CN112801050A - 行李智能跟踪监测方法和系统 - Google Patents
行李智能跟踪监测方法和系统 Download PDFInfo
- Publication number
- CN112801050A CN112801050A CN202110331795.4A CN202110331795A CN112801050A CN 112801050 A CN112801050 A CN 112801050A CN 202110331795 A CN202110331795 A CN 202110331795A CN 112801050 A CN112801050 A CN 112801050A
- Authority
- CN
- China
- Prior art keywords
- luggage
- data
- monitoring
- baggage
- tracking
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及行李跟踪监测技术领域,公开了一种行李智能跟踪监测方法和系统,所述方法包括:构建基础数据库,基础数据库包括多组行李数据,行李数据包括唯一识别编号、条码号、安检信息、图像数据和三维模型;构建跟踪数据库,跟踪数据库包括多组监测数据,监测数据包括视频序列图像和行李状态;将相对应的监测数据和行李数据进行关联。本发明可以将行李在各阶段的数据关联起来,形成一条完整的行李数据流,以对行李全流程跟踪监测的实施提供保障。
Description
技术领域
本发明涉及行李跟踪监测技术领域,具体是指一种行李智能跟踪监测方法和系统。
背景技术
目前常用的民航行李处理系统在托运口由工作人员录入行李条码信息、旅客信息等,但在环线运输过程中,大多只对行李进行单点检测跟踪,且该信息无法和实现记录的行李数据对应起来。一旦出现行李异常,比如行李分拣错误、卡包、丢包等,需要耗费人力成本、时间成本进行问题排查,缺少对行李运输系统中全流程数据的智慧化管理。
发明内容
基于以上技术问题,本发明提供了一种智能跟踪监测方法和系统,在实际应用中,可以将行李在各阶段的数据关联起来,形成一条完整的行李数据流,以对行李全流程跟踪监测的实施提供保障。
为解决以上技术问题,本发明采用的技术方案如下:
一种行李智能跟踪监测方法,包括:
构建基础数据库,基础数据库包括多组行李数据,行李数据包括唯一识别编号、条码号、安检信息、图像数据和三维模型;
构建跟踪数据库,跟踪数据库包括多组监测数据,监测数据包括视频序列图像和行李状态;
将相对应的监测数据和行李数据进行关联。
作为一种优选的方式,将相对应的监测数据和行李数据进行关联包括:
对基础数据库进行初步筛选获取行李数据的初选集合;
提取视频序列图像上的行李图像;
将行李图像和初选集合中的图像数据输入深度学习网络识别模型进行匹配识别;
若匹配成功,则将与图像数据同组的唯一识别编号存入监测数据中。
作为一种优选的方式,对基础数据库进行初步筛选获取行李数据的初选集合包括:
提取视频序列图像上的行李三维图像;
将行李三维图像和三维模型的外形尺寸进行比对;
基于比对结果获取与行李三维图像相似的三维模型集合;
基于三维模型集合获得行李数据的初选集合。
作为一种优选的方式,获取行李状态的方法包括:
获取视频序列图像上的行李数量和行李位置;
若行李数量大于一,则基于行李位置获取行李之间的位置差;
判断位置差是否大于预设阈值,是则行李状态为正常状态,否则行李状态为异常状态。
作为一种优选的方式,获取行李状态的方法还包括:
若行李数量等于一,则行李状态为正常状态。
作为一种优选的方式,异常状态包括:
当位置差在零和预设阈值范围之间时,异常状态为连包状态;
当位置差小于零时,异常状态为叠包状态。
作为一种优选的方式,获取视频序列图像上的行李数量和行李位置包括:
获取视频序列图像的RGBD深度图像数据;
利用3D感知分析算法解析RGBD深度图像数据获得行李数量和行李位置。
作为一种优选的方式,监测数据还包括跟踪节点编号和监测时间。
同时,本发明还公开了一种行李智能跟踪监测系统,包括:
基础数据采集系统,用于构建基础数据库;基础数据库包括多组行李数据,行李数据包括唯一识别编号、条码号、安检信息、图像数据和三维模型;
监测数据采集系统,用于构建跟踪数据库;跟踪数据库包括多组监测数据,监测数据包括视频序列图像和行李状态;
数据管理系统,用于将相对应的监测数据和行李数据进行关联,数据管理系统与基础数据采集系统和监测数据采集系统通信连接。
作为一种优选的方式,基础数据采集系统包括光眼传感器、读码设备、安检设备和视觉信息采集节点,光眼传感器位于行李入口端;
监测数据采集系统包括多个布设在输送环线上的跟踪监测采集节点。
与现有技术相比,本发明的有益效果是:
1、本发明提出在行李运输流程中对行李多维度基础数据、跟踪监测数据等进行关联,实现建立完整的行李运输数据流,以对行李全流程跟踪监测的实施提供保障;
2、本发明提出在跟踪监测采集节点对行李数据进行关联,实现行李状态信息的及时更新,便于其他控制系统及时响应;
3、本发明提出以关联后的行李运输数据建立行李智能跟踪监测系统,实现用户对行李运输全流程的监管、回溯查询,为行李运输全流程管控提供了保障;
4、本发明提出以关联后的行李运输数据建立行李智能跟踪监测系统,实现行李历史数据收集,为大数据分析提供数据基础,具有较大的研究意义。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述,其中:
图1为行李智能跟踪监测系统示意图。
图2为行李数据和监测数据的关联方法流程示意图。
图3为获取行李状态方法流程示意图。
图4为行李跟踪监测系统各设备在输送环线上的布设示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例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公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1和图4为一些实施例中所述行李智能跟踪监测方法的应用环境示意图,参阅图1,该应用环境涉及基础数据采集系统、监测数据采集系统和数据管理系统,数据管理系统与基础数据采集系统和监测数据采集系统通信连接。此外,对于数据管理系统而言,除配备数对据储存分析的服务器之外,一般还会配备用户终端方便操作人员对数据进行查询、修改等操作。其中,用户终端包括台式终端和移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一个。服务器可以用独立的服务器或者由多个服务器组成的服务器集群来实现。
参阅图4,具体的,对于基础数据采集系统基本由光眼传感器、读码设备、安检设备和视觉信息采集节点构成。
参阅图4,具体的,数据管理系统基本由多个布设在输送环线上的跟踪监测采集节点构成。
在一些实施例中,一种行李智能跟踪监测方法包括:
构建基础数据库,基础数据库包括多组行李数据,行李数据包括唯一识别编号、条码号、安检信息、图像数据和三维模型;
构建跟踪数据库,跟踪数据库包括多组监测数据,监测数据包括视频序列图像和行李状态;
将相对应的监测数据和行李数据进行关联。
其中,唯一识别编号通过光眼传感器进行分配,将光眼传感器安装在行李入口端,当行李从光眼传感器前经过时,光眼传感器为行李分配唯一识别编号,用于作为监测行李的索引。
后续行李经过读码设备、安检设备和视觉信息采集节点分别获得条码号、安检信息和图像数据和三维模型存入行李数据中,由此获得一组行李数据。
其中,视觉信息采集节点包括至少三台深度相机和边缘计算板,三维扫描设备对行李箱进行三维建模。多相机从不同视角对行李进行视觉测量,每个相机都只能获得行李一部分几何信息。因此,为了获得被测物体的完整三维信息,就需要将不同视角即不同参考坐标下的两组或者多组点云变换到同一坐标系下。根据设备标定结果,可以直接将多视角点云变换到统一坐标系中,但此时得到的点云在空间中杂乱分布,物体的表面不明显。
对点云配准后的结果进行数据融合,能提高图像三维模型重建的精度。将经点云配准后的数据空间划分为若干细小矩形,称其为体素。将体素附加上有效距离场(SDF),有效距离场的值为体素到模型表面的最短距离,有效距离场值越接近零,证明体素与重建的图像三维模型表面的距离越接近,若该距离大于零,证明体素位于重建模型表面的前方,反之,位于重建模型的后方。采用TSDF(Truncated Signed Distance Field ,阶段符合距离场)算法,存储距真实表面较近的数层体素,以降低内存消耗和冗余点,增大三维模型的重建范围。TSDF 算法用立体网格表示物体的三维空间,其公式为:
其中,D表示体素的融合TSDF值, d表示体素当前帧的TSDF值,W表示融合权重值,w表示当前帧权重值,(x, y, z)表示体素在全局坐标系下的坐标,i表示当前帧,i-1表示上一帧。
通过上述公式便可将新的帧融合进融合帧内,在TSDG算法中,如果当前帧是第一帧,则第一帧即是融合结果,否则需要当前帧与之前的融合结果再进行融合。
对数据实施融合操作。TSDF算法通过最小二乘法对三维模型进行优化,扩大了三维模型的重建范围,点云融合过程中也采用了权重,对点云数据的降噪性能较强。
图像三维模型重建中表面生成的目的是建立物体的可视等值面,对原始灰度数据的处理采用体素级重建算法。体素级重建算法即移动立方体法,将处于点云数据中心的8个数据置于立方体的8个顶点上,对处于同一条棱上的两个数据点,若存在一个数据大于给定常数T,另一个数据小于给定常数T,说明该立方体上的这条棱上一定存在等值面的一个点,计算立方体上12条棱与等值面的交点,对三角面进行构建。将该立方体构建的所有三角面相连构成等值面,合并立方体的所有等值面得到完整的三维表面。表面重构是对图像进行处理操作后将得到图像进行配准操作的过程,能够得到完整的、将不同视角图像融合在一起的点云模型。使用三角面构建物体三维模型的方法称为三角网格,在对图像三维模型进行重建时,对复杂物体表面模型重建的效果良好,且属性简单,物体表面易于渲染。
