CN117037127A - 一种基于行李类型的托盘分配方法 - Google Patents
一种基于行李类型的托盘分配方法 Download PDFInfo
- Publication number
- CN117037127A CN117037127A CN202311281683.8A CN202311281683A CN117037127A CN 117037127 A CN117037127 A CN 117037127A CN 202311281683 A CN202311281683 A CN 202311281683A CN 117037127 A CN117037127 A CN 117037127A
- Authority
- CN
- China
- Prior art keywords
- luggage
- image
- pixel
- baggage
- classification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000903 blocking effect Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/74—Feeding, transfer, or discharging devices of particular kinds or types
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2201/00—Indexing codes relating to handling devices, e.g. conveyors, characterised by the type of product or load being conveyed or handled
- B65G2201/02—Articles
- B65G2201/0235—Containers
- B65G2201/0258—Trays, totes or bins
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2201/00—Indexing codes relating to handling devices, e.g. conveyors, characterised by the type of product or load being conveyed or handled
- B65G2201/02—Articles
- B65G2201/0264—Luggage
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
- B65G2203/041—Camera
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于行李类型的托盘分配方法，属于图像处理技术领域，本发明中采用训练后的行李分类模型对待处理行李图像进行分类，实现自动获取行李类型，在行李为软包时，计算出它的体积，从而为其分配体积匹配的托盘，实现一种自动的托盘分配方法，解决了现有托盘分配由工作人员来执行，存在工作量大，且效率低下的问题。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种基于行李类型的托盘分配方法。
背景技术
在安检系统中，需要为软包行李提供托盘，避免其在传送带的传输过程中被缝隙卡包，造成行李损坏，同时，行李大小不同，所需要的托盘大小也不同，行李大，则需要分配大托盘，行李小，则需要分配小托盘。现有托盘分配由工作人员手动分配，但是在机场等应用环境中，人流量大，行李数量庞大，由工作人员来分配，存在工作量大，且效率低下的问题。
发明内容
本发明的目的在于提供一种基于行李类型的托盘分配方法，其解决了现有托盘分配由工作人员来执行，存在工作量大，且效率低下的问题。
本发明的实施例通过以下技术方案实现：一种基于行李类型的托盘分配方法，包括以下步骤：
S1、多角度采集行李图像，构建训练集；
S2、采用训练集对行李分类模型进行训练，得到训练后的行李分类模型；
S3、采用训练后的行李分类模型对待处理行李图像进行分类，得到行李类型；
S4、在行李类型为软包时，计算行李体积；
S5、根据行李体积，对行李分配体积匹配的托盘。
进一步地，所述S2中行李分类模型包括：图像分块单元、多个像素分布梯度提取单元、多个初级分类子单元和分类输出子单元；
所述图像分块单元用于输入行李图像，其输出端分别与像素分布梯度提取单元的输入端连接；每个所述初级分类子单元的输入端与一个像素分布梯度提取单元的输出端连接；所述分类输出子单元的输入端分别与每个所述初级分类子单元的输出端连接，其输出端作为行李分类模型的输出端；所述图像分块单元用于对行李图像进行分块处理，得到多个图像子块；每个所述像素分布梯度提取单元用于对每个图像子块提取像素分布梯度。
上述进一步地方案的有益效果为：本发明中将图像进行分块处理，得到多个图像子块，再将每个图像子块均输入一个像素分布梯度提取单元中，从而提取每个区域的像素分布梯度，初级分类子单元增强像素分布梯度，便于分类输出子单元进行分类，本发明中对每个图像子块进行处理，从而实现综合多区域的像素分布梯度情况，提高分类精度。
进一步地，每个所述像素分布梯度提取单元提取的像素分布梯度包括：第一像素分布梯度和第二像素分布梯度；
所述第一像素分布梯度的表达式为：
其中，为第一像素分布梯度，/>为图像子块中像素点的数量，/>为第/>个像素点的像素值，/>为图像子块中像素点的像素值的均值，/>为自然常数，| |为绝对值运算；
所述第二像素分布梯度的表达式为：
其中，为第二像素分布梯度，/>为图像子块中心区域的平均像素值。
上述进一步地方案的有益效果为：本发明中通过对像素值和/>平方处理，增强像素值之间的分辨率，从而计算出差值/>，通过指数函数对其进一步地增强差值之间的分辨率，使得第一像素分布梯度能充分反应整体像素值的分布情况；本发明中取图像子块中心区域的平均像素值，再计算图像子块中其他像素点的像素值与中心区域的平均像素值的差距，通过指数函数增强这种差距，增强不同的像素值分布区别，使得第二像素分布梯度能充分体现周边像素值与中心区域像素值的分布情况。
进一步地，每个所述初级分类子单元的表达式为：
其中，为第/>个初级分类子单元的输出，/>为第一像素分布梯度，/>为第二像素分布梯度，/>为第一像素分布梯度/>的比例系数，/>为第二像素分布梯度/>的比例系数，为调节系数，/>为自然常数。
上述进一步地方案的有益效果为：本发明设置多个初级分类子单元分别处理每个图像子块的像素分布梯度，综合每个图像子块的两种像素分布梯度，并映射到指数函数空间，同时根据计算出增长速度，实现不同像素分布梯度时，初级分类子单元的输出显著不同，提高分类输出子单元的分类精度。
进一步地，所述分类输出子单元的表达式为：
其中，为分类输出子单元的输出，/>为自然常数，/>为第/>个初级分类子单元的输出，/>为初级分类子单元的数量，/>为分类阈值，/>为第/>个初级分类子单元的输出/>的比例系数。
上述进一步地方案的有益效果为：本发明中的分类阈值的大小决定分类输出子单元的输出大小，可通过设置分类阈值，调整分类情况，本发明中综合了初级分类子单元的输出，提高了分类精度。
进一步地，所述S4包括以下分步骤：
S41、在行李类型为软包时，对存储背景图像和待处理行李图像均进行分块处理，得到背景图像子区和行李图像子区；
S42、计算同位置的背景图像子区的颜色特征值与行李图像子区的颜色特征值的差距，得到颜色差距；
S43、将颜色差距大于等于颜色阈值的行李图像子区归为行李区域；
S44、根据行李区域在待处理行李图像的占比，计算行李体积。
上述进一步地方案的有益效果为：本发明中在行李是软包时，才对待处理行李图像进行处理，减少计算机系统运行内存，由于在具体使用时，可将相机进行固定拍摄，因此其拍摄的场景为固定场景，将存储背景图像和待处理行李图像均进行分块处理，进行同位置对比，算出颜色差距，找出行李区域，再根据行李区域在待处理行李图像的占比，估算出行李体积。
进一步地，所述S42中颜色特征值的包括：
其中，为第一颜色特征值，/>为第二颜色特征值，/>为R通道均值，/>为G通道均值，/>为B通道均值，/>为第/>个R通道值，/>为第/>个G通道值，/>为第/>个B通道值，/>为R通道值、G通道值或B通道值的数量。
上述进一步地方案的有益效果为：本发明中第一颜色特征值用于表征R通道值、G通道值和B通道值的均值大小，第二颜色特征值用于表征各个R、G、B通道的通道值分布情况，体现数据的波动情况，从而通过第一颜色特征值体现颜色的平均水平，通过第二颜色特征值体现颜色的分布情况，更便于找到行李区域。
进一步地，所述S42中颜色差距的计算公式为：
其中，为颜色差距，/>为背景图像子区的第一颜色特征值，/>为背景图像子区的第二颜色特征值，/>为行李图像子区的第一颜色特征值，/>为行李图像子区的第二颜色特征值，/>为增强系数。
进一步地，所述增强系数的表达式：
。
上述进一步地方案的有益效果为：本发明中通过对比背景图像子区和行李图像子区两种颜色特征值，从而确定出两个子区之间的差距，再通过增强系数算出两者之间的差距比例，从而增强这种差距，提高行李区域的筛选精度，从而提高评估行李体积的精度，找到更合适的托盘。
进一步地，所述S44中行李体积的公式为：
其中，为行李体积，/>为权重参数，/>为偏置参数，/>为行李区域在待处理行李图像的占比。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明中采用训练后的行李分类模型对待处理行李图像进行分类，实现自动获取行李类型，在行李为软包时，计算出它的体积，从而为其分配体积匹配的托盘，实现一种自动的托盘分配方法，解决了现有托盘分配由工作人员来执行，存在工作量大，且效率低下的问题。
附图说明
图1为一种基于行李类型的托盘分配方法的流程图；
图2为行李分类模型的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种基于行李类型的托盘分配方法，包括以下步骤：
S1、多角度采集行李图像，构建训练集；
S2、采用训练集对行李分类模型进行训练，得到训练后的行李分类模型；
如图2所示，所述S2中行李分类模型包括：图像分块单元、多个像素分布梯度提取单元、多个初级分类子单元和分类输出子单元；
所述图像分块单元用于输入行李图像，其输出端分别与像素分布梯度提取单元的输入端连接；每个所述初级分类子单元的输入端与一个像素分布梯度提取单元的输出端连接；所述分类输出子单元的输入端分别与每个所述初级分类子单元的输出端连接，其输出端作为行李分类模型的输出端；所述图像分块单元用于对行李图像进行分块处理，得到多个图像子块；每个所述像素分布梯度提取单元用于对每个图像子块提取像素分布梯度。
本发明中将图像进行分块处理，得到多个图像子块，再将每个图像子块均输入一个像素分布梯度提取单元中，从而提取每个区域的像素分布梯度，初级分类子单元增强像素分布梯度，便于分类输出子单元进行分类，本发明中对每个图像子块进行处理，从而实现综合多区域的像素分布梯度情况，提高分类精度。
每个所述像素分布梯度提取单元提取的像素分布梯度包括：第一像素分布梯度和第二像素分布梯度；
所述第一像素分布梯度的表达式为：
其中，为第一像素分布梯度，/>为图像子块中像素点的数量，/>为第/>个像素点的像素值，/>为图像子块中像素点的像素值的均值，/>为自然常数，| |为绝对值运算；
所述第二像素分布梯度的表达式为：
其中，为第二像素分布梯度，/>为图像子块中心区域的平均像素值。
本发明中通过对像素值和/>平方处理，增强像素值之间的分辨率，从而计算出差值/>，通过指数函数对其进一步地增强差值之间的分辨率，使得第一像素分布梯度能充分反应整体像素值的分布情况；本发明中取图像子块中心区域的平均像素值，再计算图像子块中其他像素点的像素值与中心区域的平均像素值的差距，通过指数函数增强这种差距，增强不同的像素值分布区别，使得第二像素分布梯度能充分体现周边像素值与中心区域像素值的分布情况。
每个所述初级分类子单元的表达式为：
其中，为第/>个初级分类子单元的输出，/>为第一像素分布梯度，/>为第二像素分布梯度，/>为第一像素分布梯度/>的比例系数，/>为第二像素分布梯度/>的比例系数，为调节系数，/>为自然常数。
本发明设置多个初级分类子单元分别处理每个图像子块的像素分布梯度，综合每个图像子块的两种像素分布梯度，并映射到指数函数空间，同时根据计算出增长速度，实现不同像素分布梯度时，初级分类子单元的输出显著不同，提高分类输出子单元的分类精度。
所述分类输出子单元的表达式为：
其中，为分类输出子单元的输出，/>为自然常数，/>为第/>个初级分类子单元的输出，/>为初级分类子单元的数量，/>为分类阈值，/>为第/>个初级分类子单元的输出/>的比例系数。
本发明中的分类阈值的大小决定分类输出子单元的输出大小，可通过设置分类阈值，调整分类情况，本发明中综合了初级分类子单元的输出，提高了分类精度。
在本实施例中，可设置在分类输出子单元的输出大于0.5时为软包，其余为硬包。
S3、采用训练后的行李分类模型对待处理行李图像进行分类，得到行李类型；
S4、在行李类型为软包时，计算行李体积；
所述S4包括以下分步骤：
S41、在行李类型为软包时，对存储背景图像和待处理行李图像均进行分块处理，得到背景图像子区和行李图像子区；
S42、计算同位置的背景图像子区的颜色特征值与行李图像子区的颜色特征值的差距，得到颜色差距；
S43、将颜色差距大于等于颜色阈值的行李图像子区归为行李区域；
S44、根据行李区域在待处理行李图像的占比，计算行李体积。
本发明中在行李是软包时，才对待处理行李图像进行处理，减少计算机系统运行内存，由于在具体使用时，可将相机进行固定拍摄，因此其拍摄的场景为固定场景，将存储背景图像和待处理行李图像均进行分块处理，进行同位置对比，算出颜色差距，找出行李区域，再根据行李区域在待处理行李图像的占比，估算出行李体积。
所述S42中颜色特征值的包括：
其中，为第一颜色特征值，/>为第二颜色特征值，/>为R通道均值，/>为G通道均值，/>为B通道均值，/>为第/>个R通道值，/>为第/>个G通道值，/>为第/>个B通道值，/>为R通道值、G通道值或B通道值的数量。
本发明中第一颜色特征值用于表征R通道值、G通道值和B通道值的均值大小，第二颜色特征值用于表征各个R、G、B通道的通道值分布情况，体现数据的波动情况，从而通过第一颜色特征值体现颜色的平均水平，通过第二颜色特征值体现颜色的分布情况，更便于找到行李区域。
所述S42中颜色差距的计算公式为：
其中，为颜色差距，/>为背景图像子区的第一颜色特征值，/>为背景图像子区的第二颜色特征值，/>为行李图像子区的第一颜色特征值，/>为行李图像子区的第二颜色特征值，/>为增强系数。
所述增强系数的表达式：
。
本发明中通过对比背景图像子区和行李图像子区两种颜色特征值，从而确定出两个子区之间的差距，再通过增强系数算出两者之间的差距比例，从而增强这种差距，提高行李区域的筛选精度，从而提高评估行李体积的精度，找到更合适的托盘。
所述S44中行李体积的公式为：
其中，为行李体积，/>为权重参数，/>为偏置参数，/>为行李区域在待处理行李图像的占比。
S5、根据行李体积，对行李分配体积匹配的托盘。
本发明中采用训练后的行李分类模型对待处理行李图像进行分类，实现自动获取行李类型，在行李为软包时，计算出它的体积，从而为其分配体积匹配的托盘，实现一种自动的托盘分配方法，解决了现有托盘分配由工作人员来执行，存在工作量大，且效率低下的问题。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)
1.一种基于行李类型的托盘分配方法，其特征在于，包括以下步骤：
S1、多角度采集行李图像，构建训练集；
S2、采用训练集对行李分类模型进行训练，得到训练后的行李分类模型；
S3、采用训练后的行李分类模型对待处理行李图像进行分类，得到行李类型；
S4、在行李类型为软包时，计算行李体积；
S5、根据行李体积，对行李分配体积匹配的托盘。
2.根据权利要求1所述的基于行李类型的托盘分配方法，其特征在于，所述S2中行李分类模型包括：图像分块单元、多个像素分布梯度提取单元、多个初级分类子单元和分类输出子单元；
所述图像分块单元用于输入行李图像，其输出端分别与像素分布梯度提取单元的输入端连接；每个所述初级分类子单元的输入端与一个像素分布梯度提取单元的输出端连接；所述分类输出子单元的输入端分别与每个所述初级分类子单元的输出端连接，其输出端作为行李分类模型的输出端；所述图像分块单元用于对行李图像进行分块处理，得到多个图像子块；每个所述像素分布梯度提取单元用于对每个图像子块提取像素分布梯度。
3.根据权利要求2所述的基于行李类型的托盘分配方法，其特征在于，每个所述像素分布梯度提取单元提取的像素分布梯度包括：第一像素分布梯度和第二像素分布梯度；
所述第一像素分布梯度的表达式为：
其中，为第一像素分布梯度，/>为图像子块中像素点的数量，/>为第/>个像素点的像素值，/>为图像子块中像素点的像素值的均值，/>为自然常数，| |为绝对值运算；
所述第二像素分布梯度的表达式为：
其中，为第二像素分布梯度，/>为图像子块中心区域的平均像素值。
4.根据权利要求3所述的基于行李类型的托盘分配方法，其特征在于，每个所述初级分类子单元的表达式为：
其中，为第/>个初级分类子单元的输出，/>为第一像素分布梯度，/>为第二像素分布梯度，/>为第一像素分布梯度/>的比例系数，/>为第二像素分布梯度/>的比例系数，/>为调节系数，/>为自然常数。
5.根据权利要求4所述的基于行李类型的托盘分配方法，其特征在于，所述分类输出子单元的表达式为：
其中，为分类输出子单元的输出，/>为自然常数，/>为第/>个初级分类子单元的输出，/>为初级分类子单元的数量，/>为分类阈值，/>为第/>个初级分类子单元的输出/>的比例系数。
6.根据权利要求1所述的基于行李类型的托盘分配方法，其特征在于，所述S4包括以下分步骤：
S41、在行李类型为软包时，对存储背景图像和待处理行李图像均进行分块处理，得到背景图像子区和行李图像子区；
S42、计算同位置的背景图像子区的颜色特征值与行李图像子区的颜色特征值的差距，得到颜色差距；
S43、将颜色差距大于等于颜色阈值的行李图像子区归为行李区域；
S44、根据行李区域在待处理行李图像的占比，计算行李体积。
7.根据权利要求6所述的基于行李类型的托盘分配方法，其特征在于，所述S42中颜色特征值的包括：
其中，为第一颜色特征值，/>为第二颜色特征值，/>为R通道均值，/>为G通道均值，/>为B通道均值，/>为第/>个R通道值，/>为第/>个G通道值，/>为第/>个B通道值，/>为R通道值、G通道值或B通道值的数量。
8.根据权利要求6所述的基于行李类型的托盘分配方法，其特征在于，所述S42中颜色差距的计算公式为：
其中，为颜色差距，/>为背景图像子区的第一颜色特征值，/>为背景图像子区的第二颜色特征值，/>为行李图像子区的第一颜色特征值，/>为行李图像子区的第二颜色特征值，/>为增强系数。
9.根据权利要求8所述的基于行李类型的托盘分配方法，其特征在于，所述增强系数的表达式：
。
10.根据权利要求6所述的基于行李类型的托盘分配方法，其特征在于，所述S44中行李体积的公式为：
其中，为行李体积，/>为权重参数，/>为偏置参数，/>为行李区域在待处理行李图像的占比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311281683.8A CN117037127B (zh) | 2023-10-07 | 2023-10-07 | 一种基于行李类型的托盘分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311281683.8A CN117037127B (zh) | 2023-10-07 | 2023-10-07 | 一种基于行李类型的托盘分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117037127A true CN117037127A (zh) | 2023-11-10 |
| CN117037127B CN117037127B (zh) | 2023-12-12 |
Family
ID=88632150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311281683.8A Active CN117037127B (zh) | 2023-10-07 | 2023-10-07 | 一种基于行李类型的托盘分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037127B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649566A (zh) * | 2024-01-30 | 2024-03-05 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于图像处理的机场行李大小分类方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100132857A1 (en) * | 2008-12-02 | 2010-06-03 | Edwards Jr Robert F | Coin Separator Tray for Purse or Handbag |
| EP2383681A1 (de) * | 2010-04-28 | 2011-11-02 | Diehl BGT Defence GmbH & Co.KG | Bildverarbeitungsverfahren zum Klassifizieren eines Objekts |
| CN110147749A (zh) * | 2019-05-10 | 2019-08-20 | 中国民航大学 | 一种民航丢失行李辅助找回方法 |
| CN110654561A (zh) * | 2019-08-27 | 2020-01-07 | 广东民航机场建设有限公司 | 全自助值机行李托运系统防入侵装置 |
| CN110991459A (zh) * | 2019-09-09 | 2020-04-10 | 中国石油大学(华东) | 基于arm-lbp和卷积神经网络的行李图像分类算法 |
| WO2020104517A1 (en) * | 2018-11-22 | 2020-05-28 | International Boarding Solutions S.L. | A system and method for controlling passengers and luggage before boarding |
| US20200302589A1 (en) * | 2019-03-22 | 2020-09-24 | Idemia Identity & Security France | Baggage identification method |
| 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 |
| CN114049352A (zh) * | 2022-01-11 | 2022-02-15 | 中航源创(天津)智能设备有限公司 | 一种应用于自助行李托运的行李托盘快速检测方法 |
| KR20220095675A (ko) * | 2020-12-30 | 2022-07-07 | 한국공항공사 | 공항 수하물 비전인식 소터 시스템 및 방법 |
| CN115375943A (zh) * | 2022-08-26 | 2022-11-22 | 中国民航信息网络股份有限公司 | 一种行李图像处理方法和相关装置 |
| US20230186509A1 (en) * | 2019-08-29 | 2023-06-15 | Sita Information Networking Computing Uk Limited | Article identification and tracking |
-
2023
- 2023-10-07 CN CN202311281683.8A patent/CN117037127B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100132857A1 (en) * | 2008-12-02 | 2010-06-03 | Edwards Jr Robert F | Coin Separator Tray for Purse or Handbag |
| EP2383681A1 (de) * | 2010-04-28 | 2011-11-02 | Diehl BGT Defence GmbH & Co.KG | Bildverarbeitungsverfahren zum Klassifizieren eines Objekts |
| WO2020104517A1 (en) * | 2018-11-22 | 2020-05-28 | International Boarding Solutions S.L. | A system and method for controlling passengers and luggage before boarding |
| US20200302589A1 (en) * | 2019-03-22 | 2020-09-24 | Idemia Identity & Security France | Baggage identification method |
| CN110147749A (zh) * | 2019-05-10 | 2019-08-20 | 中国民航大学 | 一种民航丢失行李辅助找回方法 |
| CN110654561A (zh) * | 2019-08-27 | 2020-01-07 | 广东民航机场建设有限公司 | 全自助值机行李托运系统防入侵装置 |
| US20230186509A1 (en) * | 2019-08-29 | 2023-06-15 | Sita Information Networking Computing Uk Limited | Article identification and tracking |
| CN110991459A (zh) * | 2019-09-09 | 2020-04-10 | 中国石油大学(华东) | 基于arm-lbp和卷积神经网络的行李图像分类算法 |
| 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 |
| KR20220095675A (ko) * | 2020-12-30 | 2022-07-07 | 한국공항공사 | 공항 수하물 비전인식 소터 시스템 및 방법 |
| CN114049352A (zh) * | 2022-01-11 | 2022-02-15 | 中航源创(天津)智能设备有限公司 | 一种应用于自助行李托运的行李托盘快速检测方法 |
| CN115375943A (zh) * | 2022-08-26 | 2022-11-22 | 中国民航信息网络股份有限公司 | 一种行李图像处理方法和相关装置 |
Non-Patent Citations (4)
| Title |
|---|
| ANDREAS DYRØY JANSSON: "Irregular luggage classification experiments using data from Tromsø airport", 2023 3RD INTERNATIONAL CONFERENCE ON ELECTRICAL, COMPUTER, COMMUNICATIONS AND MECHATRONICS ENGINEERING (ICECCME), pages 1 - 8 * |
| 杨桃，王若敏，李俊: "双流机场T1航站楼进港行李系统监控设计", 电子世界, pages 177 - 178 * |
| 翁博文: "基于三维点云的航空行李适运性计算方法研究", 中国优秀硕士论文全文数据库电子期刊, pages 031 - 716 * |
| 高庆吉;位园园;: "基于表面深度值均方差的航空行李分类研究", 计算机工程与科学, no. 01, pages 128 - 133 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649566A (zh) * | 2024-01-30 | 2024-03-05 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于图像处理的机场行李大小分类方法 |
| CN117649566B (zh) * | 2024-01-30 | 2024-04-09 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于图像处理的机场行李大小分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117037127B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
| CN117037127B (zh) | 一种基于行李类型的托盘分配方法 | |
| CN103413147B (zh) | 一种车牌识别方法和系统 | |
| CN109801297B (zh) | 一种基于卷积实现的图像全景分割预测优化方法 | |
| CN109800698A (zh) | 基于深度网络的图标检测方法 | |
| CN111950543B (zh) | 一种目标检测方法和装置 | |
| CN109918971A (zh) | 监控视频中人数检测方法及装置 | |
| CN105869175A (zh) | 一种图像分割方法及系统 | |
| CN103853724A (zh) | 多媒体数据分类方法及装置 | |
| CN109934170B (zh) | 一种基于计算机视觉的矿山资源统计方法 | |
| CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
| CN106126585A (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
| CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
| CN102867183A (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
| CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
| CN109816720B (zh) | 道路中心检测方法、机载设备及存储介质 | |
| CN104463204A (zh) | 目标数量统计方法 | |
| CN112364865A (zh) | 一种复杂场景中运动小目标的检测方法 | |
| CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
| CN100535944C (zh) | 一种用于视觉凸壳绘制的高光区域选取方法及其装置 | |
| CN114612450B (zh) | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 | |
| CN108345835A (zh) | 一种基于仿复眼感知的目标识别方法 | |
| CN111126303A (zh) | 一种面向智能停车的多车位检测方法 | |
| CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
| CN104966109A (zh) | 医疗化验单图像分类方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |