CN113673542A - 基于物联网的快递包裹破损识别方法及系统 - Google Patents

Abstract

本发明提供了基于物联网的快递包裹破损识别方法及系统，通过远距离、近距离摄像头获取快递包裹多个方位和角度的图片，建立图片模型并前置灰度值异常判断，比对获得疑似破损包裹的图片，对疑似破损包裹的图片进行稳定性处理优化图片质量，根据优化图片计算破损度。本发明基于物联网平台实现数据管理，采用全方位监控包裹，灰度值异常判断前置，对快递包括快速预检，采用多点矩阵对灰度稳定度进行提升，提高了异常灰度面图片质量，适应于处理大量快递并发检测场景，提高了包裹破损面识别检测的效率。

Description

基于物联网的快递包裹破损识别方法及系统

技术领域

本发明涉及大数据的技术领域，特别涉及基于物联网的快递包裹破损识别方法及系统。

背景技术

随着物流行业的迅猛发展，物流已经渗透人们平常生活的各个方面。随着电子商务的普及，越来越多的人通过网络进行商品选购。为应对越来越多的破损包裹识别需求，目前的包裹识别主要靠人工在流水线前端查看，无法通过视频流对分拣中心的破损包裹进行识别，而利用人工查看的方式无法保证检验结果的客观性。

现有技术中，通常通过标注图像训练得到的包裹缺陷识别模型对包裹分拣中心中的破损包裹进行识别，可以无法充分运用视频流对破损包裹进行识别的技术问题，但是现有的标注技术大部分都是需要借助人工实现，效率也有待提高。

发明内容

基于上述问题，本发明提出了一种基于物联网的快递包裹破损识别方法、系统及计算机可读存储介质，采用全方位监控包裹，灰度值异常判断前置，对大量快递进行快速预检，采用多点矩阵对灰度稳定度进行提升，提高异常灰度面图片质量，并通过对破损面建立坐标系，计算两个集合的双向距离，适应于处理大量快递并发检测场景，提高了包裹破损面识别检测的效率。

为实现上述目的，解决现有技术的问题，本发明提供了一种基于物联网的快递包裹破损识别方法，所述方法包括：

步骤101，获取快递包裹多角度图片，建立第一图片模型；

步骤102，获取广角快递包裹图片，并存储至第一图片模型；

步骤103，将所示第一图片模型转化为第二图片模型，计算第二图片模型中存储的每个图片所有像素的第一平均灰度以及对应待检测包裹所有图片的第二平均灰度，比对第一平均灰度值与第二平均灰度值获得第一破损图片；

步骤104，对所述第一破损图片进行稳定性处理，获得第二破损图片；

步骤105，对所述第二破损图片进行计算，获得破损度；

步骤106，对所述破损度超过预设阈值的包括进行预警提示，发送至物联网平台。

进一步地，建立第一图片模型具体为，当快递包裹通过检测设备时，检测设备提取设备编号，对快递包裹拍摄图片，建立第一图片模型M^k _g，其中k表示快递包裹的编号，g表示图片采集方位。

进一步地，所述获得第二破损图片具体为，对图片中每个像素，以该像素为中心，取上下、左右两列像素组成n*n的矩阵，计算矩阵中除了中心像素点的n*n-1个像素点的平均灰度值，并将该值赋值给中心像素点，公式如下：

其中S(x，y)为中心像素点灰度值。t为n*n-1，h(x，y)为中心像素点附近的像素的灰度值。

进一步地，所述获得破损度具体为，

建立平面坐标系，计算破损面所有像素的平均灰度值，标记灰度差异点，取所有差异点最大纵坐标值Y1和最小纵坐标值Y2，取Y1与Y2的平均值为分界线，将差异点分为两个集合，V{P1,P2……Ps}表示y值处于分界线以上的点集合，P1到Ps表示集合里s个差异点的灰度值，K{Q1,Q2……Qr}表示y值处于分界线以下的点集合，Q1到Qr表示集合里r个差异点的灰度值，计算集合V到集合K的距离：

