CN118279382B - 一种基于深度相机的容积率测量方法 - Google Patents
一种基于深度相机的容积率测量方法 Download PDFInfo
- Publication number
- CN118279382B CN118279382B CN202410659602.1A CN202410659602A CN118279382B CN 118279382 B CN118279382 B CN 118279382B CN 202410659602 A CN202410659602 A CN 202410659602A CN 118279382 B CN118279382 B CN 118279382B
- Authority
- CN
- China
- Prior art keywords
- data
- depth
- image
- imagedeepdata
- depth camera
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000000691 measurement method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明公开了一种基于深度相机的容积率测量方法，其首先对采集的图像进行裁剪标记以及对深度相机高度和测量容器高度进行标记，之后从深度相机拍照以获取原始深度图片，根据以上标记对图片进行裁剪，通过算法将深度图片转换为一维深度数组imageDeepData，再对一维深度数组imageDeepData进行降噪处理，降噪完成后对深度数组imageDeepData坐标系进行归零转换，之后依次计算总深度数据DeepSum、计算总深度像素DeepCount和计算测量容器最大体积MaxArea，最后计算得出最终容积率DeepSum/MaxArea。相比现有技术而言，本发明通过深度相机拍照来获取深度数据图像，通过对深度数据图像进行特定算法进行计算，可获取航材货物所占容积率的大小百分比数值，采用该算法有助于实施空间调整、架位变换等后续工作。
Description
技术领域
本发明涉及容纳空间容积率评估方法，尤其涉及一种基于深度相机的容积率测量方法。
背景技术
仓库容积率用来表征指仓库所能容纳货物的比例，例如，可容纳航材货物的航材仓库管理系统中，为保证仓库高效利用，需要以智能手段对仓库容积率进行评估。现有的容积率评估手段一般依赖录入、统计数据进行分析，请参见公开号为CN112407740B、名称为“一种仓库管理系统”的中国专利公开文献，其中记载了：“一种仓库管理系统，包括：入库设备、出库设备、库存管理设备和中央服务器，所述中央服务器包括：入库单元，与所述入库设备连接，用于管理仓库的入库操作；出库单元，与所述出库设备连接，用于管理所述仓库的出库操作；库存管理单元，与所述库存管理设备连接，用于对所述仓库的库存进行管理；所述库存管理单元包括：补货管理子单元，用于生成补货任务”，此类系统采用进出库统计、补货任务生成等手段来提高仓库的利用率，其完全依赖于统计数据，缺乏对仓库整体空间的数据分析，所以不能表达仓库容积率，进而造成仓库空间不能被充分利用，难以满足高效、高容积率仓库管理要求。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种可准确评估仓库容积率，有助于实施空间调整、架位变换等工作的基于深度相机的容积率测量方法。
为解决上述技术问题，本发明采用如下技术方案。
一种基于深度相机的容积率测量方法，其包括如下步骤：步骤S1，对需要采集的图像进行裁剪标记，设定标记参数；步骤S2，对深度相机高度以及被测容器的高度进行预设置，将深度相机高度记为totalHeight值，被测容器最大高度记为boxHeight值；步骤S3，调用深度相机拍摄被测容器内的图像，获得深度图像；步骤S4，根据所述标记参数对所述深度图像进行区域裁剪，得到图像clipImage；步骤S5，将所述图像clipImage由深度图像格式数据转换成int[]类型的imageDeepData数组数据；步骤S6，对所述imageDeepData数组数据进行降噪处理；步骤S7，对降噪处理后的所述imageDeepData数组数据进行坐标系归零转换；步骤S8，遍历所述imageDeepData数组数据，对其求和得到被测容器体积deepSum；步骤S9，遍历所述imageDeepData数组数据，统计非零数据的个数得到deepCount数据，所述deepCount数据代表被测目标在所述深度图像下所占用像素的有效面积；步骤S10，将所述boxHeight值与所述deepCount数据作乘法运算得到MaxArea值，所述MaxArea值代表被测容器的最大体积；步骤S11，计算Ratio=被测容器体积deepSum×100÷MaxArea值，Ratio代表被测容器在最大体积中所占用的容积率。
优选地，所述步骤S1中设定的标记参数包括x、y、clipWidth和clipHeight，其中，x为测量区域在深度图像内的横坐标，y为测量区域在深度图像内的纵坐标，clipWidth为测量区域的宽度，clipHeight为测量区域的长度。
优选地，所述步骤S2中，计算切面参数deepMin值和deepMax值，其中，以深度相机为零点建立坐标系，将totalHeight值减去boxHeight值后赋值给deepMin值，将totalHeight值赋值给deepMax值。
优选地，所述步骤S3中，所述深度图像格式为16UC1，为无符号两字节单通道图像。
优选地，所述步骤S6包括如下过程：步骤S60，过滤所述imageDeepData数组数据中所有等于0的像素点深度数据，将等于0的像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMax值；步骤S61，过滤所述imageDeepData数组数据中所有小于deepMin值的像素点深度数据，将这些像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMin值；步骤S62，过滤所述imageDeepData数组数据中所有大于deepMin值的像素点深度数据，将这些像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMax值。
优选地，所述步骤S7中，循环所述imageDeepData数组数据，在每次循环周期中将boxHeight值-(imageDeepData[i] - deepMin值)赋值给imageDeepData[i]，其中，i表示：深度数据的循环下标。
优选地，所述步骤S11中，容积率Ratio的数值保留两位小数。
本发明公开的基于深度相机的容积率测量方法中，首先对采集的图像进行裁剪标记以及对深度相机高度和测量容器高度进行标记，之后从深度相机拍照以获取原始深度图片，根据以上标记对图片进行裁剪，通过算法将深度图片转换为一维深度数组imageDeepData，再对一维深度数组imageDeepData进行降噪处理，降噪完成后对深度数组imageDeepData坐标系进行归零转换，之后依次计算总深度数据 DeepSum、计算总深度像素DeepCount和计算测量容器最大体积 MaxArea，最后计算得出最终容积率 DeepSum/MaxArea。相比现有技术而言，本发明通过深度相机拍照来获取深度数据图像，通过对深度数据图像进行特定算法进行计算，可获取航材货物所占容积率的大小百分比数值，该特定算法可记为EaeroQuealRatioCalc，采用该算法有助于实施空间调整、架位变换等后续工作，较好地满足了应用需求。
附图说明
图1为本发明基于深度相机的容积率测量方法流程图；
图2为totalHeight值、boxHeight值、deepMin值和deepMax值的示意图；
图3为深度数据等于0的噪点示意图；
图4为深度数据小于deepMin的噪点示意图；
图5为深度数据大于deepMax的噪点示意图。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
本发明公开了一种基于深度相机的容积率测量方法，请参见图1，其包括如下步骤：
步骤S1，对需要采集的图像进行裁剪标记，设定标记参数；
步骤S2，对深度相机高度以及被测容器的高度进行预设置，将深度相机高度记为totalHeight值，被测容器最大高度记为boxHeight值；
步骤S3，调用深度相机拍摄被测容器内的图像，获得深度图像；
步骤S4，根据所述标记参数对所述深度图像进行区域裁剪，得到图像clipImage；
步骤S5，将所述图像clipImage由深度图像格式数据转换成int[]类型的imageDeepData数组数据；
步骤S6，对所述imageDeepData数组数据进行降噪处理；
步骤S7，对降噪处理后的所述imageDeepData数组数据进行坐标系归零转换；
步骤S8，遍历所述imageDeepData数组数据，对其求和得到被测容器体积deepSum；
步骤S9，遍历所述imageDeepData数组数据，统计非零数据的个数得到deepCount数据，所述deepCount数据代表被测目标在所述深度图像下所占用像素的有效面积；
步骤S10，将所述boxHeight值与所述deepCount数据作乘法运算得到MaxArea值，所述MaxArea值代表被测容器的最大体积；
步骤S11，计算Ratio=被测容器体积deepSum×100÷MaxArea值，Ratio代表被测容器在最大体积中所占用的容积率。
上述方法中，首先对采集的图像进行裁剪标记以及对深度相机高度和测量容器高度进行标记，之后从深度相机拍照以获取原始深度图片，根据以上标记对图片进行裁剪，通过算法将深度图片转换为一维深度数组imageDeepData，再对一维深度数组imageDeepData进行降噪处理，降噪完成后对深度数组imageDeepData坐标系进行归零转换，之后依次计算总深度数据 DeepSum、计算总深度像素 DeepCount和计算测量容器最大体积 MaxArea，最后计算得出最终容积率 DeepSum/MaxArea。相比现有技术而言，本发明通过深度相机拍照来获取深度数据图像，通过对深度数据图像进行特定算法进行计算，可获取航材货物所占容积率的大小百分比数值，该特定算法可记为EaeroQuealRatioCalc，采用该算法有助于实施空间调整、架位变换等后续工作，较好地满足了应用需求。
本实施例中，所述步骤S1中设定的标记参数包括x、y、clipWidth和clipHeight，其中，x为测量区域在深度图像内的横坐标，y为测量区域在深度图像内的纵坐标，clipWidth为测量区域的宽度，clipHeight为测量区域的长度。本实施例首先对采集的图像进行裁剪标记，用于确定需要测量容积率在图像中所属的区域。
进一步地，所述步骤S2中，计算切面参数deepMin值和deepMax值，其中，以深度相机为零点建立坐标系，将totalHeight值减去boxHeight值后赋值给deepMin值，将totalHeight值赋值给deepMax值。请参见图2，本实施例对深度相机高度以及被测容器的高度进行预设置，摄像头高度为totalHeight，被测容器最大高度为boxHeight，同时计算切面参数deepMin和deepMax，其中以摄像头为零点坐标系，将totalHeight减去boxHeight赋值给deepMin，将totalHeight赋值给deepMax。
作为一种优选方式，所述步骤S3中，所述深度图像格式为16UC1，为无符号两字节单通道图像。
在此基础上，所述步骤S4中，针对所获取的深度图像，根据步骤S11中预设的x、y、clipWidth、clipHeight参数对深度数据进行区域裁剪，得到裁剪后的图像数据，即为clipImage。在之后的所述步骤S5中，针对clipImage，将16UC1格式的深度图像数据转换成int[]类型的imageDeepData数组数据。
在本实施例的所述步骤S6中，需要对步骤S5中的imageDeepData数组数据进行降噪处理，具体而言，所述步骤S6包括如下过程：
步骤S60，过滤所述imageDeepData数组数据中所有等于0的像素点深度数据，将等于0的像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMax值；该步骤表示对深度图像数据的噪点进行处理，防止在最后计算模型体积时产生totalHeight毛刺噪值。深度数据等于0的噪点如图3所示，图3中最短的箭头a代表深度数据等于0的像素点深度数据，该数据会导致容器体积计算时产生误差，将该噪点判断为容器到深度摄像头的距离，本实施例算法将此类型噪点处理为步骤S2中的deepMax，因此在后续计算容器体积时，该点不参与积分求和计算；
步骤S61，过滤所述imageDeepData数组数据中所有小于deepMin值的像素点深度数据，将这些像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMin值；该步骤表示对深度图像数据的测量下限阈值进行处理，防止deepMin切面对模型计算时的近距离噪点值产生误差，深度数据小于步骤S2中deepMin的噪点如图4所示，其中最短的箭头b代表深度数据不等于0且小于步骤S2中deepMin值的像素点深度数据，该数据会导致容器体积计算时产生误差，该噪点表示从深度相机到悬空距离且没有到达boxHeight的距离，对于容器体积计算来说，这部分噪点数据会导致容器体积毛刺异常，本实施例算法将此类型噪点处理为步骤S2中的deepMin，因此在后续计算容器体积时，该点会被转换成boxHeight高度进行计算；
步骤S62，过滤所述imageDeepData数组数据中所有大于deepMin值的像素点深度数据，将这些像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMax值；该步骤标书对深度图像数据的参量上限阈值进行处理，防止deepMax切面对模型计算时的远距离噪点值产生误差，深度数据大于步骤S2中deepMax的噪点如图5所示，其中最长的箭头c代表深度数据大于步骤S2中deepMax值的像素点深度数据，该数据会导致容器体积计算时产生误差，该噪点表示从深度相机到测量步骤S2中deepMax之外的距离，此部分数据将会被算法处理成到被测容器本身的深度距离。
在本实施例的步骤S7中，对步骤S6中降噪处理之后的imageDeepData深度数据进行坐标系归零转换，用于提高后续步骤计算的准确性。具体而言，在所述步骤S7中，循环所述imageDeepData数组数据，在每次循环周期中将boxHeight值-(imageDeepData[i] -deepMin值)赋值给imageDeepData[i]其中，i表示：深度数据的循环下标。
作为一种优选方式，所述步骤S8中，遍历imageDeepData深度数据数组并对其求和得到deepSum。此时imageDeepData数组表示每个像素点归零后被测容器的高度，按照微积分的思路，将这些数据求和得到的deepSum即表示被测容器的体积。
在此基础上，所述步骤S9中，遍历imageDeepData深度数据数组，统计非零数据的个数得到deepCount，此时deepCount代表被测物体在深度相机数据下所占用的像素的有效面积，该方法可以过滤deepMax切面所产生的临界阈值噪点。
之后执行步骤S10，通过对boxHeight乘以deepCount得到maxArea，该MaxArea代表被测容器的最大体积。
最后使用deepSum乘以100并且除以maxArea，同时得到Ratio值，Ratio值代表被测容器在最大体积中所占用的容积率。具体在所述步骤S11中，容积率Ratio的数值保留两位小数。
本发明公开的基于深度相机的容积率测量方法，其适合应用于航材仓库管理系统中架位容积率评估的场景，也同样适用于其他智慧仓库需要计算容积率的场景，本发明通过深度相机拍照获取深度数据图像，对深度数据图像进行EaeroQuealRatioCalc算法进行计算，可获取航材货物所占容积率的大小百分比数值，有助于在后续架位调整等其他业务场景中发挥重要作用。
以上所述只是本发明较佳的实施例，并不用于限制本发明，凡在本发明的技术范围内所做的修改、等同替换或者改进等，均应包含在本发明所保护的范围内。
Claims (4)
1.一种基于深度相机的容积率测量方法，其特征在于，包括如下步骤：
步骤S1，对需要采集的图像进行裁剪标记，设定标记参数；
步骤S2，对深度相机高度以及被测容器的高度进行预设置，将深度相机高度记为totalHeight值，被测容器最大高度记为boxHeight值；
步骤S3，调用深度相机拍摄被测容器内的图像，获得深度图像；
步骤S4，根据所述标记参数对所述深度图像进行区域裁剪，得到图像clipImage；
步骤S5，将所述图像clipImage由深度图像格式数据转换成int[]类型的imageDeepData数组数据；
步骤S6，对所述imageDeepData数组数据进行降噪处理；
步骤S7，对降噪处理后的所述imageDeepData数组数据进行坐标系归零转换；
步骤S8，遍历所述imageDeepData数组数据，对其求和得到被测容器体积deepSum；
步骤S9，遍历所述imageDeepData数组数据，统计非零数据的个数得到deepCount数据，所述deepCount数据代表被测目标在所述深度图像下所占用像素的有效面积；
步骤S10，将所述boxHeight值与所述deepCount数据作乘法运算得到MaxArea值，所述MaxArea值代表被测容器的最大体积；
步骤S11，计算Ratio=被测容器体积deepSum×100÷MaxArea值，Ratio代表被测容器在最大体积中所占用的容积率；
所述步骤S2中，计算切面参数deepMin值和deepMax值，其中，以深度相机为零点建立坐标系，将totalHeight值减去boxHeight值后赋值给deepMin值，将totalHeight值赋值给deepMax值；
所述步骤S6包括如下过程：
步骤S60，过滤所述imageDeepData数组数据中所有等于0的像素点深度数据，将等于0的像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMax值；
步骤S61，过滤所述imageDeepData数组数据中所有小于deepMin值的像素点深度数据，将这些像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMin值；
步骤S62，过滤所述imageDeepData数组数据中所有大于deepMin值的像素点深度数据，将这些像素点深度数据作为噪点数据并赋值为所述步骤S2中的deepMax值；
所述步骤S7中，循环所述imageDeepData数组数据，在每次循环周期中将boxHeight值-(imageDeepData[i] - deepMin值)赋值给imageDeepData[i]，其中，i表示：深度数据的循环下标。
2.如权利要求1所述的基于深度相机的容积率测量方法，其特征在于，所述步骤S1中设定的标记参数包括x、y、clipWidth和clipHeight，其中，x为测量区域在深度图像内的横坐标，y为测量区域在深度图像内的纵坐标，clipWidth为测量区域的宽度，clipHeight为测量区域的长度。
3.如权利要求1所述的基于深度相机的容积率测量方法，其特征在于，所述步骤S3中，所述深度图像格式为16UC1，为无符号两字节单通道图像。
4.如权利要求1所述的基于深度相机的容积率测量方法，其特征在于，所述步骤S11中，容积率Ratio的数值保留两位小数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410659602.1A CN118279382B (zh) | 2024-05-27 | 2024-05-27 | 一种基于深度相机的容积率测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410659602.1A CN118279382B (zh) | 2024-05-27 | 2024-05-27 | 一种基于深度相机的容积率测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118279382A CN118279382A (zh) | 2024-07-02 |
| CN118279382B true CN118279382B (zh) | 2024-07-30 |
Family
ID=91645350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410659602.1A Active CN118279382B (zh) | 2024-05-27 | 2024-05-27 | 一种基于深度相机的容积率测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118279382B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106839975A (zh) * | 2015-12-03 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的体积测量方法及其系统 |
| CN110017773A (zh) * | 2019-05-09 | 2019-07-16 | 福建（泉州）哈工大工程技术研究院 | 一种基于机器视觉的包裹体积测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115077379A (zh) * | 2022-06-08 | 2022-09-20 | 安徽工业大学 | 一种基于深度相机垂直拍摄的多个包裹体积测量方法 |
-
2024
- 2024-05-27 CN CN202410659602.1A patent/CN118279382B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106839975A (zh) * | 2015-12-03 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的体积测量方法及其系统 |
| CN110017773A (zh) * | 2019-05-09 | 2019-07-16 | 福建（泉州）哈工大工程技术研究院 | 一种基于机器视觉的包裹体积测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118279382A (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3842736A1 (en) | Volume measurement method, system and device, and computer-readable storage medium | |
| CN1656824A (zh) | 根据局部边缘统计分布估计清晰度度量的方法和系统 | |
| CN113762224A (zh) | 一种工程造价成果质量检查系统及其方法 | |
| US20140344023A1 (en) | Methodology and Process to Price Benchmark Bundled Telecommunications Products and Services | |
| CN118279382B (zh) | 一种基于深度相机的容积率测量方法 | |
| WO2023130661A1 (zh) | 一种二维频谱多普勒超声心动图像的处理方法和装置 | |
| CN116338608B (zh) | 微波雷达探测角度调整方法、装置、设备及存储介质 | |
| CN107632018A (zh) | 一种食品微生物快速检测系统及方法 | |
| CN110853092A (zh) | 一种基于不规则物体的点云量方算法 | |
| CN107219547A (zh) | 利用逐步逼近SNIP计算扣除γ能谱全谱本底的方法 | |
| CN109029203A (zh) | 一种基于数字图像处理的半自动测量物体尺寸装置 | |
| CN116255912A (zh) | 包裹的静态体积测量方法及系统 | |
| CN108981570B (zh) | 一种便携式物流包裹体积测量装置 | |
| CN117726322A (zh) | 一种探头测试设备智能管理方法及系统 | |
| CN115270894B (zh) | 用于甲醇发电机的异常振动信号提取方法 | |
| CN117357146A (zh) | X射线能谱空间校正方法、装置、设备及介质 | |
| CN115830012B (zh) | 一种接触网线索损伤数据检测分析方法 | |
| CN110288540B (zh) | 一种碳纤维导线x射线图像在线成像标准化方法 | |
| CN112232188B (zh) | 一种粮仓储粮实时监控装置及方法 | |
| CN113792616A (zh) | 一种基于边缘计算的远程读表系统及其工作方法 | |
| CN112950457A (zh) | 图像转换方法及相关模型的训练方法及相关装置、设备 | |
| CN105279743B (zh) | 一种基于多级dct系数的图像噪声水平估计方法 | |
| KR20210069987A (ko) | 영상 이미지를 이용한 작물 성장 진단 시스템 및 방법 | |
| CN114638851B (zh) | 一种基于生成对抗网络的图像分割方法、系统及存储介质 | |
| JP2002330343A (ja) | 放射線画像処理装置、画像処理システム、放射線画像処理方法、記憶媒体、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |