CN113191227A - 柜门状态的检测方法、装置、设备及存储介质 - Google Patents
柜门状态的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113191227A CN113191227A CN202110421382.5A CN202110421382A CN113191227A CN 113191227 A CN113191227 A CN 113191227A CN 202110421382 A CN202110421382 A CN 202110421382A CN 113191227 A CN113191227 A CN 113191227A
- Authority
- CN
- China
- Prior art keywords
- image
- cabinet door
- target
- state
- target detection
- 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.)
- Pending
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及物流技术领域,公开了柜门状态的检测方法、装置、设备及存储介质,用于提高识别图像中柜门状态的准确率。柜门状态的检测方法包括:从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种柜门状态的检测方法、装置、设备及存储介质。
背景技术
随着物流水平的提高,物流过程包括越来越多的节点,例如揽收、分拨、运输、派送等节点。在分拨和派送的过程中,设备柜成为不可缺少的部分,设备柜可用于放置快递货物。
由于操作人员的疏忽,可能出现设备柜门未关闭的情况,这种情况会带来比较严重的安全隐患,因此很多物流公司会利用摄像头实时监控设备柜门的状态,从而降低这种安全隐患。一般的处理方法是对摄像头获取的设备柜图像进行识别,但是现有的识别算法对柜门状态进行识别时,会受到摄像头角度、光线等影响,导致识别的准确率较低。
发明内容
本发明提供了一种柜门状态的检测方法、装置、设备及存储介质,用于提高识别图像中柜门状态的准确率。
本发明第一方面提供了一种柜门状态的检测方法,包括:从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。
可选的,在本发明第一方面的第一种实现方式中,所述对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像包括:基于预置的高斯函数和所述待检测图像进行计算,生成加权值;对所述待检测图像中每个像素点的邻域像素点进行加权平均处理,生成高斯平滑后的图像;从所述高斯平滑后的图片中读取每个灰度等级对应的像素点数量值,得到多个像素点数量值,不同的灰度等级对应不同的像素点数量值;分别基于多个灰度等级和所述多个像素点数量值进行密度值计算,生成多个概率密度值,一个灰度等级对应一个概率密度值;对所述多个灰度等级和所述多个概率密度值进行线性处理,生成离散函数;基于所述离散函数和对比度阈值对所述高斯平滑后的图像进行调整,生成处理后的图像。
可选的,在本发明第一方面的第二种实现方式中,所述调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门包括:将所述处理后的图像进行分割,生成多个栅格图像,所述多个栅格图像互不重合;将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中结合目标检测算法进行卷积计算,生成目标检测图像,所述目标检测图像包括目标柜门。
可选的,在本发明第一方面的第三种实现方式中,所述将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中结合目标检测算法进行卷积计算,生成目标检测图像,所述目标检测图像包括目标柜门包括:将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中,结合目标检测算法,生成多个边界框参数;结合所述处理后的图像中的柜门和所述多个边界框参数确定多个目标栅格图像,并在所述多个目标栅格图像中确定柜门中心点;基于所述多个边界框参数和所述柜门中心点,生成目标检测图像,所述目标检测图像包括目标柜门。
可选的,在本发明第一方面的第四种实现方式中,所述根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态包括:基于所述目标检测图像和预置的基准图像计算相似度,得到图像相似度;基于所述目标检测图像和预置的基准图像计算图像差值,得到边缘图像比较值;基于所述图像相似度和所述边缘图像比较值对所述目标柜门的状态进行检测,生成目标柜门的状态。
可选的,在本发明第一方面的第五种实现方式中,所述基于所述目标检测图像和预置的基准图像计算相似度,得到图像相似度包括:将所述目标检测图像转换为目标检测灰度直方图,以及将基准图像转换为基准灰度直方图;结合预置的相似度公式对所述目标检测灰度直方图和所述基准灰度直方图进行相似度计算,生成图像相似度。
可选的,在本发明第一方面的第六种实现方式中,所述基于所述图像相似度和所述边缘图像比较值对所述目标柜门的状态进行检测,生成目标柜门的状态包括:判断所述图像相似度是否小于或者等于图像相似度阈值,并判断所述边缘图像比较值是否小于或者等于边缘图像比较阈值;若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则判定目标柜门的状态为关闭状态;若所述图像相似度大于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,则判定所述目标柜门的状态为打开状态;若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,或者所述图像相似度大于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则计算所述图像相似度与相似度阈值的差值并计算所述边缘图像比较值和边缘图像比较阈值的差值,得到相似度差值和边缘图像比较值的差值;若所述相似度差值大于所述边缘图像比较值的差值,则基于所述图像相似度确定所述目标柜门的状态为打开状态或者为关闭状态;若所述相似度差值小于或者等于所述边缘图像比较值的差值,则基于所述边缘图像比较值确定所述目标柜门的状态为打开状态或者为关闭状态。
