CN114219955A - 包装物料检测方法、装置、电子设备及存储介质 - Google Patents

包装物料检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114219955A
CN114219955A CN202010986809.1A CN202010986809A CN114219955A CN 114219955 A CN114219955 A CN 114219955A CN 202010986809 A CN202010986809 A CN 202010986809A CN 114219955 A CN114219955 A CN 114219955A
Authority
CN
China
Prior art keywords
packaging material
identification code
image
packaging
area
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
Application number
CN202010986809.1A
Other languages
English (en)
Inventor
赵梦雨
刘文龙
张劲松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN202010986809.1A priority Critical patent/CN114219955A/zh
Publication of CN114219955A publication Critical patent/CN114219955A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
    • G06K7/10415—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being fixed in its position, such as an access control device for reading wireless access cards, or a wireless ATM
    • G06K7/10425—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being fixed in its position, such as an access control device for reading wireless access cards, or a wireless ATM the interrogation device being arranged for interrogation of record carriers passing by the interrogation device
    • G06K7/10435—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being fixed in its position, such as an access control device for reading wireless access cards, or a wireless ATM the interrogation device being arranged for interrogation of record carriers passing by the interrogation device the interrogation device being positioned close to a conveyor belt or the like on which moving record carriers are passing
    • G06K7/10445—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being fixed in its position, such as an access control device for reading wireless access cards, or a wireless ATM the interrogation device being arranged for interrogation of record carriers passing by the interrogation device the interrogation device being positioned close to a conveyor belt or the like on which moving record carriers are passing the record carriers being fixed to further objects, e.g. RFIDs fixed to packages, luggage, mail-pieces or work-pieces transported on a conveyor belt

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种包装物料检测方法、装置、电子设备及计算机可读存储介质。该包装物料检测方法包括：获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码；若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型；若所述包装物料图像不存在所述物料识别码，则根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。本申请中可以提高包装物料的识别率和识别精度。

Description

包装物料检测方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种包装物料检测方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来，由于国内纸浆成本的大幅提升，纸箱、文件封等快递行业常用包装材料(即包装物料)价格都应声上涨，造成了快递成本的一路走高。由于对纸箱等包装材料缺乏监管，经常出现场地实际使用包材数量小于向总部申请的数量，造成滥用和浪费，进一步提升了快递成本。
为了对包装材料进行监管，传统包装材料的识别或记录是由人工手持条码读取器来扫描物料编码、或手工录入包材类型。但是，通过人工操作识别或记录包材的方式，缺乏第三方监管，出错率高。
发明内容
本申请提供一种包装物料检测方法、装置、电子设备及计算机可读存储介质，旨在解决通过人工操作识别或记录包装物料，导致包装物料识别或记录的出错率较高的问题。
第一方面，本申请提供一种包装物料检测方法，所述方法包括：
获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；
对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码；
若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型；
若所述包装物料图像不存在所述物料识别码，则根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
第二方面，本申请提供一种包装物料检测装置，所述包装物料检测装置包括：
获取单元，用于获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；
检测单元，用于对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码；
解码单元，用于若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型；
分类单元，用于若所述包装物料图像不存在所述物料识别码，则根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
在本申请一种可能的实现方式中，所述解码单元具体还用于：
若所述包装物料图像存在所述物料识别码，则调用预设的解析算法，根据所述物料识别码进行解析处理；
当所述解析算法解析出所述物料识别码的识别码信息时，获取与所述识别码信息对应的包装信息，以作为所述物料类型；
当所述解析算法对所述物料识别码解析失败时，根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
在本申请一种可能的实现方式中，所述分类单元具体还用于：
调用训练后的分类网络对所述包装物料图像进行特征提取处理，得到所述包装物料图像的图像特征信息；
调用所述分类网络，根据所述特征信息进行预测处理，得到所述包装物料的预测类型以及所述预测类型的置信度；
根据所述预测类型和所述置信度，确定所述每个包装物料的物料类型。
在本申请一种可能的实现方式中，所述包装物料检测装置还包括统计单元，所述统计单元具体用于：
根据所述物料类型进行包装物料数量的统计处理，得到在所述预设时段内各预设类型的包装物料的使用数量。
在本申请一种可能的实现方式中，所述检测单元具体还用于：
对所述包装物料图像进行包裹区域检测处理，确定所述包装物料图像是否存在目标包裹区域；
当所述包装物料图像不存在目标包裹区域时，确定所述包装物料图像不存在物料识别码；
当所述包装物料图像存在目标包裹区域时，根据所述目标包裹区域进行识别码区域检测处理；
当未检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像不存在所述物料识别码；
当检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像存在所述物料识别码。
在本申请一种可能的实现方式中，所述检测单元具体还用于：
对所述包装物料图像进行包裹区域检测处理，得到各个包裹区域；
检测所述包裹区域的包裹识别码，并检测所述包装物料图像的预设识别码；
当检测所述包裹识别码与所述预设识别码相同时，确定所述包装物料图像存在目标包裹区域；
当未检测到所述预设识别码时，确定所述包装物料图像不存在目标包裹区域；
所述当所述包装物料图像存在目标包裹区域时，根据所述目标包裹区域进行识别码区域检测处理，之前还包括：
获取与目标包裹识别码对应的包裹区域，以作为所述包装物料图像的目标包裹区域，其中，所述目标包裹识别码是指与所述预设识别码相同的包裹识别码。
在本申请一种可能的实现方式中，所述所述物料类型包括纸箱、胶袋、文件封中的至少一种。
第三方面，本申请还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行本申请提供的任一种包装物料检测方法中的步骤。
第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的包装物料检测方法中的步骤。
本申请通过获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；对包装物料图像进行识别码区域的检测处理，确定包装物料图像是否存在物料识别码；若包装物料图像存在物料识别码，则根据物料识别码进行解析处理，得到每个包装物料的物料类型；若包装物料图像不存在物料识别码，则根据包装物料图像进行分类处理，得到每个包装物料的物料类型。可见，由于优先通过物料识别码识别每种包装物料，若包装物料图像不存在物料识别码或无法通过物料识别码识别时，再根据包装物料图像进行包装物料的物料类型分类；一方面，提高包装物料的自动识别概率；另一方面，提高包装材料的检测精确度，避免了人工操作识别或记录包装物料，导致包装物料识别或记录的出错率较高的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1是本申请实施例所提供的包装物料检测系统的场景示意图；
图2是本申请实施例提供的包装物料检测方法的一种流程示意图；
图3本申请实施例中提供的包装物料图像的一种示意图；
图4是本申请实施例中提供的步骤S20的一个实施例流程示意图；
图5是本申请实施例中提供的包装物料图像的又一种示意图；
图6是本申请实施例中提供的步骤S30的一个实施例流程示意图；
图7是本申请实施例中提供的包装物料检测装置的一个实施例结构示意图；
图8是本申请实施例中提供的电子设备的一个实施例结构示意图。
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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动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。
在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的过程进行详细阐述，以避免不必要的细节使本申请实施例的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例提供一种包装物料检测方法、装置、电子设备和计算机可读存储介质。其中，该包装物料检测装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。
首先，在介绍本申请实施例之前，先介绍下本申请实施例关于应用背景的相关内容。
近年来，国内快递数量急剧增长，降本增效成为每个快递公司的基本诉求。包装材料，如纸箱、文件封等由于缺乏有效的监管，常有滥用和浪费现象。现在的统计包装材料的方法是人工手工扫描物料编码或手工录入包材类型，缺乏监管，出错率高。
基于现有的相关技术存在的上述缺陷，本申请实施例提供了包装物料检测方法，至少在一定程度上克服现有的相关技术所存在的缺陷。
参见图1，图1是本申请实施例所提供的包装物料检测系统的场景示意图。其中，该包装物料检测系统可以包括电子设备100，电子设备100中集成有包装物料检测装置。例如，该电子设备可以获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；对包装物料图像进行识别码区域的检测处理，确定包装物料图像是否存在物料识别码；若包装物料图像存在物料识别码，则根据物料识别码进行解析处理，得到每个包装物料的物料类型；若包装物料图像不存在物料识别码，则根据包装物料图像进行分类处理，得到每个包装物料的物料类型。本申请中可以提高包装物料的识别率和识别精度。
另外，如图1所示，该包装物料检测系统还可以包括存储器200，用于存储数据，如存储图像数据、视频数据。
需要说明的是，图1所示的包装物料检测系统的场景示意图仅仅是一个示例，本申请实施例描述的包装物料检测系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着包装物料检测系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
本申请实施例包装物料检测方法的执行主体可以为本申请实施例提供的包装物料检测装置，或者集成了该包装物料检测装置的服务器设备、物理主机或者用户设备(UserEquipment，UE)等不同类型的电子设备，其中，包装物料检测装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant，PDA)等终端设备。
该电子设备可以采用单独运行的工作方式，或者也可以采用设备集群的工作方式，通过应用本申请实施例提供的包装物料检测方法，能够自动识别包装材料的类别，全程无人工干预，精确度高，可以提高包装物料的识别率和识别精度。
下面，开始介绍本申请实施例提供的包装物料检测方法，本申请实施例中以电子设备作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体。
参照图2，图2是本申请实施例提供的包装物料检测方法的一种流程示意图。需要说明的是，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。该包装物料检测方法包括步骤S10～S40，其中：
S10、获取预设时段内输送装置上每个包装物料的至少一张包装物料图像。
本申请实施例中，包装物料(本文中亦称为“包装材料”、或“包材”)可以是包装箱和包装袋，包装袋可以是文件封、文件袋或者包裹袋等，包装箱可以是多面体形状的包装箱，多面体形状可以是规则形状，例如正多面体、圆柱体等，如正六面体中的正方体形状，长方体形状，在特殊的应用场合，例如包装特定物品，还可以是不规则形状，具体此处不作限定。
本申请实施例中，以物流领域中快件的包装物料识别为例进行说明，以更清楚地阐述如何能够自动识别包装材料的类别。可以理解地是，本申请实施例所提供的包装物料检测方法不局限于快件的包装材料识别，也可以应用于其他领域中的包装材料的识别，比如化妆品生产线上洗面奶的包材识别、面膜的包材识别。
本申请实施例中，包装箱等包装物料在出厂时会印上特制物料识别码，通过解析物料识别码可以得到包装物料的物料类型(例如是包装纸箱、软胶袋和文件封等)。物料识别码可以是二维码或条形码，其中，条形码可以是EAN条码、UPC条码、库德巴条码、三九条码、二五条码、交叉二五条码或矩阵二五条码等，二维码可以是PDF417、QR Code、Code 49、Code 16K、Code One等，上述物料识别码仅为举例，可以理解的是，物料识别码还可以是其他类型的条形码或者二维码，或者未来新出现的条形码或者二维码，以及其他类型的物料识别码，具体此处不做限定。
其中，预设时段可以根据具体需求而设置，例如，为了检测快件收发网点A在2020年7月内快件的包装材料，则预设时段可以为2020年7月1日-2020年7月31日；又如，为了检测快件收发网点B在2020年7月1日内快件的包装材料，则预设时段可以为2020年7月1日0-24时。
其中，输送装置可以是皮带输送机、胶带输送机等，上述输送装置仅为举例，可以理解的是，输送装置还可以是其他类型的输送装置，具体此处不做限定。
为了提高对包装物料的检测速度、以及检测全面性，在本申请实施例中，针对生产等流程会采用输送装置输送包装物料的特性(如，在物流中转场中，在分拣线上通过输送带输送快件)，通过获取输送装置上包装物料图像作进一步分析处理，以快速、全面地检测出各包装物料。
具体地，在实际应用中，应用本申请实施例提供的包装物料检测方法的电子设备，在硬件上可直接包括输送装置所处场景区域(如物流中转场的分拣区域)的摄像头(该摄像头的视野主要覆盖输送装置，以采集输送装置上的包装包装物料的图像)，并在本地存储该摄像头拍摄得到的图像，可在电子设备内部直接读取；或者，电子设备也可与该摄像头建立网络连接，并根据该网络连接从该摄像头在线获取该摄像头得到的图像；或者，电子设备也可从存储有该摄像头拍摄得到的图像的相关存储介质，读取出该摄像头拍摄得到的图像，具体获取方式在此不做限定。
其中，摄像头可根据预设的拍摄方式拍摄图像，例如可设置拍摄高度、拍摄方向或者拍摄距离，其具体拍摄方式可根据摄像头本身进行调节，具体在此不做限定。摄像头拍摄得到的多帧图像，可通过时间线组成视频。
S20、对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码。
在一些实施例中，步骤S20可以采用经过深度学习后的识别码检测网络来实现。即步骤S20具体可以包括：将包装物料图像输入训练后的识别码检测网络，以调用识别码检测网络对包装物料图像进行识别码区域的检测处理，确定包装物料图像中是否存在物料识别码。
其中，训练后的识别码检测网络可用于对图像进行二分类(具体为：将图像分为存在物料识别码、不存在物料识别码两个类别)，并检测出包装物料图像所存在的物料识别码所在区域。
例如，首先，基于训练数据集(包括正样本和负样本，正样本包括多张包含物料识别码的图像，负样本为不包含物料识别码的图像)，对预设的识别码检测网络进行训练，使得训练后的识别码检测网络学习到物料识别码的特征，从而得到训练后的(适用于根据图像进行检测处理确定出图像中是否存在物料识别码的二分类、并确定图像中所存在的物料识别码所在区域的)识别码检测网络。其中，预设的面单识别网络可以是可用于检测任务的开源网络模型，如OverFeat网络、YOLOv1网络、YOLOv2网络、YOLOv3网络、SSD网络和RetinaNet网络等等。具体地，可以采用模型参数为默认值的(可用于检测任务)开源网络作为预设的识别码检测网络。
然后，将包装物料图像输入至训练后的识别码检测网络中，以调用训练后的识别码检测网络对包装物料图像进行分类处理，确定包装物料图像中是否存在物料识别码。并在确定包装物料图像中存在物料识别码时，对包装物料图像进行物料识别码所在区域检测处理，预测得到包装物料图像中的物料识别码所在区域。
如图3所示，图3是本申请实施例中提供的包装物料图像的一种示意图。一般来说，物料识别码在包装物料图像中的占比相对较小，若针对整张图像进行大范围的检测，较难精准、快速地检测出是否存在物料识别码。为此，在本申请实施例中先检测包装物料图像中的包裹区域、再基于包裹区域进行物料识别码的检测。
请参照图4，图4是本申请实施例中提供的步骤S20的一个实施例流程示意图。此时，步骤S20具体可以包括以下步骤S21～S25，其中：
S21、对所述包装物料图像进行包裹区域检测处理，确定所述包装物料图像是否存在目标包裹区域。
其中，目标包裹是指预设包装类型的包裹，如由纸箱包装的包裹、由胶袋包装的包裹、由文件封包装的包裹等。目标包裹区域是指包装物料图像中的目标包裹所在区域。
在本申请实施例中，检测目标包裹区域的目的在于：一方面，确定包装物料图像中是否有包裹，若无包裹时，则无需进一步处理，以减少数据处理量。另一方面，由于物料识别码是处于包裹上的，定位到了目标包裹区域，更有利于快速、精准地检测出物料识别码。
在一些实施例中，步骤S21可以采用经过深度学习后的包裹区域检测网络来实现。即步骤S21具体可以包括：将包装物料图像输入训练后的包裹区域检测网络，以调用包裹区域检测网络对包装物料图像进行包裹区域检测处理，确定包装物料图像中是否存在目标包裹区域(即是否存在目标包裹)。
其中，训练后的包裹区域检测网络可用于对图像进行二分类(具体为：将图像分为存在目标包裹、不存在目标包裹两个类别)，并检测出包装物料图像所存在的目标包裹所在区域。
例如，首先，基于训练数据集(包括正样本和负样本，正样本包括多张包含包裹的图像，负样本为不包含包裹的图像)，对预设的包裹区域检测网络进行训练，使得训练后的包裹区域检测网络学习到包裹的特征，从而得到训练后的(适用于根据图像进行检测处理确定出图像中是否存在包裹的二分类、并确定图像中所存在的包裹所在区域的)识别码检测网络。其中，预设的包裹区域检测网络可以是可用于检测任务的开源网络模型，如OverFeat网络、YOLOv1网络、YOLOv2网络、YOLOv3网络、SSD网络和RetinaNet网络等等。具体地，可以采用模型参数为默认值的(可用于检测任务)开源网络作为预设的包裹区域检测网络。
然后，将包装物料图像输入至训练后的包裹区域检测网络中，以调用训练后的包裹区域检测网络对包装物料图像进行分类处理，确定包装物料图像中是否存在目标包裹。并在确定包装物料图像中存在目标包裹时，对包装物料图像进行包裹所在区域检测处理，预测得到包装物料图像中的目标包裹所在区域，以供后续基于目标包裹所在区域进一步检测物料识别码。
本申请实施例中，检测包装物料的物料类型的最终目的在于对每种包装物料的使用数量进行统计，以便于包材的计费与发放等管理工作。
请参照图5，图5是本申请实施例中提供的包装物料图像的又一种示意图。在某些场景下，由于有的包装物料图像同时存在几个包裹的情况。例如，在物流中转的快件分拣中，对于小件分拣，输送装置上可能同时存在多个小件，因此所拍摄的包装物料图像可能同时包含多个小件。并且每个小件可能会在不同的包装物料图像中。若对包装物料图像中的每个小件的包装物料都进行数量统计，将会导致重复统计的问题。
在本申请实施例中，在快件进行分拣线之前，会预先对快件的运单号进行扫描。并采用对应快件的运单号为包装物料图像进行命名。为了保证后续能正常进行包装物料的数量统计，在针对包装物料图像进行检测时，只检测运单号与包装物料图像的命名相同的快件的包装物料，以避免重复包装物料统计。
为此，进一步地，在本申请的一些实施例中，步骤S21具体可以包括：对所述包装物料图像进行包裹区域检测处理，得到各个包裹区域；检测所述包裹区域的包裹识别码，并检测所述包装物料图像的预设识别码；当检测所述包裹识别码与所述预设识别码相同时，确定所述包装物料图像存在目标包裹区域；当未检测到所述预设识别码时，确定所述包装物料图像不存在目标包裹区域。
其中，“对所述包装物料图像进行包裹区域检测处理，得到各个包裹区域”具体可以参照以上步骤S21，在此不再赘述。与步骤S21不同的是，此时可以检测出多个包裹区域。
其中，包裹识别码可以是包裹区域对应的包裹的运单号。预设识别码是指包装物料图像的命名。
其中，“检测所述包裹区域的包裹识别码”具体可以通过开源解码率(如zxing)基于包裹区域进行解码，从而得到每个包裹区域的包裹识别码。
对应地，步骤S22之前还包括：获取与目标包裹识别码对应的包裹区域，以作为所述包装物料图像的目标包裹区域。
其中，目标包裹识别码是指与预设识别码相同的包裹识别码。
例如，通过对图像a进行包裹区域检测处理，得到图像包含的包裹区域分别为：A、B、C、D。对包裹区域A、B、C、D分别进行包裹识别码检测，得到包裹区域A、B、C、D的包裹识别码分别为：“123”、“456”、“789”、“137”。检测到包装物料图像的预设识别码为“137”。则可以将包裹区域D作为包装物料图像的目标包裹区域。
由以上内容可以看出，通过对每个包装物料图像进行命名作为包装物料图像的预设识别码，并获取对应的包裹识别码与预设识别码相同的包裹区域，以作为包装物料图像的目标包裹区域。从而可以避免重复对同一快件进行包装物料识别/统计，提高了后续包装物料的数据统计的准确率。
S22、当所述包装物料图像不存在目标包裹区域时，确定所述包装物料图像不存在物料识别码。
具体地，若步骤S21中检测到包装物料图像不存在目标包裹区域，则可以直接确定包装物料图像中不存在物料识别码。
S23、当所述包装物料图像存在目标包裹区域时，根据所述目标包裹区域进行识别码区域检测处理。
在本申请实施例中，检测识别码区域的目的在于：一方面，确定目标包裹区域内是否有物料识别码，若无包裹时，则无需进一步处理，以减少数据处理量。另一方面，可以避免物料识别码过于模糊，难以辨别出来、后续仍然无法解析的问题。
在一些实施例中，步骤S23中可以继续采用以上步骤S20中所提及的识别码检测网络来进行识别码区域检测处理，检测原理与上述步骤S20类似，在此不再赘述。不同的是，步骤S23中识别码检测网络只需针对目标包裹区域进行检测，而步骤S20中需要针对整张包装物料图像进行检测。
其中，上述提到的识别码检测网络、包裹区域检测网络，以及后文中的分类网络，可以融合至一个网络模型实现，即可以采用同一个网络模型实现上述识别码检测网络、包裹区域检测网络、后文中的分类网络所实现的功能。或者，也可以将本文中所提及的识别码检测网络、包裹区域检测网络、分类网络的任意两者融合至同一网络模型中实现。
S24、当未检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像不存在所述物料识别码。
具体地，若步骤S23中检测到目标包裹区域中不存在识别码区域，则可以直接确定包装物料图像不存在物料识别码。
S25、当检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像存在所述物料识别码。
具体地，若步骤S23中检测到目标包裹区域中存在识别码区域，则可以直接确定包装物料图像不存在物料识别码。
由以上内容可以看出，通过先后进行目标包裹区域、物料识别码区域检测，来判别包装物料图像中是否存在物料识别码。可以以避免二维码区域在图像中占比小，难以识别的问题；从而可以更精准地定位物料识别码。
S30、若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型。
请参照图6，图6是本申请实施例中提供的步骤S30的一个实施例流程示意图。在本申请的一些实施例中，步骤S30具体可以包括以下步骤S31～S33，其中：
S31、若所述包装物料图像存在所述物料识别码，则调用预设的解析算法，根据所述物料识别码进行解析处理。
例如，当物料识别码为二维码时，可以选用开源解码率zbar来进行二维码解码。ZBar是一个开源库，用于扫描、读取二维码和条形码，支持的二维码包括：EAN二维码、UPC二维码，QR code二维码等。
又如，当物料识别码为条码时，可以选用开源解码率Xing来进行条码解码。Xing是一个开放源码的，用Java实现的多种格式的1D/2D条码图像处理库，它包含了联系到其他语言的端口，Zxing可以实现条形码的扫描及解码。
进一步地，为了提高解码率，本申请实施例可以在物料识别码解码之前先进行图像预处理。例如，在本申请的一些实施例中，在解码部分，首先对比较暗的包装物料图像，将其灰度值提升至一定值，如160以上，再通过归一化的操作来提升包装物料图像的对比度，从而提升解码率。
S32、当所述解析算法解析出所述物料识别码的识别码信息时，获取与所述识别码信息对应的包装信息，以作为所述物料类型。
