CN113310438A - 平整度测量方法、装置、计算机设备和存储介质 - Google Patents
平整度测量方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113310438A CN113310438A CN202010118310.9A CN202010118310A CN113310438A CN 113310438 A CN113310438 A CN 113310438A CN 202010118310 A CN202010118310 A CN 202010118310A CN 113310438 A CN113310438 A CN 113310438A
- Authority
- CN
- China
- Prior art keywords
- image
- stripe
- measured
- fringe
- projection
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种平整度测量方法、装置、***、计算机设备和存储介质。所述方法包括:获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;采集所述待测表面的条纹投影图像;根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。采用本方法能够提高墙面平整度的测量效率。
Description
技术领域
本申请涉及智能建筑技术领域,特别是涉及一种平整度测量方法、装置、计算机设备和存储介质。
背景技术
现有技术在对建筑物的墙面平整度进行测量时,往往需要使用专业的墙面平整度测量尺等测量工具对墙面的平整度进行人工测量。这也使得在测量人员在面临大面积的墙面平整度测量场景下时墙面平整度的测量效率不高。
因此,现有技术在测量墙面平整度的过程中存在效率不高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高墙面平整度测量效率的平整度测量方法、装置、计算机设备和存储介质。
一种平整度测量方法,所述方法包括:
获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
采集所述待测表面的条纹投影图像;
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
在其中一个实施例中,所述根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息,包括:
将所述条纹投影图像输入至预训练的识别模型;
通过所述预训练的识别模型,提取所述条纹投影图像中的条纹弯曲特征,以及,提取所述条纹投影图像中的条纹稀疏特征,并根据所述条纹弯曲特征和所述条纹稀疏特征,生成所述条纹投影图像的模型输出结果;
根据所述条纹投影图像的模型输出结果,确定所述待测表面的平整度信息。
在其中一个实施例中,所述根据所述条纹投影图像的模型输出结果,确定所述待测表面的平整度信息,包括:
根据所述条纹投影图像的模型输出结果,确定所述条纹投影图像中的条纹畸变区域;所述条纹畸变区域与所述待测表面的非平整区域对应;
确定所述条纹畸变区域在所述条纹投影图像中的位置坐标,以及,确定所述条纹畸变区域对应的畸变程度值;
将所述位置坐标和所述畸变程度值,作为所述待测表面的平整度信息。
在其中一个实施例中,在所述将所述条纹投影图像输入至预训练的识别模型的步骤之前,还包括:
获取条纹投影样本图像;
将所述条纹投影样本图像输入至待训练的识别模型;所述待训练的识别模型用于对输入的条纹投影样本图像进行处理,得到所述条纹投影样本图像的模型输出结果;所述条纹投影样本图像具有对应的标签信息;
基于所述条纹投影样本图像的模型输出结果与所述条纹投影样本图像的标签信息,更新所述待训练的识别模型的模型参数,得到训练后的识别模型,并将所述训练后的识别模型作为所述待训练的识别模型;
重复执行上述步骤,直至得到所述预训练的识别模型。
在其中一个实施例中,所述采集所述待测表面的条纹投影图像,包括:
获取原始条纹投影图像;
识别所述原始条纹投影图像,确定所述原始条纹投影图像中的条纹投影图案边界;
根据所述条纹投影图案边界,对所述原始条纹投影图像进行剪裁处理,得到所述条纹投影图像。
在其中一个实施例中,还包括:
根据所述待测表面的平整度信息,生成待投影图像;
将所述待投影图像投影至所述待测表面,以在所述待测表面形成的平整度提示图像;所述平整度提示图像用于供用户确定所述待测表面的非平整区域。
一种平整度测量方法,所述方法包括:
获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
一种平整度测量***,所述***包括:投影装置、图像采集装置和测量装置;
所述投影装置,用于获取初始条纹图像,并将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;所述初始条纹图像包括若干条等距排布的线状条纹:
所述图像采集装置,用于拍摄所述待测表面的条纹投影图像,并将所述条纹投影图像发送至所述测量装置;
所述测量装置,用于根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
在其中一个实施例中,所述测量装置,还用于根据所述待测表面的平整度信息,生成待投影图像,并发送所述待投影图像至所述投影装置;
所述投影装置,还用于接收所述待投影图像,并将所述待投影图像投影至所述待测表面,以在所述待测表面形成的平整度提示图像;所述平整度提示图像用于供用户确定所述待测表面的非平整区域。
一种平整度测量装置,所述装置包括:
获取模块,用于获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
投影模块,用于将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
采集模块,用于采集所述待测表面的条纹投影图像;
测量模块,用于根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
一种平整度测量装置,所述装置包括:
图像获取模块,用于获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
确定模块,用于根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
采集所述待测表面的条纹投影图像;
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
