CN114820789A - 一种不规则目标智能识别及定位方法与系统 - Google Patents
一种不规则目标智能识别及定位方法与系统 Download PDFInfo
- Publication number
- CN114820789A CN114820789A CN202210443618.XA CN202210443618A CN114820789A CN 114820789 A CN114820789 A CN 114820789A CN 202210443618 A CN202210443618 A CN 202210443618A CN 114820789 A CN114820789 A CN 114820789A
- Authority
- CN
- China
- Prior art keywords
- positioning
- key
- key point
- dimensional
- detection model
- 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
Links
- 230000001788 irregular Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 124
- 238000010330 laser marking Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 1
- 239000003086 colorant Substances 0.000 abstract description 4
- 239000002184 metal Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/462—Computing operations in or between colour spaces; Colour management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J2003/467—Colour computing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种不规则目标智能识别及定位方法与系统，应用于激光标刻技术领域，构建三维数据库，所述三维数据库存储目标三维数据；获取待识别目标的三维图像；对所述三维图像进行特征提取获取第一定位特征，并调用目标点的定位特征；将所述第一定位特征输入训练的定位检测模型中，根据待识别目标的反射特征和颜色特征调整定位点的位置信息，并与所述定位特征进行比对；确定定位点位置。本发明公开提供了一种不规则目标智能识别及定位方法与系统，通过光反射检测结果对于获取的反射特征进行修正，颜色检测模型输出的颜色检测结果将相近颜色进行聚类，确定激光标刻范围以及关键点检测模型输出的关键点检测结果共同对于关键点进行定位。
Description
技术领域
本发明涉及激光标刻技术领域，更具体的说是涉及一种不规则目标智能识别及定位方法与系统。
背景技术
激光标刻技术既能在保证不损坏金属工件的完整性的同时又刻蚀出可以永久保留的信息图案，在高精度需求的制造业中非常适用。
随着国内外物联网产业和制造业的蓬勃发展，二维码技术因其本身强大的纠错能力在制造业领域的金属件标识中逐渐得到应用。为提高企业管理效率，激光二维码作为解决金属件标识问题的有效技术之一得到了广泛的应用，即利用激光标刻技术为金属件直接标刻上对应信息的二维码。但是当前利用图像处理技术在识别金属件表面的激光二维码时存在着定位难等问题，主要原因有：(1)金属工件的外表面不是全平面型，导致在激光直接标刻时，二维码图像有弧度的；(2)金属工件本身的材质各式各样，有的金属件表面反光、有的材质颜色灰暗、有的材质易氧化，加大了准确定位识别二维码的难度；(3)金属工件的材质不同，在激光直接标刻的过程中，不能直接标刻以黑色为前景色的二维码，这与标准的二维码恰好相反；(4)在给金属工件进行二维码标刻时，激光打码机的内部因素和外界因素导致在刀具表面所呈现的二维码不规则；(5)对于目标的识别偏差，导致定位错误。
因此如何提供一种对目标识别和定位准确的方法与与系统是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种不规则目标智能识别及定位方法与系统，对于不规则目标的识别，通过调用历史数据比对，准确度大大提高，对于标刻位置的确定采用反射检测模型、颜色检测模型和所述关键点检测模型对于定位精度大大提高。
为了实现上述目的，本发明提供如下技术方案：
一种不规则目标智能识别及定位方法，具体步骤如下：
构建三维数据库，所述三维数据库存储目标三维数据；
获取待识别目标的三维图像；
