CN116858108B - 一种基于红外光栅的物体长度检测系统及方法 - Google Patents

Abstract

本发明公开了一种基于红外光栅的物体长度检测方法，包括：通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；将获取的信息数据通过物联网设备传输至数据处理中心；数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值。通过红外光栅扫描，无需人工测量，减少人力成本和人为误差；通过物联网设备和数据处理中心，实现实时监测和远程访问，方便管理和控制。

Description

一种基于红外光栅的物体长度检测系统及方法

技术领域

本发明涉及长度检测技术领域，尤其涉及一种基于红外光栅的物体长度检测系统及方法。

背景技术

现有的物体长度检测方法主要包括机械测量方法和光电直接测量方法，其中机械测量方法是通过使用各种测量工具如卡尺、测量尺直接对物体进行物理测量得到物体长度，这种方法虽然直观简单，但是测量过程需要人为参与，操作繁琐，且精度难以保证且易受疲劳、误读等人为因素的影响；光电直接测量方法，如激光测距等，虽然可以提高测量精度和效率，但设备成本较高，且受环境、表面特性等因素影响较大；但由于各自的限制还是很难满足现今高精度、高效率、低成本的测量需求。物联网技术的出现为物体长度检测带来了新的可能，能够实时远程获取和处理数据，但其需要配合有效的传感器和数据处理模型才能得到精确的测量结果。特别是在处理复杂形状的物体测量时，传统的测量方法往往无法达到理想的测量效果。而且，当前产品测量物体长度采用高密度均等位置布局红外组成光幕进行检测，在包裹完整处于光幕检测范围时，通过光幕起始至截止被遮挡红外的数量乘以红外间距得到物体的长度，但该方案存在一些缺点：检测物体长度超过光幕覆盖检测范围时则无法检测物体长度，通过增加光幕的方式实现对超长物体的检测则成本大幅增加，光幕设备的光栅密度越大设备相对也约脆弱，当安装高密度光幕越多意味着故障的风险越高，高密度光栅维护要求更高，安装越多意味着维护的工作量和要求也越高。

申请号为：CN201710036129的发明公开了一种物料长度检测方法及检测装置，控制器运行控制程序以作为有效脉冲信号数以及与所述长度—时间表征装置对应的转动部件的物理尺寸的函数推导所述物料的长度；以及将长度与预设的阈值进行比较，并根据比较结果分别对落在阈值内及/或阈值外的每个测量长度进行计数。这种方法可能容易受到环境因素（如温度、湿度、尘埃等）的影响，影响到脉冲信号的准确度，从而影响整体的测量结果；通过函数推导出物料的长度，依赖于准确的物理模型和理论支持，对于非均匀、非规则的物料，可能无法准确推导出其长度；预设阈值的设定需要满足实际的测量需求，但如何设定和调整这个阈值在实际应用中可能存在困难，容易因为阈值设定不当导致测量结果不准确。

因此，急需一种基于红外光栅的物体长度检测系统及方法，以满足高精度、高效率、自适应复杂物体形态的测量需求。

发明内容

本发明提供了一种基于红外光栅的物体长度检测系统及方法，以解决现有技术中存在的上述问题。

为了达到上述目的，本发明提供如下技术方案：

一种基于红外光栅的物体长度检测方法，包括：

S101：通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；

S102：将获取的信息数据通过物联网设备传输至数据处理中心；

S103：数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值。

其中，S101步骤包括：

S1011：在皮带机的横向移动区间选择一个区域，安装红外光栅传感器，红外光栅由若干路红外对射设备按直线序列排列，形成一个二维检测面；

S1012：当物体经过红外光栅时，红外传感器发射红外光束，并接收反射光束，获取物体的反射光强度，根据反射光强度，确定物体的遮挡情况；

S1013：根据红外光栅的布局方式，判断物体是否完全进入检测区，若物体进入检测区，则采集物体的位置信息。

其中，S102步骤包括：

S1021：在红外光栅系统中添加物联网设备，该物联网设备具有数据传输功能，并与数据处理中心建立连接；

S1022：将获取的信息数据进行编码和压缩处理；

S1023：通过物联网设备，将编码和压缩后的信息数据传输至数据处理中心。

其中，S103步骤包括：

S1031：在数据处理中心建立深度学习模型，深度学习模型通过训练数据集进行训练，数据集包括若干种物体的长度信息和对应的红外光栅扫描数据；

S1032：对接收到的信息数据进行预处理，包括数据清洗、去噪、归一化的操作；

S1033：将预处理后的信息数据输入至深度学习模型中，深度学习模型通过提取数据特征并进行物体长度计算，获取物体的长度数值。

其中，S1012步骤包括：

当物体经过红外光栅区时，红外传感器发射红外光束，其中，通过调整发射角度来覆盖物体检测范围；红外传感器接收由物体反射回来的红外光束，并计算反射光的强度，其中，采用光电二极管接收器，将接收到的光强度转化为电流值，再进一步转换为分析处理的电压值；根据反射光的强度，通过预设的强度阈值，确定物体在红外光栅区的遮挡情况，当反射光强度低于阈值时，判定物体遮挡红外光栅区。

其中，S1013步骤包括：

布置红外光栅，将发射器和接收器沿着检测区域的两侧分布，其中，交替布置大间距红外光栅和小间距红外光栅，确保红外光栅的数量相同，在待检测物体的两侧安装大间距红外光栅，形成大间距检测区，在大间距红外光栅之间安装小间距红外光栅，形成小间距检测区，保证小间距检测区的覆盖长度大于2倍大间距红外光栅的安装间隙；发射器发射红外光束，红外光束经过检测区域，被接收器接收；通过检测接收器接收到的红外光信号的强度，判断物体是否完全进入检测区；

在红外光栅中，设置计数器，用于记录物体进入和离开检测区的次数；当物体完全进入检测区时，计数器加1；当物体完全离开检测区时，计数器减1；根据计数器的数值，判断物体当前是否在检测区内；

当物体完全进入检测区时，采集物体的位置信息；通过记录物体进入检测区的时间和位置信息，计算物体的速度和加速度；根据物体的速度和加速度，预测物体的运动轨迹和到达目标位置的时间。

其中，S1022步骤包括：

选择哈夫曼编码算法，根据信息数据的特点和需求，将信息数据转换为可恢复的编码数据；选择游程编码压缩算法，对编码数据进行压缩处理；

在编码和压缩处理过程中，对敏感信息进行加密处理；选择非对称加密算法和密钥管理方案，对敏感信息进行加密操作；在解压缩和解码操作之前，对加密的数据进行解密操作；对加密的数据进行解密操作后，对解密后的数据进行解码和解压缩操作，获取最终的原始信息数据。

其中，S1031步骤包括：

通过若干种物体的长度信息和对应的红外光栅扫描数据构建训练数据集；建立深度学习模型，深度学习模型包括输入层、隐藏层和输出层，以及相应的神经网络结构；利用训练数据集对深度学习模型进行训练，通过反向传播算法优化模型参数；用新的数据集对训练后的深度学习模型进行验证和测试，以评估深度学习模型的性能；根据深度学习模型的预测结果，对常规形状或特殊形状的物体进行分类、识别和测量，其中，预测结果包括物体的类别、形状属性和长度数值；

其中，根据物体的形状特征，选择对应的测量算法，测量算法包括几何模型的测量方法和图像处理的测量方法，几何模型的测量方法考虑物体形状的正则性和规则性，适用于测量规则几何体的尺寸，图像处理的测量方法应用物体在图像中的投影信息，适用于测量曲面、非规则形状的物体；根据选择的测量算法，对物体进行测量并获取物体的长度、宽度、高度、面积的尺寸或属性；根据深度学习模型的预测结果中的测量结果，对物体进行分类、识别和测量的综合分析；根据综合分析，获取物体的最终分类、识别和测量结果，其中，该深度学习模型是自监督的深度学习模型，根据物体的形状特征自主学习分类、识别和测量方法。

其中，S1033步骤包括：

引入形状分割算法，当识别当前物体为不规则形状时，将不规则形状物体分割为若干子区域；对分割后的子区域进行特征提取，获取形状特征信息；将提取的形状特征信息输入至深度学习模型中，通过深度学习模型进行物体长度计算；通过对各个子区域的长度计算结果进行综合，获取不规则形状物体的整体长度数值。

一种基于红外光栅的物体长度检测系统，包括：

信息数据获取单元，用于通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；

信息数据传输单元，用于将获取的信息数据通过物联网设备传输至数据处理中心；

长度数值获取单元，用于数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值。

与现有技术相比，本发明具有以下优点：

一种基于红外光栅的物体长度检测方法，包括：通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；将获取的信息数据通过物联网设备传输至数据处理中心；数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值。通过红外光栅扫描，无需人工测量，减少人力成本和人为误差；通过物联网设备和数据处理中心，实现实时监测和远程访问，方便管理和控制。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于红外光栅的物体长度检测方法的流程图；

图2为本发明实施例中获取物体的信息数据的流程图；

图3为本发明实施例中信息数据传输的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于红外光栅的物体长度检测方法，包括：

S101：通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；

S102：将获取的信息数据通过物联网设备传输至数据处理中心；

S103：数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值。

上述技术方案的工作原理为：在保税园区、邮递中心、物流快递中心等物流中转站，为了方便计费和分类，需要快速获取包裹的长、宽、高、重量等信息，为了实现这一目标，采用以下方案：

通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；具体实施时，在皮带机的横向移动区间选择一个区域，安装高密度光幕红外光栅，用于检测物体的长度，当包裹经过红外光幕时，红外光栅会发射红外光束，并接收反射光束，根据反射光强度和位置信息，可以确定包裹的长度；

将获取的信息数据通过物联网设备传输至数据处理中心；通过物联网设备，将红外传感器获取的信息数据传输到数据处理中心，物联网设备可以是无线传输模块或者有线连接设备，将数据实时传输到数据处理中心；

数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值；在数据处理中心，利用深度学习模型（卷积神经网络）对接收到的信息数据进行处理和分析，通过对信息数据的处理和分析，提取出物体的长度数值；

实际应用中，在物流中转站的皮带机上安装红外光栅，用于对经过的包裹进行扫描和测量，当包裹经过红外光栅时，红外传感器会实时获取包裹的反射光强度和位置信息，并通过物联网设备传输到数据处理中心，数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，从而获取包裹的长度数值。

上述技术方案的有益效果为：快速获取包裹的长度信息，提高计费和分类的效率；通过红外光栅扫描，无需人工测量，减少人力成本和人为误差；通过物联网设备和数据处理中心，实现实时监测和远程访问，方便管理和控制；利用深度学习模型进行数据处理和分析，提高测量精度和准确性；根据具体应用场景和需求，灵活调整红外光栅的密度和安装位置，以满足不同物体的测量要求。

在另一实施例中，S101步骤包括：

S1011：在皮带机的横向移动区间选择一个区域，安装红外光栅传感器，红外光栅由若干路红外对射设备按直线序列排列，形成一个二维检测面；

S1012：当物体经过红外光栅时，红外传感器发射红外光束，并接收反射光束，获取物体的反射光强度，根据反射光强度，确定物体的遮挡情况；

S1013：根据红外光栅的布局方式，判断物体是否完全进入检测区，若物体进入检测区，则采集物体的位置信息。

上述技术方案的工作原理为：在皮带机的横向移动区间选择一个区域，安装红外光栅传感器，红外光栅由若干路红外对射设备按直线序列排列，形成一个二维检测面；当物体（包裹）经过红外光栅时，红外传感器发射红外光束，并接收反射光束，获取物体的反射光强度，根据反射光强度，确定包裹的遮挡情况，如果红外光束被完全遮挡，则表示包裹完全进入检测区；如果红外光束部分被遮挡，则表示包裹只部分进入检测区；根据红外光栅的布局方式，判断包裹是否完全进入检测区，例如，当红外光栅采用前疏后密的安装方式，包裹进入检测区时，前方的红外光束先被遮挡，后方的红外光束后被遮挡，通过判断遮挡的顺序和位置，可以确定包裹是否完全进入检测区；

例如在物流中转站的皮带机上安装红外光栅，用于对经过的包裹进行扫描和测量，当包裹经过红外光栅时，红外传感器会实时获取包裹的反射光强度，并根据反射光强度判断包裹的遮挡情况，通过红外光栅的布局方式和判断逻辑，可以确定包裹是否完全进入检测区，从而获取物体的位置信息。

上述技术方案的有益效果为：根据反射光强度，准确判断包裹的遮挡情况，实现对包裹的快速测量；通过红外光栅的布局方式和判断逻辑，可以判断包裹是否完全进入检测区，提高测量的准确性；根据具体应用场景和需求，灵活调整红外光栅的布局方式和参数，以适应不同类型和尺寸的包裹测量要求；通过实时获取物体的位置信息，可以实现对包裹的精确计费和分类，提高物流中转站的效率和准确性。

在另一实施例中，S102步骤包括：

S1021：在红外光栅系统中添加物联网设备，该物联网设备具有数据传输功能，并与数据处理中心建立连接；

S1022：将获取的信息数据进行编码和压缩处理；

S1023：通过物联网设备，将编码和压缩后的信息数据传输至数据处理中心。

上述技术方案的工作原理为：在红外光栅系统中添加物联网设备，该物联网设备具有数据传输功能，并与数据处理中心建立连接；将获取的信息数据进行编码和压缩处理，以减少数据传输的带宽和延迟，编码和压缩处理采用Base64编码和GZIP压缩；通过物联网设备，将编码和压缩后的信息数据传输至数据处理中心，传输方式采用无线通信技术，例如，基于无线通信技术，物联网设备可以通过Wi-Fi连接到数据处理中心的服务器，使用TCP/IP协议进行数据传输；

通过添加物联网设备，将红外光栅系统与数据处理中心进行连接，实现信息数据的远程传输，将获取的信息数据进行编码和压缩处理，可以减少数据传输的带宽和延迟，提高传输效率，通过物联网设备，将编码和压缩后的信息数据传输至数据处理中心，实现数据的实时监测和分析。

上述技术方案的有益效果为：实现了信息数据的远程传输，避免了传统有线连接的限制，提高了数据传输的灵活性和便捷性；通过编码和压缩处理，减少了数据传输的带宽和延迟，提高了数据传输的效率和速度；通过物联网设备的无线通信功能，实现了数据的实时监测和分析，为后续的数据处理和决策提供了基础。

在另一实施例中，S103步骤包括：

S1031：在数据处理中心建立深度学习模型，深度学习模型通过训练数据集进行训练，数据集包括若干种物体的长度信息和对应的红外光栅扫描数据；

S1032：对接收到的信息数据进行预处理，包括数据清洗、去噪、归一化的操作；

S1033：将预处理后的信息数据输入至深度学习模型中，深度学习模型通过提取数据特征并进行物体长度计算，获取物体的长度数值。

上述技术方案的工作原理为：首先在数据处理中心建立一个深度学习模型，深度学习模型选择的是卷积神经网络（CNN），因为CNN是通过训练数据学习卷积核参数，以自动提取输入数据的特征，适用于处理具有网格结构的数据，训练数据集包括多种物体的长度信息和对应的红外光栅扫描数据，这种数据集的设置，可以实现数据的广泛覆盖和模型的高效学习；

进行信息数据的预处理，包括数据清洗、去噪、归一化的操作，数据清洗是为了去除无效的、错误的、重复的数据，以提高数据的质量，去噪是为了减少数据中的噪声干扰，提高数据的准确性，归一化则是将所有的数据调整到同一尺度，以消除数据量纲和数值差异带来的影响，使得模型更集中于数据的内在规律，提高模型的稳定性和精度；

将预处理后的信息数据输入至深度学习模型中，深度学习模型通过自动提取数据特征并进行物体长度的计算，获取物体的长度数值；例如，模型可以先识别物体的边框，然后通过计算边框的像素点数量并结合实际物理尺度，得出物体的实际长度；

在处理数据时如果遇到噪声干扰数据过多，无法准确得出物体长度的情况，我们可以考虑改变截取红外光栅扫描数据的方式或者采取更强大的模型进行训练。

上述技术方案的有益效果为：能够准确且有效的获取物体的长度数值，有利于提高物流、仓储、制造等领域的工作效率和精度；同时，该方法通过深度学习模型自动化的处理和分析数据，减少了人工参与，降低了人工错误和工作成本，提高了工作效率。

在另一实施例中，S1012步骤包括：

当物体经过红外光栅区时，红外传感器发射红外光束，其中，通过调整发射角度来覆盖物体检测范围；红外传感器接收由物体反射回来的红外光束，并计算反射光的强度，其中，采用光电二极管接收器，将接收到的光强度转化为电流值，再进一步转换为分析处理的电压值；根据反射光的强度，通过预设的强度阈值，确定物体在红外光栅区的遮挡情况，当反射光强度低于阈值时，判定物体遮挡红外光栅区。

上述技术方案的工作原理为：通过调整发射角度，红外传感器可以覆盖物体检测范围，发射红外光束；当物体经过红外光栅区时，物体会反射部分红外光束，红外传感器接收到反射光，并计算光的强度；采用光电二极管接收器，将光强度转化为电流值，再进一步转换为分析处理的电压值；通过预设的强度阈值，可以确定物体是否遮挡红外光栅区；

假设光电二极管的电流-光强度转换曲线为线性关系，即电流值与光强度成正比，可以通过测量光电二极管接收到的电流值，并根据已知的光电二极管特性曲线，将电流值转换为对应的光强度值；例如在已知光源的光强度下，测量光电二极管的电流值，然后根据测得的电流值和已知的光强度值，建立电流-光强度转换的关系，这样，在实际应用中，通过测量光电二极管的电流值，就可以根据转换关系计算出对应的光强度值。

上述技术方案的有益效果为：实现了对物体遮挡情况的检测和判定，提高了红外光栅系统的安全性和可靠性；通过调整发射角度和计算反射光的强度，可以准确判断物体是否遮挡红外光栅区，避免误判和漏判；采用光电二极管接收器和电压转换，实现了对光强度的精确测量和分析处理，提高了检测的准确性和稳定性；可根据具体应用场景和需求，调整强度阈值和灵敏度，以适应不同环境和物体的检测要求。

在另一实施例中，S1013步骤包括：

布置红外光栅，将发射器和接收器沿着检测区域的两侧分布，其中，交替布置大间距红外光栅和小间距红外光栅，确保红外光栅的数量相同，在待检测物体的两侧安装大间距红外光栅，形成大间距检测区，在大间距红外光栅之间安装小间距红外光栅，形成小间距检测区，保证小间距检测区的覆盖长度大于2倍大间距红外光栅的安装间隙；发射器发射红外光束，红外光束经过检测区域，被接收器接收；通过检测接收器接收到的红外光信号的强度，判断物体是否完全进入检测区；

在红外光栅中，设置计数器，用于记录物体进入和离开检测区的次数；当物体完全进入检测区时，计数器加1；当物体完全离开检测区时，计数器减1；根据计数器的数值，判断物体当前是否在检测区内；

当物体完全进入检测区时，采集物体的位置信息；通过记录物体进入检测区的时间和位置信息，计算物体的速度和加速度；根据物体的速度和加速度，预测物体的运动轨迹和到达目标位置的时间。

上述技术方案的工作原理为：将发射器和接收器沿着检测区域的两侧分布，形成一个红外光栅；发射器发射红外光束，红外光束经过检测区域，形成一个红外光栅；接收器接收经过检测区域的红外光束，将光信号转化为电信号；通过检测接收器接收到的红外光信号的强度，判断物体是否完全进入检测区，当接收到的红外光信号强度超过预设的强度阈值时，判定物体完全进入检测区；在红外光栅系统中设置一个计数器，用于记录物体进入和离开检测区的次数，当物体完全进入检测区时，计数器加1；当物体完全离开检测区时，计数器减1；根据计数器的数值，判断物体当前是否在检测区内，如果计数器的数值大于0，则表示物体在检测区内；如果计数器的数值等于0，则表示物体完全离开检测区；当物体完全进入检测区时，采集物体的位置信息，通过记录物体进入检测区的时间和位置信息，可以计算物体的速度和加速度；根据物体的速度和加速度，可以预测物体的运动轨迹和到达目标位置的时间;

其中，采用大间距和小间距相同数量的红外光栅进行布局，小间距检测区

覆盖长度大于2倍大间距红外安装间隙；

具体实施时，将红外光栅按照以下布局方式进行安装：

将大间距红外光栅和小间距红外光栅交替布置，保持相同数量的红外光栅；将大间距红外光栅安装在待检测物体的两侧，形成大间距检测区；将小间距红外光栅安装在大间距红外光栅之间，形成小间距检测区；确保小间距检测区的覆盖长度大于2倍大间距红外安装间隙，以确保在物体通过时能够获得足够的红外光栅反射信号。

其中，大间距红外光栅和小间距红外光栅均具备灵敏度调节能力；大间距红外光栅和小间距红外光栅均可以进行水平或垂直的布置，以满足不同的测量需求；通过该方法获得的红外光栅反射信号进行数据处理和分析，从而得到物体的长度；数据处理和分析包括采用深度学习算法对获取的红外光栅反射信号进行模式识别，进而推断出物体长度；大间距红外光栅和小间距红外光栅对登录、昼夜、物体的颜色和材质等因素具备良好的适应性；通过综合应用红外光栅技术与智能算法，实现了对于物体长度的高精度、高效率的测量。

通过以上布局方式，可以实现对待检测物体的红外光栅扫描，大间距红外光栅用于检测物体的整体通过情况，而小间距红外光栅用于检测物体的细节信息，小间距检测区的覆盖长度大于2倍大间距红外安装间隙，可以确保在物体通过时能够获取足够的红外光栅反射信号，提高检测的准确性和稳定性。

上述技术方案的有益效果为：通过红外光栅的布局方式，可以实现对物体是否完全进入检测区的准确判断；通过设置计数器和记录位置信息，可以实现对物体的运动轨迹和到达目标位置的预测；可根据具体应用场景和需求，调整红外光栅的布局方式和强度阈值，以适应不同物体和检测区的要求；通过采集物体的位置信息和计算物体的速度和加速度，可以为后续的运动控制和路径规划提供基础；通过大间距和小间距红外光栅的组合布局，可以同时获取物体的整体和细节信息，提高检测的全面性和准确性；小间距检测区的覆盖长度大于2倍大间距红外安装间隙，可以确保在物体通过时能够获得足够的红外光栅反射信号，减少漏检和误检的可能性。

在另一实施例中，S1022步骤包括：

选择哈夫曼编码算法，根据信息数据的特点和需求，将信息数据转换为可恢复的编码数据；选择游程编码压缩算法，对编码数据进行压缩处理；

在编码和压缩处理过程中，对敏感信息进行加密处理；选择非对称加密算法和密钥管理方案，对敏感信息进行加密操作；在解压缩和解码操作之前，对加密的数据进行解密操作；对加密的数据进行解密操作后，对解密后的数据进行解码和解压缩操作，获取最终的原始信息数据。

上述技术方案的工作原理为：根据信息数据的特点和需求，采用哈夫曼编码算法将信息数据转换为可恢复的编码数据；哈夫曼编码是一种变长编码，根据不同字符出现的频率，为每个字符分配一个唯一的编码，使得出现频率高的字符使用较短的编码，出现频率低的字符使用较长的编码；

选择游程编码压缩算法对编码数据进行压缩处理；游程编码是一种基于连续重复出现的字符序列的压缩算法，将连续重复的字符序列用一个字符和重复次数表示，从而减少数据的存储空间；

在编码和压缩处理过程中，对敏感信息进行加密处理，以保护数据的安全性和隐私性，选择非对称加密算法和密钥管理方案，对敏感信息进行加密操作，非对称加密算法使用一对密钥，包括公钥和私钥，公钥用于加密，私钥用于解密；

密钥管理方案用于生成、存储和分发密钥，确保加密和解密的安全性，例如，可以使用公钥加密敏感信息，然后使用私钥解密，只有持有私钥的人才能解密数据；

在解压缩和解码操作之前，对加密的数据进行解密操作，恢复原始的编码数据，然后对解密后的编码数据进行解码和解压缩操作，获取最终的原始信息数据。可以将获取的信息数据进行编码和压缩处理，并对敏感信息进行加密保护，这样可以减少数据的存储空间和传输带宽，同时保护数据的安全性和隐私性。

上述技术方案的有益效果为：编码和压缩处理减少了数据的存储空间和传输带宽，提高了数据的效率和利用率；加密处理保护了敏感信息的安全性和隐私性，防止未经授权的访问和泄露；使用非对称加密算法和密钥管理方案，确保加密和解密的安全性；解密和解压缩操作恢复了原始的信息数据，保证了数据的完整性和可读性；通过选择合适的算法和参数调整，可以根据不同应用场景和需求进行定制化处理，提高数据处理的效果和适应性。

在另一实施例中，S1031步骤包括：

通过若干种物体的长度信息和对应的红外光栅扫描数据构建训练数据集；建立深度学习模型，深度学习模型包括输入层、隐藏层和输出层，以及相应的神经网络结构；利用训练数据集对深度学习模型进行训练，通过反向传播算法优化模型参数；用新的数据集对训练后的深度学习模型进行验证和测试，以评估深度学习模型的性能；根据深度学习模型的预测结果，对常规形状或特殊形状的物体进行分类、识别和测量，其中，预测结果包括物体的类别、形状属性和长度数值；

根据深度学习模型的预测结果对常规形状或特殊形状的物体进行分类、识别和测量，包括：

根据物体的形状特征，选择对应的测量算法，测量算法包括几何模型的测量方法和图像处理的测量方法，几何模型的测量方法考虑物体形状的正则性和规则性，适用于测量规则几何体的尺寸，图像处理的测量方法应用物体在图像中的投影信息，适用于测量曲面、非规则形状的物体；根据选择的测量算法，对物体进行测量并获取物体的长度、宽度、高度、面积的尺寸或属性；根据深度学习模型的预测结果中的测量结果，对物体进行分类、识别和测量的综合分析；根据综合分析，获取物体的最终分类、识别和测量结果，其中，该深度学习模型是自监督的深度学习模型，根据物体的形状特征自主学习分类、识别和测量方法。

上述技术方案的工作原理为：通过收集若干种物体的长度信息和对应的红外光栅扫描数据，构建训练数据集，这样可以提供足够的样本数据，用于深度学习模型的训练和优化；建立深度学习模型，包括输入层、隐藏层和输出层，以及相应的神经网络结构，深度学习模型可以通过多层神经网络来学习和提取输入数据的特征，从而实现对物体的分类、识别和测量；利用训练数据集对深度学习模型进行训练，通过反向传播算法优化模型参数，在训练过程中，模型会根据输入数据和期望输出进行预测，并根据预测结果与真实标签之间的差异来调整模型参数，以提高模型的准确性和泛化能力；

使用新的数据集对训练后的深度学习模型进行验证和测试，以评估模型的性能，通过将新的数据输入到模型中，观察模型的预测结果与真实标签之间的差异，可以判断模型的准确性和可靠性；根据深度学习模型的预测结果，对常规形状或特殊形状的物体进行分类、识别和测量，预测结果可以包括物体的类别、形状属性和长度数值等信息，从而实现对物体的全面分析和测量；

采用了根据物体的形状特征选择对应的测量算法的步骤，其中包括几何模型的测量方法和图像处理的测量方法，几何模型的测量方法适用于测量规则几何体的尺寸，而图像处理的测量方法则应用物体在图像中的投影信息，适用于测量曲面、非规则形状的物体；

根据深度学习模型的预测结果，确定物体的形状特征，然后选择对应的测量算法，如果物体被识别为规则几何体，可以采用几何模型的测量方法，如测量长方体的长度、宽度、高度等尺寸；如果物体被识别为曲面、非规则形状的物体，可以采用图像处理的测量方法，如通过图像处理算法计算物体的面积、周长等属性；

举例来说，假设应用场景是对通过包装袋包装的水果进行分类、识别和测量。深度学习模型通过训练学习了各种水果的形状特征，并能够预测水果的种类和形状，当预测结果显示某个水果为圆形时，可以选择图像处理的测量方法，通过计算水果在图像中的投影信息，估算出水果的直径和面积，而当预测结果显示某个水果为长方体时，可以选择几何模型的测量方法，通过测量水果的长度、宽度和高度，获取水果的尺寸信息；

在综合分析阶段，根据深度学习模型的预测结果中的测量结果，对物体进行分类、识别和测量的综合分析。例如，对于水果分类，可以根据预测结果中的测量结果判断水果的种类，并进一步识别水果的品种，对于水果测量，可以根据预测结果中的测量结果获取水果的尺寸信息，如长度、宽度和高度。

上述技术方案的有益效果为：利用深度学习模型，可以从红外光栅扫描数据中提取特征信息，实现对物体的分类、识别和测量；通过训练数据集的构建和模型训练，可以提高深度学习模型的准确性和泛化能力；通过验证和测试，可以评估深度学习模型的性能和可靠性，验证模型的有效性；可根据具体应用场景和需求，选择合适的深度学习模型和网络结构，以适应不同类型和形状的物体分类、识别和测量需求；自监督的深度学习模型能够根据物体的形状特征自主学习分类、识别和测量方法，提高了模型的准确性和泛化能力；通过选择合适的测量算法，可以针对不同形状的物体进行准确的测量，获取物体的尺寸或属性信息；综合分析阶段能够将分类、识别和测量结果进行综合，提供更全面的物体信息，满足不同应用场景的需求。

在另一实施例中，S1033步骤包括：

引入形状分割算法，当识别当前物体为不规则形状时，将不规则形状物体分割为更小的子区域；对分割后的子区域进行特征提取，获取形状特征信息；将提取的形状特征信息输入至深度学习模型中，通过深度学习模型进行物体长度计算；通过对各个子区域的长度计算结果进行综合，获取不规则形状物体的整体长度数值。

上述技术方案的工作原理为：当识别当前物体为不规则形状时，引入形状分割算法将不规则形状物体分割为更小的子区域，形状分割算法可以根据物体的边缘或纹理等特征，将物体分割为多个具有相似形状的子区域；对分割后的子区域进行特征提取，以获取形状特征信息，特征提取可以通过计算子区域的形状属性、纹理特征、颜色分布等来描述子区域的特征；将提取的形状特征信息输入至深度学习模型中，通过深度学习模型进行物体长度计算，深度学习模型可以通过多层神经网络来学习和提取输入数据的特征，从而实现对物体的长度计算；通过对各个子区域的长度计算结果进行综合，获取不规则形状物体的整体长度数值，可以根据子区域的大小、位置等信息，对各个子区域的长度进行加权平均或求和，得到整体长度数值；可以利用形状分割算法将不规则形状物体分割为更小的子区域，并通过特征提取和深度学习模型进行物体长度计算。这样可以实现对不规则形状物体的长度测量。

其中，通过大间距区域被遮挡数乘以大间距间隙距离+小间距遮挡数乘以小间距间隙距离等于包裹长度，具体公式如下：

（大间距遮挡数*大间距间隙距离）+（小间距遮挡数*小间距间隙距离）=物体长度；

首先，将相同数量的红外采用大间距和小间距组合的布局方式；然后，当大间距检测区红外有红外的状态由放开变遮挡时，同时判断包裹是否完全进入小间距检测区；最后，通过大间距区域被遮挡数乘以大间距间隙距离+小间距遮挡数乘以小间距间隙距离等于包裹长度。

上述技术方案的有益效果为：形状分割算法可以将不规则形状物体分割为更小的子区域，提供更详细的形状信息，有助于准确计算物体的长度；特征提取可以提取子区域的形状特征信息，进一步提高长度计算的准确性和可靠性；引入深度学习模型可以通过学习和提取输入数据的特征，实现对物体长度的计算，提高计算的准确性和泛化能力；通过对各个子区域的长度计算结果进行综合，可以得到不规则形状物体的整体长度数值，提供全面的长度测量结果。

在另一实施例中，一种基于红外光栅的物体长度检测系统，包括：

信息数据获取单元，用于通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；

信息数据传输单元，用于将获取的信息数据通过物联网设备传输至数据处理中心；

长度数值获取单元，用于数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值。

上述技术方案的工作原理为：信息数据获取单元包括：

第一获取模块，用于在皮带机的横向移动区间选择一个区域，安装红外光栅传感器，红外光栅由若干路红外对射设备按直线序列排列，形成一个二维检测面；

第二获取模块，用于当物体经过红外光栅时，红外传感器发射红外光束，并接收反射光束，获取物体的反射光强度，根据反射光强度，确定物体的遮挡情况；

第三获取模块，用于根据红外光栅的布局方式，判断物体是否完全进入检测区，若物体进入检测区，则采集物体的位置信息。

信息数据传输单元包括：

第一传输模块，用于在红外光栅系统中添加物联网设备，该物联网设备具有数据传输功能，并与数据处理中心建立连接；

第二传输模块，用于将获取的信息数据进行编码和压缩处理；

第三传输模块，用于通过物联网设备，将编码和压缩后的信息数据传输至数据处理中心。

长度数值获取单元包括：

第一长度获取模块，用于在数据处理中心建立深度学习模型，深度学习模型通过训练数据集进行训练，数据集包括若干种物体的长度信息和对应的红外光栅扫描数据；

第二长度获取模块，用于对接收到的信息数据进行预处理，包括数据清洗、去噪、归一化的操作；

第三长度获取模块，用于将预处理后的信息数据输入至深度学习模型中，深度学习模型通过提取数据特征并进行物体长度计算，获取物体的长度数值。

上述技术方案的有益效果为：信息数据获取单元利用红外光栅对待检测物体进行扫描，可以快速、准确地获取物体的反射光强度和位置信息，相比传统的手动测量方法，该方法可以大大提高信息获取的效率和准确性；信息数据传输单元将获取的信息数据通过物联网设备传输至数据处理中心，实现了实时数据传输，这样可以及时将物体的信息数据传送到数据处理中心，为后续的处理和分析提供及时的数据支持；数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，可以根据物体的反射光强度和位置信息，通过模型进行计算和推断，获取物体的长度数值，深度学习模型可以通过大量的训练数据进行学习，提高长度数值的准确性和稳定性；通过该系统，可以实现对物体长度的自动化测量，无需人工干预，系统可以自动获取物体的信息数据，并通过深度学习模型进行处理和分析，最终得到物体的长度数值，这样可以提高测量的效率和准确性，减少人为误差。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于红外光栅的物体长度检测方法，其特征在于，包括：

S101：通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；

S102：将获取的信息数据通过物联网设备传输至数据处理中心；

S103：数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值；

S101步骤包括：

S1011：在皮带机的横向移动区间选择一个区域，安装红外光栅传感器，红外光栅由若干路红外对射设备按直线序列排列，形成一个二维检测面；

S1012：当物体经过红外光栅时，红外传感器发射红外光束，并接收反射光束，获取物体的反射光强度，根据反射光强度，确定物体的遮挡情况；

S1013：根据红外光栅的布局方式，判断物体是否完全进入检测区，若物体进入检测区，则采集物体的位置信息；

S102步骤包括：

S1021：在红外光栅系统中添加物联网设备，该物联网设备具有数据传输功能，并与数据处理中心建立连接；

S1022：将获取的信息数据进行编码和压缩处理；

S1023：通过物联网设备，将编码和压缩后的信息数据传输至数据处理中心；

S103步骤包括：

S1031：在数据处理中心建立深度学习模型，深度学习模型通过训练数据集进行训练，数据集包括若干种物体的长度信息和对应的红外光栅扫描数据；

S1032：对接收到的信息数据进行预处理，包括数据清洗、去噪、归一化的操作；

S1033：将预处理后的信息数据输入至深度学习模型中，深度学习模型通过提取数据特征并进行物体长度计算，获取物体的长度数值；

S1031步骤包括：

通过若干种物体的长度信息和对应的红外光栅扫描数据构建训练数据集；建立深度学习模型，深度学习模型包括输入层、隐藏层和输出层，以及相应的神经网络结构；利用训练数据集对深度学习模型进行训练，通过反向传播算法优化模型参数；用新的数据集对训练后的深度学习模型进行验证和测试，以评估深度学习模型的性能；根据深度学习模型的预测结果，对常规形状或特殊形状的物体进行分类、识别和测量，其中，预测结果包括物体的类别、形状属性和长度数值；

其中，根据物体的形状特征，选择对应的测量算法，测量算法包括几何模型的测量方法和图像处理的测量方法，几何模型的测量方法考虑物体形状的正则性和规则性，适用于测量规则几何体的尺寸，图像处理的测量方法应用物体在图像中的投影信息，适用于测量曲面、非规则形状的物体；根据选择的测量算法，对物体进行测量并获取物体的长度、宽度、高度、面积的尺寸或属性；根据深度学习模型的预测结果中的测量结果，对物体进行分类、识别和测量的综合分析；根据综合分析，获取物体的最终分类、识别和测量结果，其中，该深度学习模型是自监督的深度学习模型，根据物体的形状特征自主学习分类、识别和测量方法；

S1033步骤包括：

引入形状分割算法，当识别当前物体为不规则形状时，将不规则形状物体分割为若干子区域；对分割后的子区域进行特征提取，获取形状特征信息；将提取的形状特征信息输入至深度学习模型中，通过深度学习模型进行物体长度计算；通过对各个子区域的长度计算结果进行综合，获取不规则形状物体的整体长度数值。

2.根据权利要求1所述的一种基于红外光栅的物体长度检测方法，其特征在于，S1012步骤包括：

当物体经过红外光栅区时，红外传感器发射红外光束，其中，通过调整发射角度来覆盖物体检测范围；红外传感器接收由物体反射回来的红外光束，并计算反射光的强度，其中，采用光电二极管接收器，将接收到的光强度转化为电流值，再进一步转换为分析处理的电压值；根据反射光的强度，通过预设的强度阈值，确定物体在红外光栅区的遮挡情况，当反射光强度低于阈值时，判定物体遮挡红外光栅区。

3.根据权利要求1所述的一种基于红外光栅的物体长度检测方法，其特征在于，S1013步骤包括：

布置红外光栅，将发射器和接收器沿着检测区域的两侧分布，其中，交替布置大间距红外光栅和小间距红外光栅，确保红外光栅的数量相同，在待检测物体的两侧安装大间距红外光栅，形成大间距检测区，在大间距红外光栅之间安装小间距红外光栅，形成小间距检测区，保证小间距检测区的覆盖长度大于2倍大间距红外光栅的安装间隙；发射器发射红外光束，红外光束经过检测区域，被接收器接收；通过检测接收器接收到的红外光信号的强度，判断物体是否完全进入检测区；

在红外光栅中，设置计数器，用于记录物体进入和离开检测区的次数；当物体完全进入检测区时，计数器加1；当物体完全离开检测区时，计数器减1；根据计数器的数值，判断物体当前是否在检测区内；

当物体完全进入检测区时，采集物体的位置信息；通过记录物体进入检测区的时间和位置信息，计算物体的速度和加速度；根据物体的速度和加速度，预测物体的运动轨迹和到达目标位置的时间。

4.根据权利要求1所述的一种基于红外光栅的物体长度检测方法，其特征在于，S1022步骤包括：

选择哈夫曼编码算法，根据信息数据的特点和需求，将信息数据转换为可恢复的编码数据；选择游程编码压缩算法，对编码数据进行压缩处理；

在编码和压缩处理过程中，对敏感信息进行加密处理；选择非对称加密算法和密钥管理方案，对敏感信息进行加密操作；在解压缩和解码操作之前，对加密的数据进行解密操作；对加密的数据进行解密操作后，对解密后的数据进行解码和解压缩操作，获取最终的原始信息数据。

5.一种基于红外光栅的物体长度检测系统，其特征在于，包括：

信息数据获取单元，用于通过红外光栅对待检测物体进行扫描，获取物体的信息数据，信息数据包括物体的反射光强度和位置信息；

信息数据传输单元，用于将获取的信息数据通过物联网设备传输至数据处理中心；

长度数值获取单元，用于数据处理中心利用深度学习模型对接收到的信息数据进行处理和分析，获取物体的长度数值；

信息数据获取单元包括：

第一获取模块，用于在皮带机的横向移动区间选择一个区域，安装红外光栅传感器，红外光栅由若干路红外对射设备按直线序列排列，形成一个二维检测面；

第二获取模块，用于当物体经过红外光栅时，红外传感器发射红外光束，并接收反射光束，获取物体的反射光强度，根据反射光强度，确定物体的遮挡情况；

第三获取模块，用于根据红外光栅的布局方式，判断物体是否完全进入检测区，若物体进入检测区，则采集物体的位置信息；

信息数据传输单元包括：

第一传输模块，用于在红外光栅系统中添加物联网设备，该物联网设备具有数据传输功能，并与数据处理中心建立连接；

第二传输模块，用于将获取的信息数据进行编码和压缩处理；

第三传输模块，用于通过物联网设备，将编码和压缩后的信息数据传输至数据处理中心；

长度数值获取单元包括：

第一长度获取模块，用于在数据处理中心建立深度学习模型，深度学习模型通过训练数据集进行训练，数据集包括若干种物体的长度信息和对应的红外光栅扫描数据；

第二长度获取模块，用于对接收到的信息数据进行预处理，包括数据清洗、去噪、归一化的操作；

第三长度获取模块，用于将预处理后的信息数据输入至深度学习模型中，深度学习模型通过提取数据特征并进行物体长度计算，获取物体的长度数值；

通过若干种物体的长度信息和对应的红外光栅扫描数据构建训练数据集；建立深度学习模型，深度学习模型包括输入层、隐藏层和输出层，以及相应的神经网络结构；利用训练数据集对深度学习模型进行训练，通过反向传播算法优化模型参数；用新的数据集对训练后的深度学习模型进行验证和测试，以评估深度学习模型的性能；根据深度学习模型的预测结果，对常规形状或特殊形状的物体进行分类、识别和测量，其中，预测结果包括物体的类别、形状属性和长度数值；

其中，根据物体的形状特征，选择对应的测量算法，测量算法包括几何模型的测量方法和图像处理的测量方法，几何模型的测量方法考虑物体形状的正则性和规则性，适用于测量规则几何体的尺寸，图像处理的测量方法应用物体在图像中的投影信息，适用于测量曲面、非规则形状的物体；根据选择的测量算法，对物体进行测量并获取物体的长度、宽度、高度、面积的尺寸或属性；根据深度学习模型的预测结果中的测量结果，对物体进行分类、识别和测量的综合分析；根据综合分析，获取物体的最终分类、识别和测量结果，其中，该深度学习模型是自监督的深度学习模型，根据物体的形状特征自主学习分类、识别和测量方法；

引入形状分割算法，当识别当前物体为不规则形状时，将不规则形状物体分割为若干子区域；对分割后的子区域进行特征提取，获取形状特征信息；将提取的形状特征信息输入至深度学习模型中，通过深度学习模型进行物体长度计算；通过对各个子区域的长度计算结果进行综合，获取不规则形状物体的整体长度数值。