CN115512283A - 包裹图像处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种包裹图像处理方法、装置、计算机设备和存储介质。本申请相比传统方法中仅对安检机流向上进行切割，能够从垂直于流向的方向上进行切割，可以将多余的空白边缘去除，有利于节约存储资源，并有助于对包裹图像的进一步处理。该方法包括：获取待处理图像，将该待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从上述待处理图像中检测出包裹图像，该包裹图像中包含的包裹对象由封闭图形标注；输出上述封闭图像构成的图像，并将该封闭图形构成的图像作为切割后的包裹图像。

Description

包裹图像处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及图像处理技术领域，特别是涉及一种包裹图像处理方法、装置、计算机设备和存储介质。

背景技术

安检机是借助输送带将被检查物品送入X射线检查通道完成检查的电子设备，广泛用于地铁站、车站、机场等公共场所，具体可用于统计行李包裹数量、自动检测违禁品或者在物流行业中用于自动识别并绑定包裹与快递条码等。在具体应用过程中，均需要图像识别装置将安检机检测到的多个包裹图片准确分割出来。

目前的图像分割方法主要包括安检机厂商依靠传感器进行图片切割和截取视频图像进行切割这两种方式。其中，依靠传感器切割时，对连续或者并排的包裹切割效果不佳，而依靠传统图像处理方法对视频图像进行截取并切割时，不同安检机背景噪声等产生的成像质量问题也会导致包裹切割效果不佳，可见，现有的图像切割方法泛化能力较差。

发明内容

基于此，有必要针对上述技术问题，提供一种包裹图像处理方法、装置、计算机设备和存储介质。

一种包裹图像处理方法，所述方法包括：

获取待处理图像；

将所述待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述待处理图像中检测出包裹图像；所述包裹图像中包含的包裹对象由封闭图形标注；

输出所述封闭图形构成的图像，并将所述封闭图形构成的图像作为切割后的包裹图像。

在其中一个实施例中，所述待处理图像包括单图图像；所述将所述封闭图形构成的图像作为切割后的包裹图像之后，所述方法还包括：

若所述切割后的包裹图像的面积与所述待处理图像的面积之比小于预设比例阈值，则保存所述切割后的包裹图像，并将所述切割后的包裹图像传输至包裹处理端。

在其中一个实施例中，所述获取待处理图像之前，所述方法还包括：

获取样本图像；所述样本图像中包含的包裹对象由所述封闭图形标注；

使用所述样本图像对待训练的图像检测模型进行训练得到所述预先构建的图像检测模型。

在其中一个实施例中，所述待处理图像包括视频流图像；所述将所述待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述待处理图像中检测出包裹图像，包括：

根据所述视频流图像的帧速确定采样间隔；

依据所述采样间隔对所述视频流图像进行采样，得到多张采样图像；

将所述多张采样图像输入所述预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述多张采样图像中检测得到多个包裹图像；

将所述多个包裹图像作为疑似包裹图像；

所述将所述封闭图形构成的图像作为切割后的包裹图像之后，还包括：

将所述封闭图形的尺寸大于或等于尺寸阈值的疑似包裹图像确定为真实包裹图像；

若所述真实包裹图像的封闭图形与包裹输入侧的距离大于或者等于距离阈值，则确定所述真实包裹图像为完整包裹图像；所述包裹输入侧为所述待处理图像中表征包裹输入方向的一侧；

若所述完整包裹图像与预存的历史包裹图像之间的匹配度大于或等于匹配度阈值，则确定所述完整包裹图像为非重复包裹图像并传输至包裹处理端。

在其中一个实施例中，所述方法还包括：

获取两相邻所述切割后的包裹图像的输出时间间隔；

若所述输出时间间隔大于或者等于预设的时间阈值，则输出异常报警信号。

在其中一个实施例中，所述封闭图形为矩形框，所述预先构建的图像检测模型是基于目标检测模型构建的。

在其中一个实施例中，所述封闭图形为边缘轮廓图形，所述预先构建的图像检测模型是基于语义分割模型构建的。

一种包裹图像处理装置，所述装置包括：

图像获取模块，用于获取待处理图像；

包裹检测模块，用于将所述待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述待处理图像中检测出包裹图像；所述包裹图像中包含的包裹对象由封闭图形标注；

图像输出模块，用于输出所述封闭图形构成的图像，并将所述封闭图形构成的图像作为切割后的包裹图像。

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如上述的包裹图像处理方法实施例中的步骤。

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如上述的包裹图像处理方法实施例中的步骤。

上述包裹图像处理方法、装置、计算机设备和存储介质，获取待处理图像，将该待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从上述待处理图像中检测出包裹图像，该包裹图像中包含的包裹对象由封闭图形标注；输出上述封闭图像构成的图像，并将该封闭图形构成的图像作为切割后的包裹图像。该方法可以对包裹进行更进一步的切割处理，相比传统方法中仅对安检机流向上进行切割，该方法还可以从在垂直于流向的方向上进行切割，可以将多余的空白边缘去除，有利于节约存储资源，并有助于对包裹图像的进一步处理。

附图说明

图1为一个实施例中包裹图像处理方法的应用环境图；

图2为一个实施例中包裹图像处理方法的流程示意图；

图3为另一个实施例中包裹图像处理方法的流程示意图；

图4为一个实施例中重复包裹检测的示意图；

图5为一个实施例中完整包裹与不完整包裹的示意图

图6为一个实施例中包裹图像处理装置的结构框图；

图7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。

本申请提供的包裹图像处理方法，可以应用于如图1所示的应用环境中。其中，服务器101通过网络与安检机上的图像检测装置102进行通信，通信分为两种模式，一种为视频流模式，即安检机通过图像检测装置102通过VGA、DVI等接口采集包裹视频流，将包裹视频流通过专用的数据接口传送到服务器101做进一步图像处理，另一种为单图模式，即图像检测装置102中还包含相应的传感器，传感器对采集的包裹图片做切割处理后，得到切割后的包裹图片，再将切割后的包裹图片通过安检机厂家开放的专用接口传送至服务器101，此为单图模式，图像检测装置102通过X射线扫描安检机上传送的包裹获取视频流或者包裹单图。图像检测装置服务器101可以是单个服务器也可以使用服务器集群来实现。

在一个实施例中，如图2所示，提供了一种包裹图像处理方法，以该方法应用于图1中的服务器101为例进行说明，包括以下步骤：

步骤S201，获取待处理图像。

其中，待处理图像可以为通过安检机上的图像检测装置使用X射线检测得到的包裹单图或者包裹视频流图像，并经过图像接口传输至服务器101图像检测装置。

具体地，通过安检机上的图像检测装置获取包裹单图或者包裹视频流。

其中，当安检机通过图像检测装置102使用VGA、DVI接口采集包裹视频流时，安检机厂家可开放专用的数据接口将上述包裹视频流传送至服务器101做进一步的视频流处理；当安检机通过图像检测装置102采集到包裹单图后，并通过传感器对包裹单图进行切割处理，得到切割后的单图图片，由于该单图图片中的包裹图像仍然存在大量空白区域，且不同的安检机背景噪声等成像问题会导致包裹切割效果不佳，切割方法泛化能够力较差，因此还需要对上述切割后的单图图片做进一步的处理。

步骤S202，将待处理图像输入预先构建的图像检测模型中，以使预先构建的图像检测模型从待处理图像中检测出包裹图像；该包裹图像中包含的包裹对象由封闭图形标注；

其中，预先构建的图像检测模型是指基于目标检测模型或者语义分割方法构建的图像检测模型，用于识别并标注图像中的目标对象，例如包裹。

具体地，服务器101获取上述单图图片或者视频流图像后，将这些图像输入预先构建的图像检测模型，图像检测模型识别图像中的目标对象，例如包裹，并将这些包裹从原图像中切割出来，被切割后的图像中只有一个包裹图像，每个包裹由封闭图形标注，封闭图形为矩形框或者边缘轮廓图形。

步骤S203，输出上述封闭图形构成的图像，并将上述封闭图形构成的图像作为切割后的包裹图像。

具体地，服务器101将上述图像检测模型检测并标注后的包裹图像输出，将封闭图形构成的图像作为切割后的包裹图像。

上述实施例，获取待处理图像，将该待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从上述待处理图像中检测出包裹图像，该包裹图像中包含的包裹对象由封闭图形标注；输出上述封闭图像构成的图像，并将该封闭图形构成的图像作为切割后的包裹图像。该方法可以对包裹进行更进一步的切割处理，相比传统方法中仅对安检机流向上进行切割，该方法还可以从在垂直于流向的方向上进行切割，可以将多余的空白边缘去除，有利于对包裹图像的进一步处理。

在一实施例中，上述待处理图像包括单图图像，上述步骤S203之后，还包括：若切割后的包裹图像的面积与待处理图像的面积之比小于预设比例阈值，则保存切割后的包裹图像，并将切割后的包裹图像传输至包裹处理端。

具体地，单图图像为安检机输出的单图图片，是安检机厂家通过预设的程序对获取的原始图片进行切割后的图片，本实施例中的模型是针对安检机厂家切割后的图像进行再次切割。由于安检机厂家进在水平方向(即安检机传送带的传送方向)上进行切割，因此在包裹图像的上下侧仍有大量空白区域，本实施例使用封闭图形标注包裹对象，并输出封闭图形，计算封闭图形的面积，当封闭图形(即切割后的包裹图像)的面积与原单图图像的面积之比小于预设比例阈值时，说明原单图图像中的空白区域过多，因此舍弃原单图图像，保存该封闭图形标注的图像，作为切割后的包裹图像，并将该切割后的包裹图像传输至包裹处理端进行下一步的处理，例如统计包裹数量。当切割后的包裹图像与原单图图像重合度大于或等于预设比例阈值时，表面原单图图像切割效果较好，则保存原单图图像。针对之前无法切割的连续及并排的包裹图像，当图像检测模型检测出同一张单图图片中包含多个包裹时，将多个包裹图像单独保存。

上述实施例，针对单图图片模式中检测出的包裹图像进行面积对比，能够将多余的空白区域切除，实现了更好的切割效果。

在一实施例中，上述步骤S201之前，还包括：获取样本图像；样本图像中包含的包裹对象由封闭图形标注；使用样本图像对待训练的图像检测模型进行训练得到预先构建的图像检测模型。

其中，样本图像是指包含有各种包裹对象的包裹图像，其中包裹完整包裹对象和不完整包裹对象。样本图像主要是含有大量空白区域、连续及并排的包裹图像，对这些包裹对象进行标注，可以用矩形框方式进行标注，也可以沿着包裹边缘轮廓进行标注。为了减少标注工作量，优先选择以矩形框方式进行标注，使用labelImg对数据进行标注，并将标注后的图像保存为xml格式。

使用标注后的文件对待训练的图像检测模型进行训练，调整模型参数，最终得到能够识别包裹的上述预先构建的图像检测模型。

上述实施例，通过获取大量样本图像对模型进行训练，得到能够识别包裹的图像检测模型，提高了模型识别准确率，为进一步的包裹处理提供数据基础。

在一实施例中，如图3所示，图3展示了视频流模式下包裹检测的步骤流程图，上述待处理图像包括视频流图像，上述步骤S202，包括：

步骤S301，根据上述视频流图像的帧速确定采样间隔；

具体地，视频流图像的帧速根据安检机厂家的设置而不同，获取视频流图像的帧速，例如30帧/秒，则确定采样检测为1/3秒，即每秒钟采样3帧图像，既保证了物体包裹不被遗漏，又保证了重合的图片数量相对较少。

