CN113496142A - 物流件的体积测量方法以及装置 - Google Patents

物流件的体积测量方法以及装置 Download PDF

Info

Publication number
CN113496142A
CN113496142A CN202010195868.7A CN202010195868A CN113496142A CN 113496142 A CN113496142 A CN 113496142A CN 202010195868 A CN202010195868 A CN 202010195868A CN 113496142 A CN113496142 A CN 113496142A
Authority
CN
China
Prior art keywords
logistics
depth
piece
logistics piece
depth 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
Application number
CN202010195868.7A
Other languages
English (en)
Inventor
陈紫荣
彭显明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
Shenzhen SF Taisen Holding Group Co Ltd
SF Tech Co Ltd
Original Assignee
SF Technology Co Ltd
Shenzhen SF Taisen Holding Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd, Shenzhen SF Taisen Holding Group Co Ltd filed Critical SF Technology Co Ltd
Priority to CN202010195868.7A priority Critical patent/CN113496142A/zh
Publication of CN113496142A publication Critical patent/CN113496142A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例提供了物流件的体积测量方法以及装置，用于获取物流件精确的体积数据，为物流运输提供有效的数据支持。本申请实施例提供的物流件的体积测量方法，包括：获取深度图像，其中，深度图像为通过深度摄像头拍摄物流件得到，物流件的形状为规则方形；在深度图像中分割出物流件对应的第一面以及第二面，其中，第一面以及第二面为平行关系；根据第一面以及第二面对应的深度信息，确定物流件的体积。

Description

物流件的体积测量方法以及装置
技术领域
本申请涉及物流领域，具体涉及物流件的体积测量方法以及装置。
背景技术
与传统摄像头相比，深度摄像头(又可称为深度相机或者3D摄像头)可检测出图像中每个点离摄像头的距离，即可检测出拍摄空间的景深距离，如此可更便于还原真实场景，实现场景建模等应用。典型的，深度摄像头可采用结构光、双目视觉或者光飞行时间法(Time Of Flight，TOF)三种方案。
近些年来，随着机器视觉、自动驾驶、人脸识别等相关技术的迅速发展，深度摄像头的应用场景也愈加的广泛，尤其是在移动端的应用需求非常强烈。例如，在物流领域，可通过携带深度摄像头的个人数字助理(Personal Digital Assistant，PDA)拍摄物流件，并根据得到的深度图像测量物流件的体积，从而可促进物流工作的数字化管理。
与此同时可以发现的是，现有的相关技术中，通过物流件的深度图像测量物流件的体积，仍存在精度欠缺的问题。
发明内容
本申请实施例提供了物流件的体积测量方法、装置、设备及计算机可读存储介质，用于获取物流件精确的体积数据，为物流运输提供有效的数据支持。
第一方面，本申请实施例提供一种物流件的体积测量方法，方法包括：
获取深度图像，其中，深度图像为通过深度摄像头拍摄物流件得到，物流件的形状为规则方形；
在深度图像中分割出物流件对应的第一面以及第二面，其中，第一面以及第二面为平行关系；
根据第一面以及第二面对应的深度信息，确定物流件的体积。
结合本申请实施例第一方面，在本申请实施例第一方面第一种可能的实现方式中，第一面为物流件的上顶面，第二面为承载物流件底面的承载面。
结合本申请实施例第一方面第一种可能的实现方式，在本申请实施例第一方面第二种可能的实现方式中，在深度图像中分割出物流件对应的第一面以及第二面包括：
在深度图像中分割出多个第一候选面；
检测深度图像的上顶面标识以及承载面标识，其中，上顶面标识用于标识物流件的上顶面，承载面标识用于标识承载物流件底面的承载面，上顶面标识以及承载面标识在深度图像的拍摄过程中生成；
从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
从多个第一候选面中选定承载面标识对应的面，并作为第二面。
结合本申请实施例第一方面第一种可能的实现方式，在本申请实施例第一方面第三种可能的实现方式中，在深度图像中分割出物流件对应的第一面以及第二面包括：
在深度图像中分割出多个第一候选面；
检测深度图像的上顶面标识，其中，上顶面标识用于标识物流件的上顶面，上顶面标识在深度图像的拍摄过程中生成；
从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
从多个候选面中选定与第一面处于平行关系的第二面。
结合本申请实施例第一方面第三种可能的实现方式，在本申请实施例第一方面第四种可能的实现方式中，从多个候选面中选定与第一面处于平行关系的第二面包括：
从多个候选面中选定与第一面处于平行关系的多个第二候选面；
计算多个第二候选面与第一面的间距，并将与第一面的间距最短的第二候选面选取为第二面。
结合本申请实施例第一方面，在本申请实施例第一方面第五种可能的实现方式中，根据第一面以及第二面对应的深度信息，确定物流件的体积包括：
将第一面进行坐标转换处理，得到第三面，其中，第三面的法向量与深度摄像头的画面深度Z轴平行；
获取第三面的掩膜图对应的轮廓点云，并根据轮廓点云确定物流件的第一边长以及第二边长；
将第二面进行坐标转换处理，得到第四面，其中，第四面的法向量与深度摄像头的画面深度Z轴平行；
计算第三面与第四面的间距，作为物流件的第三边长；
将第一边长、第二边长以及第三边长，作为物流件的边长，并计算得到物流件的体积。
结合本申请实施例第一方面第五种可能的实现方式，在本申请实施例第一方面第六种可能的实现方式中，获取第三面的掩膜图对应的轮廓点云，并根据轮廓点云确定物流件的第一边长以及第二边长包括：
获取第三面的掩膜图对应的轮廓点云；
过滤轮廓点云的边长边缘的稀疏点云；
根据轮廓点云确定物流件的第一边长以及第二边长。
第二方面，本申请实施例提供一种物流件的体积测量装置，装置包括：
获取单元，用于获取深度图像，其中，深度图像为通过深度摄像头拍摄物流件得到，物流件的形状为规则方形；
分割单元，用于在深度图像中分割出物流件对应的第一面以及第二面，其中，第一面以及第二面为平行关系；
确定单元，用于根据第一面以及第二面对应的深度信息，确定物流件的体积。
结合本申请实施例第二方面，在本申请实施例第二方面第一种可能的实现方式中，第一面为物流件的上顶面，第二面为承载物流件底面的承载面。
结合本申请实施例第二方面第一种可能的实现方式，在本申请实施例第二方面第二种可能的实现方式中，分割单元，具体用于：
在深度图像中分割出多个第一候选面；
检测深度图像的上顶面标识以及承载面标识，其中，上顶面标识用于标识物流件的上顶面，承载面标识用于标识承载物流件底面的承载面，上顶面标识以及承载面标识在深度图像的拍摄过程中生成；
从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
从多个第一候选面中选定承载面标识对应的面，并作为第二面。
结合本申请实施例第二方面第一种可能的实现方式，在本申请实施例第二方面第三种可能的实现方式中，分割单元，具体用于：
在深度图像中分割出多个第一候选面；
检测深度图像的上顶面标识，其中，上顶面标识用于标识物流件的上顶面，上顶面标识在深度图像的拍摄过程中生成；
从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
从多个候选面中选定与第一面处于平行关系的第二面。
结合本申请实施例第二方面第三种可能的实现方式，在本申请实施例第二方面第四种可能的实现方式中，分割单元，具体用于：
从多个候选面中选定与第一面处于平行关系的多个第二候选面；
计算多个第二候选面与第一面的间距，并将与第一面的间距最短的第二候选面选取为第二面。
结合本申请实施例第二方面，在本申请实施例第二方面第五种可能的实现方式中，确定单元，具体用于：
将第一面进行坐标转换处理，得到第三面，其中，第三面的法向量与深度摄像头的画面深度Z轴平行；
获取第三面的掩膜图对应的轮廓点云，并根据轮廓点云确定物流件的第一边长以及第二边长；
将第二面进行坐标转换处理，得到第四面，其中，第四面的法向量与深度摄像头的画面深度Z轴平行；
计算第三面与第四面的间距，作为物流件的第三边长；
将第一边长、第二边长以及第三边长，作为物流件的边长，并计算得到物流件的体积。
结合本申请实施例第二方面第五种可能的实现方式，在本申请实施例第二方面第六种可能的实现方式中，确定单元，具体用于：
获取第三面的掩膜图对应的轮廓点云；
过滤轮廓点云的边长边缘的稀疏点云；
根据轮廓点云确定物流件的第一边长以及第二边长。
第三方面，本申请实施例还提供了一种物流件的体积测量设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请实施例提供的任一种方法中的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请实施例提供的任一种方法中的步骤。
从以上内容可得出，本申请实施例具有以下的有益效果：
针对于形状为规则方形的物流件，通过分割出该物流件的两平行面的深度图像，确定该物流件的轮廓，进而确定该物流件的体积，不仅数据处理较为简单，并且由于仅需一张深度图像即可分割出该物流件的两平行面的深度图像并确定体积，这也方便物流件现场的拍摄处理，显著提高自动检测物流件体积对于物流工作的便利性，简便地为物流工作提供有效的数据支持。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例物流件的体积测量方法的一种流程示意图；
图2为本申请图1对应实施例步骤S102的一种流程示意图；
图3为本申请图1对应实施例步骤S102的又一种流程示意图；
图4为本申请图1对应实施例步骤S104的一种流程示意图；
图5为本申请图4对应实施例步骤S401的一种场景示意图；
图6为本申请图4对应实施例步骤S402的一种场景示意图；
图7为本申请实施例物流件的体积测量装置的一种结构示意图；
图8为本申请实施例物流件的体积测量设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。
首先，在介绍本申请实施例之前，先介绍下本申请实施例关于应用背景的相关内容。
在现有的相关技术中，在对物流件的体积的测量中，通常结合物流件在不同姿态下的深度图像，计算物流件的体积，为提高计算精度，往往需要采集多张的深度图像，受限于该从深度图像中取物流件的体积的精度限制，现场物流工作人员往往需要反反复复采集多张的深度图像，这对于现场工作来说实为不便。
基于现有的相关技术存在的上述缺陷，本申请实施例提供了一种新的物流件的体积测量方法，至少在一定程度上克服现有的相关技术所存在的缺陷。
