CN114842332A - 一种库位检测方法和系统 - Google Patents
一种库位检测方法和系统 Download PDFInfo
- Publication number
- CN114842332A CN114842332A CN202210381020.2A CN202210381020A CN114842332A CN 114842332 A CN114842332 A CN 114842332A CN 202210381020 A CN202210381020 A CN 202210381020A CN 114842332 A CN114842332 A CN 114842332A
- Authority
- CN
- China
- Prior art keywords
- area
- storehouse
- camera
- real
- global map
- 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 abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种库位检测方法和系统。其中,该方法库位检测系统中的服务器执行,库位检测系统还包括安装在待检测库位区域上方一定高度的至少一个相机,至少一个相机的视野覆盖整个库位区域,用于采集库位区域的实时图像,库位区域包括若干库位,该方法包括:对至少一个相机采集到的实时图像进行拼接处理,以得到待检测库位区域的全局地图;基于深度学习框架训练待检测库位区域的目标识别模型;根据全局地图,通过训练后的目标检测模型对实时图像进行识别,以得到库位区域中各库位的状态信息和位置信息。本发明实现了无需安装过多的相机或者光电传感器,通过一个或者几个相机即可检测库位,简化了安装步骤和设备成本。
Description
技术领域
本发明实施例涉及智能仓储技术领域,尤其涉及一种库位检测方法和系统。
背景技术
目前无人搬运过程中的库位检测的方法一般为:在货位的周围安装相机或者安装光电传感器,用来判断该库位是否有货物,是否需要进行搬运。
然而,如果库位很多,就需要安装大量的相机或者光电传感器,也就意味着这需要额外安装很多的线和插座,操作复杂且设备成本高。此外,如果是智能工厂改造项目,改动成本会很高。
发明内容
本发明提供一种库位检测方法和系统,以实现无需安装过多的相机或者光电传感器即可检测库位,简化安装步骤和设备成本。
第一方面,本发明实施例提供了一种库位检测方法,由库位检测系统中的服务器执行,所述库位检测系统还包括安装在待检测库位区域上方一定高度的至少一个相机,所述至少一个相机的视野覆盖整个库位区域,用于采集库位区域的实时图像,所述库位区域包括若干库位,所述方法包括:
S110、对所述至少一个相机采集到的实时图像进行拼接处理,以得到所述待检测库位区域的全局地图;
S120、基于深度学习框架训练待所述检测库位区域的目标识别模型;
S130、根据所述全局地图,通过训练后的目标检测模型对所述实时图像进行识别,以得到库位区域中各库位的状态信息和位置信息。
可选的,所述S110具体包括:
通过直方图处理的方式预测各相机采集的实时图像的重叠区域;
提取所述实时图像中的特征点,并对所提取的特征点进行特征点匹配;
根据特征点在不同实时图片中的像素坐标计算透视变换矩阵,根据所述透视变换矩阵得到所述待检测库位区域的全局地图。
可选的,在所述S110之后还包括:消除所述全局地图重叠区域的重影问题。
可选的,所述消除所述全局地图重叠区域的重影问题,具体包括:
消除所述全局地图的颜色差异和结构差异,得到所述全局地图的能量图;
将所述能量图中的最小能量路径确定为接缝;
通过图像融合去除所述接缝的不连续,以得到校正后的全局地图。
可选的,所述S120具体包括:
通过所述相机采集所述目标识别模型的训练样本,所述训练样本为相机采集的图像中包含的目标检测对象的位姿信息;
根据所述训练样本对基于YOLO深度学习框架的目标识别模型进行训练,以得到训练后的目标识别模型。
第二方面,本发明实施例还提供了一种库位检测系统,该系统包括服务器和安装在待检测库位区域上方一定高度的至少一个相机,所述至少一个相机的视野覆盖整个库位区域,用于采集库位区域的实时图像,所述库位区域包括若干库位,所述服务器包括:
全局地图构建模块,用于对所述至少一个相机采集到的实时图像进行拼接处理,以得到所述待检测库位区域的全局地图;
目标识别模型训练模块,用于基于YOLO深度学习框架训练待所述检测库位区域的目标识别模型;
库位识别模块,用于根据所述全局地图,通过训练后的目标检测模型对所述实时图像进行识别,以得到库位区域中各库位的状态信息和位置信息。
本发明通过安装覆盖库位区域的相机来实现库位区域全局地图的构建,并基于YOLO深度学习框架实现库位区域状态以及位置的检测,与现有技术相比,无需安装过多的相机或者光电传感器,通过一个或者几个相机即可检测库位,简化了安装步骤和设备成本。
附图说明
图1为本发明实施例提供的库位检测方法的流程图;
图2是本发明实施例提供的库位检测方法的系统示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例
图1为本发明实施例提供的库位检测方法的流程图,本实施例可适用于对库位状态以及位置进行检测的情况。该方法库位检测系统中的服务器执行,进一步参见图2,所述库位检测系统还包括安装在待检测库位区域上方一定高度的至少一个相机,所述至少一个相机的视野覆盖整个库位区域,用于采集库位区域的实时图像,所述库位区域包括若干库位。若近安装一个相机,可以将相机设置在待检测库位区域的正上方。
其中,本申请中的服务器可以为厂区内部署的一台服务器,用于接收相机传过来的实时图像,对图像进行处理;或者进行云端部署,云服务器接受相机传过来的实时图像,对图像进行处理。或者使用边缘计算技术,先对图像进行处理,再将处理好的地图发送到服务器
该方法具体包括:
S110、对所述至少一个相机采集到的实时图像进行拼接处理,以得到所述待检测库位区域的全局地图。
具体的,上述S110包括:通过直方图处理的方式预测各相机采集的实时图像的重叠区域,以减少计算量。
提取所述实时图像中的特征点,并对所提取的特征点进行特征点匹配。其中,可以通过sift方法(Scale-invariant feature transform尺度不变特征变换)、suft方法(Speeded Up Robust Features)以及orb(Oriented FAST and Rotated BRIEF)方法等方法进行特征提取。可选的,本实施例中使用快速最近邻逼近搜索函数库(FLANN,FastApproximate Nearest Neighbor Search Library)来进行特征点匹配。
进一步的,在特征点匹配之后,对所有的匹配点进行筛选,通过随机抽样一致算法RASAC筛选出匹配度比较高的匹配。
根据筛选出来的特征点在不同实时图片中的像素坐标计算透视变换矩阵,根据所述透视变换矩阵得到所述待检测库位区域拼接后的全局地图。
进一步的,为了提高建图的实时性,可以有规律地安排相机安装的方位,同时,在特征检测之前找重叠区域,可以人为估算一下相机拍摄的重叠区域,降低误差,或者在重叠区域设置标志物,照片上有标志物即可判断出重叠区域。
为了进一步提高全局地图的精度,在S110之后还包括:除所述全局地图重叠区域的重影问题,寻找最优拼缝,具体包括一下步骤:
消除所述全局地图的颜色差异和结构差异,得到所述全局地图的能量图;
将所述能量图中的最小能量路径确定为接缝;本实施例中可以采用动态规划法或者图割法来确定能量图中的最小 能量路径。
通过图像融合的方法去除所述接缝的不连续,以得到校正后的全局地图,本实施例中还可以通过使用加权平均法或者图像金字塔法来去除接缝的不连续。
进一步的,为增加全局地图图片的美观度,可以对图片进行曝光补偿或者波形校正,从而得到精准全局地图。
S120、基于深度学习框架训练待所述检测库位区域的目标识别模型。
具体的,S120包括:通过所述相机采集所述目标识别模型的训练样本,所述训练样本为相机采集的图像中包含的目标检测对象的位姿信息;根据所述训练样本对基于YOLO深度学习框架的目标识别模型进行训练,以得到训练后的目标识别模型。
本实施例,首先通过相机采集的图像信息对目标识别模型进行训练。相机采集不同姿态下的货物、人、AGV以及空托等样本数据集并将图片传送给服务器,服务器接收到样本数据集后,会训练出适用于客户现场的模型。或者相机通过视觉神经网络做数据加强,随机改变货物、人、AGV以及空托等样本的结构、随机翻转、随机裁剪、随机插补,提高鲁棒性。
程序训练方法可以设置迭代次数,满足一定次数以后,停止训练。同时可以设置评估指标,通过MAP(平均精度)模型对训练的结果进行评价。
S130、根据所述全局地图,通过训练后的目标检测模型对所述实时图像进行识别,以得到库位区域中各库位的状态信息和位置信息。
在得到训练后的目标识别模型之后,基于YOLO的目标识别模型将所得到的全局地图分成S * S个格子,每个格子负责检测‘落入’该格子的货物,人,AGV,空托等。通过透视变换的原理,即可得到货物,人,AGV,空托等目标物的全局地图坐标。
在目标识别模型训练好后,识别系统会加载该模型,并输出相应库位有货无货状态及库位的位置传送送给WMS(仓储管理系统),WMS系统收到相应信号后,会下发相应任务给AGVS(调度系统),AGVS调度AGV完成相应任务。当识别系统检测到库位中有人或其它异物进入时,会发出警告,确保安全。
本实施例采用的深度学习框架为YOLO(You Only Look Only),该深度学习框架是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度快,可以用于实时系统。具体的,本实施例采用一个单独的CNN模型实现end-to-end(端对端)的目标检测,首先将输入图片修改到448 x 448,然后送入CNN网络,最后处理网络预测结果得到检测的目标。
本发明实施例还提供一种库位检测系统,包括服务器和安装在待检测库位区域上方一定高度的至少一个相机,所述至少一个相机的视野覆盖整个库位区域,用于采集库位区域的实时图像,所述库位区域包括若干库位,所述服务器包括:
全局地图构建模块,用于对所述至少一个相机采集到的实时图像进行拼接处理,以得到所述待检测库位区域的全局地图;
目标识别模型训练模块,用于基于YOLO深度学习框架训练待所述检测库位区域的目标识别模型;
库位识别模块,用于根据所述全局地图,通过训练后的目标检测模型对所述实时图像进行识别,以得到库位区域中各库位的状态信息和位置信息。
其中,上述全局地图构建模块具体包括:
通过直方图处理的方式预测各相机采集的实时图像的重叠区域;
提取所述实时图像中的特征点,并对所提取的特征点进行特征点匹配;
根据特征点在不同实时图片中的像素坐标计算透视变换矩阵,根据所述透视变换矩阵得到所述待检测库位区域拼接后的全局地图。
可选的,上述装置还包括重影消除模块,用于:
消除所述全局地图的颜色差异和结构差异,得到所述全局地图的能量图;
将所述能量图中的最小能量路径确定为接缝;
通过图像融合去除所述接缝的不连续,以得到校正后的全局地图。
具体的,上述目标识别模型训练模块具体包括:
通过所述相机采集所述目标识别模型的训练样本,所述训练样本为相机采集的图像中包含的目标检测对象的位姿信息;
根据所述训练样本对基于YOLO深度学习框架的目标识别模型进行训练,以得到训练后的目标识别模型。
本发明实施例提供的一种库位检测系统可执行本发明任意实施例所提供的一种库位检测方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种库位检测方法,其特征在于,由库位检测系统中的服务器执行,所述库位检测系统还包括安装在待检测库位区域上方一定高度的至少一个相机,所述至少一个相机的视野覆盖整个库位区域,用于采集库位区域的实时图像,所述库位区域包括若干库位,所述方法包括:
S110、对所述至少一个相机采集到的实时图像进行拼接处理,以得到所述待检测库位区域的全局地图;
S120、基于深度学习框架训练所述检测库位区域的目标识别模型;
S130、根据所述全局地图,通过训练后的目标检测模型对所述实时图像进行识别,以得到库位区域中各库位的状态信息和位置信息。
2.根据权利要求1所述的方法,其特征在于,所述S110具体包括:
通过直方图处理的方式预测各相机采集的实时图像的重叠区域;
提取所述实时图像中的特征点,并对所提取的特征点进行特征点匹配;
根据特征点在不同实时图片中的像素坐标计算透视变换矩阵,根据所述透视变换矩阵得到所述待检测库位区域拼接后的全局地图。
3.根据权利要求1所述的方法,其特征在于,在所述S110之后还包括:消除所述全局地图重叠区域的重影问题。
4.根据权利要求3所述的方法,其特征在于,所述消除所述全局地图重叠区域的重影问题,具体包括:
消除所述全局地图的颜色差异和结构差异,得到所述全局地图的能量图;
将所述能量图中的最小能量路径确定为接缝;
通过图像融合去除所述接缝的不连续,以得到校正后的全局地图。
5.根据权利要求1所述的方法,其特征在于,所述S120具体包括:
通过所述相机采集所述目标识别模型的训练样本,所述训练样本为相机采集的图像中包含的目标检测对象的位姿信息;
根据所述训练样本对基于YOLO深度学习框架的目标识别模型进行训练,以得到训练后的目标识别模型。
6.一种库位检测系统,其特征在于,包括服务器和安装在待检测库位区域上方一定高度的至少一个相机,所述至少一个相机的视野覆盖整个库位区域,用于采集库位区域的实时图像,所述库位区域包括若干库位,所述服务器包括:
全局地图构建模块,用于对所述至少一个相机采集到的实时图像进行拼接处理,以得到所述待检测库位区域的全局地图;
目标识别模型训练模块,用于基于YOLO深度学习框架训练待所述检测库位区域的目标识别模型;
库位识别模块,用于根据所述全局地图,通过训练后的目标检测模型对所述实时图像进行识别,以得到库位区域中各库位的状态信息和位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381020.2A CN114842332A (zh) | 2022-04-12 | 2022-04-12 | 一种库位检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381020.2A CN114842332A (zh) | 2022-04-12 | 2022-04-12 | 一种库位检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842332A true CN114842332A (zh) | 2022-08-02 |
Family
ID=82563521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210381020.2A Pending CN114842332A (zh) | 2022-04-12 | 2022-04-12 | 一种库位检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842332A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117953470A (zh) * | 2024-03-26 | 2024-04-30 | 杭州感想科技有限公司 | 全景拼接相机的高速公路事件识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537272A (zh) * | 2018-04-08 | 2018-09-14 | 上海天壤智能科技有限公司 | 用于检测和分析仓位的方法和装置 |
CN109635132A (zh) * | 2018-12-10 | 2019-04-16 | Oppo(重庆)智能科技有限公司 | 一种自动化仓库管理方法、系统及终端设备 |
CN111460909A (zh) * | 2020-03-09 | 2020-07-28 | 兰剑智能科技股份有限公司 | 基于视觉的货位管理方法和装置 |
US20200279113A1 (en) * | 2017-10-30 | 2020-09-03 | Panasonic Intellectual Property Management Co., Ltd. | Shelf label detection device, shelf label detection method, and shelf label detection program |
CN113821674A (zh) * | 2021-11-23 | 2021-12-21 | 北京中超伟业信息安全技术股份有限公司 | 一种基于孪生神经网络的智能货物监管方法及系统 |
CN114022999A (zh) * | 2021-10-27 | 2022-02-08 | 北京云迹科技有限公司 | 一种自动售货机的缺货检测方法、装置、设备和介质 |
US20220051179A1 (en) * | 2020-08-12 | 2022-02-17 | Carnegie Mellon University | System and method for identifying products in a shelf management system |
US20220083959A1 (en) * | 2019-04-11 | 2022-03-17 | Carnegie Mellon University | System and method for detecting products and product labels |
-
2022
- 2022-04-12 CN CN202210381020.2A patent/CN114842332A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200279113A1 (en) * | 2017-10-30 | 2020-09-03 | Panasonic Intellectual Property Management Co., Ltd. | Shelf label detection device, shelf label detection method, and shelf label detection program |
CN108537272A (zh) * | 2018-04-08 | 2018-09-14 | 上海天壤智能科技有限公司 | 用于检测和分析仓位的方法和装置 |
CN109635132A (zh) * | 2018-12-10 | 2019-04-16 | Oppo(重庆)智能科技有限公司 | 一种自动化仓库管理方法、系统及终端设备 |
US20220083959A1 (en) * | 2019-04-11 | 2022-03-17 | Carnegie Mellon University | System and method for detecting products and product labels |
CN111460909A (zh) * | 2020-03-09 | 2020-07-28 | 兰剑智能科技股份有限公司 | 基于视觉的货位管理方法和装置 |
US20220051179A1 (en) * | 2020-08-12 | 2022-02-17 | Carnegie Mellon University | System and method for identifying products in a shelf management system |
CN114022999A (zh) * | 2021-10-27 | 2022-02-08 | 北京云迹科技有限公司 | 一种自动售货机的缺货检测方法、装置、设备和介质 |
CN113821674A (zh) * | 2021-11-23 | 2021-12-21 | 北京中超伟业信息安全技术股份有限公司 | 一种基于孪生神经网络的智能货物监管方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117953470A (zh) * | 2024-03-26 | 2024-04-30 | 杭州感想科技有限公司 | 全景拼接相机的高速公路事件识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611853B (zh) | 一种传感信息融合方法、装置及存储介质 | |
CN101587622B (zh) | 基于视频图像智能分析的森林烟火检测与识别方法及设备 | |
CN110207671B (zh) | 一种天基智能成像系统 | |
WO2021139049A1 (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
Rabiee et al. | IVOA: Introspective vision for obstacle avoidance | |
CN113490965A (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
CN115880598B (zh) | 一种基于无人机的地面图像检测方法及相关装置 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
CN113688797A (zh) | 一种基于骨架提取的异常行为识别方法及系统 | |
CN111597904B (zh) | 用于隧道电缆支架倾斜的识别方法 | |
CN115018903A (zh) | 一种堆场料堆体积计算方法及系统 | |
CN112487861A (zh) | 车道线识别方法、装置、计算设备及计算机存储介质 | |
CN117115784A (zh) | 目标数据融合的车辆检测方法及检测装置 | |
CN114842332A (zh) | 一种库位检测方法和系统 | |
CN114898319A (zh) | 基于多传感器决策级信息融合的车型识别方法及系统 | |
EP2447912B1 (en) | Method and device for the detection of change in illumination for vision systems | |
CN112541403B (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN112542800A (zh) | 一种输电线路故障识别的方法及其系统 | |
CN117130010A (zh) | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 | |
CN117214598A (zh) | 基于巡检图像的电缆监测系统及方法 | |
CN113361405B (zh) | 一种基于yolo v3的亚洲象识别方法及系统 | |
CN114898054A (zh) | 一种视觉定位方法和系统 | |
CN110084190B (zh) | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 | |
CN115082832A (zh) | 信息识别方法、装置及存储介质 |
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 |