步骤S302，依据上述采样间隔对上述视频流图像进行采样，得到多张采样图像；

具体地，依据上述采样间隔对视频流进行采样，得到多张图像，例如上述步骤中，每秒得到3张采样图像。

步骤S303，将多张采样图像输入所述预先构建的图像检测模型中，以使预先构建的图像检测模型从多张采样图像中检测得到多个包裹图像；

具体地，将上述采样后的采样图像输入上述预先构建的图像检测模型中，使得图像检测模型检测出多个包裹图像，并使用封闭图形对每个包裹图像进行标注。

步骤S304，将上述多个包裹图像作为疑似包裹图像；

具体地，由于在视频流检测模式中，容易把图像噪声当作包裹，因此将上述多个包裹图像作为疑似包裹图像进行下一步的检测。

步骤S305，将所述封闭图形的尺寸大于或等于尺寸阈值的疑似包裹图像确定为真实包裹图像；

具体地，如果检测出的包裹封闭图形的尺寸小于设定尺寸阈值，则判定该包裹为噪声，不保存该结果。若封闭图形为矩形框，检测出的包裹矩形框长宽比超过设定阈值，则为长条形图像，判定为尺寸异常包裹，不保留该矩形框内图像。否则，矩形框内为非噪声待处理包裹，继续进行下一步判断。

步骤S306，若所述真实包裹图像的封闭图形与包裹输入侧的距离大于或者等于距离阈值，则确定所述真实包裹图像为完整包裹图像；所述包裹输入侧为所述待处理图像中表征包裹输入方向的一侧；

具体地，如图4所示，针对步骤S305过滤后的矩形框，以矩形框与输入屏幕侧的距离来判断是否为完整包裹，当距离大于设定阈值时，判定为完整包裹，否则为不完整包裹。以从左到右为例，判断屏幕左侧第一个检测出矩形框的左边缘与屏幕左侧的距离，当该距离小于设定阈值时，判定该包裹为不完整包裹，否则为完整包裹。当左侧包裹为不完整包裹时，继续进行下一个包裹的判断，以此类推。当判定当前包裹为完整包裹时，则停止遍历，并保存该包裹图像。

步骤S306，若所述完整包裹图像与预存的历史包裹图像之间的匹配度大于或等于匹配度阈值，则确定所述完整包裹图像为非重复包裹图像并传输至包裹处理端。

具体地，将切割后的前n张包裹图片依次保存到模板库中，根据生成时间按照从新到旧排列。新切割下的包裹图像与模板库中的图片依次进行匹配，当匹配相似度大于设定阈值时，判定该包裹为旧的已保存图片，则舍去；当匹配相似度小于设定阈值时，判定该包裹为新包裹图片，则保存该图片。同时将该图片更新到模板库中，并去掉模板库中最早的图片，以保证模板库中图片数量不变。

针对两次切割同一物品时，会存在切割出的图片大小存在误差这一问题，在进行模板匹配时，选择新切割出包裹图片一部分与模板库中的图片进行匹配。如该部分以新切割出的图片中心点为中心，长宽均为原尺寸的1/2来生成模板。以使得存在同一包裹时，所选择的模板同时为新切割包裹图像及模板库中图像的同一部分，从而实现准确匹配。

可选地，视频流检测模式下，针对矩形框标注方式，数据结果不区分包裹是否完整；对于边缘轮廓标注方式下，输出结果区分包裹是否完整。

另外，在视频流训练步骤中，其中可能存在一张图像中存在多个包裹的现象，在标注时对图像中的每个包裹单独进行标注。同时，由于包裹是逐渐进入显示，图像中存在包裹只显示一部分的现象。如图5所示，在标注时，可选两种方案进行数据标注：(1)将不完整包裹及完整包裹设为同一类，标注为包裹。(2)标注时将不完整包裹和完整包裹单独标注，分别标记为不完整包裹及完整包裹两类。为了减少工作量及错误率，优先选择第一种标注方式。

上述实施例，通过是视频流模式采样得到多张采样图像，识别其中的多个包裹，并对这些包裹进行噪声过滤、区分完整包裹与不完整包裹，以及去重处理，最终得到需要进行下一步处理的包裹，有利于减少下一步处理的资源消耗。

在一实施例中，上述方法还包括：获取两相邻切割后的包裹图像的输出时间间隔；若输出时间间隔大于或者等于预设的时间阈值，则输出异常报警信号。

具体地，服务器101记录每帧图像输入时间及切割后每张图片输出的时间。

如果超过(大于或者等于)设定时间无新的图片输入，可能是由于安检机主机已关闭或信号线传输出现故障等，导致无视频及图片信息输入。此时产生输入异常报警。

如果超过(大于或者等于)设定时间无切割后的包裹图片输出，可能是由于长时间未过包裹或输入图像产生较大畸变等，导致无切割后的包裹图片输出。此时产生输出异常报警。

上述实施例，通过报警功能实现对输入即输出异常进行报警提示处理，有利于及时发现系统故障并进行处理。

在一实施例中，上述封闭图形为矩形框，上述预先构建的图像检测模型是基于目标检测模型构建的。

具体地，采用矩形框方式标注时，使用目标检测模型对已标注的数据进行训练，以矩形框标注方式为例，可选用的模型包括：单阶段YOLO系列检测模型、双阶段RCNN系列目标检测模型、anchor-free系列如CenterNet模型，轻量化系列如MobileNet模型、自动网络搜索网络如NASNet等。

上述实施例，通过选用目标检测模型实现目标检测，并使用矩形框标注，有利于进一步的面积计算和对比。

在一实施例中，上述封闭图形为边缘轮廓图形，上述预先构建的图像检测模型是基于语义分割模型构建的。

具体地，采用边缘轮廓标注时，使用语义分割方法进行模型训练。对模型进行优化及参数设置调整，保证模型具有较好的检测性能。以边缘轮廓标注为例，可选用的模型如UNet，DeepLab、PSPnet等。其中，还可以对模型进行优化调整，具体包括：数据增强、损失函数调整、调整骨干网络、使用预训练模型、模型结构调整、多尺度融合、测试增强等方法。

上述实施例，通过选用边缘轮廓标注，有利于得到更准确的包裹轮廓图像。

应该理解的是，虽然上述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，上述流程图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6所示，提供了一种包裹图像处理装置600，包括：图像获取模块601、包裹检测模块602和图像输出模块603，其中：

图像获取模块601，获取待处理图像。

包裹检测模块602，用于将所述待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述待处理图像中检测出包裹图像；所述包裹图像中包含的包裹对象由封闭图形标注。

图像输出模块603，用于输出所述封闭图形构成的图像，并将所述封闭图形构成的图像作为切割后的包裹图像。

在一实施例中，上述待处理图像包括单图图像，上述包裹图像处理装置还包括图像处理单元，用于若所述切割后的包裹图像的面积与所述待处理图像的面积之比小于预设比例阈值，则保存所述切割后的包裹图像，并将所述切割后的包裹图像传输至包裹处理端。

在一实施例中，还包括模型训练单元，用于获取样本图像；所述样本图像中包含的包裹对象由所述封闭图形标注；使用所述样本图像对待训练的图像检测模型进行训练得到所述预先构建的图像检测模型。

在一实施例中，上述待处理图像包括视频流图像；包裹检测模块602进一步用于，根据所述视频流图像的帧速确定采样间隔；依据所述采样间隔对所述视频流图像进行采样，得到多张采样图像；将所述多张采样图像输入所述预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述多张采样图像中检测得到多个包裹图像；将所述多个包裹图像作为疑似包裹图像。上述图像处理单元，进一步用于：将所述封闭图形的尺寸大于或等于尺寸阈值的疑似包裹图像确定为真实包裹图像；若所述真实包裹图像的封闭图形与包裹输入侧的距离大于或者等于距离阈值，则确定所述真实包裹图像为完整包裹图像；所述包裹输入侧为所述待处理图像中表征包裹输入方向的一侧；若所述完整包裹图像与预存的历史包裹图像之间的匹配度大于或等于匹配度阈值，则确定所述完整包裹图像为非重复包裹图像并传输至包裹处理端。

在一实施例中，还包括异常报警单元，用于获取两相邻所述切割后的包裹图像的输出时间间隔；若所述输出时间间隔大于或者等于预设的时间阈值，则输出异常报警信号。

在一实施例中，所述封闭图形为矩形框，所述预先构建的图像检测模型是基于目标检测模型构建的。

在一实施例中，所述封闭图形为边缘轮廓图形，所述预先构建的图像检测模型是基于语义分割模型构建的。

关于包裹图像处理装置的具体限定可以参见上文中对于包裹图像处理方法的限定，在此不再赘述。上述包裹图像处理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服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储包裹图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种包裹图像处理方法。

本领域技术人员可以理解，图7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如上述的包裹图像处理方法实施例中的步骤。

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如上述的包裹图像处理方法实施例中的步骤。

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)

1.一种包裹图像处理方法，其特征在于，所述方法包括：

获取待处理图像；

将所述待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述待处理图像中检测出包裹图像；所述包裹图像中包含的包裹对象由封闭图形标注；

输出所述封闭图形构成的图像，并将所述封闭图形构成的图像作为切割后的包裹图像。

2.根据权利要求1所述的方法，其特征在于，所述待处理图像包括单图图像；所述将所述封闭图形构成的图像作为切割后的包裹图像之后，所述方法还包括：

若所述切割后的包裹图像的面积与所述待处理图像的面积之比小于预设比例阈值，则保存所述切割后的包裹图像，并将所述切割后的包裹图像传输至包裹处理端。

3.根据权利要求1所述的方法，其特征在于，所述获取待处理图像之前，所述方法还包括：

获取样本图像；所述样本图像中包含的包裹对象由所述封闭图形标注；

使用所述样本图像对待训练的图像检测模型进行训练得到所述预先构建的图像检测模型。

4.根据权利要求1所述的方法，其特征在于，所述待处理图像包括视频流图像；所述将所述待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述待处理图像中检测出包裹图像，包括：

根据所述视频流图像的帧速确定采样间隔；

依据所述采样间隔对所述视频流图像进行采样，得到多张采样图像；

将所述多张采样图像输入所述预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述多张采样图像中检测得到多个包裹图像；

将所述多个包裹图像作为疑似包裹图像；

所述将所述封闭图形构成的图像作为切割后的包裹图像之后，还包括：

将所述封闭图形的尺寸大于或等于尺寸阈值的疑似包裹图像确定为真实包裹图像；

若所述真实包裹图像的封闭图形与包裹输入侧的距离大于或者等于距离阈值，则确定所述真实包裹图像为完整包裹图像；所述包裹输入侧为所述待处理图像中表征包裹输入方向的一侧；

若所述完整包裹图像与预存的历史包裹图像之间的匹配度大于或等于匹配度阈值，则确定所述完整包裹图像为非重复包裹图像并传输至包裹处理端。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取两相邻所述切割后的包裹图像的输出时间间隔；

若所述输出时间间隔大于或者等于预设的时间阈值，则输出异常报警信号。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述封闭图形为矩形框，所述预先构建的图像检测模型是基于目标检测模型构建的。

7.根据权利要求1至5任一项所述的方法，其特征在于，所述封闭图形为边缘轮廓图形，所述预先构建的图像检测模型是基于语义分割模型构建的。

8.一种包裹图像处理装置，其特征在于，所述装置包括：

图像获取模块，用于获取待处理图像；

包裹检测模块，用于将所述待处理图像输入预先构建的图像检测模型中，以使所述预先构建的图像检测模型从所述待处理图像中检测出包裹图像；所述包裹图像中包含的包裹对象由封闭图形标注；

图像输出模块，用于输出所述封闭图形构成的图像，并将所述封闭图形构成的图像作为切割后的包裹图像。

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7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7中任一项所述的方法的步骤。

Images