CN116935375A - 一种智能生产线打包装盒检测系统及方法 - Google Patents

一种智能生产线打包装盒检测系统及方法 Download PDF

Info

Publication number
CN116935375A
CN116935375A CN202311026343.0A CN202311026343A CN116935375A CN 116935375 A CN116935375 A CN 116935375A CN 202311026343 A CN202311026343 A CN 202311026343A CN 116935375 A CN116935375 A CN 116935375A
Authority
CN
China
Prior art keywords
box
commodity
package
point cloud
packing box
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
CN202311026343.0A
Other languages
English (en)
Inventor
章俊
郑峤峰
俞荫乾
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.)
Anhui Zhuxing Software Technology Co ltd
Original Assignee
Anhui Zhuxing Software 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 Anhui Zhuxing Software Technology Co ltd filed Critical Anhui Zhuxing Software Technology Co ltd
Priority to CN202311026343.0A priority Critical patent/CN116935375A/zh
Publication of CN116935375A publication Critical patent/CN116935375A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于包装盒检测技术领域，本发明公开了一种智能生产线打包装盒检测系统及方法；包括：采集待装盒商品的三维训练数据，建立商品的三维立体模型库；将实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，识别待装盒的商品种类并选择与商品对应的包装盒以及包装盒填充物；采集包装盒图像训练数据，训练出计算包装盒破损评估值的第一机器学习模型；设置包装盒破损评估阈值并与包装盒破损评估值对比，生成不同的包装盒调节指令；采集装盒后图像数据，分析商品装盒后商品的失稳度，生成填充物调节指令。

Description

一种智能生产线打包装盒检测系统及方法
技术领域
本发明涉及包装盒检测术领域，更具体地说，本发明涉及一种智能生产线打包装盒检测系统及方法。
背景技术
工业生产打包装盒是指在工业生产中，使用自动化设备或人工手动操作将产品放入纸箱、塑料箱等包装容器中，并进行封箱和标记，以便保护产品在运输和储存过程中的安全。
授权公告号CN107547655B的中国专利公开了一种智能包装盒的管理系统，通过此系统可以对包装盒进行有效管理，查询包装盒状态，便于在产业上推广和应用。
但是上述发明未能实现在生产线上精准得对不同产品打包装盒过程的检测评估，避免包装盒开盒、形变或包装盒填充物不紧密导致盒内产品固定不牢以及在运输过程中易损坏等问题。
鉴于此，本发明提出一种智能生产线打包装盒检测系统及方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种智能生产线打包装盒检测系统及方法。
为实现上述目的，本发明提供如下技术方案：一种智能生产线打包装盒检测方法，所述方法包括：采集待装盒商品的三维训练数据、包装盒图像训练数据与装盒后图像数据；
基于三维训练数据，建立商品的三维立体模型库；基于实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，识别待装盒的商品种类并选择与商品对应的包装盒以及包装盒填充物；
基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型；
设置包装盒破损评估阈值并与包装盒破损评估值对比，生成不同的包装盒调节指令；
基于装盒后图像数据，分析商品装盒后商品的失稳度，生成填充物调节指令。
一种智能生产线打包装盒检测系统，包括：
数据采集模块，用于采集待装盒商品的三维训练数据、包装盒图像训练数据与装盒后图像数据；
三维匹配模块，基于三维训练数据，建立商品的三维立体模型库；基于实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，识别待装盒的商品种类并选择与商品对应的包装盒以及包装盒填充物；
模型训练模块，基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型；
控制模块，设置包装盒破损评估阈值并与包装盒破损评估值对比，生成不同的包装盒调节指令；
数据分析模块，基于装盒后图像数据，分析商品装盒后商品的失稳度，生成填充物调节指令。
一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种智能生产线打包装盒检测方法。
一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述的一种智能生产线打包装盒检测方法。
本发明一种智能生产线打包装盒检测系统及方法的技术效果和优点：
采集待装盒商品的三维训练数据，建立商品的三维立体模型库；将实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，识别待装盒的商品种类并选择与商品对应的包装盒以及包装盒填充物；采集包装盒图像训练数据，训练出计算包装盒破损评估值的第一机器学习模型，识别包装盒的损坏程度；设置包装盒破损评估阈值并与包装盒破损评估值对比，生成不同的包装盒调节指令；采集装盒后图像数据，分析商品装盒后商品的失稳度，生成填充物调节指令，本发明可实时识别商品，提供对应的包装盒和填充物，并能对包装盒破损程度进行检测，商品装入包装盒后，对商品的稳固程度进行检测，有效降低人工检测成本，减少资源浪费，使得商品装盒更稳固，减少运输过程中对商品的损害，提高消费者满意度。
附图说明
图1为本发明的一种智能生产线打包装盒检测系统示意图；
图2为本发明的一种智能生产线打包装盒检测方法示意图；
图3为本发明的一种电子设备示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1所示，本实施例所述一种智能生产线打包装盒检测系统，包括，数据采集模块1、数据分析模块2、模型训练模块3、控制模块4与三维匹配模块5，各个模块之间通过有线和/或无线网络方式连接。
数据采集模块1，用于采集待装盒商品的三维训练数据、包装盒图像训练数据与装盒后图像数据。
其中，三维训练数据包括待装盒商品的三维点云数据，具体的，通过设置多个不同角度的激光雷达获取。示例性的，在工作台设置4个激光雷达，分别为4个斜俯视45°指向工作台几何中心的激光雷达。
点云是指由大量离散的三维点组成的数据。在三维建模、计算机视觉与机器人等领域中，点云通常用于表示物体的形状、位置和姿态等信息；三维点云数据通常是通过三维激光扫描、摄像头捕获或者传感器采集等方式获取的；三维点云数据由一系列具有空间坐标的点组成，每个点都包含了该点的位置和可能的其他属性信息，如颜色、法线向量与反射率等。
需要说明的是，设置多个不同角度的激光雷达是为了避免单一角度，单个激光雷达收集到的三维点云数据不够全面，容易受环境光线影响，多角度多个激光雷达使得三维点云数据全面而精确，采集到的三维点云数据丢失量少。
数据采集模块1将三维训练数据发送给三维匹配模块5。
所述包装盒图像训练数据包括包装盒(为长方体包装盒)六个面的图像数据，具体是由高速线扫描相机获取；高速线扫描相机可以实现高速连续采集图像数据，可实时捕获物体运动轨迹、检测缺陷、测量尺寸、辨别颜色和形状。
包装盒可能存在破碎、裂纹或有明显的划痕，导致结构弱化或无法正常保护内部商品，因此根据包装盒图像训练数据可以观测包装盒的破损情况。
数据采集模块1将包装盒图像训练数据发送给模型训练模块3。
装盒后图像数据为商品装盒后，对包装盒内部进行俯拍的图像数据，可以理解的是，对包装盒内部进行俯拍的图像数据可以观测到商品、填充物与包装盒边缘。装盒后图像数据通过设置在包装盒正上方的高清相机获取。
所述填充物是指在商品运输和储存过程中，用于填充包装盒内部空间的材料。填充物可以保护商品免受挤压、磨损、震动、碰撞等各种外界因素的影响，从而确保商品在运输和储存过程中的完整性和安全性；填充物的种类很多，例如泡沫塑料、气泡纸、纸板、软木塞、木屑、塑料颗粒与纺织物料等。填充物不仅可以起到缓冲和防护作用，还可以填补包装盒内部空间，防止商品在运输过程中发生移位，从而确保包装盒内部的商品紧密固定。
数据采集模块1将装盒后图像数据发送给数据分析模块2。
三维匹配模块5，用于实时识别待装盒的商品种类，并选择与商品对应的包装盒以及包装盒填充物。实时识别待装盒的商品种类，并选择相应的包装盒以及填充物的方式如下：
基于三维训练数据，通过大数据建模系统建立商品的三维立体模型库，并对商品种类进行编号，生成商品种类序列G。所述商品种类序列G中包含若干种类的商品,其中，第i个商品种类标记为Gi；针对商品种类序列G中的每一种商品，设置与每一种商品对应的包装盒与填充物。
所述大数据三维建模系统包括rimble SketchUp与Rhino 3D等，大数据三维建模系统广泛用于产品设计、工业设计等领域，能够建立准确和全面的空间模型。
需要说明的是，不同的商品有不同的尺寸和形状，因此需要选取尺寸和形状适合的包装盒，以使商品能够得到有效地保护和固定，避免在运输过程中发生碰撞、移位等情况；
不同的商品重量和特性也不同，一些易碎物品需要特别坚固的包装盒和填充物，而一些轻质物品则可以采用相对简单的包装盒，此外，一些化学品与食品等特殊商品还需要采用符合卫生安全要求的包装盒材料，以保证其安全无害；
不同商品的运输方式对包装盒和填充物的要求不同，例如，通过海运或公路运输的商品可能需要更加坚固、耐震性能好的包装盒和填充物，而通过航空运输的商品需要更加轻量、空间利用率高的包装盒和填充物；
消费者对商品包装的需求不同，一些高档消费品可能需要更加精美、奢华的包装盒，以增加其品牌价值和吸引力；而一些日常生活用品可能更注重价格和使用效果，因此包装盒和填充物可做相应简化；
因此商品种类序列G中的每一种商品都设置与商品对应的包装盒和填充物，具体由工作人员结合商品的尺寸和形状、商品重量和特性、商品的运输方式与消费者对商品包装的需求设置。示例性的，商品较小较轻，选择空运，消费者对包装要求高，可设置精美的小型礼盒，并使用泡沫塑料作为填充物。
基于实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，达成实时识别待装盒的商品种类。
优选的，使用ICP(Iterative Closest Point)算法进行三维匹配，过程如下：
步骤1、选择参考点云A；从三维立体模型库中随机选取一个三维点云数据作为参考点云A，实时收集到的三维训练数据中的点云B将参考点云A作为需要匹配的目标点云。
步骤2、预匹配点云B与参考点云A；对参考点云A和点云B进行特征提取，示例性的，球体商品可提取球面高斯曲率等特征信息，根据特征信息，在参考点云A与点云B中寻找相似的点，并初步确定它们之间的位置和姿态关系。
姿态指的是物体在三维空间中的旋转和平移状态，通过姿态关系，可以了解到物体在三维空间中的准确位置和方向。
步骤3、计算整体距离误差；以参考点云A中的每个点为参考，在点云B中找到与参考点云A中每个点一一对应的最近邻点，然后计算两个点之间的距离误差。将参考点云A中的每个点的距离误差相加得到参考点云A与点云B之间的整体距离误差。通过变换矩阵的方式对点云B中的每个点进行变换(包括位移、旋转和缩放)。重新计算参考点云A与点云B之间的整体距离误差。多次迭代步骤3，使点云B与参考点云A之间的整体距离误差收敛。
步骤4：输出匹配结果；当点云B与参考点云A之间的整体距离误差收敛时，将匹配后的两个点云组合在一起，并输出匹配结果。这样实现了实时识别生产线待装盒商品种类，并可根据商品种类选择适合的包装盒和填充物。
所述变换矩阵是一种数学工具，用于表示空间中的几何变换；变换矩阵可以描述平移、旋转、缩放和剪切等几何变换的效果，并通过矩阵乘法来应用这些几何变换。
模型训练模块3基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型。所述计算包装盒破损评估值的第一机器学习模型的训练方式如下：
可以理解的是，在包装商品前，包装盒自身可能因为加工问题，产生破损或印刷问题，并不适合打包商品，如使用了破损的包装盒打包商品，会导致商品在运输中丢失或损坏，消费者收到破损包装盒后满意度降低，因此使用第一机器学习模型计算包装盒破损评估值，降低使用到破损包装盒的风险。
将包装盒图像训练数据作为第一机器学习模型的输入，人工的对包装盒的破损情况进行评估，此时的包装盒破损评估值作为包装盒图像训练数据的输入标签，包装盒破损评估值为0-100，包装盒破损评估值越高，破损越严重，示例性的，包装盒出现大面积的破损时，设置包装盒破损评估值为95，若包装盒只出现了轻微破损现象，不影响使用效果，设置包装盒破损评估值为15；所述第一机器学习模型的输出为实时的包装盒破损评估值；以每组包装盒图像训练数据对应的包装盒破损评估值作为预测目标，以最小化损失函数作为训练目标；当第一机器学习模型损失函数小于等于目标损失值时停止训练。
所述第一机器学习模型损失函数可以为均方误差(MSE)或交叉熵(CE)；
示例性的，均方误差(MSE)，通过将损失函数最小化为目标来训练模型，使得机器学习模型更好地拟合数据，从而提高模型的性能和准确率；损失函数中mse为损失函数值，i为包装盒图像训练数据组号；u为包装盒图像训练数据组数；yi为第i组包装盒图像训练数据对应的输入标签，/>为第i组包装盒图像训练数据实时计算的包装盒破损评估值。
需要说明的是，所述第一机器学习模型是一种神经网络模型；包装盒图像训练数据构成的数据集分为训练集、验证集和测试集，其中训练集占数据集的70％，验证集和测试集各占数据集的15％；所述第一机器学习模型的其他模型参数，例如目标损失值、网络模型的深度、每层的神经元数量、网络模型使用的激活函数以及损失函数的优化等均通过实际的工程实现，不断地进行实验调优后获得；
模型训练模块3将第一机器学习模型的输出结果发送给控制模块4。
控制模块4设置包装盒破损评估阈值与包装盒破损评估值对比，生成不同的包装盒调节指令。所述包装盒调节指令的生成方式如下：
所述包装盒调节指令分为一级包装盒调节指令和二级包装盒调节指令，包装盒破损评估阈值分为一级包装盒破损评估阈值和二级包装盒破损评估阈值，一级包装盒破损评估阈值小于二级包装盒破损评估阈值；
当包装盒破损评估值小于等于一级包装盒破损评估阈值时，标记为合格包装盒；将合格包装盒送入下一生产线流程；
当包装盒破损评估值大于一级包装盒破损评估阈值，且小于等于二级包装盒破损评估阈值时，标记包装盒为轻微破损包装盒，生成一级包装盒调节指令；所述一级包装盒调节指令包括对包装盒进行人工修复；
当包装盒破损评估值大于二级包装盒破损评估阈值时，标记包装盒为严重破损包装盒，生成二级包装盒调节指令；所述二级包装盒调节指令包括将包装盒发往回收站进行回收利用，从而生产新的包装盒，减少资源浪费。
包装盒破损评估阈值根据商品种类的不同进行设置，示例性的，家具包装轻微破损时，内部家具依然完好，包装盒破损评估阈值可以相对提高，奢侈商品包装出现破损时，对消费者来说接受程度低，包装盒破损评估阈值设置较低；示例性的，将家具一级包装盒破损评估阈值设置为20，家具二级包装盒破损评估阈值设置为50，将奢侈商品一级包装盒破损评估阈值设置为5，家具二级包装盒破损评估阈值设置为30。
数据分析模块2基于装盒后图像数据，分析商品装盒后商品的失稳度。
需要说明的是，只有判断过包装盒为合格包装盒才会将商品装入。商品若装入本身破损严重的包装盒，将会导致装盒后商品更容易晃动，商品不紧固，因此使用第一机器学习模型先对包装盒破损程度检测，再对装盒后的包装盒稳定状况进行检测。
分析商品装盒后商品的失稳度方式如下：
灰度化处理装盒后图像数据，使用高斯滤波对灰度化处理后的装盒后图像数据进行平滑处理；
使用Canny算法提取装盒后图像数据的边缘点；
使用霍夫变换来提取边缘点构成的包装盒内壁边缘直线与填充物边缘直线；
将包装盒内壁边缘直线围成的面积减填充物边缘直线围成的面积的值的平方作为失稳度；
包装盒内壁边缘直线围成的面积与填充物边缘直线围成的面积均由数学多边形面积计算公式获得。
设置失稳度阈值，当包装盒失稳度大于等于失稳度阈值时，标记商品在包装盒里不稳固，生成填充物调节指令；当包装盒失稳度小于失稳度阈值时，标记商品在包装盒里稳固。
失稳度阈值根据商品种类不同设置，示例性的，棉质商品允许在包装盒内晃动，并不会影响商品属性，因此设置失稳度阈值较高，贵金属商品如在包装盒内晃动，可能导致贵金属商品外形变形，影响消费者满意度，因此设置失稳度阈值较低。
需要说明的是，首先进行灰度化处理装盒后图像数据是因为Canny算法的核心步骤依赖于灰度值的变化和梯度；在灰度图像中，每个像素只有一个灰度值，可以准确地计算梯度。所述梯度为灰度值的变化率。而在彩色图像中，每个像素有多个通道的颜色值，无法直接计算梯度；
使用高斯滤波对灰度图像处理，以此平滑图像、减少噪声；如果将高斯滤波应用于彩色图像，颜色信息会干扰平滑操作产生不准确的结果；因此要先灰度化处理装盒后图像数据。
Canny算法之所以能够有效地提取边缘，是因为利用了边缘在图像上具有特殊的特征。边缘是图像中灰度值变化剧烈的区域，与周围区域相对比，灰度值发生跃变，边缘处的像素灰度值会快速地从一个值跃变到另一个值；边缘处的梯度通常较大，边缘呈现明显的梯度变化。
Canny算法的过程包括：
步骤S1、梯度计算；在平滑后的图像上，使用Sobe l算子计算每个像素点的梯度，生成梯度图像，用于检测图像中的边缘；
步骤S2、非极大值抑制；对梯度图像进行非极大值抑制，保留可能是边缘像素点的梯度局部最大值，去除梯度较小值；
步骤S3、双阈值处理；设置梯度高阈值和低阈值，将梯度图像分为强边缘、弱边缘和非边缘三个部分，以此区分边缘和噪声；图像中的边缘通常具有较大的梯度，而噪声通常具有较小的梯度；将梯度大于高阈值的像素标记为强边缘，对于梯度小于等于高阈值但大于低阈值的像素，标记为弱边缘；这些弱边缘可能是真实边缘的延伸，也可能是噪声引起的虚假边缘；梯度小于等于低阈值的像素代表图像中相对平坦的区域或者噪声，标记为非边缘，排除掉非边缘；高阈值和低阈值的具体值由工作人员经过Canny算法实际工程实验多次调优获得。示例性的，根据图像梯度的统计分布，选取梯度大小的前5％作为高阈值，前20％作为低阈值。
噪声指的是图像中的随机、无意义的像素点，可能是由于传感器噪声、信号干扰或其他环境因素引起的。噪声会对图像处理任务产生负面影响，可能被错误地识别为边缘，导致不准确的结果。
步骤S4、边缘连接；保留强边缘像素点，将强边缘像素点与相邻的弱边缘像素点相连接。
霍夫变换(Hough Transform)是一种图像处理技术，用于在图像中检测特定形状(如直线、圆形等)。霍夫变换将图像中的每个像素点映射到一个参数空间中，并通过在参数空间中进行投票来找到满足特定形状条件的图像特征；
以装盒后图像数据中任意一个角点的像素点为坐标原点，以一个像素点的尺寸作为单位距离，建立平面XY直角坐标系，角点为装盒后图像数据四周边界的交点；装盒后图像数据中每个像素点的X轴坐标即为此像素点与Y轴在垂直方向上的相隔的像素点数量，Y轴坐标即为此像素点与X轴在垂直方向上的相隔的像素点数量，像素点的坐标为平面XY直角坐标系中的坐标；
霍夫变换将Canny算法保留的像素点映射到斜率k-截距b参数空间中，需要说明的是，平面XY直角坐标系的一个像素点，在参数空间中是一条直线,设一个像素点的坐标为(X1，Y1),在参数空间表示为一条直线b＝-kX1+Y1。反之，参数空间中的一个点，对应于平面XY直角坐标系的一条直线。当参数空间的一个点每多一条直线经过时，视为投票数加1，设置投票阈值，最后输出参数空间内投票数大于投票阈值的点，输出的点即为平面XY直角坐标系中的边缘直线。
边缘直线包括了包装盒内壁边缘直线与填充物边缘直线，可以理解的是，填充物边缘直线围成图形在包装盒内壁边缘直线围成图形之内。
投票阈值需要通过实验和观察来调整；通过尝试不同的阈值，观察得到的边缘检测结果，根据边缘连贯性进行评估，选择最佳的投票阈值。
失稳度越小，说明包装盒内壁边缘直线围成的面积减填充物边缘直线围成的面积的值越小，包装盒内壁与填充物接触越紧密，商品则越稳固，反之则越容易松动。
填充物调节指令包括向包装盒内添加填充物等操作。
本实施例实现了实时识别商品，提供对应的包装盒和填充物，并能对包装盒破损程度进行检测，商品装入包装盒后，对商品的稳固程度进行检测的功能，有效降低人工检测成本，减少资源浪费，使得商品装盒更稳固，减少运输过程中对商品的损害，提高消费者满意度。
实施例2
请参阅图2所示，本实施例未详细叙述部分见实施例一描述内容，提供一种智能生产线打包装盒检测系统及方法，所述方法包括：
采集待装盒商品的三维训练数据、包装盒图像训练数据与装盒后图像数据；
基于三维训练数据，建立商品的三维立体模型库；基于实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，识别待装盒的商品种类并选择与商品对应的包装盒以及包装盒填充物；
基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型；
设置包装盒破损评估阈值并与包装盒破损评估值对比，生成不同的包装盒调节指令；
基于装盒后图像数据，分析商品装盒后商品的失稳度，生成填充物调节指令。
进一步的，所述三维训练数据包括待装盒商品的三维点云数据；所述包装盒图像训练数据包括包装盒六个面的图像数据；装盒后图像数据为商品装盒后，对包装盒内部进行俯拍的图像数据。
进一步的，基于三维训练数据，建立商品的三维立体模型库，并对商品种类进行编号，生成商品种类序列G。所述商品种类序列G中包含i个种类的商品,其中，第i个商品种类标记为Gi；针对商品种类序列G中的每一种商品，设置与每一种商品对应的包装盒与填充物；
所述三维匹配通过I CP算法实现，过程如下：
步骤1、选择参考点云A；从三维立体模型库中随机选取一个三维点云数据作为参考点云A，参考点云A为实时三维训练数据中的点云B需要匹配的目标点云；
步骤2、预匹配点云B与参考点云A；对参考点云A和点云B进行特征信息提取，根据特征信息，在参考点云A与点云B中寻找相似的点，并初步确定点云B与参考点云A之间的位置和姿态关系；
步骤3、计算整体距离误差；以参考点云A中的每个点为参考，在点云B中找到与参考点云A中每个点一一对应的最近邻点，然后计算参考点云A中的每个点与点云B中最近邻点之间的距离误差；将距离误差相加得到参考点云A与点云B之间的整体距离误差；通过变换矩阵的方式对点云B中的每个点进行变换；重新计算参考点云A与点云B之间的整体距离误差；多次迭代步骤3，使点云B与参考点云A之间的整体距离误差收敛；
步骤4：输出匹配结果；当点云B与参考点云A之间的整体距离误差收敛时，将点云B对应的商品种类作为匹配结果输出，匹配结果为待装盒的商品种类。
进一步的，基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型的训练方式如下：
将包装盒图像训练数据作为第一机器学习模型的输入，对包装盒的破损情况进行评估，将包装盒破损评估值作为包装盒图像训练数据的输入标签；所述第一机器学习模型的输出为实时的包装盒破损评估值；以每组包装盒图像训练数据对应的包装盒破损评估值作为预测目标，以最小化损失函数作为训练目标；当第一机器学习模型损失函数小于等于目标损失值时停止训练；
损失函数中mse为损失函数值，i为包装盒图像训练数据组号；u为包装盒图像训练数据组数；yi为第i组包装盒图像训练数据对应的输入标签，为第i组包装盒图像训练数据实时计算的包装盒破损评估值。
进一步的，所述包装盒调节指令分为一级包装盒调节指令和二级包装盒调节指令，包装盒破损评估阈值分为一级包装盒破损评估阈值和二级包装盒破损评估阈值，一级包装盒破损评估阈值小于二级包装盒破损评估阈值；
当包装盒破损评估值小于等于一级包装盒破损评估阈值时，标记为合格包装盒；
当包装盒破损评估值大于一级包装盒破损评估阈值，且小于等于二级包装盒破损评估阈值时，标记包装盒为轻微破损包装盒，生成一级包装盒调节指令；所述一级包装盒调节指令包括对包装盒进行修复；
当包装盒破损评估值大于二级包装盒破损评估阈值时，标记包装盒为严重破损包装盒，生成二级包装盒调节指令；所述二级包装盒调节指令包括对包装盒进行回收利用。
进一步的，分析商品装盒后商品的失稳度方式如下：
灰度化处理装盒后图像数据，使用高斯滤波对灰度化处理后的装盒后图像数据进行平滑处理；
使用Canny算法提取装盒后图像数据的边缘点；
使用霍夫变换来提取边缘点构成的包装盒内壁边缘直线与填充物边缘直线；
将包装盒内壁边缘直线围成的面积减填充物边缘直线围成的面积的值的平方作为失稳度；
设置失稳度阈值，当包装盒失稳度大于等于失稳度阈值时，标记商品在包装盒里不稳固，生成填充物调节指令；当包装盒失稳度小于失稳度阈值时，标记商品在包装盒里稳固；所述填充物调节指令包括向包装盒内添加填充物。
进一步的，Canny算法的过程包括：
步骤S1、梯度计算；在平滑后的装盒后图像数据上，计算每个像素点的梯度，生成梯度图像，用于检测装盒后图像数据中的边缘；
步骤S2、非极大值抑制；对梯度图像进行非极大值抑制，保留梯度局部最大值，去除梯度较小值；
步骤S3、双阈值处理；设置梯度高阈值和低阈值，将梯度图像分为强边缘、弱边缘和非边缘三个部分；将梯度大于高阈值的像素标记为强边缘，对于梯度小于等于高阈值但大于低阈值的像素，标记为弱边缘；梯度小于等于低阈值的像素代标记为非边缘，排除掉非边缘；
步骤S4、边缘连接；保留强边缘像素点，将强边缘像素点与相邻的弱边缘像素点相连接；
霍夫变换的过程包括：
以装盒后图像数据中任意一个角点的像素点为坐标原点，以一个像素点的尺寸作为单位距离，建立平面XY直角坐标系，装盒后图像数据中每个像素点的X轴坐标为此像素点与Y轴在垂直方向上的相隔的像素点数量，Y轴坐标为此像素点与X轴在垂直方向上的相隔的像素点数量，像素点的坐标为平面XY直角坐标系中的坐标；
将Canny算法保留的像素点映射到斜率k-截距b参数空间中，平面XY直角坐标系的一个像素点，在参数空间中是一条直线,设一个像素点的坐标为(X1，Y1),在参数空间表示为一条直线b＝-kX1+Y1；参数空间中的一个点，对应于平面XY直角坐标系的一条直线；当参数空间的一个点每多一条直线经过时，视为投票数加1，设置投票阈值，输出参数空间内投票数大于投票阈值的点，输出的点为平面XY直角坐标系中的包装盒内壁边缘直线与填充物边缘直线；填充物边缘直线所围成的图形在包装盒内壁边缘直线围成图形之内。
实施例3
请参阅图3所示，根据示例性实施例示出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种智能生产线打包装盒检测方法。
实施例4
根据示例性实施例示出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的一种智能生产线打包装盒检测系统及方法。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明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发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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，在本发明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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能生产线打包装盒检测方法，其特征在于，包括：
采集待装盒商品的三维训练数据、包装盒图像训练数据与装盒后图像数据；
基于三维训练数据，建立商品的三维立体模型库；基于实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，识别待装盒的商品种类并选择与商品对应的包装盒以及包装盒填充物；
基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型；
设置包装盒破损评估阈值并与包装盒破损评估值对比，生成不同的包装盒调节指令；
基于装盒后图像数据，分析商品装盒后商品的失稳度，生成填充物调节指令。
2.根据权利要求1所述的一种智能生产线打包装盒检测方法，其特征在于，所述三维训练数据包括待装盒商品的三维点云数据；所述包装盒图像训练数据包括包装盒六个面的图像数据；装盒后图像数据为商品装盒后，对包装盒内部进行俯拍的图像数据。
3.根据权利要求2所述的一种智能生产线打包装盒检测方法，其特征在于，基于三维立体模型库对商品种类进行编号，生成商品种类序列G；所述商品种类序列G中包含i个种类的商品,第i个商品种类标记为Gi；针对商品种类序列G中的每一种商品，设置与每一种商品对应的包装盒与填充物；
所述三维匹配通过I CP算法实现，过程如下：
步骤1、选择参考点云A；从三维立体模型库中随机选取一个三维点云数据作为参考点云A，参考点云A为实时三维训练数据中的点云B需要匹配的目标点云；
步骤2、预匹配点云B与参考点云A；对参考点云A和点云B进行特征信息提取，根据特征信息，在参考点云A与点云B中寻找相似的点，并初步确定点云B与参考点云A之间的位置和姿态关系；
步骤3、计算整体距离误差；以参考点云A中的每个点为参考，在点云B中找到与参考点云A中每个点一一对应的最近邻点，然后计算参考点云A中的每个点与点云B中最近邻点之间的距离误差；将距离误差相加得到参考点云A与点云B之间的整体距离误差；通过变换矩阵的方式对点云B中的每个点进行变换；重新计算参考点云A与点云B之间的整体距离误差；多次迭代步骤3，使点云B与参考点云A之间的整体距离误差收敛；
步骤4：输出匹配结果；当点云B与参考点云A之间的整体距离误差收敛时，将点云B对应的商品种类作为匹配结果输出，匹配结果为待装盒的商品种类。
4.根据权利要求3所述的一种智能生产线打包装盒检测方法，其特征在于，基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型的训练方式如下：
将包装盒图像训练数据作为第一机器学习模型的输入，对包装盒的破损情况进行评估，将包装盒破损评估值作为包装盒图像训练数据的输入标签；所述第一机器学习模型的输出为实时的包装盒破损评估值；以每组包装盒图像训练数据对应的包装盒破损评估值作为预测目标，以最小化损失函数作为训练目标；当第一机器学习模型损失函数小于等于目标损失值时停止训练；
损失函数中mse为损失函数值，i为包装盒图像训练数据组号；u为包装盒图像训练数据组数；yi为第i组包装盒图像训练数据对应的输入标签，为第i组包装盒图像训练数据实时计算的包装盒破损评估值。
5.根据权利要求4所述的一种智能生产线打包装盒检测方法，其特征在于，所述包装盒调节指令分为一级包装盒调节指令和二级包装盒调节指令，包装盒破损评估阈值分为一级包装盒破损评估阈值和二级包装盒破损评估阈值，一级包装盒破损评估阈值小于二级包装盒破损评估阈值；
当包装盒破损评估值小于等于一级包装盒破损评估阈值时，标记为合格包装盒；
当包装盒破损评估值大于一级包装盒破损评估阈值，且小于等于二级包装盒破损评估阈值时，标记包装盒为轻微破损包装盒，生成一级包装盒调节指令；所述一级包装盒调节指令包括对包装盒进行修复；
当包装盒破损评估值大于二级包装盒破损评估阈值时，标记包装盒为严重破损包装盒，生成二级包装盒调节指令；所述二级包装盒调节指令包括对包装盒进行回收利用。
6.根据权利要求5所述的一种智能生产线打包装盒检测方法，其特征在于，分析商品装盒后商品的失稳度方式如下：
灰度化处理装盒后图像数据，使用高斯滤波对灰度化处理后的装盒后图像数据进行平滑处理；
使用Canny算法提取装盒后图像数据的边缘点；
使用霍夫变换来提取边缘点构成的包装盒内壁边缘直线与填充物边缘直线；
将包装盒内壁边缘直线围成的面积减填充物边缘直线围成的面积的值的平方作为失稳度；
设置失稳度阈值，当包装盒失稳度大于等于失稳度阈值时，标记商品在包装盒里不稳固，生成填充物调节指令；当包装盒失稳度小于失稳度阈值时，标记商品在包装盒里稳固；所述填充物调节指令包括向包装盒内添加填充物。
7.根据权利要求6所述的一种智能生产线打包装盒检测方法，其特征在于，Canny算法的过程包括：
步骤S1、梯度计算；在平滑后的装盒后图像数据上，计算每个像素点的梯度，生成梯度图像，用于检测装盒后图像数据中的边缘；
步骤S2、非极大值抑制；对梯度图像进行非极大值抑制，保留梯度局部最大值，去除梯度较小值；
步骤S3、双阈值处理；设置梯度高阈值和低阈值，将梯度图像分为强边缘、弱边缘和非边缘三个部分；将梯度大于高阈值的像素标记为强边缘，对于梯度小于等于高阈值但大于低阈值的像素，标记为弱边缘；梯度小于等于低阈值的像素代标记为非边缘，排除掉非边缘；
步骤S4、边缘连接；保留强边缘像素点，将强边缘像素点与相邻的弱边缘像素点相连接；
霍夫变换的过程包括：
以装盒后图像数据中任意一个角点的像素点为坐标原点，以一个像素点的尺寸作为单位距离，建立平面XY直角坐标系，装盒后图像数据中每个像素点的X轴坐标为此像素点与Y轴在垂直方向上的相隔的像素点数量，Y轴坐标为此像素点与X轴在垂直方向上的相隔的像素点数量，像素点的坐标为平面XY直角坐标系中的坐标；
将Canny算法保留的像素点映射到斜率k-截距b参数空间中，平面XY直角坐标系的一个像素点，在参数空间中是一条直线,设一个像素点的坐标为(X1，Y1),在参数空间表示为一条直线b＝-kX1+Y1；参数空间中的一个点，对应于平面XY直角坐标系的一条直线；当参数空间的一个点每多一条直线经过时，视为投票数加1，设置投票阈值，输出参数空间内投票数大于投票阈值的点，输出的点为平面XY直角坐标系中的包装盒内壁边缘直线与填充物边缘直线；填充物边缘直线所围成的图形在包装盒内壁边缘直线围成图形之内。
8.一种智能生产线打包装盒检测系统，其特征在于，包括：
数据采集模块(1)，用于采集待装盒商品的三维训练数据、包装盒图像训练数据与装盒后图像数据；
三维匹配模块(5)，基于三维训练数据，建立商品的三维立体模型库；基于实时收集到的三维训练数据，与三维立体模型库中的商品三维模型进行三维匹配，识别待装盒的商品种类并选择与商品对应的包装盒以及包装盒填充物；
模型训练模块(3)，基于包装盒图像训练数据训练出计算包装盒破损评估值的第一机器学习模型；
控制模块(4)设置包装盒破损评估阈值并与包装盒破损评估值对比，生成不同的包装盒调节指令；
数据分析模块(2)基于装盒后图像数据，分析商品装盒后商品的失稳度，生成填充物调节指令。
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1～7任一项所述的一种智能生产线打包装盒检测系统及方法。
10.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的一种智能生产线打包装盒检测系统及方法。
CN202311026343.0A 2023-08-15 2023-08-15 一种智能生产线打包装盒检测系统及方法 Pending CN116935375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311026343.0A CN116935375A (zh) 2023-08-15 2023-08-15 一种智能生产线打包装盒检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311026343.0A CN116935375A (zh) 2023-08-15 2023-08-15 一种智能生产线打包装盒检测系统及方法

Publications (1)

Publication Number Publication Date
CN116935375A true CN116935375A (zh) 2023-10-24

Family

ID=88394179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311026343.0A Pending CN116935375A (zh) 2023-08-15 2023-08-15 一种智能生产线打包装盒检测系统及方法

Country Status (1)

Country Link
CN (1) CN116935375A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180211373A1 (en) * 2017-01-20 2018-07-26 Aquifi, Inc. Systems and methods for defect detection
US20190188435A1 (en) * 2011-08-30 2019-06-20 Digimarc Corporation Methods and arrangements for identifying objects
CN111899258A (zh) * 2020-08-20 2020-11-06 广东机场白云信息科技有限公司 自助托运行李规格检测方法
CN112329587A (zh) * 2020-10-30 2021-02-05 苏州中科先进技术研究院有限公司 饮料瓶的分类方法、装置及电子设备
CN112652016A (zh) * 2020-12-30 2021-04-13 北京百度网讯科技有限公司 点云预测模型的生成方法、位姿估计方法及其装置
CN113239862A (zh) * 2021-05-31 2021-08-10 艾的梦 一种基于人工智能的商品识别方法及装置
CN113465552A (zh) * 2021-06-29 2021-10-01 湖北中烟工业有限责任公司 一种包装盒的表面平面度检测方法及装置
CN113781434A (zh) * 2021-09-10 2021-12-10 深圳市高川自动化技术有限公司 缺陷检测方法、装置、智能终端及计算机可读存储介质
CN114596313A (zh) * 2022-05-09 2022-06-07 深圳大学 一种基于室内点云的建筑物构件损伤检测方法及相关设备
CN116309597A (zh) * 2023-05-23 2023-06-23 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190188435A1 (en) * 2011-08-30 2019-06-20 Digimarc Corporation Methods and arrangements for identifying objects
US20180211373A1 (en) * 2017-01-20 2018-07-26 Aquifi, Inc. Systems and methods for defect detection
CN111899258A (zh) * 2020-08-20 2020-11-06 广东机场白云信息科技有限公司 自助托运行李规格检测方法
CN112329587A (zh) * 2020-10-30 2021-02-05 苏州中科先进技术研究院有限公司 饮料瓶的分类方法、装置及电子设备
CN112652016A (zh) * 2020-12-30 2021-04-13 北京百度网讯科技有限公司 点云预测模型的生成方法、位姿估计方法及其装置
CN113239862A (zh) * 2021-05-31 2021-08-10 艾的梦 一种基于人工智能的商品识别方法及装置
CN113465552A (zh) * 2021-06-29 2021-10-01 湖北中烟工业有限责任公司 一种包装盒的表面平面度检测方法及装置
CN113781434A (zh) * 2021-09-10 2021-12-10 深圳市高川自动化技术有限公司 缺陷检测方法、装置、智能终端及计算机可读存储介质
CN114596313A (zh) * 2022-05-09 2022-06-07 深圳大学 一种基于室内点云的建筑物构件损伤检测方法及相关设备
CN116309597A (zh) * 2023-05-23 2023-06-23 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIEXIN ZHOU 等: "Error Detection of Packing Box Based on Registration between Incomplete Point Cloud and CAD Model", 2017 9TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS (IHMSC), 21 September 2017 (2017-09-21), pages 359 - 364 *
于婕 等: "基于相似三角的药品盒尺寸测量", 电子测量技术, vol. 42, no. 23, pages 137 - 142 *
魏效玲 等: "损伤零件点云模型配准的ICP算法", 制造技术与机床, no. 05, pages 118 - 121 *

Similar Documents

Publication Publication Date Title
CN112132523B (zh) 一种货物数量确定方法、系统和装置
CN112009812A (zh) 具有动态打包机制的机器人系统
CN114553927B (zh) 一种基于大数据的印刷设备远程控制方法、系统及介质
CN111553914B (zh) 基于视觉的货物检测方法、装置、终端及可读存储介质
Bellandi et al. Roboscan: a combined 2D and 3D vision system for improved speed and flexibility in pick-and-place operation
CN113239862A (zh) 一种基于人工智能的商品识别方法及装置
CN115272234A (zh) 瓶盖质量检测方法、装置、计算机设备及存储介质
CN109597096B (zh) 一种激光雷达点云处理系统及方法
CN113096078B (zh) 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法
CN116935375A (zh) 一种智能生产线打包装盒检测系统及方法
US11373290B1 (en) Detection of deviations in packaging containers for liquid food
CN116309882A (zh) 一种面向无人叉车应用的托盘检测和定位方法及系统
CN116228854B (zh) 一种基于深度学习的包裹自动分拣方法
JP2022181174A (ja) 回転補正付きの物体ビンピッキング
CN111498213B (zh) 具有动态打包机制的机器人系统
Yoon et al. Logistics box recognition in robotic industrial de-palletising procedure with systematic RGB-D image processing supported by multiple deep learning methods
US11217038B2 (en) System and method for detection of deviations in packaging containers
Raaj et al. Precise measurement of cargo boxes for gantry robot palletization in large scale workspaces using low-cost RGB-D sensors
Nguyen et al. A novel method for enhancing the accuracy of box detection under noise effect of tags and complex arrangement of pile with Cycle-GAN and Mask-RCNN
WO2023007551A9 (ja) 画像処理装置及びコンピュータ読み取り可能な記憶媒体
WO2022230747A1 (ja) 物体認識装置および物体認識方法
Lorenz et al. Augmented reality for pack optimization using video and depth data
US20220366602A1 (en) Object positioning method and system
Wei et al. Real-time container shape and range recognition for implementation of container auto-landing system
CN113298866A (zh) 物体分类方法及装置

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