CN111932537A - 对象形变检测方法、装置、计算机设备和存储介质 - Google Patents

对象形变检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111932537A
CN111932537A CN202011068833.3A CN202011068833A CN111932537A CN 111932537 A CN111932537 A CN 111932537A CN 202011068833 A CN202011068833 A CN 202011068833A CN 111932537 A CN111932537 A CN 111932537A
Authority
CN
China
Prior art keywords
target detection
region
depth
area
pixel points
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
Application number
CN202011068833.3A
Other languages
English (en)
Other versions
CN111932537B (zh
Inventor
蒋哲兴
龚星
郭双双
李斌
陈会娟
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011068833.3A priority Critical patent/CN111932537B/zh
Publication of CN111932537A publication Critical patent/CN111932537A/zh
Application granted granted Critical
Publication of CN111932537B publication Critical patent/CN111932537B/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
    • G06T7/0002—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
    • G06T7/11—Region-based 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种对象形变检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测对象的深度图；根据所述深度图中各个像素点的深度梯度对所述深度图进行图像分割，得到目标检测区域；根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个所述目标检测区域对应的参考平面；根据所述深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据所述异常像素点确定所述待检测对象对应的形变区域。采用本方法能够提高对象形变的检测效率和检测准确性。

Description

对象形变检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种对象形变检测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，越来越多的对象得到了广泛的应用，给人们的生活带来了便利。在对象的生产和使用过程中，常常需要检测对象是否发生形变。当对象受到挤压、撞击时，对象容易发生形变，当对象出现形变时，容易影响对象的正常使用，存在安全隐患。
传统技术中，检测对象是否发生形变主要是通过人工检测，需要由工作人员观察待检测对象的各个面来判断对象是否发生形变。但是，通过人工检测，需要消耗大量的人力和时间，导致检测效率较低，并且也容易出现漏检或误检，导致检测准确性低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高对象形变的检测效率和检测准确性的对象形变检测方法、装置、计算机设备和存储介质。
一种对象形变检测方法，所述方法包括：
获取待检测对象的深度图；
根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域；
根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面；
根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
一种对象形变检测装置，所述装置包括：
深度图获取模块，用于获取待检测对象的深度图；
图像分割模块，用于根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域；
平面拟合模块，用于根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面；
形变区域确定模块，用于根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
在一个实施例中，图像分割模块还包括：
分割像素点确定单元，用于基于深度梯度的变化度确定分割像素点。
分割线确定单元，用于对分割像素点进行直线拟合，得到至少一条分割线。
目标检测区域确定单元，用于根据分割线对深度图进行图像分割，得到目标检测区域。
在一个实施例中，目标检测区域确定单元还用于根据分割线对深度图进行图像分割，得到多个初始检测区域；获取方向相同的依次相邻的连续多个初始检测区域，得到各个目标检测区域，所述各个目标检测区域的深度值根据位置排列呈规律变化；获取与目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。
在一个实施例中，平面拟合模块还包括：
目标检测子区域确定单元，用于沿着目标检测区域的位置排列方向形成分割线对各个目标检测区域进行图像分割，得到各个目标检测区域对应的目标检测子区域。
形状特征确定单元，用于根据相邻目标检测区域内像素点的深度统计值，确定各个目标检测区域的形状特征。
区域有效性确定单元，用于根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性。
参考平面确定单元，用于根据区域有效性对同一目标检测区域内有效的目标检测子区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。
在一个实施例中，区域有效性确定单元还用于将同一分割区域内形状特征一致的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到各个分割区域内各个形状特征对应的关联子区域集合；根据各个关联子区域集合中各个目标检测子区域对应的深度统计值得到各个关联子区域集合对应的第一参考值；当目标检测子区域内像素点的深度统计值与对应的第一参考值的差距小于第一预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
在一个实施例中，区域有效性确定单元还用于沿着相邻目标检测区域的分割线方向对参考检测区域进行图像分割，得到参考检测区域对应的参考检测子区域；参考检测子区域和所述目标检测区域一一对应；获取目标检测子区域内像素点的深度统计值与对应的参考子区域内像素点的深度统计值的差异作为统计值差异，得到各个目标检测子区域对应的统计值差异；根据各个关联子区域集合中各个目标检测子区域对应的统计值差异得到各个关联子区域集合对应的第二参考值；当目标检测子区域对应的统计值差异与对应的第二参考值的差距小于第二预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
在一个实施例中，形变区域确定模块还用于当深度图中像素点到对应的参考平面的距离大于第三预设阈值时，确定对应的像素点为异常像素点；根据各个异常像素点的间距对异常像素点进行聚合，根据聚合结果确定关联像素点集合；根据关联像素点集合中像素点的位置分布确定形变区域。
在一个实施例中，对象形变检测装置还包括：
形变标注模块，用于获取深度图对应的彩色图；将形变区域在彩色图中进行标注；展示标注后的彩色图。
在一个实施例中，形变标注模块还用于根据形变区域内像素点到对应的参考平面的距离确定形变区域的形变程度；获取形变程度对应的标注参数；根据标注参数，将形变区域在彩色图中进行标注。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测对象的深度图；
根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域；
根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面；
根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测对象的深度图；
根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域；
根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面；
根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
上述对象形变检测方法、装置、计算机设备和存储介质，通过获取待检测对象的深度图；根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域；根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面；根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。这样，根据待检测对象的深度图可以自动检测出形变区域，提高了检测效率，此外，根据深度图中各个像素点的深度变化将待检测对象切分为一个个小的检测区域，根据检测区域内各个像素点到对应的拟合平面的距离判断形变，可以提高检测准确性。
附图说明
图1为一个实施例中对象形变检测方法的应用环境图；
图2为一个实施例中对象形变检测方法的流程示意图；
图3为一个实施例中待检测对象的示意图；
图4为另一个实施例中待检测对象的示意图；
图5为一个实施例中参考平面的示意图；
图6为一个实施例中确定目标检测区域的流程示意图；
图7为另一个实施例中确定目标检测区域的流程示意图；
图8为一个实施例中确定参考平面的流程示意图；
图9为一个实施例中确定目标检测子区域的区域有效性的流程示意图；
图10为另一个实施例中确定目标检测子区域的区域有效性的流程示意图；
图11为一个实施例中目标检测区域和参考检测区域的示意图；
图12为一个实施例中对象形变检测方法的实施示意图；
图13为一个实施例中待检测对象的形变检测结果示意图；
图14为一个实施例中对象形变检测装置的结构框图；
图15为一个实施例中对象形变检测装置的结构框图；
图16为一个实施例中计算机设备的内部结构图；
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的对象形变检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、智能摄像机和便携式可穿戴设备，服务器104服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
终端102和服务器104均可单独用于执行本申请实施例中提供的对象形变检测方法。例如，终端102可以通过自身的深度摄像机采集待检测对象的深度图，终端102根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域，根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面，根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
终端102和服务器104也可协同用于执行本申请实施例中提供的对象形变检测方法。例如，终端102为深度摄像机，服务器104从终端102获取待检测对象的深度图，根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域，根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面，根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
物联网（The Internet of Things，简称IOT）是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。
云物联（Cloud IOT）旨在将传统物联网中传感设备感知的信息和接受的指令连入互联网中，真正实现网络化，并通过云计算技术实现海量数据存储和运算，由于物联网的特性是物与物相连接，实时感知各个“物体”当前的运行状态，在这个过程中会产生大量的数据信息，如何将这些信息汇总,如何在海量信息中筛取有用信息为后续发展做决策支持,这些已成为影响物联网发展的关键问题，而基于云计算和云存储技术的物联云也因此成为物联网技术和应用的有力支持。
在一个实施例中，如图2所示，提供了一种对象形变检测方法，以该方法应用于图1中的计算机设备为例进行说明，计算机设备可以是上述图1中的终端102或服务器104。参照图2，对象形变检测方法具体包括以下步骤：
步骤S202，获取待检测对象的深度图。
其中，待检测对象是待检测是否存在形变的目标对象。深度图是反映图像采集装置与场景中待检测对象的表面之间的距离的图像。计算机设备可以通过内置的图像采集装置，或者外置的与计算机设备关联的图像采集装置，采集待检测对象的深度图。图像采集装置具体可以为深度摄像头。深度图是由多个像素点的深度值组成的图像，深度值是指深度摄像头与待检测对象（即被拍摄对象）之间的距离值。深度摄像头通过向待检测对象发射近红外光，接收反射的近红外线，通过计算反射的近红外线时间差或相位差，获取待检测对象的深度信息，将待检测对象的轮廓以不同颜色代表不同距离，以获取深度图。深度摄像头可以是面阵摄像头，面阵摄像头以面为单位来进行图像采集，可以一次性获取图像。深度摄像头也可以是线阵摄像头，线阵摄像头在采集待检测对象的深度图时，每次在像面上以行为单位扫描形成一条条线图像，甚至是一幅二维影像，最后沿着待检测对象运动的方向，拼接实现完整的深度图。相比于面阵摄像头，线阵摄像头可以近距离完整采集体积较大的待检测对象的深度图。并且，线阵摄像头的精度高于面阵摄像头。
具体地，当对象形变检测方法具体通过终端执行时，也就是该计算机设备为终端时，终端上安装有深度相机，终端可在该深度相机当前的视野下采集现实场景的深度图。例如，当待检测对象为集装箱侧面时，终端可以采集集装箱侧面对应的深度图。当对象形变检测方法具体通过服务器执行时，也就是该计算机设备为服务器时，服务器可获取终端传输的待检测对象的深度图。
步骤S204，根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域。
其中，深度梯度是指图像中某一像素点的深度值在x和y两个方向上的变化率，变化率是将当前像素点与相邻像素点的深度值进行比较得到。当图像中存在边缘时，边缘的深度值变化较大，那么对应的深度梯度也较大，相反，当图像中存在平滑区域时，平滑区域的深度值变化较小，那么对应的深度梯度也较小。一个像素点的深度梯度可以包括两个数据，一个数据表示x方向上的深度梯度，一个数据表示y方向上的深度梯度。x方向上的深度梯度可以是当前像素点右侧（x加1）的深度值减去当前像素点左侧（x减1）的深度值。目标检测区域是指待检测是否发生形变的区域。
具体地，计算机设备获取到待检测对象的深度图后，可以根据深度图中各个像素点的深度值计算深度图中各个像素点的深度梯度，根据深度图中各个像素点的深度梯度对深度图进行图像分割，将深度图分为至少两个平滑区域，可以将各个平滑区域作为目标检测区域，也可以从各个平滑区域中筛选出目标检测区域。
举例说明，当待检测对象为集装箱侧面时，待检测对象的深度图可以是集装箱侧面深度图。参考图3，集装箱侧面包括五个部分，上侧梁、下侧梁、侧板、左边的角柱与右边的角柱。侧板由波纹板组成，波纹板包括凹陷区域、凸起区域以及斜面区域。计算机设备根据深度图中各个像素点的深度梯度可以切分出上侧梁、下侧梁、侧板、左边的角柱和右边的角柱。参考图3，深度图中x方向表示集装箱侧面的长度方向，y方向表示集装箱侧面的高度方向，计算机设备具体可以根据各个像素点y方向的深度梯度切分出上侧梁、侧板的上边界、侧板的下边界和下侧梁，计算机设备再结合各个像素点x方向的深度梯度切分出左边的角柱、右边的角柱、侧板的左边界和侧板的右边界。可以理解，计算机设备可以将上侧梁、下侧梁、侧板、左边的角柱和右边的角柱分别作为一个目标检测区域，分别进行平面拟合确定形变区域。当然，因为上侧梁、下侧梁、左边的角柱和右边的角柱的坚硬程度远远大于侧板，所以计算机设备可以只是将侧板作为目标检测区域，检测侧板的形变。进一步的，若深度图的采集过程中，集装箱与相机的距离发生变化，例如在集装箱运动过程中采集深度图，出现行车拐弯或者路面不平的情况，线阵摄像头采集的深度图会出现畸变，并且深度图中x方向深度值差异较大，此时直接对侧板整体进行平面拟合检测形变区域，容易导致检测结果不准确。因此，参考图4，计算机设备可以根据各个像素点x方向的深度梯度在侧板中按照区域的凹凸变化切分出一个个小区域，小区域中的x方向深度值变化较小，即切分出侧板中的各个凹陷区域、凸起区域和斜面区域，将侧板中的各个凹陷区域、凸起区域和斜面区域分别作为一个目标检测区域，以提高形变检测准确性。
当检测对象为阶梯时，待检测对象的深度图可以是沿俯视方向的阶梯深度图。阶梯包括连续的凸起区域，各个凸起区域的深度值根据位置排列呈规律变化，依次递增或依次递减。计算机设备根据深度图中各个像素点的深度梯度可以切分出各个凸起区域，计算机设备可以将各个凸起区域分别作为一个目标检测区域。
在一个实施例中，计算机设备在获取到目标检测区域后，可以对目标检测区域进行过滤，去除噪声。计算机设备具体可以是计算目标检测区域的深度均值，过滤目标检测区域中深度值与深度均值差距大于预设阈值的像素点。也可以是通过高斯滤波、双边滤波等滤波方法。
步骤S206，根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。
其中，平面拟合是指根据已知的各个像素点的三维坐标，拟合出平面方程，使得拟合得到的参考平面到所有像素点的距离之和最小。像素点的三维坐标可以用（x，y，z）表示，x可以表示像素点在水平方向的位置，y表示像素点在竖直方向的位置，z表示像素点的深度值。
具体地，计算机设备根据一个目标检测区域内像素点的深度值进行平面拟合，得到该目标检测区域对应的参考平面，参照同样的方法，可以得到各个目标检测区域对应的参考平面。
举例说明，目标检测区域包括X1，X2，……，Xn，以目标检测区域X1为例说明平面拟合过程。在深度图中每一个像素点的三维坐标可以用（x，y，z）表示，目标检测区域X1中像素点的三维坐标可以为（x1n，y1n，z1n），那么目标检测区域X1可以转换为三维空间点集{（x11，y11，z11），（x12，y12，z12），……，（x1n，y1n，z1n）}，目标检测区域X1需要拟合的平面方程为𝑎1x+𝑏1y+𝑐1z=𝐷1，将目标检测区域内的每一个像素点都加入拟合，使用奇异值分解方法得到目标检测区域X1对应的参考平面的平面方程的参数𝑝1为{𝑎1，𝑏1，𝑐1，𝐷1}。依次类推，可以得到各个目标检测区域对应的参考平面的平面方程的参数{𝑝1，𝑝2，……，𝑝n}。
在一个实施例中，计算机设备可以直接根据一个目标检测区域内所有像素点的深度值进行平面拟合，得到该目标检测区域对应的参考平面，但是当该目标检测区域内存在较严重的形变时，这样拟合得到的参考平面准确性不高，容易影响形变检测结果。参考图5，图5为一个实施例中参考平面的示意图，该参考平面对应的目标检测区域存在较大的形变区域，该形变区域的y坐标为0-250。图中是直接根据一个目标检测区域内所有像素点的深度值拟合得到参考平面，但是根据该参考平面确定形变区域，容易导致y坐标为250-500和2500-2700的区域误认为形变区域。因此，计算机设备在进行平面拟合之前，可以对目标检测区域进行形状特征分析，得到各个目标检测区域对应的形状特征。例如，当待检测对象为集装箱侧面时，各个目标检测区域对应的形状特征包括凸起、斜面和凹陷。计算机设备可以对目标检测区域进一步进行图像分割，将目标检测区域进行细分，得到各个目标检测区域对应的目标检测子区域，根据形状特征一致的目标检测子区域的深度值初步筛选出异常目标检测子区域。那么计算机设备在进行平面拟合时，可以滤除目标检测区域内异常目标检测子区域的像素点，根据目标检测区域内剩余像素点进行平面拟合，得到各个目标检测区域对应的参考平面，这样可以提高参考平面的准确性，从而提高形变检测准确性。
步骤S208，根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
具体地，计算机设备根据深度图中各个像素点到对应的参考平面的距离筛选出异常像素点。当像素点到对应的参考平面的距离大于预设阈值时，可以确定该像素点为异常像素点。计算机设备再根据异常像素点的位置分布确定待检测对象对应的形变区域。
举例说明，目标检测区域X1对应的参考平面的参数𝑝1为{𝑎1，𝑏1，𝑐1，𝐷1}，目标检测区域X1内各个像素点的坐标为{（x11，y11，z11），（x12，y12，z12），…，（x1n,y1n,z1n）}，像素点为参考平面的距离公式为
Figure 583686DEST_PATH_IMAGE001
，其中k表示目标检测区域X1内第k个像素点。可以将距离大于预设阈值对应的像素点作为异常像素点，来确定形变区域。
在一个实施例中，计算机设备可以获取待检测对象的彩色图，彩色图和深度图的像素点一一对应。计算机设备可以将检测得到的形变区域在彩色图中进行标注，将标注后的彩色图进行展示，以便相关人员及时获知检测结果，对存在形变的对象进行维修处理。
上述对象形变检测方法中，通过获取待检测对象的深度图；根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域；根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面；根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。这样，根据待检测对象的深度图可以自动检测出形变区域，提高了检测效率，此外，根据深度图中各个像素点的深度变化将待检测对象切分为一个个小的检测区域，根据检测区域内各个像素点到对应的拟合平面的距离判断形变，可以提高检测准确性。
在一个实施例中，如图6所示，根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域，包括：
步骤S602，基于深度梯度的变化度确定分割像素点。
步骤S604，对分割像素点进行直线拟合，得到至少一条分割线。
步骤S606，根据分割线对深度图进行图像分割，得到目标检测区域。
其中，直线拟合是指根据已知的各个分割像素点的二维坐标，拟合出直线方程，使得拟合得到的直线到对应的分割像素点的距离之和最小。可以采用最小二乘法进行直线拟合。分割像素点是指目标检测区域的边缘像素点，可以根据深度梯度的变化度确定。深度梯度的变化度是指图像中某一像素点的深度梯度在x和y两个方向上的变化率，变化率是将当前像素点与相邻像素点的深度梯度进行比较得到。例如，两个x方向上相邻的凸起区域和斜面区域，凸起区域内部像素点的深度值变化较小，近似不变，根据深度值可以确定凸起区域内部像素点的深度梯度较小且近似不变，进而根据深度梯度可以确定凸起区域内部像素点的深度梯度的变化度较小。斜面区域内部像素点的深度值近似均匀变化，根据深度值可以确定斜面区域内部像素点的深度梯度较大且近似不变，进而根据深度梯度可以确定斜面区域内部像素点的深度梯度的变化度较小。但是，凸起区域和斜面区域连接处的像素点的左相邻像素点和右相邻像素点，一个位于凸起区域，深度梯度较小，一个位于斜面区域，深度梯度较大，凸起区域和斜面区域连接处的像素点的深度梯度的变化度较大。因此，当一个像素点的两个相邻像素点的深度梯度差异较大，即该像素点的深度梯度的变化度较大时，可以确定该像素点为异常像素点。
具体地，计算机设备基于深度梯度的变化度可以在深度图中确定分割像素点。计算机设备对分割像素点进行直线拟合，得到至少一条分割线。计算机设备根据分割线对深度图进行图像分割，得到目标检测区域。计算机设备也可以根据分割线对深度图进行图像分割，得到多个初始检测区域，对初始检测区域进行筛选得到目标检测区域。
在一个实施例中，计算机设备在进行直线拟合前，可以根据各个分割像素点的间距对分割像素点进行聚合，得到各个分割像素点集合，对同一分割像素点集合中的分割像素点进行直线拟合，得到各个分割像素点集合对应的分割线。计算机设备具体可以是将间距在预设阈值内的分割像素点归入一个分割像素点集合。计算机设备还可以获取待检测对象对应的标准对象的标准分割结果，将待检测对象的图像分割结果和标准对象的标准分割结果进行比对，确定图像分割的准确性。例如，标准集装箱的分割线为互相垂直的分割线，标准集装箱通过图像分割得到上侧梁、下侧梁、左边的角柱、右边的角柱和侧板的各个凹陷区域、凸起区域和斜面区域，区域总数是确定的。若待检测集装箱的分割线为近似互相垂直的分割线，待检测集装箱通过图像分割得到区域总数和标准集装箱通过图像分割得到区域总数相同，则确定图像分割成功。
本实施例中，通过基于深度梯度的变化度确定分割像素点，对分割像素点进行直线拟合，得到至少一条分割线，根据分割线对深度图进行图像分割，得到目标检测区域。这样，基于深度梯度的变化度能够自动从深度图中分割得到目标检测区域，图像分割效率高，有助于提高形变检测效率。
在一个实施例中，如图7所示，根据分割线对深度图进行图像分割，得到目标检测区域，包括：
步骤S702，根据分割线对深度图进行图像分割，得到多个初始检测区域。
步骤S704，获取方向相同的依次相邻的连续多个初始检测区域，得到各个目标检测区域，各个目标检测区域的深度值根据位置排列呈规律变化。
步骤S706，获取与目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。
具体地，计算机设备根据分割线对深度图进行图像分割，可以得到多个初始检测区域。计算机设备从初始检测区域中获取方向相同的依次相邻的连续多个初始检测区域，一个初始检测区域作为一个目标检测区域，得到各个目标检测区域。各个目标检测区域的深度值根据位置排列呈规律变化。计算机设备从初始检测区域中获取与目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。可以理解，若初始检测区域中不存在与目标检测区域的方向呈垂直角度的初始检测区域，则没有参考检测区域。
举例说明，待检测对象为集装箱侧面，计算机设备根据分割线可以分割出上侧梁、下侧梁、左边的角柱、右边的角柱和侧板的各个凹陷区域、凸起区域和斜面区域这样的初始检测区域。侧板的各个凹陷区域、斜面区域和凸起区域是按照凹陷、斜面和凸起这样循环排列的，并且凹陷区域、斜面区域和凸起区域的深度值是依次规律变化的，凹陷区域的深度值近似不变且深度值最大，斜面区域的深度值近似均匀变化且介于凹陷区域和凸起区域之间，凸起区域的深度值近似不变且最小。侧板中与左边的角柱、右边的角柱的相连区域一定是凹陷区域。因此，计算机设备可以从初始检测区域中获取方向相同的依次相邻的连续多个初始检测区域，得到各个凹陷区域、斜面区域和凸起区域，并且各个凹陷区域、斜面区域和凸起区域的深度值根据位置排列呈规律变化。此外，上侧梁、下侧梁和左边的角柱、右边的角柱和侧板的各个凹陷区域、凸起区域和斜面区域是互相垂直的，因此计算机设备可以获取与目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。
举例说明，待检测对象为无立柱部分的高速公路波形护栏，只包括凹陷区域、斜面区域和凸起区域。计算机设备根据分割线可以分割出各个凹陷区域、斜面区域和凸起区域。计算机设备可以从初始检测区域中获取方向相同的依次相邻的连续多个初始检测区域，得到各个凹陷区域、斜面区域和凸起区域。此外，由于不存在与目标检测区域的方向呈垂直角度的初始检测区域，因此没有参考检测区域。
本实施例中，根据分割线对深度图进行图像分割，得到多个初始检测区域，获取方向相同的依次相邻的连续多个初始检测区域，得到各个目标检测区域，各个目标检测区域的深度值根据位置排列呈规律变化，获取与目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。这样，根据各个初始检测区域的位置排列和深度值可以从初始检测区域中快速筛选出目标检测区域。
在一个实施例中，如图8所示，根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面，包括：
步骤S802，沿着目标检测区域的位置排列方向形成分割线对各个目标检测区域进行图像分割，得到各个目标检测区域对应的目标检测子区域。
具体地，计算机设备可以沿着目标检测区域的位置排列方向形成分割线对各个目标检测区域进行图像分割，得到各个目标检测区域对应的目标检测子区域。例如，若目标检测区域是沿着x方向依次相邻排列的，那么可以沿着x方向形成分割线对各个目标检测区域进行图像分割。计算机设备可以进行一次图像分割，得到各个目标检测区域对应的两个目标检测子区域，计算机设备也可以进行n次图像分割，得到各个目标检测区域对应的n+1个目标检测子区域。
步骤S804，根据相邻目标检测区域内像素点的深度统计值，确定各个目标检测区域的形状特征。
其中，深度统计值可以是目标检测区域内所有像素点的深度值的平均值，也可以是目标检测区域内预设数目个像素点的深度值的平均值。形状特性包括凹陷、斜面和凸起中的至少一种。
具体地，计算机设备可以根据相邻目标检测区域内像素点的深度统计值，确定各个目标检测区域的形状特征。
举例说明，待检测对象为集装箱侧面，凹陷区域、斜面区域和凸起区域是按照凹陷、斜面和凸起这样循环排列的，凹陷区域的深度均值最大，斜面区域的深度均值次之，凸起区域的深度均值最小。若当前目标检测区域的深度均值介于当前目标检测区域的两个相邻目标检测区域的深度值之间，确定该当前目标检测区域的形状特征为斜面。若当前目标检测区域的深度均值大于当前目标检测区域的两个相邻目标检测区域的深度值，确定该当前目标检测区域的形状特征为凹陷。若当前目标检测区域的深度均值小于当前目标检测区域的两个相邻目标检测区域的深度值，确定该当前目标检测区域的形状特征为凸起。由此，计算机设备可以确定各个目标检测区域的形状特征。
步骤S806，根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性。
其中，区域有效性是用于判断目标检测子区域是否有效，是否为正常区域，是否可以用于平面拟合。当目标检测子区域对应的深度统计值满足预设条件时，确定该目标检测子区域为有效、正常的目标检测子区域，可以用于平面拟合。当目标检测子区域对应的深度统计值不满足预设条件时，确定该目标检测子区域为无效、异常的目标检测子区域，在平面拟合时，需要滤除。
具体地，计算机设备沿着目标检测区域的位置排列方向形成分割线对各个目标检测区域进行图像分割，可以得到对应的分割区域。例如，若沿着x方向形成分割线进行一次图像分割，可以得到沿着y方向相邻的两个分割区域。计算机设备可以根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性。例如，计算第一分割区域内形状特征为凸起的各个目标检测子区域内像素点的深度均值的平均值。当该分割区域内形状特征为凸起的目标检测子区域内像素点的深度均值与该平均值的差异小于预设阈值时，确定该目标检测子区域为有效的目标检测子区域。计算机设备在确定各个目标检测子区域的区域有效性时，还可以借助参考区域来提高准确性。
步骤S808，根据区域有效性对同一目标检测区域内有效的目标检测子区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。
具体地，当确定各个目标检测子区域的区域有效性后，计算机设备可以根据同一目标检测区域内有效的目标检测子区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。
本实施例中，沿着目标检测区域的位置排列方向形成分割线对各个目标检测区域进行图像分割，得到各个目标检测区域对应的目标检测子区域，根据相邻目标检测区域内像素点的深度统计值，确定各个目标检测区域的形状特征，根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性，根据区域有效性对同一目标检测区域内有效的目标检测子区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。这样，根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值筛选出有效的目标检测子区域，根据有效的目标检测子区域进行平面拟合，可以得到更准确的参考平面，从而提高形变检测准确性。
在一个实施例中，如图9所示，根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性，包括：
步骤S902，将同一分割区域内形状特征一致的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到各个分割区域内各个形状特征对应的关联子区域集合。
步骤S904，根据各个关联子区域集合中各个目标检测子区域对应的深度统计值得到各个关联子区域集合对应的第一参考值。
步骤S906，当目标检测子区域内像素点的深度统计值与对应的第一参考值的差距小于第一预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
具体地，计算机设备可以将同一分割区域内形状特征一致的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到各个分割区域内各个形状特征对应的关联子区域集合。计算机设备可以根据各个关联子区域集合中各个目标检测子区域对应的深度统计值得到各个关联子区域集合对应的第一参考值，具体可以是计算各个关联子区域集合中各个目标检测子区域对应的深度均值的平均值，将各个关联子区域集合计算得到的平均值作为各个关联子区域集合对应的第一参考值。当目标检测子区域内像素点的深度统计值与对应的第一参考值的差距小于第一预设阈值时，计算机设备可以确定该目标检测子区域为有效的目标检测子区域。由此，计算机设备可以从所有的目标检测子区域中筛选出各个有效的目标检测子区域，后续根据各个有效的目标检测子区域进行平面拟合。其中，第一预设阈值可以根据实际需求进行设置。
举例说明，分割区域包括第一分割区域和第二分割区域。将第一分割区域内形状特征为凸起的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到关联子区域集合A1；将第一分割区域内形状特征为斜面的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到关联子区域集合A2；将第一分割区域内形状特征为凹陷的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到关联子区域集合A3。将第二分割区域内形状特征为凸起的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到关联子区域集合B1；将第二分割区域内形状特征为斜面的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到关联子区域集合B2；将第二分割区域内形状特征为凹陷的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到关联子区域集合B3。计算关联子区域集合A1内各个目标检测子区域的深度均值的平均值，得到平均值a1。当关联子区域集合A1内某一个目标检测子区域的深度均值和平均值a1的差值小于第一预设阈值时，确定该目标检测子区域为有效的目标检测子区域。以此类推，从所有关联子区域集合中筛选出所有有效的目标检测子区域。
本实施例中，将同一分割区域内形状特征一致的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到各个分割区域内各个形状特征对应的关联子区域集合，根据各个关联子区域集合中各个目标检测子区域对应的深度统计值得到各个关联子区域集合对应的第一参考值，当目标检测子区域内像素点的深度统计值与对应的第一参考值的差距小于第一预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。这样，根据目标检测子区域内像素点的深度统计值与对应的第一参考值的差距可以快速确定目标检测子区域的深度有效性，提高后续平面拟合的准确性。
在一个实施例中，如图10所示，根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性，包括：
步骤S1002，沿着相邻目标检测区域的分割线方向对参考检测区域进行图像分割，得到参考检测区域对应的参考检测子区域；参考检测子区域和目标检测区域一一对应。
步骤S1004，获取目标检测子区域内像素点的深度统计值与对应的参考子区域内像素点的深度统计值的差异作为统计值差异，得到各个目标检测子区域对应的统计值差异。
步骤S1006，根据各个关联子区域集合中各个目标检测子区域对应的统计值差异得到各个关联子区域集合对应的第二参考值。
步骤S1008，当目标检测子区域对应的统计值差异与对应的第二参考值的差距小于第二预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
具体地，当存在参考检测子区域时，可以通过参考检测子区域辅助确定目标检测子区域的区域有效性。计算机设备可以沿着相邻目标检测区域的分割线方向对参考检测区域进行图像分割，也就是通过延长相邻目标检测区域的分割线对参考检测区域进行图像分割，得到参考检测区域对应的参考检测子区域。一个参考检测子区域对应一个目标检测区域。计算机设备可以获取目标检测子区域内像素点的深度统计值与对应的参考子区域内像素点的深度统计值的差异作为统计值差异，得到各个目标检测子区域对应的统计值差异，具体可以是计算目标检测子区域内像素点的深度均值与对应的参考子区域内像素点的深度均值的差值绝对值作为统计值差异。计算机设备可以根据各个关联子区域集合中各个目标检测子区域对应的统计值差异得到各个关联子区域集合对应的第二参考值，具体可以是计算各个关联子区域集合中各个目标检测子区域对应的统计值差异的平均值，将各个关联子区域集合计算得到的平均值作为各个关联子区域集合对应的第二参考值。当目标检测子区域对应的统计值差异与对应的第二参考值的差距小于第二预设阈值时，计算机设备可以确定该目标检测子区域为有效的目标检测子区域。由此，计算机设备可以从所有的目标检测子区域中筛选出各个有效的目标检测子区域，后续根据各个有效的目标检测子区域进行平面拟合。其中，第二预设阈值可以根据实际需求进行设置。例如，第二预设阈值为10毫米。
举例说明，待检测对象为集装箱侧面，若在采集深度图时，集装箱的运输车辆在拐弯，那么采集得到的深度图在x方向上的深度值会出现较大变化，此时可以通过参考检测子区域辅助确定目标检测子区域的区域有效性，提高区域有效性的确定准确性，因为y方向并不会因为拐弯而引起深度变化。按照侧板的分割结果，延长侧板内部的分割线，对上侧梁和下侧梁进行进一步切分，得到各个凹陷区域、斜面区域和凸起区域对应的上侧梁子区域和下侧梁子区域。沿着x方向对侧板进行图像分割，得到五个分割区域。参考图11，图11中虚线表示侧板内部的分割线，上侧梁中的一个矩形表示一个上侧梁子区域，下侧梁中的一个矩形表示一个下侧梁子区域，侧板中的一个小矩形表示一个侧板子区域。以形状特征为凹陷的侧板子区域为例说明确定侧板子区域的区域有效性的过程。第一个分割区域内形状特征为凹陷的侧板子区域的深度均值为{d11，d12，……，d1n}，对应的上侧梁子区域深度平均值为{dA1，dA2，……，dAn}，计算深度均值的差值为{dA1-d11，dA2-d12，……，dAn-d1n}。第二个分割区域内形状特征为凹陷的侧板子区域的深度均值为{d21，d22，……，d2n}，对应的上侧梁子区域深度平均值为{dA1，dA2，……，dAn}，计算深度均值的差值为{dA1-d21，dA2-d22，……，dAn-d2n}。第三个分割区域内形状特征为凹陷的侧板子区域的深度均值为{d31，d32，……，d3n}，对应的上侧梁子区域深度平均值为{dA1，dA2，……，dAn}，计算深度均值的差值为{dA1-d31，dA2-d32，……，dAn-d3n}。第四个分割区域内形状特征为凹陷的侧板子区域的深度均值为{d41，d42，……，d4n}，对应的下侧梁子区域深度平均值为{dB1，dB2，……，dBn}，计算深度均值的差值为{dB1-d41，dB2-d42，……，dBn-d4n}。第五个分割区域内形状特征为凹陷的侧板子区域的深度均值为{d51，d52，……，d5n}，对应的下侧梁子区域深度平均值为{dB1，dB2，……，dBn}，计算深度均值的差值为{dB1-d51，dB2-d52，……，dBn-d5n}。通常情况下，集装箱侧板的大部分区域都是没有形变的，那么统计{dA1-d21，dA2-d22，……，dAn-d2n}的平均值a，当第一个分割区域内形状特征为凹陷的侧板子区域的深度均值偏离平均值a较多时，确定该侧板子区域是异常区域，反之，确定该侧板子区域是有效区域。当同一凹陷区域的5个侧板子区域均为有效区域时，根据该凹陷区域内所有像素点进行平面拟合，得到对应的参考平面。当同一凹陷区域只有3个侧板子区域为有效区域时，根据该3个侧板子区域内所有像素点进行平面拟合，得到对应的参考平面。
本实施例中，沿着相邻目标检测区域的分割线方向对所述参考检测区域进行图像分割，得到所述参考检测区域对应的参考检测子区域；所述参考检测子区域和所述目标检测区域一一对应，获取目标检测子区域内像素点的深度统计值与对应的参考子区域内像素点的深度统计值的差异作为统计值差异，得到各个目标检测子区域对应的统计值差异，根据各个关联子区域集合中各个目标检测子区域对应的统计值差异得到各个关联子区域集合对应的第二参考值，当目标检测子区域对应的统计值差异与对应的第二参考值的差距小于第二预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。这样，通过参考检测子区域辅助确定目标检测子区域的区域有效性，可以提高区域有效性的确定准确率。
在一个实施例中，根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域，包括：当深度图中像素点到对应的参考平面的距离大于第三预设阈值时，确定对应的像素点为异常像素点；根据各个异常像素点的间距对异常像素点进行聚合，根据聚合结果确定关联像素点集合；根据关联像素点集合中像素点的位置分布确定形变区域。
具体地，计算机设备可以根据深度图中各个像素点到对应的参考平面的距离从所有像素点中筛选出异常像素点，具体可以是当深度图中像素点到对应的参考平面的距离大于第三预设阈值时，确定对应的像素点为异常像素点。筛选出所有的异常像素点后，计算机设备根据各个异常像素点的间距对异常像素点进行聚合，根据聚合结果确定关联像素点集合，具体可以是获取像素间距小于第四预设阈值的异常像素点组成关联像素点，归入同一个关联像素点集合，得到各个关联像素点集合。计算机设备根据关联像素点集合中像素点的位置分布，获取边缘像素点的最大外接图形作为形变区域。外接图形可以是外接矩形、外接圆、外接多边形等。
本实施例中，当深度图中像素点到对应的参考平面的距离大于第三预设阈值时，确定对应的像素点为异常像素点；根据各个异常像素点的间距对异常像素点进行聚合，根据聚合结果确定关联像素点集合；根据关联像素点集合中像素点的位置分布确定形变区域。这样，根据像素点到对应的参考平面的距离可以快速确定异常像素点，根据异常像素点的间距和位置分布可以快速确定形变区域，从而提高形变检测效率。
在一个实施例中，对象形变检测方法还包括：获取深度图对应的彩色图；将形变区域在彩色图中进行标注；展示标注后的彩色图。
其中，彩色图是处于彩色空间中的图像，可基于不同的灰度值呈现出不同颜色。彩色图具体可以是对应多个通道的图像，比如RGB图像(R表示Red，红色；G表示Green，绿色；B表示Blue，蓝色)、CMYK图像(C表示Cyan，青色；M表示Magenta ，品红色；Y表示Yellow，黄色；K表示blacK，黑色)或YUV图像(Y表示Luminance，明亮度；U和Y表示Chrominance，色度)等。深度图和彩色图的像素点一一对应。
具体地，计算机设备可通过内置的图像采集装置，或者外置的与计算机设备关联的图像采集装置，采集待检测对象的彩色图。图像采集装置具体可以为彩色摄像头，彩色摄像头可以是面阵摄像头、也可以是线阵摄像头。计算机设备确定形变区域后，将形变区域在彩色图中相应位置标注出来，并将标注后的彩色图进行展示。计算机设备可以在本地展示标注后的彩色图，也可以将标注后的彩色图发送至维修人员的终端，在维修人员的终端进行展示，以通知维修人员及时进行检修。
在一个实施例中，计算机设备可以获取深度摄像头与彩色摄像头之间的双目标定信息，检测深度图与彩色图的相同特征点，根据双目标定信息校正相同特征点在深度图与彩色图中的位置。具体地，摄像头在出厂之前，需要对摄像头进行标定得到摄像头的标定信息，从而摄像头可以根据标定信息对图像进行处理，使得处理后的图像可以准确还原三维空间中的物体。双目标定信息包含深度摄像头与彩色摄像头之间的外参。双目标定信息可以用于消除由于深度摄像头与彩色摄像头的位置不同而引起的得到的深度图像与彩色图像中被拍摄物体的位置存在偏差的问题。特征点是指图像中具有鲜明特性并能够标识图像中待检测对象的点。计算机设备可以通过尺度不变特征转换(Scale-invariant featuretransform，SIFT)方法或加速鲁棒特征(Speed Up Robust Features，SURF)方法等检测深度图与彩色图的相同特征点。计算机设备可以检测彩色图包含的特征点，利用立体匹配算法检测各个特征点在深度图中对应的特征点。计算机设备可以根据双目标定信息对深度图与彩色图的相同特征点的位置进行调整，使得相同特征点在深度图与彩色图中水平对齐。计算机设备可以在根据双目标定信息对初始深度图像与彩色图像进行校正处理后，再在彩色图中标注形变区域，可以提高形变区域的标注效率和准确性。
在一个实施例中，将形变区域在彩色图中进行标注，包括：根据形变区域内像素点到对应的参考平面的距离确定形变区域的形变程度；获取形变程度对应的标注参数；根据标注参数，将形变区域在彩色图中进行标注。
其中，标注参数决定了形变区域的显示形态，可以包括形变区域的颜色、线条样式、动态显示或静态显示、字体样式等。例如，形变区域的形变程度为17毫米，该形变区域的标注参数可以为形变区域的边框线条为实线、线条颜色为红色、形变区域的填充颜色为无，形变区域的填充字体为17毫米。
具体地，计算机设备可以根据形变区域内像素点到对应的参考平面的距离确定形变区域的形变程度，具体可以将形变区域内像素点到对应的参考平面的距离最大值作为形变区域的形变程度，也可以将形变区域内像素点到对应的参考平面的距离平均值作为形变区域的形变程度，也可以将形变区域内像素点到对应的参考平面的距离最小值和距离最大值作为形变区域的形变程度。计算机设备可以获取该形变程度对应的标注参数，根据标注参数，将形变区域在彩色图中进行标注。计算机设备具体可以从预先设置的标注参数集合中获取该形变程度对应的标注参数，标注参数集合包括不同形变程度对应的候选标注参数，例如形变程度A对应标注参数a，形变程度B对应标注参数b。计算机设备也可以对所有形变区域的形变程度进行排序，按照排序结果依次对各个形变区域设置不同的形变参数，例如形变程度最大的形变区域的边框线条最粗，形变程度最小的形变区域的边框线条最细。
本实施例中，根据形变区域内像素点到对应的参考平面的距离确定形变区域的形变程度，获取形变程度对应的标注参数，根据标注参数，将形变区域在彩色图中进行标注。这样，不同形变程度的形变区域可以在彩色图中区别显示，以便维修人员区分不同的形变区域，提高维修人员的信息获取效率。
本申请还提供一种应用场景，该应用场景应用上述的对象形变检测方法。具体地，该对象形变检测方法在该应用场景的应用如下：
参考图12，在集装箱的运输入场口安装深度摄像头和彩色摄像头，通过深度摄像头采集运动中的集装箱侧面的深度图，通过彩色摄像头采集运动中的集装箱侧面的彩色图。
计算机设备获取集装箱的深度图，根据深度图中各个像素点的深度梯度对深度图进行区域分割，将集装箱侧面切分为上侧梁、下侧梁、侧板、左边的角柱与右边的角柱，侧板可以进一步细分为各个凹陷区域、斜面区域以及凸起区域。侧板的各个凹陷区域、斜面区域以及凸起区域可以表示为{X1，Y1，K1，X2，Y2，K2，……，Xn，Yn，Kn}，Xn表示凹陷区域、Yn表示斜面区域，Kn表示凸起区域。上侧梁、下侧梁可以进一步细分为与各个凹陷区域、斜面区域以及凸起区域对应的上侧梁子区域和下侧梁子区域。上侧梁子区域可以表示为{M1，M2，……，M3n}，下侧梁子区域可以表示为{N1，N2，……，N3n}，M1、N1和X1对应，M2、N2和Y1对应，……，M3n、N3n和Kn对应。
计算机设备可以沿着凹陷区域、斜面区域以及凸起区域的位置排列方向形成分割线对侧板进行进一步分割，得到五个分割区域，可以将离侧板下边界坐标差值小于40的为区域作为第一分割区域，离侧板下边界坐标差值40~400作为第二分割区域，离侧板上边界坐标差值小于40作为第三分割区域，离侧板上边界坐标差值在40~400作为第四分割区域，剩下区域为第五分割区域。每个分割区域包括各个凹陷区域的一个凹陷子区域、各个斜面区域的一个斜面子区域以及各个凸起区域的一个凸起子区域。
计算机设备可以根据同一分割区域内的各个凹陷子区域的深度均值和对应的上侧梁子区域或下梁子区域确定该分割区域内的各个凹陷子区域的区域有效性。计算机设备计算同一分割区域内的各个凹陷子区域的深度均值和对应的上侧梁子区域的深度均值的差值，得到同一分割区域内的各个凹陷子区域对应的统计值差异，计算各个凹陷子区域对应的统计值差异的平均值作为参考值，当该分割区域内某一凹陷子区域对应的统计值差异偏离参考值较多时，确定该凹陷子区域为异常区域，反之，为有效区域。以此类推，筛选出所有有效的凹陷子区域、斜面子区域和凸起子区域。获取同一凹陷区域内各个有效的凹陷子区域的像素点的深度值，进行平面拟合，得到该凹陷区域对应的参考平面，当该凹陷区域内存在像素点到该参考平面的距离大于预设阈值时，确定该像素点为异常像素点。以此类推，筛选出所有异常像素点。对像素间距小于间距阈值的异常像素点组合在一起，取最大外接矩形作为一个形变区域，得到所有的形变区域。最终可以将形变区域在对应的彩色图中标注出来，并进行展示。不同形变程度的形变区域可以区别标注，参考图13，图中矩形框出的部分为形变区域，实线矩形框1302和虚线矩形框1304对应不同的形变程度。
通过本申请的对象形变检测方法，无论原始图片质量的好坏，我们均能得到准确的形变检测结果。例如，由于采集图像时集装箱存在大幅拐弯，彩色图和深度图的图像畸变较为严重，此时通过细分侧板就能够准确检测出形变区域。
上述对象形变检测方法中，可以自动检测对象的形变，鲁棒性高，检测速度快，检测精度高，可以大幅减少人工工作量。并且，无需对象处于静止状态，对于运动状态的对象也能有效检测形变，大幅降低了时间成本。此外，通过设置简单的彩色摄像头与深度摄像头就能够采集图像来检测形变，无需复杂的仪器设备，降低了成本。
应该理解的是，虽然图2、图6至图10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图6至图10中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图14所示，提供了一种对象形变检测装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：深度图获取模块1402、图像分割模块1404、平面拟合模块1406和形变区域确定模块1408，其中：
深度图获取模块1402，用于获取待检测对象的深度图；
图像分割模块1404，用于根据深度图中各个像素点的深度梯度对深度图进行图像分割，得到目标检测区域；
平面拟合模块1406，用于根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面；
形变区域确定模块1408，用于根据深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据异常像素点确定待检测对象对应的形变区域。
在一个实施例中，图像分割模块还包括：
分割像素点确定单元，用于基于深度梯度的变化度确定分割像素点。
分割线确定单元，用于对分割像素点进行直线拟合，得到至少一条分割线。
目标检测区域确定单元，用于根据分割线对深度图进行图像分割，得到目标检测区域。
在一个实施例中，目标检测区域确定单元还用于根据分割线对深度图进行图像分割，得到多个初始检测区域；获取方向相同的依次相邻的连续多个初始检测区域，得到各个目标检测区域，所述各个目标检测区域的深度值根据位置排列呈规律变化；获取与目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。
在一个实施例中，平面拟合模块还包括：
目标检测子区域确定单元，用于沿着目标检测区域的位置排列方向形成分割线对各个目标检测区域进行图像分割，得到各个目标检测区域对应的目标检测子区域。
形状特征确定单元，用于根据相邻目标检测区域内像素点的深度统计值，确定各个目标检测区域的形状特征。
区域有效性确定单元，用于根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性。
参考平面确定单元，用于根据区域有效性对同一目标检测区域内有效的目标检测子区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。
在一个实施例中，区域有效性确定单元还用于将同一分割区域内形状特征一致的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到各个分割区域内各个形状特征对应的关联子区域集合；根据各个关联子区域集合中各个目标检测子区域对应的深度统计值得到各个关联子区域集合对应的第一参考值；当目标检测子区域内像素点的深度统计值与对应的第一参考值的差距小于第一预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
在一个实施例中，区域有效性确定单元还用于沿着相邻目标检测区域的分割线方向对参考检测区域进行图像分割，得到参考检测区域对应的参考检测子区域；参考检测子区域和所述目标检测区域一一对应；获取目标检测子区域内像素点的深度统计值与对应的参考子区域内像素点的深度统计值的差异作为统计值差异，得到各个目标检测子区域对应的统计值差异；根据各个关联子区域集合中各个目标检测子区域对应的统计值差异得到各个关联子区域集合对应的第二参考值；当目标检测子区域对应的统计值差异与对应的第二参考值的差距小于第二预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
在一个实施例中，形变区域确定模块还用于当深度图中像素点到对应的参考平面的距离大于第三预设阈值时，确定对应的像素点为异常像素点；根据各个异常像素点的间距对异常像素点进行聚合，根据聚合结果确定关联像素点集合；根据关联像素点集合中像素点的位置分布确定形变区域。
在一个实施例中，如图15所示，对象形变检测装置还包括：
形变标注模块1410，用于获取深度图对应的彩色图；将形变区域在彩色图中进行标注；展示标注后的彩色图。
在一个实施例中，形变标注模块还用于根据形变区域内像素点到对应的参考平面的距离确定形变区域的形变程度；获取形变程度对应的标注参数；根据标注参数，将形变区域在彩色图中进行标注。
关于对象形变检测装置的具体限定可以参见上文中对于对象形变检测方法的限定，在此不再赘述。上述对象形变检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测对象的深度图、彩色图和形变区域等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象形变检测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏、输入装置和图像采集装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种对象形变检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。该计算机设备的图像采集装置可以是深度摄像机，也可以是彩色摄像机，可以是面阵摄像机，也可以是线阵摄像机。
本领域技术人员可以理解，图16、17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种对象形变检测方法，其特征在于，所述方法包括：
获取待检测对象的深度图；
根据所述深度图中各个像素点的深度梯度对所述深度图进行图像分割，得到目标检测区域；
根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个所述目标检测区域对应的参考平面；
根据所述深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据所述异常像素点确定所述待检测对象对应的形变区域。
2.根据权利要求1所述的方法，其特征在于，所述根据所述深度图中各个像素点的深度梯度对所述深度图进行图像分割，得到目标检测区域，包括：
基于深度梯度的变化度确定分割像素点；
对所述分割像素点进行直线拟合，得到至少一条分割线；
根据所述分割线对所述深度图进行图像分割，得到所述目标检测区域。
3.根据权利要求2所述的方法，其特征在于，所述根据所述分割线对所述深度图进行图像分割，得到所述目标检测区域，包括：
根据所述分割线对所述深度图进行图像分割，得到多个初始检测区域；
获取方向相同的依次相邻的连续多个初始检测区域，得到各个目标检测区域，所述各个目标检测区域的深度值根据位置排列呈规律变化；
获取与所述目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。
4.根据权利要求3所述的方法，其特征在于，所述根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个所述目标检测区域对应的参考平面，包括：
沿着所述目标检测区域的位置排列方向形成分割线对所述各个目标检测区域进行图像分割，得到各个目标检测区域对应的目标检测子区域；
根据相邻目标检测区域内像素点的深度统计值，确定所述各个目标检测区域的形状特征；
根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性；
根据区域有效性对同一目标检测区域内有效的目标检测子区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。
5.根据权利要求4所述的方法，其特征在于，所述根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性，包括：
将同一分割区域内形状特征一致的各个目标检测子区域作为关联子区域，归入同一个关联子区域集合，得到各个分割区域内各个形状特征对应的关联子区域集合；
根据各个关联子区域集合中各个目标检测子区域对应的深度统计值得到各个关联子区域集合对应的第一参考值；
当目标检测子区域内像素点的深度统计值与对应的第一参考值的差距小于第一预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
6.根据权利要求4所述的方法，其特征在于，所述根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性，包括：
沿着相邻目标检测区域的分割线方向对所述参考检测区域进行图像分割，得到所述参考检测区域对应的参考检测子区域；所述参考检测子区域和所述目标检测区域一一对应；
获取目标检测子区域内像素点的深度统计值与对应的参考子区域内像素点的深度统计值的差异作为统计值差异，得到各个目标检测子区域对应的统计值差异；
根据各个关联子区域集合中各个目标检测子区域对应的统计值差异得到各个关联子区域集合对应的第二参考值；
当目标检测子区域对应的统计值差异与对应的第二参考值的差距小于第二预设阈值时，确定对应的目标检测子区域为有效的目标检测子区域。
7.根据权利要求1所述的方法，其特征在于，所述根据所述深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据所述异常像素点确定所述待检测对象对应的形变区域，包括：
当所述深度图中像素点到对应的参考平面的距离大于第三预设阈值时，确定对应的像素点为异常像素点；
根据各个异常像素点的间距对异常像素点进行聚合，根据聚合结果确定关联像素点集合；
根据所述关联像素点集合中像素点的位置分布确定所述形变区域。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述深度图对应的彩色图；
将所述形变区域在所述彩色图中进行标注；
展示标注后的彩色图。
9.根据权利要求8所述的方法，其特征在于，所述将所述形变区域在所述彩色图中进行标注，包括：
根据所述形变区域内像素点到对应的参考平面的距离确定所述形变区域的形变程度；
获取所述形变程度对应的标注参数；
根据所述标注参数，将所述形变区域在所述彩色图中进行标注。
10.一种对象形变检测装置，其特征在于，所述装置包括：
深度图获取模块，用于获取待检测对象的深度图；
图像分割模块，用于根据所述深度图中各个像素点的深度梯度对所述深度图进行图像分割，得到目标检测区域；
平面拟合模块，用于根据同一目标检测区域内像素点的深度值进行平面拟合，得到各个所述目标检测区域对应的参考平面；
形变区域确定模块，用于根据所述深度图中各个像素点到对应的参考平面的距离确定异常像素点，根据所述异常像素点确定所述待检测对象对应的形变区域。
11.根据权利要求10所述的装置，其特征在于，所述图像分割模块还包括：
分割像素点确定单元，用于基于深度梯度的变化度确定分割像素点；
分割线确定单元，用于对所述分割像素点进行直线拟合，得到至少一条分割线；
目标检测区域确定单元，用于根据所述分割线对所述深度图进行图像分割，得到所述目标检测区域。
12.根据权利要求11所述的装置，其特征在于，所述目标检测区域确定单元还用于根据所述分割线对所述深度图进行图像分割，得到多个初始检测区域；获取方向相同的依次相邻的连续多个初始检测区域，得到各个目标检测区域，所述各个目标检测区域的深度值根据位置排列呈规律变化；获取与所述目标检测区域的方向呈垂直角度的初始检测区域作为参考检测区域。
13.根据权利要求12所述的装置，其特征在于，所述平面拟合模块还包括：
目标检测子区域确定单元，用于沿着所述目标检测区域的位置排列方向形成分割线对所述各个目标检测区域进行图像分割，得到各个目标检测区域对应的目标检测子区域；
形状特征确定单元，用于根据相邻目标检测区域内像素点的深度统计值，确定所述各个目标检测区域的形状特征；
区域有效性确定单元，用于根据同一分割区域内形状特征一致的各个目标检测子区域内像素点的深度统计值，确定各个目标检测子区域的区域有效性；
参考平面确定单元，用于根据区域有效性对同一目标检测区域内有效的目标检测子区域内像素点的深度值进行平面拟合，得到各个目标检测区域对应的参考平面。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
15.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
CN202011068833.3A 2020-10-09 2020-10-09 对象形变检测方法、装置、计算机设备和存储介质 Active CN111932537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011068833.3A CN111932537B (zh) 2020-10-09 2020-10-09 对象形变检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011068833.3A CN111932537B (zh) 2020-10-09 2020-10-09 对象形变检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111932537A true CN111932537A (zh) 2020-11-13
CN111932537B CN111932537B (zh) 2021-01-15

Family

ID=73334314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011068833.3A Active CN111932537B (zh) 2020-10-09 2020-10-09 对象形变检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111932537B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288819A (zh) * 2020-11-20 2021-01-29 中国地质大学（武汉） 多源数据融合的视觉引导机器人抓取及分类系统及方法
CN112445380A (zh) * 2020-12-08 2021-03-05 安徽鸿程光电有限公司 一种红外触控控制方法、装置及一体机
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
CN113284137A (zh) * 2021-06-24 2021-08-20 中国平安人寿保险股份有限公司 纸张褶皱检测方法、装置、设备及存储介质
CN113393448A (zh) * 2021-06-25 2021-09-14 腾讯云计算（北京）有限责任公司 一种形变检测方法、装置、设备及计算机可读存储介质
CN113409282A (zh) * 2021-06-25 2021-09-17 腾讯云计算（北京）有限责任公司 箱式结构的形变检测方法、装置、电子设备及存储介质
CN113705557A (zh) * 2021-08-30 2021-11-26 上海西井信息科技有限公司 集装箱后箱门门柱的检测方法、系统、设备及存储介质
CN113724259A (zh) * 2021-11-03 2021-11-30 城云科技（中国）有限公司 井盖异常检测方法、装置及其应用
CN114943778A (zh) * 2022-07-26 2022-08-26 广州镭晨智能装备科技有限公司 基准面确定方法、检测方法、装置、设备和存储介质
CN115035104A (zh) * 2022-08-09 2022-09-09 启东市罗源光伏设备有限公司 基于多维度感知的光伏板形变智能预测方法及系统
CN115830029A (zh) * 2023-02-21 2023-03-21 山东水利建设集团有限公司 一种基于计算机视觉的弹簧土检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104581124A (zh) * 2013-10-29 2015-04-29 汤姆逊许可公司 产生场景的深度图的方法和装置
CN107358183A (zh) * 2017-06-30 2017-11-17 广东欧珀移动通信有限公司 虹膜活体检测方法及相关产品
CN110532840A (zh) * 2018-05-25 2019-12-03 深圳市优必选科技有限公司 一种方形物体的形变识别方法、装置及设备
WO2020076336A1 (en) * 2018-10-12 2020-04-16 Electric Power Research Institute, Inc. Method for measuring surface characteristics in optically distorting media
CN111145167A (zh) * 2019-12-30 2020-05-12 杭州艾芯智能科技有限公司 平整度检测方法、装置、计算机设备和存储介质
CN111354075A (zh) * 2020-02-27 2020-06-30 青岛联合创智科技有限公司 一种三维重建中前景降干扰提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104581124A (zh) * 2013-10-29 2015-04-29 汤姆逊许可公司 产生场景的深度图的方法和装置
CN107358183A (zh) * 2017-06-30 2017-11-17 广东欧珀移动通信有限公司 虹膜活体检测方法及相关产品
CN110532840A (zh) * 2018-05-25 2019-12-03 深圳市优必选科技有限公司 一种方形物体的形变识别方法、装置及设备
WO2020076336A1 (en) * 2018-10-12 2020-04-16 Electric Power Research Institute, Inc. Method for measuring surface characteristics in optically distorting media
CN111145167A (zh) * 2019-12-30 2020-05-12 杭州艾芯智能科技有限公司 平整度检测方法、装置、计算机设备和存储介质
CN111354075A (zh) * 2020-02-27 2020-06-30 青岛联合创智科技有限公司 一种三维重建中前景降干扰提取方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288819A (zh) * 2020-11-20 2021-01-29 中国地质大学（武汉） 多源数据融合的视觉引导机器人抓取及分类系统及方法
CN112445380A (zh) * 2020-12-08 2021-03-05 安徽鸿程光电有限公司 一种红外触控控制方法、装置及一体机
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
CN112651968B (zh) * 2021-01-20 2021-09-07 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
CN113284137A (zh) * 2021-06-24 2021-08-20 中国平安人寿保险股份有限公司 纸张褶皱检测方法、装置、设备及存储介质
CN113409282A (zh) * 2021-06-25 2021-09-17 腾讯云计算（北京）有限责任公司 箱式结构的形变检测方法、装置、电子设备及存储介质
CN113393448A (zh) * 2021-06-25 2021-09-14 腾讯云计算（北京）有限责任公司 一种形变检测方法、装置、设备及计算机可读存储介质
CN113705557A (zh) * 2021-08-30 2021-11-26 上海西井信息科技有限公司 集装箱后箱门门柱的检测方法、系统、设备及存储介质
CN113705557B (zh) * 2021-08-30 2024-04-30 上海西井科技股份有限公司 集装箱后箱门门柱的检测方法、系统、设备及存储介质
CN113724259A (zh) * 2021-11-03 2021-11-30 城云科技（中国）有限公司 井盖异常检测方法、装置及其应用
CN114943778A (zh) * 2022-07-26 2022-08-26 广州镭晨智能装备科技有限公司 基准面确定方法、检测方法、装置、设备和存储介质
CN114943778B (zh) * 2022-07-26 2023-01-13 广州镭晨智能装备科技有限公司 基准面确定方法、检测方法、装置、设备和存储介质
CN115035104A (zh) * 2022-08-09 2022-09-09 启东市罗源光伏设备有限公司 基于多维度感知的光伏板形变智能预测方法及系统
CN115035104B (zh) * 2022-08-09 2023-09-08 长峡数字能源科技(湖北)有限公司 基于多维度感知的光伏板形变智能预测方法及系统
CN115830029A (zh) * 2023-02-21 2023-03-21 山东水利建设集团有限公司 一种基于计算机视觉的弹簧土检测方法

Also Published As

Publication number Publication date
CN111932537B (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN111932537B (zh) 对象形变检测方法、装置、计算机设备和存储介质
Guan et al. Automated pixel-level pavement distress detection based on stereo vision and deep learning
US10133941B2 (en) Method, apparatus and device for detecting lane boundary
US7664315B2 (en) Integrated image processor
US8204278B2 (en) Image recognition method
CN110502983B (zh) 一种检测高速公路中障碍物的方法、装置及计算机设备
CN108986152B (zh) 一种基于差分图像的异物检测方法及装置
CN112307989B (zh) 路面物体识别方法、装置、计算机设备和存储介质
CN109918977A (zh) 确定空闲车位的方法、装置及设备
Yuan et al. Combining maps and street level images for building height and facade estimation
CN116778094B (zh) 一种基于优选视角拍摄的建筑物变形监测方法及装置
JP6364565B1 (ja) 解析装置、ひび割れ検出処理装置、および解析プログラム
CN114611635B (zh) 一种对象的识别方法、装置、存储介质及电子装置
KR102445865B1 (ko) 영상기반 토목 구조물 실시간 변위 계측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN114943941A (zh) 一种目标检测方法及装置
CN111008956B (zh) 基于图像处理的梁底裂纹检测方法、系统、装置及介质
Buza et al. Unsupervised method for detection of high severity distresses on asphalt pavements
CN117576029A (zh) 基于双目视觉的零部件缺陷检测和评价方法以及装置
Ryu et al. Feature-based pothole detection in two-dimensional images
CN113313092B (zh) 手写签名识别方法、理赔自动化处理方法、装置和设备
CN114359352A (zh) 图像处理方法、装置、设备、存储介质及计算机程序产品
KR101733028B1 (ko) 영상대조에 따른 에지 변위량 예측 방법
CN115018735B (zh) 基于霍夫变换校正二维码图像的裂缝宽度识别方法及系统
CN111047614A (zh) 一种基于特征提取的复杂场景图像的目标角点提取方法
CN110765875A (zh) 交通目标的边界检测方法、设备及装置

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