CN112991423A - 物流包裹的分类方法、装置、设备及存储介质 - Google Patents
物流包裹的分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112991423A CN112991423A CN202110273879.7A CN202110273879A CN112991423A CN 112991423 A CN112991423 A CN 112991423A CN 202110273879 A CN202110273879 A CN 202110273879A CN 112991423 A CN112991423 A CN 112991423A
- Authority
- CN
- China
- Prior art keywords
- parcel
- package
- initial
- classified
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 18
- 230000005484 gravity Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000001953 sensory effect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及物流分拣领域,公开了一种物流包裹的分类方法、装置、设备及存储介质,用于基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。物流包裹的分类方法包括:获取初始包裹图片,初始包裹图片包括待分类包裹和非待分类包裹;基于实感算法对初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,包裹初始参数包括包裹堆放方向和包裹形状;调用迭代最邻近点算法和深度相机的位置信息对包裹初始参数进行处理,生成包裹体积参数;根据包裹体积参数进行包裹的分类,得到分类后的包裹。
Description
技术领域
本发明涉及物流分拣领域,尤其涉及一种物流包裹的分类方法、装置、设备及存储介质。
背景技术
互联网技术的快速发展推动了电子商务的普及和发展,与之紧密相连的便是物流分拣,物流分拣主要指物流配送中心依据顾客的订单要求或配送计划将商品从其储位或其他区位拣取出来,并按一定的方式进行分类、集中的作业过程,物流分拣作为电子商务的重要一环,包裹分类过程中的工作效率和准确度对电子商务的发展起着至关重要的作用。
在现有的技术中,物流包裹的分类过程主要是人工分类或采用图片识别计数,根据包裹面积推算包裹体积进行分类,导致分类成本高且错误率高。
发明内容
本发明提供了一种物流包裹的分类方法、装置、设备及存储介质,用于基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。
本发明第一方面提供了一种物流包裹的分类方法,包括:获取初始包裹图片,所述初始包裹图片包括待分类包裹和非待分类包裹;基于实感算法对所述初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,所述包裹初始参数包括包裹堆放方向和包裹形状;调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数;根据所述包裹体积参数进行包裹的分类,得到分类后的包裹。
可选的,在本发明第一方面的第一种实现方式中,所述基于实感算法对所述初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,所述包裹初始参数包括包裹堆放方向和包裹形状包括:基于实感算法对所述初始包裹图片进行识别和切割,得到切割后的图片,并根据所述切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,所述包裹初始参数包括包裹堆放方向和包裹形状;对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对所述标定板图像进行分析,得到深度相机的位置信息。
可选的,在本发明第一方面的第二种实现方式中,所述基于实感算法对所述初始包裹图片进行识别和切割,得到切割后的图片,并根据所述切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,所述包裹初始参数包括包裹堆放方向和包裹形状;包括:通过深度相机识别所述初始包裹图片中的所述待分类包裹的边缘轮廓线,基于所述待分类包裹的边缘轮廓线并调用预置的图像处理工具OpenCV进行图片切割,得到切割后的图片;根据所述切割后的图片建立包裹局部三维坐标系,所述包裹局部三维坐标系包括x轴、y轴和z轴,调用主成分分析算法确定每一个待分类包裹的主轴,并将所述每一个待分类包裹的主轴分别与所述包裹局部三维坐标系的x轴对齐,确定每一个待分类包裹的重心位置,得到每一个待分类包裹的重心坐标;确定每一个待分类包裹的边缘点坐标,并根据所述每一个待分类包裹的边缘点坐标和每一个待分类包裹的重心坐标获取每一个待分类包裹的堆放方向和包裹形状,生成包裹初始参数。
可选的,在本发明第一方面的第三种实现方式中,所述对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对所述标定板图像进行分析,得到深度相机的位置信息。包括:调用预置的标定板模型对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法获取所述标定板图像上的角点并进行分析,得到角点检测数据;通过张正友标定算法和所述角点检测数据计算深度相机的内参矩阵,得到深度相机的位置信息。
