CN112348835A - 一种物料数量的检测方法、装置、电子设备及存储介质 - Google Patents
一种物料数量的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112348835A CN112348835A CN202011370532.6A CN202011370532A CN112348835A CN 112348835 A CN112348835 A CN 112348835A CN 202011370532 A CN202011370532 A CN 202011370532A CN 112348835 A CN112348835 A CN 112348835A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- sub
- target
- images
- 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 72
- 239000000463 material Substances 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 description 11
- 239000010959 steel Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种物料数量的检测方法、装置、电子设备及存储介质,方法包括:获取待测图像及待测图像的尺寸;当待测图像的尺寸大于预设值时,对待测图像进行分割处理,得到至少两个待测子图像;对各个待测子图像进行目标检测,确定各个待测子图像中目标的位置信息;根据各个待测子图像中目标的位置信息,确定待测图像中目标的数量。本发明通过对大于预设值的待测图像进行分割处理,对分割后的各个待测子图像分别进行目标检测,确定各目标的位置信息,最终确定目标的数量;避免了对尺寸过大的待测图像进行压缩,导致目标信息不显著,进而出现目标漏检的现象,实现了在移动端对待测图像中的目标进行灵活、高效、准确的检测并计数。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种物料数量的检测方法、装置、电子设备及存储介质。
背景技术
随着云服务、大数据、人工智能等新技术的发展以及应用,在工地施工现场也逐渐的通过应用新技术来进行数据分析,一些基于网络运行的钢筋检测技术的检测结果准确性低。因此,目前工地施工现场对于场内的钢筋材料的盘点大部分还是依靠人工手动进行的,然而人工盘点存在耗时长、效率低的问题,并且长时间工作使得工人的专注度急剧下降,难以保证盘点的准确率。
发明内容
有鉴于此,本发明实施例提供了一种物料数量的检测方法、装置、电子设备及存储介质,解决了人工盘点存在的耗时长、效率低及准确率差的问题。
根据第一方面,本发明实施例提供了一种物料数量的检测方法,包括:
获取待测图像及所述待测图像的尺寸;
当所述待测图像的尺寸大于预设值时,对所述待测图像进行分割处理,得到至少两个待测子图像;
对各个所述待测子图像进行目标检测,确定各个所述待测子图像中目标的位置信息;
根据各个所述待测子图像中目标的位置信息,确定所述待测图像中目标的数量。
本发明实施例提供的物料数量的检测方法,通过对大于预设值的待测图像进行分割处理,对分割后的各个待测子图像分别进行目标检测,确定各目标的位置信息,最终确定目标的数量;避免了由于待测图像尺寸过大,在目标检测过程中对待测图像进行压缩,导致目标信息不显著,进而出现目标漏检的现象,实现了对待测图像中的目标进行灵活、高效、准确的检测并计数。
结合第一方面,在第一方面第一实施方式中,所述对所述待测图像进行分割处理,得到至少两个待测子图像,包括:
获取所述待测图像的分割线,以得到各个所述待测子图像的预设边界线;
基于所述待测图像中目标的预设尺寸对所述预设边界线进行调整,确定各个所述待测子图像的目标边界线;
利用各个所述待测子图像的目标边界线,分割所述待测图像,得到至少两个所述待测子图像。
本发明实施例提供的物料数量的检测方法,利用待测图像中目标的预设尺寸对预设边界线进行调整,以使得待测子图像中能够包括完整的目标,避免将同一个目标分割在不同的待测子图像中,提高了后续目标检测的准确性。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述基于所述待测图像中目标的预设尺寸对所述预设边界线进行调整,确定各个所述待测子图像的目标边界线,包括:
利用所述预设尺寸依次对各个所述待测子图像的预设边界线进行平移处理,形成与所述待测子图像对应的封闭区域确定各个所述待测子图像的目标边界线,以使得各个所述封闭区域内包括完整的目标且所有所述封闭区域的尺寸大于或等于所述待测图像的尺寸。
本实施例提供的物料数量的检测方法,通过对预设边界线直接进行平移处理,能够简化对预设边界线的调整过程,提高了目标检测的效率。
结合第一方面第一实施方式,或第二实施方式,在第一方面第三实施方式中,所述获取所述待测图像的分割线,包括:
获取所述待测图像的中心点,以得到分割原点;
基于所述分割原点,形成第一方向的分割线以及第二方向的分割线,以得到所述待测图像的分割线,所述第一方向与所述第二方向垂直。
本发明实施例提供的物料数量的检测方法,通过待测图像的分割线确定待测子图像的预设分界线,利用目标的预设尺寸对预设边界进行相应的调整,进而对待测图像进行分割,确定待测子图像;避免了直接采用预设分界线对图像进行分割导致目标被切割,进而无法对目标进行完整的检测识别,提高了检测的准确率。
结合第一方面,在第一方面第四实施方式中,所述根据各个所述待测子图像中目标的位置信息,确定所述待测图像中目标的数量,包括:
获取各个所述待测子图像的坐标信息;
利用各个所述待测子图像的坐标信息对各个所述待测子图像进行拼接,得到拼接图像;
基于所述拼接图像中各个目标的位置信息,对所述拼接图像中的目标进行筛选,确定所述待测图像中目标的数量。
本发明实施例提供的物料数量的检测方法,通过坐标信息对待测子图像进行拼接,然后利用拼接后的图像筛选重复的目标,保证检测的准确性。
结合第一方面第四实施方式,在第一方面第五实施方式中,所述利用各个所述待测子图像的坐标信息对各个所述待测子图像进行拼接,得到拼接图像,包括:
获取与所述待测图像对应的模板图像;
基于各个所述待测子图像的坐标信息,将各个所述待测子图像与所述模板图像进行对齐,得到所述拼接图像。
本发明实施例提供的物料数量的检测方法,通过待测图像的模板图像,将待测子图像进行拼接,以便于后续各个子图像进行拼接过程中能够更清楚的还原该图像。可以为后续管理人员或工人更直观的进行复检提供便利条件。
结合第一方面第五实施方式,在第一方面第六实施方式中,所述基于所述拼接图像中各个目标的位置信息,对所述拼接图像中的目标进行筛选,确定所述待测图像中目标的数量,包括:
利用所述拼接图像中各个目标的位置信息,确定各个目标对应的检测框;
基于各个目标对应的检测框的大小,对所述拼接图像中的目标进行筛选,确定所述待测图像中目标的数量。
本发明实施例提供的物料数量的检测方法,利用分割后的待测子图像的坐标信息,进行各个待测子图像的拼接处理,拼接过程中保证了拼接图像与原始待测图像的尺寸一致,并在拼接图像中将各个目标通过检测框进行标记,进而使得检测结果更具直观性,以便于后续复检过程的简便性,提高检测效率。
根据第二方面,本发明实施例提供了一种物料数量的检测装置,包括:
第一处理模块,用于获取待测图像及所述待测图像的尺寸;
第二处理模块,用于当所述待测图像的尺寸大于预设值时,对所述待测图像进行分割处理,得到至少两个待测子图像;
第三处理模块,用于对各个所述待测子图像进行目标检测,确定各个所述待测子图像中目标的位置信息;
第四处理模块,用于根据各个所述待测子图像中目标的位置信息,确定所述待测图像中目标的数量。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的物料数量的检测方法。
根据第四方面,本发明实施例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存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的物料数量的检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的物料数量的检测方法的流程图;
图2是根据本发明优选实施例的对待测图像进行分割处理的流程图;
图3是根据本发明实施例的具体分割的示意图;
图4是根据本发明实施例的确定待测图像中目标数量的流程图;
图5是根据本发明实施例的物料数量的检测装置的示意图;
图6是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明实施例提供的物料数量的检测方法,可以应用于工地施工现场的钢筋材料的盘点,也可以应用于工作车间成捆出售零食的盘点。在本发明中对物料数量的检测方法的具体应用场景并不作任何限制,在下文的描述中,以对钢筋的检测为例进行详细描述。
目前钢筋材料的盘点主要依靠人工进行,存在耗人工、耗时间的问题,并且长时间工作也会使得工人的专注度急剧下降,最后盘点的准确度就难以保证;随着大数据、神经网络的快速发展,对于钢筋材料的盘点还存在一些基于YOLO(You Only Look Once:Unified,Real-Time Object Detection)网络运行的钢筋检测技术,但是检测的准确度低。
根据本发明实施例,提供了一种物料数量的检测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种物料数量的检测方法,可用于电子设备,例如电脑、手机、平板电脑等。图1是根据本发明实施例的物料数量的检测方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取待测图像及待测图像的尺寸。
其中,待测图像可以是电子设备直接从外界获取到的,也可以是利用电子设备中的图像采集装置采集得到的,在此对电子设备获取待测图像的方式并不做任何限制,只需保证电子设备能够获取到待测图像即可。进一步地,关于待测图像的尺寸,可以是电子设备通过对待测图像的像素点进行分析得到,也可以是外界发送给电子设备的,等等。
例如,以工地钢筋盘点为例进行说明,首先对整捆钢筋进行拍照,得到待测图像,然后计算待测图像的尺寸,或者根据相机的相关参数直接获取待测图像的尺寸。
S12,当待测图像的尺寸大于预设值时,对待测图像进行分割处理,得到至少两个待测子图像。
在后续的目标检测过程中,若待测图像的尺寸过大,则会使得检测过程中很难快速地检测出待测图像中的目标;或者,若采用检测网络的方式对目标进行检测时,由于进行目标检测的网络模型对于输入有固定的要求,因此当图像太大时,图像中的目标(例如钢筋信息)就会不显著,会出现目标漏检的现象。因此,电子设备在对待侧图像进行目标检测之前,需要先将待测图像的尺寸与预设值进行大小比较,在待测图像的尺寸大于预设值时,就需要对待测图像进行分割处理,得到至少两个待测子图像。
S13,对各个待测子图像进行目标检测,确定各个待测子图像中目标的位置信息。
电子设备在上述S12中得到各个待测子图像之后,可以对待测子图像进行图像分析,确定待测子图像中的目标;也可以采用检测网络的方式,检测待测子图像中的目标,等等。在此对电子设备具体采用何种方式对各个待测子图像进行目标检测并不作任何限制,只需保证电子设备能够确定各个待测自图像中目标的位置信息即可。
作为本实施例的一种可选实施方式,上述S13可以包括如下步骤:
分别将各个待测子图像输入预设网络模型中进行目标检测,其中,预设网络模型为SSD-MobileNet模型。
例如,以电子设备采用检测网络的方式检测待测子图像中的目标为例。电子设备将每个分割后的待测子图像分别输入目标检测的网络模型中,最终得到各个待测子图像中各个目标的位置信息。其中目标检测的网络模型是已经利用大数据提供的数据集进行了训练的网络模型,其检测准确率是能够保证的。对于各个待测子图像而言,待测子图像中的目标的位置信息可以是目标在图像中显示的相对位置坐标,也可以是某一顶点的位置坐标及目标的尺寸信息,进而确定目标在整个待测子图像中的具体位置,本发明并不以此为限。
需要说明的是,如果初始获取的待测图像的尺寸满足模型的要求,则直接将待测图像输入目标检测的网络模型中,最终得到待测图像中各个目标的位置信息,本发明并不以此为限。
结合检测网络对上述S12中待测图像的分割处理进行再次解释如下:其中,由于SSD-MobileNet神经网络模型是将标准卷积核进行分解计算,减少了计算量,并且此模型继承了MobileNet预测速度快,易于部署的特点,能够很好的在多种设备上完成图像目标检测任务,因此本实施例选择以检测网络为SSD-MobileNet神经网络模型为例。需要说明的是,在实际应用中还可以根据实际需求选择其他网络模型进行目标检测,本发明并不以此为限。
电子设备将带有一捆钢筋的图像输入到SSD-MobileNet模型中,但是由于模型对输入有固定要求,例如要求为800*800(预设值),如果输入的图像过大,此网络模型就会对图像进行压缩,可能会导致原本可见的钢筋(目标)模糊,甚至是消失不能识别。因此在获取到待测图像的尺寸后,首先判断待测图像的尺寸是否大于预设值,当待测图像的尺寸大于预设值时,就需要对待测图像进行分割处理,得到至少两个待测子图像分别进行目标检测,如果待测图像的尺寸不大于预设值,就不需要分割直接对待测图像进行目标检测。需要说明的是,本发明实施例中的预设值是根据目标检测的网络模型的限制进行设定的,在实际应用中网络模型的选择是根据实际需求进行的,本发明并不以此为限。
S14,根据各个待测子图像中目标的位置信息,确定待测图像中目标的数量。
电子设备在上述S13中得到各个待测子图像中目标的位置信息之后,可以利用各个目标的位置信息对各个待测子图像中的目标进行筛选处理,以去除重复的目标;电子设备也可以先将各个待测子图像进行拼接,相应地,也就将各个待测子图像中的目标进行拼接,基于拼接结果对目标进行筛选,确定出待测图像中目标的数量。
电子设备在检测得到各个待测子图像中各个目标的位置信息后,就可以利用位置信息唯一确定各个目标,进而确定的待测图像中目标的数量。
关于该步骤具体将在下文中进行详细描述。
本实施例提供的物料数量的检测方法,通过对大于预设值的待测图像进行分割处理,对分割后的各个待测子图像分别进行目标检测,确定各目标的位置信息,最终确定目标的数量;避免了由于待测图像尺寸过大,在目标检测过程中对待测图像进行压缩,导致目标信息不显著,进而出现目标漏检的现象,实现了在移动端对待测图像中的目标进行灵活、高效、准确的检测并计数。
在本实施例中提供了一种物料数量的检测方法,图2是根据本发明实施例的物料数量的检测方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取待测图像及待测图像的尺寸。
详细请参见图1所示实施例的S11,在此不再赘述。
S22,当待测图像的尺寸大于预设值时,对待测图像进行分割处理,得到至少两个待测子图像。
具体地,上述S22包括如下步骤:
S221,获取待测图像的分割线,以得到各个待测子图像的预设边界线。
对于待测图像的分割,预设有一定的分割线,其中分割线的具体位置是可以根据检测目标的形状、待测图像的尺寸及网络模型的预设值进行确定,以便于在处理过程中,可以得到各个待测子图像的预设边界线,其中预设边界线是根据分割线以及图像边缘进行确定的,以保证切割的完整性,并且避免切割多于图像边界部分影响检测的准确性及速率。
作为本实施例的一种可选实施方式,上述S221可以包括如下步骤:
(1)获取待测图像的中心点,以得到分割原点。
利用待测图像的相对坐标获取待测图像的中心点,将此中心点确定为分割原点,以便于对待测图像进行分割处理。还可以利用现有的成熟算法利用待测图像的二值图像识别出待测图像的中心点,只要能够达到获取中心点的目的即可,本发明并不以此为限。
(2)基于分割原点,形成第一方向的分割线以及第二方向的分割线,以得到待测图像的分割线,第一方向与第二方向垂直。
如果根据前述要求需要将待测图像分割成4张待测子图像,则可以基于分割原点,形成第一方向的分割线以及第二方向的分割线,以得到待测图像的分割线,第一方向与第二方向垂直。如图3所示,如果将钢筋图像分割为4张子图像,根据分割原点,就可以确定第一方向(水平)的分割线以及第二方向(竖直)的分割线(虚线),以便于后续对待测图像进行分割处理。需要说明的是,本发明实施例仅举例说明分割为4张图像,并且分割线确定也与子图像的个数有关,在实际应用中,如果仅仅将图像分为2张子图像即可满足要求,则只需要确认一条分割线即可,如果需要分割的子图像更能多,则还需要确认不一样的分割线,但是如果需要分割的个数过多(可以根据实际运行内存及容忍时间确定)时,则判定原始的待测图像不合格,重新输入合格的新图像,本发明并不以此为限。
S222,基于待测图像中目标的预设尺寸对预设边界线进行调整,确定各个待测子图像的目标边界线。
基于待测图像中目标的预设尺寸对预设边界线进行调整,也就是可以根据钢筋的预设标准尺寸或者此待测图像中钢筋的预设尺寸对预设边界线进行调整,但是检测到预设边界线为整个待测图像的边界时,则不进行调整;其中调整的大小是根据预设尺寸及实际经验进行确定的,例如:通过大数据对大量工地现场钢筋图片的分析,发现每捆钢筋的行数和列数通常会大于10行,在实际应用中是20行左右的情况更多,因此可以将预设边界线的调整范围的最小值确定为整个待测子图像的5%,进而避免出现将单个目标分割开,而无法准确检测目标并进行计数。并且在确定目标边界线的过程中,对于预设边界线的调整范围还会考虑不会导致重叠区域过多,进而提高检测效率。需要说明的是,本发明实施例仅举例说明预设边界线的调整范围的确定过程,在实际应用可以根据实际情况进行调整,本发明并不以此为限。
并且对预设边界线进行调整,可以是将预设边界线进行平移,例如对于每个子图像向外扩充或者向内收缩;也可以是利用预设边界线上目标的轮廓线对预设边界线进行调整,例如每根钢筋的轮廓。因此也可以确定,本发明实施例中的预设边界线可以是如图3所示的直线,还可以是根据目标的轮廓确定的切割轮廓线,本发明并不以此为限。
在本实施例的一些可选实施方式中,上述S222可以包括如下步骤:
利用预设尺寸依次对各个待测子图像的预设边界线进行平移处理,形成与待测子图像对应的封闭区域确定各个待测子图像的目标边界线,以使得各个封闭区域内包括完整的目标且所有封闭区域的尺寸大于或等于待测图像的尺寸。其中预设尺寸就是根据目标的尺寸进行确定的,应当大于等于目标的尺寸,对预设边界线进行平移后,会对每个子图像根据图像边界及平移后的预设边界线进行一个环绕,即形成封闭区域(为如图3中的实线连接的标注的区域);还有一种情况就是如果预设边界线将待测图像进行分割时,就包含了过多的重复切割的区域,则需要将预设边界线向内平移,避免对同一个目标进行多次的重复检测,提高检测效率并且节省硬件设施。需要说明的是,本申请仅仅举例说明需要将预设边界线外扩和内缩的情况,本发明仅以此为例,并不以此为限。
S223,利用各个待测子图像的目标边界线,分割待测图像,得到至少两个待测子图像。
最终分割的至少两个待测子图像由于目标边界线会使得各个子图像中存在重叠的部分,避免了漏检的问题;同时上述过程中还限定了在对预设边界线进行调整确定目标边界线的过程中重叠区域满足一定要求,避免同一目标被检测的次数过多,进而在保证避免漏检问题的同时提高检测效率。
S23,对各个待测子图像进行目标检测,确定各个待测子图像中目标的位置信息。
详细请参见图1所示实施例的S13,在此不再赘述。
S24,根据各个待测子图像中目标的位置信息,确定待测图像中目标的数量。
详细请参见图1所示实施例的S14,在此不再赘述。
本实施例提供的物料数量的检测方法,通过待测图像的分割线确定待测子图像的预设分界线,利用目标的预设尺寸对预设边界进行相应的调整,进而对待测图像进行分割,确定待测子图像;避免了直接采用预设分界线对图像进行分割导致目标被切割,进而无法对目标进行完整的检测识别,提高了检测的准确率。
在本实施例中提供了一种物料数量的检测方法,图4是根据本发明实施例的物料数量的检测方法的流程图,如图4所示,该流程包括如下步骤:
S31,获取待测图像及待测图像的尺寸。
详细请参见图1所示实施例的S11,在此不再赘述。
S32,当待测图像的尺寸大于预设值时,对待测图像进行分割处理,得到至少两个待测子图像。
详细请参见图1所示实施例的S12或者参见图2所示实施例的S22,在此不再赘述。
S33,对各个待测子图像进行目标检测,确定各个待测子图像中目标的位置信息。
详细请参见图1所示实施例的S13,在此不再赘述。
S34,根据各个待测子图像中目标的位置信息,确定待测图像中目标的数量。
其中,在确定各个目标的位置信息之后,对各个待测子图像的边缘部分进行检测,如果目标的位置信息在待测子图像的边缘部分,就判断此目标的位置信息组成的目标标记区域的大小是否小于目标的预设尺寸,也就是如果标记的目标位置在子图像的边缘,并且此目标的位置信息组成的区域小于某一个目标的尺寸,则将此目标的位置信息进行剔除。
本发明实施例中,还以上述钢筋为例,如果确定了每个待测子图像中的各个钢筋的位置信息之后,就可以对钢筋进行标记,判断各个钢筋的位置信息是否在待测子图像的边缘部分,如果存在某一个钢筋的位置信息在待测子图像的边缘部分,那么就接着此钢筋的位置信息组成的标记区域是否小于钢筋的尺寸,如果小于就说明此区域标记的钢筋不是一根完整的钢筋,在分割过程中被切分开了;并且由于切割过程中目标边界线则可以保证此被切分开的钢筋可以完整的保留在其他待测子图像中,因此就将此位于待测子图像边缘部分并且不完整的钢筋剔除,以保证检测的速率与准确性。
具体地,上述S34包括如下步骤:
S341,获取各个待测子图像的坐标信息。
获取分割后的各个待测子图像相对于待测图像的相对的坐标信息。例如以待测图像的原点为零点,则可以根据图像的尺寸进行各个待测子图像的坐标信息的确定。需要说明的是,本发明实施例仅以上述确定坐标信息为例进行说明,在实际应用中还可以以某一顶点建立坐标系等其他方法确定待测子图像的坐标信息,本发明并不以此为限。
S342,利用各个待测子图像的坐标信息对各个待测子图像进行拼接,得到拼接图像。
在本实施例的一些可选实施方式中,上述S342可以包括如下步骤:
(1)获取与待测图像对应的模板图像。
建立一个与输入到网络模型中的待测图像或者与图像检测算法中输入的待测图的大小相同的模板图像,以便于后续各个子图像进行拼接过程中能够更清楚的还原该图像。可以为后续管理人员或工人更直观的进行复检提供便利条件。
(2)基于各个待测子图像的坐标信息,将各个待测子图像与模板图像进行对齐,得到拼接图像。
S343,基于拼接图像中各个目标的位置信息,对拼接图像中的目标进行筛选,确定待测图像中目标的数量。
在待测图像进行分割过程中,由于目标边界线可能会导致切割的子图像存在重复的区域,就导致可能存在重复标记的目标,因此需要对拼接图像中的所有目标进行筛选,目的是过滤掉重复标记的目标,确定待测图像中目标的数量。
在本实施例的另一些可选实施方式中,上述S343可以包括如下步骤:
(1)利用拼接图像中各个目标的位置信息,确定各个目标对应的检测框。
确定了拼接图像中各个目标的位置信息后,为了便于后续的对比观察,可以选择对各个目标进行检测框形式的标记,进而会根据目标位置信息的不同得到大小不同的检测框;其中检测框可以选择矩形框进行标注,也可以根据目标的轮廓进行检测框形状的选择,本发明并不以此为限。
(2)基于各个目标对应的检测框的大小,对拼接图像中的目标进行筛选,确定待测图像中目标的数量。
由于重叠区域的存在可能导致目标的重复检测标记,因此对于某一个目标的检测框可能会存在多个大小不一的检测框,则可以利用非极大值抑制算法对拼接图像中检测框进行过滤处理,去除重叠或标注不准确的一些检测框,确定待测图像中目标的数量,还可以包含带有检测框的图像便于后续能够更直观的观察目标所在位置。
本实施例提供的物料数量的检测方法,利用分割后的待测子图像的坐标信息,进行各个待测子图像的拼接处理,拼接过程中保证了拼接图像与原始待测图像的尺寸一致,并在拼接图像中将各个目标通过检测框进行标记,进而使得检测结果更具直观性,以便于后续复检过程的简便性,提高检测效率。
在本实施例中还提供了一种目标检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种目标检测装置,如图5所示,包括:第一处理模块1,用于获取待测图像及待测图像的尺寸;第二处理模块2,用于当待测图像的尺寸大于预设值时,对待测图像进行分割处理,得到至少两个待测子图像;第三处理模块3,用于对各个待测子图像进行目标检测,确定各个待测子图像中目标的位置信息;第四处理模块4,用于根据各个待测子图像中目标的位置信息,确定待测图像中目标的数量。
本实施例中的目标检测装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图5所示的目标检测装置。
请参阅图6,图6是本发明可选实施例提供的一种电子设备的结构示意图,如图6所示,该电子设备可以包括:至少一个处理器601,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口603,存储器604,至少一个通信总线602。其中,通信总线602用于实现这些组件之间的连接通信。其中,通信接口603可以包括显示屏(Display)、键盘(Keyboard),可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图5所描述的装置,存储器604中存储应用程序,且处理器601调用存储器604中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线602可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器604可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器604还可以包括上述种类的存储器的组合。
其中,处理器601可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器604还用于存储程序指令。处理器601可以调用程序指令,实现如本申请图1、2和4实施例中所示的物料数量的检测方法。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的物料数量的检测方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种物料数量的检测方法,其特征在于,包括:
获取待测图像及所述待测图像的尺寸;
当所述待测图像的尺寸大于预设值时,对所述待测图像进行分割处理,得到至少两个待测子图像;
对各个所述待测子图像进行目标检测,确定各个所述待测子图像中目标的位置信息;
根据各个所述待测子图像中目标的位置信息,确定所述待测图像中目标的数量。
2.根据权利要求1所述的方法,其特征在于,所述对所述待测图像进行分割处理,得到至少两个待测子图像,包括:
获取所述待测图像的分割线,以得到各个所述待测子图像的预设边界线;
基于所述待测图像中目标的预设尺寸对所述预设边界线进行调整,确定各个所述待测子图像的目标边界线;
利用各个所述待测子图像的目标边界线,分割所述待测图像,得到至少两个所述待测子图像。
3.根据权利要求2所述的方法,其特征在于,所述基于所述待测图像中目标的预设尺寸对所述预设边界线进行调整,确定各个所述待测子图像的目标边界线,包括:
利用所述预设尺寸依次对各个所述待测子图像的预设边界线进行平移处理,形成与所述待测子图像对应的封闭区域确定各个所述待测子图像的目标边界线,以使得各个所述封闭区域内包括完整的目标且所有所述封闭区域的尺寸大于或等于所述待测图像的尺寸。
4.根据权利要求2或3所述的方法,其特征在于,所述获取所述待测图像的分割线,包括:
获取所述待测图像的中心点,以得到分割原点;
基于所述分割原点,形成第一方向的分割线以及第二方向的分割线,以得到所述待测图像的分割线,所述第一方向与所述第二方向垂直。
5.根据权利要求1所述的方法,其特征在于,所述根据各个所述待测子图像中目标的位置信息,确定所述待测图像中目标的数量,包括:
获取各个所述待测子图像的坐标信息;
利用各个所述待测子图像的坐标信息对各个所述待测子图像进行拼接,得到拼接图像;
基于所述拼接图像中各个目标的位置信息,对所述拼接图像中的目标进行筛选,确定所述待测图像中目标的数量。
6.根据权利要求5所述的方法,其特征在于,所述利用各个所述待测子图像的坐标信息对各个所述待测子图像进行拼接,得到拼接图像,包括:
获取与所述待测图像对应的模板图像;
基于各个所述待测子图像的坐标信息,将各个所述待测子图像与所述模板图像进行对齐,得到所述拼接图像。
7.根据权利要求6所述的方法,其特征在于,所述基于所述拼接图像中各个目标的位置信息,对所述拼接图像中的目标进行筛选,确定所述待测图像中目标的数量,包括:
利用所述拼接图像中各个目标的位置信息,确定各个目标对应的检测框;
基于各个目标对应的检测框的大小,对所述拼接图像中的目标进行筛选,确定所述待测图像中目标的数量。
8.根据权利要求1所述的方法,其特征在于,所述对各个所述待测子图像进行目标检测,包括:分别将各个所述待测子图像输入预设网络模型中进行目标检测,其中,所述预设网络模型为SSD-MobileNet模型。
9.一种物料数量的检测装置,其特征在于,包括:
第一处理模块,用于获取待测图像及所述待测图像的尺寸;
第二处理模块,用于当所述待测图像的尺寸大于预设值时,对所述待测图像进行分割处理,得到至少两个待测子图像;
第三处理模块,用于对各个所述待测子图像进行目标检测,确定各个所述待测子图像中目标的位置信息;
第四处理模块,用于根据各个所述待测子图像中目标的位置信息,确定所述待测图像中目标的数量。
10.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-8中任一项所述的物料数量的检测方法。
11.一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存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-8中任一项所述的物料数量的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370532.6A CN112348835B (zh) | 2020-11-30 | 2020-11-30 | 一种物料数量的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370532.6A CN112348835B (zh) | 2020-11-30 | 2020-11-30 | 一种物料数量的检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348835A true CN112348835A (zh) | 2021-02-09 |
CN112348835B CN112348835B (zh) | 2024-04-16 |
Family
ID=74365228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011370532.6A Active CN112348835B (zh) | 2020-11-30 | 2020-11-30 | 一种物料数量的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348835B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066078A (zh) * | 2021-04-15 | 2021-07-02 | 上海找钢网信息科技股份有限公司 | 管状物计数、模型的训练方法、设备及存储介质 |
CN113111826A (zh) * | 2021-04-22 | 2021-07-13 | 北京房江湖科技有限公司 | 目标物体检测方法、装置、可读存储介质及电子设备 |
CN113762220A (zh) * | 2021-11-03 | 2021-12-07 | 通号通信信息集团有限公司 | 目标识别方法、电子设备、计算机可读存储介质 |
WO2024002394A3 (zh) * | 2022-07-01 | 2024-02-22 | 顺丰科技有限公司 | 目标物数量检测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011118832A (ja) * | 2009-12-07 | 2011-06-16 | Toyota Central R&D Labs Inc | 画像特徴抽出装置、画像処理装置、及びプログラム |
CN107040675A (zh) * | 2016-02-04 | 2017-08-11 | 株式会社理光 | 虚拟分割图像处理方法、扫描装置和多功能一体机 |
CN108764243A (zh) * | 2018-05-30 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种图像处理方法及装置 |
CN109712180A (zh) * | 2019-01-19 | 2019-05-03 | 北京伟景智能科技有限公司 | 一种钢筋计数方法 |
CN109948393A (zh) * | 2019-03-22 | 2019-06-28 | 凌云光技术集团有限责任公司 | 一种一维条码的定位方法及装置 |
US20190206052A1 (en) * | 2017-12-29 | 2019-07-04 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
CN110796104A (zh) * | 2019-11-01 | 2020-02-14 | 深圳市道通智能航空技术有限公司 | 目标检测方法、装置、存储介质及无人机 |
CN110866476A (zh) * | 2019-11-06 | 2020-03-06 | 南京信息职业技术学院 | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 |
-
2020
- 2020-11-30 CN CN202011370532.6A patent/CN112348835B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011118832A (ja) * | 2009-12-07 | 2011-06-16 | Toyota Central R&D Labs Inc | 画像特徴抽出装置、画像処理装置、及びプログラム |
CN107040675A (zh) * | 2016-02-04 | 2017-08-11 | 株式会社理光 | 虚拟分割图像处理方法、扫描装置和多功能一体机 |
US20190206052A1 (en) * | 2017-12-29 | 2019-07-04 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
CN108764243A (zh) * | 2018-05-30 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种图像处理方法及装置 |
CN109712180A (zh) * | 2019-01-19 | 2019-05-03 | 北京伟景智能科技有限公司 | 一种钢筋计数方法 |
CN109948393A (zh) * | 2019-03-22 | 2019-06-28 | 凌云光技术集团有限责任公司 | 一种一维条码的定位方法及装置 |
CN110796104A (zh) * | 2019-11-01 | 2020-02-14 | 深圳市道通智能航空技术有限公司 | 目标检测方法、装置、存储介质及无人机 |
CN110866476A (zh) * | 2019-11-06 | 2020-03-06 | 南京信息职业技术学院 | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 |
Non-Patent Citations (2)
Title |
---|
HAN WANG 等: "Automatic Rebar Counting using Image Processing and Machine Learning", 《IEEE》 * |
邓凯: "针对钢筋计数系统的图像处理方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》, vol. 2007, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066078A (zh) * | 2021-04-15 | 2021-07-02 | 上海找钢网信息科技股份有限公司 | 管状物计数、模型的训练方法、设备及存储介质 |
CN113111826A (zh) * | 2021-04-22 | 2021-07-13 | 北京房江湖科技有限公司 | 目标物体检测方法、装置、可读存储介质及电子设备 |
CN113762220A (zh) * | 2021-11-03 | 2021-12-07 | 通号通信信息集团有限公司 | 目标识别方法、电子设备、计算机可读存储介质 |
WO2024002394A3 (zh) * | 2022-07-01 | 2024-02-22 | 顺丰科技有限公司 | 目标物数量检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112348835B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348835B (zh) | 一种物料数量的检测方法、装置、电子设备及存储介质 | |
CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
CN108683907B (zh) | 光学模组像素缺陷检测方法、装置及设备 | |
JP7000627B2 (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
CN112348765A (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 | |
CN105302413B (zh) | 控件的ui测试方法及系统 | |
CN105069453A (zh) | 一种图像校正方法及装置 | |
CN110346704B (zh) | 板卡测试中测试文件的确定方法、装置、设备及存储介质 | |
CN116051551B (zh) | 基于图像处理的显示屏缺陷检测方法及相关装置 | |
CN112712513A (zh) | 产品缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN111951210A (zh) | 数据的处理方法、装置及设备 | |
CN114677567B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN110443814B (zh) | 车辆的定损方法、装置、设备和存储介质 | |
CN109712197B (zh) | 一种机场跑道网格化标定方法及系统 | |
CN111369513B (zh) | 一种异常检测方法、装置、终端设备及存储介质 | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
CN116596903A (zh) | 缺陷识别方法、装置、电子设备及可读存储介质 | |
US9613427B2 (en) | Information processing method and electronic device | |
CN116503807A (zh) | 一种设备巡检方法、装置、电子设备及计算机程序产品 | |
CN113012137B (zh) | 一种面板缺陷检查方法、系统、终端设备及存储介质 | |
CN113658096A (zh) | 板材异常检测方法及装置 | |
CN113362227A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111445431B (zh) | 一种图像分割方法、终端设备及计算机可读存储介质 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 |
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 |