CN113450315A - 棒材计数方法、装置及分钢系统 - Google Patents
棒材计数方法、装置及分钢系统 Download PDFInfo
- Publication number
- CN113450315A CN113450315A CN202110635735.1A CN202110635735A CN113450315A CN 113450315 A CN113450315 A CN 113450315A CN 202110635735 A CN202110635735 A CN 202110635735A CN 113450315 A CN113450315 A CN 113450315A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- point cloud
- bar
- image
- depth
- 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 33
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 24
- 239000010959 steel Substances 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 abstract description 4
- 230000007797 corrosion Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种棒材计数方法、装置及分钢系统,属于机器视觉技术领域。该方法包括获取待检测区域内多根棒材端面的点云数据;利用深度方向的连续性对点云数据进行立体分割以得到多个子点云数据;对每个子点云数据在深度方向进行平面投影以得到相应的深度图像;利用预先训练好的深度卷积神经网络模型对每个深度图像进行棒材识别;统计每个深度图像中识别出的棒材数量。本发明的棒材计数方法是通过获取棒材端面的三维立体图像,之后从中提取出二维深度图像,再通过识别模型从深度图像中识别棒材,实现了棒材在线计数的自动化,其不受环境光线过亮或过暗或者棒材锈蚀的影响,具有高效率和高精度的特点,可大量稳定使用。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种棒材计数方法、装置及分钢系统。
背景技术
在棒材的生产和销售过程中,棒材的数量是非常重要的指标,然而由于棒材(例如不锈钢棒材、铜棒材、钢筋等)的直径普遍较小,截面不规整,千差万别,钢筋的数量众多又参差不齐的分散在传送机构上,如何在线快速计数以进行准确分钢成为业界迫切需要解决的问题。
在现有的技术方案中,最常出现的计数方式是人工计数,这种方式耗时长、劳动强度高且效率低。目前市面上出现的基于计算机视觉的棒材数量统计方法为:获取被测棒材端面的原始彩色图像后转换成灰度图像,再经增强处理后转换成二值图像,然后利用二值图像进行计数,此技术方案相较于人工计数具有快速、自动化的特点,但直接获取的棒材端面平面图像中由于端面反光不同,端面颜色深的区域反光差、颜色浅的区域反光好,这样造成棒材识别出错率高,即在过亮或过暗的环境或棒材存在锈蚀情况影响下计数误差较大,无法大量稳定使用。
发明内容
为了解决上述技术问题,本发明实施例提供了一种棒材计数方法、装置及分钢系统,实现了自动化、高效率和高精度的棒材在线计数。
一方面,本发明实施例提供了一种棒材计数方法,包括:
获取待检测区域内多根棒材端面的点云数据;
利用深度方向的连续性对所述点云数据进行立体分割以得到多个子点云数据;
对每个所述子点云数据在深度方向进行平面投影以得到相应的深度图像;
利用预先训练好的深度卷积神经网络模型对每个所述深度图像进行棒材识别;
统计每个所述深度图像中识别出的棒材数量。
在一些实施例中,所述利用深度方向的连续性对所述点云数据进行立体分割以得到多个子点云数据的步骤包括:
根据预设深度阈值对所述点云数据进行初步分割得到初分割点云数据;
获取所述初分割点云数据在深度方向的多个不连续点;
根据所述不连续点对所述初分割点云数据进行再分割以得到多个子点云数据。
在一些实施例中,所述对每个所述子点云数据在深度方向进行平面投影以得到相应的深度图像的步骤为:
对每个所述子点云数据进行二维量化处理得到相应的深度图像。
在一些实施例中,所述深度卷积神经网络模型采用YOLO网络结构。
在一些实施例中,所述深度图像的大小为64*64。
在一些实施例中,所述深度卷积神经网络模型使用libtorch用c++部署。
在一些实施例中,所述获取待检测区域内多根棒材端面的点云数据的步骤包括:
获取待检测区域内多根棒材端面上投射的线激光的左图像和右图像;
对所述左图像和所述右图像进行立体校正,使校正后的左图像和右图像行对准;
对校正后的左图像和右图像进行匹配得到线激光成像匹配点对;
根据所述线激光成像匹配点对得到左右图像视差,根据所述左右图像视差计算得到所述多根棒材端面的点云数据。