本发明第二方面提供了一种柜门状态的检测装置,包括:获取模块,用于从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;预处理模块,用于对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;目标检测模块,用于调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;状态检测模块,用于根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。
可选的,在本发明第二方面的第一种实现方式中,所述预处理模块还可以具体用于:基于预置的高斯函数和所述待检测图像进行计算,生成加权值;对所述待检测图像中每个像素点的邻域像素点进行加权平均处理,生成高斯平滑后的图像;从所述高斯平滑后的图片中读取每个灰度等级对应的像素点数量值,得到多个像素点数量值,不同的灰度等级对应不同的像素点数量值;分别基于多个灰度等级和所述多个像素点数量值进行密度值计算,生成多个概率密度值,一个灰度等级对应一个概率密度值;对所述多个灰度等级和所述多个概率密度值进行线性处理,生成离散函数;基于所述离散函数和对比度阈值对所述高斯平滑后的图像进行调整,生成处理后的图像。
可选的,在本发明第二方面的第二种实现方式中,所述目标检测模块包括:分割单元,用于将所述处理后的图像进行分割,生成多个栅格图像,所述多个栅格图像互不重合;卷积计算单元,用于将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中结合目标检测算法进行卷积计算,生成目标检测图像,所述目标检测图像包括目标柜门。
可选的,在本发明第二方面的第三种实现方式中,卷积计算单元还可以具体用于:将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中,结合目标检测算法,生成多个边界框参数;结合所述处理后的图像中的柜门和所述多个边界框参数确定多个目标栅格图像,并在所述多个目标栅格图像中确定柜门中心点;基于所述多个边界框参数和所述柜门中心点,生成目标检测图像,所述目标检测图像包括目标柜门。
可选的,在本发明第二方面的第四种实现方式中,状态检测模块包括:相似度计算单元,基于所述目标检测图像和预置的基准图像计算相似度,得到图像相似度;图像差值计算单元,用于基于所述目标检测图像和预置的基准图像计算图像差值,得到边缘图像比较值;检测单元,用于基于所述图像相似度和所述边缘图像比较值对所述目标柜门的状态进行检测,生成目标柜门的状态。
可选的,在本发明第二方面的第五种实现方式中,相似度计算单元还可以具体用于:将所述目标检测图像转换为目标检测灰度直方图,以及将基准图像转换为基准灰度直方图;结合预置的相似度公式对所述目标检测灰度直方图和所述基准灰度直方图进行相似度计算,生成图像相似度。
可选的,在本发明第二方面的第六种实现方式中,检测单元还可以具体用于:判断所述图像相似度是否小于或者等于图像相似度阈值,并判断所述边缘图像比较值是否小于或者等于边缘图像比较阈值;若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则判定目标柜门的状态为关闭状态;若所述图像相似度大于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,则判定所述目标柜门的状态为打开状态;若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,或者所述图像相似度大于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则计算所述图像相似度与相似度阈值的差值并计算所述边缘图像比较值和边缘图像比较阈值的差值,得到相似度差值和边缘图像比较值的差值;若所述相似度差值大于所述边缘图像比较值的差值,则基于所述图像相似度确定所述目标柜门的状态为打开状态或者为关闭状态;若所述相似度差值小于或者等于所述边缘图像比较值的差值,则基于所述边缘图像比较值确定所述目标柜门的状态为打开状态或者为关闭状态。
本发明第三方面提供了一种柜门状态的检测设备,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,以使得所述柜门状态的检测设备执行上述的柜门状态的检测方法。
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柜门状态的检测方法。
本发明提供的技术方案中,从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。本发明实施例中,对待检测图像进行高斯平滑处理和对比度增强处理,然后在处理后的图像中进行目标检测,最后再结合基准图像对目标检测图像中柜门的状态进行检测,解决了状态检测过程中受摄像头角度、光线等影响的问题,提高了识别柜门状态的准确率。
附图说明
图1为本发明实施例中柜门状态的检测方法的一个实施例示意图;
图2为本发明实施例中柜门状态的检测方法的另一个实施例示意图;
图3为本发明实施例中柜门状态的检测装置的一个实施例示意图;
图4为本发明实施例中柜门状态的检测装置的另一个实施例示意图;
图5为本发明实施例中柜门状态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柜门状态的检测方法、装置、设备及存储介质,用于提高识别图像中柜门状态的准确率。
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,本发明实施例中柜门状态的检测方法的一个实施例包括:
101、从物流分拨中心获取待检测图像,待检测图像至少包括一个柜门;
服务器从物流分拨中心获取待检测图像,待检测图像至少包括一个柜门。
