CN114387493A - 剁码错位检测方法及检测终端 - Google Patents
剁码错位检测方法及检测终端 Download PDFInfo
- Publication number
- CN114387493A CN114387493A CN202111493668.0A CN202111493668A CN114387493A CN 114387493 A CN114387493 A CN 114387493A CN 202111493668 A CN202111493668 A CN 202111493668A CN 114387493 A CN114387493 A CN 114387493A
- Authority
- CN
- China
- Prior art keywords
- chopping
- target
- code
- image
- edge
- 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
- 238000001514 detection method Methods 0.000 title claims description 31
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000005520 cutting process Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域，提供了一种剁码错位检测方法及检测终端，上述方法包括：获取目标剁码图像，并将目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，分割图像包括：目标剁码图像中各个剁体的边缘分割标签；根据分割图像，分别确定每个剁体的目标最大值和目标最小值；根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。本发明采用剁码分割模型对剁体进行分割，进而确定是否存在错位，可及时发现剁码异常，方便用户实时、快速的对剁码做出调整。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种剁码错位检测方法及检测终端。
背景技术
目前，基于机器人的智能码垛系统已能够部署在多种产品线的末端，广泛应用于包装、物流、仓储等行业中，因其操作简单、工作效率高、节省人力能源等特点受到广大企业的喜爱。但现有机器人剁码系统中，码垛箱体仍然容易出现堆叠错位，使得后续物流装箱等操作不能顺利进行，降低效率，甚至在运输过程中损坏产品。
现有技术中，多通过人工巡视发现并调整错位箱体，不能及时发现剁码错位。
发明内容
有鉴于此，本发明实施例提供了一种剁码错位检测方法及检测终端，以解决现有技术中不能及时发现剁码错位的问题。
本发明实施例的第一方面提供了一种剁码错位检测方法，包括：
获取目标剁码图像，并将目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，分割图像包括：目标剁码图像中各个剁体的边缘分割标签；
根据分割图像，分别确定每个剁体的目标最大值和目标最小值；
根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；
其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。
本发明实施例的第二方面提供了一种剁码错位检测装置，包括：
剁码分割模块，用于获取目标剁码图像，并将目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，分割图像包括：目标剁码图像中各个剁体的边缘分割标签；
坐标提取模块，用于根据分割图像，分别确定每个剁体的目标最大值和目标最小值；
错位确定模块，用于根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；
其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。
本发明实施例的第三方面提供了一种检测终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如本发明实施例第一方面提供的剁码错位检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如本发明实施例第一方面提供的剁码错位检测方法的步骤。
本发明实施例提供了一种剁码错位检测方法及检测终端，上述方法包括：获取目标剁码图像，并将目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，分割图像包括：目标剁码图像中各个剁体的边缘分割标签；根据分割图像，分别确定每个剁体的目标最大值和目标最小值；根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。本发明实施例采集剁码图像，并采用剁码分割模型对图像中的跺体进行分割，进而确定是否存在错位，可及时发现剁码异常，方便用户实时、快速的对剁码做出调整。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种剁码错位检测方法的实现流程示意图；
图2是本发明实施例提供的基于IOU Loss的深度学习模型的基础模块组成示意图；
图3是本发明实施例提供的剁码错位检测方法的网络全局架构图；
图4是本发明实施例提供的目标剁码图像与分割图像的对比图；
图5是本发明实施例中提取得到的各个剁体的边缘示意图；
图6是本发明实施例中提取得到的各个剁体的左侧边缘和右侧边缘示意图及对应的坐标图；
图7是本发明实施例提供的剁码错位检测装置的示意图；
图8是本发明实施例提供的检测终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
参考图1，本发明实施例提供了一种剁码错位检测方法，包括：
S101：获取目标剁码图像，并将目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，分割图像包括：目标剁码图像中各个剁体的边缘分割标签；
S102：根据分割图像，分别确定每个剁体的目标最大值和目标最小值；
S103：根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；
其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。
本发明实施例中通过剁码分割模型对剁体进行初步分割，进而根据分割图像确定单个剁体的左侧边缘坐标及右侧边缘坐标，进而根据各个跺体的边缘坐标确定跺体是否有错位存在，可通过上述方法可及时发现剁码异常，肉眼不能发现的错位也可以及时发现，方便用户实时、快速的对剁码做出调整。
一些实施例中，上述预先训练完成的剁码分割模型可以为基于IOU Loss的深度学习模型。
由于堆叠的垛体非常密集，形状类似，位置接近，这种情况下目前的检测模型给出的边界框会有大量的重叠，一个边界框可能包含了多个目标。网络的Backbone(支柱)采用的ResNet50，同时模型为每个RPN(RegionProposal Network，区域生成网络)提供了三个全卷积输出Head，分别是：Bounding-box regression head(box(x,y,h,w))、Classificationhead(objectness score)、Soft-Iou Layer，例如，参考图2。
由于在这种在密集场景中，NMS(Non-Maximum Suppression，非极大值抑制)不能够充分区分重叠检测或者抑制部分检测，因此本文提出，增加一个分支预测Jaccard index(雅卡尔指数)，产生Soft-IOU Layer(网络层)。其中，IOU Loss定义为：
其中，n为每个分支(batch)的样本数。
基于以上，剁码分割模型的网络架构参考图3。由图3可知，采用基于IOU Loss的深度学习模型后，剁体的分割结果更佳准确。图4示出了对于5个剁体的剁码的分割结果，单独剁体分割准确，可满足实际应用需求。
一些实施例中，上述方法还可以包括：
S104：建立基础分割模型；
S105：获取多张原始剁码图像，并人工为各张原始剁码图像添加剁体的边缘分割标签，形成训练样本；
S106：将训练样本输入基础分割模型进行训练，得到预先训练完成的剁码分割模型。
本发明实施例中可手动对图像中的剁体进行分割，添加边缘分割标签，也即剁体的外框线。其中，不同剁体的外框线的颜色可以不同。
一些实施例中，基础分割模型可以为基于IOU Loss的深度学习模型。
一些实施例中，S102可以包括：
S1021：对分割图像进行图像处理，得到每个剁体的目标最大值和目标最小值。
一些实施例中，S1021可以包括：：
1、对分割图像进行二值化，得到灰度图像；
2、根据灰度图像，分别提取各个剁体的左侧边缘及右侧边缘；
3、针对每个剁体，将该剁体的左侧边缘像素点中横坐标的最小值，作为该剁体的目标最小值；将该剁体的右侧边缘像素点中横坐标的最大值，作为该剁体的目标最大值；其中，灰度图像的左下角或左上角为坐标原点。
本发明实施例中，在通过剁码分割模型初步分割的基础上，进一步的采用常规的图像处理方法进一步的对图像处理，得到各个剁体的左侧边缘和右侧边缘，参考图5。将灰度图像的左下角或左上角为坐标原点，对应图5，得到左侧边缘和右侧边缘的像素点的坐标点示意图，参考图6。将最左侧像素点横坐标最小值作为目标最小值，同理，将右侧像素点横坐标最大值作为目标最大值。进一步的，若将灰度图像的右下角或右上角作为坐标原点，将左侧像素点横坐标的最小值的绝对值作为目标最大值，将右侧像素点横坐标的最大值的绝对值作为目标最小值。
本发明实施例利用深度学习算法检测出码垛中每个剁体的大概位置，再结合传统图像处理算法判断剁体之间是否有偏移错位发生，融合深度学习和图像处理两种算法，有效提高了码垛错位检测的准确率。
一些实施例中，可采用OTSU法(最大类间方差法)对分割图像进行二值化。
一些实施例中，根据灰度图像，分别提取各个剁体的左侧边缘及右侧边缘，可以包括：
(1)根据灰度图像，采用canny边缘检测算法得到各个剁体的边缘；
(2)针对每个剁体，对该剁体的边缘进行滤波，提取得到该剁体的左侧边缘及右侧边缘。
一些实施例中，S103可以包括：
S1031：分别确定相邻两个剁体的目标最大值之间的差值的绝对值，作为第一差值；及确定相邻两个剁体的目标最小值之间的差值的绝对值，作为第二差值；
S1032：若存在大于第一预设差值的第一差值，或存在大于第二预设差值的第二差值，则确定剁码存在错位。
本发明实施例中，基于步骤S101，已经得到带边缘分割标签的分割图像，进而采用canny边缘检测算法得到各个剁体的边缘，滤去横向边缘及噪声造成的较短边缘，得到剁体的左侧边缘和右侧边缘。例如，参考图5，滤波后去除横向边缘及噪声点，得到图6所示剁体的左边边缘和右侧边缘像素点的点集。根据图6中的单独剁体两侧边缘点集分布分析，可以高效准确地判断该码垛是否错位。
例如，针对每个单独剁体的点集，将左侧点集中横坐标的最小值作为目标最小值，将右侧点集中横坐标的最大值作为目标最大值。分别确定相邻两个剁体的第一差值和第二差值，若两个剁体没有错位，则第一差值和第二差值应当在阈值范围内。例如，从上到下依次包括1,2,3,4,5，五个剁体，分别计算第1剁体和第2个剁体之间、第2剁体和第3剁体之间、第3剁体和第4剁体之间、第4剁体和第5剁体之间的第一差值和第二差值，若第3剁体和第4剁体之间的第一差值或第二差值大于阈值，则确定第3剁体和第4剁体之间存在错位。
其中，第一预设差值和第二预设差值可以相同，具体的可根据产线需求和车间实际情况而定。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参考图7，对应上述实施例，本发明还提供了一种剁码错位检测装置，包括：
剁码分割模块21，用于获取目标剁码图像，并将目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，分割图像包括：目标剁码图像中各个剁体的边缘分割标签；
坐标提取模块22，用于根据分割图像，分别确定每个剁体的目标最大值和目标最小值；
错位确定模块23，用于根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；
其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。
一些实施例中，剁码分割模块21可以包括：
坐标极值确定单元211，对分割图像进行图像处理，得到每个剁体的目标最大值和目标最小值。
一些实施例中，坐标极值确定单元211可以包括：：
灰度化子单元2111，用于对分割图像进行二值化，得到灰度图像；
边缘提取子单元212，用于根据灰度图像，分别提取各个剁体的左侧边缘及右侧边缘；
极值确定子单元213，用于针对每个剁体，将该剁体的左侧边缘像素点中横坐标的最小值，作为该剁体的目标最小值；将该剁体的右侧边缘像素点中横坐标的最大值，作为该剁体的目标最大值；其中，灰度图像的左下角或左上角为坐标原点。
一些实施例中，边缘提取子单元212具体用于：
(1)根据灰度图像，采用canny边缘检测算法得到各个剁体的边缘；
(2)针对每个剁体，对该剁体的边缘进行滤波，提取得到该剁体的左侧边缘及右侧边缘。
一些实施例中，错位确定模块23可以包括：
差值确定单元231，用于确定相邻两个剁体的目标最大值之间的差值的绝对值，作为第一差值；及确定相邻两个剁体的目标最小值之间的差值的绝对值，作为第二差值；
错位判断单元232，用于若存在大于第一预设差值的第一差值，或存在大于第二预设差值的第二差值，则确定剁码存在错位。
一些实施例中，上述装置还可以包括：
模型建立模块24，用于建立基础分割模型；
训练样本获取模块25，用于获取多张原始剁码图像，并人工为各张原始剁码图像添加剁体的边缘分割标签，形成训练样本；
模型训练模块26，用于将训练样本输入基础分割模型进行训练，得到预先训练完成的剁码分割模型。
一些实施例中，基础分割模型为基于IOU Loss的深度学习模型。
本发明实施例中，产线末端码垛错位发生的事件必然是由某一车间环节出错导致，因此满足一定的关联规则，例如某条电表产线发生码垛严重错位的情况，可分析对应产线涵盖的几个车间和生产环节，可能是部分出错，也可能单一环节出错，如表1所示。
表1关联规则的示例表
| 线程 | 码垛错位 | 环节1 | 环节2 | 环节3 |
| 1(产线1) | 0 | 0 | 0 | 0 |
| 2(产线2) | 1 | 1 | 0 | 0 |
| 3(产线3) | 1 | 1 | 0 | 0 |
| 4(产线4) | 1 | 0 | 1 | 0 |
本发明实施例还可挖掘码垛错位与生产环节、时间、工作人员等之间的关联规则，融合以上关联数据，建立合适的匹配模型，利用模型指导产线生产流程，以减少码垛错位情况。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将检测终端的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图8是本发明一实施例提供的检测终端的示意框图。如图8所示，该实施例的检测终端4包括：一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个剁码错位检测方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器40执行计算机程序42时实现上述剁码错位检测装置实施例中各模块/单元的功能，例如图7所示模块21至23的功能。
示例性地，计算机程序42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41中，并由处理器40执行，以完成本申请。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42在检测终端4中的执行过程。例如，计算机程序42可以被分割成剁码分割模块21、坐标提取模块22及错位确定模块23。
剁码分割模块21，用于获取目标剁码图像，并将目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，分割图像包括：目标剁码图像中各个剁体的边缘分割标签；
坐标提取模块22，用于根据分割图像，分别确定每个剁体的目标最大值和目标最小值；
错位确定模块23，用于根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；
其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。
其它模块或者单元在此不再赘述。
检测终端4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图8仅仅是检测终端的一个示例，并不构成对检测终端4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，例如检测终端4还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40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)、现场可编程门阵列(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。
存储器41可以是检测终端的内部存储单元，例如检测终端的硬盘或内存。存储器41也可以是检测终端的外部存储设备，例如检测终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括检测终端的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及检测终端所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的检测终端和方法，可以通过其它的方式实现。例如，以上所描述的检测终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本发明实施例中，工业产品线上大量设备产生海量数据，数据都上传到云端进行处理会对云端造成巨大的压力，为了分担中心云节点的压力，边缘计算节点可以负责自己范围内的数据计算和存储工作。同时，经过处理的数据仍需要从边缘节点汇聚集中到中心云，利用云计算做大数据分析挖掘、数据共享。另外，这些数据也有备份的需要，当边缘计算过程中出现意外情况，存储在云端的数据也不会丢失。
云计算与边缘计算需要通过紧密协同才能更好地满足各种需求场景的匹配。在云边协同中，要求终端设备或者传感器具备一定的计算能力，能够对采集到的数据进行实时处理，进行本地优化控制，故障自动处理，负荷识别和建模等操作，把加工汇集后的高价值数据与云端进行交互，云端进行全网的安全和风险分析，进行大数据和人工智能的模式识别、节能和策略改进等操作。
其中，数据的初步处理可以由终端完成，S101至S103的步骤，可以由云端完成，云端和终端进行信息交互和共享。
本发明实施例中，一旦产品线发现有码垛错位的情况，将会立即启动智能挡板装置，同时下发工单。智能挡板装置根据检测终端给出的信号，启动挡板阻碍错位码垛沿着流水线进入下一步的装箱和运输流程。同时，工单下发后相关工作人员将二次确认码垛错位情况，并根据具体现状及时调整错位码垛。融合这两种控制方式后，即便出现码垛错位的情况，产线也可以最高效率地减少损失的产生，最快速度地处理异常错位情况，从而保证产线的高效运转提高生产效率。
码垛被运送到生产线某固定位置将停滞片刻时，检测系统将判断其错位情况并将检测结果反馈给中央控制系统，一旦发现错位则立即触发挡板控制器。为保证错位码垛被及时阻挡，从触发到挡板完全挡住的延时必须严格保证假设码垛从静止即初速度V0匀加速到产线正常传输速度V1时运动的路程为S1，后匀速运动至挡板处的路程为S2，则通过以下公式可求解出临界时间(即：码垛输送到挡板的同时挡板刚完成挡住的操作)，即智能挡板的响应延时需小于△T。运动期间，假设匀加速阶段加速度为a，匀加速阶段的时间为T1，匀速运动的时间为T2，则各变量关系满足以下四个公式：
V1＝V0+aT1
2aS1＝V1 2-V0 2
S2＝V2*T2
△T＝T1+T2
由上述公式可计算出匀加速所用时间T1和匀速运动时间T2，而临界时间为两者之和△T，即挡板反应时间要小于△T。
上述智能挡板闭环控制流程步骤如下：
Step 1:根据大量数据统计码垛产线正常输送速度；
Step 2:根据产线正常速度计算挡板临界响应时间；
Step 3:调整挡板与码垛检测点之间的距离；
Step 4:保证挡板装置收到异常信号后能及时挡住错位码垛
本发明的反馈控制设计中包含了工单下发模块、智能挡板控制装置，在检测到码垛错位后同时下发工单通知到工作人员和启动智能挡板装置阻止错位码垛装箱运输，使得整个检测系统实现闭环控制。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种剁码错位检测方法，其特征在于，包括：
获取目标剁码图像，并将所述目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，所述分割图像包括：所述目标剁码图像中各个剁体的边缘分割标签；
根据所述分割图像，分别确定每个剁体的目标最大值和目标最小值；
根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；
其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。
2.如权利要求1所述的剁码错位检测方法，其特征在于，所述根据所述分割图像，分别确定每个剁体的目标最大值和目标最小值，包括：
对所述分割图像进行图像处理，得到每个剁体的目标最大值和目标最小值。
3.如权利要求2所述的剁码错位检测方法，其特征在于，所述对所述分割图像进行图像处理，得到每个剁体的目标最大值和目标最小值，包括：
对所述分割图像进行二值化，得到灰度图像；
根据所述灰度图像，分别提取各个剁体的左侧边缘及右侧边缘；
针对每个剁体，将该剁体的左侧边缘像素点中横坐标的最小值，作为该剁体的目标最小值；将该剁体的右侧边缘像素点中横坐标的最大值，作为该剁体的目标最大值；
其中，所述灰度图像的左下角或左上角为坐标原点。
4.如权利要求3所述的剁码错位检测方法，其特征在于，所述根据所述灰度图像，分别提取各个剁体的左侧边缘及右侧边缘，包括：
根据所述灰度图像，采用canny边缘检测算法得到各个剁体的边缘；
针对每个剁体，对该剁体的边缘进行滤波，提取得到该剁体的左侧边缘及右侧边缘。
5.如权利要求1所述的剁码错位检测方法，其特征在于，所述根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位，包括：
确定相邻两个剁体的目标最大值之间的差值的绝对值，作为第一差值；及确定相邻两个剁体的目标最小值之间的差值的绝对值，作为第二差值；
若存在大于第一预设差值的第一差值，或存在大于第二预设差值的第二差值，则确定剁码存在错位。
6.如权利要求1所述的剁码错位检测方法，其特征在于，所述方法还包括：
建立基础分割模型；
获取多张原始剁码图像，并人工为各张原始剁码图像添加剁体的边缘分割标签，形成训练样本；
将所述训练样本输入所述基础分割模型进行训练，得到所述预先训练完成的剁码分割模型。
7.如权利要求6所述的剁码错位检测方法，其特征在于，所述基础分割模型为基于IOULoss的深度学习模型。
8.一种剁码错位检测装置，其特征在于，包括：
剁码分割模块，用于获取目标剁码图像，并将所述目标剁码图像输入预先训练完成的剁码分割模型，得到分割图像；其中，所述分割图像包括：所述目标剁码图像中各个剁体的边缘分割标签；
坐标提取模块，用于根据所述分割图像，分别确定每个剁体的目标最大值和目标最小值；
错位确定模块，用于根据各个剁体的目标最大值和目标最小值，确定剁码是否存在错位；
其中，剁体的目标最大值为该剁体的边缘像素点中横坐标的最大值；剁体的目标最小值为该剁体的边缘像素点中横坐标的最小值。
9.一种检测终端，包括存储器、处理器以及存储在所述存储器中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7任一项所述剁码错位检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述剁码错位检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111493668.0A CN114387493A (zh) | 2021-12-08 | 2021-12-08 | 剁码错位检测方法及检测终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111493668.0A CN114387493A (zh) | 2021-12-08 | 2021-12-08 | 剁码错位检测方法及检测终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387493A true CN114387493A (zh) | 2022-04-22 |
Family
ID=81196247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111493668.0A Pending CN114387493A (zh) | 2021-12-08 | 2021-12-08 | 剁码错位检测方法及检测终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387493A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508838A (zh) * | 2019-08-30 | 2021-03-16 | 广东利元亨智能装备股份有限公司 | 一种电池极片对齐度检测方法 |
-
2021
- 2021-12-08 CN CN202111493668.0A patent/CN114387493A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508838A (zh) * | 2019-08-30 | 2021-03-16 | 广东利元亨智能装备股份有限公司 | 一种电池极片对齐度检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| GOLDMAN, E等: "Precise detection in densely packed scenes", 《PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 31 December 2019 (2019-12-31), pages 5227 - 5236 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461107A (zh) | 用于识别感兴趣区的材料搬运方法、装置和系统 | |
| CN109754331A (zh) | 一种基于标识码的分类工艺 | |
| CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
| CN114241037A (zh) | 混合尺寸卸盘 | |
| CN114972489A (zh) | 托盘识别方法、装置、存储介质及智能叉车设备 | |
| CN115511875A (zh) | 货物堆积的检测方法、装置、设备及存储介质 | |
| CN113989516A (zh) | 烟雾动态识别方法及相关装置 | |
| CN116543189B (zh) | 一种目标检测方法、装置、设备及存储介质 | |
| CN114387493A (zh) | 剁码错位检测方法及检测终端 | |
| CN111126402B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN113392747A (zh) | 一种用于立体仓库的货物包装箱识别方法及系统 | |
| CN114724119A (zh) | 车道线提取方法、检测设备及存储介质 | |
| CN111445401B (zh) | 圆柱棒料无序分拣的视觉识别方法、装置、设备及介质 | |
| CN115082832A (zh) | 信息识别方法、装置及存储介质 | |
| CN115116048A (zh) | 一种基于点云质心识别及定位栈板的方法、系统 | |
| CN114819821A (zh) | 货物出库校验方法、装置、计算机设备和存储介质 | |
| CN112149687A (zh) | 目标识别的方法 | |
| CN109753894A (zh) | 告警方法及装置 | |
| CN116921248B (zh) | 一种基于计算机视觉的药品核对方法及系统 | |
| TWI776735B (zh) | 棧板堆疊狀態檢測系統及其方法 | |
| WO2024088238A1 (zh) | 包裹分类方法、装置及系统、电子设备及储存介质 | |
| CN117010806B (zh) | 货物验收方法、装置、设备及计算机可读存储介质 | |
| CN114897827B (zh) | 基于机器视觉的烟叶包装箱状态检测方法 | |
| CN114310875B (zh) | 一种曲轴定位识别方法、装置、存储介质和设备 | |
| CN113111921B (zh) | 物体识别方法、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 |