CN113888632A - 结合rgbd图像水池污渍定位方法及系统 - Google Patents

结合rgbd图像水池污渍定位方法及系统 Download PDF

Info

Publication number
CN113888632A
CN113888632A CN202111076309.5A CN202111076309A CN113888632A CN 113888632 A CN113888632 A CN 113888632A CN 202111076309 A CN202111076309 A CN 202111076309A CN 113888632 A CN113888632 A CN 113888632A
Authority
CN
China
Prior art keywords
image
pool
positioning
stain
stains
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.)
Granted
Application number
CN202111076309.5A
Other languages
English (en)
Other versions
CN113888632B (zh
Inventor
王金龙
郭震
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.)
Shanghai Jingwu Intelligent Technology Co Ltd
Original Assignee
Shanghai Jingwu Intelligent Technology 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 Shanghai Jingwu Intelligent Technology Co Ltd filed Critical Shanghai Jingwu Intelligent Technology Co Ltd
Priority to CN202111076309.5A priority Critical patent/CN113888632B/zh
Publication of CN113888632A publication Critical patent/CN113888632A/zh
Application granted granted Critical
Publication of CN113888632B publication Critical patent/CN113888632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种结合RGBD图像水池污渍定位方法及系统，涉及视觉识别与定位术领域，该方法包括：步骤S1：对水池槽彩色图像采用椭圆检测进行初步定位；步骤S2：对水池槽的初步定位完成之后，再对水池槽的彩色图像的感兴趣的ROI区域进行污渍进行检测和定位；步骤S3：利用深度图像，通过内外参数，将平面位置坐标转换到世界坐标系中供机器人进行二次清洁。本发明能够很大程度上提高清洁机器人的清洁力度，且广泛适用于对比度较强烈的污渍检测。

Description

结合RGBD图像水池污渍定位方法及系统
技术领域
本发明涉及视觉识别与定位技术领域，具体地，涉及一种结合RGBD图像水池污渍定位方法及系统。
背景技术
酒店客房的智能化打扫已经是未来的趋势，因为目前的客房清洁是一套标准化流程，很适合用机器人来取代很多重复性的工作。
酒店清洁机器人的工作流程较复杂，就水池而言，清洁过后能不能符合最终的验收标准一直是个挑战。
公开号为CN111822462A的发明专利，公开了一种用于污水处理水池中的清扫污垢机器人，包括机器人本体，机器人本体上设有第一清扫机构、第二清扫机构、第三清扫机构、第四清扫机构和第五清扫机构，第一清扫机构、第二清扫机构、第三清扫机构、第四清扫机构和第五清扫机构分别与第一表面、第二表面、第三表面、第四表面和第五表面相对应；机器人本体上设有牵引机构。
而现有技术中，使用机器人对水池槽进行清洁，在光照多变的情况下，清洁后的水池污渍难以定位，且水池的污渍多样化，成为污渍定位的难点。
发明内容
针对现有技术中的缺陷，本发明提供一种结合RGBD图像水池污渍定位方法及系统。
根据本发明提供的一种结合RGBD图像水池污渍定位方法及系统，所述方案如下：
第一方面，提供了一种结合RGBD图像水池污渍定位方法，所述方法包括：
步骤S1：对水池槽采用椭圆检测进行彩色图像的初步定位；
步骤S2：对水池槽的初步定位完成之后，再用彩色图像对水池槽内的污渍进行检测和定位；
步骤S3：利用深度图像，通过内外参数，将平面位置坐标转换到世界坐标系中供机器人进行二次清洁。
优选的，所述步骤S1包括：
步骤S1.1：通过对原始图进行直方图均衡化处理；
步骤S1.2：再使用Gaussian滤波，排除水池成像中的噪声；
步骤S1.3：利用改进Canny算子对预处理过后的图像进行边界提取，并根据检测的线段曲率进行筛选，提高后处理效率；
步骤S1.4：利用提取出的边缘二值图进行椭圆检测，并求出其椭圆中心，完成定位功能。
优选的，所述步骤S2中对污渍进行检测包括：
步骤S2.1：对原图进行双边滤波预处理操作；
步骤S2.2：利用步骤S1中生产的椭圆中心，并根据水池尺寸参数，生成待检测区域；同时生成二值掩模图Mask，用其来排除水池黑色空洞对污渍检测结果的影响。
优选的，所述步骤S2.1包括：
双边滤波的处理方式不仅考虑像素的欧氏距离，还考虑了像素范围域的辐射差异，其公式如下：
Figure BDA0003262324950000021
其中，
Figure BDA0003262324950000022
σs代表过滤的像素空间邻域的大小；
σr表示领域像素向下加权值的大小；
Figure BDA0003262324950000023
表示滤波后的输出图像；
Figure BDA0003262324950000024
表示权重总和的归一化；
bf表示bilateral filter双边滤波；
Figure BDA0003262324950000025
表示space weight空间权重；
Figure BDA0003262324950000026
表示range weight范围权重；
Iq表示输入图像。
优选的，所述步骤S2中对污渍进行定位包括：
步骤S2.3：利用自适应阈值的方法，对污渍进行分割；
步骤S2.4：对分割处理之后的图像进行连通域分析，并计算出每块区域的中心坐标，完成对污渍的定位。
优选的，所述步骤S2.4包括：
采用计算区域形心的方式，计算每个污渍的位置，具体公式如下：
设质量平均分配的曲边梯形aABb是由y＝f(x)，x＝a，x＝b所围绕，其密度为常量，则质心坐标(x0，y0)为：
Figure BDA0003262324950000031
其中，My表示函数xf(x)在x＝a到x＝b的积分；
M表示函数f(x)在x＝a到x＝b的积分；
a表示函数f(x)的起点x＝a；
b表示函数f(x)的终点x＝b；
Mx表示函数f2(x)在x＝a到x＝b的积分的1/2。
优选的，所述步骤S3包括：根据深度图像和彩色图像相机的内参，将水池污渍中的定位点，转换至空间坐标系中，以便机器人进行下一步的清洁工作。
第二方面，提供了一种结合RGBD图像水池污渍定位系统，所述系统包括：
模块M1：对水池槽采用椭圆检测进行彩色图像的初步定位；
模块M2：对水池槽的初步定位完成之后，再对水池槽彩色图像内的污渍进行检测和定位；
模块M3：利用深度图像，通过内外参数，将图像中检测出的污渍平面坐标位置转换到世界坐标系中供机器人进行二次清洁。
优选的，所述模块M1包括：
模块M1.1：通过对原图进行直方图均衡化处理；
模块M1.2：再使用Gaussian滤波，排除水池成像中的噪声；
模块M1.3：利用Canny算子对预处理过后的图像进行边界提取，并根据曲率对检测出的线段进行筛选；
模块M1.4：利用提取出的边缘二值图进行椭圆检测，并求出其椭圆中心，完成定位功能。
优选的，所述模块M2中对污渍进行检测包括：
模块M2.1：对原始图像进行双边滤波预处理；
模块M2.2：利用步骤S1中生产的椭圆中心，生成Mask用其来排除水池黑色空洞对污渍检测结果的影响。
与现有技术相比，本发明具有如下的有益效果：
1、本发明对水池槽污渍定位的算法，可以很大程度上提高清洁机器人的清洁力度；
2、本发明对比度较强烈广泛适用于各种污渍检测，如茶叶，口红，化妆液，洗手液，牙膏渍等；
3、本发明中使用的自适应阈值分割可以排除很多干扰噪声。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明流程图示意图；
图2为水池中心检测的边缘图；
图3为水池中椭圆定位；
图4为对水池污渍进行分割的示意图；
图5为区域连通域分析(排除水池排水口的影响)示意图；
图6为阈值分割结果示意图；
图7为污渍定位实际效果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种结合RGBD图像水池污渍定位方法，参照图1所示，该方法具体包括：
步骤S1：对水池槽彩色图像采用椭圆检测进行初步定位；
针对所有水池的共同特征“圆形的排水口”，由于视觉无法正面拍摄，所以难以呈献正常的圆形，故采用椭圆检测。
通过对原始图进行直方图均衡化处理，来降低光照非均匀性对结果的影响，再使用Gaussian滤波，排除水池成像中的噪声。
酒店场景复杂多样，照明效果也是多样化的，所以实际图像的成像效果是不一样的，直方图均衡化作为图像算法中比较重要的处理方式可以很巧妙的解决这个问题。
直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法，基本思想是通过灰度级概率密度函数求出灰度变换函数，它是一种以累计分布函数变换法为基础的直方图修正法。如参照图2所示，场景较暗的情况下，水渍的显示效果并不明显，因为其整体图像灰度偏低。如参照图3所示，通过直方图均衡化处理后，可以扩大图像的灰度分布范围，同时增加了图像对比度。
高斯滤波器是生成掩膜，与图像卷积，最后能对图像进行平滑并滤除噪声。其二维方程为：
Figure BDA0003262324950000051
其中，x表示高斯滤波器水平向位置；
y表示高斯滤波器竖直方向位置；
δ表示方差，决定高斯函数的宽度；
e表示自然对数函数的底数；
参照图4所示，利用改进的Canny算子对预处理过后的图像进行边界提取，根据曲率进行线段的筛选，从而提高后处理效率。传统的Canny算子采用的高斯滤波进行的平滑处理，并采用了水平向和竖直方向的sobel一阶微分算子，计算出梯度和梯度幅值。最后在用双阈值处理进行非极大值抑制。针对于水池污渍检测，为了完整保留水池污渍的边缘信息，我们采用了双边滤波的处理方式，双边滤波是一个非线性滤波方式，它可以达到保持边缘，降噪平滑的效果。因为双边滤波不仅考虑了像素的欧氏距离，还考虑了像素范围域的辐射差异，其公式如下：
Figure BDA0003262324950000052
其中，
Figure BDA0003262324950000053
σs代表过滤的像素空间邻域的大小；
σr表示领域像素向下加权值的大小；
Figure BDA0003262324950000054
表示滤波后的输出图像；
Figure BDA0003262324950000055
表示权重总和的归一化；
bf表示bilateral filter双边滤波；
Figure BDA0003262324950000061
表示space weight空间权重；
Figure BDA0003262324950000062
表示range weight范围权重；
Iq表示输入图像。
为了提高椭圆线段的检测精度，我们额外添加了45°和135°的一阶微分算子。模板如下：
Figure BDA0003262324950000063
参照图5所示，利用提取出的边缘二值图进行椭圆检测，求出椭圆中心，完成定位功能。
步骤S2：对水池槽的初步定位完成之后，利用椭圆中心，生成感兴趣的ROI区域，并针对此区域进行污渍检测和定位；
光照的非均匀性以及污渍的种类，对定位的精确性提出了挑战。
对生成的感兴趣的ROI区域的原图双边滤波预处理；利用步骤S1中生产的椭圆中心，生成Mask用其来排除水池黑色空洞对污渍检测结果的影响。
参照图6所示，利用自适应阈值的方法，有效解决区域光强分布不均匀而导致阈值选择错误，进而分割失败的问题；
在水池污渍检测的过程中，由于场景，照明的多样性，在进行污渍检测时，如果采用传统的OSTU全局阈值的分割方法的话，经常会出现阈值分割失败等情况。本次采用的自适应阈值的分割方式，具体做法如下：
针对酒店水池污渍的特点，一般为水滴状(圆形，椭圆形等块状)，我们在确定每个像素的阈值时，采用圆环式模板Mask的阈值计算策略，这样在确定每个像素阈值的时候，可以有效避免污渍对阈值的影响。
参照图7所示，对分割处理之后的图像进行连通域分析，并计算出每块区域的中心坐标，完成对污渍的定位。
因为污渍一般为块状，所以采用计算区域形心的方式，计算每个污渍的位置，具体公式如下：
设质量平均分配的曲边梯形aABb是由y＝f(x)，x＝a，x＝b所围绕，其密度为常量，则质心坐标(x0，yO)为：
Figure BDA0003262324950000064
其中，My表示函数xf(x)在x＝a到x＝b的积分；
M表示函数f(x)在x＝a到x＝b的积分；
a表示函数f(x)的起点x＝a；
b表示函数f(x)的终点x＝b；
Mx表示函数f2(x)在x＝a到x＝b的积分的1/2。
步骤S3：利用深度图像，通过内外参数，将平面位置坐标转换到世界坐标系中供机器人进行二次清洁。具体根据深度图像和彩色图像相机的内参，将水池污渍中的定位点，转换至空间坐标系中，以便机器人进行下一步的清洁工作。
在立体视觉中，图像坐标系，相机坐标系，以及世界坐标系是可以相互转换的。具体转换关系如下公式所示：
Figure BDA0003262324950000071
注：左边u，v代表图像坐标系中的二维坐标，Xw，Yw，Zw为世界坐标系中的坐标，
Figure BDA0003262324950000072
相机的内参，
Figure BDA0003262324950000073
相机的外参，通过张正友标定法均可以获取。
本发明实施例提供了一种结合RGBD图像水池污渍定位方法及系统，针对于水池的多变的特征，在进行检测区域的筛选的过程中，我们采用了水池相对比较稳定的特征-圆形的排水口，然后在实际拍摄过程中，随着角度的改变，圆形在绝大多数的情况下都呈现椭圆，所以我们采用了椭圆定位的方式。
但椭圆的检测，如果采用传统的hough椭圆变换，其速度较慢，而且容易出现错误检测的情况，所以我们采用了改进的canny算子配合检测线段曲率筛选，可以将最终的待检测线段降到最少，从而提高了椭圆检测的速度和准确度。
椭圆检测定位成功后，我们根据水池的尺寸参数，生最终的感兴趣ROI区域，并对选中区域进行污渍检测。
由于污渍的多样性，以及光照的多样性，所以我们采用了自适应阈值选取的方式，相对于传统的自适应阈值的方法，我们根据污渍的块状特征，设计了自适应阈值确定的模板，很有效的降低了污渍对阈值的影响，提高了污渍检测效率。
由于整个设计采用的是RGBD相机采集图像，所以可以很容易实现，图像坐标系中的污渍点转换到世界坐标系中，供机器人进行第二次清洁，大大提高了清洁机器人清洁的洁净度。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种结合RGBD图像水池污渍定位方法，其特征在于，包括：
步骤S1：对水池槽彩色图像采用椭圆检测进行初步定位；
步骤S2：对水池槽的初步定位完成之后，再对水池槽的彩色图像的感兴趣的ROI区域进行污渍进行检测和定位；
步骤S3：利用深度图像，通过内外参数，将图像中检测出的污渍平面位置坐标转换到世界坐标系中供机器人进行二次清洁。
2.根据权利要求1所述的结合RGBD图像水池污渍定位方法，其特征在于，所述步骤S1包括：
步骤S1.1：对原始图像进行直方图均衡化处理；
步骤S1.2：再使用Gaussian滤波，排除水池成像中的相机噪声；
步骤S1.3：利用改进的Canny算子对预处理过后的图像进行边界提取，并根据检测线段的曲率进行筛选，排除干扰线段，提高后处理效率；
步骤S1.4：利用提取出的边缘二值图进行椭圆检测，并求出其椭圆中心，完成定位功能。
3.根据权利要求1所述的结合RGBD图像水池污渍定位方法，其特征在于，所述步骤S2中对污渍进行检测包括：
步骤S2.1：对原图进行双边滤波的预处理操作；
步骤S2.2：利用步骤S1中生产的椭圆中心，并根据水池尺寸参数，生成待检测区域；同时生成二值掩模图Mask，用其来排除水池黑色空洞对污渍检测结果的影响。
4.根据权利要求3所述的结合RGBD图像水池污渍定位方法，其特征在于，所述步骤S2.1包括：
双边滤波的处理方式不仅考虑像素的欧氏距离，还考虑了像素范围域的辐射差异，其公式如下：
Figure FDA0003262324940000011
其中，
Figure FDA0003262324940000012
σs代表过滤的像素空间邻域的大小；
σr表示领域像素向下加权值的大小；
Figure FDA0003262324940000021
表示滤波后的输出图像；
Figure FDA0003262324940000022
表示权重总和的归一化；
bf表示bilateral filter双边滤波；
Figure FDA0003262324940000023
表示space weight空间权重；
Figure FDA0003262324940000024
表示range weight范围权重；
Iq表示输入图像。
5.根据权利要求1所述的结合RGBD图像水池污渍定位方法，其特征在于，所述步骤S2中对污渍进行定位包括：
步骤S2.3：利用自适应阈值的方法，对污渍进行分割；
步骤S2.4：对分割处理之后的图像进行连通域分析，并计算出每块区域的中心坐标，完成对污渍的定位。
6.根据权利要求5所述的结合RGBD图像水池污渍定位方法，其特征在于，所述步骤S2.4包括：
采用计算区域形心的方式，计算每个污渍的位置，具体公式如下：
设质量平均分配的曲边梯形aABb是由y＝f(x),x＝a,x＝b所围绕，其密度为常量，则质心坐标(x0,y0)为：
Figure FDA0003262324940000025
其中，My表示函数xf(x)在x＝a到x＝b的积分；
M表示函数f(x)在x＝a到x＝b的积分；
a表示函数f(x)的起点x＝a；
b表示函数f(x)的终点x＝b；
Mx表示函数f2(x)在x＝a到x＝b的积分的1/2。
7.根据权利要求1所述的结合RGBD图像水池污渍定位方法，其特征在于，所述步骤S3包括：根据深度图像和彩色图像相机的内参，将水池污渍中的定位点，转换至空间坐标系中，以便机器人进行下一步的清洁工作。
8.一种结合RGBD图像水池污渍定位系统，其特征在于，包括：
模块M1：对水池槽彩色图像采用椭圆检测进行初步定位；
模块M2：对水池槽的初步定位完成之后，再对水池槽的彩色图像的感兴趣的ROI区域进行污渍进行检测和定位；
模块M3：利用深度图像，通过内外参数，将图像中检测出的污渍的平面位置坐标转换到世界坐标系中供机器人进行二次清洁。
9.根据权利要求8所述的结合RGBD图像水池污渍定位系统，其特征在于，所述模块M1包括：
模块M1.1：通过原始图进行直方图均衡化处理；
模块M1.2：再使用Gaussian滤波，排除水池成像中的相机噪声；
模块M1.3：利用改进的Canny算子对预处理过后的图像进行边界提取，并根据检测出的线段曲率进行筛选，排除干扰线段，提高后处理效率；
模块M1.4：利用提取出的边缘二值图进行椭圆检测，并求出其椭圆中心，完成定位功能。
10.根据权利要求8所述的结合RGBD图像水池污渍定位系统，其特征在于，所述模块M2中对污渍进行检测包括：
模块M2.1：对原图进行双边滤波预处理操作；
模块M2.2：利用步骤S1中生产的椭圆中心，并根据水池尺寸参数，生成待检测区域；同时生成二值掩模图Mask，用其来排除水池黑色空洞对污渍检测结果的影响。
CN202111076309.5A 2021-09-14 2021-09-14 结合rgbd图像水池污渍定位方法及系统 Active CN113888632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111076309.5A CN113888632B (zh) 2021-09-14 2021-09-14 结合rgbd图像水池污渍定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111076309.5A CN113888632B (zh) 2021-09-14 2021-09-14 结合rgbd图像水池污渍定位方法及系统