对所述三维图像进行特征提取获取第一定位特征，并调用目标点的定位特征；
将所述第一定位特征输入训练的定位检测模型中，根据待识别目标的反射特征和颜色特征调整定位点的位置信息，并与所述定位特征进行比对；
确定定位点位置。
可选的，在上述的一种不规则目标智能识别及定位方法中，获取待识别目标的三维图像具体步骤包括：
获取不同角度的至少3张二维图像；
根据三维数据与获取的二维图像的二维坐标之间的对应关系及每一图片的拍摄角度信息，获取每一二维图像上关键点的像素点所对应的所有点三维坐标值；
按照预定的规则，选取其中特定的三维坐标值作为三维图象空间的坐标，由
所述坐标生成二值化三维图像，确定待识别目标。
可选的，在上述的一种不规则目标智能识别及定位方法中，所述定位检测模型的构建步骤如下：
获取第一样本图像集；所述第一样本图像集中包括多个第一样本图像，每个所述第一样本图像关联有关键点期望结果；
针对每个所述第一样本图像分别执行以下操作，得到所述第一样本图像的关键点损失值：
分别采用反射检测模型、颜色检测模型和所述关键点检测模型对所述第一样本图像进行处理，得到由所述反射检测模型输出的光反射检测结果，颜色检测模型输出的颜色检测结果以及所述关键点检测模型输出的关键点检测结果；
确定所述关键点检测结果和所述关键点期望结果之间的关键点损失信息；
采用所述光反射检测结果、颜色检测结果对所述关键点损失信息进行调整，得到所述第一样本图像的所述关键点损失值；
采用各个所述第一样本图像的所述关键点损失值，确定出第一总损失值；
根据所述第一总损失值优化所述关键点检测模型的参数。
可选的，在上述的一种不规则目标智能识别及定位方法中，所述反射检测模型的构建步骤如下：
依据当前视点方向信息，计算在当前视点方向下所述关键点对应的视点漫反射数据以及视点高光反射数据；
获取所述视点漫反射数据对应的漫反射权重以及所述视点高光反射数据对应的高光反射权重，并对所述视点漫反射数据以及所述视点高光反射数据加权求和确定所述补光反射数据。
可选的，在上述的一种不规则目标智能识别及定位方法中，所述颜色检测模型的构建步骤如下：
确定关键点的属性平均值，寻找所述关键点的八邻域像素，并判断所述八邻域像素的属性与所述属性平均值的相似度，并判断所述相似度是否大于预设阈值，当大于所述预设阈值时，确定所述八邻域像素为第一关键点，并确定所述第一关键点所在的区域为第一关键区域，当小于所述预设阈值时，将所述八邻域像素合并入所述关键区域，并将所述八邻域像素替代所述关键区域中原来的关键点成为所述关键区域的关键点；
遍历所有关键点确定激光标刻范围。
一种不规则目标智能识别及定位系统，包括，
三维数据库，所述三维数据库存储目标三维数据；
获取模块，获取待识别目标的三维图像；
特征提取模块，对所述三维图像进行特征提取获取第一定位特征，并调用目标点的定位特征；
定位模块，将所述第一定位特征输入训练的定位检测模型中，根据待识别目标的反射特征和颜色特征调整定位点的位置信息，并与所述定位特征进行比对；确定定位点位置。
可选的，在上述的一种不规则目标智能识别及定位系统中，获取模块包括：
二维图像单元，获取不同角度的至少3张二维图像；
坐标转换单元，根据三维数据与获取的二维图像的二维坐标之间的对应关系及每一图片的拍摄角度信息，获取每一二维图像上关键点的像素点所对应的所有点三维坐标值；
识别单元，按照预定的规则，选取其中特定的三维坐标值作为三维图象空间的坐标，由所述坐标生成二值化三维图像，确定待识别目标。
可选的，在上述的一种不规则目标智能识别及定位系统中，所述定位模块包括：
样本集单元，获取第一样本图像集；所述第一样本图像集中包括多个第一样本图像，每个所述第一样本图像关联有关键点期望结果；
损失值单元，针对每个所述第一样本图像分别执行以下操作，得到所述第一样本图像的关键点损失值：
检测单元，分别采用反射检测模型、颜色检测模型和所述关键点检测模型对所述第一样本图像进行处理，得到由所述反射检测模型输出的光反射检测结果，颜色检测模型输出的颜色检测结果以及所述关键点检测模型输出的关键点检测结果；
优化单元，确定所述关键点检测结果和所述关键点期望结果之间的关键点损失信息；采用所述光反射检测结果、颜色检测结果对所述关键点损失信息进行调整，得到所述第一样本图像的所述关键点损失值；采用各个所述第一样本图像的所述关键点损失值，确定出第一总损失值；
根据所述第一总损失值优化所述关键点检测模型的参数。
可选的，在上述的一种不规则目标智能识别及定位系统中，所述反射检测模型包括：
依据当前视点方向信息，计算在当前视点方向下所述关键点对应的视点漫反射数据以及视点高光反射数据；
获取所述视点漫反射数据对应的漫反射权重以及所述视点高光反射数据对应的高光反射权重，并对所述视点漫反射数据以及所述视点高光反射数据加权求和确定所述补光反射数据。
可选的，在上述的一种不规则目标智能识别及定位系统中，所述颜色检测模型包括：
确定关键点的属性平均值，寻找所述关键点的八邻域像素，并判断所述八邻域像素的属性与所述属性平均值的相似度，并判断所述相似度是否大于预设阈值，当大于所述预设阈值时，确定所述八邻域像素为第一关键点，并确定所述第一关键点所在的区域为第一关键区域，当小于所述预设阈值时，将所述八邻域像素合并入所述关键区域，并将所述八邻域像素替代所述关键区域中原来的关键点成为所述关键区域的关键点；
遍历所有关键点确定激光标刻范围。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种不规则目标智能识别及定位方法与系统，对于不规则目标的识别，通过调用历史数据比对，准确度大大提高，对于标刻位置的确定采用反射检测模型、颜色检测模型和所述关键点检测模型对于定位精度大大提高。通过光反射检测结果对于获取的反射特征进行修正，颜色检测模型输出的颜色检测结果将相近颜色进行聚类，确定激光标刻范围以及关键点检测模型输出的关键点检测结果共同对于关键点进行定位。
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，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的结构框图。
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，本领域普通技术人员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。
本发明的实施例公开了一种不规则目标智能识别及定位方法，如图1所示，具体步骤如下：
构建三维数据库，三维数据库存储目标三维数据；
获取待识别目标的三维图像；
对三维图像进行特征提取获取第一定位特征，并调用目标点的定位特征；
将第一定位特征输入训练的定位检测模型中，根据待识别目标的反射特征和颜色特征调整定位点的位置信息，并与定位特征进行比对；
确定定位点位置。
为了进一步优化上述技术方案，获取待识别目标的三维图像具体步骤包括：
获取不同角度的至少3张二维图像；
根据三维数据与获取的二维图像的二维坐标之间的对应关系及每一图片的拍摄角度信息，获取每一二维图像上关键点的像素点所对应的所有点三维坐标值；
按照预定的规则，选取其中特定的三维坐标值作为三维图象空间的坐标，由坐标生成二值化三维图像，确定待识别目标。
进一步，可以进行三维扫描获取三维图像；
更进一步，将二维图像进行三维图像重建，根据拍摄角度信息将三维图像重建；二维图像便于获取，对于设备要求大大降低，能够节省成本。
为了进一步优化上述技术方案，定位检测模型的构建步骤如下：
获取第一样本图像集；第一样本图像集中包括多个第一样本图像，每个第一样本图像关联有关键点期望结果；
针对每个第一样本图像分别执行以下操作，得到第一样本图像的关键点损失值：
分别采用反射检测模型、颜色检测模型和关键点检测模型对第一样本图像进行处理，得到由反射检测模型输出的光反射检测结果，颜色检测模型输出的颜色检测结果以及关键点检测模型输出的关键点检测结果；
确定关键点检测结果和关键点期望结果之间的关键点损失信息；
采用光反射检测结果、颜色检测结果对关键点损失信息进行调整，得到第一样本图像的关键点损失值；
采用各个第一样本图像的关键点损失值，确定出第一总损失值；
根据第一总损失值优化关键点检测模型的参数。
进一步，通过光反射检测结果对于获取的反射特征进行修正，颜色检测模型输出的颜色检测结果将相近颜色进行聚类，确定激光标刻范围以及关键点检测模型输出的关键点检测结果共同对于关键点进行定位。
为了进一步优化上述技术方案，反射检测模型的构建步骤如下：
依据当前视点方向信息，计算在当前视点方向下关键点对应的视点漫反射数据以及视点高光反射数据；
获取视点漫反射数据对应的漫反射权重以及视点高光反射数据对应的高光反射权重，并对视点漫反射数据以及视点高光反射数据加权求和确定补光反射数据。
由于不规则目标，颜色、曲率不同对于光的反射情况也不同，通过对于光反射进行补偿，以定位准确。
为了进一步优化上述技术方案，颜色检测模型的构建步骤如下：
确定关键点的属性平均值，寻找关键点的八邻域像素，并判断八邻域像素的属性与属性平均值的相似度，并判断相似度是否大于预设阈值，当大于预设阈值时，确定八邻域像素为第一关键点，并确定第一关键点所在的区域为第一关键区域，当小于预设阈值时，将八邻域像素合并入关键区域，并将八邻域像素替代关键区域中原来的关键点成为关键区域的关键点；
遍历所有关键点确定激光标刻范围。
本发明的另一实施例公开了一种不规则目标智能识别及定位系统，如图2所示，包括，
三维数据库，三维数据库存储目标三维数据；
获取模块，获取待识别目标的三维图像；
特征提取模块，对三维图像进行特征提取获取第一定位特征，并调用目标点的定位特征；
定位模块，将第一定位特征输入训练的定位检测模型中，根据待识别目标的反射特征和颜色特征调整定位点的位置信息，并与定位特征进行比对；确定定位点位置。
为了进一步优化上述技术方案，获取模块包括：
二维图像单元，获取不同角度的至少3张二维图像；
坐标转换单元，根据三维数据与获取的二维图像的二维坐标之间的对应关系及每一图片的拍摄角度信息，获取每一二维图像上关键点的像素点所对应的所有点三维坐标值；
识别单元，按照预定的规则，选取其中特定的三维坐标值作为三维图象空间的坐标，由坐标生成二值化三维图像，确定待识别目标。
为了进一步优化上述技术方案，定位模块包括：
样本集单元，获取第一样本图像集；第一样本图像集中包括多个第一样本图像，每个第一样本图像关联有关键点期望结果；
损失值单元，针对每个第一样本图像分别执行以下操作，得到第一样本图像的关键点损失值：
检测单元，分别采用反射检测模型、颜色检测模型和关键点检测模型对第一样本图像进行处理，得到由反射检测模型输出的光反射检测结果，颜色检测模型输出的颜色检测结果以及关键点检测模型输出的关键点检测结果；
优化单元，确定关键点检测结果和关键点期望结果之间的关键点损失信息；采用光反射检测结果、颜色检测结果对关键点损失信息进行调整，得到第一样本图像的关键点损失值；采用各个第一样本图像的关键点损失值，确定出第一总损失值；
根据第一总损失值优化关键点检测模型的参数。
为了进一步优化上述技术方案，反射检测模型包括：
依据当前视点方向信息，计算在当前视点方向下关键点对应的视点漫反射数据以及视点高光反射数据；
获取视点漫反射数据对应的漫反射权重以及视点高光反射数据对应的高光反射权重，并对视点漫反射数据以及视点高光反射数据加权求和确定补光反射数据。
为了进一步优化上述技术方案，颜色检测模型包括：
确定关键点的属性平均值，寻找关键点的八邻域像素，并判断八邻域像素的属性与属性平均值的相似度，并判断相似度是否大于预设阈值，当大于预设阈值时，确定八邻域像素为第一关键点，并确定第一关键点所在的区域为第一关键区域，当小于预设阈值时，将八邻域像素合并入关键区域，并将八邻域像素替代关键区域中原来的关键点成为关键区域的关键点；
遍历所有关键点确定激光标刻范围。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业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的专业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，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要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)
1.一种不规则目标智能识别及定位方法，其特征在于，具体步骤如下：
构建三维数据库，所述三维数据库存储目标三维数据；
获取待识别目标的三维图像；
对所述三维图像进行特征提取获取第一定位特征，并调用目标点的定位特征；
将所述第一定位特征输入训练的定位检测模型中，根据待识别目标的反射特征和颜色特征调整定位点的位置信息，并与所述定位特征进行比对；
确定定位点位置。
2.根据权利要求1所述的一种不规则目标智能识别及定位方法，其特征在于，获取待识别目标的三维图像具体步骤包括：
获取不同角度的至少3张二维图像；
根据三维数据与获取的二维图像的二维坐标之间的对应关系及每一图片的拍摄角度信息，获取每一二维图像上关键点的像素点所对应的所有点三维坐标值；
按照预定的规则，选取其中特定的三维坐标值作为三维图象空间的坐标，由
所述坐标生成二值化三维图像，确定待识别目标。
3.根据权利要求1所述的一种不规则目标智能识别及定位方法，其特征在于，所述定位检测模型的构建步骤如下：
获取第一样本图像集；所述第一样本图像集中包括多个第一样本图像，每个所述第一样本图像关联有关键点期望结果；
针对每个所述第一样本图像分别执行以下操作，得到所述第一样本图像的关键点损失值：
分别采用反射检测模型、颜色检测模型和所述关键点检测模型对所述第一样本图像进行处理，得到由所述反射检测模型输出的光反射检测结果，颜色检测模型输出的颜色检测结果以及所述关键点检测模型输出的关键点检测结果；
确定所述关键点检测结果和所述关键点期望结果之间的关键点损失信息；
采用所述光反射检测结果、颜色检测结果对所述关键点损失信息进行调整，得到所述第一样本图像的所述关键点损失值；
采用各个所述第一样本图像的所述关键点损失值，确定出第一总损失值；
根据所述第一总损失值优化所述关键点检测模型的参数。
4.根据权利要求3所述的一种不规则目标智能识别及定位方法，其特征在于，所述反射检测模型的构建步骤如下：
依据当前视点方向信息，计算在当前视点方向下所述关键点对应的视点漫反射数据以及视点高光反射数据；
获取所述视点漫反射数据对应的漫反射权重以及所述视点高光反射数据对应的高光反射权重，并对所述视点漫反射数据以及所述视点高光反射数据加权求和确定所述补光反射数据。
5.根据权利要求3所述的一种不规则目标智能识别及定位方法，其特征在于，所述颜色检测模型的构建步骤如下：
确定关键点的属性平均值，寻找所述关键点的八邻域像素，并判断所述八邻域像素的属性与所述属性平均值的相似度，并判断所述相似度是否大于预设阈值，当大于所述预设阈值时，确定所述八邻域像素为第一关键点，并确定所述第一关键点所在的区域为第一关键区域，当小于所述预设阈值时，将所述八邻域像素合并入所述关键区域，并将所述八邻域像素替代所述关键区域中原来的关键点成为所述关键区域的关键点；
遍历所有关键点确定激光标刻范围。
6.一种不规则目标智能识别及定位系统，其特征在于，包括：
三维数据库，所述三维数据库存储目标三维数据；
获取模块，获取待识别目标的三维图像；
特征提取模块，对所述三维图像进行特征提取获取第一定位特征，并调用目标点的定位特征；
定位模块，将所述第一定位特征输入训练的定位检测模型中，根据待识别目标的反射特征和颜色特征调整定位点的位置信息，并与所述定位特征进行比对；确定定位点位置。
7.根据权利要求3所述的一种不规则目标智能识别及定位系统，其特征在于，获取模块包括：
二维图像单元，获取不同角度的至少3张二维图像；
坐标转换单元，根据三维数据与获取的二维图像的二维坐标之间的对应关系及每一图片的拍摄角度信息，获取每一二维图像上关键点的像素点所对应的所有点三维坐标值；
识别单元，按照预定的规则，选取其中特定的三维坐标值作为三维图象空间的坐标，由所述坐标生成二值化三维图像，确定待识别目标。
8.根据权利要求6所述的一种不规则目标智能识别及定位系统，其特征在于，所述定位模块包括：
样本集单元，获取第一样本图像集；所述第一样本图像集中包括多个第一样本图像，每个所述第一样本图像关联有关键点期望结果；
损失值单元，针对每个所述第一样本图像分别执行以下操作，得到所述第一样本图像的关键点损失值：
检测单元，分别采用反射检测模型、颜色检测模型和所述关键点检测模型对所述第一样本图像进行处理，得到由所述反射检测模型输出的光反射检测结果，颜色检测模型输出的颜色检测结果以及所述关键点检测模型输出的关键点检测结果；
优化单元，确定所述关键点检测结果和所述关键点期望结果之间的关键点损失信息；采用所述光反射检测结果、颜色检测结果对所述关键点损失信息进行调整，得到所述第一样本图像的所述关键点损失值；采用各个所述第一样本图像的所述关键点损失值，确定出第一总损失值；
根据所述第一总损失值优化所述关键点检测模型的参数。
9.根据权利要求8所述的一种不规则目标智能识别及定位方法，其特征在于，所述反射检测模型包括：
依据当前视点方向信息，计算在当前视点方向下所述关键点对应的视点漫反射数据以及视点高光反射数据；
获取所述视点漫反射数据对应的漫反射权重以及所述视点高光反射数据对应的高光反射权重，并对所述视点漫反射数据以及所述视点高光反射数据加权求和确定所述补光反射数据。
10.根据权利要求8所述的一种不规则目标智能识别及定位方法，其特征在于，所述颜色检测模型包括：
确定关键点的属性平均值，寻找所述关键点的八邻域像素，并判断所述八邻域像素的属性与所述属性平均值的相似度，并判断所述相似度是否大于预设阈值，当大于所述预设阈值时，确定所述八邻域像素为第一关键点，并确定所述第一关键点所在的区域为第一关键区域，当小于所述预设阈值时，将所述八邻域像素合并入所述关键区域，并将所述八邻域像素替代所述关键区域中原来的关键点成为所述关键区域的关键点；
遍历所有关键点确定激光标刻范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210443618.XA CN114820789A (zh) | 2022-04-26 | 2022-04-26 | 一种不规则目标智能识别及定位方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210443618.XA CN114820789A (zh) | 2022-04-26 | 2022-04-26 | 一种不规则目标智能识别及定位方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114820789A true CN114820789A (zh) | 2022-07-29 |
Family
ID=82508220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210443618.XA Pending CN114820789A (zh) | 2022-04-26 | 2022-04-26 | 一种不规则目标智能识别及定位方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114820789A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115690923A (zh) * | 2022-11-17 | 2023-02-03 | 深圳市谷奇创新科技有限公司 | 一种基于光纤传感器的体征分布式监测方法和系统 |
| CN116543050A (zh) * | 2023-05-26 | 2023-08-04 | 深圳铭创智能装备有限公司 | 一种透明曲面基板定位方法、计算机设备和存储介质 |
-
2022
- 2022-04-26 CN CN202210443618.XA patent/CN114820789A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115690923A (zh) * | 2022-11-17 | 2023-02-03 | 深圳市谷奇创新科技有限公司 | 一种基于光纤传感器的体征分布式监测方法和系统 |
| CN115690923B (zh) * | 2022-11-17 | 2024-02-02 | 深圳市谷奇创新科技有限公司 | 一种基于光纤传感器的体征分布式监测方法和系统 |
| CN116543050A (zh) * | 2023-05-26 | 2023-08-04 | 深圳铭创智能装备有限公司 | 一种透明曲面基板定位方法、计算机设备和存储介质 |
| CN116543050B (zh) * | 2023-05-26 | 2024-03-26 | 深圳铭创智能装备有限公司 | 一种透明曲面基板定位方法、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114820789A (zh) | 一种不规则目标智能识别及定位方法与系统 | |
| EP3309704B1 (en) | Two-dimensional code partitioning and decoding method and system | |
| CN110175997B (zh) | 显示屏坏点检测方法、装置、计算机设备和存储介质 | |
| CN111445517A (zh) | 机器人视觉末端定位方法、装置及计算机可读存储介质 | |
| CN110009615B (zh) | 图像角点的检测方法及检测装置 | |
| CN111259908A (zh) | 基于机器视觉的钢卷号识别方法、系统、设备及存储介质 | |
| CN110659709A (zh) | 一种防伪二维码及其生成和检测识别的方法 | |
| CN104376328B (zh) | 基于坐标的分布型编码标志识别方法及系统 | |
| CN114693529B (zh) | 一种图像拼接方法、装置、设备及存储介质 | |
| EP0996079B1 (en) | Method for locating codes in bidimensional images | |
| CN108182700B (zh) | 一种基于两次特征检测的图像配准方法 | |
| CN107909573B (zh) | 金属工件环形表面刀纹检测方法及装置 | |
| CN110969612B (zh) | 二维码印刷缺陷检测方法 | |
| CN116958101A (zh) | 锻造工件上凹陷标识的识别方法及系统、存储介质、数据处理终端 | |
| CN111191658A (zh) | 基于广义局部二值模式的纹理描述方法及图像分类方法 | |
| CN116363427A (zh) | 一种三维点云自动分类算法 | |
| CN115984211A (zh) | 视觉定位方法、机器人及存储介质 | |
| Koch et al. | A vision system to identify occluded industrial parts | |
| CN113536822B (zh) | 二维码校正方法、装置及计算机可读存储介质 | |
| CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
| CN118015029A (zh) | 极耳的角点的检测方法、装置及存储介质 | |
| CN111002376A (zh) | Pcb板内层靶标孔智能防呆的方法 | |
| CN112750172A (zh) | 一种摄影测量中点状编码标志的改进方法 | |
| WO2013084731A1 (ja) | 画像識別システム | |
| CN115880442B (zh) | 一种基于激光扫描的三维模型重建方法以及系统 |
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 |