CN112329587B - 饮料瓶的分类方法、装置及电子设备 - Google Patents
饮料瓶的分类方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112329587B CN112329587B CN202011188826.7A CN202011188826A CN112329587B CN 112329587 B CN112329587 B CN 112329587B CN 202011188826 A CN202011188826 A CN 202011188826A CN 112329587 B CN112329587 B CN 112329587B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- beverage bottle
- dimensional point
- depth image
- dimensional
- 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
- 235000013361 beverage Nutrition 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 14
- 210000000746 body region Anatomy 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010819 recyclable waste Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XOSXWYQMOYSSKB-LDKJGXKFSA-L water blue Chemical compound CC1=CC(/C(\C(C=C2)=CC=C2NC(C=C2)=CC=C2S([O-])(=O)=O)=C(\C=C2)/C=C/C\2=N\C(C=C2)=CC=C2S([O-])(=O)=O)=CC(S(O)(=O)=O)=C1N.[Na+].[Na+] XOSXWYQMOYSSKB-LDKJGXKFSA-L 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
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明适用计算机信息处理技术领域，提供了一种饮料瓶的分类方法及装置，该方法包括：获取饮料瓶的深度图像；采用迭代算法从所述深度图像中确定瓶身区域图像；提取所述瓶身区域图像对应的三维点云模型；基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型。由该方法可以看出，在获取饮料瓶的深度图像后，即可自动进行饮料瓶的类型识别，实现了饮料瓶的自动分拣，易于配合传统垃圾处理流水线智能升级，大大提高了饮料瓶的分拣效率。
Description
技术领域
本发明属于垃圾分类技术领域，尤其涉及一种饮料瓶的分类方法、装置及电子设备。
背景技术
作为可回收垃圾种类中重要的部分，饮料瓶是生活中最常见的垃圾之一。这些生活中产生的饮料瓶，最终会通过垃圾厂商进行收集清运，统一送往垃圾加工厂，经历一次粗加工预处理——分类分拣。分拣人员将根据饮料瓶的材质、颜色、标签等特征的不同，对它们进行分类。分类分拣完毕后，再对饮料瓶进行下一步打包处理。
然而，目前传统饮料瓶的分拣需要人工重复参与，造成分拣效率低下。
发明内容
本发明的目的在于提供一种饮料瓶的分类方法、装置及电子设备，旨在解决现有技术中饮料瓶分拣效率较低的技术问题。
第一方面，本发明提供了一种饮料瓶的分类方法，包括：
获取饮料瓶的深度图像；
采用迭代算法从所述深度图像中确定瓶身区域图像；
提取所述瓶身区域图像对应的三维点云模型；
基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型。
优选的，所述采用迭代算法从所述深度图像中确定瓶身区域图像的步骤包括：
利用AdaBoost算法对所述深度图像进行迭代计算，获取所述深度图像对应的三维空间点云坐标特征；
根据所述三维空间点云坐标特征确定所述深度图像中的瓶身区域图像。
优选的，所述根据所述三维空间点云坐标特征确定所述深度图像中的瓶身区域图像的步骤包括：
根据所述三维空间点云坐标特征，筛选出环境坐标点和饮料瓶坐标点；
根据所述饮料瓶坐标点，从所述深度图像中确定瓶身区域图像。
优选的，所述提取所述瓶身区域图像对应的三维点云模型的步骤包括：
对所述瓶身区域图像中的三维空间点云坐标进行优化处理；
将经优化处理后的所述三维空间点云坐标确定为所述三维点云模型。
优选的，所述基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型的步骤包括：
采用ICP算法对所述三维点云模型与所述参考三维点云库进行匹配计算，确定所述ICP算法的最终迭代次数；
若所述最终迭代次数小于预设阈值，则将所述三维点云模型对应的饮料瓶确定为所述参考三维点云库对应的饮料瓶类型。
优选的，若所述最终迭代次数大于预设阈值，则所述方法还包括：
在所述深度图像中进行未匹配饮料瓶的标注；
提取所述深度图像中的颜色和标签信息；
根据所述颜色和标签信息，在预先创建的数据库中进行图像识别，确定所述深度图像对应的饮料瓶类型。
