CN117315010A - 一种物料分拣方法、装置及电子设备 - Google Patents
一种物料分拣方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117315010A CN117315010A CN202311274406.4A CN202311274406A CN117315010A CN 117315010 A CN117315010 A CN 117315010A CN 202311274406 A CN202311274406 A CN 202311274406A CN 117315010 A CN117315010 A CN 117315010A
- Authority
- CN
- China
- Prior art keywords
- feature
- image data
- sorting
- training
- materials
- 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
- 239000000463 material Substances 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000003860 storage Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims description 85
- 230000004927 fusion Effects 0.000 claims description 49
- 238000000605 extraction Methods 0.000 claims description 29
- 230000000877 morphologic effect Effects 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/40—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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种物料分拣方法、装置及电子设备,涉及数据处理的技术领域。在该方法中,获取物料图像数据,物料图像数据为针对待分拣物料的图像数据;对物料图像数据进行特征提取和特征融合,得到特征图像数据;采用预设分拣模型对特征图像数据进行特征识别,得到识别结果;基于识别结果,确定待分拣物料的仓储位置信息。实施本申请提供的技术方案,便于提高物料分拣的准确性。
Description
技术领域
本申请涉及数据处理的技术领域,具体涉及一种物料分拣方法、装置及电子设备。
背景技术
随着科学技术的不断发展,智能仓储技术也在不断地改进和创新。而在智能仓储过程中,物料分拣是一个不可或缺的环节。
目前,物料分拣通常依赖于人工分拣的方式来完成。人工分拣虽然具有一定的灵活性,但存在许多明显的问题和局限性。人工分拣容易受到工作人员工作状态等主观因素的影响,工作人员在投入大量的精力和时间之后,极易出现疲劳导致分拣疏忽的现象,从而造成物料分拣错误,进而使得物料分拣的准确性较低。
因此,急需一种物料分拣方法、装置及电子设备。
发明内容
本申请提供了一种物料分拣方法、装置及电子设备,便于提高物料分拣的准确性。
在本申请的第一方面提供了一种物料分拣方法,所述方法包括:获取物料图像数据,所述物料图像数据为针对待分拣物料的图像数据;对所述物料图像数据进行特征提取和特征融合,得到特征图像数据;采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果;基于所述识别结果,确定所述待分拣物料的仓储位置信息。
通过采用上述技术方案,首先通过获取待分拣物料的图像数据,再对物料图像数据进行特征提取和特征融合,从而得到特征图像数据。接下来,通过采用预设分拣模型对特征图像数据进行特征识别,从而得到识别结果。最后,基于识别结果,能够确定出待分拣物料的仓储位置信息。由此,通过自动化地获取待分拣物料的图像数据,并对待分拣物料的特征进行自动识别,从而得到待分拣物料需要储存的仓储位置信息,便于提高物料分拣的准确性。
可选地,所述获取物料图像数据,具体包括:接收终端设备发送的图像数据包;对所述图像数据包进行图像处理,得到所述物料图像数据,所述图像处理包括质心提取、边框标定以及轮廓检测。
通过采用上述技术方案,通过接收终端设备发送的图像数据包,确保了获取到的数据是完整的、未被篡改或损坏的。这对于后续的图像处理和分拣操作至关重要。接下来,通过对图像数据包进行图像处理,包括质心提取、边框标定以及轮廓检测,质心提取便于分析图像中物料的重心位置,这对于后续的分拣动作尤其重要。边框标定可以确定物料在图像中的边界,便于测量物料的大小和形状以及确定物料的精确位置。轮廓检测可以进一步增强图像的清晰度和对比度,使得物料形状更加突出,便于后续的分拣操作。
可选地,所述对所述物料图像数据进行特征提取和特征融合,得到特征图像数据,具体包括:对所述物料图像数据进行特征提取,得到灰度特征和纹理特征;将所述灰度特征和所述纹理特征进行特征融合,得到所述特征图像数据。
通过采用上述技术方案,通过提取物料图像的灰度特征和纹理特征,可以获取图像的基本属性和内容,这些特征对于后续的分拣决策至关重要。灰度特征反映了图像的亮度信息,可以帮助理解图像的基本明暗分布。纹理特征则描述了图像中物质的排列和分布情况,对于判断物料的质地、结构等非常有用。接下来,将灰度特征和纹理特征进行融合,可以充分利用图像的视觉信息,使得分拣模型可以更好地理解和区分不同的物料。因为综合考虑了多维度的特征信息,特征融合还可以提高分拣的准确性,可以更全面地描述待分拣物料的特性。通过特征提取和特征融合,可以减少噪声和环境干扰对分拣的影响,提高分拣过程的鲁棒性和准确性。
可选地,所述将所述灰度特征和所述纹理特征进行特征融合,得到所述特征图像数据,具体包括:根据所述灰度特征和所述纹理特征,得到形态特征图;对所述物料图像数据进行二值化处理,得到二值特征图;将所述形态特征图和所述二值特征图进行特征融合,得到所述特征图像数据。
通过采用上述技术方案,形态特征图和二值特征图是两种不同的特征表达方式,前者反映了物料的形状和结构信息,后者则突出了物料的局部细节和轮廓信息。这两种特征的融合增加了特征的维度,提供了更丰富的物料图像描述。形态特征图和二值特征图的融合可以改善图像识别的精度,使得模型能够更准确地识别和区分不同的物料。由于形态特征图和二值特征图对于图像的亮度、对比度和噪声等变化具有较好的鲁棒性,因此这两种特征的融合可以增强分拣系统的鲁棒性,使得其对于不同的环境条件和物料类型都具有较好的适应性,便于更好地捕捉到物料的形状、大小、结构等关键信息,有助于提高分拣的准确性和效率。
可选地,所述采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果,具体包括:根据所述特征图像数据,确定第一实体特征,所述特征图像数据包括多个实体特征,所述第一实体特征为多个所述实体特征中的任意一个实体特征;在所述预设分拣模型中查找所述第一实体特征;若所述预设分拣模型中存在与所述第一实体特征对应的第二实体特征,则获取所述第二实体特征对应的仓储位置信息,并生成所述识别结果,所述识别结果包括所述第二实体特征对应的仓储位置信息,所述预设分拣模型中预先存储有实体特征与仓储位置信息之间的对应关系,所述第一实体特征和所述第二实体特征为同一种实体特征。
通过采用上述技术方案,通过根据特征图像数据确定第一实体特征,并在预设分拣模型中查找该特征,可以减少错误识别和漏识别的可能性,提高识别的准确性。通过预设分拣模型的使用,可以自动化地完成特征识别和仓储位置信息的获取,大大提高了分拣过程的自动化程度,减少了人工参与和错误的可能性。预设分拣模型中存储了实体特征与仓储位置信息之间的对应关系,可以快速查找和匹配相应的仓储位置信息,使得整个分拣过程更加快捷高效。同时,减少了对于大量人力劳动的需求,降低了人工成本,并且减少了错误和延误的可能性,提高了整体的经济效益。
可选地,在所述采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果之前,训练所述预设分拣模型;所述训练所述预设分拣模型,具体包括:获取训练信息,所述训练信息包括实体特征和仓储位置信息;将所述训练信息输入至自适应特征融合网络中进行训练,得到第一训练结果;将所述第一训练结果与所述训练信息进行叠加与标准化处理后,得到第二训练结果;将所述第二训练结果输入至所述自适应特征融合网络中进行处理,得到第三训练结果;将所述第三训练结果与所述第二训练结果进行叠加与标准化处理,直至输出所述训练信息相似度矩阵,所述训练信息相似度矩阵满足预设逻辑回归条件。
通过采用上述技术方案,通过训练预设分拣模型,可以利用大量的训练信息来优化模型的性能,提高特征识别的准确性和鲁棒性。通过自适应特征融合网络进行训练,可以自动地学习和适应特征图像数据的特性,进一步提高了模型的适应性。通过将训练信息与第一训练结果进行叠加与标准化处理,以及将第三训练结果再次输入到自适应特征融合网络中进行处理,可以加快训练速度,提高训练效率。并且,利用自适应特征融合网络进行训练,可以减少人为干预和错误的可能性,提高训练的可靠性和一致性。
可选地,在所述基于所述识别结果,确定所述待分拣物料的仓储位置信息之后,所述方法还包括:向物料运输设备发送控制指令,所述控制指令包括所述待分拣物料的仓储位置信息,以控制所述物料运输设备按照所述仓储位置信息将所述待分拣物料进行运输。
通过采用上述技术方案,通过向物料运输设备发送控制指令,可以自动化地控制物料的运输,避免了人工操作的繁琐和错误,提高了整体分拣和运输的效率,以及不需要大量的人力资源来进行物料的运输,降低了人力成本,同时减少了物料运输过程中的错误和延误,提高了整体的经济效益。通过自动化控制物料运输设备,可以避免人力操作中的安全风险,提高整个分拣过程的安全性。
在本申请的第二方面提供了一种物料分拣装置,所述物料分拣装置包括获取模块和处理模块,其中,所述获取模块,用于获取物料图像数据,所述物料图像数据为针对待分拣物料的图像数据;所述处理模块,用于对所述物料图像数据进行特征提取和特征融合,得到特征图像数据;所述处理模块,还用于采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果;所述处理模块,还用于基于所述识别结果,确定所述待分拣物料的仓储位置信息。
在本申请的第三方面提供了一种电子设备,所述电子设备包括处理器、存储器、用户接口以及网络接口,所述存储器用于存储指令,所述用户接口和所述网络接口均用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如上所述的方法。
在本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有指令,当所述指令被执行时,执行如上所述的方法。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.首先通过获取待分拣物料的图像数据,再对物料图像数据进行特征提取和特征融合,从而得到特征图像数据。接下来,通过采用预设分拣模型对特征图像数据进行特征识别,从而得到识别结果。最后,基于识别结果,能够确定出待分拣物料的仓储位置信息。由此,通过自动化地获取待分拣物料的图像数据,并对待分拣物料的特征进行自动识别,从而得到待分拣物料需要储存的仓储位置信息,便于提高物料分拣的准确性;
2.形态特征图和二值特征图是两种不同的特征表达方式,前者反映了物料的形状和结构信息,后者则突出了物料的局部细节和轮廓信息。这两种特征的融合增加了特征的维度,提供了更丰富的物料图像描述。形态特征图和二值特征图的融合可以改善图像识别的精度,使得模型能够更准确地识别和区分不同的物料;
3.通过根据特征图像数据确定第一实体特征,并在预设分拣模型中查找该特征,可以减少错误识别和漏识别的可能性,提高识别的准确性。通过预设分拣模型的使用,可以自动化地完成特征识别和仓储位置信息的获取,大大提高了分拣过程的自动化程度,减少了人工参与和错误的可能性。预设分拣模型中存储了实体特征与仓储位置信息之间的对应关系,可以快速查找和匹配相应的仓储位置信息,使得整个分拣过程更加快捷高效。
附图说明
图1为本申请实施例提供的一种物料分拣方法的流程示意图。
图2为本申请实施例提供的一种物料分拣装置的模块示意图。
图3为本申请实施例提供的一种电子设备的结构示意图。
附图标记说明:21、获取模块;22、处理模块;31、处理器;32、通信总线;33、用户接口;34、网络接口;35、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
随着科学技术的飞速发展,智能仓储技术也在不断进步和完善。智能仓储技术的应用有效地提高了物流运作效率,降低了企业的运营成本。在智能仓储过程中,物料分拣是一个非常重要的环节。它直接影响着物料的准确性和及时性,对于企业的生产和发展至关重要。
然而,目前物料分拣仍然普遍依赖于人工分拣的方式来完成。虽然人工分拣具有一定的灵活性,但同时也存在许多问题和局限性。首先,人工分拣容易受到工作人员工作状态等主观因素的影响。工作人员的疲劳程度、精神状态等因素都会对其工作效率和准确性造成影响,导致物料分拣错误。
为了解决上述技术问题,本申请提供了一种物料分拣方法,参照图1,图1为本申请实施例提供的一种物料分拣方法的流程示意图。该物料分拣方法应用于服务器,包括步骤S110至步骤S140,上述步骤如下:
S110、获取物料图像数据,物料图像数据为针对待分拣物料的图像数据。
具体地,智能仓储在使用过程中,当有物料需要进入仓库进行入库操作时,需要进行物料分拣。此时,服务器将获取待分拣物料的图像数据,该物料图像数据可以为静态的照片或者动态的录像。服务器获取物料图像数据的方式包括但不限于:接收图像采集设备发送的图像数据,比如接收高清TOF相机拍摄的图像数据;或者接收CRM流程系统导入的图像数据;亦或者为接收人工手持扫描仪扫描的图像数据。其中,服务器为管理物料图像数据的服务器,用于提供后台服务,服务器可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。
在一种可能的实施方式中,获取物料图像数据,具体包括:接收终端设备发送的图像数据包;对图像数据包进行图像处理,得到物料图像数据,图像处理包括质心提取、边框标定以及轮廓检测。
具体地,上述过程为本申请实施例提供的一种服务器获取物料图像数据的具体过程。首先,服务器将接收终端设备发送的图像数据包,再通过对图像数据包进行图像处理,最后得到物料图像数据。在本申请实施例中,由于终端设备采集的图像数据包可能包含多种图像数据,为了筛选出需要的物料图像数据,服务器将对图像数据包进行质心提取、边框标定以及轮廓检测等操作。
其中,质心提取用于识别和提取图像中的主体部分。在物料图像中,这通常涉及到一系列的算法和步骤,例如首先对图像进行预处理,比如滤波和去噪,以减少图像中的噪声和干扰。然后,使用一种或多种特征提取方法来识别图像中的关键点,这些关键点可以表示物料的轮廓或其他特征。最后,通过计算这些关键点的几何中心,就可以得到质心。质心是物料在图像中的位置的一个估计。边框标定在质心提取的基础上,标定出物料的边界框。这个过程通常涉及到确定质心周围的区域,这个区域通常由一个或多个矩形或四边形构成,这些形状的总和就覆盖了物料的全部或大部分。边框的大小和形状可以根据实际需求进行调整。边框标定可以提供关于物料大小和形状的更精确信息。轮廓检测用于识别和提取图像中物体的边缘。轮廓检测基于边缘检测算子,如Sobel、Canny或Prewitt算子等,用于检测图像中的边缘和纹理。在物料图像中,轮廓检测可以帮助我们更好地描绘出物料的形状。轮廓检测的结果可以用于进一步的目标检测、形状分析和目标识别等任务中。
S120、对物料图像数据进行特征提取和特征融合,得到特征图像数据。
具体地,服务器在获取到物料图像数据之后,将对物料图像数据进行特征提取和特征融合,从而得到特征图像数据。其中,特征提取是从原始数据中提取出对于后续操作有意义的特征的过程。在物料图像数据中,特征可能包括形状、颜色、纹理等。特征提取的方法有很多种,比如基于深度学习的特征提取方法,它可以自动地从原始图像中学习和提取出有意义的特征。举例说明:假设我们有一系列的物料图像,每个图像都包含物料的形状、颜色和纹理等特征。通过使用深度学习模型,比如卷积神经网络,CNN,可以从这些图像中提取出这些特征。特征融合是指将多个来源的特征融合在一起,以得到一个更全面和准确的特征表示。在物料分拣中,可能有多种方式获取物料图像的特征,比如通过RGB图像、深度图像等。这些特征可以单独进行提取,然后通过一定的方式进行融合,比如加权平均、投票等方式,得到一个更全面的特征表示。
在一种可能的实施方式中,对物料图像数据进行特征提取和特征融合,得到特征图像数据,具体包括:对物料图像数据进行特征提取,得到灰度特征和纹理特征;将灰度特征和纹理特征进行特征融合,得到特征图像数据。
具体地,通过提取物料图像的灰度特征和纹理特征,可以获取图像的基本属性和内容,这些特征对于后续的分拣决策至关重要。灰度特征反映了图像的亮度信息,可以帮助理解图像的基本明暗分布。纹理特征则描述了图像中物质的排列和分布情况,对于判断物料的质地、结构等非常有用。接下来,将灰度特征和纹理特征进行融合,可以充分利用图像的视觉信息,使得分拣模型可以更好地理解和区分不同的物料。因为综合考虑了多维度的特征信息,特征融合还可以提高分拣的准确性,可以更全面地描述待分拣物料的特性。通过特征提取和特征融合,可以减少噪声和环境干扰对分拣的影响,提高分拣过程的鲁棒性和准确性。
在一种可能的实施方式中,将灰度特征和纹理特征进行特征融合,得到特征图像数据,具体包括:根据灰度特征和纹理特征,得到形态特征图;对物料图像数据进行二值化处理,得到二值特征图;将形态特征图和二值特征图进行特征融合,得到特征图像数据。
具体地,形态特征图是一种描述图像形态特征的图像,可以通过对灰度图像和纹理图像进行形态学处理得到。形态学处理是一种数学方法,用于研究图像的结构和形状,可以用来提取物料图像中的形态特征。这些特征可能包括形状、大小、方向等。例如,假设有一张物料灰度图像和一张物料纹理图像,通过使用形态学处理方法,如腐蚀、膨胀、开运算、闭运算等,从这两张图像中提取出物料的形态特征,如形状、大小、方向等。这些特征可以构成形态特征图。二值特征图是一种将物料图像数据转换为二值形式的图像,可以通过对物料图像数据进行阈值处理或分割处理得到。二值特征图可以突出物料图像中的目标区域和非目标区域,并减少图像的数据量,便于后续处理和分析。例如,设定一个阈值,将物料图像中的像素点分为目标和背景两部分。目标和背景的像素值被分别赋予0和1,这样就可以得到一个二值特征图。将形态特征图和二值特征图进行特征融合,得到特征图像数据。这个特征图像数据既包含了物料图像的灰度信息,也包含了纹理信息和形态信息。
S130、采用预设分拣模型对特征图像数据进行特征识别,得到识别结果。
S140、基于识别结果,确定待分拣物料的仓储位置信息。
具体地,服务器在对物料图像数据进行特征提取和特征融合后,将得到特征图像数据,再通过采用预设分拣模型对特征图像数据进行特征识别,从而得到识别结果。最后,基于识别结果,服务器可以确定待分拣物料的仓储位置信息。其中,预设分拣模型为预先构建和训练的模型,预设分拣模型可以对特征图像数据进行特征识别,从而得到仓储位置信息,仓储位置信息为待分拣物料位于仓库内的储存目的地。由此,通过自动化地获取待分拣物料的图像数据,并对待分拣物料的特征进行自动识别,从而得到待分拣物料需要储存的仓储位置信息,便于提高物料分拣的准确性。
其次,人工分拣还存在着效率低下的问题。在分拣过程中,工作人员需要手动操作,逐个核实物料的品种、数量等信息,使得分拣效率难以提高。此外,人工分拣还存在着安全隐患。工作人员在手动操作过程中,容易因疏忽而造成人身伤害或物品损坏等问题。通过自动化地获取待分拣物料的图像数据,并对待分拣物料的特征进行自动识别,还能够解决传统人工分拣效率低的问题,并且能够降低安全事故发生的概率。
在一种可能的实施方式中,采用预设分拣模型对特征图像数据进行特征识别,得到识别结果,具体包括:根据特征图像数据,确定第一实体特征,特征图像数据包括多个实体特征,第一实体特征为多个实体特征中的任意一个实体特征;在预设分拣模型中查找第一实体特征;若预设分拣模型中存在与第一实体特征对应的第二实体特征,则获取第二实体特征对应的仓储位置信息,并生成识别结果,识别结果包括第二实体特征对应的仓储位置信息,预设分拣模型中预先存储有实体特征与仓储位置信息之间的对应关系,第一实体特征和第二实体特征为同一种实体特征。
具体地,上述过程为本申请实施例提供的服务器生成识别结果的具体过程。通过预设分拣模型识别出特征图像数据中的实体特征,然后根据这个特征获取相应的仓储位置信息,生成识别结果。这样可以帮助我们实现自动化分拣,提高效率和准确性。其中,第一实体特征和第二实体特征为同一种实体特征在本申请实施例可以理解为:第一实体特征和第二实体特征的相似度达到一定阈值。相似度的具体计算方法在本申请实施例中不作具体限定,可以为余弦相似度,也可以为汉明相似度,这里不再赘述。实体特征为物料的形状、大小以及颜色等特征。
在一种可能的实施方式中,在采用预设分拣模型对特征图像数据进行特征识别,得到识别结果之前,训练预设分拣模型;训练预设分拣模型,具体包括:获取训练信息,训练信息包括实体特征和仓储位置信息;将训练信息输入至自适应特征融合网络中进行训练,得到第一训练结果;将第一训练结果与训练信息进行叠加与标准化处理后,得到第二训练结果;将第二训练结果输入至自适应特征融合网络中进行处理,得到第三训练结果;将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出训练信息相似度矩阵,训练信息相似度矩阵满足预设逻辑回归条件。
具体地,服务器将会获取训练信息,再将训练信息输入至自适应特征融合网络中进行训练,从而得到第一训练结果。接下来,服务器将第一训练结果与训练信息进行叠加与标准化处理后,得到第二训练结果。其次,服务器再将第二训练结果输入至自适应特征融合网络中进行处理,从而得到第三训练结果。最后,服务器将第三训练结果和第二训练结果进行叠加与标准化处理,直至输出训练信息相似度矩阵。
其中,预设逻辑回归条件由服务器的管理人员预先设置。传统的各层特征级联或特征融合方法,通常基于经验或手工设计的权重和规则进行特征加权、选择和融合。在本申请实施例中,训练信息包括实体特征和仓储位置信息,采用自适应特征融合网络则可通过数据自适应学习和优化模型架构及参数,进而提高模型对于复杂、变异场景的适应能力。由此,通过不断地训练和处理的过程,可以提高模型的准确性和稳定性,使其能够更好地适应不同的数据情况并进行有效的预测和分析。
在一种可能的实施方式中,在基于识别结果,确定待分拣物料的仓储位置信息之后,还包括:向物料运输设备发送控制指令,控制指令包括待分拣物料的仓储位置信息,以控制物料运输设备按照仓储位置信息将待分拣物料进行运输。
具体地,在完成对待分拣物料的特征提取和识别后,已经得到了该物料对应的仓储位置信息。例如,如果识别结果显示该物料应被运输到仓储位置A,那么这个仓储位置信息就是“A”。接下来,这个仓储位置信息被用来向物料运输设备发送控制指令。例如,物料运输设备为一个具有搬运功能的机器人,或者一辆能够装载物料并按照指定路线行驶的车辆等。这个控制指令会控制物料运输设备按照仓储位置信息所指示的地点,将待分拣物料运输过去。因此,通过自动化分拣和运输的过程,大大提高了仓库管理的效率和准确性。
本申请还提供了一种物料分拣装置,参照图2,图2为本申请实施例提供的一种物料分拣装置的模块示意图。该物料分拣装置为服务器,服务器包括获取模块21和处理模块22,其中,获取模块21,用于获取物料图像数据,物料图像数据为针对待分拣物料的图像数据;处理模块22,用于对物料图像数据进行特征提取和特征融合,得到特征图像数据;处理模块22,还用于采用预设分拣模型对特征图像数据进行特征识别,得到识别结果;处理模块22,还用于基于识别结果,确定待分拣物料的仓储位置信息。
在一种可能的实施方式中,获取模块21获取物料图像数据,具体包括:获取模块21接收终端设备发送的图像数据包;处理模块22对图像数据包进行图像处理,得到物料图像数据,图像处理包括质心提取、边框标定以及轮廓检测。
在一种可能的实施方式中,处理模块22对物料图像数据进行特征提取和特征融合,得到特征图像数据,具体包括:处理模块22对物料图像数据进行特征提取,得到灰度特征和纹理特征;处理模块22将灰度特征和纹理特征进行特征融合,得到特征图像数据。
在一种可能的实施方式中,处理模块22将灰度特征和纹理特征进行特征融合,得到特征图像数据,具体包括:处理模块22根据灰度特征和纹理特征,得到形态特征图;处理模块22对物料图像数据进行二值化处理,得到二值特征图;处理模块22将形态特征图和二值特征图进行特征融合,得到特征图像数据。
在一种可能的实施方式中,处理模块22采用预设分拣模型对特征图像数据进行特征识别,得到识别结果,具体包括:处理模块22根据特征图像数据,确定第一实体特征,特征图像数据包括多个实体特征,第一实体特征为多个实体特征中的任意一个实体特征;处理模块22在预设分拣模型中查找第一实体特征;若预设分拣模型中存在与第一实体特征对应的第二实体特征,则获取模块21获取第二实体特征对应的仓储位置信息,并生成识别结果,识别结果包括第二实体特征对应的仓储位置信息,预设分拣模型中预先存储有实体特征与仓储位置信息之间的对应关系,第一实体特征和第二实体特征为同一种实体特征。
在一种可能的实施方式中,在处理模块22采用预设分拣模型对特征图像数据进行特征识别,得到识别结果之前,训练预设分拣模型;处理模块22训练预设分拣模型,具体包括:获取模块21获取训练信息,训练信息包括实体特征和仓储位置信息;处理模块22将训练信息输入至自适应特征融合网络中进行训练,得到第一训练结果;处理模块22将第一训练结果与训练信息进行叠加与标准化处理后,得到第二训练结果;处理模块22将第二训练结果输入至自适应特征融合网络中进行处理,得到第三训练结果;处理模块22将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出训练信息相似度矩阵,训练信息相似度矩阵满足预设逻辑回归条件。
在一种可能的实施方式中,在处理模块22基于识别结果,确定待分拣物料的仓储位置信息之后,具体还包括:处理模块22向物料运输设备发送控制指令,控制指令包括待分拣物料的仓储位置信息,以控制物料运输设备按照仓储位置信息将待分拣物料进行运输。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还提供了一种电子设备,参照图3,图3为本申请实施例提供的一种电子设备的结构示意图。电子设备可以包括:至少一个处理器31,至少一个网络接口34,用户接口33,存储器35,至少一个通信总线32。
其中,通信总线32用于实现这些组件之间的连接通信。
其中,用户接口33可以包括显示屏(Display)、摄像头(Camera),可选用户接口33还可以包括标准的有线接口、无线接口。
其中,网络接口34可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器31可以包括一个或者多个处理核心。处理器31利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器35内的指令、程序、代码集或指令集,以及调用存储在存储器35内的数据,执行服务器的各种功能和处理数据。可选的,处理器31可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器31可集成中央处理器(Central ProcessingUnit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器31中,单独通过一块芯片进行实现。
其中,存储器35可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器35包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器35可用于存储指令、程序、代码、代码集或指令集。存储器35可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器35可选的还可以是至少一个位于远离前述处理器31的存储装置。如图3所示,作为一种计算机存储介质的存储器35中可以包括操作系统、网络通信模块、用户接口模块以及一种物料分拣方法的应用程序。
在图3所示的电子设备中,用户接口33主要用于为用户提供输入的接口,获取用户输入的数据;而处理器31可以用于调用存储器35中存储一种物料分拣方法的应用程序,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个的方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有指令。当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,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服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
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,在本申请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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未记载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,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种物料分拣方法,其特征在于,所述方法包括:
获取物料图像数据,所述物料图像数据为针对待分拣物料的图像数据;
对所述物料图像数据进行特征提取和特征融合,得到特征图像数据;
采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果;
基于所述识别结果,确定所述待分拣物料的仓储位置信息。
2.根据权利要求1所述的物料分拣方法,其特征在于,所述获取物料图像数据,具体包括:
接收终端设备发送的图像数据包;
对所述图像数据包进行图像处理,得到所述物料图像数据,所述图像处理包括质心提取、边框标定以及轮廓检测。
3.根据权利要求1所述的物料分拣方法,其特征在于,所述对所述物料图像数据进行特征提取和特征融合,得到特征图像数据,具体包括:
对所述物料图像数据进行特征提取,得到灰度特征和纹理特征;
将所述灰度特征和所述纹理特征进行特征融合,得到所述特征图像数据。
4.根据权利要求3所述的物料分拣方法,其特征在于,所述将所述灰度特征和所述纹理特征进行特征融合,得到所述特征图像数据,具体包括:
根据所述灰度特征和所述纹理特征,得到形态特征图;
对所述物料图像数据进行二值化处理,得到二值特征图;
将所述形态特征图和所述二值特征图进行特征融合,得到所述特征图像数据。
5.根据权利要求1所述的物料分拣方法,其特征在于,所述采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果,具体包括:
根据所述特征图像数据,确定第一实体特征,所述特征图像数据包括多个实体特征,所述第一实体特征为多个所述实体特征中的任意一个实体特征;
在所述预设分拣模型中查找所述第一实体特征;
若所述预设分拣模型中存在与所述第一实体特征对应的第二实体特征,则获取所述第二实体特征对应的仓储位置信息,并生成所述识别结果,所述识别结果包括所述第二实体特征对应的仓储位置信息,所述预设分拣模型中预先存储有实体特征与仓储位置信息之间的对应关系,所述第一实体特征和所述第二实体特征为同一种实体特征。
6.根据权利要求1所述的物料分拣方法,其特征在于,在所述采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果之前,训练所述预设分拣模型;所述训练所述预设分拣模型,具体包括:
获取训练信息,所述训练信息包括实体特征和仓储位置信息;
将所述训练信息输入至自适应特征融合网络中进行训练,得到第一训练结果;
将所述第一训练结果与所述训练信息进行叠加与标准化处理后,得到第二训练结果;
将所述第二训练结果输入至所述自适应特征融合网络中进行处理,得到第三训练结果;
将所述第三训练结果与所述第二训练结果进行叠加与标准化处理,直至输出所述训练信息相似度矩阵,所述训练信息相似度矩阵满足预设逻辑回归条件。
7.根据权利要求1所述的物料分拣方法,其特征在于,在所述基于所述识别结果,确定所述待分拣物料的仓储位置信息之后,所述方法还包括:
向物料运输设备发送控制指令,所述控制指令包括所述待分拣物料的仓储位置信息,以控制所述物料运输设备按照所述仓储位置信息将所述待分拣物料进行运输。
8.一种物料分拣装置,其特征在于,所述物料分拣装置包括获取模块(21)和处理模块(22),其中,
所述获取模块(21),用于获取物料图像数据,所述物料图像数据为针对待分拣物料的图像数据;
所述处理模块(22),用于对所述物料图像数据进行特征提取和特征融合,得到特征图像数据;
所述处理模块(22),还用于采用预设分拣模型对所述特征图像数据进行特征识别,得到识别结果;
所述处理模块(22),还用于基于所述识别结果,确定所述待分拣物料的仓储位置信息。
9.一种电子设备,其特征在于,所述电子设备包括处理器(31)、存储器(35)、用户接口(33)以及网络接口(34),所述存储器(35)用于存储指令,所述用户接口(33)和所述网络接口(34)均用于给其他设备通信,所述处理器(31)用于执行所述存储器(35)中存储的指令,以使所述电子设备执行如权利要求1至7任意一项所述的方法。
10.一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存储有指令,当所述指令被执行时,执行如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274406.4A CN117315010A (zh) | 2023-09-28 | 2023-09-28 | 一种物料分拣方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274406.4A CN117315010A (zh) | 2023-09-28 | 2023-09-28 | 一种物料分拣方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117315010A true CN117315010A (zh) | 2023-12-29 |
Family
ID=89242110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311274406.4A Pending CN117315010A (zh) | 2023-09-28 | 2023-09-28 | 一种物料分拣方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315010A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144322A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
WO2021017224A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳正品创想科技有限公司 | 商品的流通信息处理方法、装置、服务器及其信息处理系统 |
CN112547528A (zh) * | 2021-03-01 | 2021-03-26 | 华鹏飞股份有限公司 | 基于分类识别的物流分拣方法及系统 |
CN112668629A (zh) * | 2020-12-24 | 2021-04-16 | 深圳壹账通智能科技有限公司 | 基于图片识别的智能仓储方法、系统、设备及存储介质 |
CN114782761A (zh) * | 2022-06-23 | 2022-07-22 | 山东能源数智云科技有限公司 | 基于深度学习的智能仓储物料识别方法和系统 |
CN116597422A (zh) * | 2023-06-14 | 2023-08-15 | 中瑞科技术有限公司 | 一种基于图像数据的道路预警方法、装置及电子设备 |
-
2023
- 2023-09-28 CN CN202311274406.4A patent/CN117315010A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021017224A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳正品创想科技有限公司 | 商品的流通信息处理方法、装置、服务器及其信息处理系统 |
CN111144322A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
CN112668629A (zh) * | 2020-12-24 | 2021-04-16 | 深圳壹账通智能科技有限公司 | 基于图片识别的智能仓储方法、系统、设备及存储介质 |
CN112547528A (zh) * | 2021-03-01 | 2021-03-26 | 华鹏飞股份有限公司 | 基于分类识别的物流分拣方法及系统 |
CN114782761A (zh) * | 2022-06-23 | 2022-07-22 | 山东能源数智云科技有限公司 | 基于深度学习的智能仓储物料识别方法和系统 |
CN116597422A (zh) * | 2023-06-14 | 2023-08-15 | 中瑞科技术有限公司 | 一种基于图像数据的道路预警方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN109685065B (zh) | 试卷内容自动分类的版面分析方法、系统 | |
CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN108121982B (zh) | 面单图像的获取方法及装置 | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN111767915A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN112016545A (zh) | 一种包含文本的图像生成方法及装置 | |
CN111666816A (zh) | 物流件状态的检测方法、装置以及设备 | |
CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机系统 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN114255347A (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
CN112183554A (zh) | 一种自动化道路边界轮廓提取方法 | |
CN115546824B (zh) | 禁忌图片识别方法、设备及存储介质 | |
CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
CN111199228A (zh) | 一种车牌定位的方法及装置 | |
CN117315010A (zh) | 一种物料分拣方法、装置及电子设备 | |
Li et al. | Automatic Counting Method of Fry Based on Computer Vision | |
CN115170471A (zh) | 基于图像识别模型的部件识别方法及装置 | |
US20210012472A1 (en) | Adaptive video subsampling for energy efficient object detection | |
JP7095574B2 (ja) | 画像処理プログラム、画像処理方法、および画像処理装置 | |
CN114310875B (zh) | 一种曲轴定位识别方法、装置、存储介质和设备 |
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 |