CN117058216A - 鱼眼针端子长度测量方法及系统 - Google Patents

鱼眼针端子长度测量方法及系统 Download PDF

Info

Publication number
CN117058216A
CN117058216A CN202311041590.8A CN202311041590A CN117058216A CN 117058216 A CN117058216 A CN 117058216A CN 202311041590 A CN202311041590 A CN 202311041590A CN 117058216 A CN117058216 A CN 117058216A
Authority
CN
China
Prior art keywords
image
fish
terminal
needle terminal
fisheye
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
Application number
CN202311041590.8A
Other languages
English (en)
Inventor
亓峰
朱新爱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Laimu Electronic Co Ltd
Original Assignee
Shanghai Laimu Electronic Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Laimu Electronic Co Ltd filed Critical Shanghai Laimu Electronic Co Ltd
Priority to CN202311041590.8A priority Critical patent/CN117058216A/zh
Publication of CN117058216A publication Critical patent/CN117058216A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种鱼眼针端子长度测量方法及系统，该方法包括：获取鱼眼针端子的采集图像；对采集图像进行目标检测，以确定出采集图像中的鱼眼针端子图像；对鱼眼针端子图像进行双边滤波；对经双边滤波的鱼眼针端子图像进行边缘检测，以确定出鱼眼针端子图像中的端子区域；对端子区域进行特征点提取；将所提取的特征点与模板进行特征点匹配，确定鱼眼针端子的尖端及尾部区域的图像；基于尖端及尾部区域的图像进行一维测量，确定出鱼眼针端子的长度。本申请能够实现对鱼眼针端子长度进行自动检测，提升检测效率；对采集图像进行目标检测，可减少参数量提高识别精度及准确度，对鱼眼针端子图像进行双边滤波，可减少图像噪声，提升测量精度。

Description

鱼眼针端子长度测量方法及系统
技术领域
本申请涉及测量技术领域，具体而言，涉及一种鱼眼针端子长度测量方法及系统。
背景技术
鱼眼针端子是使用自动插针机进行安装的一种小型产品。鱼眼针端子在安装前需要检测其合格性，其中涉及对鱼眼针的测量。相关技术中，对鱼眼针进行测量的方式包括手动测量及自动测量。手动测量主要依靠人工完成，效率不高，且测量精度不佳。自动测量对于规则形状的元器件较为适用，有助于提升测量效率和测量精度，然而，对于不规则形状的元器件，其测量难度仍较大，需要进行额外的处理，成本较高。
发明内容
本申请实施例的目的在于提供一种鱼眼针端子测量系统及方法，用以改善现有技术中对于鱼眼针端子的自动测量，难度较大，成本较高的问题。
本申请提供一种鱼眼针端子长度测量方法，包括：获取鱼眼针端子的采集图像；对所述采集图像进行目标检测，以确定出所述采集图像中的鱼眼针端子图像；对所述鱼眼针端子图像进行双边滤波；对经双边滤波的鱼眼针端子图像进行边缘检测，以确定出所述鱼眼针端子图像中的端子区域；对所述端子区域进行特征点提取；将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部区域的图像；基于所述尖端及所述尾部区域的图像进行一维测量，确定出所述鱼眼针端子的长度。
本申请所提供的鱼眼针端子长度测量方法可以实现鱼眼针端子长度的自动化测量，有助于提升测量效率；通过对采集图像进行目标检测，确定出采集图像中的鱼眼针端子图像，然后基于鱼眼针端子图像进行后续的分析及处理，有助于减少参数量，从而提高识别精度及准确度；对所述鱼眼针端子图像进行双边滤波，有助于减少图像噪声，进而提升测量精度。
一实施例中，所述对所述采集图像进行目标检测，包括：将所述采集图像输入预先训练好的图像识别模型进行目标检测，以确定出所述采集图像中的鱼眼针端子图像。
一实施例中，所述预先训练好的图像识别模型为基于YOLOX的算法模型。
一实施例中，所述对鱼眼针端子图像进行双边滤波，包括：采用双边滤波器对所述鱼眼针端子图像进行双边滤波；所述双边滤波器的滤波公式为：其中，I(x,y)是经双边滤波的鱼眼针端子图像；Ω是所述鱼眼针端子图像中像素的邻域；ω(i,j)是所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值；n(i,j)为所述鱼眼针端子图像；ωp是标准量。
一实施例中，所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值：ω(i,j)＝ωg(i,j)×ωh(i,j)，其中，ωg(i,j)为所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处进行高斯滤波的权值，ωh(i,j)为所述鱼眼针端子图像经灰度化后在像素点(i,j)处的灰度值变化的权值。
一实施例中，所述对鱼眼针端子图像进行双边滤波，包括：对所述鱼眼针端子图像进行基于快速高斯变换的双边滤波。
一实施例中，对经双边滤波的鱼眼针端子图像进行边缘检测，包括：基于Canny边缘检测算法对经双边滤波的鱼眼针端子图像进行边缘检测。
一实施例中，所述基于Canny边缘检测算法对经双边滤波的鱼眼针端子图像进行边缘检测，包括：对所述经双边滤波的鱼眼针端子图像进行平滑滤波；对经平滑滤波的鱼眼针端子图像进行梯度计算，以确定经平滑滤波的鱼眼针端子图像的梯度矩阵；对所述经平滑滤波的鱼眼针端子图像的梯度矩阵进行非极大值抑制；对经非极大值抑制的鱼眼针端子图像进行双阈值边缘提取。
一实施例中，所述对所述端子区域进行特征点提取，包括：采用forstner算子对所述端子区域进行特征点提取。
一实施例中，所述将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部的区域的图像，包括：对所提取的特征点进行归一化互相关处理，以确定多个匹配点对；基于所述多个匹配点对中至少4个匹配点对确定投影变换矩阵；基于所述投影变换矩阵对所述多个匹配点对进行筛选，以确定出最佳的仿射变换矩阵，得到所述鱼眼针端子的尖端及尾部区域的图像。
本申请还提供一种鱼眼针端子长度测量装置，包括：获取模块，用于获取鱼眼针端子的采集图像；目标检测模块，用于对所述采集图像进行目标检测，以确定出所述采集图像中的鱼眼针端子图像；双边滤波模块，用于对所述鱼眼针端子图像进行双边滤波；边缘检测模块，用于对经双边滤波的鱼眼针端子图像进行边缘检测，以确定出所述鱼眼针端子图像中的端子区域；特征点提取模块，用于对所述端子区域进行特征点提取；特征点匹配模块，用于将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部区域的图像；测量模块，用于基于所述尖端及所述尾部区域的图像进行一维测量，确定出所述鱼眼针端子的长度。
本申请还提供一种鱼眼针端子长度测量系统，包括：成像装置，用于采集待测量的鱼眼针端子的图像；处理器，用于基于所述成像装置所采集的图像执行前述鱼眼针端子长度测量方法。
本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行前述鱼眼针端子长度测量方法。
本申请还提供一种存储有计算机可读指令的非易失性可读存储介质，所述计算机可读指令被处理器执行时，使得所述处理器执行前述鱼眼针端子长度测量方法。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征、目的和优点将从说明书、附图以及权利要求书变得明显。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种鱼眼针端子长度测量系统的结构框图。
图2为图1中的成像装置的结构示意图。
图3为本申请实施例提供的一种鱼眼针端子长度测量方法的流程图。
图4为本申请实施例提供的一种鱼眼针端子长度测量装置的结构框图。
图5为本申请实施例提供的一种电子设备的结构框图。
附图标记：
鱼眼针端子长度测量系统10；
成像装置11；
支架111；载物台1111；第一支撑机构1112；第二支撑机构1116；第一支撑杆1113；第一支撑件1114；第二支撑件1115；第二支撑杆1117
相机模组113；第一相机模组1131，第二相机模组1133及第三相机模组1135
光源115；环形光源1151；背光源1153；
处理器13；
鱼眼针端子长度测量装置20；获取模块21；目标检测模块22；双边滤波模块23；边缘检测模块24；特征点提取模块25；特征点匹配模块26；测量模块27。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
请参阅图1，本申请实施例提供一种鱼眼针端子长度测量系统10。该鱼眼针端子长度测量系统10可以包括成像装置11及处理器13。成像装置11用于对待测量的鱼眼针端子进行成像，以得到待测量的鱼眼针端子的采集图像。处理器13可以直接与成像装置11信号连接，用于从成像装置11获取该采集图像，以及基于该采集图像执行后文中所介绍的鱼眼针端子长度测量方法。可以理解，该鱼眼针端子长度测量系统10还可以包括存储器(图未示)。此时，存储器可以与成像装置11信号连接，用于存储成像装置11所获取的待测量的鱼眼针端子的采集图像。处理器13可以与存储器信号连接，用于从存储器获取待测量的鱼眼针端子的采集图像，以及基于该采集图像执行后文中所介绍的鱼眼针端子长度测量方法。
请参阅图2，成像装置11可以包括支架111，相机模组113，光源115。支架111用于支撑相机模组113、光源115，以及待测量的鱼眼针端子。相机模组113用于对待测量的鱼眼针端子进行成像，以得到待测量的鱼眼针端子的采集图像。光源115用于对待测量的鱼眼针端子进行打光，以便相机模组113能够获取到较为清晰的鱼眼针端子的采集图像。
一些实施例中，支架111可以包括载物台1111及相对设置的第一支撑机构1112及第二支撑机构1116。
载物台1111可以设置在第一支撑机构1112及第二支撑机构1116之间，用于承载待测量的鱼眼针端子。
第一支撑机构1112可以包括第一支撑杆1113以及设置在第一支撑杆1113上的第一支撑件1114及第二支撑件1115。第一支撑件1114及第二支撑件1115沿垂直于第一支撑杆1113的方向同向延伸，且分别处于不同的高度位置处。第二支撑件1115所在位置的高度小于第一支撑件1114所在位置的高度。
第二支撑机构1116可以包括第二支撑杆1117。第二支撑杆1117可以与第一支撑杆1113平行设置。载物台1111设置在第一支撑杆1113及第二支撑杆1117之间。
相机模组113可以包括第一相机模组1131，第二相机模组1133及第三相机模组1135。第一相机模组1131、第二相机模组1133及第三相机模组1135分别用于从不同的角度对放置在载物台1111上的待测量的鱼眼针端子进行成像。一实施例中，载物台1111可以设置在第一相机模组1131、第二相机模组1133及第三相机模组1135的取景范围的重合区域。
第一相机模组1131可以设置在第一支撑件1114上。第二相机模组1133可以设置在第一支撑杆1113上。第三相机模组1135可以设置在第二支撑杆1117。进一步地，第二相机模组1133及第三相机模组1135可以共光轴设置，且进光方向相反。第一相机模组1131的光轴可以垂直于第二相机模组1133及第三相机模组1135的光轴。
一些实施例中，第一相机模组1131、第二相机模组1133及第三相机模组1135可以具有相同的结构。示例性地，第一相机模组1131、第二相机模组1133及第三相机模组1135可以分别包括共光轴设置相机及镜头。其中，相机可以为工业相机，镜头可以为远心镜头，以提升所采集图像的准确性。
光源115可以包括环形光源1151及背光源1153。环形光源1151可以设置在第二支撑件1115上，且与载物台1111相对设置，并与第一相机模组1131共光轴设置。环形光源1151可以位于第一相机模组1131的取景范围外。背光源1153可以设置在载物台1111上。环形光源1151及背光源1153分别用于从不同方向对放置在载物台1111上的待测量的鱼眼针端子进行打光，以便使得相机模组113能够获取到较为清晰的鱼眼针端子采集图像。
一些实施例中，成像装置11还可以包括光源控制器。光源控制器用于对环形光源1151及背光源1153的出光进行控制。
处理器13可以分别与第一相机模组1131、第二相机模组1133及第三相机模组1135信号连接，以便从第一相机模组1131、第二相机模组1133及第三相机模组1135处分别获取待测量的鱼眼针端子不同视角的采集图像。一些实施例中，处理器13可以是搭载python运行环境的GPU服务器。需要说明的是，处理器13的具体类型及结构可以参考相关技术，本申请并不以此为限。
请参阅图3，本申请实施例提供一种鱼眼针端子长度测量方法。该方法可以应用于具备数据运算及处理功能的电子设备。示例性地，该方法可以应用于前述鱼眼针端子长度测量系统10，或者，应用于前述鱼眼针端子长度测量系统10的处理器13。
以下实施例以该方法应用于前述鱼眼针端子长度测量系统10的处理器13为例进行介绍。
该方法可以包括以下步骤。
步骤S11，获取鱼眼针端子的采集图像。
在处理器13与成像装置11直接信号连接的实施例中，处理器13可以直接从成像装置11获取鱼眼针端子的采集图像。
在鱼眼针端子长度测量系统10还包括分别与处理器13及成像装置11信号连接的存储器的实施例中，成像装置11可以将所获取到的待测量的鱼眼针端子的采集图像存至该存储器中，处理器13可以从存储器获取鱼眼针端子的采集图像。
需要说明的是，鱼眼针端子的采集图像中包括鱼眼针端子的图像及成像装置的部分结构的图像。
步骤S12，对所述采集图像进行目标检测，以确定出所述采集图像中的鱼眼针端子图像。
一些实施例中，步骤S12可以包括：将所述采集图像输入预先训练好的图像识别模型进行目标检测，以确定出所述采集图像中的鱼眼针端子图像。
一实施例中，预先训练好的图像识别模型的构建过程包括：建构初始图像识别模型；获取不同视角的鱼眼针端子的采集图像；对所获取的不同视角的鱼眼针端子的采集图像进行打标，并制作成数据集；将该数据集按照预设比例拆分为训练集和测试集；利用训练集对该初始图像识别模型进行训练，并利用测试集对经训练的图像识别模型进行测试，直至模型收敛，得到该预先训练好的图像识别模型。其中，可以使用深度学习图像标注工具(例如，labelimage)对所获取的不同视角的鱼眼针端子的采集图像进行打标。预设比例可以为8：2。
可以理解，也可以采用相关技术中其他图像标注工具对所获取的不同视角的鱼眼针端子的采集图像进行打标。当然，预设比例也可以根据需要设置为其他比例。
一实施例中，所述预先训练好的图像识别模型可以为基于YOLOX的算法模型。采用基于YOLOX的算法模型对采集图像进行目标检测，可以有效减少参数量，提升图像识别的精度及准确度。
步骤S13，对所述鱼眼针端子图像进行双边滤波。
一实施例中，步骤S13可以包括：采用双边滤波器对所述鱼眼针端子图像进行双边滤波；所述双边滤波器的滤波公式为：其中，I(x,y)是经双边滤波的鱼眼针端子图像；Ω是所述鱼眼针端子图像中像素的邻域；ω(i,j)是所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值；n(i,j)为所述鱼眼针端子图像；ωp是标准量。
一实施例中，ωp＝∑i,j∈Ωω(i,j)。
可以理解，双边滤波器是基于高斯滤波器的改进算法，可以被认为是一种加权的非线性高斯滤波器。双边滤波器中的权值ω(i,j)为高斯滤波的权值ωg(i,j)和像素值变化的权值ωs(i,j)的乘积。由于鱼眼针端子图像边缘处的像素值变化较大，所以ωs(i,j)的值较小，导致ω(i,j)变小，从而使得双向滤波器在鱼眼针端子图像边缘处的滤波作用减小，在去除鱼眼针端子图像噪声的同时，有助于提取到有效边缘信息。
高斯滤波的权值ωg(i,j)可以通过以下公式表示：
像素值变化的权值ωs(i,j)可以通过以下公式表示：
其中，σg和σs是两个滤波权值的高斯函数标准差；S(x,y)表示鱼眼针端子图像中的像素点，S(i,j)表示深度图像中的像素值。高斯滤波的权值ωg忽略了图像灰度值变化，因此，可以在去噪的同时会使边缘变得平滑。基于双边滤波器的双边滤波增加考虑端子图像灰度值变化的权值ωs，由此，可以更好地保持图像的边缘信息。
一实施例中，为了使用完整的边缘信息来补全图像中缺失的信息，双边滤波器可以在高斯滤波的基础上引入用于表示灰度化后的图像中灰度值变化的权值ωh(i,j)，以对图像进行修复和校正。相较于原始鱼眼针端子图像，灰度化后的图像能够更为精确第描述端子的边缘信息，当鱼眼针端子图像边缘处像素值变化较大时，ωh(i,j)较小，从而使得边缘处整体的权值ω变小，从而达到去噪和保边的效果。
一实施例中，用于表示灰度化后的图像中灰度值变化的权值ωh(i,j)可以通过以下公式表示：
其中，ωh(i,j)代表鱼眼针端子图像灰度值变化的权值，H(i,j)表示灰度化后图像的像素值，H(x,y)表示灰度图的像素点，σh表示用于改进双边滤波器权值的高斯函数标准差。
进一步地，引入ωh(i,j)后，所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值可以表示为：ω(i,j)＝ωg(i,j)×ωh(i,j)，其中，ωg(i,j)为所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处进行高斯滤波的权值，ωh(i,j)为所述鱼眼针端子图像经灰度化后在像素点(i,j)处的灰度值变化的权值。相较于原始鱼眼针端子图像，灰度化后的图像能够更为精确地描述端子的边缘信息，当鱼眼针端子图像边缘处像素值变化较大时，ωh(i,j)较小，从而使得边缘处整体的权值ω变小，从而达到去噪和保边的效果。
一实施例中，所述对鱼眼针端子图像进行双边滤波，包括：对所述鱼眼针端子图像进行基于快速高斯变换的双边滤波。
可以理解，相关技术中，双边滤波算法的实时性不佳。示例性地，假设输入图像的分辨率为M×N，滤波窗口半径为r，则双边滤波算法的权值计算的复杂度为O((M×N×n)2)。然而，由于双边滤波器所使用的核函数为高斯函数，通过在双边滤波时引入快速高斯变换，可以降低计算复杂度。
具体地，在快速高斯变换过程中，使用Hermite函数对变换过程进行定义：
对其进行Hermite展开可以得出：
对上面的式子进行变换可以得出：
则一维高斯核函数可以表示为：
通过对鱼眼针端子图像进行基于快速高斯变换的双边滤波，在双边滤波的过程中可以取一维高斯变换中的前r项来计算权值，从而将权值计算的复杂度降至O((M+N)×r)，相较于直接使用高斯函数的计算复杂度更低，从而有助于提升运算速度，进而提升测量效率。
步骤S14，对经双边滤波的鱼眼针端子图像进行边缘检测，以确定出所述鱼眼针端子图像中的端子区域。
一实施例中，步骤S14包括：基于Canny边缘检测算法对经双边滤波的鱼眼针端子图像进行边缘检测。
一实施例中，所述基于Canny边缘检测算法对经双边滤波的鱼眼针端子图像进行边缘检测，包括以下步骤。
首先，对所述经双边滤波的鱼眼针端子图像进行平滑滤波。
示例性地，可以采用高斯滤波器对经双边滤波的语言真的燕子图像进行平滑滤波。高斯滤波器所使用的高斯函数的公式可以表示为：
其中，x、y分别为当前点与目标点之间的水平和垂直距离；σ为标准差。
对高斯滤波器与原鱼眼针端子图像进行卷积，以对经双边滤波的鱼眼针端子图像进行平滑滤波。
G(x,y)＝f(x,y)*H(x,y)
其中，f(x,y)为原鱼眼针端子图像，G(x,y)为卷积后的鱼眼针端子图像(即，经平滑滤波的鱼眼针端子图像)。
接着，对经平滑滤波的鱼眼针端子图像进行梯度计算，以确定经平滑滤波的鱼眼针端子图像的梯度矩阵。梯度矩阵包括经平滑滤波的鱼眼真端子图像中各像素点的梯度信息。梯度信息可以包括梯度值及方向角。
示例性地，变化率(图像梯度)可以采用一阶微分表示，而一阶微分可以被一阶差分取代来计算经平滑滤波的鱼眼针端子图像灰度值变化情况。此处所采用的卷积模板为一阶差分，即：
将卷积模板与经平滑滤波的鱼眼针端子图像进行卷积。
基于以下公式确定梯度值及方向角/>
接着，对所述经平滑滤波的鱼眼针端子图像的梯度矩阵进行非极大值抑制。
示例性地，对于梯度矩阵中的每个像素点O(x,y)，可以将其梯度方向分为0°、45°、90°和135°四个方向，然后，在每个方向上比较中心点O(x,y)与相邻两个像素的梯度大小。如果中心点O(x,y)的梯度值最大，则保留该值；反之则将该值置为0，由此，消除非极大值对后续处理的影响。
然后，对经非极大值抑制的鱼眼针端子图像进行双阈值边缘提取。
示例性地，可以使用双阈值算法来提取边缘和平滑边缘。双阈值算法采用两个阈值T1和T2对经非极大值抑制后的鱼眼针端子图像进行处理。阈值T1大于阈值T2。通过阈值T1对经非极大值抑制后的鱼眼针端子图像进行分割可以得到强边缘图像，其中包含较少的假边缘。通过阈值T2对经非极大值抑制后的鱼眼针端子图像进行分割，可以处理边缘不连续或不够平滑的情况，以便连接边缘。由此，可以得到鱼眼针端子较为清晰的边缘轮廓。该边缘轮廓可用于创建匹配模板。可以理解，双阈值算法的具体处理过程可以参考相关技术，本申请不做展开介绍。
步骤S15，对所述端子区域进行特征点提取。特征点可以是鱼眼针端子在水平和垂直方向存在明显变化的特征点，例如，对应鱼眼针端子尖端的顶点，鱼眼针端子尾部的拐点等。
一实施例中，所述对所述端子区域进行特征点提取，包括：采用Forstner算子对所述端子区域进行特征点提取。
示例性地，采用Forstner算子对端子区域进行特征点提取可以包括以下步骤。
首先，计算鱼眼针端子图像中各像素的Roberts梯度：
接着，计算n x n(例如，5x5)窗口内的灰度协方差矩阵：
接着，计算兴趣值q及w：
其中，矩阵N的行列式为detN，其迹为traceN。
接着，从前面所确定的兴趣值中筛选候选点。具体地，设定候选判定阈值Tq和Tw，将前面所算的兴趣值中q>Tq，w>Tw的点作为候选点。
最后，选择极值点。具体地，可以以w为参考，将窗口范围内的w最大的点作为提取到的特征点。其中，w表示在Forstner算子中，选择极值点时所依据的参考属性(或者说，兴趣属性)。
示例性地，对于前一步骤所得到的多个候选点，确定选择极值点所依据的参考属性w为参考属性可以为协方差矩阵的特征强度(可视为特征点的可靠性或显著性度量)，此时，从多个后端点中选择极值点的具体过程可以包括：对于每个候选点，定义一个以该点为中心的窗口范围，窗口大小可以根据具体的应用需求确定；在该窗口范围内，比较候选点和其周围点的w值，并将具有最大w值的点为极值点(即，特征点)。
通过这样的方式可以确保最终选出特征点具有较高的特征强度，从而提供精确的特征点定位。由此，有助于过滤掉特征强度较低或不明显的候选点，从而选择出较具有代表性的特征点用于后续的图像处理任务。
可以理解，Forstner算子能够克服复杂场景下的特征提取不准确的问题，且其基于图像的二阶矩阵计算得到，对于光照和噪声的鲁棒性较好。由此，使得Forstner算子在复杂的光照和噪声环境下依然能够提取出稳定的图像特征，进而使得相较于相关技术中的其他特征点检测算子，Forstner算子能够具有更高的时间复杂度实现图像特征点的精确定位。
步骤S16，将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部区域的图像。
一实施例中，步骤S16可以包括以下步骤。
首先，对所提取的特征点进行归一化互相关处理，以确定多个匹配点对。
可以理解，当步骤S15采用Forstner算子对端子区域进行特征点提取时，所提取到的特征点中存在由于端子区域中的纹理、噪声等因素引起的冗余特征点。因此，步骤S15所提取到的鱼眼针端子的特征点中，并非每个特征点均能在模板中找到对应的点。对于这种情况，可以通过对所提取的特征点进行归一化互相关处理，有效地移除冗余特征点。
归一化互相关处理(NCC)是利用图像特征点邻域内像素灰度的相似性进行匹配，其能够解决光照敏感的问题，有效避免图像的灰度差异，且具有强大的抗干扰能力。
归一化互相关处理的相似性度量公式如下：
其中，W是窗口或区域，表示要对像素进行匹配的范围，x和y是图像中待匹配像素点的横纵坐标，I1(x,y)和I2(x,y)表示鱼眼针端子图像和模板中的所有待匹配像素点，和分别表示待匹配的两图像其中之一的所有待匹配像素点的均值，以及两图像中另一者的所有待匹配像素点的均值，示例性地，在本实施例中，/>和/>分别表示鱼眼针端子图像中所有待匹配像素点的均值，以及模板中所有待匹配像素点的均值。
其中，和/>计算方式可以是在窗口或区域内对像素值进行平均。
上述公式中，通过减去均值可以减去曝光参数的差异，防止曝光参数不通致使一幅图像整体偏暗，而一幅图像整体偏亮的情况。
归一化互相关处理的大致过程如下：首先，针对鱼眼针端子图像中的每个特征点，以该特征点为中心，计算一预设大小的窗口内的像素灰度平均值，针对模板中的每个特征点，以该特征点为中心，计算该预设大小的窗口内的像素灰度平均值；然后，根据归一化互相关处理的相似性度量公式分别针对鱼眼针端子图像及模板计算用于表征两个特征点相关性的NCC值；接着，将鱼眼针端子图像中NCC值大于预设阈值的特征点作为鱼眼针端子图像的候选匹配点，将模板中NCC值大于预设阈值的特征点作为模板的候选匹配点；接着，通过双向搜索找到鱼眼针端子图像与模板中相互匹配的特征点对。通过双向搜索和相关性的匹配，可以找到鱼眼针端子图像与模板中相互匹配的特征点对，从而用于后续的仿射变换参数的计算。
进一步地，通过双向搜索找到鱼眼针端子图像和模板中相互匹配的特征点对可以包括：针对鱼眼针端子图像中的各候选匹配点，在模板中寻找与该候选匹配点相关性最大的特征点，与此同时，针对模板中的各候选匹配点，在鱼眼针端子图像中寻找与该候选匹配点相关性最大的特征点，然后将鱼眼针端子图像中各候选匹配点和模板中与之相关性最大的特征点，以及模板中各候选匹配点和鱼眼针端子图像中与之相关性最大的特征点，作为鱼眼针端子图像与模板中相互匹配的匹配点对。接着，基于所述多个匹配点对中至少4个匹配点对确定投影变换矩阵。
具体地，在确定出多个匹配点对之后，可以基于多个匹配点对确定鱼眼针端子图像与模板之间的投影变换关系。变换关系可以通过变换矩阵来表示：
其中，像素坐标(x,y)为参考图像(本申请中为模板)中的坐标点，对应的目标图像(本申请中为鱼眼针端子图像)的像素坐标为(x,y)。可以理解，上述变换矩阵中有8个自由度，实际计算时，通过将4个匹配的匹配点对带入到上述变换矩阵中可以求得投影变换矩阵：
然后，基于所述投影变换矩阵对所述多个匹配点对进行筛选，以确定出最佳的仿射变换矩阵，得到所述鱼眼针端子的尖端及尾部区域的图像。
步骤S17，基于所述尖端及所述尾部区域的图像进行一维测量，确定出所述鱼眼针端子的长度。
通过步骤S11至S16可以利用形状匹配获得被测图像(采集图像中的鱼眼针端子图像)在模板上的位置，基于匹配点对之间的对应关系得到变换矩阵，利用仿射变换得到鱼眼针端子的尖端和尾部区域，然后，可以通过图像增强处理，将鱼眼针端子的尖端和尾部的部分更加清晰地展现出来，最后通过鱼眼针端子的尖端和尾部区域进行一维测量，测得鱼眼针端子的长度。
本申请所提供的鱼眼针端子长度测量方法可以实现鱼眼针端子长度的自动化测量，有助于提升测量效率；通过对采集图像进行目标检测，确定出采集图像中的鱼眼针端子图像，然后基于鱼眼针端子图像进行后续的分析及处理，有助于减少参数量，从而提高识别精度及准确度；对所述鱼眼针端子图像进行双边滤波，有助于减少图像噪声，进而提升测量精度。
请参阅图4，基于同一发明构思，本申请实施例还提供一种鱼眼针端子长度测量装置20，包括以下结构。
获取模块21，用于获取鱼眼针端子的采集图像；
目标检测模块22，用于对所述采集图像进行目标检测，以确定出所述采集图像中的鱼眼针端子图像；
双边滤波模块23，用于对所述鱼眼针端子图像进行双边滤波；
边缘检测模块24，用于对经双边滤波的鱼眼针端子图像进行边缘检测，以确定出所述鱼眼针端子图像中的端子区域；
特征点提取模块25，用于对所述端子区域进行特征点提取；
特征点匹配模块26，用于将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部区域的图像；
测量模块27，用于基于所述尖端及所述尾部区域的图像进行一维测量，确定出所述鱼眼针端子的长度。
一些实施例中，目标检测模块22具体用于将所述采集图像输入预先训练好的图像识别模型进行目标检测，以确定出所述采集图像中的鱼眼针端子图像。
一实施例中，所述预先训练好的图像识别模型为基于YOLOX的算法模型。
双边滤波模块23用于采用双边滤波器对所述鱼眼针端子图像进行双边滤波；所述双边滤波器的滤波公式为：
其中，I(x,y)是经双边滤波的鱼眼针端子图像；Ω是所述鱼眼针端子图像中像素的邻域；ω(i,j)是所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值；n(i,j)为所述鱼眼针端子图像；ωp是标准量。
一实施例中，所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值：ω(i,j)＝ωg(i,j)×ωh(i,j)，其中，ωg(i,j)为所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处进行高斯滤波的权值，ωh(i,j)为所述鱼眼针端子图像经灰度化后在像素点(i,j)处的灰度值变化的权值。
一实施例中，双边滤波模块23用于对所述鱼眼针端子图像进行基于快速高斯变换的双边滤波。
一些实施例中，边缘检测模块24用于基于Canny边缘检测算法对经双边滤波的鱼眼针端子图像进行边缘检测。
一实施例中，边缘检测模块24用于对所述经双边滤波的鱼眼针端子图像进行平滑滤波；对经平滑滤波的鱼眼针端子图像进行梯度计算，以确定经平滑滤波的鱼眼针端子图像的梯度矩阵；对所述经平滑滤波的鱼眼针端子图像的梯度矩阵进行非极大值抑制；对经非极大值抑制的鱼眼针端子图像进行双阈值边缘提取。
一些实施例中，特征点提取模块25用于采用forstner算子对所述端子区域进行特征点提取。
一实施例中，特征点提取模块25具体用于对所提取的特征点进行归一化互相关处理，以确定多个匹配点对；基于所述多个匹配点对中至少4个匹配点对确定投影变换矩阵；基于所述投影变换矩阵对所述多个匹配点对进行筛选，以确定出最佳的仿射变换矩阵，得到所述鱼眼针端子的尖端及尾部区域的图像。
可以理解，本申请实施例所提供的鱼眼针端子长度测量装置与前述实施例中的鱼眼针端子长度测量方法对应，为使说明书简洁，相同或相似部分可以参照前述实施例中鱼眼针端子长度测量方法的相关内容，在此不做赘述。
上述鱼眼针端子长度测量装置20中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于服务器中的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元(CPU)、微处理器、单片机等。
上述鱼眼针端子长度测量方法和/或鱼眼针端子长度测量装置可以实现为一种计算机可读指令的形式，计算机可读指令可以在如图4所示的电子设备上运行。
本申请实施例还提供的一种电子设备，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可读指令，该处理器执行该程序时实现上述的鱼眼针端子长度测量方法。
图5为根据本申请的一个实施例的电子设备的内部结构示意图，电子设备可以为服务器。请参阅图5，该电子设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器、输入装置、显示屏和网络接口。其中，该电子设备的非易失性存储介质可存储操作系统和计算机可读指令，该计算机可读指令被执行时，可使得处理器执行本申请各实施例的一种鱼眼针端子长度测量方法，该方法的具体实现过程可参考图3的具体内容，在此不再赘述。该电子设备的处理器用于提供计算和控制能力，支撑整个电子设备的运行。该内存储器中可储存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种鱼眼针端子长度测量方法。电子设备的输入装置用于各个参数的输入，电子设备的显示屏用于进行显示，电子设备的网络接口用于进行网络通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
基于同一发明构思，本申请实施例提供的一种计算机可读存储介质，其上存储有计算机可读指令，该程序被处理器执行时实现上述的鱼眼针端子长度测量方法中的步骤。
如此处所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种鱼眼针端子长度测量方法，其特征在于，包括：
获取鱼眼针端子的采集图像；
对所述采集图像进行目标检测，以确定出所述采集图像中的鱼眼针端子图像；
对所述鱼眼针端子图像进行双边滤波；
对经双边滤波的鱼眼针端子图像进行边缘检测，以确定出所述鱼眼针端子图像中的端子区域；
对所述端子区域进行特征点提取；
将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部区域的图像；
基于所述尖端及所述尾部区域的图像进行一维测量，确定出所述鱼眼针端子的长度。
2.如权利要求1所述的鱼眼针端子长度测量方法，其特征在于，所述对所述采集图像进行目标检测，包括：
将所述采集图像输入预先训练好的图像识别模型进行目标检测，以确定出所述采集图像中的鱼眼针端子图像。
3.如权利要求2所述的鱼眼针端子长度测量方法，其特征在于，所述预先训练好的图像识别模型为基于YOLOX的算法模型。
4.如权利要求1所述的鱼眼针端子长度测量方法，其特征在于，所述对鱼眼针端子图像进行双边滤波，包括：
采用双边滤波器对所述鱼眼针端子图像进行双边滤波；
所述双边滤波器的滤波公式为：
其中，I(x,y)是经双边滤波的鱼眼针端子图像；Ω是所述鱼眼针端子图像中像素的邻域；ω(i,j)是所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值；n(i,j)为所述鱼眼针端子图像；ωp是标准量。
5.如权利要求4所述的鱼眼针端子长度测量方法，其特征在于，所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处的权值：ω(i,j)＝ωg(,j)×ωh(,j)，其中，ωg(i,j)为所述双边滤波器在所述鱼眼针端子图像的像素点(i,j)处进行高斯滤波的权值，ωh(,j)为所述鱼眼针端子图像经灰度化后在像素点(i,j)处的灰度值变化的权值。
6.如权利要求1所述的鱼眼针端子长度测量方法，其特征在于，所述对鱼眼针端子图像进行双边滤波，包括：对所述鱼眼针端子图像进行基于快速高斯变换的双边滤波。
7.如权利要求1所述的鱼眼针端子长度测量方法，其特征在于，对经双边滤波的鱼眼针端子图像进行边缘检测，包括：
基于Canny边缘检测算法对经双边滤波的鱼眼针端子图像进行边缘检测。
8.如权利要求7所述的鱼眼针端子长度测量方法，其特征在于，所述基于Canny边缘检测算法对经双边滤波的鱼眼针端子图像进行边缘检测，包括：
对所述经双边滤波的鱼眼针端子图像进行平滑滤波；
对经平滑滤波的鱼眼针端子图像进行梯度计算，以确定经平滑滤波的鱼眼针端子图像的梯度矩阵；
对所述经平滑滤波的鱼眼针端子图像的梯度矩阵进行非极大值抑制；
对经非极大值抑制的鱼眼针端子图像进行双阈值边缘提取。
9.如权利要求1所述的鱼眼针端子长度测量方法，其特征在于，所述对所述端子区域进行特征点提取，包括：
采用forstner算子对所述端子区域进行特征点提取。
10.如权利要求1所述的鱼眼针端子长度测量方法，其特征在于，所述将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部的区域的图像，包括：
对所提取的特征点进行归一化互相关处理，以确定多个匹配点对；
基于所述多个匹配点对中至少4个匹配点对确定投影变换矩阵；
基于所述投影变换矩阵对所述多个匹配点对进行筛选，以确定出最佳的仿射变换矩阵，得到所述鱼眼针端子的尖端及尾部区域的图像。
11.一种鱼眼针端子长度测量装置，其特征在于，包括：
获取模块，用于获取鱼眼针端子的采集图像；
目标检测模块，用于对所述采集图像进行目标检测，以确定出所述采集图像中的鱼眼针端子图像；
双边滤波模块，用于对所述鱼眼针端子图像进行双边滤波；
边缘检测模块，用于对经双边滤波的鱼眼针端子图像进行边缘检测，以确定出所述鱼眼针端子图像中的端子区域；
特征点提取模块，用于对所述端子区域进行特征点提取；
特征点匹配模块，用于将所提取的特征点与模板进行特征点匹配，确定所述鱼眼针端子的尖端及尾部区域的图像；
测量模块，用于基于所述尖端及所述尾部区域的图像进行一维测量，确定出所述鱼眼针端子的长度。
12.一种鱼眼针端子长度测量系统，其特征在于，包括：
成像装置，用于采集待测量的鱼眼针端子的图像；
处理器，用于基于所述成像装置所采集的图像执行如权利要求1至10任一项所述的鱼眼针端子长度测量方法。
13.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至10鱼眼针端子长度测量方法。
14.一种存储有计算机可读指令的非易失性可读存储介质，所述计算机可读指令被处理器执行时，使得所述处理器执行如权利要求1至10鱼眼针端子长度测量方法。
CN202311041590.8A 2023-08-17 2023-08-17 鱼眼针端子长度测量方法及系统 Pending CN117058216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311041590.8A CN117058216A (zh) 2023-08-17 2023-08-17 鱼眼针端子长度测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311041590.8A CN117058216A (zh) 2023-08-17 2023-08-17 鱼眼针端子长度测量方法及系统

Publications (1)

Publication Number Publication Date
CN117058216A true CN117058216A (zh) 2023-11-14

Family

ID=88658535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311041590.8A Pending CN117058216A (zh) 2023-08-17 2023-08-17 鱼眼针端子长度测量方法及系统

Country Status (1)

Country Link
CN (1) CN117058216A (zh)

Similar Documents

Publication Publication Date Title
JP3977776B2 (ja) ステレオキャリブレーション装置とそれを用いたステレオ画像監視装置
WO2016062159A1 (zh) 图像匹配方法及手机应用测试平台
JPH0528273A (ja) 画像処理方法および装置
CN106920245B (zh) 一种边界检测的方法及装置
JP5538868B2 (ja) 画像処理装置、その画像処理方法及びプログラム
US20080205769A1 (en) Apparatus, method and program product for matching with a template
US9767383B2 (en) Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image
US8315457B2 (en) System and method for performing multi-image training for pattern recognition and registration
CN107895377B (zh) 一种前景目标提取方法、装置、设备及存储介质
CN111368717A (zh) 视线确定方法、装置、电子设备和计算机可读存储介质
CN113962306A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN117372432B (zh) 基于图像分割的电子烟表面缺陷检测方法及系统
CN108229583B (zh) 一种基于主方向差分特征的快速模板匹配的方法及装置
CN110660102A (zh) 基于人工智能的说话人识别方法及装置、系统
CN111598913B (zh) 一种基于机器人视觉的图像分割方法和系统
CN114037992A (zh) 仪表示数识别方法、装置、电子设备及存储介质
CN114936997A (zh) 检测方法、装置、电子设备及可读存储介质
CN114119695A (zh) 一种图像标注方法、装置及电子设备
CN107145820B (zh) 基于hog特征和fast算法的双眼定位方法
CN113375555A (zh) 一种基于手机影像的电力线夹测量方法及系统
CN116188826A (zh) 一种复杂光照条件下的模板匹配方法及装置
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
CN117058216A (zh) 鱼眼针端子长度测量方法及系统
CN115620079A (zh) 样本标签的获取方法和镜头失效检测模型的训练方法
US11205064B1 (en) Measuring quality of depth images in real time

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