CN117078103B - 商品品质监控数据处理方法及装置 - Google Patents
商品品质监控数据处理方法及装置 Download PDFInfo
- Publication number
- CN117078103B CN117078103B CN202311093561.6A CN202311093561A CN117078103B CN 117078103 B CN117078103 B CN 117078103B CN 202311093561 A CN202311093561 A CN 202311093561A CN 117078103 B CN117078103 B CN 117078103B
- Authority
- CN
- China
- Prior art keywords
- liquid level
- container
- commodity
- point
- characteristic
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 239000007788 liquid Substances 0.000 claims abstract description 207
- 238000001514 detection method Methods 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000007789 sealing Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000012780 transparent material Substances 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000011521 glass Substances 0.000 description 8
- 229920003023 plastic Polymers 0.000 description 8
- 239000000243 solution Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000013405 beer Nutrition 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 235000013616 tea Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000000882 contact lens solution Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B57/00—Automatic control, checking, warning, or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Abstract
本申请提供一种商品品质监控数据处理方法及装置。该方法通过在监控节点上获取待检测商品的检测图像，然后，根据检测图像以及预设图像特征提取模型确定液面在检测图像中的液面轮廓线，并根据液面轮廓线确定特征点序列，从而根据特征点序列以及预设容量确定模型确定容器中液体的检测体积，以根据检测体积与预设标准体积确定待检测商品的品质状态，从而实现了在商品灌装系统上对于待检测商品品质的自动检测。
Description
技术领域
本申请涉及数据处理技术，尤其涉及一种商品品质监控数据处理方法及装置。
背景技术
随着科技的进步和自动化技术的应用，商品生产线自动化程度不断提高。例如，隐形眼镜护理液灌装生产线的许多环节，如灌装、密封、标签贴附和包装等，都可以通过机械化设备和机器人完成，从而减少了人工操作并提高了生产效率。
其中，为了对灌装密封后的商品进行品质检测，通常是在流水线上设置重量传感器，从而通过接触式测量的方式检测经过传感器的商品重量，以确定灌装后的商品是否合格。
但是，由于接触式重量测量的方式会限制流水线上商品的生产效率，因此，亟需一种基于非接触方式的商品品质监控方案以及相关的数据处理方法。
发明内容
本申请提供一种商品品质监控数据处理方法及装置，用以解决的现有技术中接触式重量测量的方式限制流水线上商品的生产效率的技术问题。
第一方面，本申请提供一种商品品质监控数据处理方法，应用于商品灌装系统，所述商品灌装系统包括灌装流水线以及设置在所述灌装流水线上的灌装节点、封口节点以及监控节点，其中，在所述灌装节点对待灌装容器进行液体灌装，在所述封口节点对灌装后的容器进行封口，以形成待检测商品；所述方法包括：
在所述监控节点上获取待检测商品的检测图像，所述待检测商品包括容器以及容置于所述容器内的液体，所述容器为透明材质，所述液体容置于所述容器后，形成液面，所述检测图像包括所述待检测商品的至少局部区域，所述液面形成于所述局部区域内；
根据所述检测图像以及预设图像特征提取模型确定所述液面在所述检测图像中的液面轮廓线；
根据所述液面轮廓线确定特征点序列，所述特征点序列包括第一特征点以及第二特征点，所述第一特征点为所述液面轮廓线在参考方向上的最高点，所述第二特征点为所述液面轮廓线在所述参考方向上的最低点，所述参考方向为所述容器的轴线方向；
根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积，以根据所述检测体积与预设标准体积确定所述待检测商品的品质状态。
可选的，所述根据所述检测图像以及预设图像特征提取模型确定所述液面在所述检测图像中的液面轮廓线，包括：
对所述检测图像进行预处理以形成处理后图像，所述预处理包括灰度化处理；
利用预设卷积神经网络模型提取所述处理后图像中所述容器在所述局部区域内的容器外轮廓，其中，所述预设卷积神经网络基于深度学习框架建立，并且基于所述容器在各个角度下拍摄的图像所构成的训练集进行训练；
根据所述容器外轮廓从所述处理后图像中获取待选像素点集合，以根据所述待选像素点集合确定轮廓像素点序列，所述待选像素点集合包括所述容器外轮廓所包围的区域中的像素点，所述轮廓像素点序列中的各个轮廓像素点与所述待选像素点集合中相邻的像素点之间的灰度差值大于预设灰度阈值；
