CN114037987A - 一种废钢智能识别方法、装置、介质及设备 - Google Patents

一种废钢智能识别方法、装置、介质及设备 Download PDF

Info

Publication number
CN114037987A
CN114037987A CN202111306121.5A CN202111306121A CN114037987A CN 114037987 A CN114037987 A CN 114037987A CN 202111306121 A CN202111306121 A CN 202111306121A CN 114037987 A CN114037987 A CN 114037987A
Authority
CN
China
Prior art keywords
scrap
image
scrap steel
steel
point cloud
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
CN202111306121.5A
Other languages
English (en)
Inventor
陈开�
何立
汪枳昕
陈善星
陈波
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.)
CISDI Shanghai Engineering Co Ltd
CISDI Research and Development Co Ltd
Original Assignee
CISDI Shanghai Engineering Co Ltd
CISDI Research and Development 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 CISDI Shanghai Engineering Co Ltd, CISDI Research and Development Co Ltd filed Critical CISDI Shanghai Engineering Co Ltd
Priority to CN202111306121.5A priority Critical patent/CN114037987A/zh
Publication of CN114037987A publication Critical patent/CN114037987A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration

Abstract

本发明公开了一种废钢智能识别方法，包括：通过图像采集设备获取待识别对象的二维RGB图像，通过激光采集设备获取待识别对象的三维点云数据；将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。本发明在进行废钢识别时，将二维RGB图像和三维点云数据的融合，能够同时获取废钢类型以及废钢基本尺寸，提高了废钢检测的准确性。

Description

一种废钢智能识别方法、装置、介质及设备
技术领域
本发明涉及废钢识别领域，尤其涉及一种废钢智能识别方法、装置、介质及设备。
背景技术
废钢加工、存储过程中，需要对废钢种类进行分析判断，目前通过人工方式进行，由于废钢来源较多，且存在锈蚀、非金属杂质等其他因素，并且受人工主观因素影响，较容易出现偏差。为了更准确识别废钢种类，为后续生产、销售等提供准确的信息，需要智能化的废钢识别方法。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种废钢智能识别方法、装置、介质及设备，用于解决现有技术的缺陷。
为实现上述目的及其他相关目的，本发明提供一种废钢智能识别方法，该方法包括：
通过图像采集设备获取待识别对象的二维RGB图像，通过激光采集设备获取待识别对象的三维点云数据；
将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；
将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；
将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。
可选地，该方法还包括：对废钢区域图像以外的图像进行裁剪，得到废钢有效区域图像；在获取所述深度颜色数据时，将所述废钢有效区域图像与所述三维点云数据进行匹配。
可选地，所述将所述废钢区域图像与所述三维点云数据进行匹配，包括：
根据图像采集设备与激光采集设备的安装位置，确定RGB图像和三维点云数据的关联关系，并推算出废钢区域的RGB图像与三维点云的转换矩阵，以完成废钢区域的RGB图像与所述三维点云数据的匹配。
可选地，所述将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；包括：
对所述二维RGB图像进行特征提取，得到所述二维RGB图像的第一特征向量；
将所述第一特征向量输入事先训练好的第一深度神经网络中，得到废钢区域图像。
可选地，所述RGB图像的特征包括纹理特征。
可选地，所述将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型，包括：
对所述深度颜色数据进行特征提取，得到所述深度颜色数据的第二特征向量；
将所述第二特征向量输入事先训练好的第二深度神经网络中，得到废钢类型。
为实现上述目的及其他相关目的，本发明提供一种废钢智能识别装置，该装置包括：
图像采集设备，用于获取待识别对象的二维RGB图像；
激光采集设备，用于获取待识别对象的三维点云数据；
废钢区域识别模块，用于将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；
数据匹配模块，用于将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；
废钢类型识别模块，用于将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。
为实现上述目的及其他相关目的，本发明提供一种废钢智能识别设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行所述的方法。
为实现上述目的及其他相关目的，本发明提供一种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的方法。
如上所述，本发明的一种废钢智能识别方法、装置、介质及设备，具有以下有益效果：
本发明的一种废钢智能识别方法，该方法包括：通过图像采集设备获取待识别对象的二维RGB图像，通过激光采集设备获取待识别对象的三维点云数据；将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。本发明在进行废钢识别时，将二维RGB图像和三维点云数据的融合，能够同时获取废钢类型以及废钢基本尺寸，提高了废钢检测的准确性。
附图说明
图1为本发明一实施例一种废钢智能识别方法的流程图；
图2为本发明一实施例中像素坐标系的示意图；
图3为本发明一实施例一种废钢智能识别装置的原理图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本申衣实施例提供一种废钢智能识别方法，该方法包括：
S10通过图像采集设备获取待识别对象的二维RGB图像，通过激光采集设备获取待识别对象的三维点云数据；
S11将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；
S12将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；
S13将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。
本发明在进行废钢识别时，将二维RGB图像和三维点云数据的融合，能够同时获取废钢类型以及废钢基本尺寸，提高了废钢检测的准确性。
在一实施例中，利用图像采集设备例如相机获取待识别对象的二维RGB图像，利用激光采集设备获取到待识别对象的三维点云数据。RGB图像包括了废钢不同种类的纹理信息；三维点云数据包括了是视场中各个对象的详细几何信息。
在一实施例中，在利用图像采集设备和激光采集设备获取相应的数据前，还需要对图像采集设备和激光采集设备进行标定；其中，标定分为静态标定和动态标定，其中静态标定采用内参标定法，在设备安装时根据相机、激光的安装位置与角度来确定，动态标定采用外参标定法，在每次进行数据采集时根据外部环境动态确定。确定图像和激光的坐标原点(X10，Y10)，(X20,Y20,Z20)。
在一实施例中，所述将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；包括：
对所述二维RGB图像进行特征提取，得到所述二维RGB图像的第一特征向量；将所述第一特征向量输入事先训练好的第一深度神经网络中，得到废钢区域图像。其中，RGB图像的特征为纹理特征，根据纹理特征可以区分出废钢区域。
具体地，将二维RGB图像数据输入事先训练的第一深度神经网络中，进行检测，获取废钢区域。更加具体地，设二维RGB图像的像素为(W1*H1)，神经网络的输入单元为W1*H1。
在本实施例中，第一深度神经网络采用Yolo-tiny神经网络，获取废钢/非废钢区域的分界区域，设其中有效废钢区域为矩形框R1(P1，P2，P3，P4)，P1,P2,P3,P4分别表示矩形框的四个顶点。
在对图像进行识别时，对二维RGB图像数据进行特征提取，得到纹理特征，并进一步得到纹理特征向量；
将所述纹理特征向量输入至Yolo-tiny神经网络中，获取所述Yolo-tiny神经网络确定的废钢区别，所述Yolo-tiny神经网络用于根据任一二维RGB图像数据的纹理特征向量确定所述任一图像中的废钢区域。
Yolo-tiny神经网络用于根据任一图像的纹理特征向量确定所述任一图像中的废钢区域，该Yolo-tiny神经网络可以通过训练得到。
在训练过程中，先获取多个样本图像，并获取该多个样本图像中每个样本图像中的废钢区域，其中样本图像中的废钢区域可以通过人工标注确定。之后，对每个样本图像进行特征提取，得到每个样本图像的纹理特征向量，通过纹理特征向量可以描述对应的样本图像，并以每个样本图像的纹理特征向量作为输入数据，以每个样本图像中的废钢区域作为输出数据，分别根据多个样本图像对应的输入数据和输出数据进行训练，得到Yolo-tiny神经网络。例如，建立一个初始Yolo-tiny神经网络，遍历多个样本图像，每次根据当前遍历到的样本图像对应的输入数据和输出数据进行训练，得到训练后的Yolo-tiny神经网络，采用训练后的Yolo-tiny神经网络对样本图像进行识别，将识别结果作为废钢区域，根据测试类型和样本图像实际所属的文件格式之间的差异可以对该Yolo-tiny神经网络进行修正，得到修正后的Yolo-tiny神经网络，以此类推，经过多次遍历之后即可训练出准确度较高的Yolo-tiny神经网络。
在一实施例中，该方法还包括：对废钢区域图像以外的图像进行裁剪，得到废钢有效区域图像；在获取所述深度颜色数据时，将所述废钢有效区域图像与所述三维点云数据进行匹配。
在一实施例中，所述将所述废钢区域的RGB图像与所述三维点云数据进行匹配，包括：
根据图像采集设备与激光采集设备的安装位置，确定RGB图像和三维点云数据的关联关系，并推算出废钢区域的RGB图像与三维点云的转换矩阵，以完成废钢区域的RGB图像与所述三维点云数据的匹配。
具体地，废钢区域的RGB图像与所述三维点云数据的匹配，包括：
获取同一时间段中，相同时间戳下的三维点云数据和废钢区域的RGB图像；
将三维点云数据从世界坐标系依次转换到相机坐标系、图像坐标系和像素坐标系下，然后像素坐标系下的三维点云数据根据RGB图像的可视范围，判断三维点云是否在RGB图像范围内，对于在RGB图像范围内可见的三维点云数据，进行RGB图像和三维点云数据的对齐，最后将RGB图像的信息映射到三维点云的世界坐标系下，完成废钢区域的RGB图像与三维点云数据的对匹配，从而得到废钢区域的深度颜色数据。
三维点云数据的坐标位于世界坐标系，RGB图像则是在像素坐标系下。相机可以将真实物理世界中的点映射到二维图像平面，该过程可以描述为相机成像模型，其中最简单的模型为针孔成像模型。而相机成像的过程中，需要经历四个坐标系之间的转换,顺序依次是世界坐标系转换到相机坐标系、图像坐标系和像素坐标系。所以需要先将三维点云从世界坐标系转换到相机坐标系。图2为相机成像模型的几何表示。Xw,Yw,Zw为世界坐标系，世界坐标系中的一个点的坐标为(xw,yw,zw)。图像平面沿光轴定位，焦距为f，即OOc＝f。O为相机光心，Xc轴和Yc轴构成的平面与X和Y成像平面的x轴和y轴平行。Zc轴为相机的光轴并且与成像平面垂直。up和vp表示以左上角O'为原点建立的像素坐标系。
三维点云从世界坐标系转换至相机坐标系
根据相机成像模型的原理，世界坐标系下的点PW＝[xw,yw,zw,1]T通过相机的外参数矩阵转换到相机坐标系PC＝[xc,yc,zc,1]T公式为：
PC＝RPW+t
R,t是构成相机的外参数矩阵，R为旋转矩阵，t为平移向量，假设x,y,z坐标轴旋转角度分别为α,β,θ,三个矩阵R(α),R(β),R(θ)的乘积为旋转矩阵R，表达式为：
Figure BDA0003340179640000051
三维点云从相机坐标系转换至图像坐标系
通过相机的外参数矩阵已经将三维点云转到了相机坐标系，需要将相机坐标系中的三维点云转到图像坐标系。相机坐标系中的一个点PC，p'是PC在图像平面中的投影位置。根据相似三角形的原理和相机的内参数,将相机坐标投影到图像坐标。由相似三角形原理的比例关系，得出以下公式：
Figure BDA0003340179640000061
其中,p'的坐标为(x,y),PC在相机坐标系下的坐标为(XC,YC,ZC)，f是焦距。在齐次坐标系中，
Figure BDA0003340179640000062
三维点云从图像坐标系转换至像素坐标系
图2中，up和vp表示以左上角O'为原点建立的像素坐标系，该坐标系以像素为单位。X和Y轴构成的是图像平面，单位为毫米。根据下式将图像坐标离散化为像素坐标。其中，dx和dy分别是每个像素在图像平面X和Y轴方向上的物理尺寸
Figure BDA0003340179640000063
在运用相机成像模型将三维点云转换到二维像素平面坐标系之后，还需要将像素平面中的点与RGB图像的颜色信息进行对齐和匹配。在匹配前，需要判断由世界坐标系转换到像素坐标系的三维点云中，哪些点在RGB图像的可视范围内，可视范围外的点不需要进行后续的对齐和显示过程。在判断像素坐标系中的点与RGB图像的尺寸范围时，根据以下公式得到在RGB图像范围内的点，其中up和vp表示像素坐标系下的三维点云坐标，Iu和Iv分别表示RGB图像尺寸的宽和高。
{(up,vp)|(0.5≤up＜Iu-0.5),(0.5≤vp＜Iv-0.5)}
根据三维点云在世界坐标系和像素坐标系的转换关系以及像素坐标系下三维点云与RGB图像像素的对应关系，最终实现RGB图像的颜色信息与三维点云数据的匹配工作。
在一实施例中，所述将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型，包括：
对所述深度颜色数据进行特征提取，得到所述深度颜色数据的第二特征向量；
将所述第二特征向量输入事先训练好的第二深度神经网络中，得到废钢类型。
通过二维插值将裁剪后的RGBXYZ数据扩充到固定的XY像素(W1×H1)，并插补相关的RGBZ值。将固定长度的RGBXYZ数据输入第二深度神经网络中，进行检测，获取废钢有效区域。深度图像值为(W1×H1×4)，神经网络输入单元长度为W1×H1×4，采用Point-Net网络，输出深度图像中的废钢类型以及废钢尺寸数据。
如图3所示，本申请一实施例提供一种废钢智能识别装置，该装置包括：
图像采集设备30，用于获取待识别对象的二维RGB图像；
激光采集设备31，用于获取待识别对象的三维点云数据；
废钢区域识别模块32，用于将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；
数据匹配模块33，用于将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；
废钢类型识别模块34，用于将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例的内容请参见方法部分的实施例的描述，这里暂不赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种废钢智能识别方法，其特征在于，该方法包括：
通过图像采集设备获取待识别对象的二维RGB图像，通过激光采集设备获取待识别对象的三维点云数据；
将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；
将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；
将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。
2.根据权利要求1所述的废钢智能识别方法，其特征在于，该方法还包括：对废钢区域图像以外的图像进行裁剪，得到废钢有效区域图像；在获取所述深度颜色数据时，将所述废钢有效区域图像与所述三维点云数据进行匹配。
3.根据权利要求1所述的废钢智能识别方法，其特征在于，所述将所述废钢区域图像与所述三维点云数据进行匹配，包括：
根据图像采集设备与激光采集设备的安装位置，确定RGB图像和三维点云数据的关联关系，并推算出废钢区域的RGB图像与三维点云的转换矩阵，以完成废钢区域的RGB图像与所述三维点云数据的匹配。
4.根据权利要求1所述的废钢智能识别方法，其特征在于，所述将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；包括：
对所述二维RGB图像进行特征提取，得到所述二维RGB图像的第一特征向量；
将所述第一特征向量输入事先训练好的第一深度神经网络中，得到废钢区域图像。
5.根据权利要求4所述的废钢智能识别方法，其特征在于，所述RGB图像的特征包括纹理特征。
6.根据权利要求1所述的废钢智能识别方法，其特征在于，所述将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型，包括：
对所述深度颜色数据进行特征提取，得到所述深度颜色数据的第二特征向量；
将所述第二特征向量输入事先训练好的第二深度神经网络中，得到废钢类型。
7.一种废钢智能识别装置，其特征在于，该装置包括：
图像采集设备，用于获取待识别对象的二维RGB图像；
激光采集设备，用于获取待识别对象的三维点云数据；
废钢区域识别模块，用于将所述二维RGB图像输入事先训练好的第一深度神经网络中，得到废钢区域图像；
数据匹配模块，用于将所述废钢区域图像与所述三维点云数据进行匹配，得到所述废钢区域的深度颜色数据；
废钢类型识别模块，用于将所述深度颜色数据输入事先训练好的第二深度神经网络中，得到废钢类型。
8.一种废钢智能识别设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-6中任意一项所述的方法。
9.一种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-6中任意一项所述的方法。
CN202111306121.5A 2021-11-05 2021-11-05 一种废钢智能识别方法、装置、介质及设备 Pending CN114037987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111306121.5A CN114037987A (zh) 2021-11-05 2021-11-05 一种废钢智能识别方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111306121.5A CN114037987A (zh) 2021-11-05 2021-11-05 一种废钢智能识别方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN114037987A true CN114037987A (zh) 2022-02-11

Family

ID=80142946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111306121.5A Pending CN114037987A (zh) 2021-11-05 2021-11-05 一种废钢智能识别方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN114037987A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414580A (zh) * 2022-03-30 2022-04-29 新极技术(北京)有限公司 一种废钢上杂质的识别及扣重方法
TWI814483B (zh) * 2022-07-12 2023-09-01 中國鋼鐵股份有限公司 金屬胚辨識系統與方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414580A (zh) * 2022-03-30 2022-04-29 新极技术(北京)有限公司 一种废钢上杂质的识别及扣重方法
TWI814483B (zh) * 2022-07-12 2023-09-01 中國鋼鐵股份有限公司 金屬胚辨識系統與方法

Similar Documents

Publication Publication Date Title
CN110689579B (zh) 基于合作目标的快速单目视觉位姿测量方法及测量系统
US8600161B2 (en) Efficient model-based recognition of objects using a calibrated image system
CN111178250A (zh) 物体识别定位方法、装置及终端设备
JP6573419B1 (ja) 位置決め方法、ロボット及びコンピューター記憶媒体
CN109544628B (zh) 一种指针式仪表的准确读数识别系统及方法
CN114037987A (zh) 一种废钢智能识别方法、装置、介质及设备
CN112489099B (zh) 点云配准方法、装置、存储介质及电子设备
CN111191582B (zh) 三维目标检测方法、检测装置、终端设备及计算机可读存储介质
CN111476841A (zh) 一种基于点云和图像的识别定位方法及系统
CN109448043A (zh) 平面约束下的立木高度提取方法
CN111046843A (zh) 一种智能驾驶环境下的单目测距方法
CN113281723B (zh) 一种基于AR tag的3D激光雷达与相机间结构参数的标定方法
CN112648976A (zh) 实景影像测量方法、装置、电子设备及存储介质
CN110942092B (zh) 一种图形图像识别方法及识别系统
CN116205978A (zh) 三维目标物体映射图像确定方法、装置、设备及存储介质
CN112184815A (zh) 全景图像在三维模型中的位置和姿态确定方法及装置
CN115685160A (zh) 基于标靶的激光雷达与相机标定方法、系统、电子设备
CN114862929A (zh) 三维目标检测方法、装置、计算机可读存储介质及机器人
CN112197708B (zh) 测量方法及装置、电子设备及存储介质
CN108447092B (zh) 视觉定位标识物的方法及装置
CN113888572A (zh) 一种视觉的平面孔测量方法
CN110853103B (zh) 一种用于深度学习姿态估计的数据集制作方法
CN113379815A (zh) 基于rgb相机与激光传感器的三维重建方法、装置及服务器
CN111179271B (zh) 一种基于检索匹配的物体角度信息标注方法及电子设备
US7379599B1 (en) Model based object recognition method using a texture engine

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