CN116385534A - 管片位置识别方法、装置和系统、管片拼装机和存储介质 - Google Patents
管片位置识别方法、装置和系统、管片拼装机和存储介质 Download PDFInfo
- Publication number
- CN116385534A CN116385534A CN202310201628.7A CN202310201628A CN116385534A CN 116385534 A CN116385534 A CN 116385534A CN 202310201628 A CN202310201628 A CN 202310201628A CN 116385534 A CN116385534 A CN 116385534A
- Authority
- CN
- China
- Prior art keywords
- segment
- bolt
- template
- points
- bolts
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005641 tunneling Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
- E21D11/40—Devices or apparatus specially adapted for handling or placing units of linings or supporting units for tunnels or galleries
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
- E21D11/04—Lining with building materials
- E21D11/08—Lining with building materials with preformed concrete slabs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Civil Engineering (AREA)
- Multimedia (AREA)
- Geology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Lining And Supports For Tunnels (AREA)
Abstract
本公开涉及一种管片位置识别方法、装置和系统、管片拼装机和存储介质。该管片位置识别方法包括:基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息;将所述位置信息提供给管片抓取设备,以辅助拼装过程中管片的抓取。本公开可以基于机器学习的管片位置识别抓取方法,对待拼装管片内槽的螺栓进行识别并获取其位置,以达到对管片的定位,可以辅助拼装过程中管片的自动抓取。
Description
技术领域
本公开涉及隧道掘进机技术领域,特别涉及一种管片位置识别方法、装置和系统、管片拼装机和存储介质。
背景技术
管片拼装机是盾构机的重要组成部分,其作用是用预先制作的混凝土管片将盾构机挖好的隧道支撑保护起来,以防止因地表沉降和地下水渗透对隧道的影响,提高隧道安全性。管片拼装速度直接影响整个盾构机掘进速度。
发明内容
发明人通过研究发现:相关技术盾构机在隧道施工中,主要依靠人工完成管片的旋转和吊运及管片拼装。相关技术拼装效率低,同时需要大量的人力,安全性不高。相关技术在管片拼装过程中人眼识别管片位置存在精度较差、速度较慢的问题。
鉴于以上技术问题中的至少一项,本公开提供了一种管片位置识别方法、装置和系统、管片拼装机和存储介质,可以通过机器视觉的方法对管片进行自动识别。
根据本公开的一个方面,提供一种管片位置识别方法,包括:
基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息;
将所述位置信息提供给管片抓取设备,以辅助拼装过程中管片的抓取。
在本公开的一些实施例中,所述基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息包括:
通过相机实时获取现场管片原始图像;
对管片原始图像进行局部纹理特征提取;
根据管片原始图像的第一帧图像确定螺栓的目标模板集合;
根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息。
在本公开的一些实施例中,所述根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息包括:
根据从输入的现场管片原始图像提取的特征向量,计算该现场管片原始图像与当前目标模板集合中的目标模板的相似度;
在所述相似度大于第一预定阈值的情况下,将目标模板中的螺栓位置作为当前螺栓的位置信息。
在本公开的一些实施例中,所述根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息还包括:
在所述相似度不大于第一预定阈值且大于第二预定阈值的情况下,学习该现场管片原始图像的特征向量作为新的模板,并将该新的模板加入当前目标模板集合中,其中,第二预定阈值小于第一预定阈值。
在本公开的一些实施例中,所述对管片原始图像进行局部纹理特征提取包括:
从管片原始图像提取螺栓的轮廓并进行标记;
在螺栓的轮廓选取第一预定数量的点,并且获取所述第一预定数量点的颜色值;
根据所述第一预定数量点的像素坐标输出的所述第一预定数量点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标;
根据所述第一预定数量点的颜色特征关系,确定每个点的插值关系;
对每个点的插值关系进行归一化处理,构建管片原始图像的特征向量。
在本公开的一些实施例中,所述每个点的插值关系为该点内0或1的出现概率。
