CN117437483A - 一种agv货物库位状态判定方法、系统及装置 - Google Patents
一种agv货物库位状态判定方法、系统及装置 Download PDFInfo
- Publication number
- CN117437483A CN117437483A CN202311521510.9A CN202311521510A CN117437483A CN 117437483 A CN117437483 A CN 117437483A CN 202311521510 A CN202311521510 A CN 202311521510A CN 117437483 A CN117437483 A CN 117437483A
- Authority
- CN
- China
- Prior art keywords
- library
- state
- full
- empty
- yolov5
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000005286 illumination Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种AGV货物库位状态判定方法、系统及装置,利用Yolov5目标检测算法获取图像上的行人,AGV叉车检测框。利用已知的货物库位中心点像素坐标索引主干网络的特征向量,使用全连接层对特征向量进行分类以获取库位的空满状态;结合Yolov5检出行人,叉车的矩形框和库位当前以及历史的空满状态可得出库位空、满、遮挡三种状态。从而实现高速、准确、精细的库位状态判断。本发明具有很强的鲁棒性:在各种光照、多目标、复杂场景等场合下算法均表现出良好的检测,分类精度。同时可以对行人,叉车遮挡的库位进行空满判断:算法利用历史帧推测当前的库位状态,在只使用单一摄像头的条件下即可对遮挡的库位进行判断。
Description
技术领域
本发明涉及深度学习及视觉检测领域,尤其涉及一种AGV货物库位状态判定方法、系统及装置。
背景技术
在仓储物流领域,准确判断库位的空满状态对于提高仓库运作和管理效率至关重要。传统的库位状态检测方法通常基于规则和手工特征设计,存在识别准确度低、鲁棒性差的问题,其越来越难以满足复杂场景下货物库位状态的准确获取。
发明内容
本发明目的在于针对现有技术的不足,提出一种AGV货物库位状态判定方法、系统及装置。
本发明的目的是通过以下技术方案来实现的:第一方面,本发明提供了一种AGV货物库位状态判定方法,该方法包括以下步骤:
(1)采集库位的行人及叉车的图像数据,进行人工标注后,得到用于训练的数据集;
(2)计算库位的中心点坐标,并映射到不同采样倍率下数据集的特征图像素坐标上;同时基于库位数量随机产生背景信息的坐标索引;
(3)使用数据集训练Yolov5模型,同时利用不同采样倍率下的像素坐标索引Yolov5中DarkNet53和SppNet内对应的特征向量,将这些特征向量在通道维度依次叠加并送入全连接层内得到库位状态预测结果;
(4)若库位预测结果为无覆盖,则库位状态被标记为空,若预测结果为覆盖,则判断库位框与行人、叉车检测框的IOU,进而判断当前库位为满还是被行人、叉车检测框遮挡,若为遮挡,则结合历史数据进行具体判断。
进一步地,步骤(2)中,特征图像素坐标将索引库位信息,同时随机产生5倍于库位数量的背景信息坐标索引,使网络能够区分背景和库位。
进一步地,步骤(3)中,使用二值交叉熵函数计算库位状态的损失值,将库位状态损失值乘以0.1并与Yolov5损失值相加得到最终损失,最终损失将用于优化模型参数。
进一步地,步骤(4)中,若IOU小于0.5则判断当前库位为满;若IOU大于0.5即行人、叉车检测框遮挡了库位,需要依靠结合历史数据即前两帧的信息推测被遮挡库位的状态,具体过程为:若前两帧率库位状态皆为满则推测当前被遮挡的库位依旧是满;若前两帧库位状态皆为空则推测当前库位依旧为空;若前两帧的库位状态不全为空或者不全为满,则库位标记为遮挡。
进一步地,步骤(3)中,对于训练后的模型,若工厂的叉车型号发生变化,则冻结DarkNet53主干网络和全连接层库位分类网络,利用行人、叉车图的标注数据单独训练Yolov5的Neck和Head的参数;若工厂货物库位的地面标签发生变化,则冻结DarkNet53和Yolov5的Neck和Head的参数,利用工厂货物库位的地面标注数据单独训练全连接层库位分类网络。
进一步地,步骤(4)中,预测得到的库位信息存储在一个环形队列内,用于http客户端的库位状态信息查询。
第二方面,本发明还提供了一种AGV货物库位状态判定系统,该系统包括数据采集模块、像素坐标映射模块、模型预测模块和预测结果判断模块;
所述数据采集模块用于采集库位的行人及叉车的图像数据,进行人工标注后,得到用于训练的数据集;
所述像素坐标映射模块用于计算库位的中心点坐标,并映射到不同采样倍率下数据集的特征图像素坐标上。同时基于库位数量随机产生背景信息的坐标索引;
所述模型预测模块用于使用数据集训练Yolov5模型,同时利用不同采样倍率下的像素坐标索引Yolov5中DarkNet53和SppNet内对应的特征向量,将这些特征向量在通道维度依次叠加并送入全连接层内得到库位状态预测结果;
所述预测结果判断模块用于判断库位预测结果,若库位预测结果为无覆盖,则库位状态被标记为空,若预测结果为覆盖,则判断库位框与行人、叉车检测框的IOU,进而判断当前库位为满还是被行人、叉车检测框遮挡,若为遮挡,则结合历史数据进行具体判断。