其中，包装物料上的物料识别码所包含的编码信息对应关联了该包装物料的物料类型，因此当解析出物料识别码的编码信息时，即可以确定该包装物料的物料类型。例如编码信息“1”、“2”、“3”、“4”分别对应关联了包装物料：大型纸箱、小型纸箱、文件封、胶袋。
其中，识别码信息是指物料识别码的编码信息。
具体地，在一些实施例中，通过预设地解析算法可以正常解析出包装物料图像中的物料识别码的识别码信息，此时，可以直接获取与该识别码信息对应关联的物料类型，以作为包装物料的物料类型。同理，可以确定预设时段内出现在输送装置上的每个包装物料的物料类型。
例如，编码信息“1”、“2”、“3”分别对应关联了包装物料：纸箱、文件封、胶袋，若解析出物料识别码所包含的编码信息为“2”，则可以确定包装物料的物料类型为“文件封”。
S33、当所述解析算法对所述物料识别码解析失败时，根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
具体地，在一些实施例中，若步骤S31中预设的解析算法对物料识别码解析失败时，可以进一步根据包装物料图像进行分类处理，得到每个包装物料的物料类型。
步骤S33中“根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型”可以参照以下步骤S41～S43中的说明及举例，在此不再赘述。
由以上内容可以看出，通过预设的解析算法可以精准地解析出物料识别码的编码信息，进而准确地确定每个包装物料的物料类型。并在物料识别码无法解析或解析失败时，根据包装物料图像进行分类处理，以确定每个包装物料的物料类型，避免了由于物料二维码模糊、残缺等原因无法正常解析，而导致无法正常自动地检测包装物料的物料类型的问题，进一步提高了包装物料的识别率。
S40、若所述包装物料图像不存在所述物料识别码，则根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
在一些实施例中，可以采用经过深度学习后的分类网络根据包装物料图像进行分类处理，得到每个包装物料的物料类型。即步骤S40具体可以包括其中步骤S41～S43，其中：
S41、调用训练后的分类网络对所述包装物料图像进行特征提取处理，得到所述包装物料图像的图像特征信息。
其中，图像特征信息是指对包装物料图像进行特征提取处理后，所得到的图像空间特征。
其中，训练后的分类网络通过预先训练得到，在本文中，若没有特别指明，分类网络是指训练后的分类网络。
为了保证能正常采用分类网络根据包装物料图像确定每个包装物料的物料类型，在步骤S41之前还包括：对预设的分类网络进行训练，得到训练后的分类网络。
具体地，基于训练数据集(包括多张样本图像，样本图像是指样本包装物料的图像)，对预设的分类网络进行训练，使得预设的分类网络学习到不同包装物料的特征，从而得到训练后的分类网络。此时，分类网络可以根据包装物料图像，检测出包装物料的物料类型。其中，预设的分类网络包括但不限于是卷积神经网络，比如可以是可用于分类任务的yolov3-tiny、yolov3、yolov5等网络。具体地，可以采用模型参数为默认值的开源分类网络作为预设的分类网络。
上述预设的分类网络仅为举例，可以理解的是，预设的分类网络还可以是其他类型的可用于分类任务的网络模型，或者未来新出现的可用于分类任务的网络模型，具体此处不做限定。
进一步地，可以根据具体场景任务所需兼顾的时效性和准确率选用具体的开源网络作为预设的分类网络。例如，可以选用yolov3-tiny网络作为预设的分类网络进行训练得到训练后的分类网络。因为包装物料是一个相对较为容易检出的物体，且该任务单一，使用yolov3-tiny网络可以在达到所需准确率的同时兼顾其时效性。
其中，预设的分类网络可以包括特征提取层、预测层。
特征提取层，用于根据样本图像输出样本图像的图像特征信息。特征提取层以样本图像作为输入，对样本图像进行包括但不限于卷积、池化等操作中的一种或多种，以实现对样本图像进行特征提取得到样本图像的图像特征信息。
预测层，用于根据图像特征信息输出样本包装物料的预测物料类型和所预测物料类型的置信度。预测子网络以图像特征信息作为输入，根据图像特征信息进行回归预测处理，确定样本包装物料的预测物料类型。
具体地，首先，将训练数据集的每一张样本图像(其中，样本图像已经对应标注了样本包装物料的实际物料类型)输入预设的分类网络中，以调用预设的分类网络中特征提取层根据样本图像进行包括但不限于卷积、池化等操作中的一种或多种，以实现对样本图像进行特征提取得到样本图像的图像特征信息。并调用预设的分类网络中预测层根据图像特征信息进行回归预测处理，确定样本包装物料的预测物料类型。
然后，根据样本包装物料的预测物料类型、以及实际物料类型，确定预设的分类模型的训练损失值。并根据训练损失值反向传播，更新预设的分类模型的模型参数，直至预设的分类模型收敛时，得到训练后的分类模型。
此时，可以应用训练后的分类模型对包装物料图像进行特征提取处理，得到包装物料图像的图像特征信息。比如，将包装物料图像输入至训练后的分类网络中，以调用分类网络中特征提取层对包装物料图像进行包括但不限于卷积、池化等操作中的一种或多种，以实现对包装物料图像进行特征提取得到包装物料图像的图像特征信息。
S42、调用所述分类网络，根据所述特征信息进行预测处理，得到所述包装物料的预测类型以及所述预测类型的置信度。
其中，预测类型是指通过根据包装物料图像的图像特征进行分类回归所预测得到的、包装物料的物料类型。
对应地，此时可以调用分类网络中预测层根据图像特征信息进行回归预测处理，确定并输出包装物料的预测类型、以及包装物料的预测类型的置信度。
例如，将包装物料1(如纸箱)的图像1输入分类网络中，以调用分类网络中特征提取层对图像1进行特征提取处理得到图像1的图像特征信息A；调用分类网络中预测层根据图像特征信息A进行分类回归预测得到包装物料1的物料类型为“信封”、“信封”的置信度为0.5。
又如，将包装物料2(如文件封)的图像2输入分类网络中，以调用分类网络中特征提取层对图像2进行特征提取处理得到图像2的图像特征信息B；调用分类网络中预测层根据图像特征信息B进行分类回归预测得到包装物料2的物料类型为“文件封”、“文件封”的置信度为0.9。
S43、根据所述预测类型和所述置信度，确定所述每个包装物料的物料类型。
在一些实施例中，可以直接将分类网络预测所得到的包装物料的预测类型，作为包装物料的物料类型。同理，可以确定预设时段内出现在输送装置上的每个包装物料的物料类型。
进一步地，为了提高包装物料的检测准确率，需要结合分类网络所预测的包装物料的预测类型的置信度，确定包装物料的物料类型。
具体地，在一些实施例中，每个包装物料的包装物料图像为一张。此时，检测预测类型的置信度是否大于预设置信度阈值。若预测类型的置信度大于预设置信度阈值，则将置信度大于预设置信度阈值的预测类型作为包装物料的物料类型。若预测类型的置信度小于或等于预设置信度阈值，则舍弃分类网络所预测的包装物料的预测类型，继续采集图像进行包装物料的检测。
比如，将包装物料3(如纸箱)的图像3输入分类网络中，以调用分类网络中特征提取层对图像3进行特征提取处理得到图像3的图像特征信息C；调用分类网络中预测层根据图像特征信息C进行分类回归预测得到包装物料3的物料类型为“纸箱”、包装物料3的物料类型为“纸箱”的置信度为0.9。物料类型为“纸箱”的置信度为0.9大于预设置信度阈值(如0.8)，则可以将“纸箱”作为包装物料3的物料类型；若物料类型为“纸箱”的置信度为0.9小于预设置信度阈值(如0.95)，则舍弃分类网络所预测得到的物料类型“纸箱”。
在一些实施例中，每个包装物料的包装物料图像为多张。此时，首先，通过分类网络可以分别针对每张包装物料图像预测得到一个预测类型结果(即包装物料的预测类型)、以及每个预测类型结果对应的置信度，多张包装物料图像可以预测得到多个预测类型结果。然后，从多个预测类型结果中获取置信度最高(或者置信度大于预设置信度阈值、且置信度最高)的预测类型结果作为包装物料的物料类型。同理，可以确定预设时段内出现在输送装置上的每个包装物料的物料类型。
例如，将包装物料4(如胶袋)的图像1、图像2、图像3分别输入分类网络中，以调用分类网络中特征提取层分别对图像1、图像2、图像3进行特征提取处理得到图像1、图像2、图像3的图像特征信息A1、A2、A3；调用分类网络中预测层分别根据图像特征信息A1、A2、A3进行分类回归预测得到包装物料4的物料类型为“胶袋”、“信封”、“胶袋”，所预测的3个物料类型“胶袋”、“信封”、“胶袋”的置信度分别为0.8、0.5、0.85。此时，可以将“胶袋”作为包装物料4的物料类型。
在一些实施例中，每个包装物料的包装物料图像为多张。此时，首先，通过分类网络可以分别针对每张包装物料图像预测得到一个预测类型结果(即包装物料的预测类型)、以及每个预测类型结果对应的置信度，多张包装物料图像可以预测得到多个预测类型结果。然后，从多个预测类型结果中获取置信度最大的前N个预测类型结果。最后，根据前N个预测类型结果中，出现次数最多的预测类型作为包装物料的物料类型。
例如，将包装物料5(如文件封)的图像1、图像2、图像3、图像4分别输入分类网络中，以调用分类网络中特征提取层分别对图像1、图像2、图像3、图像4进行特征提取处理得到图像1、图像2、图像3、图像4的图像特征信息A1、A2、A3、A4；调用分类网络中预测层分别根据图像特征信息A1、A2、A3、A4进行分类回归预测得到包装物料4的物料类型为“胶袋”、“文件封”、“纸箱”、“文件封”，所预测的4个物料类型“胶袋”、“文件封”、“纸箱”、“文件封”的置信度分别为0.8、0.85、0.5、0.9。此时，可以从4个预测类型结果中，获取置信度最大的前3个预测类型结果“胶袋”、“文件封”、“文件封”；从而可以确定包装物料5的物料类型为“文件封”。
由以上内容可以看出，通过由于分类网络是经过深度学习训练得到，因此训练后的分类网络，可以充分学习包装物料的包装类型、与包装物料图像之间的特征关系，从而保证了包装物料的物料类型的检测精度。
由以上内容可以看出，通过获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；对包装物料图像进行识别码区域的检测处理，确定包装物料图像是否存在物料识别码；若包装物料图像存在物料识别码，则根据物料识别码进行解析处理，得到每个包装物料的物料类型；若包装物料图像不存在物料识别码，则根据包装物料图像进行分类处理，得到每个包装物料的物料类型。可见，由于优先通过物料识别码识别每种包装物料，若包装物料图像不存在物料识别码或无法通过物料识别码识别时，再根据包装物料图像进行包装物料的物料类型分类；一方面，提高包装物料的自动识别概率；另一方面，提高包装材料的检测精确度，避免了人工操作识别或记录包装物料，导致包装物料识别或记录的出错率较高的问题。
为了便于包材的监管，在本申请的一些实施例中，还可以对检测到的包装材料进行统计，确定预设时段内的各种包装材料的实际使用数量，以便后续包材的计费、发放、管理。即在本申请实施例所提供的包装物料检测方法还可以包括：根据所述物料类型进行包装物料数量的统计处理，得到在所述预设时段内各预设类型的包装物料的使用数量。
例如，为了统计某物流网点在预设时段内(如1天)的包装物料的实际使用数量，以便该物流网点的包装物料的计费、发放、管理，则可以根据预设时段内输送装置上每个包装物料的物料类型，进行包装物料数量的统计处理，得到在预设时段内各预设类型的包装物料的使用数量。
在一些实施例中，通过上述包装物料检测方法，检测出在预设时段内经过分拣线(即输送装置)的每个快件的包装材料后，会记录每个快件的包装物料的物料类型，并生成快件的各种包装物料的网页报表。并可以通过所记录的每个快件的包装物料的物料类型，进行包装物料数量的统计处理，得到在预设时段内各预设类型的包装物料的使用数量。
比如，检测到在1天内经过分拣线的每个快件的包装材料分别为：纸箱、纸箱、胶袋、文件封、文件封、纸箱、胶袋、文件封、文件封、胶袋、文件封、纸箱、胶袋、文件封、胶袋。通过统计，可以确定在1天内预设类型的包装物料(如纸箱、文件封、胶袋、包装盒)的使用数量分别为：4、6、5、0。
由以上内容可以看出，通过根据预设时段内输送装置上每个包装物料的物料类型，进行包装物料数量的统计处理，得到在预设时段内各预设类型的包装物料的使用数量。一方面，可以实现自动地统计包装物料的实际使用数量，方便了包装物料的计费、发放、管理，并提高了包装物料的统计效率。另一方面，由于针对了生产等流程会采用输送装置输送包装物料的特性，通过获取输送装置上包装物料图像作进一步分析处理，可以快速、全面地检测出各包装物料，避免了人工扫描统计，提高了统计效率和统计全面性。
为了更好实施本申请实施例中包装物料检测方法，在包装物料检测方法基础之上，本申请实施例中还提供一种包装物料检测装置，如图7所示，为本申请实施例中包装物料检测装置的一个实施例结构示意图，该包装物料检测装置700包括：
获取单元701，用于获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；
检测单元702，用于对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码；
解码单元703，用于若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型；
分类单元704，用于若所述包装物料图像不存在所述物料识别码，则根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
在本申请的一些实施方式中，所述解码单元具体还用于：
若所述包装物料图像存在所述物料识别码，则调用预设的解析算法，根据所述物料识别码进行解析处理；
当所述解析算法解析出所述物料识别码的识别码信息时，获取与所述识别码信息对应的包装信息，以作为所述物料类型；
当所述解析算法对所述物料识别码解析失败时，根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
在本申请的一些实施方式中，所述分类单元704具体还用于：
调用训练后的分类网络对所述包装物料图像进行特征提取处理，得到所述包装物料图像的图像特征信息；
调用所述分类网络，根据所述特征信息进行预测处理，得到所述包装物料的预测类型以及所述预测类型的置信度；
根据所述预测类型和所述置信度，确定所述每个包装物料的物料类型。
在本申请的一些实施方式中，所述包装物料检测装置700还包括统计单元(图中未示出)，所述统计单元具体用于：
根据所述物料类型进行包装物料数量的统计处理，得到在所述预设时段内各预设类型的包装物料的使用数量。
在本申请的一些实施方式中，所述检测单元702具体还用于：
对所述包装物料图像进行包裹区域检测处理，确定所述包装物料图像是否存在目标包裹区域；
当所述包装物料图像不存在目标包裹区域时，确定所述包装物料图像不存在物料识别码；
当所述包装物料图像存在目标包裹区域时，根据所述目标包裹区域进行识别码区域检测处理；
当未检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像不存在所述物料识别码；
当检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像存在所述物料识别码。
在本申请的一些实施方式中，所述检测单元702具体还用于：
对所述包装物料图像进行包裹区域检测处理，得到各个包裹区域；
检测所述包裹区域的包裹识别码，并检测所述包装物料图像的预设识别码；
当检测所述包裹识别码与所述预设识别码相同时，确定所述包装物料图像存在目标包裹区域；
当未检测到所述预设识别码时，确定所述包装物料图像不存在目标包裹区域；
所述当所述包装物料图像存在目标包裹区域时，根据所述目标包裹区域进行识别码区域检测处理，之前还包括：
获取与目标包裹识别码对应的包裹区域，以作为所述包装物料图像的目标包裹区域，其中，所述目标包裹识别码是指与所述预设识别码相同的包裹识别码。
在本申请的一些实施方式中，所述所述物料类型包括纸箱、胶袋、文件封中的至少一种。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由于该包装物料检测装置可以执行本申请如图1至图6对应任意实施例中包装物料检测方法中的步骤，因此，可以实现本申请如图1至图6对应任意实施例中包装物料检测方法所能实现的有益效果，详见前面的说明，在此不再赘述。
此外，为了更好实施本申请实施例中包装物料检测方法，在包装物料检测方法基础之上，本申请实施例还提供一种电子设备，参阅图8，图8示出了本申请实施例电子设备的一种结构示意图，具体的，本申请实施例提供的电子设备包括处理器801，处理器801用于执行存储器802中存储的计算机程序时实现如图1至图6对应任意实施例中包装物料检测方法的各步骤；或者，处理器801用于执行存储器802中存储的计算机程序时实现如图7对应实施例中各单元的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器802中，并由处理器801执行，以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
电子设备可包括，但不仅限于处理器801、存储器802。本领域技术人员可以理解，示意仅仅是电子设备的示例，并不构成对电子设备的限定，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，例如电子备还可以包括输入输出设备、网络接入设备、总线等，处理器801、存储器802、输入输出设备以及网络接入设备等通过总线相连。
处理器801可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
存储器802可用于存储计算机程序和/或模块，处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块，以及调用存储在存储器802内的数据，实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
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，上述描述的包装物料检测装置、电子设备及其相应单元的具体工作过程，可以参考如图1至图6对应任意实施例中包装物料检测方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1至图6对应任意实施例中包装物料检测方法中的步骤，具体操作可参考如图1至图6对应任意实施例中包装物料检测方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1至图6对应任意实施例中包装物料检测方法中的步骤，因此，可以实现本申请如图1至图6对应任意实施例中包装物料检测方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请实施例所提供的一种包装物料检测方法、装置、电子设备及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种包装物料检测方法，其特征在于，所述方法包括：
获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；
对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码；
若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型；
若所述包装物料图像不存在所述物料识别码，则根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
2.根据权利要求1所述的包装物料检测方法，其特征在于，所述若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型，包括：
若所述包装物料图像存在所述物料识别码，则调用预设的解析算法，根据所述物料识别码进行解析处理；
当所述解析算法解析出所述物料识别码的识别码信息时，获取与所述识别码信息对应的包装信息，以作为所述物料类型；
当所述解析算法对所述物料识别码解析失败时，根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
3.根据权利要求1或2所述的包装物料检测方法，其特征在于，所述根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型，包括：
调用训练后的分类网络对所述包装物料图像进行特征提取处理，得到所述包装物料图像的图像特征信息；
调用所述分类网络，根据所述特征信息进行预测处理，得到所述包装物料的预测类型以及所述预测类型的置信度；
根据所述预测类型和所述置信度，确定所述每个包装物料的物料类型。
4.根据权利要求1所述的包装物料检测方法，其特征在于，所述方法还包括：
根据所述物料类型进行包装物料数量的统计处理，得到在所述预设时段内各预设类型的包装物料的使用数量。
5.根据权利要求1所述的包装物料检测方法，其特征在于，所述对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码，包括：
对所述包装物料图像进行包裹区域检测处理，确定所述包装物料图像是否存在目标包裹区域；
当所述包装物料图像不存在目标包裹区域时，确定所述包装物料图像不存在物料识别码；
当所述包装物料图像存在目标包裹区域时，根据所述目标包裹区域进行识别码区域检测处理；
当未检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像不存在所述物料识别码；
当检测到所述目标包裹区域中的识别码区域时，确定所述包装物料图像存在所述物料识别码。
6.根据权利要求5所述的包装物料检测方法，其特征在于，所述对所述包装物料图像进行包裹区域检测处理，确定所述包装物料图像是否存在目标包裹区域，包括：
对所述包装物料图像进行包裹区域检测处理，得到各个包裹区域；
检测所述包裹区域的包裹识别码，并检测所述包装物料图像的预设识别码；
当检测所述包裹识别码与所述预设识别码相同时，确定所述包装物料图像存在目标包裹区域；
当未检测到所述预设识别码时，确定所述包装物料图像不存在目标包裹区域；
所述当所述包装物料图像存在目标包裹区域时，根据所述目标包裹区域进行识别码区域检测处理，之前还包括：
获取与目标包裹识别码对应的包裹区域，以作为所述包装物料图像的目标包裹区域，其中，所述目标包裹识别码是指与所述预设识别码相同的包裹识别码。
7.根据权利要求1所述的包装物料检测方法，其特征在于，所述物料类型包括纸箱、胶袋、文件封中的至少一种。
8.一种包装物料检测装置，其特征在于，所述包装物料检测装置包括：
获取单元，用于获取预设时段内输送装置上每个包装物料的至少一张包装物料图像；
检测单元，用于对所述包装物料图像进行识别码区域的检测处理，确定所述包装物料图像是否存在物料识别码；
解码单元，用于若所述包装物料图像存在所述物料识别码，则根据所述物料识别码进行解析处理，得到所述每个包装物料的物料类型；
分类单元，用于若所述包装物料图像不存在所述物料识别码，则根据所述包装物料图像进行分类处理，得到所述每个包装物料的物料类型。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的包装物料检测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的包装物料检测方法中的步骤。
CN202010986809.1A 2020-09-18 2020-09-18 包装物料检测方法、装置、电子设备及存储介质 Pending CN114219955A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010986809.1A CN114219955A (zh) 2020-09-18 2020-09-18 包装物料检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010986809.1A CN114219955A (zh) 2020-09-18 2020-09-18 包装物料检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114219955A true CN114219955A (zh) 2022-03-22

Family

ID=80695746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010986809.1A Pending CN114219955A (zh) 2020-09-18 2020-09-18 包装物料检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114219955A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115158818A (zh) * 2022-07-01 2022-10-11 江苏中烟工业有限责任公司 数据处理方法、装置、电子设备及存储介质
CN115204341A (zh) * 2022-09-15 2022-10-18 深圳永贵技术有限公司 智能化物料识别方法、装置、设备及存储介质
CN115311592A (zh) * 2022-04-02 2022-11-08 清华大学 一种基于计算机视觉技术的施工现场物料安全评估系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311592A (zh) * 2022-04-02 2022-11-08 清华大学 一种基于计算机视觉技术的施工现场物料安全评估系统
CN115311592B (zh) * 2022-04-02 2023-06-23 清华大学 一种基于计算机视觉技术的施工现场物料安全评估系统
CN115158818A (zh) * 2022-07-01 2022-10-11 江苏中烟工业有限责任公司 数据处理方法、装置、电子设备及存储介质
CN115204341A (zh) * 2022-09-15 2022-10-18 深圳永贵技术有限公司 智能化物料识别方法、装置、设备及存储介质
CN115204341B (zh) * 2022-09-15 2022-11-29 深圳永贵技术有限公司 智能化物料识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114219955A (zh) 包装物料检测方法、装置、电子设备及存储介质
EP3008666B1 (en) Image based object classification
US11195006B2 (en) Multi-modal document feature extraction
US9298997B1 (en) Signature-guided character recognition
CN108174289A (zh) 一种影像资料处理方法、装置、介质和电子设备
CN112258074B (zh) 一种基于大数据分析的电商商品仓储物流智能调度方法
US20140270367A1 (en) Selective Max-Pooling For Object Detection
CN111967322B (zh) 数据处理方法、装置、电子设备和存储介质
US20210280091A1 (en) System and method for building machine learning or deep learning data sets for recognizing labels on items
CN111582336B (zh) 一种基于图像识别垃圾种类的装置及方法
US11961040B2 (en) System and method for improving item scan rates in distribution network
CN112966681B (zh) 商品拍照智能识别建档检索的方法、设备及存储介质
WO2017069741A1 (en) Digitized document classification
CN112364702A (zh) 一种物品核验方法及装置
CN115660540A (zh) 货物跟踪方法、装置、计算机设备和存储介质
CN113111734B (zh) 一种水印分类模型训练方法及装置
CN115223170A (zh) 单据生成方法、装置、电子设备及存储介质
CN114202041A (zh) 包装物料检测方法和装置
CN113344160A (zh) 订单处理方法及装置、电子设备及存储介质
CN114255435A (zh) 传送装置异常检测方法、装置、电子设备及存储介质
CN113870168A (zh) 物料计数方法、系统、计算机装置及存储介质
CN113963189A (zh) 物体分类方法、装置、电子设备及存储介质
CN114663903B (zh) 文本资料的分类方法、装置、设备及存储介质
US20240211869A1 (en) System and method for improving item scan rates in distribution network
CN116363544A (zh) 输送装置拥堵检测方法、装置、电子设备及存储介质

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