在本公开的一些实施例中,所述根据所述第一预定数量点的色彩关系,确定每个点的插值关系包括:
基于所述第一预定数量个点的颜色特征关系,在螺栓外随机选取第一预定数量个点和螺栓轮廓上的第一预定数量个点的RGB值进行比较;
若螺栓轮廓上点的颜色值大于螺栓外点的颜色值,则用1来表示该点的特征值;
若螺栓轮廓上点的颜色值小于螺栓外的颜色值,则用0来表示该点的特征值。
在本公开的一些实施例中,所述根据管片原始图像的第一帧图像确定螺栓的目标模板集合包括:
采用初始包围框包围第一帧图像中目标螺栓的模板;
通过几何变换生成第二预定数量的模板版本,并在像素上添加高斯噪声,合成第三预定数量的阳性斑块;
采用第三预定数量的阳性斑块和第二预定数量的模板版本,对初始检测器进行训练;
将生成的模板版本加入模板集合作为初始检测模板。
在本公开的一些实施例中,所述将目标模板中的螺栓位置作为当前螺栓的位置信息包括
获取管片内槽螺栓的特征点;
在当前检测图像中,获取所有描述螺栓的特征点的像素坐标;
根据特征点的像素坐标、以及相机坐标系与世界坐标系之间的转换关系,确定螺栓的空间位置。
在本公开的一些实施例中,所述管片位置识别方法还包括:
将相机固定观测方向为盾尾方向,确定相机坐标系的第一坐标轴沿隧道轴线、第二坐标轴沿隧道周向、第三坐标轴轴沿隧道径向;
确定相机坐标系与世界坐标系之间的转换关系。
根据本公开的另一方面,提供一种管片位置识别装置,包括:
位置识别模块,被配置为基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息;
位置提供模块,被配置为将所述位置信息提供给管片抓取设备,以辅助拼装过程中管片的抓取。
在本公开的一些实施例中,所述位置识别模块包括:
图像获取单元,被配置为通过相机实时获取现场管片原始图像;
特征提取单元,被配置为对管片原始图像进行局部纹理特征提取;
模板确定单元,被配置为根据管片原始图像的第一帧图像确定螺栓的目标模板集合;
目标检测单元,被配置为根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息。
在本公开的一些实施例中,目标检测单元,被配置为根据从输入的现场管片原始图像提取的特征向量,计算该现场管片原始图像与当前目标模板集合中的目标模板的相似度;在所述相似度大于第一预定阈值的情况下,将目标模板中的螺栓位置作为当前螺栓的位置信息。
在本公开的一些实施例中,目标检测单元,还被配置为在所述相似度不大于第一预定阈值且大于第二预定阈值的情况下,学习该现场管片原始图像的特征向量作为新的模板,并将该新的模板加入当前目标模板集合中,其中,第二预定阈值小于第一预定阈值。
在本公开的一些实施例中,特征提取单元,被配置为从管片原始图像提取螺栓的轮廓并进行标记;在螺栓的轮廓选取第一预定数量的点,并且获取所述第一预定数量点的颜色值;根据所述第一预定数量点的像素坐标输出的所述第一预定数量点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标;根据所述第一预定数量点的颜色特征关系,确定每个点的插值关系;对每个点的插值关系进行归一化处理,构建管片原始图像的特征向量。
在本公开的一些实施例中,所述每个点的插值关系为该点内0或1的出现概率。
在本公开的一些实施例中,特征提取单元,被配置为在根据所述第一预定数量点的色彩关系,确定每个点的插值关系的情况下,基于所述第一预定数量个点的颜色特征关系,在螺栓外随机选取第一预定数量个点和螺栓轮廓上的第一预定数量个点的RGB值进行比较;若螺栓轮廓上点的颜色值大于螺栓外点的颜色值,则用1来表示该点的特征值;若螺栓轮廓上点的颜色值小于螺栓外的颜色值,则用0来表示该点的特征值。
在本公开的一些实施例中,模板确定单元,被配置为采用初始包围框包围第一帧图像中目标螺栓的模板;通过几何变换生成第二预定数量的模板版本,并在像素上添加高斯噪声,合成第三预定数量的阳性斑块;采用第三预定数量的阳性斑块和第二预定数量的模板版本,对初始检测器进行训练;将生成的模板版本加入模板集合作为初始检测模板。
在本公开的一些实施例中,目标检测单元,被配置为在将目标模板中的螺栓位置作为当前螺栓的位置信息的情况下,获取管片内槽螺栓的特征点;在当前检测图像中,获取所有描述螺栓的特征点的像素坐标;根据特征点的像素坐标、以及相机坐标系与世界坐标系之间的转换关系,确定螺栓的空间位置。
在本公开的一些实施例中,所述管片位置识别装置还包括:
相机标定模块,被配置为将相机固定观测方向为盾尾方向,确定相机坐标系的第一坐标轴沿隧道轴线、第二坐标轴沿隧道周向、第三坐标轴轴沿隧道径向;确定相机坐标系与世界坐标系之间的转换关系。
根据本公开的另一方面,提供一种管片位置识别装置,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述管片位置识别装置执行实现如上述任一实施例所述的管片位置识别方法的操作。
根据本公开的另一方面,提供一种管片位置识别系统,包括相机和如上述任一实施例所述的管片位置识别装置。
根据本公开的另一方面,提供一种管片拼装机,包括如上述任一实施例所述的管片位置识别系统。
根据本公开的另一方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的管片位置识别方法。
本公开可以基于机器学习的管片位置识别抓取方法,对待拼装管片内槽的螺栓进行识别并获取其位置,以达到对管片的定位,可以辅助拼装过程中管片的自动抓取。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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为本公开管片位置识别方法一些实施例的示意图。
图2为本公开管片位置识别方法另一些实施例的示意图。
图3为本公开一些实施例中坐标关系的示意图。
图4为本公开管片位置识别装置一些实施例的示意图。
图5为本公开一些实施例中位置识别模块的示意图。
图6为本公开管片位置识别装置另一些实施例的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,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,都属于本公开保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
发明人通过研究发现:相关技术在管片拼装机上设置相机实现避障路径规划。
但是,相关技术使用相机及建立二维图像模型判断拼装路径上的障碍物,无法准确获取障碍物距离信息,而且图像模型对现场光照环境要求较高,传统方法的路径规划在复杂的拼装环境下适应性较差。
鉴于以上技术问题中的至少一项,本公开提供了一种管片位置识别方法、装置和系统、管片拼装机和存储介质,下面通过具体实施例对本公开进行说明。
图1为本公开管片位置识别方法一些实施例的示意图。优选的,图1实施例可由本公开管片位置识别系统或本公开管片智能吊运装置或本公开管片拼装机执行。如图1所示,图1实施例的方法可以包括步骤100和步骤200,其中:
步骤100,基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息。
在本公开的一些实施例中,步骤100可以包括步骤110-步骤140中的至少一个步骤,其中:
步骤110,通过相机实时获取现场管片原始图像。
步骤120,对管片原始图像进行局部纹理特征提取。
在本公开的一些实施例中,步骤120可以包括步骤121-步骤125中的至少一个步骤,其中:
步骤121,从管片原始图像提取螺栓的轮廓并进行标记。
步骤122,在螺栓的轮廓上选取第一预定数量的点,并且获取所述第一预定数量点的颜色值。
步骤123,根据所述第一预定数量点的像素坐标输出的所述第一预定数量点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标。
步骤124,根据所述第一预定数量点的颜色特征关系,确定每个点的插值关系。
在本公开的一些实施例中,所述每个点的插值关系为该点内0或1的出现概率。
在本公开的一些实施例中,步骤124可以包括:基于所述第一预定数量个点的颜色特征关系,在螺栓外随机选取第一预定数量个点和螺栓轮廓上的第一预定数量个点的RGB值进行比较;若螺栓轮廓上点的颜色值大于螺栓外点的颜色值,则用1来表示该点的特征值;若螺栓轮廓上点的颜色值小于螺栓外的颜色值,则用0来表示该点的特征值。
在本公开的一些实施例中,所述第一预定数量可以为8。
步骤125,对每个点的插值关系进行归一化处理,构建管片原始图像的特征向量。
步骤130,根据管片原始图像的第一帧图像确定螺栓的目标模板集合。
在本公开的一些实施例中,步骤130可以包括步骤131-步骤134中的至少一个步骤,其中:
步骤131,采用初始包围框包围第一帧图像中目标螺栓的模板。
步骤132,通过几何变换生成第二预定数量的模板版本,并在像素上添加高斯噪声,合成第三预定数量的阳性斑块。
在本公开的一些实施例中,所述第二预定数量可以为20;所述第三预定数量可以为200。
步骤133,采用第三预定数量的阳性斑块和第二预定数量的模板版本,对初始检测器进行训练。
步骤134,将生成的模板版本加入模板集合作为初始检测模板。
步骤140,根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息。
在本公开的一些实施例中,步骤140可以包括步骤141-步骤143中的至少一个步骤,其中:
步骤141,根据从输入的现场管片原始图像提取的特征向量,计算该现场管片原始图像与当前目标模板集合中的目标模板的相似度。
步骤142,在所述相似度大于第一预定阈值的情况下,将目标模板中的螺栓位置作为当前螺栓的位置信息。
在本公开的一些实施例中,步骤142中,将目标模板中的螺栓位置作为当前螺栓的位置信息的步骤可以包括:获取管片内槽螺栓的特征点;在当前检测图像中,获取所有描述螺栓的特征点的像素坐标;根据特征点的像素坐标、以及相机坐标系与世界坐标系之间的转换关系,确定螺栓的空间位置。
步骤143,在所述相似度不大于第一预定阈值且大于第二预定阈值的情况下,学习该现场管片原始图像的特征向量作为新的模板,并将该新的模板加入当前目标模板集合中,其中,第二预定阈值小于第一预定阈值。
在本公开一些实施例中,第一预定阈值为0.9;第二预定阈值为0.7。
步骤200,将所述位置信息提供给管片抓取设备,以辅助拼装过程中管片的抓取。
在本公开的一些实施例中,在步骤200之前,所述管片位置识别方法还可以包括:将相机固定观测方向为盾尾方向,确定相机坐标系的第一坐标轴沿隧道轴线、第二坐标轴沿隧道周向、第三坐标轴轴沿隧道径向;确定相机坐标系与世界坐标系之间的转换关系。
本公开上述实施例可以不需要大量的人工参与,减少了拼装的误差,保证了拼装的准确性与高效性,同时机器视觉的方法可以对管片进行自动识别。
图2为本公开管片位置识别方法另一些实施例的示意图。优选的,图2实施例可由本公开管片位置识别系统或本公开管片智能吊运装置或本公开管片拼装机执行。如图2所示,图1实施例的方法可以包括步骤21至和步骤26中的至少一个步骤,其中:
步骤21,工业相机的安装与标定。
在本公开的一些实施例中,步骤21可以包括步骤211-步骤212中的至少一个步骤,其中:
步骤211,将相机固定观测方向为盾尾方向,确定相机坐标系的第一坐标轴沿隧道轴线、第二坐标轴沿隧道周向、第三坐标轴轴沿隧道径向。
在本公开的一些实施例中,步骤211可以包括:将工业相机固定观测方向为盾尾方向,以Xc轴沿隧道轴线、Yc轴沿隧道周向、Zc轴沿隧道径向,建立工业相机坐标系Oc-XcYcZc,其中,Oc为相机光心点。
步骤212,确定相机坐标系与世界坐标系之间的转换关系。
在本公开的一些实施例中,步骤211可以包括:利用“张氏标定法”对相机进行相机标定,获取相机的参数矩阵。
图3为本公开一些实施例中坐标关系的示意图。如公式(1)所示,目标在世界坐标系下的坐标为(Xw,Yw,Zw),与相机坐标系坐标之间转换关系如公式(2),MI为内参数矩阵,由相机的像元尺寸dx、dy,主点图像坐标(u0,v0)、以及镜头焦距f完全确定。ME为相机外参数矩阵,决定了相机坐标系与世界坐标系之间的相对位置关系,由旋转矩阵R3*3和平移矩阵T3*1确定。M为相机总参数矩阵。
本公开的步骤21为相机的标定,目的是在相机采集图像识别到螺栓目标后,获取螺栓特征点的像素坐标,通过标定转换矩阵,获取到螺栓的空间位置。
在本公开的一些实施例中,工业相机固定在隧道顶部,管片依次向相机的拍摄窗口移动。
步骤22,相机实时获取现场管片原始图像,对管片进行局部纹理特征提取,并计算目标位置。
在本公开的一些实施例中,步骤22可以包括步骤221-步骤225中的至少一个步骤,其中:
步骤221,从管片原始图像提取螺栓的轮廓并进行标记。
在本公开的一些实施例中,步骤221可以包括:由于黑色螺栓独有的特征,首先获取管片的内槽的图片,提取螺栓的轮廓并进行标记。
步骤222,在螺栓的轮廓上选取第一预定数量的点,并且获取所述第一预定数量点的颜色值(例如RGB值)。
在本公开的一些实施例中,所述第一预定数量可以为8。
在本公开的一些实施例中,步骤222可以包括:在螺栓的轮廓上选取8个点,并且获取这8个点的RGB值。
步骤223,根据所述第一预定数量点的像素坐标输出的所述第一预定数量点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标。
在本公开的一些实施例中,在第一预定数量为8的情况下,步骤223可以包括:由这8个点的像素坐标输出的8个点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标。
步骤224,根据所述第一预定数量点的颜色特征关系,确定每个点的插值关系。
在本公开的一些实施例中,所述每个点的插值关系为该点内0或1的出现概率。
在本公开的一些实施例中,步骤224可以包括:基于所述第一预定数量个点的颜色特征关系,在螺栓外随机选取第一预定数量个点和螺栓轮廓上的第一预定数量个点的RGB值进行比较;若螺栓轮廓上点的颜色值大于螺栓外点的颜色值,则用1来表示该点的特征值;若螺栓轮廓上点的颜色值小于螺栓外的颜色值,则用0来表示该点的特征值。
在本公开的一些实施例中,在第一预定数量为8的情况下,步骤224可以包括:基于RGB的色彩关系,在螺栓外随机选取8个点和螺栓轮廓上的8个点的RGB值进行比较,如果螺栓轮廓上点的RGB值大于螺栓外点的RGB值,则用1来表示,如果螺栓轮廓上点的RGB值小于螺栓外的RGB值,则用0表示。
步骤225,对每个点的插值关系进行归一化处理,构建管片原始图像的特征向量。
在本公开的一些实施例中,步骤225可以包括:然后对每个点的差值关系(0或1出现的频率)进行归一化处理,构建成为一个特征向量。
步骤23、检测初始化,生成初始模板。
在本公开的一些实施例中,步骤23可以包括:根据管片原始图像的第一帧图像确定螺栓的目标模板集合。
在本公开的一些实施例中,步骤23可以包括步骤231-步骤234中的至少一个步骤,其中:
步骤231,采用初始包围框包围第一帧图像中目标螺栓的模板。
步骤232,通过几何变换生成第二预定数量的模板版本,并在像素上添加高斯噪声,合成第三预定数量的阳性斑块。
在本公开的一些实施例中,所述几何变换可以包括:平移±1%,比例变化±1%,平面内旋转±10度。
在本公开的一些实施例中,所述第二预定数量可以为20;所述第三预定数量可以为200。
步骤233,采用第三预定数量的阳性斑块和第二预定数量的模板版本,对初始检测器进行训练。
步骤234,将生成的模板版本加入模板集合作为初始检测模板。
在本公开的一些实施例中,步骤23可以包括:用相机对螺栓采集特征,生成模板,建立模板集合在第一帧学习线程使用如下生成的标签样本来训练初始检测器。初始包围框包围第一帧图像中目标螺栓的模板,通过几何变换(平移±1%,比例变化±1%,平面内旋转±10°)生成20个扭曲的模板版本,并在像素上添加高斯噪声(σ=5),合成200个阳性斑块。将生成的模板版本加入进模板集合作为初始检测模板。
步骤24,检测模块将从相机采集的图像提取的特征作为检测样本,基于RGB特征关系计算从相机采集图像中提取的特征向量;然后计算与当前模板集合中模板的相似度,若相似度大于第一预定阈值,则认为该识别到模板中的螺栓目标。
在本公开一些实施例中,第一预定阈值为0.9。
步骤25,学习模块对新模板的学习和加入,当螺栓姿态发生变化时,模板集合中的模板与提取到的目标特征相似度不足第一预定阈值,不能正确识别出目标,通过学习模块,进一部对步骤四所述相似度进行判断,若相似度大于第二预定值且小于第一预定阈值,则学习该特征作为新的模板,加入进模板集合中,以提高检测识别的效率。
在本公开一些实施例中,第二预定阈值为0.7。
步骤26,确定管片位置,由以上步骤可以获取到描述管片内槽螺栓的特征点,对所有描述当前检测图像中螺栓的特征点获取其像素坐标,通过对相机像素坐标与物理坐标与世界坐标系之间的转换,可以获取到螺栓的空间位置,为抓取提供位置坐标。
本公开上述实施例提供了一种基于学习的管片位置识别抓取方法,对待拼装管片内槽的螺栓进行识别并获取其位置,以达到对管片的定位,辅助拼装过程中管片的自动抓取。
本公开上述实施例管片位置识别抓取方案包括对图像特征提取、目标检测、学习模型。首先由相机实时获取现场管片原始图像,对第一帧图像中螺栓进行采样处理,基于RGB关系提取管片螺栓特征,建立螺栓目标模板,并获取螺栓位置、特征信息。然后建立螺栓得模板集合,检测网络实时根据模板集合中的模板对目标进行检测识别,学习模块对目标不同的姿态建立后续模板,将后续建立的模板加入进集合中。检测网络根据模板集合中的模板实时对输入图像进行检测,在拼装的过程中,会出现当前目标消失在视野中,等待下一个目标进入到视野中的过程,此时可以利用建立好的模板集合,对螺栓进行检测识别,采用已经获取的螺栓模板,对相机获取的图像进行实时检测,获取螺栓位置。
本公开上述实施例通过目标检测对管片内槽螺栓进行局部的特征提取,并且指明螺栓的检测位置,同时利用目标识别算法完成对螺栓外形与轮廓的最小化塑造,建立生成模型与学习模型,通过机器学习方法来减少与避免发生错误,完成对管片识别的工作,能够实现对管片的精准识别,稳定性好,准确率高。
图4为本公开管片位置识别装置一些实施例的示意图。如图4所示,本公开管片位置识别装置可以包括位置识别模块41和位置提供模块42,其中:
位置识别模块41,被配置为基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息。
位置提供模块42,被配置为将所述位置信息提供给管片抓取设备,以辅助拼装过程中管片的抓取。
在本公开的一些实施例中,如图4所示,所述管片位置识别装置还可以包括相机标定模块43,其中:
相机标定模块43,被配置为将相机固定观测方向为盾尾方向,确定相机坐标系的第一坐标轴沿隧道轴线、第二坐标轴沿隧道周向、第三坐标轴轴沿隧道径向;确定相机坐标系与世界坐标系之间的转换关系。
图5为本公开一些实施例中位置识别模块的示意图。如图5所示,本公开位置识别模块(例如图4实施例的位置识别模块41)可以包括图像获取单元411、特征提取单元412、模板确定单元413和目标检测单元414,其中:
图像获取单元411,被配置为通过相机实时获取现场管片原始图像。
特征提取单元412,被配置为对管片原始图像进行局部纹理特征提取。
在本公开的一些实施例中,特征提取单元412,可以被配置为从管片原始图像提取螺栓的轮廓并进行标记;在螺栓的轮廓选取第一预定数量的点,并且获取所述第一预定数量点的颜色值;根据所述第一预定数量点的像素坐标输出的所述第一预定数量点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标;根据所述第一预定数量点的颜色特征关系,确定每个点的插值关系;对每个点的插值关系进行归一化处理,构建管片原始图像的特征向量。
在本公开的一些实施例中,所述每个点的插值关系为该点内0或1的出现概率。
在本公开的一些实施例中,特征提取单元412,可以被配置为在根据所述第一预定数量点的色彩关系,确定每个点的插值关系的情况下,基于所述第一预定数量个点的颜色特征关系,在螺栓外随机选取第一预定数量个点和螺栓轮廓上的第一预定数量个点的RGB值进行比较;若螺栓轮廓上点的颜色值大于螺栓外点的颜色值,则用1来表示该点的特征值;若螺栓轮廓上点的颜色值小于螺栓外的颜色值,则用0来表示该点的特征值。
模板确定单元413,被配置为根据管片原始图像的第一帧图像确定螺栓的目标模板集合。
在本公开的一些实施例中,模板确定单元413,可以被配置为采用初始包围框包围第一帧图像中目标螺栓的模板;通过几何变换生成第二预定数量的模板版本,并在像素上添加高斯噪声,合成第三预定数量的阳性斑块;采用第三预定数量的阳性斑块和第二预定数量的模板版本,对初始检测器进行训练;将生成的模板版本加入模板集合作为初始检测模板。
目标检测单元414,被配置为根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息。
在本公开的一些实施例中,目标检测单元414,可以被配置为根据从输入的现场管片原始图像提取的特征向量,计算该现场管片原始图像与当前目标模板集合中的目标模板的相似度;在所述相似度大于第一预定阈值的情况下,将目标模板中的螺栓位置作为当前螺栓的位置信息。
在本公开的一些实施例中,目标检测单元414,还可以被配置为在所述相似度不大于第一预定阈值且大于第二预定阈值的情况下,学习该现场管片原始图像的特征向量作为新的模板,并将该新的模板加入当前目标模板集合中,其中,第二预定阈值小于第一预定阈值。
在本公开的一些实施例中,目标检测单元414,可以被配置为在将目标模板中的螺栓位置作为当前螺栓的位置信息的情况下,获取管片内槽螺栓的特征点;在当前检测图像中,获取所有描述螺栓的特征点的像素坐标;根据特征点的像素坐标、以及相机坐标系与世界坐标系之间的转换关系,确定螺栓的空间位置。
图6为本公开管片位置识别装置另一些实施例的结构示意图。如图6所示,管片位置识别装置包括存储器11和处理器12。
存储器11用于存储指令,处理器12耦合到存储器11,处理器12被配置为基于存储器存储的指令执行实现上述实施例(例如图1或图2实施例)涉及的方法。
如图6所示,该管片位置识别装置还包括通信接口13,用于与其它设备进行信息交互。同时,该管片位置识别装置还包括总线14,处理器12、通信接口13、以及存储器11通过总线14完成相互间的通信。
存储器11可以包含高速RAM存储器,也可还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。存储器11也可以是存储器阵列。存储器11还可能被分块,并且块可按一定的规则组合成虚拟卷。
此外,处理器12可以是一个中央处理器CPU,或者可以是专用集成电路ASIC,或是被配置成实施本公开实施例的一个或多个集成电路。
根据本公开的另一方面,提供一种管片位置识别系统,包括相机和如上述任一实施例(例如图4-图6任一实施例)所述的管片位置识别装置。
根据本公开的另一方面,提供一种管片拼装机,包括如上述任一实施例所述的管片位置识别系统。
根据本公开的另一方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例(例如图1或图2实施例)所述的管片位置识别方法。
本公开计算机可读存储介质可以实现为非瞬时性计算机可读存储介质。
本公开上述实施例提供一种基于学习的管片位置识别抓取方案,通过对待拼装管片内槽的螺栓进行识别,不需要大量的人工参与,减少了拼装的误差,保证了拼装的准确性与高效性。
本领域内的技术人员应明白,本公开的实施例可提供为方法、装置、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(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。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在上面所描述的管片位置识别装置、管片姿态检测模块和管片吊运模块可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
本领域普通技术人员可以理解本公开上述实施例方法的全部或部分步骤可以通过硬件来完成,所述硬件可以实现为用于执行本申请所述方法的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,所述的程序可以存储于一种非瞬时性计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用,并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (22)
1.一种管片位置识别方法,包括:
基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息;
将所述位置信息提供给管片抓取设备,以辅助拼装过程中管片的抓取。
2.根据权利要求1所述的管片位置识别方法,其中,所述基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息包括:
通过相机实时获取现场管片原始图像;
对管片原始图像进行局部纹理特征提取;
根据管片原始图像的第一帧图像确定螺栓的目标模板集合;
根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息。
3.根据权利要求2所述的管片位置识别方法,其中,所述根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息包括:
根据从输入的现场管片原始图像提取的特征向量,计算该现场管片原始图像与当前目标模板集合中的目标模板的相似度;
在所述相似度大于第一预定阈值的情况下,将目标模板中的螺栓位置作为当前螺栓的位置信息。
4.根据权利要求3所述的管片位置识别方法,其中,所述根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息还包括:
在所述相似度不大于第一预定阈值且大于第二预定阈值的情况下,学习该现场管片原始图像的特征向量作为新的模板,并将该新的模板加入当前目标模板集合中,其中,第二预定阈值小于第一预定阈值。
5.根据权利要求2-4中任一项所述的管片位置识别方法,其中,所述对管片原始图像进行局部纹理特征提取包括:
从管片原始图像提取螺栓的轮廓并进行标记;
在螺栓的轮廓选取第一预定数量的点,并且获取所述第一预定数量点的颜色值;
根据所述第一预定数量点的像素坐标输出的所述第一预定数量点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标;
根据所述第一预定数量点的颜色特征关系,确定每个点的插值关系;
对每个点的插值关系进行归一化处理,构建管片原始图像的特征向量。
6.根据权利要求5所述的管片位置识别方法,其中,所述每个点的插值关系为该点内0或1的出现概率;所述根据所述第一预定数量点的色彩关系,确定每个点的插值关系包括:
基于所述第一预定数量个点的颜色特征关系,在螺栓外随机选取第一预定数量个点和螺栓轮廓上的第一预定数量个点的RGB值进行比较;
若螺栓轮廓上点的颜色值大于螺栓外点的颜色值,则用1来表示该点的特征值;
若螺栓轮廓上点的颜色值小于螺栓外的颜色值,则用0来表示该点的特征值。
7.根据权利要求2-4中任一项所述的管片位置识别方法,其中,所述根据管片原始图像的第一帧图像确定螺栓的目标模板集合包括:
采用初始包围框包围第一帧图像中目标螺栓的模板;
通过几何变换生成第二预定数量的模板版本,并在像素上添加高斯噪声,合成第三预定数量的阳性斑块;
采用第三预定数量的阳性斑块和第二预定数量的模板版本,对初始检测器进行训练;
将生成的模板版本加入模板集合作为初始检测模板。
8.根据权利要求3或4所述的管片位置识别方法,其中,所述将目标模板中的螺栓位置作为当前螺栓的位置信息包括
获取管片内槽螺栓的特征点;
在当前检测图像中,获取所有描述螺栓的特征点的像素坐标;
根据特征点的像素坐标、以及相机坐标系与世界坐标系之间的转换关系,确定螺栓的空间位置。
9.根据权利要求2-4中任一项所述的管片位置识别方法,其中,还包括:
将相机固定观测方向为盾尾方向,确定相机坐标系的第一坐标轴沿隧道轴线、第二坐标轴沿隧道周向、第三坐标轴轴沿隧道径向;
确定相机坐标系与世界坐标系之间的转换关系。
10.一种管片位置识别装置,包括:
位置识别模块,被配置为基于目标识别和机器学习方式,对待拼装管片内槽螺栓进行识别,确定待拼装管片内槽螺栓的位置信息;
位置提供模块,被配置为将所述位置信息提供给管片抓取设备,以辅助拼装过程中管片的抓取。
11.根据权利要求10所述的管片位置识别装置,其中,所述位置识别模块包括:
图像获取单元,被配置为通过相机实时获取现场管片原始图像;
特征提取单元,被配置为对管片原始图像进行局部纹理特征提取;
模板确定单元,被配置为根据管片原始图像的第一帧图像确定螺栓的目标模板集合;
目标检测单元,被配置为根据目标模板集合中的目标模板,实时对输入的现场管片原始图像进行检测,获取所述螺栓的位置信息。
12.根据权利要求11所述的管片位置识别装置,其中:
目标检测单元,被配置为根据从输入的现场管片原始图像提取的特征向量,计算该现场管片原始图像与当前目标模板集合中的目标模板的相似度;在所述相似度大于第一预定阈值的情况下,将目标模板中的螺栓位置作为当前螺栓的位置信息。
13.根据权利要求12所述的管片位置识别装置,其中:
目标检测单元,还被配置为在所述相似度不大于第一预定阈值且大于第二预定阈值的情况下,学习该现场管片原始图像的特征向量作为新的模板,并将该新的模板加入当前目标模板集合中,其中,第二预定阈值小于第一预定阈值。
14.根据权利要求11-13中任一项所述的管片位置识别装置,其中:
特征提取单元,被配置为从管片原始图像提取螺栓的轮廓并进行标记;在螺栓的轮廓选取第一预定数量的点,并且获取所述第一预定数量点的颜色值;根据所述第一预定数量点的像素坐标输出的所述第一预定数量点的位置坐标,通过均值的方法来获取螺栓的中心点坐标,根据相机坐标系与世界坐标系之间的相对位置关系,获取螺栓的位置坐标;根据所述第一预定数量点的颜色特征关系,确定每个点的插值关系;对每个点的插值关系进行归一化处理,构建管片原始图像的特征向量。
15.根据权利要求14所述的管片位置识别装置,其中,所述每个点的插值关系为该点内0或1的出现概率;
特征提取单元,被配置为在根据所述第一预定数量点的色彩关系,确定每个点的插值关系的情况下,基于所述第一预定数量个点的颜色特征关系,在螺栓外随机选取第一预定数量个点和螺栓轮廓上的第一预定数量个点的RGB值进行比较;若螺栓轮廓上点的颜色值大于螺栓外点的颜色值,则用1来表示该点的特征值;若螺栓轮廓上点的颜色值小于螺栓外的颜色值,则用0来表示该点的特征值。
16.根据权利要求11-13中任一项所述的管片位置识别装置,其中:
模板确定单元,被配置为采用初始包围框包围第一帧图像中目标螺栓的模板;通过几何变换生成第二预定数量的模板版本,并在像素上添加高斯噪声,合成第三预定数量的阳性斑块;采用第三预定数量的阳性斑块和第二预定数量的模板版本,对初始检测器进行训练;将生成的模板版本加入模板集合作为初始检测模板。
17.根据权利要求12或13所述的管片位置识别装置,其中:
目标检测单元,被配置为在将目标模板中的螺栓位置作为当前螺栓的位置信息的情况下,获取管片内槽螺栓的特征点;在当前检测图像中,获取所有描述螺栓的特征点的像素坐标;根据特征点的像素坐标、以及相机坐标系与世界坐标系之间的转换关系,确定螺栓的空间位置。
18.根据权利要求11-13中任一项所述的管片位置识别装置,其中,还包括:
相机标定模块,被配置为将相机固定观测方向为盾尾方向,确定相机坐标系的第一坐标轴沿隧道轴线、第二坐标轴沿隧道周向、第三坐标轴轴沿隧道径向;确定相机坐标系与世界坐标系之间的转换关系。
19.一种管片位置识别装置,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述管片位置识别装置执行实现如权利要求1-9中任一项所述的管片位置识别方法的操作。
20.一种管片位置识别系统,包括相机和如权利要求10-19中任一项所述的管片位置识别装置。
21.一种管片拼装机,包括如权利要求20所述的管片位置识别系统。
22.一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-9中任一项所述的管片位置识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201628.7A CN116385534A (zh) | 2023-03-03 | 2023-03-03 | 管片位置识别方法、装置和系统、管片拼装机和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201628.7A CN116385534A (zh) | 2023-03-03 | 2023-03-03 | 管片位置识别方法、装置和系统、管片拼装机和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385534A true CN116385534A (zh) | 2023-07-04 |
Family
ID=86960588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310201628.7A Pending CN116385534A (zh) | 2023-03-03 | 2023-03-03 | 管片位置识别方法、装置和系统、管片拼装机和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385534A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178508A (zh) * | 2006-11-08 | 2008-05-14 | 立景光电股份有限公司 | 彩色滤光片阵列及其显示方法 |
CN101226730A (zh) * | 2007-01-18 | 2008-07-23 | 中兴通讯股份有限公司 | 用于移动终端的颜色管理方法及装置 |
CN104794435A (zh) * | 2015-04-03 | 2015-07-22 | 中国科学院自动化研究所 | 一种基于视觉的无人机对地运动目标检测方法 |
CN105931269A (zh) * | 2016-04-22 | 2016-09-07 | 海信集团有限公司 | 一种视频中的目标跟踪方法及装置 |
CN108972494A (zh) * | 2018-06-22 | 2018-12-11 | 华南理工大学 | 一种仿人机械手抓取控制系统及其数据处理方法 |
CN111667509A (zh) * | 2020-06-11 | 2020-09-15 | 中国矿业大学 | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 |
CN112991394A (zh) * | 2021-04-16 | 2021-06-18 | 北京京航计算通讯研究所 | 基于三次样条插值和马尔科夫链的kcf目标跟踪方法 |
CN114596515A (zh) * | 2020-12-04 | 2022-06-07 | 北京三星通信技术研究有限公司 | 目标对象检测方法、装置、电子设备以及存储介质 |
-
2023
- 2023-03-03 CN CN202310201628.7A patent/CN116385534A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178508A (zh) * | 2006-11-08 | 2008-05-14 | 立景光电股份有限公司 | 彩色滤光片阵列及其显示方法 |
CN101226730A (zh) * | 2007-01-18 | 2008-07-23 | 中兴通讯股份有限公司 | 用于移动终端的颜色管理方法及装置 |
CN104794435A (zh) * | 2015-04-03 | 2015-07-22 | 中国科学院自动化研究所 | 一种基于视觉的无人机对地运动目标检测方法 |
CN105931269A (zh) * | 2016-04-22 | 2016-09-07 | 海信集团有限公司 | 一种视频中的目标跟踪方法及装置 |
CN108972494A (zh) * | 2018-06-22 | 2018-12-11 | 华南理工大学 | 一种仿人机械手抓取控制系统及其数据处理方法 |
CN111667509A (zh) * | 2020-06-11 | 2020-09-15 | 中国矿业大学 | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 |
CN114596515A (zh) * | 2020-12-04 | 2022-06-07 | 北京三星通信技术研究有限公司 | 目标对象检测方法、装置、电子设备以及存储介质 |
CN112991394A (zh) * | 2021-04-16 | 2021-06-18 | 北京京航计算通讯研究所 | 基于三次样条插值和马尔科夫链的kcf目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108369741B (zh) | 用于配准数据的方法和系统 | |
CN110580723B (zh) | 一种利用深度学习和计算机视觉进行精准定位的方法 | |
CN112991447A (zh) | 一种动态环境下视觉定位与静态地图构建方法及系统 | |
CN109911481B (zh) | 面向冶金机器人接插的仓架目标视觉识别定位方法和系统 | |
CN114119864A (zh) | 一种基于三维重建与点云匹配的定位方法和装置 | |
US20160335523A1 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
CN108154066B (zh) | 一种基于曲率特征递归神经网络的三维目标识别方法 | |
CN111259710B (zh) | 采用停车位框线、端点的停车位结构检测模型训练方法 | |
CN111144349A (zh) | 一种室内视觉重定位方法及系统 | |
KR20180107988A (ko) | 객체 탐지 장치 및 방법 | |
JP2009216503A (ja) | 三次元位置姿勢計測方法および装置 | |
CN108992033B (zh) | 一种视觉测试的评分装置、设备和存储介质 | |
CN103533332B (zh) | 一种2d视频转3d视频的图像处理方法 | |
Zhu et al. | Fusing panoptic segmentation and geometry information for robust visual slam in dynamic environments | |
CN111062384B (zh) | 一种基于深度学习的车窗精确定位方法 | |
CN116385534A (zh) | 管片位置识别方法、装置和系统、管片拼装机和存储介质 | |
Karimi et al. | A new method for automatic and accurate coded target recognition in oblique images to improve augmented reality precision | |
CN110956664A (zh) | 一种手持式三维扫描系统的相机位置实时重定位方法 | |
Han | Tree height measurement based on image processing with 3-points correction | |
CN116385477A (zh) | 一种基于图像分割的杆塔图像配准方法 | |
KR101391667B1 (ko) | 크기 변화에 강건한 범주 물체 인식을 위한 모델 학습 및 인식 방법 | |
JP2007140729A (ja) | 物品の位置及び姿勢を検出する方法および装置 | |
Criado et al. | A post-processing method for interest point location in images by using weighted line-graph complex networks | |
JP4639044B2 (ja) | 輪郭形状抽出装置 | |
CN114140414A (zh) | 非接触式人体测量方法、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 |