CN111783689B - 物料压线的识别方法和装置 - Google Patents

物料压线的识别方法和装置 Download PDF

Info

Publication number
CN111783689B
CN111783689B CN202010638224.0A CN202010638224A CN111783689B CN 111783689 B CN111783689 B CN 111783689B CN 202010638224 A CN202010638224 A CN 202010638224A CN 111783689 B CN111783689 B CN 111783689B
Authority
CN
China
Prior art keywords
boundary line
line
pressing
detection area
result
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
CN202010638224.0A
Other languages
English (en)
Other versions
CN111783689A (zh
Inventor
沈飞
赵小伟
刘扬
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.)
Shengjing Intelligent Technology Jiaxing Co ltd
Original Assignee
Shengjing Intelligent Technology Jiaxing 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 Shengjing Intelligent Technology Jiaxing Co ltd filed Critical Shengjing Intelligent Technology Jiaxing Co ltd
Priority to CN202010638224.0A priority Critical patent/CN111783689B/zh
Publication of CN111783689A publication Critical patent/CN111783689A/zh
Application granted granted Critical
Publication of CN111783689B publication Critical patent/CN111783689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了物料压线的识别方法和装置，包括：采集包括物料的图像，在图像的区域中标示边界线的位置；基于边界线的水平方向，构建检测区域；根据检测区域确定物料压线候选位置；将物料压线候选位置通过分类器确定物料状态结果；其中，物料状态结果包括物料压线结果和物料非压线结果，不需要采集大量样本，通过梯度变化和分类器即可确定物料是否压线，大大降低了计算的复杂度和成本。

Description

物料压线的识别方法和装置
技术领域
本发明涉及物料管理技术领域，尤其是涉及物料压线的识别方法和装置。
背景技术
6S管理是现代工厂管理的一种很重要的方法，包括人、机、料、法、环等各个环节。在对物料放置的管理过程中，通常检测物料的位置，然后将物料的位置与边界线的位置进行比对，如果有重合，则确定物料存在压线的情况。
但是，这种方式需要采集大量的已知样本，并对已知样本进行标定，对标定的样本进行训练得到模型，然后根据模型进行预测时，计算量比较大，导致成本比较高。
发明内容
有鉴于此，本发明的目的在于提供物料压线的识别方法和装置，不需要采集大量样本，通过梯度变化和分类器即可确定物料是否压线，大大降低了计算的复杂度和成本。
第一方面，本发明实施例提供了物料压线的识别方法，所述方法包括：
采集包括物料的图像，在所述图像的区域中标示边界线的位置；
基于所述边界线的水平方向，构建检测区域；
根据所述检测区域确定物料压线候选位置；
将所述物料压线候选位置通过分类器确定物料状态结果；
其中，所述物料状态结果包括物料压线结果和物料非压线结果。
进一步的，所述基于所述边界线的水平方向，构建检测区域，包括：
判断所述边界线的方向是否处于水平状态；
如果所述边界线的方向不处于所述水平状态，则将所述边界线的方向进行旋转，从而得到所述边界线的水平方向；
根据所述边界线的水平方向，得到所述边界线的垂直方向；
根据所述边界线的垂直方向的宽度和所述边界线的水平方向的长度，构建所述检测区域；
其中，所述边界线的垂直方向的宽度是根据所述边界线的水平方向的长度得到的。
进一步的，所述根据所述检测区域确定物料压线候选位置，包括：
判断物料是否压在所述检测区域的所述边界线上；
当所述物料压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度发生变化；
当所述物料没有压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度没有发生变化；
根据所述梯度的变化确定所述检测区域中物料压线候选位置。
进一步的，所述将所述物料压线候选位置通过分类器确定物料状态结果，包括：
将所述物料压线候选位置通过所述分类器中的支持向量机SVM方法或卷积神经网络CNN方法，得到所述物料状态结果；
其中，所述物料非压线结果包括光照结果或遮挡结果。
第二方面，本发明实施例提供了物料压线的识别装置，所述装置包括：
采集单元，用于采集包括物料的图像，在所述图像的区域中标示边界线的位置；
构建单元，用于基于所述边界线的水平方向，构建检测区域；
候选位置确定单元，用于根据所述检测区域确定物料压线候选位置；
物料状态结果确定单元，用于将所述物料压线候选位置通过分类器确定物料状态结果；
其中，所述物料状态结果包括物料压线结果和物料非压线结果。
进一步的，所述构建单元具体用于：
判断所述边界线的方向是否处于水平状态；
如果所述边界线的方向不处于所述水平状态，则将所述边界线的方向进行旋转，从而得到所述边界线的水平方向；
根据所述边界线的水平方向，得到所述边界线的垂直方向；
根据所述边界线的垂直方向的宽度和所述边界线的水平方向的长度，构建所述检测区域；
其中，所述边界线的垂直方向的宽度是根据所述边界线的水平方向的长度得到的。
进一步的，所述候选位置确定单元具体用于：
判断物料是否压在所述检测区域的所述边界线上；
当所述物料压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度发生变化；
当所述物料没有压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度没有发生变化；
根据所述梯度的变化确定所述检测区域中物料压线候选位置。
进一步的，所述物料状态结果确定单元具体用于：
将所述物料压线候选位置通过所述分类器中的支持向量机SVM方法或卷积神经网络CNN方法，得到所述物料状态结果；
其中，所述物料非压线结果包括光照结果或遮挡结果。
第三方面，本发明实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
第四方面，本发明实施例提供了具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如上所述的方法。
本发明实施例提供了物料压线的识别方法和装置，包括：采集包括物料的图像，在图像的区域中标示边界线的位置；基于边界线的水平方向，构建检测区域；根据检测区域确定物料压线候选位置；将物料压线候选位置通过分类器确定物料状态结果；其中，物料状态结果包括物料压线结果和物料非压线结果，不需要采集大量样本，通过梯度变化和分类器即可确定物料是否压线，大大降低了计算的复杂度和成本。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例一提供的物料压线的识别方法流程图；
图2为本发明实施例一提供的物料压线的识别方法中步骤S102的流程图；
图3为本发明实施例一提供的物料压线的识别方法中步骤S103的流程图；
图4为本发明实施例二提供的物料压线的识别装置示意图。
图标：
1-采集单元；2-构建单元；3-候选位置确定单元；4-物料状态结果确定单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。
6S管理是现代工厂管理的一种很重要的方法，包括人、机、料、法、环等各个环节。物料需要按照定点、定容、定量放置，物料不得压线。在对物料放置的管理过程中，通常检测物料的位置，然后将物料的位置与边界线的位置进行比对，如果没有重合，则确定物料存在压线的情况。其中，6S管理是一种管理模式，即整理(SEIRI)、整顿(SEITON)、清扫(SEISO)、清洁(SEIKETSU)、素养(SHITSUKE)和安全(SECURITY)。
但是，这种方式需要采集大量的已知样本，并对已知样本进行标定，对标定的样本进行训练得到模型，然后根据模型进行预测时，计算量比较大，导致成本比较高。
本发明实施例提供了物料压线的识别方法和装置，包括：采集包括物料的图像，在图像的区域中标示边界线的位置；基于边界线的水平方向，构建检测区域；根据检测区域确定物料压线候选位置；将物料压线候选位置通过分类器确定物料状态结果；其中，物料状态结果包括物料压线结果和物料非压线结果，解决了训练时需要采集大量已知样本和计算量大的问题，本申请不需要采集大量样本，通过梯度变化和分类器即可确定物料是否压线，大大降低了计算的复杂度和成本。
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
实施例一：
图1为本发明实施例一提供的物料压线的识别方法流程图。
参照图1，该方法包括以下步骤：
步骤S101，采集包括物料的图像，在图像的区域中标示边界线的位置；
步骤S102，基于边界线的水平方向，构建检测区域；
步骤S103，根据检测区域确定物料压线候选位置；
步骤S104，将物料压线候选位置通过分类器确定物料状态结果；
其中，物料状态结果包括物料压线结果和物料非压线结果。
本实施例中，采集包括物料的图像后，确定图像的区域中边界线的位置；以边界线的水平方向为基准，确定边界线的垂直方向，沿着边界线的垂直方向扩展一定的宽度的区域，构建检测区域；在检测区域中，根据梯度变化确定物料压线候选位置；将物料压线候选位置输入到分类器中，输出物料状态结果。
进一步的，参照图2，步骤S102包括以下步骤：
步骤S201，判断边界线的方向是否处于水平状态，如果边界线的方向不处于水平状态，则执行步骤S202；如果边界线的方向处于水平状态，则执行步骤S203；
步骤S202，将边界线的方向进行旋转，从而得到边界线的水平方向；
步骤S203，不需要对边界线进行旋转；
步骤S204，根据边界线的水平方向，得到边界线的垂直方向；
步骤S205，根据边界线的垂直方向的宽度和边界线的水平方向的长度，构建检测区域；
其中，边界线的垂直方向的宽度是根据边界线的水平方向的长度得到的。
具体地，当边界线的方向不处于水平状态时，将边界线的方向旋转至水平方向，根据边界线的水平方向得到边界线的垂直方向，沿着边界线的垂直方向扩展一定宽度的区域，并将该区域作为检测区域。当边界线的水平方向的长度为L时，边界线的垂直长度为n％L，边界线的水平方向的长度与边界线的垂直方向的长度呈百分比的关系。
进一步的，参照图3，步骤S103包括以下步骤：
步骤S301，判断物料是否压在检测区域的边界线上，当物料压在检测区域的边界线上时，执行步骤S302；当物料没有压在检测区域的边界线上时，执行步骤S303；
步骤S302，物料的边界线与检测区域的边界线的梯度发生变化；
步骤S303，物料的边界线与检测区域的边界线的梯度没有发生变化；
步骤S304，根据梯度的变化确定检测区域中物料压线候选位置。
具体地，当物料压在检测区域的边界线上时，物料与边界线的纹理是不同的，此时物料的边界线与检测区域的边界线的梯度发生变化，根据梯度的变化确定检测区域中物料压线候选位置。通常采用梯度来衡量灰度的变化率，找到图像中的物体边界线等。
进一步的，步骤S104包括：
将物料压线候选位置通过分类器中的支持向量机SVM方法或卷积神经网络CNN方法，得到物料状态结果；
其中，物料非压线结果包括光照结果或遮挡结果。
具体地，将物料压线候选位置输入到分类器中，输出得到物料状态结果，物料状态结果包括物料压线结果和物料非压线结果，物料非压线结果可能是光照结果或遮挡结果，也就是说可能是光照引起的，也可能是遮挡引起的。
本发明实施例提供了物料压线的识别方法，包括：采集包括物料的图像，在图像的区域中标示边界线的位置；基于边界线的水平方向，构建检测区域；根据检测区域确定物料压线候选位置；将物料压线候选位置通过分类器确定物料状态结果；其中，物料状态结果包括物料压线结果和物料非压线结果，解决了训练时需要采集大量已知样本和计算量大的问题，本申请不需要采集大量样本，通过梯度变化和分类器即可确定物料是否压线，大大降低了计算的复杂度和成本。
实施例二：
图4为本发明实施例提供的物料压线的识别装置示意图。
参照图4，该装置包括：
采集单元1，用于采集包括物料的图像，在图像的区域中标示边界线的位置；
构建单元2，用于基于边界线的水平方向，构建检测区域；
候选位置确定单元3，用于根据检测区域确定物料压线候选位置；
物料状态结果确定单元4，用于将物料压线候选位置通过分类器确定物料状态结果；
其中，物料状态结果包括物料压线结果和物料非压线结果。
进一步的，构建单元2具体用于：
判断边界线的方向是否处于水平状态；
如果边界线的方向不处于水平状态，则将边界线的方向进行旋转，从而得到边界线的水平方向；
根据边界线的水平方向，得到边线界的垂直方向；
根据边界线的垂直方向的宽度和边界线的水平方向的长度，构建检测区域；
其中，边界线的垂直方向的宽度是根据边界线的水平方向的长度得到的。
进一步的，候选位置确定单元3具体用于：
判断物料是否压在检测区域的边界线上；
当物料压在检测区域的边界线上时，物料的边界线与检测区域的边界线的梯度发生变化；
当物料没有压在检测区域的边界线上时，物料的边界线与检测区域的边界线的梯度没有发生变化；
根据梯度的变化确定检测区域中物料压线候选位置。
进一步的，物料状态结果确定单元4具体用于：
将物料压线候选位置通过分类器中的支持向量机SVM方法或卷积神经网络CNN方法，得到物料状态结果；
其中，物料非压线结果包括光照结果或遮挡结果。
本发明实施例提供了物料压线的识别装置，包括：采集包括物料的图像，在图像的区域中标示边界线的位置；基于边界线的水平方向，构建检测区域；根据检测区域确定物料压线候选位置；将物料压线候选位置通过分类器确定物料状态结果；其中，物料状态结果包括物料压线结果和物料非压线结果，解决了训练时需要采集大量已知样本和计算量大的问题，本申请不需要采集大量样本，通过梯度变化和分类器即可确定物料是否压线，大大降低了计算的复杂度和成本。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的物料压线的识别方法的步骤。
本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，计算机可读介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的物料压线的识别方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述权利要求的保护范围为准。

Claims (6)

1.一种物料压线的识别方法，其特征在于，所述方法包括：
采集包括物料的图像，在所述图像的区域中标示边界线的位置；
基于所述边界线的水平方向，构建检测区域，包括：判断所述边界线的方向是否处于水平状态；如果所述边界线的方向不处于所述水平状态，则将所述边界线的方向进行旋转，从而得到所述边界线的水平方向；根据所述边界线的水平方向，得到所述边界线的垂直方向；根据所述边界线的垂直方向的宽度和所述边界线的水平方向的长度，构建所述检测区域；其中，所述边界线的垂直方向的宽度是根据所述边界线的水平方向的长度得到的；
根据所述检测区域确定物料压线候选位置，包括：判断物料是否压在所述检测区域的所述边界线上；当所述物料压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度发生变化；当所述物料没有压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度没有发生变化；根据所述梯度的变化确定所述检测区域中物料压线候选位置；
将所述物料压线候选位置通过分类器确定物料状态结果；
其中，所述物料状态结果包括物料压线结果和物料非压线结果。
2.根据权利要求1所述的物料压线的识别方法，其特征在于，所述将所述物料压线候选位置通过分类器确定物料状态结果，包括：
将所述物料压线候选位置通过所述分类器中的支持向量机SVM方法或卷积神经网络CNN方法，得到所述物料状态结果；
其中，所述物料非压线结果包括光照结果或遮挡结果。
3.一种物料压线的识别装置，其特征在于，所述装置包括：
采集单元，用于采集包括物料的图像，在所述图像的区域中标示边界线的位置；
构建单元，用于基于所述边界线的水平方向，构建检测区域，所述构建单元具体用于：判断所述边界线的方向是否处于水平状态；如果所述边界线的方向不处于所述水平状态，则将所述边界线的方向进行旋转，从而得到所述边界线的水平方向；根据所述边界线的水平方向，得到所述边界线的垂直方向；根据所述边界线的垂直方向的宽度和所述边界线的水平方向的长度，构建所述检测区域；其中，所述边界线的垂直方向的宽度是根据所述边界线的水平方向的长度得到的；
候选位置确定单元，用于根据所述检测区域确定物料压线候选位置，所述候选位置确定单元具体用于：判断物料是否压在所述检测区域的所述边界线上；当所述物料压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度发生变化；当所述物料没有压在所述检测区域的所述边界线上时，所述物料的边界线与所述检测区域的边界线的梯度没有发生变化；根据所述梯度的变化确定所述检测区域中物料压线候选位置；
物料状态结果确定单元，用于将所述物料压线候选位置通过分类器确定物料状态结果；
其中，所述物料状态结果包括物料压线结果和物料非压线结果。
4.根据权利要求3所述的物料压线的识别装置，其特征在于，所述物料状态结果确定单元具体用于：
将所述物料压线候选位置通过所述分类器中的支持向量机SVM方法或卷积神经网络CNN方法，得到所述物料状态结果；
其中，所述物料非压线结果包括光照结果或遮挡结果。
5.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1或2所述的方法。
6.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1或2所述的方法。
CN202010638224.0A 2020-07-03 2020-07-03 物料压线的识别方法和装置 Active CN111783689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010638224.0A CN111783689B (zh) 2020-07-03 2020-07-03 物料压线的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010638224.0A CN111783689B (zh) 2020-07-03 2020-07-03 物料压线的识别方法和装置

Publications (2)

Publication Number Publication Date
CN111783689A CN111783689A (zh) 2020-10-16
CN111783689B true CN111783689B (zh) 2024-02-20

Family

ID=72758821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010638224.0A Active CN111783689B (zh) 2020-07-03 2020-07-03 物料压线的识别方法和装置

Country Status (1)

Country Link
CN (1) CN111783689B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596899A (zh) * 2018-04-27 2018-09-28 海信集团有限公司 道路平坦性检测方法、装置及设备
CN109753949A (zh) * 2019-01-31 2019-05-14 南京邮电大学 一种基于深度学习的多视窗交通标志检测方法
CN110287779A (zh) * 2019-05-17 2019-09-27 百度在线网络技术（北京）有限公司 车道线的检测方法、装置及设备
CN111027418A (zh) * 2019-11-21 2020-04-17 三一重工股份有限公司 工厂物料管理方法、装置和电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9230316B2 (en) * 2013-12-31 2016-01-05 Shenzhen China Star Optoelectronics Technology Co., Ltd Defect inspection device for display panel and method for the same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596899A (zh) * 2018-04-27 2018-09-28 海信集团有限公司 道路平坦性检测方法、装置及设备
CN109753949A (zh) * 2019-01-31 2019-05-14 南京邮电大学 一种基于深度学习的多视窗交通标志检测方法
CN110287779A (zh) * 2019-05-17 2019-09-27 百度在线网络技术（北京）有限公司 车道线的检测方法、装置及设备
CN111027418A (zh) * 2019-11-21 2020-04-17 三一重工股份有限公司 工厂物料管理方法、装置和电子设备

Also Published As

Publication number Publication date
CN111783689A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN105893213B (zh) 一种异常检测方法、应用和监控设备
JP2018156317A (ja) ひび割れ検出処理装置、およびひび割れ検出処理プログラム
US20140169639A1 (en) Image Detection Method and Device
CN103517304A (zh) 一种获取移动终端安全状态的方法及装置
CN107180425B (zh) 轨道扣件自动识别方法和装置
CN113674273A (zh) 一种基于产品缺陷的光学检测方法、系统和可读存储介质
CN108121961A (zh) 巡检行为识别方法、装置、计算机设备和存储介质
CN108629310B (zh) 一种工程管理监督方法及装置
CN110378227B (zh) 修正样本标注数据的方法、装置、设备及存储介质
CN111008953B (zh) 一种数字病理图像质控的方法及装置
US20080275747A1 (en) Incident/accident report analysis apparatus and method
CN113469293B (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
CN111783689B (zh) 物料压线的识别方法和装置
CN108363024B (zh) 一种充电桩故障点定位的方法和装置
CN113506293A (zh) 一种图像处理方法、装置、设备及存储介质
CN111465045B (zh) 一种ap的监控方法、监控服务器和监控系统
CN112268696A (zh) 离合器检测方法、设备、存储介质及装置
CN115294505B (zh) 风险物体检测及其模型的训练方法、装置及电子设备
CN109408179B (zh) 终端设备的全面屏确定方法及其装置
CN111401291B (zh) 陌生人的识别方法和装置
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN113516328B (zh) 数据处理方法、服务提供方法、装置、设备和存储介质
CN114612889A (zh) 一种仪表信息获取方法、系统、电子设备及存储介质
CN116457840A (zh) 图像分析服务器、利用图像分析服务器的对象计数方法及对象计数系统
CN115035129A (zh) 货物的识别方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230601

Address after: 314506 room 116, building 4, No. 288, development avenue, Tongxiang Economic Development Zone, Tongxiang City, Jiaxing City, Zhejiang Province

Applicant after: Shengjing Intelligent Technology (Jiaxing) Co.,Ltd.

Address before: 102200 5th floor, building 6, No.8 Beiqing Road, Changping District, Beijing

Applicant before: SANY HEAVY INDUSTRY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant