CN112183509B - 一种基于目标检测的仓储稽核方法及系统 - Google Patents
一种基于目标检测的仓储稽核方法及系统 Download PDFInfo
- Publication number
- CN112183509B CN112183509B CN202011374717.4A CN202011374717A CN112183509B CN 112183509 B CN112183509 B CN 112183509B CN 202011374717 A CN202011374717 A CN 202011374717A CN 112183509 B CN112183509 B CN 112183509B
- Authority
- CN
- China
- Prior art keywords
- image data
- image
- target
- training
- augmentation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000003416 augmentation Effects 0.000 claims abstract description 38
- 238000012550 audit Methods 0.000 claims abstract description 35
- 230000003190 augmentative effect Effects 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 244000062793 Sorghum vulgare Species 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000019713 millet Nutrition 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011232 storage material Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于目标检测的仓储稽核方法及系统，其中方法包括：获取待分拣物品的图像数据，并存储于图像数据库；将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库；通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标按检测模型进行测试，使得模型准确率高于99%；通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核。本发明的目标物品检测模型完全由数据端到端训练，不用额外的数据处理；本发明实现提高单张图像识别速度，识别速度达0.2s/张；本发明提高分拣效率和准确性，分拣准确率达到99%。
Description
技术领域
本发明涉及图像识别技术领域，特别是涉及一种基于目标检测的仓储稽核方法及系统。
背景技术
仓储分拣系统是随着经济和电商行业的迅猛发展而诞生的，高效性对电商物流而言至关重要。为了提高效率，大部分公司或者企业都会在仓储分拣这个环节提升效率。而仓储分拣系统工程是实现现代物流管理低成本高效率的关键技术所在。仓储分拣系统可以根据客户的订单要求和配送计划，迅速准确地将商品从仓储位置或其他区位核查分拣出来，传统的拣货方式要求拣货人员必须熟练被拣货品，熟悉仓库货物库区分布，使得拣货人员的拣货作业，拣货效率和准确率都提出了较高要求。
发明内容
本发明提供一种基于目标检测的仓储稽核方法及系统，提高拣货效率及准确率。
本发明一个实施例提供一种基于目标检测的仓储稽核方法，包括：
获取待分拣物品的图像数据，并存储于图像数据库；
将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库；
通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标按检测模型进行测试，使得模型准确率高于99%；
通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核。
进一步地，所述通过目标物品检测模型识别待分拣的目标物品之前，还包括：上传所述目标物品检测模型至云服务器，以提供检测算法服务接口给终端设备调用。
进一步地，所述增广训练包括：同类增广及混类增广；其中，所述同类增广包括：图像翻转、图像旋转、图像缩放、图像移位、图像模糊；所述混类增广包括：图像Mixup。
进一步地，所述将所述图像数据进行增广训练得到增广图像数据，通过以下公式进行计算：
其中，
及
为两组输入图像数据的像素维度值，
为增广图像数据的像素维度值，
及
为输入图像数据的one-hot编码，
为增广图像数据的one-hot编码，
为图像融合比例控制因子。
进一步地，所述设置训练参数包括：
设置训练epoch为60，设置初始学习率为0.002，设置隔16个epoch学习率下降10%的训练策略。
本发明一实施例提供一种基于目标检测的仓储稽核系统，包括：
图像数据获取模块，用于获取待分拣物品的图像数据，并存储于图像数据库；
增广训练模块，用于将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库；
模型训练模块，用于通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标按检测模型进行测试，使得模型准确率高于99%；
目标识别模块，用于通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核。
进一步地，所述的一种基于目标检测的仓储稽核系统，还包括：模型存储模块，用于上传所述目标物品检测模型至云服务器，以提供检测算法服务接口给终端设备调用。
进一步地，所述模型训练模块还用于：
设置训练epoch为60，设置初始学习率为0.002，设置隔16个epoch学习率下降10%的训练策略。
本发明一实施例提供一种电子装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述的基于目标检测的仓储稽核方法。
本发明一实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行任意一项所述的基于目标检测的仓储稽核方法。
与现有技术相比，本发明实施例的有益效果在于：
本发明一个实施例提供一种基于目标检测的仓储稽核方法，包括：获取待分拣物品的图像数据，并存储于图像数据库；将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库；通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标按检测模型进行测试，使得模型准确率高于99%；通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核。本发明的目标物品检测模型完全由数据端到端训练，不用额外的数据处理；本发明实现提高单张图像识别速度，识别速度达0.2s/张；本发明提高分拣效率和准确性，分拣准确率达到99%。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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是本发明某一实施例提供的一种基于目标检测的仓储稽核方法的流程图；
图2是本发明另一实施例提供的一种基于目标检测的仓储稽核方法的流程图；
图3是本发明又一实施例提供的一种基于目标检测的仓储稽核方法的流程图；
图4是本发明某一实施例提供的一种基于目标检测的仓储稽核方法的数据传输的示意图；
图5是本发明某一实施例提供的一种基于目标检测的仓储稽核系统的装置图；
图6是本发明另一实施例提供的一种基于目标检测的仓储稽核系统的装置图；
图7是本发明某一实施例提供的一种电子设备的结构图。
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作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，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在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。
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。
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。
针对现有技术问题中人工分拣拣货效率低及准确率低的问题，本发明提出一种应用于仓储物品分拣核查作业的一种智能化分拣方法，利用AI物体目标检测能力结合移动设备辅助仓储分拣人员快速拣选完成物品入库。
第一方面。
请参阅图1-2，本发明某一实施例提供一种基于目标检测的仓储稽核方法，包括：
S10、获取待分拣物品的图像数据，并存储于图像数据库。
S20、将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库。
在某一具体实施方式中，所述增广训练包括：同类增广及混类增广；其中，所述同类增广包括：图像翻转、图像旋转、图像缩放、图像移位、图像模糊；所述混类增广包括：图像Mixup。
在另一具体实施方式中，所述将所述图像数据进行增广训练得到增广图像数据，通过以下公式进行计算：
其中，
及
为两组输入图像数据的像素维度值，
为增广图像数据的像素维度值，
及
为输入图像数据的one-hot编码，
为增广图像数据的one-hot编码，
为图像融合比例控制因子。S30、通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标按检测模型进行测试，使得模型准确率高于99%。
在某一具体实施方式中，所述设置训练参数包括：
设置训练epoch为60，设置初始学习率为0.002，设置隔16个epoch学习率下降10%的训练策略。
S40、通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核。
在某一具体实施方式中，所述S30、通过目标物品检测模型识别待分拣的目标物品之前，还包括：
S31、上传所述目标物品检测模型至云服务器，以提供检测算法服务接口给终端设备调用。
本发明的目标物品检测模型完全由数据端到端训练，不用额外的数据处理；本发明实现提高单张图像识别速度，识别速度达0.2s/张；本发明提高分拣效率和准确性，分拣准确率达到99%。
在某一具体实施例中，请参阅图3，本发明的技术方案一种基于目标检测的仓储稽核方法，包括如下步骤：
仓储物品智能分拣流程，包括： 1）建立仓储待分拣物品的SKU图像库，该图像库包括SKU的正面照、背面照等不同姿态的图片数据和增广图片数据； 2）对图像库中每种SKU进行目标检测建模学习，学习策略为基于多阶段的目标检测（Cascade_Rcnn）方法； 3）对步骤2）建模好的SKU检测模型部署至云服务器，提供检测算法服务C++接口给移动设备C调用；4）分拣人员应用移动端设备C对待分拣SKU进行规范拍照，将图像数据上传至云服务器调用AI目标检测算法服务完成图像检测识别，并将图像识别结果回传至移动端设备和入库存储物品信息，移动设备显示反馈分拣核查信息。
在另一具体实施例中，请参阅图4，本发明提供一种应用于仓储只能分拣核查物件的检测方法。以仓储物料分拣、稽核等物流行业中包括且不限于物料分拣、SKU稽核出入库等业务场景的图片为训练数据建立SKU目标检测算法模型学习图像数据增广库，以VIVO耳机配件为例，收集不同SKU姿态、不同面摆放的多场景图像。下面结合附图对各个步骤进行具体说明。
（1）对物流行业不同业务场景下进行图片采集，对其进行不同角度的取景拍照并一一规则命名，收集不同场景和不同灯光下的多类型样本。
（2）准备当前市面多种不同类型手机，主要以Android和IOS操作系统的多款热门手机，其中包括华为、小米手机mate10、mate 20、小米8；苹果手机iPhone 7、iPhone 8、iPhone X和mac book pro 13.3等设备，对步骤（1）收集的SKU图片采集1000张的图像库。
（3）根据步骤（2）建立的SKU图形数据增广库，增广方式以图像随机扰动、图像翻转、图片Mixup等方式，增广数据至3000张训练图片，额外准备800张测试集图片。
其中，
及
为两组输入图像数据的像素维度值，
为增广图像数据的像素维度值，
及
为输入图像数据的one-hot编码，
为增广图像数据的one-hot编码，
为图像融合比例控制因子。（4）SKU目标检测模型建模采用的是Cascade_Rcnn算法，加载以coco数据集训练好的ResNeXt101模型参数，训练epoch设置为60，初始学习率为0.002，隔16个epoch学习率下降10%的训练策略。
通过建立收集的特定陈列图片样本作为训练集，用于训练SKU目标检测模型，其识别效果准确率能达到99%，优于工作人员传统作业准确率，同时保证SKU检测速度提高仓储物料分拣核查工作效率。
第二方面。
请参阅图5-6，本发明一实施例提供一种基于目标检测的仓储稽核系统，包括：
图像数据获取模块10，用于获取待分拣物品的图像数据，并存储于图像数据库。
增广训练模块20，用于将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库。
在某一具体实施例中，所述增广训练包括：同类增广及混类增广；其中，所述同类增广包括：图像翻转、图像旋转、图像缩放、图像移位、图像模糊；所述混类增广包括：图像Mixup。
在另一具体实施例中，所述将所述图像数据进行增广训练得到增广图像数据，通过以下公式进行计算：
其中，
及
为两组输入图像数据的像素维度值，
为增广图像数据的像素维度值，
及
为输入图像数据的one-hot编码，
为增广图像数据的one-hot编码，
为图像融合比例控制因子。模型训练模块30，用于通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标按检测模型进行测试，使得模型准确率高于99%。
在某一具体实施例中，所述设置训练参数包括：
设置训练epoch为60，设置初始学习率为0.002，设置隔16个epoch学习率下降10%的训练策略。
目标识别模块40，用于通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核。
在某一具体实施方式中，还包括：模型存储模块50，用于上传所述目标物品检测模型至云服务器，以提供检测算法服务接口给终端设备调用。
进一步地，所述模型训练模块还用于：
设置训练epoch为60，设置初始学习率为0.002，设置隔16个epoch学习率下降10%的训练策略。
第三方面。
本发明提供了一种电子设备，该电子设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请的第一方面所示的一种基于元数据辅助治理的时空大数据的质量检查的方法对应的操作。
在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，电子设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的一种基于元数据辅助治理的时空大数据的质量检查的化方法
本申请的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
Claims (8)
1.一种基于目标检测的仓储稽核方法，其特征在于，包括：
获取待分拣物品的图像数据，并存储于图像数据库；
将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库；所述增广训练包括：同类增广及混类增广；其中，所述同类增广包括：图像翻转、图像旋转、图像缩放、图像移位、图像模糊；所述混类增广包括：图像Mixup；
通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标物品检测模型进行测试，使得模型准确率高于99%；
通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核；
其中，所述图像Mixup通过以下公式进行计算：
其中，
及
为两组输入图像数据的像素维度值，
为增广图像数据的像素维度值，
及
为输入图像数据的one-hot编码，
为增广图像数据的one-hot编码，
为图像融合比例控制因子。
2.如权利要求1所述的一种基于目标检测的仓储稽核方法，其特征在于，所述通过目标物品检测模型识别待分拣的目标物品之前，还包括：上传所述目标物品检测模型至云服务器，以提供检测算法服务接口给终端设备调用。
3.如权利要求1所述的一种基于目标检测的仓储稽核方法，其特征在于，所述设置训练参数包括：
设置训练epoch为60，设置初始学习率为0.002，设置隔16个epoch学习率下降10%的训练策略。
4.一种基于目标检测的仓储稽核系统，其特征在于，包括：
图像数据获取模块，用于获取待分拣物品的图像数据，并存储于图像数据库；
增广训练模块，用于将所述图像数据进行增广训练得到增广图像数据，并存储于所述图像数据库；所述增广训练包括：同类增广及混类增广；其中，所述同类增广包括：图像翻转、图像旋转、图像缩放、图像移位、图像模糊；所述混类增广包括：图像Mixup；
模型训练模块，用于通过Cascade_Rcnn算法建立目标物品检测模型，并设置训练参数，通过存储于图像数据库的图像数据及增广图像数据对所述目标物品检测模型进行测试，使得模型准确率高于99%；
目标识别模块，用于通过目标物品检测模型识别待分拣的目标物品，将图像识别结果发送至终端设备，完成目标物品的仓储稽核；
其中，所述图像Mixup通过以下公式进行计算：
其中，
及
为两组输入图像数据的像素维度值，
为增广图像数据的像素维度值，
及
为输入图像数据的one-hot编码，
为增广图像数据的one-hot编码，
为图像融合比例控制因子。
5.如权利要求4所述的一种基于目标检测的仓储稽核系统，其特征在于，还包括：模型存储模块，用于上传所述目标物品检测模型至云服务器，以提供检测算法服务接口给终端设备调用。
6.如权利要求4所述的一种基于目标检测的仓储稽核系统，其特征在于，所述模型训练模块还用于：
设置训练epoch为60，设置初始学习率为0.002，设置隔16个epoch学习率下降10%的训练策略。
7.一种电子装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的基于目标检测的仓储稽核方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的基于目标检测的仓储稽核方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374717.4A CN112183509B (zh) | 2020-12-01 | 2020-12-01 | 一种基于目标检测的仓储稽核方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374717.4A CN112183509B (zh) | 2020-12-01 | 2020-12-01 | 一种基于目标检测的仓储稽核方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183509A CN112183509A (zh) | 2021-01-05 |
| CN112183509B true CN112183509B (zh) | 2021-04-23 |
Family
ID=73918277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011374717.4A Active CN112183509B (zh) | 2020-12-01 | 2020-12-01 | 一种基于目标检测的仓储稽核方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183509B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187488B (zh) * | 2021-12-10 | 2023-11-17 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备、介质 |
| CN116704234A (zh) * | 2023-04-10 | 2023-09-05 | 广州市玄武无线科技股份有限公司 | 一种陈列场景类型的检测方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229665A (zh) * | 2018-02-02 | 2018-06-29 | 上海建桥学院 | 一种以深度卷积神经网络为基础的零件分拣系统 |
| CN110202583A (zh) * | 2019-07-09 | 2019-09-06 | 华南理工大学 | 一种基于深度学习的仿人机械手控制系统及其控制方法 |
| CN111401375A (zh) * | 2020-03-09 | 2020-07-10 | 苏宁云计算有限公司 | 文本识别模型训练方法、文本识别方法、装置及设备 |
| CN111695466A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 一种基于特征mixup的半监督极化SAR地物分类方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10867444B2 (en) * | 2018-11-29 | 2020-12-15 | Adobe Inc. | Synthetic data generation for training a machine learning model for dynamic object compositing in scenes |
| CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
| CN111161260A (zh) * | 2020-01-02 | 2020-05-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 |
-
2020
- 2020-12-01 CN CN202011374717.4A patent/CN112183509B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229665A (zh) * | 2018-02-02 | 2018-06-29 | 上海建桥学院 | 一种以深度卷积神经网络为基础的零件分拣系统 |
| CN110202583A (zh) * | 2019-07-09 | 2019-09-06 | 华南理工大学 | 一种基于深度学习的仿人机械手控制系统及其控制方法 |
| CN111401375A (zh) * | 2020-03-09 | 2020-07-10 | 苏宁云计算有限公司 | 文本识别模型训练方法、文本识别方法、装置及设备 |
| CN111695466A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 一种基于特征mixup的半监督极化SAR地物分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183509A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183509B (zh) | 一种基于目标检测的仓储稽核方法及系统 | |
| CN110119733B (zh) | 书页识别方法及装置、终端设备、计算机可读存储介质 | |
| CN113627411A (zh) | 一种基于超分辨率的商品识别与价格匹配方法及系统 | |
| CN114419289B (zh) | 一种基于Unity的虚拟场景货架陈列方法及系统 | |
| WO2022134881A1 (en) | Data processing method, data processing apparatus, computer device, and non-transitory storage medium | |
| US11385878B2 (en) | Model deployment method, model deployment device and terminal equipment | |
| CN112149583A (zh) | 烟雾检测方法、终端设备及存储介质 | |
| CN115170932A (zh) | 门店终端识别方法、装置、系统及计算机可读存储介质 | |
| CN111666816A (zh) | 物流件状态的检测方法、装置以及设备 | |
| CN113052838B (zh) | 置物检测方法、装置以及智能柜 | |
| CN111428743A (zh) | 商品识别方法、商品处理方法、装置及电子设备 | |
| Martinel et al. | Robust painting recognition and registration for mobile augmented reality | |
| CN111583211A (zh) | 缺陷检测方法、装置及电子设备 | |
| CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
| CN115484266A (zh) | 一种基于负载均衡的数据分发处理方法、系统及云平台 | |
| CN113780269A (zh) | 图像识别方法、装置、计算机系统及可读存储介质 | |
| CN114782579A (zh) | 一种图像渲染方法及装置、存储介质 | |
| Piao et al. | Improving performance on object recognition for real-time on mobile devices | |
| CN109451018B (zh) | 信息对象的推送方法、计算设备及计算机存储介质 | |
| CN111639846A (zh) | 需求的处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111768563A (zh) | 物品存放方法、装置、计算机可读存储介质及电子设备 | |
| CN112927221B (zh) | 一种基于图像细粒度特征翻拍检测方法及系统 | |
| Sörös | GPU-accelerated joint 1D and 2D barcode localization on smartphones | |
| Mukhanov et al. | Pattern recognition with using effective algorithms and methods of computer vision library | |
| CN115953635B (zh) | 一种多类别目标物的分拣方法、ar眼镜和系统 |
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 | ||
| CP02 | Change in the address of a patent holder |
Address after: 510000 room 23bd, No. 109, TIYU West Road, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU XUANWU WIRELESS TECHNOLOGY Co.,Ltd. Address before: 32B, no.103b, TianLiHe Road, Guangzhou, 510000 Patentee before: GUANGZHOU XUANWU WIRELESS TECHNOLOGY Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder |