CN113362385A - 一种基于深度图像的货物体积测量方法及设备 - Google Patents
一种基于深度图像的货物体积测量方法及设备 Download PDFInfo
- Publication number
- CN113362385A CN113362385A CN202110687652.7A CN202110687652A CN113362385A CN 113362385 A CN113362385 A CN 113362385A CN 202110687652 A CN202110687652 A CN 202110687652A CN 113362385 A CN113362385 A CN 113362385A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- goods
- depth image
- cargo
- calculating
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000691 measurement method Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000717 retained 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Abstract
本发明属于自动测量领域,提供了一种基于深度图像的货物体积测量方法及设备。其中,基于深度图像的货物体积测量方法包括获取货物的深度图像,并将深度图像转换为点云;预处理点云,并对预处理后的点云进行平面估计,分割并删除货物底部所在平面对应的点云,得到目标货物的点云;识别目标货物的点云的空间形状;根据空间形状识别结果来计算货物体积:若空间形状识别结果为立方体形,则计算货物的高度及通过顶面投影计算货物底平面面积,进而得到货物体积;若空间形状识别结果为非立方体形,则将目标货物的点云进行三角网化,积分计算货物的体积。
Description
技术领域
本发明属于自动测量领域,尤其涉及一种基于深度图像的货物体积测量方法及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在物流领域中,提高物流车辆的容积率是提高运输效率、降低物流成本的重要措施之一。其中,货物的体积测量是准确计算运输车辆容积率的关键技术。
发明人发现,目前的自动化的体积测量技术仅适用于规则箱体货物且成本较高,而对于不规则的货物体积的测量,仍采用手动测量的方式,手动测量速度慢,且需要耗费人力去测量,而且手动测量难免会造成误差,若载货车辆进入限高或限体积的隧道公路时,当无法准确获取货物体积时,可能造成载货车辆无法通过隧道公路甚至卡入隧道公路内,影响正常交通以及货物运输的效率。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于深度图像的货物体积测量方法及设备,其可实现货物体积测量且不受货物立体形状的限制,能够有效地提高货物体积测量效率并降低测量成本。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于深度图像的货物体积测量方法,其包括:
获取货物的深度图像,并将深度图像转换为点云;
预处理点云,并对预处理后的点云进行平面估计,分割并删除货物底部所在平面对应的点云,得到目标货物的点云;
识别目标货物的点云的空间形状;
根据空间形状识别结果来计算货物体积:若空间形状识别结果为立方体形,则计算货物的高度及通过顶面投影计算货物底平面面积,进而得到货物体积;若空间形状识别结果为非立方体形,则将目标货物的点云进行三角网化,积分计算货物的体积。
本发明的第二个方面提供一种基于深度图像的货物体积测量设备,其包括:
深度图像转换模块,其用于获取货物的深度图像,并将深度图像转换为点云;
目标货物点云获取模块,其用于预处理点云,并对预处理后的点云进行平面估计,分割并删除货物底部所在平面对应的点云,得到目标货物的点云;
空间形状识别模块,其用于识别目标货物的点云的空间形状;
货物体积计算模块,其用于根据空间形状识别结果来计算货物体积:若空间形状识别结果为立方体形,则计算货物的高度及通过顶面投影计算货物底平面面积,进而得到货物体积;若空间形状识别结果为非立方体形,则将目标货物的点云进行三角网化,积分计算货物的体积。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于深度图像的货物体积测量方法中的步骤。
本发明的第四个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于深度图像的货物体积测量方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明仅需要通过获取货物的深度图像,将深度图像转换为点云,进而点云进行预处理,提取目标货物的点云,识别目标货物的点云的空间形状,最后根据空间形状识别结果来计算货物体积,实现了货物体积的自动测量,避免了手动测量的测量误差,而且测量货物立体形状不受限制,有效地提高了货物体积测量效率及降低了测量成本。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的基于深度图像的货物体积测量方法流程图;
图2(a)是本发明实施例的货物立体图像;
图2(b)是本发明实施例获取的货物深度图像;
图2(c)是本发明实施例的货物深度图像转换成的点云;
图3是本发明实施例的点云预处理流程图;
图4(a)是本发明实施例的相机视野侧视图;
图4(b)是本发明实施例的相机视野主视图;
图5是本发明实施例的ROI区域示意图;
图6是本发明实施例的点云ROI区域;
图7是本发明实施例的点云降采样示意图;
图8是本发明实施例的降采样后点云;
图9是本发明实施例的去除离群点后点云;
图10是本发明实施例的底平面点云;
图11是本发明实施例的目标点云;
图12是本发明实施例的点云三角网示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供了一种基于深度图像的货物体积测量方法,其具体包括如下步骤:
步骤1:获取货物的深度图像,并将深度图像转换为点云。
在具体实施中,可通过深度相机获取货物的深度图像,如图2(b)所示。
其中,深度相机可以是双目相机、结构光相机或TOF深度相机等。
深度图像中每一个坐标位置(u,v)处的值为目标到相机的距离zc。根据以下公式将深度图中(u,v)处深度为zc的坐标点转换为(x,y,z)格式的点云。图2(a)是货物的立体图像。
其中,u0、v0分别为深度图像的中心坐标,x、y、z表示世界坐标系下的三维坐标点,dx、dy分别表示每个像素在横轴x和纵轴y的物理尺寸,f为相机焦距。
通过以上公式即可将获取到的深度图转换为以三维坐标表示的点云数据,如图2(c)所示。
步骤2:预处理点云,并对预处理后的点云进行平面估计,分割并删除货物底部所在平面对应的点云,得到目标货物的点云。
对于步骤1得到的点云数据,由于其数据量大且存在一些离群点,因此需要对点云数据进行预处理。
如图3所示,所述预处理点云的操作依次包括ROI区域提取、降采样和离群点去除操作。
首先对点云进行ROI区域的提取。为了减少计算量,首先从输入点云中提取ROI区域。设深度相机的视野范围为一个长度为L、宽度为W的矩形区域,深度相机位置目标的顶部正上方,即深度相机在平面上的投影点为矩形区域的中心点,如图4(a)和图4(b)所示。
若相机相对于底平面的高度为H,相机的水平视场角为α度,竖直视场角为β度,则L、W可通过如下公式计算得到:
在本实施例中,要求被测量货物的长、宽、高均不大于L/2、W/2、H/2。因此,本实施例中选择ROI区域的尺寸为相机视野的3/4,如图5所示。通过点云的x和y坐标进行ROI区域内点云的选择,删除ROI区域外的点云,得到点云ROI区域,如图6所示。
尽管对点云进行ROI区域选择后,减少了一定数量的点云,但点云密度仍较大,需要对点云进行降采样。本实施例中采用体素化进行点云降采样,如图7所示:
首先设置一定大小的空间立方体,本发明中定义为体素。通过一定数量的体素将输入的全部点云包围起来。这样,每个体素内会包含一定数量的点云。分别计算每一个体素范围内包含点云的质心,用质心作为该体素内点云降采样后的值。输入点云(黑色)被9个空间中的体素包围起来,每个体素内包含一定数量的点云,经过体素化降采样后,以每个体素内的点云质(绿色)心组成输出点云,最终降采样后的点云数量为9,如图8所示。
需要说明的是,除了体素化降采样之外,本领域技术人员也可采用其他方法如均匀降采样、几何降采样等也可实现点云降采样。可以理解的是,无论采用哪种降采样方法,均不影响该步骤的实现。
降采样后的点云可能存在一定数量的离群点,这对于计算货物的体积影响较大,需要进行离群点的删除。由于离群点处的点云密度较小,本发明采用基于统计的离群点去除方法。具体为:假如输入点云数量为N,设定的统计滤波近邻点个数K,本实施例中K=50。计算每个点云pi到其最近邻的K个点云的平均距离di,计算公式如下:
其中||pi-pj||2为点云pi到pj的空间欧氏距离。
然后计算N个平均距离di的均值D和标准差σ,计算公式如下:
设定距离阈值为Dt,其计算公式为:
Dt=D+σ
若点云pi对应的平均距离di大于Dt,则认为点云pi为离群点并进行删除,否则保留作为输出。去除离群点后点云,如图9所示。
在本实施例中,货物的底面在一个平面上。经过预处理后的点云,主要包含两部分:目标点云和底平面点云。
如图10所示的底平面点云是近似在一个平面上的,可通过拟合底平面的平面方程,进而删除构成底平面的点云,保留目标点云,如图11所示。具体为:
首先通过随机一致性采样,初步得到底平面附近的点云;设底平面方程为A1x+B1y+C1z+D1=0,通过对点云进行平面方程拟合,得到方程系数A1、B1、C1、D1的值,即获得底平面模型。在本发明中,考虑到点云的噪声影响,设置一定的间隔δ。在底平面法线上距离上下δ内的点,均认为是底平面内的点云。删除底平面的点云,提取剩余的点云作为目标点云。
步骤3:识别目标货物的点云的空间形状。
本实施例通过基于深度学习的点云分类算法实现货物形状的识别。
例如:通过PointNet++网络模型识别目标形状是否属于空间立方体。
需要说明的是,实现点云目标分类的方法还有如PointNet、VoxelNet等其他方法,但无论采用哪一种实现方法,均不影响本步骤的实现。
步骤4:根据空间形状识别结果来计算货物体积:若空间形状识别结果为立方体形,则计算货物的高度及通过顶面投影计算货物底平面面积,进而得到货物体积;若空间形状识别结果为非立方体形,则将目标货物的点云进行三角网化,积分计算货物的体积。
若目标点云的分类结果为立方体,则检测点云的顶部平面模型,并根据步骤3得到点云顶部平面的方程A2x+B2y+C2z+D2=0。对于立方体货物,首先计算目标的高度。高度通过计算目标顶部平面和底平面之间的间隔距离h得到,其计算公式为:
将点云向底平面投影,得到目标的长和宽,则长宽高的乘积即为目标货物的体积。
若目标点云的分类结果不是立方体,则对目标顶面进行三角网的构建,即顶面的每三个点云构成一个三角形,这样将目标点云微分为多个棱柱,如图12所示。对于每一个棱柱,以三个点云的高度平均值作为高,并求顶面三角网的面积,即可得到每一个棱柱的体积。将全部棱柱的体积积分求和,即可得到目标点云的体积。
实施例二
本实施例提供了一种基于深度图像的货物体积测量设备,其具体包括如下模块:
深度图像转换模块,其用于获取货物的深度图像,并将深度图像转换为点云;
目标货物点云获取模块,其用于预处理点云,并对预处理后的点云进行平面估计,分割并删除货物底部所在平面对应的点云,得到目标货物的点云;
空间形状识别模块,其用于识别目标货物的点云的空间形状;
货物体积计算模块,其用于根据空间形状识别结果来计算货物体积:若空间形状识别结果为立方体形,则计算货物的高度及通过顶面投影计算货物底平面面积,进而得到货物体积;若空间形状识别结果为非立方体形,则将目标货物的点云进行三角网化,积分计算货物的体积。
此处需要说明的是,本实施例的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于深度图像的货物体积测量方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于深度图像的货物体积测量方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度图像的货物体积测量方法,其特征在于,包括:
获取货物的深度图像,并将深度图像转换为点云;
预处理点云,并对预处理后的点云进行平面估计,分割并删除货物底部所在平面对应的点云,得到目标货物的点云;
识别目标货物的点云的空间形状;
根据空间形状识别结果来计算货物体积:若空间形状识别结果为立方体形,则计算货物的高度及通过顶面投影计算货物底平面面积,进而得到货物体积;若空间形状识别结果为非立方体形,则将目标货物的点云进行三角网化,积分计算货物的体积。
2.如权利要求1所述的基于深度图像的货物体积测量方法,其特征在于,所述预处理点云的操作依次包括ROI区域提取、降采样和离群点去除操作。
3.如权利要求2所述的基于深度图像的货物体积测量方法,其特征在于,在ROI区域提取的过程中,选择ROI区域的尺寸为拍摄深度图像的相机视野的3/4。
4.如权利要求2所述的基于深度图像的货物体积测量方法,其特征在于,采用体素化进行点云降采样,其过程为:
通过一定数量的体素将待预处理的点云全部包围,分别计算每一个体素范围内包含点云的质心,用质心作为相应体素内点云降采样后的值。
5.如权利要求2所述的基于深度图像的货物体积测量方法,其特征在于,采用基于统计方法去除离群点。
6.如权利要求1所述的基于深度图像的货物体积测量方法,其特征在于,预处理后的点云进行平面估计的过程为:
通过随机一致性采样,初步得到底平面附近的点云;
预设底平面方程,通过对点云进行平面方程拟合,得到预设底平面方程的相关系数值,获得底平面模型。
7.如权利要求1所述的基于深度图像的货物体积测量方法,其特征在于,利用基于深度学习的点云分类模型来识别目标货物的点云的空间形状。
8.一种基于深度图像的货物体积测量设备,其特征在于,包括:
深度图像转换模块,其用于获取货物的深度图像,并将深度图像转换为点云;
目标货物点云获取模块,其用于预处理点云,并对预处理后的点云进行平面估计,分割并删除货物底部所在平面对应的点云,得到目标货物的点云;
空间形状识别模块,其用于识别目标货物的点云的空间形状;
货物体积计算模块,其用于根据空间形状识别结果来计算货物体积:若空间形状识别结果为立方体形,则计算货物的高度及通过顶面投影计算货物底平面面积,进而得到货物体积;若空间形状识别结果为非立方体形,则将目标货物的点云进行三角网化,积分计算货物的体积。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于深度图像的货物体积测量方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于深度图像的货物体积测量方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687652.7A CN113362385A (zh) | 2021-06-21 | 2021-06-21 | 一种基于深度图像的货物体积测量方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687652.7A CN113362385A (zh) | 2021-06-21 | 2021-06-21 | 一种基于深度图像的货物体积测量方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362385A true CN113362385A (zh) | 2021-09-07 |
Family
ID=77535427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687652.7A Pending CN113362385A (zh) | 2021-06-21 | 2021-06-21 | 一种基于深度图像的货物体积测量方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362385A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565659A (zh) * | 2022-01-19 | 2022-05-31 | 北京精培医学研究院 | 基于单深度图深度学习视图合成的食物体积估计方法 |
CN115511875A (zh) * | 2022-10-28 | 2022-12-23 | 上海东普信息科技有限公司 | 货物堆积的检测方法、装置、设备及存储介质 |
EP4202858A1 (en) * | 2021-12-21 | 2023-06-28 | VisionNav Robotics (Shenzhen) Co., Ltd. | Method and device for cargo counting, computer equipment, and storage medium |
CN117670979A (zh) * | 2024-02-01 | 2024-03-08 | 四川港投云港科技有限公司 | 一种基于固定点位单目相机的大宗货物体积测量方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886961A (zh) * | 2019-03-27 | 2019-06-14 | 重庆交通大学 | 基于深度图像的中大型货物体积测量方法 |
CN109900338A (zh) * | 2018-12-25 | 2019-06-18 | 西安中科天塔科技股份有限公司 | 一种路面坑槽体积测量方法及装置 |
CN109916302A (zh) * | 2019-03-27 | 2019-06-21 | 青岛小鸟看看科技有限公司 | 一种载货箱体的体积测量方法和系统 |
CN110095062A (zh) * | 2019-04-17 | 2019-08-06 | 北京华捷艾米科技有限公司 | 一种物体体积参数测量方法、装置及设备 |
CN110220456A (zh) * | 2019-06-26 | 2019-09-10 | 浙江大学 | 一种手持式箱体尺寸测量装置及测量方法 |
CN111862315A (zh) * | 2020-07-25 | 2020-10-30 | 南开大学 | 一种基于深度相机的人体多尺寸测量方法及系统 |
CN111860060A (zh) * | 2019-04-29 | 2020-10-30 | 顺丰科技有限公司 | 目标检测方法、装置、终端设备及计算机可读存储介质 |
CN112254635A (zh) * | 2020-09-23 | 2021-01-22 | 洛伦兹(北京)科技有限公司 | 体积测量方法、装置及系统 |
-
2021
- 2021-06-21 CN CN202110687652.7A patent/CN113362385A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900338A (zh) * | 2018-12-25 | 2019-06-18 | 西安中科天塔科技股份有限公司 | 一种路面坑槽体积测量方法及装置 |
CN109886961A (zh) * | 2019-03-27 | 2019-06-14 | 重庆交通大学 | 基于深度图像的中大型货物体积测量方法 |
CN109916302A (zh) * | 2019-03-27 | 2019-06-21 | 青岛小鸟看看科技有限公司 | 一种载货箱体的体积测量方法和系统 |