本申请实施例提及的物流件的体积测量方法，其执行主体可以为物流件的体积测量装置，或者集成了该物流件的体积测量装置的服务器设备、物理主机或者用户设备(UserEquipment，UE)等不同类型的物流件的体积测量设备，其中，物流件的体积测量装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者PDA等终端设备。
其中，物流件的体积测量设备还可分为多个设备并共同执行本申请实施例提供的物流件的体积测量方法，例如快递网点的工作人员，可通过摄像装置可采集收件的物流件的深度图像，并将该深度图像通过网络上传至服务器，由服务器进行该物流件的体积的提取。
其中，摄像装置可以为深度摄像头，或者也可以为包括深度摄像头的设备，例如上述提及的PDA、智能手机或者平板电脑等设备；网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等；服务器可以是多个服务器组成的服务器集群等，服务器也可以为云服务器。根据实际需要，可以具有任意数目的摄像装置、网络和服务器。
当然，在本申请实施例中，由于物流件的体积测量方法所需的数据处理较为简单，因此在实际应用中，更方便直接在现场的PDA等设备上采集深度图像并基于采集到的深度图像提取物流件的体积，方便在现场安排后续的物流工作。
另外，本申请实施例所称的物流件，为规则方形，例如为长方体形状的物流件，该物流件可具有商品本身在进行销售时所采用的长方体形状的包装，或者物流件在物流业务收件时所采用的长方体形状的物流包装，以便放置、货运、销售等，包装通常采用的纸箱、塑料壳等形式。物流件具体可以为物流行业中快递业务的快递件，对应的，本申请实施例所提供的物流件的体积测量方法，可用于基于快递件的深度图像提取快递件的体积。
图1示出了本申请实施例物流件的体积测量方法的一种流程示意图，如图1示出的，本申请实施例提供的物流件的体积测量方法，具体可包括如下步骤：
步骤S101，获取深度图像，其中，深度图像为通过深度摄像头拍摄物流件得到，物流件的形状为规则方形；
步骤S102，在深度图像中分割出物流件对应的第一面以及第二面，第一面以及第二面为平行关系；
步骤S103，根据第一面以及第二面对应的深度信息，确定物流件的体积。
在图1所示实施例提出的技术方案中，容易看出，针对于形状为规则方形的物流件，通过分割出该物流件的两平行面的深度图像，确定该物流件的轮廓，进而确定该物流件的体积，不仅数据处理较为简单，并且由于仅需一张深度图像即可分割出该物流件的两平行面的深度图像并确定体积，这也方便物流件现场的拍摄处理，显著提高自动检测物流件体积对于物流工作的便利性，简便地为物流工作提供有效的数据支持。
需要理解的是，这里说仅需一张深度图像即可确定物流件的体积测量结果，并不意味着在测量物流件的体积时，限定仅对物流件拍摄了一张深度图像，可以对物流件拍摄了多张深度图像。在实际应用中，若对物流件拍摄了多张深度图像，则可选取一张或者多张深度图像分别进行物流件体积的计算，若为多张深度图像，则可从多个的体积测量结果中筛选出对应的最小体积测量结果、最大体积测量结果或者平均体积测量结果等方式选定特定的体积测量结果，作为最终输出的体积测量结果。
以下继续对图1所示实施例的各个步骤的具体实施方式进行详细阐述：
在本申请实施例中，深度图像具体可以为通过结构光、双目视觉或者TOF等不同类型的深度图拍摄方式拍摄物流件得到，具体可随实际拍摄设备或者拍摄条件而定。深度图像中，每个点有对应的深度信息，该深度信息，用于表示在拍摄物流件时拍摄视野中每个物体表面的点到深度摄像头之间的距离，以RGB-D格式的深度图像为例，深度图像的图像信息中除了包括每个点对应的红(Red)、绿(Green)、蓝(Blue)三种颜色通道的数值，还包括每个点对应的深度(Depth)通道的数值，示例性的，深度值可以用亮度来呈现，某个点的深度值越高，该点离深度摄像头越远，亮度越暗，反之离深度摄像头越近，亮度越亮。
步骤S101中深度图像的获取处理，可以理解为通过自身的深度摄像头实时拍摄物流件并得到物流件的深度图像；或者也可以理解为通过连接外部的深度摄像头或者外部具有深度摄像头的设备，实时拍摄物流件并得到物流件的深度图像；或者，也可理解为提取自身或者外部设备所存储的物流件的深度图像。
在执行步骤S101时，可默认深度图像中的物流件为规则方形形状，可以理解，若物流件具有商品包装或者物流包装，往往为规则方形形状的包装；进一步的，步骤S101中还可包括识别深度图像中的物流件的形状的处理，待确定为规则方形形状后再执行本申请实施例提供的物流件的体积测量方法，例如，可由神经网络模型进行识别得到，该神经网络模型可由大量不同规则方形形状的物流件在不同姿态下拍摄得到的深度图像训练得到。
在得到物流件的深度图像后，可从该图像中分割出若干的面所对应的图像，容易理解，在原深度图像中，不仅物流件可包括多个面，例如正面、侧面、上顶面等，物流件所处的环境也可包括多个面，例如承载物流件的承载面、地面、桌面等。
其中，通常可采用聚类的方式，对深度图像中的稠密点云进行聚类，而属于同一平面的相邻点云，则可通过较为相似的聚类特征进行类聚，得到不同的面。
例如，采用聚类分割算法，通过检测点云的空间特征、几何特征、纹理特征、颜色特征等不同类型的特征对点云进行划分，并进行聚类，得到特征近似的点云所组成的不同面。
或者，采用随机抽样一致算法(Random Sample Consensus，RANSAC)，在深度图像的点云中随机选择几个点设定为内群，计算拟合内群的模型，再将其他点带入建立的模型中，计算是否为内群，记下内群数量，并重复多次以上步骤的迭代，比较哪次计算中内群数量最多，内群最多的那次所建的模型就是我们所要求的解，这些解所对应的点集所组成的面，即为从深度图像中检测得到的面。
当然，在现有的相关技术中，也可采取其他方式进行平面的检测，具体在此不再赘述。
而对于本申请实施例所针对的形状为规则方形的物流件，则可从上述提取出的若干面中，筛选出物流件所对应的处于平行关系的两个面，例如物流件的正面和背面，上顶面和下底面，左侧面和右侧面，可以理解，在实际应用中，物流件的背面、左侧面、右侧面可分别用物流件背面、左侧面和右侧面所贴合的面代替，例如墙面、箱面、板面等，而底面也可用承载物流件的承载面替代，例如工作台台面、地面、桌面等。
需要注意的是，提取出的面，不是理论上所称的无限延展的平面，该面随物流件的实际情况具有边界，因此，根据一个面，可确定物流件的两个边长，再根据两个面之间的距离，确定物流件的第三个边长，由此可确定物流件的长宽高，即可根据体积计算公式V＝X*Y*Z，计算物流件的体积，其中，长宽高所对应的边的位置，并不固定限制，长宽高对应的三条边处于互相垂直的空间关系即可。
所得到精确的体积数据，可以关系到物流件的运输费用，还可以影响到物流运输流程的规划，例如对运输车辆的装载、仓储场地的部署与调度等。在收件现场进行准确的体积测量，并将该数据应用到物流运输各个环节中去，如此使得物流件的流动变成数据的流动，为智能物流带来可能，同时海量的基础数据也将为物流低成本、精细化的管理带来可能，减少物流成本的同时提高物流效率。
进一步的，在一种示例性的实施例中，用作体积计算的两个面，优选的考虑为物流件的上顶面以及承载物流件底面的承载面。可以理解，在实际拍摄过程中，将摄像头置于物流件斜上方或者正上面，较为容易实现，不仅方便工作人员手持UE等设备拍摄，符合大多情况下的拍摄姿态，同时也方便在屋顶、墙面、支架等较高的位置布设深度摄像头，对应的，第二个面则为与物流件上顶面处于平行关系的承载物流件底面的承载面。
继续以上顶面以及承载面的情况介绍本申请实施例。
在又一种示例性的实施例中，为方便识别上顶面以及承载面，可考虑在拍摄过程中引入拍摄人员的手动操作，以直接在深度图像中添加两者的标识。
具体的，例如图2示出的本申请图1对应实施例步骤S102的一种流程示意图，提取上顶面以及承载面的处理，可包括：
步骤S201，在深度图像中分割出多个第一候选面；
在上述内容已提及，可从深度图像中分割若干的面，这些面即可作为候选面，供后续上顶面以及承载面的筛选。
步骤S202，检测深度图像的上顶面标识以及承载面标识，其中，上顶面标识用于标识物流件的上顶面，承载面标识用于标识承载物流件底面的承载面，上顶面标识以及承载面标识在深度图像的拍摄过程中生成；
以PDA为例，工作人员在通过PDA拍摄物流件时，可在PDA拍摄预览界面所显示的上顶面标识以及承载面标识的引导下，校正拍摄角度，使得上顶面标识以及承载面标识分别位于物流件的上顶面以及承载物流件底面的承载面的图像中。
当然，该上顶面标识以及承载面标识除了可位于物流件的上顶面以及承载物流件底面的承载面的图像中，也可以通过其他方式指示对应的上顶面以及承载面，例如，通过指针标识的方式，将指针标识所指方向的面作为上顶面或者承载面。
其中，上述的上顶面标识以及承载面标识，可以限制在预览界面的固定位置，该固定位置为通过历史上顶面以及承载面的提取经验设置，或者也可随工作人员手动添加在预览界面的对应位置。拍摄完成后，上顶面标识以及承载面标识，即可在深度图像中显示于原预览界面中的所处位置，或者，通过深度图像携带的标识位置信息，指示上顶面标识以及承载面标识在深度图像中的位置。
步骤S203，从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
步骤S204，从多个第一候选面中选定承载面标识对应的面，并作为第二面。
得到上顶面标识以及承载面标识后，即可根据两者的指示，从候选面中选定对应的第一面以及第二面，即上顶面以及承载面。
考虑到在实际拍摄过程中，受限于拍摄角度、拍摄空间等实际拍摄条件的限制，优先拍摄完整的物流件为主，而承载物流件底面的承载面则可能只有部分被拍摄到，或者拍摄到的承载面较少，在该情况下，承载面标识的应用则可能存在不方便添加、显示的情况，因此，可考虑工作人员在拍摄过程中，PDA只在拍摄预览界面显示上顶面标识，引导拍摄过程。
例如图3示出的本申请图1对应实施例步骤S102的又一种流程示意图，在又一种示例性的实施例中，提取上顶面以及承载面的处理，具体还可包括：
步骤S301，在深度图像中分割出多个第一候选面；
步骤S302，检测深度图像的上顶面标识，其中，上顶面标识用于标识物流件的上顶面，上顶面标识在深度图像的拍摄过程中生成；
步骤S303，从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
此处的上顶面标识，可参考上述图2对应实施例步骤S202的说明。与上述图2对应实施例不同的是，深度图像只携带了上顶面标识，只能根据上顶面标识直接识别出物流件的上顶面，而对于承载面的识别，则通过步骤S304实现。
步骤S304，从多个候选面中选定与第一面处于平行关系的第二面。
可以理解，承载物流件底面的承载面，与物流件的上顶面是处于平行关系的，因此，在从深度图像提取出的若干的面中，可从这些面中，选取平行于物流件的上顶面的面，作为第二面，即承载面。
其中，平行关系，可通过面的法向量确定，容易理解，不同面的法向量若处于平行关系，则意味着两个面之间，处于平行关系。
具体的，可先计算上顶面的法向量Ntop，可分别计算其他面的法向量Ni与上顶面的法向量Ptop之间的夹角θ＝arccos(Ni,Ntop)，若夹角θ趋于零或者等于零，则可认定两个面之间处于平行关系。
在实际应用中，拍摄物流件的深度图像的场地，可以为专门为实现本申请实施例物流件的体积测量方法所部署的场地，除了作为承载面的桌面、板面、或者地面以外，场地中未放置其他的物体或者，因此，深度图像提取出的若干的面中，与上顶面处于平行关系的面，仅为承载面。
而在另一种情况中，拍摄物流件的深度图像的场地，还可能放置其他的物体，例如承载物流件的桌面，桌面所在的桌子放置在地面上，而拍摄物流件的过程中，将桌面以及地面都拍摄进去深度图像中，如此，则造成了深度图像提取出的若干的面中，存在与上顶面处于平行关系的两个面，而实际的承载面为其中的桌面，如此，则需在这些与上顶面处于平行关系的面中，进一步地进行筛选处理，筛选出实际的承载面。
对应的，在又一种示例性的实施例中，图3对应实施例步骤S302，还可包括如下步骤：
从多个候选面中选定与第一面处于平行关系的多个第二候选面；
计算多个第二候选面与第一面的间距，并将与第一面的间距最短的第二候选面选取为第二面。
即，从深度图像提取出的若干的面中，选定与上顶面处于平行关系的面，再分别计算这些面与上顶面之间的距离，容易理解，这些面中，承载物流件地面的承载面一般处于最上方，例如承载物流件底面的台面-桌面-地面自上而下的平行关系，而可能放置在承载面上的其他物体的面，则由于在拍摄过程中容易被工作人员移除或者调整拍摄角度避免掉，因此，可默认承载面未放置其他物体，如此只需在深度图像提取出的、与上顶面处于平行关系的面中，选取与上顶面间距最短的面，作为承载面即可，简单便捷。
在确定物流件对应的上顶面以及承载面之后，即可根据两者，获取物流件对应的三条处于互相垂直的空间关系的边，并计算物流件的体积。
而考虑到承载面可能放置其他物体导致出现比承载面高的平面时，则可通过数据处理过滤这些物体，例如，放置于承载面的物体以及物流件两者的图像，在投影至XY平面上时，两者大概率是不会存在交集的，因此可剔除实际场景中高度高于承载面的物体，该高度可以为原深度图像中物体沿深度画面Z轴方向上的深度，或者为物体经旋转正面深度摄像头时沿深度画面Z轴方向上的深度，该旋转可参考下面即将提及的坐标旋转处理；而对于存在交集的情况，分别计算第二候选面在XY平面上的投影图像与第一面(上顶面)在XY平面的投影图像的交集比例，即两个投影图像交集部分的面积，再除以第一面的投影图像的面积，可以理解，若是承载面，则该比值则较大或者趋于1，而对于部分其他面，则较小，因此，可根据该方式筛选出承载面，或者，筛选出比值大于阈值的面，再结合面与第一面的间距选取出与第一面的间距最短的第二面，作为承载面。
需要补充的是，本申请实施例所提供的物流件的体积测量方法，并不需要现场拍摄的工作人员使用特定的拍摄角度或者将物流件放置在特定的放置姿态下，且受限于拍摄角度、拍摄空间等实际拍摄条件的限制，深度图像中物流件往往呈现不一样的放置姿态，具有不一样的倾斜度。
为便于计算处理，可将所拍摄到的物流件的深度图像，进行旋转处理，以将物流件的放置姿态处于理想姿态下。
对应的，在又一种示例性的实施例中，如图4示出的图1对应实施例步骤S104的一种流程示意图，物流件的体积的计算处理，可具体包括：
步骤S401，将第一面进行坐标转换处理，得到第三面，其中，第三面的法向量与深度摄像头的画面深度Z轴平行；
在本申请实施例中，可将上顶面旋转至正面深度摄像头的姿态，或者说，将上顶面旋转至垂直于画面深度Z轴的姿态，即上述所称的法向量与深度摄像头的画面深度Z轴平行。
其具体旋转过程如下：
画面深度Z轴方向为Z＝[0,0,1]，物流件上顶面法向量Ntop＝[nx,ny,nz]，计算x＝[xx,xy,xz]＝Ntop*Z，x＝[yx,yy,yz]＝Ntop*x，则可得
Figure BDA0002417575590000141
其中运算符号*为向量外积。对任意一个三维点P＝[px,py,pz]，旋转后的点为R*P。
其旋转效果，具体可参考图5示出的本申请图4对应实施例步骤S401的一种场景示意图。
步骤S402，获取第三面的掩膜图对应的轮廓点云，并根据轮廓点云确定物流件的第一边长以及第二边长；
掩膜图(Mask)，用于对原深度图像进行遮掩，遮掩得到的图像即为筛选出来的面的图像，也就是说，从原深度图像中提取出多少个面，就有对应数量的掩膜图，得到一个面的掩膜图，即可根据该掩膜图，从原深度图像中提取得到对应的面的轮廓图像。
上顶面经上述的旋转处理时，其对应的掩膜图也可随之变化，提取该掩膜图的轮廓的点云，可根据这些点云的坐标信息，还原出实际边长大小，确定物流件两条边的边长，或者，也可通过统计点云中稠密点的个数，根据预设的点个数与实际长度的换算关系，确定实际边长大小，确定物流件两条边的边长。
其中，以掩模图为二维掩模图为例，对于其轮廓的每个二维像素点，可还原出对应的三维点，对应公式如下：
Figure BDA0002417575590000151
其中(u,v)为二维坐标系下的点坐标，(xc,yc,zc)为三维坐标系下的点坐标，fx和fy为焦距，(u0,v0)为二维坐标系下的像素基准点，zc为目标点沿着画面深度Z轴方向到深度摄像头的距离，可由深度图直接获得。
步骤S403，将第二面进行坐标转换处理，得到第四面，其中，第四面的法向量与深度摄像头的画面深度Z轴平行；
可以理解，步骤S403中的坐标转换处理的说明，可参考步骤S401的说明，具体在此不再赘述。
步骤S404，计算第三面与第四面的间距，作为物流件的第三边长；
在本申请实施例中，因而第三面以及第四面正面深度摄像头的姿态，由此，第三面到深度摄像头的距离以及第四面到深度摄像头的距离，两者之差即可作为物流件的第三条边的边长。
具体的，可选取第三面的中心点，其三维点坐标为c＝[cx,cy,cz]，第三面的法向量为n＝[nx,ny,nz]，则第三面到深度摄像头的距离为d＝abs(n·c)，第四面到深度摄像头的距离的计算以此类推。
步骤S405，将第一边长、第二边长以及第三边长，作为物流件的边长，并计算得到物流件的体积。
如此，通过上述处理得到物流件三条互相垂直的边的边长后，即可根据体积计算公式V＝X*Y*Z，计算物流件的体积，其中，长宽高所对应的边的位置，并不固定限制，长宽高对应的三条边处于互相垂直的空间关系即可。
其中，为提升边长的精度，还可进行降噪处理，例如，上述图4对应实施例步骤S402，可包括降噪处理：
获取第三面的掩膜图对应的轮廓点云；
过滤轮廓点云的边长边缘的稀疏点云；
根据轮廓点云确定物流件的第一边长以及第二边长。
容易理解，通过掩模图获取的轮廓点云为物流件上顶面的轮廓图像，该轮廓图像是由稠密的轮廓点云组成的，若这些轮廓点云所对应的边的两端边缘有较为陡峭的变化，则较大可能性是深度摄像头在物流件边缘处所产生的噪声引起的，因此可去除边缘的点数低于点数阈值的稀疏点云，去除被认为是噪声的直方区间，以提高上顶面两边长的精确度。
其中，为便于计算物流件的上顶面的边长，在又一种示例性的实施例中，还可将上述的第三面再次进行旋转处理，使得第三面的边长平行于X轴或者Y轴。
具体的，如图6示出的本申请图4对应实施例步骤S402的一种场景示意图，在根据上述通过第三面的掩膜图得到的轮廓点云，确定物流件的第一、第二边长时，该轮廓点云已通过之前的坐标转换处理，处于与画面深度Z轴方向垂直的平面，即XY平面上，如下图6左边示出的。
此时，可通过其中一个轴与X轴的夹角α，可计算得到二维旋转矩阵
Figure BDA0002417575590000161
用于将轮廓点云在XY平面上的坐标转换为与XY轴对齐，如下图6右边示出的，如此将轮廓点云旋转至标准姿态下，方便统计点云中稠密点的个数，并根据预设的点个数与实际长度的换算关系，确定实际边长大小，确定物流件两条边的边长。
为便于更好的实施本申请实施例提供的一种物流件的体积测量方法，本申请实施例还提供一种物流件的体积测量装置。
参阅图7，图7为本申请实施例一种物流件的体积测量装置的一种结构示意图，在本申请实施例中，物流件的体积测量装置700具体可包括如下结构：
获取单元701，用于获取深度图像，其中，深度图像为通过深度摄像头拍摄物流件得到，物流件的形状为规则方形；
分割单元702，用于在深度图像中分割出物流件对应的第一面以及第二面，其中，第一面以及第二面为平行关系；
确定单元703，用于根据第一面以及第二面对应的深度信息，确定物流件的体积。
在一种示例性的实施例中，第一面为物流件的上顶面，第二面为承载物流件底面的承载面。
在又一种示例性的实施例中，分割单元702，具体用于：
在深度图像中分割出多个第一候选面；
检测深度图像的上顶面标识以及承载面标识，其中，上顶面标识用于标识物流件的上顶面，承载面标识用于标识承载物流件底面的承载面，上顶面标识以及承载面标识在深度图像的拍摄过程中生成；
从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
从多个第一候选面中选定承载面标识对应的面，并作为第二面。
在又一种示例性的实施例中，分割单元702，具体用于：
在深度图像中分割出多个第一候选面；
检测深度图像的上顶面标识，其中，上顶面标识用于标识物流件的上顶面，上顶面标识在深度图像的拍摄过程中生成；
从多个第一候选面中选定上顶面标识对应的面，并作为第一面；
从多个候选面中选定与第一面处于平行关系的第二面。
在又一种示例性的实施例中，分割单元702，具体用于：
从多个候选面中选定与第一面处于平行关系的多个第二候选面；
计算多个第二候选面与第一面的间距，并将与第一面的间距最短的第二候选面选取为第二面。
在又一种示例性的实施例中，确定单元703，具体用于：
将第一面进行坐标转换处理，得到第三面，其中，第三面的法向量与深度摄像头的画面深度Z轴平行；
获取第三面的掩膜图对应的轮廓点云，并根据轮廓点云确定物流件的第一边长以及第二边长；
将第二面进行坐标转换处理，得到第四面，其中，第四面的法向量与深度摄像头的画面深度Z轴平行；
计算第三面与第四面的间距，作为物流件的第三边长；
将第一边长、第二边长以及第三边长，作为物流件的边长，并计算得到物流件的体积。
在又一种示例性的实施例中，确定单元703，具体用于：
获取第三面的掩膜图对应的轮廓点云；
过滤轮廓点云的边长边缘的稀疏点云；
根据轮廓点云确定物流件的第一边长以及第二边长。
本申请实施例还提供了物流件的体积测量设备，参阅图8，图8示出了本申请实施例物流件的体积测量设备的一种结构示意图，具体的，本申请实施例提供的物流件的体积测量设备包括处理器801，处理器801用于执行存储器802中存储的计算机程序时实现如图1至图6对应任意实施例中物流件的体积测量方法的各步骤；或者，处理器801用于执行存储器802中存储的计算机程序时实现如图7对应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模块/单元，一个或者多个模块/单元被存储在存储器802中，并由处理器801执行，以完成本申请。一个或多个模块/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，该指令段用于描述计算机程序在计算机装置中的执行过程。
物流件的体积测量设备可包括，但不仅限于处理器801、存储器802。本领域技术人员可以理解，示意仅仅是物流件的体积测量设备的示例，并不构成对物流件的体积测量设备的限定，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，例如物流件的体积测量设备还可以包括输入输出设备、网络接入设备、总线等，处理器801、存储器802、输入输出设备以及网络接入设备等通过总线相连。
处理器701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(Field-Programmable 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，处理器是物流件的体积测量设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
存储器802可用于存储计算机程序和/或模块，处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块，以及调用存储在存储器802内的数据，实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据物流件的体积测量设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的物流件的体积测量装置、设备及其相应单元的具体工作过程，可以参考如图1至图6对应任意实施例中物流件的体积测量方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1至图6对应任意实施例中物流件的体积测量方法中的步骤，具体操作可参考如图1至图6对应任意实施例中物流件的体积测量方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1至图6对应任意实施例中物流件的体积测量方法中的步骤，因此，可以实现本申请如图1至图6对应任意实施例中物流件的体积测量方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请提供的物流件的体积测量方法、装置、设备以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申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种物流件的体积测量方法，其特征在于，所述方法包括：
获取深度图像，其中，所述深度图像为通过深度摄像头拍摄物流件得到，所述物流件的形状为规则方形；
在所述深度图像中分割出所述物流件对应的第一面以及第二面，其中，所述第一面以及所述第二面为平行关系；
根据所述第一面以及所述第二面对应的深度信息，确定所述物流件的体积。
2.根据权利要求1所述的方法，其特征在于，所述第一面为所述物流件的上顶面，所述第二面为承载所述物流件底面的承载面。
3.根据权利要求2所述的方法，其特征在于，所述在所述深度图像中分割出所述物流件对应的第一面以及第二面包括：
在所述深度图像中分割出多个第一候选面；
检测所述深度图像的上顶面标识以及承载面标识，其中，所述上顶面标识用于标识所述物流件的上顶面，所述承载面标识用于标识所述承载所述物流件底面的承载面，所述上顶面标识以及所述承载面标识在所述深度图像的拍摄过程中生成；
从多个所述第一候选面中选定所述上顶面标识对应的面，并作为所述第一面；
从多个所述第一候选面中选定所述承载面标识对应的面，并作为所述第二面。
4.根据权利要求2所述的方法，其特征在于，所述在所述深度图像中分割出所述物流件对应的第一面以及第二面包括：
在所述深度图像中分割出多个第一候选面；
检测所述深度图像的上顶面标识，其中，所述上顶面标识用于标识所述物流件的上顶面，所述上顶面标识在所述深度图像的拍摄过程中生成；
从多个所述第一候选面中选定所述上顶面标识对应的面，并作为所述第一面；
从多个所述候选面中选定与所述第一面处于平行关系的所述第二面。
5.根据权利要求4所述的方法，其特征在于，所述从多个所述候选面中选定与所述第一面处于平行关系的所述第二面包括：
从多个所述候选面中选定与所述第一面处于平行关系的多个第二候选面；
计算多个所述第二候选面与所述第一面的间距，并将与所述第一面的间距最短的所述第二候选面选取为所述第二面。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一面以及所述第二面对应的深度信息，确定所述物流件的体积包括：
将所述第一面进行坐标转换处理，得到第三面，其中，所述第三面的法向量与所述深度摄像头的画面深度Z轴平行；
获取所述第三面的掩膜图对应的轮廓点云，并根据所述轮廓点云确定所述物流件的第一边长以及第二边长；
将所述第二面进行坐标转换处理，得到第四面，其中，所述第四面的法向量与所述深度摄像头的画面深度Z轴平行；
计算所述第三面与所述第四面的间距，作为所述物流件的第三边长；
将所述第一边长、所述第二边长以及所述第三边长，作为所述物流件的边长，并计算得到所述物流件的体积。
7.根据权利要求6所述的方法，其特征在于，所述获取所述第三面的掩膜图对应的轮廓点云，并根据所述轮廓点云确定所述物流件的第一边长以及第二边长包括：
获取所述第三面的掩膜图对应的轮廓点云；
过滤所述轮廓点云的边长边缘的稀疏点云；
根据所述轮廓点云确定所述物流件的所述第一边长以及所述第二边长。
8.一种物流件的体积测量装置，其特征在于，所述装置包括：
获取单元，用于获取深度图像，其中，所述深度图像为通过深度摄像头拍摄物流件得到，所述物流件的形状为规则方形；
分割单元，用于在所述深度图像中分割出所述物流件对应的第一面以及第二面，其中，所述第一面以及所述第二面为平行关系；
确定单元，用于根据所述第一面以及所述第二面对应的深度信息，确定所述物流件的体积。
9.一种物流件的体积测量设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
10.一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多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的方法。
CN202010195868.7A 2020-03-19 2020-03-19 物流件的体积测量方法以及装置 Pending CN113496142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010195868.7A CN113496142A (zh) 2020-03-19 2020-03-19 物流件的体积测量方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010195868.7A CN113496142A (zh) 2020-03-19 2020-03-19 物流件的体积测量方法以及装置

Publications (1)

Publication Number Publication Date
CN113496142A true CN113496142A (zh) 2021-10-12

Family

ID=77993013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010195868.7A Pending CN113496142A (zh) 2020-03-19 2020-03-19 物流件的体积测量方法以及装置

Country Status (1)

Country Link
CN (1) CN113496142A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494404A (zh) * 2022-02-14 2022-05-13 云从科技集团股份有限公司 物体体积测量方法、系统、装置和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104457574A (zh) * 2014-12-11 2015-03-25 天津大学 一种非接触式测量不规则物体体积的装置和测量方法
US20170302905A1 (en) * 2016-04-13 2017-10-19 Sick Inc. Method and system for measuring dimensions of a target object
CN109632033A (zh) * 2019-02-22 2019-04-16 浙江大学滨海产业技术研究院 一种体积测量的设备与方法
CN109785379A (zh) * 2018-12-17 2019-05-21 中国科学院长春光学精密机械与物理研究所 一种对称物体尺寸及重量的测量方法及测量系统
CN109816298A (zh) * 2017-11-20 2019-05-28 财团法人工业技术研究院 物流管理方法及系统
CN109961468A (zh) * 2019-03-15 2019-07-02 北京清瞳时代科技有限公司 基于双目视觉的体积测量方法、装置及存储介质
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104457574A (zh) * 2014-12-11 2015-03-25 天津大学 一种非接触式测量不规则物体体积的装置和测量方法
US20170302905A1 (en) * 2016-04-13 2017-10-19 Sick Inc. Method and system for measuring dimensions of a target object
CN109816298A (zh) * 2017-11-20 2019-05-28 财团法人工业技术研究院 物流管理方法及系统
CN109785379A (zh) * 2018-12-17 2019-05-21 中国科学院长春光学精密机械与物理研究所 一种对称物体尺寸及重量的测量方法及测量系统
CN109632033A (zh) * 2019-02-22 2019-04-16 浙江大学滨海产业技术研究院 一种体积测量的设备与方法
CN109961468A (zh) * 2019-03-15 2019-07-02 北京清瞳时代科技有限公司 基于双目视觉的体积测量方法、装置及存储介质
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494404A (zh) * 2022-02-14 2022-05-13 云从科技集团股份有限公司 物体体积测量方法、系统、装置和介质

Similar Documents

Publication Publication Date Title
CN108009675B (zh) 货物装箱方法、装置及系统
US20210192761A1 (en) Image depth estimation method and device, readable storage medium, and electronic apparatus
EP3502621B1 (en) Visual localisation
CN107392958B (zh) 一种基于双目立体摄像机确定物体体积的方法及装置
CN111179358A (zh) 标定方法、装置、设备及存储介质
CN108381549B (zh) 一种双目视觉引导机器人快速抓取方法、装置及存储介质
US10304206B2 (en) Selecting feature patterns and corresponding layout positions for viewpoint measurement
CN112581629A (zh) 增强现实显示方法、装置、电子设备及存储介质
CN109479082B (zh) 图象处理方法及装置
CN109461133B (zh) 桥梁螺栓脱落检测方法及终端设备
CN110648363A (zh) 相机姿态确定方法、装置、存储介质及电子设备
CN108765584A (zh) 激光点云数据集增广方法、装置及可读存储介质
CN108120391A (zh) 信息处理设备和方法、存储介质和物品制造方法
CN112633084A (zh) 人脸框确定方法、装置、终端设备及存储介质
CN114066999A (zh) 基于三维建模的目标定位系统及方法
CN112197708B (zh) 测量方法及装置、电子设备及存储介质
CN113379826A (zh) 物流件的体积测量方法以及装置
CN112102391A (zh) 测量方法及装置、电子设备及存储介质
CN113496142A (zh) 物流件的体积测量方法以及装置
CN108427110A (zh) 测距方法、装置及电子设备
CN117253022A (zh) 一种对象识别方法、装置及查验设备
CN117237681A (zh) 图像处理方法、装置及相关设备
CN111815683B (zh) 目标定位方法及装置、电子设备和计算机可读介质
CN117218633A (zh) 一种物品检测方法、装置、设备及存储介质
CN111860035A (zh) 图书封面检测方法、装置及存储介质和电子设备

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