优选的，所述根据所述颜色和标签信息，在预先创建的数据库中进行图像识别，确定所述深度图像对应的饮料瓶类型的步骤包括：
读取所述颜色和标签信息；
进行颜色空间变换，将RGB空间转换为LAB空间；
遍历每一个所述数据库中每一项数据，对所述饮料瓶进行颜色、标签形状、标签位置的检测；
根据检测结果确定所述深度图像对应的饮料瓶类型。
第二方面，本发明提供了一种饮料瓶的分类装置，包括：
深度图像获取模块，用于获取饮料瓶的深度图像；
瓶身区域确定模块，用于采用迭代算法从所述深度图像中确定瓶身区域图像；
三维点云模型提取模块，用于提取所述瓶身区域图像对应的三维点云模型；
类型识别模块，用于基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型。
第三方面，本发明还提供了一种电子设备，包括：
处理器；以及
与所述处理器通信连接的存储器；其中，
所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如第一方面所述的方法。
第四方面，本发明提供了一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如第一方面的方法。
由于本发明将在获取饮料瓶的深度图像后，采用迭代算法从所述深度图像中确定瓶身区域图像，并提取所述瓶身区域图像对应的三维点云模型，最后基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型，使在获取饮料瓶的深度图像后，即可自动进行饮料瓶的类型识别，实现了饮料瓶的自动分拣，易于配合传统垃圾处理流水线智能升级，大大提高了饮料瓶的分拣效率。
附图说明
图1是实施例一示出的饮料瓶的分类方法的实现流程图。
图2是实施例二示出的饮料瓶的分类装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1是实施例一示出的饮料瓶的分类方法的实现流程图。实施例一示出的饮料瓶的分类方法适用于电子设备中，电子设备中设置处理器，以进行饮料瓶的高效分类。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
步骤S110，获取饮料瓶的深度图像。
步骤S120，采用迭代算法从深度图像中确定瓶身区域图像。
步骤S130，提取瓶身区域图像对应的三维点云模型。
步骤S140，基于预先训练生成的参考三维点云库，采用ICP算法对三维点云模型与参考三维点云库进行立体配准，识别饮料瓶的分类类型。
深度图像是采用深度摄像头所拍摄的饮料瓶图像。
在3D计算机图形和计算机视觉中，深度图像是一种图像或图像通道，其中包含与场景对象的表面到视点的距离有关的信息，用于模拟的3D形状或重建。深度图像可以由3D扫描仪生成或从多个图像重建而生成的。
例如，采用ToF(Time of Flight，飞行时间)相机对饮料瓶进行深度图像的拍摄。ToF相机采用的是连续波调制，比较物体返回信号和发射信号的相位差可得距离信息，可实现像素级别测量。
TOF芯片的优点是深度信息依旧可以完成对目标图像的分割、标记、识别、跟踪等传统应用，经过进一步深化处理，可以完成三维建模等应用，并且能够快速完成对目标的识别与追踪。
需要说明的是，饮料瓶的深度图像可以是电子设备采用ToF相机等扫描仪现场拍摄的，也可以是获取其他设备所拍摄的深度图像，还可以是通过其他方式获取饮料瓶的深度图像。
由于包含饮料瓶的深度图像中，还包含有其他无关信息。为提高对饮料瓶分类的准确性，在通过深度图像对饮料瓶进行分类识别时，还需排除其他无关信息的干扰。
因此，在进行分类识别之前，采用迭代算法从深度图像中确定瓶身区域图像。
具体的，利用AdaBoost算法对深度图像进行迭代计算，获取深度图像对应的三维空间点云坐标特征，再根据三维空间点云坐标特征确定深度图像中的瓶身区域图像。
在根据三维空间点云坐标特征确定深度图像中的瓶身区域图像时，先根据三维空间点云坐标特征筛选出环境坐标点和饮料瓶坐标点，再根据饮料瓶坐标点从深度图像中确定瓶身区域图像，从而有效保证了确定瓶身区域图像的准确性。
Adaboost作为常用的算法模型，用于二分类、多分类或者特征选择等，它的优点是处理简单不用做特征筛选，同时算法精度很高，且不用担心过度拟合的问题，有效提高了特征筛选的准确性。
当然，也可以采用其他算法对深度图像进行迭代计算而获取对应的三维空间点云坐标特征。
在提取瓶身区域图像对应的三维点云模型时，对瓶身区域图像中的三维空间点云坐标进行优化处理，再将经优化处理后的三维空间点云坐标确定为三维点云模型。
例如，根据图像三维空间点云坐标特征，筛选出环境坐标点(传送带，投递口等)和饮料瓶坐标点，再根据筛选出的饮料瓶坐标点，通过其它算法处理手段(膨胀、腐蚀、轮廓线等)对瓶身区域图像中的三维空间点云坐标进行优化处理，计算出饮料瓶的三维点云模型，作为后续匹配操作的数据集。
提取饮料瓶的三维点云模型后，将基于预先训练生成的参考三维点云库，采用ICP算法对三维点云模型与参考三维点云库进行立体配准，识别饮料瓶的分类类型。
具体的，采用ICP算法对三维点云模型与参考三维点云库进行匹配计算，确定ICP算法的最终迭代次数，若最终迭代次数小于预设阈值，则将三维点云模型对应的饮料瓶确定为参考三维点云库对应的饮料瓶类型，由分类机械手臂等自动化设备进行分拣；否则，则判断为未匹配饮料瓶，标注加入参考点云特征库，并需进行下一步的分类识别。
该示例性实施例中，立体配准采用ICP算法，通过对“待匹配三维点云”和“参考三维点云”进行坐标系变换(平移、旋转...)以及刚性转换等操作，基于最小二乘法原则进行立体配准的。ICP算法将在寻找邻点和求解最优变换的步骤不停的迭代进行，直到满足迭代终止条件。终止条件包括loss变化量小于一定值或者达到最大迭代次数等。如果达到最大迭代次数前完成迭代，则证明满足ICP算法配准特征条件，认为测试数据与已标注数据集足够相似，故判断为已分类饮料瓶。
需要说明的是，也可采用其他算法对三维点云模型与参考三维点云库进行匹配计算，在此不进行一一描述。
由于本发明将在获取饮料瓶的深度图像后，采用迭代算法从所述深度图像中确定瓶身区域图像，并提取所述瓶身区域图像对应的三维点云模型，最后基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型，使在获取饮料瓶的深度图像后，即可自动进行饮料瓶的类型识别，实现了饮料瓶的自动分拣，易于配合传统垃圾处理流水线智能升级，大大提高了饮料瓶的分拣效率。
需要说明的是，参考三维点云库是预先训练生成的，例如，可预先采集大量饮料瓶的深度图像，并对这些深度图像进行类型标注，制作训练样本集，然后采用深度学习算法对该训练样本集进行深度学习，生成参考三维点云库。
如前的，若最终迭代次数大于预设阈值，则将三维点云模型对应的饮料瓶判断为未匹配饮料瓶，标注加入参考点云特征库，并需进行下一步的分类识别。
具体的，该下一步的分类识别中，首先在深度图像中进行未匹配饮料瓶的标注，然后提取深度图像中的颜色和标签信息，根据颜色和标签信息，在预先创建的数据库中进行图像识别，确定深度图像对应的饮料瓶类型。
例如，颜色信息包括雪碧绿色、哇哈哈矿泉水蓝色、汇源果汁橙色等，标签信息包括标签有无、标签高度、签位于瓶身位置等。
在根据颜色和标签信息，在预先创建的数据库中进行图像识别而确定深度图像对应的饮料瓶类型时，先读取颜色和标签信息，进行颜色空间变换，将RGB空间转换为LAB空间，然后遍历每一个数据库中每一项数据，对饮料瓶进行颜色、标签形状、标签位置的检测，最后根据检测结果确定深度图像对应的饮料瓶类型，并由分类机械手臂等自动化设备进行分拣。
实施例二：
如图2所示，本发明实施例二提供了一种饮料瓶的分类装置，该装置可执行上述任一所示的饮料瓶的分类方法的全部或者部分步骤。该***包括：
深度图像获取模块1，用于获取饮料瓶的深度图像；
瓶身区域确定模块2，用于采用迭代算法从深度图像中确定瓶身区域图像；
三维点云模型提取模块3，用于提取瓶身区域图像对应的三维点云模型；
类型识别模块4，用于基于预先训练生成的参考三维点云库，采用ICP算法对三维点云模型与参考三维点云库进行立体配准，识别饮料瓶的分类类型。
具体的，瓶身区域确定模块2包括：
迭代计算单元21，用于利用AdaBoost算法对深度图像进行迭代计算，获取深度图像对应的三维空间点云坐标特征；
瓶身区域图像确定单元22，用于根据三维空间点云坐标特征确定深度图像中的瓶身区域图像。
具体的，三维点云模型提取模块3包括：
优化处理单元31，用于对瓶身区域图像中的三维空间点云坐标进行优化处理；
三维点云模型确定单元32，用于将经优化处理后的三维空间点云坐标确定为三维点云模型。
实施例三：
本发明实施例三提供了一种电子设备，该电子设备可执行上述任一所示的饮料瓶的分类方法的全部或者部分步骤。该电子设备包括：
处理器；以及
与所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法，此处将不做详细阐述说明。
在本实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器，上述指令可由服务器***的处理器执行以完成上述饮料瓶的分类方法。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种饮料瓶的分类方法，其特征在于，所述方法包括：
获取饮料瓶的深度图像；
采用迭代算法从所述深度图像中确定瓶身区域图像；
提取所述瓶身区域图像对应的三维点云模型；
基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型；
所述基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型的步骤包括：
采用ICP算法对所述三维点云模型与所述参考三维点云库进行匹配计算，确定所述ICP算法的最终迭代次数；
若所述最终迭代次数小于预设阈值，则将所述三维点云模型对应的饮料瓶确定为所述参考三维点云库对应的饮料瓶类型；
若所述最终迭代次数大于预设阈值，则：
在所述深度图像中进行未匹配饮料瓶的标注；
提取所述深度图像中的颜色和标签信息；
根据所述颜色和标签信息，在预先创建的数据库中进行图像识别，确定所述深度图像对应的饮料瓶类型。
2.如权利要求1所述的方法，其特征在于，所述采用迭代算法从所述深度图像中确定瓶身区域图像的步骤包括：
利用AdaBoost算法对所述深度图像进行迭代计算，获取所述深度图像对应的三维空间点云坐标特征；
根据所述三维空间点云坐标特征确定所述深度图像中的瓶身区域图像。
3.如权利要求2所述的方法，其特征在于，所述根据所述三维空间点云坐标特征确定所述深度图像中的瓶身区域图像的步骤包括：
根据所述三维空间点云坐标特征，筛选出环境坐标点和饮料瓶坐标点；
根据所述饮料瓶坐标点，从所述深度图像中确定瓶身区域图像。
4.如权利要求1所述的方法，其特征在于，所述提取所述瓶身区域图像对应的三维点云模型的步骤包括：
对所述瓶身区域图像中的三维空间点云坐标进行优化处理；
将经优化处理后的所述三维空间点云坐标确定为所述三维点云模型。
5.如权利要求4所述的方法，其特征在于，所述根据所述颜色和标签信息，在预先创建的数据库中进行图像识别，确定所述深度图像对应的饮料瓶类型的步骤包括：
读取所述颜色和标签信息；
进行颜色空间变换，将RGB空间转换为LAB空间；
遍历每一个所述数据库中每一项数据，对所述饮料瓶进行颜色、标签形状、标签位置的检测；
根据检测结果确定所述深度图像对应的饮料瓶类型。
6.一种实现权利要求1所述饮料瓶的分类方法的饮料瓶的分类装置，其特征在于，所述装置包括：
深度图像获取模块，用于获取饮料瓶的深度图像；
瓶身区域确定模块，用于采用迭代算法从所述深度图像中确定瓶身区域图像；
三维点云模型提取模块，用于提取所述瓶身区域图像对应的三维点云模型；
类型识别模块，用于基于预先训练生成的参考三维点云库，采用ICP算法对所述三维点云模型与所述参考三维点云库进行立体配准，识别所述饮料瓶的分类类型。
7.一种电子设备，其特征在于，所述电子设备包括：
处理器；以及
与所述处理器通信连接的存储器；其中，
所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如权利要求1-5任一项所述的方法。
8.一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011188826.7A CN112329587B (zh) | 2020-10-30 | 2020-10-30 | 饮料瓶的分类方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011188826.7A CN112329587B (zh) | 2020-10-30 | 2020-10-30 | 饮料瓶的分类方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112329587A CN112329587A (zh) | 2021-02-05 |
| CN112329587B true CN112329587B (zh) | 2024-05-24 |
Family
ID=74297268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011188826.7A Active CN112329587B (zh) | 2020-10-30 | 2020-10-30 | 饮料瓶的分类方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329587B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128515B (zh) * | 2021-04-29 | 2024-05-31 | 西北农林科技大学 | 一种基于rgb-d视觉的在线果蔬识别***及方法 |
| CN113554701A (zh) * | 2021-07-16 | 2021-10-26 | 杭州派珞特智能技术有限公司 | 一种pds托盘智能识别定位***及其工作方法 |
| WO2023119490A1 (ja) * | 2021-12-22 | 2023-06-29 | 株式会社Pfu | 容器選別システム |
| CN116935375A (zh) * | 2023-08-15 | 2023-10-24 | 安徽助行软件科技有限公司 | 一种智能生产线打包装盒检测***及方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147812A (zh) * | 2011-03-31 | 2011-08-10 | 中国科学院自动化研究所 | 基于三维点云模型的地标建筑图像分类方法 |
| CN104573722A (zh) * | 2015-01-07 | 2015-04-29 | 深圳市唯特视科技有限公司 | 基于三维点云的三维人脸种族分类装置和方法 |
| CN105069423A (zh) * | 2015-07-29 | 2015-11-18 | 北京格灵深瞳信息技术有限公司 | 一种人体姿态检测方法及装置 |
| CN106530297A (zh) * | 2016-11-11 | 2017-03-22 | 北京睿思奥图智能科技有限公司 | 基于点云配准的物体抓取区域定位方法 |
| CN106909875A (zh) * | 2016-09-12 | 2017-06-30 | 湖南拓视觉信息技术有限公司 | 人脸脸型分类方法和*** |
| CN108615016A (zh) * | 2018-04-28 | 2018-10-02 | 北京华捷艾米科技有限公司 | 人脸关键点检测方法和人脸关键点检测装置 |
| CN108898127A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种基于三维模型匹配的防伪方法及设备 |
| CN109299510A (zh) * | 2018-08-27 | 2019-02-01 | 百度在线网络技术（北京）有限公司 | 三维模型确定方法、装置及设备 |
| CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
| CN209289269U (zh) * | 2018-12-17 | 2019-08-23 | 中北大学 | 一种基于双目立体视觉定位识别的智能垃圾分类机器人 |
| CN110168311A (zh) * | 2016-11-29 | 2019-08-23 | 布莱克莫尔传感器和分析公司 | 用于以点云数据集合对对象进行分类的方法和*** |
| CN110246127A (zh) * | 2019-06-17 | 2019-09-17 | 南京工程学院 | 基于深度相机的工件识别与定位方法和***、分拣*** |
| CN110322512A (zh) * | 2019-06-28 | 2019-10-11 | 中国科学院自动化研究所 | 结合小样本实例分割和三维匹配的物***姿估计方法 |
| CN110490246A (zh) * | 2019-08-15 | 2019-11-22 | 中云信安（深圳）科技有限公司 | 垃圾类别确定方法、装置、存储介质及电子设备 |
| CN111222371A (zh) * | 2018-11-26 | 2020-06-02 | 深圳市前海安测信息技术有限公司 | 舌下静脉特征提取装置及方法 |
| CN111274913A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 垃圾分类识别方法、装置、电子设备及存储介质 |
| CN111439500A (zh) * | 2020-04-16 | 2020-07-24 | 同济大学浙江学院 | 垃圾自动分类方法及垃圾自动分类装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10574974B2 (en) * | 2014-06-27 | 2020-02-25 | A9.Com, Inc. | 3-D model generation using multiple cameras |
-
2020
- 2020-10-30 CN CN202011188826.7A patent/CN112329587B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147812A (zh) * | 2011-03-31 | 2011-08-10 | 中国科学院自动化研究所 | 基于三维点云模型的地标建筑图像分类方法 |
| CN104573722A (zh) * | 2015-01-07 | 2015-04-29 | 深圳市唯特视科技有限公司 | 基于三维点云的三维人脸种族分类装置和方法 |
| CN105069423A (zh) * | 2015-07-29 | 2015-11-18 | 北京格灵深瞳信息技术有限公司 | 一种人体姿态检测方法及装置 |
| CN106909875A (zh) * | 2016-09-12 | 2017-06-30 | 湖南拓视觉信息技术有限公司 | 人脸脸型分类方法和*** |
| CN106530297A (zh) * | 2016-11-11 | 2017-03-22 | 北京睿思奥图智能科技有限公司 | 基于点云配准的物体抓取区域定位方法 |
| CN110168311A (zh) * | 2016-11-29 | 2019-08-23 | 布莱克莫尔传感器和分析公司 | 用于以点云数据集合对对象进行分类的方法和*** |
| CN108615016A (zh) * | 2018-04-28 | 2018-10-02 | 北京华捷艾米科技有限公司 | 人脸关键点检测方法和人脸关键点检测装置 |
| CN108898127A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种基于三维模型匹配的防伪方法及设备 |
| CN109299510A (zh) * | 2018-08-27 | 2019-02-01 | 百度在线网络技术（北京）有限公司 | 三维模型确定方法、装置及设备 |
| CN111222371A (zh) * | 2018-11-26 | 2020-06-02 | 深圳市前海安测信息技术有限公司 | 舌下静脉特征提取装置及方法 |
| CN209289269U (zh) * | 2018-12-17 | 2019-08-23 | 中北大学 | 一种基于双目立体视觉定位识别的智能垃圾分类机器人 |
| CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
| CN110246127A (zh) * | 2019-06-17 | 2019-09-17 | 南京工程学院 | 基于深度相机的工件识别与定位方法和***、分拣*** |
| CN110322512A (zh) * | 2019-06-28 | 2019-10-11 | 中国科学院自动化研究所 | 结合小样本实例分割和三维匹配的物***姿估计方法 |
| CN110490246A (zh) * | 2019-08-15 | 2019-11-22 | 中云信安（深圳）科技有限公司 | 垃圾类别确定方法、装置、存储介质及电子设备 |
| CN111274913A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 垃圾分类识别方法、装置、电子设备及存储介质 |
| CN111439500A (zh) * | 2020-04-16 | 2020-07-24 | 同济大学浙江学院 | 垃圾自动分类方法及垃圾自动分类装置 |
Non-Patent Citations (5)
| Title |
|---|
| Object Recognition and Classification from 3D Point Clouds;Antoine El Daher等;《Standford University》;第1-5页 * |
| 基于机器视觉的三维物体识别与定位;张海洲;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2019）12期);I138-431 * |
| 基于机器视觉的玻璃瓶在线检测算法研究及***实现;于晓东;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2014）06期);I138-764 * |
| 基于深度学习的激光雷达多目标地物智能识别;申睿涵;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2020）01期);I136-1626 * |
| 多色废旧饮料瓶分选过程中的定位与识别;王昭坤;《中国优秀硕士学位论文全文数据库 工程科技I辑》(第（2020）06期);B027-1014 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112329587A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329587B (zh) | 饮料瓶的分类方法、装置及电子设备 | |
| CN107507167B (zh) | 一种基于点云平面轮廓匹配的货物托盘检测方法及*** | |
| CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
| Yu et al. | Learning hierarchical features for automated extraction of road markings from 3-D mobile LiDAR point clouds | |
| CN109446895B (zh) | 一种基于人体头部特征的行人识别方法 | |
| Ren et al. | General traffic sign recognition by feature matching | |
| CN102663348A (zh) | 一种光学遥感图像中的海上舰船检测方法 | |
| GB2532948A (en) | Objection recognition in a 3D scene | |
| Cho et al. | 2D barcode detection using images for drone-assisted inventory management | |
| CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| Verma et al. | Object identification for inventory management using convolutional neural network | |
| CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN113408584B (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
| Zelener et al. | Cnn-based object segmentation in urban lidar with missing points | |
| CN112101108B (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
| KR101742115B1 (ko) | 건물 인식을 위한 멀티뷰 영상에서의 인라이어 선택 및 잉여 제거 방법 | |
| CN104915642A (zh) | 前方车辆测距方法及装置 | |
| Lin et al. | CNN-based classification for point cloud object with bearing angle image | |
| CN115830359A (zh) | 复杂场景下基于目标检测和模板匹配的工件识别计数方法 | |
| Sahu et al. | A comparative analysis of deep learning approach for automatic number plate recognition | |
| CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
| CN110378337B (zh) | 金属切削刀具图纸标识信息视觉输入方法及*** | |
| CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 | |
| Deb et al. | Automatic vehicle identification by plate recognition for intelligent transportation system applications |
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 |