CN115953593A - 工业零件的轮廓识别方法、装置、设备和计算机存储介质 - Google Patents
工业零件的轮廓识别方法、装置、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN115953593A CN115953593A CN202310033713.7A CN202310033713A CN115953593A CN 115953593 A CN115953593 A CN 115953593A CN 202310033713 A CN202310033713 A CN 202310033713A CN 115953593 A CN115953593 A CN 115953593A
- Authority
- CN
- China
- Prior art keywords
- contour
- center
- industrial part
- acquiring
- parameters
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000001788 irregular Effects 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了工业零件的轮廓识别方法、装置、设备和计算机存储介质，该工业零件的轮廓识别方法包括：S1：获取工业零件的图像；S2：获取所述图像中工业零件的初始轮廓，所述初始轮廓为不规则多边形；S3：获取轮廓识别模型，且所述轮廓识别模型为HRnet深度学习网络；S4：将所述初始轮廓输入所述轮廓识别模型，得到多个关键点和参考点的参数，所述关键点为所述初始轮廓的多个顶点，所述参考点为所述初始轮廓的中心；S5：利用多个所述关键点和所述参考点的参数构建所述工业零件的轮廓，相对于现有的利用外接矩形识别轮廓的方法而言，具有准确性高的优点。
Description
技术领域
本发明涉及图像识别技术领域，特别是涉及工业零件的轮廓识别方法、装置、设备和计算机存储介质。
背景技术
工业零件在生产的过程中，往往通过工业零件的轮廓对工业零件的外观进行检测，目前，识别工业零件的轮廓时，往往首先识别工业零件的最小外接矩形，然后在最小外接矩形内识别工业零件的轮廓，但是，由于大部分工业零件的轮廓为不规则形状的，其使在工业零件的最小外接矩形内识别工业零件的轮廓较为困难，而且极易出现偏差。
发明内容
基于此，本发明的目的在于，提供工业零件的轮廓识别方法、装置、设备和计算机存储介质，其具有识别准确性高的优点。
本发明所采用的技术方案内容具体如下：
一种工业零件的轮廓识别方法，包括：
S1：获取工业零件的图像；
S2：获取所述图像中工业零件的初始轮廓，所述初始轮廓为不规则多边形；
S3：获取轮廓识别模型，且所述轮廓识别模型为HRnet深度学习网络；
S4：将所述初始轮廓输入所述轮廓识别模型，得到多个关键点和参考点的参数，所述关键点为所述初始轮廓的多个顶点，所述参考点为所述初始轮廓的中心；
S5：利用多个所述关键点和所述参考点的参数获取所述工业零件的轮廓。
进一步地，步骤S2为：对所述图像中所述工业零件的外缘采用不规则多边形表示，得到所述初始轮廓。
进一步地，所述参数包括每个顶点的坐标和角度，所述角度为以所述中心为圆心、以经过所述圆心的水平线为X轴时，所述顶点与所述圆心的连线与X轴之间的夹角的大小。
进一步地，步骤S5包括：
S51：利用所述中心的参数确定中心的位置，并以所述中心为圆心建立水平坐标系；
S52：利用每个所述顶点的参数确定每个所述顶点在所述水平坐标系中的位置；
S53：将多个所述顶点首尾连接得到所述轮廓。
进一步地，所述关键点的数量为10-20个。
本发明还提供了一种工业零件的轮廓识别装置，包括：
第一获取模块，用于获取工业零件的图像；
第二获取模块，用于获取所述图像中工业零件的初始轮廓，所述初始轮廓为不规则多边形；
第三获取模块，用于获取轮廓识别模型，且所述轮廓识别模型为HRnet深度学习网络；
参数获取模块，将所述初始轮廓输入所述轮廓识别模型，得到多个关键点和参考点的参数，所述关键点为所述初始轮廓的多个顶点，所述参考点为所述初始轮廓的中心；
轮廓获取模块，用于利用多个所述关键点和所述参考点的参数获取所述工业零件的轮廓。
进一步地，所述参数包括每个顶点的坐标和角度，所述角度为以所述中心为圆心、以经过所述圆心的水平线为X轴时，所述顶点与所述圆心的连线与X轴之间的夹角的大小。
进一步地，所述轮廓获取模块包括建立单元、确定单元和获取单元，所述建立单元用于利用所述中心的参数确定中心的位置，并以所述中心为圆心建立水平坐标系；所述确定单元用于利用每个所述顶点的参数确定每个所述顶点在所述水平坐标系中的位置；所述获取单元用于将多个所述顶点首尾连接得到所述轮廓。
本发明还提供了一种工业零件的轮廓识别设备，包括：
处理器；
存储器，用于存储由所述处理器执行的计算机程序；
其中，所述处理器执行所述计算机程序时实现本发明所述的工业零件的轮廓识别方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现本发明所述的工业零件的轮廓识别方法。
与现有技术相比，本发明的有益效果在于：
本发明公开的工业零件的轮廓识别方法，其初始轮廓为不规则多边形，相对于外接四边形而言，更为接近工业零件的轮廓的真实值；而且，将初始轮廓输入所述轮廓识别模型中，可以得到所述初始轮廓的多个顶点和中心的参数，其可以提高所述初始轮廓的多个顶点和中心的参数的准确性，进而提高了所述轮廓的准确性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一实施例中工业零件的轮廓识别的流程图；
图2为本发明一实施例中工业零件的轮廓识别装置的结构示意图；
1、第一获取模块；2、第二获取模块；3、第三获取模块；4、参数获取模块；5、轮廓获取模块；51、建立单元；52、确定单元；53、获取单元。
具体实施方式
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求来限制。
工业零件在生产的过程中，往往通过工业零件的轮廓对工业零件的外观进行检测，目前，识别工业零件的轮廓时，往往首先识别工业零件的最小外接矩形，然后在最小外接矩形内识别工业零件的轮廓，但是，由于大部分工业零件的轮廓为不规则形状的，其使在工业零件的最小外接矩形内识别工业零件的轮廓较为困难，而且极易出现偏差。
基于此，参照图1，本实施例提供了一种工业零件的轮廓识别方法，包括：
S1：获取工业零件的图像。
在本实施例中，采用图像采集设备采集工业零件的图像，所述图像采集设备包括放置平台和设置在所述放置平台正上方的图像采集器，当需要获取所述工业零件的图像时，首先，将所述工业零件放置所述放置平台上，然后，待所述工业零件稳定后利用所述图像采集器采集所述工业零件的正视图，其可以确保所述图像采集器采集的所述图像具有较高准确性，进而提高所述工业零件的轮廓识别的准确性。
由于所述工业零件的轮廓与所述照片的大小存在一定的比例差值，因此，为了使所述图像更接近于所述工业零件的轮廓的实际大小，本实施例中，需要对所述图片进行等比例缩放，以得到更为准确的所述图像。而且，为了准确确定所述工业零件的实际尺寸大小与图像中大小之间的比例，在本实施例中，所述放置平台上放置有一参照物，该参照物的实际大小与其在所述图像中的比值即为所述工业零件与其在所述图像中大小的比值，具体选择是，所述参照物可以为圆形结构或三角形结构，数量可以设置为一个或多个，具体设置结构和设置数量可以根据实际需要进行选择，本实施例在此不做限定。
S2：获取所述图像中工业零件的初始轮廓，所述初始轮廓为不规则多边形。
在本实施例中，对所述图像中的工业零件的外缘采用不规则多边形表示，得到所述初始轮廓，相对于工业零件轮廓的外接四边形而言，不规则多边形可以更接近于所述工业零件的外缘，进一步提高所述工业零件轮廓识别的准确性。
具体地，首先确定所述工业零件的多个拐点为关键点，然后，在任意相邻两个所述拐点之间根据外缘的走向确定至少一个关键点，最后将全部的关键点首尾相接连接起来，得到所述初始轮廓。
而且，为了提高所述工业零件的轮廓识别的准确定，本实施例将利用多个所述关键点确定所述初始轮廓的中心，以便于对所述初始轮廓进行准确定位。
S3：获取轮廓识别模型，且所述轮廓识别模型为HRnet深度学习网络。
HRnet深度学习网络是一种高分辨率网络，它能够在整个过程中维护高分辨率的表示，其从高分辨率子网作为第一阶段始，逐步增加高分辨率到低分辨率的子网(gradually add high-to-low resolution subnetworks)，形成更多的阶段，并将多分辨率子网并行连接，因此，HRnet深度学习网络在整个过程中，通过在并行的多分辨率子网络上反复交换信息来进行多尺度的重复融合，使得每一个高分辨率到低分辨率的表征都从其他并行表示中反复接收信息，从而得到丰富的高分辨率表征，因此，本实施例通过将HRnet深度学习网络作为轮廓识别模型可以得到更为准确的信息。
S4：将所述初始轮廓输入所述轮廓识别模型，得到多个关键点的和参考点的参数，所述关键点为所述初始轮廓的多个顶点，所述参考点为所述初始轮廓的中心。
在本实施例中，所述关键点的参数包括每个顶点的坐标和角度，所述角度为以所述中心为圆心、以经过所述圆心的水平线为X轴时，所述顶点与所述圆心的连线与X轴之间的夹角的大小；所述参考点的参数为所述中心的坐标。
在本实施例中，为了进一步提高所述轮廓识别模型可以输出更为准确的参数，首先利用多个关键点和参考点对所述轮廓识别模型进行调优，调优时，首先，将所述初始轮廓输入所述轮廓识别模型，然后，所述轮廓识别模型输出多个所述关键点的坐标和角度；然后，利用所述轮廓识别模型输出多个所述关键点的坐标和角度对所述轮廓识别模型的权重进行调优，重复上述步骤，直到所述轮廓识别模型前后两次输出的多个所述关键点的坐标和角度的差值小于阈值，即可得到调优后的所述轮廓识别模型；最后，将所述初始轮廓输入调优后的所述轮廓识别模型即可得到更为准确的多个所述关键点的坐标和角度等参数。
在本实施例中，所述关键点的数量可以根据实际需要进行设置，但是，如果所述关键点的数量过多，容易导致所述轮廓识别模型的计算速度下降，影响所述工业零件的轮廓识别效率，因此，所述关键点的数量为10-20个，其不仅可以使不规则多边形结构的所述初始轮廓更接近于所述工业零件的外缘，而且，还就可以将所述轮廓识别模型的计算速度保持在相对较高的速度上，以提高所述工业零件的轮廓识别效率。
S5：利用多个所述关键点和所述参考点的参数获取所述工业零件的轮廓。
在本实施例中，所述关键点为所述初始轮廓的全部顶点，首先利用所述中心的参数确定中心的位置，并以所述中心为圆心建立水平坐标系；其次，利用每个所述顶点的参数确定每个所述顶点在所述水平坐标系中的位置；最后，将多个所述顶点首尾连接得到所述轮廓。
具体地，首先利用所述中心的坐标确定该中心在水平坐标系中的位置，并以该中心为圆心建立水平直角坐标系，然后利用每个顶点的坐标确定每个顶点在所述直角坐标系中的位置，最后，将多个顶点按照顺时针或逆时针的方向依次首尾连接，即可得到所述轮廓。
本发明公开的工业零件的轮廓识别方法，其首先利用不规则多边形对所述工业零件的除湿轮廓进行表示，相对于工业零件轮廓的外接四边形而言，不规则多边形可以更接近于所述工业零件的外缘，进一步提高所述工业零件轮廓识别的准确性；而且，本发明中的轮廓识别模型为HRnet深度学习网络，其在整个过程中，通过在并行的多分辨率子网络上反复交换信息来进行多尺度的重复融合，使得每一个高分辨率到低分辨率的表征都从其他并行表示中反复接收信息，从而得到丰富的高分辨率表征，可以提高多个所述关键点和所述参考点参数的准确性，进而提高所述工业零件的轮廓识别的准确性。
基于本实施例提供的工业零件的轮廓识别方法，参照图2，本发明还提供了一种工业零件的轮廓识别装置，包括：
第一获取模块1，用于获取工业零件的图像。
在本实施例中，采用图像采集设备采集工业零件的图像，所述图像采集设备包括放置平台和设置在所述放置平台正上方的图像采集器，当需要获取所述工业零件的图像时，首先，将所述工业零件放置所述放置平台上，然后，待所述工业零件稳定后利用所述图像采集器采集所述工业零件的正视图，其可以确保所述图像采集器采集的所述图像具有较高准确性，进而提高所述工业零件的轮廓识别的准确性。
由于所述工业零件的轮廓与所述照片的大小存在一定的比例差值，因此，为了使所述图像更接近于所述工业零件的轮廓的实际大小，本实施例中，需要对所述图片进行等比例缩放，以得到更为准确的所述图像。而且，为了准确确定所述工业零件的实际尺寸大小与图像中大小之间的比例，在本实施例中，所述放置平台上放置有一参照物，该参照物的实际大小与其在所述图像中的比值即为所述工业零件与其在所述图像中大小的比值，具体选择是，所述参照物可以为圆形结构或三角形结构，数量可以设置为一个或多个，具体设置结构和设置数量可以根据实际需要进行选择，本实施例在此不做限定。
第二获取模块2，用于获取所述图像中工业零件的初始轮廓，所述初始轮廓为不规则多边形，相对于工业零件轮廓的外接四边形而言，不规则多边形可以更接近于所述工业零件的外缘，进一步提高所述工业零件轮廓识别的准确性。具体地，所述第二获取模块2首先确定所述工业零件的多个拐点为关键点，然后，在任意相邻两个所述拐点之间根据外缘的走向确定至少一个关键点，最后将全部的关键点首尾相接连接起来，得到所述初始轮廓。
第三获取模块3，用于获取轮廓识别模型，且所述轮廓识别模型为HRnet深度学习网络，这是由于HRnet深度学习网络在整个过程中，通过在并行的多分辨率子网络上反复交换信息来进行多尺度的重复融合，使得每一个高分辨率到低分辨率的表征都从其他并行表示中反复接收信息，从而得到丰富的高分辨率表征，可以提高多个所述关键点和所述参考点参数的准确性，进而提高所述工业零件的轮廓识别的准确性。
参数获取模块4，将所述初始轮廓输入所述轮廓识别模型，得到多个关键点和参考点的参数，所述关键点为所述初始轮廓的多个顶点，所述参考点为所述初始轮廓的中心。
在本实施例中，所述关键点的参数包括每个顶点的坐标和角度，所述角度为以所述中心为圆心、以经过所述圆心的水平线为X轴时，所述顶点与所述圆心的连线与X轴之间的夹角的大小；所述参考点的参数包括所述中心的坐标。
轮廓获取模块5，用于利用多个所述关键点和所述参考点的参数获取所述工业零件的轮廓。
在本实施例中，所述轮廓获取模块5包括建立单元51、确定单元52和获取单元53，所述建立单元51用于利用所述中心的参数确定中心的位置，并以所述中心为圆心建立水平坐标系；所述确定单元52用于利用每个所述顶点的参数确定每个所述顶点在所述水平坐标系中的位置；所述获取单元53用于将多个所述顶点首尾连接得到所述轮廓。
具体地，首先，所述建立单元51利用所述中心的坐标确定该中心在水平坐标系中的位置，并以该中心为圆心建立水平直角坐标系；然后，所述确定单元52利用每个顶点的坐标确定每个顶点在所述直角坐标系中的位置；最后，所述获取单元53将多个顶点按照顺时针或逆时针的方向依次首尾连接，即可得到所述轮廓。
基于本实施例提供的终端重复数据的确定方法，本实施例还提供了工业零件的轮廓识别设备，所述终端重复数据的确定设备可以是服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备，其包括：
处理器；
存储器，用于存储由所述处理器执行的计算机程序；
其中，所述处理器执行所述计算机程序时实现本实施例所述的工业零件的轮廓识别方法。
基于本实施例提供的工业零件的轮廓识别方法，本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现本实施例所述的工业零件的轮廓识别方法。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上所述实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，则本发明也意图包含这些改动和变形。
Claims (10)
1.工业零件的轮廓识别方法，其特征在于，包括：
S1：获取工业零件的图像；
S2：获取所述图像中工业零件的初始轮廓，所述初始轮廓为不规则多边形；
S3：获取轮廓识别模型，且所述轮廓识别模型为HRnet深度学习网络；
S4：将所述初始轮廓输入所述轮廓识别模型，得到多个关键点和参考点的参数，所述关键点为所述初始轮廓的多个顶点，所述参考点为所述初始轮廓的中心；
S5：利用多个所述关键点和所述参考点的参数获取所述工业零件的轮廓。
2.根据权利要求1所述的工业零件的轮廓识别方法，其特征在于，步骤S2为：对所述图像中所述工业零件的外缘采用不规则多边形表示，得到所述初始轮廓。
3.根据权利要求1所述的工业零件的轮廓识别方法，其特征在于，所述参数包括每个顶点的坐标和角度，所述角度为以所述中心为圆心、以经过所述圆心的水平线为X轴时，所述顶点与所述圆心的连线与X轴之间的夹角的大小。
4.根据权利要求1所述的工业零件的轮廓识别方法，其特征在于，步骤S5包括：
S51：利用所述中心的参数确定中心的位置，并以所述中心为圆心建立水平坐标系；
S52：利用每个所述顶点的参数确定每个所述顶点在所述水平坐标系中的位置；
S53：将多个所述顶点首尾连接得到所述轮廓。
5.根据权利要求1-4任一项所述的工业零件的轮廓识别方法，其特征在于，所述关键点的数量为10-20个。
6.一种工业零件的轮廓识别装置，其特征在于，包括：
第一获取模块，用于获取工业零件的图像；
第二获取模块，用于获取所述图像中工业零件的初始轮廓，所述初始轮廓为不规则多边形；
第三获取模块，用于获取轮廓识别模型，且所述轮廓识别模型为HRnet深度学习网络；
参数获取模块，将所述初始轮廓输入所述轮廓识别模型，得到多个关键点和参考点的参数，所述关键点为所述初始轮廓的多个顶点，所述参考点为所述初始轮廓的中心；
轮廓获取模块，用于利用多个所述关键点和所述参考点的参数获取所述工业零件的轮廓。
7.根据权利要求6所述的工业零件的轮廓识别装置，其特征在于，所述参数包括每个顶点的坐标和角度，所述角度为以所述中心为圆心、以经过所述圆心的水平线为X轴时，所述顶点与所述圆心的连线与X轴之间的夹角的大小。
8.根据权利要求7所述的工业零件的轮廓识别装置，其特征在于，所述轮廓获取模块包括建立单元、确定单元和获取单元，所述建立单元用于利用所述中心的参数确定中心的位置，并以所述中心为圆心建立水平坐标系；所述确定单元用于利用每个所述顶点的参数确定每个所述顶点在所述水平坐标系中的位置；所述获取单元用于将多个所述顶点首尾连接得到所述轮廓。
9.一种工业零件的轮廓识别设备，其特征在于，包括：
处理器；
存储器，用于存储由所述处理器执行的计算机程序；
其中，所述处理器执行所述计算机程序时实现权利要求1-5任一项所述的工业零件的轮廓识别方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现权利要求1-5任一项所述的工业零件的轮廓识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033713.7A CN115953593B (zh) | 2023-01-10 | 2023-01-10 | 工业零件的轮廓识别方法、装置、设备和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033713.7A CN115953593B (zh) | 2023-01-10 | 2023-01-10 | 工业零件的轮廓识别方法、装置、设备和计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953593A true CN115953593A (zh) | 2023-04-11 |
| CN115953593B CN115953593B (zh) | 2023-11-21 |
Family
ID=87286046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310033713.7A Active CN115953593B (zh) | 2023-01-10 | 2023-01-10 | 工业零件的轮廓识别方法、装置、设备和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953593B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059702A (zh) * | 2019-03-29 | 2019-07-26 | 北京奇艺世纪科技有限公司 | 一种物体轮廓识别方法及装置 |
| CN110570442A (zh) * | 2019-09-19 | 2019-12-13 | 厦门市美亚柏科信息股份有限公司 | 一种复杂背景下轮廓检测方法、终端设备及存储介质 |
| US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
| CN110796702A (zh) * | 2019-10-23 | 2020-02-14 | 中冶赛迪工程技术股份有限公司 | 一种基于机器视觉的工业设备识别定位方法、系统及设备 |
| CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
| CN112348836A (zh) * | 2020-11-06 | 2021-02-09 | 二十一世纪空间技术应用股份有限公司 | 一种自动提取建筑物轮廓的方法及装置 |
| CN113469221A (zh) * | 2021-06-09 | 2021-10-01 | 浙江大华技术股份有限公司 | 身份识别模型的训练方法和身份识别方法以及相关设备 |
| CN113920147A (zh) * | 2021-12-14 | 2022-01-11 | 星际空间（天津）科技发展有限公司 | 基于深度学习的遥感影像建筑物提取方法及设备 |
| CN113920148A (zh) * | 2021-12-14 | 2022-01-11 | 星际空间（天津）科技发展有限公司 | 基于多边形的建筑物边界提取方法、设备及存储介质 |
-
2023
- 2023-01-10 CN CN202310033713.7A patent/CN115953593B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
| CN110059702A (zh) * | 2019-03-29 | 2019-07-26 | 北京奇艺世纪科技有限公司 | 一种物体轮廓识别方法及装置 |
| CN110570442A (zh) * | 2019-09-19 | 2019-12-13 | 厦门市美亚柏科信息股份有限公司 | 一种复杂背景下轮廓检测方法、终端设备及存储介质 |
| CN110796702A (zh) * | 2019-10-23 | 2020-02-14 | 中冶赛迪工程技术股份有限公司 | 一种基于机器视觉的工业设备识别定位方法、系统及设备 |
| CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
| CN112348836A (zh) * | 2020-11-06 | 2021-02-09 | 二十一世纪空间技术应用股份有限公司 | 一种自动提取建筑物轮廓的方法及装置 |
| CN113469221A (zh) * | 2021-06-09 | 2021-10-01 | 浙江大华技术股份有限公司 | 身份识别模型的训练方法和身份识别方法以及相关设备 |
| CN113920147A (zh) * | 2021-12-14 | 2022-01-11 | 星际空间（天津）科技发展有限公司 | 基于深度学习的遥感影像建筑物提取方法及设备 |
| CN113920148A (zh) * | 2021-12-14 | 2022-01-11 | 星际空间（天津）科技发展有限公司 | 基于多边形的建筑物边界提取方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953593B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110990516B (zh) | 地图数据的处理方法、装置和服务器 | |
| KR20190032501A (ko) | 2차원 코드 내 위치 정보를 인지하기 위한 방법 및 시스템 | |
| CN107577979B (zh) | DataMatrix型二维码快速识别方法、装置及电子设备 | |
| CN105678683A (zh) | 一种三维模型的二维存储方法 | |
| CN112348836A (zh) | 一种自动提取建筑物轮廓的方法及装置 | |
| CN112053427A (zh) | 一种点云的特征提取方法、装置、设备及可读存储介质 | |
| CN107203962B (zh) | 一种利用2d图片制作伪3d图像的方法及电子设备 | |
| US20100292962A1 (en) | System and method for converting a conventional surface into a nurbs surface | |
| CN110599586A (zh) | 一种半稠密场景重建方法、装置、电子设备及存储介质 | |
| CN114241018A (zh) | 一种牙齿点云配准方法、系统及可读存储介质 | |
| CN110458954B (zh) | 一种等高线生成方法、装置及设备 | |
| CN110909596A (zh) | 侧脸识别方法、装置、设备以及存储介质 | |
| CN101082951A (zh) | 一种利用3d技术提供网络游戏反外挂图像来源的方法 | |
| CN112507938A (zh) | 一种文本图元的几何特征计算方法及识别方法、装置 | |
| CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
| CN115953593A (zh) | 工业零件的轮廓识别方法、装置、设备和计算机存储介质 | |
| CN116543134A (zh) | 数字孪生模型的构建方法、装置、计算机设备和介质 | |
| CN111583406A (zh) | 杆塔脚基点坐标计算方法、装置及终端设备 | |
| CN107480710B (zh) | 特征点匹配结果处理方法和装置 | |
| CN113628286B (zh) | 视频色域检测方法、装置、计算设备及计算机存储介质 | |
| CN112861241B (zh) | 一种锥形管的展开方法、装置、设备及可读存储介质 | |
| CN114863438A (zh) | 用于识别曲线的方法及系统 | |
| CN113971738A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN114119128A (zh) | 商品检测方法、装置、服务器及可读存储介质 | |
| CN109829019B (zh) | 一种矢量数据的数据转换方法、装置和电子设备 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 511449 101-301, building 3, No. 9, Huijiang Shinan Second Road, Dashi street, Panyu District, Guangzhou, Guangdong Patentee after: Guangzhou Yihong Intelligent Equipment Co.,Ltd. Country or region after: China Address before: 511449 101-301, building 3, No. 9, Huijiang Shinan Second Road, Dashi street, Panyu District, Guangzhou, Guangdong Patentee before: GUANGZHOU EHOLLY INTELLIGENT EQUIPMENT Co.,Ltd. Country or region before: China |