CN111814739A - 快递包裹体积的检测方法、装置、设备及存储介质 - Google Patents

快递包裹体积的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111814739A
CN111814739A CN202010733539.3A CN202010733539A CN111814739A CN 111814739 A CN111814739 A CN 111814739A CN 202010733539 A CN202010733539 A CN 202010733539A CN 111814739 A CN111814739 A CN 111814739A
Authority
CN
China
Prior art keywords
frame
express
preset
points
volume
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
Application number
CN202010733539.3A
Other languages
English (en)
Other versions
CN111814739B (zh
Inventor
李斯
赵齐辉
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.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software 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 Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202010733539.3A priority Critical patent/CN111814739B/zh
Publication of CN111814739A publication Critical patent/CN111814739A/zh
Application granted granted Critical
Publication of CN111814739B publication Critical patent/CN111814739B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及物流技术领域，公开了一种快递包裹体积的检测方法、装置、设备及存储介质，用于解决快递包裹体积的检测效率低下的问题。快递包裹体积的检测方法包括：获取待检测图像，待检测图像用于显示快递包裹；采用预置的采样算法对待检测图像中的快递包裹进行框选，得到快递包裹的预测轮廓框架，预测轮廓框架用于指示快递包裹的外部轮廓；通过预置的标注函数标注预测轮廓框架的位置，得到预测轮廓框架的顶点位置坐标；根据顶点位置坐标以及预置的整合函数计算预测轮廓框架的体积，将预测轮廓框架的体积确定为快递包裹的体积。

Description

快递包裹体积的检测方法、装置、设备及存储介质
技术领域
本发明涉及物流技术领域，尤其涉及一种快递包裹体积的检测方法、装置、设备及存储介质。
背景技术
随着物流运输行业的不断发展，快递包裹输送效率的高低是判断一个物流运营商好坏的标准之一。影响快递包裹输送效率的因素有很多，如：运输车辆的性能、运输车辆的快递包裹运输量以及运输快递包裹时的路况等，对于运输车辆的快递包裹运输量这一影响因素来说，在利用运输车辆运输快递包裹的过程中，当运输车辆的快递包裹运输量达到该运输车辆的最大承载值时，才能够充分利用运输车辆的资源，进一步提高运输车辆的运输效率。为了使所装载的快递包裹能够充分利用运输车辆的空间资源，现通过测量工具对快递包裹进行测量。
但是，在利用测量工具对快递包裹进行尺寸测量时，由于快递包裹的尺寸大小并不相同，因此需要耗费大量的时间进行不断地测量，导致快递包裹体积的检测效率低下。
发明内容
本发明的主要目的在于解决快递包裹体积的检测效率低下的问题。
本发明第一方面提供了一种快递包裹体积的检测方法，包括：获取待检测图像，所述待检测图像用于显示快递包裹；采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓；通过预置的标注函数标注所述预测轮廓框架的位置，得到所述预测轮廓框架的顶点位置坐标；根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积。
可选的，在本发明第一方面的第一种实现方式中，所述采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓包括：采用预置的采样算法在所述待检测图像上进行融合采样，得到基础特征点；在所述基础特征点中确定候选特征点以及周围特征点，通过预置的多层感知器局部提取所述候选特征点以及所述周围特征点的特征要素，所述候选特征点为快递包裹的外部轮廓的中心点，所述周围特征点为所述基础特征点中除所述候选特征点之外的特征点；将所述特征要素输入到预置的预测回归头中，通过所述预测回归头对所述特征要素进行预测，得到预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓。
可选的，在本发明第一方面的第二种实现方式中，所述采用预置的采样算法在所述待检测图像上进行融合采样，得到基础特征点包括：从所述待检测图像中提取初始特征点；采用最远距离采样算法对所述初始特征点进行采样，得到第一采样特征点；利用特征空间采样算法对所述初始特征点进行采样，得到第二采样特征点；合并所述第一采样特征点与所述第二采样特征点，得到待筛选采样特征点，利用预置结合公式对所述待筛选采样特征点进行筛选，得到基础特征点，所述预置结合公式为C＝λCd+Cf，其中，C表示所述基础特征点的集合，Cd表示所述第一采样特征点的集合，Cf表示所述第二采样特征点的集合，λ表示预置性能因子。
可选的，在本发明第一方面的第三种实现方式中，所述在所述基础特征点中确定候选特征点以及周围特征点，通过预置的多层感知器局部提取所述候选特征点以及所述周围特征点的特征要素，所述候选特征点为快递包裹的外部轮廓的中心点，所述周围特征点为所述基础特征点中除所述候选特征点之外的特征点包括：在所述基础特征点中筛选出候选特征点，并将所述基础特征点中除所述候选特征点之外的特征点确定为周围特征点，所述候选特征点为快递包裹的外部轮廓的中心点，且所述候选特征点为通过所述特征空间采样算法采样得到的基础特征点；获取所述候选特征点携带的语义特征以及所述周围特征点携带的语义特征，所述候选特征点携带的语义特征用于指示所述候选特征点的属性，所述周围特征点携带的语义特征用于指示所述周围特征点的属性；将所述候选特征点、所述候选特征点携带的语义特征、所述周围特征点及所述周围特征点携带的语义特征输入到预置的多层感知器中，通过所述多层感知器提取所述候选特征点以及所述周围特征点的特征要素。
可选的，在本发明第一方面的第四种实现方式中，所述将所述特征要素输入到预置的预测回归头中，通过所述预测回归头对所述特征要素进行预测，得到预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓包括：将所述特征要素输入到预置的预测回归头中，通过分割掩膜判断所述候选特征点以及所述周围特征点是否均在预置范围内；当所述候选特征点以及所述周围特征点均在预置范围内时，在所述预置范围内，连接所述候选特征点与所述周围特征点，得到初始轮廓框架，所述初始轮廓框架用于指示快递包裹外部轮廓的长方体；采用预置的损失函数对所述初始轮廓框架进行校正，得到预测轮廓框架。
可选的，在本发明第一方面的第五种实现方式中，所述采用预置的损失函数对所述初始轮廓框架进行校正，得到预测轮廓框架包括：利用交叉熵损失函数对所述初始轮廓框架进行分类校正，得到第一校正轮廓框架；通过偏移损失函数对所述初始轮廓框架进行偏移校正，得到第二校正轮廓框架；采用回归损失函数对所述初始轮廓框架进行回归校正，得到第三校正轮廓框架；利用预置的合并函数对所述第一校正轮廓框架、所述第二校正轮廓框架以及所述第三校正轮廓框架进行合并，得到预测轮廓框架。
可选的，在本发明第一方面的第六种实现方式中，所述根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积包括：将所述预测轮廓框架的任一顶点位置坐标确定为第一顶点位置坐标，获取与所述第一顶点位置坐标相邻的第二顶点位置坐标、第三顶点位置坐标以及第四顶点位置坐标；确定所述第一顶点位置坐标与第二顶点位置坐标的纵坐标之差为所述预测轮廓框架的长度，确定所述第一顶点位置坐标与第三顶点位置坐标的横坐标之差为所述预测轮廓框架的宽度，确定所述第一顶点位置坐标与第四顶点位置坐标的竖坐标之差为所述预测轮廓框架的高度；将所述预测轮廓框架的长度、所述预测轮廓框架的宽度和所述预测轮廓框架的高度输入到预置的整合函数中，通过所述预置的整合函数计算所述预测轮廓框架的体积，并将所述预测轮廓框架的体积确定为所述快递包裹的体积。
本发明第二方面提供了一种快递包裹体积的检测装置，包括：获取模块，用于获取待检测图像，所述待检测图像用于显示快递包裹；预测模块，用于采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓；标注模块，用于通过预置的标注函数标注所述预测轮廓框架的位置，得到所述预测轮廓框架的顶点位置坐标；计算模块，用于根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积。
可选的，在本发明第二方面的第一种实现方式中，所述预测模块包括：采样单元，用于采用预置的采样算法在所述待检测图像上进行融合采样，得到基础特征点；确定单元，用于在所述基础特征点中确定候选特征点以及周围特征点，通过预置的多层感知器局部提取所述候选特征点以及所述周围特征点的特征要素，所述候选特征点为快递包裹的外部轮廓的中心点，所述周围特征点为所述基础特征点中除所述候选特征点之外的特征点；预测单元，用于将所述特征要素输入到预置的预测回归头中，通过所述预测回归头对所述特征要素进行预测，得到预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓。
可选的，在本发明第二方面的第二种实现方式中，所述采样单元具体用于：从所述待检测图像中提取初始特征点；采用最远距离采样算法对所述初始特征点进行采样，得到第一采样特征点；利用特征空间采样算法对所述初始特征点进行采样，得到第二采样特征点；合并所述第一采样特征点与所述第二采样特征点，得到待筛选采样特征点，利用预置结合公式对所述待筛选采样特征点进行筛选，得到基础特征点，所述预置结合公式为C＝λCd+Cf，其中，C表示所述基础特征点的集合，Cd表示所述第一采样特征点的集合，Cf表示所述第二采样特征点的集合，λ表示预置性能因子。
可选的，在本发明第二方面的第三种实现方式中，所述确定单元具体用于：在所述基础特征点中筛选出候选特征点，并将所述基础特征点中除所述候选特征点之外的特征点确定为周围特征点，所述候选特征点为快递包裹的外部轮廓的中心点，且所述候选特征点为通过所述特征空间采样算法采样得到的基础特征点；获取所述候选特征点携带的语义特征以及所述周围特征点携带的语义特征，所述候选特征点携带的语义特征用于指示所述候选特征点的属性，所述周围特征点携带的语义特征用于指示所述周围特征点的属性；将所述候选特征点、所述候选特征点携带的语义特征、所述周围特征点及所述周围特征点携带的语义特征输入到预置的多层感知器中，通过所述多层感知器提取所述候选特征点以及所述周围特征点的特征要素。
可选的，在本发明第二方面的第四种实现方式中，所述预测单元包括：判断子单元，用于将所述特征要素输入到预置的预测回归头中，通过分割掩膜判断所述候选特征点以及所述周围特征点是否均在预置范围内；连接子单元，当所述候选特征点以及所述周围特征点均在预置范围内时，用于在所述预置范围内，连接所述候选特征点与所述周围特征点，得到初始轮廓框架，所述初始轮廓框架用于指示快递包裹外部轮廓的长方体；校正子单元，用于采用预置的损失函数对所述初始轮廓框架进行校正，得到预测轮廓框架。
可选的，在本发明第二方面的第五种实现方式中，所述校正子单元具体用于：利用交叉熵损失函数对所述初始轮廓框架进行分类校正，得到第一校正轮廓框架；通过偏移损失函数对所述初始轮廓框架进行偏移校正，得到第二校正轮廓框架；采用回归损失函数对所述初始轮廓框架进行回归校正，得到第三校正轮廓框架；利用预置的合并函数对所述第一校正轮廓框架、所述第二校正轮廓框架以及所述第三校正轮廓框架进行合并，得到预测轮廓框架。
可选的，在本发明第二方面的第六种实现方式中，所述计算模块具体用于：将所述预测轮廓框架的任一顶点位置坐标确定为第一顶点位置坐标，获取与所述第一顶点位置坐标相邻的第二顶点位置坐标、第三顶点位置坐标以及第四顶点位置坐标；确定所述第一顶点位置坐标与第二顶点位置坐标的纵坐标之差为所述预测轮廓框架的长度，确定所述第一顶点位置坐标与第三顶点位置坐标的横坐标之差为所述预测轮廓框架的宽度，确定所述第一顶点位置坐标与第四顶点位置坐标的竖坐标之差为所述预测轮廓框架的高度；将所述预测轮廓框架的长度、所述预测轮廓框架的宽度和所述预测轮廓框架的高度输入到预置的整合函数中，通过所述预置的整合函数计算所述预测轮廓框架的体积，并将所述预测轮廓框架的体积确定为所述快递包裹的体积。
本发明第三方面提供了一种快递包裹体积的检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述快递包裹体积的检测设备执行上述的快递包裹体积的检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的快递包裹体积的检测方法。
本发明提供的技术方案中，获取待检测图像，所述待检测图像用于显示快递包裹；采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓；通过预置的标注函数标注所述预测轮廓框架的位置，得到所述预测轮廓框架的顶点位置坐标；根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积。本发明实施例中，通过利用预置的采样算法对待检测图像中的快递包裹进行预测轮廓框架的框选，再通过预置的标注函数以及预置的整合函数计算快递包裹的体积，提高了快递包裹体积的检测效率。
附图说明
图1为本发明实施例中快递包裹体积的检测方法的一个实施例示意图；
图2为本发明实施例中快递包裹体积的检测方法的另一个实施例示意图；
图3为本发明实施例中快递包裹体积的检测装置的一个实施例示意图；
图4为本发明实施例中快递包裹体积的检测装置的另一个实施例示意图；
图5为本发明实施例中快递包裹体积的检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种快递包裹体积的检测方法、装置、设备及存储介质，通过利用预置的采样算法对待检测图像中的快递包裹进行预测轮廓框架的框选，再通过预置的标注函数以及预置的整合函数计算快递包裹的体积，提高了快递包裹体积的检测效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中快递包裹体积的检测方法的一个实施例包括：
101、获取待检测图像，待检测图像用于显示快递包裹；
可以理解的是，本发明的执行主体可以为快递包裹体积的检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是，这里的待检测图像是服务器通过监控平台截取的图像，这里的监控平台可为对摄像机、硬盘录像机、存储服务器等多种监控设备进行实时调度、控制的监控平台，可以根据不同操作需求对监控中的视频或图像进行处理。这里的通过监控平台获取的待检测图像的格式可以为JPEG格式、JPEG2000格式、标签图像文件格式(tag image fileformat，TIFF)、Photoshop专用格式(PSD)、便携式网络图形(portable network graphics，PNG)等，在本申请中并不对待检测图像的格式进行限定。此外，本文也不对待检测图像的分辨率进行限定，一般来讲待检测图像的分辨率为320×448像素每英寸(pixels per inch，PPI)、416×576PPI、480×640PPI或544×704PPI。
这里的待检测图像为显示快递包裹摆放位置的图像，其中，待检测图像中的快递包裹数量可以为单个也可以为多个，在本申请中并不对待检测图像中快递包裹的数量进行限定。除此之外待检测图像中还可以包括其他检测对象，例如装载快递包裹的车辆、搬运快递包裹的工具或搬运快递包裹的运输人员等。此外，待检测图像中所显示快递包裹的轮廓必须是清晰的，这样服务器才能准确识别出快递包裹的预测轮廓框架。
102、采用预置的采样算法对待检测图像中的快递包裹进行框选，得到快递包裹的预测轮廓框架，预测轮廓框架用于指示快递包裹的外部轮廓；
服务器在获取到的待检测图像中对快递包裹进行外部轮廓的框选，例如，待检测图像中显示一个形状为长方体的快递包裹，采用预置的采样算法对待检测图像中的快递包裹进行预测轮廓框选后，待检测图像中会出现一个预测轮廓框架，该预测轮廓框架的形状、大小与快递包裹相同。需要说明的是，在进行快递包裹框选时，也可能将除快递包裹之外的物体框选出来，因此，经过预置的采样算法框选出来的预测轮廓框架中携带有待检测图像中物体的分类标签，该分类标签可能为：快递包裹、运输车辆、工具等。此外，这里的预测轮廓框架的形状仅仅为长方体，这样框选出来快递包裹的体积更便于计算。
进一步说明的是，这里的预置识别算法指的是3D目标检测算法(3D ObjectDetection)，服务器采用3D目标检测算法对待检测图像进行特征提取，再通过3D目标检测算法中的多个候选层对初始轮廓框架进行预测，最后再利用损失函数对初始轮廓框架进行校正，得到快递包裹的预测轮廓框架。
103、通过预置的标注函数标注预测轮廓框架的位置，得到预测轮廓框架的顶点位置坐标；
服务器在待检测图像中标注出快递包裹的预测轮廓框架后，利用预置的标注函数对该预测轮廓框架的位置进行标注，从而获取到预测轮廓框架的顶点位置坐标。需要说明的是，采用预置的标注函数标注预测轮廓框架的位置时，可以以预测轮廓框架的中心坐标为原点建立三维直角坐标系，在建立后的三维直角坐标系上对预测轮廓框架的八个顶点位置坐标进行标注，得到快递包裹外部轮廓的顶点位置坐标。
需要说明的是，这里的预置的标注函数为计算机视觉标注工具(computer visionannotation tool，CVAT)，CVAT为一种可为计算机视频和图像进行标注的工具，该标注工具拥有三种模式分别为标注模式(annotation mode)、插值模式(interpolation mode)和属性模式(attribute mode)，具体的，标注模式，可以在待检测图像中进行目标包围盒(预测轮廓框架)的标注，例如：标注待检测图像中每个快递包裹对应预测轮廓框架八个顶点的位置坐标，也可以标注待检测图像中，位于目标质量和干扰目标应被忽略的区域中运输车辆的外部轮廓顶点位置坐标；插值模式，针对视频中运动的目标对象进行标注，通过对目标对象的关键帧进行插值，实现标注目标对象的外部轮廓标注；属性模式，实现待检测图像的多属性标注，例如：在快递包裹待检测图像中标注快递包裹、运输车辆、工具等。在对本申请中预测轮廓框架进行标注时，采用了CVAT中的标注模式与属性模式。
104、根据顶点位置坐标以及预置的整合函数计算预测轮廓框架的体积，将预测轮廓框架的体积确定为快递包裹的体积。
服务器获取预测轮廓框架的顶点位置坐标之后，将顶点位置坐标输入到预置的整合函数中，通过预置的整合函数计算预测轮廓框架的长度、宽度及高度。由于预测轮廓框架的形状为长方体，同时已知该长方体的长宽高，通过长方体的体积公式可以计算出长方体的体积，将计算出来长方体的体积确定为快递包裹的体积，即可得到快递包裹大致的体积，便于快递包裹的摆放。
本发明实施例中，通过利用预置的采样算法对待检测图像中的快递包裹进行预测轮廓框架的框选，再通过预置的标注函数以及预置的整合函数计算快递包裹的体积，提高了快递包裹体积的检测效率。
请参阅图2，本发明实施例中快递包裹体积的检测方法的另一个实施例包括：
201、获取待检测图像，待检测图像用于显示快递包裹；
需要说明的是，这里的待检测图像是服务器通过监控平台中截取的图像，这里的监控平台可为对摄像机、硬盘录像机、存储服务器等多种监控设备进行实时调度、控制的监控平台，可以根据不同操作需求对监控中的视频或图像进行处理。这里的通过监控平台获取的待检测图像的格式可以为JPEG格式、JPEG2000格式、TIFF格式、PSD格式、PNG格式等，在本申请中并不对待检测图像的格式进行限定。此外，本文也不对待检测图像的分辨率进行限定，一般来讲待检测图像的分辨率为320×448PPI、416×576PPI、480×640PPI或544×704PPI。
这里的待检测图像为显示快递包裹摆放位置的图像，其中，待检测图像中的快递包裹数量可以为单个也可以为多个，在本申请中并不对待检测图像中快递包裹的数量进行限定。除此之外待检测图像中还可以包括其他检测对象，例如装载快递包裹的车辆、搬运快递包裹的工具或搬运快递包裹的运输人员等。此外，待检测图像中所显示快递包裹的轮廓必须是清晰的，这样服务器才能准确识别出快递包裹的预测轮廓框架。
202、采用预置的采样算法在待检测图像上进行融合采样，得到基础特征点；
服务器首先从待检测图像中提取初始特征点；其次服务器采用最远距离采样算法对初始特征点进行采样，得到第一采样特征点；然后服务器利用特征空间采样算法对初始特征点进行采样，得到第二采样特征点；最后服务器合并第一采样特征点与第二采样特征点，得到待筛选采样特征点，利用预置结合公式对待筛选采样特征点进行筛选，得到基础特征点，预置结合公式为C＝λCd+Cf，其中，C表示基础特征点的集合，Cd表示第一采样特征点的集合，Cf表示第二采样特征点的集合，λ表示预置性能因子。
服务器在采用预置的采样算法对待检测图像进行采样时，首先需要提取待检测图像中的特征点，由于待检测图像中的特征点分为前景特征点与背景特征点，因此需要对两个特征点进行不同数量的提取，因此利用到了融合采样的采样方法，以显示有快递包裹的待检测图片为例，待检测图片中的前景特征点为组成快递包裹图像的特征点，而背景特征点为组成非快递包裹图像的特征点，这里通过3D目标检测算法中的SA模块实现特征点的采样。
首先服务器提取待检测图像中的多个初始特征点，然后服务器采用最远距离采样算法对多个初始特征点进行采样，得到多个第一采样特征点。举例说明，假设一共有n个初始特征点，n为大于2的正整数，初始特征点集合为N＝{f1,f2,…fn}，采用最远距离采样算法对多个初始特征点进行采样的步骤如下：
1)在初始特征点集合中随机选取一个起始点fi，并将该起始点记录到起始点集中，即B＝{fi}；
2)计算剩余n-1个初始特征点与起始点fi之间的距离，选取与起始点fi距离最远的点fj，并将该点记录到起始点集中，即B＝{fi,fj}；
3)计算剩余n-2个初始特征点与起始点集中每个初始特征点之间的距离，将每个初始特站点与起始点集中最短的距离作为该起始特征点到起始点集之间的距离,得到n-2个初始特征点到点集的距离，在n-2个距离中选取距离数值最大所对应的初始特征点，并将该点记录到起始点集中，即B＝{fi,fj,fk}；
4)重复上述步骤直到选取x个初始特征点后，停止初始特站点的采样，最终起始点集B中的初始特征点即为所采样的第一采样特征点，其中，x∈(1,n)。
然后服务器利用特征空间采样算法对初始特征点进行采样，得到第二采样特征点。利用特征空间采样算法对初始特征点进行采样的步骤具体为：服务器首先对初始特征点进行自动分割，划分出中待检测图像中构成快递包裹的初始特征点或快递包裹的颜色区域，然后服务器根据这些区域提取对应的初始特征点，即得到多个第二采样特征点。同样的，特征空间采样算法也可以采样出待检测图片中构成运输车辆、工具等物体的特征点。
进一步说明的是，由于最远距离采样算法未分析初始特征点的属性特征，因此引入特征空间采样算法，进一步分析初始特征点的属性特征从而进行采样，能够排除大量的背景特征点，筛选更多的前景特征点，两种不同的采样方法的融合提高了初始特征点的采样精度。这里利用到预置结合公式将第一采样特征点与第二采样特征点进行结合以及筛选，得到基础特征点，具体的，预置结合公式为C＝λCd+Cf，其中，C表示基础特征点的集合，Cd表示第一采样特征点的集合，Cf表示第二采样特征点的集合，λ表示性能因子。
203、采用预置的采样算法在待检测图像上进行融合采样，得到基础特征点；在基础特征点中确定候选特征点以及周围特征点，通过预置的多层感知器局部提取候选特征点以及周围特征点的特征要素，候选特征点为快递包裹的外部轮廓的中心点，周围特征点为基础特征点中除候选特征点之外的特征点；
服务器首先在基础特征点中筛选出候选特征点，并将基础特征点中除候选特征点之外的特征点确定为周围特征点，候选特征点为快递包裹的外部轮廓的中心点，且候选特征点为通过特征空间采样算法采样得到的基础特征点；然后服务器获取候选特征点携带的语义特征以及周围特征点携带的语义特征，候选特征点携带的语义特征用于指示候选特征点的属性，周围特征点携带的语义特征用于指示周围特征点的属性；最后服务器将候选特征点、候选特征点携带的语义特征、周围特征点及周围特征点携带的语义特征输入到预置的多层感知器中，通过多层感知器提取候选特征点以及周围特征点的特征要素。
服务器筛选出基础特征点之后需要确定基础特征点中的候选特征点，根据候选特征点以及周围特征点的领域进行局部特征的提取。这里候选特征点为由特征空间采样算法采样得到的基础特征点，且候选特征点为框选快递包裹的外部轮廓的中心点，因为利用最远距离采样算法采样得到的基础特征点大概率为背景特征点而非前景特征点，因此将基础特征点中由特征空间采样算法采样得到的基础特征点作为候选特征点，进而确定基础特征点中除候选特征点之外的特征点为周围特征点。
需要说明的是，这里的候选特征点携带的语义特征指的是候选特征点的属性，候选特征点的属性可以理解为利用欧式距离计算公式度量相邻两个候选特征点之间的距离值，两个候选特征点之间的距离值越小说明这两个候选特征点之间越相似，同样的，周围特征点的属性为利用欧式距离计算公式度量相邻两个周围特征点之间的距离值。这里将候选特征点、候选特征点携带的语义特征、周围特征点及周围特征点携带的语义特征输入到预置的多层感知器中，多层感知器(multi-layer perceptron，MLP)主要由三个处理层构成，分别为输入层、隐层、输出层，其中隐层可以为多个，多层感知器通过连接多个基础特征点所携带的语义特征，并经过线性和非线性的组合，从而达到提取候选特征点以及周围特征点的特征要素的目的。
204、将特征要素输入到预置的预测回归头中，通过预测回归头对特征要素进行预测，得到预测轮廓框架，预测轮廓框架用于指示快递包裹的外部轮廓；
服务器首先将特征要素输入到预置的预测回归头中，通过分割掩膜判断候选特征点以及周围特征点是否均在预置范围内；当候选特征点以及周围特征点均在预置范围内时，服务器在预置范围内，连接候选特征点与周围特征点，得到初始轮廓框架，初始轮廓框架用于指示快递包裹外部轮廓的长方体；最后服务器采用预置的损失函数对初始轮廓框架进行校正，得到预测轮廓框架。
将多个候选特征点以及周围特征点的特征要素输入到预测回归头中，首先服务器判断候选特征点以及周围特征点是否均在预置范围内，这里的预置范围为待检测图像中显示快递包裹的二进制掩码的范围，若候选特征点与周围特征点的掩码均在该二进制掩码的范围内，则在预置范围内，服务器连接候选特征点与周围特征点，得到初始轮廓框架；若候选特征点或周围特征点的掩码不在该二进制掩码的范围内，则服务器剔除相应的候选特征点或周围特征点，待剔除相应的候选特征点或周围特征点之后，在预置范围内，服务器连接剩余的候选特征点和周围特征点，得到初始轮廓框架。
初始轮廓框架的中心标签值是通过候选特征点到初始轮廓框架各个表面之间的距离计算得到的，具体的，距离计算公式为：
Figure BDA0002604124690000131
其中，lctrness表示中心标签值，f表示候选特征点到初始轮廓框架前表面的距离，b表示候选特征点到初始轮廓框架后表面的距离，l表示候选特征点到初始轮廓框架左表面的距离，r表示候选特征点到初始轮廓框架右表面的距离，t表示候选特征点到初始轮廓框架上表面的距离，d表示候选特征点到初始轮廓框架下表面的距离。
初始轮廓框架的分类标签是通过中心标签值以及掩膜标签值计算得到的，具体的，标签计算公式为：L＝lctrness*lmask，其中，L表示分类标签，lctrness表示中心标签值，lmask表示掩膜标签值。需要说明的是，这里的掩膜标签值是根据二进制掩码的范围的平均值。
进一步说明的是，最后服务器采用损失函数对初始轮廓框架以及初始轮廓框架的分类标签进行校正时，具体的步骤包括：服务器首先利用交叉熵损失函数对初始轮廓框架进行分类校正，得到第一校正轮廓框架；其次服务器通过偏移损失函数对初始轮廓框架进行偏移校正，得到第二校正轮廓框架；然后服务器采用回归损失函数对初始轮廓框架进行回归校正，得到第三校正轮廓框架；最后服务器利用预置的合并函数对第一校正轮廓框架、第二校正轮廓框架以及第三校正轮廓框架进行合并，得到预测轮廓框架。
这里的损失函数分为分类损失函数、偏移损失函数以及回归损失函数，具体的，分类损失函数采用交叉熵损失函数对初始轮廓框架的分类标签进行校正；偏移损失函数采用smooth L1损失函数对中候选特征点到初始轮廓框架的中心点之间的残差进行校正；回归损失函数具体分为距离回归、尺寸回归、角度回归以及角点回归，其中，距离回归为利用smooth l1函数对初始轮廓框架的中心点坐标进行回归，尺寸回归为利用smooth L1函数对初始轮廓框架的长宽高进行回归，角度回归为对候选特征点到初始轮廓框架中对应位置的偏移量进行回归，角点回归为对初始轮廓框架的八个顶点位置坐标进行回归。由此，可得到最终的损失函数如下：
Figure BDA0002604124690000132
其中，L表示最终的损失函数，Nc表示候选特征点的数量，Lc表示分类损失函数，si表示分类标签值，ui表示中心标签值，λ1表示第一回归系数，Np表示候选特征点中前景特征点的数量，Lr表示候回归损失函数，λ2表示第二回归系数，Np *表示通过特征空间采样算法采样得到的阳性候选特征点的数量，Ls表示候偏移损失函数。
205、通过预置的标注函数标注预测轮廓框架的位置，得到预测轮廓框架的顶点位置坐标；
服务器在待检测图像中标注出快递包裹的预测轮廓框架后，利用预置的标注函数对该预测轮廓框架的位置进行标注，从而获取到预测轮廓框架的顶点位置坐标。需要说明的是，采用预置的标注函数标注预测轮廓框架的位置时，可以以预测轮廓框架的中心坐标为原点建立三维直角坐标系的，在建立后的三维直角坐标系上对预测轮廓框架的八个顶点位置坐标进行标注，得到快递包裹外部轮廓的顶点位置坐标。
举例说明，已知待检测图像上存在一预测轮廓框架，以预测轮廓框架的中心点坐标为原点建立三维直角坐标系，经CVAT标注后，得到预测轮廓框架的八个顶点位置坐标分别为(1，-1,1)、(1,1,1)、(-1,1,1)、(-1，-1,1)、(1，-1，-1)、(1,1，-1)、(-1，1，-1)、(-1，-1，-1)，由坐标点可知该预测轮廓框架为长宽高分别为2的正方体。
206、根据顶点位置坐标以及预置的整合函数计算预测轮廓框架的体积，将预测轮廓框架的体积确定为快递包裹的体积。
服务器首先将预测轮廓框架的任一顶点位置坐标确定为第一顶点位置坐标，获取与第一顶点位置坐标相邻的第二顶点位置坐标、第三顶点位置坐标以及第四顶点位置坐标；其次服务器确定第一顶点位置坐标与第二顶点位置坐标的纵坐标之差为预测轮廓框架的长度，确定第一顶点位置坐标与第三顶点位置坐标的横坐标之差为预测轮廓框架的宽度，确定第一顶点位置坐标与第四顶点位置坐标的竖坐标之差为预测轮廓框架的高度；最后服务器将预测轮廓框架的长度、预测轮廓框架的宽度和预测轮廓框架的高度输入到预置的整合函数中，通过预置的整合函数计算预测轮廓框架的体积，并将预测轮廓框架的体积确定为快递包裹的体积。
举例说明，待服务器标注预测轮廓框架后得到八个顶点位置坐标，已知第一顶点位置坐标为(1，-1,1)，第二顶点位置坐标为(1,1,1)，第三顶点位置坐标为(-1，-1,1)，第四顶点位置坐标为(1，-1，-1)，由此服务器确定第一顶点位置坐标与第二顶点位置坐标的横坐标之差为预测轮廓框架的长度，可通过计算得到预测轮廓框架的长度为2；服务器确定第一顶点位置坐标与第三顶点位置坐标的横坐标之差为预测轮廓框架的宽度，可通过计算得到预测轮廓框架的宽度为2；服务器确定第一顶点位置坐标与第四顶点位置坐标的竖坐标之差为预测轮廓框架的高度，可通过计算得到预测轮廓框架的高度为2；最后将预测轮廓框架的长宽高分别输入到预置的整合函数中，通过整合函数的计算得到预测轮廓框架的体积为8，也就是快递包裹的体积为8。
本发明实施例中，通过利用预置的采样算法对待检测图像中的快递包裹进行预测轮廓框架的框选，再通过预置的标注函数以及预置的整合函数计算快递包裹的体积，提高了快递包裹体积的检测效率。
上面对本发明实施例中快递包裹体积的检测方法进行了描述，下面对本发明实施例中快递包裹体积的检测装置进行描述，请参阅图3，本发明实施例中快递包裹体积的检测装置一个实施例包括：
获取模块301，用于获取待检测图像，所述待检测图像用于显示快递包裹；
预测模块302，用于采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓；
标注模块303，用于通过预置的标注函数标注所述预测轮廓框架的位置，得到所述预测轮廓框架的顶点位置坐标；
计算模块304，用于根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积。
本发明实施例中，通过利用预置的采样算法对待检测图像中的快递包裹进行预测轮廓框架的框选，再通过预置的标注函数以及预置的整合函数计算快递包裹的体积，提高了快递包裹体积的检测效率。
请参阅图4，本发明实施例中快递包裹体积的检测装置的另一个实施例包括：
获取模块301，用于获取待检测图像，所述待检测图像用于显示快递包裹；
预测模块302，用于采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓；
标注模块303，用于通过预置的标注函数标注所述预测轮廓框架的位置，得到所述预测轮廓框架的顶点位置坐标；
计算模块304，用于根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积。
可选的，预测模块302包括：
采样单元3021，用于采用预置的采样算法在所述待检测图像上进行融合采样，得到基础特征点；
确定单元3022，用于在所述基础特征点中确定候选特征点以及周围特征点，通过预置的多层感知器局部提取所述候选特征点以及所述周围特征点的特征要素，所述候选特征点为快递包裹的外部轮廓的中心点，所述周围特征点为所述基础特征点中除所述候选特征点之外的特征点；
预测单元3023，用于将所述特征要素输入到预置的预测回归头中，通过所述预测回归头对所述特征要素进行预测，得到预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓。
可选的，采样单元3021还可以具体用于：
从所述待检测图像中提取初始特征点；
采用最远距离采样算法对所述初始特征点进行采样，得到第一采样特征点；
利用特征空间采样算法对所述初始特征点进行采样，得到第二采样特征点；
合并所述第一采样特征点与所述第二采样特征点，得到待筛选采样特征点，利用预置结合公式对所述待筛选采样特征点进行筛选，得到基础特征点，所述预置结合公式为C＝λCd+Cf，其中，C表示所述基础特征点的集合，Cd表示所述第一采样特征点的集合，Cf表示所述第二采样特征点的集合，λ表示预置性能因子。
可选的，确定单元3022还可以具体用于：
在所述基础特征点中筛选出候选特征点，并将所述基础特征点中除所述候选特征点之外的特征点确定为周围特征点，所述候选特征点为快递包裹的外部轮廓的中心点，且所述候选特征点为通过所述特征空间采样算法采样得到的基础特征点；
获取所述候选特征点携带的语义特征以及所述周围特征点携带的语义特征，所述候选特征点携带的语义特征用于指示所述候选特征点的属性，所述周围特征点携带的语义特征用于指示所述周围特征点的属性；
将所述候选特征点、所述候选特征点携带的语义特征、所述周围特征点及所述周围特征点携带的语义特征输入到预置的多层感知器中，通过所述多层感知器提取所述候选特征点以及所述周围特征点的特征要素。
可选的，预测单元3023包括：
判断子单元30231，用于将所述特征要素输入到预置的预测回归头中，通过分割掩膜判断所述候选特征点以及所述周围特征点是否均在预置范围内；
连接子单元30232，当所述候选特征点以及所述周围特征点均在预置范围内时，用于在所述预置范围内，连接所述候选特征点与所述周围特征点，得到初始轮廓框架，所述初始轮廓框架用于指示快递包裹外部轮廓的长方体；
校正子单元30233，用于采用预置的损失函数对所述初始轮廓框架进行校正，得到预测轮廓框架。
可选的，校正子单元30233还可以具体用于：
利用交叉熵损失函数对所述初始轮廓框架进行分类校正，得到第一校正轮廓框架；
通过偏移损失函数对所述初始轮廓框架进行偏移校正，得到第二校正轮廓框架；
采用回归损失函数对所述初始轮廓框架进行回归校正，得到第三校正轮廓框架；
利用预置的合并函数对所述第一校正轮廓框架、所述第二校正轮廓框架以及所述第三校正轮廓框架进行合并，得到预测轮廓框架。
可选的，计算模块304还可以具体用于：
将所述预测轮廓框架的任一顶点位置坐标确定为第一顶点位置坐标，获取与所述第一顶点位置坐标相邻的第二顶点位置坐标、第三顶点位置坐标以及第四顶点位置坐标；
确定所述第一顶点位置坐标与第二顶点位置坐标的纵坐标之差为所述预测轮廓框架的长度，确定所述第一顶点位置坐标与第三顶点位置坐标的横坐标之差为所述预测轮廓框架的宽度，确定所述第一顶点位置坐标与第四顶点位置坐标的竖坐标之差为所述预测轮廓框架的高度；
将所述预测轮廓框架的长度、所述预测轮廓框架的宽度和所述预测轮廓框架的高度输入到预置的整合函数中，通过所述预置的整合函数计算所述预测轮廓框架的体积，并将所述预测轮廓框架的体积确定为所述快递包裹的体积。
本发明实施例中，通过利用预置的采样算法对待检测图像中的快递包裹进行预测轮廓框架的框选，再通过预置的标注函数以及预置的整合函数计算快递包裹的体积，提高了快递包裹体积的检测效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的快递包裹体积的检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中快递包裹体积的检测设备进行详细描述。
图5是本发明实施例提供的一种快递包裹体积的检测设备的结构示意图，该快递包裹体积的检测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对快递包裹体积的检测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在快递包裹体积的检测设备500上执行存储介质530中的一系列指令操作。
快递包裹体积的检测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的快递包裹体积的检测设备结构并不构成对快递包裹体积的检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种快递包裹体积的检测设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述快递包裹体积的检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述快递包裹体积的检测方法的步骤。
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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元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全部或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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种快递包裹体积的检测方法，其特征在于，所述快递包裹体积的检测方法包括：
获取待检测图像，所述待检测图像用于显示快递包裹；
采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓；
通过预置的标注函数标注所述预测轮廓框架的位置，得到所述预测轮廓框架的顶点位置坐标；
根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积。
2.根据权利要求1所述的快递包裹体积的检测方法，其特征在于，所述采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓包括：
采用预置的采样算法在所述待检测图像上进行融合采样，得到基础特征点；
在所述基础特征点中确定候选特征点以及周围特征点，通过预置的多层感知器局部提取所述候选特征点以及所述周围特征点的特征要素，所述候选特征点为快递包裹的外部轮廓的中心点，所述周围特征点为所述基础特征点中除所述候选特征点之外的特征点；
将所述特征要素输入到预置的预测回归头中，通过所述预测回归头对所述特征要素进行预测，得到预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓。
3.根据权利要求2所述的快递包裹体积的检测方法，其特征在于，所述采用预置的采样算法在所述待检测图像上进行融合采样，得到基础特征点包括：
从所述待检测图像中提取初始特征点；
采用最远距离采样算法对所述初始特征点进行采样，得到第一采样特征点；
利用特征空间采样算法对所述初始特征点进行采样，得到第二采样特征点；
合并所述第一采样特征点与所述第二采样特征点，得到待筛选采样特征点，利用预置结合公式对所述待筛选采样特征点进行筛选，得到基础特征点，所述预置结合公式为C＝λCd+Cf，其中，C表示所述基础特征点的集合，Cd表示所述第一采样特征点的集合，Cf表示所述第二采样特征点的集合，λ表示预置性能因子。
4.根据权利要求3所述的快递包裹体积的检测方法，其特征在于，所述在所述基础特征点中确定候选特征点以及周围特征点，通过预置的多层感知器局部提取所述候选特征点以及所述周围特征点的特征要素，所述候选特征点为快递包裹的外部轮廓的中心点，所述周围特征点为所述基础特征点中除所述候选特征点之外的特征点包括：
在所述基础特征点中筛选出候选特征点，并将所述基础特征点中除所述候选特征点之外的特征点确定为周围特征点，所述候选特征点为快递包裹的外部轮廓的中心点，且所述候选特征点为通过所述特征空间采样算法采样得到的基础特征点；
获取所述候选特征点携带的语义特征以及所述周围特征点携带的语义特征，所述候选特征点携带的语义特征用于指示所述候选特征点的属性，所述周围特征点携带的语义特征用于指示所述周围特征点的属性；
将所述候选特征点、所述候选特征点携带的语义特征、所述周围特征点及所述周围特征点携带的语义特征输入到预置的多层感知器中，通过所述多层感知器提取所述候选特征点以及所述周围特征点的特征要素。
5.根据权利要求2所述的快递包裹体积的检测方法，其特征在于，所述将所述特征要素输入到预置的预测回归头中，通过所述预测回归头对所述特征要素进行预测，得到预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓包括：
将所述特征要素输入到预置的预测回归头中，通过分割掩膜判断所述候选特征点以及所述周围特征点是否均在预置范围内；
当所述候选特征点以及所述周围特征点均在预置范围内时，在所述预置范围内，连接所述候选特征点与所述周围特征点，得到初始轮廓框架，所述初始轮廓框架用于指示快递包裹外部轮廓的长方体；
采用预置的损失函数对所述初始轮廓框架进行校正，得到预测轮廓框架。
6.根据权利要求5所述的快递包裹体积的检测方法，其特征在于，所述采用预置的损失函数对所述初始轮廓框架进行校正，得到预测轮廓框架包括：
利用交叉熵损失函数对所述初始轮廓框架进行分类校正，得到第一校正轮廓框架；
通过偏移损失函数对所述初始轮廓框架进行偏移校正，得到第二校正轮廓框架；
采用回归损失函数对所述初始轮廓框架进行回归校正，得到第三校正轮廓框架；
利用预置的合并函数对所述第一校正轮廓框架、所述第二校正轮廓框架以及所述第三校正轮廓框架进行合并，得到预测轮廓框架。
7.根据权利要求1-6中任一项所述的快递包裹体积的检测方法，其特征在于，所述根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积包括：
将所述预测轮廓框架的任一顶点位置坐标确定为第一顶点位置坐标，获取与所述第一顶点位置坐标相邻的第二顶点位置坐标、第三顶点位置坐标以及第四顶点位置坐标；
确定所述第一顶点位置坐标与第二顶点位置坐标的纵坐标之差为所述预测轮廓框架的长度，确定所述第一顶点位置坐标与第三顶点位置坐标的横坐标之差为所述预测轮廓框架的宽度，确定所述第一顶点位置坐标与第四顶点位置坐标的竖坐标之差为所述预测轮廓框架的高度；
将所述预测轮廓框架的长度、所述预测轮廓框架的宽度和所述预测轮廓框架的高度输入到预置的整合函数中，通过所述预置的整合函数计算所述预测轮廓框架的体积，并将所述预测轮廓框架的体积确定为所述快递包裹的体积。
8.一种快递包裹体积的检测装置，其特征在于，所述快递包裹体积的检测装置包括：
获取模块，用于获取待检测图像，所述待检测图像用于显示快递包裹；
预测模块，用于采用预置的采样算法对所述待检测图像中的快递包裹进行框选，得到所述快递包裹的预测轮廓框架，所述预测轮廓框架用于指示所述快递包裹的外部轮廓；
标注模块，用于通过预置的标注函数标注所述预测轮廓框架的位置，得到所述预测轮廓框架的顶点位置坐标；
计算模块，用于根据所述顶点位置坐标以及预置的整合函数计算所述预测轮廓框架的体积，将所述预测轮廓框架的体积确定为所述快递包裹的体积。
9.一种快递包裹体积的检测设备，其特征在于，所述快递包裹体积的检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述快递包裹体积的检测设备执行如权利要求1-7中任意一项所述的快递包裹体积的检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的快递包裹体积的检测方法。
CN202010733539.3A 2020-07-27 2020-07-27 快递包裹体积的检测方法、装置、设备及存储介质 Active CN111814739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010733539.3A CN111814739B (zh) 2020-07-27 2020-07-27 快递包裹体积的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010733539.3A CN111814739B (zh) 2020-07-27 2020-07-27 快递包裹体积的检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111814739A true CN111814739A (zh) 2020-10-23
CN111814739B CN111814739B (zh) 2023-09-01

Family

ID=72861431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010733539.3A Active CN111814739B (zh) 2020-07-27 2020-07-27 快递包裹体积的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111814739B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802087A (zh) * 2021-02-04 2021-05-14 上海中通吉网络技术有限公司 堆积物整体体积的检测方法、装置及电子设备
CN112991423A (zh) * 2021-03-15 2021-06-18 上海东普信息科技有限公司 物流包裹的分类方法、装置、设备及存储介质
CN113496046A (zh) * 2021-01-18 2021-10-12 图林科技(深圳)有限公司 一种基于区块链的电商物流系统及方法
CN117612061A (zh) * 2023-11-09 2024-02-27 中科微至科技股份有限公司 一种用于叠件分离的包裹堆叠状态视觉检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020014533A1 (en) * 1995-12-18 2002-02-07 Xiaxun Zhu Automated object dimensioning system employing contour tracing, vertice detection, and forner point detection and reduction methods on 2-d range data maps
WO2011083789A1 (ja) * 2010-01-07 2011-07-14 株式会社 日立メディコ 医用画像診断装置と医用画像の輪郭抽出処理方法
CN107247934A (zh) * 2017-05-27 2017-10-13 湖北天业云商网络科技有限公司 一种基于快速特征点定位的全天候哈欠检测方法及系统
CN107855287A (zh) * 2017-12-15 2018-03-30 广东工业大学 一种快递货物体积自动检测系统
CN108627092A (zh) * 2018-04-17 2018-10-09 南京阿凡达机器人科技有限公司 一种包裹体积的测量方法、系统、储存介质及移动终端
CN110348388A (zh) * 2019-06-24 2019-10-18 贵州黔岸科技有限公司 图像预处理方法、装置、存储介质及系统
CN110502966A (zh) * 2019-07-01 2019-11-26 广州市川流信息科技有限公司 包裹的分类信息获取设备、方法以及存储装置
WO2020121564A1 (ja) * 2019-07-04 2020-06-18 株式会社日立ハイテク 寸法計測装置、寸法計測プログラム及び半導体製造システム
CN111310645A (zh) * 2020-02-12 2020-06-19 上海东普信息科技有限公司 货物堆积量的溢仓预警方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020014533A1 (en) * 1995-12-18 2002-02-07 Xiaxun Zhu Automated object dimensioning system employing contour tracing, vertice detection, and forner point detection and reduction methods on 2-d range data maps
WO2011083789A1 (ja) * 2010-01-07 2011-07-14 株式会社 日立メディコ 医用画像診断装置と医用画像の輪郭抽出処理方法
CN107247934A (zh) * 2017-05-27 2017-10-13 湖北天业云商网络科技有限公司 一种基于快速特征点定位的全天候哈欠检测方法及系统
CN107855287A (zh) * 2017-12-15 2018-03-30 广东工业大学 一种快递货物体积自动检测系统
CN108627092A (zh) * 2018-04-17 2018-10-09 南京阿凡达机器人科技有限公司 一种包裹体积的测量方法、系统、储存介质及移动终端
CN110348388A (zh) * 2019-06-24 2019-10-18 贵州黔岸科技有限公司 图像预处理方法、装置、存储介质及系统
CN110502966A (zh) * 2019-07-01 2019-11-26 广州市川流信息科技有限公司 包裹的分类信息获取设备、方法以及存储装置
WO2020121564A1 (ja) * 2019-07-04 2020-06-18 株式会社日立ハイテク 寸法計測装置、寸法計測プログラム及び半導体製造システム
CN111310645A (zh) * 2020-02-12 2020-06-19 上海东普信息科技有限公司 货物堆积量的溢仓预警方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113496046A (zh) * 2021-01-18 2021-10-12 图林科技(深圳)有限公司 一种基于区块链的电商物流系统及方法
CN113496046B (zh) * 2021-01-18 2024-05-10 华翼(广东)电商科技有限公司 一种基于区块链的电商物流系统及方法
CN112802087A (zh) * 2021-02-04 2021-05-14 上海中通吉网络技术有限公司 堆积物整体体积的检测方法、装置及电子设备
CN112991423A (zh) * 2021-03-15 2021-06-18 上海东普信息科技有限公司 物流包裹的分类方法、装置、设备及存储介质
CN117612061A (zh) * 2023-11-09 2024-02-27 中科微至科技股份有限公司 一种用于叠件分离的包裹堆叠状态视觉检测方法

Also Published As

Publication number Publication date
CN111814739B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN111814739B (zh) 快递包裹体积的检测方法、装置、设备及存储介质
CN109844807B (zh) 用于对物体进行分割和确定尺寸的方法、系统和装置
US10733723B2 (en) Methods and system for improved quality inspection
CN111310645B (zh) 货物堆积量的溢仓预警方法、装置、设备及存储介质
US10706525B2 (en) Methods and systems for improved quality inspection
CN110321769B (zh) 一种多尺寸货架商品检测方法
US20160203387A1 (en) Vision system and analytical method for planar surface segmentation
CN111461133B (zh) 快递面单品名识别方法、装置、设备及存储介质
JP2017171448A (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
CN111626277A (zh) 一种基于治超站交调指标分析的车辆跟踪方法及装置
CN111553914B (zh) 基于视觉的货物检测方法、装置、终端及可读存储介质
CN113688965B (zh) 一种自动仓储扫码检测的方法和货物管理系统
JP2017171444A (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
CN117492026B (zh) 结合激光雷达扫描的铁路货车装载状态检测方法及系统
Chen et al. A deep region-based pyramid neural network for automatic detection and multi-classification of various surface defects of aluminum alloys
CN114022537A (zh) 一种用于动态称重区域车辆装载率和偏载率分析方法
CN112378333A (zh) 仓储货物测量方法和装置
CN117218633A (zh) 一种物品检测方法、装置、设备及存储介质
CN114092396A (zh) 一种包装盒撞角瑕疵检测的方法及装置
CN112907666A (zh) 一种基于rgb-d的托盘位姿估计方法、系统及装置
KR20220083347A (ko) 영상을 이용한 물건 부피의 측정 장치, 방법, 및 컴퓨터 프로그램
CN115619783B (zh) 产品加工缺陷的检测方法及装置、存储介质、终端
CN115171061A (zh) 车辆检测方法、装置和设备
JP2017171447A (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
CN116086577A (zh) 一种基于激光雷达和摄像装置的挖掘机称重系统

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