CN114820773B - 基于计算机视觉的筒仓运输车辆车厢位置检测方法 - Google Patents

基于计算机视觉的筒仓运输车辆车厢位置检测方法 Download PDF

Info

Publication number
CN114820773B
CN114820773B CN202210730828.7A CN202210730828A CN114820773B CN 114820773 B CN114820773 B CN 114820773B CN 202210730828 A CN202210730828 A CN 202210730828A CN 114820773 B CN114820773 B CN 114820773B
Authority
CN
China
Prior art keywords
image
window
obtaining
fidelity
difference
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.)
Active
Application number
CN202210730828.7A
Other languages
English (en)
Other versions
CN114820773A (zh
Inventor
王利
朱泽建
徐磊
梁祖环
李波
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.)
SHANDONG JINING CANAL COAL MINE CO Ltd
Original Assignee
SHANDONG JINING CANAL COAL MINE 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 SHANDONG JINING CANAL COAL MINE CO Ltd filed Critical SHANDONG JINING CANAL COAL MINE CO Ltd
Priority to CN202210730828.7A priority Critical patent/CN114820773B/zh
Publication of CN114820773A publication Critical patent/CN114820773A/zh
Application granted granted Critical
Publication of CN114820773B publication Critical patent/CN114820773B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的筒仓运输车辆车厢位置检测方法。该方法包括：获取运输车运煤过程中的多帧运输过程图像的模糊区域图像；初始化任意大小的第一模糊核和第二模糊核，从而根据第一模糊核和第二模糊核获取模糊区域图像中每个像素点对应的灰度差异性和结构相似性，基于每个像素点的灰度差异性和结构相似性得到该模糊区域图像的去模糊图像；进而获取每个去模糊图像对应的最优模糊核，基于最优模糊核对对应的去模糊图像进行去卷积处理得到优化图像；通过优化图像判断运输车的位置。减少了由于图像模糊对车厢检测的误差，保证了分析的准确性。

Description

基于计算机视觉的筒仓运输车辆车厢位置检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的筒仓运输车辆车厢位置检测方法。
背景技术
煤炭是我国重要的能源之一，素有“工业粮食”之称，而我国煤炭资源十分丰富，储量居世界之首；运输车承担着全国大部分煤炭的运输，因此运输车运输调配煤炭是煤炭产业的重中之重。
对于运输车在煤场筒仓装载煤炭时，运输车到了筒仓下方，司机是无法查看车厢位置是否停正的，只能靠现场工人帮助指挥才能停准位置。而传统的方法中，可以依靠光栅进行测量，通过不同出光栅的测量值进行对比，判断车厢的位置是否准确到位；但是这种方法所用光栅数量较多，且光栅造价较高，极大的提高了生产成本，并且这种测量方法极易受到光栅安装位置的影响，若光栅安装不齐，就会产生较大误差。因此出现了利用机器视觉进行识别的方法，但是在进行车厢识别时往往会存在聚焦不准、车辆运动以及环境因素的影响，从而导致图像变得模糊不清，使得基于图像的车厢检测出现较大的误差。
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计算机视觉的筒仓运输车辆车厢位置检测方法，所采用的技术方案具体如下：
获取运输车运煤过程中的多帧运输过程图像，根据相邻两帧所述运输过程图像差分得到所述运输车的模糊区域图像；
初始化任意大小的第一模糊核和第二模糊核；选取所述模糊区域图像中任意像素点为待处理点，利用所述第一模糊核对所述待处理点去卷积得到第一窗口，利用所述第二模糊核对所述待处理点去卷积得到第二窗口；基于所述第一窗口与所述第二窗口得到所述待处理点的灰度差异性和结构相似性；
根据所有像素点对应的所述灰度差异性和所述结构相似性得到边角区域，根据所述边角区域内像素点的位置得到所述模糊区域图像的多个去模糊图像；
基于任意所述去模糊图像中所有像素点对应的灰度差异性和结构相似性得到所述去模糊图像的调整参数，根据所述调整参数对所述第一模糊核调整得到优化小模糊核，根据所述调整参数对所述第二模糊核调整得到优化大模糊核；
获取所述优化小模糊核对所述去模糊图像处理的第一保真度与所述优化大模糊核对所述去模糊图像处理的第二保真度，根据所述第一保真度与第二保真度与预设阈值进行比较得到最优模糊核；根据所述最优模糊核对对应的去模糊图像进行去卷积处理得到优化图像；
获取所述优化图像中运输车的车厢边缘区域，基于所述车厢边缘区域判断所述运输车的位置。
优选的，所述基于所述第一窗口与所述第二窗口得到所述待处理点的灰度差异性的步骤，包括：
获取第一窗口内每一行对应的代表值，基于相邻行之间代表值的差异得到每行的行差异度；获取第一窗口内每一列对应的代表值，基于相邻列之间代表值的差异得到每列的列差异度；
获取所述第一窗口内所有行对应的行差异度与所有列对应的列差异度的求和，基于求和结果得到所述第一窗口的第一灰度差异性；
获取第二窗口内每一行对应的代表值，基于相邻行之间代表值的差异得到每行的行差异度；获取第二窗口内每一列对应的代表值，基于相邻列之间代表值的差异得到每列的列差异度；
获取所述第二窗口内所有行对应的行差异度与所有列对应的列差异度的求和，基于求和结果得到所述第二窗口的第二灰度差异性；
所述第一灰度差异性与所述第二灰度差异性的比值为所述灰度差异性。
优选的，所述基于所述第一窗口与所述第二窗口得到所述待处理点的结构相似性的步骤，包括：
获取第一窗口内所有像素点像素值的平均值和方差，获取第二窗口内所有像素点像素值的平均值和方差，获取第一窗口与第二窗口的协方差，根据平均值、方差以及协方差得到所述待处理点的结构相似性。
优选的，所述根据所有像素点对应的所述灰度差异性和所述结构相似性得到边角区域的步骤，包括：
根据每个像素点对应的结构相似性与灰度差异性的比值得到所述像素点为边角区域的隶属度，所有所述隶属度大于预设阈值的像素点构成点集合；
将所述点集合中所有的像素点基于欧式距离聚类得到4个类别，每个所述类别为一个边角区域。
优选的，所述根据所述边角区域内像素点的位置得到所述模糊区域图像的多个去模糊图像的步骤，包括：
以所述运输过程图像左下角为原点构建二维坐标系，获取每个所述边角区域中y轴的最小值和最大值，以及x轴的最小值和最大值，分别表示为：
Figure 243954DEST_PATH_IMAGE002
Figure 754570DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
表示第一个边角区域中像素点在
Figure 347356DEST_PATH_IMAGE006
轴的最小值；
Figure DEST_PATH_IMAGE007
表示第一个边角区域中像素点在
Figure 804882DEST_PATH_IMAGE006
轴的最大值；
Figure 353675DEST_PATH_IMAGE008
表示第一个边角区域中像素点在
Figure DEST_PATH_IMAGE009
轴的最小值；
Figure 487722DEST_PATH_IMAGE010
表示第一个边角区域中像素点在
Figure 223597DEST_PATH_IMAGE009
轴的最大值；以此类推，
Figure DEST_PATH_IMAGE011
表示第四个边角区域中像素点在
Figure 484814DEST_PATH_IMAGE009
轴的最大值；
由
Figure 763480DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
、
Figure 819161DEST_PATH_IMAGE014
以及
Figure DEST_PATH_IMAGE015
构成的不规则区域图像为第一个边角区域与第二个边角区域之间的去模糊图像；由
Figure 885074DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure 825349DEST_PATH_IMAGE018
以及
Figure DEST_PATH_IMAGE019
构成的不规则区域图像为第二个边角区域与第三个边角区域之间的去模糊图像；由
Figure 411051DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
、
Figure 653944DEST_PATH_IMAGE022
以及
Figure DEST_PATH_IMAGE023
构成的不规则区域图像为第三个边角区域与第四个边角区域之间的去模糊图像；由
Figure 223466DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
、
Figure 810174DEST_PATH_IMAGE026
以及
Figure DEST_PATH_IMAGE027
构成的不规则区域图像为第四个边角区域与第一个边角区域之间的去模糊图像。
优选的，所述基于任意所述去模糊图像中所有像素点对应的灰度差异性和结构相似性得到所述去模糊图像的调整参数的步骤，包括：
所述调整参数的计算公式为：
Figure DEST_PATH_IMAGE029
其中，
Figure 250383DEST_PATH_IMAGE030
表示调整参数，
Figure DEST_PATH_IMAGE031
表示第
Figure 664178DEST_PATH_IMAGE032
个像素点对应的结构相似性；
Figure DEST_PATH_IMAGE033
表示第
Figure 455416DEST_PATH_IMAGE032
个像素点对应的灰度差异性；
Figure 268651DEST_PATH_IMAGE034
表示当前去模糊图像内像素点的数量；
Figure DEST_PATH_IMAGE035
表示自然常数；
Figure 78213DEST_PATH_IMAGE036
表示取整。
优选的，所述获取所述优化小模糊核对所述去模糊图像处理的第一保真度的步骤，包括：
获取所述运输车辆在标准位置静止时的清晰图像；
基于所述优化小模糊核对所述去模糊图像中每个像素点进行去模糊处理得到新的像素值，根据每个像素点新的像素值与所述清晰图像中对应位置像素点的像素值之间的差异计算第一保真度，所述第一保真度的计算方法为：
Figure 443335DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
表示优化小模糊核的第一保真度；
Figure 207023DEST_PATH_IMAGE040
表示清晰图像中坐标为
Figure DEST_PATH_IMAGE041
的像素点的像素值；
Figure 151845DEST_PATH_IMAGE042
表示去模糊图像中相应的坐标为
Figure 93212DEST_PATH_IMAGE041
的像素点去模糊之后的像素值；
Figure DEST_PATH_IMAGE043
表示去模糊图像的尺寸。
优选的，所述根据所述第一保真度与第二保真度与预设阈值进行比较得到最优模糊核的步骤，包括：
当优化小模糊核与优化大模糊核对应的第一保真度或者第二保真度里任意一个大于预设阈值时，则大于预设阈值的保真度对应的模糊核为最优模糊核；
当优化小模糊核与优化大模糊核对应的第一保真度和第二保真度均大于预设阈值时，选择保真度较大时对应的模糊核为最优模糊核；
当优化小模糊核与优化大模糊核对应的第一保真度和第二保真度均小于预设阈值时，对优化小模糊核的大小与优化大模糊核的大小继续调整，所述调整的方法为利用重新计算的调整参数进行调整，基于调整后的模糊核计算对应的保真度，直至存在所述保真度大于预设阈值时停止调整，所述保真度对应的模糊核为最优模糊核。
本发明具有如下有益效果：本发明实施例通过获取车辆的运输过程图像中的模糊区域图像，得到模糊区域图像中的去模糊图像，进一步对每个去模糊图像自适应设定最优模糊核进行去模糊操作，在确定最优模糊核时结合每个模糊核处理后的灰度差异性以及结构相似性等特征进行分析；从而基于最优模糊核得到优化图像，根据最优图像得到车辆车厢的实际位置，减少了由于图像模糊对车厢检测的误差，保证了分析的准确性。
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计算机视觉的筒仓运输车辆车厢位置检测的方法流程图。
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计算机视觉的筒仓运输车辆车厢位置检测方法，其具体实施方式、结构、特征及其功效，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。
本发明实施例适用于对车辆车厢运动过程中图像的去模糊处理，为了解决由于图像模糊造成车厢位置判断不准确的问题，本实施例通过获取去模糊图像，然后对每个去模糊图像进行自适应模糊核的选取，基于最优的模糊核进行去模糊操作得到最终的优化图像，基于优化图像对车辆车厢的位置进行分析，使得车厢位置识别的结果更加准确，极大减少了分析的误差。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的筒仓运输车辆车厢位置检测的方法流程图，该方法包括以下步骤：
步骤S100，获取运输车运煤过程中的多帧运输过程图像，根据相邻两帧运输过程图像差分得到运输车的模糊区域图像。
在运输车辆进行运煤时，需要将该运输车辆停进筒仓中并确保筒仓的仓口对准运输车辆的车厢位置，以使得煤块可以准确的倒入运输车辆的车厢中；为了保证筒仓的仓口对准运输车辆车厢位置，对运输车辆的车厢位置进行识别并分析其位移量。
本发明实施例中在运输车辆进入筒仓时进行图像采集，在筒仓内设置CCD相机进行采集，该相机的灵敏度高且可以进行高速拍摄，由于运输车一直处于移动过程中，因此采集该运输车的多帧运输过程图像；并且由于运输车的运动可能会造成CCD相机聚焦不准确，从而会使得CCD相机采集的运输过程图像模糊不清，因此需要对运输过程图像的模糊区域图像进行处理。
获取模糊区域图像的方法具体为：对相邻两帧运输过程图像进行差分得到的运输车的移动区域，即对当前帧的运输过程图像与前一帧的运输过程图像进行差分得到的结果为该运输车的移动区域。由于模糊区域主要是运输车的移动产生的，因此运输车的移动区域即为模糊区域，其他区域为非模糊区域，从而得到该运输过程图像中的模糊区域图像。
步骤S200，初始化任意大小的第一模糊核和第二模糊核；选取模糊区域图像中任意像素点为待处理点，利用第一模糊核对待处理点去卷积得到第一窗口，利用第二模糊核对待处理点去卷积得到第二窗口；基于第一窗口与第二窗口得到待处理点的灰度差异性和结构相似性。
由步骤S100中得到运输过程图像中的模糊区域图像，进一步需要对模糊区域图像中的模糊情况进行消除，本发明实施例中采用非盲去卷积方法进行模糊区域的消除，而在采用非盲去卷积方法时需要设置特定大小的模糊核，模糊核过大时，会使得除目标像素之外的其他像素也被去模糊，从而导致统计去模糊的像素性质过多，造成图像去模糊效果不好；模糊核过小时，会使得较少的目标像素参与去模糊过程，同样造成图像去模糊效果不佳。传统获取模糊核的方法往往是通过不断的迭代去计算得到最优的模糊核，但该方法的计算量较大，从而导致效率较低；因此本发明实施例对模糊核的大小进行自适应调整。
具体的，首先初始化任意两个大小的模糊核记为第一模糊核和第二模糊核，第一模糊核与第二模糊核的大小不同，且第一模糊核与第二模糊核的边长均为奇数；本发明实施例中第一模糊核设置为最小模糊核，即该第一模糊核的大小为
Figure 98077DEST_PATH_IMAGE044
；利用这两个模糊核分别在模糊区域图像上滑窗进行去模糊处理，即利用第一模糊核和第二模糊核分别在模糊区域图像上对同一个像素点进行去模糊处理。
任意选取一个像素点为待处理点，利用第一模糊核与第二模糊核分别对该待处理点进行去卷积处理，分别得到处理之后的第一窗口和第二窗口，第一窗口的大小与第一模糊核大小一致，第二窗口的大小与第二模糊核大小一致；基于第一窗口与第二窗口内所有像素点的信息获取该待处理点对应的灰度差异性和结构相似性。
（1）灰度差异性的获取。
获取第一窗口内每一行对应的代表值，基于相邻行之间代表值的差异得到每行的行差异度；获取第一窗口内每一列对应的代表值，基于相邻列之间代表值的差异得到每列的列差异度；获取第一窗口内所有行对应的行差异度与所有列对应的列差异度的求和，基于求和结果得到第一窗口的第一灰度差异性；获取第二窗口内每一行对应的代表值，基于相邻行之间代表值的差异得到每行的行差异度；获取第二窗口内每一列对应的代表值，基于相邻列之间代表值的差异得到每列的列差异度；获取第二窗口内所有行对应的行差异度与所有列对应的列差异度的求和，基于求和结果得到第二窗口的第二灰度差异性；第一灰度差异性与第二灰度差异性的比值为灰度差异性。
具体的，以待处理点的第一窗口为例，获取该第一窗口内每行的代表值，该代表值由对应行内像素点的像素值得到，即代表值的计算为：
Figure 4853DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
表示第一窗口内第
Figure 972940DEST_PATH_IMAGE048
行的代表值；
Figure DEST_PATH_IMAGE049
表示第
Figure 507827DEST_PATH_IMAGE048
行中第
Figure 464019DEST_PATH_IMAGE050
个像素点的灰度值；
Figure DEST_PATH_IMAGE051
表示第
Figure 185988DEST_PATH_IMAGE048
行所有像素点的数量。
以此类推，获取第一窗口内每一行的代表值，基于相邻行的代表值计算行差异度为：
Figure DEST_PATH_IMAGE053
其中，
Figure 488924DEST_PATH_IMAGE054
表示第一窗口内第
Figure 19262DEST_PATH_IMAGE048
行的行差异度；
Figure 897089DEST_PATH_IMAGE047
表示第一窗口内第
Figure 778457DEST_PATH_IMAGE048
行的代表值；
Figure DEST_PATH_IMAGE055
表示第一窗口内第
Figure 118040DEST_PATH_IMAGE056
行的代表值；
Figure DEST_PATH_IMAGE057
表示第一窗口内第
Figure 627519DEST_PATH_IMAGE058
的代表值。
进一步的，计算每一列的代表值，即每列所有像素点的灰度均值；基于每列的代表值计算每列的列差异度，计算方法与行差异度一致。基于第一窗口内每行的行差异度、每列的列差异度计算该第一窗口的第一灰度差异性为：
Figure 161400DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE061
表示该第一窗口的第一灰度差异性；
Figure 123540DEST_PATH_IMAGE062
表示第一窗口内第
Figure 158492DEST_PATH_IMAGE048
行的行差异度；
Figure DEST_PATH_IMAGE063
表示第一窗口内第
Figure 771744DEST_PATH_IMAGE048
列的列差异度；
Figure 725794DEST_PATH_IMAGE064
表示第一窗口的大小。
相应的，基于上述计算第一窗口的第一灰度差异性相同的方法，获取第二窗口的第二灰度差异性，基于第一灰度差异性与第二灰度差异性得到该待处理点对应的灰度差异性为：
Figure 581755DEST_PATH_IMAGE066
其中，
Figure 295764DEST_PATH_IMAGE061
表示第一窗口的第一灰度差异性；
Figure DEST_PATH_IMAGE067
表示第二窗口的第二灰度差异性；
Figure 248676DEST_PATH_IMAGE068
表示该待处理点对应的灰度差异性。
（2）结构相似性的获取。
基于第一窗口以及第二窗口内像素点的灰度值进行分析，获取第一窗口内所有像素点像素值的平均值以及第二窗口内所有像素点像素值的平均值，进一步获取第一窗口内所有像素点的方差、第二窗口内所有像素点的方差以及第一窗口与第二窗口的协方差；根据平均值、方差以及协方差得到该待处理点对应的结构相似性为：
Figure 514573DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE071
表示该待处理点对应的结构相似性；
Figure 700572DEST_PATH_IMAGE072
表示第一窗口的平均值；
Figure DEST_PATH_IMAGE073
表示第二窗口的平均值；
Figure 936381DEST_PATH_IMAGE074
表示第一窗口与第二窗口的协方差；
Figure DEST_PATH_IMAGE075
表示第一窗口的方差；
Figure 760112DEST_PATH_IMAGE076
表示第二窗口的方差；
Figure DEST_PATH_IMAGE077
均表示常数，由实施者自行设定。
作为优选，本发明实施例中设置常数
Figure 790385DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE079
；其中，
Figure 198101DEST_PATH_IMAGE080
是第一窗口与第二窗口中像素值的最大值；
Figure DEST_PATH_IMAGE081
，
Figure 972022DEST_PATH_IMAGE082
。
步骤S300，根据所有像素点对应的灰度差异性和结构相似性得到边角区域，根据边角区域内像素点的位置得到模糊区域图像的多个去模糊图像。
一般在对图像进行去模糊处理时，往往只需要对关注的模糊区域进行处理，但本发明实施例中目的是为了准确找到车厢的位置，因此仅需要对运输车车厢的边缘区域进行去模糊处理即可，通过运输车车厢边缘的边角点区域获取去模糊图像，该去模糊图像即为对模糊区域图像进行去模糊的路径。
根据每个像素点对应的结构相似性与灰度差异性的比值得到像素点为边角区域的隶属度，所有隶属度大于预设阈值的像素点构成点集合；将点集合中所有的像素点基于欧式距离聚类得到4个类别，每个类别为一个边角区域。
具体的，因为运输车车厢的四个边角区域都为明显的直角结构，因此在不同大小的模糊核进行滑动的过程中，边角区域的的结构相似性基本相同；并且因为边角区域相较于车厢中间边缘线的实际结构比较稳定，因此在边角区域的灰度差异性也较小。获取模糊区域图像中每个像素点通过第一模糊核与第二模糊核处理之后的第一窗口和第二窗口，进一步获取模糊区域图像中每个像素点对应的灰度差异性和结构相似性，基于每个像素点对应的灰度差异性和结构相似性得到该像素点可能为边角区域的隶属度为：
Figure 306052DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
表示该像素点的隶属度；
Figure 257958DEST_PATH_IMAGE071
表示该像素点对应的结构相似性；
Figure 434862DEST_PATH_IMAGE068
表示该像素点对应的灰度差异性。
结构相似性越大，灰度差异性越小时，像素点为边角区域的隶属度越大；由实施者基于实际情况设置预设阈值，当像素点隶属度大于该预设阈值时，将像素点进行标记从而得到被标记的像素点的点集合。
进一步的，对得到的点集合中所有的像素点进行分类，基于像素点在图像中实际坐标位置计算每两个像素点之间的欧式距离，以欧式距离作为聚类距离进行聚类得到多个类别，由于车厢有4个边角区域，因此本发明实施例中设置聚类类别为4个类别，聚类方法可由实施者自行设置。将聚类获取的4个类别中的像素点区域对应边角区域，统计每个边角区域内像素点在图像构成的二维坐标系中
Figure 418998DEST_PATH_IMAGE009
轴的最小值、
Figure 247015DEST_PATH_IMAGE009
轴的最大值、
Figure 25615DEST_PATH_IMAGE006
轴的最小值以及
Figure 689814DEST_PATH_IMAGE006
轴的最大值分别表示为：
Figure 212063DEST_PATH_IMAGE086
Figure DEST_PATH_IMAGE087
其中，
Figure 864892DEST_PATH_IMAGE005
表示第一个边角区域中像素点在
Figure 79973DEST_PATH_IMAGE006
轴的最小值；
Figure 965889DEST_PATH_IMAGE007
表示第一个边角区域中像素点在
Figure 291828DEST_PATH_IMAGE006
轴的最大值；
Figure 828858DEST_PATH_IMAGE008
表示第一个边角区域中像素点在
Figure 949260DEST_PATH_IMAGE009
轴的最小值；
Figure 588052DEST_PATH_IMAGE010
表示第一个边角区域中像素点在
Figure 452103DEST_PATH_IMAGE009
轴的最大值；以此类推，
Figure 610683DEST_PATH_IMAGE011
表示第四个边角区域中像素点在
Figure 167566DEST_PATH_IMAGE009
轴的最大值。
通过四个边角区域获取去模糊图像，作为一个示例，第一个边角区域与第二个边角区域之间的去模糊图像为：以
Figure 28075DEST_PATH_IMAGE012
、
Figure 695817DEST_PATH_IMAGE013
、
Figure 953578DEST_PATH_IMAGE014
以及
Figure 681362DEST_PATH_IMAGE015
构成的不规则区域图像。
以此类推，由
Figure 29167DEST_PATH_IMAGE016
、
Figure 235020DEST_PATH_IMAGE017
、
Figure 492826DEST_PATH_IMAGE018
以及
Figure 266878DEST_PATH_IMAGE019
构成的不规则区域图像为第二个边角区域与第三个边角区域之间的去模糊图像；由
Figure 711766DEST_PATH_IMAGE020
、
Figure 845944DEST_PATH_IMAGE021
、
Figure 958257DEST_PATH_IMAGE022
以及
Figure 136166DEST_PATH_IMAGE023
构成的不规则区域图像为第三个边角区域与第四个边角区域之间的去模糊图像；由
Figure 333929DEST_PATH_IMAGE024
、
Figure 6219DEST_PATH_IMAGE025
、
Figure 973038DEST_PATH_IMAGE026
以及
Figure 823314DEST_PATH_IMAGE027
构成的不规则区域图像为第四个边角区域与第一个边角区域之间的去模糊图像；后续对运输过程图像进行去模糊处理时，只需要对这四个去模糊图像进行去模糊处理即可。
步骤S400，基于任意去模糊图像中所有像素点对应的灰度差异性和结构相似性得到去模糊图像的调整参数，根据调整参数对第一模糊核调整得到优化小模糊核，根据调整参数对第二模糊核调整得到优化大模糊核。
由步骤S300中得到对模糊区域图像进行去模糊处理的去模糊图像，然后通过自适应大小的模糊核按照该去模糊图像进行去模糊处理，对初始化设置的第一模糊核与第二模糊核的大小进行初步调整，第一模糊核为最小尺寸的模糊核，即尺寸为
Figure 508373DEST_PATH_IMAGE044
，第二模糊核根据去模糊图像中的坐标调整为：
Figure DEST_PATH_IMAGE089
其中，
Figure 453195DEST_PATH_IMAGE090
表示第二模糊核的大小；
Figure DEST_PATH_IMAGE091
表示第
Figure 976318DEST_PATH_IMAGE092
个边角区域中像素点在
Figure 387708DEST_PATH_IMAGE009
轴的最大值；
Figure DEST_PATH_IMAGE093
表示第
Figure 638692DEST_PATH_IMAGE092
个边角区域中像素点在
Figure 652784DEST_PATH_IMAGE009
轴的最小值；
Figure 594195DEST_PATH_IMAGE036
表示取整。
由于模糊核的大小应为奇数，因此判断计算得到的
Figure 284809DEST_PATH_IMAGE090
是否为2的倍数，若
Figure 678881DEST_PATH_IMAGE090
为2的倍数，则第二模糊核大小调整为
Figure 496664DEST_PATH_IMAGE094
；若
Figure 292582DEST_PATH_IMAGE090
不为2的倍数，则第二模糊核大小调整为
Figure 921140DEST_PATH_IMAGE090
，即第二模糊核的尺寸为
Figure DEST_PATH_IMAGE095
。
考虑到运输车辆在进入筒仓的过程中，可能由于筒仓内部环境例如路况不平整等原因的影响，从而导致运输车辆车厢边缘的抖动情况不同，即模糊程度不同，因此对每条去模糊图像选取自适应模糊核。
进一步的，基于调整后的第一模糊核与第二模糊核对任意去模糊图像中同一个像素点进行去模糊处理，即可得到该像素点对应的第一模糊核和第二模糊核之间的灰度差异性和结构相似性，基于得到的所有像素点的灰度差异性和结构相似性再次对第一模糊核和第二模糊核进行调整，调整参数为：
Figure 395984DEST_PATH_IMAGE029
其中，
Figure 627245DEST_PATH_IMAGE030
表示调整参数，
Figure 651571DEST_PATH_IMAGE031
表示第
Figure 575664DEST_PATH_IMAGE032
个像素点对应的结构相似性；
Figure 68963DEST_PATH_IMAGE033
表示第
Figure 103915DEST_PATH_IMAGE032
个像素点对应的灰度差异性；
Figure 484212DEST_PATH_IMAGE034
表示当前去模糊图像内像素点的数量；
Figure 313627DEST_PATH_IMAGE035
表示自然常数；
Figure 294222DEST_PATH_IMAGE036
表示取整。
基于得到的调整参数对调整后的第一模糊核与第二模糊核再次调整，调整之前仍然判断该调整参数是否为奇数，若不为奇数则
Figure 867285DEST_PATH_IMAGE096
。然后将第一模糊核调整为
Figure DEST_PATH_IMAGE097
；其中
Figure 335045DEST_PATH_IMAGE098
为第一模糊核的大小，即
Figure DEST_PATH_IMAGE099
；第二模糊核调整为
Figure 194416DEST_PATH_IMAGE100
；其中，
Figure 881881DEST_PATH_IMAGE090
表示第二模糊核的大小；将再次调整后的第一模糊核记为优化小模糊核，第二模糊核记为优化大模糊核。
以此类推，获取每个去模糊图像对应的优化小模糊核和优化大模糊核。
步骤S500，获取优化小模糊核对去模糊图像处理的第一保真度与优化大模糊核对去模糊图像处理的第二保真度，根据第一保真度与第二保真度与预设阈值进行比较得到最优模糊核；根据最优模糊核对对应的去模糊图像进行去卷积处理得到优化图像。
由步骤S400中获取到每个去模糊图像对应的优化小模糊核和优化大模糊核，基于优化小模糊核与优化大模糊核再次对对应的去模糊图像中每个像素点进行去模糊处理，以优化小模糊核为例对该去模糊图像中每个像素点进行去模糊处理，得到该去模糊图像中每个像素点去模糊之后的像素值，基于去模糊之后的像素点的像素值与清晰图像中对应位置区域之间的差异得到该优化小模糊核的第一保真度。清晰图像为事先采集到的运输车在标准位置时的静止图像，不存在模糊区域。因此基于去模糊图像在去模糊之后的图像与清晰图像中相同区域图像之间的差异得到该优化小模糊核的第一保真度为：
Figure DEST_PATH_IMAGE101
其中，
Figure 117690DEST_PATH_IMAGE039
表示该优化小模糊核的第一保真度；
Figure 971114DEST_PATH_IMAGE040
表示清晰图像中坐标为
Figure 407912DEST_PATH_IMAGE041
的像素点的像素值；
Figure 97519DEST_PATH_IMAGE042
表示去模糊图像中相应的坐标为
Figure 12386DEST_PATH_IMAGE041
的像素点去模糊之后的像素值；
Figure 487360DEST_PATH_IMAGE043
表示该去模糊图像的尺寸。
以此类推，获取优化大模糊核对该去模糊图像处理的第二保真度，判断优化小模糊核对应的第一保真度与优化大模糊核对应的第二保真度是否大于预设阈值，当存在任意模糊核的保真度大于预设阈值时，表明此时的对去模糊图像的去模糊效果较好，保留该模糊核作为最终对该去模糊图像处理的最优模糊核；当优化小模糊核与优化大模糊核对应的第一保真度和第二保真度均大于预设阈值时，选择保真度较大时对应的模糊核为最优模糊核；当优化小模糊核与优化大模糊核对应的第一保真度和第二保真度均小于预设阈值时，对优化小模糊核的大小与优化大模糊核的大小继续调整，调整的方法即为计算对应的调整参数，然后基于调整参数对优化小模糊核与优化大模糊核进行调整，对调整之后的模糊核计算对应的保真度，直至存在模糊核的保真度大于预设阈值时停止调整，得到最优模糊核。
基于上述获取一个去模糊图像的最优模糊核的相同方法，获取另外三个去模糊图像的最优模糊核，基于最优模糊核对相应的去模糊图像进行非盲去卷积的去模糊操作，从而得到去模糊后的优化图像。
步骤S600，获取优化图像中运输车的车厢边缘区域，基于车厢边缘区域判断运输车的位置。
由步骤S500中获取到该运输过程图像去模糊之后的优化图像，对获取得到优化图像进行Canny边缘检测，得到该运输车的车厢边缘图像及边缘的坐标点，然后根据CCD相机的相机参数以及CCD相机的实际位置，进行位移量测定；所用的相机参数包括：相机焦距
Figure 95059DEST_PATH_IMAGE102
、相机传感器尺寸
Figure DEST_PATH_IMAGE103
、有效像素
Figure 740804DEST_PATH_IMAGE104
；相机实际位置参数包括：高度
Figure DEST_PATH_IMAGE105
、相机距离筒仓口的距离
Figure 36525DEST_PATH_IMAGE080
；根据相机参数以及实际位置参数可以计算出图像位置校正量
Figure 615274DEST_PATH_IMAGE068
，即图像中各个像素点之间的实际距离，根据实际位置校正量
Figure 393874DEST_PATH_IMAGE068
和车厢边缘坐标点，得到实际的运输车的车厢所处位置。
进一步的，本发明实施例中还可根据神经网络得到运输车应该移动的位移量，该神经网络的具体训练过程为：
（1）网络的输入为实际的运输车的车厢所处位置、运输车的长以及运输车的宽；
（2）由专业人员根据车厢位置、运输车的长和宽给出对应的位移量；
（3）损失函数采用均方误差损失函数；
（4）网络的输出为运输车应该移动的位移量。
因此，可根据运输车的车厢实时位置利用神经网络得到该运输车的位移量，将该位移量发送至LED灯上显示，以提醒运输车司机对运输车的位置进行调整。
综上所述，本发明实施例提出一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，通过获取运输车移动过程中的图像进行实时分析，将实时采集的图像利用自适应的最优模糊核进行去模糊处理得到优化图像，进一步基于优化图像判断运输车辆在筒仓中的实际位置，还可以基于实际位置得到该运输车辆需要移动的位移量，提高了对车辆车厢位置识别的准确性。
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。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 (8)

1.一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，该方法包括以下步骤：
获取运输车运煤过程中的多帧运输过程图像，根据相邻两帧所述运输过程图像差分得到所述运输车的模糊区域图像；
初始化任意大小的第一模糊核和第二模糊核；选取所述模糊区域图像中任意像素点为待处理点，利用所述第一模糊核对所述待处理点去卷积得到第一窗口，利用所述第二模糊核对所述待处理点去卷积得到第二窗口；基于所述第一窗口与所述第二窗口得到所述待处理点的灰度差异性和结构相似性；
根据所有像素点对应的所述灰度差异性和所述结构相似性得到边角区域，根据所述边角区域内像素点的位置得到所述模糊区域图像的多个去模糊图像；
基于任意所述去模糊图像中所有像素点对应的灰度差异性和结构相似性得到所述去模糊图像的调整参数，根据所述调整参数对所述第一模糊核调整得到优化小模糊核，根据所述调整参数对所述第二模糊核调整得到优化大模糊核；
获取所述优化小模糊核对所述去模糊图像处理的第一保真度与所述优化大模糊核对所述去模糊图像处理的第二保真度，根据所述第一保真度与第二保真度与预设阈值进行比较得到最优模糊核；根据所述最优模糊核对对应的去模糊图像进行去卷积处理得到优化图像；
获取所述优化图像中运输车的车厢边缘区域，基于所述车厢边缘区域判断所述运输车的位置。
2.根据权利要求1所述的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，所述基于所述第一窗口与所述第二窗口得到所述待处理点的灰度差异性的步骤，包括：
获取第一窗口内每一行对应的代表值，基于相邻行之间代表值的差异得到每行的行差异度；获取第一窗口内每一列对应的代表值，基于相邻列之间代表值的差异得到每列的列差异度；
获取所述第一窗口内所有行对应的行差异度与所有列对应的列差异度的求和，基于求和结果得到所述第一窗口的第一灰度差异性；
获取第二窗口内每一行对应的代表值，基于相邻行之间代表值的差异得到每行的行差异度；获取第二窗口内每一列对应的代表值，基于相邻列之间代表值的差异得到每列的列差异度；
获取所述第二窗口内所有行对应的行差异度与所有列对应的列差异度的求和，基于求和结果得到所述第二窗口的第二灰度差异性；
所述第一灰度差异性与所述第二灰度差异性的比值为所述灰度差异性。
3.根据权利要求1所述的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，所述基于所述第一窗口与所述第二窗口得到所述待处理点的结构相似性的步骤，包括：
获取第一窗口内所有像素点像素值的平均值和方差，获取第二窗口内所有像素点像素值的平均值和方差，获取第一窗口与第二窗口的协方差，根据平均值、方差以及协方差得到所述待处理点的结构相似性。
4.根据权利要求1所述的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，所述根据所有像素点对应的所述灰度差异性和所述结构相似性得到边角区域的步骤，包括：
根据每个像素点对应的结构相似性与灰度差异性的比值得到所述像素点为边角区域的隶属度，所有所述隶属度大于预设阈值的像素点构成点集合；
将所述点集合中所有的像素点基于欧式距离聚类得到4个类别，每个所述类别为一个边角区域。
5.根据权利要求1所述的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，所述根据所述边角区域内像素点的位置得到所述模糊区域图像的多个去模糊图像的步骤，包括：
以所述运输过程图像左下角为原点构建二维坐标系，获取每个所述边角区域中y轴的最小值和最大值，以及x轴的最小值和最大值，分别表示为：
Figure DEST_PATH_IMAGE001
Figure 653380DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第一个边角区域中像素点在
Figure 769104DEST_PATH_IMAGE004
轴的最小值；
Figure 451627DEST_PATH_IMAGE005
表示第一个边角区域中像素点在
Figure 401128DEST_PATH_IMAGE004
轴的最大值；
Figure 287045DEST_PATH_IMAGE006
表示第一个边角区域中像素点在
Figure 612984DEST_PATH_IMAGE007
轴的最小值；
Figure 651478DEST_PATH_IMAGE008
表示第一个边角区域中像素点在
Figure 37460DEST_PATH_IMAGE007
轴的最大值；以此类推，
Figure 676252DEST_PATH_IMAGE009
表示第四个边角区域中像素点在
Figure 540303DEST_PATH_IMAGE007
轴的最大值；
由
Figure 943557DEST_PATH_IMAGE010
、
Figure 500440DEST_PATH_IMAGE011
、
Figure 360949DEST_PATH_IMAGE012
以及
Figure 28691DEST_PATH_IMAGE013
构成的不规则区域图像为第一个边角区域与第二个边角区域之间的去模糊图像；由
Figure 166411DEST_PATH_IMAGE014
、
Figure 769562DEST_PATH_IMAGE015
、
Figure 727154DEST_PATH_IMAGE016
以及
Figure 323220DEST_PATH_IMAGE017
构成的不规则区域图像为第二个边角区域与第三个边角区域之间的去模糊图像；由
Figure 315447DEST_PATH_IMAGE018
、
Figure 322455DEST_PATH_IMAGE019
、
Figure 298501DEST_PATH_IMAGE020
以及
Figure 167100DEST_PATH_IMAGE021
构成的不规则区域图像为第三个边角区域与第四个边角区域之间的去模糊图像；由
Figure 13833DEST_PATH_IMAGE022
、
Figure 224366DEST_PATH_IMAGE023
、
Figure 156550DEST_PATH_IMAGE024
以及
Figure 94419DEST_PATH_IMAGE025
构成的不规则区域图像为第四个边角区域与第一个边角区域之间的去模糊图像。
6.根据权利要求1所述的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，所述基于任意所述去模糊图像中所有像素点对应的灰度差异性和结构相似性得到所述去模糊图像的调整参数的步骤，包括：
所述调整参数的计算公式为：
Figure 61238DEST_PATH_IMAGE026
其中，
Figure 410048DEST_PATH_IMAGE027
表示调整参数，
Figure 95108DEST_PATH_IMAGE028
表示第
Figure 571088DEST_PATH_IMAGE029
个像素点对应的结构相似性；
Figure 392414DEST_PATH_IMAGE030
表示第
Figure 413591DEST_PATH_IMAGE029
个像素点对应的灰度差异性；
Figure 320367DEST_PATH_IMAGE031
表示当前去模糊图像内像素点的数量；
Figure 600038DEST_PATH_IMAGE032
表示自然常数；
Figure 275870DEST_PATH_IMAGE033
表示取整。
7.根据权利要求1所述的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，所述获取所述优化小模糊核对所述去模糊图像处理的第一保真度的步骤，包括：
获取所述运输车辆在标准位置静止时的清晰图像；
基于所述优化小模糊核对所述去模糊图像中每个像素点进行去模糊处理得到新的像素值，根据每个像素点新的像素值与所述清晰图像中对应位置像素点的像素值之间的差异计算第一保真度，所述第一保真度的计算方法为：
Figure 232063DEST_PATH_IMAGE034
其中，
Figure 626135DEST_PATH_IMAGE035
表示优化小模糊核的第一保真度；
Figure 443918DEST_PATH_IMAGE036
表示清晰图像中坐标为
Figure DEST_PATH_IMAGE037
的像素点的像素值；
Figure 974257DEST_PATH_IMAGE038
表示去模糊图像中相应的坐标为
Figure 602815DEST_PATH_IMAGE037
的像素点去模糊之后的像素值；
Figure 218604DEST_PATH_IMAGE039
表示去模糊图像的尺寸。
8.根据权利要求1所述的一种基于计算机视觉的筒仓运输车辆车厢位置检测方法，其特征在于，所述根据所述第一保真度与第二保真度与预设阈值进行比较得到最优模糊核的步骤，包括：
当优化小模糊核与优化大模糊核对应的第一保真度或者第二保真度里任意一个大于预设阈值时，则大于预设阈值的保真度对应的模糊核为最优模糊核；
当优化小模糊核与优化大模糊核对应的第一保真度和第二保真度均大于预设阈值时，选择保真度较大时对应的模糊核为最优模糊核；
当优化小模糊核与优化大模糊核对应的第一保真度和第二保真度均小于预设阈值时，对优化小模糊核的大小与优化大模糊核的大小继续调整，所述调整的方法为利用重新计算的调整参数进行调整，基于调整后的模糊核计算对应的保真度，直至存在所述保真度大于预设阈值时停止调整，所述保真度对应的模糊核为最优模糊核。
CN202210730828.7A 2022-06-26 2022-06-26 基于计算机视觉的筒仓运输车辆车厢位置检测方法 Active CN114820773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210730828.7A CN114820773B (zh) 2022-06-26 2022-06-26 基于计算机视觉的筒仓运输车辆车厢位置检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210730828.7A CN114820773B (zh) 2022-06-26 2022-06-26 基于计算机视觉的筒仓运输车辆车厢位置检测方法

Publications (2)

Publication Number Publication Date
CN114820773A CN114820773A (zh) 2022-07-29
CN114820773B true CN114820773B (zh) 2022-09-27

Family

ID=82521538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210730828.7A Active CN114820773B (zh) 2022-06-26 2022-06-26 基于计算机视觉的筒仓运输车辆车厢位置检测方法

Country Status (1)

Country Link
CN (1) CN114820773B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330878B (zh) * 2022-10-18 2023-01-24 山东特联信息科技有限公司 一种罐车罐口视觉定位方法
CN116128877B (zh) * 2023-04-12 2023-06-30 山东鸿安食品科技有限公司 一种基于温度检测的排汽回收智能监测系统
CN116128769B (zh) * 2023-04-18 2023-06-23 聊城市金邦机械设备有限公司 摇摆运动机构的轨迹视觉记录系统
CN116309189B (zh) * 2023-05-17 2023-07-28 中国人民解放军海军青岛特勤疗养中心 一种船舶烧伤伤员紧急转运分类的图像处理方法
CN116645297B (zh) * 2023-07-24 2023-11-07 济宁龙纳智能科技有限公司 基于人工智能的agv叉车控制方法
CN117542003B (zh) * 2024-01-08 2024-04-02 大连天成电子有限公司 基于图像特征分析的货运列车车型判断方法
CN117557626B (zh) * 2024-01-12 2024-04-05 泰安大陆医疗器械有限公司 一种气雾喷雾器喷头安装辅助定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867111A (zh) * 2015-03-27 2015-08-26 北京理工大学 一种基于分块模糊核集的非均匀视频盲去模糊方法
CN112819723A (zh) * 2021-02-05 2021-05-18 河海大学 一种高能x射线图像盲复原方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292842B (zh) * 2017-06-15 2020-08-07 北京大学深圳研究生院 基于先验约束和离群值抑制的图像去模糊方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867111A (zh) * 2015-03-27 2015-08-26 北京理工大学 一种基于分块模糊核集的非均匀视频盲去模糊方法
CN112819723A (zh) * 2021-02-05 2021-05-18 河海大学 一种高能x射线图像盲复原方法及系统

Also Published As

Publication number Publication date
CN114820773A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114820773B (zh) 基于计算机视觉的筒仓运输车辆车厢位置检测方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN115690105B (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN115797354B (zh) 用于检测激光焊接焊缝外观缺陷的方法
CN105809121A (zh) 多特征协同的交通标志检测与识别方法
CN104794502A (zh) 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
CN115294099B (zh) 一种钢板轧制过程发纹缺陷的检测方法及系统
CN115578374A (zh) 一种机械零件铸造质量评估方法与系统
CN112330593A (zh) 基于深度学习网络的建筑物表面裂缝检测方法
CN107832674B (zh) 一种车道线检测方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN111242026B (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN111753749A (zh) 一种基于特征匹配的车道线检测方法
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN105069778A (zh) 基于目标特征显著图构建的工业产品表面缺陷检测方法
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN111738114A (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN109978916B (zh) 基于灰度图像特征匹配的Vibe运动目标检测方法
CN117593193B (zh) 一种基于机器学习的钣金图像增强方法及系统
CN113221739B (zh) 基于单目视觉的车距测量方法
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN117611571A (zh) 一种基于改进yolo模型的带钢表面缺陷检测方法

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