CN117274995B - 基于点云数据的二维泡沫图像标签自动生成方法和装置 - Google Patents

基于点云数据的二维泡沫图像标签自动生成方法和装置 Download PDF

Info

Publication number
CN117274995B
CN117274995B CN202311561874.XA CN202311561874A CN117274995B CN 117274995 B CN117274995 B CN 117274995B CN 202311561874 A CN202311561874 A CN 202311561874A CN 117274995 B CN117274995 B CN 117274995B
Authority
CN
China
Prior art keywords
point cloud
dimensional
cloud data
foam
rgb image
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.)
Active
Application number
CN202311561874.XA
Other languages
English (en)
Other versions
CN117274995A (zh
Inventor
王健全
陈肖启
马建福
王振乾
付美霞
王曲
李卫
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.)
Chengdu Xingyun Zhilian Technology Co ltd
University of Science and Technology Beijing USTB
Original Assignee
Chengdu Xingyun Zhilian Technology Co ltd
University of Science and Technology Beijing USTB
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 Chengdu Xingyun Zhilian Technology Co ltd, University of Science and Technology Beijing USTB filed Critical Chengdu Xingyun Zhilian Technology Co ltd
Priority to CN202311561874.XA priority Critical patent/CN117274995B/zh
Publication of CN117274995A publication Critical patent/CN117274995A/zh
Application granted granted Critical
Publication of CN117274995B publication Critical patent/CN117274995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Generation (AREA)

Abstract

本发明涉及泡沫浮选技术领域，尤其涉及一种基于点云数据的二维泡沫图像标签自动生成方法和装置，所述方法包括：S1、收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；S2、根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；S3、根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；S4、将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签。本发明能够简化二维泡沫图像数据的标注工作，自动生成二维泡沫图像的标签。

Description

基于点云数据的二维泡沫图像标签自动生成方法和装置
技术领域
本发明涉及泡沫浮选技术领域，尤其涉及一种基于点云数据的二维泡沫图像标签自动生成方法方法和装置。
背景技术
泡沫浮选法是一种利用矿物颗粒表面物理化学性质差异，实现不同矿物有效分离的选矿方法。在基于泡沫浮选的矿物质或金属材料提取工艺流程中，浮选工需观察漂浮在矿浆表面的泡沫特征，并根据经验调整药剂的加入量，其主要观察的泡沫特征包括，泡沫的色泽、大小、数量等。近年来随着图像处理技术和计算机技术的不断发展，以人工智能算法替代浮选工进行泡沫质量的评估，其本质在于让机器精准识别上述泡沫特征。让机器准确识别图像中包含的气泡大小和数量，其核心在于对图像中的泡沫个体进行像素级划分，即识别出图像中哪些像素点属于同一个泡沫，因此模型训练前期需准备的数据标签也是要标注出单个泡沫所占的像素区域，通常采用沿图像中泡沫边缘构建闭合多边形的方式生成二维泡沫图像的标签，由于泡沫数量多，边缘不清晰，标注工作费时费力，极大影响深度学习算法在泡沫浮选场景中的部署应用，因此如何简化二维泡沫图像数据的标注工作、或自动生成泡沫图像的标签是亟需解决的重要问题。
发明内容
本发明提供了一种基于点云数据的二维泡沫图像标签自动生成方法和装置，用以解决现有技术存在的问题，本发明提供的技术方案如下：
一方面，提供了一种基于点云数据的二维泡沫图像标签自动生成方法，所述方法包括：
S1、收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；
S2、根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；
S3、根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；
S4、将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签。
可选地，所述S2，具体包括：
遍历所有新的点云数据[u,v,x,y,z]中的u值和v值，分别获取u和v的最小值及最大值，记作，以/>四个像素点构成的矩形边界，对二维RGB图像进行裁剪。
可选地，所述S3，具体包括：
记新的点云数据中x最小值和最大值为、/>，y的最小值和最大值为/>、；
按行标记泡沫边缘点云，包括：
S311、初始化x=，y=/>；
S312、计算z[x,y]关于y的差分为，/>关于y的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S313、设置y=y+1，返回S312，直至；
S314、设置x=x+1，重复S312和S313，直至。
可选地，所述方法还包括：
按列标记泡沫边缘点云，包括：
S321、初始化x=，y=/>；
S322、计算z[x,y]关于x的差分为，z[x+1,y]关于x的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S323、设置x=x+1，返回步骤S322，直至；
S324、设置y=y+1，重复步骤S322和S323，直至。
可选地，所述S4，具体包括：
遍历所有新的点云数据[u,v,x,y,z]，若某点云数据被标记为泡沫边缘点云，则将（u，v）对应的二维RGB图像的像素点标记为泡沫边缘像素点，标记二维RGB图像中所有的泡沫边缘像素点，生成二维泡沫图像的标签。
另一方面，提供了一种基于点云数据的二维泡沫图像标签自动生成装置，所述装置包括：
收集模块，用于收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；
裁剪模块，用于根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；
标记模块，用于根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；
生成模块，用于将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签。
可选地，所述裁剪模块，具体用于：
遍历所有新的点云数据[u,v,x,y,z]中的u值和v值，分别获取u和v的最小值及最大值，记作，以/>四个像素点构成的矩形边界，对二维RGB图像进行裁剪。
可选地，所述标记模块，具体用于：
记新的点云数据中x最小值和最大值为、/>，y的最小值和最大值为/>、/>；
按行标记泡沫边缘点云，包括：
S311、初始化x=，y=/>；
S312、计算z[x,y]关于y的差分为，/>关于y的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S313、设置y=y+1，返回S312，直至；
S314、设置x=x+1，重复S312和S313，直至。
可选地，所述标记模块，还用于：
按列标记泡沫边缘点云，包括：
S321、初始化x=，y=/>；
S322、计算z[x,y]关于x的差分为，z[x+1,y]关于x的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S323、设置x=x+1，返回步骤S322，直至；
S324、设置y=y+1，重复步骤S322和S323，直至。
可选地，所述生成模块，具体用于：
遍历所有新的点云数据[u,v,x,y,z]，若某点云数据被标记为泡沫边缘点云，则将（u，v）对应的二维RGB图像的像素点标记为泡沫边缘像素点，标记二维RGB图像中所有的泡沫边缘像素点，生成二维泡沫图像的标签。
另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有指令，所述指令由所述处理器加载并执行以实现上述基于点云数据的二维泡沫图像标签自动生成方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有指令，所述指令由处理器加载并执行以实现上述基于点云数据的二维泡沫图像标签自动生成方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
本发明能够简化二维泡沫图像数据的标注工作，自动生成二维泡沫图像的标签。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明实施例提供的一种基于点云数据的二维泡沫图像标签自动生成方法流程图；
图2为本发明实施例提供的根据z关于x方向的差分信息自动标记泡沫边缘点云示意图；
图3为本发明实施例提供的根据z关于y方向的差分信息自动标记泡沫边缘点云示意图；
图4为本发明实施例提供的一种基于点云数据的二维泡沫图像标签自动生成装置框图；
图5是本发明实施例提供的一种电子设备的结构示意图。
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的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
如图1所示，本发明实施例提供了一种基于点云数据的二维泡沫图像标签自动生成方法，所述方法包括：
S1、收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；
S2、根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；
S3、根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；
S4、将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签。
下面结合图2-图3，详细说明本发明实施例提供的一种基于点云数据的二维泡沫图像标签自动生成方法，包括：
S1、收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；
本发明实施例在泡沫浮选场景下，使用由多目点云相机采集的多模态数据，包括二维RGB图像数据和对应的三维点云数据，既利用了RGB图像丰富的色彩、纹理信息，还补充了三维点云的深度和几何结构信息，且二者具有标准的对应关系，不需要复杂的校正对齐算法。
S2、根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；
多目点云相机只能生成多相机所拍摄公共区域的三维点云数据，点云数据的二维尺寸小于原二维RGB图的二维尺寸，为了使点云数据与二维RGB图像数据匹配，需对二维RGB图像中点云未覆盖的区域进行裁剪。
可选地，所述S2，具体包括：
遍历所有新的点云数据[u,v,x,y,z]中的u值和v值，分别获取u和v的最小值及最大值，记作，以/>四个像素点构成的矩形边界，对二维RGB图像进行裁剪。
S3、根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；
上述组成的新的点云数据记录了浮选池中泡沫层的空间特征，若沿着点云数据x方向或y方向取样一行或一列点云数据，取出的点云数据散点图应呈现与图2或图3相似的特征（z值随x或y的变化呈现波浪形变化的趋势），图中的极小值点即为泡沫边缘对应的点云数据，可以利用计算差分的方法进行泡沫边缘点云数据的标记。本发明实施例提出基于新的点云数据的z关于x，y方向的差分信息，来自动标记泡沫边缘点云数据的方法，计算新的点云数据的z关于x，y方向两组差分数据是为了提取更全面的泡沫边缘。
可选地，所述S3，具体包括：
记新的点云数据中x最小值和最大值为、/>，y的最小值和最大值为/>、；
按行标记泡沫边缘点云，包括：
S311、初始化x=，y=/>；
S312、计算z[x,y]关于y的差分为，/>关于y的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S313、设置y=y+1，返回S312，直至；
S314、设置x=x+1，重复S312和S313，直至。
可选地，所述方法还包括：
按列标记泡沫边缘点云，包括：
S321、初始化x=，y=/>；
S322、计算z[x,y]关于x的差分为，z[x+1,y]关于x的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S323、设置x=x+1，返回步骤S322，直至；
S324、设置y=y+1，重复步骤S322和S323，直至。
S4、将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签。
可选地，所述S4，具体包括：
遍历所有新的点云数据[u,v,x,y,z]，若某点云数据被标记为泡沫边缘点云，则将（u，v）对应的二维RGB图像的像素点标记为泡沫边缘像素点，标记二维RGB图像中所有的泡沫边缘像素点，生成二维泡沫图像的标签（可以采用沿图像中泡沫边缘构建闭合多边形的方式生成二维泡沫图像的标签）。
如图4所示，本发明实施例还提供了一种基于点云数据的二维泡沫图像标签自动生成装置，所述装置包括：
收集模块410，用于收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；
裁剪模块420，用于根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；
标记模块430，用于根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；
生成模块440，用于将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签。
可选地，所述裁剪模块，具体用于：
遍历所有新的点云数据[u,v,x,y,z]中的u值和v值，分别获取u和v的最小值及最大值，记作，以/>四个像素点构成的矩形边界，对二维RGB图像进行裁剪。
可选地，所述标记模块，具体用于：
记新的点云数据中x最小值和最大值为、/>，y的最小值和最大值为/>、；
按行标记泡沫边缘点云，包括：
S311、初始化x=，y=/>；
S312、计算z[x,y]关于y的差分为，/>关于y的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S313、设置y=y+1，返回S312，直至；
S314、设置x=x+1，重复S312和S313，直至。
可选地，所述标记模块，还用于：
按列标记泡沫边缘点云，包括：
S321、初始化x=，y=/>；
S322、计算z[x,y]关于x的差分为，z[x+1,y]关于x的差分为/>，若/><0且/>>0，则标记/>对应的点云为泡沫边缘点云；
S323、设置x=x+1，返回步骤S322，直至；
S324、设置y=y+1，重复步骤S322和S323，直至。
可选地，所述生成模块，具体用于：
遍历所有新的点云数据[u,v,x,y,z]，若某点云数据被标记为泡沫边缘点云，则将（u，v）对应的二维RGB图像的像素点标记为泡沫边缘像素点，标记二维RGB图像中所有的泡沫边缘像素点，生成二维泡沫图像的标签。
本发明实施例提供的一种基于点云数据的二维泡沫图像标签自动生成装置，其功能结构与本发明实施例提供的一种基于点云数据的二维泡沫图像标签自动生成方法相对应，在此不再赘述。
图5是本发明实施例提供的一种电子设备500的结构示意图，该电子设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）501和一个或一个以上的存储器502，其中，所述存储器502中存储有指令，所述指令由所述处理器501加载并执行以实现上述基于点云数据的二维泡沫图像标签自动生成方法的步骤。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于点云数据的二维泡沫图像标签自动生成方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
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令相关的硬件完成，所述的程序可以存储于一种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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于点云数据的二维泡沫图像标签自动生成方法，其特征在于，所述方法包括：
S1、收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；
S2、根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；
S3、根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；
S4、将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签；
所述S3，具体包括：
记新的点云数据中x最小值和最大值为、/>，y的最小值和最大值为/>、；
按行标记泡沫边缘点云，包括：
S311、初始化x=，y=/>；
S312、计算z[x,y]关于y的差分为，/>关于y的差分为，若/><0且/>2>0，则标记/>对应的点云为泡沫边缘点云；
S313、设置y=y+1，返回S312，直至；
S314、设置x=x+1，重复S312和S313，直至；
按列标记泡沫边缘点云，包括：
S321、初始化x=，y=/>；
S322、计算z[x,y]关于x的差分为，z[x+1,y]关于x的差分为/>，若/><0且/>4>0，则标记/>对应的点云为泡沫边缘点云；
S323、设置x=x+1，返回步骤S322，直至；
S324、设置y=y+1，重复步骤S322和S323，直至。
2.根据权利要求1所述的方法，其特征在于，所述S2，具体包括：
遍历所有新的点云数据[u,v,x,y,z]中的u值和v值，分别获取u和v的最小值及最大值，记作，以/>四个像素点构成的矩形边界，对二维RGB图像进行裁剪。
3.根据权利要求1所述的方法，其特征在于，所述S4，具体包括：
遍历所有新的点云数据[u,v,x,y,z]，若某点云数据被标记为泡沫边缘点云，则将（u，v）对应的二维RGB图像的像素点标记为泡沫边缘像素点，标记二维RGB图像中所有的泡沫边缘像素点，生成二维泡沫图像的标签。
4.一种基于点云数据的二维泡沫图像标签自动生成装置，其特征在于，所述装置包括：
收集模块，用于收集泡沫浮选过程中的二维RGB图像数据和对应的三维点云数据，并组成新的点云数据[u,v,x,y,z]，其中，x,y,z为三维点云数据，u,v为对应的二维RGB图像中的像素位置；
裁剪模块，用于根据新的点云数据大小，对二维RGB图像中点云未覆盖的区域进行裁剪；
标记模块，用于根据新的点云数据的z关于x，y方向的差分信息，自动标记泡沫边缘点云；
生成模块，用于将所述泡沫边缘点云映射至裁剪后的二维RGB图像，生成二维泡沫图像的标签；
所述标记模块，具体用于：
记新的点云数据中x最小值和最大值为、/>，y的最小值和最大值为/>、；
按行标记泡沫边缘点云，包括：
S311、初始化x=，y=/>；
S312、计算z[x,y]关于y的差分为，/>关于y的差分为/>，若/><0且/>2>0，则标记/>对应的点云为泡沫边缘点云；
S313、设置y=y+1，返回S312，直至；
S314、设置x=x+1，重复S312和S313，直至；
按列标记泡沫边缘点云，包括：
S321、初始化x=，y=/>；
S322、计算z[x,y]关于x的差分为，z[x+1,y]关于x的差分为/>，若/><0且/>4>0，则标记/>对应的点云为泡沫边缘点云；
S323、设置x=x+1，返回步骤S322，直至；
S324、设置y=y+1，重复步骤S322和S323，直至。
5.根据权利要求4所述的装置，其特征在于，所述裁剪模块，具体用于：
遍历所有新的点云数据[u,v,x,y,z]中的u值和v值，分别获取u和v的最小值及最大值，记作，以四个像素点构成的矩形边界，对二维RGB图像进行裁剪。
6.根据权利要求4所述的装置，其特征在于，所述生成模块，具体用于：
遍历所有新的点云数据[u,v,x,y,z]，若某点云数据被标记为泡沫边缘点云，则将（u，v）对应的二维RGB图像的像素点标记为泡沫边缘像素点，标记二维RGB图像中所有的泡沫边缘像素点，生成二维泡沫图像的标签。
CN202311561874.XA 2023-11-22 2023-11-22 基于点云数据的二维泡沫图像标签自动生成方法和装置 Active CN117274995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311561874.XA CN117274995B (zh) 2023-11-22 2023-11-22 基于点云数据的二维泡沫图像标签自动生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311561874.XA CN117274995B (zh) 2023-11-22 2023-11-22 基于点云数据的二维泡沫图像标签自动生成方法和装置

Publications (2)

Publication Number Publication Date
CN117274995A CN117274995A (zh) 2023-12-22
CN117274995B true CN117274995B (zh) 2024-02-13

Family

ID=89218245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311561874.XA Active CN117274995B (zh) 2023-11-22 2023-11-22 基于点云数据的二维泡沫图像标签自动生成方法和装置

Country Status (1)

Country Link
CN (1) CN117274995B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903327A (zh) * 2019-03-04 2019-06-18 西安电子科技大学 一种稀疏点云的目标物尺寸测量方法
CN113393432A (zh) * 2021-06-09 2021-09-14 紫金矿业集团股份有限公司 一种智能泡沫浮选检测系统
CN116258719A (zh) * 2023-05-15 2023-06-13 北京科技大学 基于多模态数据融合的浮选泡沫图像分割方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011070927A1 (ja) * 2009-12-11 2011-06-16 株式会社トプコン 点群データ処理装置、点群データ処理方法、および点群データ処理プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903327A (zh) * 2019-03-04 2019-06-18 西安电子科技大学 一种稀疏点云的目标物尺寸测量方法
CN113393432A (zh) * 2021-06-09 2021-09-14 紫金矿业集团股份有限公司 一种智能泡沫浮选检测系统
CN116258719A (zh) * 2023-05-15 2023-06-13 北京科技大学 基于多模态数据融合的浮选泡沫图像分割方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付美霞 ; 王健全 ; 王曲 ; 孙雷 ; 马彰超 ; 张超一 ; 管婉青 ; 李卫.《5G环境下基于深度学习的云化PLC物料识别与定位系统》.《工程科学学报》.2023,第1-8页. *

Also Published As

Publication number Publication date
CN117274995A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
CN104134234B (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN109934826B (zh) 一种基于图卷积网络的图像特征分割方法
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
CN111582093A (zh) 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法
CN101794459A (zh) 一种立体视觉影像与三维虚拟物体的无缝融合方法
CN113345092B (zh) 一种实景三维模型的地面模型与非地面模型自动分离方法
CN114612665B (zh) 基于法向量直方图特征的位姿估计及动态车辆检测方法
CN114117614A (zh) 一种建筑物立面纹理自动生成方法和系统
CN116052105A (zh) 路面裂缝识别分类及面积计算方法、系统、设备及终端
CN115937461A (zh) 多源融合模型构建及纹理生成方法、装置、介质及设备
CN114972646A (zh) 一种实景三维模型独立地物的提取与修饰方法及系统
CN109215047B (zh) 基于深海视频的运动目标检测方法和装置
CN117274995B (zh) 基于点云数据的二维泡沫图像标签自动生成方法和装置
CN110378336A (zh) 训练样本中目标物体的语义级标注方法、装置及存储介质
CN113570615A (zh) 一种基于深度学习的图像处理方法、电子设备及存储介质
CN116051980B (zh) 基于倾斜摄影的建筑识别方法、系统、电子设备及介质
CN115861532A (zh) 基于深度学习的植被地物模型重建方法与系统
CN115578362A (zh) 电极涂层的缺陷检测方法、装置、电子设备及介质
CN109685074B (zh) 一种基于Scharr算子的银行卡卡号行定位方法
CN117474806B (zh) 一种基于全局结构编码的全景图像修复方法
CN110599587A (zh) 一种基于单张图像的3d场景重构技术
Song et al. Building roof detection from a single high-resolution satellite image in dense urban area
CN117292159B (zh) 一种建筑模型招牌纹理自动优化方法和系统
Wang et al. Extracting surface textures and microstructures from multiple aerial images

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