待检测区域及闭运算后的图像,获取第二图像;以及基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像。
其中,所述基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像可包括:分别计算所述第一图像和所述第二图像的边缘信息熵;以及对所述第一图像和所述第二图像的边缘信息熵进行加权融合,以获取所述待检测区域所对应的融合图像。
具体地,计算待检测区域的灰度均值grayMean,以预设均值(或灰度阈值grayValuethred)决策是否进行图像纹理(细节)增强处理。若灰度均值小于灰度阈值,则进行图像纹理细节增强,否则不执行。
关于图像纹理增强处理的过程如下:
对所述待检测区域的原始灰度图像I(x,y)进行开运算,与原灰度图像相比,开运算后的图像中的一些数据发生了变化,而另一些数据保持不变(例如,大灰度值处的灰度值变化较大,小灰度值处的灰度值不变或变化较小)。此时,将开运算后灰度值变化较大的数据置为0,灰度值不变或变化较小的数据仍保持原值,得到变化后的图像。为提高暗区域的边缘纹理,将原灰度图像与变化后的图像相减,获得图像f1(x,y)。
对所述待检测区域的原始灰度图像I(x,y)进行闭运算,并对运算前后的两个图像进行比较,以求取差值图像。将差值图像中数据小于设定阈值的标定为1,大于设定阈值的标定为0,由此得到二值图像。将二值图像与原始灰度图像相乘,得到图像f2(x,y),从而提高了亮区域的边缘纹理对比度。
计算f1(x,y)和f2(x,y)的边缘信息熵,并对该两个图像的边缘信息熵进行加权融合(也就是说,根据两个图像的熵权值进行融合),得到所述待检测区域所对应的融合图像f融合(x,y)。
另外,在优选实施例中,在计算所述待检测区域的灰度均值的步骤之前,采用第二结构元素对所述待检测区域进行开、闭运算,以实现正向和负向的滤波去噪。
具体而言,如图6所示,配重重量的检测过程如下:
步骤S601,对配重块的图像进行缩放并灰度化。
步骤S602,通过分析缩放并灰度化后的图像的灰度梯度复杂度,获取所述配重块的图像中的待检测区域。
步骤S603,对待检测区域进行开、闭运算。
该步骤的目的是对待检测区域实现滤波去噪。
步骤S604,获取待检测区域的灰度均值。
步骤S605,判断灰度均值是否大于预设均值,若大于,则执行步骤S607,否则,执行步骤S606。
步骤S606,对待检测区域进行图像纹理增强处理,并执行步骤S607。
上述步骤S604-S606,根据待检测区域的全局灰度分布情况,决策执行形态学变换的图像纹理增强。
步骤S607,对待检测区域进行二值化处理。
步骤S608,获取二值化处理后的待检测区域中的连通区域,并计算连通区域中凹凸包的峰值点。
步骤S609,基于连通区域中凹凸包的峰值点,对连通区域进行分割,以获取多个子连通区域。
步骤S610,判断多个子连通区域中各个子连通区域的面积及高宽比是否满足剔除条件,若满足,则执行步骤S611;否则,执行步骤S612。
步骤S611,剔除满足剔除条件的子连通区域,并执行步骤S612。
步骤S612,提取粗定位的配重块的配重重量所在区域。
步骤S613,采用已训练的分类器处理所提取的粗定位的配重块的配重重量所在区域,以检测所述配重块的配重重量。
综上所述,本发明创造性地基于配重块的图像中的结构特征及颜色特征,获取包括该配重块的配重重量的待检测区域,然后,从二值化处理后的待检测区域中提取关于所述配重重量的准目标区域,最后,利用提前做好训练的分类器处理所提取的准目标区域,从而检测所述配重块的配重重量,其可快速锁定并提取配重重量所在区域,具有较好的可靠性与鲁棒性,从而实现配重重量的自动识别与高精度的检测。
相应地,如图7所示,本发明还提供一种配重重量的检测系统,所述检测系统可包括:待检测区域获取装置70,用于基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域;二值化处理装置71,用于对所述待检测区域进行二值化处理;准目标区域提取装置72,用于基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域;以及检测装置73,用于采用已训练的分类器处理已提取的准目标区域,以检测所述配重块的配重重量。
可选的,所述检测系统还包括:灰度均值计算装置,用于计算所述待检测区域的灰度均值;以及纹理增强装置,用于在所述二值化处理装置对所述待检测区域进行二值化处理之前且所述待检测区域的灰度均值小于预设均值的情况下,对该待检测区域进行图像纹理增强。
可选的,所述纹理增强装置包括:运算模块,用于采用第一结构元素对所述待检测区域进行开、闭运算;第一图像获取模块,用于基于所述待检测区域及开运算后的图像,获取第一图像;第二图像获取模块,用于基于所述待检测区域及闭运算后的图像,获取第二图像;以及融合图像获取模块,用于基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像。
可选的,所述融合图像获取模块包括:边缘信息熵计算单元,用于分别计算所述第一图像和所述第二图像的边缘信息熵;以及融合图像获取单元,用于对所述第一图像和所述第二图像的边缘信息熵进行加权融合,以获取所述待检测区域所对应的融合图像。
可选的,所述检测系统还包括:运算装置,用于在所述灰度均值计算装置计算所述待检测区域的灰度均值的步骤之前,采用第二结构元素对所述待检测区域进行开、闭运算,以实现滤波去噪。
可选的,所述准目标区域提取装置包括:连通区域获取模块,用于采用形象学处理方法,获取二值化处理后的待检测区域中的连通区域;以及准目标区域提取模块,用于基于所述连通区域的位置信息,提取所述准目标区域。
所述检测系统还包括:分割装置,用于在所述准目标区域提取模块基于所述连通区域的位置信息,提取所述准目标区域之前,基于所述连通区域的凹凸曲率,对所述连通区域进行分割,以去除干扰点;估算装置,用于估算所述连通区域中被分割的各个子连通区域的面积及高宽比例;剔除装置,用于在所述各个子连通区域中的特定子连通区域的面积及高宽比例满足以下任一剔除条件的情况下,剔除所述特定子连通区域:所述特定子连通区域的面积小于第一预设面积;所述特定子连通区域的面积大于第二预设面积;以及所述特定子连通区域的高宽比例大于预设比例,其中,所述第一预设面积小于所述第二预设面积。
可选的,所述待检测区域获取装置包括:部分图像获取模块,用于基于所述配重块的图像中的结构特征,获取该图像中的包括所述待检测区域的部分图像;以及待检测区域模块,用于基于所获取的所述部分图像的颜色特征,按照水平灰度梯度复杂度突变及垂直灰度梯度复杂度突变的大小,对该部分图像执行行和列的切割,以获取所述待检测区域。
可选的,所述待检测区域获取模块包括:复杂度计算单元,用于基于所述部分图像的颜色特征,分别计算水平灰度梯度复杂度及垂直灰度梯度复杂度;灰度梯度复杂度突变最值获取单元,用于基于所述水平灰度梯度复杂度及所述垂直灰度梯度复杂度,分别获取水平灰度梯度复杂度突变的最大值与最小值、垂直灰度梯度复杂度突变的最大值与最小值;以及待检测区域获取单元,用于基于所述水平灰度梯度复杂度突变的最大值与最小值所对应的列、所述垂直灰度梯度复杂度突变的最大值与最小值所对应的行,对所述部分图像进行切割,以获取所述待检测区域。
有关本发明提供的配重重量的检测系统的具体细节及益处可参阅上述针对配重重量的检测方法的描述,于此不再赘述。
上述过程是针对单个配重块的配重重量的检测过程,但实际上,往往需要多个配重块才能满足工程需要。在本发明实施例中,主要以两个配重块(如图8所示)为例对配重块的总配重重量的获取过程进行说明。
如图9所示,所述配重重量的获取方法可包括如下步骤:步骤S901,根据上述的配重重量的检测方法,检测第一配重块的配重重量;步骤S902,根据上述的配重重量的检测方法,检测第二配重块的配重重量;以及步骤 S903,基于所述第一配重块及所述第二配重块的配重重量,获取配重块的总配重重量。
依次检测每个配重块的配重量时,因每个配重块的侧面结构均一致,即可以垂直梯度突变的最大值、最小值Verti_grad(maxi1,mini2)为依据,切割图像以获取待检测区域,无需重复进行梯度复杂度计算,减小计算的复杂度。由此,所述获取方法还可包括:采集所述第一配重块和所述第二配重块的图像;在执行所述检测第一配重块的配重重量的步骤之后,且所采集的图像表明第二配重块被安装至定位梢A1、A2(如图10所示)的情况下,基于所述第一配重块的图像的垂直梯度突变的最大值所对应的列与水平梯度突变的最大值所对应的行,将所述第一配重块的图像的像素赋值为0。
具体而言,以图8、图10所示的配重重量的获取系统为例对获取总配重重量的过程进行详细地解释和说明。
在解释和说明获取总配重重量的过程之前,介绍一下配重重量的获取系统。
如图8所示,所述获取系统可包括:配重重量的检测系统,该检测系统80,包括:图像分析处理器800;及车载显示器801,总配重重量获取装置 (未示出),用于基于所述第一配重块1与所述第二配重块的配重重量2,获取配重块的总配重重量。
如图8所示,所述获取系统还可包括:采集装置81,用于采集所述第一配重块1和所述第二配重块2的图像;以及赋值装置(未示出),用于在所述检测系统检测完第一配重块1的配重重量之后,且所述采集装置81所采集的图像表明第二配重块2被安装至定位梢A1、A2(如图10所示)的情况下,基于所述第一配重块1的图像的垂直梯度突变的最大值所对应的列与水平梯度突变的最大值所对应的行,将所述第一配重块1的图像的像素赋值为 0。其中,采集装置81采集配重块的视频图像,并通过无线WiFi传输至图像分析处理器800实时检测,并将检测结果反馈给车载显示器801,通知机手挂载的总配重重量。总配重重量达到需求时,车载显示器801显示配重已满额,之后,再启动起重机的配重油缸以挂载配重。
如图10所示,所述采集装置81可包括:摄像头810;以及伸缩控制模块(未示出),用于控制摄像头的伸缩和/或旋转,以使得该摄像头的视角大于或等于所述第一配重块1和所述第二配重块(未示出)所在区域的范围。其中,所述摄像头810可为网络摄像头Camera。所述摄像头810被安装至车头方向的保护壳中,伸缩控制模块(未示出)可控制摄像头810的上下伸缩和/或旋转,当检测配重块1的配重重量时,伸缩控制模块(未示出)可控制摄像头810倾斜朝上,正面采集配重块的视频图像,检测完毕后,则控制摄像头810缩放置保护壳中,从而实现摄像头的安全防护及有效运作。
关于获取总配重重量的过程如下:
通过采集装置81采集第一配重块1的视频图像,基于所述第一配重块1 的视频图像,采用上述检测方法检测所述第一配重块1的配重,在此过程中,记录所述第一配重块1的图像中的垂直梯度突变的最大值对应的列号j和水平梯度突变的最大值对应的行号i。此时,开始起吊第二配重块2。
在所述采集装置81所采集的图像表明第二配重块2被安装至定位梢A1、 A2(如图10所示)的情况下,提取预先记录的垂直梯度突变的最大值对应的列号j和水平梯度突变的最大值对应的行号i,以i和j分别作为水平、垂直阈值,即THorizontal_thred=j,TVertical_thred=i。将第TVertical_thred行以下部分和第THorizontal_thred列左侧部分(上一个配重块)的图像像素值全部赋值为0,减小检测消除图像的干扰,即单独检测第二配重块2的配重重量。基于所述第二配重块2的视频图像,采用上述检测方法检测所述第二配重块2的配重
累加第一配重块1与第二配重块2的总重量值,以统计总配重重量。
上述基于机器视觉,获取配重块的配重重量的方法,所涉及到的运算复杂度较低,可实现有效且高精度的配重识别效果。然而,本发明并不限于获取两个配重块的配重重量,其他任意多个配重块的配重重量的获取过程与上述过程相类似,于此不再赘述。
综上所述,本发明创造性地通过上述的配重重量的检测方法检测第一、第二配重重量,并基于所述第一、第二配重重量,获取配重块的总配重重量,由此,可有效识别总配重重量,且准确率高,从而可在装配配重的过程中实现总配重重量的自动化识别。
相应地,本发明还提供一种起重机,所述起重机被配置有上述的配重重量的获取系统。
当然,本发明并不限于上述起重机,亦适用于其他任何需要配重并需获取配重重量的工程机械。
相应地,本发明还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的配重重量的检测方法或上述的配重重量的获取方法。
所述机器可读存储介质包括但不限于相变内存(相变随机存取存储器的简称,Phase Change Random Access Memory,PRAM,亦称为 RCM/PCRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体(Flash Memory)或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (25)
1.一种配重重量的检测方法,其特征在于,所述检测方法包括:
基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域;
对所述待检测区域进行二值化处理;
基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域;以及
采用已训练的分类器处理已提取的准目标区域,以检测所述配重块的配重重量。
2.根据权利要求1所述的配重重量的检测方法,其特征在于,所述检测方法还包括:
在执行所述对所述待检测区域进行二值化处理的步骤之前,执行以下操作:
计算所述待检测区域的灰度均值;以及
在所述待检测区域的灰度均值小于预设均值的情况下,对该待检测区域进行图像纹理增强。
3.根据权利要求2所述的配重重量的检测方法,其特征在于,所述对该待检测区域进行图像纹理增强包括:
采用第一结构元素对所述待检测区域进行开、闭运算;
基于所述待检测区域及开运算后的图像,获取第一图像;
基于所述待检测区域及闭运算后的图像,获取第二图像;以及
基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像。
4.根据权利要求3所述的配重重量的检测方法,其特征在于,所述基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像包括:
分别计算所述第一图像和所述第二图像的边缘信息熵;以及
对所述第一图像和所述第二图像的边缘信息熵进行加权融合,以获取所述待检测区域所对应的融合图像。
5.根据权利要求2所述的配重重量的检测方法,其特征在于,所述检测方法还包括:
在执行所述计算所述待检测区域的灰度均值的步骤之前,采用第二结构元素对所述待检测区域进行开、闭运算,以实现滤波去噪。
6.根据权利要求1所述的配重重量的检测方法,其特征在于,所述基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域包括:
采用形象学处理方法,获取二值化处理后的待检测区域中的连通区域;以及
基于所述连通区域的位置信息,提取所述准目标区域。
7.根据权利要求6所述的配重重量的检测方法,其特征在于,所述检测方法还包括:
在执行所述基于所述连通区域的位置信息,提取所述准目标区域的步骤之前,执行以下操作:
基于所述连通区域的凹凸曲率,对所述连通区域进行分割,以去除干扰点;
估算所述连通区域中被分割的各个子连通区域的面积及高宽比例;以及
在所述各个子连通区域中的特定子连通区域的面积及高宽比例满足以下任一剔除条件的情况下,剔除所述特定子连通区域:
所述特定子连通区域的面积小于第一预设面积;
所述特定子连通区域的面积大于第二预设面积;以及
所述特定子连通区域的高宽比例大于预设比例,
其中,所述第一预设面积小于所述第二预设面积。
8.根据权利要求1至7中任意一项所述的配重重量的检测方法,其特征在于,所述基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域包括:
基于所述配重块的图像中的结构特征,获取该图像中的包括所述待检测区域的部分图像;以及
基于所获取的所述部分图像的颜色特征,按照水平灰度梯度复杂度突变及垂直灰度梯度复杂度突变的大小,对该部分图像执行行和列的切割,以获取所述待检测区域。
9.根据权利要求8所述的配重重量的检测方法,其特征在于,所述对该部分图像执行行和列的切割包括:
基于所述部分图像的颜色特征,分别计算水平灰度梯度复杂度及垂直灰度梯度复杂度;
基于所述水平灰度梯度复杂度及所述垂直灰度梯度复杂度,分别获取水平灰度梯度复杂度突变的最大值与最小值、垂直灰度梯度复杂度突变的最大值与最小值;以及
基于所述水平灰度梯度复杂度突变的最大值与最小值所对应的列、所述垂直灰度梯度复杂度突变的最大值与最小值所对应的行,对所述部分图像进行切割,以获取所述待检测区域。
10.一种配重重量的获取方法,其特征在于,所述获取方法包括:
根据权利要求1-9中任一项权利要求所述的配重重量的检测方法,检测第一配重块的配重重量;
根据权利要求1-9中任一项权利要求所述的配重重量的检测方法,检测第二配重块的配重重量;以及
基于所述第一配重块及所述第二配重块的配重重量,获取配重块的总配重重量。
11.根据权利要求10所述的配重重量的获取方法,其特征在于,所述获取方法还包括:
采集所述第一配重块和所述第二配重块的图像;
在执行所述检测第一配重块的配重重量的步骤之后,且所采集的图像表明第二配重块被安装至定位梢的情况下,基于所述第一配重块的图像的垂直梯度突变的最大值所对应的列与水平梯度突变的最大值所对应的行,将所述第一配重块的图像的像素赋值为0。
12.一种配重重量的检测系统,其特征在于,所述检测系统包括:
待检测区域获取装置,用于基于配重块的图像中的结构特征及颜色特征,获取所述配重块的图像中的待检测区域;
二值化处理装置,用于对所述待检测区域进行二值化处理;
准目标区域提取装置,用于基于二值化处理后的待检测区域,提取所述待检测区域中的准目标区域;以及
检测装置,用于采用已训练的分类器处理已提取的准目标区域,以检测所述配重块的配重重量。
13.根据权利要求12所述的配重重量的检测系统,其特征在于,所述检测系统还包括:
灰度均值计算装置,用于计算所述待检测区域的灰度均值;以及
纹理增强装置,用于在所述二值化处理装置对所述待检测区域进行二值化处理之前且所述待检测区域的灰度均值小于预设均值的情况下,对该待检测区域进行图像纹理增强。
14.根据权利要求13所述的配重重量的检测系统,其特征在于,所述纹理增强装置包括:
运算模块,用于采用第一结构元素对所述待检测区域进行开、闭运算;
第一图像获取模块,用于基于所述待检测区域及开运算后的图像,获取第一图像;
第二图像获取模块,用于基于所述待检测区域及闭运算后的图像,获取第二图像;以及
融合图像获取模块,用于基于所述第一图像和所述第二图像,获取所述待检测区域所对应的融合图像。
15.根据权利要求14所述的配重重量的检测系统,其特征在于,所述融合图像获取模块包括:
边缘信息熵计算单元,用于分别计算所述第一图像和所述第二图像的边缘信息熵;以及
融合图像获取单元,用于对所述第一图像和所述第二图像的边缘信息熵进行加权融合,以获取所述待检测区域所对应的融合图像。
16.根据权利要求13所述的配重重量的检测系统,其特征在于,所述检测系统还包括:
运算装置,用于在所述灰度均值计算装置计算所述待检测区域的灰度均值的步骤之前,采用第二结构元素对所述待检测区域进行开、闭运算,以实现滤波去噪。
17.根据权利要求12所述的配重重量的检测系统,其特征在于,所述准目标区域提取装置包括:
连通区域获取模块,用于采用形象学处理方法,获取二值化处理后的待检测区域中的连通区域;以及
准目标区域提取模块,用于基于所述连通区域的位置信息,提取所述准目标区域。
18.根据权利要求17所述的配重重量的检测系统,其特征在于,所述检测系统还包括:
分割装置,用于在所述准目标区域提取模块基于所述连通区域的位置信息,提取所述准目标区域之前,基于所述连通区域的凹凸曲率,对所述连通区域进行分割,以去除干扰点;
估算装置,用于估算所述连通区域中被分割的各个子连通区域的面积及高宽比例;以及
剔除装置,用于在所述各个子连通区域中的特定子连通区域的面积及高宽比例满足以下任一剔除条件的情况下,剔除所述特定子连通区域:
所述特定子连通区域的面积小于第一预设面积;
所述特定子连通区域的面积大于第二预设面积;以及
所述特定子连通区域的高宽比例大于预设比例,
其中,所述第一预设面积小于所述第二预设面积。
19.根据权利要求12至18中任意一项所述的配重重量的检测系统,其特征在于,所述待检测区域获取装置包括:
部分图像获取模块,用于基于所述配重块的图像中的结构特征,获取该图像中的包括所述待检测区域的部分图像;以及
待检测区域模块,用于基于所获取的所述部分图像的颜色特征,按照水平灰度梯度复杂度突变及垂直灰度梯度复杂度突变的大小,对该部分图像执行行和列的切割,以获取所述待检测区域。
20.根据权利要求19所述的配重重量的检测系统,其特征在于,所述待检测区域获取模块包括:
复杂度计算单元,用于基于所述部分图像的颜色特征,分别计算水平灰度梯度复杂度及垂直灰度梯度复杂度;
灰度梯度复杂度突变最值获取单元,用于基于所述水平灰度梯度复杂度及所述垂直灰度梯度复杂度,分别获取水平灰度梯度复杂度突变的最大值与最小值、垂直灰度梯度复杂度突变的最大值与最小值;以及
待检测区域获取单元,用于基于所述水平灰度梯度复杂度突变的最大值与最小值所对应的列、所述垂直灰度梯度复杂度突变的最大值与最小值所对应的行,对所述部分图像进行切割,以获取所述待检测区域。
21.一种配重重量的获取系统,其特征在于,所述获取系统包括:
根据权利要求12-20中任一项权利要求所述的配重重量的检测系统,用于检测第一配重块的配重重量与第二配重块的配重重量;以及
总配重重量获取装置,用于基于所述第一配重块与所述第二配重块的配重重量,获取配重块的总配重重量。
22.根据权利要求21所述的配重重量的获取系统,其特征在于,所述获取系统还包括:
采集装置,用于采集所述第一配重块和所述第二配重块的图像;
赋值装置,用于在所述检测系统检测完第一配重块的配重重量之后,且所述采集装置所采集的图像表明第二配重块被安装至定位梢的情况下,基于所述第一配重块的图像的垂直梯度突变的最大值所对应的列与水平梯度突变的最大值所对应的行,将所述第一配重块的图像的像素赋值为0。
23.根据权利要求22所述的配重重量的获取系统,其特征在于,所述采集装置包括:
摄像头,用于采集所述第一配重块和所述第二配重块的图像;以及
伸缩控制模块,用于控制摄像头的伸缩和/或旋转,以使得该摄像头的视角大于或等于所述第一配重块和所述第二配重块所在区域的范围。
24.一种起重机,其特征在于,所述起重机被配置有根据权利要求21-23中任一项权利要求所述的配重重量的获取系统。
25.一种机器可读存储介质,其特征在于,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据权利要求1-9所述的配重重量的检测方法或权利要求10-11中任一项权利要求所述的配重重量的获取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598067.2A CN110956180B (zh) | 2019-07-04 | 2019-07-04 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
PCT/CN2020/100176 WO2021000948A1 (zh) | 2019-07-04 | 2020-07-03 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598067.2A CN110956180B (zh) | 2019-07-04 | 2019-07-04 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956180A true CN110956180A (zh) | 2020-04-03 |
CN110956180B CN110956180B (zh) | 2021-04-13 |
Family
ID=69976153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910598067.2A Active CN110956180B (zh) | 2019-07-04 | 2019-07-04 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110956180B (zh) |
WO (1) | WO2021000948A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860166A (zh) * | 2020-06-18 | 2020-10-30 | 浙江大华技术股份有限公司 | 图像检测的方法、装置、计算机设备和存储介质 |
WO2021000948A1 (zh) * | 2019-07-04 | 2021-01-07 | 中联重科股份有限公司 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
CN112191055A (zh) * | 2020-09-29 | 2021-01-08 | 广州天域科技有限公司 | 一种矿山机械用具有空气检测结构的降尘装置 |
CN113901600A (zh) * | 2021-09-13 | 2022-01-07 | 杭州大杰智能传动科技有限公司 | 智能塔吊起升负载平衡性的自动监测控制方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110059234A (ko) * | 2009-11-27 | 2011-06-02 | 동명대학교산학협력단 | 컨테이너 성량 및 거리 검출 방법 |
CN103613015A (zh) * | 2013-11-26 | 2014-03-05 | 中联重科股份有限公司 | 安全吊载控制方法、装置、系统及起重机 |
CN104299002A (zh) * | 2014-10-11 | 2015-01-21 | 嘉兴学院 | 一种基于监控系统的塔吊图像检测方法 |
CN107066933A (zh) * | 2017-01-25 | 2017-08-18 | 武汉极目智能技术有限公司 | 一种道路标牌识别方法及系统 |
CN109785240A (zh) * | 2017-11-13 | 2019-05-21 | 中国移动通信有限公司研究院 | 一种低照度图像增强方法、装置及图像处理设备 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
CN109934887A (zh) * | 2019-03-11 | 2019-06-25 | 吉林大学 | 一种基于改进的脉冲耦合神经网络的医学图像融合方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789080B (zh) * | 2010-01-21 | 2012-07-04 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN103632136B (zh) * | 2013-11-11 | 2017-03-29 | 北京天诚盛业科技有限公司 | 人眼定位方法和装置 |
CN109871938B (zh) * | 2019-01-21 | 2023-04-25 | 重庆大学 | 一种基于卷积神经网络的零部件喷码检测方法 |
CN110956180B (zh) * | 2019-07-04 | 2021-04-13 | 中联重科股份有限公司 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
-
2019
- 2019-07-04 CN CN201910598067.2A patent/CN110956180B/zh active Active
-
2020
- 2020-07-03 WO PCT/CN2020/100176 patent/WO2021000948A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110059234A (ko) * | 2009-11-27 | 2011-06-02 | 동명대학교산학협력단 | 컨테이너 성량 및 거리 검출 방법 |
CN103613015A (zh) * | 2013-11-26 | 2014-03-05 | 中联重科股份有限公司 | 安全吊载控制方法、装置、系统及起重机 |
CN104299002A (zh) * | 2014-10-11 | 2015-01-21 | 嘉兴学院 | 一种基于监控系统的塔吊图像检测方法 |
CN107066933A (zh) * | 2017-01-25 | 2017-08-18 | 武汉极目智能技术有限公司 | 一种道路标牌识别方法及系统 |
CN109785240A (zh) * | 2017-11-13 | 2019-05-21 | 中国移动通信有限公司研究院 | 一种低照度图像增强方法、装置及图像处理设备 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
CN109934887A (zh) * | 2019-03-11 | 2019-06-25 | 吉林大学 | 一种基于改进的脉冲耦合神经网络的医学图像融合方法 |
Non-Patent Citations (9)
Title |
---|
刘昆等: ""基于加权融合特征与Ostu分割的红外弱小目标检测算法"", 《计算机工程》 * |
吉久明等: "《知识发现:科技文献内容挖掘技术研究》", 31 July 2017, 上海科学技术文献出版社 * |
吕胜等: ""可变元素与矩阵理论结合的双模态红外图像拟态融合"", 《光电工程》 * |
尤春辉: ""基于MATLAB图像识别的起重机自动识别电解槽号技术"", 《有色矿冶》 * |
崔连延等: ""基于复杂度和最佳阈值的人眼定位方法"", 《万方数据》 * |
杨东方等: "《数学模型在生态学的应用及研究.7》", 31 January 2010, 海洋出版社 * |
田小林等: "《光学相干层析图像处理及应用》", 31 January 2015, 北京理工大学出版社 * |
邵欣等: "《机器视觉与传感器技术》", 30 June 2017, 北京航空航天大学出版社 * |
黄文武等: ""嵌入式起重机配重重量自动识别系统研究"", 《机电信息》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021000948A1 (zh) * | 2019-07-04 | 2021-01-07 | 中联重科股份有限公司 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
CN111860166A (zh) * | 2020-06-18 | 2020-10-30 | 浙江大华技术股份有限公司 | 图像检测的方法、装置、计算机设备和存储介质 |
CN112191055A (zh) * | 2020-09-29 | 2021-01-08 | 广州天域科技有限公司 | 一种矿山机械用具有空气检测结构的降尘装置 |
CN113901600A (zh) * | 2021-09-13 | 2022-01-07 | 杭州大杰智能传动科技有限公司 | 智能塔吊起升负载平衡性的自动监测控制方法和系统 |
CN113901600B (zh) * | 2021-09-13 | 2023-06-02 | 杭州大杰智能传动科技有限公司 | 智能塔吊起升负载平衡性的自动监测控制方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110956180B (zh) | 2021-04-13 |
WO2021000948A1 (zh) | 2021-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956180B (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
US9704017B2 (en) | Image processing device, program, image processing method, computer-readable medium, and image processing system | |
JP5413408B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN109636771B (zh) | 基于图像处理的飞行目标检测方法及系统 | |
CN107609555B (zh) | 车牌检测方法、应用其的车型识别方法及相关装置 | |
CN110414334A (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN107507226B (zh) | 一种图像匹配的方法及装置 | |
US8811750B2 (en) | Apparatus and method for extracting edge in image | |
CN107240112B (zh) | 一种复杂场景下个体x角点提取方法 | |
CN105930852B (zh) | 一种气泡图像识别方法 | |
CN105139391A (zh) | 一种雾霾天气交通图像边缘检测方法 | |
JP2013128438A (ja) | 画像処理装置、プログラム及び画像処理システム | |
CN108182691B (zh) | 识别限速标志的方法、装置及车辆 | |
CN111310753A (zh) | 一种表计对准方法及装置 | |
CN112881412A (zh) | 一种废钢产品中非金属异物检测方法 | |
CN112102141A (zh) | 水印的检测方法、装置、存储介质以及电子设备 | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
JP2011165170A (ja) | 対象物検出装置及びプログラム | |
CN115294035A (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
US10115028B2 (en) | Method and device for classifying an object in an image | |
CN107369149B (zh) | 目标物体的检测装置及方法 | |
KR100969603B1 (ko) | 숫자의 기하학적 관계를 이용한 차량 번호판 인식 방법 | |
CN108734123B (zh) | 高速公路标志识别方法、电子设备、存储介质及系统 | |
CN107330881B (zh) | 一种用于识别轮毂气门孔的方法 |
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 |