其中，Ha(V，K)表示集合V到集合K的距离，s表示集合V里s个差异点，min(P-Q)计算P点的灰度值减去Q点的灰度值，再取最小值；

计算集合K到集合V的距离：

其中，Ha(K，V)表示集合K到集合V的距离，r表示集合K里r个差异点，min(Q-P)计算Q点的灰度值减去P点的灰度值，再取最小值；

定义两个点集合的距离为两个单项距离的最大值：

距离H(V，K)表示两个点集合的最大差异程度，计为破损度。

另一方面，本发明提出了一种基于物联网的快递包裹破损识别系统，所述系统包括：

近距离包裹检测设备201，获取快递包裹多角度图片，建立第一图片模型；

广角全景摄像检测设备202，获取广角快递包括图片，并存储至第一图片模型；

异常灰度值分析单元203，将所示第一图片模型转化为第二图片模型，计算第二图片模型中存储的每个图片所有像素的第一平均灰度以及对应待检测包裹所有图片的第二平均灰度，比对第一平均灰度值与第二平均灰度值获得第一破损图片；

稳定度处理单元204，对所述第一破损图片进行稳定性处理，获得第二破损图片；

破损度计算模块205，对所述第二破损图片进行计算，获得破损度；

预警提醒单元206，对所述破损度超过预设阈值的包括进行预警提示，发送至物联网平台。

进一步地，建立第一图片模型具体为，当快递包裹通过检测设备时，检测设备提取设备编号，对快递包裹拍摄图片，建立第一图片模型M^k _g，其中k表示快递包裹的编号，g表示图片采集方位。

进一步地，所述获得第二破损图片具体为，对图片中每个像素，以该像素为中心，取上下、左右两列像素组成n*n的矩阵，计算矩阵中除了中心像素点的n*n-1个像素点的平均灰度值，并将该值赋值给中心像素点，公式如下：

其中S(x，y)为中心像素点灰度值。t为n*n-1，h(x，y)为中心像素点附近的像素的灰度值。

进一步地，所述获得破损度具体为，

建立平面坐标系，计算破损面所有像素的平均灰度值，标记灰度差异点，取所有差异点最大纵坐标值Y1和最小纵坐标值Y2，取Y1与Y2的平均值为分界线，将差异点分为两个集合，V{P1,P2……Ps}表示y值处于分界线以上的点集合，P1到Ps表示集合里s个差异点的灰度值，K{Q1,Q2……Qr}表示y值处于分界线以下的点集合，Q1到Qr表示集合里r个差异点的灰度值，计算集合V到集合K的距离：

其中，Ha(V，K)表示集合V到集合K的距离，s表示集合V里s个差异点，min(P-Q)计算P点的灰度值减去Q点的灰度值，再取最小值；

计算集合K到集合V的距离：

其中，Ha(K，V)表示集合K到集合V的距离，r表示集合K里r个差异点，min(Q-P)计算Q点的灰度值减去P点的灰度值，再取最小值；

定义两个点集合的距离为两个单项距离的最大值：

距离H(V，K)表示两个点集合的最大差异程度，计为破损度。

另一方面，本发明提出了一种计算机可读存储于介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一所述方法的步骤。

另一方面，本发明提出了一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当计算机可读存储介质运行时，所述处理器执行所述机器可读指令，以执行上述任一所述方法的步骤。

本发明提供了一种基于物联网的快递包裹破损识别方法及系统，通过远距离、近距离摄像头获取快递包裹多个方位和角度的图片，建立图片模型，对图片模型灰度值异常进行前置判断，比对获得疑似破损包裹的图片，然后对疑似破损包裹的图片进行稳定性处理优化图片质量，根据优化图片计算破损度。本发明采用多视角三维摄像监控，可全方位监控包裹无死角，灰度值异常判断前置，可对大量快递进行快速预检，采用多点矩阵对灰度稳定度进行提升，提高异常灰度面图片质量，并通过对破损面建立坐标系，将异常点进行集合切分，采用算法计算两个集合的双向距离，能提高破损面检测效率，适应于处理大量快递并发检测场景，提高了包裹破损识别的效率，同时本发明基于物联网平台实现了对物流运输过程中物品保存的智能化感知、识别和管理。

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，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地介绍，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员工来讲，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为本发明的快递包裹破包识别方法流程图；

图2为本发明的快递包裹破包识别装置结构示意图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通技术员工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。

为了解决对物流运输中快递破损的快速识别，实现物流运输数据的快速计算，本发明提出了一种基于物联网的快递包裹破损识别方法、系统及计算机可读存储介质，能够应用于物流运输中对包裹破损的数据处理，解决现有技术识别效率低的不足问题，提高数据计算的速度。

一方面，本发明提出了一种基于物联网的快递包裹破损识别方法，如图1和图2所示，所述方法包括：

步骤101，获取快递包裹多角度图片，建立第一图片模型；

近距离包裹检测设备201包括6个高清图像采集设备（可以超过6个高清图像采集设备，用户可以自定义增加）、快递传送设备。当快递包裹通过检测设备时，检测设备提取设备编号，通过上下左右前后六个方向，对快递包裹拍摄图片，建立第一图片模型，即快递图片模型M^k _g，其中k表示快递的编号，g表示图片采集方位。g从1到6分别表示上下左右前后六个方向。

步骤102，获取广角快递包裹图片，并存储至第一图片模型；

广角全景摄像检测设备202为远距离视频检测设备，提取广角拍摄的某包裹图片，加入快递图片模型M^k _g，g记为7表示广角位拍摄的包裹图片。更进一步地，广角全景摄像检测设备202还可以拍摄多个广角图片，用于提高精度。

本发明采用近距离、远距离摄像头相结合，多视角三维摄像监控，可全方位监控包裹无死角。

步骤103，将所示第一图片模型转化为第二图片模型，计算第二图片模型中存储的每个图片所有像素的第一平均灰度以及对应待检测包裹所有图片的第二平均灰度，比对第一平均灰度值与第二平均灰度值获得第一破损图片；

所述异常灰度值分析单元，将快递图片模型M^k _g转化为灰度模型H^k _g,分别计算包裹每个图片中所有像素的平均灰度值，并计为第一平均灰度值P^k _g，计算n个图片第二平均灰度值pJ，n大于等于7，将每个图片的平均灰度值P^k _g与pJ比较，对于差异超过5%的标记异常，对应为疑似有包裹破损的包裹，标记为第一破损图片。本发明灰度值异常判断前置，可对大量快递进行快速预检。

步骤104，对所述第一破损图片进行稳定性处理，获得第二破损图片；

对差异超过5%的异常灰度面进行灰度稳定性提升处理。对图片中每个像素，以该像素为中心，取上下、左右两列像素组成5*5的矩阵，其中5*5是最优方案，计算矩阵中除了中心像素点的24个像素点的平均灰度值，并将该值赋值给中心像素点。公式如下：

其中S(x，y)为中心像素点灰度值。t为24，h(x，y)为中心像素点附近的像素的灰度值。

稳定度处理单元204进行循环判断，对每个像素，都是取周围24个，赋值给中心像素点（第25个像素点处于中心）；经过多次循环即可提高异常灰度面图片质量。

步骤105，对所述第二破损图片进行计算，获得破损度；

破损度计算模块205计算差异超过5%的异常灰度面的破损度。以破损面图片的底角作为0点，建立平面坐标系，计算破损面所有像素的平均灰度值，比对每个像素点灰度值与平均灰度值，标记灰度差异超过10%的点为差异点。取所有差异点最大纵坐标值Y1和最小纵坐标值Y2，取Y1与Y2的平均值为分界线，将差异点分为两个集合，V{P1,P2……Ps}表示y值处于分界线以上的点集合，P1到Ps表示集合里s个差异点的灰度值。K{Q1,Q2……Qr}表示y值处于分界线以下的点集合，Q1到Qr表示集合里r个差异点的灰度值。采用如下算法计算集合V到集合K的距离：

其中，Ha(V，K)表示集合V到集合K的距离，s表示集合V里s个差异点，min(P-Q)计算P点的灰度值减去Q点的灰度值，再取最小值。

采用如下算法计算集合K到集合V的距离：

其中，Ha(K，V)表示集合K到集合V的距离，r表示集合K里r个差异点，min(Q-P)计算Q点的灰度值减去P点的灰度值，再取最小值。

定义两个点集合的距离为两个单项距离的最大值

距离H(V，K)表示两个点集合的最大差异程度，计为破损度。

本发明通过对破损面建立坐标系，将异常点进行集合切分，创新性的引入算法计算两个集合的双向距离，能提高破损面检测效率，适应于处理大量快递并发检测场景。

步骤106，对所述破损度超过预设阈值的包括进行预警提示，发送至物联网平台。

对所述破损度进行超过预设阈值的数值进行预警，将该包裹视为潜在的破损包裹，进行预警提示，发送至物联网平台。预设阈值根据实际情况设置，例如可以设置为2、3。本发明通过实时采集物流快递包裹图像，将这些图像建立模型发送至后台计算分析，并将是否破损的分析结果发送至物联网平台管理，实现了对物流运输过程中物品保存的智能化感知、识别和管理。

另一方面，一种基于物联网的快递包裹破损识别系统，如图2所示，所述系统包括：近距离包裹检测设备201、广角全景摄像检测设备202、异常灰度检测设备203、稳定度处理单元204、破损率计算单元205、预警提醒单元206。

近距离包裹检测设备201，获取快递包裹多角度图片，建立第一图片模型；

所述近距离包裹检测设备201包括6个高清图像采集设备（可以超过6个高清图像采集设备，用户可以自定义增加）、快递传送设备。当快递包裹通过检测设备时，检测设备提取设备编号，通过上下左右前后六个方向，对快递包裹拍摄图片，建立第一图片模型，即快递图片模型M^k _g，其中k表示快递的编号，g表示图片采集方位。g从1到6分别表示上下左右前后六个方向。

广角全景摄像检测设备202，获取广角快递包裹图片，并存储至第一图片模型；

所述广角全景摄像检测设备202为远距离视频检测设备，提取广角拍摄的某包裹图片，加入快递图片模型M^k _g，g记为7表示广角位拍摄的包裹图片。更进一步地，广角全景摄像检测设备202还可以拍摄多个广角图片，用于提高精度。

本发明采用近距离、远距离摄像头相结合，多视角三维摄像监控，可全方位监控包裹无死角。

异常灰度值分析单元203，将所示第一图片模型转化为第二图片模型，计算第二图片模型中存储的每个图片所有像素的第一平均灰度以及对应待检测包裹所有图片的第二平均灰度，比对第一平均灰度值与第二平均灰度值获得第一破损图片；

所述异常灰度值分析单元，将快递图片模型M^k _g转化为灰度模型H^k _g,分别计算包裹每个图片中所有像素的平均灰度值，并计为第一平均灰度值P^k _g，计算n个图片第二平均灰度值pJ，n大于等于7，将每个图片的平均灰度值P^k _g与pJ比较，对于差异超过5%的标记异常，对应为疑似有包裹破损的包裹，标记为第一破损图片。本发明灰度值异常判断前置，可对大量快递进行快速预检。

稳定度处理单元204，对所述第一破损图片进行稳定性处理，获得第二破损图片；

稳定度处理单元204，对差异超过5%的异常灰度面进行灰度稳定性提升处理。对图片中每个像素，以该像素为中心，取上下、左右两列像素组成5*5的矩阵，其中5*5是最优方案，计算矩阵中除了中心像素点的24个像素点的平均灰度值，并将该值赋值给中心像素点。公式如下：

其中S(x，y)为中心像素点灰度值。t为24，h(x，y)为中心像素点附近的像素的灰度值。

所述稳定度处理单元204，进行循环判断，对每个像素，都是取周围24个，赋值给中心像素点（第25个像素点处于中心）；经过多次循环即可提高异常灰度面图片质量。

破损度计算模块205，对所述第二破损图片进行计算，获得破损度；

破损度计算模块205，计算差异超过5%的异常灰度面的破损度。以破损面图片的底角作为0点，建立平面坐标系，计算破损面所有像素的平均灰度值，标记灰度差异超过10%的点为差异点。取所有差异点最大纵坐标值Y1和最小纵坐标值Y2,取Y1与Y2的平均值为分界线，将差异点分为两个集合，V{P1,P2……Ps}表示y值处于分界线以上的点集合，P1到Ps表示集合里s个差异点的灰度值。K{Q1,Q2……Qr}表示y值处于分界线以下的点集合，Q1到Qr表示集合里r个差异点的灰度值。采用如下算法计算集合V到集合K的距离：

其中，Ha(V，K)表示集合V到集合K的距离，s表示集合V里s个差异点，min(P-Q)计算P点的灰度值减去Q点的灰度值，再取最小值。

采用如下算法计算集合K到集合V的距离：

其中，Ha(K，V)表示集合K到集合V的距离，r表示集合K里r个差异点，min(Q-P)计算Q点的灰度值减去P点的灰度值，再取最小值。

定义两个点集合的距离为两个单项距离的最大值

距离H(V，K)表示两个点集合的最大差异程度，计为破损度。

本发明通过对破损面建立坐标系，将异常点进行集合切分，创新性的引入算法计算两个集合的双向距离，能提高破损面检测效率，适应于处理大量快递并发检测场景。

预警提醒单元206，对所述破损度超过预设阈值的包括进行预警提示，发送至物联网平台。

对所述破损度进行超过预设阈值的数值进行预警，将该包裹视为潜在的破损包裹，进行预警提示，发送至物联网平台。预设阈值根据实际情况设置，例如可以设置为2、3。本发明通过实时采集物流快递包裹图像，将这些图像建立模型发送至后台计算分析，并将是否破损的分析结果发送至物联网平台管理，实现了对物流运输过程中物品保存的智能化感知、识别和管理。

另一方面，本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时执行快递包裹破包识别方法。

另一方面，一种电子设备，其特征在于，所述电子设备包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当计算机可读存储介质运行时，所述处理器执行所述机器可读指令，以执行快递包裹破包识别方法。

本发明提供了一种基于物联网的快递包裹破损识别方法、装置、存储介质及电子设备，通过远距离、近距离摄像头获取快递包裹多个方位和角度的图片，建立图片模型，对图片模型灰度值异常进行前置判断，比对获得疑似破损包裹的图片，然后对疑似破损包裹的图片进行稳定性处理优化图片质量，根据优化图片计算破损度。本发明采用多视角三维摄像监控，可全方位监控包裹无死角，灰度值异常判断前置，可对大量快递进行快速预检，采用多点矩阵对灰度稳定度进行提升，提高异常灰度面图片质量，并通过对破损面建立坐标系，将异常点进行集合切分，采用算法计算两个集合的双向距离，能提高破损面检测效率，适应于处理大量快递并发检测场景，提高了包裹破损识别的效率。

上述本发明的实施方式是本发明的元件和特征的组合。除非另外提及，否则所述元件或特征可被视为选择性的。各个元件或特征可在不与其它元件或特征组合的情况下实践。另外，本发明的实施方式可通过组合部分元件和/或特征来构造。本发明的实施方式中所描述的操作顺序可重新排列。任一实施方式的一些构造可被包括在另一实施方式中，并且可用另一实施方式的对应构造代替。对于本领域技术人员而言明显的是，所附权利要求中彼此没有明确引用关系的权利要求可组合成本发明的实施方式，或者可在提交本发明之后的修改中作为新的权利要求包括。

在固件或软件配置方式中，本发明的实施方式可以模块、过程、功能等形式实现。软件代码可存储在存储器单元中并由处理器执行。存储器单元位于处理器的内部或外部，并可经由各种己知手段向处理器发送数据以及从处理器接收数据。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于物联网的快递包裹破损识别方法，其特征在于，所述方法包括：

步骤101，获取快递包裹多角度图片，建立第一图片模型；

步骤102，获取广角快递包裹图片，并存储至第一图片模型；

步骤103，将所示第一图片模型转化为第二图片模型，计算第二图片模型中存储的每个图片所有像素的第一平均灰度以及对应待检测包裹所有图片的第二平均灰度，比对第一平均灰度值与第二平均灰度值获得第一破损图片；

步骤104，对所述第一破损图片进行稳定性处理，获得第二破损图片；

步骤105，对所述第二破损图片进行计算，获得破损度；

步骤106，对所述破损度超过预设阈值的包括进行预警提示，发送至物联网平台。

2.根据权利要求1所述的方法，其特征在于，建立第一图片模型具体为，当快递包裹通过检测设备时，检测设备提取设备编号，对快递包裹拍摄图片，建立第一图片模型M^k _g，其中k表示快递包裹的编号，g表示图片采集方位。

3.根据权利要求1所述的方法，其特征在于，所述获得第二破损图片具体为，对图片中每个像素，以该像素为中心，取上下、左右两列像素组成n*n的矩阵，计算矩阵中除了中心像素点的n*n-1个像素点的平均灰度值，并将该值赋值给中心像素点，公式如下：

其中S(x，y)为中心像素点灰度值；

t为n*n-1，h(x，y)为中心像素点附近的像素的灰度值。

4.根据权利要求3所述的方法，其特征在于，所述获得破损度具体为，

建立平面坐标系，计算破损面所有像素的平均灰度值，标记灰度差异点，取所有差异点最大纵坐标值Y1和最小纵坐标值Y2，取Y1与Y2的平均值为分界线，将差异点分为两个集合，V{P1,P2……Ps}表示y值处于分界线以上的点集合，P1到Ps表示集合里s个差异点的灰度值，K{Q1,Q2……Qr}表示y值处于分界线以下的点集合，Q1到Qr表示集合里r个差异点的灰度值，计算集合V到集合K的距离：

其中，Ha(V，K)表示集合V到集合K的距离，S表示集合V里S个差异点，min(P-Q)计算P点的灰度值减去Q点的灰度值，再取最小值；

计算集合K到集合V的距离：

其中，Ha(K，V)表示集合K到集合V的距离，r表示集合K里r个差异点，min(Q-P)计算Q点的灰度值减去P点的灰度值，再取最小值；

定义两个点集合的距离为两个单项距离的最大值：

距离H(V，K)表示两个点集合的最大差异程度，计为破损度。

5.一种基于物联网的快递包裹破损识别系统，其特征在于，所述系统包括：

近距离包裹检测设备201，获取快递包裹多角度图片，建立第一图片模型；

广角全景摄像检测设备202，获取广角快递包括图片，并存储至第一图片模型；

异常灰度值分析单元203，将所示第一图片模型转化为第二图片模型，计算第二图片模型中存储的每个图片所有像素的第一平均灰度以及对应待检测包裹所有图片的第二平均灰度，比对第一平均灰度值与第二平均灰度值获得第一破损图片；

稳定度处理单元204，对所述第一破损图片进行稳定性处理，获得第二破损图片；

破损度计算模块205，对所述第二破损图片进行计算，获得破损度；

预警提醒单元206，对所述破损度超过预设阈值的包括进行预警提示，发送至物联网平台。

6.根据权利要求5所述的系统，其特征在于，建立第一图片模型具体为，当快递包裹通过检测设备时，检测设备提取设备编号，对快递包裹拍摄图片，建立第一图片模型M^k _g，其中k表示快递包裹的编号，g表示图片采集方位。

7.根据权利要求5所述的系统，其特征在于，所述获得第二破损图片具体为，对图片中每个像素，以该像素为中心，取上下、左右两列像素组成n*n的矩阵，计算矩阵中除了中心像素点的n*n-1个像素点的平均灰度值，并将该值赋值给中心像素点，公式如下：

其中S(x，y)为中心像素点灰度值；

t为n*n-1，h(x，y)为中心像素点附近的像素的灰度值。

8.根据权利要求7所述的系统，其特征在于，所述获得破损度具体为，

建立平面坐标系，计算破损面所有像素的平均灰度值，标记灰度差异点，取所有差异点最大纵坐标值Y1和最小纵坐标值Y2，取Y1与Y2的平均值为分界线，将差异点分为两个集合，V{P1,P2……Ps}表示y值处于分界线以上的点集合，P1到Ps表示集合里s个差异点的灰度值，K{Q1,Q2……Qr}表示y值处于分界线以下的点集合，Q1到Qr表示集合里r个差异点的灰度值，计算集合V到集合K的距离：

其中，Ha(K，V)表示集合V到集合K的距离，s表示集合V里s个差异点，min(P-Q)计算P点的灰度值减去Q点的灰度值，再取最小值；

计算集合K到集合V的距离：

其中，Ha(K，V)表示集合K到集合V的距离，r表示集合K里r个差异点，min(Q-P)计算Q点的灰度值减去P点的灰度值，再取最小值；

定义两个点集合的距离为两个单项距离的最大值：

距离H(V，K)表示两个点集合的最大差异程度，计为破损度。

9.一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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至4任一所述方法的步骤。

10.一种电子设备，其特征在于，所述电子设备包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当计算机可读存储介质运行时，所述处理器执行所述机器可读指令，以执行如权利要求1至4任一所述方法的步骤。

Images