CN117173393A - 一种基于目标检测的输送带上包裹阻塞滑落问题检测方法 - Google Patents
一种基于目标检测的输送带上包裹阻塞滑落问题检测方法 Download PDFInfo
- Publication number
- CN117173393A CN117173393A CN202310891728.7A CN202310891728A CN117173393A CN 117173393 A CN117173393 A CN 117173393A CN 202310891728 A CN202310891728 A CN 202310891728A CN 117173393 A CN117173393 A CN 117173393A
- Authority
- CN
- China
- Prior art keywords
- express
- express package
- package
- information
- blocking
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000000903 blocking effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- Control Of Conveyors (AREA)
Abstract
本发明公开了一种基于目标检测的输送带上包裹阻塞滑落问题检测方法包括：采集图像，构建YOLOv5网络的训练数据集并进行训练，获得目标检测模型；利用所述目标检测模型对快递包裹进行检测，获取空间信息和分类信息；使用目标匹配算法将图像中的快递包裹进行目标匹配，并构建基于历史信息的快递包裹轨迹预测模型；利用所述轨迹预测模型在快递包裹滑落和阻塞时发出警报。本发明采用了YOLO技术对物流仓储的分拣输送环节进行检测，能够及时地发现环节中快递包裹阻塞滑落等问题，提高了分拣输送的效率；对输送带上每一个快递包裹在连续时间段内采集的图像进行目标匹配和跟踪性预测分析，为输送过程中的潜在失误提前做出示警。
Description
技术领域
本发明涉及人工智能技术领域，具体为一种基于目标检测的输送带上包裹阻塞滑落问题检测方法。
背景技术
现如今，随着经济的快速发展和网购的日益流行，物流行业也得到了飞速地发展，分拣机作为物流输送过程中极为重要的一环也在逐渐向自动化、智能化方向发展。而在分拣机对快递包裹进行分拣输送的过程中，由于包裹在输送带上位置偏移、或各个输送带之间的连接处存在间隙、或输送带转弯处设计问题等原因，常有包裹在分拣输送带上滑落或阻塞的情形出现。这种问题在寄递包裹的高峰期，如“双十一”、“双十二”等时期，会对物流输送造成巨大的压力和负担。
目前，目标检测算法作为计算机视觉领域的主要研究方向之一，逐渐得到了广泛的关注，其中，基于深度学习的目标检测算法成为发展的主流，其算法性能也远超手工设计特征的传统算法。经过长年的研究，基于深度学习的目标检测在算法识别精度和检测速度上取得了显著成就。
考虑到上述因素，结合基于深度学习的目标检测算法，提出了一种输送带上包裹阻塞滑落问题检测方法，以解决上述问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的快递包裹问题主要靠人工进行发现处理，成本高并且不够及时，在小目标的检测精度和跟踪效果上也不够理想。
为解决上述技术问题，本发明提供如下技术方案：一种基于目标检测的输送带上包裹阻塞滑落问题检测方法，包括：
采集图像，构建YOLOv5网络的训练数据集并进行训练，获得目标检测模型；
利用所述目标检测模型对快递包裹进行检测，获取空间信息和分类信息；
使用目标匹配算法将图像中的快递包裹进行目标匹配，并构建基于历史信息的快递包裹轨迹预测模型；
利用所述轨迹预测模型在快递包裹滑落和阻塞时发出警报。
作为本发明所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述的训练数据集包括不同时间段、不同位置上输送带对快递包裹的分拣输送图像，以及每一幅图像的标注信息，且要求图像中的快递包裹大小不一；所述的标注信息包括：快递包裹的位置信息、分类信息，输送带的位置信息、分类信息。
作为本发明所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述的目标匹配算法包括：
其中，α为权重系数；xi表示快递包裹在时刻a时的横轴坐标；yi表示快递包裹在时刻a时的纵轴坐标；表示快递包裹在a时中心点的横轴坐标；/>表示快递包裹在时刻a时中心点的纵轴坐标；x'i表示快递包裹在时刻b时的横轴坐标；y'i表示快递包裹在时刻b时的纵轴坐标；/>表示快递包裹在时刻b时其中心点的横轴坐标；/>表示快递包裹在时刻b时其中心点的纵轴坐标；v表示快递包裹的平均移动速度；t表示时刻a和时刻b之间的时间差。
作为本发明所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述的轨迹预测模型包括：采样、更新、状态估计、重采样四个步骤；
所述采样包括：
其中，P(Qk|O1:k-1)表示k时快递包裹的先验概率密度；P(Qk-1|O1:k-1)表示k-1时快递包裹的先验概率密度；P(Qk|Qk-1)表示状态转移模型；P(Qk|O1:k)表示快递包裹的后验概率密度；P(Ok|Qk)表示在状态Qk时测量结果概率分布的观测模型；Qk表示在k时快递包裹的状态信息；Qk-1表示在k-1时快递包裹的状态信息；O1:k-1表示在k-1时快递包裹的观测信息；
所述更新包括：
其中，E表示快递包裹的预测轨迹；g(Qk)表示快递包裹的位置信息预测值；
根据状态转移模型P(Qk|Qk-1)，确定不同预测轨迹的重要性程度，表示为：
其中，μk(i)表示k时预测轨迹的重要性程度；N表示自然数μk-1(i)表示k-1时预测轨迹的重要性程度。
所述状态估计包括：
表示k时快递包裹的运动状态估计；Qk(i)表示在k时快递包裹的状态信息；
所述重采样为根据粒子的重要性程度μk(i)，丢弃权重低的粒子，复制权重高的粒子，重新生成粒子群，以供下一时刻的采样使用。
作为本发明所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述快递包裹滑落和阻塞包括：将获得的预测快递包裹位置信息与所采集图像中输送带的位置信息进行比对判断；
当预测的快递包裹位置与所采集到的图像中包裹位置几乎一致时，则认为快递包裹在输送带上堵塞；当预测的快递包裹位置不在输送带的范围内时，则认为快递包裹从输送带上滑落。
作为本发明所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述滑落的可能性表示为：
其中，s1表示快递包裹滑落的可能性，s1越接近0表示包裹滑落的可能性越大；β表示输送带的类型，β＝0表示为环型输送带，β＝1表示为直线型输送带；x表示a时快递包裹在x轴上的位置信息，x'表示b时快递包裹在x轴上的位置信息；xs表示a时输送带在x轴上的位置信息，x's表示b时输送带在x轴上的位置信息；c表示快递包裹的离心率，cs表示环型输送带的离心率。
作为本发明所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述阻塞的可能性表示为：
其中，s2表示快递包裹阻塞的可能性；Xk-Xk-1表示快递包裹移动的距离；xk表示k时快递包裹在x轴上的位置，xk-1表示k-1时快递包裹在x轴上的位置；yk表示k时快递包裹在y轴上的位置，yk-1表示k-1时快递包裹在y轴上的位置；vΔt表示输送带移动的距离，v表示输送带的移速，Δt表示k时和k-1时的时间间隔；
当快递包裹移动的距离远小于输送带在相同时间间隔内移动的距离，快递包裹处于阻塞状态；当快递包裹移动的距离与输送带在相同时间间隔内移动的距离基本相同，快递包裹未处于阻塞状态。
第二方面，本发明还提供了一种基于目标检测的输送带上包裹阻塞滑落问题检测的装置，包括，
图像采集模块，采集包含待检测目标的图像，确定分拣机输送带及快递包裹的种类，将图像传输到信息处理模块；
信息处理模块，利用采集到的图像构建YOLOv5网络的训练数据集并训练，获得目标检测模型，利用目标检测模型获取快递包裹的空间信息和分类信息，传输到轨迹预测模块；
轨迹预测模块，目标匹配算法将所采集到的快递包裹前后两个时刻的位置信息进行目标匹配，基于历史信息的快递轨迹预测模型对匹配完成的同一快递包裹在不同时刻的运动轨迹进行分析，获得快递包裹下一时刻的位置信息并传输到报警模块；
报警模块，将获得的预测快递包裹位置信息与所采集图像中输送带的位置信息进行比对判断，在快递包裹阻塞和滑落时发出警报信号。
第三方面，本发明还提供了一种计算设备，包括：存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于目标检测的输送带上包裹阻塞滑落问题检测方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于目标检测的输送带上包裹阻塞滑落问题检测方法的步骤。
本发明的有益效果：本发明采用了YOLO技术对物流仓储的分拣输送环节进行检测，能够及时地发现环节中快递包裹阻塞滑落等问题，提高了分拣输送的效率；对输送带上每一个快递包裹在连续时间段内采集的图像进行目标匹配和跟踪性预测分析，为输送过程中的潜在失误提前做出示警。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于目标检测的输送带上包裹阻塞滑落问题检测方法的整体流程图；
图2为本发明第二个实施例提供的一种基于目标检测的输送带上包裹阻塞滑落问题检测方法的快递包裹运动轨迹的预测流程图；
图3为本发明第二个实施例提供的一种基于目标检测的输送带上包裹阻塞滑落问题检测方法的基于历史信息的快递包裹轨迹预测模型示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于目标检测的输送带上包裹阻塞滑落问题检测方法，包括：
S1：采集图像，构建YOLOv5网络的训练数据集并进行训练，获得目标检测模型。
更进一步的，训练数据集由包含快递包裹和输送带的采集图像构成。图像使用不同时间段、不同位置上输送带对快递包裹的分拣输送图像，以及每一幅图像的标注信息，且要求图像中的快递包裹的大小不一，所述标注信息需包括：采集的图像中是否存在快递包裹，以及快递包裹的位置信息、分类信息，和图像中是否存在输送带，以及输送带的位置信息、分类信息。
再进一步的，在训练开始之前，不设置训练置信度λconf(即λconf＝0)，待对图像中快递包裹的空间信息和分类信息的检测精度达到预设目标之后，再调整置信度λconf，以保证训练网络过拟合现象的出现。最终，得到一个对快递包裹检测精准度较高的目标检测模型。
需要说明的是，本发明使用的YOLOv5网络比起Y1-Y4的版本，具有速度快，可以在短时间内完成大量的检测任务；准确率高，可以更准确地检测出图像中的物体；模型小，可以更轻松地部署到移动设备上；易于使用，可以轻松地实现物体检测功能的优点。
S2：利用所述目标检测模型对快递包裹进行检测，获取空间信息和分类信息。
更进一步的，利用所构建的目标检测模型，对分拣输送过程中待检测的快递包裹进行检测，获取目标的空间信息和分类信息，并对包裹信息进行归一化处理，便于后续操作，具体信息有：是否包含快递包裹(包含为1，不包含为0)、快递包裹的类型(小包裹为1，中包裹为2，大包裹为3)、快递包裹的位置信息(x1,x2,y1,y2)，是否包含输送带(包含为1，不包含为0)、输送带的类型(环型为0，直线型为1)，输送带的位置信息(x1,x2,y1,y2)。
S3：使用目标匹配算法将图像中的快递包裹进行目标匹配，并构建基于历史信息的快递包裹轨迹预测模型。
更进一步的，判断当前图像是否为第一帧图像，若不是第一帧图像，则使用目标匹配算法将连续的不同时刻所采集图像中的快递包裹进行目标匹配，所采用的相似匹配系数为：
需要说明的是，对于前后两帧图像中快递包裹位置信息的匹配，引入了相似匹配系数作为同一快递包裹的判断依据，相似匹配系数的计算主要以两点因素为基准。其一为前后两个时刻的图像中包裹的类型，在考虑到同一类型包裹的大小往往也会有所差异，这里并没有直接使用获取到的分类信息，而是通过对其空间信息的分析比较来得到的，这个值越接近于1，则表示匹配度越高；其二则是前后两个时刻的图像中包裹所移动的绝对距离，将其移动的距离与输送带在前后两个时刻所通过的距离相比较，这个数值越接近于1，则表示匹配度越高。
再进一步的，若当前图像是第一帧图像，则使用基于历史信息的快递轨迹预测模型预测包裹的运动轨迹，获得快递包裹下一时刻的位置信息，具体操作流程为：采样、更新、状态估计、重采样四个步骤；
所述采样包括：
其中，P(Qk|O1:k-1)表示k时快递包裹的先验概率密度；P(Qk-1|O1:k-1)表示k-1时快递包裹的先验概率密度；P(Qk|Qk-1)表示状态转移模型；P(Qk|O1:k)表示快递包裹的后验概率密度；P(Ok|Qk)表示在状态Qk时测量结果概率分布的观测模型；Qk表示在k时快递包裹的状态信息；Qk-1表示在k-1时快递包裹的状态信息；O1:k-1表示在k-1时快递包裹的观测信息。
所述更新包括：
E(g(Qk))＝∫g(Qk)P(Qk|O1:k)dQk-1
其中，E表示快递包裹的预测轨迹；g(Qk)表示快递包裹的位置信息预测值；
根据状态转移模型P(Qk|Qk-1)，确定不同预测轨迹的重要性程度，表示为：
其中，μk(i)表示k时预测轨迹的重要性程度；N表示自然数；μk-1(i)表示k-1时预测轨迹的重要性程度。
所述状态估计包括：
表示k时快递包裹的运动状态估计；Qk(i)表示在k时快递包裹的状态信息。
所述重采样为根据粒子的重要性程度μk(i)，丢弃权重低的粒子，复制权重高的粒子，重新生成粒子群，以供下一时刻的采样使用。
需要说明的是，基于历史信息的快递轨迹预测模型中所包含的变量有[D,S,X]。其中，D∈{I,R,L}表示运动方向，分别为直行、右转、左转；S＝[vs,cs]表示输送带的轨道状态，vs表示输送带的速度，cs表示输送带的离心率；X＝[(x,y),(vx,vy),c]表示快递包裹的运动状态，(x,y)表示快递包裹在x轴和y轴上的位置信息，(vx,vy)表示快递包裹在x轴和y轴上的速度，c表示快递包裹的离心率。
S4：利用所述轨迹预测模型在快递包裹滑落和阻塞时发出警报。
将预测快递包裹位置信息与所采集图像中输送带的位置信息进行比对判断，当预测的快递包裹位置与所采集到的图像中包裹位置几乎一致时，则认为快递包裹在输送带上堵塞；当预测的快递包裹位置不在输送带的范围内时，则认为快递包裹从输送带上滑落。这两种情况皆需要返回警告信号，提示操作员进行调整。
滑落状态的判断方法如下：
其中，s1表示快递包裹滑落的可能性，s1越接近0表示包裹滑落的可能性越大；β表示输送带的类型，β＝0表示为环型输送带，β＝1表示为直线型输送带；x表示a时快递包裹在x轴上的位置信息，x'表示b时快递包裹在x轴上的位置信息；xs表示a时输送带在x轴上的位置信息，x's表示b时输送带在x轴上的位置信息；c表示快递包裹的离心率，cs表示环型输送带的离心率。
需要说明的是，输送带大致可分为直线型和环型两类，故对滑落状态的判断需要分为两种情况。其一是在直线型输送带的情况，主要侧重于快递包裹在输送带上的横向位移，将快递包裹的横向位移与输送带的横向偏移进行对比，这个值越接近于1，则表示快递包裹在输送带上的运动方向越吻合输送带自身的行进方向，也就表示快递包裹滑落的可能性越低；其二是在环型输送带的情况，主要侧重于快递包裹在输送过程中的离心率，将快递包裹的离心率与环形输送带处的离心率进行对比，这个值越接近于1，则表示快递包裹在输送带上的运动方向越吻合输送带自身的行进方向，也就表示快递包裹滑落的可能性越低。
堵塞状态的判断方法如下：
其中，s2表示快递包裹阻塞的可能性；Xk-Xk-1表示快递包裹移动的距离；xk表示k时快递包裹在x轴上的位置，xk-1表示k-1时快递包裹在x轴上的位置；yk表示k时快递包裹在y轴上的位置，yk-1表示k-1时快递包裹在y轴上的位置；vΔt表示输送带移动的距离，v表示输送带的移速，Δt表示k时和k-1时的时间间隔；
需要说明的是，当快递包裹移动的距离与输送带在相同时间间隔内移动的距离基本相同，快递包裹未处于阻塞状态。当快递包裹移动的距离远小于输送带在相同时间间隔内移动的距离，快递包裹处于阻塞状态，此时发出警告信号，提示操作员对快递包裹A进行调整，使得其他快递包裹可以正常地通过输送带运输到格口卸货处。
本实施例还提供一种计算设备，包括，存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现基于目标检测的输送带上包裹阻塞滑落问题检测方法。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于目标检测的输送带上包裹阻塞滑落问题检测方法。
本实施例提出的存储介质与上述实施例提出的基于目标检测的输送带上包裹阻塞滑落问题检测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照图2-3，为本发明的一个实施例，提供了一种基于目标检测的输送带上包裹阻塞滑落问题检测方法，为了验证本发明的有益效果，通过仿真实验进行科学论证。
通过模拟快递包裹阻塞和滑落的情况，对本发明的实用效果进行验证，得到下表：
| 快递总数 | 滑落次数 | 阻塞次数 | 滑落报警次数 | 阻塞报警次数 |
| 100 | 1 | 5 | 1 | 5 |
| 500 | 3 | 13 | 3 | 13 |
| 1000 | 7 | 20 | 7 | 19 |
| 5000 | 22 | 76 | 22 | 73 |
为了方便实验，会人为增加阻塞和滑落的包裹数量。在本次实验中，将阻塞报警阈值设置为30％，即在相同时间内，快递包裹的移动距离为传送带移动距离的30％时，会判断为包裹阻塞并发出警报，这里的时间，设置为5秒。在实际应用中，可以跟据快递数量和要求进行更改设置，并非固定数值。
可以看出，本发明在判断包裹滑落时，几乎可以做到百分百精确报警，在判断包裹阻塞时，由于包裹数量和设置的报警阈值影响，不能做到完全精确，但也有95％左右的精确率。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于，包括：
采集图像，构建YOLOv5网络的训练数据集并进行训练，获得目标检测模型；
利用所述目标检测模型对快递包裹进行检测，获取空间信息和分类信息；
使用目标匹配算法将图像中的快递包裹进行目标匹配，并构建基于历史信息的快递包裹轨迹预测模型；
利用所述轨迹预测模型在快递包裹滑落和阻塞时发出警报。
2.如权利要求1所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述的训练数据集包括不同时间段、不同位置上输送带对快递包裹的分拣输送图像，以及每一幅图像的标注信息，且要求图像中的快递包裹大小不一；
所述的标注信息包括：快递包裹的位置信息、分类信息，输送带的位置信息、分类信息。
3.如权利要求2所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述的目标匹配算法包括：
其中，I表示相似匹配系数；α为权重系数；xi表示快递包裹在时刻a时的横轴坐标；yi表示快递包裹在时刻a时的纵轴坐标；表示快递包裹在a时中心点的横轴坐标；/>表示快递包裹在时刻a时中心点的纵轴坐标；x'i表示快递包裹在时刻b时的横轴坐标；y'i表示快递包裹在时刻b时的纵轴坐标；/>表示快递包裹在时刻b时其中心点的横轴坐标；/>表示快递包裹在时刻b时其中心点的纵轴坐标；v表示快递包裹的平均移动速度；t表示时刻a和时刻b之间的时间差。
4.如权利要求3所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述的轨迹预测模型包括：采样、更新、状态估计、重采样四个步骤；
所述采样包括：
其中，PQkO1:k-1表示k时快递包裹的先验概率密度；PQk-1O1:k-1表示k-1时快递包裹的先验概率密度；PQkQk-1表示状态转移模型；PQkO1:k表示快递包裹的后验概率密度；POkQk表示在状态Qk时测量结果概率分布的观测模型；Qk表示在k时快递包裹的状态信息；Qk-1表示在k-1时快递包裹的状态信息；O1:k-1表示在k-1时快递包裹的观测信息；
所述更新包括：
EgQk＝∫gQkPQkO1:kdQk-1
其中，E表示快递包裹的预测轨迹；gQk表示快递包裹的位置信息预测值；
根据状态转移模型PQkQk-1，确定不同预测轨迹的重要性程度，表示为：
其中，μki表示k时预测轨迹的重要性程度；N表示自然数；μk-1i表示k-1时预测轨迹的重要性程度；
所述状态估计包括：
其中，表示k时快递包裹的运动状态估计；Qki表示在k时快递包裹的状态信息；
所述重采样为根据粒子的重要性程度μki，丢弃权重低的粒子，复制权重高的粒子，重新生成粒子群，以供下一时刻的采样使用。
5.如权利要求4所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述快递包裹滑落和阻塞包括：将获得的预测快递包裹位置信息与所采集图像中输送带的位置信息进行比对判断；
当预测的快递包裹位置与所采集到的图像中包裹位置一致时，则认为快递包裹在输送带上堵塞；
当预测的快递包裹位置不在输送带的范围内时，则认为快递包裹从输送带上滑落。
6.如权利要求5所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述滑落的可能性表示为：
其中，s1表示快递包裹滑落的可能性，s1越接近0表示包裹滑落的可能性越大；β表示输送带的类型，β＝0表示为环型输送带，β＝1表示为直线型输送带；x表示a时快递包裹在x轴上的位置信息，x'表示b时快递包裹在x轴上的位置信息；xs表示a时输送带在x轴上的位置信息，x's表示b时输送带在x轴上的位置信息；c表示快递包裹的离心率，cs表示环型输送带的离心率。
7.如权利要求6所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述阻塞的可能性表示为：
其中，s2表示快递包裹阻塞的可能性；Xk-Xk-1表示快递包裹移动的距离；xk表示k时快递包裹在x轴上的位置，xk-1表示k-1时快递包裹在x轴上的位置；yk表示k时快递包裹在y轴上的位置，yk-1表示k-1时快递包裹在y轴上的位置；vΔt表示输送带移动的距离，v表示输送带的移速，Δt表示k时和k-1时的时间间隔；
当快递包裹移动的距离远小于输送带在相同时间间隔内移动的距离，快递包裹处于阻塞状态；
当快递包裹移动的距离与输送带在相同时间间隔内移动的距离基本相同，快递包裹未处于阻塞状态。
8.一种采用如权利要求1～7任一所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的检测装置，其特征在于，包括，
图像采集模块，采集包含待检测目标的图像，确定分拣机输送带及快递包裹的种类，将图像传输到信息处理模块；
信息处理模块，利用采集到的图像构建YOLOv5网络的训练数据集并训练，获得目标检测模型，利用目标检测模型获取快递包裹的空间信息和分类信息，传输到轨迹预测模块；
轨迹预测模块，目标匹配算法将所采集到的快递包裹前后两个时刻的位置信息进行目标匹配，基于历史信息的快递轨迹预测模型对匹配完成的同一快递包裹在不同时刻的运动轨迹进行分析，获得快递包裹下一时刻的位置信息并传输到报警模块；
报警模块，将获得的预测快递包裹位置信息与所采集图像中输送带的位置信息进行比对判断，在快递包裹阻塞和滑落时发出警报信号。
9.一种计算设备，包括：存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891728.7A CN117173393A (zh) | 2023-07-19 | 2023-07-19 | 一种基于目标检测的输送带上包裹阻塞滑落问题检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891728.7A CN117173393A (zh) | 2023-07-19 | 2023-07-19 | 一种基于目标检测的输送带上包裹阻塞滑落问题检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117173393A true CN117173393A (zh) | 2023-12-05 |
Family
ID=88934478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310891728.7A Pending CN117173393A (zh) | 2023-07-19 | 2023-07-19 | 一种基于目标检测的输送带上包裹阻塞滑落问题检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173393A (zh) |
-
2023
- 2023-07-19 CN CN202310891728.7A patent/CN117173393A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6674877B1 (en) | System and method for visually tracking occluded objects in real time | |
| CN109858552B (zh) | 一种用于细粒度分类的目标检测方法及设备 | |
| CN107657244B (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
| CN110263920B (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
| CN110992305A (zh) | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 | |
| CN109815814B (zh) | 一种基于卷积神经网络的人脸检测方法 | |
| KR102217020B1 (ko) | 단일 단계 고밀도 피라미드 특징 네트워크를 기반으로 하는 고해상도 항공 이미지 내의 물체감지장치 | |
| US11416717B2 (en) | Classification model building apparatus and classification model building method thereof | |
| US11922728B1 (en) | Associating events with actors using digital imagery and machine learning | |
| CN113807466B (zh) | 一种基于深度学习的物流包裹自主检测方法 | |
| CN112330607A (zh) | 基于图像识别技术的煤矸识别方法、装置及系统 | |
| CN105740751A (zh) | 一种目标检测与识别的方法和系统 | |
| CN103834796B (zh) | 一种在线识别炉内带钢跑偏的方法 | |
| US20230245437A1 (en) | Model generation apparatus, regression apparatus, model generation method, and computer-readable storage medium storing a model generation program | |
| CN111814653B (zh) | 一种视频中异常行为的检测方法、装置、设备及存储介质 | |
| CN117173393A (zh) | 一种基于目标检测的输送带上包裹阻塞滑落问题检测方法 | |
| CN112700469A (zh) | 一种基于eco算法和目标检测的视觉目标跟踪方法及装置 | |
| CN107909024A (zh) | 基于图像识别和红外避障的车辆跟踪系统、方法及车辆 | |
| CN109657577B (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
| Chao et al. | Rapid ship detection based on gradient texture features and multilayer perceptron | |
| CN113344912B (zh) | 矿石颗粒分割系统、方法和机器可读存储介质 | |
| KR102070730B1 (ko) | 이미지 세그먼테이션 방법 | |
| CN114399780A (zh) | 表格检测方法、表格检测模型训练方法及装置 | |
| CN114663972A (zh) | 基于动作差分的目标标记方法及装置 | |
| CN115457256A (zh) | 安全设施检测方法及系统 |
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 |