CN113160215A - 一种箱体检测方法、装置、存储介质和电子设备 - Google Patents
一种箱体检测方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113160215A CN113160215A CN202110514924.3A CN202110514924A CN113160215A CN 113160215 A CN113160215 A CN 113160215A CN 202110514924 A CN202110514924 A CN 202110514924A CN 113160215 A CN113160215 A CN 113160215A
- Authority
- CN
- China
- Prior art keywords
- box
- box body
- image
- state
- pixels
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30112—Baggage; Luggage; Suitcase
Abstract
本申请实施例提供一种箱体检测方法、装置、存储介质和电子设备,该箱体检测方法、装置、存储介质和电子设备包括:获取待检测箱体的箱体图像;根据箱体图像,确定待检测箱体的箱体状态;箱体状态包括开箱状态和闭箱状态;若确定箱体状态为开箱状态,则将待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配;至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号;若通过匹配结果确定目标箱体编号为目标异常箱体编号,则从至少一个异常箱体编号中删除目标异常箱体编号。借助于上述技术方案,本申请实施例可提高自动化程度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种箱体检测方法、装置、存储介质和电子设备。
背景技术
在全自动生产的流水线(例如,雪糕或者糖果等食品生产的流水线)上,由于生产设备的偶发性故障或者其他原因等造成的异常事件在长时间连轴运转的产线上就会经常出现。例如,异常事件可以包括标准的箱体内装入的产品数目不符(如,能够容纳24个甜筒的标准的箱体内只装入23个甜筒)。
对于上述异常事件来说,通常按照标准作业流程是利用踢出机构将异常箱体从流水线上踢出,然后会有值守人员介入打开异常箱体检查,并对异常箱体进行处理(例如,将踢出的箱体内产品的数量调整至标准数量),然后封箱并重新放回产线内。
然而,相较于机械自动执行而言,人工手段的介入存在不确定性,少部分值守人员可能会存在操作不规范的问题。例如,某值守人员可能未按规定流程对异常箱体进行开箱检测,其直接在越过踢出结构和检测机构之后的传送点上重新塞回异常箱体,从而导致产线质检功能失效及降低产品交付质量等问题。
目前,现有的方法是通过人工监察的方式来解决上述问题。例如,通过管理人员长期监督值守人员的操作行为。
在实现本发明的过程中,发明人发现现有技术中存在如下问题:由于需要管理人员长期监督值守人员的操作行为,故现有的方法存在着自动化程度比较低的问题。
发明内容
本申请实施例的目的在于提供一种箱体检测方法、装置、存储介质和电子设备,以解决现有技术中存在着的自动化程度比较低的问题。
第一方面,本申请实施例公开了一种箱体检测方法,该箱体检测方法包括:获取待检测箱体的箱体图像;根据箱体图像,确定待检测箱体的箱体状态;箱体状态包括开箱状态和闭箱状态;若确定箱体状态为开箱状态,则将待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配;至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号;若通过匹配结果确定目标箱体编号为目标异常箱体编号,则从至少一个异常箱体编号中删除目标异常箱体编号。
因此,借助于上述技术方案,本申请实施例能够实现自动化监察,无需人工的介入,从而不仅可提高自动化程度,还节省了人工成本。
在一个可能的实施例中,根据箱体图像,确定待检测箱体的箱体状态,包括:将箱体图像输入到预先训练好的图像分类模型中,以使预先训练好的图像分类模型对箱体图像进行分类识别,获得用于表示箱体状态的图像分类结果;预先训练好的图像分类模型是利用样本集对初始图像分类模型进行训练后获得的,样本集包括样本图像和样本图像对应的样本图像分类结果。
因此,本申请实施例可通过图像分类模型来快速且准确地确定箱体状态。
在一个可能的实施例中,图像分类模型为ResNet神经网络模型。
因此,由于检测背景较为单调且目标种类也比较单一,因此,为了提高检测效率,可采用ResNet神经网络模型作为图像分类模型。
在一个可能的实施例中,根据箱体图像,确定待检测箱体的箱体状态,包括:从箱体图像的感兴趣区域的多个像素中筛选出符合第一预设条件的第一目标像素,并统计所有第一目标像素的第一像素总数;第一预设条件包括:第一目标像素的灰度值的预设倍数小于等于第一目标像素对应的模板像素的灰度值,模板像素为用于确定箱体状态的背景模板图像的感兴趣区域中的像素;若确定第一像素总数大于等于第一预设数量,则确定待检测箱体的箱体状态为开箱状态;第一预设数量是根据箱体图像的像素总数确定的。
因此,本申请实施例还可通过视觉算法来检测开箱状态。
在一个可能的实施例中,箱体检测方法还包括:若确定第一像素总数小于第一预设数量,则确定箱体状态为闭箱状态。
在一个可能的实施例中,从箱体图像的感兴趣区域的多个像素中筛选出符合第一预设条件的第一目标像素,包括:从箱体图像的感兴趣区域的多个像素中筛选出符合第二预设条件的第二目标像素,并统计所有第二目标像素的第二像素总数;第二预设条件包括:第二目标像素的红色分量和蓝色分量的差值大于等于预设差值;若确定第二像素总数小于等于第二预设数量,则从多个像素中筛选出符合第一预设条件的第一目标像素;第二预设数量是根据箱体图像的像素总数确定的。
在一个可能的实施例中,箱体检测方法还包括:若确定第二像素总数小于第二预设数量,则确定待检测箱体的箱体状态为闭箱状态。
第二方面,本申请实施例公开了一种箱体检测装置,该箱体检测装置包括:获取模块,用于获取待检测箱体的箱体图像;确定模块,用于根据所述箱体图像,确定所述待检测箱体的箱体状态;所述箱体状态包括开箱状态和闭箱状态;匹配模块,用于若确定所述箱体状态为所述开箱状态,则将所述待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配;所述至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号;删除模块,用于若通过匹配结果确定所述目标箱体编号为目标异常箱体编号,则从所述至少一个异常箱体编号中删除所述目标异常箱体编号。
第三方面,本申请实施例提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面,本申请提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例一种箱体检测系统的示意图;
图2示出了本申请实施例提供的一种箱体检测方法的流程图;
图3示出了本申请实施例提供的一种检测箱体状态的方法的流程图;
图4示出了本申请实施例提供的一种箱体检测装置的结构框图;
图5示出了本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,由于生产企业中人员的流动性比较大,并且有大量的临时性岗位,而且产线多且繁复,管理人员的监督行为也无法达到全时段全产线的覆盖,并且也存在人工手段的可靠性不足的问题,以及质量数量等异常问题的回溯核查成本也比较高。
此外,现有技术中还公开了一种由多个传感器组成的开箱检测装置,但是,由于该开箱检测装置较为笨重复杂,其难以融入产线生产环境,故其也是不适用的。
因此,现有技术中至少存在着人工成本比较高和自动化程度比较低的问题。
基于此,本申请实施例巧妙地提出了一种箱体检测方案,通过获取待检测箱体的箱体图像,随后根据箱体图像,确定待检测箱体的箱体状态,箱体状态包括开箱状态和闭箱状态,随后若确定箱体状态为开箱状态,则将待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配,至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号,最后若通过匹配结果确定目标箱体编号为目标异常箱体编号,则从至少一个异常箱体编号中删除目标异常箱体编号。
因此,借助于上述技术方案,本申请实施例能够实现自动化监察,无需人工的介入,从而不仅可提高自动化程度,还节省了人工成本。
请参见图1,图1示出了本申请实施例一种箱体检测系统的示意图。如图1所示的箱体检测系统包括控制装置、报警装置、踢出装置、重量检测装置、图像采集装置、第一扫码装置和第二扫码装置。其中,控制装置分别与报警装置、踢出装置、重量检测装置、图像采集装置、第一扫码装置和第二扫码装置连接。
应理解,控制装置的具体装置、报警装置的具体装置、踢出装置的具体装置、重量检测装置的具体装置、图像采集装置的具体装置、第一扫码装置的具体装置和第二扫码装置的具体装置均可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,该控制装置可以为工控机。其中,该控制装置可以作为软件算法的载体、数据交互中心以及其他所有硬件装置的中央控制单元。
再例如,该报警装置可以为警报灯。其中,可通过警报灯的颜色切换反馈系统的状态,若警报灯的颜色为红色,则可表示异常事件未处理的报警状态;若警报灯的颜色为绿色,则可表示无未处理异常事件的正常运转状态。
再例如,该报警装置也可以为可以用于反馈箱体检测系统的状态(例如,报警状态)的音响,以提供语音提醒功能。
再例如,该图像采集装置可以为摄像机。
再例如,该第一扫码装置和第二扫码装置均可为扫码器。
还应理解,控制装置的安装位置、报警装置的安装位置、踢出装置的安装位置、重量检测装置的安装位置、图像采集装置的安装位置、第一扫码装置的安装位置和第二扫码装置的安装位置等也均可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,图像采集装置可悬挂于检测台上方以观测台面上的开箱操作。
再例如,该第一扫描器可部署于产线的一侧,从而可通过第一扫描器获取被踢出的异常箱体的箱体编号。
再例如,该第二扫描器可部署于检测台的一侧,从而可通过第二扫描器获取在检测台上正在进行开箱检测的箱体编号。
为了便于理解本申请实施例,下面通过具体的实施例来进行描述。
具体地,在箱体检测系统启动后,控制装置可控制重量检测装置检测流水线上的箱体的重量,以监督流水线的运转情况。若重量检测装置检测到箱体的重量异常,则重量检测装置向控制装置发送重量异常信号。
以及,待控制装置接收到重量异常信号后,控制装置可控制流水线侧方布置的第一扫描器捕获该重量异常信号对应的异常箱体的箱体编号。以及,控制装置可将异常箱体的箱体编号存储到异常记录中,并可以日志文件的形式保存在硬盘中。
以及,由于踢出装置可位于第一扫描器后方的预定距离处,待第一扫描器获取到箱体编号以及该异常箱体随着流水线运动到踢出装置的工作位,则控制装置可控制踢出装置将异常箱体踢下流水线。
应理解,预定距离的具体距离可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,预定距离可以为30厘米。
随后,控制装置可通过报警装置进行报警,以提醒产线的值守人员出现异常事件。随后,值守人员需打开异常箱体,并清点异常箱体内产品的数量,以将箱体内产品的数量调整至标准量。同时,由于上述开箱过程是在检测台上执行的,控制装置可控制设置在检测上方的图像采集装置采集异常箱体的图像,以及控制装置可根据待检测图像,确定异常箱体的箱体状态,以确定异常箱体是否有被打开。其中,箱体状态包括开箱状态和闭箱状态。以及,在确定异常箱体的箱体状态为开箱状态的情况下,则控制装置可确定开箱检测操作已经由值守人员按规定执行。
随后,控制装置可控制检测台桌面上布置的第二扫码装置获取检测台上放置的箱体的目标箱体编号,并将目标箱体编号和箱体检测系统中记录的未匹配上的至少一个异常箱体编号进行匹配,如果成功匹配上,则可删除匹配上的目标异常箱体编号的内存记录,以及还可将删除操作也记录在硬盘的日志文件中。
待目标异常箱体编号删除操作完成后,控制装置可核查箱体检测系统的内存中是否还有未匹配上的异常箱体编号。如果箱体检测系统的内存中没有异常箱体编号,则可解除报警,恢复至正常的监督模式。
因此,本申请实施例可通过架设图像采集装置监控检测台上是否有异常箱体的开箱记录来判定操作工人是否遵守流程对异常箱进行检查。除了图像采集装置和开关箱的相关检测算法外,在产线端和检测台上分别配置一台扫码器,扫码器通过识别箱体上的二维码信息进行箱体号码录入比对以确保异常箱开箱记录和被踢出装置踢出的箱体记录一一匹配。
此外,在产线端被踢出的异常箱号码会记录在系统日志中并通过警报灯、广播等设备发出警报提醒一线值守工人进行异常处理,而解除异常警报的方法是工人将对应异常箱摆放在检测台上进行开箱检查动作,系统算法侦测到开箱状态并记录此时检测台上的箱体号码,开箱箱体号码和异常剔除箱体号码匹配则代表规定操作按照章程完成,警报解除并也记录在系统日志中。
需要说明的是,本申请实施例提供的箱体检测系统还可以根据实际需求来进行修改,而不限于图1所示的箱体检测系统。
例如,该箱体检测系统还可包括支架,该支架可用于固定和架设箱体检测系统中所有依赖硬件设备,并可提供值守人员检查操作箱体的检测台面。
再例如,该箱体检测系统还可包括继电器,该继电器可作为控制装置和报警装置、踢出装置和重量检测装置等产线已有设备之间的信息通讯工具。
请参见图2,图2示出了本申请实施例提供的一种箱体检测方法的流程图。如图2所示的箱体检测方法可应用于箱体检测系统中的控制装置,该箱体检测方法包括:
步骤S210,控制装置获取待检测箱体的箱体图像。
应理解,待检测箱体可以是从流水线上踢出的箱体(例如,异常箱体),也可以是由值守人员放置的箱体等。
也就是说,待检测箱体对应的获取方式可根据实际需求来进行设置,只要保证待检测箱体为需要开箱检测的箱体即可,本申请实施例并不局限于此。
还应理解,异常箱体的确定方式可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,在箱体的重量异常(例如,大于标准重量;再例如,小于标准重量)的情况下,可确定当前箱体为异常箱体。
再例如,在通过光透视机检测到箱体内包含金属异物的情况下,也可以确定当前箱体为异常箱体。
为了便于理解本申请实施例,下面通过具体的实施例来进行描述。
具体地,由于控制装置可控制图像采集装置来采集检测台上的箱体的图像,在值守人员进行开箱操作的过程中,可通过图像采集装置采集检测台上待检测箱体的箱体图像。
这里需要说明的是,虽然步骤S210是以获取箱体图像为例来进行描述的,但本领域的技术人员应当理解,该控制装置可先获取检测台桌面图像,并可对检测台桌面图像进行识别,以确定检测台上是否有待检测箱体。若确定检测台上有待检测箱体,则可确定检测台桌面图像中包含待检测箱体,则可把该检测台桌面图像用作箱体图像或者从检测台桌面图像中截取出箱体部分以获得箱体图像,并执行下面相关流程;若确定检测台上没有待检测箱体,则可确定检测台桌面图像中不包含待检测箱体,则可继续采集检测台的图像。
步骤S220,控制装置根据箱体图像,确定待检测箱体的箱体状态。其中,箱体状态包括可用于表示待检测箱体被打开的开箱状态和可用于待检测箱体未被打开的闭箱状态。
应理解,闭箱状态也可以称为未开箱状态。
还应理解,根据箱体图像,确定待检测箱体的箱体状态的具体过程可根据实际需求来进行设置,本申请实施例并不局限于此。
可选地,在控制装置获取到箱体图像的情况下,控制装置可将待检测箱体的箱体图像输入到预先训练好的图像分类模型中,以使预先训练好的图像分类模型对箱体图像进行分类识别(或者推理),获得用于表示箱体状态的图像分类结果。其中,预先训练好的图像分类模型是利用样本集对初始图像分类模型进行训练后获得的,样本集包括样本图像和样本图像对应的样本图像分类结果。
应理解,图像分类模型的具体模型和图像分类模型的具体结构等均可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,由于检测背景较为单调且目标种类也比较单一,因此,为了提高检测效率,可采用ResNet神经网络模型作为图像分类模型。
这里需要说明的是,虽然上面是以先对检测台桌面图像进行识别为例来进行描述的,但本领域的技术人员应当理解,还可将检测台桌面图像直接输入到训练好的图像分类模型中,以获得图像分类结果。其中,此时的图像分类结果可包括无箱、开箱和闭箱。
可选地,请参见图3,图3示出了本申请实施例提供的一种检测箱体状态的方法的流程图。如图3所示的方法可应用于箱体检测系统中的控制装置,该方法包括:
步骤S311,控制装置利用背景差分法对待检测图像进行处理,以获得差分图像。其中,待检测图像可以为箱体图像,也可以为不包含箱体的图像。
具体地,每次箱体检测系统开启前,可清理检测台的桌面,并将图像采集装置锁定桌面区域,以及可设定图像的感兴趣区域。随后,在箱体检测系统开启后,拍摄首帧无箱体的桌面图像作为背景模板样本。随后,控制装置可对背景模板样本进行背景建模,以获得背景模板图像。其中,该背景模板图像可用作确定检测台上是否有箱体,也可用作确定待检测箱体的箱体状态等。
应理解,感兴趣区域的具体区域可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,感兴趣区域可以是检测台的中心区域对应的图像区域。
还应理解,控制装置对背景模板样本进行背景建模,以获得背景模板图像的具体过程可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,对首帧的台面图像中每一个像素进行灰度值统计,并通过排序确定该像素的背景灰度值范围,以及运用加权平均的方法最后确定背景图像灰度值,进而生成背景模板图像。
此外,在生成背景模板图像后,控制装置可将非首帧的待检测图像和背景模板图像做矩阵减法运算,以获得差值图像。
步骤S312,根据差值图像,计算差值图像中每个像素对应的灰度差值,并计算所有差值的和值X。
具体地,在差值图像包含n个像素的情况下,可计算n个像素中每个像素对应的灰度差值。
例如,对于差值图像的首个像素Gn0来说,X1=abs(Gb0-Gn0)。其中,X1为首个像素对应的灰度差值,Gb0为背景模板图像的首个像素的灰度值,Gn0为待检测图像的首个像素的灰度值。
对应地,差值图像中其他像素对应的灰度差值的获取过程与上述首个像素对应的灰度差值的获取过程是类似的,后续不再一一描述,具体可参见上述首个像素对应的灰度差值的计算过程。
此外,在获取到n个像素中每个像素对应的灰度差值的情况下,可计算n个像素对应的灰度差值的和,以获得和值X。其中,和值X是X1至Xn的和。
步骤S313,控制装置比较和值X和预设图像噪声阈值T的大小。
应理解,预设图像噪声阈值T的具体指可根据实际需求来进行设置,本申请实施例并不局限于此。
在确定和值X大于等于预设图像噪声阈值T的情况下,可确定待检测图像为非纯背景图像,则可执行步骤S314,以进入色阶统计阶段;在确定和值X小于预设图像噪声阈值T的情况下,可确定待检测图像和背景一致,即待检测图像中不包含待检测箱体,则可执行步骤S319。
步骤S314,从待检测图像的感兴趣区域的多个像素中筛选出符合第二预设条件的第二目标像素,并统计所有第二目标像素的第二像素总数。其中,第二预设条件包括:第二目标像素的红色分量和蓝色分量的差值大于等于预设差值。
应理解,预设差值的具体值可根据实际需求来进行设置,本申请实施例并不局限于此。
为了便于理解本申请实施例,下面通过具体的实施例来进行描述。
具体地,在图像采集装置开启时,可进行一次图像白平衡以确定色调均和。随后,可先初始化第一累加器,并可获取待检测图像的感性区域内的每个像素的红色分量和蓝色分量的差值,以获取每个像素的色阶。
例如,可通过如下公式计算每个像素的色阶:
C=R-B
其中,C表示当前像素的红色分量和蓝色分量的差值,R表示当前像素的红色分量,B表示当前像素的蓝色分量。
此外,还可比较每个像素的红色分量和蓝色分量的差值和预设差值的大小。若确定当前像素的红色分量和蓝色分量的差值大于等于预设差值,则确定当前像素为第二目标像素,并且可将第一累加器加1,直至所有像素都比较完毕后,可获得第二目标像素的第二像素总数;若确定当前像素的红色分量和蓝色分量的差值小于预设差值,则第一累加器可不进行累加。
这里需要说明的是,在箱体进入图像采集装置的视野以后,相对于作为背景板的检测台桌面,红色分量增量明显,蓝色分量减少明显,则可采用这两个分量来获取像素的色阶。
步骤S315,控制装置比较第二像素总数和第二预设数量的大小。其中,第二预设数量可以是根据待检测图像的像素总数确定的。
应理解,第二预设数量的具体值可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,在待检测图像的像素总数为m的情况下,则第二预设数量的大小可以为m/4。
此外,在确定第二像素总数小于等于第二预设数量,则可执行步骤S316,以进入灰阶统计阶段;在确定第二像素总数大于第二预设数量,则可确定图像采集装置的视野内存在完整的箱体,而且箱体的箱体状态处于闭箱状态,则可执行步骤S320。
步骤S316,控制装置从待检测图像的感兴趣区域的多个像素中筛选出符合第一预设条件的第一目标像素,并统计所有第一目标像素的第一像素总数。第一预设条件包括:第一目标像素的灰度值的预设倍数小于等于第一目标像素对应的模板像素的灰度值,模板像素为背景模板图像的感兴趣区域中的像素。
应理解,预设倍数的具体倍数可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,预设倍数可以是2倍。
为了便于理解本申请实施例,下面通过具体的实施例来进行描述。
具体地,控制装置可先初始化第二累加器,随后可开始比较待检测图像的感兴趣区域中每个像素的灰度值预设倍数和背景模板图像的感兴趣区域中每个模板像素的灰度值的大小。
例如,对于感兴趣区域的第一像素且第一像素的灰度值为g1来说,则第一像素的灰度值的预设倍数可以为r*g1。并且,背景模板图像中与第一像素对应的像素的灰度值为g2。若r*g1小于等于g2,则可将第二累加器加1;若r*g1大于等于g2,则第二累加器可不进行累加。从而可按照上述方式,对其他的像素进行处理,直至感兴趣区域中所有像素处理完成,可获得第一像素总数。
步骤S317,控制装置比较第一像素总数和第一预设数量的大小。其中,第一预设数量是根据所述箱体图像的像素总数确定的。
应理解,第一预设数量的大小可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,在待检测图像的像素总数为m的情况下,则第一预设数量的大小可以为m/7。
此外,在确定第一像素总数大于等于第一预设数量的情况下,则可确定检测台的桌面上存在打开的箱体,即此时对于检测感兴趣区域来说,由于箱内光纤遮挡而产生了明显低灰度区域,则可执行步骤S318;在确定第一像素总数小于等于第一预设数量的情况下,则可确定检测台的桌面上不存在箱体,则可执行步骤S319。
步骤S318,控制装置确定箱体状态为开箱状态。
步骤S319,控制装置确定检测台上没有箱体。
步骤S320,控制装置确定箱体状态为闭箱状态。
因此,相比于通过图像分类模型来进行箱体状态的检测方法来说,由于图像分类模型的训练需要大量样本,而且训练样本的种类也必须齐全,每种分类类型的样本都必须足量,然后加上标定和成本,图像分类模型的部署成本是比较高的。但是,如图3所示的方法所需要的成本明显是比较低的。而且,如图3所示的方法也是不需要GPU来进行运算的,从而可减轻GPU的压力。
这里需要说明的是,在实际使用时,可先通过如图3所示的方法来完成初期的上线部署,然后在线上试运行期间积累足够的样本后,可通过如图3所示的过程获取的样本来训练图像分类模型,最后可利用训练好的图像分类模型来完成最终的部署。
步骤S230,若确定箱体状态为开箱状态,则将待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配。其中,至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号。
应理解,至少一个箱体编号可以为从流水线踢出的异常箱体的箱体编号。
还应理解,箱体编号可以是箱体的产品生产编号。
还应理解,箱体编号的获取方式也可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,可通过扫描箱体上的二维码,并可根据二维码解析出箱体编号。
为了便于理解本申请实施例,下面通过具体的实施例来进行描述。
具体地,控制装置可将目标箱体编号和至少一个异常箱体编号进行匹配。若确定目标箱体编号和目标异常箱体编号相同,则可确定目标箱体编号和目标异常箱体编号匹配;若确定目标箱体编号和至少一个异常箱体编号都不相同,则可确定目标箱体编号和至少一个异常箱体编号不匹配。
因此,本申请实施例可通过将目标箱体编号和至少一个异常箱体编号进行匹配,以确定待检测箱体和异常箱体匹配,从而可避免由于踢出装置异常而将正常箱体踢出的情况。
步骤S240,若通过匹配结果确定目标箱体编号为目标异常箱体编号,则从至少一个异常箱体编号中删除目标异常箱体编号。
因此,本申请实施例能够实现自动化监察,无需人工的介入,从而不仅可提高自动化程度,还节省了人工成本。
此外,借助于上述技术方案,本申请实施例还可使得值守人员的操作流程得到了极大的规范,并且还能够显著降低产品交付的问题。
应理解,上述箱体检测方法仅是示例性的,本领域技术人员根据上述的方法可以进行各种变形,该变形之后的方案也属于本申请的保护范围。
请参见图4,图4示出了本申请实施例提供的一种箱体检测装置400的结构框图。应理解,该箱体检测装置400能够执行上述方法实施例中的各个步骤,该箱体检测装置400具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该箱体检测装置400包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在箱体检测装置400的操作系统(operating system,OS)中的软件功能模块。具体地,该箱体检测装置400包括:
获取模块410,用于获取待检测箱体的箱体图像;确定模块420,用于根据箱体图像,确定待检测箱体的箱体状态;箱体状态包括开箱状态和闭箱状态;匹配模块430,用于若确定箱体状态为开箱状态,则将待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配;至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号;删除模块440,用于若通过匹配结果确定目标箱体编号为目标异常箱体编号,则从至少一个异常箱体编号中删除目标异常箱体编号。
在一个可能的实施例中,确定模块420,具体用于将箱体图像输入到预先训练好的图像分类模型中,以使预先训练好的图像分类模型对箱体图像进行分类识别,获得用于表示箱体状态的图像分类结果;预先训练好的图像分类模型是利用样本集对初始图像分类模型进行训练后获得的,样本集包括样本图像和样本图像对应的样本图像分类结果。
在一个可能的实施例中,图像分类模型为ResNet神经网络模型。
在一个可能的实施例中,确定模块420,具体用于:从箱体图像的感兴趣区域的多个像素中筛选出符合第一预设条件的第一目标像素,并统计所有第一目标像素的第一像素总数;第一预设条件包括:第一目标像素的灰度值的预设倍数小于等于第一目标像素对应的模板像素的灰度值,模板像素为背景模板图像的感兴趣区域中的像素;若确定第一像素总数大于等于第一预设数量,则确定待检测箱体的箱体状态为开箱状态;第一预设数量是根据箱体图像的像素总数确定的。
在一个可能的实施例中,确定模块420,还用于若确定第一像素总数小于第一预设数量,则确定箱体状态为闭箱状态。
在一个可能的实施例中,确定模块420,具体用于:从箱体图像的感兴趣区域的多个像素中筛选出符合第二预设条件的第二目标像素,并统计所有第二目标像素的第二像素总数;第二预设条件包括:第二目标像素的红色分量和蓝色分量的差值大于等于预设差值;若确定第二像素总数小于等于第二预设数量,则从多个像素中筛选出符合第一预设条件的第一目标像素;第二预设数量是根据箱体图像的像素总数确定的。
在一个可能的实施例中,确定模块420,还用于若确定第二像素总数小于第二预设数量,则确定待检测箱体的箱体状态为闭箱状态。
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,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
请参见图5,图5示出了本申请实施例提供的一种电子设备500的结构框图。如图5所示,电子设备500可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中,通信总线540用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片,具有信号的处理能力。上述的处理器510可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、现场可编程逻辑门阵列(Field ProgrammableGate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是,但不限于,随机存取存储器(Random Access Memory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,简称EEPROM)等。存储器530中存储有计算机可读取指令,当计算机可读取指令由处理器510执行时,电子设备500可以执行上述方法实施例中的各个步骤。
电子设备500还可以包括存储控制器、输入输出单元、音频单元、显示单元。
存储器530、存储控制器、处理器510、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线540实现电性连接。处理器510用于执行存储器530中存储的可执行模块,例如电子设备500包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户输入数据实现用户与服务器(或本地终端)的交互。输入输出单元可以是,但不限于,鼠标和键盘等。
音频单元向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
可以理解,图5所示的结构仅为示意,电子设备500还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请提供一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行实施例所述的方法。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
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,上述描述的系统的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种箱体检测方法,其特征在于,包括:
获取待检测箱体的箱体图像;
根据所述箱体图像,确定所述待检测箱体的箱体状态;所述箱体状态包括开箱状态和闭箱状态;
若确定所述箱体状态为所述开箱状态,则将所述待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配;所述至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号;
若通过匹配结果确定所述目标箱体编号为目标异常箱体编号,则从所述至少一个异常箱体编号中删除所述目标异常箱体编号。
2.根据权利要求1所述的箱体检测方法,其特征在于,所述根据所述箱体图像,确定所述待检测箱体的箱体状态,包括:
将所述箱体图像输入到预先训练好的图像分类模型中,以使所述预先训练好的图像分类模型对所述箱体图像进行分类识别,获得用于表示所述箱体状态的图像分类结果;所述预先训练好的图像分类模型是利用样本集对初始图像分类模型进行训练后获得的,所述样本集包括样本图像和所述样本图像对应的样本图像分类结果。
3.根据权利要求2所述的箱体检测方法,其特征在于,所述图像分类模型为ResNet神经网络模型。
4.根据权利要求1所述的箱体检测方法,其特征在于,所述根据所述箱体图像,确定所述待检测箱体的箱体状态,包括:
从所述箱体图像的感兴趣区域的多个像素中筛选出符合第一预设条件的第一目标像素,并统计所有第一目标像素的第一像素总数;所述第一预设条件包括:所述第一目标像素的灰度值的预设倍数小于等于所述第一目标像素对应的模板像素的灰度值,所述模板像素为用于确定所述箱体状态的背景模板图像的感兴趣区域中的像素;
若确定所述第一像素总数大于等于第一预设数量,则确定所述待检测箱体的箱体状态为所述开箱状态;所述第一预设数量是根据所述箱体图像的像素总数确定的。
5.根据权利要求4所述的箱体检测方法,其特征在于,所述箱体检测方法还包括:
若确定所述第一像素总数小于所述第一预设数量,则确定所述箱体状态为所述闭箱状态。
6.根据权利要求4所述的箱体检测方法,其特征在于,所述从所述箱体图像的感兴趣区域的多个像素中筛选出符合第一预设条件的第一目标像素,包括:
从所述箱体图像的感兴趣区域的多个像素中筛选出符合第二预设条件的第二目标像素,并统计所有第二目标像素的第二像素总数;所述第二预设条件包括:所述第二目标像素的红色分量和蓝色分量的差值大于等于预设差值;
若确定所述第二像素总数小于等于第二预设数量,则从所述多个像素中筛选出符合所述第一预设条件的第一目标像素;所述第二预设数量是根据所述箱体图像的像素总数确定的。
7.根据权利要求6所述的箱体检测方法,其特征在于,所述箱体检测方法还包括:
若确定所述第二像素总数小于所述第二预设数量,则确定所述待检测箱体的箱体状态为所述闭箱状态。
8.一种箱体检测装置,其特征在于,包括:
获取模块,用于获取待检测箱体的箱体图像;
确定模块,用于根据所述箱体图像,确定所述待检测箱体的箱体状态;所述箱体状态包括开箱状态和闭箱状态;
匹配模块,用于若确定所述箱体状态为所述开箱状态,则将所述待检测箱体的目标箱体编号和至少一个异常箱体编号进行匹配;所述至少一个异常箱体编号为从流水线上踢出的至少一个异常箱体的编号;
删除模块,用于若通过匹配结果确定所述目标箱体编号为目标异常箱体编号,则从所述至少一个异常箱体编号中删除所述目标异常箱体编号。
9.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一所述的箱体检测方法。
10.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1-7任一所述的箱体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514924.3A CN113160215A (zh) | 2021-05-11 | 2021-05-11 | 一种箱体检测方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514924.3A CN113160215A (zh) | 2021-05-11 | 2021-05-11 | 一种箱体检测方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160215A true CN113160215A (zh) | 2021-07-23 |
Family
ID=76874517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110514924.3A Withdrawn CN113160215A (zh) | 2021-05-11 | 2021-05-11 | 一种箱体检测方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160215A (zh) |
-
2021
- 2021-05-11 CN CN202110514924.3A patent/CN113160215A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190244504A1 (en) | Fire monitoring system | |
JP6867153B2 (ja) | 異常監視システム | |
CN101571914B (zh) | 异常行为检测装置 | |
JP6942029B2 (ja) | 火災監視システム | |
JP2021119469A (ja) | 監視システム | |
CN102348128A (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
WO2020052633A1 (en) | System and method for determining a condition of an object | |
US20220300809A1 (en) | Data generation system, learning apparatus, data generation apparatus, data generation method, and computer-readable storage medium storing a data generation program | |
JP2007114843A (ja) | 良否判定装置 | |
CN111310733A (zh) | 基于监控视频的人员进出检测方法、装置和设备 | |
EP3910437B1 (en) | Monitoring apparatus, monitoring method, and computer-readable medium | |
JP2018088630A (ja) | 火災監視システム | |
CN101316371B (zh) | 火焰侦测方法及装置 | |
WO2021082433A1 (zh) | 一种数字病理图像质控的方法及装置 | |
CN115362445A (zh) | 数据分类装置、数据分类方法以及数据分类程序 | |
CN113160215A (zh) | 一种箱体检测方法、装置、存储介质和电子设备 | |
KR101581162B1 (ko) | 실시간 영상 기반의 화염, 연기 및 물체 움직임 자동 감지 방법, 장치 및 시스템 | |
CN112016509A (zh) | 人员站位异常提醒方法及装置 | |
Yoon et al. | Improved modified pressure imaging and software for egg micro-crack detection and egg quality grading | |
JP5098160B2 (ja) | 防犯装置、防犯システムおよび防犯プログラム | |
CN111507282A (zh) | 一种目标检测预警分析系统、方法、设备及介质 | |
CN104423807A (zh) | 传感器信息管理装置 | |
EP3779790A1 (de) | Optische qualitätskontrolle | |
CN117253176B (zh) | 基于视频分析与计算机视觉的安全生产Al智能检测方法 | |
JP7241011B2 (ja) | 情報処理装置、情報処理方法及びプログラム |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210723 |