为了便于说明,假设本实施例获取的待检测图像只包括一个柜门,在其他实施例中,待检测图像可以包括多个柜门,服务器对多个柜门都可以进行状态检测。
在物流的运输过程中,包括物流分拨的运输节点,在物流分拨时,操作人员需要将货物放置到分拨设备柜子中,为了防止操作人员忘记关闭设备柜门造成安全隐患,服务器从物流分拨中心实时获取至少包括一个柜门的待检测图像进行实时检测,该待检测图像可以通过摄像机拍照得到,也可以通过摄像机录像,再进行截图得到。
可以理解的是,本发明的执行主体可以为柜门状态的检测装置,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。
102、对待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;
服务器在得到待检测图像之后,要对待检测图像进行高斯平滑、对比度增强的预处理,从而生成处理后的图像。
由于设备柜的位置原因和外界的光照原因,服务器从物流分拨中心获取的待检测图像存在窗边或者墙边光线别较大、颜色单一、色块面积大、室内柜子光线变化不大等问题,因此服务器为了提高图像识别的准确率,在获取待检测图像之后,首先要对待检测图像进行预处理,从而提高待检测图像的图像质量。
在本实施中,对待检测图像的预处理主要分为高斯平滑处理和对比度增强处理,其中,高斯平滑处理用于去除待检测图像中的噪点,一般当光线较弱的时候,待检测图像中的噪点会比较多,高斯平滑处理能够去除这些噪点,从而保留更多的图像细节;对比度增强处理用于提高图像识别时的准确率,由于设备柜的颜色比较单一、或者设备柜所处位置的光线比较暗,会给图像识别造成困难,服务器通过增强对比度,即可解决图像识别中遇到的困难,从而提高图像识别的准确率。经过对待检测图像进行高斯平滑处理和对比度增强处理,即可得到高质量的处理后的图像。
103、调用目标检测算法对处理后的图像进行目标检测,生成目标检测图像,目标检测图像包括目标柜门;
服务器得到处理后的图像之后,在处理后的图像中进行目标检测,生成包括目标柜门的目标检测图像。
在处理后的图像中,不止包括柜门,还可能包括其他对象,例如车辆、货物、背景等,服务器在得到处理后的图像之后调用目标检测算法进行目标检测,即在处理后的图像中检测目标柜门,从而得到目标检测图像。在本实施中,调用目标检测算法对处理后的图像进行计算,能够生成多个参数集,该参数集中包括坐标、宽、高和置信度,服务器基于该参数集,在处理后的图像中确定目标柜门,从而得到目标检测图像。
104、根据目标检测图像和预置的基准图像对目标柜门的状态进行检测,生成目标柜门的状态。
服务器参考预置的基准图像对目标检测图像中目标柜门的状态进行检测,生成目标柜门的状态,其中目标柜门的状态为关闭状态或者打开状态。
需要说明的是,在本实施例中,预置的基准图像为柜门状态处于关闭状态的图像,在其他实施例中,基准图像还可以为柜门状态处于打开状态的图像,其中,柜门处于关闭状态的基准图像便于计算与说明,因此本实施例以柜门状态处于关闭状态的基准图像进行说明。
服务器从两方面参考预置的基准图像对目标检测图像中目标柜门的状态进行检测,一方面是基于两张图片中柜门的相似度进检测,一方面是基于两张图片中柜门边缘的像素差值进行检测,可以理解的是,柜们在打开的情况下,柜门边缘的像素值和柜内缝隙边缘的像素值不同。服务器结合以上两方面对目标检测图像中的目标柜门的状态进行检测,从而确定目标柜门的状态。
本发明实施例中,对待检测图像进行高斯平滑处理和对比度增强处理,然后在处理后的图像中进行目标检测,最后再结合基准图像对目标检测图像中柜门的状态进行检测,解决了状态检测过程中受摄像头角度、光线等影响的问题,提高了识别柜门状态的准确率。
请参阅图2,本发明实施例中柜门状态的检测方法的另一个实施例包括:
201、从物流分拨中心获取待检测图像,待检测图像至少包括一个柜门;
服务器从物流分拨中心获取待检测图像,待检测图像至少包括一个柜门。
为了便于说明,假设本实施例获取的待检测图像只包括一个柜门,在其他实施例中,待检测图像可以包括多个柜门,服务器对多个柜门都可以进行状态检测。
在物流的运输过程中,包括物流分拨的运输节点,在物流分拨时,操作人员需要将货物放置到分拨设备柜子中,为了防止操作人员忘记关闭设备柜门造成安全隐患,服务器从物流分拨中心实时获取至少包括一个柜门的待检测图像进行实时检测,该待检测图像可以通过摄像机拍照得到,也可以通过摄像机录像,再进行截图得到。
202、对待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;
服务器在得到待检测图像之后,要对待检测图像进行高斯平滑、对比度增强的预处理,从而生成处理后的图像。
由于设备柜的位置原因和外界的光照原因,服务器从物流分拨中心获取的待检测图像存在窗边或者墙边光线别较大、颜色单一、色块面积大、室内柜子光线变化不大等问题,因此服务器为了提高图像识别的准确率,在获取待检测图像之后,首先要对待检测图像进行预处理,从而提高待检测图像的图像质量。
在本实施中,对待检测图像的预处理主要分为高斯平滑处理和对比度增强处理,其中,高斯平滑处理用于去除待检测图像中的噪点,一般当光线较弱的时候,待检测图像中的噪点会比较多,高斯平滑处理能够去除这些噪点,从而保留更多的图像细节;对比度增强处理用于提高图像识别时的准确率,由于设备柜的颜色比较单一、或者设备柜所处位置的光线比较暗,会给图像识别造成困难,服务器通过增强对比度,即可解决图像识别中遇到的困难,从而提高图像识别的准确率。经过对待检测图像进行高斯平滑处理和对比度增强处理,即可得到高质量的处理后的图像。
具体的,服务器基于预置的高斯函数和待检测图像进行计算,生成加权值;服务器对待检测图像中每个像素点的邻域像素点进行加权平均处理,生成高斯平滑后的图像;服务器从高斯平滑后的图片中读取每个灰度等级对应的像素点数量值,得到多个像素点数量值,一个灰度等级对应一个像素点数量值;服务器分别基于多个灰度等级和多个像素点数量值进行密度值计算,生成多个概率密度值,一个灰度等级对应一个概率密度值;服务器对多个灰度等级和多个概率密度值进行线性处理,生成离散函数;服务器基于离散函数和对比度阈值对高斯平滑后的图像进行调整,生成处理后的图像。
服务器首先基于预置的高斯函数和待检测图像中的每个像素点计算加权值,然后针对每个像素点的邻域内的像素点进行加权平均处理,完成待检测图像的平滑处理,生成高斯平滑后的图像;高斯平滑后的图像的灰度等级为256个等级,即0-255,在高斯平滑后的图像中,统计与每一个灰度等级对应的像素点的数量,得到多个像素点数量值;服务器再基于每一个灰度等级和对应的像素点数量值进行密度值计算,得到多个概率密度值,具体做法是,针对每一个灰度等级,求取对应的像素点数量值与像素点总数量的比值,该比值为目标灰度等级的概率密度值,根据此种方法,得到多个概率密度值;服务器将每个灰度等级作为自变量、将对应的概率密度值作为同组因变量,进行线性处理,从而得到一个离散函数,在本实施例中,该离散函数为二维离散函数,该二维离散函数对应的图为高斯平滑后的图像的直方图;服务器判断该离散函数中的调整因子是否与对比度阈值相等,如果不相等,则将该调整因子调整至于对比度阈值相等的数值,从而完成对高斯平滑后的图像的调整,得到处理后的图像。
203、将处理后的图像进行分割,生成多个栅格图像,多个栅格图像互不重合;
服务器将处理后的图像分割为多个互不重合的栅格图像。
将处理后的图像分割为多个栅格图像,便于目标检测。在本实施例中,将处理后的图像分割为22*22的图像,从而得到多个栅格图像。在其他实施例中,也可以将处理后的图像分割为其他规格的多个栅格图像,对此不作具体限定。
204、将处理后的图像和多个栅格图像输入预置的目标检测网络中结合目标检测算法进行卷积计算,生成目标检测图像,目标检测图像包括目标柜门;
服务器将处理后的图像和多个栅格图像输入预置的目标检测网络中进行卷积计算,该卷积计算结合目标检测算法进行计算,从而生成包括目标柜门的目标检测图像。
在本实施例中,预置的目标检测网络为YOLOV3神经网络,该目标检测网络主要使用目标检测算法进行检测,将处理后的图像和多个栅格图像输入该目标检测网络中,在该目标检测网络中,基于处理后的图像在多个栅格图像中确定目标柜门的位置,从而得到目标检测图像。
具体的,服务器将处理后的图像和多个栅格图像输入预置的目标检测网络中,结合目标检测算法,生成多个边界框参数;服务器结合处理后的图像中的柜门和多个边界框参数确定多个目标栅格图像,并在多个目标栅格图像中确定柜门中心点;服务器基于多个边界框参数和柜门中心点,生成目标检测图像,目标检测图像包括目标柜门。
服务器将处理后的图像和多个栅格图像输入预置的目标检测网络中,结合目标检测算法进行计算,多个边界框和对应的边界框参数,每个边界框参数包括五个具体的数值,具体形式为(x,y,w,h,c),其中(x,y)为每个边界框的中心坐标,(w,h)边界框的宽与高,c为边界框的置信度。其中,边界框的置信度用于表示该边界框中包括柜门的概率,在本实施例中,边界框的置信度大于25%时,即可判定该边界中包括柜门,即可确定多个目标栅格图像,然后再对每个边界框参数计算中心预测值,具体过程为:读取每个目标栅格图像的通道数据,得到多个通道数据,结合预置的预测函数分别对多个通道数据进行计算,生成与每个通道数据对应的中心预测值,得到多个中心预测值,将最大预测值对应的通道数据确定为目标通道数据,并将目标通道数据对应的目标栅格图像确定为中心目标栅格图像,从而确定柜门中心点,该柜门中心点为柜门的中心目标栅格图像。服务器再基于该柜门中心点和多个边界框参数,确定目标柜门的位置和形状,从而生成目标检测图像,此时的目标检测图像中包括目标柜门。
205、根据目标检测图像和预置的基准图像对目标柜门的状态进行检测,生成目标柜门的状态。
服务器参考预置的基准图像对目标检测图像中目标柜门的状态进行检测,生成目标柜门的状态,其中目标柜门的状态为关闭状态或者打开状态。
需要说明的是,在本实施例中,预置的基准图像为柜门状态处于关闭状态的图像,在其他实施例中,基准图像还可以为柜门状态处于打开状态的图像,其中,由于柜门处于关闭状态的基准图像便于计算与说明,因此本实施例以柜门状态处于关闭状态的基准图像进行说明。
服务器从两方面参考预置的基准图像对目标检测图像中目标柜门的状态进行检测,一方面是基于两张图片中柜门的相似度进检测,一方面是基于两张图片中柜门边缘的像素差值进行检测,可以理解的是,柜们在打开的情况下,柜门边缘的像素值和柜内缝隙边缘的像素值不同。服务器结合以上两方面对目标检测图像中的目标柜门的状态进行检测,从而确定目标柜门的状态。
具体的,服务器基于目标检测图像和预置的基准图像计算相似度,得到图像相似度;服务器基于目标检测图像和预置的基准图像计算图像差值,得到边缘图像比较值;服务器基于图像相似度和边缘图像比较值对目标柜门的状态进行检测,生成目标柜门的状态。
服务器一方面基于两张图片进行相似度的计算,另一方面基于两张图片进行边缘图像比较值的计算,最后结合图像相似度和边缘图像比较值在目标检测图像中进行目标柜门状态的检测,生成目标柜门的状态,该目标柜门的状态可以为柜门关闭的状态,也可以为柜门打开的状态。可选的,当目标柜门的状态为打开状态时,服务器向操作人员对应的终端发起警报。
服务器基于目标检测图像和预置的基准图像计算相似度,得到图像相似度包括:
服务器将目标检测图像转换为目标检测灰度直方图,以及将基准图像转换为基准灰度直方图;服务器结合预置的相似度公式对目标检测灰度直方图和基准灰度直方图进行相似度计算,生成图像相似度。
服务器首先将两张图片转换为灰度直方图,分别得到目标检测灰度直方图和基准灰度直方图,然后将再读取两张灰度直方图的宽度值和高度值,结合预置的相似度公式进行计算,相似度公式为:
其中,X为基准灰度直方图,Y为目标检测灰度直方图,m为宽度值,n为高度值,j代表1-m的变量,k代表1-n的变量,u代表宽度值的偏移量,v代表高度值的偏移量。基于该公式即可生成图像相似度。可以理解的是,在本实施例中应用该公式求得的图像相似度越小,说明两张图像越相似,柜门呈关闭状态的概率越大。
可选的,边缘图像比较值的计算过程为:对比基准灰度直方图和目标检测灰度直方图中同一列和同一行的像素值,得到对比结果,当对比结果相同时,服务器计数1,当对比结果不同时,服务器计数0,然后统计计数数值,计算计数数值与目标检测灰度直方图中的像素点数量值,生成边缘图像比较值。
服务器基于图像相似度和边缘图像比较值对目标柜门的状态进行检测,生成目标柜门的状态包括:
服务器判断所述图像相似度是否小于或者等于图像相似度阈值,并判断所述边缘图像比较值是否小于或者等于边缘图像比较阈值;若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,服务器则判定目标柜门的状态为关闭状态;若所述图像相似度大于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,服务器则判定所述目标柜门的状态为打开状态;若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,或者所述图像相似度大于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,服务器则计算所述图像相似度与相似度阈值的差值并计算所述边缘图像比较值和边缘图像比较阈值的差值,得到相似度差值和边缘图像比较值的差值;若所述相似度差值大于所述边缘图像比较值的差值,服务器则基于所述图像相似度确定所述目标柜门的状态为打开状态或者为关闭状态;若所述相似度差值小于或者等于所述边缘图像比较值的差值,服务器则基于所述边缘图像比较值确定所述目标柜门的状态为打开状态或者为关闭状态。
当图像相似度小于或者等于图像相似度阈值且边缘图像比较值小于或者等于边缘图像比较阈值时,服务器判定目标柜门的状态为关闭状态。当图像相似度大于图像相似度阈值,且边缘图像比较值大于边缘图像比较阈值时,服务器判定目标柜门的状态为打开状态。当图像相似度小于或者等于图像相似度阈值,且边缘图像比较值大于边缘图像比较阈值时,服务器计算图像相似度与相似度阈值的差值并计算边缘图像比较值和边缘图像比较阈值的差值,得到相似度差值和边缘图像比较值的差值;当相似度差值大于边缘图像比较值的差值时,服务器判定目标柜门的状态为关闭状态;当相似度差值小于或者等于边缘图像比较值的差值时,服务器判定目标柜门的状态为打开状态。当图像相似度大于图像相似度阈值,且边缘图像比较值小于或者等于边缘图像比较阈值时,服务器计算图像相似度与相似度阈值的差值并计算边缘图像比较值和边缘图像比较阈值的差值,得到相似度差值和边缘图像比较值的差值;当相似度差值大于边缘图像比较值的差值时,服务器判定目标柜门的状态为打开状态;当相似度差值小于或者等于边缘图像比较值的差值时,服务器判定目标柜门的状态为关闭状态。
本发明实施例中,对待检测图像进行高斯平滑处理和对比度增强处理,然后在处理后的图像中进行目标检测,最后再结合基准图像对目标检测图像中柜门的状态进行检测,解决了状态检测过程中受摄像头角度、光线等影响的问题,提高了识别柜门状态的准确率。
上面对本发明实施例中柜门状态的检测方法进行了描述,下面对本发明实施例中柜门状态的检测装置进行描述,请参阅图3,本发明实施例中柜门状态的检测装置一个实施例包括:
获取模块301,用于从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;
预处理模块302,用于对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;
目标检测模块303,用于调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;
状态检测模块304,用于根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。
本发明实施例中,对待检测图像进行高斯平滑处理和对比度增强处理,然后在处理后的图像中进行目标检测,最后再结合基准图像对目标检测图像中柜门的状态进行检测,解决了状态检测过程中受摄像头角度、光线等影响的问题,提高了识别柜门状态的准确率。
请参阅图4,本发明实施例中柜门状态的检测装置的另一个实施例包括:
获取模块301,用于从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;
预处理模块302,用于对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;
目标检测模块303,用于调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;
状态检测模块304,用于根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。
可选的,预处理模块302还可以具体用于:
基于预置的高斯函数和所述待检测图像进行计算,生成加权值;
对所述待检测图像中每个像素点的邻域像素点进行加权平均处理,生成高斯平滑后的图像;
从所述高斯平滑后的图片中读取每个灰度等级对应的像素点数量值,得到多个像素点数量值,不同的灰度等级对应不同的像素点数量值;
分别基于多个灰度等级和所述多个像素点数量值进行密度值计算,生成多个概率密度值,一个灰度等级对应一个概率密度值;
对所述多个灰度等级和所述多个概率密度值进行线性处理,生成离散函数;
基于所述离散函数和对比度阈值对所述高斯平滑后的图像进行调整,生成处理后的图像。
可选的,目标检测模块303包括:
分割单元3031,用于将所述处理后的图像进行分割,生成多个栅格图像,所述多个栅格图像互不重合;
卷积计算单元3032,用于将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中结合目标检测算法进行卷积计算,生成目标检测图像,所述目标检测图像包括目标柜门。
可选的,卷积计算单元3032还可以具体用于:
将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中,结合目标检测算法,生成多个边界框参数;
结合所述处理后的图像中的柜门和所述多个边界框参数确定多个目标栅格图像,并在所述多个目标栅格图像中确定柜门中心点;
基于所述多个边界框参数和所述柜门中心点,生成目标检测图像,所述目标检测图像包括目标柜门。
可选的,状态检测模块304包括:
相似度计算单元3041,基于所述目标检测图像和预置的基准图像计算相似度,得到图像相似度;
图像差值计算单元3042,用于基于所述目标检测图像和预置的基准图像计算图像差值,得到边缘图像比较值;
检测单元3043,用于基于所述图像相似度和所述边缘图像比较值对所述目标柜门的状态进行检测,生成目标柜门的状态。
可选的,相似度计算单元3041还可以具体用于:
将所述目标检测图像转换为目标检测灰度直方图,以及将基准图像转换为基准灰度直方图;
结合预置的相似度公式对所述目标检测灰度直方图和所述基准灰度直方图进行相似度计算,生成图像相似度。
可选的,检测单元3043还可以具体用于:
判断所述图像相似度是否小于或者等于图像相似度阈值,并判断所述边缘图像比较值是否小于或者等于边缘图像比较阈值;
若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则判定目标柜门的状态为关闭状态;
若所述图像相似度大于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,则判定所述目标柜门的状态为打开状态;
若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,或者所述图像相似度大于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则计算所述图像相似度与相似度阈值的差值并计算所述边缘图像比较值和边缘图像比较阈值的差值,得到相似度差值和边缘图像比较值的差值;
若所述相似度差值大于所述边缘图像比较值的差值,则基于所述图像相似度确定所述目标柜门的状态为打开状态或者为关闭状态;
若所述相似度差值小于或者等于所述边缘图像比较值的差值,则基于所述边缘图像比较值确定所述目标柜门的状态为打开状态或者为关闭状态。
本发明实施例中,对待检测图像进行高斯平滑处理和对比度增强处理,然后在处理后的图像中进行目标检测,最后再结合基准图像对目标检测图像中柜门的状态进行检测,解决了状态检测过程中受摄像头角度、光线等影响的问题,提高了识别柜门状态的准确率。
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柜门状态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柜门状态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柜门状态的检测设备的结构示意图,该柜门状态的检测设备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柜门状态的检测设备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,在柜门状态的检测设备500上执行存储介质530中的一系列指令操作。
柜门状态的检测设备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示出的柜门状态的检测设备结构并不构成对柜门状态的检测设备的限定,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。
本发明还提供一种柜门状态的检测设备,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柜门状态的检测方法的步骤。
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柜门状态的检测方法的步骤。
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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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)
1.一种柜门状态的检测方法,其特征在于,所述柜门状态的检测方法包括:
从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;
对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;
调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;
根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。
2.根据权利要求1所述的柜门状态的检测方法,其特征在于,所述对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像包括:
基于预置的高斯函数和所述待检测图像进行计算,生成加权值;
对所述待检测图像中每个像素点的邻域像素点进行加权平均处理,生成高斯平滑后的图像;
从所述高斯平滑后的图片中读取每个灰度等级对应的像素点数量值,得到多个像素点数量值,不同的灰度等级对应不同的像素点数量值;
分别基于多个灰度等级和所述多个像素点数量值进行密度值计算,生成多个概率密度值,一个灰度等级对应一个概率密度值;
对所述多个灰度等级和所述多个概率密度值进行线性处理,生成离散函数;
基于所述离散函数和对比度阈值对所述高斯平滑后的图像进行调整,生成处理后的图像。
3.根据权利要求1所述的柜门状态的检测方法,其特征在于,所述调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门包括:
将所述处理后的图像进行分割,生成多个栅格图像,所述多个栅格图像互不重合;
将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中结合目标检测算法进行卷积计算,生成目标检测图像,所述目标检测图像包括目标柜门。
4.根据权利要求3所述的柜门状态的检测方法,其特征在于,所述将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中结合目标检测算法进行卷积计算,生成目标检测图像,所述目标检测图像包括目标柜门包括:
将所述处理后的图像和所述多个栅格图像输入预置的目标检测网络中,结合目标检测算法,生成多个边界框参数;
结合所述处理后的图像中的柜门和所述多个边界框参数确定多个目标栅格图像,并在所述多个目标栅格图像中确定柜门中心点;
基于所述多个边界框参数和所述柜门中心点,生成目标检测图像,所述目标检测图像包括目标柜门。
5.根据权利要求1所述的柜门状态的检测方法,其特征在于,所述根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态包括:
基于所述目标检测图像和预置的基准图像计算相似度,得到图像相似度;
基于所述目标检测图像和预置的基准图像计算图像差值,得到边缘图像比较值;
基于所述图像相似度和所述边缘图像比较值对所述目标柜门的状态进行检测,生成目标柜门的状态。
6.根据权利要求5所述的柜门状态的检测方法,其特征在于,所述基于所述目标检测图像和预置的基准图像计算相似度,得到图像相似度包括:
将所述目标检测图像转换为目标检测灰度直方图,以及将基准图像转换为基准灰度直方图;
结合预置的相似度公式对所述目标检测灰度直方图和所述基准灰度直方图进行相似度计算,生成图像相似度。
7.根据权利要求5所述的柜门状态的检测方法,其特征在于,所述基于所述图像相似度和所述边缘图像比较值对所述目标柜门的状态进行检测,生成目标柜门的状态包括:
判断所述图像相似度是否小于或者等于图像相似度阈值,并判断所述边缘图像比较值是否小于或者等于边缘图像比较阈值;
若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则判定目标柜门的状态为关闭状态;
若所述图像相似度大于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,则判定所述目标柜门的状态为打开状态;
若所述图像相似度小于或者等于图像相似度阈值,且所述边缘图像比较值大于边缘图像比较阈值,或者所述图像相似度大于图像相似度阈值,且所述边缘图像比较值小于或者等于边缘图像比较阈值,则计算所述图像相似度与相似度阈值的差值并计算所述边缘图像比较值和边缘图像比较阈值的差值,得到相似度差值和边缘图像比较值的差值;
若所述相似度差值大于所述边缘图像比较值的差值,则基于所述图像相似度确定所述目标柜门的状态为打开状态或者为关闭状态;
若所述相似度差值小于或者等于所述边缘图像比较值的差值,则基于所述边缘图像比较值确定所述目标柜门的状态为打开状态或者为关闭状态。
8.一种柜门状态的检测装置,其特征在于,所述柜门状态的检测装置包括:
获取模块,用于从物流分拨中心获取待检测图像,所述待检测图像至少包括一个柜门;
预处理模块,用于对所述待检测图像进行高斯平滑处理和对比度增强处理,生成处理后的图像;
目标检测模块,用于调用目标检测算法对所述处理后的图像进行目标检测,生成目标检测图像,所述目标检测图像包括目标柜门;
状态检测模块,用于根据所述目标检测图像和预置的基准图像对所述目标柜门的状态进行检测,生成目标柜门的状态。
9.一种柜门状态的检测设备,其特征在于,所述柜门状态的检测设备包括: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,以使得所述柜门状态的检测设备执行如权利要求1-7中任意一项所述的柜门状态的检测方法。
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中任一项所述柜门状态的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421382.5A CN113191227A (zh) | 2021-04-20 | 2021-04-20 | 柜门状态的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421382.5A CN113191227A (zh) | 2021-04-20 | 2021-04-20 | 柜门状态的检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191227A true CN113191227A (zh) | 2021-07-30 |
Family
ID=76977403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421382.5A Pending CN113191227A (zh) | 2021-04-20 | 2021-04-20 | 柜门状态的检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191227A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279367A (zh) * | 2021-12-23 | 2022-04-05 | 元气森林(北京)食品科技集团有限公司 | 陈列柜开门角度的检测方法、陈列柜及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005092262A (ja) * | 2003-09-11 | 2005-04-07 | Secom Co Ltd | 顔検知装置 |
KR20050100729A (ko) * | 2004-04-14 | 2005-10-20 | 주식회사 엘피에이 | 대략적 최대 흐름 정합을 기반으로 하는 고속 영상 비교,검색 시스템 및 방법 |
JP2012123626A (ja) * | 2010-12-08 | 2012-06-28 | Toyota Central R&D Labs Inc | 対象物検出装置及びプログラム |
CN106250902A (zh) * | 2016-07-29 | 2016-12-21 | 武汉大学 | 基于图像特征模板匹配的电力系统开关状态检测方法 |
US9552528B1 (en) * | 2014-03-03 | 2017-01-24 | Accusoft Corporation | Method and apparatus for image binarization |
KR101911912B1 (ko) * | 2017-04-17 | 2018-10-25 | 성균관대학교산학협력단 | 에지 및 히스토그램을 이용한 물체 검출 방법 및 장치 |
CN110472467A (zh) * | 2019-04-08 | 2019-11-19 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN110516705A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于深度学习的目标跟踪方法、装置及计算机可读存储介质 |
-
2021
- 2021-04-20 CN CN202110421382.5A patent/CN113191227A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005092262A (ja) * | 2003-09-11 | 2005-04-07 | Secom Co Ltd | 顔検知装置 |
KR20050100729A (ko) * | 2004-04-14 | 2005-10-20 | 주식회사 엘피에이 | 대략적 최대 흐름 정합을 기반으로 하는 고속 영상 비교,검색 시스템 및 방법 |
JP2012123626A (ja) * | 2010-12-08 | 2012-06-28 | Toyota Central R&D Labs Inc | 対象物検出装置及びプログラム |
US9552528B1 (en) * | 2014-03-03 | 2017-01-24 | Accusoft Corporation | Method and apparatus for image binarization |
CN106250902A (zh) * | 2016-07-29 | 2016-12-21 | 武汉大学 | 基于图像特征模板匹配的电力系统开关状态检测方法 |
KR101911912B1 (ko) * | 2017-04-17 | 2018-10-25 | 성균관대학교산학협력단 | 에지 및 히스토그램을 이용한 물체 검출 방법 및 장치 |
CN110472467A (zh) * | 2019-04-08 | 2019-11-19 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN110516705A (zh) * | 2019-07-19 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于深度学习的目标跟踪方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
彭熹 等: "基于卷积神经网络的电力开关柜柜门开合状态图像识别研究", 《科技通报》, vol. 35, no. 11, pages 94 - 98 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279367A (zh) * | 2021-12-23 | 2022-04-05 | 元气森林(北京)食品科技集团有限公司 | 陈列柜开门角度的检测方法、陈列柜及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101656373B1 (ko) | 얼굴 식별 방법, 얼굴 식별 장치 및 이 방법을 실행시키는 컴퓨터 프로그램 | |
Neogi et al. | Defect detection of steel surfaces with global adaptive percentile thresholding of gradient image | |
CN109903265B (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN101625722B (zh) | 载物识别图像的分类方法 | |
CN111553914B (zh) | 基于视觉的货物检测方法、装置、终端及可读存储介质 | |
CN114782892A (zh) | 违规行为目标检测方法、装置、设备及存储介质 | |
US7403636B2 (en) | Method and apparatus for processing an image | |
CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
CN113313092B (zh) | 手写签名识别方法、理赔自动化处理方法、装置和设备 | |
CN113191227A (zh) | 柜门状态的检测方法、装置、设备及存储介质 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN108460775A (zh) | 一种纸币真伪识别方法及装置 | |
Mohan et al. | An intelligent recognition system for identification of wood species | |
CN111079575B (zh) | 一种基于包装图像特征的物料识别方法及系统 | |
CN116228644A (zh) | 图像检测方法、电子设备及存储介质 | |
CN112749713B (zh) | 一种基于人工智能的大数据图像识别系统及方法 | |
CN110874732A (zh) | 基于移动支付设备的被扫支付方法和装置 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN115049713A (zh) | 图像配准方法、装置、设备及可读存储介质 | |
CN114758384A (zh) | 人脸检测方法、装置、设备及存储介质 | |
CN113506266A (zh) | 舌头腻苔的检测方法、装置、设备及存储介质 | |
CN112131919B (zh) | 安检方法、装置、设备及介质 | |
Wu et al. | Recognizing Moving Objects Based on Gaussian-Hermite Moments and ART Neural Networks. | |
CN111027560A (zh) | 文本检测方法以及相关装置 |
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 |