CN115147541A - 钢包检测方法、装置、电子设备及计算机可读存储介质 - Google Patents
钢包检测方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115147541A CN115147541A CN202210652020.1A CN202210652020A CN115147541A CN 115147541 A CN115147541 A CN 115147541A CN 202210652020 A CN202210652020 A CN 202210652020A CN 115147541 A CN115147541 A CN 115147541A
- Authority
- CN
- China
- Prior art keywords
- ladle
- point cloud
- image data
- laser point
- data
- 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
Images
Classifications
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本申请提供了一种钢包检测方法、装置、电子设备及计算机可读存储介质。该钢包检测方法,包括:获取钢包整体的激光点云数据和图像数据;基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型;对图像数据进行OCR检测,识别出钢包的钢包号;基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量。根据本申请实施例,能够又快又准地钢包进行检测,进而消除安全隐患。
Description
技术领域
本申请属于钢包检测技术领域,尤其涉及一种钢包检测方法、装置、电子设备及计算机可读存储介质。
背景技术
钢包作为炼钢工序和浇铸工序之间的中间容器,钢包内衬的质量好坏会直接对钢水质量以及后续浇铸工序的浇铸质量,因此需要经常对钢包内衬的质量进行检测,目前的检测方式大多为按照工艺计算钢包的包龄,正常情况下的钢包为40个包龄,并结合浇铸产品的质量判断钢包内衬质量是否存在缺陷,有些情况下也是靠肉眼观察钢包内衬是否存在缺陷。钢包检测准确度低、效率慢,并且肉眼观察时存在较大安全隐患。
因此,如何又快又准地钢包进行检测,进而消除安全隐患是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种钢包检测方法、装置、电子设备及计算机可读存储介质,能够又快又准地钢包进行检测,进而消除安全隐患。
第一方面,本申请实施例提供一种钢包检测方法,包括:
获取钢包整体的激光点云数据和图像数据;
基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型;
对图像数据进行OCR检测,识别出钢包的钢包号;
基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量。
进一步地,获取钢包整体的激光点云数据和图像数据,包括:
通过搭载在实时变换位置的机械臂上的数据采集探头,对钢包进行激光点云数据采集以及图像数据采集,以获取钢包整体的激光点云数据和图像数据。
进一步地,基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型,包括:
将激光点云数据和图像数据进行融合,提取每帧激光点云数据中的特征点;
基于特征点和特征点配准算法,进行激光点云数据的融合,得到钢包点云三维模型。
进一步地,对图像数据进行OCR检测,识别出钢包的钢包号,包括:
利用神经网络对图像数据进行OCR检测,识别出钢包的钢包号。
进一步地,在基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量之后,方法还包括:
基于点云mesh算法和泊松表面重建算法,自主匹配确定钢包点云三维模型中的mesh单元。
进一步地,在基于点云mesh算法和泊松表面重建算法,自主匹配确定钢包点云三维模型中的mesh单元之后,方法还包括:
通过激光点云数据和图像数据的融合,对mesh单元附着对应的颜色。
第二方面,本申请实施例提供了一种钢包检测装置,包括:
数据获取模块,用于获取钢包整体的激光点云数据和图像数据;
三维稠密重建模块,用于基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型;
钢包号识别模块,用于对图像数据进行OCR检测,识别出钢包的钢包号;
钢包侵蚀量分析与测量模块,用于基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量。
进一步地,数据获取模块,用于:
通过搭载在实时变换位置的机械臂上的数据采集探头,对钢包进行激光点云数据采集以及图像数据采集,以获取钢包整体的激光点云数据和图像数据。
进一步地,三维稠密重建模块,用于:
将激光点云数据和图像数据进行融合,提取每帧激光点云数据中的特征点;
基于特征点和特征点配准算法,进行激光点云数据的融合,得到钢包点云三维模型。
进一步地,钢包号识别模块,用于:
利用神经网络对图像数据进行OCR检测,识别出钢包的钢包号。
进一步地,装置还包括:
自主匹配模块,用于基于点云mesh算法和泊松表面重建算法,自主匹配确定钢包点云三维模型中的mesh单元。
进一步地,装置还包括:
颜色附着模块,用于通过激光点云数据和图像数据的融合,对mesh单元附着对应的颜色。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面所示的钢包检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所示的钢包检测方法。
本申请实施例的钢包检测方法、装置、电子设备及计算机可读存储介质,能够又快又准地钢包进行检测,进而消除安全隐患。
该钢包检测方法,包括:获取钢包整体的激光点云数据和图像数据;基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型;对图像数据进行OCR检测,识别出钢包的钢包号;基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量。
可见,该方法通过三维稠密重建得到钢包点云三维模型,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量,可以分析钢包内衬是否存在缺陷,能够又快又准地钢包进行检测,进而消除安全隐患。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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他的附图。
图1是本申请一个实施例提供的钢包检测方法的流程示意图;
图2是本申请一个实施例提供的钢包检测装置的结构示意图;
图3是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
钢包作为炼钢工序和浇铸工序之间的中间容器,钢包内衬的质量好坏会直接对钢水质量以及后续浇铸工序的浇铸质量,因此需要经常对钢包内衬的质量进行检测,目前的检测方式大多为按照工艺计算钢包的包龄,正常情况下的钢包为40个包龄,并结合浇铸产品的质量判断钢包内衬质量是否存在缺陷,有些情况下也是靠肉眼观察钢包内衬是否存在缺陷。钢包检测准确度低、效率慢,并且肉眼观察时存在较大安全隐患。
为了解决现有技术问题,本申请实施例提供了一种钢包检测方法、装置、电子设备及计算机可读存储介质。下面首先对本申请实施例所提供的钢包检测方法进行介绍。
图1示出了本申请一个实施例提供的钢包检测方法的流程示意图。如图1所示,该钢包检测方法,包括:
S101、获取钢包整体的激光点云数据和图像数据;
为了又快又准地获取钢包整体的激光点云数据和图像数据,在一个实施例中,获取钢包整体的激光点云数据和图像数据,包括:
通过搭载在实时变换位置的机械臂上的数据采集探头,对钢包进行激光点云数据采集以及图像数据采集,以获取钢包整体的激光点云数据和图像数据。
其中,数据采集探头即为采集激光点云数据和图像数据的探头,该数据采集探头可以为搭载在机械臂上的激光扫描仪和摄像头。
在该实施例中进行数据采集时,在机械臂上搭载数据采集探头对钢包进行激光点云数据采集以及进行图像数据采集;通过不断地变换机械臂的位置,实现又快又准地进行钢包整体的激光点云数据和图像数据的采集。
S102、基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型;
为了更加准确地进行三维稠密重建,在一个实施例中,基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型,包括:
将激光点云数据和图像数据进行融合,提取每帧激光点云数据中的特征点;
基于特征点和特征点配准算法,进行激光点云数据的融合,得到钢包点云三维模型。
激光点云数据中的特征点是最基本并且保留了几何特性和纹理特征的特征基元,坐标系的改变并不会使其发生变化。而通过提取激光点云数据中的特征点,可以在减少计算量的前提下,保留点云的几何特征。
本实施例可以通过分别计算点云的法向量、曲率以及体积积分不变量,提取激光点云数据中的特征点,再利用法向量、曲率以及体积积分不变量这三种几何特征和特征点配准算法进行精确配准,以实现激光点云数据的融合,得到钢包点云三维模型。其中,特征点配准算法具体可以为迭代最近点算法,激光点云数据的融合过程可以包括:首先,分别构建法向量、曲率以及体积积分不变量这三种几何特征对应的特征点集合;然后,基于这些特征点集合进行配准,得到配准结果;再对该配准结果进行整体平差计算,得到初次误差值;判断该初次误差值是否小于设定阈值;若初次误差值不小于设定阈值,则迭代地进行特征点精确配准,直至误差值小于设定阈值,呈收敛趋势,计算结束,输出最终结果,实现了激光点云数据的融合,故能够更加准确地进行三维稠密重建,得到更加精确的钢包点云三维模型。
S103、对图像数据进行OCR检测,识别出钢包的钢包号;
为了更加准确地识别出钢包号,在一个实施例中,对图像数据进行OCR检测,识别出钢包的钢包号,包括:
利用神经网络对图像数据进行OCR检测,识别出钢包的钢包号。
由于神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。基于其内部大量节点之间相互连接的关系,可以对图像数据进行精细化识别处理,故该实施例利用神经网络进行识别,能够更加准确地识别出钢包号。
S104、基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量。
该步骤S104,针对每一个钢包号,可以分别确定钢包点云三维模型中该钢包号对应的钢包,以及原始钢包点云模型中该钢包号对应的钢包;然后,将这两种钢包进行匹配,匹配后分别对这两种钢包进行测量,得到对应的测量结果;最后,将这两种测量结果进行对比分析,可以分析出钢包的侵蚀量,也即实现了对钢包内村侵蚀分析。
为了实现钢包表面重建,在一个实施例中,在基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量之后,方法还包括:
基于点云mesh算法和泊松表面重建算法,自主匹配确定钢包点云三维模型中的mesh单元。
点云mesh算法的过程可以包括:依次对钢包点云三维模型中的点云进行下采样、去离群点、平滑操作、计算法线,最后生成Mesh单元。
其中,平滑操作也是滤波的一种,让点云看起来稍微光滑一些。平滑操作可以是重采样,实质上是移动最小二乘(MLS)。
其中,计算法线可以是使用近似值直接从点云中推断法线。
其中,生成Mesh单元可以利用贪心三角化算法得到Mesh单元,具体的过程可以为:先将点云根据法向量投影到某个二维平面上(为某一个样本三角面片);对该平面内的投影后的点云做三角化(基于Delaunay三角剖分)得到投影后的点的拓扑连接关系,基于该拓扑连接关系可以得到Mesh单元。
泊松重建算法是一项结合了全局与局部匹配优点的重建方案。前者大多需要定义径向基函数(RBF),且和所有样本点都会产生联系,需要求解全局非稀疏矩阵,开销很大。后者需要更多经验性的局部近似处理方式,且由于缺乏全局信息,容易产生低频误差。泊松重建算法的核心思想是通过将物体表面的离散样本点信息转化到连续表面函数上,从而构造出watertight的隐式表面。
基于上述点云mesh算法和泊松表面重建算法的特点,可以更加准确地自主匹配确定钢包点云三维模型中的mesh单元,以实现钢包表面重建。
为了实现钢包着色,在基于点云mesh算法和泊松表面重建算法,自主匹配确定钢包点云三维模型中的mesh单元之后,方法还包括:
通过激光点云数据和图像数据的融合,对mesh单元附着对应的颜色。
具体地,可以根据激光点云数据和图像数据融合的特点,以及用户的预先设置,对mesh单元附着对应的颜色,颜色可以包括黄色、红色、绿色、蓝色等。mesh单元附着不同的颜色,可以方便用户更加直观、更加清晰地查看钢包。
综上所述,该方法通过三维稠密重建得到钢包点云三维模型,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量,可以分析钢包内衬是否存在缺陷,能够又快又准地钢包进行检测,进而消除安全隐患。
图2示出了本申请实施例提供的钢包检测装置的结构示意图。如图2所示,该钢包检测装置,包括:
数据获取模块201,用于获取钢包整体的激光点云数据和图像数据;
三维稠密重建模块202,用于基于激光点云数据和图像数据,进行三维稠密重建,得到钢包点云三维模型;
钢包号识别模块203,用于对图像数据进行OCR检测,识别出钢包的钢包号;
钢包侵蚀量分析与测量模块204,用于基于钢包号,将钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对钢包的侵蚀量的分析与测量。
在一个实施例中,数据获取模块201,用于:通过搭载在实时变换位置的机械臂上的数据采集探头,对钢包进行激光点云数据采集以及图像数据采集,以获取钢包整体的激光点云数据和图像数据。
在一个实施例中,三维稠密重建模块202,用于:
将激光点云数据和图像数据进行融合,提取每帧激光点云数据中的特征点;
基于特征点和特征点配准算法,进行激光点云数据的融合,得到钢包点云三维模型。
在一个实施例中,钢包号识别模块203,用于:
利用神经网络对图像数据进行OCR检测,识别出钢包的钢包号。
在一个实施例中,装置还包括:
自主匹配模块,用于基于点云mesh算法和泊松表面重建算法,自主匹配确定钢包点云三维模型中的mesh单元。
在一个实施例中,装置还包括:
颜色附着模块,用于通过激光点云数据和图像数据的融合,对mesh单元附着对应的颜色。
图2所示装置中的各个模块/单元具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
图3示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在电子设备的内部或外部。在特定实施例中,存储器302可以是非易失性固态存储器。
在一个实施例中,存储器302可以是只读存储器(Read Only Memory,ROM)。在一个实施例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种钢包检测方法。
在一个示例中,电子设备还可包括通信接口303和总线310。其中,如图3所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的钢包检测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种钢包检测方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,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,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种钢包检测方法,其特征在于,包括:
获取钢包整体的激光点云数据和图像数据;
基于所述激光点云数据和所述图像数据,进行三维稠密重建,得到钢包点云三维模型;
对所述图像数据进行OCR检测,识别出所述钢包的钢包号;
基于所述钢包号,将所述钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对所述钢包的侵蚀量的分析与测量。
2.根据权利要求1所述的钢包检测方法,其特征在于,所述获取钢包整体的激光点云数据和图像数据,包括:
通过搭载在实时变换位置的机械臂上的数据采集探头,对钢包进行激光点云数据采集以及图像数据采集,以获取所述钢包整体的所述激光点云数据和所述图像数据。
3.根据权利要求1所述的钢包检测方法,其特征在于,基于所述激光点云数据和所述图像数据,进行三维稠密重建,得到钢包点云三维模型,包括:
将所述激光点云数据和所述图像数据进行融合,提取每帧所述激光点云数据中的特征点;
基于所述特征点和特征点配准算法,进行所述激光点云数据的融合,得到所述钢包点云三维模型。
4.根据权利要求1所述的钢包检测方法,其特征在于,所述对所述图像数据进行OCR检测,识别出所述钢包的钢包号,包括:
利用神经网络对所述图像数据进行OCR检测,识别出所述钢包的钢包号。
5.根据权利要求1所述的钢包检测方法,其特征在于,在所述基于所述钢包号,将所述钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对所述钢包的侵蚀量的分析与测量之后,所述方法还包括:
基于点云mesh算法和泊松表面重建算法,自主匹配确定所述钢包点云三维模型中的mesh单元。
6.根据权利要求5所述的钢包检测方法,其特征在于,在所述基于点云mesh算法和泊松表面重建算法,自主匹配确定所述钢包点云三维模型中的mesh单元之后,所述方法还包括:
通过所述激光点云数据和所述图像数据的融合,对所述mesh单元附着对应的颜色。
7.一种钢包检测装置,其特征在于,包括:
数据获取模块,用于获取钢包整体的激光点云数据和图像数据;
三维稠密重建模块,用于基于所述激光点云数据和所述图像数据,进行三维稠密重建,得到钢包点云三维模型;
钢包号识别模块,用于对所述图像数据进行OCR检测,识别出所述钢包的钢包号;
钢包侵蚀量分析与测量模块,用于基于所述钢包号,将所述钢包点云三维模型与预设的原始钢包点云模型进行匹配,以实现对所述钢包的侵蚀量的分析与测量。
8.根据权利要求7所述的钢包检测装置,其特征在于,所述数据获取模块,用于:
通过搭载在实时变换位置的机械臂上的数据采集探头,对钢包进行激光点云数据采集以及图像数据采集,以获取所述钢包整体的所述激光点云数据和所述图像数据。
9.一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的钢包检测方法。
10.一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指令,所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的钢包检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652020.1A CN115147541A (zh) | 2022-06-09 | 2022-06-09 | 钢包检测方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652020.1A CN115147541A (zh) | 2022-06-09 | 2022-06-09 | 钢包检测方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147541A true CN115147541A (zh) | 2022-10-04 |
Family
ID=83407410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210652020.1A Pending CN115147541A (zh) | 2022-06-09 | 2022-06-09 | 钢包检测方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116274893A (zh) * | 2023-02-24 | 2023-06-23 | 北京瓦特曼智能科技有限公司 | 检测钢包内衬侵蚀量的方法、处理器、装置及存储介质 |
-
2022
- 2022-06-09 CN CN202210652020.1A patent/CN115147541A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116274893A (zh) * | 2023-02-24 | 2023-06-23 | 北京瓦特曼智能科技有限公司 | 检测钢包内衬侵蚀量的方法、处理器、装置及存储介质 |
CN116274893B (zh) * | 2023-02-24 | 2024-02-06 | 北京瓦特曼智能科技有限公司 | 检测钢包内衬侵蚀量的方法、处理器、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256446B (zh) | 用于确定道路中的车道线的方法、装置和设备 | |
CN113409382B (zh) | 车辆损伤区域的测量方法和装置 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN109740609B (zh) | 一种轨距检测方法及装置 | |
CN115147541A (zh) | 钢包检测方法、装置、电子设备及计算机可读存储介质 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN114612616A (zh) | 建图方法、装置、电子设备和存储介质 | |
CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN117058063A (zh) | 电池缺陷检测方法、装置和电子设备 | |
CN111340042B (zh) | 物体轮廓识别方法、装置、设备及存储介质 | |
CN112233161B (zh) | 手部图像深度确定方法、装置、电子设备及存储介质 | |
CN103544495A (zh) | 一种识别图像类别的方法及系统 | |
US20080181469A1 (en) | Method of extracting ridge line and valley line from three-dimensional point data | |
CN115861659A (zh) | 对象匹配方法、装置、设备及计算机存储介质 | |
CN111640096B (zh) | 电子产品外观的检测方法、装置及终端 | |
CN115063740A (zh) | 安全监测方法、装置、设备及计算机可读存储介质 | |
CN113747146A (zh) | 测试图卡检测方法、装置、设备及存储介质 | |
CN115115631B (zh) | 轮毂缺陷检测方法、装置、设备及计算机可读介质 | |
CN117789183A (zh) | 仪表识别方法、装置、设备、存储介质及程序产品 | |
CN115965688B (zh) | 一种定位方法、装置、电子设备及存储介质 | |
CN116958152B (zh) | 一种零件尺寸测量方法、装置、设备及介质 | |
CN117274642B (zh) | 一种网络图像数据采集分析方法及系统 | |
JPH1075218A (ja) | データ群の特性境界識別方法及び装置 | |
CN117522785A (zh) | 可见光与短波红外复合探测图像差异点方法及系统 | |
CN117253131A (zh) | 人脸图像的质量评价方法、装置、设备、介质及产品 |
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 |