Publications (2)

Publication Number Publication Date
CN113888632A true CN113888632A (zh) 2022-01-04
CN113888632B CN113888632B (zh) 2024-08-16

Family

ID=79009098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111076309.5A Active CN113888632B (zh) 2021-09-14 2021-09-14 结合rgbd图像水池污渍定位方法及系统

Country Status (1)

Country Link
CN (1) CN113888632B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049399A (zh) * 2022-01-13 2022-02-15 上海景吾智能科技有限公司 一种结合rgbd图像的镜面定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1540119A (zh) * 2003-04-23 2004-10-27 �Ϻ��綯�����о��� 具备污垢判别能力的水池清洗器
CN106894481A (zh) * 2017-01-13 2017-06-27 杨徐子谦 一种基于智能马桶自动检测并清洁污垢方法及系统
CN107931865A (zh) * 2016-10-12 2018-04-20 中国科学院沈阳自动化研究所 大型腔体内壁污物自动化在线激光清洗装置和方法
CN107928586A (zh) * 2017-11-24 2018-04-20 佛山市顺德区美的洗涤电器制造有限公司 水槽洗碗机及其自清洁控制方法
CN112264419A (zh) * 2020-09-30 2021-01-26 徐尔灵 基于人工智能的多光伏清洁机器人协同调度方法及系统
CN113177944A (zh) * 2021-06-30 2021-07-27 深之蓝海洋科技股份有限公司 水下镜头污渍的检测方法和水下机器人

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1540119A (zh) * 2003-04-23 2004-10-27 �Ϻ��綯�����о��� 具备污垢判别能力的水池清洗器
CN107931865A (zh) * 2016-10-12 2018-04-20 中国科学院沈阳自动化研究所 大型腔体内壁污物自动化在线激光清洗装置和方法
CN106894481A (zh) * 2017-01-13 2017-06-27 杨徐子谦 一种基于智能马桶自动检测并清洁污垢方法及系统
CN107928586A (zh) * 2017-11-24 2018-04-20 佛山市顺德区美的洗涤电器制造有限公司 水槽洗碗机及其自清洁控制方法
CN112264419A (zh) * 2020-09-30 2021-01-26 徐尔灵 基于人工智能的多光伏清洁机器人协同调度方法及系统
CN113177944A (zh) * 2021-06-30 2021-07-27 深之蓝海洋科技股份有限公司 水下镜头污渍的检测方法和水下机器人

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049399A (zh) * 2022-01-13 2022-02-15 上海景吾智能科技有限公司 一种结合rgbd图像的镜面定位方法
CN114049399B (zh) * 2022-01-13 2022-04-12 上海景吾智能科技有限公司 一种结合rgbd图像的镜面定位方法

Also Published As

Publication number Publication date
CN113888632B (zh) 2024-08-16

Similar Documents

Publication Publication Date Title
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN110598610B (zh) 一种基于神经选择注意的目标显著性检测方法
Chen et al. A novel color edge detection algorithm in RGB color space
CN104809422B (zh) 基于图像处理的qr码识别方法
Malik et al. Consideration of illumination effects and optimization of window size for accurate calculation of depth map for 3D shape recovery
CN107220988B (zh) 基于改进canny算子的零部件图像边缘提取方法
CN110232389B (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
US7780084B2 (en) 2-D barcode recognition
CN110852173B (zh) 一种针对模糊焊缝的视觉定位方法及系统
CN104134200B (zh) 一种基于改进加权融合的运动场景图像拼接方法
CN105913396A (zh) 一种噪声估计的图像边缘保持混合去噪方法
CN110298344A (zh) 一种基于机器视觉的仪表旋钮定位与检测方法
Lo et al. Joint trilateral filtering for depth map super-resolution
CN107516302A (zh) 一种基于OpenCV的混合图像增强的方法
CN111445490B (zh) 一种显微操作系统目标前景提取方法及系统
CN115661110B (zh) 一种透明工件识别与定位的方法
CN109214996A (zh) 一种图像处理方法及装置
CN114529715B (zh) 一种基于边缘提取的图像识别方法及系统
CN113888632B (zh) 结合rgbd图像水池污渍定位方法及系统
CN115631210A (zh) 一种边缘检测方法及装置
Xu et al. Improved Canny Edge Detection Operator
CN111290582B (zh) 一种基于改进型直线检测的投影交互区域定位方法
JP7044504B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN117392201A (zh) 一种基于视觉检测的靶纸弹孔识别及报靶方法
CN116468691A (zh) 一种应用于产品分拣的智能检测方法及装置

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
GR01 Patent grant
GR01 Patent grant