CN113469960A - 基于人工智能的水面稳定检测方法、装置及设备 - Google Patents
基于人工智能的水面稳定检测方法、装置及设备 Download PDFInfo
- Publication number
- CN113469960A CN113469960A CN202110689415.4A CN202110689415A CN113469960A CN 113469960 A CN113469960 A CN 113469960A CN 202110689415 A CN202110689415 A CN 202110689415A CN 113469960 A CN113469960 A CN 113469960A
- Authority
- CN
- China
- Prior art keywords
- water surface
- light spot
- stable
- light
- image
- 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
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的水面稳定检测方法、装置及设备。该方法通过获取使激光射入水体前后的水面背景图和水面光点图;对水面背景图和水面光点图进行图像处理得到实时光点图像;当多个光点在对应的稳定区域时,确定当前时刻的水面处于稳定状态。根据稳定状态下设定的光点对应的稳定区域,通过判断实时光点是否在稳定区域中,来确认水面处于稳定状态,一方面能能够提高检测速率,另一方面由于稳定区域的设定是根据水体稳定时光点累积的活动区域划分的最大区域,且该稳定区域为圆形区域,因此能够排除由于水体垂直于成像平面晃动而引起的水面稳态判断误差的问题,进而提高气密性检测结果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的水面稳定检测方法、装置及设备。
背景技术
在对一些工艺元件进行加工时,需要保证一定的气密性,而这对加工设备的密封性提出了一定的要求。然而对于加工设备的密封性检测通常采用浸水法,其原理为:将充有规定压力气体的待测加工设备浸入水槽中,待水槽中水稳定之后,观察水槽中是否有气泡产生,从而根据水体处于平稳状态下时气泡来判断该加工设备的气密性。
目前,该领域的技术人员通常采集气密性检测水槽的侧面图像,基于水面与水槽侧壁的交点的位置变化来判断水面是否处于稳定状态。
发明人在实践中,发现上述现有技术存在以下缺陷:当水面垂直于侧面图像的成像平面晃动时,水面与水槽侧壁形成的交点不会发生位置变化,进而仅根据交点的位置变化判断水面是否处于稳定状态是不准确的,会导致气密性检测结果出现误差。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的水面稳定检测方法、装置及设备,所采用的技术方案具体如下:
第一方面,本发明一个实施例提出了基于人工智能的水面检测方法,该方法包括:
获取使激光射入水体前后的水面背景图和水面光点图;对所述水面背景图和所述水面光点图进行图像处理得到实时光点图像,所述实时光点图像包括多个光点;
当多个所述光点在对应的稳定区域时,确定当前时刻的水面处于稳定状态;
所述稳定区域的获取包括:
在所述水面处于稳态时,获取稳态光点图像;
获取所述稳态光点图像中每个所述光点的中心点坐标,将多张所述稳态光点图像进行累积得到每个所述光点的光点累积图;基于每个光点的所述光点累积图中所包含的多个所述中心点坐标得到每张所述光点累积图的中心位置,根据所述光点累积图的轮廓得到所述轮廓到所述中心位置的最大距离;以所述最大距离为第一半径、所述中心位置为中心得到的第一圆形区域作为每个所述光点对应的所述稳定区域。
进一步地,所述确定当前时刻的水面处于稳定状态之后,还包括:
若连续多个时刻对应的所述水面都处于所述稳定状态,则确定所述水面达到所述稳定状态。
进一步地,得到所述稳定区域之后,还包括:
根据所述水面不稳定时造成的所述光点的位置偏移设定第二半径;
将由所述第二半径和所述中心位置得到的圆形区域减去所述稳定区域得到所述光点的非稳定区域。