根据所述轮廓像素点序列生成初始液面轮廓线，所述初始液面轮廓线为利用一次函数作为特征函数对所述轮廓像素点序列中的各个像素点进行拟合后所确定的轮廓线，所述液面轮廓线包括所述初始液面轮廓线。
可选的，所述根据所述液面轮廓线确定特征点序列，包括：
根据所述初始液面轮廓线生成液面特征线，所述液面特征线为以所述初始液面轮廓线为其上部分线段的直线；
确定所述液面特征线与所述容器外轮廓的第一交点与第二交点，所述第一特征点为所述第一交点，所述第二特征点为所述第二交点。
可选的，所述根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积，包括：
根据所述第一交点、所述第二交点、所述液面特征线以及所述容器外轮廓将所述待选像素点集合分配为第一区域范围所对应的第一像素点集合以及第二区域范围所对应的第二像素点集合，其中，所述第一区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠上的区域范围，所述第二区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠下的区域范围，所述第一像素点集合不包括所述第一区域范围对应边界上的像素点，所述第二像素点集合不包括所述第二区域范围对应边界上的像素点；
确定所述第一像素点集合的像素点个数，以及确定所述第二像素点集合的像素点个数，并根据公式1确定所述检测体积，所述公式1为：
其中，为所述检测体积，/>为所述第一像素点集合的像素点个数，/>为所述第二像素点集合的像素点个数，/>为所述容器的标定容积。
可选的，在所述根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积之后，还包括：
获取第一预设时长经过所述监控节点的待检测商品序列的检测体积序列，所述待检测商品序列，所述检测体积序列,其中，/>为所述检测体积序列中第/>个待检测商品对对应的检测体积；
根据所述检测体积序列以及公式2确定第一特征量/>，所述公式2为：
其中，为所述预设标准体积；
根据所述检测体积序列以及公式3确定第二特征量/>，所述公式3为：
若所述第一特征量大于第一预设阈值和/或所述第二特征量/>大于第二预设阈值，则发出第一指示信息，所述第一指示信息用于指示对所述灌装节点进行检修。
可选的，所述根据所述检测体积与预设标准体积确定所述待检测商品的品质状态，包括：
将所述待检测商品序列中的各个待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列中的各个待检测商品进行再次检测。
可选的，所述的商品品质监控数据处理方法，还包括：
获取所述灌装流水线在第二预设时长内的最大运行速度以及最小运行速度，并根据所述最大运行速度以及所述最小运行速度确定运行速度差；
根据所述运行速度差以及间隔时长确定平均加速度，所述第二预设时长包括所述间隔时长，所述间隔时长为所述最大运行速度的检测时间点与所述最小运行速度的检测时间点之间的时间间隔；
若所述平均加速度大于预设加速度，则将在所述第二预设时长内通过所述监控节点的所有待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列中的各个待检测商品进行再次检测。
第二方面，本申请提供一种商品品质监控数据处理装置，包括：
获取模块，用于获取待检测商品的检测图像，所述待检测商品包括容器以及容置于所述容器内的液体，所述容器为透明材质，所述液体容置于所述容器后，形成液面，所述检测图像包括所述待检测商品的至少局部区域，所述液面形成于所述局部区域内；
处理模块，用于根据所述检测图像以及预设图像特征提取模型确定所述液面在所述检测图像中的液面轮廓线；
所述处理模块，还用于根据所述液面轮廓线确定特征点序列，所述特征点序列包括第一特征点以及第二特征点，所述第一特征点为所述液面轮廓线在参考方向上的最高点，所述第二特征点为所述液面轮廓线在所述参考方向上的最低点，所述参考方向为所述容器的轴线方向；
所述处理模块，还用于根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积，以根据所述检测体积与预设标准体积确定所述待检测商品的品质状态。
可选的，所述处理模块，具体用于：
对所述检测图像进行预处理以形成处理后图像，所述预处理包括灰度化处理；
利用预设卷积神经网络模型提取所述处理后图像中所述容器在所述局部区域内的容器外轮廓，其中，所述预设卷积神经网络基于深度学习框架建立，并且基于所述容器在各个角度下拍摄的图像所构成的训练集进行训练；
根据所述容器外轮廓从所述处理后图像中获取待选像素点集合，以根据所述待选像素点集合确定轮廓像素点序列，所述待选像素点集合包括所述容器外轮廓所包围的区域中的像素点，所述轮廓像素点序列中的各个轮廓像素点与所述待选像素点集合中相邻的像素点之间的灰度差值大于预设灰度阈值；
根据所述轮廓像素点序列生成初始液面轮廓线，所述初始液面轮廓线为利用一次函数作为特征函数对所述轮廓像素点序列中的各个像素点进行拟合后所确定的轮廓线，所述液面轮廓线包括所述初始液面轮廓线。
可选的，所述处理模块，具体用于：
根据所述初始液面轮廓线生成液面特征线，所述液面特征线为以所述初始液面轮廓线为其上部分线段的直线；
确定所述液面特征线与所述容器外轮廓的第一交点与第二交点，所述第一特征点为所述第一交点，所述第二特征点为所述第二交点。
可选的，所述处理模块，具体用于：
根据所述第一交点、所述第二交点、所述液面特征线以及所述容器外轮廓将所述待选像素点集合分配为第一区域范围所对应的第一像素点集合以及第二区域范围所对应的第二像素点集合，其中，所述第一区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠上的区域范围，所述第二区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠下的区域范围，所述第一像素点集合不包括所述第一区域范围对应边界上的像素点，所述第二像素点集合不包括所述第二区域范围对应边界上的像素点；
确定所述第一像素点集合的像素点个数，以及确定所述第二像素点集合的像素点个数，并根据公式1确定所述检测体积，所述公式1为：
其中，为所述检测体积，/>为所述第一像素点集合的像素点个数，/>为所述第二像素点集合的像素点个数，/>为所述容器的标定容积。
可选的，所述处理模块，具体用于：
获取第一预设时长经过所述监控节点的待检测商品序列的检测体积序列，所述待检测商品序列，所述检测体积序列,其中，/>为所述检测体积序列中第/>个待检测商品对对应的检测体积；
根据所述检测体积序列以及公式2确定第一特征量/>，所述公式2为：
其中，为所述预设标准体积；
根据所述检测体积序列以及公式3确定第二特征量/>，所述公式3为：
若所述第一特征量大于第一预设阈值和/或所述第二特征量/>大于第二预设阈值，则发出第一指示信息，所述第一指示信息用于指示对所述灌装节点进行检修。
可选的，所述处理模块，具体用于：
将所述待检测商品序列中的各个待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列/>中的各个待检测商品进行再次检测。
可选的，所述处理模块，具体用于：
获取所述灌装流水线在第二预设时长内的最大运行速度以及最小运行速度，并根据所述最大运行速度以及所述最小运行速度确定运行速度差；
根据所述运行速度差以及间隔时长确定平均加速度，所述第二预设时长包括所述间隔时长，所述间隔时长为所述最大运行速度的检测时间点与所述最小运行速度的检测时间点之间的时间间隔；
若所述平均加速度大于预设加速度，则将在所述第二预设时长内通过所述监控节点的所有待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列中的各个待检测商品进行再次检测。
第三方面，本申请提供一种电子设备，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中所述的任一种可能的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面中所述的任一种可能的方法。
本申请提供的商品品质监控数据处理方法及装置，通过在监控节点上获取待检测商品的检测图像，然后，根据检测图像以及预设图像特征提取模型确定液面在检测图像中的液面轮廓线，并根据液面轮廓线确定特征点序列，从而根据特征点序列以及预设容量确定模型确定容器中液体的检测体积，以根据检测体积与预设标准体积确定待检测商品的品质状态，从而实现了在商品灌装系统上对于待检测商品品质的自动检测。并且，由于取消了传统灌装流水线上设置在流水线下用来检测商品重量的接触式重量传感器，因此，可以将流水线与外部的接触式传感器进行物理解耦，进而可以适应更高的流转速度，从而进一步提高商品灌装系统的生产效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例实施例示出的商品品质监控数据处理方法的流程示意图;
图2是本申请根据另一示例实施例示出的商品品质监控数据处理方法的流程示意图；
图3是本申请根据一示例实施例示出的商品品质监控数据处理装置的结构示意图;
图4是本申请根据一示例实施例示出的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请根据一示例实施例示出的商品品质监控数据处理方法的流程示意图。如图1所示，本实施例提供的方法，包括：
S101、在监控节点上获取待检测商品的检测图像。
本实施例提供的方法应用于商品灌装系统，其中，该商品灌装系统包括灌装流水线以及设置在灌装流水线上的灌装节点、封口节点以及监控节点，其中，在灌装节点对待灌装容器进行液体灌装，在封口节点对灌装后的容器进行封口，以形成待检测商品。值得说明的，该商品灌装系统可以是用于灌装隐形眼镜护理液、饮料、矿泉水、啤酒以及白酒等。上述的监控节点上可以是设置高清监控摄像头，以通过高清摄像头来获取商品的检测图像。
在本步骤中，可以是在监控节点上获取待检测商品的检测图像，其中，待检测商品包括容器以及容置于容器内的液体，容器为透明材质，液体容置于容器后，形成液面，检测图像包括待检测商品的至少局部区域，液面形成于局部区域内。值得说明的，可以以隐形眼镜护理液作为上述待检测商品来进行举例说明，上述的容器可以为圆柱形的透明塑料瓶或者玻璃瓶，从而可以通过透明塑料瓶或者玻璃瓶来展示内部的隐形眼镜护理液的液面。
S102、根据检测图像以及预设图像特征提取模型确定液面在检测图像中的液面轮廓线。
在本步骤中，可以是根据检测图像以及预设图像特征提取模型确定液面在检测图像中的液面轮廓线。
具体的，可以是先对检测图像进行预处理以形成处理后图像，预处理包括灰度化处理；利用预设卷积神经网络模型提取处理后图像中容器在局部区域内的容器外轮廓，其中，预设卷积神经网络基于深度学习框架建立，并且基于容器在各个角度下拍摄的图像所构成的训练集进行训练。其中，上述预设卷积神经网络所基于的深度学习框架可以是TensorFlow、Keras、PyTorch以及Caffe中的任意一种
然后，根据容器外轮廓从处理后图像中获取待选像素点集合，以根据待选像素点集合确定轮廓像素点序列，待选像素点集合包括容器外轮廓所包围的区域中的像素点，轮廓像素点序列中的各个轮廓像素点与待选像素点集合中相邻的像素点之间的灰度差值大于预设灰度阈值；根据轮廓像素点序列生成初始液面轮廓线，初始液面轮廓线为利用一次函数作为特征函数对轮廓像素点序列中的各个像素点进行拟合后所确定的轮廓线，液面轮廓线包括初始液面轮廓线。值得说明的，由于上述的容器为透明塑料瓶或者玻璃瓶，在图像中透明塑料瓶或者玻璃瓶所对应的像素点的灰度值和有色的茶饮料所对应的灰度值具有较大的差值，因此，可以通过判断相邻像素点之间的差灰度差值与预设灰度阈值进行比较的方式来确定液面。其中，上述相邻像素点可以是在容器轴线方向上的相邻关系，也可以是在容器径向方向上的相邻关系。
S103、根据液面轮廓线确定特征点序列。
在本步骤中，可以根据液面轮廓线确定特征点序列，其中，特征点序列包括第一特征点以及第二特征点，第一特征点为液面轮廓线在参考方向上的最高点，第二特征点为液面轮廓线在参考方向上的最低点，参考方向为容器的轴线方向。
