CN112085726B - 皮料识别方法、装置、系统及计算机可读存储介质 - Google Patents
皮料识别方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112085726B CN112085726B CN202010973111.6A CN202010973111A CN112085726B CN 112085726 B CN112085726 B CN 112085726B CN 202010973111 A CN202010973111 A CN 202010973111A CN 112085726 B CN112085726 B CN 112085726B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- leather
- characteristic
- vector data
- 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
Links
- 239000010985 leather Substances 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 194
- 238000005520 cutting process Methods 0.000 claims abstract description 94
- 239000000463 material Substances 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 59
- 230000033001 locomotion Effects 0.000 claims description 23
- 238000010191 image analysis Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 210000000981 epithelium Anatomy 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 238000003892 spreading Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 2
- 238000005253 cladding Methods 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 210000003491 skin Anatomy 0.000 description 42
- 210000004207 dermis Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 7
- 230000000903 blocking effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002649 leather substitute Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Treatment And Processing Of Natural Fur Or Leather (AREA)
Abstract
本申请公开了一种皮料识别方法、装置、系统及计算机可读存储介质。其中,方法包括获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块;对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成包括块边界信息和皮料图像特征的皮料图像块特征,备选图像特征包括皮料颜色和皮料瑕疵等级特征。基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到待处理皮料的轮廓数据和皮料瑕疵数据,从而在不损失皮料识别精度和不增加皮料生产成本的基础上,提高皮料图像质量,既可快速、精准地识别小面积皮料,又可快速、精准地识别大面积皮料。
Description
技术领域
本申请涉及皮料切割技术领域,特别是涉及一种皮料识别方法、装置、系统及计算机可读存储介质。
背景技术
中国是皮革制品生产大国和消费大国,随着现代工业的发展和国民生活水平的提高,皮革制品的需求也在不断增加。皮革制品的生产除了受到其本身形状不规则度的影响之外,还受到诸如但并不限制于皮革纹理、皮革疵点和皮革质量分区约束条件的影响。皮革裁剪系统要实现自动化,皮料的轮廓识别和瑕疵识别为关键环节。
传统皮料的轮廓和瑕疵识别通常是人工操作,先获得皮革的样本,判断是否为瑕疵品,裁剪或丢掉有瑕疵的地方,然后通过描绘到皮革上,再经过人工裁剪,而获得所需式样的皮革产品。这样做成的皮革成品既不美观,且效率较低,人工作业所需时间长,难度较大,对皮革有较严重浪费,无疑会增加制造成本。为了解决传统人工作业模式的弊端,相关技术利用相机进行图像采集并联合图像识别技术来实现皮料识别,在该方式中,采用在裁剪设备的上方架设采用高像素级超广角相机,相机以静态或者单向运动的方式采集裁剪设备平台上铺设的皮料图像,从皮料图像中获取皮料的外形和瑕疵区域,并自动排版。
但是,这种方法易受周围环境的光线影响,识别皮料轮廓数据易产生不稳定性,识别参数难以调试,而且不适合于大面积皮料的自动轮廓获取。即使在相机的周围设置光源装置以减少外界光对采集图像质量的影响,但是由于相机的架设高度高,四周的光源对外界光不构成封闭,对外界光对采集图像的影响减小效果有限,皮料图像质量不好。而若采用多个相机静止拍照来获取大幅面皮料轮廓的方式,控制相机与拍照物体表面的距离和保持相同的成像平面较困难,另外因为光源变化导致光强的差异,相邻图像之间光强的变化较大,对轮廓信息的提取结果产生很多不确定的影响,影响图像识别精度。此外,采用高像素级超广角相机价格昂贵,增加皮料生产成本。
鉴于此,如何在不损失皮料识别精度和不增加皮料生产成本的基础上,提高皮料图像质量,既可快速、精准地识别小面积皮料,又可快速、精准地识别大面积皮料,是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种皮料识别方法、装置、系统及计算机可读存储介质,在不损失皮料识别精度和不增加皮料生产成本的基础上,提高皮料图像质量,既可快速、精准地识别小面积皮料,又可快速、精准地识别大面积皮料。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种皮料识别方法,包括:
获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块;
对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成所述当前图像块的皮料图像块特征;所述皮料图像块特征包括块边界信息和皮料图像特征;所述块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;
基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据;
其中,所述图像采集触发指令在相机当前位置为拍照触发位置时被生成,所述相机运行轨迹和所述触发拍照位置基于有效拍照范围、所述裁床上皮位置和所述待处理皮料尺寸生成;所述备选图像特征包括皮料颜色和皮料瑕疵等级特征。
可选的,所述通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成所述当前图像块的皮料图像块特征包括:
对所述当前图像块的每个像素特征块,判断当前像素特征块的图像特征值与其相邻像素特征块的图像特征值的差值是否不大于预设特征阈值;
若是,将所述当前像素特征块与其相邻像素特征块进行融合;若否,将根据所述当前像素特征块的图像特征值在所述备选图像特征集中匹配的备选图像特征作为所述当前像素特征块的属性特征,基于各属性特征得到所述当前图像块的皮料图像块特征。
可选的,所述通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成所述当前图像块的皮料图像块特征之后,还包括:
利用8邻域搜索算法对各皮料图像块特征进行边界搜索,将各皮料图像块特征中属性特征值相同的像素点进行连接,得到包括多条边界矢量数据的边界矢量数据集;
根据图像坐标系和裁床坐标系之间的空间转化关系,基于所述裁床拍照起始位置点将所述边界矢量数据集中各边界矢量数据转换至裁床坐标系下,得到裁床矢量数据集;
提取所述裁床矢量数据集中各矢量数据与所述相机有效拍照范围对应的拍照轮廓线的相交线段,并去除所述拍照轮廓线外的重叠图像产生的图像数据后得到有效矢量数据集;
对每个图像块,根据所述当前图像块对应的裁床坐标与所述裁床拍照起始位置点的偏移向量,将所述当前图像块对应在所述有效矢量数据集中的曲线段按照所述偏移向量进行偏移,得到空间匹配有效矢量数据集。
可选的,所述基于所有图像块的皮料图像块特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据包括:
预先构建用于存储未封闭线段的未封闭线段集和用于存储闭合曲线的闭合矢量数据集;
提取所述空间匹配有效矢量数据集中各线段的属性特征,并按照线段端点所属的相应图像块的前连接端点和后连接端点放入特征矢量数据归集中;
将所述特征矢量数据归集中的特征属性值相同的曲线端点,按照8邻域邻近关系计算其与所述未封闭线段集中的特征矢量数据线段端点的前连接相邻距离和后连接相邻距离,并确定所述特征矢量数据线段所在图像块的块号和块内矢量前连接索引号和后连接索引号;
将所述未封闭线段集中的线段端点相邻距离满足预设约束条件的各特征矢量数据线段连接为一条矢量曲线,并将首尾线段距离满足所述预设约束条件的特征矢量数据线段设置为闭合属性,并移至所述闭合矢量数据集;
将所述未封闭线段集的各特征矢量数据线段的前连接端点和后连接端点保留在所在图像块中,以供下次拼接使用;
将所述闭合矢量数据集中面积小于预设面积阈值的闭合曲线删除,得到皮料数据生成集;
根据所述皮料数据生成集各矢量数据的特征属性值确定所述待处理皮料的轮廓数据和皮料瑕疵数据。
可选的,所述获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块之前,还包括:
预先建立学习库;所述学习库用于存储多个皮料参数集,每个皮料参数集包括皮料颜色信息或与皮料颜色关联的皮料条形码相对应的相机参数、图像分析参数和图像拼接参数;
根据所述待处理皮料的颜色从所述学习库读取相应的相机参数、图像分析参数和图像拼接参数。
本发明实施例另一方面提供了一种皮料识别装置,包括:
图像块读取模块,用于获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块;所述图像采集触发指令为相机当前位置为拍照触发位置时被生成,所述相机运行轨迹和所述触发拍照位置基于所述相机的有效拍照范围、所述裁床的上皮位置和待处理皮料的尺寸生成;
皮料识别模块,用于对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成所述当前图像块的皮料图像块特征;所述皮料图像块特征包括块边界信息和皮料图像特征;所述块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据。
本发明实施例还提供了一种皮料识别装置,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述皮料识别方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有皮料识别程序,所述皮料识别程序被处理器执行时实现如前任一项所述皮料识别方法的步骤。
本发明实施例最后还提供了一种皮料识别系统,包括图像采集器、运动控制器和图像处理器;
所述图像采集器包括信息生成模块和设置在裁床横梁的相机;所述信息生成模块基于有效拍照范围、裁床上皮位置和待处理皮料尺寸生成相机运动轨迹、拍照触发位置和图像采集触发指令;
所述运动控制器包括驱动装置和位置监控模块;所述驱动装置根据所述相机运动轨迹驱动所述相机在所述裁床的铺料台上方移动;所述位置监控模块将监控所得的相机当前位置发送给所述信息生成模块,以当所述当前位置为所述拍照触发位置时生成所述图像采集触发指令;
所述图像处理器从存储模块读取每次触发拍照功能时采集图像块,对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成块边界信息和皮料图像特征,所述块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据;所述备选图像特征包括皮料颜色和皮料瑕疵等级特征。
可选的,所述存储模块包括位于缓存的图像缓存区和位于硬盘的图像存储区;相应的,所述图像采集器还包括图像存储位选择模块,所述图像存储位选择模块包括:
缓存选择子模块,用于若图像处理速度不小于图像采集速度且所述图像缓存区的剩余空间容量不小于预设容量阈值,将所述相机当前采集的图像块发送至所述图像缓存区进行存储;
硬盘选择子模块,用于若所述图像处理速度不大于所述图像采集速度和/或所述图像缓存区的剩余空间容量小于所述预设容量阈值,将所述相机当前采集的图像块发送至所述图像存储区进行存储,并按照预设位置存储规则从所述图像存储区读取图像数据存入所述图像缓存区等待处理。
可选的,所述图像采集器还包括用于作为所述相机补光光源的发光装置,所述发光装置封装至所述图像采集器中。
本申请提供的技术方案的优点在于,采集皮料图像的相机沿着相机运动轨迹拍摄整个皮料,相机无需采用高像素级超广角相机,随着扫描范围长宽的增加,待处理皮料图像的大小海量增长,计算机的处理能力受限而影响设备的性能只需要设定拍照的起点和拍照的长和宽参数,就可以改变相机的实际拍照范围,不仅不增加皮料生产成本,还可降低成本,还可实现相机拍照长宽的可扩展性,在保证识别精度的基础上,有效提高图像采集指令,既可快速识别小皮,也可方便地识别大面积的皮料,有利于提高自动化程度;分块得到的图像不具有全局概念,将图像的处理局限在当前采集图像块的大小范围内,利用已知的图像特征做块内图像融合处理以及进行块间矢量拼接,解决了大幅面可扩展的真皮自动化切割的速度问题,还可提高图像处理效率。
此外,本发明实施例还针对皮料识别方法提供了相应的实现装置、系统及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置、系统及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,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,对于本邻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为本发明实施例提供的一种皮料识别方法的流程示意图;
图2为本发明实施例提供的相机的一种运动轨迹示意图;
图3为本发明实施例提供的图像块采集示意图;
图4为本发明实施例提供的图像块存储示意图;
图5为本发明实施例提供的图像块处理示意图;
图6为本发明实施例提供的图像块重叠处理示意图;
图7为本发明实施例提供的学习库原理示意图;
图8为本发明实施例提供的皮料识别装置的一种具体实施方式结构图;
图9为本发明实施例提供的皮料识别装置的另一种具体实施方式结构图;
图10为本发明实施例提供的皮料识别系统的一种具体实施方式结构图。
具体实施方式
为了使本技术邻域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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,本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种皮料识别方法的流程示意图,本发明实施例可包括以下内容:
S101:获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块。
可以理解的是,本申请要实现既可快速、精准地识别小面积皮料,又可快速、精准地识别大面积皮料,也就是需要裁床具有可扩展性,为了实现该目的,本申请使用安装在驱动装置上的图像采集装置如相机通过控制相机运动轨迹动态获取图像实现裁床的可扩展性,获得待识别皮料的高分辨率图像。图像采集器中的相机作为机头的一部分随着横梁移动,图像采集器中的计算机控制程序控制相机按照设定轨迹移动进行图像采集,然后图像识别线程获取相机中采集的图像,识别其有效区域内的轮廓和瑕疵特征;这样,一边获取图像,一边识别,一边与周围邻近的图片的识别结果进行拼接处理,使轮廓和瑕疵的追踪和相机的动态运动同时进行,将图像处理的时间分配到图像采集的时间中,大大提高了图像处理的效率,同时提高了设备图像采集的可扩展性。
在本步骤中,图像采集触发指令为在相机当前位置为拍照触发位置时被生成。相机运行轨迹和触发拍照位置基于有效拍照范围、裁床上皮位置和待处理皮料尺寸生成。结合图2具体来说,为实现图像采集和处理的可扩展性,可将相机安装在设备横梁上的机头处,作为裁床的一个机头装置,运动控制器的驱动装置控制相机按照预设的X、Y方向轨迹运动,逐幅动态地扫描皮料局部区域的信息并采集皮料图像。由于该方式可以动态地改变相机拍摄的位置和长宽而实现了皮料切割图像获取的可扩展的性能,过程描述如下:
测试拍照盒的拍照长尺寸为box-length、拍照宽尺寸为box-width,设置的有效拍照范围为Real-length和Real-width,设定的有效皮料拍照的长度为Total-length,宽度为Total-width,裁床的起始点坐标可表示为Start-pos(X,Y)。图像采集器可自动计算沿X轴、Y轴的拍照触发次数,运动控制器可通过控制裁床的横梁沿X轴或Y轴运动,从而带动相机在整个铺料台上方区域沿X轴或Y轴移动,当然,也可通过直接控制相机在整个铺料台上方区域沿X轴或Y轴移动来采集铺料台上铺放的皮料图像数据,并实时监控横梁机头即拍照相机的运动位置,当运动到裁床的拍照触发位置即Start-pos(X+m*Real-length,Y+n*Real-width)时即触发拍照,m、n可为任意整数,然后将图像进行存储。所有参数均是可以更改的,灵活可扩展,不用增加相机,只需要修改参数,控制运动轨迹即可以完成。
S102:对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成当前图像块的皮料图像块特征。
对于同一种大面积皮料来说,采集该皮料的图像块有好多块,对于小面积皮料来说,只要皮料的长度大于拍照测试盒的设置长度或/和只要皮料的宽度大于拍照测试盒的宽度,那么整个小面积皮料对于采集得到的图像块至少为2块。需要对每个图像块进行特征识别,每个图像块的图像特征由每个像素特征块的图像特征构成,对于像素特征块来说,可以根据其与该像素特征块的相邻像素特征块的图像特征相似度情况对来确定其与相邻像素特征块是否可以融合为一个图像块,可将图像特征相同或相近的像素特征块和相邻像素特征块融合变为一个大的像素特征块,其与该像素特征块的相邻像素特征块的图像特征不相似,则可比对其与各备选图像特征之间的相似性程度来确定与其最匹配的备选图像特征,备选图像特征可包括皮料颜色和皮料瑕疵等级特征。备选图像特征有多组,各组备选图像特征均不同,所属领域技术人员可根据实际应用场景确定备选图像特征的个数,这均不影响本申请的实现。
S103:基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到待处理皮料的轮廓数据和皮料瑕疵数据。
分块得到的图像不具有全局概念,如果把图像拼接起来再处理,数据会海量增长,显著延长了图像处理的时间。本步骤将图像的处理局限在当前采集图像块的大小范围内,利用已知的图像特征做块内图像融合处理以及进行块间矢量拼接,解决了大幅面可扩展的真皮自动化切割的速度问题。S102步骤中得到的每个图像块的皮料图像块特征包括块边界信息和皮料图像特征,块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据,将所有图像块的边界信息对应的块轮廓数据和瑕疵等级数据进行矢量拼接,得到最终待处理皮料的轮廓数据和瑕疵等级数据。由于备选图像特征中包括瑕疵等级,相应的每个图像块的皮料图像特征包含有瑕疵信息,且瑕疵信息也存在于边界信息中,在图像特征中表现为瑕疵特征,瑕疵处理方法和轮廓边界处理方法相同,可综合所有的图像块的所有瑕疵信息得到待识别图像的最终瑕疵等级。
在本发明实施例提供的技术方案中,采集皮料图像的相机沿着相机运动轨迹拍摄整个皮料,相机无需采用高像素级超广角相机,随着扫描范围长宽的增加,待处理皮料图像的大小海量增长,计算机的处理能力受限而影响设备的性能只需要设定拍照的起点和拍照的长和宽参数,就可以改变相机的实际拍照范围,不仅不增加皮料生产成本,还可降低成本,还可实现相机拍照长宽的可扩展性,在保证识别精度的基础上,有效提高图像采集指令,既可快速识别小皮,也可方便地识别大面积的皮料,有利于提高自动化程度;分块得到的图像不具有全局概念,将图像的处理局限在当前采集图像块的大小范围内,利用已知的图像特征做块内图像融合处理以及进行块间矢量拼接,解决了大幅面可扩展的真皮自动化切割的速度问题,还可提高图像处理效率。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1只是一种示意方式,并不代表只能是这样的执行顺序。
在上述实施例中,对于如何执行步骤S102并不做限定,本实施例中给出一种图像块的皮料图像块特征确定方法,可包括如下步骤:
相机采集的图像块一个像素特征块B可表示为B[i,j],其为m*n个像素的图像集合,如图3所示。
可对当前图像块的每个像素特征块,判断当前像素特征块的图像特征值与其相邻像素特征块的图像特征值的差值是否不大于预设特征阈值;若是,将当前像素特征块与其相邻像素特征块进行融合;若否,将根据当前像素特征块的图像特征值在备选图像特征集中匹配的备选图像特征作为当前像素特征块的属性特征,基于各属性特征得到当前图像块的皮料图像块特征。具体如下:
将相机移至皮料上方,获取镜头正下方的皮料颜色像素特征块A[i,j]共m*n个像素,计算其属性值,包括亮度值和色度值,作为批如图3所示备选图像的皮料特征Leather,同理获取其它备选图像特征如瑕疵存入图像备选特征集合中。对该类皮料进行识别时,控制采集机头运动采集图像组集合,并放入图像采集缓存区PicBuffer{},如果图像处理速度慢于图像采集速度,则当图像缓存区长度大于设定值后,后续采集的图像块存入硬盘,按照行/列对图像文件进行编码如{Pic00,Pic01,…,Picij…,Picmn}。其行、列的运动方向和顺序是可以更改的,如图4所示,本实施例只举这种运动方式,其他运动方式可基于该方式和实际应用场景进行相应调整即可。从图像采集缓存区PicBuffer{}首部中获取待分析图像Picij,对当前第j行、第i列图块Picij可先进行例如去畸变、亮度和对比度调整、去噪声图像预处理,得到Pre_Picij;然后,如图5所示,获取Pre_Picij的[k,l]位置上的像素特征块A,沿X、Y两个方向,Pre_Picij的[k,l]位置上的像素特征块分别与其上Pre_Picij[k+1,l]、下Pre_Picij[k-1,l]、左Pre_Picij[k,l-1]、右Pre_Picij[k,l+1]相邻位置的色块进行比较,如果满足相近的阈值σ判断,则认为颜色特征相同,则A置为255;否则依据皮料在设备上的采集图像块的皮料、瑕疵等级标记备选颜色特征集ColorFeatureSet{Leather、Flaw、DrawLine0,…,DrawLinen},对Pre_Picij中的像素特征块A与备选颜色特征集ColorFeatureSet{}中备选颜色块依次进行比对,如果A∈{Leather、Flaw、DrawLine0,…,DrawLinen},则A设置为相应特征集中的边界属性{0,1,2,3,…,n}表示像素块的不同边界特征属性,否则A置为255。遍历当前整幅图块的像素特征块进行上述融合运算后,即生成记录此图像块包含皮料、瑕疵相应边界信息的图像Changed-PICij。
此外,本申请还考虑该图像Pre_Picij与其得上、下、左、右相邻图片邻接区域的重叠特征的影响,即考虑图像Pre_Pic(i+1)(j)、Pre_Pic(i-1)(j)、Pre_Pic(i)(j-1)、Pre_Pic(i)(j+1)的相邻图像。如图6所示,考虑重叠色块距离d,相当于将现有的图像Pre_Picij的长length扩大到length+2d、宽width扩大到width+2d,即图像Picij的上下左右各增加一个d的重叠距离的图像,以消除图像边缘带来的干扰影响。
本实施例将皮料裁剪轮廓和瑕疵识别的分析按照皮料的可能物理位置划分若干个图像块进行单独处理,极大减少了图像分析的数据量。在分块图像处理中,为加速皮料图像处理,根据裁床的皮料图像特征,通过获取皮料的色块图像特征,采用皮料备选特征融合和相邻像素特征的图像融合方法的采用,进一步加快了真皮图像的处理速度,使得在单独一块图像上提取整幅图片特征成为可能。分块数据处理采用相邻块重叠区域处理技术,解决了分块图像拼接处理时过渡区域的干扰问题。
在进行图像拼接之前,为了保证图像拼接的准确度,还可对图像数据进行处理,可包括下述内容:
首先进行矢量化处理,可利用8邻域搜索算法对各皮料图像块特征进行边界搜索,将各皮料图像块特征中属性特征值相同的像素点进行连接,得到包括多条边界矢量数据的边界矢量数据集。然后还可将本图像块矢量化构成皮料、瑕疵等级,标记属性的矢量曲线段放入相应的边界矢量数据集Contours{}。以上述实施例为例,在进行对图像分析后的Changed-PICij进行8邻域搜索边界,将边界属性值相同的像素点进行链接获得相应皮料、瑕疵等级标记的边界矢量数据。
其次,将矢量数据转换到裁床坐标并截掉重叠部分数据,可包括下述内容:
根据图像坐标系和裁床坐标系之间的空间转化关系,基于裁床拍照起始位置点将边界矢量数据集中各边界矢量数据转换至裁床坐标系下,得到裁床矢量数据集,其坐标范围在{Box-length,Box-width};
提取裁床矢量数据集中各矢量数据与相机有效拍照范围{Real-length,Real-width}对应的拍照轮廓线的相交线段,并去除拍照轮廓线外的重叠图像产生的图像数据后得到有效矢量数据集;
对每个图像块,根据当前图像块对应的裁床坐标与裁床拍照起始位置点的偏移向量,将当前图像块对应在有效矢量数据集中的曲线段按照偏移向量进行偏移,得到空间匹配有效矢量数据集。
具体实施方式如下所述:
将图像块矢量化后的Contours{}转换为裁床拍照起始位置点Start_Point的裁床坐标Cut_Contours{},利用设置的拍照盒有效范围的矩形Rect(Real-length,Real-width)与Cut_Contours{}的相交性对进行截取,去掉矩形外部的重叠图像产生的矢量数据后得到RectCut_Contours{}。将RectCut_Contours{}整体偏移当前图像块所在的裁床坐标相对于裁床拍照起始位置点的Start_Point偏移(i*Real-length,j*Real-width),得到Offset_ectCut_Contours{}。
在上述实施例中,对于如何执行步骤S103并不做限定,本实施例中还给出邻近关系归类和拼接的一种实施方式,可包括如下步骤:
预先构建用于存储未封闭线段的未封闭线段集和用于存储闭合曲线的闭合矢量数据集;
提取空间匹配有效矢量数据集中各线段的属性特征,并按照线段端点所属的相应图像块的前连接端点和后连接端点放入特征矢量数据归集中;将特征矢量数据归集中的特征属性值即各备选图像特征的属性值相同的曲线端点,按照8邻域邻近关系计算其与未封闭线段集中的特征矢量数据线段端点的前连接相邻距离和后连接相邻距离,并确定特征矢量数据线段所在图像块的块号和块内矢量前连接索引号和后连接索引号;将未封闭线段集中的线段端点相邻距离满足预设约束条件的各特征矢量数据线段连接为一条矢量曲线,并将首尾线段距离满足预设约束条件的特征矢量数据线段设置为闭合属性,并移至闭合矢量数据集;将未封闭线段集的各特征矢量数据线段的前连接端点和后连接端点保留在所在图像块中,以供下次拼接使用;将闭合矢量数据集中面积小于预设面积阈值的闭合曲线删除,得到皮料数据生成集;根据皮料数据生成集各矢量数据的特征属性值确定待处理皮料的轮廓数据和皮料瑕疵数据。
在本实施例中,预设约束条件可为即连接长度,连接长度的具体取值可根据实际应用场景进行确定,本申请对此不作任何限定。举例来说,提取Offset_ectCut_Contours{}线段的边界属性,并且放入按照线段端点所属的相应图像块的前连接端点和后连接端点特征矢量数据归集Front_End_Joint{}中。针对Offset_ectCut_Contours{}的特征矢量数据归集Front_End_Joint{},将曲线的属性值相同的曲线端点,按照8领域邻近关系计算其与未封闭UnClosed_Contours{}的特征矢量数据线段端点的前连接相邻距离和后连接相邻距离,以及线段所在图像块的块号和块内矢量前连接索引号和后连接索引号;搜索未封闭曲线UnClosed_Contours{}中的矢量将矢量数据端点相邻距离满足约束条件ε的数据矢量拼接连接成一条矢量曲线;将首尾线段距离满足约束条件ε的数据矢量,设置闭合属性,并移至闭合矢量数据集合Closed_Contours{}。将剩余在未封闭曲线UnClosed_Contours{}中的矢量的前连接端点和后连接端点保留在所在图像块中,供下次拼接使用。为了得到的更好的图像效果,在得到皮料数据生成集之前,还可对数据进行毛刺剔除,即将闭合曲线矢量集合Closed_Contours{}中的面积小于某个设定范围σ的瑕疵毛刺数据删除。Closed_Contours{}中的结果即为皮料、瑕疵特征集,生成皮料数据生成集。
本发明实施例的分块图像处理和分块矢量拼接的并行处理,在保证图像处理精度的条件下,加快了图像处理速度,降低了对计算机性能的要求,同时减少了对采集图像长度的限制。分块拼接针对的是分块处理后的小尺寸图像数据的矢量数据,按照相邻关系进行连接,这种采用矢量数据的相邻拼接进一步加快了轮廓和瑕疵的搜索速度。避免了超大幅面图像的海量数据处理,而且将图像分析时间和图像拼接时间与图像扫描的时间重叠起来,在设备真皮具有可扩展性的同时,加快了图像的处理速度,基本可以忽略图像扫描的时间。
可以理解的是,相机参数例如但并不限制于工业摄像机的曝光时间、白平衡的调节会影响到成像的对比度,为了保证采集图像具有好的图像质量,在不同颜色皮料进行图像采集及识别,会调节工业摄像机的相机参数例如曝光时间、白平衡,另外,图像分割时用到的阀值的调节也会影响最终得到皮料轮廓数据。为了方便用户操作,重复使用已经得到的可用参数。本申请还可构建学习库,学习库用于存储多个皮料参数集,每个皮料参数集包括皮料颜色信息或与皮料颜色关联的皮料条形码相对应的相机参数、图像分析参数和图像拼接参数;相机参数例如可包括但并不限制于白平衡、增益、曝光时间,图像分析参数例如可包括但并不限制于容差、噪音、分割阈值,图像拼接参数例如可包括但并不限制于连接长度、最小长度。根据待处理皮料的颜色从学习库读取相应的相机参数、图像分析参数和图像拼接参数。如图7所示,学习库中按照皮料的颜色存放相应的相机拍照参数和识别、拼接参数信息。使用时,只要读取学习库,找到相应信息就可以了。通过标示识别装置获取皮料颜色信息,自动搜索皮料识别学习库的颜色信息,获取工业摄像机的相机参数如曝光时间、白平衡参数,并自动控制相机,同时设置图像分析参数和拼接处理参数,在图像分析和处理过程自动应用该参数,实现皮料在自动切割设备上的智能化应用。
在本实施例中,通过学习库的建立与使用,只需要获取皮料的颜色信息或与颜色关联的皮料条形码,即可以自动获取相机参数、识别参数、拼接参数,形成待裁剪真皮原料从输送到扫描台一直到排版的过程控制更简单、快速,有助于真皮原料裁剪作业的机械化、自动化生产。
本发明实施例还针对皮料识别方法提供了相应的装置,进一步使得所述方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的皮料识别装置进行介绍,下文描述的皮料识别装置与上文描述的皮料识别方法可相互对应参照。
基于功能模块的角度,参见图8,图8为本发明实施例提供的皮料识别装置在一种具体实施方式下的结构图,该装置可包括:
图像块读取模块801,用于获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块;图像采集触发指令为相机当前位置为拍照触发位置时被生成,相机运行轨迹和触发拍照位置基于相机的有效拍照范围、裁床的上皮位置和待处理皮料的尺寸生成。
皮料识别模块802,用于对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成当前图像块的皮料图像块特征;皮料图像块特征包括块边界信息和皮料图像特征;块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到待处理皮料的轮廓数据和皮料瑕疵数据。
可选的,在本实施例的一些实施方式中,所述皮料识别模块802可以包括特征生成子模块,所述特征生成子模块包括:
判断单元,用于对当前图像块的每个像素特征块,判断当前像素特征块的图像特征值与其相邻像素特征块的图像特征值的差值是否不大于预设特征阈值;
特征确定单元,用于若是,将当前像素特征块与其相邻像素特征块进行融合;若否,将根据当前像素特征块的图像特征值在备选图像特征集中匹配的备选图像特征作为当前像素特征块的属性特征,基于各属性特征得到当前图像块的皮料图像块特征。
作为一种可选的实施方式,所述皮料识别模块802还可包括拼接前处理子模块,所述拼接前处理子模块可包括:
像素点连接单元,用于利用8邻域搜索算法对各皮料图像块特征进行边界搜索,将各皮料图像块特征中属性特征值相同的像素点进行连接,得到包括多条边界矢量数据的边界矢量数据集;
坐标转换单元,用于根据图像坐标系和裁床坐标系之间的空间转化关系,基于裁床拍照起始位置点将边界矢量数据集中各边界矢量数据转换至裁床坐标系下,得到裁床矢量数据集;
有效矢量提取单元,用于提取裁床矢量数据集中各矢量数据与相机有效拍照范围对应的拍照轮廓线的相交线段,并去除拍照轮廓线外的重叠图像产生的图像数据后得到有效矢量数据集;
有效矢量确定单元,用于对每个图像块,根据当前图像块对应的裁床坐标与裁床拍照起始位置点的偏移向量,将当前图像块对应在有效矢量数据集中的曲线段按照偏移向量进行偏移,得到空间匹配有效矢量数据集。
作为另一种可选的实施方式,所述皮料识别模块802还可包括拼接子模块,所述拼接子模块可包括:
曲线集预构建单元,用于预先构建用于存储未封闭线段的未封闭线段集和用于存储闭合曲线的闭合矢量数据集;
矢量归类单元,用于提取空间匹配有效矢量数据集中各线段的属性特征,并按照线段端点所属的相应图像块的前连接端点和后连接端点放入特征矢量数据归集中;将特征矢量数据归集中的特征属性值相同的曲线端点,按照8邻域邻近关系计算其与未封闭线段集中的特征矢量数据线段端点的前连接相邻距离和后连接相邻距离,并确定特征矢量数据线段所在图像块的块号和块内矢量前连接索引号和后连接索引号;
闭合曲线获取单元,用于将未封闭线段集中的线段端点相邻距离满足预设约束条件的各特征矢量数据线段连接为一条矢量曲线,并将首尾线段距离满足预设约束条件的特征矢量数据线段设置为闭合属性,并移至闭合矢量数据集;
线段保留单元,用于将未封闭线段集的各特征矢量数据线段的前连接端点和后连接端点保留在所在图像块中,以供下次拼接使用;
皮料数据生成单元,用于将闭合矢量数据集中面积小于预设面积阈值的闭合曲线删除,得到皮料数据生成集;
皮料识别结果确定单元,用于根据皮料数据生成集各矢量数据的特征属性值确定待处理皮料的轮廓数据和皮料瑕疵数据。
可选的,在本实施例的另一些实施方式中,所述装置例如还可以包括学习库构建模块,所述学习库构建模块用于预先建立学习库;学习库用于存储多个皮料参数集,每个皮料参数集包括皮料颜色信息或与皮料颜色关联的皮料条形码相对应的相机参数、图像分析参数和图像拼接参数;根据待处理皮料的颜色从学习库读取相应的相机参数、图像分析参数和图像拼接参数。
本发明实施例所述皮料识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在保证识别精度和不增加相机成本的情况下实现皮料识别的可扩展性,提高真皮识别的准确率、效率以及自动化程度。
上文中提到的皮料识别装置是从功能模块的角度描述,进一步的,本申请还提供一种皮料识别装置,是从硬件角度描述。图9为本申请实施例提供的另一种皮料识别装置的结构图。如图9所示,该装置包括存储器90,用于存储计算机程序;
处理器91,用于执行计算机程序时实现如上述实施例提到的皮料识别方法的步骤。
其中,处理器91可以包括一个或多个处理核心,比如4核心处理器、8核心处理器。处理器91可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器91也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器91可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器91还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器90可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器90还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器90至少用于存储以下计算机程序901,其中,该计算机程序被处理器91加载并执行之后,能够实现前述任一实施例公开的皮料识别方法的相关步骤。另外,存储器90所存储的资源还可以包括操作系统902和数据903,存储方式可以是短暂存储或者永久存储。其中,操作系统902可以包括但并不限制于Windows、Unix、Linux。数据903可以包括但不限于皮料识别结果对应的数据。
在一些实施例中,皮料识别装置还可包括有显示屏92、输入输出接口93、通信接口94、电源95以及通信总线96。
本邻域技术人员可以理解,图9中示出的结构并不构成对皮料识别装置的限定,可以包括比图示更多或更少的组件,例如还可包括传感器97。
本发明实施例所述皮料识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在不损失皮料识别精度和不增加皮料生产成本的基础上,提高皮料图像质量,既可快速、精准地识别小面积皮料,又可快速、精准地识别大面积皮料。
可以理解的是,如果上述实施例中的皮料识别方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括但并不限制于U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种计算机可读存储介质,存储有皮料识别程序,所述皮料识别程序被处理器执行时如上任意一实施例所述皮料识别方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在不损失皮料识别精度和不增加皮料生产成本的基础上,提高皮料图像质量,既可快速、精准地识别小面积皮料,又可快速、精准地识别大面积皮料。
本发明实施例还提供了一种皮料识别系统,参见图10,可包括图像采集器101、运动控制器102和图像处理器103。
图像采集器101可包括信息生成模块和设置在裁床横梁的相机;信息生成模块基于有效拍照范围、裁床上皮位置和待处理皮料尺寸生成相机运动轨迹、拍照触发位置和图像采集触发指令。
在本实施例中,相机的拍照范围固定,在不通过增加硬件的情况下,只需要通过修改相机开始拍照起始位置,拍照的长、宽参数,通过轨迹运动的方式即获取待处理真皮的图像,在不改变设备的硬件配置的情况下,既可以处理小面积的皮料,又可以处理大面积的皮料,处理的幅面只收到机械尺寸的限制。此方法灵活度高,针对小面积的皮料,可以通过修改拍照起点和拍照长宽,减少数据的处理量;针对大幅面的皮料,同样修改上述参数,使其处理成为可能。
运动控制器102包括驱动装置和位置监控模块;驱动装置根据相机运动轨迹驱动相机在裁床的铺料台上方移动;位置监控模块将监控所得的相机当前位置发送给信息生成模块,以当当前位置为拍照触发位置时生成图像采集触发指令。
图像处理器103从存储模块读取每次触发拍照功能时采集图像块,对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成块边界信息和皮料图像特征,块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到待处理皮料的轮廓数据和皮料瑕疵数据;备选图像特征包括皮料颜色和皮料瑕疵等级特征。
本实施例的图像处理器102将分块图像处理和分块矢量拼接的并行处理。首先,假设真皮的拍照长度为Total-length,宽度为Total-width,按照皮料的可能物理位置划分若干个图像块,减少了单次处理的数据量。如果将拍照分成M*N块,则每块处理的数据量为:(Total-length/M)*(Total-width)/N。由于真皮的面积可变,既处理小皮,又处理大皮,对于小面积的皮料,可以通过长宽设置进一步减少不必要的时间浪费。相关技术中的真皮轮廓和瑕疵处理方法是获得全部的图像信息,通过分析图像的梯度变化得到相关信息,切割台面的毛毡处由于切割痕迹会引起识别干扰。加速真皮图像处理,根据智能裁床的皮料图像特征,通过获取皮料的色块图像特征,采用皮料备选特征融合和相邻像素特征的图像融合方法的采用,极大地加快了真皮图像的处理速度,处理了毛毡区切割划痕带来的干扰影响。本申请采用相邻块重叠区域的考虑,解决了分块图像拼接处理时过渡区域的干扰问题。由于采用的是矢量拼接,在处理块图像时,由于处于图像边界的皮料轮廓信息或瑕疵信息容易所占的像素宽度的影响而造成识别信息丢失导致识别出错,故引进重叠区域,保留足够多的处于边界的信息,以保证识别的准确率。本申请图像信息分析采取只处理分块后的小尺寸图像数据,然后将分析得到矢量数据按照相邻关系进行连接,由于皮料轮廓和瑕疵特点,矢量数据量远小于图像数据量,这种采用矢量数据的相邻拼接进一步加快了轮廓和瑕疵的搜索速度,避免了超大幅面图像的海量数据处理。将图像分析时间和图像拼接时间与图像扫描的时间重叠起来,在设备真皮具有可扩展性的同时,加快了图像的处理速度,基本可以忽略图像扫描的时间。
本发明实施例所述皮料识别系统的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在不损失皮料识别精度和不增加皮料生产成本的基础上,提高皮料图像质量,既可快速、精准地识别小面积皮料,又可快速、精准地识别大面积皮料。
作为一种可选的实施方式,存储模块包括位于缓存的图像缓存区和位于硬盘的图像存储区;相应的,图像采集器还包括图像存储位选择模块,图像存储位选择模块包括:
缓存选择子模块,用于若图像处理速度不小于图像采集速度且图像缓存区的剩余空间容量不小于预设容量阈值,将相机当前采集的图像块发送至图像缓存区进行存储;
硬盘选择子模块,用于若图像处理速度不大于图像采集速度和/或图像缓存区的剩余空间容量小于预设容量阈值,将相机当前采集的图像块发送至图像存储区进行存储,并按照预设位置存储规则从图像存储区读取图像数据存入图像缓存区等待处理。
作为另一种可选的实施方式,为了提升皮料图像质量,图像采集器还可包括用于作为相机补光光源的发光装置,发光装置封装至图像采集器中。可采用任何一种光源,如白光led,本申请对此不作任何限定。采用封闭式光源在上述实施例可扩大拍照范围的基础上,还可以减少环境光对成像质量的影响。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种皮料识别方法、装置、系统及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术邻域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (7)
1.一种皮料识别方法,其特征在于,包括:
获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块;
对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成所述当前图像块的皮料图像块特征;所述皮料图像块特征包括块边界信息和皮料图像特征;所述块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;
基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到待处理皮料的轮廓数据和皮料瑕疵数据;
其中,所述图像采集触发指令在相机当前位置为拍照触发位置时被生成,所述相机运行轨迹和所述触发拍照位置基于有效拍照范围、所述裁床上皮位置和所述待处理皮料尺寸生成;所述备选图像特征包括皮料颜色和皮料瑕疵等级特征;
其中,所述通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成所述当前图像块的皮料图像块特征包括:
对所述当前图像块的每个像素特征块,判断当前像素特征块的图像特征值与其相邻像素特征块的图像特征值的差值是否不大于预设特征阈值;
若是,将所述当前像素特征块与其相邻像素特征块进行融合;若否,将根据所述当前像素特征块的图像特征值在备选图像特征集中匹配的备选图像特征作为所述当前像素特征块的属性特征,基于各属性特征得到所述当前图像块的皮料图像块特征;
利用8邻域搜索算法对各皮料图像块特征进行边界搜索,将各皮料图像块特征中属性特征值相同的像素点进行连接,得到包括多条边界矢量数据的边界矢量数据集;
根据图像坐标系和裁床坐标系之间的空间转化关系,基于所述裁床拍照起始位置点将所述边界矢量数据集中各边界矢量数据转换至裁床坐标系下,得到裁床矢量数据集;
提取所述裁床矢量数据集中各矢量数据与所述相机有效拍照范围对应的拍照轮廓线的相交线段,并去除所述拍照轮廓线外的重叠图像产生的图像数据后得到有效矢量数据集;
对每个图像块,根据所述当前图像块对应的裁床坐标与所述裁床拍照起始位置点的偏移向量,将所述当前图像块对应在所述有效矢量数据集中的曲线段按照所述偏移向量进行偏移,得到空间匹配有效矢量数据集;
其中,所述基于所有图像块的皮料图像块特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据包括:
预先构建用于存储未封闭线段的未封闭线段集和用于存储闭合曲线的闭合矢量数据集;
提取所述空间匹配有效矢量数据集中各线段的属性特征,并按照线段端点所属的相应图像块的前连接端点和后连接端点放入特征矢量数据归集中;
将所述特征矢量数据归集中的特征属性值相同的曲线端点,按照8邻域邻近关系计算其与所述未封闭线段集中的特征矢量数据线段端点的前连接相邻距离和后连接相邻距离,并确定所述特征矢量数据线段所在图像块的块号和块内矢量前连接索引号和后连接索引号;
将所述未封闭线段集中的线段端点相邻距离满足预设约束条件的各特征矢量数据线段连接为一条矢量曲线,并将首尾线段距离满足所述预设约束条件的特征矢量数据线段设置为闭合属性,并移至所述闭合矢量数据集;
将所述未封闭线段集的各特征矢量数据线段的前连接端点和后连接端点保留在所在图像块中,以供下次拼接使用;
将所述闭合矢量数据集中面积小于预设面积阈值的闭合曲线删除,得到皮料数据生成集;
根据所述皮料数据生成集各矢量数据的特征属性值确定所述待处理皮料的轮廓数据和皮料瑕疵数据。
2.根据权利要求1所述的皮料识别方法,其特征在于,所述获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块之前,还包括:
预先建立学习库;所述学习库用于存储多个皮料参数集,每个皮料参数集包括皮料颜色信息或与皮料颜色关联的皮料条形码相对应的相机参数、图像分析参数和图像拼接参数;
根据所述待处理皮料的颜色从所述学习库读取相应的相机参数、图像分析参数和图像拼接参数。
3.一种皮料识别装置,其特征在于,包括:
图像块读取模块,用于获取相机按照相机运行轨迹于裁床铺料台上方移动过程中,在每次接收图像采集触发指令时采集的图像块;所述图像采集触发指令为相机当前位置为拍照触发位置时被生成,所述相机运行轨迹和所述触发拍照位置基于所述相机的有效拍照范围、所述裁床的上皮位置和待处理皮料的尺寸生成;
皮料识别模块,用于对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成所述当前图像块的皮料图像块特征;所述皮料图像块特征包括块边界信息和皮料图像特征;所述块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据;
其中,所述皮料识别模块进一步用于:
对所述当前图像块的每个像素特征块,判断当前像素特征块的图像特征值与其相邻像素特征块的图像特征值的差值是否不大于预设特征阈值;
若是,将所述当前像素特征块与其相邻像素特征块进行融合;若否,将根据所述当前像素特征块的图像特征值在备选图像特征集中匹配的备选图像特征作为所述当前像素特征块的属性特征,基于各属性特征得到所述当前图像块的皮料图像块特征;
利用8邻域搜索算法对各皮料图像块特征进行边界搜索,将各皮料图像块特征中属性特征值相同的像素点进行连接,得到包括多条边界矢量数据的边界矢量数据集;
根据图像坐标系和裁床坐标系之间的空间转化关系,基于所述裁床拍照起始位置点将所述边界矢量数据集中各边界矢量数据转换至裁床坐标系下,得到裁床矢量数据集;
提取所述裁床矢量数据集中各矢量数据与所述相机有效拍照范围对应的拍照轮廓线的相交线段,并去除所述拍照轮廓线外的重叠图像产生的图像数据后得到有效矢量数据集;
对每个图像块,根据所述当前图像块对应的裁床坐标与所述裁床拍照起始位置点的偏移向量,将所述当前图像块对应在所述有效矢量数据集中的曲线段按照所述偏移向量进行偏移,得到空间匹配有效矢量数据集;
其中,所述皮料识别模块进一步还用于:
预先构建用于存储未封闭线段的未封闭线段集和用于存储闭合曲线的闭合矢量数据集;
提取所述空间匹配有效矢量数据集中各线段的属性特征,并按照线段端点所属的相应图像块的前连接端点和后连接端点放入特征矢量数据归集中;
将所述特征矢量数据归集中的特征属性值相同的曲线端点,按照8邻域邻近关系计算其与所述未封闭线段集中的特征矢量数据线段端点的前连接相邻距离和后连接相邻距离,并确定所述特征矢量数据线段所在图像块的块号和块内矢量前连接索引号和后连接索引号;
将所述未封闭线段集中的线段端点相邻距离满足预设约束条件的各特征矢量数据线段连接为一条矢量曲线,并将首尾线段距离满足所述预设约束条件的特征矢量数据线段设置为闭合属性,并移至所述闭合矢量数据集;
将所述未封闭线段集的各特征矢量数据线段的前连接端点和后连接端点保留在所在图像块中,以供下次拼接使用;
将所述闭合矢量数据集中面积小于预设面积阈值的闭合曲线删除,得到皮料数据生成集;
根据所述皮料数据生成集各矢量数据的特征属性值确定所述待处理皮料的轮廓数据和皮料瑕疵数据。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有皮料识别程序,所述皮料识别程序被处理器执行时实现如权利要求1或2任一项所述皮料识别方法的步骤。
5.一种皮料识别系统,其特征在于,包括图像采集器、运动控制器和图像处理器;
所述图像采集器包括信息生成模块和设置在裁床横梁的相机;所述信息生成模块基于有效拍照范围、裁床上皮位置和待处理皮料尺寸生成相机运动轨迹、拍照触发位置和图像采集触发指令;
所述运动控制器包括驱动装置和位置监控模块;所述驱动装置根据所述相机运动轨迹驱动所述相机在所述裁床的铺料台上方移动;所述位置监控模块将监控所得的相机当前位置发送给所述信息生成模块,以当所述当前位置为所述拍照触发位置时生成所述图像采集触发指令;
所述图像处理器从存储模块读取每次触发拍照功能时采集图像块,对每个图像块,通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成块边界信息和皮料图像特征,所述块边界信息用于通过将皮料边界点对应像素点相连得到块轮廓数据和瑕疵等级数据;基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据;所述备选图像特征包括皮料颜色和皮料瑕疵等级特征;
其中,所述通过比对当前图像块的各像素特征块与相邻像素特征块或备选图像特征生成块边界信息和皮料图像特征包括:
对所述当前图像块的每个像素特征块,判断当前像素特征块的图像特征值与其相邻像素特征块的图像特征值的差值是否不大于预设特征阈值;
若是,将所述当前像素特征块与其相邻像素特征块进行融合;若否,将根据所述当前像素特征块的图像特征值在备选图像特征集中匹配的备选图像特征作为所述当前像素特征块的属性特征,基于各属性特征得到所述当前图像块的皮料图像块特征;
利用8邻域搜索算法对各皮料图像块特征进行边界搜索,将各皮料图像块特征中属性特征值相同的像素点进行连接,得到包括多条边界矢量数据的边界矢量数据集;
根据图像坐标系和裁床坐标系之间的空间转化关系,基于所述裁床拍照起始位置点将所述边界矢量数据集中各边界矢量数据转换至裁床坐标系下,得到裁床矢量数据集;
提取所述裁床矢量数据集中各矢量数据与所述相机有效拍照范围对应的拍照轮廓线的相交线段,并去除所述拍照轮廓线外的重叠图像产生的图像数据后得到有效矢量数据集;
对每个图像块,根据所述当前图像块对应的裁床坐标与所述裁床拍照起始位置点的偏移向量,将所述当前图像块对应在所述有效矢量数据集中的曲线段按照所述偏移向量进行偏移,得到空间匹配有效矢量数据集;
其中,所述基于所有图像块的块边界信息和皮料图像特征通过邻近关系归类和矢量拼接得到所述待处理皮料的轮廓数据和皮料瑕疵数据包括:
预先构建用于存储未封闭线段的未封闭线段集和用于存储闭合曲线的闭合矢量数据集;
提取所述空间匹配有效矢量数据集中各线段的属性特征,并按照线段端点所属的相应图像块的前连接端点和后连接端点放入特征矢量数据归集中;
将所述特征矢量数据归集中的特征属性值相同的曲线端点,按照8邻域邻近关系计算其与所述未封闭线段集中的特征矢量数据线段端点的前连接相邻距离和后连接相邻距离,并确定所述特征矢量数据线段所在图像块的块号和块内矢量前连接索引号和后连接索引号;
将所述未封闭线段集中的线段端点相邻距离满足预设约束条件的各特征矢量数据线段连接为一条矢量曲线,并将首尾线段距离满足所述预设约束条件的特征矢量数据线段设置为闭合属性,并移至所述闭合矢量数据集;
将所述未封闭线段集的各特征矢量数据线段的前连接端点和后连接端点保留在所在图像块中,以供下次拼接使用;
将所述闭合矢量数据集中面积小于预设面积阈值的闭合曲线删除,得到皮料数据生成集;
根据所述皮料数据生成集各矢量数据的特征属性值确定所述待处理皮料的轮廓数据和皮料瑕疵数据。
6.根据权利要求5所述的皮料识别系统,其特征在于,所述存储模块包括位于缓存的图像缓存区和位于硬盘的图像存储区;相应的,所述图像采集器还包括图像存储位选择模块,所述图像存储位选择模块包括:
缓存选择子模块,用于若图像处理速度不小于图像采集速度且所述图像缓存区的剩余空间容量不小于预设容量阈值,将所述相机当前采集的图像块发送至所述图像缓存区进行存储;
硬盘选择子模块,用于若所述图像处理速度不大于所述图像采集速度和/或所述图像缓存区的剩余空间容量小于所述预设容量阈值,将所述相机当前采集的图像块发送至所述图像存储区进行存储,并按照预设位置存储规则从所述图像存储区读取图像数据存入所述图像缓存区等待处理。
7.根据权利要求5所述的皮料识别系统,其特征在于,所述图像采集器还包括用于作为所述相机补光光源的发光装置,所述发光装置封装至所述图像采集器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973111.6A CN112085726B (zh) | 2020-09-16 | 2020-09-16 | 皮料识别方法、装置、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973111.6A CN112085726B (zh) | 2020-09-16 | 2020-09-16 | 皮料识别方法、装置、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085726A CN112085726A (zh) | 2020-12-15 |
CN112085726B true CN112085726B (zh) | 2024-03-22 |
Family
ID=73737884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010973111.6A Active CN112085726B (zh) | 2020-09-16 | 2020-09-16 | 皮料识别方法、装置、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085726B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434253A (zh) * | 2022-03-07 | 2024-01-23 | 金冬林 | 基于物联网的纺织真皮识别系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064009A (zh) * | 2006-04-28 | 2007-10-31 | 夏普株式会社 | 图像处理装置、图像形成装置、图像读取装置及图像处理方法 |
JP2010039662A (ja) * | 2008-08-04 | 2010-02-18 | Dainippon Printing Co Ltd | 皮革形状データ生成装置、皮革形状データ生成方法及び皮革形状データ生成プログラム |
CN102246204A (zh) * | 2008-12-11 | 2011-11-16 | 图象公司 | 用于使用标度空间来处理图像的设备和方法 |
CN107862689A (zh) * | 2017-11-21 | 2018-03-30 | 广东工业大学 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
CN109521023A (zh) * | 2017-09-19 | 2019-03-26 | 东莞市伟通自动化科技有限公司 | 一种皮料表面检测系统 |
CN208860298U (zh) * | 2018-04-11 | 2019-05-14 | 广东理工学院 | 基于cis的皮革缺陷检测装置 |
CN110516653A (zh) * | 2019-09-03 | 2019-11-29 | 武汉天擎空间信息技术有限公司 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
CN111257332A (zh) * | 2020-01-20 | 2020-06-09 | 扬州哈工博视科技有限公司 | 一种皮革瑕疵检测机 |
CN211227183U (zh) * | 2019-11-25 | 2020-08-11 | 佛山市南海区九江腾达皮衣有限公司 | 一种自动识别瑕疵排版真皮开料机 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9491378B2 (en) * | 2014-04-07 | 2016-11-08 | Polestar Technologies, Inc. | Methods and systems for detection and identification of concealed materials |
-
2020
- 2020-09-16 CN CN202010973111.6A patent/CN112085726B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064009A (zh) * | 2006-04-28 | 2007-10-31 | 夏普株式会社 | 图像处理装置、图像形成装置、图像读取装置及图像处理方法 |
JP2010039662A (ja) * | 2008-08-04 | 2010-02-18 | Dainippon Printing Co Ltd | 皮革形状データ生成装置、皮革形状データ生成方法及び皮革形状データ生成プログラム |
CN102246204A (zh) * | 2008-12-11 | 2011-11-16 | 图象公司 | 用于使用标度空间来处理图像的设备和方法 |
CN109521023A (zh) * | 2017-09-19 | 2019-03-26 | 东莞市伟通自动化科技有限公司 | 一种皮料表面检测系统 |
CN107862689A (zh) * | 2017-11-21 | 2018-03-30 | 广东工业大学 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
CN208860298U (zh) * | 2018-04-11 | 2019-05-14 | 广东理工学院 | 基于cis的皮革缺陷检测装置 |
CN110516653A (zh) * | 2019-09-03 | 2019-11-29 | 武汉天擎空间信息技术有限公司 | 一种基于多光谱机载激光雷达点云数据的道路提取方法 |
CN211227183U (zh) * | 2019-11-25 | 2020-08-11 | 佛山市南海区九江腾达皮衣有限公司 | 一种自动识别瑕疵排版真皮开料机 |
CN111257332A (zh) * | 2020-01-20 | 2020-06-09 | 扬州哈工博视科技有限公司 | 一种皮革瑕疵检测机 |
Non-Patent Citations (2)
Title |
---|
一种皮革有效面积的在线测量方法;宁铎,吴林林,索龙博;《陕西科技大学学报》;第156-160页 * |
基于视觉显著度的皮革表面瑕疵检测;朱凌云,严飞华,李汶松;《计算机工程与科学》;第549-555页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085726A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101644731B1 (ko) | 이미지 처리 장치, 이미지 처리 방법, 및 컴퓨터 판독가능한 기록 매체 | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN105528614B (zh) | 一种漫画图像版面的识别方法和自动识别系统 | |
JP6089886B2 (ja) | 領域分割方法および検査装置 | |
JPH10191020A (ja) | 被写体画像切出し方法及び装置 | |
KR102161052B1 (ko) | 영상에서 객체를 분리하는 방법 및 장치. | |
JP2001043376A (ja) | 画像抽出方法及び装置並びに記憶媒体 | |
CN110737785B (zh) | 一种图片标注的方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
CN114663380A (zh) | 一种铝材表面缺陷检测方法、存储介质及计算机系统 | |
CN112085726B (zh) | 皮料识别方法、装置、系统及计算机可读存储介质 | |
CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
CN111462140A (zh) | 一种基于区块拼接的实时图像实例分割方法 | |
KR20220157369A (ko) | 원석과 연관된 위치를 결정하기 위한 방법 및 디바이스 | |
CN113792718B (zh) | 深度图中人脸区域定位方法、电子设备及存储介质 | |
CN114419006A (zh) | 一种随背景变化的灰度视频文字类水印去除方法及系统 | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
Martens et al. | Cross domain matching for semantic point cloud segmentation based on image segmentation and geometric reasoning | |
CN114963991A (zh) | 一种基于三维重建的船体石料体积测量系统 | |
CN114511582A (zh) | 一种古城城垛自动提取方法 | |
Poier et al. | Petrosurf3d–a high-resolution 3d dataset of rock art for surface segmentation | |
CN112819070A (zh) | 隧道管片环缝直线化识别及里程环号标记方法 | |
Xi et al. | Localizing 3-d anatomical landmarks using deep convolutional neural networks | |
CN113033656B (zh) | 一种基于生成对抗网络的交互式孔探数据扩展方法 |
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 |