CN109816675A - 物体的检测方法、检测装置及存储介质 - Google Patents
物体的检测方法、检测装置及存储介质 Download PDFInfo
- Publication number
- CN109816675A CN109816675A CN201811628139.5A CN201811628139A CN109816675A CN 109816675 A CN109816675 A CN 109816675A CN 201811628139 A CN201811628139 A CN 201811628139A CN 109816675 A CN109816675 A CN 109816675A
- Authority
- CN
- China
- Prior art keywords
- profile
- image
- circle
- concentric
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 38
- 238000003708 edge detection Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000009432 framing Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种物体的检测方法、检测装置以及存储介质,在本申请实施例中,针对待检测图像中存在的每个轮廓;计算轮廓直径;基于每个轮廓的外接矩形框的边长及该轮廓直径,确定轮廓的形状;基于各轮廓的形状,确定待检测图像中的物体以及物体参数信息,从而快速且准确地检测出该物体的形状,同时检测过程的复杂度较低,减少人力的检测成本以及时间。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种物体的检测方法、检测装置以及存储介质。
背景技术
在图像检测中,几何形状是图像的主要特征之一,特别是圆形,属于常见的几何形状,更是复杂形状的有效组成部分,而由圆形组成的圆环形物体也是广泛存在于人们的日常生活及工业生产中。为了更好地方便人们的日常生活以及工业生产,从而实现智能生产以及节省人力的目的,准确地检测识别出圆环形物体就具有重要意义。然而目前有关圆环形物体检测算法相对较少,主流算法是基于霍夫(hough)变换的圆环检测方法,但该算法计算量较大,检测效率不高,存在误检的情况。
发明内容
本申请的多个方面提供一种物体的检测方法、检测装置以及存储介质,用以准确且高效地检测出圆环物体。
本申请实施例提供一种物体的检测方法,包括:对待检测图像进行边缘检测,确定所述待检测图像中存在的至少一个轮廓;针对每个所述轮廓,获取所述轮廓的外接矩形框;计算所述轮廓围成的封闭区域的轮廓直径;基于所述外接矩形框的边长及所述轮廓直径,确定所述轮廓的形状;基于各所述轮廓的形状,确定待检测图像中的物体以及物体参数信息。
本申请实施例还提供一种物体的检测装置,包括:存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
对待检测图像进行边缘检测,确定所述待检测图像中存在的至少一个轮廓;
针对每个所述轮廓,获取所述轮廓的外接矩形框;
计算所述轮廓围成的封闭区域的轮廓直径;
基于所述外接矩形框的边长及所述轮廓直径,确定所述轮廓的形状;
基于各所述轮廓的形状,确定待检测图像中的物体以及物体参数信息。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器实现上述检测方法中的步骤。
在本申请实施例中,针对待检测图像中存在的每个轮廓;计算轮廓直径;基于每个轮廓的外接矩形框的边长及该轮廓直径,确定轮廓的形状;基于各轮廓的形状,确定待检测图像中的物体以及物体参数信息,从而快速且准确地检测出该物体的形状,同时检测过程的复杂度较低,减少人力的检测成本以及时间。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的物体的检测方法的流程示意图;
图2为本申请一示例性实施例提供的轮廓直径的流程示意图;
图3为本申请一示例性实施例的待检测图像中的轮廓的示意图;
图4为本申请一示例性实施例提供的外接矩形框的示意图;
图5为本申请一示例性实施例提供的检测装置的结构框架示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
霍夫Hough变换检测圆的原理是:对输入图像进行边缘检测,获取边界点。由于,圆方程为(a-x)2+(b-y)2=r2,在x-y坐标系中圆形边界上的一个点对应到a-b坐标系中即为一个圆。那么,x-y坐标系中一个圆形边界上的很多个点,对应到a-b坐标系中就会有很多个圆。由于原图像中这些点都在同一个圆形上,那么转换后a,b必定也满足a-b坐标系下的所有圆形的方程式。直观表现为这许多点对应的圆都会相交于一个点,那么这个交点就可能是圆心(a,b)。***部交点处圆的个数,取每一个局部交点处圆的个数的最大值,就可以获得原图像中对应的圆形的圆心坐标(a,b)。一旦在某一个半径r下检测到圆,那么半径r的值也就随之确定了,但通过霍夫变化检测圆的原理计算量过大,检测效率不高,存在误检的情况。
在本申请一些实施例中,针对待检测图像中存在的每个轮廓;计算轮廓直径;基于每个轮廓的外接矩形框的边长及该轮廓直径,确定轮廓的形状;基于各轮廓的形状,确定待检测图像中的物体以及物体参数信息,从而快速且准确地检测出该物体的形状,同时检测过程的复杂度较低,减少人力的检测成本以及时间。
下面结合方法实施例,针对的过程进行详细说明。
图1为本申请另一示例性实施例的物体的检测方法的流程示意图。本申请实施例提供的该方法100由执行,如图1所示,该方法100包括以下步骤:
S101:对待检测图像进行边缘检测,确定待检测图像中存在的至少一个轮廓。
S102:针对每个轮廓,获取轮廓的外接矩形框。
S103:计算轮廓围成的封闭区域的轮廓直径。
S104:基于外接矩形框的边长及轮廓直径,确定轮廓的形状。
S105:基于各轮廓的形状,确定待检测图像中的物体以及物体参数信息。
以下针对上述步骤进行详细地阐述:
S101:对待检测图像进行边缘检测,确定待检测图像中存在的至少一个轮廓。
其中,边缘检测是用于标识图像中亮度变化明显的点,从而确定出图像中的各个物体的轮廓。可以通过边缘检测算法进行边缘检测,如Canny边缘检测算法。
在一些实例中,确定待检测图像中存在的至少一个轮廓包括:确定待检测图像中至少存在第一轮廓以及第二轮廓。
其中,在经过边缘检测后,可以通过图像处理库OpenCV库中的寻找图像轮廓函数findContours(input_image,contours)来实现确定待检测图像中的轮廓,其中,input_image:表示输入图像,该输入图像加载后会自动转换为二值图像,contours:为输出,表示检测到的轮廓,每个轮廓都是以点向量的形式进行存储的,即使用point类型的vector表示。
应理解,当目标物体包括圆时,该目标物体的轮廓可能仅存在一个轮廓。
对于本实施例中,当目标物体为同心圆和/或同心圆环时,该目标物体的轮廓至少存在两个轮廓,例如,对于同心圆环而言,可以有外轮廓和内轮廓,但检测到的轮廓是否为内外轮廓还需要进一步判断。
在一些实例中,在对待检测图像进行边缘检测之前,还包括:采集待检测物体的第一图像;对第一图像进行灰度化处理;对灰度化处理后的第一图像进行高斯模糊处理,获得二值化的待检测图像。
其中,灰度化处理是指包含亮度信息,不包含色彩信息的图像,由于亮度变化是连续的为了表示灰度图需要将亮度值进行量化,划分为0~255共256个等级,0表示纯黑,255表示纯白。可以通过图像处理软件进行灰度化处理,或者通过灰度算法进行灰度化处理,将图像进行灰度化处理,可以减少计算量。
高斯模糊处理(也可以称为高斯平滑处理)是指根据高斯曲线来调节图像中各像素的色值,来达到对图像模糊的目的。可以通过图像处理软件进行高斯模糊处理,或者通过高斯模糊算法进行高斯模糊处理,将图像进行高斯模糊处理的目的是减少图像噪声以及降低细节等冗余信息。
例如,终端设备可以从指定路径中获取到一张原始图像,通过灰度算法对该原始图像进行灰度化处理,得到灰度化处理后的图像,通过高斯模糊算法在对该灰度化处理后的图像进行高斯模糊处理,得到经过高斯模糊处理后的二值化的待检测图像。通过Canny边缘检测算法,获取该待检测图像中多个物体对应的边缘,从而进一步帮助findContours函数查找该待检测图像中的每个物体对应的轮廓,每个物体对应至少一个轮廓,如图3所示,该待检测图像300中包括多个物体的轮廓,对于检测的同心圆环和/或同心圆物体而言,可以检测到至少两个轮廓,内轮廓和外轮廓,作为第一轮廓和第二轮廓,而第一轮廓或第二轮廓是内轮廓还是外轮廓,此处不限定。
S102:针对每个轮廓,获取轮廓的外接矩形框。
在一些实例中,获取轮廓的外接矩形框,包括:针对至少一个轮廓中的任一轮廓,基于该轮廓的边界像素点,确定该轮廓的垂直边界,并根据垂直边界确定该轮廓的外接矩形框。
其中,可以通过获取外接矩形框的算法来实现,如,OpenCV库中的求取轮廓外接矩形的函数boudingRect(),该函数计算将轮廓上所有点都围起来的最小立式矩形。假设轮廓为圆形,它的外接矩形框就是把圆形轮廓上的全部点完全包围起来的最小矩形,如图4所示,该同心圆环中存在两个轮廓的外界矩形框(如,虚线所示),且该函数是基于该轮廓的边界像素点,确定该轮廓的垂直边界,并根据垂直边界确定该轮廓的外接矩形框。
S103:计算轮廓围成的封闭区域的轮廓直径。
在一些实例中,如图2所示,计算轮廓围成的封闭区域的轮廓直径包括:S201:基于封闭区域中包含的像素点个数及像素点大小,计算轮廓围成的封闭区域的轮廓面积;S202:根据轮廓面积,并基于圆的面积与直径的关系,计算轮廓围成的封闭区域的轮廓直径。
其中,可以确定该轮廓中的像素点个数以及像素点的面积,根据该像素点个数以及像素点面积确定该轮廓围城的封闭区域的轮廓面积,或者可以通过OpenCV库中的轮廓的面积用函数contourArea(contours[i])计算,其中contours[i]为输入的第i个轮廓,输出为计算出的面积值。
将全部轮廓均当成圆形,通过圆面积与直径的关系分别求取直径,计算公式1)为:
其中,Si为第i个轮廓围成封闭区域的面积,Di为第i个轮廓围成封闭区域的直径。
需要说明的是,围成封闭区域可能为任意形状,此处计算直径Di是假设轮廓围成封闭区域都是圆形(无论轮廓围成封闭区域是什么形状都假设为圆形去计算Di),那么它的面积和直径一定满足S=π×d×d/4。至于轮廓围成封闭区域是否真正为圆形,会后续进一步进行验证。
S104:基于外接矩形框的边长及轮廓直径,确定轮廓的形状。
在一些实例中,基于外接矩形框的边长及轮廓直径,确定轮廓的形状,包括:判断轮廓的外接矩形框的相邻边长之间的第一长度差是否在第一阈值内,且轮廓直径与对应轮廓的外接矩形框的边长之间的第二长度差是否在第二阈值内,若判断结果均为是,确定轮廓的形状为圆形。
如果一个轮廓的外接矩形框为正方形,即,矩形框的宽度和高度相等或比值近似为1,且轮廓直径和外接矩形框的边长相等或近似相等,则判定该轮廓为圆形。判断公式2)为:
其中,Lwi为第i个轮廓的外接矩形框的宽,Lhi为第i个轮廓的外接矩形框的高(或长),对于外接矩形框宽高比值的公式,l'0为最小阈值,在(0.98,0.99)之间取值,l'1为设定的最大阈值,在(1.0,1.02)之间取值。对于直径与边长比值公式,l0为设定的最小阈值,在(0.965,0.98)之间取值,l1为设定的最大阈值,在(1.01,1.09)之间取值。第一长度差可以为Lhi/Lw,第一阈值可以为l'0至l'1之间的范围,第二长度差可以为Di/Lwi,第二阈值可以为l0至l1之间的范围。
在一些实例中,该方法100还包括:去除至少一个轮廓中轮廓直径小于第六阈值的轮廓;和/或,去除至少一个轮廓中轮廓形状属于非圆形的轮廓。
当不符合公式2)的轮廓的形状不为圆形,则去除该轮廓。同时过小的区域也不考虑,即轮廓直径需大于30个像素,Di>=30,去除轮廓直径小于30个像素小区域的轮廓,目的是去除小区域噪声。
S105:基于各轮廓的形状,确定待检测图像中的物体以及物体参数信息。
在一些实例中,该方法100还包括:获取第一轮廓的第一质心的位置以及获取第二轮廓的第二质心的位置;确定待检测图像中的物体以及物体参数信息还基于第一质心的位置、第二质心的位置以及各轮廓对应的轮廓直径。
应理解,质心的位置是指该质心的像素在图像坐标系中的坐标位置,对于图像中的像素点都具有自己坐标位置。
在一些实例中,该方法100还包括:针对至少一个轮廓中的任一轮廓,确定该轮廓的轮廓矩;根据该轮廓的轮廓矩,确定该轮廓的质心。
其中,可以通过OpenCV库中的图像矩Image Moments算法,可以用来计算轮廓的质心,在该算法中,该轮廓的质心为mc[i]=Point2d(mu[i].m10/mu[i].m00,mu[i].m01/mu[i].m00);第i个轮廓的轮廓矩为mu[i]=moments(contours[i]);其中,contours[i]为输入的第i个轮廓,M00,M01,M10为Mpq的低阶矩,其中,Mpq为一幅L(长度)×W(宽度)的数字图像f(x,y),其p+q阶几何矩,f(x,y)为图像在坐标点(x,y)处的灰度值,p和q为低阶阶数。
在一些实例中,当第一质心与第二质心的位置之差小于第三阈值且第一轮廓与第二轮廓的半径之差大于第四阈值,则确定待检测图像中的物体以及物体参数信息包括同心圆环;当第一质心与所述第二质心的位置之差小于第三阈值且第一轮廓与第二轮廓的半径之差小于第五阈值,则确定待检测图像中的物体以及物体参数信息包括同心圆。
如果两个圆的质心位置重合或差值在第三阈值之内且半径差值大于第四阈值则判定为同心圆环,同心圆环判断公式3)为:
其中,mci.x为圆形轮廓的第i个轮廓(第一轮廓或第二轮廓)的质心(第一质心或第二质心)的位置的横坐标,mci.y为该质心的位置的纵坐标。mcj.x为圆形轮廓的第j个轮廓(第二轮廓或第一轮廓)的质心(第二质心或第一质心)的位置的横坐标,mcj.y为该轮廓的质心的位置的纵坐标。t1为设定的横坐标差值阈值(第三阈值的横坐标),t2为设定的纵坐标差值阈值(第三阈值的纵坐标),两者均取较小值且可以取相同的值。ri为第i个轮廓区域的半径,rj为第j个轮廓区域的半径,tr为半径差值的阈值(第四阈值),tr取值为大于5的正数,需根据实际图像尺寸设置。
应理解,该第i个轮廓以及第j个轮廓是不同的两个轮廓,若第i个轮廓为第一轮廓,则对应第一质心,则第j个轮廓为第二轮廓,则对应第二质心,若第i个轮廓为第二轮廓,则对应第二质心,则第j个轮廓为第一轮廓,则对应第一质心。
如果两个圆的质心位置重合或差值在一定阈值之内且半径差值小于第五阈值(如,0-3)则判定为同心圆,同心圆判断公式4)为:
公式4)中的参数与公式3)中的参数相同,此处就不再赘述。其中,tr'为第五阈值,如果没有找到同心圆或同心圆环,则结束流程。若查找到同心圆或同心圆环,则将该同心圆或同心圆环作为待检测图像中的物体以及物体参数信息(同心圆以及同心圆环的形状作为物体参数信息)。
在一些实例中,该方法100还包括:计算同心圆环的第一质心与第二质心的位置的平均值,得到同心圆环的圆心;根据同心圆环的第一轮廓上像素点与所述同心圆环的圆心的距离,计算同心圆环的第一轮廓半径;根据同心圆环的第二轮廓上像素点与同心圆环的圆心的距离,计算同心圆环的第二轮廓半径;和/或,
计算同心圆的第一质心与第二质心的位置的平均值,得到同心圆的圆心;根据同心圆的第一轮廓与第二轮廓上像素点与圆心的距离,计算同心圆的轮廓半径。
在一些实例中,根据所述同心圆环的第一轮廓上像素点与所述同心圆环的圆心的距离,计算同心圆环的第一轮廓半径;根据同心圆环的第二轮廓上像素点与同心圆环的圆心的距离,计算同心圆环的第二轮廓半径,包括:将第一轮廓上多个像素点与同心圆环的圆心的距离的平均值,作为同心圆环的第一轮廓半径;将第二轮廓上多个像素点与同心圆环的圆心的距离的平均值,作为同心圆环的第二轮廓半径。
根据同心圆的第一轮廓与第二轮廓上像素点与所述圆心的距离,计算同心圆的轮廓半径,包括:将同心圆的第一轮廓和第二轮廓上多个像素点与所述圆心的距离的平均值,作为所述同心圆的轮廓半径。
同心圆或同心圆环的圆心可通过求取内外两个圆的圆心的位置的平均值获得,圆心的位置用质心位置近似代替,计算公式5)为:
其中,Ct.x为第t个同心圆或同心圆环的圆心的横坐标,Ct.y为该同心圆或同心圆环的圆心的纵坐标,mci.x为圆形轮廓的第i个轮廓(第一轮廓或第二轮廓)的质心(第一质心或第二质心)的位置的横坐标,mci.y为该质心的位置的纵坐标。mcj.x为圆形轮廓的第j个轮廓(第二轮廓或第一轮廓)的质心(第二质心或第一质心)的位置的横坐标,mcj.y为该轮廓的质心的位置的纵坐标。
在内外圆或同心圆环的内外圆上分别均匀选取100个像素点并计算其与圆心的距离最后求取平均值,作为内外圆的半径(第一轮廓半径或第二轮廓半径)。如公式6)所示确定一个像素点到圆心的距离:
其中,Pτ为在内外圆上各自均匀选取的像素点,τ=1,2,3,......,100,Pτ.x为像素点横坐标,Pτ.y为像素点纵坐标。在求得多个内圆半径或外圆半径后,通过求取各自的平均值确定最终各自的半径。
应理解,该内圆可以是对应第一轮廓,也可以是对应第二轮廓,外圆可以是对应第一轮廓,也可以是对应第二轮廓,但内外圆对应的轮廓不同,此处就不再限定。可以将最终确定的圆心以及内外圆的半径作为对应同心圆或同心圆环的参数信息,输出拟合后的同心圆和/或同心圆环以及各自的参数信息作为检测结果。
图5所示的检测装置的结构框架示意图,该检测装置500可以包括:存储器501以及处理器502;
存储器501,用于存储计算机程序,并可被配置为存储其它各种数据以支持在其所在设备上的操作。这些数据的示例包括用于在设备上操作的任何应用程序、OS或方法的指令等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘,光盘或SSD。
处理器502,用于执行计算机程序,以用于:对待检测图像进行边缘检测,确定待检测图像中存在的至少一个轮廓;针对每个所述轮廓,获取轮廓的外接矩形框;计算轮廓围成的封闭区域的轮廓直径;基于外接矩形框的边长及所述轮廓直径,确定轮廓的形状;基于各轮廓的形状,确定待检测图像中的物体以及物体参数信息。
在一些实例中,处理器502,具体用于:基于封闭区域中包含的像素点个数及像素点大小,计算轮廓围成的封闭区域的轮廓面积;根据轮廓面积,并基于圆的面积与直径的关系,计算轮廓围成的封闭区域的轮廓直径。
在一些实例中,处理器502,具体用于:判断轮廓的外接矩形框的相邻边长之间的第一长度差是否在第一阈值内,且轮廓直径与对应轮廓的外接矩形框的边长之间的第二长度差是否在第二阈值内,若判断结果均为是,确定轮廓的形状为圆形。
在一些实例中,处理器502,具体用于:确定待检测图像中至少存在第一轮廓以及第二轮廓;处理器502,还用于:获取第一轮廓的第一质心的位置以及获取第二轮廓的第二质心的位置;确定待检测图像中的物体以及物体参数信息还基于第一质心的位置、第二质心的位置以及各轮廓对应的轮廓直径。
在一些实例中,当第一质心与所述第二质心的位置之差小于第三阈值且第一轮廓与所述第二轮廓的半径之差大于第四阈值,则处理器502,具体用于:确定待检测图像中的物体以及物体参数信息包括同心圆环;
当第一质心与第二质心的位置之差小于第三阈值且第一轮廓与第二轮廓的半径之差小于第五阈值,则处理器502,具体用于:确定待检测图像中的物体以及物体参数信息包括同心圆。
在一些实例中,处理器502,还用于:计算同心圆环的第一质心与第二质心的位置的平均值,得到同心圆环的圆心;根据同心圆环的第一轮廓上像素点与同心圆环的圆心的距离,计算同心圆环的第一轮廓半径;根据同心圆环的第二轮廓上像素点与同心圆环的圆心的距离,计算同心圆环的第二轮廓半径;和/或,计算同心圆的第一质心与第二质心的位置的平均值,得到同心圆的圆心;根据同心圆的第一轮廓与第二轮廓上像素点与圆心的距离,计算同心圆的轮廓半径。
在一些实例中,处理器502,具体用于:将第一轮廓上多个像素点与同心圆环的圆心的距离的平均值,作为同心圆环的第一轮廓半径;将第二轮廓上多个像素点与所述同心圆环的圆心的距离的平均值,作为同心圆环的第二轮廓半径;根据同心圆的第一轮廓与第二轮廓上像素点与圆心的距离,计算同心圆的轮廓半径,包括:将同心圆的第一轮廓和第二轮廓上多个像素点与圆心的距离的平均值,作为同心圆的轮廓半径。
在一些实例中,在对待检测图像进行边缘检测之前,处理器502,还用于:采集待检测物体的第一图像;对第一图像进行灰度化处理;对灰度化处理后的第一图像进行高斯模糊处理,获得二值化的待检测图像。
在一些实例中,处理器502,具体用于:针对至少一个轮廓中的任一轮廓,基于该轮廓的边界像素点,确定该轮廓的垂直边界,并根据垂直边界确定该轮廓的外接矩形框;处理器502,还用于:针对至少一个轮廓中的任一轮廓,确定该轮廓的轮廓矩;根据该轮廓的轮廓矩,确定该轮廓的质心。
在一些实例中,处理器502,还用于:去除至少一个轮廓中轮廓直径小于第六阈值的轮廓;和/或,去除至少一个轮廓中轮廓形状属于非圆形的轮廓。
可选地,本实施例提供的检测装置,在设备形态上,可以是终端设备,也可以是服务器。
进一步,如图5所示,该检测装置还可以包括:通信组件503、显示器504、音频组件505、电源组件等其它组件。图5中仅示意性给出部分组件,并不意味着该设备只包括图5所示组件。另外,图5中虚线框所示组件为可选组件,而非必选组件。
通过该检测装置500,可以快速且便捷地自动实现对物体的形状进行检测的功能,减少人力的检测成本以及时间以及其他检测方式带来的检测误差,同时检测过程的复杂度较低。
上述实施例中的通信组件被配置为便于其所在设备和其他设备之间有线或无线方式的通信。智能音箱可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件可以支持近场通信(NFC)技术、射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术以及其他技术。
上述实施例中的显示器包括屏幕,其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
上述实施例中的电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理***,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
上述实施例的音频组件,可被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。
另外,本发明实施例提供了一种计算机存储介质,计算机程序被一个或多个处理器执行时,致使一个或多个处理器实现前述各方法实施例中的步骤。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102、103等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述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计算机产品的形式体现出来,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、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多媒体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多媒体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多媒体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多媒体数据处理设备上,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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种物体的检测方法,其特征在于,包括:
对待检测图像进行边缘检测,确定所述待检测图像中存在的至少一个轮廓;
针对每个所述轮廓,获取所述轮廓的外接矩形框;
计算所述轮廓围成的封闭区域的轮廓直径;
基于所述外接矩形框的边长及所述轮廓直径,确定所述轮廓的形状;
基于各所述轮廓的形状,确定待检测图像中的物体以及物体参数信息。
2.根据权利要求1所述的方法,其特征在于,所述计算轮廓围成的封闭区域的轮廓直径包括:
基于所述封闭区域中包含的像素点个数及像素点大小,计算所述轮廓围成的封闭区域的轮廓面积;
根据所述轮廓面积,并基于圆的面积与直径的关系,计算所述轮廓围成的封闭区域的轮廓直径。
3.根据权利要求1所述的方法,其特征在于,所述基于所述外接矩形框的边长及所述轮廓直径,确定所述轮廓的形状,包括:
判断所述轮廓的外接矩形框的相邻边长之间的第一长度差是否在第一阈值内,且所述轮廓直径与对应轮廓的外接矩形框的边长之间的第二长度差是否在第二阈值内,若判断结果均为是,确定所述轮廓的形状为圆形。
4.根据权利要求1所述的方法,其特征在于,所述确定所述待检测图像中存在的至少一个轮廓包括:确定所述待检测图像中至少存在第一轮廓以及第二轮廓;
所述方法还包括:获取第一轮廓的第一质心的位置以及获取第二轮廓的第二质心的位置;
所述确定待检测图像中的物体以及物体参数信息还基于所述第一质心的位置、所述第二质心的位置以及各所述轮廓对应的轮廓直径。
5.根据权利要求4所述的方法,其特征在于,
当所述第一质心与所述第二质心的位置之差小于第三阈值且所述第一轮廓与所述第二轮廓的半径之差大于第四阈值,则确定所述待检测图像中的物体以及物体参数信息包括同心圆环;
当所述第一质心与所述第二质心的位置之差小于第三阈值且所述第一轮廓与所述第二轮廓的半径之差小于第五阈值,则确定所述待检测图像中的物体以及物体参数信息包括同心圆。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
计算所述同心圆环的第一质心与第二质心的位置的平均值,得到所述同心圆环的圆心;
根据所述同心圆环的第一轮廓上像素点与所述同心圆环的圆心的距离,计算所述同心圆环的第一轮廓半径;根据所述同心圆环的第二轮廓上像素点与所述同心圆环的圆心的距离,计算所述同心圆环的第二轮廓半径;和/或,
计算所述同心圆的第一质心与第二质心的位置的平均值,得到所述同心圆的圆心;
根据所述同心圆的第一轮廓与第二轮廓上像素点与所述圆心的距离,计算所述同心圆的轮廓半径。
7.根据权利要求6所述的方法,其特征在于,所述根据所述同心圆环的第一轮廓上像素点与所述同心圆环的圆心的距离,计算所述同心圆环的第一轮廓半径;根据所述同心圆环的第二轮廓上像素点与所述同心圆环的圆心的距离,计算所述同心圆环的第二轮廓半径,包括:
将所述第一轮廓上多个像素点与所述同心圆环的圆心的距离的平均值,作为同心圆环的第一轮廓半径;
将所述第二轮廓上多个像素点与所述同心圆环的圆心的距离的平均值,作为同心圆环的第二轮廓半径;
根据所述同心圆的第一轮廓与第二轮廓上像素点与所述圆心的距离,计算所述同心圆的轮廓半径,包括:
将所述同心圆的第一轮廓和第二轮廓上多个像素点与所述圆心的距离的平均值,作为所述同心圆的轮廓半径。
8.根据权利要求1-7任一所述的方法,其特征在于,在对待检测图像进行边缘检测之前,还包括:
采集待检测物体的第一图像;
对所述第一图像进行灰度化处理;
对灰度化处理后的第一图像进行高斯模糊处理,获得二值化的待检测图像。
9.根据权利要求1-7任一所述的方法,其特征在于,所述获取所述轮廓的外接矩形框,包括:
针对所述至少一个轮廓中的任一轮廓,基于该轮廓的边界像素点,确定该轮廓的垂直边界,并根据所述垂直边界确定该轮廓的外接矩形框;
所述方法还包括:
针对所述至少一个轮廓中的任一轮廓,确定所述该轮廓的轮廓矩;
根据该轮廓的轮廓矩,确定所述该轮廓的质心。
10.根据权利要求1-7任一所述的方法,其特征在于,所述方法还包括:去除所述至少一个轮廓中轮廓直径小于第六阈值的轮廓;和/或,去除所述至少一个轮廓中轮廓形状属于非圆形的轮廓。
11.一种物体的检测装置,其特征在于,包括:存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
对待检测图像进行边缘检测,确定所述待检测图像中存在的至少一个轮廓;
针对每个所述轮廓,获取所述轮廓的外接矩形框;
计算所述轮廓围成的封闭区域的轮廓直径;
基于所述外接矩形框的边长及所述轮廓直径,确定所述轮廓的形状;
基于各所述轮廓的形状,确定待检测图像中的物体以及物体参数信息。
12.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器实现权利要求1-10任一项所述方法中的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628139.5A CN109816675A (zh) | 2018-12-28 | 2018-12-28 | 物体的检测方法、检测装置及存储介质 |
PCT/CN2019/100303 WO2020134109A1 (zh) | 2018-12-28 | 2019-08-13 | 物体的检测方法、检测装置及存储介质 |
US16/629,215 US11295467B2 (en) | 2018-12-28 | 2019-08-13 | Object detection method, object detection device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628139.5A CN109816675A (zh) | 2018-12-28 | 2018-12-28 | 物体的检测方法、检测装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816675A true CN109816675A (zh) | 2019-05-28 |
Family
ID=66602638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811628139.5A Pending CN109816675A (zh) | 2018-12-28 | 2018-12-28 | 物体的检测方法、检测装置及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11295467B2 (zh) |
CN (1) | CN109816675A (zh) |
WO (1) | WO2020134109A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020134109A1 (zh) * | 2018-12-28 | 2020-07-02 | 歌尔股份有限公司 | 物体的检测方法、检测装置及存储介质 |
CN112017232A (zh) * | 2020-08-31 | 2020-12-01 | 浙江水晶光电科技股份有限公司 | 图像内圆形图案的定位方法、装置及设备 |
CN112669375A (zh) * | 2021-01-13 | 2021-04-16 | 慧灵科技(深圳)有限公司 | 基于像素点查找圆形物体的方法及装置 |
CN112700440A (zh) * | 2021-01-18 | 2021-04-23 | 上海闻泰信息技术有限公司 | 物体缺陷检测方法、装置、计算机设备及存储介质 |
CN113076907A (zh) * | 2021-04-16 | 2021-07-06 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息标识方法、冰箱和计算机存储介质 |
CN113177922A (zh) * | 2021-05-06 | 2021-07-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料异物识别方法、***、介质及电子终端 |
CN113191272A (zh) * | 2021-04-30 | 2021-07-30 | 杭州品茗安控信息技术股份有限公司 | 一种工程图像的识别方法、识别***及相关装置 |
CN113578778A (zh) * | 2021-07-27 | 2021-11-02 | 福建工程学院 | 利用轮廓特征和色彩特征检测汽车玻璃混线的方法及*** |
CN114596269A (zh) * | 2022-03-01 | 2022-06-07 | 常州市新创智能科技有限公司 | 一种玻纤布面经纱少丝缠丝的检测方法及装置 |
CN115205299A (zh) * | 2022-09-19 | 2022-10-18 | 江苏东晨机械科技有限公司 | 基于机器视觉的卷板机故障智能识别方法 |
CN115237321A (zh) * | 2022-07-25 | 2022-10-25 | 深圳市华胜软件技术有限公司 | 擦除处理方法、装置、电子设备及计算机可读存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494226B (zh) * | 2022-02-11 | 2024-03-12 | 安徽大学 | 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法 |
CN115082552B (zh) * | 2022-07-25 | 2022-12-27 | 荣耀终端有限公司 | 标记孔的定位方法、装置、装配设备及存储介质 |
CN116862912B (zh) * | 2023-09-04 | 2023-11-24 | 山东恒信科技发展有限公司 | 基于机器视觉的原料油杂质检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567048A (zh) * | 2008-04-21 | 2009-10-28 | 夏普株式会社 | 图像辨别装置及图像检索装置 |
CN101699217A (zh) * | 2009-11-03 | 2010-04-28 | 武汉大学 | 一种用于工业零件的同心圆检测方法 |
CN103150730A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种基于图像的圆形小目标精确检测方法 |
CN106709909A (zh) * | 2016-12-13 | 2017-05-24 | 重庆理工大学 | 一种基于深度学习的柔性机器人视觉识别与定位*** |
CN106780599A (zh) * | 2016-12-06 | 2017-05-31 | 武汉秀宝软件有限公司 | 一种基于Hough变化的圆形识别方法及*** |
CN108109154A (zh) * | 2016-11-24 | 2018-06-01 | 广州映博智能科技有限公司 | 一种工件的新型定位及数据获取方法 |
JP6343648B2 (ja) * | 2016-11-30 | 2018-06-13 | 株式会社イノテック | 円検出方法、円検出装置、プログラム及び記憶媒体 |
CN108596232A (zh) * | 2018-04-16 | 2018-09-28 | 杭州睿珀智能科技有限公司 | 一种基于形状和颜色特征的鞋垫自动分类方法 |
CN108734054A (zh) * | 2017-04-17 | 2018-11-02 | 湖南生物机电职业技术学院 | 无遮挡的柑橘果实图像识别方法 |
CN109003258A (zh) * | 2018-06-15 | 2018-12-14 | 广东工业大学 | 一种高精度亚像素圆形零件测量方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003016463A (ja) | 2001-07-05 | 2003-01-17 | Toshiba Corp | 図形の輪郭の抽出方法、パターン検査方法、パターン検査装置、プログラムおよびこれを格納したコンピュータ読み取り可能な記録媒体 |
US7813590B2 (en) * | 2005-05-13 | 2010-10-12 | Given Imaging Ltd. | System and method for displaying an in-vivo image stream |
CN101477692B (zh) | 2009-02-13 | 2012-08-22 | 阿里巴巴集团控股有限公司 | 图像特征提取方法及装置 |
JP2013048318A (ja) * | 2011-08-29 | 2013-03-07 | Nintendo Co Ltd | 情報処理装置、情報処理プログラム、情報処理方法および情報処理システム |
JP6869264B2 (ja) * | 2017-01-20 | 2021-05-12 | ソニーネットワークコミュニケーションズ株式会社 | 情報処理装置、情報処理方法およびプログラム |
CN106932904A (zh) * | 2017-02-27 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 虚拟现实头戴设备 |
CN106952307B (zh) * | 2017-03-22 | 2020-01-07 | 广东工业大学 | 一种图像中球体定位方法及*** |
CN109816675A (zh) * | 2018-12-28 | 2019-05-28 | 歌尔股份有限公司 | 物体的检测方法、检测装置及存储介质 |
-
2018
- 2018-12-28 CN CN201811628139.5A patent/CN109816675A/zh active Pending
-
2019
- 2019-08-13 US US16/629,215 patent/US11295467B2/en active Active
- 2019-08-13 WO PCT/CN2019/100303 patent/WO2020134109A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567048A (zh) * | 2008-04-21 | 2009-10-28 | 夏普株式会社 | 图像辨别装置及图像检索装置 |
CN101699217A (zh) * | 2009-11-03 | 2010-04-28 | 武汉大学 | 一种用于工业零件的同心圆检测方法 |
CN103150730A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种基于图像的圆形小目标精确检测方法 |
CN108109154A (zh) * | 2016-11-24 | 2018-06-01 | 广州映博智能科技有限公司 | 一种工件的新型定位及数据获取方法 |
JP6343648B2 (ja) * | 2016-11-30 | 2018-06-13 | 株式会社イノテック | 円検出方法、円検出装置、プログラム及び記憶媒体 |
CN106780599A (zh) * | 2016-12-06 | 2017-05-31 | 武汉秀宝软件有限公司 | 一种基于Hough变化的圆形识别方法及*** |
CN106709909A (zh) * | 2016-12-13 | 2017-05-24 | 重庆理工大学 | 一种基于深度学习的柔性机器人视觉识别与定位*** |
CN108734054A (zh) * | 2017-04-17 | 2018-11-02 | 湖南生物机电职业技术学院 | 无遮挡的柑橘果实图像识别方法 |
CN108596232A (zh) * | 2018-04-16 | 2018-09-28 | 杭州睿珀智能科技有限公司 | 一种基于形状和颜色特征的鞋垫自动分类方法 |
CN109003258A (zh) * | 2018-06-15 | 2018-12-14 | 广东工业大学 | 一种高精度亚像素圆形零件测量方法 |
Non-Patent Citations (4)
Title |
---|
刘瑞祯等著: "《OpenCV教程 基础篇》", 31 December 2007 * |
王一丁等著: "《数字图像处理》", 31 December 2015 * |
裴伟晨: "基于图像处理技术的自动报靶***研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陈星: "三种基于Hough变换的同心圆检测算法研究", 《万方学位论文》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11295467B2 (en) | 2018-12-28 | 2022-04-05 | Goertek Inc. | Object detection method, object detection device and storage medium |
WO2020134109A1 (zh) * | 2018-12-28 | 2020-07-02 | 歌尔股份有限公司 | 物体的检测方法、检测装置及存储介质 |
CN112017232A (zh) * | 2020-08-31 | 2020-12-01 | 浙江水晶光电科技股份有限公司 | 图像内圆形图案的定位方法、装置及设备 |
CN112017232B (zh) * | 2020-08-31 | 2024-03-15 | 浙江水晶光电科技股份有限公司 | 图像内圆形图案的定位方法、装置及设备 |
CN112669375A (zh) * | 2021-01-13 | 2021-04-16 | 慧灵科技(深圳)有限公司 | 基于像素点查找圆形物体的方法及装置 |
CN112700440A (zh) * | 2021-01-18 | 2021-04-23 | 上海闻泰信息技术有限公司 | 物体缺陷检测方法、装置、计算机设备及存储介质 |
CN112700440B (zh) * | 2021-01-18 | 2022-11-04 | 上海闻泰信息技术有限公司 | 物体缺陷检测方法、装置、计算机设备及存储介质 |
CN113076907A (zh) * | 2021-04-16 | 2021-07-06 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息标识方法、冰箱和计算机存储介质 |
WO2022217927A1 (zh) * | 2021-04-16 | 2022-10-20 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息标识方法、冰箱和计算机存储介质 |
CN113076907B (zh) * | 2021-04-16 | 2023-03-21 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息标识方法、冰箱和计算机存储介质 |
CN113191272A (zh) * | 2021-04-30 | 2021-07-30 | 杭州品茗安控信息技术股份有限公司 | 一种工程图像的识别方法、识别***及相关装置 |
CN113177922A (zh) * | 2021-05-06 | 2021-07-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料异物识别方法、***、介质及电子终端 |
CN113578778A (zh) * | 2021-07-27 | 2021-11-02 | 福建工程学院 | 利用轮廓特征和色彩特征检测汽车玻璃混线的方法及*** |
CN114596269A (zh) * | 2022-03-01 | 2022-06-07 | 常州市新创智能科技有限公司 | 一种玻纤布面经纱少丝缠丝的检测方法及装置 |
CN114596269B (zh) * | 2022-03-01 | 2022-07-29 | 常州市新创智能科技有限公司 | 一种玻纤布面经纱少丝缠丝的检测方法及装置 |
CN115237321A (zh) * | 2022-07-25 | 2022-10-25 | 深圳市华胜软件技术有限公司 | 擦除处理方法、装置、电子设备及计算机可读存储介质 |
CN115205299A (zh) * | 2022-09-19 | 2022-10-18 | 江苏东晨机械科技有限公司 | 基于机器视觉的卷板机故障智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
US11295467B2 (en) | 2022-04-05 |
WO2020134109A1 (zh) | 2020-07-02 |
US20210312651A1 (en) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816675A (zh) | 物体的检测方法、检测装置及存储介质 | |
US11004209B2 (en) | Methods and systems for applying complex object detection in a video analytics system | |
CN109829433B (zh) | 人脸图像识别方法、装置、电子设备及存储介质 | |
US10225582B1 (en) | Processing live video streams over hierarchical clusters | |
CN103576660B (zh) | 智能家居监控方法 | |
EP3295424A1 (en) | Systems and methods for reducing a plurality of bounding regions | |
CN108734162A (zh) | 商品图像中目标识别方法、***、设备及存储介质 | |
CN105740275B (zh) | 地图显示方法及装置 | |
CN106709932A (zh) | 一种人脸位置跟踪方法、装置和电子设备 | |
CN106296617A (zh) | 人脸图像的处理方法及装置 | |
CN110443366A (zh) | 神经网络的优化方法及装置、目标检测方法及装置 | |
WO2019245788A1 (en) | Visual recognition via light weight neural network | |
CN109214421A (zh) | 一种模型训练方法、装置、及计算机设备 | |
CN108009563B (zh) | 图像处理方法、装置及终端 | |
CN104200249A (zh) | 一种衣物自动搭配的方法,装置及*** | |
CN106447259A (zh) | 一种物流信息监控方法、***和服务端 | |
WO2019085749A1 (zh) | 应用程序管控方法、装置、介质及电子设备 | |
CN104463105A (zh) | 路牌识别方法及装置 | |
CN110688906A (zh) | 风电设备的智能检测方法及相关产品 | |
CN109901408A (zh) | 一种智能设备的控制方法、装置和*** | |
CN109376781A (zh) | 一种图像识别模型的训练方法、图像识别方法和相关装置 | |
CN107481265A (zh) | 目标重定位方法及装置 | |
US11861910B2 (en) | Method and system for acquiring item placing state | |
WO2019085750A1 (zh) | 应用程序管控方法、装置、介质及电子设备 | |
CN110059753A (zh) | 模型训练方法、层间隔识别方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201102 Address after: 261061 north of Yuqing East Street, east of Dongming Road, Weifang High tech Zone, Weifang City, Shandong Province (Room 502, Geer electronic office building) Applicant after: GoerTek Optical Technology Co.,Ltd. Address before: 261031 No. 268 Dongfang Road, Weifang hi tech Industrial Development Zone, Shandong, Weifang Applicant before: GOERTEK Inc. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
RJ01 | Rejection of invention patent application after publication |