第三方面,本发明还提供了一种AGV货物库位状态判定装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现所述的一种AGV货物库位状态判定方法。
第四方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,所述程序被处理器执行时,实现所述的一种AGV货物库位状态判定方法。
本发明的有益效果:
1、本发明具有很强的鲁棒性:在各种光照、多目标、复杂场景等场合下算法均表现出良好的检测,分类精度。
2、本发明具有很高的实时性:在单张输入图像为736*512尺寸下,采用RTX3060显卡计算,帧率可达50fps。在同时输入5张图像进行计算,帧率也可达34fps。
3、本发明可以对行人,叉车遮挡的库位进行空满判断:算法利用历史帧推测当前的库位状态,在只使用单一摄像头的条件下即可对遮挡的库位进行判断。
4、本发明可以对不同场景进行快速部署:模型采用预训练的方式提前训练好基础参数,对于不同场景下的部署只需要少量数据训练模型特定几处的参数即可。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1是本发明一种AGV货物库位状态判定方法的流程图;
图2是货物库位标记;
图3是库位坐标在不同采样倍率的特征图上的映射关系以及特性向量索引示例;
图4是算法模型的计算流程图;
图5算法输出的结果示例;
图6是本发明一种AGV货物库位状态判断装置的结构图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1所示,本发明提供的一种AGV货物库位状态判定方法,具体步骤为:
1.本发明使用海康DS-2CD3T27EWDV3-L摄像头,安装天花板吊顶相机,从空中俯视采集地面图像。在地面库位区域安置X形标志物体为库位提供标识。手动标定库位方形库位,大量采集库位带有行人,叉车的图像进行人工标注。如图2所示,x形地标是库位标识。
2.将图像长宽等比缩放到736*512大小,同时库位、行人、叉车的标注信息一并进行缩放。计算库位的中心点坐标,并且将其映射到1/2,1/4,1/8,1/16和1/32采样倍率下的特征图像素坐标上,这些像素坐标将用于索引Yolov5特征图上的库位特征,如图3,原图上库位中心点坐标为(32,32),其映射到不同的将其映射到1/2,1/4,1/8,1/16和1/32的特征图上,其映射坐标为(16,16)、(8,8)、(4,4),(2,2)、(1,1),这些坐标用于索引特征图上对于的特征向量。同时随机产生5倍于库位数量的背景信息坐标索引,背景坐标即库位之外的任意像素坐标,背景坐标可以使网络区分背景和库位。
3.使用图像和标注信息训练Yolov5模型,同时利用不同采样比下的库位像素坐标索引DarkNet53和SppNet内对应的特征向量。将这些特征向量在通道维度依次叠加并送入线性层内,不同采用倍率下的特征向量具有不同的感受野,这可以提高算法对不同大小地标的分类精度,最后可以由库位特征向量经全连接层分类得到库位空满状态。如图3在不同采用倍率的特征图上索引库位的特征向量这些向量被堆叠在一起并送如全连接层内,全连接层将对向量进行分析并预测库位状态。使用二值交叉熵函数计算库位状态的损失值,将库位状态损失值乘以0.1并与Yolov5损失值相加得到最终损失,最终损失将用于优化模型参数。
4.使用训练好的模型进行预测,多台相机将会采集多个货物库位的图像,这些图像将在批次维度被叠加在一起送入模型预测。之后模型输出行人,叉车预测框,和库位的状态信息。利用这些行人,叉车框和库位信息可以对库位状态进一步分析。具体步骤如下:若全连接层输出库位状态为无覆盖,则库位状态被标记为empty(空)。若全连接层输出库位状态为覆盖,则判断库位框与行人、叉车检测框的IOU,即两个框交集的面积除以两个框并集的面积。若IOU小于0.5则可以判断当前库位为full(满)。若IOU大于0.5即行人、叉车检测框遮挡了库位,这时需要依靠前几帧的信息推测被遮挡库位的状态,若前两帧率库位状态皆为满则可推测当前被遮挡的库位依旧是满;若前两帧库位状态皆为空则可推测当前库位依旧为空;若前两帧的库位状态不稳定,即不全为空或者不全为满,则库位可标记为abnormal(遮挡)。如图4算法模型的计算流程,其表示了数据输入输出以及在模型内的传递方向,图像被送如Yolov5内由DarkNet53和SppNet提取特征,这些特征将被Yolov5的Neck和Head处理产生检测框;与此同时结合库位中心点坐标从Yolov5特征图提取的特征向量被送入全连接层计算的到库位空满状态。图5算法运行结果示例可见库位在不同条件下的状态:被货物覆盖为full(满)、无货物覆盖为empty(空),以及被行人叉车遮挡abnormal(遮挡)。
5.为了方便用户查询库位的状态信息,本发明将库位信息存储在一个长度为5的环形队列内。当有http客户端查询队列内的信息时,可以直接返回相应的库位状态信息。这样,用户可以通过简单的查询操作获取所需的库位状态信息。
6.为了加快模型在不同工厂库位条件下的部署速度。模型采用分段训练的方法,首先模型在大量基础数据集下训练,当其达到要求的检测、分类精度后,将其作为预训练模型。若其要部署在另外的工厂,且工厂的叉车型号发生变化,这时只需要采集少量的行人、叉车图像进行标注。在冻结DarkNet53主干网络和全连接层库位分类网络的情况下,单独训练Yolov5的Neck和Head部分参数,以提高对不同叉车的检测精度。若工厂货物库位地面标识发生变化,只需要采集少量图像对地面表示进行标注,在冻结DarkNet53和Yolov5的Neck和Head部分参数,对全连接层进行单独训练即可。单独训练,微调模型某一部分可以大大提升模型的收敛速度和减少数据标注,这对加快算法模型在不同工厂环境下的部署有很大的帮助。
与前述一种AGV货物库位状态判定方法的实施例相对应,本发明还提供了一种AGV货物库位状态判定装置的实施例。
参见图6,本发明实施例提供的一种AGV货物库位状态判定装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,用于实现上述实施例中的一种AGV货物库位状态判定方法。
本发明提供的一种AGV货物库位状态判定装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图6所示,为本发明提供的一种AGV货物库位状态判定装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的一种AGV货物库位状态判定方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (9)
1.一种AGV货物库位状态判定方法,其特征在于,该方法包括以下步骤:
(1)采集库位的行人及叉车的图像数据,进行人工标注后,得到用于训练的数据集;
(2)计算库位的中心点坐标,并映射到不同采样倍率下数据集的特征图像素坐标上;同时基于库位数量随机产生背景信息的坐标索引;
(3)使用数据集训练Yolov5模型,同时利用不同采样倍率下的像素坐标索引Yolov5中DarkNet53和SppNet内对应的特征向量,将这些特征向量在通道维度依次叠加并送入全连接层内得到库位状态预测结果;
(4)若库位预测结果为无覆盖,则库位状态被标记为空,若预测结果为覆盖,则判断库位框与行人、叉车检测框的IOU,进而判断当前库位为满还是被行人、叉车检测框遮挡,若为遮挡,则结合历史数据进行具体判断。
2.根据权利要求1所述的一种AGV货物库位状态判定方法,其特征在于,步骤(2)中,特征图像素坐标将索引库位信息,同时随机产生5倍于库位数量的背景信息坐标索引,使网络能够区分背景和库位。
3.根据权利要求1所述的一种AGV货物库位状态判定方法,其特征在于,步骤(3)中,使用二值交叉熵函数计算库位状态的损失值,将库位状态损失值乘以0.1并与Yolov5损失值相加得到最终损失,最终损失将用于优化模型参数。
4.根据权利要求1所述的一种AGV货物库位状态判定方法,其特征在于,步骤(4)中,若IOU小于0.5则判断当前库位为满;若IOU大于0.5即行人、叉车检测框遮挡了库位,需要依靠结合历史数据即前两帧的信息推测被遮挡库位的状态,具体过程为:若前两帧率库位状态皆为满则推测当前被遮挡的库位依旧是满;若前两帧库位状态皆为空则推测当前库位依旧为空;若前两帧的库位状态不全为空或者不全为满,则库位标记为遮挡。
5.根据权利要求1所述的一种AGV货物库位状态判定方法,其特征在于,步骤(3)中,对于训练后的模型,若工厂的叉车型号发生变化,则冻结DarkNet53主干网络和全连接层库位分类网络,利用行人、叉车图的标注数据单独训练Yolov5的Neck和Head的参数;若工厂货物库位的地面标签发生变化,则冻结DarkNet53和Yolov5的Neck和Head的参数,利用工厂货物库位的地面标注数据单独训练全连接层库位分类网络。
6.根据权利要求1所述的一种AGV货物库位状态判定方法,其特征在于,步骤(4)中,预测得到的库位信息存储在一个环形队列内,用于http客户端的库位状态信息查询。
7.一种AGV货物库位状态判定系统,其特征在于,该系统包括数据采集模块、像素坐标映射模块、模型预测模块和预测结果判断模块;
所述数据采集模块用于采集库位的行人及叉车的图像数据,进行人工标注后,得到用于训练的数据集;
所述像素坐标映射模块用于计算库位的中心点坐标,并映射到不同采样倍率下数据集的特征图像素坐标上;同时基于库位数量随机产生背景信息的坐标索引;
所述模型预测模块用于使用数据集训练Yolov5模型,同时利用不同采样倍率下的像素坐标索引Yolov5中DarkNet53和SppNet内对应的特征向量,将这些特征向量在通道维度依次叠加并送入全连接层内得到库位状态预测结果;
所述预测结果判断模块用于判断库位预测结果,若库位预测结果为无覆盖,则库位状态被标记为空,若预测结果为覆盖,则判断库位框与行人、叉车检测框的IOU,进而判断当前库位为满还是被行人、叉车检测框遮挡,若为遮挡,则结合历史数据进行具体判断。
8.一种AGV货物库位状态判定装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,实现如权利要求1-6中任一项所述的一种AGV货物库位状态判定方法。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时,实现如权利要求1-6中任一项所述的一种AGV货物库位状态判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521510.9A CN117437483A (zh) | 2023-11-15 | 2023-11-15 | 一种agv货物库位状态判定方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521510.9A CN117437483A (zh) | 2023-11-15 | 2023-11-15 | 一种agv货物库位状态判定方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117437483A true CN117437483A (zh) | 2024-01-23 |
Family
ID=89549750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311521510.9A Pending CN117437483A (zh) | 2023-11-15 | 2023-11-15 | 一种agv货物库位状态判定方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437483A (zh) |
-
2023
- 2023-11-15 CN CN202311521510.9A patent/CN117437483A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179324B (zh) | 基于颜色和深度信息融合的物体六自由度位姿估计方法 | |
Levinson et al. | Traffic light mapping, localization, and state detection for autonomous vehicles | |
CN110119148B (zh) | 一种六自由度姿态估计方法、装置及计算机可读存储介质 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
Potapova et al. | Learning what matters: combining probabilistic models of 2d and 3d saliency cues | |
US10824885B2 (en) | Method and apparatus for detecting braking behavior of front vehicle of autonomous vehicle | |
WO2012139228A1 (en) | Video-based detection of multiple object types under varying poses | |
CN112560684B (zh) | 车道线检测方法、装置、电子设备、存储介质以及车辆 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN111047626A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
US11615612B2 (en) | Systems and methods for image feature extraction | |
CN113537070B (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN113658257B (zh) | 一种无人设备定位方法、装置、设备及存储介质 | |
CN112241736B (zh) | 一种文本检测的方法及装置 | |
CA2787856A1 (en) | Systems and methods for estimating the geographic location at which image data was captured | |
Keawboontan et al. | Towards Real-Time UAV Multi-Target Tracking using Joint Detection and Tracking | |
Gopal et al. | Tiny object detection: Comparative study using single stage CNN object detectors | |
Liu et al. | Real-time traffic light recognition based on smartphone platforms | |
Pang et al. | An efficient 3D pedestrian detector with calibrated RGB camera and 3D LiDAR | |
CN117437483A (zh) | 一种agv货物库位状态判定方法、系统及装置 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
CN112329601B (zh) | 基于多任务网络的车位检测方法和装置 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
Li et al. | Container keyhole positioning based on deep neural network |
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 |