进一步地,得到所述稳定区域之后,还包括:
根据所述水面不稳定造成的所述光点的位置偏移设定偏移宽度;
根据所述第一半径和所述偏移宽度得到第二半径,利用所述第二半径得到的第二圆形区域减去所述第一圆形区域得到所述光点的非稳定区域。
进一步地,所述确定当前时刻的水面处于稳定状态的优化方法,包括:
当所述光点在所述稳定区域中的占比大于在所述非稳定区域中的占比时,确定所述当前时刻所述水面处于所述稳定状态。
第二方面,本发明另一个实施例提出了一种基于人工智能的水面稳定检测装置,该装置包括:
图像处理单元,用于获取使激光射入水体前后的水面背景图和水面光点图;对所述水面背景图和所述水面光点图进行图像处理得到实时光点图像,所述实时光点图像包括多个光点;
稳定检测单元,用于当多个所述光点在对应的稳定区域时,确定当前时刻的水面处于稳定状态;
所述稳定检测单元中所述稳定区域的获取包括:
稳态图像获取单元,用于在所述水面处于稳态时,获取稳态光点图像;
稳定区域设定单元,用于获取所述稳态光点图像中每个所述光点的中心点坐标,将多张所述稳态光点图像进行累积得到每个所述光点的光点累积图;基于每个光点的所述光点累积图中所包含的多个所述中心点坐标得到每张所述光点累积图的中心位置,根据所述光点累积图的轮廓得到所述轮廓到所述中心位置的最大距离;以所述最大距离为第一半径、所述中心位置为中心得到的第一圆形区域作为每个所述光点对应的所述稳定区域。
进一步地,所述稳定检测单元中认为当前时刻所述水面处于稳定状态之后,还包括:
若连续多个时刻对应的所述水面都处于所述稳定状态,则认为所述水面达到所述稳定状态。
进一步地,所述稳定区域设定单元中得到所述稳定区域之后,还包括:
根据所述水面不稳定时造成的所述光点的位置偏移设定第二半径;
将由所述第二半径和所述中心位置得到的圆形区域减去所述稳定区域得到所述光点的非稳定区域。
进一步地,所述稳定检测单元中确定当前时刻的水面处于稳定状态的优化方法,包括:
当所述光点在所述稳定区域中的占比大于在所述非稳定区域中的占比时,确定所述当前时刻所述水面处于所述稳定状态。
进一步地,一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明实施例至少存在以下有益效果:通过稳定状态时的稳态光点图像设定光点的稳定区域,进而通过判断采集的实时光点图像中的光点是否在对应的稳定区域中,来确认水面处于稳定状态,一方面能够提高检测速率,另一方面由于稳定区域的设定是根据水体稳定时光点累积的活动区域划分的最大区域,且该稳定区域为圆形区域,因此能够排除由于水体垂直于成像平面晃动而引起的水面稳态判断误差的问题,进而提高气密性检测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的水面稳定检测方法的流程图;
图2为本发明一个实施例所提供的一种基于人工智能的水面稳定检测方法的步骤流程图;
图3为本发明实施例所提供的关于高斯金字塔与击中击不中变换过程的示意图;
图4为本发明实施例所提供的关于光点累积的示意图;
图5为本发明实施例所提供的关于光点累积图的示意图;
图6为本发明实施例所提供的关于第一圆形区域的示意图;
图7为本发明实施例所提供的关于阈值图的示意图;
图8为本发明实施例所提供的关于光点检测区域的示意图;
图9为本发明另一个实施例所提供的一种基于人工智能的水面稳定检测装置的结构框图;
图10为本发明实施例所提供的关于稳定检测单元的结构框图;
图11为本发明实施例所提供的一种电子设备的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的水面稳定检测方法、装置及设备,其具体实施方式、结构、特征及其作用,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的水面稳定检测方法、装置及设备的具体方案。
参照附图1和附图2,本发明实施例提供了一种基于人工智能的水面稳定检测方法,该方法包括以下具体步骤:
步骤S001,获取使激光射入水体前后的水面背景图和水面光点图;对水面背景图和水面光点图进行图像处理得到实时光点图像,实时光点图像包括多个光点。
具体的,本发明实施例在水箱的上方布置RGB相机和激光装置,利用RGB相机和激光装置采集激光装置启动前后的水面图像,所述水面图像包括激光射入水体之前的水面背景图和激光射入水体之后的水面光点图。
对水面背景图和水面光点图进行图像处理得到实时光点图像,则图像处理的方法如下:
1)对水面背景图和水面光点图进行下采样。
具体为:本发明实施例预设对水面背景图和水面光点图进行两次下采样。第一次下采样采用3*3的高斯核进行卷积运算,即如果输入图像的尺寸为M×N,则输出图像的尺寸变为M/4×N/4,能够减少后续的计算量;第二次下采样是在第一次下采样之后对水面背景图提取其R通道的参数,并作为图像灰度的评判标准,由于激光光点为红色光,故R通道的亮度变化能够更好地反应激光光点的位置。
2)对采样后的水面背景图和水面光点图进行直方图匹配。
具体的,考虑到激光装置进行发射时,会导致水面光点图的整体亮度升高,从而使得差分操作得到的差分图像会存在很多噪声,获取水面背景图的灰度直方图和水面光点图的灰度直方图,以水面光点图的灰度直方图为参考图,对水面背景图的灰度直方图中的像素点进行拉升,以达到除光点之外其余部分的亮度大致相同的目的。
3)对直方图匹配后的水面背景图和水面光点图进行差分操作得到差分图像,该差分图像即是实时光点图像。
进一步地,为了防止实时光点图像中存在其他非目标光点的影响,本发明实施例对实时光点图像进行优化,参照附图3,该优化方法如下:
1)将实时光点图像通过高斯金塔进行下采样,得到多张不同尺度的图像;将所得到的图像与结构元B进行击中击不中变换(Hit-miss)计算,并将计算结果进行累加以得到光点增强的实时光点图像。
本发明实施例中预设下采样次数为3次,每次下采样采用3*3的高斯卷积核,组成一共有4张不同尺度的图像。结构元B定义为3*3的正方形结构元。
2)对击中击不中变换之后的计算结果进行上采样(Upsampling)为同一尺度,该尺度大小为初始的实时光点图像的尺寸。本发明实施例中上采样使用差值算法,缺少的像素通过直接使用与之最近的原有像素灰度生成。
优选的,考虑到图像中特征的连续性,本发明实施例采用最近邻插值算法,该差值方法虽然简单但是具有很快的计算速度。
3)将上采样为同一尺度的4张图像进行累加(Accumlation)得到累积复合图像,对累积复合图像进行归一化处理(Normalization)得到对比度更好的实时光点图像,该实时光点图像能够明显的看出被增强的激光亮点特征,且其他光路特征会被削弱。
4)采用Otsu阈值分割算法对累加后得到的实时光点图像进行阈值化处理。该阈值化处理为:输入累加后的光点图像的灰度直方图,遍历该灰度直方图中所有灰度值,将灰度直方图分为前景与背景两类,前景即为光点,根据每次遍历的类间方差得到使该类间方差最大时的阈值T,并根据该阈值T进行图像分割,进而输出二值化的实时光点图像。
需要说明的是,背景的灰度值为0,前景的灰度值为255,也即是光点的灰度值为255。
5)为了消除噪声,本发明实施例利用5*5的结构元对二值化的实时光点图像进行腐蚀操作。该操作结束后,实时光点图像能够清晰的呈现出在黑色背景下的多个亮色光点。
步骤S002,当多个光点在对应的稳定区域时,确定当前时刻的水面处于稳定状态。
具体的,本发明实施例基于水面处于稳态时得到的稳态光点图像设定每个光点对应的稳定区域,该稳定区域的获取方法如下:
1)在水面处于稳态时,通过步骤S001得到二值化的稳态光点图像。为了得到有效的稳态光点图像,本发明实施例对稳态光点图像进行连通组件标记,以得到有效的稳态光点图像,具体方法为:采用两次扫描法对二值化的稳态光点图像进行连通组件标记,则该扫描法为第一遍扫描时赋予每个像素位置一个标签(label),当由连通域提取算法得到的N连通区域内的像素集合中被赋予了多个不同标签时,选择这些标签的不同值中的最小值作为该N连通域内标签的有效值;第二遍扫描重复第一遍的操作,根据第一遍扫描得到的有效值将该N连通域内非有效值对应的标签的值改为相同的有效值。利用这两次操作遍历整个稳态光点图像,根据像素点对应标签的有效值获得该稳态光点图像中的N连通域的数量。由于一个光点对应一个N连通域,所以N连通域的数量可用于表示稳态光点图像中光点的总数P。
需要说明的是,本发明实施例中N连通域为4连通域,在其他实施例中也能选择八连通域等。
当稳态光点图像中的光点总数P不等于激光装置的散点光束总数时,认定为此次结果受噪声影响较大,舍弃本次采集的图像并继续下一次图像采集。
需要说明的是,由于连通组件标记都是从上到下,从左至右的遍历图像,因此能够认为对每一张稳态光点图像的二次扫描算法所得出的光点的标签是一致的。
2)获取稳态光点图像中每个光点的中心点坐标,将多张稳态光点图像进行累积得到每个光点的光点累积图,基于多个中心点坐标得到每张光点累积图的中心位置,根据光点累积图的轮廓得到轮廓到中心位置的最大距离;以最大距离为第一半径、中心位置为圆心得到的第一圆即为每个光点对应的稳定区域。
具体的,由于此时光点的分布都被视为水面稳态下的光点特征,因此本发明实施例通过检测光点的中心点坐标来获取水面处于稳定状态时的稳定区域。
本发明实施例利用一阶矩计算方法获取稳态光点图像中每个光点的中心点坐标,具体为:利用光点对应像素点的横坐标之和与光点对应像素点的数量的比值得到该光点的中心点横坐标;利用光点对应像素点的纵坐标之和与光点对应像素点的数量的比值得到该光点的中心点纵坐标。
对于稳定水面的标定,每个光点都可视为稳态水面的特征,因此,本发明实施例以稳态光点图像中的一个光点为例来说明获取该光点对应的稳定区域的方法,具体为:将多张稳态光点图像进行叠加得到该光点对应的光点累积图,根据该光点的光点累积图中所包含的多个中心点坐标得到该光点累积图的中心位置,根据光点累积图的轮廓得到轮廓到中心位置的最大距离;以最大距离为第一半径、中心位置为中心得到的第一圆形区域即为该光点对应的稳定区域。
作为一个示例,参照附图4,图4展现了同一个光点在4次曝光中的叠加位置,为了区别每次曝光对应的光点,本发明实施例采用了不同的灰度颜色进行标记,实际情况下均为白色。根据4次曝光后同一光点的叠加得到如图5所示的光点累积图5。
进一步地,本发明实施例利用Mean-Shift聚类算法获取光点累积图的中心位置,具体为:
根据光点累积图中同一个光点的不同中心点坐标为光点累积图的中心位置进行估计:首先选择一个中心点坐标作为中心位置(center);找出离中心位置距离在预设距离R之内的所有点,记做集合M。以中心位置为中心点,计算从中心位置开始到集合M中每个元素的向量,将这些向量相加,得到向量shift,即中心位置沿着向量shift的方向移动,移动距离是||shift||,中心位值的新坐标为:
center′=||shift||+center
重复上述步骤,直到移动距离||shift||小于阈值K,则认为此时的坐标即为所求的中心位置,也即是该光点累积图的中心位置。
参照附图6,基于光点累积图的轮廓计算该光点累积图对应的中心位置与所述轮廓上的每个点之间的距离:本发明实施例以最大距离为第一半径r、中心位置(xi,yi)为圆心得到第一圆形区域,该第一圆形区域为水面处于稳定状态时该光点对应的稳定区域。
考虑到水面不稳定时会造成光点的位置偏移以及水面不稳定时通过反射等条件造成的背景噪声光点,因此,本发明实施例基于位置偏移和噪声光点来获取水面的非稳定区域。
优选的,本发明实施例通过设定第二半径获取非稳定区域,具体为:
(1)本发明实施例基于水面不稳定引起的光点的位置偏移的范围设定第二半径:rB=αrA,其中,rB为第二半径;α为第一偏移系数;rA为第一半径。利用第二半径和中心位置进行画圆以得到圆形区域。
需要说明的是,第一偏移系数α是经验值,本发明实施例中α=2。
(2)将圆形区域减去稳定区域得到的区域为光点位置偏移对应的非稳定区域。
作为另一个示例,本发明实施例还可以根据水面不稳定造成的光点的位置偏移设定偏移宽度,进而根据第一半径和偏移宽度得到第二半径,利用第二半径得到的第二圆形区域减去第一圆形区域得到光点的非稳定区域。
进一步地,本发明实施例考虑到水面不稳定时通过反射等条件造成的背景噪声光点,对非稳定区域进行优化,优化的方法为:
本发明实施例根据噪声光点的分布范围设定光点活动的最大区域,且该区域设定为矩形区域,则该矩形区域的边长为:lc=4βrA,其中,lc为边长;β为第二偏移系数。将矩形区域减去圆形区域得到的区域为背景噪声光点的分布范围对应的非稳定区域。
作为另一个示例,本发明实施例还可以根据噪声光点的分布范围设定设定光点活动的最大区域,且该区域设定为矩形区域,则设定噪声光点的偏移宽度,利用第二半径和偏移宽度得到矩形区域的边长,进而得到的矩形区域减去第二圆形区域得到非稳定区域。
需要说明的是,第二偏移系数β是经验值,本发明实施例中β=3。
进一步地,参照附图7,本发明实施例矩形区域是由稳定区域和非稳定区域构成的该光点对应的阈值图,且每个光点对应一个阈值图,即稳定区域A、第一非稳定区域B、第二非稳定区域C。
为了减少计算量提高检测效率,本发明实施例根据阈值图设定每张水面光点图对应的光点检测区域,具体为:
根据激光装置的设计,参照附图8,每张稳态光点图像中近似可以表征为矩形区域内的N个光点位置,本发明实施例基于稳态光点图像建立的第一坐标系,通过第1个光点与第N个光点的阈值图,求得光点检测区域的左上角6的坐标以及右下角7的坐标:
(X左上,Y左上)=(x1-2βrA,y1+2βrA)
(X右下,Y右下)=(xN+2βrA,yN-2βrA)
其中,x1为第1个光点的横坐标;y1为第1个光点的纵坐标;xN为第N个光点的横坐标;yN为第N个光点的纵坐标。
进而根据左上角坐标和右下角坐标得到每张稳态光点图像对应的光点检测区域8。
需要说明的是,基于以光点检测区域的左下角作为原点建立的第二坐标系,此时每个光点的中心点坐标可表示为相对于设计检测区域的坐标:
(Xi,Yi)=(xi-x1+2βrA,yi-yN+2βrA)
其中(Xi,Yi)为第二坐标系下第i个光点的中心点坐标,(xi,yi)为第一坐标系下第i个光点的中心点坐标。
进一步地,本发明实施例将实时光点图像中的每个光点与对应的阈值图像进行卷积操作,根据卷积操作结果判断此时的水面是否处于稳定状态。
为了量化光点对应时刻水面的稳定状态,本发明实施例对阈值图像中的每个区域设置权重:稳定区域的权重为0;又根据第一非稳定区域和第二非稳定区域的不同亮点:第一非稳定区域是位置偏移的光点,第二非稳定区域是噪声光点,进而将第一非稳定区域的权重设为第二非稳定区域的权重设为ω。根据所述实时光点图像在所述稳定区域中的占比和所述实时光点图像在所述非稳定区域中的占比,判断此时水面是否处于稳定状态。
本发明实施例中将灰度值为0的背景的像素值设定为0,灰度值为255的光点的像素值设定为1,且定义Point函数作为每个光点对应实时光点图像的检测函数,其定义如下:
其中,Qi代表第i个光点对应的阈值图;M代表阈值图所对应的实时光点图像的区域,n0为像素值为1的像素点的数量;n3为稳定区域内像素值为1的像素点的数量;n1为第一非稳定区域内像素值为1的像素点的数量;n2为第二非稳定区域内像素值为1的像素点的数量。
该算式表示了实时光点落在非稳态区域内光点像素的加权比例,Point函数取值越大,表明光点位置离稳态区域越远,也即是当实时光点图像在稳定区域中的占比大于实时光点图像在所述非稳定区域中的占比时,认为当前时刻所述水面处于所述稳定状态。
为避免由于水槽中工艺要求而导致的无法识别所有光点的情况,本发明实施例中当实时光点图像中预设的多个光点都在对应的所述稳定区域中时,认为当前时刻水面处于稳定状态。
优选的,本发明实施例通过获取个光点的Point值判别稳态的条件:取该部分光点的Point值的平均值,为其设定一个的平均阈值δ,若小于平均阈值,便可判别为当前时刻对应的水面处于稳定状态,反之,则为非稳定状态。
若连续多个时刻对应的水面都处于稳定状态,则认为水面达到稳定状态,也即是当某一时刻的图像输出为稳态时,设定标记函数signal=1,若下一时刻仍然处于稳态则该函数增加1,若下一时刻未处于稳态则置0。当连续多个时刻检测的水面都处于稳定状态,也即signal>M,则认为水面以达到稳定状态。
优选的,本发明实施例中当signal>10时,也即M=10,认为水面已经达到稳定状态。
综上,本发明实施例提供了一种基于人工智能的水面稳定检测方法,该方法通过获取使激光射入水体前后的水面背景图和水面光点图,对水面背景图和水面光点图进行图像处理得到实时光点图像;在水面处于稳态时,根据多张稳态光点图像的累积得到每个光点的光点累积图,根据光点累积图得到光点的稳定区域,进而当实时光点图像中的多个光点在对应的稳定区域时,认为当前时刻的水面处于稳定状态。通过稳定状态时的光点图像设定光点的稳定区域,进而通过判断采集的实时光点图像中每个光点是否在对应的稳定区域中,来确认水面处于稳定状态,一方面能够得到提高检测速率,另一方面能够降低水面稳定判断的误差,进而提高气密性检测结果。
基于与上述方法相同的发明构思,本发明实施例提供了一种基于人工智能的水面稳定检测装置。
参照附图9,本发明实施例提供了一种基于人工智能的水面稳定检测装置,该装置包括:图像处理单元10和稳定检测单元20。
图像处理单元10用于获取使激光射入水体前后的水面背景图和水面光点图;对水面背景图和水面光点图进行图像处理得到实时光点图像,实时光点图像包括多个光点。
稳定检测单元20用于当多个光点在对应的稳定区域时,确定当前时刻的水面处于稳定状态。
进一步地,参照附图10,稳定检测单元20包括稳态图像获取单元21和稳定区域设定单元22。
稳态图像获取单元21用于在水面处于稳态时,获取稳态光点图像。
稳定区域设定单元22用于获取稳态光点图像中每个光点的中心点坐标,将多张稳态光点图像进行累积得到每个光点的光点累积图;基于每个光点的光点累积图中所包含的多个中心点坐标得到每张光点累积图的中心位置,根据光点累积图的轮廓得到轮廓到中心位置的最大距离;以最大距离为第一半径、中心位置为中心得到的第一圆形区域作为每个光点对应的稳定区域。
进一步地,稳定检测单元20中认为当前时刻水面处于稳定状态之后,还包括:
若连续多个时刻对应的水面都处于稳定状态,则认为水面达到稳定状态。
进一步地,稳定区域设定单元22中得到稳定区域之后,还包括:
根据水面不稳定时造成的光点的位置偏移设定第二半径;
将由第二半径和中心位置得到的圆形区域减去稳定区域得到光点的非稳定区域。
进一步地,稳定检测单元20中确定当前时刻的水面处于稳定状态的优化方法,包括:
当光点在稳定区域中的占比大于在非稳定区域中的占比时,确定当前时刻水面处于稳定状态
进一步地,请参阅附图11,其示出了本发明实施例提供的一种电子设备的示意图。该实施例中的该电子设备包括:处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的水面稳定检测方法实施例中的步骤,例如图2所示的步骤。或者,处理器执行计算机程序时实现上述一种基于人工智能的水面稳定检测装置实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个单元,其中一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
该电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种电子设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,示意图仅仅是该电子设备的示例,并不构成对该电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如该电子设备还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,该处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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)
1.一种基于人工智能的水面稳定检测方法,其特征在于,该方法包括:
获取使激光射入水体前后的水面背景图和水面光点图;对所述水面背景图和所述水面光点图进行图像处理得到实时光点图像,所述实时光点图像包括多个光点;
当多个所述光点在对应的稳定区域时,确定当前时刻的水面处于所述稳定状态;
所述稳定区域的获取包括:
在所述水面处于稳态时,获取稳态光点图像;