另一方面,本发明实施例还提供了一种棒材计数装置,包括棒材传送机构和线激光双目立体相机,所述棒材传送机构上传送多根棒材,所述线激光双目立体相机设置于所述棒材传送机构的一侧且拍摄方向朝向棒材端面;
其中,所述线激光双目立体相机包括视觉处理器,与所述视觉处理器连接的线激光器、以预设距离相对设置的第一摄像头和第二摄像头,所述线激光器发射线激光到所述棒材端面,所述第一摄像头和所述第二摄像头拍摄所述棒材端面上线激光的图像以得到左图像和右图像;
所述视觉处理器包括:获取模块,被配置为根据所述左图像和右图像获取待检测区域内多根棒材端面的点云数据;分割模块,被配置为利用深度方向的连续性对所述点云数据进行立体分割以得到多个子点云数据;投影模块,被配置为对每个所述子点云数据在深度方向进行平面投影以得到相应的深度图像;棒材识别模块,用于利用预先训练好的深度卷积神经网络模型对每个所述深度图像进行棒材识别;以及,统计模块,被配置为统计多个所述深度图像中识别出的棒材数量。
在一些实施例中,所述分割模块包括:
初步分割单元,被配置为根据预设的深度阈值对所述点云数据进行初步分割得到初分割点云数据;
断点获取单元,被配置为获取所述初分割点云数据在深度方向的多个不连续点;
再分割单元,被配置为根据所述不连续点对所述初分割点云数据进行再分割以得到多个子点云数据。
再一方面,本发明实施例还提供了一种棒材计数分钢系统,包括:上述实施例所述的棒材计数装置、分钢装置以及主控机,所述棒材计数装置、所述分钢装置均与所述主控机连接,当所述棒材计数装置统计的棒材数量达到预设数量阈值时向所述主控机发送通知消息,所述主控机生成并发送分钢控制指令到所述分钢装置以进行分钢操作。
本发明的有益效果:
相较于现有技术中通过直接获取的棒材端面平面图像识别棒材并计数而言,本发明实施例的棒材计数方法是通过获取棒材端面的三维立体图像,之后从中提取出二维深度图像,再通过识别模型从深度图像中识别棒材,实现了棒材在线计数的自动化,其不受环境光线过亮或过暗或者棒材锈蚀的影响具有高效率和高精度的特点,可大量稳定使用。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明的棒材计数方法的一些实施例的流程示意图;
图2为本发明的棒材计数方法的步骤200的一些实施例的流程示意图;
图3为本发明的棒材计数方法的步骤100的一些实施例的流程示意图;
图4为本发明的棒材计数方法的步骤300处理得到的深度图像示例;
图5为本发明的棒材计数装置的一些实施例的结构示意图;
图6为本发明的棒材计数装置的线激光双目立体相机的一些实施例的结构示意图;
图7为本发明的棒材计数装置的视觉处理器的一些实施例的结构框图。
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,下面将结合本本发明实施例的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
参见图1所示,本发明实施例提供了一种棒材计数方法,包括:
步骤100:获取待检测区域内多根棒材端面的点云数据;本步骤中多根棒材参差不齐的散落在传送机构上,通过立体视觉设备获取多根棒材端面整体的三维立体信息,进而得到点云数据和点云图。
步骤200:利用深度方向的连续性对点云数据进行立体分割以得到多个子点云数据;由于多根棒材中有两根挨在一起、三根挨在一起或者一根独立等多种分布情况,因此通过深度方向(即棒材的长度方向)的连续性将点云数据分割成多个子点云数据,也即将挨在一起的棒材分到一个子点云数据里,以便于后续对每个子点云数据进行棒材识别和计数,提高计数效率。
步骤300:对每个子点云数据在深度方向进行平面投影以得到相应的深度图像;本步骤中通过投影方式从三维的点云数据中获取二维的深度图像。
步骤400:利用预先训练好的深度卷积神经网络模型对每个深度图像进行棒材识别;本步骤中预先训练用于识别棒材的深度卷积神经网络模型,只需将深度图像输入至模型中即可识别出图像中棒材。需要说明的是,本实施例中深度卷积神经网络模型可以采用R-CNN、Faster R-CNN或者SSD等,在此不做具体限定。
步骤500:统计每个深度图像中识别出的棒材数量。
本发明实施例的棒材计数方法首先获取多根棒材端面的点云数据,之后利用深度方向的连续性将点云数据分割成多个子点云数据,再通过投影方式从三维的点云数据中获取二维的深度图像,最后将深度图像输入预先训练用于识别棒材的深度卷积神经网络模型中识别出图像中棒材,并统计数量,实现了棒材在线计数的自动化。相较于现有技术中通过直接获取的棒材端面平面图像直接识别棒材并计数而言,本发明实施例的棒材计数方法是通过获取棒材端面的三维立体图像,之后从中提取出二维深度图像,再通过识别模型从深度图像中识别棒材,其不受环境光线过亮或过暗或者棒材锈蚀的影响具有高效率和高精度的特点,可大量稳定使用。
在一些实施例中,参见图2所示,本发明的棒材计数方法中步骤200包括:
步骤201:根据预设深度阈值对点云数据进行初步分割得到初分割点云数据;需要说明的是,本实施例中预设深度阈值根据实际经验值确定,在此不做具体限定。