CN110095062A (zh) * | 2019-04-17 | 2019-08-06 | 北京华捷艾米科技有限公司 | 一种物体体积参数测量方法、装置及设备 |
CN111860060A (zh) * | 2019-04-29 | 2020-10-30 | 顺丰科技有限公司 | 目标检测方法、装置、终端设备及计算机可读存储介质 |
CN110220456A (zh) * | 2019-06-26 | 2019-09-10 | 浙江大学 | 一种手持式箱体尺寸测量装置及测量方法 |
CN111862315A (zh) * | 2020-07-25 | 2020-10-30 | 南开大学 | 一种基于深度相机的人体多尺寸测量方法及系统 |
CN112254635A (zh) * | 2020-09-23 | 2021-01-22 | 洛伦兹(北京)科技有限公司 | 体积测量方法、装置及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4202858A1 (en) * | 2021-12-21 | 2023-06-28 | VisionNav Robotics (Shenzhen) Co., Ltd. | Method and device for cargo counting, computer equipment, and storage medium |
CN114565659A (zh) * | 2022-01-19 | 2022-05-31 | 北京精培医学研究院 | 基于单深度图深度学习视图合成的食物体积估计方法 |
CN115511875A (zh) * | 2022-10-28 | 2022-12-23 | 上海东普信息科技有限公司 | 货物堆积的检测方法、装置、设备及存储介质 |
CN117670979A (zh) * | 2024-02-01 | 2024-03-08 | 四川港投云港科技有限公司 | 一种基于固定点位单目相机的大宗货物体积测量方法 |
CN117670979B (zh) * | 2024-02-01 | 2024-04-30 | 四川港投云港科技有限公司 | 一种基于固定点位单目相机的大宗货物体积测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507167B (zh) | 一种基于点云平面轮廓匹配的货物托盘检测方法及系统 | |
CN113362385A (zh) | 一种基于深度图像的货物体积测量方法及设备 | |
CN110879994A (zh) | 基于形状注意力机制的三维目测检测方法、系统、装置 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
US9454692B2 (en) | Method for identifying and positioning building using outline region restraint of mountain | |
CN112613378B (zh) | 3d目标检测方法、系统、介质及终端 | |
CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN113267761B (zh) | 激光雷达目标检测识别方法、系统及计算机可读存储介质 | |
CN101114337A (zh) | 一种地面建筑物识别定位方法 | |
CN115546202B (zh) | 一种用于无人叉车的托盘检测与定位方法 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
CN114463736A (zh) | 一种基于多模态信息融合的多目标检测方法及装置 | |
CN114396875A (zh) | 一种基于深度相机垂直拍摄的长方形包裹体积测量方法 | |
CN114170596A (zh) | 姿态识别方法、装置、电子设备、工程机械和存储介质 | |
CN113838069A (zh) | 基于平面度约束的点云分割方法和系统 | |
CN116721228B (zh) | 一种基于低密度点云的建筑物高程提取方法及系统 | |
CN113538557B (zh) | 基于三维视觉的箱体积测量装置 | |
CN112614174A (zh) | 点云补全和点云分割方法、装置、电子设备及存储介质 | |
Giosan et al. | Superpixel-based obstacle segmentation from dense stereo urban traffic scenarios using intensity, depth and optical flow information | |
CN110135382B (zh) | 一种人体检测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |