CN117784160A - 一种基于深度学习的预埋件位置检查方法及检查设备 - Google Patents
一种基于深度学习的预埋件位置检查方法及检查设备 Download PDFInfo
- Publication number
- CN117784160A CN117784160A CN202311766881.3A CN202311766881A CN117784160A CN 117784160 A CN117784160 A CN 117784160A CN 202311766881 A CN202311766881 A CN 202311766881A CN 117784160 A CN117784160 A CN 117784160A
- Authority
- CN
- China
- Prior art keywords
- embedded part
- target
- pixel
- level
- coordinates
- 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 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000007689 inspection Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 19
- 238000005259 measurement Methods 0.000 description 23
- 238000009434 installation Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007664 blowing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于深度学习的预埋件位置检查方法及检查设备，属于预埋件施工的技术领域；方法包括：将多个预埋件框在整体标靶的镂空区域，并将整体标靶固定在墙体上；对整体标靶进行图像采集；利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标的区域；获取四个像素级圆形靶标的中心提取坐标；获取预埋件的检测坐标；获取检测坐标与目标坐标的偏差值，完成对预埋件位置的检查；本发明设置整体标靶和圆形靶标，能够提高对预埋件的目标检测效果，从而提高检测精度；同时本发明的整体标靶与工控机配合使用，能够保证预埋件的验收要求，同时快速的实现多个预埋件的位置检查。
Description
技术领域
本发明属于预埋件施工的技术领域，具体涉及一种基于深度学习的预埋件位置检查方法及检查设备。
背景技术
核电厂房由于管道、电缆桥架多，墙体需预先安装大量埋件，埋件安装质量是施工过程中控制的关键点，埋件位置检查验收需占用大量的工作时间，严重影响施工进度，提高埋件位置验收效率是实现核电建造高质量发展的关键要素，是保证核电建造安全的基础保证。
对于埋件的安装位置检查，现有技术中普遍依赖人工直接测量，即人力借助传统测量工具(如卷尺)或者自动测量工具(激光测距仪)对埋件的位置进行测量记录，但是依赖人工实现对埋件位置的检查，需要依次对每一个埋件进行测量，由于埋件数量过多，导致劳动效率很低。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于深度学习的预埋件位置检查方法及检查设备，能够在保证验收要求的同时，实现对数量众多的预埋件快速进行位置检查。
本发明提供了如下的技术方案：
第一方面，提供了一种基于深度学习的预埋件位置检查方法，包括：
将多个预埋件框在整体标靶的镂空区域，并将整体标靶固定在墙体上，同时获取至少一个位于整体标靶边缘角的圆形靶标的量测坐标位置；
在距离墙体设定距离的位置，对整体标靶进行图像采集；
利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标的区域；
根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正；
对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标；
将预埋件的检测坐标和预埋件的目标坐标进行对比，获取检测坐标与目标坐标的偏差值，完成对预埋件位置的检查。
可选地，所述将多个预埋件框在整体标靶的镂空区域，并将整体标靶固定在墙体上，同时记录位于整体标靶四个边缘角的圆形靶标的量测坐标位置中，所述圆形靶标和整体标靶的颜色不同；所述整体标靶为红色，所述圆形靶标为绿色。
可选地，所述利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标的区域包括：
将位于整体标靶外边缘外侧的图像定义为背景，并将背景进行去除；
编码器将采集的图像进行处理，生成低分辨率的特征表示；
解码器接收编码器的输出，通过上采样和卷积操作逐渐将特征图恢复到原始分辨率；
在解码器的不同层级，跳接将来自编码器的特征图与解码器的特征图融合，以保留高级和低级的信息，并最终输出分辨率相同的像素级预埋件区域和像素级圆形靶标的区域。
可选地，所述根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正中，所述获取四个像素级圆形靶标的中心提取坐标是通过最小二乘拟合整体标靶中四个像素级圆形靶标的中心提取坐标。
可选地，所述根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正中，所述对每个像素级预埋件的区域进行校正，是利用透视变换来纠正图像的透视效果，以将每个像素级预埋件的区域校正为正射。
可选地，所述对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标包括：
采用Canny边缘提取算法，通过双阈值的设置对断裂边缘进行连接，获取预埋件区域四个角点的检测坐标；
根据四个角点的检测坐标，确定四个角点的检测坐标平均值，并把四个角点的检测坐标平均值作为预埋件的检测坐标。
第二方面，提供了一种基于深度学习的预埋件位置检查设备，包括整体标靶、图像采集组件和工控机；
所述整体标靶安装在墙体上，多个预埋件框位于整体标靶的镂空区域，整体标靶的四个边缘角均设有圆形标靶；
图像采集组件，用于在距离墙体设定距离的位置，对整体标靶进行图像采集；
工控机与所述图像采集组件相连；工控机包括输入单元、分割提取单元、校正单元、获取单元和对比输出单元；
输入单元，用于输入至少一个位于整体标靶四个边缘角的圆形靶标的量测坐标位置；
分割提取单元，用于利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标的区域；
校正单元，用于根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正；
获取单元，用于对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标；
对比输出单元，用于将预埋件的检测坐标和预埋件的目标坐标进行对比，获取检测坐标与目标坐标的偏差值，完成对预埋件位置的检查。
可选地，所述图像采集组件为工业相机和激光雷达；所述工控机通过USB Type-C连接线与HDMI连接线连接于触摸式显示器，通过电源线连接于外部电池；在所述工控机的底部还连接有三角支架。
与现有技术相比，本发明的有益效果是：
本发明设置整体标靶和圆形靶标，能够提高对预埋件的目标检测效果，从而提高检测精度；同时本发明的整体标靶与工控机配合使用，能够保证预埋件的验收要求，同时快速的实现多个预埋件的位置检查，操作简单，受杂光、阴雨、刮风等环境干扰小，另外，本发明可对20米范围内进行三维位置测量，实现0.01像素分辨率，测量精度优于4mm，有效满足了对现场施工的质量要求，大大提高了施工效率。
附图说明
图1是本发明的基于深度学习的预埋件位置检查方法的流程示意图；
图2是本发明的整体标靶的结构示意图；
图3是本发明的基于深度学习的预埋件位置检查设备的结构示意图；
图4是本发明的墙体埋件检查平面示意图；
图5是本发明的墙体埋件检查立面示意图；
图6是本发明的整体标靶的安装示意图；
图7是本发明基于深度学习的预埋件位置检查设备中触摸式显示器的界面。
图中，1、工控机；2、工业相机；3、激光雷达；4、像素镜头；5、触摸式显示器；6、电池；7、三角支架；8、电源线；9、USB Type-C连接线；10、HDMI连接线；11、相机电源线；12、整体标靶；121、圆形靶标。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
实施例一、
如图1所示，一种基于深度学习的预埋件位置检查方法，包括：
S1：将多个预埋件框在整体标靶12的镂空区域，并将整体标靶12固定在墙体上，同时获取至少一个位于整体标靶12边缘角的圆形靶标121的量测坐标位置。
如图2、5和6所示，M-1～M-36为第1-36个预埋件的埋件编号，12A～12D为四个圆形靶标121的标靶编号；整体标靶12的形状为“田”字型或者“口”字型，整体标靶12的四个边缘角均设有圆形靶标121；所述圆形靶标121和整体标靶12的颜色不同；所述整体标靶12为红色，所述圆形靶标121为绿色；当然，整体标靶12和圆形靶标121也可以设计成灰度值对比强烈的其他颜色，可以根据实际情况进行调整；整体标靶12的镂空区域为预埋件的位置，整体标靶12内有多个预埋件；整体标靶12可以是硬纸板，或者根据实际情况进行材质调整。
整体标靶12固定在墙上的时候，通过水平尺将整体标靶12调平，且其中一个圆形靶标121正对墙体控制线；整体标靶12与墙体之间可以通过可拆卸式方式进行固定。
四个圆形靶标121的量测坐标位置，可以基于传统的人工测量获得一个靶标的坐标，然后推导出剩下的三个坐标。
S2：在距离墙体设定距离的位置，对整体标靶12进行图像采集，如图4所示。
在进行图像采集的时候，借助像素镜头4，作为一种可选地，本实施例的工业相机2配置1200万的像素镜头4，以及借助激光雷达3的点云采集；图像采集的时间约6秒钟，从而能够提高多个预埋件位置检查的检查效率。
S3：利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标121的区域。
图像分割模型在对采集的图像进行分割提取前需要进行训练，Python语言深度学习埋件数据集制作，每个场景埋件照片120张，分别放入不同文件夹，对图像分割模型进行训练，提升精度。
具体地，S301：将位于整体标靶12外边缘外侧的图像定义为背景，并将背景进行去除。
S302：编码器将采集的图像进行处理，生成低分辨率的特征表示。
S303：解码器接收编码器的输出，通过上采样和卷积操作逐渐将特征图恢复到原始分辨率。
S304：在解码器的不同层级，跳接将来自编码器的特征图与解码器的特征图融合，以保留高级和低级的信息，并最终输出分辨率相同的像素级预埋件区域和像素级圆形靶标121的区域。
位于整体标靶12镂空区域内的预埋件为本次位置检查的预埋件，将背景去除，只留下预埋件，其解码器通过重新设计的跳接以相同的分辨率密集连接，融合来自编码器和解码器的相同比例的特征图，通过训练得到模型分割提取像素级预埋件。
图像分割模型可以根据实际情况进行选择，具体可以是基于图像灰度或者颜色自动识别预埋件。
S4：根据四个像素级圆形靶标121的区域，获取四个像素级圆形靶标121的中心提取坐标，并根据圆形靶标121的量测坐标位置，对每个像素级预埋件的区域进行校正。
具体地，所述根据四个像素级圆形靶标121的区域，获取四个像素级圆形靶标121的中心提取坐标，通过最小二乘拟合整体标靶12中四个像素级圆形靶标121的中心提取坐标，四个像素级圆形靶标121的中心提取坐标为四个像素级圆形靶标121的中心的坐标。
具体地，所述对每个像素级预埋件的区域进行校正，是利用透视变换来纠正图像的透视效果，以将每个像素级预埋件的区域校正为正射。
具体地，输入4个标靶量测坐标数据，与图像长方形方框标靶拟合坐标匹配，运用透视变换，利用透视中心、像点、目标点三点共线的条件，分割图像进行图像校正，按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换，将图像校正为正射。
S5：对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标。
具体地，S5-1:采用Canny边缘提取算法，通过双阈值的设置对断裂边缘进行连接，获取预埋件区域四个角点的检测坐标。
S5-2:根据四个角点的检测坐标，确定四个角点的检测坐标平均值，并把四个角点的检测坐标平均值作为预埋件的检测坐标。
S6：将预埋件的检测坐标和预埋件的目标坐标进行对比，获取检测坐标与目标坐标的偏差值，完成对预埋件位置的检查。
具体地，多个预埋件的检测坐标可以沿墙体方向进行排序，目标坐标的输入值也可以沿墙体方向进行排序，从而方便使用者直观的获悉具体那些预埋件符合偏差要求。
基于相机与激光雷达3的位置关系实现目标的点云分割，最终获得目标的三维位置，并将最终的测量结果输出，为现场施工快速提供了基础信息，而且架站灵活，测量快速，检查工具具有使用方便、测量精度高等优点，通过工装测量保证了基准点的位置确定，保证了测量精度，减少现场施工测量工作量，缩短施工工期，节约施工成本。
实施例二、
如图3所示，提供一种基于深度学习的预埋件位置检查设备，包括整体标靶12、图像采集组件和工控机；
所述整体标靶12安装在墙体上，多个预埋件均位于整体标靶12的镂空区域，整体标靶12的四个边缘角均设有圆形标靶；
图像采集组件，用于在距离墙体设定距离的位置，对整体标靶12进行图像采集；
工控机1与所述图像采集组件相连；工控机1包括输入单元、分割提取单元、校正单元、获取单元和对比输出单元；
输入单元，用于输入至少一个位于整体标靶12四个边缘角的圆形靶标121的量测坐标位置；
分割提取单元，用于利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标121的区域；
校正单元，用于根据四个像素级圆形靶标121的区域，获取四个像素级圆形靶标121的中心提取坐标，并根据圆形靶标121的量测坐标位置，对每个像素级预埋件的区域进行校正；
获取单元，用于对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标；
对比输出单元，用于将预埋件的检测坐标和预埋件的目标坐标进行对比，获取检测坐标与目标坐标的偏差值，完成对预埋件位置的检查。
具体地，若输入单元可以直接输入四个边缘角的圆形靶标121的量测坐标位置，当然也可以根据输入的一个圆形靶标量测坐标位置，计算出其他的圆形靶标量测坐标位置；
具体地，所述图像采集组件为工业相机2和激光雷达3；所述工控机1通过USBType-C连接线9与HDMI连接线10连接于触摸式显示器5，通过电源线8连接于外部电池6；在所述工控机1的底部还连接有三角支架7，工业相机通过相机电源线11也与外部电池6相连。
工控机1是内嵌有微处理模块的微型嵌入式工控机1，工控机1主要用于执行步骤S3-S6的方法的具体步骤。
如图7所示，触摸式显示器5能够显示采集的图像、采集的点云和测量结果等显示出来。
实施例三、
核电站核岛厂房属于核电站建设中的核心厂房，核安全标准要求高。在核岛厂房内部结构墙体上预埋有大量埋件，埋件安装位置需检查验收，检查验收合格后才能进入下一道工序，核岛安全厂房BSB3304VB墙有36块预埋件。
量取一个标靶点坐标12A(2988.500，5984.200，10.434)，推导出12B(2988.500，5984.200，10.884)，12C(2988.500，5985.150，10.884),12D(2988.500,5985.150,10.434)。
在墙体正前方架设激光相机融合设备，通过三角支架7架设激光相机融合设备，连接设备、电池6、显示器，主机背部上穿线孔接入电源与主机内电源接头连接，给主机内微处理器、工业相机2与激光雷达3供电，USB Type-C与HDMI负责触摸式显示器5的信号传输。
开机点取显示器的程序启动激光相机融合采集软件，进行数据采集，采集时间约6秒钟，保存图像数据。
采用深度学习对预埋件的分割提取，基于图像灰度或颜色自动识别预埋件，并将背景去除，只留下预埋件，其解码器通过重新设计的跳接以相同的分辨率密集连接，融合来自编码器和解码器的相同比例的特征图，通过训练得到模型分割提取像素级预埋件。
在分割每块预埋件后，显示图像，快速提取通过最小二乘拟合标靶中四个圆形靶标121的中心坐标。
输入4个标靶实际坐标数据12A(2988.500，5984.200，10.434)，12B(2988.500，5984.200，10.884)，12C(2988.500，5985.150，10.884),12D(2988.500,5985.150,10.434)，匹配分割图像进行图像校正，匹配分割图像进行图像校正，运用透视变换，利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换，将图像校正为正射。
采用Canny边缘提取算法，通过双阈值的设置对断裂边缘进行连接，获得连续边缘提取分割后埋件4个角点坐标，计算4个角点坐标平均值中心点坐标，具体操作为点击显示器测量结果，Python语言的基于深度学习的目标检测计算得到坐标数据。
将埋件沿墙体方向排序与排序的理论值比较得到偏差。
表1：示例墙体埋件检查结果
对于核岛安全厂房BSB3304VB墙有36块预埋件，采用传统的人工测量检查需花一整天时间，采用基于相机拍照，十分钟完成埋件位置检查工作，拍照前通过设置墙体测量标靶，为拍照后计算提供基准，实现实体统一基准问题，利用基于现代数字图像处理分析技术的非接触式全场光学测量方法及三维激光点云实现对预埋件安装的位置及尺寸测量，实时处理分析并将测量信息图形化显示。
本发明在使用过程中可以适用于户外恶劣环境下三维位置测量，稳定可靠，智能高效。
与传统的位置测量方法(人工)相比，本发明所给出的检查方法和检查设备具有如下优势：
集成便携，易于安装：激光相机融合设备主机结构紧凑、功能丰富、简洁美观、携带方便，现场试验无需繁琐的布线工作，易安装，且维护、更换方便；
智能测量与验收：采用基于深度学习的目标检测，受杂光、阴雨、刮风等环境干扰小；
大视场，高精度：可对20米范围内进行三维位置测量，可实现0.01像素分辨率，测量精度优于4mm。
本发明经现场实验，质量可靠保障，施工方便、灵活，精度高，采用本发明的检查设备及检查方法，有效地保证了定位检查的精度，优化了施工进度，架站灵活，不占用其它施工工序的空间，有助于满足施工进度优化的需要，有效满足了对现场施工的质量要求，大大提高了施工效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的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方法的形式体现出来，该方法产品可以存储在存储介质中或者计算机设备中。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种基于深度学习的预埋件位置检查方法，其特征在于，包括：
将多个预埋件框在整体标靶的镂空区域，并将整体标靶固定在墙体上，同时获取至少一个位于整体标靶边缘角的圆形靶标的量测坐标位置；
在距离墙体设定距离的位置，对整体标靶进行图像采集；
利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标的区域；
根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正；
对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标；
将预埋件的检测坐标和预埋件的目标坐标进行对比，获取检测坐标与目标坐标的偏差值，完成对预埋件位置的检查。
2.根据权利要求1所述的基于深度学习的预埋件位置检查方法，其特征在于，所述将多个预埋件框在整体标靶的镂空区域，并将整体标靶固定在墙体上，同时记录位于整体标靶四个边缘角的圆形靶标的量测坐标位置中，所述圆形靶标和整体标靶的颜色不同；所述整体标靶为红色，所述圆形靶标为绿色。
3.根据权利要求1所述的基于深度学习的预埋件位置检查方法，其特征在于，所述利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标的区域包括：
将位于整体标靶外边缘外侧的图像定义为背景，并将背景进行去除；
编码器将采集的图像进行处理，生成低分辨率的特征表示；
解码器接收编码器的输出，通过上采样和卷积操作逐渐将特征图恢复到原始分辨率；
在解码器的不同层级，跳接将来自编码器的特征图与解码器的特征图融合，以保留高级和低级的信息，并最终输出分辨率相同的像素级预埋件区域和像素级圆形靶标的区域。
4.根据权利要求1所述的基于深度学习的预埋件位置检查方法，其特征在于，所述根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正中，所述获取四个像素级圆形靶标的中心提取坐标是通过最小二乘拟合整体标靶中四个像素级圆形靶标的中心提取坐标。
5.根据权利要求1所述的基于深度学习的预埋件位置检查方法，其特征在于，所述根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正中，所述对每个像素级预埋件的区域进行校正，是利用透视变换来纠正图像的透视效果，以将每个像素级预埋件的区域校正为正射。
6.根据权利要求1所述的基于深度学习的预埋件位置检查方法，其特征在于，所述对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标包括：
采用Canny边缘提取算法，通过双阈值的设置对断裂边缘进行连接，获取预埋件区域四个角点的检测坐标；
根据四个角点的检测坐标，确定四个角点的检测坐标平均值，并把四个角点的检测坐标平均值作为预埋件的检测坐标。
7.一种基于深度学习的预埋件位置检查设备，其特征在于，包括整体标靶、图像采集组件和工控机；
所述整体标靶安装在墙体上，多个预埋件框位于整体标靶的镂空区域，整体标靶的四个边缘角均设有圆形标靶；
图像采集组件，用于在距离墙体设定距离的位置，对整体标靶进行图像采集；
工控机与所述图像采集组件相连；工控机包括输入单元、分割提取单元、校正单元、获取单元和对比输出单元；
输入单元，用于输入至少一个位于整体标靶四个边缘角的圆形靶标的量测坐标位置；
分割提取单元，用于利用图像分割模型对采集的图像进行分割提取，获取每个像素级预埋件的区域以及每个像素级圆形靶标的区域；
校正单元，用于根据四个像素级圆形靶标的区域，获取四个像素级圆形靶标的中心提取坐标，并根据圆形靶标的量测坐标位置，对每个像素级预埋件的区域进行校正；
获取单元，用于对校正后的预埋件区域进行预埋件坐标的提取，获取预埋件的检测坐标；
对比输出单元，用于将预埋件的检测坐标和预埋件的目标坐标进行对比，获取检测坐标与目标坐标的偏差值，完成对预埋件位置的检查。
8.根据权利要求7所述的基于深度学习的预埋件位置检查设备，其特征在于，所述图像采集组件为工业相机和激光雷达；所述工控机通过USB Type-C连接线与HDMI连接线连接于触摸式显示器，通过电源线连接于外部电池；在所述工控机的底部还连接有三角支架。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311766881.3A CN117784160A (zh) | 2023-12-21 | 2023-12-21 | 一种基于深度学习的预埋件位置检查方法及检查设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311766881.3A CN117784160A (zh) | 2023-12-21 | 2023-12-21 | 一种基于深度学习的预埋件位置检查方法及检查设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117784160A true CN117784160A (zh) | 2024-03-29 |
Family
ID=90379215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311766881.3A Pending CN117784160A (zh) | 2023-12-21 | 2023-12-21 | 一种基于深度学习的预埋件位置检查方法及检查设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117784160A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150213584A1 (en) * | 2014-01-24 | 2015-07-30 | Ricoh Company, Ltd. | Projection system, image processing apparatus, and correction method |
| US20210192788A1 (en) * | 2019-12-18 | 2021-06-24 | Motional Ad Llc | Camera-to-lidar calibration and validation |
| CN113705702A (zh) * | 2021-09-01 | 2021-11-26 | 三一建筑机器人(西安)研究院有限公司 | 一种预埋件检测方法及系统 |
| CN115388868A (zh) * | 2022-08-15 | 2022-11-25 | 中国核工业华兴建设有限公司 | 一种墙体测量标靶设置及坐标测量方法 |
| CN116245948A (zh) * | 2023-02-21 | 2023-06-09 | 合肥工业大学 | 一种单目视觉合作靶标以及位姿测算方法 |
-
2023
- 2023-12-21 CN CN202311766881.3A patent/CN117784160A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150213584A1 (en) * | 2014-01-24 | 2015-07-30 | Ricoh Company, Ltd. | Projection system, image processing apparatus, and correction method |
| US20210192788A1 (en) * | 2019-12-18 | 2021-06-24 | Motional Ad Llc | Camera-to-lidar calibration and validation |
| CN113705702A (zh) * | 2021-09-01 | 2021-11-26 | 三一建筑机器人(西安)研究院有限公司 | 一种预埋件检测方法及系统 |
| CN115388868A (zh) * | 2022-08-15 | 2022-11-25 | 中国核工业华兴建设有限公司 | 一种墙体测量标靶设置及坐标测量方法 |
| CN116245948A (zh) * | 2023-02-21 | 2023-06-09 | 合肥工业大学 | 一种单目视觉合作靶标以及位姿测算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106441138B (zh) | 基于视觉测量的变形监测方法 | |
| US6917702B2 (en) | Calibration of multiple cameras for a turntable-based 3D scanner | |
| US5617155A (en) | Method for determining measurement parameters for a spectacle wearer | |
| CN106677037B (zh) | 基于机器视觉的便携式沥青路面病害检测方法及装置 | |
| US20050151963A1 (en) | Transprojection of geometry data | |
| CN105812790A (zh) | 图像传感器感光面与光轴垂直度的评测方法及光学测试卡 | |
| CN103594132A (zh) | 核电站堆芯燃料组件实际位置偏差测量方法和系统 | |
| CN113610060B (zh) | 一种结构体裂缝亚像素检测方法 | |
| CN112102387B (zh) | 一种基于深度相机深度估计性能的测试方法与测试系统 | |
| CN111243034A (zh) | 一种全景辅助泊车标定方法、装置、设备及存储介质 | |
| CN115014248B (zh) | 一种激光投射线的识别与平面度判定方法 | |
| JP6942566B2 (ja) | 情報処理装置、情報処理方法およびコンピュータプログラム | |
| CN113112415A (zh) | 一种全站仪影像测量的靶标自动识别方法和装置 | |
| CN115761532A (zh) | 一种用于输电线路航巡影像的自动检测系统 | |
| CN110944154B (zh) | 一种高空瞭望摄像头图像中固定物体的标注与识别方法 | |
| CN111898552A (zh) | 一种判别人员关注目标物的方法、装置及计算机设备 | |
| CN117784160A (zh) | 一种基于深度学习的预埋件位置检查方法及检查设备 | |
| CN111866499A (zh) | 一种双目摄像头影像的中心校正方法 | |
| CN101729739A (zh) | 一种图像纠偏处理方法 | |
| CN108592789A (zh) | 一种基于bim和机器视觉技术的钢结构工厂预拼装方法 | |
| CN109900358A (zh) | 一种基于图像亮度信息的天空类型识别系统及方法 | |
| CN110634136B (zh) | 一种管道壁破损检测方法、装置及系统 | |
| CN105989587A (zh) | 一种多功能oct系统的自动定标方法 | |
| CN114941172B (zh) | 基于数学模型的全局高精度单晶炉液位检测方法 | |
| JPS61241612A (ja) | ３次元形状計測システム |
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 |