优选的,监测数据还包括跟踪节点编号和监测时间。跟踪节点编号和监测时间可以提供更加全面的跟踪监测信息,其中,跟踪节点编号是根据监测数据采集系统中的跟踪监测采集节点的位置确定的,通过跟踪节点编号便可快速确定监测位置。通过以上信息,方便在后续行李发生异常时,快速对其异常位置、异常时间区间进行定位。
参阅图2,在一些实施例中,将相对应的监测数据和行李数据进行关联包括:
对基础数据库进行初步筛选获取行李数据的初选集合;
提取视频序列图像上的行李图像;
将行李图像和初选集合中的图像数据输入深度学习网络识别模型进行匹配识别;
若匹配成功,则将与图像数据同组的唯一识别编号存入监测数据中。
在本实施例中,利用行李图像的图像特征进行初筛选后目标的识别,具体采用深度学习网络识别模型,对行李图像和图像数据进行目标重识别。通过收集大量在传送带上的行李图片,训练适应于当前场景的EfficientNets模型,根据初筛选后的候选图像数据更新待查询特征库,输入当前行李图像,然后计算待查询特征库中各候选图像数据特征和当前行李图像特征的相似度,满足设定阈值便认为识别到该目标图像数据。
识别到与行李图像匹配的图像数据后,将与图像数据同组的行李数据中的唯一识别编号存入监测数据中,便将行李数据和监测数据通过唯一识别编号关联在一起。
采用深度学习网络识别模型对行李图像和图像数据进行识别匹配的优势在于,在行李输送过程中,行李并不是会保持一个稳定状态,在分拣等过程中,行李位置、摆放均可能发生变动。如果采用现有的标签跟踪的方式,第一标签可能会遮挡、脱落,识别率不高,不能很好的起到跟踪监测的效果,第二标签仅能提供行李经过跟踪监测节点的信息,不能提供更全面的跟踪监测数据,比如此刻行李所呈状态等,不利于行李异常状态的排除。
优选的,对基础数据库进行初步筛选获取行李数据的初选集合包括:
提取视频序列图像上的行李三维图像;
将行李三维图像和三维模型的外形尺寸进行比对;
基于比对结果获取与行李三维图像相似的三维模型集合;
基于三维模型集合获得行李数据的初选集合。
由于不同行李之间其外形尺寸可能存在较大差异,比如行李箱与背包在外形方面存在较大差异,比如20寸行李箱和24寸行李箱在尺寸方面存在较大差异。为此,利用外形尺寸特征可对基础数据库中的行李数据进行快速筛选,将与视频序列图像上的行李三维图像相似的三维模型汇总,从而利用三维模型获取符合初步筛选的行李数据集合。
以此缩小视频序列图像上行李与行李数据的匹配识别范围,提高匹配识别速度。
参阅图3,在一些实施例中,获取行李状态的方法包括:
获取视频序列图像上的行李数量和行李位置;
若行李数量大于一,则基于行李位置获取行李之间的位置差;
判断位置差是否大于预设阈值,是则行李状态为正常状态,否则行李状态为异常状态。
优选的,获取行李状态的方法还包括:若行李数量等于一,则行李状态为正常状态。
优选的,异常状态包括:当位置差在零和预设阈值范围之间时,异常状态为连包状态;当位置差小于零时,异常状态为叠包状态。
在本实施例中,当相邻行李之间的位置差距离小于预设阈值时,自动分拣系统会将离得较近的行李认为是一件行李,分拣到同一条分拣线上,如果两个行李属于不同的航班,则会造成误分拣,导致乘客无法及时取回行李。
行李状态跟踪监测通过对连包状态、叠包状态这些异常状态的监测,实时上报行李状态至跟踪数据库,该跟踪数据库信息会和行李运输系统的其他控制系统共享,或进行异常报警通知其他控制系统,将该组相邻行李推到人工分拣线(采用人工干预的方式完成对呈异常状态的行李的分拣,避免出现异常状态导致的分拣错误)。
具体的,预设阈值代表的是安全分拣距离,在实际分拣过程中,预设阈值参数一般为20cm。
优选的,获取视频序列图像上的行李数量和行李位置包括:
获取视频序列图像的RGBD深度图像数据;
利用3D感知分析算法解析RGBD深度图像数据获得行李数量和行李位置。
在本实施例中,整个行李状态的获取流程是,在视频序列图像中,分为三种情形,无行李,有一个行李或多个行李。其中,若只有一个行李,不会出现异常状态,行李的行李状态只会是正常状态。在多个行李的情形中,行李状态由行李位置差决定。若位置差大于预设值,行李状态变为正常状态,否则行李状态为异常状态。
其中,为了完成上述行李状态判断,我们首先需要获取传送机构上的行李信息,包括行李的数量和位置。此处,我们采用3D感知分析算法,3D感知技术是机器视觉的重要核心,其在人机交互、环境识别、自动驾驶、机器人导航、无人机控制等领域有着广泛应用。由此,我们可以利用3D感知分析算法对传送机构上的行李进行识别。
参阅图1,本发明还公开了一种行李智能跟踪监测系统,包括:
基础数据采集系统,用于构建基础数据库;基础数据库包括多组行李数据,行李数据包括唯一识别编号、条码号、安检信息、图像数据和三维模型;
监测数据采集系统,用于构建跟踪数据库;跟踪数据库包括多组监测数据,监测数据包括视频序列图像和行李状态;
数据管理系统,用于将相对应的监测数据和行李数据进行关联,数据管理系统与基础数据采集系统和监测数据采集系统通信连接。
在本实施例中,提出对民航行李在运输过程中的多维度数据进行关联,使用行李数据管理系统对数据进行管理,该行李信息管理系统支持行李信息查询,如支持以行李条码信息,查询行李的安检信息,以及行李在运输过程中各个跟踪监测节点的状态、视频序列等,便于工作人员对行李进行回溯稽查等操作。
参阅图4,在一些实施例中,基础数据采集系统包括光眼传感器、读码设备、安检设备和视觉信息采集节点,光眼传感器位于行李入口端;
监测数据采集系统包括多个布设在输送环线上的跟踪监测采集节点。
具体的,视觉信息采集节点包括至少三台深度相机和边缘计算板;跟踪监测采集节点包括一台深度相机和边缘计算板。
具体的,读码设备为RFID读码设备或OCR读码设备。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明的验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (10)
1.行李智能跟踪监测方法,其特征在于,包括:
构建基础数据库,所述基础数据库包括多组行李数据,所述行李数据包括唯一识别编号、条码号、安检信息、图像数据和三维模型;
构建跟踪数据库,所述跟踪数据库包括多组监测数据,所述监测数据包括视频序列图像和行李状态;
将相对应的监测数据和行李数据进行关联。
2.根据权利要求1所述的行李智能跟踪监测方法,其特征在于,将相对应的监测数据和行李数据进行关联包括:
对所述基础数据库进行初步筛选获取行李数据的初选集合;
提取所述视频序列图像上的行李图像;
将所述行李图像和初选集合中的图像数据输入深度学习网络识别模型进行匹配识别;
若匹配成功,则将与图像数据同组的唯一识别编号存入所述监测数据中。
3.根据权利要求2所述的行李智能跟踪监测方法,其特征在于,对所述基础数据库进行初步筛选获取行李数据的初选集合包括:
提取所述视频序列图像上的行李三维图像;
将所述行李三维图像和所述三维模型的外形尺寸进行比对;
基于比对结果获取与所述行李三维图像相似的三维模型集合;
基于所述三维模型集合获得行李数据的初选集合。
4.根据权利要求1所述的行李智能跟踪监测方法,其特征在于,获取所述行李状态的方法包括:
获取所述视频序列图像上的行李数量和行李位置;
若所述行李数量大于一,则基于所述行李位置获取行李之间的位置差;
判断所述位置差是否大于预设阈值,是则所述行李状态为正常状态,否则所述行李状态为异常状态。
5.根据权利要求4所述的行李智能跟踪监测方法,其特征在于,获取所述行李状态的方法还包括:
若所述行李数量等于一,则所述行李状态为正常状态。
6.根据权利要求4所述的行李智能跟踪监测方法,其特征在于,所述异常状态包括:
当所述位置差在零和预设阈值范围之间时,所述异常状态为连包状态;
当所述位置差小于零时,所述异常状态为叠包状态。
7.根据权利要求4所述的行李智能跟踪监测方法,其特征在于,获取所述视频序列图像上的行李数量和行李位置包括:
获取所述视频序列图像的RGBD深度图像数据;
利用3D感知分析算法解析所述RGBD深度图像数据获得所述行李数量和行李位置。
8.根据权利要求1所述的行李智能跟踪监测方法,其特征在于:
所述监测数据还包括跟踪节点编号和监测时间。
9.行李智能跟踪监测系统,其特征在于,包括:
基础数据采集系统,用于构建基础数据库;所述基础数据库包括多组行李数据,所述行李数据包括唯一识别编号、条码号、安检信息、图像数据和三维模型;
监测数据采集系统,用于构建跟踪数据库;所述跟踪数据库包括多组监测数据,所述监测数据包括视频序列图像和行李状态;
数据管理系统,用于将相对应的监测数据和行李数据进行关联,所述数据管理系统与所述基础数据采集系统和监测数据采集系统通信连接。
10.根据权利要求9所述的行李智能跟踪监测系统,其特征在于:
所述基础数据采集系统包括光眼传感器、读码设备、安检设备和视觉信息采集节点,所述光眼传感器位于行李入口端;
所述监测数据采集系统包括多个布设在输送环线上的跟踪监测采集节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110331795.4A CN112801050B (zh) | 2021-03-29 | 2021-03-29 | 行李智能跟踪监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110331795.4A CN112801050B (zh) | 2021-03-29 | 2021-03-29 | 行李智能跟踪监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801050A true CN112801050A (zh) | 2021-05-14 |
CN112801050B CN112801050B (zh) | 2021-07-13 |
Family
ID=75815914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110331795.4A Active CN112801050B (zh) | 2021-03-29 | 2021-03-29 | 行李智能跟踪监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801050B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205065A (zh) * | 2021-05-19 | 2021-08-03 | 超节点创新科技(深圳)有限公司 | 行李箱识别方法、电子设备和存储介质 |
CN113361341A (zh) * | 2021-05-20 | 2021-09-07 | 超节点创新科技(深圳)有限公司 | 行李再识别方法、装置、设备及可读存储介质 |
CN113537888A (zh) * | 2021-07-15 | 2021-10-22 | 超节点创新科技(深圳)有限公司 | 多任务协同的行李智能跟踪监测系统、方法及相关设备 |
CN114239623A (zh) * | 2021-12-16 | 2022-03-25 | 华清科盛(北京)信息技术有限公司 | 一种基于机场托运的装车行李条码粘贴纸的扫描方法 |
CN115112508A (zh) * | 2022-08-29 | 2022-09-27 | 民航成都物流技术有限公司 | 民航机场托运行李软硬包识别装置和方法 |
CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
CN115965797A (zh) * | 2022-12-27 | 2023-04-14 | 北京国电光宇机电设备有限公司 | 一种智能装配零部件自动识别方法及系统 |
CN116150446A (zh) * | 2023-04-14 | 2023-05-23 | 泉州装备制造研究所 | 一种旅客行李搜索方法及系统 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324054A (zh) * | 2011-09-01 | 2012-01-18 | 北京日月天地科技有限公司 | 一种基于rfid的机场应用方法及系统 |
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN103817086A (zh) * | 2014-03-18 | 2014-05-28 | 威海北洋电气集团股份有限公司 | 行李分拣用径控通道装置及行李分拣方法 |
CN104865924A (zh) * | 2015-03-23 | 2015-08-26 | 中国民航大学 | 一种飞机行李传送车智能管理系统 |
CN105107755A (zh) * | 2015-09-07 | 2015-12-02 | 中国民航机场建设集团公司 | 机场问题托运行李开包方法 |
CN106345701A (zh) * | 2016-08-27 | 2017-01-25 | 民航成都物流技术有限公司 | 一种机场行李跟踪方法 |
CN106447143A (zh) * | 2015-08-06 | 2017-02-22 | 宁波福玛特金属制品实业有限公司 | 智能物证管理系统 |
US20180014616A1 (en) * | 2016-07-13 | 2018-01-18 | Soma Sekhar Vedantam | System and method for tracking baggage |
CN107599971A (zh) * | 2017-09-04 | 2018-01-19 | 驭势(上海)汽车科技有限公司 | 针对性下车提醒方法及装置 |
CN107742138A (zh) * | 2017-10-13 | 2018-02-27 | 李志毅 | 一种基于rfid的行李全流程跟踪系统及方法 |
CN108985126A (zh) * | 2018-08-03 | 2018-12-11 | 四川索思科技有限公司 | 智能行李识别系统 |
CN109034322A (zh) * | 2018-10-18 | 2018-12-18 | 昆明昆船逻根机场物流系统有限公司 | 一种行李远程视觉补码系统及方法 |
CN109064084A (zh) * | 2018-07-02 | 2018-12-21 | 北斗航天卫星应用科技集团有限公司 | 基于物联网的行李管控方法和系统 |
KR20190036425A (ko) * | 2017-09-27 | 2019-04-04 | 주식회사 포스코아이씨티 | 패트롤 트레이를 이용한 수하물 처리 시스템 및 방법 |
WO2019090240A1 (en) * | 2017-11-03 | 2019-05-09 | Pap Investments, Ltd. | Dual frequency nfc/rfid card for self service baggage check and method |
CN110599093A (zh) * | 2019-09-09 | 2019-12-20 | 覃文明 | 机场行李全流程追踪方法及系统 |
CN110738691A (zh) * | 2018-07-19 | 2020-01-31 | 大连因特视智能传感科技有限公司 | 基于在线智能视觉网络的行李跟踪系统 |
CN110781989A (zh) * | 2019-11-29 | 2020-02-11 | 昆明昆船逻根机场物流系统有限公司 | 一种离港转盘行李拣取虚拟工位分配的系统和方法 |
CN110866944A (zh) * | 2019-12-06 | 2020-03-06 | 民航成都物流技术有限公司 | 托运行李测量识别方法及系统 |
CN111739056A (zh) * | 2020-06-23 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 一种轨迹追踪系统 |
CN112182270A (zh) * | 2019-07-03 | 2021-01-05 | 北京中兴宇泰科技有限公司 | 行李图像和旅客信息的匹配系统和匹配方法 |
CN112541453A (zh) * | 2020-12-18 | 2021-03-23 | 广州丰石科技有限公司 | 一种行李重识别模型训练及行李重识别方法 |
CN112541717A (zh) * | 2019-09-20 | 2021-03-23 | 青岛海尔洗衣机有限公司 | 一种行李箱的追踪系统及方法 |
-
2021
- 2021-03-29 CN CN202110331795.4A patent/CN112801050B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324054A (zh) * | 2011-09-01 | 2012-01-18 | 北京日月天地科技有限公司 | 一种基于rfid的机场应用方法及系统 |
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN103817086A (zh) * | 2014-03-18 | 2014-05-28 | 威海北洋电气集团股份有限公司 | 行李分拣用径控通道装置及行李分拣方法 |
CN104865924A (zh) * | 2015-03-23 | 2015-08-26 | 中国民航大学 | 一种飞机行李传送车智能管理系统 |
CN106447143A (zh) * | 2015-08-06 | 2017-02-22 | 宁波福玛特金属制品实业有限公司 | 智能物证管理系统 |
CN105107755A (zh) * | 2015-09-07 | 2015-12-02 | 中国民航机场建设集团公司 | 机场问题托运行李开包方法 |
US20180014616A1 (en) * | 2016-07-13 | 2018-01-18 | Soma Sekhar Vedantam | System and method for tracking baggage |
CN106345701A (zh) * | 2016-08-27 | 2017-01-25 | 民航成都物流技术有限公司 | 一种机场行李跟踪方法 |
CN107599971A (zh) * | 2017-09-04 | 2018-01-19 | 驭势(上海)汽车科技有限公司 | 针对性下车提醒方法及装置 |
KR20190036425A (ko) * | 2017-09-27 | 2019-04-04 | 주식회사 포스코아이씨티 | 패트롤 트레이를 이용한 수하물 처리 시스템 및 방법 |
CN107742138A (zh) * | 2017-10-13 | 2018-02-27 | 李志毅 | 一种基于rfid的行李全流程跟踪系统及方法 |
WO2019090240A1 (en) * | 2017-11-03 | 2019-05-09 | Pap Investments, Ltd. | Dual frequency nfc/rfid card for self service baggage check and method |
CN109064084A (zh) * | 2018-07-02 | 2018-12-21 | 北斗航天卫星应用科技集团有限公司 | 基于物联网的行李管控方法和系统 |
CN110738691A (zh) * | 2018-07-19 | 2020-01-31 | 大连因特视智能传感科技有限公司 | 基于在线智能视觉网络的行李跟踪系统 |
CN108985126A (zh) * | 2018-08-03 | 2018-12-11 | 四川索思科技有限公司 | 智能行李识别系统 |
CN109034322A (zh) * | 2018-10-18 | 2018-12-18 | 昆明昆船逻根机场物流系统有限公司 | 一种行李远程视觉补码系统及方法 |
CN112182270A (zh) * | 2019-07-03 | 2021-01-05 | 北京中兴宇泰科技有限公司 | 行李图像和旅客信息的匹配系统和匹配方法 |
CN110599093A (zh) * | 2019-09-09 | 2019-12-20 | 覃文明 | 机场行李全流程追踪方法及系统 |
CN112541717A (zh) * | 2019-09-20 | 2021-03-23 | 青岛海尔洗衣机有限公司 | 一种行李箱的追踪系统及方法 |
CN110781989A (zh) * | 2019-11-29 | 2020-02-11 | 昆明昆船逻根机场物流系统有限公司 | 一种离港转盘行李拣取虚拟工位分配的系统和方法 |
CN110866944A (zh) * | 2019-12-06 | 2020-03-06 | 民航成都物流技术有限公司 | 托运行李测量识别方法及系统 |
CN111739056A (zh) * | 2020-06-23 | 2020-10-02 | 杭州海康威视数字技术股份有限公司 | 一种轨迹追踪系统 |
CN112541453A (zh) * | 2020-12-18 | 2021-03-23 | 广州丰石科技有限公司 | 一种行李重识别模型训练及行李重识别方法 |
Non-Patent Citations (7)
Title |
---|
GE VASTIANOS等: ""An RFID-based luggage and passenger tracking system for airport security control applications"", 《THE INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING》 * |
YU Q等: ""The Design and Implement of the System of the Airport Luggage"s Automatic Matching by Using the RFID Technology"", 《APPLIED MECHANICS & MATERIALS》 * |
厉小润等: ""基于双目视觉的智能跟踪行李车的设计"", 《控制工程》 * |
周琪等: ""人工智能机场行李自助托运研究"", 《中国新技术新产品》 * |
姜文涛等: ""基于视觉目标跟踪的行李托运系统设计与实现"", 《辽宁工程技术大学学报(自然科学版)》 * |
李静等: ""基于人工智能的行李自助托运设备在民用机场的运用探讨"", 《中国设备工程》 * |
黄莹等: ""基于尺度不变特征变换的安检行李图像运动行为模型浅见"", 《中国安防》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205065A (zh) * | 2021-05-19 | 2021-08-03 | 超节点创新科技(深圳)有限公司 | 行李箱识别方法、电子设备和存储介质 |
CN113361341A (zh) * | 2021-05-20 | 2021-09-07 | 超节点创新科技(深圳)有限公司 | 行李再识别方法、装置、设备及可读存储介质 |
CN113537888A (zh) * | 2021-07-15 | 2021-10-22 | 超节点创新科技(深圳)有限公司 | 多任务协同的行李智能跟踪监测系统、方法及相关设备 |
CN114239623A (zh) * | 2021-12-16 | 2022-03-25 | 华清科盛(北京)信息技术有限公司 | 一种基于机场托运的装车行李条码粘贴纸的扫描方法 |
CN114239623B (zh) * | 2021-12-16 | 2023-06-23 | 华清科盛(北京)信息技术有限公司 | 一种基于机场托运的装车行李条码粘贴纸的扫描方法 |
CN115112508A (zh) * | 2022-08-29 | 2022-09-27 | 民航成都物流技术有限公司 | 民航机场托运行李软硬包识别装置和方法 |
CN115112508B (zh) * | 2022-08-29 | 2023-01-24 | 民航成都物流技术有限公司 | 民航机场托运行李软硬包识别装置和方法 |
CN115965797A (zh) * | 2022-12-27 | 2023-04-14 | 北京国电光宇机电设备有限公司 | 一种智能装配零部件自动识别方法及系统 |
CN115965797B (zh) * | 2022-12-27 | 2023-12-08 | 北京国电光宇机电设备有限公司 | 一种智能装配零部件自动识别方法及系统 |
CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
CN115953418B (zh) * | 2023-02-01 | 2023-11-07 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
CN116150446A (zh) * | 2023-04-14 | 2023-05-23 | 泉州装备制造研究所 | 一种旅客行李搜索方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112801050B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801050B (zh) | 行李智能跟踪监测方法和系统 | |
Golparvar-Fard et al. | Monitoring changes of 3D building elements from unordered photo collections | |
CN114667540A (zh) | 物品识别及追踪系统 | |
CN105005760B (zh) | 一种基于有限混合模型的行人再识别方法 | |
CN103003814A (zh) | 使用大型数据库进行对象识别的系统及方法 | |
Liu et al. | Indexing visual features: Real-time loop closure detection using a tree structure | |
CN111553355B (zh) | 基于监控视频的出店经营检测及通知管理店主的方法 | |
Cheng et al. | Road mapping and localization using sparse semantic visual features | |
CN115115825A (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
CN117274510B (zh) | 一种基于三维建模和结构尺寸测量的车体故障检测方法 | |
CN108629315B (zh) | 一种针对三维点云的多平面识别方法 | |
CN112256809A (zh) | 一种数据处理方法和装置 | |
CN110580299B (zh) | 生成对象的推荐语的配图的方法、系统、设备及存储介质 | |
CN107193965B (zh) | 一种基于BoVW算法的快速室内定位方法 | |
Xu et al. | Classification of photogrammetric point clouds of scaffolds for construction site monitoring using subspace clustering and PCA | |
CN115018910A (zh) | 点云数据中目标的检测方法、装置和计算机可读存储介质 | |
CN113158816A (zh) | 面向室外场景物体的视觉里程计二次曲面路标构建方法 | |
CN117635888B (zh) | 一种数据处理方法及相关装置 | |
Baumann et al. | Classification of 3D structures based on an object detection for facade elements in multiple views during the reconstruction process | |
Lu et al. | Slicing-tracking-detection: Simultaneous multi-cylinder detection from large-scale and complex point clouds | |
CN113160414B (zh) | 货物余量自动识别方法、装置、电子设备以及计算机可读介质 | |
Adan et al. | Reconstruction of as-is semantic 3d models of unorganised storehouses | |
Camps | Towards a robust physics-based object recognition system | |
Matsubara et al. | Change Detection for Constantly Maintaining Up-to-date Metaverse Maps | |
You et al. | Improved Boundary Identification of Stacked Objects with Sparse LiDAR Augmentation Scanning |
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 |