CN114630102A - 检测数据采集设备角度变化的方法、装置和计算机设备 - Google Patents

检测数据采集设备角度变化的方法、装置和计算机设备 Download PDF

Info

Publication number
CN114630102A
CN114630102A CN202011347082.9A CN202011347082A CN114630102A CN 114630102 A CN114630102 A CN 114630102A CN 202011347082 A CN202011347082 A CN 202011347082A CN 114630102 A CN114630102 A CN 114630102A
Authority
CN
China
Prior art keywords
image
fused
data acquisition
detection
images
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
CN202011347082.9A
Other languages
English (en)
Inventor
楚梦蝶
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 CN202011347082.9A priority Critical patent/CN114630102A/zh
Publication of CN114630102A publication Critical patent/CN114630102A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种检测数据采集设备角度变化的方法、装置和计算机设备。所述方法包括：通过获取物流场景中不同时刻的目标区域的待融合图像；对各待融合图像进行灰度处理，得到各待融合图像的灰度图；获取各灰度图中每个像素点的像素值；通过将各灰度图中相同位置的像素值进行融合，得到融合图；通过训练好的分类检测网络对融合图进行检测，得到数据采集设备角度变化结果。采用本方法能够提高数据采集设备角度变化检测的准确性。

Description

检测数据采集设备角度变化的方法、装置和计算机设备
技术领域
本申请涉及图像处理技术领域，特别是涉及一种检测数据采集设备角度变化的方法、装置和计算机设备。
背景技术
在物流场景中通过数据采集设备采集各个场地的操作行为，得到各个场景中物流的分拣、装车、卸车等情况。为了确定各个场地的正常秩序，需要对各场地不规范行为进行检测，并对不规范行为检测采取一定的惩罚措施。然而，部分场地会为了降低不规范操作被抓拍的频率，会恶意调整场地数据采集设备，例如，摄像头，将摄像头朝向更改成非操作区域，来躲避抓拍。因此，需对数据采集设备角度是否改变进行判断。
采用传统的方法来判断数据采集设备是否发生变化，通常流程是检测图像中的关键点(例如，移动的物体上(货物、车、人等))，对关键点进行匹配，对匹配上的点的坐标计算三个方向，当匹配上的点过少或者旋转角度过大则认为数据采集设备角度发生变化，导致数据采集设备角度变化检测的准确性低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高数据采集设备角度变化检测准确性的检测数据采集设备角度变化的方法、装置、计算机设备和存储介质。
一种检测数据采集设备角度变化的方法，所述方法包括：
获取物流场景中不同时刻的目标区域的待融合图像；
对各所述待融合图像进行灰度处理，得到各所述待融合图像的灰度图；
获取各所述灰度图中每个像素点的像素值；
通过将各所述灰度图中相同位置的像素值进行融合，得到融合图；
通过训练好的分类检测网络对所述融合图进行检测，得到数据采集设备角度变化结果。
在其中一个实施例中，所述获取物流场景中不同时刻的目标区域的待融合图像，包括：
获取不同时刻采集到的物流场景中的目标区域的物流场景图像；
选取预设数量的所述物流场景图像作为待融合图像。
在其中一个实施例中，所述通过将各所述灰度图中相同位置的像素值进行融合，得到融合图，包括：
按照预设颜色通道的顺序将各所述灰度图中相同位置的像素值进行融合，得到各所述灰度图对应的融合图。
在其中一个实施例中，所述通过训练好的分类检测网络对所述融合图进行检测中，得到数据采集设备角度变化结果，包括：
根据所述融合图中各像素点的像素值，确定所述融合图的高亮区域和灰色区域；
通过训练好的分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值；
根据所述第一检测值和第二检测值得到数据采集设备角度变化结果。
在其中一个实施例中，所述根据所述第一检测值和第二检测值得到数据采集设备角度变化结果，包括：
当所述第二检测值为预设值且所述第一检测值大于第一检测阈值时，确定所述数据采集设备角度发生改变；
当所述第一检测值为预设值且所述第二检测值大于第二检测阈值时，确定所述数据采集设备角度没有发生改变。
在其中一个实施例中，所述方法还包括：
当确定所述数据采集设备角度发生改变时，获取所述摄像头所在的物流场景标识；
生成携带所述物流场景标识的报警提示信息，并将所述报警提示信息发送至用户终端；所述报警提示信息用于提示相关工作人员对相应的物流场景的物流操作进行检查。
一种检测数据采集设备角度变化的装置，所述装置包括：
第一获取模块，用于获取物流场景中不同时刻的目标区域的待融合图像；
处理模块，用于对各所述待融合图像进行灰度处理，得到各所述待融合图像的灰度图；
第二获取模块，用于获取各所述灰度图中每个像素点的像素值；
融合模块，用于通过将各所述灰度图中相同位置的像素值进行融合，得到融合图；
检测模块，用于通过训练好的分类检测网络对所述融合图进行检测，得到数据采集设备角度变化结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取物流场景中不同时刻的目标区域的待融合图像；
对各所述待融合图像进行灰度处理，得到各所述待融合图像的灰度图；
获取各所述灰度图中每个像素点的像素值；
通过将各所述灰度图中相同位置的像素值进行融合，得到融合图；
通过训练好的分类检测网络对所述融合图进行检测，得到数据采集设备角度变化结果。
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执行时实现以下步骤：
获取物流场景中不同时刻的目标区域的待融合图像；
对各所述待融合图像进行灰度处理，得到各所述待融合图像的灰度图；
获取各所述灰度图中每个像素点的像素值；
通过将各所述灰度图中相同位置的像素值进行融合，得到融合图；
通过训练好的分类检测网络对所述融合图进行检测，得到数据采集设备角度变化结果。
上述检测数据采集设备角度变化的方法、装置、计算机设备和存储介质，通过获取物流场景中目标区域不同时刻的待融合图像进行灰度处理的，得到各待融合图像的灰度图；通过对各灰度图中相同位置的像素值进行融合，得到目标区域的融合图；通过训练好的分类检测网络对融合图进行检测中，得到数据采集设备角度变化结果；即通过根据像素值对目标区域的图像进行融合，通过分类检测网络对数据采集设备角度是否发生改变进行检测，采用简单图像融合和分类检测网络识别，提高数据采集设备角度变化检测的准确性。
附图说明
图1为一个实施例中检测数据采集设备角度变化的方法的应用环境图；
图2为一个实施例中检测数据采集设备角度变化的方法的流程示意图；
图3为一个实施例中数据采集设备角度没有发生改变的采集的图像示意图；
图4为一个实施例中数据采集设备角度发生改变的采集的图像示意图；
图5为另一个实施例中检测数据采集设备角度变化的方法的流程示意图；
图6a为一个实施例中摄像头角度未发生改变的融合图的示意图；
图6b为一个实施例中摄像头角度发生改变的融合图的示意图；
图7为另一个实施例中检测数据采集设备角度变化的装置的结构框图；
图8为另一个实施例中检测数据采集设备角度变化的装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
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，对本申请进行进一步详细说明。应当理解，此处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。
本申请提供的检测数据采集设备角度变化方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102从服务器104中获取物流场景中不同时刻的目标区域的待融合图像；对各待融合图像进行灰度处理，得到各待融合图像的灰度图；获取各灰度图中每个像素点的像素值；通过将各灰度图中相同位置的像素值进行融合，得到融合图；通过训练好的分类检测网络对融合图进行检测，得到数据采集设备角度变化结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种检测数据采集设备角度变化的方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取物流场景中不同时刻的目标区域的待融合图像。
其中，目标区域是指物流场景中数据采集设备的图像采集区域，物流场景可以但不仅限于是快件打包、快件分拣、快件装车和快件卸车等场景；数据采集设备可以但不仅限于是图像采集设备(例如，摄像头)。物流场景中安装至少一台数据采集设备，通过数据采集设备采集物流场景的图像数据可以获取各场景的工作人员对快件的操作情况。待融合图像是指由同一台数据采集设备采集的不同时刻的目标区域的图像，采集的图像可以是数据采集设备角度没有发生改变的采集的图像(如图3所示，为同一小件分拣场景中，三个不同时刻采集的图像)，也可以是数据采集设备角度发生改变的采集的图像(如图4所示，为同一小件分拣场景中，三个不同时刻采集的图像)。不同时刻可以是相等时间间隔的时刻(例如，13点30分、14点、14点30分)，也可以是任意时刻(例如，8点50分、9点、9点15分、12点)。
具体地，终端从服务器中获取同一数据采集设备在不同时刻采集的目标区域的待融合图像，例如，获取同一摄像头在三个不同时刻采集的目标区域的待融合图像。
步骤204，对各待融合图像进行灰度处理，得到各待融合图像的灰度图。
其中，灰度处理可以采用平均值法、加权平均值和最大值法中任意一种方式实现图像的灰度处理。
具体地，依次读取各待融合图像的每个像素点的R(red，红色)，G(green，绿色)，B(blue，蓝色)值，进行计算灰度值，并将计算的灰度值转换为整型数，将灰度值赋值给新图像的相应位置，所有像素点遍历一遍后完成转换，得到各待融合图像的灰度图。
步骤206，获取各灰度图中每个像素点的像素值。
步骤208，通过将各灰度图中相同位置的像素值进行融合，得到融合图。
其中，同一数据采集设备采集的各待融合图像对应的灰度图的尺寸相同，各灰度图的相同位置是指像素点在灰度图中位置坐标相同。具体地，获取每张灰度图中相同位置的像素值，对得到的每张图中相同位置处的像素值按照RGB通道进行融合，得到融合图的对应位置像素值，依次遍历所有像素点，得到各灰度图融合后得到的融合图。例如，获取三张灰度图的相同位置的像素值，依次是p1、p2和p3，将三张灰度图相同位置的像素值按照顺序设置为RGB三个不同通道进行融合，实现颜色空间逆变化，得到融合图的对应位置的像素值为(p1，p2，p3)，依次遍历所有像素点，得到最终融合图。
步骤210，通过训练好的分类检测网络对融合图进行检测，得到数据采集设备角度变化结果。
其中，训练好的分类检测网络是根据样本融合图进行迭代训练确定的，样本融合图中包括数据采集设备角度发生改变的融合图和数据采集设备角度没有发生改变的融合图。分类检测网络是指具有分类功能的卷积神经网络，分类检测网络可以但不仅限于是vgg、resnet、mobilenet、R-CNN、FAST-RCNN,Faster-rcnn、Mask-rcnn、SSPN-net、SSD、YOLO、YOLO_v2和YOLO_v3等中任意一种卷积神经网络。
具体地，将融合图输入至训练好的分类检测网络中，确定融合图中的高亮区域的第一检测值和灰色区域的第二检测值，当第二检测值为预设值且第一检测值大于第一检测阈值时，确定数据采集设备角度发生改变；当第一检测值为预设值且第二检测值大于第二检测阈值时，确定数据采集设备角度没有发生改变。其中，高亮区域用于表征数据采集设备的角度发生改变；灰色区域用于表征数据采集设备的角度没有发生改变。
上述检测数据采集设备角度变化的方法中，通过获取物流场景中目标区域不同时刻的待融合图像进行灰度处理的，得到各待融合图像的灰度图；通过对各灰度图中相同位置的像素值进行融合，得到目标区域的融合图；通过训练好的分类检测网络对融合图进行检测中，得到数据采集设备角度变化结果；即通过根据像素值对目标区域的图像进行融合，通过分类检测网络对数据采集设备角度是否发生改变进行检测，采用简单图像融合和分类检测网络识别，提高数据采集设备角度变化检测的准确性。
在另一个实施例中，如图5所示，提供了一种检测数据采集设备角度变化的方法，以该方法应用于图1中的终端为例进行说明，在该实例中以数据采集设备为摄像头为例进行说明，包括以下步骤：
步骤502，获取不同时刻采集到的物流场景中的目标区域的物流场景图像。
步骤504，选取预设数量的物流场景图像作为待融合图像。
其中，预设数量可以但不仅限于是3。
具体地，获取同一摄像头在3个不同时刻采集的目标区域的物流场景图像作为待融合图像。
步骤506，对各待融合图像进行灰度处理，得到各待融合图像的灰度图。
具体地，依次读取3张待融合图像的每个像素点的R(red，红色)，G(green，绿色)，B(blue，蓝色)值，进行计算灰度值，并将计算的灰度值转换为整型数，将灰度值赋值给新图像的相应位置，所有像素点遍历一遍后完成转换，分别得到每张待融合图像的灰度图
步骤508，获取各灰度图中每个像素点的像素值。
步骤510，按照预设颜色通道的顺序将各灰度图中相同位置的像素值进行融合，得到各灰度图对应的融合图。
具体地，获取每张灰度图中相同位置的像素值，对得到的每张图中相同位置处的像素值按照RGB通道进行融合，得到融合图的对应位置像素值，依次遍历所有像素点，得到各灰度图融合后得到的融合图，得到的融合图可以是摄像头角度未发生改变的融合图(如图6a所示)，即融合后的融合图中包括灰色区域；也可以是摄像头角度发生改变的融合图(如图6b所示)，即融合后的融合图中不包括灰色区域。
步骤512，根据融合图中各像素点的像素值，确定融合图的高亮区域和灰色区域。
具体地，若摄像头的角度未发生改变，不同时刻采集的待融合图像进行灰度处理后，将得到的单通道灰度图进行融合，得到的融合图的像素值在灰度值(例如0～255)范围之内；若摄像头的角度发生改变，不同时刻采集的待融合图像进行灰度处理后，将得到的单通道灰度图进行融合，得到的融合图的像素值不在灰度值(例如0～255)范围之内，根据融合图中各像素点的像素值，确定融合图的高亮区域和灰色区域。
步骤514，通过训练好的分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值。
步骤516，根据第一检测值和第二检测值得到数据采集设备角度变化结果。
其中第一检测值可以但不仅限于是分类检测网络输出用于表示摄像头角度发生变化的概率值；第二检测值可以但不仅限于是分类检测网络输出用于表示摄像头角度未发生变化的概率值。
具体地，当第二检测值为预设值且第一检测值大于第一检测阈值时，确定数据采集设备角度发生改变；当第一检测值为预设值且第二检测值大于第二检测阈值时，确定数据采集设备角度没有发生改变。
步骤518，当确定数据采集设备角度发生改变时，获取摄像头所在的物流场景标识。
步骤520，生成携带物流场景标识的报警提示信息，并将报警提示信息发送至用户终端。
其中，报警提示信息用于提示相关工作人员对相应的物流场景的物流操作进行检查。报警提示信息可以但不仅限于以邮件、短信等形式进行发送。
上述检测数据采集设备角度变化的方法中，通过对同一摄像头不同时刻采集的待融合图像进行灰度处理，得到单通道的灰度图并对各灰度图进行融合，得到融合图，通过训练好的分类检测网络对融合图进行分类检测，根据分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值得到数据采集设备角度变化结果，简化了数据采集设备角度变化检测的操作，降低检测操作复杂度并提高了数据采集设备角度变化检测的准确性，在确定数据采集设备角度发生改变时，获取摄像头所在的物流场景标识，将携带物流场景标识的报警提示信息，并将报警提示信息发送至用户终端，提高物流场景的安全性。
应该理解的是，虽然图2、图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种检测数据采集设备角度变化的装置，包括：第一获取模块702、处理模块704、第二获取模块706、融合模块708和检测模块710，其中：
第一获取模块702，用于获取物流场景中不同时刻的目标区域的待融合图像。
处理模块704，用于对各待融合图像进行灰度处理，得到各待融合图像的灰度图。
第二获取模块706，用于获取各灰度图中每个像素点的像素值。
融合模块708，用于通过将各灰度图中相同位置的像素值进行融合，得到融合图。
检测模块710，用于通过训练好的分类检测网络对融合图进行检测，得到数据采集设备角度变化结果。
上述检测数据采集设备角度变化的装置，通过获取物流场景中目标区域不同时刻的待融合图像进行灰度处理，得到各待融合图像的灰度图；通过对各灰度图中相同位置的像素值进行融合，得到目标区域的融合图；通过训练好的分类检测网络对融合图进行检测中，得到数据采集设备角度变化结果；即通过根据像素值对目标区域的图像进行融合，通过分类检测网络对数据采集设备角度是否发生改变进行检测，采用简单图像融合和分类检测网络识别，提高数据采集设备角度变化检测的准确性。
在另一个实施例中，如图8所示，提供了一种检测数据采集设备角度变化的装置，除包括第一获取模块702、处理模块704、第二获取模块706、融合模块708和检测模块710之外，还包括：选取模块712、确定模块714、第三获取模块716和提示模块718，其中：
第一获取模块702还用于获取不同时刻采集到的物流场景中的目标区域的物流场景图像。
选取模块712，用于选取预设数量的物流场景图像作为待融合图像。
融合模块708还用于按照预设颜色通道的顺序将各灰度图中相同位置的像素值进行融合，得到各灰度图对应的融合图。
确定模块714，用于根据融合图中各像素点的像素值，确定融合图的高亮区域和灰色区域；通过训练好的分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值。
检测模块710还用于根据第一检测值和第二检测值得到数据采集设备角度变化结果。
确定模块714还用于当第二检测值为预设值且第一检测值大于第一检测阈值时，确定数据采集设备角度没有发生改变；
当第一检测值为预设值且第二检测值大于第二检测阈值时，确定数据采集设备角度发生改变。
第三获取模块716，用于当确定数据采集设备角度发生改变时，获取摄像头所在的物流场景标识。
提示模块718，用于生成携带物流场景标识的报警提示信息，并将报警提示信息发送至用户终端；报警提示信息用于提示相关工作人员对相应的物流场景的物流操作进行检查。
在一个实施例中，通过对同一摄像头不同时刻采集的待融合图像进行灰度处理，得到单通道的灰度图；并对各灰度图按照预设颜色通道的顺序进行融合，得到融合图，通过训练好的分类检测网络对融合图进行分类检测，根据分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值得到数据采集设备角度变化结果，简化了数据采集设备角度变化检测的操作，降低检测操作复杂度并提高了数据采集设备角度变化检测的准确性，在确定数据采集设备角度发生改变时，获取摄像头所在的物流场景标识，将携带物流场景标识的报警提示信息，并将报警提示信息发送至用户终端，提高物流场景的安全性。
关于检测数据采集设备角度变化装置的具体限定可以参见上文中对于检测数据采集设备角度变化方法的限定，在此不再赘述。上述检测数据采集设备角度变化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种检测数据采集设备角度变化的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取物流场景中不同时刻的目标区域的待融合图像；
对各待融合图像进行灰度处理，得到各待融合图像的灰度图；
获取各灰度图中每个像素点的像素值；
通过将各灰度图中相同位置的像素值进行融合，得到融合图；
通过训练好的分类检测网络对融合图进行检测，得到数据采集设备角度变化结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取不同时刻采集到的物流场景中的目标区域的物流场景图像；
选取预设数量的物流场景图像作为待融合图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
按照预设颜色通道的顺序将各灰度图中相同位置的像素值进行融合，得到各灰度图对应的融合图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据融合图中各像素点的像素值，确定融合图的高亮区域和灰色区域；
通过训练好的分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值；
根据第一检测值和第二检测值得到数据采集设备角度变化结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当第二检测值为预设值且第一检测值大于第一检测阈值时，确定数据采集设备角度发生改变；
当第一检测值为预设值且第二检测值大于第二检测阈值时，确定数据采集设备角度没有发生改变。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当确定数据采集设备角度发生改变时，获取摄像头所在的物流场景标识；
生成携带物流场景标识的报警提示信息，并将报警提示信息发送至用户终端；报警提示信息用于提示相关工作人员对相应的物流场景的物流操作进行检查。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取物流场景中不同时刻的目标区域的待融合图像；
对各待融合图像进行灰度处理，得到各待融合图像的灰度图；
获取各灰度图中每个像素点的像素值；
通过将各灰度图中相同位置的像素值进行融合，得到融合图；
通过训练好的分类检测网络对融合图进行检测，得到数据采集设备角度变化结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取不同时刻采集到的物流场景中的目标区域的物流场景图像；
选取预设数量的物流场景图像作为待融合图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照预设颜色通道的顺序将各灰度图中相同位置的像素值进行融合，得到各灰度图对应的融合图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据融合图中各像素点的像素值，确定融合图的高亮区域和灰色区域；
通过训练好的分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值；
根据第一检测值和第二检测值得到数据采集设备角度变化结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当第二检测值为预设值且第一检测值大于第一检测阈值时，确定数据采集设备角度发生改变；
当第一检测值为预设值且第二检测值大于第二检测阈值时，确定数据采集设备角度没有发生改变。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当确定数据采集设备角度发生改变时，获取摄像头所在的物流场景标识；
生成携带物流场景标识的报警提示信息，并将报警提示信息发送至用户终端；报警提示信息用于提示相关工作人员对相应的物流场景的物流操作进行检查。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上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)

1.一种检测数据采集设备角度变化的方法，其特征在于，所述方法包括：
获取物流场景中不同时刻的目标区域的待融合图像；
对各所述待融合图像进行灰度处理，得到各所述待融合图像的灰度图；
获取各所述灰度图中每个像素点的像素值；
通过将各所述灰度图中相同位置的像素值进行融合，得到融合图；
通过训练好的分类检测网络对所述融合图进行检测，得到数据采集设备角度变化结果。
2.根据权利要求1所述的方法，其特征在于，所述获取物流场景中不同时刻的目标区域的待融合图像，包括：
获取不同时刻采集到的物流场景中的目标区域的物流场景图像；
选取预设数量的所述物流场景图像作为待融合图像。
3.根据权利要求1所述的方法，其特征在于，所述通过将各所述灰度图中相同位置的像素值进行融合，得到融合图，包括：
按照预设颜色通道的顺序将各所述灰度图中相同位置的像素值进行融合，得到各所述灰度图对应的融合图。
4.根据权利要求1所述的方法，其特征在于，所述通过训练好的分类检测网络对所述融合图进行检测中，得到数据采集设备角度变化结果，包括：
根据所述融合图中各像素点的像素值，确定所述融合图的高亮区域和灰色区域；
通过训练好的分类检测网络的输出层输出高亮区域的第一检测值和灰色区域的第二检测值；
根据所述第一检测值和第二检测值得到数据采集设备角度变化结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一检测值和第二检测值得到数据采集设备角度变化结果，包括：
当所述第二检测值为预设值且所述第一检测值大于第一检测阈值时，确定所述数据采集设备角度发生改变；
当所述第一检测值为预设值且所述第二检测值大于第二检测阈值时，确定所述数据采集设备角度没有发生改变。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当确定所述数据采集设备角度发生改变时，获取所述摄像头所在的物流场景标识；
生成携带所述物流场景标识的报警提示信息，并将所述报警提示信息发送至用户终端；所述报警提示信息用于提示相关工作人员对相应的物流场景的物流操作进行检查。
7.一种检测数据采集设备角度变化的装置，其特征在于，所述装置包括：
第一获取模块，用于获取物流场景中不同时刻的目标区域的待融合图像；
处理模块，用于对各所述待融合图像进行灰度处理，得到各所述待融合图像的灰度图；
第二获取模块，用于获取各所述灰度图中每个像素点的像素值；
融合模块，用于通过将各所述灰度图中相同位置的像素值进行融合，得到融合图；
检测模块，用于通过训练好的分类检测网络对所述融合图进行检测，得到数据采集设备角度变化结果。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第一获取模块还用于获取不同时刻采集到的物流场景中的目标区域的物流场景图像；
选取模块，用于选取预设数量的所述物流场景图像作为待融合图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202011347082.9A 2020-11-26 2020-11-26 检测数据采集设备角度变化的方法、装置和计算机设备 Pending CN114630102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011347082.9A CN114630102A (zh) 2020-11-26 2020-11-26 检测数据采集设备角度变化的方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011347082.9A CN114630102A (zh) 2020-11-26 2020-11-26 检测数据采集设备角度变化的方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN114630102A true CN114630102A (zh) 2022-06-14

Family

ID=81895145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011347082.9A Pending CN114630102A (zh) 2020-11-26 2020-11-26 检测数据采集设备角度变化的方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN114630102A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116430130A (zh) * 2023-05-05 2023-07-14 国网安徽省电力有限公司六安市叶集供电公司 一种配网开关保护变比检测用数据采集系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070002015A1 (en) * 2003-01-31 2007-01-04 Olympus Corporation Movement detection device and communication apparatus
KR100777199B1 (ko) * 2006-12-14 2007-11-16 중앙대학교 산학협력단 이동 객체 추적 장치 및 그 방법
CN103096121A (zh) * 2011-10-28 2013-05-08 浙江大华技术股份有限公司 一种摄像头移动检测方法及装置
CN103841297A (zh) * 2012-11-23 2014-06-04 中国航天科工集团第三研究院第八三五七研究所 一种适用于合成运动摄像载体的电子稳像方法
JP2020173637A (ja) * 2019-04-11 2020-10-22 キヤノン株式会社 画像処理装置、生産システム、物品の製造方法、および画像処理方法
CN111932596A (zh) * 2020-09-27 2020-11-13 深圳佑驾创新科技有限公司 摄像头遮挡区域的检测方法、装置、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070002015A1 (en) * 2003-01-31 2007-01-04 Olympus Corporation Movement detection device and communication apparatus
KR100777199B1 (ko) * 2006-12-14 2007-11-16 중앙대학교 산학협력단 이동 객체 추적 장치 및 그 방법
CN103096121A (zh) * 2011-10-28 2013-05-08 浙江大华技术股份有限公司 一种摄像头移动检测方法及装置
CN103841297A (zh) * 2012-11-23 2014-06-04 中国航天科工集团第三研究院第八三五七研究所 一种适用于合成运动摄像载体的电子稳像方法
JP2020173637A (ja) * 2019-04-11 2020-10-22 キヤノン株式会社 画像処理装置、生産システム、物品の製造方法、および画像処理方法
CN111932596A (zh) * 2020-09-27 2020-11-13 深圳佑驾创新科技有限公司 摄像头遮挡区域的检测方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赖保均;陈公兴;李升凯;李家壮;邵经纬;黎清虎;: "基于深度学习的人脸追踪安防监控系统", 科学技术创新, no. 15, 25 May 2020 (2020-05-25) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116430130A (zh) * 2023-05-05 2023-07-14 国网安徽省电力有限公司六安市叶集供电公司 一种配网开关保护变比检测用数据采集系统
CN116430130B (zh) * 2023-05-05 2023-09-15 国网安徽省电力有限公司六安市叶集供电公司 一种配网开关保护变比检测用数据采集设备的检测系统

Similar Documents

Publication Publication Date Title
CN109815770B (zh) 二维码检测方法、装置及系统
CN111191532B (zh) 基于施工区域的人脸识别方法、装置、计算机设备
CN108986085B (zh) Ct图像肺结节检测方法、装置、设备及可读存储介质
CN110826632B (zh) 图像变化检测方法、装置、设备及计算机可读存储介质
CN111680675B (zh) 人脸活体检测方法、系统、装置、计算机设备和存储介质
CN111666922A (zh) 视频匹配方法、装置、计算机设备和存储介质
CN112560698A (zh) 图像处理方法、装置、设备和介质
CN111144372A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN111832561B (zh) 基于计算机视觉的字符序列识别方法、装置、设备和介质
WO2018155594A1 (ja) 情報処理装置、情報処理方法、及びコンピュータ読み取り可能な記録媒体
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN111814716A (zh) 印章去除方法、计算机设备和可读存储介质
CN111488883A (zh) 车架号识别方法、装置、计算机设备和存储介质
CN112183321A (zh) 机器学习模型优化的方法、装置、计算机设备和存储介质
CN111428740A (zh) 网络翻拍照片的检测方法、装置、计算机设备及存储介质
CN113538291B (zh) 卡证图像倾斜校正方法、装置、计算机设备和存储介质
CN114630102A (zh) 检测数据采集设备角度变化的方法、装置和计算机设备
CN111582024B (zh) 视频流处理方法、装置、计算机设备和存储介质
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
CN114463685B (zh) 行为识别方法、装置、电子设备及存储介质
CN112509052B (zh) 黄斑中心凹的检测方法、装置、计算机设备和存储介质
CN111179343B (zh) 目标检测方法、装置、计算机设备和存储介质
CN113792795A (zh) 基于网关设备的变电站设备识别方法、装置和网关设备
CN113496162A (zh) 停车规范识别方法、装置、计算机设备和存储介质
CN112906524B (zh) 区域变迁状况预测方法、设备、介质及计算机程序产品

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