采集所述待测表面的条纹投影图像;
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
上述平整度测量方法、装置、***、计算机设备和存储介质,通过获取包括有若干条等距排布的线状条纹的初始条纹图像;并将初始条纹图像投影至待测表面,使原本缺少纹理信息及几何结构的待测墙面,会因为待测墙面中的凸出部或凹陷部而使投影在墙面上的条纹投影图像中的条纹出现畸变,进而在待测墙面形成携带用深度信息的条纹投影图像,通过采集该条纹投影图像;并根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息,从而在不接触到待测墙面的情况下,稳定且高效地对大面积的待测墙面进行平整度测量,提高了墙面平整度的测量效率。
附图说明
图1为一个实施例中一种平整度测量***的结构框图;
图2为一个实施例中一种平整度测量方法的流程示意图;
图3为一个实施例中一种初始条纹图像的示意图;
图4为一个实施例中一种条纹投影图像的示意图;
图5为一个实施例中一种条纹投影图像中的条纹畸变区域的示意图;
图6为一个实施例中一种平整度提示图像的应用场景图;
图7为另一个实施例中一种平整度测量方法的流程示意图;
图8为一个实施例中另一种平整度测量方法的流程示意图;
图9为一个实施例中一种平整度测量装置的结构框图;
图10为另一个实施例中一种平整度测量装置的结构框图;
图11为一个实施例中一种墙面平整度测量方法的流程示意图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供平整度测量方法,可以应用于如图1所示的应用环境中提供一种平整度测量***。其中,该***包括投影装置110、图像采集装置120和测量装置130。其中,投影装置110、图像采集装置120和测量装置130均通过网络进行通信。测量装置130获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:然后,测量装置130通过投影装置110将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;再然后,测量装置130通过图像采集装置120采集所述待测表面的条纹投影图像;最后,测量装置130根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。实际应用中,投影装置110可以是指一种投影设备,例如,投影仪、高清投影仪等。投影装置110也可以是一种用于投射多条线激光的激光发射器。图像采集装置120可以是指照相机、摄像机等设备,例如,工业相机、单反相机、摄像头等。测量装置130可以是终端、服务器等计算机设备。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种平整度测量方法,包括以下步骤:
步骤S210,获取初始条纹图像;初始条纹图像包括若干条等距排布的线状条纹。
其中,初始条纹图像为包括有若干条等距排布的线状条纹的图像。如图3所示,图3提供了一种初始条纹图像的示意图。
具体实现中,当需要测量待测表面的平整程度时,测量装置130首先获取用户预先设定的包括有若干条等距排布的线状条纹的初始条纹图像。
步骤S220,将初始条纹图像投影至待测表面,以在待测表面形成条纹投影图像。
其中,待测表面可以是指需要测量平整度的目标表面。实际应用中,待测表面可以是待测墙面、待测地面、待测路面、待测桌面等平面。
具体实现中,以待测表面为待测墙面为例,当测量装置130在获取初始条纹图像之后,测量装置130可以通过投影装置110,将初始条纹图像投影至待测墙面;具体来说,测量装置130可以将初始条纹图像对应的图像信号发送至投影装置110,进而供投影装置110将初始条纹图像投影至待测墙面,在待测墙面形成条纹投影图像之后,此时原本缺少纹理信息及几何结构的待测墙面,会因为待测墙面中的凸出部或凹陷部而使投影在墙面上的条纹投影图像中的条纹出现畸变,进而在待测墙面形成携带用深度信息的条纹投影图像。如图4所示,图4提供了一种条纹投影图像的示意图。
步骤S230,采集待测表面的条纹投影图像。
具体实现中,当投影装置110将初始条纹图像投影至待测墙面,以在待测表面形成条纹投影图像之后,测量装置130可以通过图像采集装置120采集所述待测表面的条纹投影图像。具体地,测量装置130可以发送控制信号至图像采集装置120,以使图像采集装置120采集待测墙面上的条纹投影图像,并将条纹投影图像返回测量装置130。
步骤S240,根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息。
其中,条纹弯曲特征可以是指条纹投影图像中的弯曲条纹对应的特征。
其中,条纹稀疏特征可以是指条纹投影图像中的各条纹之间的稀疏排布对应的特征。
具体实现中,当测量装置130采集到待测墙面的条纹投影图像后,测量装置130可以根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息。具体来说,测量装置130可以通过预训练的神经网络,对条纹投影图像进行处理,提取出条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,然后,根据该条纹弯曲特征和该条纹稀疏特征,确定待测表面的平整度信息。同时,测量装置130可以展示该待测表面的平整度信息,进而供用户及时发现待测墙面的平整程度。
上述的一种平整度测量方法,通过获取包括有若干条等距排布的线状条纹的初始条纹图像;并将初始条纹图像投影至待测表面,使原本缺少纹理信息及几何结构的待测墙面,会因为待测墙面中的凸出部或凹陷部而使投影在墙面上的条纹投影图像中的条纹出现畸变,进而在待测墙面形成携带用深度信息的条纹投影图像,通过采集该条纹投影图像;并根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息,从而在不接触到待测墙面的情况下,稳定且高效地对大面积的待测墙面进行平整度测量,提高了墙面平整度的测量效率。
在另一个实施例中,根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息,包括:将条纹投影图像输入至预训练的识别模型;通过预训练的识别模型,提取条纹投影图像中的条纹弯曲特征,以及,提取条纹投影图像中的条纹稀疏特征,并根据条纹弯曲特征和条纹稀疏特征,生成条纹投影图像的模型输出结果;根据条纹投影图像的模型输出结果,确定待测表面的平整度信息。
其中,识别模型可以是基于神经网络的图片识别模型。实际应用中,识别模型可以是基于Faster R-CNN(一种卷积神经网络)的图片识别模型。当然,识别模型也可以采用SSD系列、YOLO系列等系列的神经网络模型。
具体实现中,当测量装置130在根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息的过程中,测量装置130可以将采集到的条纹投影图像,输入至预训练的识别模型,作为预训练的识别模型的输入参数;如此,测量装置130通过预训练的识别模型,提取出条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征;同时,测量装置130还通过预训练的识别模型,根据条纹弯曲特征和条纹稀疏特征,输出与条纹投影图像对应的模型输出结果。最后,测量装置130再根据预训练的识别模型的模型输出结果,确定待测表面的平整度信息。
本实施例的技术方案,通过将条纹投影图像输入至预训练的识别模型;通过预训练的识别模型,快速且高效地提取出条纹投影图像中的条纹弯曲特征,以及,提取条纹投影图像中的条纹稀疏特征,并根据条纹弯曲特征和条纹稀疏特征,准确地确定待测表面的平整度信息,进而实现稳定且高效地对大面积的待测墙面进行平整度测量,提高了墙面平整度的测量效率。
在另一个实施例中,根据条纹投影图像的模型输出结果,确定待测表面的平整度信息,包括:根据条纹投影图像的模型输出结果,确定条纹投影图像中的条纹畸变区域;条纹畸变区域与待测表面的非平整区域对应;确定条纹畸变区域在条纹投影图像中的位置坐标,以及,确定条纹畸变区域对应的畸变程度值;将位置坐标和畸变程度值,作为待测表面的平整度信息。
其中,条纹畸变区域与待测表面的非平整区域对应。条纹畸变区域可以是指条纹投影图像中的条纹出现弯曲、条纹过于密集等条纹畸变的区域。为了本领域技术人员的理解,图5提供了一种条纹投影图像中的条纹畸变区域的示意图。其中,510为条纹投影图像,520为条纹畸变区域。
其中,畸变程度值可以是用于表征条纹畸变区域的畸变程度的值。实际应用中,畸变程度值与待测表面的平整程度存在对应关系。
具体实现中,测量装置130在根据条纹投影图像的模型输出结果,确定待测表面的平整度信息的过程中,具体包括:测量装置130在获得预训练的识别模型输出与条纹投影图像对应的模型输出结果后,测量装置130在条纹投影图像的模型输出结果中,确定条纹投影图像中与待测表面的非平整区域存在对应关系的条纹畸变区域;然后,测量装置130确定该条纹畸变区域在条纹投影图像中的位置坐标以及确定条纹畸变区域对应的畸变程度值;并将位置坐标和畸变程度值,作为待测表面的平整度信息。
需要说明的是,在对待训练的识别模型进行神经网络训练得到预训练的识别模型的过程中,可以先对训练用的条纹投影样本图像中的条纹出现弯曲、条纹过于密集等条纹畸变区域进行标注,得到条纹畸变标注区域;并根据条纹畸变标注区域中的条纹的畸变程度为条纹畸变标注区域标注上对应的畸变程度标注值。并将多个带有训练标签的条纹投影样本图像作为训练集,对待训练的识别模型进行神经网络训练,得到训练后的识别模型;如此,得到测量装置130可以准确地确定条纹投影图像中的条纹畸变区域,以及条纹畸变区域对应的畸变程度值。实际应用中,可以使用Labelme或者LabelImg等图像标注工具进行标注,完成后制作数据集。
实际应用中,本领域技术人员可以根据实际情况根据条纹畸变标注区域中的条纹的畸变程度为条纹畸变标注区域标注上对应的畸变程度标注值,在此不做限定。
本实施例的技术方案,通过根据条纹投影图像的模型输出结果,确定条纹投影图像中的条纹畸变区域,并将条纹畸变区域在条纹投影图像中的位置坐标,和条纹畸变区域对应的畸变程度值,从而得到可以详细且准确地表征待测表面平整度的平整度信息,提高了墙面平整度的测量效率。
在另一个实施例中,在将条纹投影图像输入至预训练的识别模型的步骤之前,还包括:获取条纹投影样本图像;将条纹投影样本图像输入至待训练的识别模型;待训练的识别模型用于对输入的条纹投影样本图像进行处理,得到条纹投影样本图像的模型输出结果;条纹投影样本图像具有对应的标签信息;基于条纹投影样本图像的模型输出结果与条纹投影样本图像的标签信息,更新待训练的识别模型的模型参数,得到训练后的识别模型,并将训练后的识别模型作为待训练的识别模型;重复执行上述步骤,直至得到预训练的识别模型。
其中,条纹投影样本图像可以是指用于对待训练的识别模型进行神经网络的图像。
其中,条纹投影样本图像具有对应的标签信息。实际应用中,标签信息包括条纹畸变标注区域和条纹畸变标注区域标注上对应的畸变程度标注值。
其中,待训练的识别模型可以是指未经过训练的识别模型。
其中,待训练的识别模型用于对输入的条纹投影样本图像进行处理,得到条纹投影样本图像的模型输出结果。
具体实现中,测量装置130在将条纹投影图像输入至预训练的识别模型的步骤之前,测量装置130还需要获取具有对应的标签信息的条纹投影样本图像。在获取具有对应的标签信息的条纹投影样本图像的过程中,可以使投影装置110和图像采集装置120在离样本平面的不同距离(比如1米、1.5米、2米、2.5米等)以及各种位置角度(正拍、斜拍、仰拍、俯拍等)进而增加采集到的条纹投影样本图像的数据特征性,如此不仅使最终的识别模型可以更加灵活,也在训练时增加了样本的多样性,保证最终训练出来的识别模型能够在各个位置、角度、距离都能够检测处平面平整度不合格的区域
然后,测量装置130将条纹投影样本图像作为待训练的识别模型的输入参数输入至待训练的识别模型。通过待训练的识别模型,对输入的条纹投影样本图像进行处理,得到条纹投影样本图像的模型输出结果。然后,测量装置130可以根据条纹投影样本图像的模型输出结果与条纹投影样本图像的标签信息,确定待训练的识别模型的损失,并根据该损失,更新待训练的识别模型的模型参数,得到训练后的识别模型,并将训练后的识别模型作为待训练的识别模型;如此,利用梯度下降等方法,重复执行上述步骤,直至得到预训练的识别模型。
本实施例的技术方案,通过将具有对应的标签信息的条纹投影样本图像输入至待训练的识别模型;并基于条纹投影样本图像的模型输出结果与条纹投影样本图像的标签信息,更新待训练的识别模型的模型参数,得到训练后的识别模型,并将训练后的识别模型作为待训练的识别模型;重复执行上述步骤,使得得到预训练的识别模型可以快速且高效地提取出条纹投影图像中的条纹弯曲特征,以及,提取条纹投影图像中的条纹稀疏特征,并根据条纹弯曲特征和条纹稀疏特征,准确地确定待测表面的平整度信息,进而实现稳定且高效地对大面积的待测墙面进行平整度测量,提高了墙面平整度的测量效率。
在另一个实施例中,采集待测表面的条纹投影图像,包括:获取原始条纹投影图像;识别原始条纹投影图像,确定原始条纹投影图像中的条纹投影图案边界;根据条纹投影图案边界,对原始条纹投影图像进行剪裁处理,得到条纹投影图像。
其中,原始条纹投影图像可以是指未经过处理的条纹投影图像。
其中,条纹投影图案边界可以是指原始条纹投影图像中的条纹图案的图案边界。
具体实现中,测量装置130在采集待测表面的条纹投影图像的过程中,具体包括:测量装置130在发送控制信号至图像采集装置120之后,以使图像采集装置120对待测墙面进行图像采集,得到原始条纹投影图像;然后,图像采集装置120将采集到的原始条纹投影图像返回至测量装置130。
当测量装置130接收到原始条纹投影图像后,测量装置130可以对原始条纹投影图像进行识别,确定原始条纹投影图像中的条纹投影图案边界;然后,测量装置130根据原始条纹投影图像中的条纹投影图案边界,对原始条纹投影图像进行剪裁处理,得到剪裁后的原始条纹投影图像,作为条纹投影图像。
同时,测量装置130还可以对条纹投影图像的图像尺寸进行调整,以使条纹投影图像的图像尺寸与预设图像尺寸匹配,进而便于后续将条纹投影图像输入至预训练的识别模型进行处理。
本实施例的技术方案,通过获取原始条纹投影图像;并识别原始条纹投影图像,确定原始条纹投影图像中的条纹投影图案边界;根据条纹投影图案边界,对原始条纹投影图像进行剪裁处理,得到条纹投影图像,通过去除冗余的图像信息,从而可以减少识别模型的参数处理量,提高识别模型提取出条纹投影图像中的条纹弯曲特征和条纹稀疏特征,并根据条纹弯曲特征和条纹稀疏特征,准确地确定待测表面的平整度信息的效率,进而实现稳定且高效地对大面积的待测墙面进行平整度测量,提高了墙面平整度的测量效率。
在另一个实施例中,还包括:根据待测表面的平整度信息,生成待投影图像;将待投影图像投影至待测表面,以在待测表面形成的平整度提示图像;平整度提示图像用于供用户确定待测表面的非平整区域。
其中,平整度提示图像用于供用户确定待测表面的非平整区域。
具体实现中,当测量装置130确定待测表面的平整度信息后,测量装置130还可以根据待测表面的平整度信息,生成待投影图像;具体地,测量装置130在待测表面的平整度信息中,确定条纹投影图像中的条纹畸变区域;然后,测量装置130可以条纹畸变区域的图像尺寸,生成与条纹畸变区域对应的平整信息提示方框;然后,测量装置130根据条纹畸变区域在条纹投影图像中的位置坐标和条纹畸变区域对应的平整信息提示方框,生成待投影图像。
再然后,测量装置130可以通过投影装置110,将待投影图像投影至待测表面,以在待测表面形成的平整度提示图像。具体地,测量装置130将待投影图像对应的图像信号发送至投影装置110,以使投影装置110在接收到待投影图像对应的图像信号后,将待投影图像投影至待测表面,以在待测表面形成用于供用户确定待测表面的非平整区域的平整度提示图像。
为了便于本领域技术人员的理解,图6提供了一种平整度提示图像的应用场景图。其中,610为条纹投影图像,620为平整度提示图像。
本实施例的技术方案,通过根据待测表面的平整度信息,生成待投影图像;将待投影图像投影至待测表面,以在待测表面形成的平整度提示图像,从而使测量人员可以直观地观察到待测表面的平整度区域,便于后续对待测表面进行处理。
在另一个实施例中,如图7所示,提供了一种平整度测量方法,包括以下步骤:步骤S702,获取初始条纹图像;初始条纹图像包括若干条等距排布的线状条纹:步骤S704,将初始条纹图像投影至待测表面,以在待测表面形成条纹投影图像。步骤S706,采集待测表面的条纹投影图像。步骤S708,将条纹投影图像输入至预训练的识别模型。步骤S710,通过预训练的识别模型,提取条纹投影图像中的条纹弯曲特征,以及,提取条纹投影图像中的条纹稀疏特征,并根据条纹弯曲特征和条纹稀疏特征,生成条纹投影图像的模型输出结果。步骤S712,根据条纹投影图像的模型输出结果,确定条纹投影图像中的条纹畸变区域;条纹畸变区域与待测表面的非平整区域对应。步骤S714,确定条纹畸变区域在条纹投影图像中的位置坐标,以及,确定条纹畸变区域对应的畸变程度值。步骤S716,根据位置坐标和畸变程度值,生成待投影图像。步骤S718,将待投影图像投影至待测表面,以在待测表面形成的平整度提示图像;平整度提示图像用于供用户确定待测表面的非平整区域。上述步骤的具体限定可以参见上文对一种平整度测量方法的具体限定,在此不再赘述。
在一个实施例中,如图8所示,提供了另一种平整度测量方法,包括以下步骤:
步骤S802,获取待测表面的条纹投影图像;条纹投影图像根据投影到待测表面的初始条纹图像生成;初始条纹图像包括若干条等距排布的线状条纹。
其中,初始条纹图像包括若干条等距排布的线状条纹。
具体实现中,投影设备110还可以是激光发射器,激光发射器通过以多条线激光投射的方式,将预设的初始条纹图像投影到待测表面,以使待测表面形成条纹投影图像。然后,测量装置130可以通过图像采集装置120采集所述待测表面的条纹投影图像。具体地,测量装置130可以发送控制信号至图像采集装置120,以使图像采集装置120采集待测墙面上的条纹投影图像,并将条纹投影图像返回测量装置130。
步骤S804,根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息。
具体实现中,当测量装置130采集到待测墙面的条纹投影图像后,测量装置130可以根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息。具体来说,测量装置130可以通过预训练的神经网络,对条纹投影图像进行处理,提取出条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,然后,根据该条纹弯曲特征和该条纹稀疏特征,确定待测表面的平整度信息。同时,测量装置130可以展示该待测表面的平整度信息,进而供用户及时发现待测墙面的平整程度。
上述平整度测量方法中,通过获取包括有若干条等距排布的线状条纹的初始条纹图像;并将初始条纹图像投影至待测表面,使原本缺少纹理信息及几何结构的待测墙面,会因为待测墙面中的凸出部或凹陷部而使投影在墙面上的条纹投影图像中的条纹出现畸变,进而在待测墙面形成携带用深度信息的条纹投影图像,通过采集该条纹投影图像;并根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息,从而在不接触到待测墙面的情况下,稳定且高效地对大面积的待测墙面进行平整度测量,提高了墙面平整度的测量效率。
应该理解的是,虽然图2、图7和图8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图7和图8中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
一种平整度测量***,如图1所示,该***包括:投影装置110、图像采集装置120和测量装置130;
投影装置110,用于获取初始条纹图像,并将初始条纹图像投影至待测表面,以在待测表面形成条纹投影图像;初始条纹图像包括若干条等距排布的线状条纹。
实际应用中,投影设备110为投影设备时,投影装置110可以通过接收测量装置130发送的与初始条纹图像对应的图像信号,并根据初始条纹图像对应的图像信号将初始条纹图像投影至待测表面,以在待测表面形成条纹投影图像。
当然,投影设备110还可以是激光发射器,激光发射器通过以多条线激光投射的方式,将预设的初始条纹图像投影到待测表面,以使待测表面形成条纹投影图像。
图像采集装置120,用于拍摄待测表面的条纹投影图像,并将条纹投影图像发送至测量装置。
具体实现中,图像采集装置120可以接收测量装置130发送的控制信号;响应该控制信号,采集待测墙面上的条纹投影图像,并将条纹投影图像返回测量装置130。
测量装置130,用于根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息。
具体实现中,当测量装置130采集到待测墙面的条纹投影图像后,测量装置130可以根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息。具体来说,测量装置130可以通过预训练的神经网络,对条纹投影图像进行处理,提取出条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,然后,根据该条纹弯曲特征和该条纹稀疏特征,确定待测表面的平整度信息。同时,测量装置130可以展示该待测表面的平整度信息,进而供用户及时发现待测墙面的平整程度。
上述的一种平整度测量***,通过获取包括有若干条等距排布的线状条纹的初始条纹图像;并将初始条纹图像投影至待测表面,使原本缺少纹理信息及几何结构的待测墙面,会因为待测墙面中的凸出部或凹陷部而使投影在墙面上的条纹投影图像中的条纹出现畸变,进而在待测墙面形成携带用深度信息的条纹投影图像,通过采集该条纹投影图像;并根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息,从而在不接触到待测墙面的情况下,稳定且高效地对大面积的待测墙面进行平整度测量,提高了墙面平整度的测量效率。
在另一个实施例中,测量装置130,还用于根据待测表面的平整度信息,生成待投影图像,并发送待投影图像至投影装置110;投影装置110,还用于接收待投影图像,并将待投影图像投影至待测表面,以在待测表面形成的平整度提示图像;平整度提示图像用于供用户确定待测表面的非平整区域。
具体实现中,当测量装置130确定待测表面的平整度信息后,测量装置130还可以根据待测表面的平整度信息,生成待投影图像;具体地,测量装置130在待测表面的平整度信息中,确定条纹投影图像中的条纹畸变区域;然后,测量装置130可以条纹畸变区域的图像尺寸,生成与条纹畸变区域对应的平整信息提示方框;然后,测量装置130根据条纹畸变区域在条纹投影图像中的位置坐标和条纹畸变区域对应的平整信息提示方框,生成待投影图像。
再然后,测量装置130可以通过投影装置110,将待投影图像投影至待测表面,以在待测表面形成的平整度提示图像。具体地,测量装置130将待投影图像对应的图像信号发送至投影装置110,以使投影装置110在接收到待投影图像对应的图像信号后,将待投影图像投影至待测表面,以在待测表面形成用于供用户确定待测表面的非平整区域的平整度提示图像。
在一个实施例中,如图9所示,提供了一种平整度测量装置,包括:
获取模块910,用于获取初始条纹图像;初始条纹图像包括若干条等距排布的线状条纹:
投影模块920,用于将初始条纹图像投影至待测表面,以在待测表面形成条纹投影图像;
采集模块930,用于采集待测表面的条纹投影图像;
测量模块940,用于根据条纹投影图像中的条纹弯曲特征和条纹投影图像中的条纹稀疏特征,确定待测表面的平整度信息。
在其中一个实施例中,测量模块940,具体用于将条纹投影图像输入至预训练的识别模型;通过预训练的识别模型,提取条纹投影图像中的条纹弯曲特征,以及,提取条纹投影图像中的条纹稀疏特征,并根据条纹弯曲特征和条纹稀疏特征,生成条纹投影图像的模型输出结果;根据条纹投影图像的模型输出结果,确定待测表面的平整度信息。
在其中一个实施例中,测量模块940,具体用于根据条纹投影图像的模型输出结果,确定条纹投影图像中的条纹畸变区域;条纹畸变区域与待测表面的非平整区域对应;确定条纹畸变区域在条纹投影图像中的位置坐标,以及,确定条纹畸变区域对应的畸变程度值;将位置坐标和畸变程度值,作为待测表面的平整度信息。
在其中一个实施例中,测量模块940,具体还用于获取条纹投影样本图像;将条纹投影样本图像输入至待训练的识别模型;待训练的识别模型用于对输入的条纹投影样本图像进行处理,得到条纹投影样本图像的模型输出结果;条纹投影样本图像具有对应的标签信息;基于条纹投影样本图像的模型输出结果与条纹投影样本图像的标签信息,更新待训练的识别模型的模型参数,得到训练后的识别模型,并将训练后的识别模型作为待训练的识别模型;重复执行上述步骤,直至得到预训练的识别模型。
在其中一个实施例中,采集模块930,具体用于获取原始条纹投影图像;识别原始条纹投影图像,确定原始条纹投影图像中的条纹投影图案边界;根据条纹投影图案边界,对原始条纹投影图像进行剪裁处理,得到条纹投影图像。
在其中一个实施例中,上述的平整度测量装置,还包括:图像生成模块,用于根据待测表面的平整度信息,生成待投影图像;投影模块,用于将待投影图像投影至待测表面,以在待测表面形成的平整度提示图像;平整度提示图像用于供用户确定待测表面的非平整区域。
在一个实施例中,如图10所示,提供了一种平整度测量装置,包括:
图像获取模块1010,用于获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
确定模块1020,用于根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
关于平整度测量装置的具体限定可以参见上文中对于平整度测量方法的限定,在此不再赘述。上述平整度测量装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
为了便于本领域技术人员的理解,图11为一个实施例中一种墙面平整度测量方法的流程示意图,如图11所示,首先将设备移动到不同位置、距离、角度;然后,利用投影仪或者激光发射器对墙面进行投影;采用高精度工业相机对有特征信息的墙面进行拍摄;当采集到足够的样本时,对所有样本标注不合格区域;利用样本数据对检测模型进行训练,直至验证模型合格。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种平整度测量方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S210,获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
步骤S220,将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
步骤S230,采集所述待测表面的条纹投影图像;
步骤S240,根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将所述条纹投影图像输入至预训练的识别模型;通过所述预训练的识别模型,提取所述条纹投影图像中的条纹弯曲特征,以及,提取所述条纹投影图像中的条纹稀疏特征,并根据所述条纹弯曲特征和所述条纹稀疏特征,生成所述条纹投影图像的模型输出结果;根据所述条纹投影图像的模型输出结果,确定所述待测表面的平整度信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述条纹投影图像的模型输出结果,确定所述条纹投影图像中的条纹畸变区域;所述条纹畸变区域与所述待测表面的非平整区域对应;确定所述条纹畸变区域在所述条纹投影图像中的位置坐标,以及,确定所述条纹畸变区域对应的畸变程度值;将所述位置坐标和所述畸变程度值,作为所述待测表面的平整度信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取条纹投影样本图像;将所述条纹投影样本图像输入至待训练的识别模型;所述待训练的识别模型用于对输入的条纹投影样本图像进行处理,得到所述条纹投影样本图像的模型输出结果;所述条纹投影样本图像具有对应的标签信息;基于所述条纹投影样本图像的模型输出结果与所述条纹投影样本图像的标签信息,更新所述待训练的识别模型的模型参数,得到训练后的识别模型,并将所述训练后的识别模型作为所述待训练的识别模型;重复执行上述步骤,直至得到所述预训练的识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取原始条纹投影图像;识别所述原始条纹投影图像,确定所述原始条纹投影图像中的条纹投影图案边界;根据所述条纹投影图案边界,对所述原始条纹投影图像进行剪裁处理,得到所述条纹投影图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述待测表面的平整度信息,生成待投影图像;将所述待投影图像投影至所述待测表面,以在所述待测表面形成的平整度提示图像;所述平整度提示图像用于供用户确定所述待测表面的非平整区域。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S802,获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
步骤S804,根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S210,获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
步骤S220,将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
步骤S230,采集所述待测表面的条纹投影图像;
步骤S240,根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将所述条纹投影图像输入至预训练的识别模型;通过所述预训练的识别模型,提取所述条纹投影图像中的条纹弯曲特征,以及,提取所述条纹投影图像中的条纹稀疏特征,并根据所述条纹弯曲特征和所述条纹稀疏特征,生成所述条纹投影图像的模型输出结果;根据所述条纹投影图像的模型输出结果,确定所述待测表面的平整度信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述条纹投影图像的模型输出结果,确定所述条纹投影图像中的条纹畸变区域;所述条纹畸变区域与所述待测表面的非平整区域对应;确定所述条纹畸变区域在所述条纹投影图像中的位置坐标,以及,确定所述条纹畸变区域对应的畸变程度值;将所述位置坐标和所述畸变程度值,作为所述待测表面的平整度信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取条纹投影样本图像;将所述条纹投影样本图像输入至待训练的识别模型;所述待训练的识别模型用于对输入的条纹投影样本图像进行处理,得到所述条纹投影样本图像的模型输出结果;所述条纹投影样本图像具有对应的标签信息;基于所述条纹投影样本图像的模型输出结果与所述条纹投影样本图像的标签信息,更新所述待训练的识别模型的模型参数,得到训练后的识别模型,并将所述训练后的识别模型作为所述待训练的识别模型;重复执行上述步骤,直至得到所述预训练的识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取原始条纹投影图像;识别所述原始条纹投影图像,确定所述原始条纹投影图像中的条纹投影图案边界;根据所述条纹投影图案边界,对所述原始条纹投影图像进行剪裁处理,得到所述条纹投影图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述待测表面的平整度信息,生成待投影图像;将所述待投影图像投影至所述待测表面,以在所述待测表面形成的平整度提示图像;所述平整度提示图像用于供用户确定所述待测表面的非平整区域。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S802,获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
步骤S804,根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种平整度测量方法,其特征在于,所述方法包括:
获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
采集所述待测表面的条纹投影图像;
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息,包括:
将所述条纹投影图像输入至预训练的识别模型;
通过所述预训练的识别模型,提取所述条纹投影图像中的条纹弯曲特征,以及,提取所述条纹投影图像中的条纹稀疏特征,并根据所述条纹弯曲特征和所述条纹稀疏特征,生成所述条纹投影图像的模型输出结果;
根据所述条纹投影图像的模型输出结果,确定所述待测表面的平整度信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述条纹投影图像的模型输出结果,确定所述待测表面的平整度信息,包括:
根据所述条纹投影图像的模型输出结果,确定所述条纹投影图像中的条纹畸变区域;所述条纹畸变区域与所述待测表面的非平整区域对应;
确定所述条纹畸变区域在所述条纹投影图像中的位置坐标,以及,确定所述条纹畸变区域对应的畸变程度值;
将所述位置坐标和所述畸变程度值,作为所述待测表面的平整度信息。
4.根据权利要求2所述的方法,其特征在于,在所述将所述条纹投影图像输入至预训练的识别模型的步骤之前,还包括:
获取条纹投影样本图像;
将所述条纹投影样本图像输入至待训练的识别模型;所述待训练的识别模型用于对输入的条纹投影样本图像进行处理,得到所述条纹投影样本图像的模型输出结果;所述条纹投影样本图像具有对应的标签信息;
基于所述条纹投影样本图像的模型输出结果与所述条纹投影样本图像的标签信息,更新所述待训练的识别模型的模型参数,得到训练后的识别模型,并将所述训练后的识别模型作为所述待训练的识别模型;
重复执行上述步骤,直至得到所述预训练的识别模型。
5.根据权利要求1所述的方法,其特征在于,所述采集所述待测表面的条纹投影图像,包括:
获取原始条纹投影图像;
识别所述原始条纹投影图像,确定所述原始条纹投影图像中的条纹投影图案边界;
根据所述条纹投影图案边界,对所述原始条纹投影图像进行剪裁处理,得到所述条纹投影图像。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,还包括:
根据所述待测表面的平整度信息,生成待投影图像;
将所述待投影图像投影至所述待测表面,以在所述待测表面形成的平整度提示图像;所述平整度提示图像用于供用户确定所述待测表面的非平整区域。
7.一种平整度测量方法,其特征在于,所述方法包括:
获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
8.一种平整度测量***,其特征在于,所述***包括:投影装置、图像采集装置和测量装置;
所述投影装置,用于获取初始条纹图像,并将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;所述初始条纹图像包括若干条等距排布的线状条纹:
所述图像采集装置,用于拍摄所述待测表面的条纹投影图像,并将所述条纹投影图像发送至所述测量装置;
所述测量装置,用于根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
9.根据权利要求7所述的***,其特征在于,所述测量装置,还用于根据所述待测表面的平整度信息,生成待投影图像,并发送所述待投影图像至所述投影装置;
所述投影装置,还用于接收所述待投影图像,并将所述待投影图像投影至所述待测表面,以在所述待测表面形成的平整度提示图像;所述平整度提示图像用于供用户确定所述待测表面的非平整区域。
10.一种平整度测量装置,其特征在于,所述装置包括:
获取模块,用于获取初始条纹图像;所述初始条纹图像包括若干条等距排布的线状条纹:
投影模块,用于将所述初始条纹图像投影至待测表面,以在所述待测表面形成条纹投影图像;
采集模块,用于采集所述待测表面的条纹投影图像;
测量模块,用于根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
11.一种平整度测量装置,其特征在于,所述装置包括:
图像获取模块,用于获取待测表面的条纹投影图像;所述条纹投影图像根据投影到所述待测表面的初始条纹图像生成;所述初始条纹图像包括若干条等距排布的线状条纹:
确定模块,用于根据所述条纹投影图像中的条纹弯曲特征和所述条纹投影图像中的条纹稀疏特征,确定所述待测表面的平整度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118310.9A CN113310438B (zh) | 2020-02-26 | 2020-02-26 | 平整度测量方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010118310.9A CN113310438B (zh) | 2020-02-26 | 2020-02-26 | 平整度测量方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113310438A true CN113310438A (zh) | 2021-08-27 |
CN113310438B CN113310438B (zh) | 2023-04-07 |
Family
ID=77369932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010118310.9A Active CN113310438B (zh) | 2020-02-26 | 2020-02-26 | 平整度测量方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113310438B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101422787A (zh) * | 2008-12-10 | 2009-05-06 | 北京科技大学 | 基于单步相移法的带钢平坦度测量方法 |
CN101672631A (zh) * | 2009-09-29 | 2010-03-17 | 上海第二工业大学 | 平面光学元件的面形偏差测量方法 |
CN101812824A (zh) * | 2010-04-19 | 2010-08-25 | 华东交通大学 | 基于影像云纹法的路面平整度检测装置及检测方法 |
US20170132801A1 (en) * | 2015-09-14 | 2017-05-11 | Sightline Innovation Inc. | System and method for specular surface inspection |
CN108007942A (zh) * | 2017-11-22 | 2018-05-08 | 牧德科技股份有限公司 | 投影式复检机及其校正方法 |
CN108090896A (zh) * | 2017-12-14 | 2018-05-29 | 北京木业邦科技有限公司 | 木板平整度检测及其机器学习方法、装置及电子设备 |
CN108106576A (zh) * | 2018-01-22 | 2018-06-01 | 广东理工学院 | 一种陶瓷砖平整度在线检测装置及检测方法 |
CN108444413A (zh) * | 2018-03-08 | 2018-08-24 | 陕西科技大学 | 陶瓷墙地砖平整度检测装置及方法 |
WO2019184811A1 (zh) * | 2018-03-30 | 2019-10-03 | 京东方科技集团股份有限公司 | 投影方法及装置、电子设备 |
CN110487216A (zh) * | 2019-09-20 | 2019-11-22 | 西安知象光电科技有限公司 | 一种基于卷积神经网络的条纹投影三维扫描方法 |
-
2020
- 2020-02-26 CN CN202010118310.9A patent/CN113310438B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101422787A (zh) * | 2008-12-10 | 2009-05-06 | 北京科技大学 | 基于单步相移法的带钢平坦度测量方法 |
CN101672631A (zh) * | 2009-09-29 | 2010-03-17 | 上海第二工业大学 | 平面光学元件的面形偏差测量方法 |
CN101812824A (zh) * | 2010-04-19 | 2010-08-25 | 华东交通大学 | 基于影像云纹法的路面平整度检测装置及检测方法 |
US20170132801A1 (en) * | 2015-09-14 | 2017-05-11 | Sightline Innovation Inc. | System and method for specular surface inspection |
CN108007942A (zh) * | 2017-11-22 | 2018-05-08 | 牧德科技股份有限公司 | 投影式复检机及其校正方法 |
CN108090896A (zh) * | 2017-12-14 | 2018-05-29 | 北京木业邦科技有限公司 | 木板平整度检测及其机器学习方法、装置及电子设备 |
CN108106576A (zh) * | 2018-01-22 | 2018-06-01 | 广东理工学院 | 一种陶瓷砖平整度在线检测装置及检测方法 |
CN108444413A (zh) * | 2018-03-08 | 2018-08-24 | 陕西科技大学 | 陶瓷墙地砖平整度检测装置及方法 |
WO2019184811A1 (zh) * | 2018-03-30 | 2019-10-03 | 京东方科技集团股份有限公司 | 投影方法及装置、电子设备 |
CN110487216A (zh) * | 2019-09-20 | 2019-11-22 | 西安知象光电科技有限公司 | 一种基于卷积神经网络的条纹投影三维扫描方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113310438B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11209837B2 (en) | Method and device for generating a model of a to-be reconstructed area and an unmanned aerial vehicle flight trajectory | |
CN111639626B (zh) | 三维点云数据处理方法、装置、计算机设备和存储介质 | |
US11657644B2 (en) | Automatic ruler detection | |
CN111814740B (zh) | 指针仪表读数的识别方法、装置、计算机设备和存储介质 | |
CN110619807B (zh) | 生成全局热力图的方法和装置 | |
CN110751149A (zh) | 目标对象标注方法、装置、计算机设备和存储介质 | |
CN113344862B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN110850233A (zh) | 电缆故障定位方法和装置 | |
CN114004882A (zh) | 一种二维地图生成方法、装置、终端设备及存储介质 | |
CN111259903A (zh) | 识别表计示数方法、装置、可读存储介质和计算机设备 | |
US10395090B2 (en) | Symbol detection for desired image reconstruction | |
CN112683169A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
CN112733641A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
CN112258507A (zh) | 互联网数据中心的目标对象检测方法、装置和电子设备 | |
CN110517221B (zh) | 基于现实坐标的缝隙定位方法、装置和存储介质 | |
CN113310438B (zh) | 平整度测量方法、装置、计算机设备和存储介质 | |
CN108427110A (zh) | 测距方法、装置及电子设备 | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
JP2016206909A (ja) | 情報処理装置、情報処理方法 | |
CN115035481A (zh) | 一种图像物距融合方法、装置、设备及存储介质 | |
CN114238541A (zh) | 敏感目标信息获取方法、装置和计算机设备 | |
CN112233171A (zh) | 目标标注质量检验方法、装置、计算机设备和存储介质 | |
US20220005223A1 (en) | Coordinate calculation apparatus, coordinate calculation method, and computer-readable recording medium | |
CN113405644B (zh) | 非接触的振动测量方法、装置和存储介质 | |
CN116907498A (zh) | 一种可见光通信地图生成方法、装置、终端及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |