CN113657317A - 一种货物位置识别方法、系统、电子设备及存储介质 - Google Patents
一种货物位置识别方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113657317A CN113657317A CN202110968153.5A CN202110968153A CN113657317A CN 113657317 A CN113657317 A CN 113657317A CN 202110968153 A CN202110968153 A CN 202110968153A CN 113657317 A CN113657317 A CN 113657317A
- Authority
- CN
- China
- Prior art keywords
- goods
- shelf
- detection frame
- vertex
- lower right
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种货物位置识别方法、系统、电子设备及存储介质,其方法技术方案包括货物检测框生成步骤,获取一货架图像,并通过深度学习方法对所述货架图像中的货物进行检测,对每个所述货物生成检测框;坐标信息处理步骤,以所述货架图像其中一角为原点,获取所述检测框的右下顶点的纵坐标,并根据所述检测框的右下顶点的纵坐标递归推导相邻的不同所述检测框是否位于同一层货架;货物位置确定步骤,判断位于同一层所述货架的所述检测框中最大的所述右下顶点的纵坐标,以最大的所述右下顶点的纵坐标作为该层所述货架的坐标,以确定所述货物所在货架的位置。本申请解决了现有方法计算量大、准确率低的问题。
Description
技术领域
本发明属于图像检测技术领域,尤其涉及一种货物位置识别方法、系统、电子设备及存储介质。
背景技术
利用图像深度学习进行物体检测时,可以检测到图片中物品的位置。但在有些场景中,不仅需要检测到物体的位置,还需要给出物品所在货架的层数,而现有技术一般通过做货架检测,获取每层货架的位置,通过找长直线的方式获取货架的位置,这种通过找长直线的方式找货架的方式,计算量大,准确率低。
发明内容
本申请实施例提供了一种货物位置识别方法、系统、电子设备及存储介质,以至少解决现有方法计算量大、准确率低的问题。
第一方面,本申请实施例提供了一种货物位置识别方法,包括:货物检测框生成步骤,获取一货架图像,并通过深度学习方法对所述货架图像中的货物进行检测,对每个所述货物生成检测框;坐标信息处理步骤,以所述货架图像其中一角为原点,获取所述检测框的右下顶点的纵坐标,并根据所述检测框的右下顶点的纵坐标递归推导相邻的不同所述检测框是否位于同一层货架;货物位置确定步骤,判断位于同一层所述货架的所述检测框中最大的所述右下顶点的纵坐标,以最大的所述右下顶点的纵坐标作为该层所述货架的坐标,以确定所述货物所在货架的位置。
优选的,所述坐标信息处理步骤进一步包括:对所述右下顶点的纵坐标做从小到大排序,得到排序队列,根据所述排序队列进行递归推导。
优选的,所述坐标信息处理步骤进一步包括:在所述排序队列中,当所述检测框的高与该所述检测框的右下顶点的纵坐标之和大于下一所述检测框的右下顶点的纵坐标时,该相邻的两个所述检测框是位于同一层货架。
优选的,所述货物位置确定步骤进一步包括:对同一层货架中的所述检测框,按所述检测框中一顶点横坐标从小到大排序,以获得当前所述货架从左到右的所述货物的顺序。
第二方面,本申请实施例提供了一种货物位置识别系统,适用于上述一种货物位置识别方法,包括:货物检测框生成模块,获取一货架图像,并通过深度学习系统对所述货架图像中的货物进行检测,对每个所述货物生成检测框;坐标信息处理模块,以所述货架图像其中一角为原点,获取所述检测框的右下顶点的纵坐标,并根据所述检测框的右下顶点的纵坐标递归推导相邻的不同所述检测框是否位于同一层货架;货物位置确定模块,判断位于同一层所述货架的所述检测框中最大的所述右下顶点的纵坐标,以最大的所述右下顶点的纵坐标作为该层所述货架的坐标,以确定所述货物所在货架的位置。
在其中一些实施例中,所述坐标信息处理模块进一步包括:对所述右下顶点的纵坐标做从小到大排序,得到排序队列,根据所述排序队列进行递归推导。
在其中一些实施例中,所述坐标信息处理模块进一步包括:在所述排序队列中,当所述检测框的高与该所述检测框的右下顶点的纵坐标之和大于下一所述检测框的右下顶点的纵坐标时,该相邻的两个所述检测框是位于同一层货架。
在其中一些实施例中,所述货物位置确定模块进一步包括:对同一层货架中的所述检测框,按所述检测框中一顶点横坐标从小到大排序,以获得当前所述货架从左到右的所述货物的顺序。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的一种货物位置识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的一种货物位置识别方法。
本申请可应用于深度学习技术领域。相比于相关技术,本申请实施例提供的一种货物位置识别方法,通过所有货物的位置计算货架层,进而获取单个货物所在的位置,因此计算量小,准确率高。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明的货物位置识别方法流程图;
图2为本发明的货物位置识别系统的框架图;
图3为本发明的电子设备的框架图;
以上图中:
1、货物检测框生成模块;2、坐标信息处理模块;3、货物位置确定模块;60、总线;61、处理器;62、存储器;63、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络,完成从原始图像的输入到物体位置和类别的输出。从网络设计上,YOLO与rcnn、fast rcnn及fasterrcnn的区别如下:
YOLO训练和检测均是在一个单独网络中进行。YOLO没有显示地求取regionproposal的过程。而rcnn/fast rcnn采用分离的模块(独立于网络之外的selectivesearch方法)求取候选框(可能会包含物体的矩形区域),训练过程因此也是分成多个模块进行。Faster rcnn使用RPN(region proposal network)卷积网络替代rcnn/fast rcnn的selective search模块,将RPN集成到fast rcnn检测网络中,得到一个统一的检测网络。尽管RPN与fast rcnn共享卷积层,但是在模型训练过程中,需要反复训练RPN网络和fastrcnn网络(注意这两个网络核心卷积层是参数共享的)。
YOLO将物体检测作为一个回归问题进行求解,输入图像经过一次inference,便能得到图像中所有物体的位置和其所属类别及相应的置信概率。而rcnn/fast rcnn/fasterrcnn将检测结果分为两部分求解:物体类别(分类问题),物体位置即bounding box(回归问题)。
以下,结合附图详细介绍本发明的实施例:
图1为本发明的货物位置识别方法流程图,请参见图1,本发明货物位置识别方法包括如下步骤:
S1:获取一货架图像,并通过深度学习方法对所述货架图像中的货物进行检测,对每个所述货物生成检测框。
在具体实施中,使用深度学习物体检测的方案,获取物品的位置;在具体实施中,可采用YOLO或Faster的深度学习方法。
S2:以所述货架图像其中一角为原点,获取所述检测框的右下顶点的纵坐标,并根据所述检测框的右下顶点的纵坐标递归推导相邻的不同所述检测框是否位于同一层货架。
可选的,对所述右下顶点的纵坐标做从小到大排序,得到排序队列,根据所述排序队列进行递归推导。
可选的,在所述排序队列中,当所述检测框的高与该所述检测框的右下顶点的纵坐标之和大于下一所述检测框的右下顶点的纵坐标时,该相邻的两个所述检测框是位于同一层货架。
在具体实施中,以货架图片的左上顶点为坐标零点,每个物体获得一个矩形检测框,每个检测框由四个坐标构成,即(x1,y1,w,h),分别代表矩形检测框的左上顶点的横坐标、左上顶点纵坐标、宽、高。
在具体实施中,用每个矩形框的左上顶点坐标和高度信息,计算得到右下顶点坐标,记为(x2,y2),对右下顶点的y2坐标做从小到大排序,得到排序队列。
在具体实施中,因为物品的高度总是低于货架的高,通过求最大最小值的方式和通过物品框的最低点递归推导货架可能的位置。当队列当前值对应的高度h加y2坐标的值大于下一个y2值时,则这两个相邻矩形框在同一个货架,否则在不同货架。可选的,可根据递归推导结果在货架图片上生成一每层货架位置的参考线。
S3:判断位于同一层所述货架的所述检测框中最大的所述右下顶点的纵坐标,以最大的所述右下顶点的纵坐标作为该层所述货架的坐标,以确定所述货物所在货架的位置。可选的,对同一层货架中的所述检测框,按所述检测框中一顶点横坐标从小到大排序,以获得当前所述货架从左到右的所述货物的顺序。
在具体实施中,用同一层最大y2值作为货架层坐标。
在具体实施中,对同一层货架中的矩形框,按x1坐标从小到大排序,排序得到的顺序即为当前货架从左到右货物的顺序。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种货物位置识别系统,适用于上述的一种货物位置识别方法。如以下所使用的,术语“单元”、“模块”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。
图2为根据本发明的货物位置识别系统的框架图,请参见图2,包括:
货物检测框生成模块1:获取一货架图像,并通过深度学习方法对所述货架图像中的货物进行检测,对每个所述货物生成检测框。
在具体实施中,使用深度学习物体检测的方案,获取物品的位置;在具体实施中,可采用YOLO或Faster的深度学习方法。
坐标信息处理模块2:以所述货架图像其中一角为原点,获取所述检测框的右下顶点的纵坐标,并根据所述检测框的右下顶点的纵坐标递归推导相邻的不同所述检测框是否位于同一层货架。
可选的,对所述右下顶点的纵坐标做从小到大排序,得到排序队列,根据所述排序队列进行递归推导。
可选的,在所述排序队列中,当所述检测框的高与该所述检测框的右下顶点的纵坐标之和大于下一所述检测框的右下顶点的纵坐标时,该相邻的两个所述检测框是位于同一层货架。
在具体实施中,以货架图片的左上顶点为坐标零点,每个物体获得一个矩形检测框,每个检测框由四个坐标构成,即(x1,y1,w,h),分别代表矩形检测框的左上顶点的横坐标、左上顶点纵坐标、宽、高。
在具体实施中,用每个矩形框的左上顶点坐标和高度信息,计算得到右下顶点坐标,记为(x2,y2),对右下顶点的y2坐标做从小到大排序,得到排序队列。
在具体实施中,因为物品的高度总是低于货架的高,通过求最大最小值的方式和通过物品框的最低点递归推导货架可能的位置。当队列当前值对应的高度h加y2坐标的值大于下一个y2值时,则这两个相邻矩形框在同一个货架,否则在不同货架。可选的,可根据递归推导结果在货架图片上生成一每层货架位置的参考线。
货物位置确定模块3:判断位于同一层所述货架的所述检测框中最大的所述右下顶点的纵坐标,以最大的所述右下顶点的纵坐标作为该层所述货架的坐标,以确定所述货物所在货架的位置。可选的,对同一层货架中的所述检测框,按所述检测框中一顶点横坐标从小到大排序,以获得当前所述货架从左到右的所述货物的顺序。
在具体实施中,用同一层最大y2值作为货架层坐标。
在具体实施中,对同一层货架中的矩形框,按x1坐标从小到大排序,排序得到的顺序即为当前货架从左到右货物的顺序。
另外,结合图1描述的一种货物位置识别方法可以由电子设备来实现。图3为本发明的电子设备的框架图。
电子设备可以包括处理器61以及存储有计算机程序指令的存储器62。
具体地,上述处理器61可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器62可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器62可在数据处理装置的内部或外部。在特定实施例中,存储器62是非易失性(Non-Volatile)存储器。在特定实施例中,存储器62包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器62可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器61所执行的可能的计算机程序指令。
处理器61通过读取并执行存储器62中存储的计算机程序指令,以实现上述实施例中的任意一种货物位置识别方法。
在其中一些实施例中,电子设备还可包括通信接口63和总线60。其中,如图3所示,处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信端口63可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线60包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。总线60包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线60可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线60可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的一种货物位置识别方法。
另外,结合上述实施例中的一种货物位置识别方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种货物位置识别方法。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(ReadOnly Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种货物位置识别方法,其特征在于,包括:
货物检测框生成步骤,获取一货架图像,并通过深度学习方法对所述货架图像中的货物进行检测,对每个所述货物生成检测框;
坐标信息处理步骤,以所述货架图像其中一角为原点,获取所述检测框的右下顶点的纵坐标,并根据所述检测框的右下顶点的纵坐标递归推导相邻的不同所述检测框是否位于同一层货架;
货物位置确定步骤,判断位于同一层所述货架的所述检测框中最大的所述右下顶点的纵坐标,以最大的所述右下顶点的纵坐标作为该层所述货架的坐标,以确定所述货物所在货架的位置。
2.根据权利要求1所述的货物位置识别方法,其特征在于,所述坐标信息处理步骤进一步包括:对所述右下顶点的纵坐标做从小到大排序,得到排序队列,根据所述排序队列进行递归推导。
3.根据权利要求2所述的货物位置识别方法,其特征在于,所述坐标信息处理步骤进一步包括:在所述排序队列中,当所述检测框的高与该所述检测框的右下顶点的纵坐标之和大于下一所述检测框的右下顶点的纵坐标时,该相邻的两个所述检测框是位于同一层货架。
4.根据权利要求1所述的货物位置识别方法,其特征在于,所述货物位置确定步骤进一步包括:对同一层货架中的所述检测框,按所述检测框中一顶点横坐标从小到大排序,以获得当前所述货架从左到右的所述货物的顺序。
5.一种货物位置识别系统,其特征在于,包括:
货物检测框生成模块,获取一货架图像,并通过深度学习系统对所述货架图像中的货物进行检测,对每个所述货物生成检测框;
坐标信息处理模块,以所述货架图像其中一角为原点,获取所述检测框的右下顶点的纵坐标,并根据所述检测框的右下顶点的纵坐标递归推导相邻的不同所述检测框是否位于同一层货架;
货物位置确定模块,判断位于同一层所述货架的所述检测框中最大的所述右下顶点的纵坐标,以最大的所述右下顶点的纵坐标作为该层所述货架的坐标,以确定所述货物所在货架的位置。
6.根据权利要求5所述的货物位置识别系统,其特征在于,所述坐标信息处理模块进一步包括:对所述右下顶点的纵坐标做从小到大排序,得到排序队列,根据所述排序队列进行递归推导。
7.根据权利要求6所述的货物位置识别系统,其特征在于,所述坐标信息处理模块进一步包括:在所述排序队列中,当所述检测框的高与该所述检测框的右下顶点的纵坐标之和大于下一所述检测框的右下顶点的纵坐标时,该相邻的两个所述检测框是位于同一层货架。
8.根据权利要求5所述的货物位置识别系统,其特征在于,所述货物位置确定模块进一步包括:对同一层货架中的所述检测框,按所述检测框中一顶点横坐标从小到大排序,以获得当前所述货架从左到右的所述货物的顺序。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的货物位置识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述的货物位置识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968153.5A CN113657317A (zh) | 2021-08-23 | 2021-08-23 | 一种货物位置识别方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968153.5A CN113657317A (zh) | 2021-08-23 | 2021-08-23 | 一种货物位置识别方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657317A true CN113657317A (zh) | 2021-11-16 |
Family
ID=78492007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968153.5A Pending CN113657317A (zh) | 2021-08-23 | 2021-08-23 | 一种货物位置识别方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657317A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170650A (zh) * | 2022-07-11 | 2022-10-11 | 深圳市平方科技股份有限公司 | 一种集装箱车载位识别方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705424A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种商品陈列位置的定位方法、装置及存储介质 |
CN111553914A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 基于视觉的货物检测方法、装置、终端及可读存储介质 |
CN111723777A (zh) * | 2020-07-07 | 2020-09-29 | 广州织点智能科技有限公司 | 商品取放过程判别方法、装置、智能货柜和可读存储介质 |
CN112052831A (zh) * | 2020-09-25 | 2020-12-08 | 北京百度网讯科技有限公司 | 人脸检测的方法、装置和计算机存储介质 |
CN112990095A (zh) * | 2021-04-13 | 2021-06-18 | 广州市玄武无线科技股份有限公司 | 商品陈列分析方法、装置、设备及存储介质 |
CN113033286A (zh) * | 2021-01-28 | 2021-06-25 | 上海耳序信息技术有限公司 | 一种货柜内商品的识别方法及装置 |
CN113269053A (zh) * | 2021-04-30 | 2021-08-17 | 广州图匠数据科技有限公司 | 商品的货架层列获取方法、终端、存储装置 |
-
2021
- 2021-08-23 CN CN202110968153.5A patent/CN113657317A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705424A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种商品陈列位置的定位方法、装置及存储介质 |
CN111553914A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 基于视觉的货物检测方法、装置、终端及可读存储介质 |
CN111723777A (zh) * | 2020-07-07 | 2020-09-29 | 广州织点智能科技有限公司 | 商品取放过程判别方法、装置、智能货柜和可读存储介质 |
CN112052831A (zh) * | 2020-09-25 | 2020-12-08 | 北京百度网讯科技有限公司 | 人脸检测的方法、装置和计算机存储介质 |
CN113033286A (zh) * | 2021-01-28 | 2021-06-25 | 上海耳序信息技术有限公司 | 一种货柜内商品的识别方法及装置 |
CN112990095A (zh) * | 2021-04-13 | 2021-06-18 | 广州市玄武无线科技股份有限公司 | 商品陈列分析方法、装置、设备及存储介质 |
CN113269053A (zh) * | 2021-04-30 | 2021-08-17 | 广州图匠数据科技有限公司 | 商品的货架层列获取方法、终端、存储装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170650A (zh) * | 2022-07-11 | 2022-10-11 | 深圳市平方科技股份有限公司 | 一种集装箱车载位识别方法、装置、电子设备及存储介质 |
CN115170650B (zh) * | 2022-07-11 | 2023-03-21 | 深圳市平方科技股份有限公司 | 一种集装箱车载位识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268869B (zh) | 目标检测方法、装置及系统 | |
US11144817B2 (en) | Device and method for determining convolutional neural network model for database | |
CN110781819A (zh) | 一种图像目标检测方法、系统、电子设备及存储介质 | |
US10430966B2 (en) | Estimating multi-person poses using greedy part assignment | |
CN111681256A (zh) | 图像边缘检测方法、装置、计算机设备和可读存储介质 | |
JP2017138989A (ja) | 画像に含まれるテキストを検出する方法、装置及びコンピュータ読み取り可能な記録媒体 | |
CN111460355B (zh) | 一种页面解析方法和装置 | |
CN111079638A (zh) | 基于卷积神经网络的目标检测模型训练方法、设备和介质 | |
CN108182457B (zh) | 用于生成信息的方法和装置 | |
CN112836756A (zh) | 图像识别模型训练方法、系统和计算机设备 | |
JP2017010554A (ja) | 曲線検出方法と曲線検出装置 | |
CN114882321A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN110390344B (zh) | 备选框更新方法及装置 | |
CN113657317A (zh) | 一种货物位置识别方法、系统、电子设备及存储介质 | |
CN111258905A (zh) | 缺陷定位方法、装置和电子设备及计算机可读存储介质 | |
US9858293B2 (en) | Image processing apparatus and image processing method | |
CN113849314A (zh) | 一种数据处理模型部署方法及装置 | |
CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
CN110807286A (zh) | 一种结构网格识别方法 | |
CN110059563B (zh) | 一种文本处理方法和装置 | |
CN110659538A (zh) | 一种非极大值抑制计算器和计算方法 | |
US20140212050A1 (en) | Systems and methods for processing an image | |
CN114550062A (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 | |
CN113569934A (zh) | Logo分类模型构建方法、系统、电子设备及存储介质 | |
US9292763B2 (en) | System, method, and medium for image object and contour feature extraction |
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 |