可选的,在本发明第一方面的第四种实现方式中,所述调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数包括:调用迭代最邻近点算法并根据所述深度相机的位置信息将所述包裹初始参数转换为包裹三维空间坐标数据;通过所述包裹三维空间坐标数据确定所述待分类包裹的长、宽和高并根据预置的体积计算公式计算所述待分类包裹的体积和所述待分类包裹的长宽比,得到包裹体积参数。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述包裹体积参数进行包裹的分类,得到分类后的包裹包括:基于所述包裹体积参数按照预置的分类标准对所述待分类包裹进行分类,得到分类后的包裹。
可选的,在本发明第一方面的第六种实现方式中,在所述调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数之后,在所述根据所述包裹体积参数进行包裹的分类,得到分类后的包裹之前,所述方法还包括:对所述包裹体积参数进行误差分析和修正。
本发明第二方面提供了一种物流包裹的分类装置,包括:获取模块,用于获取初始包裹图片,所述初始包裹图片包括待分类包裹和非待分类包裹;分析模块,用于基于实感算法对所述初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,所述包裹初始参数包括包裹堆放方向和包裹形状;处理模块,用于调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数;分类模块,用于根据所述包裹体积参数进行包裹的分类,得到分类后的包裹。
可选的,在本发明第二方面的第一种实现方式中,所述分析模块包括:识别单元,用于基于实感算法对所述初始包裹图片进行识别和切割,得到切割后的图片,并根据所述切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,所述包裹初始参数包括包裹堆放方向和包裹形状;标定单元,用于对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对所述标定板图像进行分析,得到深度相机的位置信息。
可选的,在本发明第二方面的第二种实现方式中,所述识别单元具体用于:通过深度相机识别所述初始包裹图片中的所述待分类包裹的边缘轮廓线,基于所述待分类包裹的边缘轮廓线并调用预置的图像处理工具OpenCV进行图片切割,得到切割后的图片;根据所述切割后的图片建立包裹局部三维坐标系,所述包裹局部三维坐标系包括x轴、y轴和z轴,调用主成分分析算法确定每一个待分类包裹的主轴,并将所述每一个待分类包裹的主轴分别与所述包裹局部三维坐标系的x轴对齐,确定每一个待分类包裹的重心位置,得到每一个待分类包裹的重心坐标;确定每一个待分类包裹的边缘点坐标,并根据所述每一个待分类包裹的边缘点坐标和每一个待分类包裹的重心坐标获取每一个待分类包裹的堆放方向和包裹形状,生成包裹初始参数。
可选的,在本发明第二方面的第三种实现方式中,所述标定单元具体用于:调用预置的标定板模型对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法获取所述标定板图像上的角点并进行分析,得到角点检测数据;通过张正友标定算法和所述角点检测数据计算深度相机的内参矩阵,得到深度相机的位置信息。
可选的,在本发明第二方面的第四种实现方式中,所述处理模块包括:转换单元,用于调用迭代最邻近点算法并根据所述深度相机的位置信息将所述包裹初始参数转换为包裹三维空间坐标数据;计算单元,用于通过所述包裹三维空间坐标数据确定所述待分类包裹的长、宽和高并根据预置的体积计算公式计算所述待分类包裹的体积和所述待分类包裹的长宽比,得到包裹体积参数。
可选的,在本发明第二方面的第五种实现方式中,所述分类模块具体用于:基于所述包裹体积参数按照预置的分类标准对所述待分类包裹进行分类,得到分类后的包裹。
可选的,在本发明第二方面的第六种实现方式中,在所述处理模块之后,所述分类模块之前,所述装置还包括修正模块,用于对所述包裹体积参数进行误差分析和修正。
本发明第三方面提供了一种物流包裹的分类设备,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,以使得所述物流包裹的分类设备执行上述的物流包裹的分类方法。
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物流包裹的分类方法。
本发明提供的技术方案中,获取初始包裹图片,所述初始包裹图片包括待分类包裹和非待分类包裹;基于实感算法对所述初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,所述包裹初始参数包括包裹堆放方向和包裹形状;调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数;根据所述包裹体积参数进行包裹的分类,得到分类后的包裹。本发明实施例中,基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。
附图说明
图1为本发明实施例中物流包裹的分类方法的一个实施例示意图;
图2为本发明实施例中物流包裹的分类方法的另一个实施例示意图;