获取所述稳态光点图像中每个所述光点的中心点坐标,将多张所述稳态光点图像进行累积得到每个所述光点的光点累积图;基于每个光点的所述光点累积图中所包含的多个所述中心点坐标得到每张所述光点累积图的中心位置,根据所述光点累积图的轮廓得到所述轮廓到所述中心位置的最大距离;以所述最大距离为第一半径、所述中心位置为中心得到的第一圆形区域作为每个所述光点对应的所述稳定区域。
2.如权利要求1所述的方法,其特征在于,所述确定当前时刻的水面处于稳定状态之后,还包括:
若连续多个时刻对应的所述水面都处于所述稳定状态,则确定所述水面达到所述稳定状态。
3.如权利要求1所述的方法,其特征在于,得到所述稳定区域之后,还包括:
根据所述水面不稳定时造成的所述光点的位置偏移设定第二半径;
将由所述第二半径和所述中心位置得到的圆形区域减去所述稳定区域得到所述光点的非稳定区域。
4.如权利要求1所述的方法,其特征在于,得到所述稳定区域之后,还包括:
根据所述水面不稳定造成的所述光点的位置偏移设定偏移宽度;
根据所述第一半径和所述偏移宽度得到第二半径,利用所述第二半径得到的第二圆形区域减去所述第一圆形区域得到所述光点的非稳定区域。
5.如权利要求4或3所述的方法,其特征在于,所述确定当前时刻的水面处于稳定状态的优化方法,包括:
当所述光点在所述稳定区域中的占比大于在所述非稳定区域中的占比时,确定所述当前时刻所述水面处于所述稳定状态。
6.一种基于人工智能的水面稳定检测装置,其特征在于,该装置包括:
图像处理单元,用于获取使激光射入水体前后的水面背景图和水面光点图;对所述水面背景图和所述水面光点图进行图像处理得到实时光点图像,所述实时光点图像包括多个光点;
稳定检测单元,用于当多个所述光点在对应的稳定区域时,确定所述当前时刻的水面处于稳定状态;
所述稳定检测单元中所述稳定区域的获取包括:
稳态图像获取单元,用于在所述水面处于稳态时,获取稳态光点图像;
稳定区域设定单元,用于获取所述稳态光点图像中每个所述光点的中心点坐标,将多张所述稳态光点图像进行累积得到每个所述光点的光点累积图;基于每个光点的所述光点累积图中所包含的多个所述中心点坐标得到每张所述光点累积图的中心位置,根据所述光点累积图的轮廓得到所述轮廓到所述中心位置的最大距离;以所述最大距离为第一半径、所述中心位置为中心得到的第一圆形区域作为每个所述光点对应的所述稳定区域。
7.如权利要求6所述的装置,其特征在于,所述稳定检测单元中认为当前时刻所述水面处于稳定状态之后,还包括:
若连续多个时刻对应的所述水面都处于所述稳定状态,则认为所述水面达到所述稳定状态。
8.如权利要求6所述的装置,其特征在于,所述稳定区域设定单元中得到所述稳定区域之后,还包括:
根据所述水面不稳定时造成的所述光点的位置偏移设定第二半径;
将由所述第二半径和所述中心位置得到的圆形区域减去所述稳定区域得到所述光点的非稳定区域。
9.如权利要求8所述的装置,其特征在于,所述稳定检测单元中确定当前时刻的水面处于稳定状态的优化方法,包括:
当所述光点在所述稳定区域中的占比大于在所述非稳定区域中的占比时,确定所述当前时刻所述水面处于所述稳定状态。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689415.4A CN113469960A (zh) | 2021-06-22 | 2021-06-22 | 基于人工智能的水面稳定检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689415.4A CN113469960A (zh) | 2021-06-22 | 2021-06-22 | 基于人工智能的水面稳定检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469960A true CN113469960A (zh) | 2021-10-01 |
Family
