[go: up one dir, main page]

CN113283439B - 基于图像识别的智能计数方法、装置及系统 - Google Patents

基于图像识别的智能计数方法、装置及系统 Download PDF

Info

Publication number
CN113283439B
CN113283439B CN202110660386.9A CN202110660386A CN113283439B CN 113283439 B CN113283439 B CN 113283439B CN 202110660386 A CN202110660386 A CN 202110660386A CN 113283439 B CN113283439 B CN 113283439B
Authority
CN
China
Prior art keywords
image
contour
target
contour line
image information
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
Application number
CN202110660386.9A
Other languages
English (en)
Other versions
CN113283439A (zh
Inventor
马彦华
张能军
蔡扬建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Nubomed Technology Co Ltd
Original Assignee
Shenzhen Nubomed Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Nubomed Technology Co Ltd filed Critical Shenzhen Nubomed Technology Co Ltd
Priority to CN202110660386.9A priority Critical patent/CN113283439B/zh
Publication of CN113283439A publication Critical patent/CN113283439A/zh
Application granted granted Critical
Publication of CN113283439B publication Critical patent/CN113283439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—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
    • G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于图像识别的智能计数方法、装置及系统，方法包括：对图像采集装置采集到的图像信息进行二值化得到二值化图像，对二值化图像进行除噪处理并提取得到满足轮廓提取规则的目标轮廓，根据目标轮廓从图像信息中提取对应的区域图像，将区域图像与目标特征进行特征匹配以从中筛选出有效区域图像，对有效区域图像进行数量统计得到的统计数值即为计数结果。本发明属于图像智能识别技术领域，可实时监控目标设备并采集得到图像信息并进行处理以从图像信息中提取目标轮廓，基于目标轮廓获取图像信息中对应的区域图像并与模板图像进行特征匹配以筛选出有效区域图像，可大幅提高基于图像信息进行计数并获取计算结果的准确性及可靠性。

Description

基于图像识别的智能计数方法、装置及系统
技术领域
本发明涉及图像智能识别技术领域，尤其涉及一种基于图像识别的智能计数方法、装置及系统。
背景技术
随着科技的进步发展，越来越多的工作可采用智能化设备进行替代，通过智能化设备替代人工作业，能够大幅提高工作效率。如在对药盒中放置药瓶进行自动计数时，可采用自动化设备代替人工以实现对药瓶进行智能化自动计数。现有的药瓶盘点计数，现有技术方法中通常是通过在安装座上设置自动检测装置对其上方的药盒进行检测，同时在药盒底部开设开孔、在药瓶底部设置正对开孔的图形标签，利用位移装置带动光学采集头移动并依次通过开孔，以对开孔内的图形标签进行读取并传输至主控电路板，从而获得对应药瓶的药品信息，实现对药瓶的自动盘点。
然而发明人发现这一技术方法是采用移动光学采集头对药瓶数量进行盘点，需要移动光学采集头进行图像采集和识别，因此在工作时易因光学采集头晃动而导致识别结果不准确，进而使数量盘点结果出现较大误差，并且这一技术方法需要在设备中设置传动机构，需要占用较大空间且成本较高。因此，现有的技术方法中基于图像识别的计数方法存在准确性不高的问题。
发明内容
本发明实施例提供了一种基于图像识别的智能计数方法、装置及系统，旨在解决现有技术方法中中基于图像识别的计数方法所存在的准确性不高的问题。
第一方面，本发明实施例提供了一种基于图像识别的智能计数方法，应用于基于图像识别的智能计数系统中的智能计数终端，所述系统还包括图像采集装置，所述图像采集装置与所述智能计数终端之间进行网络连接，方法包括：
接收到所述图像采集装置所输入的目标设备的图像信息；
根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像；
对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像；
根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓；
根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像；
根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像；
对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果。
第二方面，本发明实施例还提供了一种基于图像识别的智能计数装置，该装置被配置于基于图像识别的智能计数系统中的智能计数终端，该系统还包括图像采集装置，所述图像采集装置与所述智能计数终端之间进行网络连接，所述装置包括：
图像信息接收单元，用于接收到所述图像采集装置所输入的目标设备的图像信息
二值化图像获取单元，用于根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像；
去燥处理单元，用于对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像；
目标轮廓提取单元，用于根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓；
区域图像获取单元，用于根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像；
有效区域图像获取单元，用于根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像；
计数结果获取单元，用于对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果。
第三方面，本发明实施例提供了一种基于图像识别的智能计数系统，所述系统包括图像采集装置及智能计数终端；
所述图像采集装置，用于采集得到目标设备的图像信息；
所述智能计数终端，用于实现上述第一方面所述的基于图像识别的智能计数方法。
本发明实施例提供了一种基于图像识别的智能计数方法、装置及系统。对图像采集装置采集到的图像信息进行二值化得到二值化图像，对二值化图像进行除噪处理并提取得到满足轮廓提取规则的目标轮廓，根据目标轮廓从图像信息中提取对应的区域图像，将区域图像与目标特征进行特征匹配以从中筛选出有效区域图像，对有效区域图像进行数量统计得到的统计数值即为计数结果。通过上述方法，可实时监控目标设备并采集得到图像信息并进行处理以从图像信息中提取目标轮廓，基于目标轮廓获取图像信息中对应的区域图像并与模板图像进行特征匹配以筛选出有效区域图像，可大幅提高基于图像信息进行计数并获取计算结果的准确性及可靠性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于图像识别的智能计数方法的流程示意图；
图2为本发明实施例提供的基于图像识别的智能计数系统的结构示意图；
图3为本发明实施例提供的基于图像识别的智能计数方法的效果示意图；
图4为本发明实施例提供的基于图像识别的智能计数方法的效果示意图；
图5为本发明实施例提供的基于图像识别的智能计数方法的效果示意图；
图6为本发明实施例提供的基于图像识别的智能计数方法的效果示意图；
图7为本发明实施例提供的基于图像识别的智能计数方法的效果示意图；
图8为本发明实施例提供的基于图像识别的智能计数方法的效果示意图；
图9为本发明实施例提供的基于图像识别的智能计数方法的效果示意图；
图10为本发明实施例提供的基于图像识别的智能计数系统的应用场景示意图；
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1及图2，图1是本发明实施例提供的基于图像识别的智能计数方法的流程示意图，图2为本发明实施例提供的基于图像识别的智能计数系统的结构示意图；该基于图像识别的智能计数方法应用于基于图像识别的智能计数系统100中的智能计数终端10中，该系统还包括图像采集装置20，图像采集装置20与智能计数终端10之间进行网络连接以实现数据信息的传输，该基于图像识别的智能计数方法通过安装于智能计数终端10中的应用软件进行执行，智能计数终端10即是可接收图像采集装置20所输入的图像信息并进行图像识别得到计数结果的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等。如图1所示，该方法包括步骤S110～S170。
S110、接收到所述图像采集装置所输入的目标设备的图像信息；
目标设备即为需要进行计数的具体设备，可通过图像采集装置采集目标设备的图像信息，并基于该图像信息对目标设备中相应特征进行计数得到对应的计数结果，在实际应用过程中，图像采集装置可周期性拍摄图像以采集目标设备的图像信息，例如，若拍摄周期是0.5S，则图像采集装置每隔0.5S即采集一张目标设备的图像信息，通过对目标设备的图像信息进行识别得到计数结果，即可实现对目标设备进行实时监控。例如，在本实施例中目标设备可以是药瓶支架，药瓶支架上设有多个药瓶放置位，每一药瓶放置为可放置一只药瓶，则对目标设备进行计数也即是统计该药瓶支架上所放置的药瓶的数量，则通过图像采集装置采集得到的图像信息即为包含该药瓶支架中每一药瓶放置位的图像。
S120、根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像。
根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像。在一实施例中，步骤S120包括子步骤：对所述图像信息进行灰度化处理得到对应的灰度图像；根据所述分割尺寸将所述灰度图像分割为不重叠的多个图像块；计算每一图像块所包含像素点的像素均值；以每一所述图像块的像素均值作为二值化的二值化阈值分别对每一所述图像块包含的像素进行二值化得到对应的多个二值化图像块；将所述多个二值化图像块进行顺序无缝拼接，得到与所述图像信息对应的二值化图像。
所输入的图像信息为彩色图像，彩色图像中每一像素点均对应一个RGB像素值，RGB像素值即为像素在R(红色)、G(绿色)、B(蓝色)三个颜色通道分别对应的像素值，像素值的取值范围均为[0,255]以内的整数；可首先对所得到的图像信息进行灰度化处理，灰度化处理也即是将像素的RGB像素值转换为灰度像素值，灰度像素值即为像素在灰度颜色通道上对应的一个像素值，灰度像素值的取值范围为[0,255]以内的整数，若某一像素点的灰度像素值为255则表明该像素点为白色，若某一像素点的灰度像素值为0则表明该像素点为黑色。例如，对图像信息进行灰度化处理后所得到的灰度图像如图3所示。
可根据二值化规则对灰度图像进行二值化处理，二值化处理所得到的二值化图像中仅包含“0”和“1”两个元素，若像素点为“1”则表明该像素点填充有像素值的像素，若像素点为“0”则表明该像素点为未填充像素值的像素。例如，对上述灰度图像进行二值化处理后所得到的二值化图像如图4所示。其中，所述二值化规则包括分割尺寸。
二值化处理过程包括：可根据分割尺寸将灰度图像分割为不重叠的多个图像块，例如，分割尺寸为4×4，则可对应将灰度图像分割为多个4×4大小的图像块，每一图像块均为矩形且包含16个像素点。获取每一图像块中像素点的灰度像素值，并计算得到每一图像块的像素均值，图像块的像素均值即为图像块中所包含的所有像素点的灰度像素值的平均值，则每一图像块均与一个像素均值唯一对应。例如，图像块大小为4×4，则获取该图像块中16个像素点的灰度像素值并计算得到对应的像素均值。将每一图像块的像素均值作为二值化阈值分别对图像块包含的像素进行二值化，具体的，若图像块中某一像素点的灰度像素值大于该图像块的二值化阈值，则将该像素点标记为“1”，若图像块中某一像素点的灰度像素值不大于该图像块的二值化阈值，则将该像素点标记为“0”，采用上述方法即可对每一图像块分别进行二值化得到对应的二值化图像块，可根据二值化图像块在灰度图像中原本所处的位置将所得到的二值化图像块进行无缝拼接即可得到二值化图像，则所得到的二值化图像的图像尺寸与图像信息的图像尺寸相同。
S130、对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像。
对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像。可对所得到的二值化图像进行进一步除噪处理，以去除二值化图像中的噪点，得到去除噪点的二值化图像，进行去燥处理的过程中可通过像素膨胀运算进一步增强二值化图像中的细节特征。
在一实施例中，步骤S130包括子步骤：根据预置的图像处理规则对所述二值化图像进行中值滤波处理得到对应的二值化滤波图像；获取所述二值化滤波图像中的无效像素连通域；根据预置的无效面积阈值对所述二值化滤波图像中面积小于所述无效面积阈值的无效像素连通域进行过滤得到连通域过滤图像；对所述连通域过滤图像中的有效像素连通域进行像素膨胀运算，得到去除噪点的二值化滤波图像。
可根据图像处理规则对所得到的二值化图像进行中值滤波处理，得到对应的二值化滤波图像，中值滤波的基本原理是把二值化图像中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。具体的，图像处理规则中包含滤波范围，中值滤波输出的滤波像素值可采用公式(1)进行表示：
g(x,y)＝med{f(x-k,y-j),(k,j∈W)} (1)；
其中，g(x,y)即为中值滤波输出的二值化图像中坐标值为(x，y)的像素点对应的滤波像素值，med表示中值计算，f(x,y)即为二值化图像中坐标值为(x，y)的像素点的像素值，W为滤波范围，W可通过具有实验来确定，例如，可通过实验确定W为17×17的矩形像素区域，也可以是线状、圆形、十字形、圆环形等其他不同的形状。
例如，对上述二值化图像进行中值滤波处理所得到的二值化滤波图像如图5所示。
得到二值化滤波图像后，可进一步获取二值化滤波图像中的无效像素连通域。具体的，可获取二值化滤波图像中的无效像素连通域，无效像素连通域仅由二值化滤波图像中的无效像素点组成，无效像素点即为二值化滤波图像中标记为“0”的像素点，可获取二值化滤波图像中的无效像素点，相连通的多个无效像素点即组合成为一个无效像素连通域，也即是任意两个无效像素连通域之间均不相连通，无效像素连通域中至少包含一个标记为“0”的像素点，也即任意一个无效像素连通域中至少包含一个无效像素点。可判断每一无效像素连通域的面积是否小于预置的无效面积阈值，并对面积小于无效面积阈值的无效像素连通域进行过滤，面积小于无效面积阈值的无效像素连通域即可认定为图像中的噪点。例如，可预先配置无效面积阈值为500，则若无效像素连通域包含的无效像素点的数量少于500，则判断得到该无效像素连通域的面积小于无效面积阈值并进行过滤；若无效像素连通域包含的无效像素点的数量不少于500，则对该无效像素连通域予以保留。
之后可进一步对所得到的连通域过滤图像中的有效像素连通域进行像素膨胀运算，连通域过滤图像中剩余的无效像素连通域之外的区域即为有效像素连通域，对其中有效像素连通域进行像素膨胀运算，像素膨胀运算可对有效像素连通域包含的边缘像素进行膨胀，也即像素膨胀运算具有填充区域内细小空洞、连接邻近图像区域和平滑图像区域边界的功能。可对目标区域图像中的有效像素连通域进行像素膨胀运算得到膨胀像素连通域，则所得到的去除噪点的二值化图像中包含具有平滑边界的膨胀像素连通域。例如，对上述二值化滤波图像进行除噪处理后所得到的去除噪点的二值化滤波图像如图6所示。
S140、根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓。
根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓。可从去除噪点的二值化图像中提取得到目标轮廓，轮廓提取规则即为从二值化图像中提取目标轮廓的具体规则，具体的，轮廓提取规则中包含相应的轮廓参数值，可从去除噪点的二值化图像中获取对应的轮廓线，并分别判断每一轮廓线是否满足轮廓参数值，若满足轮廓参数值则将相应轮廓线作为目标轮廓，若不满足轮廓参数值则舍去相应轮廓线。
在一实施例中，步骤S140包括子步骤：获取所述去除噪点的二值化图像对应的图像轮廓；判断所述图像轮廓中的每一轮廓线是否与所述轮廓提取规则中的轮廓参数值相匹配，以判断所述轮廓线是否满足所述轮廓提取规则；获取满足所述轮廓提取规则的轮廓线作为目标轮廓。
首先可从二值化图像中获取对应的图像轮廓，图像轮廓中包含多条轮廓线，轮廓线即为二值化图像中无效像素连通域与膨胀像素连通域之间的分割线，则该分割线一侧的像素点的标记均为“1”，另一侧的像素点的标记均为“0”，根据像素点的标记即可从二值化图像中对应获取得到图像轮廓。例如，从上述去除噪点的二值化图像中提取得到的图像轮廓如图7所示。
获取到图像轮廓后，可对图像轮廓中每一轮廓线是否与轮廓参数值相匹配进行判断，具体实现方法为，通过霍夫变换(Hough Transform，HT)获取图像轮廓中所有圆形轮廓线的圆心(Xi，Yi)及半径Ri，轮廓参数值包括圆形轮廓线的半径范围及两个圆心之间的最小距离值，可对图像轮廓中每一圆形轮廓线的半径是否位于半径范围之内，且每一圆形轮廓线的圆心与相邻圆形轮廓线的圆心之间的圆心距离是否均不小于最小距离值进行判断。若某一圆形轮廓线的半径位于半径范围之内，且该圆形轮廓线的圆心与相邻圆形轮廓线的圆心之间的圆心距离均不小于最小距离值，则判定该圆形轮廓线为与轮廓参数值相匹配的轮廓线；若某一圆形轮廓线的半径不位于半径范围之内，或该圆形轮廓线的圆心与任意一个相邻圆形轮廓线的圆心之间的圆心距离小于最小距离值，则判定该圆形轮廓线为不与轮廓参数值相匹配的轮廓线。通过上述方法即可对图像轮廓中的轮廓线是否满足所述轮廓提取规则进行判断，也即可通过上述方法过滤掉图像轮廓中与摄像头对应的圆形轮廓线以及其他不合适的圆形轮廓线，并根据判断结果获取满足所述轮廓提取规则的轮廓线作为目标轮廓，所得到的目标轮廓线即为本实施中与药瓶放置位对应的圆形轮廓线。在其他实施例中，目标轮廓也可以是椭圆形、矩形、三角形等其他形状的轮廓线。
S150、根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像。
根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像。在本实施例中，目标轮廓在图像信息中的具体位置也即与图像信息中药瓶放置位的位置相对应，则可根据目标轮廓从图像信息中提取与目标轮廓相对应的区域图像，与目标轮廓相对应的区域图像即为图像信息中与药瓶放置位相对应的区域包含的图像，则每一目标轮廓可从图像信息中对应提取得到一个区域图像。例如，根据目标轮廓从图像信息中提取到的区域图像如图8所示，图8中黑色圆形区域即为与目标轮廓相对应的区域图像，黑色圆形区域外侧的浅色圆环即为目标轮廓，黑色圆形区域中的浅色点即为目标轮廓对应的圆心。
S160、根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像。
根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像。匹配模型即为对区域图像与模板图像进行特征匹配以判断区域图像是否与模板图像相匹配的具体模型，模板图像即为用户终端中预先存储的用于进行特征匹配的特征信息，模板图像可以是药瓶放置位未放置药瓶的图像所对应的特征信息，模板图像即可用于对相应模板的具体特征进行量化表示，可基于匹配模型对区域图像是否与模板图像相匹配进行判断的判断结果，从区域图像中筛选出与模板图像相区别的区域图像作为有效区域图像。其中，所述匹配模型包括匹配度计算公式及匹配度阈值。
在一实施例中，步骤S160包括子步骤：根据所述匹配度计算公式分别计算每一所述区域图像与所述模板图像之间的匹配度；判断每一所述区域图像的匹配度是否大于所述匹配度阈值，以将大于匹配度阈值的区域图像作为有效区域图像。
每一区域图像所包含的像素信息可转换为一个向量进行表示，模板图像也采用一个向量进行表示，且区域图像对应的向量维度与模板图像对应的向量维度相等。例如，区域图像可采用一个1×256维的向量进行表示，其中每一数值对应的取值范围均为[0,255]，则模板图像也可表示为一个1×256维的向量，其中每一数值的取值范围也均为[0,255]。可通过匹配度计算公式分别计算每一区域图像与模板图像之间的匹配度，匹配度计算公式可采用公式(2)进行表示：
Figure BDA0003114936440000091
其中，P即为计算得到的匹配度，Ti为任意一个区域图像中的第i个数值，Si为模板图像中的第i个数值，m为区域图像中数值的总数。例如，m可以是256。
通过上述计算公式即可计算得到与每一区域图像对应的匹配度，匹配度越大则表明区域图像与模板图像之间的差别越大，匹配度越小则表明区域图像与模板图像之间的差别越小。可对每一区域图像的匹配度是否大于预置的匹配度阈值进行判断，若匹配度大于匹配度阈值，则判断结果为区域图像不与模板图像相匹配；若匹配度不大于匹配度阈值，则判断结果为区域图像与模板图像相匹配，每一区域图像与一个区域图像相对应，则可根据每一区域图像的判断结果获取其中与模板图像相区别的区域图像作为有效区域图像。
在计算区域图像与模板图像的匹配度之前，还可从预存的模板图像集合中提取得到对应的模板图像，模板图像集合中包含多个模板图像，在本实施例中模板图像可以是药瓶放置位未放置药瓶的图像，分别获取每一模板图像中每一像素点的像素信息，并对所有模板图像的像素信息在每一维度上分别进行平均计算，得到包含所有模板图像特征的综合特征信息，将所得到的综合特征信息作为从模板图像集合中提取得到的模板图像，并进行后续使用。
例如，根据从区域图像筛选得到的有效区域图像如图9所示，图9中黑色圆形区域外侧的浅色圆环即为对筛选得到的有效区域图像进行标记的标记信息。
在一实施例中，步骤S160之后还包括步骤：判断所述区域图像的数量是否不小于预置的数量阈值；若所述区域图像的数量小于所述数量阈值，则判定所述目标设备处于被操作状态；若所述区域图像的数量不小于所述数量阈值，则执行所述根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像的步骤。
可判断区域图像的数量是否不小于数量阈值，在本实施例中，数量阈值可配置为药瓶支架上所包含的药瓶放置位的总数。由于本案中采用对目标设备进行实时检测，因此若用户正在对目标设备进行操作，则无法正确获取目标设备的计数结果。例如，用户正在拿取药瓶支架上所放置的药瓶，则用户的手部会遮挡部分药瓶放置位，所采集得到的图像信息中不包含全部药瓶放置位，无法从采集的图像信息中统计得到准确的计数结果。因此可对区域图像的数量是否不小于数量阈值进行判断，若区域图像的数量小于数量阈值，则表明此时用户正在使用目标设备，也即判定目标设备处于被操作状态；若区域图像的数量不小于数量阈值，则表明此时用户未对目标设备进行操作，可执行后续步骤S160。
S170、对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果。
对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果。对筛选得到的有效区域图像的数量进行统计即可得到统计数值，则该统计数值即为图像信息对应的计数结果。在本实施例中，计数结果即为药瓶支架上放置的药瓶的数量。
在一实施例中，步骤S170之后还包括步骤：删除所述图像信息，并返回执行所述接收到所述图像采集装置所输入的目标设备的图像信息的步骤，以实时监控所述目标设备。
获取当前目标设备的计数结果后，即可删除本次采集得到的图像信息，并返回执行步骤S110，获取图像采集装置采集得到的下一张图像信息并重复执行步骤S110-S170，从而实现对目标设备进行周期性实时监控。
在本发明实施例所提供的基于图像识别的智能计数方法中，对图像采集装置采集到的图像信息进行二值化得到二值化图像，对二值化图像进行除噪处理并提取得到满足轮廓提取规则的目标轮廓，根据目标轮廓从图像信息中提取对应的区域图像，将区域图像与目标特征进行特征匹配以从中筛选出有效区域图像，对有效区域图像进行数量统计得到的统计数值即为计数结果。通过上述方法，可实时监控目标设备并采集得到图像信息并进行处理以从图像信息中提取目标轮廓，基于目标轮廓获取图像信息中对应的区域图像并与模板图像进行特征匹配以筛选出有效区域图像，可大幅提高基于图像信息进行计数并获取计算结果的准确性及可靠性。
本发明实施例还提供一种基于图像识别的智能计数系统100，该基于图像识别的智能计数系统100包括图像采集装置20及智能计数终端10，其中智能计数终端10可配置于终端设备中，该基于图像识别的智能计数系统100中的智能计数终端10用于执行前述的基于图像识别的智能计数方法的任一实施例。具体地，请参阅图10，图10为本发明实施例提供的基于图像识别的智能计数系统的应用场景示意图。
上述的基于图像识别的智能计数系统100包括图像采集装置20及智能计数终端10；所述图像采集装置20，用于采集得到目标设备的图像信息；所述智能计数终端10，用于对所述图像信息进行分析以统计得到与所述目标设备对应的计数结果，也即是用于实现上述的基于图像识别的智能计数方法。
更具体的，如图10所示，图像采集装置20包括设置于所述目标设备30上的摄像机21以及固定设置于所述目标设备30上方的反射镜22；所述摄像头21用于采集所述目标设备30经所述反射镜22反射的光线得到对应的图像信息，所述摄像头21与所述智能计数终端10之间进行网络连接。在更具体的实施例中，目标设备上还可设置至少一个补光灯23，补光灯23可设置于目标设备30上且朝向与摄像头21相同，如图10中在目标设备30上与摄像头21相邻的位置分别设有两个补光灯23；补光灯23也可设置于反射镜22两侧且朝向目标设备30。
本发明实施例还提供一种基于图像识别的智能计数装置，该装置被配置于基于图像识别的智能计数系统100中的智能计数终端10，该基于图像识别的智能计数装置用于执行前述的基于图像识别的智能计数方法的任一实施例，其中，该基于图像识别的智能计数装置包括：图像信息接收单元，用于接收到所述图像采集装置所输入的目标设备的图像信息；二值化图像获取单元，用于根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像；去燥处理单元，用于对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像；目标轮廓提取单元，用于根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓；区域图像获取单元，用于根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像；有效区域图像获取单元，用于根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像；计数结果获取单元，用于对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果。
在本发明实施例所提供的基于图像识别的智能计数装置应用上述基于图像识别的智能计数方法，对图像采集装置采集到的图像信息进行二值化得到二值化图像，对二值化图像进行除噪处理并提取得到满足轮廓提取规则的目标轮廓，根据目标轮廓从图像信息中提取对应的区域图像，将区域图像与目标特征进行特征匹配以从中筛选出有效区域图像，对有效区域图像进行数量统计得到的统计数值即为计数结果。通过上述方法，可实时监控目标设备并采集得到图像信息并进行处理以从图像信息中提取目标轮廓，基于目标轮廓获取图像信息中对应的区域图像并与模板图像进行特征匹配以筛选出有效区域图像，可大幅提高基于图像信息进行计数并获取计算结果的准确性及可靠性。
上述基于图像识别的智能计数装置可以实现为计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11，图11是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于图像识别的智能计数方法以接收图像采集装置所输入的图像信息并进行图像识别得到计数结果的智能计数终端。
参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于图像识别的智能计数方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于图像识别的智能计数方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于图像识别的智能计数方法中对应的功能。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的基于图像识别的智能计数方法中所包含的步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于图像识别的智能计数方法，应用于基于图像识别的智能计数系统中的智能计数终端，所述系统还包括图像采集装置，所述图像采集装置与所述智能计数终端之间进行网络连接，其特征在于，所述图像采集装置包括设置于目标设备上的摄像头以及固定设置于所述目标设备上方的反射镜；所述摄像头用于采集所述目标设备经所述反射镜反射的光线得到对应的图像信息，所述摄像头与所述智能计数终端之间进行网络连接，所述方法包括：
接收到所述图像采集装置所输入的目标设备的图像信息；
根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像；
对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像；
根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓；
根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像；
根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像；
对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果；
所述根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓，包括：
获取所述去除噪点的二值化图像对应的图像轮廓；
判断所述图像轮廓中的每一轮廓线是否与所述轮廓提取规则中的轮廓参数值相匹配，以判断所述轮廓线是否满足所述轮廓提取规则；
获取满足所述轮廓提取规则的轮廓线作为目标轮廓；
所述判断所述图像轮廓中的每一轮廓线是否与所述轮廓提取规则中的轮廓参数值相匹配，包括：
通过霍夫变换获取图像轮廓中所有圆形轮廓线的圆心(Xi，Yi)及半径Ri，轮廓参数值包括圆形轮廓线的半径范围及两个圆心之间的最小距离值，对图像轮廓中每一圆形轮廓线的半径是否位于半径范围之内，且每一圆形轮廓线的圆心与相邻圆形轮廓线的圆心之间的圆心距离是否均不小于最小距离值进行判断；若某一圆形轮廓线的半径位于半径范围之内，且该圆形轮廓线的圆心与相邻圆形轮廓线的圆心之间的圆心距离均不小于最小距离值，则判定该圆形轮廓线为与轮廓参数值相匹配的轮廓线；若某一圆形轮廓线的半径不位于半径范围之内，或该圆形轮廓线的圆心与任意一个相邻圆形轮廓线的圆心之间的圆心距离小于最小距离值，则判定该圆形轮廓线为不与轮廓参数值相匹配的轮廓线。
2.根据权利要求1所述的基于图像识别的智能计数方法，其特征在于，所述二值化规则包括分割尺寸，所述根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像，包括：
对所述图像信息进行灰度化处理得到对应的灰度图像；
根据所述分割尺寸将所述灰度图像分割为不重叠的多个图像块；
计算每一图像块所包含像素点的像素均值；
以每一所述图像块的像素均值作为二值化的二值化阈值分别对每一所述图像块包含的像素进行二值化得到对应的多个二值化图像块；
将所述多个二值化图像块进行顺序无缝拼接，得到与所述图像信息对应的二值化图像。
3.根据权利要求1所述的基于图像识别的智能计数方法，其特征在于，所述图像信息为通过所述图像采集装置中的摄像头拍摄由反射镜对所述目标设备进行反射所形成的图像，所述对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像，包括：
根据预置的图像处理规则对所述二值化图像进行中值滤波处理得到对应的二值化滤波图像；
获取所述二值化滤波图像中的无效像素连通域；
根据预置的无效面积阈值对所述二值化滤波图像中面积小于所述无效面积阈值的无效像素连通域进行过滤得到连通域过滤图像；
对所述连通域过滤图像中的有效像素连通域进行像素膨胀运算，得到去除噪点的二值化滤波图像。
4.根据权利要求1所述的基于图像识别的智能计数方法，其特征在于，所述匹配模型包括匹配度计算公式及匹配度阈值，所述根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像，包括：
根据所述匹配度计算公式分别计算每一所述区域图像与所述模板图像之间的匹配度；
判断每一所述区域图像的匹配度是否大于所述匹配度阈值，以将大于匹配度阈值的区域图像作为有效区域图像。
5.根据权利要求1所述的基于图像识别的智能计数方法，其特征在于，所述根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像之后，还包括：
判断所述区域图像的数量是否不小于预置的数量阈值；
若所述区域图像的数量小于所述数量阈值，则判定所述目标设备处于被操作状态；
若所述区域图像的数量不小于所述数量阈值，则执行所述根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像的步骤。
6.根据权利要求1所述的基于图像识别的智能计数方法，其特征在于，所述对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果之后，还包括：
删除所述图像信息，并返回执行所述接收到所述图像采集装置所输入的目标设备的图像信息的步骤，以实时监控所述目标设备。
7.一种基于图像识别的智能计数装置，其特征在于，被配置于基于图像识别的智能计数系统中的智能计数终端，所述系统还包括图像采集装置，所述图像采集装置与所述智能计数终端之间进行网络连接，所述图像采集装置包括设置于目标设备上的摄像头以及固定设置于所述目标设备上方的反射镜；所述摄像头用于采集所述目标设备经所述反射镜反射的光线得到对应的图像信息，所述摄像头与所述智能计数终端之间进行网络连接，所述装置包括：
图像信息接收单元，用于接收到所述图像采集装置所输入的目标设备的图像信息；
二值化图像获取单元，用于根据预置的二值化规则对所述图像信息进行二值化处理得到对应的二值化图像；
去燥处理单元，用于对所述二值化图像进行除噪处理以增强图像效果，得到去除噪点的二值化图像；
目标轮廓提取单元，用于根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓；
区域图像获取单元，用于根据所述目标轮廓从所述图像信息中提取与每一所述目标轮廓相对应的区域图像；
有效区域图像获取单元，用于根据预置的匹配模型对每一所述区域图像与预存的模板图像进行特征匹配，以从所述区域图像中筛选出与所述模板图像相区别的有效区域图像；
计数结果获取单元，用于对所述有效区域图像的数量进行统计，得到与所述图像信息对应的计数结果；
所述根据预置的轮廓提取规则提取所述去除噪点的二值化图像，得到满足所述轮廓提取规则的目标轮廓，包括：
获取所述去除噪点的二值化图像对应的图像轮廓；
判断所述图像轮廓中的每一轮廓线是否与所述轮廓提取规则中的轮廓参数值相匹配，以判断所述轮廓线是否满足所述轮廓提取规则；
获取满足所述轮廓提取规则的轮廓线作为目标轮廓；
所述判断所述图像轮廓中的每一轮廓线是否与所述轮廓提取规则中的轮廓参数值相匹配，包括：
通过霍夫变换获取图像轮廓中所有圆形轮廓线的圆心(Xi，Yi)及半径Ri，轮廓参数值包括圆形轮廓线的半径范围及两个圆心之间的最小距离值，对图像轮廓中每一圆形轮廓线的半径是否位于半径范围之内，且每一圆形轮廓线的圆心与相邻圆形轮廓线的圆心之间的圆心距离是否均不小于最小距离值进行判断；若某一圆形轮廓线的半径位于半径范围之内，且该圆形轮廓线的圆心与相邻圆形轮廓线的圆心之间的圆心距离均不小于最小距离值，则判定该圆形轮廓线为与轮廓参数值相匹配的轮廓线；若某一圆形轮廓线的半径不位于半径范围之内，或该圆形轮廓线的圆心与任意一个相邻圆形轮廓线的圆心之间的圆心距离小于最小距离值，则判定该圆形轮廓线为不与轮廓参数值相匹配的轮廓线。
8.一种基于图像识别的智能计数系统，其特征在于，所述系统包括图像采集装置及智能计数终端；
所述图像采集装置，用于采集得到目标设备的图像信息；
所述智能计数终端，用于实现如权利要求1-6任一项所述的基于图像识别的智能计数方法。
9.根据权利要求8所述的基于图像识别的智能计数系统，其特征在于，所述图像采集装置包括设置于所述目标设备上的摄像头以及固定设置于所述目标设备上方的反射镜；所述摄像头用于采集所述目标设备经所述反射镜反射的光线得到对应的图像信息，所述摄像头与所述智能计数终端之间进行网络连接。
CN202110660386.9A 2021-06-15 2021-06-15 基于图像识别的智能计数方法、装置及系统 Active CN113283439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110660386.9A CN113283439B (zh) 2021-06-15 2021-06-15 基于图像识别的智能计数方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110660386.9A CN113283439B (zh) 2021-06-15 2021-06-15 基于图像识别的智能计数方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113283439A CN113283439A (zh) 2021-08-20
CN113283439B true CN113283439B (zh) 2022-09-23

Family

ID=77284482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110660386.9A Active CN113283439B (zh) 2021-06-15 2021-06-15 基于图像识别的智能计数方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113283439B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186610A (zh) * 2021-11-09 2022-03-15 深圳诺博医疗科技有限公司 药瓶计数方法、系统、设备及计算机可读存储介质
CN114373196B (zh) * 2021-12-31 2023-09-19 天津极豪科技有限公司 有效采集区域确定方法、程序产品、存储介质及电子设备
CN114494052A (zh) * 2022-01-17 2022-05-13 深圳市大族机器人有限公司 书本计数方法、装置、计算机设备和存储介质
CN115338130A (zh) * 2022-06-10 2022-11-15 深圳市通泰盈科技股份有限公司 一种绝缘片的热压检测方法及系统
CN115223293B (zh) * 2022-07-14 2023-06-02 深圳诺博医疗科技有限公司 用于耗材柜的取用验证方法、装置、系统及设备
CN115308227B (zh) * 2022-08-05 2025-03-07 华研天创(珠海)科技有限公司 具有双面标记功能的pcb板检测装置及标记方法
CN115358997A (zh) * 2022-08-22 2022-11-18 中国农业科学院农业基因组研究所 一种植物毛状体的计数方法、装置及介质
CN115546226A (zh) * 2022-10-08 2022-12-30 智慧芽信息科技(苏州)有限公司 验证码图像识别方法、模板生成方法、装置和存储介质
CN119168288A (zh) * 2024-09-03 2024-12-20 武汉威克睿特科技有限公司 一种基于人才数据库的人才智能推荐系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1685373A (zh) * 2003-03-14 2005-10-19 富士通株式会社 片形物识别方法和片形物识别装置
CN103413124A (zh) * 2013-08-19 2013-11-27 中国科学院自动化研究所 一种圆形交通标志检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156868B (zh) * 2011-03-31 2013-03-13 汉王科技股份有限公司 图像二值化方法和装置
CN104517101B (zh) * 2014-12-19 2018-01-19 中南大学 一种基于像素平方差匹配的游戏扑克牌识别方法
CN106780435A (zh) * 2016-11-18 2017-05-31 郑州云海信息技术有限公司 一种物体计数方法及装置
CN108549874B (zh) * 2018-04-19 2021-11-23 广州广电运通金融电子股份有限公司 一种目标检测方法、设备及计算机可读存储介质
CN110298860B (zh) * 2019-05-31 2024-07-23 河池学院 一种基于机器视觉的高杆绣球检测计数系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1685373A (zh) * 2003-03-14 2005-10-19 富士通株式会社 片形物识别方法和片形物识别装置
CN103413124A (zh) * 2013-08-19 2013-11-27 中国科学院自动化研究所 一种圆形交通标志检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于机器视觉瓦楞纸板自动计数系统研究;黄丹平等;《机械工程学报》;20170531;第53卷(第10期);第79-86页 *
基于距离变换的粘连蚕茧分割方法;古亭等;《计算机工程与应用》;20191231;第55卷(第23期);第177-181,256页 *

Also Published As

Publication number Publication date
CN113283439A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113283439B (zh) 基于图像识别的智能计数方法、装置及系统
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN108596166A (zh) 一种基于卷积神经网络分类的集装箱箱号识别方法
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN110047063B (zh) 一种物料掉落的检测方法、装置、设备及存储介质
CN112686858A (zh) 一种手机充电器视觉缺陷检测方法、装置、介质及设备
CN111259908A (zh) 基于机器视觉的钢卷号识别方法、系统、设备及存储介质
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN114494017B (zh) 根据比例尺进行图像dpi调整的方法和装置、设备及介质
CN111626941A (zh) 一种基于深度学习语义分割的文档矫正方法
CN111259891B (zh) 一种自然场景下身份证识别方法、装置、设备和介质
CN111784675A (zh) 物品纹理信息处理的方法、装置、存储介质及电子设备
CN112419207A (zh) 一种图像矫正方法及装置、系统
CN110263778A (zh) 一种基于图像识别的抄表方法及装置
CN112329572B (zh) 一种基于边框和闪光点的快速静态活体检测方法及装置
CN119048837A (zh) 一种pcb板元器件缺陷检测方法、系统、设备和介质
CN103729852A (zh) 一种基于二次亮线的油库sar图像和光学图像的配准方法
CN111695374B (zh) 监控视角中斑马线区域的分割方法、系统、介质及设备
CN116993654B (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
CN114140620B (zh) 一种物体直线轮廓检测方法
CN112785550B (zh) 图像质量值确定方法、装置、存储介质及电子装置
US20180108159A1 (en) Dynamic detection of an object framework in a mobile device captured image
CN113255657B (zh) 票据表面刮痕检测方法、装置、电子设备、机器可读介质

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