CN115578407A - 棋盘格角点检测方法及装置 - Google Patents

Abstract

本发明提供了一种棋盘格角点检测方法及装置，包括：获取棋盘格标定板的X光图像，并进行标注；然后输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标。本发明在检测比较模糊的棋盘格图像时误差较小，从而提高了检测精度；同时本发明具有减少计算量、计算精度高的优势。

Description

棋盘格角点检测方法及装置

技术领域

本发明涉及医学机器视觉技术领域，尤其涉及一种棋盘格角点检测方法及装置。

背景技术

标定板作为机器视觉中常用的特征物，可用于校正镜头畸变，确定物理尺寸和像素间的换算关系，以及确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，需要建立相机成像的几何模型。通过相机拍摄带有固定间距图案阵列平板、经过标定算法的计算，可以得出相机的几何模型，从而得到高精度的测量和重建结果。而带有固定间距图案阵列的平板就是标定板。其中，棋盘格标定板是常用的标定模板之一，在棋盘格标定板中棋盘格角点有很明显的特征，黑白交叉，常用的方案是棋盘格角点检测算法。

然而，现有的棋盘格角点检测方法：如OpenCV棋盘格角点检测方法、及基于生长的棋盘格角点检测方法等，均对棋盘格图像的清晰度要求较高；即现有技术提供的方法在检测比较模糊的棋盘格图像时效果较差，会频繁出现漏检和误判的情况，从而无法得到精确的角点位置坐标。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种棋盘格角点检测方法及装置。

第一方面，本发明实施例提供一种棋盘格角点检测方法，包括：

获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注；

将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系；

基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系；

根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

进一步地，所述获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注，具体包括：

获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像采用矩形框对X光图像中的棋盘格角点进行标注；其中，将所述棋盘格角点作为所述矩形框的中心。

进一步地，所述神经网络检测模型为目标检测YOLO_v3深度网络模型；其中，目标检测YOLO_v3深度网络的尺度包括108×108和52×52两个尺度。

进一步地，所述根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标，具体包括：

将与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标的和作为棋盘格角点坐标。

进一步地，还包括：

对标注后的所述棋盘格标定板的X光图像做旋转和添加噪声处理。

进一步地，所述基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标，具体包括：

基于所述棋盘格角点所在区域的图像进行矩形拟合，采用直线检测LSD算法确定在棋盘格角点所在区域的图像中所述棋盘格角点所在位置，并根据所述棋盘格角点所在位置确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标。

第二方面，本发明实施例提供了一种棋盘格角点检测装置，包括：

获取模块，用于获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注；

神经网络模块，用于将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系；

直线检测模块，用于基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系；

确定模块，用于根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的棋盘格角点检测方法的步骤。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的棋盘格角点检测方法的步骤。

由上述技术方案可知，本发明实施例提供的棋盘格角点检测方法及装置，通过获取棋盘格标定板的X光图像，并进行标注；然后输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标。本发明在检测比较模糊的棋盘格图像时误差较小，从而提高了检测精度；同时本发明具有减少计算量、计算精度高的优势。

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他的附图。

图1为本发明一实施例提供的棋盘格角点检测方法的流程示意图；

图2为本发明另一实施例提供的棋盘格角点检测方法的流程示意图；

图3为本发明一实施例提供的棋盘格角点误判的示意图；

图4为本发明一实施例提供的棋盘格角点所在区域的示意图；

图5为本发明一实施例提供的部分分割出的区域的示意图；

图6为本发明一实施例提供的棋盘格角点检测装置的结构示意图；

图7为本发明一实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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。下面将通过具体的实施例对本发明提供的棋盘格角点检测方法进行详细解释和说明。

图1为本发明一实施例提供的棋盘格角点检测方法的流程示意图；如图1所示，该方法包括：

步骤101：获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注。

步骤102：将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

步骤103：基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系。

步骤104：根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

在本实施例中，需要说明的是，导致棋盘格图像模糊、质量不佳的因素有许多，如X光机型号和X光光源等因素，然而传统检测方法鲁棒性不强，则在处理在不同角度放置、不同噪声影响下的棋盘格图像时效果较差，从而无法从图像质量较差的棋盘格图像中，获取到精确的棋盘格角点位置坐标，进而使得相机标定效果较差，获取的相机参数不够精准。

在本实施例中，需要说明的是，棋盘格标定板的X光图像，以下简称棋盘格的X光图像，或棋盘格图像(图2)。

在本实施例中，可以理解的是，本发明实施例提供的棋盘格角点检测方法主要包括两大部分，即深度目标检测部分(将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测)，和直线检测部分(采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标)。

针对直线检测部分，举例来说，采用直线检测LSD算法，步骤如下：

1)将输入的图像降采样处理，缩小为原来大小的80％，这样做的目的是为了降低模糊图像中的直线不连续性。

2)求取图像的梯度大小和梯度方向图，并对梯度大小进行伪排序。

3)以伪排序区间中梯度最大的点作为支撑区的中心进行区域生长，一般地，如果将所有像素点都进行区域增长，不仅计算量会加大，梯度值小的像素点还会造成较大的误差。然而，棋盘格在灰度分布上具有一定的规律性，不需要对所有像素点都进行区域增长。因此只需要根据边缘信息计算出直线与图像X轴大致的角度范围R1～R2，由此生成两条边界线，在这两条边界线内做直线支撑区的生成。再以新的角度△R为基准进行搜索，将已经被加入直线候选区的像素点从像素集中剔除，按顺序重新挑选种子(区域梯度最大值作为种子)像素，开始下一次区域增长。当没有新的像素点添加到直线支撑区域内时，停止生长。这种方法将会大幅减少计算量。

4)然后对生成的区域进行矩形拟合，每一个矩形区域对应一条直线。由于LSD算法在检测相交直线时，直线在交点处被截断,而截断处交点即为角点所在位置，所以可利用该特性获取角点坐标。

在本实施例中，需要说明的是，由于步骤102、已经基于神经网络检测模型确定了所述棋盘格角点所在区域的图像，因此，直接利用获取到的棋盘格角点所在区域，采用直线检测算法获取到角点的位置信息(即在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标)，有利于减少计算量，从而能够在较短时间内获取亚像素级的结果；同时，由于LSD具有鲁棒性强的优势，能够提升计算精度。

使用本发明实施例提供的棋盘格角点检测方法与MATLAB中的角点检测方法作对比：

分别使用本发明实施例提供的棋盘格角点检测方法和MATLAB角点检测方法，对同一相机拍摄出的20张9×6棋盘格图像进行检测。使用检测到的角点坐标进行标定，最终得出以下参数：

MATLAB检测算法：

平均重投影误差：1.194，

内参矩阵：

改进后的检测算法：

平均重投影误差：0.238，

内参矩阵：

从本发明实施例提供的棋盘格角点检测方法和MATLAB角点检测方法的对比中可以看出，相机内参相差控制在0.1％以内，平均重投影误相差在1个像素以内，说明本发明实施例提供的棋盘格角点检测方法的定位能力与MATLAB算法相近，可以用于实际需求，但误差较小，具有明显优势。

由上面技术方案可知，本发明实施例提供的棋盘格角点检测方法，通过获取棋盘格标定板的X光图像，并进行标注；然后输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标。本发明在检测比较模糊的棋盘格图像时误差较小，从而提高了检测精度；同时本发明具有减少计算量、计算精度高的优势。

在上述实施例的基础上，在本实施例中，所述获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注，具体包括：

获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像采用矩形框对X光图像中的棋盘格角点进行标注；其中，将所述棋盘格角点作为所述矩形框的中心。

为了提高检测精度，在本实施例中，对棋盘格角点进行精准标注，即获取棋盘格的X光图像，并基于所述棋盘格的X光图像采用矩形框对棋盘格角点进行标注，将角点作为矩形框的中心。优选的，矩形框的大小在30×30至40×40之间。因为棋盘格放置的角度都不尽相同，优选对标注过数据集做数据增强，主要是对图像做旋转和添加噪声(即对标注后的棋盘格标定板的X光图像做旋转和添加噪声处理)。

由上面技术方案可知，本发明实施例提供的棋盘格角点检测方法，通过采用矩形框对X光图像中的棋盘格角点进行标注，提高精准标注，有利于减小误差，从而提高检测精度。

在上述实施例的基础上，在本实施例中，所述神经网络检测模型为目标检测YOLO_v3深度网络模型；其中，目标检测YOLO_v3深度网络的尺度包括108×108和52×52两个尺度。

在本实施例中，参见图2，利用改进的神经网络检测模型确定棋盘格角点所在区域和与所述棋盘格角点所在区域对应的坐标信息，有利于减少漏检和误判的情况，更适用于检测比较模糊的棋盘格图像。

在本实施例中，需要说明的是，使用改进后的YOLO_v3深度学习网络对数据集进行训练，并对模型进行测试，在棋盘格原图(即所述棋盘格的X光图像)中分割出检测到的角点所在区域留作直线检测用。其中，对YOLO_v3的改进如下：

YOLO_v3将预测分为13×13、26×26、52×52的3个尺度，这3种尺度分别输出3种不同尺度的特征图到检测层中，其中低层特征图感受野较小，负责检测小目标。棋盘格角点的检测可以归为小目标检测。由于YOLO_v3网络中的中、小尺度的预测输出尺度为26×26和13×13的特征图，数据集中的图像尺寸都是1024×1024的，当图像被下采样至26×26或13×13时，图像中尺寸小于40×40或78×78的目标被压缩至小于一个像素。而此方法需要获取检测到的目标区域的大小小于40×40，因为过大的目标区域可能会导致角点的误判(如图3所示的角点误判区域)。

因此为了提高检测的精度，同时减少计算量，故删除原网络中尺度为13×13和26×26的预测层。因此，改进后的YOLO_v3网络的尺度分别为108×108和52×52的两个预测层。改进后的YOLO_v3算法仅需预测两个尺度，可以更快、更精确地检测出图像中存在角点的大致区域。

进一步地，输出感兴趣的区域ROI(region of interest)(即角点所在区域)，包括ROI的坐标信息(即与所述棋盘格角点所在区域对应的第一坐标)，并在原图中进行分割，留作直线检测用。图4为检测出的角点大致所在区域(即棋盘格角点所在区域)，图5为部分分割出的区域。

由上面技术方案可知，本发明实施例提供的棋盘格角点检测方法，在检测比较模糊的棋盘格图像时误差较小，提高了检测精度，减小了计算量。

在上述实施例的基础上，在本实施例中，所述根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标，具体包括：

将与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标的和作为棋盘格角点坐标。

由上面技术方案可知，本发明实施例提供的棋盘格角点检测方法，基于坐标转换的思想，通过将与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标的和作为棋盘格角点坐标信息，使得最终确定的所述棋盘格角点坐标更为精准。

在上述实施例的基础上，在本实施例中，还包括：

对标注后的所述棋盘格标定板的X光图像做旋转和添加噪声处理。

由上面技术方案可知，本发明实施例提供的棋盘格角点检测方法，通过对标注后的所述棋盘格标定板的X光图像做旋转和添加噪声处理，有利于减少检测结果的误差。

在上述实施例的基础上，在本实施例中，所述基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标，具体包括：

基于所述棋盘格角点所在区域的图像进行矩形拟合，采用直线检测LSD算法确定在棋盘格角点所在区域的图像中所述棋盘格角点所在位置，并根据所述棋盘格角点所在位置确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标。

由于LSD算法具有鲁棒性较强的优势，因此本发明实施例提供的棋盘格角点检测方法，能够在较短时间内获取亚像素级的结果。

图6为本发明一实施例提供的棋盘格角点检测装置的结构示意图，如图6所示，该装置包括：获取模块201、神经网络模块202、直线检测模块203和确定模块204，其中：

其中，获取模块201，用于获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注；

神经网络模块202，用于将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系；

直线检测模块203，用于基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系；

确定模块204，用于根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

本发明实施例提供的棋盘格角点检测装置具体可以用于执行上述实施例的棋盘格角点检测方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。

基于相同的发明构思，本发明实施例提供一种电子设备，参见图7，电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；

其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注；将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系；基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系；根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注；将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系；基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系；根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

此外，在本发明中，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“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种棋盘格角点检测方法，其特征在于，包括：

获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注；

将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系；

基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系；

根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

2.根据权利要求1所述的棋盘格角点检测方法，其特征在于，所述获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注，具体包括：

获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像采用矩形框对X光图像中的棋盘格角点进行标注；其中，将所述棋盘格角点作为所述矩形框的中心。

3.根据权利要求1所述的棋盘格角点检测方法，其特征在于，所述神经网络检测模型为目标检测YOLO_v3深度网络模型；其中，目标检测YOLO_v3深度网络的尺度包括108×108和52×52两个尺度。

4.根据权利要求1所述的棋盘格角点检测方法，其特征在于，所述根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标，具体包括：

将与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标的和作为棋盘格角点坐标。

5.根据权利要求1所述的棋盘格角点检测方法，其特征在于，还包括：

对标注后的所述棋盘格标定板的X光图像做旋转和添加噪声处理。

6.根据权利要求1所述的棋盘格角点检测方法，其特征在于，所述基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标，具体包括：

基于所述棋盘格角点所在区域的图像进行矩形拟合，采用直线检测LSD算法确定在棋盘格角点所在区域的图像中所述棋盘格角点所在位置，并根据所述棋盘格角点所在位置确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标。

7.一种棋盘格角点检测装置，其特征在于，包括：

获取模块，用于获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像对X光图像中的棋盘格角点进行标注；

神经网络模块，用于将标注后的所述棋盘格标定板的X光图像输入至神经网络检测模型进行检测，确定棋盘格角点所在区域的图像和与所述棋盘格角点所在区域对应的第一坐标；其中，与所述第一坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系；

直线检测模块，用于基于所述棋盘格角点所在区域的图像，采用直线检测算法确定在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标；其中，与所述第二坐标对应的坐标系是基于棋盘格角点所在区域的图像所建立的坐标系；

确定模块，用于根据与所述棋盘格角点所在区域对应的第一坐标和在棋盘格角点所在区域的图像中所述棋盘格角点的第二坐标确定棋盘格角点坐标；其中，与所述棋盘格角点坐标对应的坐标系是基于棋盘格标定板的X光图像所建立的坐标系。

8.根据权利要求7所述的棋盘格角点检测装置，其特征在于，所述获取模块，具体用于：

获取棋盘格标定板的X光图像，并基于所述棋盘格标定板的X光图像采用矩形框对X光图像中的棋盘格角点进行标注；其中，将所述棋盘格角点作为所述矩形框的中心。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6任一项所述的棋盘格角点检测方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1～6任一项所述的棋盘格角点检测方法。

Images