ID=77869016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689415.4A Pending CN113469960A (zh) | 2021-06-22 | 2021-06-22 | 基于人工智能的水面稳定检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469960A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693954A (zh) * | 2022-04-02 | 2022-07-01 | 中煤(天津)地下工程智能研究院有限公司 | 一种煤矿井下光斑特征提取方法及系统 |
-
2021
- 2021-06-22 CN CN202110689415.4A patent/CN113469960A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693954A (zh) * | 2022-04-02 | 2022-07-01 | 中煤(天津)地下工程智能研究院有限公司 | 一种煤矿井下光斑特征提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635685B (zh) | 目标对象3d检测方法、装置、介质及设备 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN109740445B (zh) | 一种变尺寸的红外弱小目标检测方法 | |
CN108416789A (zh) | 图像边缘检测方法及系统 | |
US11747278B2 (en) | Deposit detection device for detecting a partial covering location, a not-adhere location, and a diffuse reflection location | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
JP2012068961A (ja) | 走路推定装置及びプログラム | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN111145120A (zh) | 能见度检测方法、装置、计算机设备和存储介质 | |
CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN104732510A (zh) | 一种相机镜头黑斑检测方法及装置 | |
CN111220235A (zh) | 水位监测方法及装置 | |
CN113469960A (zh) | 基于人工智能的水面稳定检测方法、装置及设备 | |
US11354794B2 (en) | Deposit detection device and deposit detection method | |
US20210090260A1 (en) | Deposit detection device and deposit detection method | |
CN111027512B (zh) | 一种遥感图像近岸船检测与定位方法及装置 | |
US10970592B2 (en) | Adhering substance detection apparatus and adhering substance detection method | |
JP7175188B2 (ja) | 付着物検出装置および付着物検出方法 | |
US20200211194A1 (en) | Attached object detection apparatus | |
CN111563883A (zh) | 屏幕视觉定位方法、定位设备及存储介质 | |
CN115876786B (zh) | 楔形焊点的检测方法及运动控制装置 | |
CN112652004B (zh) | 一种图像处理方法、装置、设备及介质 | |
CN116645297B (zh) | 基于人工智能的agv叉车控制方法 | |
CN115409890B (zh) | 基于msr和广义霍夫变换的自定义标志检测方法及系统 |
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 |