步骤202:获取初分割点云数据在深度方向的多个不连续点;本步骤中通过遍历初分割点云数据找到不连续点。
步骤203:根据不连续点对初分割点云数据进行再分割以得到多个子点云数据。
在一些实施例中,参见图4所示,本发明的棒材计数方法中步骤300具体为对每个子点云数据进行二维量化处理得到相应的深度图像。
可选的,本发明实施例的棒材计数方法中深度卷积神经网络模型采用YOLO网络结构。需要说明的是,本实施例中深度卷积神经网络模型可以采用YOLOv1、YOLOv2、YOLOv3、YOLOv4或者YOLOv5,在此不做具体限定。
优选的,本发明实施例的棒材计数方法中深度卷积神经网络模型为YOLOv5。
可选的,本发明实施例的棒材计数方法中输入深度卷积神经网络模型的深度图像的大小为64*64。
可选的,本发明实施例的棒材计数方法中深度卷积神经网络模型使用libtorch用c++部署。
在一些实施例中,参见图3所示,本发明的棒材计数方法中步骤100包括:
步骤101:获取待检测区域内多根棒材端面上投射的线激光的左图像和右图像;
步骤102:对左图像和右图像进行立体校正,使校正后的左图像和右图像行对准;
步骤103:对校正后的左图像和右图像进行匹配得到线激光成像匹配点对;
本步骤具体为:先获取图像处理区域;之后对校正后的左图像和右图像进行预处理,分别转换为左灰度图和右灰度图;最后分别对左灰度图和右灰度图位于图像处理区域内的部分进行水平扫描,计算每个扫描点的窗口能量:
其中,(x,y)表示扫描点坐标,也是计算窗口的中心坐标;n表示从左灰度图所选窗口中心到边缘的距离,I(x+i,y+j)表示图像坐标(x+i,y+j)处的图像灰度值;
每个扫描行E(x,y)的极大值处为线激光的成像处,根据线激光条数M,得到M个极值,按x坐标从左到右进行排序,记为(x,y)k,k=1,2,…M;
对左灰度图和右灰度图的坐标y相同的水平扫描行构成的水平极线进行扫描得到左灰度图和右灰度图的线激光成像点(xL,y)k和(xR,y)k,L和R分别表示左灰度图和右灰度图,左右序列中k相同的点构成匹配点对。
步骤104:根据线激光成像匹配点对得到左右图像视差,根据左右图像视差计算得到多根棒材端面的点云数据。
本发明实施例中通过将线激光与双目立体视觉相结合,能够对没有纹理或者纹理较弱的测量对象进行测量,即使对没有纹理或者纹理较弱的测量对象也可以获得较好的维立体三信息,测量准确,测量精度较高,并具有较好的实时性。
另一方面,参见图5-图7所示,本发明实施例还提供了一种棒材计数装置100,包括棒材传送机构1和线激光双目立体相机2,棒材传送机构1上传送多根棒材200,线激光双目立体相机2设置于棒材传送机构1的一侧且拍摄方向朝向棒材端面;
其中,线激光双目立体相机2包括视觉处理器21,与视觉处理器21连接的线激光器22、以预设距离相对设置的第一摄像头23和第二摄像头24,线激光器21发射线激光到棒材端面,第一摄像头23和第二摄像头24拍摄棒材端面上线激光的图像以得到左图像和右图像;
视觉处理器21包括:获取模块211,被配置为根据左图像和右图像获取待检测区域内多根棒材端面的点云数据;分割模块212,被配置为利用深度方向的连续性对点云数据进行立体分割以得到多个子点云数据;投影模块213,被配置为对每个子点云数据在深度方向进行平面投影以得到相应的深度图像;棒材识别模块214,用于利用预先训练好的深度卷积神经网络模型对每个深度图像进行棒材识别;以及,统计模块215,被配置为统计多个深度图像中识别出的棒材数量。
需要说明的是,本实施例中线激光双目立体相机的视觉处理器为具有深度图像处理和嵌入多种应用智能化算法的处理器,其采用模块化设计,可在相机端直接生成并输出三维立体信息和应用处理结果,实现一机多用。
本发明实施例的棒材计数装置集成了线激光双目立体相机,该线激光双目立体相机通过线激光器投射线激光到棒材端面,通过第一摄像头和第二摄像头获取棒材端面的左右图像,并通过视觉处理器的各模块进行棒材识别和计数,其结构简单,成本低,实现了自动化、高效率和高精度的棒材在线计数。
在一些实施例中,本发明的棒材计数装置中分割模块215包括:
初步分割单元,被配置为根据预设的深度阈值对点云数据进行初步分割得到初分割点云数据;
断点获取单元,被配置为获取初分割点云数据在深度方向的多个不连续点;
再分割单元,被配置为根据不连续点对初分割点云数据进行再分割以得到多个子点云数据。
再一方面,本发明实施例还提供了一种棒材计数分钢系统,包括:上述实施例所述的棒材计数装置100、分钢装置以及主控机,棒材计数装置100、分钢装置均与主控机连接,当棒材计数装置100统计的棒材数量达到预设数量阈值时向主控机发送通知消息,主控机生成并发送分钢控制指令到分钢装置以进行分钢操作。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种棒材计数方法,其特征在于,包括:
获取待检测区域内多根棒材端面的点云数据;
利用深度方向的连续性对所述点云数据进行立体分割以得到多个子点云数据;
对每个所述子点云数据在深度方向进行平面投影以得到相应的深度图像;
利用预先训练好的深度卷积神经网络模型对每个所述深度图像进行棒材识别;
统计每个所述深度图像中识别出的棒材数量。
2.根据权利要求1所述的棒材计数方法,其特征在于,所述利用深度方向的连续性对所述点云数据进行立体分割以得到多个子点云数据的步骤包括:
根据预设深度阈值对所述点云数据进行初步分割得到初分割点云数据;
获取所述初分割点云数据在深度方向的多个不连续点;
根据所述不连续点对所述初分割点云数据进行再分割以得到多个子点云数据。
3.根据权利要求1所述的棒材计数方法,其特征在于,所述对每个所述子点云数据在深度方向进行平面投影以得到相应的深度图像的步骤为:
对每个所述子点云数据进行二维量化处理得到相应的深度图像。
4.根据权利要求1所述的棒材计数方法,其特征在于,所述深度卷积神经网络模型采用YOLO网络结构。
5.根据权利要求4所述的棒材计数方法,其特征在于,所述深度图像的大小为64*64。
6.根据权利要求4所述的棒材计数方法,其特征在于,所述深度卷积神经网络模型使用libtorch用c++部署。
7.根据权利要求1-6任一项所述的棒材计数方法,其特征在于,所述获取待检测区域内多根棒材端面的点云数据的步骤包括:
获取待检测区域内多根棒材端面上投射的线激光的左图像和右图像;
对所述左图像和所述右图像进行立体校正,使校正后的左图像和右图像行对准;
对校正后的左图像和右图像进行匹配得到线激光成像匹配点对;
根据所述线激光成像匹配点对得到左右图像视差,根据所述左右图像视差计算得到所述多根棒材端面的点云数据。
8.一种棒材计数装置,其特征在于,包括棒材传送机构和线激光双目立体相机,所述棒材传送机构上传送多根棒材,所述线激光双目立体相机设置于所述棒材传送机构的一侧且拍摄方向朝向棒材端面;
其中,所述线激光双目立体相机包括视觉处理器,与所述视觉处理器连接的线激光器、以预设距离相对设置的第一摄像头和第二摄像头,所述线激光器发射线激光到所述棒材端面,所述第一摄像头和所述第二摄像头拍摄所述棒材端面上线激光的图像以得到左图像和右图像;
所述视觉处理器包括:获取模块,被配置为根据所述左图像和右图像获取待检测区域内多根棒材端面的点云数据;分割模块,被配置为利用深度方向的连续性对所述点云数据进行立体分割以得到多个子点云数据;投影模块,被配置为对每个所述子点云数据在深度方向进行平面投影以得到相应的深度图像;棒材识别模块,用于利用预先训练好的深度卷积神经网络模型对每个所述深度图像进行棒材识别;以及,统计模块,被配置为统计多个所述深度图像中识别出的棒材数量。
9.根据权利要求8所述的棒材计数装置,其特征在于,所述分割模块包括:
初步分割单元,被配置为根据预设的深度阈值对所述点云数据进行初步分割得到初分割点云数据;
断点获取单元,被配置为获取所述初分割点云数据在深度方向的多个不连续点;
再分割单元,被配置为根据所述不连续点对所述初分割点云数据进行再分割以得到多个子点云数据。
10.一种棒材计数分钢系统,其特征在于,包括:如权利要求8或9所述的棒材计数装置、分钢装置以及主控机,所述棒材计数装置、所述分钢装置均与所述主控机连接,当所述棒材计数装置统计的棒材数量达到预设数量阈值时向所述主控机发送通知消息,所述主控机生成并发送分钢控制指令到所述分钢装置以进行分钢操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635735.1A CN113450315A (zh) | 2021-06-08 | 2021-06-08 | 棒材计数方法、装置及分钢系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635735.1A CN113450315A (zh) | 2021-06-08 | 2021-06-08 | 棒材计数方法、装置及分钢系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450315A true CN113450315A (zh) | 2021-09-28 |
Family
ID=77811068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635735.1A Pending CN113450315A (zh) | 2021-06-08 | 2021-06-08 | 棒材计数方法、装置及分钢系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291912A (zh) * | 2023-11-24 | 2023-12-26 | 江西中汇云链供应链管理有限公司 | 一种基于深度学习和激光雷达的铝棒仓储盘点方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020085093A1 (en) * | 2001-01-04 | 2002-07-04 | Frigon Electrique Inc. | Lumber grading system |
CN104143194A (zh) * | 2014-08-20 | 2014-11-12 | 清华大学 | 一种点云分割方法及装置 |
CN104443585A (zh) * | 2014-10-28 | 2015-03-25 | 山东钢铁股份有限公司 | 一种棒材轧件计数分捆方法及装置 |
CN105665585A (zh) * | 2014-12-03 | 2016-06-15 | 马鞍山市天钧机械制造有限公司 | 一种车轮吊笼用加强环的加工方法 |
BR102014025111A2 (pt) * | 2014-10-08 | 2018-12-18 | Benecke Irmãos & Cia Ltda | alimentador contínuo autocentrante de toras de madeira |
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 |
CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及系统 |
CN110926378A (zh) * | 2019-12-16 | 2020-03-27 | 太原科技大学 | 一种改进基于视觉检测的棒材直线度检测系统及方法 |
US20200126249A1 (en) * | 2017-07-07 | 2020-04-23 | SZ DJI Technology Co., Ltd. | Attitude recognition method and device, and movable platform |
CN111210429A (zh) * | 2020-04-17 | 2020-05-29 | 中联重科股份有限公司 | 点云数据划分方法及装置、障碍物检测方法及装置 |
CN111452045A (zh) * | 2020-03-30 | 2020-07-28 | 北京伟景智能科技有限公司 | 一种基于立体视觉的钢筋识别标记系统和方法 |
CN111829434A (zh) * | 2019-05-28 | 2020-10-27 | 北京伟景智能科技有限公司 | 一种料流计量检测方法及系统 |
CN112016638A (zh) * | 2020-10-26 | 2020-12-01 | 广东博智林机器人有限公司 | 一种钢筋簇的识别方法、装置、设备及存储介质 |
CN112330693A (zh) * | 2020-11-13 | 2021-02-05 | 北京伟景智能科技有限公司 | 一种煤矸石检测方法及系统 |
CN112613105A (zh) * | 2020-12-25 | 2021-04-06 | 扬州大学 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
-
2021
- 2021-06-08 CN CN202110635735.1A patent/CN113450315A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020085093A1 (en) * | 2001-01-04 | 2002-07-04 | Frigon Electrique Inc. | Lumber grading system |
CN104143194A (zh) * | 2014-08-20 | 2014-11-12 | 清华大学 | 一种点云分割方法及装置 |
BR102014025111A2 (pt) * | 2014-10-08 | 2018-12-18 | Benecke Irmãos & Cia Ltda | alimentador contínuo autocentrante de toras de madeira |
CN104443585A (zh) * | 2014-10-28 | 2015-03-25 | 山东钢铁股份有限公司 | 一种棒材轧件计数分捆方法及装置 |
CN105665585A (zh) * | 2014-12-03 | 2016-06-15 | 马鞍山市天钧机械制造有限公司 | 一种车轮吊笼用加强环的加工方法 |
US20200126249A1 (en) * | 2017-07-07 | 2020-04-23 | SZ DJI Technology Co., Ltd. | Attitude recognition method and device, and movable platform |
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 |
CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及系统 |
CN111829434A (zh) * | 2019-05-28 | 2020-10-27 | 北京伟景智能科技有限公司 | 一种料流计量检测方法及系统 |
CN110926378A (zh) * | 2019-12-16 | 2020-03-27 | 太原科技大学 | 一种改进基于视觉检测的棒材直线度检测系统及方法 |
CN111452045A (zh) * | 2020-03-30 | 2020-07-28 | 北京伟景智能科技有限公司 | 一种基于立体视觉的钢筋识别标记系统和方法 |
CN111210429A (zh) * | 2020-04-17 | 2020-05-29 | 中联重科股份有限公司 | 点云数据划分方法及装置、障碍物检测方法及装置 |
CN112016638A (zh) * | 2020-10-26 | 2020-12-01 | 广东博智林机器人有限公司 | 一种钢筋簇的识别方法、装置、设备及存储介质 |
CN112330693A (zh) * | 2020-11-13 | 2021-02-05 | 北京伟景智能科技有限公司 | 一种煤矸石检测方法及系统 |
CN112613105A (zh) * | 2020-12-25 | 2021-04-06 | 扬州大学 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
Non-Patent Citations (2)
Title |
---|
许颖;岳东杰;孟德友;: "基于特征差异的机载LiDAR侵蚀沟点云分割方法", 长江科学院院报, no. 02 * |
陈至坤: "基于神经网络的钢筋计数方法研究", 传感器与微系统, vol. 29, no. 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291912A (zh) * | 2023-11-24 | 2023-12-26 | 江西中汇云链供应链管理有限公司 | 一种基于深度学习和激光雷达的铝棒仓储盘点方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685141B (zh) | 一种基于深度神经网络的机器人物品分拣视觉检测方法 | |
CN107424143B (zh) | 一种基于双目立体视觉深度感知的矿用带式输送机煤量检测方法 | |
CN108592788B (zh) | 一种面向喷涂生产线的3d智能相机系统与工件在线测量方法 | |
Medina et al. | Enhanced automatic detection of road surface cracks by combining 2D/3D image processing techniques | |
US8254723B2 (en) | System and method for extracting boundary elements of an object | |
CN110153567A (zh) | 一种基于图像识别的激光切割系统 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN114255286B (zh) | 一种多视角双目视觉感知的目标尺寸测量方法 | |
CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
CN106949848A (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
CN105574812B (zh) | 多角度三维数据配准方法及装置 | |
CN111640152A (zh) | 一种鱼类生长监控方法和系统 | |
CN102441581A (zh) | 基于机器视觉的型钢断面尺寸在线检测的装置及方法 | |
CN110866944A (zh) | 托运行李测量识别方法及系统 | |
CN108090896B (zh) | 木板平整度检测及其机器学习方法、装置及电子设备 | |
CN113920081A (zh) | 一种刀具磨损度检测方法 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN109840463A (zh) | 一种车道线识别方法和装置 | |
CN111126116A (zh) | 无人船河道垃圾识别方法及系统 | |
CN113306991A (zh) | 基于立体视觉的煤炭运输机监测管理系统 | |
CN110910382A (zh) | 一种集装箱检测系统 | |
CN110992337A (zh) | 一种集装箱残损检测方法及系统 | |
CN113362276A (zh) | 板材视觉检测方法及系统 | |
CN114972177A (zh) | 道路病害识别管理方法、装置及智能终端 | |
CN110851978B (zh) | 一种基于可见性的摄像机位置优化方法 |
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 |