图3为本发明实施例中物流包裹的分类装置的一个实施例示意图;
图4为本发明实施例中物流包裹的分类装置的另一个实施例示意图;
图5为本发明实施例中物流包裹的分类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物流包裹的分类方法、装置、设备及存储介质,用于基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。
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,本发明实施例中物流包裹的分类方法的一个实施例包括:
101、获取初始包裹图片,初始包裹图片包括待分类包裹和非待分类包裹。
服务器获取初始包裹图片,初始包裹图片包括待分类包裹和非待分类包裹。服务器调取工业摄像头拍摄装车包裹图片并进行图像识别,图像识别是指利用计算机对图像进行处理、分析和理解的一种技术,用来识别各种不同工作环境下目标和对象,随着图像识别的发展,图像识别被广泛应运于制造领域和运输领域,本实施例中通过图像识别得到初始包裹图片,包括待分类包裹和其它非待分类包裹。
可以理解的是,本发明的执行主体可以为物流包裹的分类装置,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。
102、基于实感算法对初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,包裹初始参数包括包裹堆放方向和包裹形状。
服务器基于实感算法对初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,包裹初始参数包括包裹堆放方向和包裹形状。具体的,服务器基于实感算法对初始包裹图片进行识别和切割,得到切割后的图片,并根据切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,包裹初始参数包括包裹堆放方向和包裹形状;服务器对初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对标定板图像进行分析,得到深度相机的位置信息。
实感算法Real Sense由英特尔公司研发,提供的核心功能包括手部追踪、脸部跟踪、团块跟踪、物体识别、物体追踪、无接触控制、场景解析、语音识别与合成和用户分割与背景替换等,本实施例中主要运用到的是实感算法中的物体识别,根据识别到的包裹边缘轮廓线进行切割,并确定局部坐标系,获取待测包裹的主轴线从而进行位置校正,最终得到包裹初始参数;服务器调用预置的标定板模型对初始包裹图片进行标定,标定板类型包括棋盘格、圆形网格和CharuCo标定板等,本实施例中用到的是棋盘格标定板,通过对标定板图像进行分析,最终可以确定深度相机的位置。
103、调用迭代最邻近点算法和深度相机的位置信息对包裹初始参数进行处理,生成包裹体积参数。
服务器调用迭代最邻近点算法和深度相机的位置信息对包裹初始参数进行处理,生成包裹体积参数。具体的,服务器调用迭代最邻近点算法并根据深度相机的位置信息将包裹初始参数转换为包裹三维空间坐标数据;服务器通过包裹三维空间坐标数据确定待分类包裹的长、宽和高并根据预置的体积计算公式计算待分类包裹的体积和待分类包裹的长宽比,得到包裹体积参数。
迭代最近点算法(Iterative Closest Point,ICP)主要根据几何特性对数据进行匹配,并设这些匹配点为假想的对应点,然后根据对应关系求解运动参数,再利用运动参数对数据进行变换,并利用同一几何特征,确定新的对应关系,重复上述过程,该算法的目的是要找到原始数据与参考数据之间的旋转参数和平移参数,使得两点数据之间满足某种度量准则下的最优匹配,本实施例中通过迭代最邻近点算法和获取到的深度相机的位置信息进行三维构建,将二维的包裹图片构建为立体场景,得到包裹三维空间坐标,确定待分类包裹的长度L,宽度W和高度H,并根据体积计算公式V=L*W*H计算待测包裹的体积,同时求出待测包裹的长宽比,得到包裹体积参数。
104、根据包裹体积参数进行包裹的分类,得到分类后的包裹。
服务器根据包裹体积参数进行包裹的分类,得到分类后的包裹。将求出的待测包裹的体积与待测包裹的长宽比分别和预置的分类标准进行对比,并按照包裹的大小进行分类,得到分类后的包裹。
本发明实施例中,基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。
请参阅图2,本发明实施例中物流包裹的分类方法的另一个实施例包括:
201、获取初始包裹图片,初始包裹图片包括待分类包裹和非待分类包裹。
服务器获取初始包裹图片,初始包裹图片包括待分类包裹和非待分类包裹。服务器调取工业摄像头拍摄装车包裹图片并进行图像识别,图像识别是指利用计算机对图像进行处理、分析和理解的一种技术,用来识别各种不同工作环境下目标和对象,随着图像识别的发展,图像识别被广泛应运于制造领域和运输领域,本实施例中通过图像识别得到初始包裹图片,包括待分类包裹和其它非待分类包裹。
202、基于实感算法对初始包裹图片进行识别和切割,得到切割后的图片,并根据切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,包裹初始参数包括包裹堆放方向和包裹形状。
服务器基于实感算法对初始包裹图片进行识别和切割,得到切割后的图片,并根据切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,包裹初始参数包括包裹堆放方向和包裹形状。具体的,服务器通过深度相机识别初始包裹图片中的待分类包裹的边缘轮廓线,基于待分类包裹的边缘轮廓线并调用预置的图像处理工具OpenCV进行图片切割,得到切割后的图片;服务器根据切割后的图片建立包裹局部三维坐标系,包裹局部三维坐标系包括x轴、y轴和z轴,调用主成分分析算法确定每一个待分类包裹的主轴,并将每一个待分类包裹的主轴分别与包裹局部三维坐标系的x轴对齐,确定每一个待分类包裹的重心位置,得到每一个待分类包裹的重心坐标;服务器确定每一个待分类包裹的边缘点坐标,并根据每一个待分类包裹的边缘点坐标和每一个待分类包裹的重心坐标获取每一个待分类包裹的堆放方向和包裹形状,生成包裹初始参数。
OpenCV是一个图像和视频处理库,用于各种图像和视频分析,如面部识别和检测,车牌阅读,照片编辑,高级机器人视觉,光学字符识别等,本实施例中采用OpenCV根据识别到的待分类包裹的边缘轮廓线进行图像分割,得到切割后的图片,然后建立包裹局部三维坐标系,确定三维坐标系的x、y、z轴方向。待分类包裹的主轴由主成分分析算法确定,主成分分析算法是在统计特征基础上的多维正交线性变换,在图像处理中一般用来压缩数据,但也可以用来确定物体的主轴及方向,确定待分类包裹的主轴之后将其与包裹局部三维坐标系的x轴对齐,并在三维坐标系中读取包裹的重心坐标和边缘点坐标,从而得出待测包裹的堆放方向及包裹的形状。
203、对初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对标定板图像进行分析,得到深度相机的位置信息。
服务器对初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对标定板图像进行分析,得到深度相机的位置信息。具体的,服务器调用预置的标定板模型对初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法获取标定板图像上的角点并进行分析,得到角点检测数据;服务器通过张正友标定算法和角点检测数据计算深度相机的内参矩阵,得到深度相机的位置信息。
特征点检测广泛应用到目标匹配、目标跟踪、三维重建等应用中,在进行目标建模时会对图像进行目标特征的提取,常用的有颜色、角点、特征点、轮廓、纹理等本实施例中运用Harris角点检测算法(Harris Corner Detection)提取棋盘格角点并对标定板图像进行分析,得到角点检测数据,Harris角点检测算法是特征点检测的基础,提出了应用邻近像素点灰度差值概念,从而进行判断是否为角点、边缘、平滑区域,Harris角点检测原理是利用移动的窗口在图像中计算灰度变化值,其中关键流程包括转化为灰度图像、计算差分图像、高斯平滑、计算局部极值、确认角点等,获取角点检测数据后调用张正友标定算法计算相机的内参矩阵,张正友标定算法是基于移动平面模板的相机标定算法,此算法介于传统标定和自标定之间,传统标定算法虽然精度高,但对设备有较高的要求,其操作过程也比较繁琐,自标定的精度不高,根据计算得到的相机内参矩阵最终可以确定深度相机的位置信息。
204、调用迭代最邻近点算法和深度相机的位置信息对包裹初始参数进行处理,生成包裹体积参数。
服务器调用迭代最邻近点算法和深度相机的位置信息对包裹初始参数进行处理,生成包裹体积参数。具体的,服务器调用迭代最邻近点算法并根据深度相机的位置信息将包裹初始参数转换为包裹三维空间坐标数据;服务器通过包裹三维空间坐标数据确定待分类包裹的长、宽和高并根据预置的体积计算公式计算待分类包裹的体积和待分类包裹的长宽比,得到包裹体积参数。
迭代最近点算法(Iterative Closest Point,ICP)主要根据几何特性对数据进行匹配,并设这些匹配点为假想的对应点,然后根据对应关系求解运动参数,再利用运动参数对数据进行变换,并利用同一几何特征,确定新的对应关系,重复上述过程,该算法的目的是要找到原始数据与参考数据之间的旋转参数和平移参数,使得两点数据之间满足某种度量准则下的最优匹配,本实施例中通过迭代最邻近点算法和获取到的深度相机的位置信息进行三维构建,将二维的包裹图片构建为立体场景,得到包裹三维空间坐标,确定待分类包裹的长度L,宽度W和高度H,并根据体积计算公式V=L*W*H计算待测包裹的体积,同时求出待测包裹的长宽比,得到包裹体积参数。
205、根据包裹体积参数进行包裹的分类,得到分类后的包裹。
服务器根据包裹体积参数进行包裹的分类,得到分类后的包裹。将求出的待测包裹的体积与待测包裹的长宽比分别和预置的分类标准进行对比,并按照包裹的大小进行分类,得到分类后的包裹。
本发明实施例中,基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。
上面对本发明实施例中物流包裹的分类方法进行了描述,下面对本发明实施例中物流包裹的分类装置进行描述,请参阅图3,本发明实施例中物流包裹的分类装置的一个实施例包括:
获取模块301,用于获取初始包裹图片,初始包裹图片包括待分类包裹和非待分类包裹;
分析模块302,用于基于实感算法对初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,包裹初始参数包括包裹堆放方向和包裹形状;
处理模块303,用于调用迭代最邻近点算法和深度相机的位置信息对包裹初始参数进行处理,生成包裹体积参数;
分类模块304,用于根据包裹体积参数进行包裹的分类,得到分类后的包裹。
本发明实施例中,基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。
请参阅图4,本发明实施例中物流包裹的分类装置的另一个实施例包括:
获取模块301,用于获取初始包裹图片,初始包裹图片包括待分类包裹和非待分类包裹;
分析模块302,用于基于实感算法对初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,包裹初始参数包括包裹堆放方向和包裹形状;
处理模块303,用于调用迭代最邻近点算法和深度相机的位置信息对包裹初始参数进行处理,生成包裹体积参数;
分类模块304,用于根据包裹体积参数进行包裹的分类,得到分类后的包裹。
可选的,分析模块302包括:
识别单元3021,用于基于实感算法对初始包裹图片进行识别和切割,得到切割后的图片,并根据切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,包裹初始参数包括包裹堆放方向和包裹形状;
标定单元3022,用于对初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对标定板图像进行分析,得到深度相机的位置信息。
可选的,识别单元3021还可以具体用于:
通过深度相机识别初始包裹图片中的待分类包裹的边缘轮廓线,基于待分类包裹的边缘轮廓线并调用预置的图像处理工具OpenCV进行图片切割,得到切割后的图片;根据切割后的图片建立包裹局部三维坐标系,包裹局部三维坐标系包括x轴、y轴和z轴,调用主成分分析算法确定每一个待分类包裹的主轴,并将每一个待分类包裹的主轴分别与包裹局部三维坐标系的x轴对齐,确定每一个待分类包裹的重心位置,得到每一个待分类包裹的重心坐标;确定每一个待分类包裹的边缘点坐标,并根据每一个待分类包裹的边缘点坐标和每一个待分类包裹的重心坐标获取每一个待分类包裹的堆放方向和包裹形状,生成包裹初始参数。
可选的,标定单元3022还可以具体用于:
调用预置的标定板模型对初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法获取标定板图像上的角点并进行分析,得到角点检测数据;通过张正友标定算法和角点检测数据计算深度相机的内参矩阵,得到深度相机的位置信息。
可选的,处理模块303包括:
转换单元3031,用于调用迭代最邻近点算法并根据深度相机的位置信息将包裹初始参数转换为包裹三维空间坐标数据;
计算单元3032,用于通过包裹三维空间坐标数据确定待分类包裹的长、宽和高并根据预置的体积计算公式计算待分类包裹的体积和待分类包裹的长宽比,得到包裹体积参数。
可选的,分类模块304具体用于:
基于包裹体积参数按照预置的分类标准对待分类包裹进行分类,得到分类后的包裹。
可选的,在处理模块303之后,分类模块304之前,物流包裹的分类装置还包括:
修正模块305,用于对包裹体积参数进行误差分析和修正。
本发明实施例中,基于实感算法获取包裹体积并进行分类,降低了包裹分类的错误率,减少了分类成本。
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物流包裹的分类装置进行详细描述,下面从硬件处理的角度对本发明实施例中物流包裹的分类设备进行详细描述。
图5是本发明实施例提供的一种物流包裹的分类设备的结构示意图,该物流包裹的分类设备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XXX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,在物流包裹的分类设备500上执行存储介质530中的一系列指令操作。
物流包裹的分类设备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示出的物流包裹的分类设备结构并不构成对物流包裹的分类设备的限定,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。
本发明还提供一种物流包裹的分类设备,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物流包裹的分类方法的步骤。
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物流包裹的分类方法的步骤。
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)
1.一种物流包裹的分类方法,其特征在于,所述物流包裹的分类方法包括:
获取初始包裹图片,所述初始包裹图片包括待分类包裹和非待分类包裹;
基于实感算法对所述初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,所述包裹初始参数包括包裹堆放方向和包裹形状;
调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数;
根据所述包裹体积参数进行包裹的分类,得到分类后的包裹。
2.根据权利要求1所述的物流包裹的分类方法,其特征在于,所述基于实感算法对所述初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,所述包裹初始参数包括包裹堆放方向和包裹形状包括:
基于实感算法对所述初始包裹图片进行识别和切割,得到切割后的图片,并根据所述切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,所述包裹初始参数包括包裹堆放方向和包裹形状;
对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对所述标定板图像进行分析,得到深度相机的位置信息。
3.根据权利要求2所述的物流包裹的分类方法,其特征在于,所述基于实感算法对所述初始包裹图片进行识别和切割,得到切割后的图片,并根据所述切割后的图片建立包裹局部三维坐标系,得到包裹初始参数,所述包裹初始参数包括包裹堆放方向和包裹形状包括:
通过深度相机识别所述初始包裹图片中的所述待分类包裹的边缘轮廓线,基于所述待分类包裹的边缘轮廓线并调用预置的图像处理工具OpenCV进行图片切割,得到切割后的图片;
根据所述切割后的图片建立包裹局部三维坐标系,所述包裹局部三维坐标系包括x轴、y轴和z轴,调用主成分分析算法确定每一个待分类包裹的主轴,并将所述每一个待分类包裹的主轴分别与所述包裹局部三维坐标系的x轴对齐,确定每一个待分类包裹的重心位置,得到每一个待分类包裹的重心坐标;
确定每一个待分类包裹的边缘点坐标,并根据所述每一个待分类包裹的边缘点坐标和每一个待分类包裹的重心坐标获取每一个待分类包裹的堆放方向和包裹形状,生成包裹初始参数。
4.根据权利要求2所述的物流包裹的分类方法,其特征在于,所述对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法和张正友标定算法对所述标定板图像进行分析,得到深度相机的位置信息。包括:
调用预置的标定板模型对所述初始包裹图片进行图片标定,得到标定板图像,通过角点检测算法获取所述标定板图像上的角点并进行分析,得到角点检测数据;
通过张正友标定算法和所述角点检测数据计算深度相机的内参矩阵,得到深度相机的位置信息。
5.根据权利要求1所述的物流包裹的分类方法,其特征在于,所述调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数包括:
调用迭代最邻近点算法并根据所述深度相机的位置信息将所述包裹初始参数转换为包裹三维空间坐标数据;
通过所述包裹三维空间坐标数据确定所述待分类包裹的长、宽和高并根据预置的体积计算公式计算所述待分类包裹的体积和所述待分类包裹的长宽比,得到包裹体积参数。
6.根据权利要求1所述的物流包裹的分类方法,其特征在于,所述根据所述包裹体积参数进行包裹的分类,得到分类后的包裹包括:
基于所述包裹体积参数按照预置的分类标准对所述待分类包裹进行分类,得到分类后的包裹。
7.根据权利要求1-6中任一项所述的物流包裹的分类方法,其特征在于,在所述调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数之后,在所述根据所述包裹体积参数进行包裹的分类,得到分类后的包裹之前,所述方法还包括:
对所述包裹体积参数进行误差分析和修正。
8.一种物流包裹的分类装置,其特征在于,所述物流包裹的分类装置包括:
获取模块,用于获取初始包裹图片,所述初始包裹图片包括待分类包裹和非待分类包裹;
分析模块,用于基于实感算法对所述初始包裹图片进行识别和分析,得到包裹初始参数和深度相机的位置信息,所述包裹初始参数包括包裹堆放方向和包裹形状;
处理模块,用于调用迭代最邻近点算法和所述深度相机的位置信息对所述包裹初始参数进行处理,生成包裹体积参数;
分类模块,用于根据所述包裹体积参数进行包裹的分类,得到分类后的包裹。
9.一种物流包裹的分类设备,其特征在于,所述物流包裹的分类设备包括: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,以使得所述物流包裹的分类设备执行如权利要求1-7中任意一项所述的物流包裹的分类方法。
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中任一项所述物流包裹的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273879.7A CN112991423B (zh) | 2021-03-15 | 2021-03-15 | 物流包裹的分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273879.7A CN112991423B (zh) | 2021-03-15 | 2021-03-15 | 物流包裹的分类方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991423A true CN112991423A (zh) | 2021-06-18 |
CN112991423B CN112991423B (zh) | 2024-06-11 |
Family
ID=76335202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110273879.7A Active CN112991423B (zh) | 2021-03-15 | 2021-03-15 | 物流包裹的分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991423B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121997A (zh) * | 2016-11-29 | 2018-06-05 | Sap欧洲公司 | 使用机器学习模型的图像数据中的对象分类 |
US20180182121A1 (en) * | 2016-12-22 | 2018-06-28 | Dermagenesis Llc | Touchless wound measurement, wound volume measurement, and other wound measurement |
CN109190696A (zh) * | 2018-08-28 | 2019-01-11 | 江苏科技大学苏州理工学院 | 一种物流包裹分类方法、装置、设备及可读存储介质 |
CN109631764A (zh) * | 2018-11-22 | 2019-04-16 | 南京理工大学 | 基于RealSense相机的尺寸测量系统及方法 |
CN110017773A (zh) * | 2019-05-09 | 2019-07-16 | 福建(泉州)哈工大工程技术研究院 | 一种基于机器视觉的包裹体积测量方法 |
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 |
US10621779B1 (en) * | 2017-05-25 | 2020-04-14 | Fastvdo Llc | Artificial intelligence based generation and analysis of 3D models |
WO2020124247A1 (en) * | 2018-12-21 | 2020-06-25 | Canscan Softwares And Technologies Inc. | Automated inspection system and associated method for assessing the condition of shipping containers |
CN111353985A (zh) * | 2020-03-02 | 2020-06-30 | 电子科技大学 | 一种基于深度相机的机场自助托运行李的检测方法 |
US20200282429A1 (en) * | 2017-09-27 | 2020-09-10 | Panasonic Intellectual Property Management Co., Ltd. | Package sorting system, projected instruction device, and package sorting method |
CN111709987A (zh) * | 2020-06-11 | 2020-09-25 | 上海东普信息科技有限公司 | 包裹体积测量方法、装置、设备及存储介质 |
CN111814739A (zh) * | 2020-07-27 | 2020-10-23 | 上海东普信息科技有限公司 | 快递包裹体积的检测方法、装置、设备及存储介质 |
KR20210023200A (ko) * | 2019-08-22 | 2021-03-04 | 재단법인 대구경북첨단의료산업진흥재단 | 포인트 클라우드의 부피 측정 시스템 및 방법 |
-
2021
- 2021-03-15 CN CN202110273879.7A patent/CN112991423B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121997A (zh) * | 2016-11-29 | 2018-06-05 | Sap欧洲公司 | 使用机器学习模型的图像数据中的对象分类 |
US20180182121A1 (en) * | 2016-12-22 | 2018-06-28 | Dermagenesis Llc | Touchless wound measurement, wound volume measurement, and other wound measurement |
US10621779B1 (en) * | 2017-05-25 | 2020-04-14 | Fastvdo Llc | Artificial intelligence based generation and analysis of 3D models |
US20200282429A1 (en) * | 2017-09-27 | 2020-09-10 | Panasonic Intellectual Property Management Co., Ltd. | Package sorting system, projected instruction device, and package sorting method |
CN109190696A (zh) * | 2018-08-28 | 2019-01-11 | 江苏科技大学苏州理工学院 | 一种物流包裹分类方法、装置、设备及可读存储介质 |
CN109631764A (zh) * | 2018-11-22 | 2019-04-16 | 南京理工大学 | 基于RealSense相机的尺寸测量系统及方法 |
WO2020124247A1 (en) * | 2018-12-21 | 2020-06-25 | Canscan Softwares And Technologies Inc. | Automated inspection system and associated method for assessing the condition of shipping containers |
CN110017773A (zh) * | 2019-05-09 | 2019-07-16 | 福建(泉州)哈工大工程技术研究院 | 一种基于机器视觉的包裹体积测量方法 |
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 |
KR20210023200A (ko) * | 2019-08-22 | 2021-03-04 | 재단법인 대구경북첨단의료산업진흥재단 | 포인트 클라우드의 부피 측정 시스템 및 방법 |
CN111353985A (zh) * | 2020-03-02 | 2020-06-30 | 电子科技大学 | 一种基于深度相机的机场自助托运行李的检测方法 |
CN111709987A (zh) * | 2020-06-11 | 2020-09-25 | 上海东普信息科技有限公司 | 包裹体积测量方法、装置、设备及存储介质 |
CN111814739A (zh) * | 2020-07-27 | 2020-10-23 | 上海东普信息科技有限公司 | 快递包裹体积的检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
卜伟;徐显兵;肖江剑;王少剑;潘江锋;彭成斌;: "基于图像边缘特征的零件分类与定位算法", 计量与测试技术, no. 09, 30 September 2018 (2018-09-30) * |
秦文翔: "基于RGBD相机的物体尺寸测量与包装优化", 南京理工大学, 30 June 2020 (2020-06-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN112991423B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801337B (zh) | 一种基于实例分割网络和迭代优化的6d位姿估计方法 | |
CN110648361B (zh) | 一种三维目标物体的实时位姿估计方法及定位抓取系统 | |
CN109785317B (zh) | 自动码垛桁架机器人的视觉系统 | |
Azad et al. | Stereo-based 6d object localization for grasping with humanoid robot systems | |
EP2048599B1 (en) | System and method for 3D object recognition | |
Aldoma et al. | CAD-model recognition and 6DOF pose estimation using 3D cues | |
JP7339316B2 (ja) | ビジョンシステムにより画像特徴におけるエッジと法線を同時に考慮するためのシステム及び方法 | |
CN110599544B (zh) | 一种基于机器视觉的工件定位方法及装置 | |
CN112837371A (zh) | 基于3d匹配的物体抓取方法、装置及计算设备 | |
CN111476841B (zh) | 一种基于点云和图像的识别定位方法及系统 | |
CN113728360A (zh) | 用于3d场景中对象的姿态、尺寸和形状测量的方法和装置 | |
CN107895166B (zh) | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 | |
Sølund et al. | A large-scale 3D object recognition dataset | |
US11468609B2 (en) | Methods and apparatus for generating point cloud histograms | |
Evans et al. | Pairwise representations of shape | |
CN112991423B (zh) | 物流包裹的分类方法、装置、设备及存储介质 | |
Fechteler et al. | Prototype for enhanced product data acquisition based on inherent features in logistics | |
Li et al. | Structured light based high precision 3D measurement and workpiece pose estimation | |
Peng et al. | Real time and robust 6D pose estimation of RGBD data for robotic bin picking | |
CN114972495A (zh) | 针对纯平面结构的物体的抓取方法、装置及计算设备 | |
CN112907666A (zh) | 一种基于rgb-d的托盘位姿估计方法、系统及装置 | |
Gao et al. | A quick scale-invariant interest point detecting approach | |
CN113496142A (zh) | 物流件的体积测量方法以及装置 | |
Coelho et al. | A low-cost vision system using a retrofitted robot for locating parts for welding process | |
Wang et al. | 3-D Dimension Measurement of Workpiece Based on Binocular Vision |
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 |