CN111582778B - 操作场地货物堆积度量方法、装置、设备及存储介质 - Google Patents
操作场地货物堆积度量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111582778B CN111582778B CN202010303572.2A CN202010303572A CN111582778B CN 111582778 B CN111582778 B CN 111582778B CN 202010303572 A CN202010303572 A CN 202010303572A CN 111582778 B CN111582778 B CN 111582778B
- Authority
- CN
- China
- Prior art keywords
- goods
- image
- marked
- size
- accumulation
- 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
- 238000009825 accumulation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000000220 Panda oleosa Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001739 density measurement Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种操作场地货物堆积度量方法、装置、设备及存储介质,应用于物流技术领域,其中,方法包括:获取操作场地的图像,并对所述图像中的货物进行数据标注;解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置;通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图;将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
Description
技术领域
本发明涉及物流技术领域,具体涉及操作场地货物堆积度量方法、装置、设备及存储介质。
背景技术
随着网购的兴起,伴随而来的快递产业也在飞速发展。在快递的收转派发的过程中,快递的转运是其中的重要一环。为了响应国家人工智能战略的方针,同时降低快递的转运过程的费用,需要实现包裹、人员、车辆和场地的高效利用率。其中,最为关键的将是在合适的时间选择合理大小的车辆将包裹从转运中心运输到网点进行分发派送。
而现有技术中,对快递操作场地的货物安排,完全依赖于人力进行查验,再交由相关人员进行调度,不仅效率低下,而且常常出现爆仓或空仓的情况,操作场地安排不均,使得快递的运输效率下降。
发明内容
有鉴于此,本发明为了在至少一定程度上克服相关技术中存在的问题,提供一种操作场地货物堆积度量方法、装置、设备及存储介质。
为解决上述技术问题,本发明采用如下技术方案:
第一方面,一种操作场地货物堆积度量方法,包括:
获取操作场地的图像,并对所述图像中的货物进行数据标注;
解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置;
通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图;
将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;
将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
可选的,所述对所述图像中的货物进行数据标注,包括:
获取由用户标注的所述图像中货物的标记点和系数;所述标记点和所述系数是用户根据所述货物的大小及层数标注的。
可选的,所述根据所述货物的大小及层数标注,包括:
所述货物的大小小于预设大小时,所述货物的标记点标注在所述货物的一个预设位置处,所述系数为1;
所述货物的大小大于或等于预设大小时,所述货物的标记点标注在所述货物的多个预设位置处,所述系数为1;
所述货物的堆积层数为多层时,将堆积的货物处进行选定,得到标注区域,并将所述标注区域的系数记为堆积层数。
可选的,所述解析标注后的图像,得到所述图像的数据矩阵,包括:
读取标注后的图像,获得所述图像的长和高,并生成初始零矩阵;
获取所述标注后的图像的标记点、系数以及所述标记点的坐标;
遍历所述标记点的坐标是否在所述标注区域内;
若在,将所述标记点对应的货物系数更改为所述堆积层数;
若不在,不进行更改;
再次遍历各所述标记点,将各所述标记点的系数根据所述坐标更新到所述初始零矩阵中,得到所述数据矩阵。
可选的,还包括:
获取所述操作场地无货物时图像的密度图,所述无货物时图像包括不同颜色、对比度、亮度和锐度时所述操作场地的图像;
获取有货物时图像的密度图;
基于stackpool算法对所述有货物时图像的密度图和所述无货物时图像的密度图进行训练,得到所述预先训练的货物堆积模型。
可选的,所述通过高斯函数对所述数据矩阵进行高斯滤波,包括:
获取所述图像的大小;
根据所述图像的大小,确定初始高斯函数核的大小;
根据所述数据矩阵中所述货物的位置,确定处于所述图像边缘处的边缘高斯函数核大小;
基于高斯函数和所述初始高斯函数核和边缘高斯函数核,对所述数据矩阵进行高斯滤波。
可选的,所述预设位置包括所述货物的中心点、左上点、右上点、右下点、左下点。
第二方面,一种操作场地货物堆积度量装置,包括:
获取模块,用于获取操作场地的图像,并对所述图像中的货物进行数据标注;
解析模块,用于解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置;
滤波模块,用于通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图;
计算模块,用于将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;
比较模块,用于将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
第三方面,一种操作场地货物堆积度量设备,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行如第一方面所述的操作场地货物堆积度量方法。
第四方面,一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如本发明第一方面任一项所述操作场地货物堆积度量方法。
本发明采用以上技术方案,可以实现如下技术效果:本申请先获取操作场地的图像,并对所述图像中的货物进行数据标注,然后,解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置,通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图,将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值,将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。如此,以操作场地的图像为基准,对操作场地内的货物量化,通过将图像中货物位置及数量,转换为数据矩阵,然后对数据矩阵进行滤波、计算等处理,得到操作场地内货物的堆积情况,不必人为的去进行查验,直接可以通过图像得到操作场地内的堆积情况,反应及时,可以实时为调度人员提供场地的堆积度,使得调度员基于堆积情况进行合理调度,提高了调度效率及运输效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明一实施例提供的操作场地货物堆积度量方法的流程示意图;
图2是本发明另一实施例提供的操作场地货物堆积度量方法的流程示意图;
图3是本发明一实施例提供的操作场地货物堆积度量装置的结构示意图;
图4是本发明一实施例提供的操作场地货物堆积度量设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
为了更好的理解本申请提供的方案,需要了解以下内容:
目前在快递行业并未发现关于操作场地货物堆积值的测量方法,而大部分货物堆积测量方法要么使用三维重建的方法要么使用双目摄像头进行测量;前者增加了货物测量的难度,后者则增加了企业的经济成本。两者方法并不能完全解决与人体密度测量之间存在差异性的问题,并专利不但没有增加货物测量的难度还有效的降低其测量难度,同时还提高了货物测量的精度。
近年来,随着人工智能技术的崛起,并未被应用到快递行业进行操作场地货物堆积值的度量;但是人体密度检测的成果如雨后春笋般不断崛起,本申请借鉴人体密度检测的思想对操作场地货物堆积值进行测量。货物堆积值的测量虽然可以借鉴人体密度的测量思想但是其与人体密度测量之间存在较大差异。其一,货物之间会出现相互遮挡的情况,并且同一位置会出现货物堆放多层的现象,使货物的测量变得更加困难;其二,人体密度测量其人头大小相近,但是货物之间大小不一,而且存在多个货物被压缩到同一编制袋内,使原本相互遮挡的情况更加严重。其三,人体密度测量基本上场地比较固定、环境单一,操作场地货物堆积一是受白天和夜晚灯光的影响,二是当编织袋颜色和操作场地地板颜色的影响,三是操作场地有大量自动分拣机和传送带都对货物堆积值的测量产生影响。
实施例
图1是本发明一实施例提供的操作场地货物堆积度量方法的流程示意图。如图1所示,本实施例提供一种操作场地货物堆积度量方法,包括:
步骤101、获取操作场地的图像,并对所述图像中的货物进行数据标注;
一些实施例中,操作场地的图像可以通过设置在操作场地内的摄像头获得。对货物进行标注可以使用离线软件via对图像进行标注,生成.csv文件。
步骤102、解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置;
一些实施例中,对生成的cvs文件进行数据解析,一张图片生成一个L*H大小的矩阵。其中,L表示所述图像的长,H表示所述图像的宽。
步骤103、通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图;
一些实施例中,可以采用传统opencv中的高斯滤波函数对其步骤102中生成的L*H的矩阵进行滤波,并通过确定的高斯函数核对L*H的矩阵进行滤波,生成货物堆积的密度图。
步骤104、将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;
一些实施例中,可以使用stackpool算法对通过上述步骤获得的密度图数据集进行训练,生成货物堆积模型,如此,在模型训练完成后,操作场地新的图像便可以直接计算出堆积值。
步骤105、将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
本实施例中,以操作场地的图像为基准,对操作场地内的货物量化,通过将图像中货物位置及数量,转换为数据矩阵,然后对数据矩阵进行滤波、计算等处理,得到操作场地内货物的堆积情况,不必人为的去进行查验,直接可以通过图像得到操作场地内的堆积情况,反应及时,可以实时为调度人员提供场地的堆积度,使得调度员基于堆积情况进行合理调度,提高了调度效率及运输效率。
图2是本发明另一实施例提供的操作场地货物堆积度量方法的流程示意图。如图2所示,本实施例提供一种操作场地货物堆积度量方法,包括:
步骤201、获取操作场地的图像,
一些实施例中,操作场地的图像可以通过设置在操作场地内的摄像头获得。
步骤202、获取由用户标注的所述图像中货物的标记点和系数,得到标注后的图像。
其中,所述标记点和所述系数是用户根据所述货物的大小及层数标注的。
一些实施例中,对货物进行标注可以使用离线软件via对图像进行标注,标注完成后生成.csv文件。
具体的,所述根据所述货物的大小及层数标注,包括:
所述货物的大小小于预设大小时,所述货物的标记点标注在所述货物的一个预设位置处,所述系数为1;其中,所述预设位置包括所述货物的中心点、左上点、右上点、右下点、左下点。
所述货物的大小大于或等于预设大小时,所述货物的标记点标注在所述货物的多个预设位置处,所述系数为1;
所述货物的堆积层数为多层时,将堆积的货物处进行选定,得到标注区域,并将所述标注区域的系数记为堆积层数。
进一步的,用户在对图片标注时对单一较小的物体则直接对其上面打一个点point并给出其系数为1。
在对编织袋和纸盒较大的物体则单独进行打点,在编织袋的左上、右上、右下、左下和中点这五个点分别进行打点point并标注其系数各为1;纸盒也类似。
在货物出现多层的情况时,首先对其货物进行上述打点操作,完成后观察其堆积层的层数l,在该区域画出一个长方形的标注区域rect并给出其系数为l。
经过上述标注步骤后,导出cvs文件,每一个point为一行数据,每一个rect为一行数据。
步骤203、读取标注后的图像,获得所述图像的长和高,并生成初始零矩阵;
一些实施例中,可以采用传统opencv的imread()方法根据路径读取图像,通过cv2.shape()函数获取图片的长L和高H。生成一个矩阵L*H的零矩阵。
步骤204、获取所述标注后的图像的标记点、系数以及所述标记点的坐标;
一些实施例中,通过pandas的函数pandas.read_csv()来读取步骤202生成的csv文件;读取所有的rect数据和point数据,获取每一个rect数据的左上、右上、右下、左下点的坐标和其系数l以及每个point点的坐标(x,y)。
步骤205、遍历所述标记点的坐标是否在所述标注区域内;若在,执行步骤206,若不在,不进行更改
一些实施例中,依次遍历每一个point点(x,y)判断其是否在标注的rect区域内,如果在rect区域内则点(x,y)系数由1变为l。如果不在则其系数依然为1,直到此张图片遍历结束。
步骤206、将所述标记点对应的货物系数更改为所述堆积层数;
步骤207、再次遍历各所述标记点,将各所述标记点的系数根据所述坐标更新到所述初始零矩阵中,得到所述数据矩阵。
一些实施例中,依次遍历每一个point点将其系数根据坐标值更新到矩阵L*H中,此时矩阵L*H的矩阵则代表此张图片所有货物的位置和此处货物的数量。
步骤208、获取所述图像的大小;
一些实施例中,图像的大小可以有用户输入,可以由系统根据图像的像素确定出图像的大小。本实施例中,以图像大小为702*690为例进行说明。
步骤209、根据所述图像的大小,确定初始高斯函数核的大小;
一些实施例中,在图像大小为702*690时,可以将初始高斯函数核的大小确定为15*15。
步骤210、根据所述数据矩阵中所述货物的位置,确定处于所述图像边缘处的边缘高斯函数核大小;
一些实施例中,可以通过以下方式进行确定,基于上述数据-图像大小为702*690,初始高斯函数核的大小为15*15为例进行说明。
首先将L*H的矩阵的上边界标记为L0,下边界标记为Lh,左边界标记为H0,右边界标记为Hl;首先考虑下边界和左边界,如果y-L0<15/2且x-H0<15/2,则高斯函数核为(2*x+1,2*y+1)。考虑下边界,如果y-L0<15/2而x-H0>15/2和y-L0<15/2且HI-x>15/2,则高斯函数核为(2*y+1,2*y+1)。考虑下边界和右边界,如果y-L0<15/2且Hl-x<15/2,则高斯函数核为(2*(HI-x)+1,2*y+1)。
考虑左边界,如果x-H0<15/2且y-L0>15/2和x-H0<15/2且Lh-y>15/2,则高斯函数核为(2*x+1,2*x+1)。考虑左边界和上边界,如果x-H0<15/2且Lh-y<15/2,则高斯函数核为(2*x+1,2*(Lh-y)+1)。
考虑上边界,如果x-H0>15/2且Lh-y<15/2和Hl-x>15/2且Lh-y<15/2,则高斯函数核为(2*(Lh-y)+1,2*(Lh-y)+1)。考虑上边界和右边界,如果Lh-y<15/2且Hl-x<15/2,则高斯函数核为(2*(HI-x)+1,2*(Lh-x)+1)。考虑右边界,如果HI-x<15/2且y-L0>15/2和HI-x<15/2且Lh-y>15/2,则高斯函数核为(2*(HI-x)+1,2*(HI-x)+1)。其他情况则高斯函数核的大小均为(15,15)。
其中,x表示标记点的横坐标,y表示标记点的纵坐标。
步骤211、基于高斯函数和所述初始高斯函数核和边缘高斯函数核,对所述数据矩阵进行高斯滤波。
本申请中,对处在边界的货物和中心位置的货物定义不同的高斯函数核,可以避免在进行高斯函数计算时,将边界处的货物清零的情况。
步骤212、将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;
一些实施例中,预先训练的货物堆积模型可以通过以下方式获得。
获取所述操作场地无货物时图像的密度图,所述无货物时图像包括不同颜色、对比度、亮度和锐度时所述操作场地的图像;
获取有货物时图像的密度图;
基于stackpool算法对所述有货物时图像的密度图和所述无货物时图像的密度图进行训练,得到所述预先训练的货物堆积模型。
本申请中,将无货的图片生成其货物密度图,并对其进行颜色、对比度、亮度和锐度等进行图像增强,增加数据集的多样性,提高模型对灯光、自动分拣机颜色、地板颜色、亮度等环境因素的敏感度,提高模型的泛化能力。
步骤213、将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
一些实施例中,通过opencv的read()函数读取图片,进行模型检测获取货物堆积值M,将堆积值与设定的阈值进行比较判断其是否出现堆积。其中,可以通过以下方式进行定义,设置不积压的阈值为M0<55;轻度积压的阈值为55<M1<80;中度积压的阈值为80<M2<120;重度积压的阈值为M>120。
如此,对检测值M与设定的阈值进行比较,并判断其处在何种积压区间内,为进港出港提供决策机制。
本申请首先解决了操作场地货物无法通过模型进行预测的问题,通过本专利提供的方法可以实时有效的对货物进行预测。适用于货物堆积值的检测,使用本申请的方法可以解决货物堆积值的检测,判断固定区域内的货物是否出现堆积,为包裹的进港和出港提供决策机制。同时使用本申请的方法可以解决操作场地地板颜色、灯光、环境、传送带和自动分拣机对货物堆积值检测准确性的影响。本申请提供的方法可以有效对操作场地内的货物堆积度进行检测并成功进行预警。
图3是本发明一实施例提供的一种操作场地货物堆积度量装置的结构示意图。参照图3,本申请实施例的提供了一种操作场地货物堆积度量装置,包括:
获取模块301,用于获取操作场地的图像,并对所述图像中的货物进行数据标注;
解析模块302,用于解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置;
滤波模块303,用于通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图;
计算模块304,用于将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;
比较模块305,用于将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
本实施例的具体实现方案可以参见前述实施例记载的操作场地货物堆积度量方法及方法实施例中的相关说明,此处不再赘述。
图4是本发明一实施例提供的一种操作场地货物堆积度量设备的结构示意图。参照图4,本申请实施例的提供了一种操作场地货物堆积度量设备,包括:
处理器401,以及与处理器相连接的存储器402;
存储器用于存储计算机程序;
处理器用于调用并执行存储器中的计算机程序,以执行如上述实施例中的操作场地货物堆积度量方法。
本实施例的具体实现方案可以参见前述实施例记载的操作场地货物堆积度量方法及方法实施例中的相关说明,此处不再赘述。
本发明实施例提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器执行时,实现如操作场地货物堆积度量方法中各个步骤。
本实施例的具体实现方案可以参见上述操作场地货物堆积度量方法实施例中的相关说明,此处不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种操作场地货物堆积度量方法,其特征在于,包括:
获取操作场地的图像,并对所述图像中的货物进行数据标注;
所述对所述图像中的货物进行数据标注,包括:
获取由用户标注的所述图像中货物的标记点和系数;所述标记点和所述系数是用户根据所述货物的大小及层数标注的;
所述根据所述货物的大小及层数标注,包括:
所述货物的大小小于预设大小时,所述货物的标记点标注在所述货物的一个预设位置处,所述系数为1;
所述货物的大小大于或等于预设大小时,所述货物的标记点标注在所述货物的多个预设位置处,所述系数为1;
所述货物的堆积层数为多层时,将堆积的货物处进行选定,得到标注区域,并将所述标注区域的系数记为堆积层数;
所述预设位置包括所述货物的中心点、左上点、右上点、右下点、左下点;
解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置;
通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图;
将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;
将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
2.根据权利要求1所述的操作场地货物堆积度量方法,其特征在于,所述解析标注后的图像,得到所述图像的数据矩阵,包括:
读取标注后的图像,获得所述图像的长和高,并生成初始零矩阵;
获取所述标注后的图像的标记点、系数以及所述标记点的坐标;
遍历所述标记点的坐标是否在所述标注区域内;
若在,将所述标记点对应的货物系数更改为所述堆积层数;
若不在,不进行更改;
再次遍历各所述标记点,将各所述标记点的系数根据所述坐标更新到所述初始零矩阵中,得到所述数据矩阵。
3.根据权利要求1所述的操作场地货物堆积度量方法,其特征在于,还包括:
获取所述操作场地无货物时图像的密度图,所述无货物时图像包括不同颜色、对比度、亮度和锐度时所述操作场地的图像;
获取有货物时图像的密度图;
基于stackpool算法对所述有货物时图像的密度图和所述无货物时图像的密度图进行训练,得到所述预先训练的货物堆积模型。
4.根据权利要求1所述的操作场地货物堆积度量方法,其特征在于,所述通过高斯函数对所述数据矩阵进行高斯滤波,包括:
获取所述图像的大小;
根据所述图像的大小,确定初始高斯函数核的大小;
根据所述数据矩阵中所述货物的位置,确定处于所述图像边缘处的边缘高斯函数核大小;
基于高斯函数和所述初始高斯函数核和边缘高斯函数核,对所述数据矩阵进行高斯滤波。
5.一种操作场地货物堆积度量装置,其特征在于,包括:
获取模块,用于获取操作场地的图像,并对所述图像中的货物进行数据标注;其中,所述对所述图像中的货物进行数据标注,包括:获取由用户标注的所述图像中货物的标记点和系数;所述标记点和所述系数是用户根据所述货物的大小及层数标注的;其中,所述根据所述货物的大小及层数标注,包括:所述货物的大小小于预设大小时,所述货物的标记点标注在所述货物的一个预设位置处,所述系数为1;所述货物的大小大于或等于预设大小时,所述货物的标记点标注在所述货物的多个预设位置处,所述系数为1;所述货物的堆积层数为多层时,将堆积的货物处进行选定,得到标注区域,并将所述标注区域的系数记为堆积层数;所述预设位置包括所述货物的中心点、左上点、右上点、右下点、左下点;
解析模块,用于解析标注后的图像,得到所述图像的数据矩阵,所述数据矩阵表征所述货物的数量及位置;
滤波模块,用于通过高斯函数对所述数据矩阵进行高斯滤波,得到所述图像的密度图;
计算模块,用于将所述密度图输入预先训练的货物堆积模型中,得到所述图像的货物堆积值;
比较模块,用于将所述堆积值与预设阈值进行比较,确定所述操作场地的堆积度。
6.一种操作场地货物堆积度量设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行如权利要求1-4任一项所述的操作场地货物堆积度量方法。
7.一种存储介质,其特征在于,包括:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-4任一项所述操作场地货物堆积度量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303572.2A CN111582778B (zh) | 2020-04-17 | 2020-04-17 | 操作场地货物堆积度量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303572.2A CN111582778B (zh) | 2020-04-17 | 2020-04-17 | 操作场地货物堆积度量方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582778A CN111582778A (zh) | 2020-08-25 |
CN111582778B true CN111582778B (zh) | 2024-04-12 |
Family
ID=72111658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010303572.2A Active CN111582778B (zh) | 2020-04-17 | 2020-04-17 | 操作场地货物堆积度量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582778B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486823A (zh) * | 2021-07-12 | 2021-10-08 | 苏州万店掌网络科技有限公司 | 一种基于深度学习的货道堆积检测方法、系统及存储介质 |
CN114550102A (zh) * | 2022-03-01 | 2022-05-27 | 上海中通吉网络技术有限公司 | 货物堆积检测方法、装置、设备和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08293029A (ja) * | 1995-04-20 | 1996-11-05 | Kobe Steel Ltd | 箱状物体の積重ね状態認識装置 |
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN102930279A (zh) * | 2012-09-29 | 2013-02-13 | 广西工学院 | 用于产品数量检测的图像识别方法 |
CN106023231A (zh) * | 2016-06-07 | 2016-10-12 | 首都师范大学 | 一种高分辨率影像牛羊自动检测方法 |
CN109241858A (zh) * | 2018-08-13 | 2019-01-18 | 湖南信达通信息技术有限公司 | 一种基于轨道交通列车的客流密度检测方法及装置 |
CN110008947A (zh) * | 2019-04-12 | 2019-07-12 | 河南工业大学 | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 |
CN110276264A (zh) * | 2019-05-27 | 2019-09-24 | 东南大学 | 一种基于前景分割图的人群密度估计方法 |
CN110378907A (zh) * | 2018-04-13 | 2019-10-25 | 青岛海尔智能技术研发有限公司 | 智能冰箱内图像的处理方法及计算机设备、存储介质 |
CN110782464A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大华技术股份有限公司 | 物品堆积3d空间占用率的计算方法、编解码器及存储装置 |
WO2020030052A1 (zh) * | 2018-08-10 | 2020-02-13 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960202B (zh) * | 2018-08-01 | 2022-05-10 | 京东方科技集团股份有限公司 | 一种智能货架、系统、判断商品叠放的方法 |
-
2020
- 2020-04-17 CN CN202010303572.2A patent/CN111582778B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08293029A (ja) * | 1995-04-20 | 1996-11-05 | Kobe Steel Ltd | 箱状物体の積重ね状態認識装置 |
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN102930279A (zh) * | 2012-09-29 | 2013-02-13 | 广西工学院 | 用于产品数量检测的图像识别方法 |
CN106023231A (zh) * | 2016-06-07 | 2016-10-12 | 首都师范大学 | 一种高分辨率影像牛羊自动检测方法 |
CN110378907A (zh) * | 2018-04-13 | 2019-10-25 | 青岛海尔智能技术研发有限公司 | 智能冰箱内图像的处理方法及计算机设备、存储介质 |
WO2020030052A1 (zh) * | 2018-08-10 | 2020-02-13 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
CN109241858A (zh) * | 2018-08-13 | 2019-01-18 | 湖南信达通信息技术有限公司 | 一种基于轨道交通列车的客流密度检测方法及装置 |
CN110008947A (zh) * | 2019-04-12 | 2019-07-12 | 河南工业大学 | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 |
CN110276264A (zh) * | 2019-05-27 | 2019-09-24 | 东南大学 | 一种基于前景分割图的人群密度估计方法 |
CN110782464A (zh) * | 2019-11-04 | 2020-02-11 | 浙江大华技术股份有限公司 | 物品堆积3d空间占用率的计算方法、编解码器及存储装置 |
Non-Patent Citations (1)
Title |
---|
贾磊 ; .基于自动阈值检测和边缘连接的路面裂缝边缘提取方法.山西交通科技.(第05期),第25-28页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111582778A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461107B (zh) | 用于识别感兴趣区的材料搬运方法、装置和系统 | |
DE102018006765B4 (de) | Verfahren und system(e) für das management von frachtfahrzeugen | |
CN111415106A (zh) | 货车装载率识别方法、装置、设备及存储介质 | |
CN111582778B (zh) | 操作场地货物堆积度量方法、装置、设备及存储介质 | |
CN114022537B (zh) | 一种用于动态称重区域车辆装载率和偏载率分析方法 | |
CN112308003B (zh) | 一种废钢货车装载状态识别方法、系统、设备及介质 | |
CN112200231A (zh) | 一种危险品车辆识别方法、系统、装置及介质 | |
CN111814739B (zh) | 快递包裹体积的检测方法、装置、设备及存储介质 | |
CN111597857B (zh) | 一种物流包裹检测方法、装置、设备及可读存储介质 | |
CN109523502A (zh) | 装卸口状态检测方法、装置、设备及其存储介质 | |
WO2022132239A1 (en) | Method, system and apparatus for managing warehouse by detecting damaged cargo | |
Yunardi | Contour-based object detection in Automatic Sorting System for a parcel boxes | |
US20230306625A1 (en) | Object dimensioning system | |
CN109858310A (zh) | 车辆和交通标志检测方法 | |
CN113901941A (zh) | 载货车辆的查验方法及装置、电子设备和存储介质 | |
DE102018006764A1 (de) | Verfahren und system(e) für das management von frachtfahrzeugen | |
CN111767902A (zh) | 安检机危险品的识别方法、装置、设备及存储介质 | |
CN114638974A (zh) | 一种目标物识别方法、系统、介质及电子终端 | |
CN114219402A (zh) | 物流托盘码放识别方法、装置、设备及存储介质 | |
CN113978987B (zh) | 栈板物品打包提货方法、装置、设备及介质 | |
KR102547408B1 (ko) | 화물 분류 방법 및 장치 | |
JPWO2019003687A1 (ja) | 投影指示装置、荷物仕分けシステムおよび投影指示方法 | |
CN111401104B (zh) | 分类模型的训练方法、分类方法、装置、设备及存储介质 | |
CN118365670B (zh) | 一种基于图像处理的卷材防掉落控制方法及系统 | |
Kharitonov et al. | Evaluation of grasps in an automatic intermodal container unloading system |
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 |