CN111539906A - 装载率测定方法及装置 - Google Patents
装载率测定方法及装置 Download PDFInfo
- Publication number
- CN111539906A CN111539906A CN201910056674.6A CN201910056674A CN111539906A CN 111539906 A CN111539906 A CN 111539906A CN 201910056674 A CN201910056674 A CN 201910056674A CN 111539906 A CN111539906 A CN 111539906A
- Authority
- CN
- China
- Prior art keywords
- binocular vision
- vision image
- loading rate
- calculating
- roi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000012491 analyte Substances 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
-
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种装载率测定方法及装置。其中，装载率测定方法包括如下步骤：S1.计算双目视觉图像的ROI区域；S2.计算双目视觉图像的视差；S3.根据所述双目视觉图像的视差计算双目视觉图像的深度；S4.根据所述双目视觉图像的深度计算所述ROI区域内的装载率。本发明的有益效果：本发明所述的装载率测定方法，通过双目视觉图像可直接计算得出装载率，解决靠人力进行测定的繁琐以及误差，同时节省人力成本。
Description
技术领域
本发明涉计算机视觉技术领域，具体来说，涉及一种装载率测定方法及装 置。
背景技术
在物流行业内，现今还没有对中转场货车的装载率进行智能测定的产品。 货车装载率是货车实际所载物体体积与车厢最大可载货体积的比值，是衡量货 运效率的重要指标之一。而在物流行业中，对中转场货车的装载率主要通过两 种方法进行估算。一是系统装载率，即货车所载货物的质量与货车总载重的比 值；二是人为肉眼估算。这两种方法所得到的结果均存在很大的误差，而且计 算和测定都需要额外的人力成本。中转场装卸货的效率和实际处理能力都无从 而知。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题，本发明提出一种装载率测定方法，能够 迅速且准确地测量装载率，无需额外的人力成本。本发明还提出了装载率测定 装置、设备及计算机可读介质。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种装载率测定方法，包括如下步骤：S1.计算双目视觉图像的ROI 区域；S2.计算双目视觉图像的视差；S3.根据所述双目视觉图像的视差计算 双目视觉图像的深度；S4.根据所述双目视觉图像的深度计算所述ROI区域 内的装载率。
优选地，所述步骤S1进一步包括如下步骤：S1.1.使用分割模型对所述 双目视觉图像进行图像语义分割；S1.2.对图像语义分割的结果进行连通域 处理，将满足预设阈值的区域作为ROI区域。
优选地，所述分割模型是通过如下步骤获得的：对历史双目视觉图像 进行像素标记，得到标记数据，其中，ROI区域的像素与非ROI区域的像 素的标记不同；将所述历史双目视觉图像输入训练模型，获得输出结果； 计算所述输出结果与所述标记数据之间的损失，并据此更新所述训练模型 的参数；重复上述步骤直到所述损失收敛，得到分割模型。
优选地，所述训练模型为FCN。
优选地，所述双目视觉图像的视差是通过SGBM算法计算出的每个像 素的最优视差。
优选地，所述步骤S4进一步包括如下步骤：S4.1.对由双目视觉图像的 深度所组成的深度图的ROI区域进行中值滤波处理；S4.2.根据以下公式对 ROI区域的深度数值进行计算，得到装载率数值；
其中，R表示装载率；
d(x,y)表示深度图中坐标(x,y)对应的深度；
ymax和xmax表示待测物的高和宽；
length表示待测物的长度。
优选地，在所述步骤S4.1和所述步骤S4.2之间，还包括如下步骤：填 充所述深度图上可能出现的没有数值的空洞区域；根据双目视觉图像的拍 摄角度对所述深度图进行纠正。
优选地，所述ROI区域为待测物的框架区域。
优选地，所述待测物为车厢，所述装载率的计算时刻为所述车厢完成 装货的时刻。
本发明的另一方面，涉及一种装载率测定装置，包括：ROI区域提取 模块，用于计算双目视觉图像的ROI区域；视差计算模块，用于计算双目 视觉图像的视差；深度计算模块，用于根据所述双目视觉图像的视差计算 双目视觉图像的深度；装载率计算模块，用于根据所述双目视觉图像的深 度计算所述ROI区域内的装载率。
本发明的又一方面，涉及一种装载率测定设备，包括：至少一个处理 器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存 储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理 器执行，以使得所述至少一个处理器能够执行上述的装载率测定方法或者 其改进方案。
本发明还涉及一种计算机可读介质，存储有计算机可执行程序，所述 计算机可执行程序用于执行上述的装载率测定方法或者其改进方案。
本发明的有益效果：本发明所述的装载率测定方法，通过双目视觉图 像可直接计算得出装载率，解决靠人力进行测定的繁琐以及误差，同时节 省人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的 前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述的装载率测定方法的流程图；
图2是计算双目视觉图像的ROI区域方法的流程图；
图3是用于说明FCN的原理的图；
图4是用于说明双目视觉原理的图；
图5是根据双目视觉图像的深度计算ROI区域内的装载率的流程图；
图6表示一个具体的装载率估算实例，图6A表示的是双目视觉图像中 的左视图，图6B表示的是双目视觉图像中的右视图，图6C表示的是双目 视觉图像的视差图，图6D表示的是双目视觉图像的深度图；
图7是本发明所述的一种装载率测定装置的功能模块图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其 他实施例，都属于本发明保护的范围。
图1是本发明所述的装载率测定方法的流程图。
如图1所示，根据本发明实施例所述的一种装载率测定方法，包括如 下步骤：
S1.计算双目视觉图像的ROI区域；
S2.计算双目视觉图像的视差；
S3.根据所述双目视觉图像的视差计算双目视觉图像的深度；
S4.根据所述双目视觉图像的深度计算所述ROI区域内的装载率。
双目视觉图像可通过双目摄像头获取，即，通过两台位置不同的拍摄 装置(以下也称为相机)分别对同一目标获取图像(通常两台相机在同一 高度一左一右放置)，由于相机的位置和角度有区别，二者的拍摄的图像 也存在一定的差异，这样获得的两幅图像如同人的双目聚焦至同一目标时 呈现出的图像，即双目视觉图像。发明人目的正是利用双目视觉图像之间 差异来计算容器、空间等的装载率。例如在物流运输领域，可以用来测定 货车车厢的装载率，从而帮助了解中转场装卸货的效率和实际处理能力。
通常，双目视觉图像中不会仅存在待测物(容器、空间等)，而是除 了待测物以外，还存在很多其它信息，例如，除了拍摄到车厢以外，图像 中还拍摄到了车库的景象，这些信息属于对测量准确度产生负面影响的噪 声，因此，去除噪声，计算出双目视觉图像的ROI区域是很有必要的。ROI (region of interest)是指机器视觉、图像处理中，从被处理的图像以方框、 圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。 不同待测物的ROI不同，但对测量装载率而言，通常需要测量待测物内部 的装载率，因此，ROI通常是待测物的框架区域。更具体地，待测物为车 厢时，ROI即为车框区域，当然ROI可以根据其它具体需求来确定。
图2是计算双目视觉图像的ROI区域方法的流程图。
如图2所示，步骤S1具体包括如下步骤：
S1.1.使用分割模型对所述双目视觉图像进行图像语义分割；
S1.2.对图像语义分割的结果进行连通域处理，将满足预设阈值的区域 作为ROI区域。
使用分割模型处理双目视觉图像可以快速且准确地提取出ROI区域， 分割模型的获得运用了深度学习领域的技术，具体而言，分割模型是通过 如下步骤获得的：
a.对历史双目视觉图像进行像素标记，得到标记数据，其中，ROI区域 的像素与非ROI区域的像素的标记不同；
b.将所述历史双目视觉图像输入训练模型，获得输出结果；
c.计算所述输出结果与所述标记数据之间的损失，并据此更新所述训练 模型的参数；
d.重复上述步骤a～c直到损失收敛，得到分割模型。
图3是用于说明FCN的原理的图。
其中，训练模型为FCN(Fully Convolutional Networks)FCN即在卷积 神经网络中将最后的全连接层转为卷积层。本申请使用了VGG16(VGG 卷积神经网络的一个变种)的结构，总的来说，就是前面5层和VGG16 的结构一模一样，唯一的区别在于全连接层处，将VGG16最后的全连接层 结构也全部变成卷积层，以此训练模型为基础，调整参数后得到分割模型， 进行图像语义分割。
具体而言，从训练模型得到分割模型所使用的训练数据是历史双目视 觉图像，即，通过各种渠道收集来的与待测情景相似的双目视觉图像，例 如，历史双目视觉图像可以是从历史视频中抽取的数据，更具体地，如果 待测情景是测量车库中的车厢的装载率，那么历史双目视觉图像可以是从 该车库中的监视摄像文件中抽取出的图像。从训练模型得到分割模型的训 练过程，以ROI区域为车厢的车框为例，首先对历史双目视觉图像进行像 素标记，将是车框的像素标记位“1”，其它像素标记为“0”，由此，获 得了一组标记数据，该标记数据代表准确的真实值，然后将历史双目视觉 图像输入FCN，通过FCN含有的一系列参数和计算获得输出结果，接着计 算输出结果与标记数据之间的损失，以此作为依据更新FCN的参数，不断 迭代此过程，直到损失收敛，分割模型训练完成，此时的分割模型给出的图像语义分割结果应当接近真实值。在测试阶段，将用于测试的图像输入 分割模型，分割模型即可给出与图像大小一致的主像素预测分割图。对分 割模型预测出来的分割结果，标记为“1”的区域做连通域处理，取连通域 大于某一阈值的区域，作为ROI区域。
考虑到双目测距的精度和速度要求，选择了Semi-Global Block Matching算法进行图像深度的计算。其中双目测距主要涉及的Semi-Global Block Matching(以下称SGBM)算法的主要说明如下：
视差图为每个像素点的视差所组成的二维矩阵。SGBM算法的目标是 设置一个和视差图相关的全局能量函数E，并最小化该函数，以求解每个 像素的最优视差。
这里，
E(D)表示该视差图D的能量函数；
p，q代表图像中像素的索引，表示某一个像素；
Np是像素p的邻域，即其相邻像素点；
C(p，Dp)指当前像素点的视差图为Dp时，该像素点的cost代价；
P1是一个惩罚系数，用来惩罚在相邻域像素之间的视差值变化在1之内 时的情况；
P2也是一个惩罚系数，用于惩罚在相邻域像素之间的视差值变化大于1 时的情况；
I[.]是一个在参数为真时返回1，否则返回0的函数。
P1，P2控制最小化函数的平滑程度，以此解出一个最优的视差图。然而 在一个2维图像空间中最小化目标函数寻找最优解是一个NP-complete问 题。半全局匹配函数通过执行多个1维问题或者线性的最小化问题来近似 2维的最优化函数。SGBM匹配函数聚合这些多个扫描路径上方向的cost代 价，扫描路径以一个方向聚合到该像素p上。SGBM匹配算法通常会聚合 5个方向的cost代价或者8个方向(即8连通域)的coat代价。通过聚合这些 路径方向上的cost代价以求出像素p和视差d的总cost代价s(p，d)，以求出最优视 差。S(p，d)的计算公式如下：
这里,r是指路径聚合向当前像素p的方向。
Lr(p，d)表示沿着当前路径方向时，当目前像素p的视差为d时，其最小的 cost代价。其中Lr(p，d)由下式给出:
其中等式中从以下的4种可能的候选值中选取最小值：
1.路径方向上前一个像素视差取值为d时，其最小的cost值；
2.路径方向上前一个像素视差取值为d-1时，其最小的cost值加上惩罚 系数P1；
3.路径方向上前一个像素视差取值为d+1时，其最小的cost值加上惩罚 系数P1
4.路径方向上前一个像素视差取值小于d-1或大于d+1时，其最小的 cost值加上惩罚系数P2。
同时，为了限制路径上Lr(p，d)的值的不断增加，需要将其减去前一个像 素的最小值以防止其溢出。Lr(p，d)的上限值为Cmax+P2，其中Cmax是cost代价C的 最大值。计算Lr(p，d)中的代价函数C(p，d)按以下方式计算：
C(p，d)＝min(d(p，p-d，IL，IR)，d(p-d，p，IR，IL))
这里，IL，IR分别是双目视觉图像的左右图像。
C的代价值汇总在用户定义的大小为1的窗口上。在为每个视差d计算 每个像素p的S(p，d)之后，算法为该像素选择最小代价的视差。即可以求得最 优的视差值。
图4是用于说明双目视觉原理的图。
得到每个像素的最优视差后，根据双目视觉原理，可由最优视差得到 双目视觉图像的深度，即，可以由最优视差图得到深度图。
图4为拍摄双目视觉图像的左、右相机的俯视图。在图4中，世界坐 标系与左相机坐标系重合，点P为世界坐标系下的物体，其坐标为(X，Y， Z)。根据小孔成像原理，点P在左右两张图片上成的像为两个点，在图片 上的x坐标分别为xl和xr。两个相机焦点o1、o2之间的距离为Tx，相机 焦距为f。根据三角形相似原理，
其中xl-xr为视差。根据 获得的Z值，可以计算物体的X、Y坐标
图5是根据所述双目视觉图像的深度计算所述ROI区域内的装载率的 流程图。
最后，为了测算装载率，步骤S4进一步包括如下步骤：
S4.1.对由双目视觉图像的深度所组成的深度图的ROI区域进行中值滤 波处理；
S4.2.根据以下公式对ROI区域的深度数值进行计算，得到装载率数值；
其中，R表示装载率；
d(x,y)表示深度图中坐标(x,y)对应的深度；
ymax和xmax表示待测物的高和宽，该数值可根据深度图计算得到；
length表示待测物的长度，该数值可通过测量或其它方式得到，例如， 当待测物为车厢时，通过查询车辆数据库即可获得车厢长度。
此外，在所述步骤S4.1和所述步骤S4.2之间，还包括如下步骤：
填充所述深度图上可能出现的没有数值的空洞区域；
根据双目视觉图像的拍摄角度(即拍摄装置的俯仰角)对双目视觉图 像的深度图进行纠正，确保ROI区域(例如车厢的车框)所在的平面深度 一致，即与相机平面平行，以减小计算误差。
作为一个具体的装载率估算实例，表示在图6中。其中，图6A表示的 是双目视觉图像中的左视图，图6B表示的是双目视觉图像中的右视图，图 6C表示的是双目视觉图像的视差图，图6D表示的是双目视觉图像的深度 图，在该估算实例中，测得的装载率为75.2％。该结果与人眼估测的结果 大致相同。
作为在物流领域的应用，可以如上述的测量车厢的装载率，ROI区域 即车框区域，装载率的计算时刻为车厢完成装货的时刻。具体而言，在通 过双目摄像机获取双目视觉图像的情况下，经步骤S1～S3可以实时计算双 目视觉图像的深度，由此，根据深度的变化可以判断出车辆驶入卡口(货 车装卸货区域)、开始装货、完成装货以及离开卡口的状态，并根据车框 与相机之间的距离变化从整个装货流程精确截取车辆完成装货的时刻(当 车框与相机之间的距离突然加大时视为车辆离开卡口、完成装货的时刻) 进行步骤S4计算装载率。由此，可以做到整个流程完全自动化，无需人员 干预，做到真正的智能测量。
图7是本发明所述的一种装载率测定装置的功能模块图。
如图7所示，装载率测定装置包括：
ROI区域提取模块，用于计算双目视觉图像的ROI区域；
视差计算模块，用于计算双目视觉图像的视差；
深度计算模块，用于根据所述双目视觉图像的视差计算双目视觉图像 的深度；
装载率计算模块，用于根据所述双目视觉图像的深度计算所述ROI区 域内的装载率。
由此，使用本发明的装载率测定装置能够根据双目视觉图直接计算得 到装载率，解决靠人力进行测定的繁琐以及误差，同时节省人力成本。尤 其在物流行业，可以用来测定货车车厢的装载率，从而帮助了解中转场装 卸货的效率和实际处理能力。
作为优选的实施方式，装载率测定装置还包括装载率计算启动模块， 用于控制装载率计算模块的计算装载率时机，例如，装载率计算启动模块 可以获取到双目相机与待测物之间的距离数据，当待测物与双目相机的距 离到达一定范围时，深度计算模块所计算的数据才被接入至装载率计算模 块，开始计算装载率，这样，在通过双目摄像机获取双目视觉图像的情况 下，可以避免得到很多无用的数据。
本发明还涉及一种装载率测定设备，包括：至少一个处理器；以及与 所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所 述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以 使得所述至少一个处理器能够执行上述的装载率测定方法或者其优选实施 方式。进一步地，装载率测定设备还可以包括双目拍摄装置，例如双目摄 像机、双目照相机等，用于获取双目视觉图像。
本发明还涉及一种计算机可读介质，存储有计算机可执行程序，所述 计算机可执行程序用于执行上述的装载率测定方法或者其优选实施方式。 上述计算机可读介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁 带、软盘和光数据存储设备等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发 明的保护范围之内。
Claims (10)
1.一种装载率测定方法，其特征在于，包括如下步骤：
S1.计算双目视觉图像的ROI区域；
S2.计算双目视觉图像的视差；
S3.根据所述双目视觉图像的视差计算双目视觉图像的深度；
S4.根据所述双目视觉图像的深度计算所述ROI区域内的装载率。
2.根据权利要求1所述的装载率测定方法，其特征在于，
所述步骤S1进一步包括如下步骤：
S1.1.使用分割模型对所述双目视觉图像进行图像语义分割；
S1.2.对图像语义分割的结果进行连通域处理，将满足预设阈值的区域作为ROI区域。
3.根据权利要求2所述的装载率测定方法，其特征在于，
所述分割模型是通过如下步骤获得的：
对历史双目视觉图像进行像素标记，得到标记数据，其中，ROI区域的像素与非ROI区域的像素的标记不同；
将所述历史双目视觉图像输入训练模型，获得输出结果；
计算所述输出结果与所述标记数据之间的损失，并据此更新所述训练模型的参数；
重复上述步骤直到所述损失收敛，得到分割模型。
4.根据权利要求3所述的装载率测定方法，其特征在于，
所述训练模型为FCN。
5.根据权利要求1所述的装载率测定方法，其特征在于，
所述双目视觉图像的视差是通过SGBM算法计算出的每个像素的最优视差。
6.根据权利要求1所述的装载率测定方法，其特征在于，
所述步骤S4进一步包括如下步骤：
S4.1.对由双目视觉图像的深度所组成的深度图的ROI区域进行中值滤波处理；
S4.2.根据以下公式对ROI区域的深度数值进行计算，得到装载率数值；
其中，R表示装载率；
d(x,y)表示深度图中坐标(x,y)对应的深度；
ymax和xmax表示待测物的高和宽；
length表示待测物的长度。
7.根据权利要求6所述的装载率测定方法，其特征在于，
在所述步骤S4.1和所述步骤S4.2之间，还包括如下步骤：
填充所述深度图上可能出现的没有数值的空洞区域；
根据双目视觉图像的拍摄角度对所述深度图进行纠正。
8.根据权利要求1所述的装载率测定方法，其特征在于，
所述ROI区域为待测物的框架区域。
9.根据权利要求8所述的装载率测定方法，其特征在于，
所述待测物为车厢，所述装载率的计算时刻为所述车厢完成装货的时刻。
10.一种装载率测定装置，其特征在于，包括：
ROI区域提取模块，用于计算双目视觉图像的ROI区域；
视差计算模块，用于计算双目视觉图像的视差；
深度计算模块，用于根据所述双目视觉图像的视差计算双目视觉图像的深度；
装载率计算模块，用于根据所述双目视觉图像的深度计算所述ROI区域内的装载率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910056674.6A CN111539906B (zh) | 2019-01-22 | 2019-01-22 | 装载率测定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910056674.6A CN111539906B (zh) | 2019-01-22 | 2019-01-22 | 装载率测定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539906A true CN111539906A (zh) | 2020-08-14 |
| CN111539906B CN111539906B (zh) | 2024-04-12 |
Family
ID=71974784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910056674.6A Active CN111539906B (zh) | 2019-01-22 | 2019-01-22 | 装载率测定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539906B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080031327A1 (en) * | 2006-08-01 | 2008-02-07 | Haohong Wang | Real-time capturing and generating stereo images and videos with a monoscopic low power mobile device |
| CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
| US20160042554A1 (en) * | 2014-08-05 | 2016-02-11 | Samsung Electronics Co., Ltd. | Method and apparatus for generating real three-dimensional (3d) image |
| CN106846345A (zh) * | 2017-01-04 | 2017-06-13 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
| CN107610104A (zh) * | 2017-08-31 | 2018-01-19 | 南通兴华达高实业有限公司 | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 |
| CN108322724A (zh) * | 2018-02-06 | 2018-07-24 | 上海兴芯微电子科技有限公司 | 图像立体匹配方法以及双目视觉设备 |
| US10037610B1 (en) * | 2017-10-03 | 2018-07-31 | StradVision, Inc. | Method for tracking and segmenting a target object in an image using Markov Chain, and device using the same |
| CN108898044A (zh) * | 2018-04-13 | 2018-11-27 | 顺丰科技有限公司 | 装载率获取方法、装置、系统及存储介质 |
| CN108981672A (zh) * | 2018-07-19 | 2018-12-11 | 华南师范大学 | 基于单目机器人与测距传感器结合的舱门实时定位方法 |
-
2019
- 2019-01-22 CN CN201910056674.6A patent/CN111539906B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080031327A1 (en) * | 2006-08-01 | 2008-02-07 | Haohong Wang | Real-time capturing and generating stereo images and videos with a monoscopic low power mobile device |
| US20160042554A1 (en) * | 2014-08-05 | 2016-02-11 | Samsung Electronics Co., Ltd. | Method and apparatus for generating real three-dimensional (3d) image |
| CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
| CN106846345A (zh) * | 2017-01-04 | 2017-06-13 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
| CN107610104A (zh) * | 2017-08-31 | 2018-01-19 | 南通兴华达高实业有限公司 | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 |
| US10037610B1 (en) * | 2017-10-03 | 2018-07-31 | StradVision, Inc. | Method for tracking and segmenting a target object in an image using Markov Chain, and device using the same |
| CN108322724A (zh) * | 2018-02-06 | 2018-07-24 | 上海兴芯微电子科技有限公司 | 图像立体匹配方法以及双目视觉设备 |
| CN108898044A (zh) * | 2018-04-13 | 2018-11-27 | 顺丰科技有限公司 | 装载率获取方法、装置、系统及存储介质 |
| CN108981672A (zh) * | 2018-07-19 | 2018-12-11 | 华南师范大学 | 基于单目机器人与测距传感器结合的舱门实时定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539906B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
| CN110032949B (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
| CN107576960B (zh) | 视觉雷达时空信息融合的目标检测方法及系统 | |
| Vaudrey et al. | Differences between stereo and motion behaviour on synthetic and real-world stereo sequences | |
| CN107463890B (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
| CN104574393B (zh) | 一种三维路面裂缝图像生成系统和方法 | |
| CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
| CN111797684B (zh) | 一种运动车辆双目视觉测距方法 | |
| CN111652790B (zh) | 一种亚像素图像配准方法 | |
| CN109961013A (zh) | 车道线的识别方法、装置、设备及计算机可读存储介质 | |
| CN112819793A (zh) | 一种集装箱残损识别方法、装置、设备和可读存取介质 | |
| CN111383257A (zh) | 一种车厢装卸率确定方法和装置 | |
| CN109523583A (zh) | 一种基于反馈机制的电力设备红外与可见光图像配准方法 | |
| CN108665436B (zh) | 一种基于灰度均值参照的多聚焦图像融合方法和系统 | |
| CN115082450A (zh) | 基于深度学习网络的路面裂缝检测方法和系统 | |
| CN114494462A (zh) | 一种基于Yolov5和改进跟踪算法的双目相机测距方法 | |
| CN114648669A (zh) | 一种域自适应双目视差计算的动车组故障检测方法及系统 | |
| CN115546202A (zh) | 一种用于无人叉车的托盘检测与定位方法 | |
| CN116704273A (zh) | 一种自适应红外可见光双模融合检测方法 | |
| CN115063472A (zh) | 基于深度学习的行李识别测量方法及装置 | |
| CN114842340A (zh) | 一种机器人双目立体视觉障碍物感知方法与系统 | |
| CN111553914A (zh) | 基于视觉的货物检测方法、装置、终端及可读存储介质 | |
| CN112288758A (zh) | 一种电力设备红外与可见光图像配准方法 | |
| CN112017259B (zh) | 一种基于深度相机与热像仪的室内定位与建图方法 | |
| CN113420704A (zh) | 一种基于视觉传感器的物体识别方法、装置及机器人 |
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 |