值得说明的，若上述的容器为圆柱形透明容器，则在拍摄检测图像时，由于圆柱的表面为圆形曲面的几何特性，两侧的光线通常会较暗，进而导致所拍摄的检测图像在容器两侧会出现透明容器与液面灰度相差不大的情况。尤其是处于全自动化生产线上时，环境光线本身就较暗，进一步导致了所拍摄的检测图像在容器两侧发生透明容器与液面的灰度值接近的情况。因此，通过上述判断相邻像素点之间的差灰度差值与预设灰度阈值进行比较的方式来确定的液面往往只是实际液面的部分区域，往往仅仅是液面的中部区域。为了克服上述问题，在本实施例中，可以是根据初始液面轮廓线生成液面特征线，液面特征线为以初始液面轮廓线为其上部分线段的直线，然后，确定液面特征线与容器外轮廓的第一交点与第二交点，第一特征点为第一交点，第二特征点为第二交点。可见，通过延长初始液面轮廓线的方式，可以将液面特征线与容器外轮廓的第一交点与第二交点确定为两个特征点。
S104、根据特征点序列以及预设容量确定模型确定容器中液体的检测体积，以根据检测体积与预设标准体积确定待检测商品的品质状态。
在本步骤中，根据特征点序列以及预设容量确定模型确定容器中液体的检测体积，以根据检测体积与预设标准体积确定待检测商品的品质状态。值得说明的，可以是将检测体积与预设标准体积之间的体积相差值小于预设值的待检测商品的品质状态设置为合格品，将上述的体积相差值大于或等于预设值的待检测商品的品质状态设置为不合格品。还可以是将检测体积与预设标准体积之间的体积相差值小于预设值，并且检测体积大于预设标准体积的待检测商品的品质状态设置为合格品，其余情况的待检测商品的品质状态设置为不合格品。
此外，当上述容器为圆柱形透明容器时，对于根据特征点序列以及预设容量确定模型确定容器中液体的检测体积，具体可以是通过以下方式进行实现：
根据第一交点、第二交点、液面特征线以及容器外轮廓将待选像素点集合分配为第一区域范围所对应的第一像素点集合以及第二区域范围所对应的第二像素点集合，其中，第一区域范围为容器外轮廓与液面特征线所围成的沿参考方向靠上的区域范围，第二区域范围为容器外轮廓与液面特征线所围成的沿参考方向靠下的区域范围，第一像素点集合不包括第一区域范围对应边界上的像素点，第二像素点集合不包括第二区域范围对应边界上的像素点。确定第一像素点集合的像素点个数，以及确定第二像素点集合的像素点个数，并根据公式1确定检测体积，公式1为：
其中，为检测体积，/>为第一像素点集合的像素点个数，/>为第二像素点集合的像素点个数，/>为容器的标定容积。
在本实施例中，通过在监控节点上获取待检测商品的检测图像，然后，根据检测图像以及预设图像特征提取模型确定液面在检测图像中的液面轮廓线，并根据液面轮廓线确定特征点序列，从而根据特征点序列以及预设容量确定模型确定容器中液体的检测体积，以根据检测体积与预设标准体积确定待检测商品的品质状态，从而实现了在商品灌装系统上对于待检测商品品质的自动检测。并且，由于取消了传统灌装流水线上设置在流水线下用来检测商品重量的接触式重量传感器，因此，可以将流水线与外部的接触式传感器进行物理解耦，进而可以适应更高的流转速度，从而进一步提高商品灌装系统的生产效率。
图2是本申请根据另一示例实施例示出的商品品质监控数据处理方法的流程示意图。如图2所示，本实施例提供的商品品质监控数据处理方法，包括：
S201、在监控节点上获取待检测商品的检测图像。
本实施例提供的方法应用于商品灌装系统，其中，该商品灌装系统包括灌装流水线以及设置在灌装流水线上的灌装节点、封口节点以及监控节点，其中，在灌装节点对待灌装容器进行液体灌装，在封口节点对灌装后的容器进行封口，以形成待检测商品。值得说明的，该商品灌装系统可以是用于灌装饮料、矿泉水、啤酒以及白酒等。上述的监控节点上可以是设置高清监控摄像头，以通过高清摄像头来获取商品的检测图像。
在本步骤中，可以是在监控节点上获取待检测商品的检测图像，其中，待检测商品包括容器以及容置于容器内的液体，容器为透明材质，液体容置于容器后，形成液面，检测图像包括待检测商品的至少局部区域，液面形成于局部区域内。值得说明的，可以以隐形眼镜护理液作为上述待检测商品来进行举例说明，上述的容器可以为圆柱形的透明塑料瓶或者玻璃瓶，从而可以通过透明塑料瓶或者玻璃瓶来展示内部的隐形眼镜护理液的液面。
S202、根据检测图像以及预设图像特征提取模型确定液面在检测图像中的液面轮廓线。
在本步骤中，可以是根据检测图像以及预设图像特征提取模型确定液面在检测图像中的液面轮廓线。
具体的，可以是先对检测图像进行预处理以形成处理后图像，预处理包括灰度化处理；利用预设卷积神经网络模型提取处理后图像中容器在局部区域内的容器外轮廓，其中，预设卷积神经网络基于深度学习框架建立，并且基于容器在各个角度下拍摄的图像所构成的训练集进行训练。其中，上述预设卷积神经网络所基于的深度学习框架可以是TensorFlow、Keras、PyTorch以及Caffe中的任意一种
然后，根据容器外轮廓从处理后图像中获取待选像素点集合，以根据待选像素点集合确定轮廓像素点序列，待选像素点集合包括容器外轮廓所包围的区域中的像素点，轮廓像素点序列中的各个轮廓像素点与待选像素点集合中相邻的像素点之间的灰度差值大于预设灰度阈值；根据轮廓像素点序列生成初始液面轮廓线，初始液面轮廓线为利用一次函数作为特征函数对轮廓像素点序列中的各个像素点进行拟合后所确定的轮廓线，液面轮廓线包括初始液面轮廓线。值得说明的，由于上述的容器为透明塑料瓶或者玻璃瓶，在图像中透明塑料瓶或者玻璃瓶所对应的像素点的灰度值和有色的茶饮料所对应的灰度值具有较大的差值，因此，可以通过判断相邻像素点之间的差灰度差值与预设灰度阈值进行比较的方式来确定液面。其中，上述相邻像素点可以是在容器轴线方向上的相邻关系，也可以是在容器径向方向上的相邻关系。
S203、根据液面轮廓线确定特征点序列。
在本步骤中，可以根据液面轮廓线确定特征点序列，其中，特征点序列包括第一特征点以及第二特征点，第一特征点为液面轮廓线在参考方向上的最高点，第二特征点为液面轮廓线在参考方向上的最低点，参考方向为容器的轴线方向。
值得说明的，若上述的容器为圆柱形透明容器，则在拍摄检测图像时，由于圆柱的表面为圆形曲面的几何特性，两侧的光线通常会较暗，进而导致所拍摄的检测图像在容器两侧会出现透明容器与液面灰度相差不大的情况。尤其是处于全自动化生产线上时，环境光线本身就较暗，进一步导致了所拍摄的检测图像在容器两侧发生透明容器与液面的灰度值接近的情况。因此，通过上述判断相邻像素点之间的差灰度差值与预设灰度阈值进行比较的方式来确定的液面往往只是实际液面的部分区域，往往仅仅是液面的中部区域。为了克服上述问题，在本实施例中，可以是根据初始液面轮廓线生成液面特征线，液面特征线为以初始液面轮廓线为其上部分线段的直线，然后，确定液面特征线与容器外轮廓的第一交点与第二交点，第一特征点为第一交点，第二特征点为第二交点。可见，通过延长初始液面轮廓线的方式，可以将液面特征线与容器外轮廓的第一交点与第二交点确定为两个特征点。
S204、根据特征点序列以及预设容量确定模型确定容器中液体的检测体积。
对于根据特征点序列以及预设容量确定模型确定容器中液体的检测体积，具体可以是通过以下方式进行实现：
根据第一交点、第二交点、液面特征线以及容器外轮廓将待选像素点集合分配为第一区域范围所对应的第一像素点集合以及第二区域范围所对应的第二像素点集合，其中，第一区域范围为容器外轮廓与液面特征线所围成的沿参考方向靠上的区域范围，第二区域范围为容器外轮廓与液面特征线所围成的沿参考方向靠下的区域范围，第一像素点集合不包括第一区域范围对应边界上的像素点，第二像素点集合不包括第二区域范围对应边界上的像素点。确定第一像素点集合的像素点个数，以及确定第二像素点集合的像素点个数，并根据公式1确定检测体积，公式1为：
其中，为检测体积，/>为第一像素点集合的像素点个数，/>为第二像素点集合的像素点个数，/>为容器的标定容积。
S205、获取第一预设时长经过监控节点的待检测商品序列的检测体积序列。
具体的，可以是获取第一预设时长经过监控节点的待检测商品序列的检测体积序列，待检测商品序列，检测体积序列,其中，/>为检测体积序列中第/>个待检测商品对对应的检测体积。
S206、根据检测体积序列确定第一特征量以及第二特征量。
在获取第一预设时长经过监控节点的待检测商品序列的检测体积序列之后，可以根据检测体积序列以及公式2确定第一特征量/>，公式2为：
其中，为预设标准体积；
根据检测体积序列以及公式3确定第二特征量/>，公式3为：
。
S207、若第一特征量大于第一预设阈值和/或第二特征量大于第二预设阈值，则发出第一指示信息。
在根据检测体积序列确定第一特征量以及第二特征量之后，若第一特征量大于第一预设阈值和/或第二特征量/>大于第二预设阈值，则发出第一指示信息，第一指示信息用于指示对灌装节点进行检修。
在本实施例中，根据检测体积与预设标准体积确定待检测商品的品质状态，可以是将待检测商品序列中的各个待检测商品的品质状态设置为待定状态，待定状态用于指示对待检测商品序列/>中的各个待检测商品进行再次检测。从而通过对于第一预设时长内所监测的待检测商品序列的整体品质的判断，来确定灌装节点的工作状态，既能够保证对于灌装节点的有效监控，同时又能避免因为个别待检测商品的特殊情况而导致对灌装节点工作状态的误判。
此外，由于在上述实施例的基础上，还可以获取灌装流水线在第二预设时长内的最大运行速度以及最小运行速度，并根据最大运行速度以及最小运行速度确定运行速度差。然后，根据运行速度差以及间隔时长确定平均加速度，第二预设时长包括间隔时长，间隔时长为最大运行速度的检测时间点与最小运行速度的检测时间点之间的时间间隔。若平均加速度大于预设加速度，则将在第二预设时长内通过监控节点的所有待检测商品的品质状态设置为待定状态，待定状态用于指示对待检测商品序列中的各个待检测商品进行再次检测。
图3是本申请根据一示例实施例示出的商品品质监控数据处理装置的结构示意图。如图3所示，本实施例提供的装置300，包括：
获取模块310，用于获取待检测商品的检测图像，所述待检测商品包括容器以及容置于所述容器内的液体，所述容器为透明材质，所述液体容置于所述容器后，形成液面，所述检测图像包括所述待检测商品的至少局部区域，所述液面形成于所述局部区域内；
处理模块320，用于根据所述检测图像以及预设图像特征提取模型确定所述液面在所述检测图像中的液面轮廓线；
所述处理模块320，还用于根据所述液面轮廓线确定特征点序列，所述特征点序列包括第一特征点以及第二特征点，所述第一特征点为所述液面轮廓线在参考方向上的最高点，所述第二特征点为所述液面轮廓线在所述参考方向上的最低点，所述参考方向为所述容器的轴线方向；
所述处理模块320，还用于根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积，以根据所述检测体积与预设标准体积确定所述待检测商品的品质状态。
可选的，所述处理模块320，具体用于：
对所述检测图像进行预处理以形成处理后图像，所述预处理包括灰度化处理；
利用预设卷积神经网络模型提取所述处理后图像中所述容器在所述局部区域内的容器外轮廓，其中，所述预设卷积神经网络基于深度学习框架建立，并且基于所述容器在各个角度下拍摄的图像所构成的训练集进行训练；
根据所述容器外轮廓从所述处理后图像中获取待选像素点集合，以根据所述待选像素点集合确定轮廓像素点序列，所述待选像素点集合包括所述容器外轮廓所包围的区域中的像素点，所述轮廓像素点序列中的各个轮廓像素点与所述待选像素点集合中相邻的像素点之间的灰度差值大于预设灰度阈值；
根据所述轮廓像素点序列生成初始液面轮廓线，所述初始液面轮廓线为利用一次函数作为特征函数对所述轮廓像素点序列中的各个像素点进行拟合后所确定的轮廓线，所述液面轮廓线包括所述初始液面轮廓线。
可选的，所述处理模块320，具体用于：
根据所述初始液面轮廓线生成液面特征线，所述液面特征线为以所述初始液面轮廓线为其上部分线段的直线；
确定所述液面特征线与所述容器外轮廓的第一交点与第二交点，所述第一特征点为所述第一交点，所述第二特征点为所述第二交点。
可选的，所述处理模块320，具体用于：
根据所述第一交点、所述第二交点、所述液面特征线以及所述容器外轮廓将所述待选像素点集合分配为第一区域范围所对应的第一像素点集合以及第二区域范围所对应的第二像素点集合，其中，所述第一区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠上的区域范围，所述第二区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠下的区域范围，所述第一像素点集合不包括所述第一区域范围对应边界上的像素点，所述第二像素点集合不包括所述第二区域范围对应边界上的像素点；
确定所述第一像素点集合的像素点个数，以及确定所述第二像素点集合的像素点个数，并根据公式1确定所述检测体积，所述公式1为：
其中，为所述检测体积，/>为所述第一像素点集合的像素点个数，/>为所述第二像素点集合的像素点个数，/>为所述容器的标定容积。
可选的，所述处理模块320，具体用于：
获取第一预设时长经过所述监控节点的待检测商品序列的检测体积序列，所述待检测商品序列，所述检测体积序列,其中，/>为所述检测体积序列中第/>个待检测商品对对应的检测体积；
根据所述检测体积序列以及公式2确定第一特征量/>，所述公式2为：
其中，为所述预设标准体积；
根据所述检测体积序列以及公式3确定第二特征量/>，所述公式3为：
若所述第一特征量大于第一预设阈值和/或所述第二特征量/>大于第二预设阈值，则发出第一指示信息，所述第一指示信息用于指示对所述灌装节点进行检修。
可选的，所述处理模块320，具体用于：
将所述待检测商品序列中的各个待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列/>中的各个待检测商品进行再次检测。
可选的，所述处理模块320，具体用于：
获取所述灌装流水线在第二预设时长内的最大运行速度以及最小运行速度，并根据所述最大运行速度以及所述最小运行速度确定运行速度差；
根据所述运行速度差以及间隔时长确定平均加速度，所述第二预设时长包括所述间隔时长，所述间隔时长为所述最大运行速度的检测时间点与所述最小运行速度的检测时间点之间的时间间隔；
若所述平均加速度大于预设加速度，则将在所述第二预设时长内通过所述监控节点的所有待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列中的各个待检测商品进行再次检测。
图4是本申请根据一示例实施例示出的电子设备的结构示意图。如图4所示，本实施例提供的一种电子设备400包括：处理器401以及存储器402；其中：
存储器402，用于存储计算机程序，该存储器还可以是flash（闪存）。
处理器401，用于执行存储器存储的执行指令，以实现上述方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器402既可以是独立的，也可以跟处理器401集成在一起。
当所述存储器402是独立于处理器401之外的器件时，所述电子设备400还可以包括：
总线403，用于连接所述存储器402和处理器401。
本实施例还提供一种可读存储介质，可读存储介质中存储有计算机程序，当电子设备的至少一个处理器执行该计算机程序时，电子设备执行上述的各种实施方式提供的方法。
本实施例还提供一种程序产品，该程序产品包括计算机程序，该计算机程序存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该计算机程序，至少一个处理器执行该计算机程序使得电子设备实施上述的各种实施方式提供的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (7)
1.一种商品品质监控数据处理方法，其特征在于，应用于商品灌装系统，所述商品灌装系统包括灌装流水线以及设置在所述灌装流水线上的灌装节点、封口节点以及监控节点，其中，在所述灌装节点对待灌装容器进行液体灌装，在所述封口节点对灌装后的容器进行封口，以形成待检测商品；所述方法包括：
在所述监控节点上获取待检测商品的检测图像，所述待检测商品包括容器以及容置于所述容器内的液体，所述容器为透明材质，所述液体容置于所述容器后，形成液面，所述检测图像包括所述待检测商品的至少局部区域，所述液面形成于所述局部区域内；
根据所述检测图像以及预设图像特征提取模型确定所述液面在所述检测图像中的液面轮廓线；
根据所述液面轮廓线确定特征点序列，所述特征点序列包括第一特征点以及第二特征点，所述第一特征点为所述液面轮廓线在参考方向上的最高点，所述第二特征点为所述液面轮廓线在所述参考方向上的最低点，所述参考方向为所述容器的轴线方向；
根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积，以根据所述检测体积与预设标准体积确定所述待检测商品的品质状态；
所述根据所述检测图像以及预设图像特征提取模型确定所述液面在所述检测图像中的液面轮廓线，包括：
对所述检测图像进行预处理以形成处理后图像，所述预处理包括灰度化处理；
利用预设卷积神经网络模型提取所述处理后图像中所述容器在所述局部区域内的容器外轮廓，其中，所述预设卷积神经网络基于深度学习框架建立，并且基于所述容器在各个角度下拍摄的图像所构成的训练集进行训练；
根据所述容器外轮廓从所述处理后图像中获取待选像素点集合，以根据所述待选像素点集合确定轮廓像素点序列，所述待选像素点集合包括所述容器外轮廓所包围的区域中的像素点，所述轮廓像素点序列中的各个轮廓像素点与所述待选像素点集合中相邻的像素点之间的灰度差值大于预设灰度阈值；
根据所述轮廓像素点序列生成初始液面轮廓线，所述初始液面轮廓线为利用一次函数作为特征函数对所述轮廓像素点序列中的各个像素点进行拟合后所确定的轮廓线，所述液面轮廓线包括所述初始液面轮廓线；
所述根据所述液面轮廓线确定特征点序列，包括：
根据所述初始液面轮廓线生成液面特征线，所述液面特征线为以所述初始液面轮廓线为其上部分线段的直线；
确定所述液面特征线与所述容器外轮廓的第一交点与第二交点，所述第一特征点为所述第一交点，所述第二特征点为所述第二交点；
所述根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积，包括：
根据所述第一交点、所述第二交点、所述液面特征线以及所述容器外轮廓将所述待选像素点集合分配为第一区域范围所对应的第一像素点集合以及第二区域范围所对应的第二像素点集合，其中，所述第一区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠上的区域范围，所述第二区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠下的区域范围，所述第一像素点集合不包括所述第一区域范围对应边界上的像素点，所述第二像素点集合不包括所述第二区域范围对应边界上的像素点；
确定所述第一像素点集合的像素点个数，以及确定所述第二像素点集合的像素点个数，并根据公式1确定所述检测体积，所述公式1为：
其中，为所述检测体积，/>为所述第一像素点集合的像素点个数，/>为所述第二像素点集合的像素点个数，/>为所述容器的标定容积。
2.根据权利要求1所述的商品品质监控数据处理方法，其特征在于，在所述根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积之后，还包括：
获取第一预设时长经过所述监控节点的待检测商品序列的检测体积序列，所述待检测商品序列，所述检测体积序列/>,其中，/>为所述检测体积序列中第/>个待检测商品对应的检测体积；
根据所述检测体积序列以及公式2确定第一特征量/>，所述公式2为：
其中，为所述预设标准体积；
根据所述检测体积序列以及公式3确定第二特征量/>，所述公式3为：
若所述第一特征量大于第一预设阈值和/或所述第二特征量/>大于第二预设阈值，则发出第一指示信息，所述第一指示信息用于指示对所述灌装节点进行检修。
3.根据权利要求2所述的商品品质监控数据处理方法，其特征在于，所述根据所述检测体积与预设标准体积确定所述待检测商品的品质状态，包括：
将所述待检测商品序列中的各个待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列/>中的各个待检测商品进行再次检测。
4.根据权利要求1所述的商品品质监控数据处理方法，其特征在于，还包括：
获取所述灌装流水线在第二预设时长内的最大运行速度以及最小运行速度，并根据所述最大运行速度以及所述最小运行速度确定运行速度差；
根据所述运行速度差以及间隔时长确定平均加速度，所述第二预设时长包括所述间隔时长，所述间隔时长为所述最大运行速度的检测时间点与所述最小运行速度的检测时间点之间的时间间隔；
若所述平均加速度大于预设加速度，则将在所述第二预设时长内通过所述监控节点的所有待检测商品的品质状态设置为待定状态，所述待定状态用于指示对所述待检测商品序列中的各个待检测商品进行再次检测。
5.一种商品品质监控数据处理装置，其特征在于，包括：
获取模块，用于获取待检测商品的检测图像，所述待检测商品包括容器以及容置于所述容器内的液体，所述容器为透明材质，所述液体容置于所述容器后，形成液面，所述检测图像包括所述待检测商品的至少局部区域，所述液面形成于所述局部区域内；
处理模块，用于根据所述检测图像以及预设图像特征提取模型确定所述液面在所述检测图像中的液面轮廓线；
所述处理模块，还用于根据所述液面轮廓线确定特征点序列，所述特征点序列包括第一特征点以及第二特征点，所述第一特征点为所述液面轮廓线在参考方向上的最高点，所述第二特征点为所述液面轮廓线在所述参考方向上的最低点，所述参考方向为所述容器的轴线方向；
所述处理模块，还用于根据所述特征点序列以及预设容量确定模型确定所述容器中所述液体的检测体积，以根据所述检测体积与预设标准体积确定所述待检测商品的品质状态；
所述处理模块，具体用于：
对所述检测图像进行预处理以形成处理后图像，所述预处理包括灰度化处理；
利用预设卷积神经网络模型提取所述处理后图像中所述容器在所述局部区域内的容器外轮廓，其中，所述预设卷积神经网络基于深度学习框架建立，并且基于所述容器在各个角度下拍摄的图像所构成的训练集进行训练；
根据所述容器外轮廓从所述处理后图像中获取待选像素点集合，以根据所述待选像素点集合确定轮廓像素点序列，所述待选像素点集合包括所述容器外轮廓所包围的区域中的像素点，所述轮廓像素点序列中的各个轮廓像素点与所述待选像素点集合中相邻的像素点之间的灰度差值大于预设灰度阈值；
根据所述轮廓像素点序列生成初始液面轮廓线，所述初始液面轮廓线为利用一次函数作为特征函数对所述轮廓像素点序列中的各个像素点进行拟合后所确定的轮廓线，所述液面轮廓线包括所述初始液面轮廓线；
所述处理模块，具体用于：
根据所述初始液面轮廓线生成液面特征线，所述液面特征线为以所述初始液面轮廓线为其上部分线段的直线；
确定所述液面特征线与所述容器外轮廓的第一交点与第二交点，所述第一特征点为所述第一交点，所述第二特征点为所述第二交点；
所述处理模块，具体用于：
根据所述第一交点、所述第二交点、所述液面特征线以及所述容器外轮廓将所述待选像素点集合分配为第一区域范围所对应的第一像素点集合以及第二区域范围所对应的第二像素点集合，其中，所述第一区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠上的区域范围，所述第二区域范围为所述容器外轮廓与所述液面特征线所围成的沿所述参考方向靠下的区域范围，所述第一像素点集合不包括所述第一区域范围对应边界上的像素点，所述第二像素点集合不包括所述第二区域范围对应边界上的像素点；
确定所述第一像素点集合的像素点个数，以及确定所述第二像素点集合的像素点个数，并根据公式1确定所述检测体积，所述公式1为：
其中，为所述检测体积，/>为所述第一像素点集合的像素点个数，/>为所述第二像素点集合的像素点个数，/>为所述容器的标定容积。
6.一种电子设备，其特征在于，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093561.6A CN117078103B (zh) | 2023-08-29 | 2023-08-29 | 商品品质监控数据处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311093561.6A CN117078103B (zh) | 2023-08-29 | 2023-08-29 | 商品品质监控数据处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117078103A CN117078103A (zh) | 2023-11-17 |
| CN117078103B true CN117078103B (zh) | 2024-02-13 |
Family
ID=88711378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311093561.6A Active CN117078103B (zh) | 2023-08-29 | 2023-08-29 | 商品品质监控数据处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078103B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428416A (zh) * | 2019-08-06 | 2019-11-08 | 广东工业大学 | 一种液位视觉检测方法及装置 |
| WO2022124673A1 (ko) * | 2020-12-11 | 2022-06-16 | 주식회사 제로클래스랩 | 기계학습 모델을 이용해 촬영 영상에 기반하여 용기 내의 물건 부피를 측정하는 장치 및 방법 |
| CN115239789A (zh) * | 2022-05-23 | 2022-10-25 | 华院计算技术(上海)股份有限公司 | 用于确定液体体积的方法及装置、存储介质、终端 |
| CN116182988A (zh) * | 2023-03-02 | 2023-05-30 | 广州工程技术职业学院 | 透明容器的液面自动检测方法及装置、设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4073693A1 (en) * | 2019-12-10 | 2022-10-19 | N.V. Nutricia | Method and system for detecting liquid level inside a container |
| US11639868B2 (en) * | 2020-02-27 | 2023-05-02 | Beverage Metrics, Inc. | Method for determining remaining fluid level of open container |
-
2023
- 2023-08-29 CN CN202311093561.6A patent/CN117078103B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428416A (zh) * | 2019-08-06 | 2019-11-08 | 广东工业大学 | 一种液位视觉检测方法及装置 |
| WO2022124673A1 (ko) * | 2020-12-11 | 2022-06-16 | 주식회사 제로클래스랩 | 기계학습 모델을 이용해 촬영 영상에 기반하여 용기 내의 물건 부피를 측정하는 장치 및 방법 |
| CN115239789A (zh) * | 2022-05-23 | 2022-10-25 | 华院计算技术(上海)股份有限公司 | 用于确定液体体积的方法及装置、存储介质、终端 |
| CN116182988A (zh) * | 2023-03-02 | 2023-05-30 | 广州工程技术职业学院 | 透明容器的液面自动检测方法及装置、设备 |
Non-Patent Citations (1)
| Title |
|---|
| 自动生产线上透明灌装瓶液体体积的机器视觉检测系统;刘焕军, 王耀南, 段峰;计算机工程与应用(第12期);第229-231页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117078103A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985359B (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
| CN102165288B (zh) | 使用影像在时间上的像素的浓度分布变化的液体边界面识别方法和使用该方法的液体高度识别装置 | |
| US5414778A (en) | Dynamic fluid level and bubble inspection for quality and process control | |
| US8306318B2 (en) | Image processing apparatus, image processing method, and computer readable storage medium | |
| CN1120163A (zh) | 用于质量和流程控制的动态流体液位及气泡的检测 | |
| CN112561896B (zh) | 一种玻璃瓶口缺陷的检测方法、系统、装置及存储介质 | |
| CN109523549B (zh) | 一种用于压力容器气密性试验的漏气区域检测方法 | |
| CN111950812B (zh) | 一种自动识别与预测雨量的方法及其装置 | |
| CN113066076B (zh) | 胶管泄露检测方法、装置、设备及存储介质 | |
| CN111882606A (zh) | 一种基于深度学习的货架商品分层方法 | |
| US20220375191A1 (en) | Method and system for detecting liquid level inside a container | |
| CN109993758A (zh) | 分割方法、分割装置、计算机设备及存储介质 | |
| CN117078103B (zh) | 商品品质监控数据处理方法及装置 | |
| CN107944444A (zh) | 一种瓶装液体异物检测方法及系统 | |
| CN111709455A (zh) | 酒瓶表面缺陷模型的评价方法、电子装置及存储介质 | |
| CN116030016A (zh) | 产品图像缺陷检测方法、装置、电子设备及存储介质 | |
| CN114219791A (zh) | 基于视觉的道路积水检测方法、电子设备及车辆报警系统 | |
| CN107784644B (zh) | 一种不相溶液体分界面的确定方法及装置 | |
| CN113470015B (zh) | 一种基于图像处理的水体晃动检测分析方法及系统 | |
| CN111709452A (zh) | 酒瓶表面缺陷模型的评价方法、电子装置及存储介质 | |
| CN112200218A (zh) | 一种模型训练方法、装置及电子设备 | |
| CN116532414A (zh) | 一种奶制品生产线自动清洗方法、装置、电子设备及介质 | |
| CN112669374A (zh) | 水位检测方法、饮水设备及其控制方法和可读存储介质 | |
| CN109671227B (zh) | 智能货柜消费行为识别方法、装置、存储介质和电子设备 | |
| CN112991294A (zh) | 异物检测方法、装置及计算机可读介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |