CN117612116A - 组合标识记录方法、装置、电子设备及集装箱装卸设备 - Google Patents
组合标识记录方法、装置、电子设备及集装箱装卸设备 Download PDFInfo
- Publication number
- CN117612116A CN117612116A CN202311428835.2A CN202311428835A CN117612116A CN 117612116 A CN117612116 A CN 117612116A CN 202311428835 A CN202311428835 A CN 202311428835A CN 117612116 A CN117612116 A CN 117612116A
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- container
- text box
- carriage
- 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 62
- 238000012216 screening Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000002699 waste material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- 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
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种组合标识记录方法、装置、电子设备及正面吊,通过位于正面吊上的摄像机,获取第一图像与第二图像,分别对第一图像和第二图像进行识别,得到火车车厢标识和集装箱标识,组合记录火车车厢标识与对应的集装箱标识,得到组合标识。这样,可实现火车车厢标识与对应的集装箱标识的自动识别和记录,解决人工记录火车号及集装箱号的效率较低且容易出错的问题。
Description
技术领域
本申请涉及铁路技术领域,具体涉及一种组合标识记录方法、装置、电子设备及正面吊。
背景技术
在当前的火车装卸货的场景中,通常会采用人工的方式来记录火车号及集装箱号,即火车车次和集装箱标识。但是,人工记录火车号及集装箱号的效率较低且容易出错。
发明内容
基于上述现有技术的缺陷和不足,本申请提出一种组合标识记录方法、装置、电子设备及正面吊,能够通过对正面吊上的摄像机获取到的第一图像与第二图像进行识别,并通过组合记录识别到的火车车厢标识和集装箱标识的方式,实现火车车厢标识和集装箱标识的自动识别和记录,解决人工记录火车号及集装箱号的效率较低且容易出错的问题。
根据本申请实施例的第一方面,提供了一种组合标识记录方法,所述方法包括:
通过摄像机获取第一图像与第二图像,所述摄像机位于用于吊装所述集装箱的正面吊上;
分别对所述第一图像和所述第二图像进行识别,得到火车车厢标识和集装箱标识;所述火车车厢标识包括火车车次与车厢标识;
组合记录所述火车车厢标识与对应的所述集装箱标识,得到所述组合标识,所述组合标识包括所述火车车厢标识与对应的所述集装箱标识。
根据本申请实施例的第二方面,提供了一种组合标识记录装置,包括:
获取模块,用于通过摄像机获取第一图像与第二图像,所述摄像机位于用于吊装所述集装箱的正面吊上;
识别模块,用于分别对所述第一图像和所述第二图像进行识别,得到火车车厢标识和集装箱标识;所述火车车厢标识包括火车车次与车厢标识;
记录模块,用于组合记录所述火车车厢标识与对应的所述集装箱标识,得到所述组合标识,所述组合标识包括所述火车车厢标识与对应的所述集装箱标识。
根据本申请实施例的第三方面,提供了一种电子设备,包括存储器和处理器;
所述存储器与所述处理器连接,用于存储程序;
所述处理器用于通过运行所述存储器中的程序,实现如第一方面所述的组合标识记录方法。
根据本申请实施例的第四方面,提供了一种正面吊,所述正面吊中设置有如第三方面所述的电子设备。
上述组合标识识别方法、装置、电子设备及正面吊中,通过位于用于吊装该集装箱的正面吊上的摄像机,获取包含火车车厢标识所在区域的第一图像与包含集装箱标识所在区域的第二图像,分别对第一图像和第二图像进行识别,得到火车车厢标识和集装箱标识,组合记录火车车厢标识与对应的集装箱标识,得到组合标识。这样,可以实现火车车厢标识与对应的集装箱标识的自动识别和记录,解决人工记录火车号及集装箱号的效率较低且容易出错的问题。
附图说明
为了更清楚地说明本申请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作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例给出的一种可行应用场景的示意图;
图2为本申请实施例给出的一种组合标识记录方法的流程示意图;
图3为本申请实施例给出的一种摄像机的角度的变化的示意图;
图4为本申请实施例提出的一种火车车厢标识区域文本框的位置的示意图;
图5为本申请实施例提出的一种传输组合标识的方式的示意图;
图6为本申请实施例提出的一种组合标识记录的整体流程的示意图;
图7为本申请实施例提出的一种模型训练的算法原理的示意图;
图8为本申请实施例提出的一种数据处理的流程的示意图;
图9为本申请实施例提出的一种模型识别流程的示意图;
图10为本申请实施例提出的一种组合标识记录装置的示意图;
图11为本申请实施例提出的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
概述
如背景技术中所述,在当前的火车装卸货的场景中,通常会采用人工的方式来记录火车号和集装箱号,但是人工记录火车号及集装箱号的效率较低且容易出错。
在此基础上,发明人经过进一步的研究发现,通过位于用于吊装集装箱的正面吊上的摄像机,获取第一图像与第二图像,第一图像中包含火车车厢标识所在区域,分别对第一图像和第二图像进行识别,得到火车车厢标识和集装箱标识,组合记录火车车厢标识与对应的集装箱标识,得到组合标识。这样,可实现火车车厢标识与对应的集装箱标识的自动识别与记录,无需人工参与,可以较好的解决人工记录火车号及集装箱号的效率较低且容易出错的问题。
此外,由于正面吊在装卸集装箱时可自由移动,且在装卸集装箱时也可较长时间地停留,通过正面吊上设置的摄像机,能够获取到足够数量的所需的第一图像与第二图像,有足够的时间对错误采集的图像进行纠正,重新获取所需的图像,从而较为准确的识别出火车车厢标识与集装箱标识,并实现对识别错误的火车车厢标识和集装箱标识的纠正,进一步保证火车车厢标识和集装箱标识识别的准确率。
基于上述构思,本说明书实施例提供了一种组合标识记录方法,下面将结合附图对所述组合标识记录方法进行示例性描述。
示例性场景
参考图1,图1为组合标识记录方法的可行应用场景。
如图1所示,该可行应用场景中包括火车、集装箱、正面吊。
其中,火车由多个车厢构成,用于装载集装箱及运送火车所装载的集装箱。集装箱,用于装载货物。正面吊,用于装卸集装箱。
一般的,集装箱的箱面上写有该集装箱的相关信息,包括集装箱标识,还可以包括集装箱类型、集装箱归属等信息。相类似的,火车车厢的厢面上写有该火车车厢的相关信息,包括火车车次、火车车厢标识,还可以包括火车类型、火车归属等信息。
可以理解的是,火车又称为铁路列车,是指在铁路轨道上行驶的车辆,通常由多节车厢组成。通常情况下,火车车厢的厢面上还具有铁路标志。
如图1所示,该可行性应用场景中还包括摄像机,该摄像机位于正面吊上,用于拍摄集装箱上集装箱标识区域的图像,即获取第二图像,还用于拍摄火车车厢上火车车厢标识区域的图像,即获取第一图像。
其中,该摄像机可以位于正面吊的臂架上。
示例性方法
请参阅图2,在一示例性实施例中,提供了一种组合标识记录方法,应用于正面吊中。
除正面吊外,该组合标识记录方法还可应用于其他能够进行集装箱装卸的设备上,例如,堆高机、起重机等。
如图2所示,所述组合标识记录方法包括步骤S201-S203:
S201:在装卸集装箱时,通过摄像机获取第一图像与第二图像。
其中,摄像机位于正面吊上,该正面吊用于吊装集装箱,该集装箱为集装箱标识对应的集装箱。也就是说,该摄像机位于用于吊装组合标识中集装箱标识对应的集装箱的正面吊上。
该摄像机用于拍摄第一图像与第二图像。
具体地,该摄像机的数量可以为一个或多个。
摄像机的数量为一个时,由这一个摄像机获取第一图像与第二图像。
摄像机的数量为多个时,由不同的摄像机分别获取第一图像与第二图像。具体地,摄像机中的至少一个用于获取第一图像,摄像机中除这至少一个外的其他摄像机用于获取第二图像。
一般地,摄像机的数量为多个,例如两个。这样,由于第一图像与第二图像之间具有一定的距离,通过多个摄像机分别获取第一图像和第二图像,可以达到针对性获取这两个区域的图像的效果,获取到的这两个区域的图像的清晰度较高,识别度较好,可有效保证识别到的火车车厢标识和集装箱标识的准确性,且能够实现这两个区域的图像的同时获取,从而达到较好的组合识别和记录的效果。
具体地,上述摄像机可以是工业摄像机。
示例性地,以正面吊为例,正面吊的臂架上安装有两个摄像机,这两个摄像机分别用于拍摄第一图像和第二图像。
另外,可以理解的是,第一图像中包含火车车厢标识所在区域,第二图像中包含集装箱标识所在区域。即第一图像为包含火车车厢标识所在区域的图像,第二图像为包含集装箱标识所在区域的图像。
示例性地,第一图像为火车车厢上包含火车车厢标识的车厢厢面的图像,第二图像为集装箱上包含集装箱标识的箱面的图像。
其中,火车车厢标识包括火车车次以及车厢标识。
具体地,通过摄像机获取预设时间段内的第一图像与第二图像。
一般地,装卸集装箱会持续一段时间。其中,预设时间段可以为装卸货时间段,即装卸集装箱的时间段。
也就是说,通过摄像机获取装卸集装箱时(或者说装卸集装箱的时间段内)的第一图像与第二图像。可理解的是,第一图像中所包含的火车车厢标识为装载当前正在装卸的集装箱的火车车次和车厢的标识。第二图像中所包含的集装箱标识为当前正在装卸的集装箱的标识。
这样,通常情况下,获取到的第一图像的数量为多张,相应地,获取到的第二图像的数量为多张。
一般地,装卸集装箱时,正面吊停靠在吊装集装箱的火车车厢的前面,基于此,通过正面吊上安装的摄像机可以获得较为完整和易于识别的第一图像和集装箱区域图像。
或者,具体地,可以预设获取到的第一图像和第二图像的数量。示例性地,设定在装卸集装箱时获取100张第一图像与100张第二图像。
这样可避免由于装卸集装箱的时间过长,导致所获取的两区域图像(即第一图像与第二图像)的数量过多,出现获取图像且识别的工作量较大的情况,从而在一定程度上避免资源浪费。
S202:分别对第一图像和第二图像进行识别,得到火车车厢标识和集装箱标识。
可选地,对第一图像进行识别,得到火车车厢标识,对第二图像进行识别,得到集装箱标识。
具体地,通过不同模型分别对第一图像和第二图像进行识别,得到火车车厢标识和第二图像。
也就是说,通过一模型对第一图像进行识别,得到火车车厢标识,通过另一模型对第二图像进行识别,得到第二图像。
其中,用于识别这两个区域的图像的模型位于人工智能(artificialintelligence,AI)处理器中。
更具体地,通过AI处理器中的一模型对第一图像,进行火车车次和车厢标识的识别,得到该第一图像中的火车车厢标识,通过AI处理器中另一模型对第二图像进行集装箱标识的识别,得到该第二图像中的集装箱标识。
更具体地,步骤S201中获取到的第一图像和第二图像的数量均为至少一张。
在装卸集装箱的时间段内,不断对获取到的第一图像和第二图像进行识别,得到相应的至少一个火车车厢标识和至少一个集装箱标识。
当然,一般情况下,装卸集装箱会持续较长的一段时间,所获取到的和需要识别的第一图像和第二图像的数量会较多,这样,可以较好的保证火车车厢标识和集装箱标识的识别的准确性。
为了进一步保证识别结果的准确性,可以对识别得到的多个火车车厢标识和集装箱标识进行过滤,滤除部分误识别得到的火车车厢标识和集装箱标识。
示例性地,以集装箱标识为例,在装卸集装箱时间段内,获取到100张第二图像,对这100张第二图像进行集装箱标识的识别,98次的识别结果为A,2次的识别结果为B,此时,可筛选排除极少误识别得到的识别结果B,从而提高集装箱标识的识别的准确率,火车车车厢标识同理。
可选地,在识别完获取到的所有第一图像和第二图像,或识别完预设数量的第一图像和对应的第二图像后,停止识别。在识别完预设数量的第一图像和对应的第二图像后,停止识别的同时,停止继续获取第一图像与第二图像。
可理解的是,停止火车车厢标识与集装箱标识识别,即停止运行上述识别模型,停止相应识别算法程序,同时,停止摄像头获取画面,停止所有设备运行,从而节省设备使用损耗。
S203:组合记录火车车厢标识与对应的集装箱标识,得到组合标识。
其中,组合标识包括火车车厢标识与对应的集装箱标识。
该组合标识用于表征集装箱的装车位置信息,即组合标识用于表征哪一集装箱装卸于哪一火车车次的哪一车厢。也就是说,装车位置信息包括火车车次及车厢号/车厢标识。
可选地,先确定火车车厢标识与该火车车厢标识对应的集装箱标识,随后组合记录该火车车厢标识与对应的该集装箱标识,从而得到组合标识。
也就是说,火车车厢标识与集装箱标识基于装载关系相对应。
示例性地,若火车车厢标识包括火车车次T123和车厢标识2,与集装箱标识123456相对应,则说明集装箱标识123456对应的集装箱装载于车次为T123的火车的2车厢中。
本实施例中,通过对摄像机获取到的第一图像和集装箱区域图像进行识别,并组合记录识别到的火车车厢标识与对应的集装箱标识,得到组合标识,可实现火车车厢标识与对应的集装箱标识的自动识别和记录,无需人工参与,可有效解决人工记录火车号及集装箱号时效率较低且容易出错的问题。
另外,将摄像机设置于正面吊上,由于正面吊在装卸集装箱时可自由移动,且在装卸集装箱时可长时间的停留,通过该摄像机,能够获取到足够数量的位置准确、较易识别的第一图像与第二图像,且有足够时间能够在错误采集图像或错误识别标识后重新获取所需图像,实现对错误识别的火车车厢标识和集装箱标识的纠正,有效保证火车车厢标识和集装箱标识识别的准确率。
在一些实施例中,通过摄像机获取第一图像与第二图像时,可先接收图像获取指令,再响应于该图像获取指令,通过摄像机进行拍摄,得到第一图像与第二图像。
其中,图像获取指令用于指示摄像机获取第一图像与第二图像。
另外,图像获取指令可以是由装卸货触发的。
具体地,在装卸货即集装箱时,会通过旋锁进行抓箱,若旋锁抓箱成功,则说明装卸货开始,此时可触发图像获取指令。
由于摄像机拍摄画面是可变的,为保证获取到的图像为所需的第一图像和第二图像,接收图像获取指令后,需对摄像机拍摄画面进行调整,即控制摄像机画面为指定位置/区域的画面。其中,指定位置/区域的画面即火车车厢标识所在区域的画面或集装箱标识所在区域的画面。
可选地,由于摄像机的拍摄画面随拍摄角度发生变化,在接收到图像获取指令后,可通过对摄像机的角度进行调整,来对摄像机的拍摄画面进行调整,以确保摄像机能够拍摄到火车车厢标识所在区域,以及集装箱标识所在区域。
具体地,响应于图像获取指令,调整摄像机的角度为目标角度,并(在调整摄像机的角度后)通过摄像机进行拍摄,得到第一图像与第二图像。其中,目标角度为摄像机能够拍摄到第一图像与第二图像的角度。
另外,火车尺寸一般是固定标准,集装箱尺寸可能是多种多样的,相应地,火车车厢标识区域一般也是固定的,集装箱标识区域的具体位置可能会随集装箱尺寸变化而发生一定的变化。因此,旋锁抓箱成功,也就是开始装卸集装箱,触发图像获取指令后,先获取集装箱尺寸,再基于控制相应的摄像机画面到指定位置,即集装箱标识区域/集装箱标识位置。
由于拍摄火车车厢标识区域与第二图像的摄像机可能是不同的摄像机,摄像机可以划分为用于火车车厢标识区域的摄像机,以及用于拍摄集装箱标识区域的摄像机,为了区分这里称用于火车车厢标识区域的摄像机为第一摄像机,用于拍摄集装箱标识区域的摄像机为第二摄像机。此时,目标角度可以包括第一目标角度与第二目标角度。其中,第一目标角度为能够拍摄到第一图像的第一摄像机的角度,第二目标角度为能够拍摄到第二图像的第二摄像机的角度。
更具体地,响应于图像获取指令,调整摄像机的角度为目标角度,并通过摄像机拍摄,得到第一图像与第二图像时,响应于图像获取指令,调整第一摄像机的角度为第一目标角度,并(在调整第一摄像机的角度后)通过第一摄像机进行拍摄,得到第一图像,调整第二摄像机的角度为第二目标角度,并(在调整第二摄像机的角度后)通过第二摄像机进行拍摄,得到第二图像。
可以理解的是,基于摄像机位置、性能参数、尺寸参数等的不同,摄像机所对应的能够拍摄到第一图像和第二图像的角度也可能会不同,因此,目标角度与摄像机之间存在对应关系。也就是说,在摄像机为多个时,目标角度也可能有多个。
在本实施例中,接收到图像获取指示后,先调整摄像机的角度为目标角度,再通过调整角度后的摄像机进行拍摄,可准确获取到所需的第一图像和第二图像,避免不能准确获取到所需图像的情况。
一般情况下,即使摄像机的角度不变,随着正面吊臂架长度的不同,摄像机所能拍摄到的画面可能也会存在差异,也就是说,随着正面吊臂架长度的不同,摄像机在臂架上能够采集到所需的第一图像或第二图像的角度也可能会不同。
因此,为了保证通过摄像机能够拍摄到所需的第一图像和第二图像,在一些实施例中,调整摄像机的角度为目标角度时,先基于正面吊的臂架长度、正面吊的臂架长度与摄像机的角度之间的线性关系,确定目标角度,再将摄像机的角度调整为该目标角度。
其中,正面吊的臂架长度与摄像机的角度之间的线性关系符合多项式回归。
示例性地,正面吊的臂架长度与摄像机的角度之间的线性关系可采用这一目标函数表示。其中,yx,W表示摄像机的角度,x表示臂架长度,多项式系数w0、w1,…,wK整体记作向量W,K为多项式阶数,j<=K,wj表示第j+1个多项式系数,xj为第j+1个多项式。
另外,示例性地,用于描述算法好坏的损失函数,即描述上述目标函数是否能够准确表达正面吊的臂架长度与摄像机的角度之间的线性关系的损失函数,可以采用常用的均方误差(mean square error,MSE)。例如,损失函数为其中,yi为基于上述目标函数所确定的摄像机的角度,/>为实际的摄像机角度。一般情况下,损失函数的取值越小,则上述目标函数越能够准确表达正面吊的臂架长度与摄像机的角度之间的线性关系。
表1
臂架长度(m) | 目标角度(°) | 臂架长度(m) | 目标角度(°) |
6 | 41 | 7 | 43 |
8 | 45 | 9 | 50 |
10 | 56 | 10.5 | 60 |
11 | 63 | 11.5 | 69 |
12 | 73 | 12.5 | 74 |
13 | 74 | 13.5 | 74 |
14 | 76 | 14.5 | 77 |
15 | 77 | 15.5 | 79 |
16 | 78 | 16.5 | 77 |
17 | 79 | 18 | 78 |
19 | 77 | 20 | 78 |
示例性地,按照上述目标函数,随着正面吊的臂架长度的变化,摄像机的角度的变化可如图3所示,其中,不同臂架长度所对应的摄像机的角度可如上表1所示,臂架长度为6m、7m、8m、9m、10m、10.5m、11m、11.5m、12m、12.5m、13m、13.5m、14m、14.5m、15m、15.5m、16m、16.5m、17m、18m、19m、20m时,基于目标函数所确定的摄像机的角度分别为41°、43°、45°、50°、56°、60°、63°、69°、73°、74°、74°、74°、76°、77°、77°、79°、78°、77°、78°。
具体地,基于当前正面吊的臂架长度、正面吊的臂架长度和摄像机的角度之间的线性关系,确定当前正面吊的臂架长度对应的摄像机的角度,并将该角度确定为目标角度,随后,将摄像机的角度调整为该目标角度。
随着正面吊臂架长度的不同,摄像机在臂架上能够采集到所需的第一图像或第二图像的角度也可能会不同。因此,在本实施例中,基于正面吊的臂架长度、正面吊的臂架长度与摄像机角度之间的线性关系,可以较为准确地确定使得摄像机能够拍摄到所需的第一图像或第二图像的目标角度,将摄像机的角度调整为该目标角度,可保证通过摄像机能够获取到所需的两标识区域图像。
一般地,火车车厢表面除火车车厢标识外还具有其他多种信息,相类似的,集装箱表面除集装箱标识外还具有其他多种信息,第一图像和第二图像中也可能存在除火车车厢标识和集装箱标识外的其他信息,在所需识别的信息为火车车厢标识与集装箱标识时,对第一图像和第二图像进行识别的实际场景中,可能会出现文本误检的情况,造成资源的浪费,延长识别时间,降低识别效率。
为了避免出现文本误检的情况,减少资源的浪费,缩短识别时间,提高识别效率,在进行第一图像和集装箱标识区域进行识别时,需对所需要识别的信息进行筛选,即对无效信息进行滤除。
可选地,在一些实施例中,分别对第一图像和第二图像进行识别,得到火车车厢标识和集装箱标识时,可以先对区域图像中的文本框进行识别,并对识别到的文本框筛选,再基于筛选后得到的目标文本框对相应区域图像进行裁剪,得到相应的文本框图像,最后,对文本框图像中的文本进行识别,得到所需的火车车厢标识与集装箱标识。
其中,筛选后得到的目标文本框即通过筛选的文本框,为有效文本框,是火车车厢标识或集装箱标识所在的文本框,筛选后被滤除的文本框即未被确定为目标文本框的文本框,是未通过筛选的文本框,为无效文本框,不是火车车厢标识或集装箱标识所在的文本框。
具体地,先分别对第一图像和第二图像进行文本框识别,得到火车车厢标识区域文本框和集装箱标识区域文本框,再基于火车车厢标识区域文本框和集装箱标识区域文本框。再分别对火车车厢标识区域文本框和集装箱标识区域文本框进行筛选,得到目标火车车厢标识区域文本框和目标集装箱标识区域文本框。之后,基于目标火车车厢标识区域文本框和目标集装箱标识区域文本框,分别对第一图像和第二图像进行裁剪,得到火车车厢标识区域文本框图像和集装箱标识区域文本框图像。最后,分别对火车车厢标识区域文本框图像和集装箱标识区域文本框图像进行文本识别,得到火车车厢标识与集装箱标识。
也就是说,对第一图像进行识别时,先对第一图像进行文本框识别,得到火车车厢标识区域文本框,再对火车车厢标识区域文本框进行筛选,得到目标火车车厢标识区域文本框,之后,基于目标火车车厢标识区域文本框,对第一图像进行裁剪,得到火车车厢标识区域文本框图像,最后,对火车车厢标识区域文本框图像进行文本识别,得到火车车厢标识。
对第二图像进行识别时,先对第二图像进行文本框识别,得到集装箱标识区域文本框,再对集装箱标识区域文本框进行筛选,得到目标集装箱标识区域文本框,之后,基于目标集装箱标识区域文本框,对第一图像和第二图像进行裁剪,得到集装箱标识区域文本框图像,最后,对集装箱标识区域文本框图像进行文本识别,得到集装箱标识。
具体地,对火车车厢标识区域文本框进行筛选需遵循一定的筛选原则。由于火车车厢标识的尺寸一般是固定的,火车车次标识与车厢标识之间的距离一般会比较近,火车车次标识、车厢标识等一般与火车厢面上的铁路标志距离较近。因此,筛选原则可以是基于例如文本框的尺寸、文本框之间的距离、文本框与铁路标志的相对距离等因素的。
示例性地,筛选原则为文本框与铁路标志的相对距离不超过预设相对距离。
相类似地,对集装箱标识区域文本框进行筛选也需遵循一定的筛选原则,由于集装箱标识的尺寸一般是固定的,且集装箱各个标识之间的距离一般会比较近,集装箱标识可能也会与某一特定符号距离较近,因此,筛选原则可以是例如文本框尺寸、文本框之间的距离、文本框与某一特定符号的相对距离等因素的。
示例性地,筛选原则为与其他预设数量个的集装箱标识区域文本框的距离不超过预设距离。以预设数量为3为例,此时,若集装箱标识区域文本框a周围的预设距离内,存在2个或2个以下的其他集装箱标识区域,则滤除该集装箱标识区域文本框a;若集装箱标识区域文本框a周围的预设距离内,存在3个或3个以上的其他集装箱标识区域,则确定该集装箱标识区域文本框a为目标集装箱标识区域文本框。
需要说明的是,本实施例中,在裁剪得到两标识区域文本框图像并对文本框图像进行识别前,先对识别到的两标识区域文本框进行筛选,可以有效减少基于无效文本框的文本框图像的裁剪和相应的文本框图像的文本识别,避免资源浪费,提高区域图像识别的效率,保证区域图像的火车车厢标识和集装箱标识的识别的准确性。
当然,在另一些实施例中,得到两标识区域的文本框后,也可以先基于两标识区域的文本框,对两标识区域图像进行裁剪,得到两标识区域文本框图像后,再对这两标识区域文本框图像进行筛选,得到两标识区域的目标文本框图像,即目标火车车厢标识区域文本框图像与目标集装箱标识区域文本框图像,最后,基于这两标识区域的目标文本框图像进行文本识别,得到火车车厢标识和集装箱标识。
在一些实施例中,火车车厢的厢面上,火车车厢标识与铁路标志一般会距离较近,因此,在对火车车厢标识区域文本框进行筛选时,可基于铁路标志,来对火车车厢标识区域的文本框进行筛选,得到目标火车车厢标识区域文本框。
可选地,对火车车厢标识区域文本框进行筛选时,先对第一图像中的铁路标志进行识别,随后,基于识别到的铁路标志与火车车厢标识区域文本框的相对位置,对火车车厢标识区域文本框进行筛选,得到目标火车车厢标识区域文本框。
具体地,采用目标检测算法,先对第一图像中的铁路标志进行识别(或者说检测),确定铁路标志的位置,随后,基于铁路标志的位置与火车车厢标识区域文本框的位置,确定铁路标志与火车车厢标识区域文本框的相对位置,基于该相对位置,对火车车厢标识区域文本框进行筛选,得到目标火车车厢标识区域文本框。
其中,目标检测算法可以为例如rtdertr目标检测算法。
更具体地,基于铁路标志的位置与火车车厢标识区域文本框的位置,确定铁路标志与火车车厢标识区域文本框的相对距离,并基于该相对距离对火车车厢标识区域文本框进行筛选。
也就是说,可基于铁路标志与火车车厢标识区域文本框的相对距离的大小,对火车车厢标识区域文本框进行筛选。
其中,铁路标志与火车车厢标识区域文本框的相对距离可以是使用欧式距离。
示例性地,基于确定铁路标志与火车车厢标识区域文本框的相对距离。其中,ρ表示相对距离,(xi,yi)表示第i个火车车厢标识区域文本框的位置坐标,i为大于1的整数,(x0,y0)表示铁路标志的位置坐标。
其中,第i个火车车厢标识区域文本框的位置坐标,可以是该文本框上任意一点例如中心点的位置坐标,同理,铁路标志的位置坐标可以是该文本标识符上任意一点例如中心点的位置坐标。
更具体地,基于相对距离对火车车厢标识区域文本框进行筛选时,保留通过筛选的文本框,作为目标火车车厢标识区域文本框。同时,可将未通过筛选的文本框滤除。
其中,由于火车车厢标识与铁路标志一般会距离较近,在基于铁路标志与火车车厢标识区域文本框的相对距离的大小,对火车车厢标识区域文本框进行筛选时,可保留与铁路标志的相对距离较大的火车车厢标识区域框,并将保留的文本框,确定为目标火车车厢标识区域文本框。同时,可将与铁路标志的相对距离较小的火车车厢标识区域文本框滤除。
相类似地,对集装箱标识区域文本框进行筛选时,先确定目标标志,该目标标志与集装箱标识距离较近,此时,可基于该目标标志来对集装箱标识区域的文本框进行筛选,得到目标集装箱标识区域文本框。
其中,目标标志也可以是铁路标志。
可选地,对集装箱标识区域文本框进行筛选时,先对第二图像中的目标标志进行识别,随后,基于识别到的目标标志与集装箱标识区域文本框的相对位置,对集装箱标识区域文本框进行筛选,得到目标集装箱标识区域文本框。
具体地,采用目标识别算法,先对第二图像中的目标标志进行识别,确定目标标志的位置,随后,基于目标标志的位置与集装箱标识区域文本框的相对位置,并基于该相对位置对集装箱标识区域文本框进行筛选,得到目标集装箱标识区域文本框。关于该过程的具体实现可参见上述对火车车厢标识区域文本框进行筛选,得到目标火车车厢标识区域文本框的具体实现的介绍。
可以理解的是,上述铁路标志也可替换为其他距离火车车厢标识较近或较远的信息项,相类似地,上述目标标志也可替换为其他距离集装箱标识较远或较近的信息项。
在本实施例中,由于火车车厢标识与铁路标志一般会距离较近,基于火车车厢标识区域文本框与铁路标志的相对距离,对火车车厢标识区域文本框进行筛选,能够得到较好的筛选效果,有效滤除无效文本框,得到目标火车车厢标识区域文本框,实现对火车车厢标识所在的文本框的准确识别,减少不必要的文本识别所造成的资源浪费,提高识别效率。
更具体地,由于火车车厢标识与铁路标志一般会距离较近,在基于相对距离对火车车厢标识区域文本框进行筛选时,保留相对距离较小即与铁路标志距离较近的火车车厢标识区域文本框,滤除相对距离较大即与铁路标志距离较远的火车车厢标识区域文本框。也就是说,保留的与铁路标志距离较近的火车车厢标识区域文本框,即为目标火车车厢标识区域文本框。
可以理解的是,相对距离的大小或者说距离的远近一般是通过距离阈值来进行衡量的。
因此,在一些实施例中,基于相对距离对火车车厢标识区域文本框进行筛选时,基于火车车厢标识区域文本框与铁路标志的相对距离是否大于第一预设距离阈值,对火车车厢标识区域文本框进行筛选。
具体地,若火车车厢标识区域文本框与铁路标志的相对距离,大于或等于第一预设距离阈值,则可确定该火车车厢标识区域文本框为无效文本框,即不存在火车车厢标识的文本框,滤除该火车车厢标识区域文本框;若火车车厢标识区域文本框与铁路标志的相对距离,小于第一预设距离阈值,则确定该火车车厢标识区域文本框为有效文本框,即存在火车车厢标识的文本框,保留该火车车厢标识区域文本框,从而实现对火车车厢标识区域文本框的筛选。
示例性地,对第一图像进行文本框识别,得到3个火车车厢标识区域文本框,如图4所示,这3个文本框分别为文本框1、文本框2、文本框3。其中,文本框1、文本框2和文本框3与铁路标志的距离分别为a、b和c。此时,若a、b、c与第一预设距离阈值d之间的大小关系为a<b<d<c,则文本框1和文本框2为有效文本框,文本框3为无效文本框,或者说文本框3为误检框或误识别框。
示例性地,对于火车车厢标识区域文本框与铁路标志的相对距离ρ,若第一预设距离阈值为M,当ρ<M时,保留该文本框,当ρ>=M时,丢弃/滤除该文本框,从而有效过滤误检框。
相类似地,基于相对距离对集装箱标识区域文本框进行筛选时,基于集装箱标识区域文本框与目标标志的相对距离是否大于第二预设距离阈值,对集装箱标识区域文本框进行筛选。
具体地,若集装箱标识区域文本框与目标标志的相对距离,大于或等于第二预设距离阈值,则可确定该集装箱标识区域文本框为无效文本框,即不存在集装箱标识的文本框,滤除该集装箱标识区域文本框;若集装箱标识区域文本框与目标标志的相对距离,小于第二预设距离阈值,则可确定该集装箱标识区域文本框为有效文本框,即存在集装箱标识的文本框,保留该集装箱标识区域文本框,从而实现对集装箱标识区域文本框的筛选。
可以理解的是,由于文本框识别主要是为了识别火车车厢标识所在的文本框,或者是集装箱标识所在的文本框,若识别到的文本框不能通过筛选,则说明该文本框为无效文本框,或者说该文本框为误检(文本)框/误识别(文本)框。
在本实施例中,对火车车厢标识区域文本框进行筛选,得到目标火车车厢标识区域文本框时,若文本框与铁路标志的相对距离,大于或等于第一预设距离阈值,则滤除该文本框,相应地,若该文本框与铁路标志的相对距离小于第一预设距离阈值,则保留文本框,这样,由于火车车厢标识一般与铁路标志的距离较近,通过滤除与铁路标志的距离较远的文本框,可有效滤除火车车厢标识识别时的无效文本框,实现对火车车厢标识所在的文本框的准确识别,减少不必要的文本识别所造成的资源浪费,提高识别效率。
相类似的,对集装箱标识区域文本框进行筛选,得到目标集装箱标识区域文本框时,若文本框与目标标志的相对距离,大于或等于第二预设距离阈值,则滤除该文本框,相应地,若该文本框与目标标志的相对距离小于第二预设距离阈值,则保留文本框,这样,由于集装箱标识一般与目标标志的距离较近,通过滤除与目标标志的距离较远的文本框,可有效滤除集装箱标识识别时的无效文本框,实现对集装箱标识所在的文本框的准确识别,减少不必要的文本识别所造成的资源浪费,提高识别效率。
在一些实施例中,组合记录火车车厢标识与对应的集装箱标识时,可先基于识别到该火车车厢标识的第一图像,和识别到集装箱标识的第二图像,确定火车车厢标识与集装箱标识之间的对应关系,再组合记录火车车厢标识与该火车车厢标识对应的集装箱标识。
其中,火车车厢标识与集装箱标识之间的对应关系是基于集装箱与火车车厢的装载关系确定的。
由于第一图像与第二图像是在装卸集装箱时获取到的,若第一图像与第二图像的获取时间相同或相近,则说明该第一图像和该第二图像,均是在同一集装箱的装卸过程中获取到的,也就是说,该第一图像中识别到的火车车厢标识对应的火车车厢,用于装载该第二图像中识别到的集装箱标识所表征的集装箱。此时,基于该装载关系,可建立该第二图像与该第一图像的对应关系。
因此,可基于第一图像的获取时间与第二图像的获取时间,建立火车车厢标识与集装箱标识之间的对应关系,随后,基于该对应关系,组合记录该火车车厢标识和该火车车厢标识对应的集装箱标识。
具体地,先基于第一图像的获取时间与第二图像的获取时间,建立第一图像与第二图像之间的对应关系,进而建立火车车厢标识与集装箱标识之间的对应关系。
更具体地,若第一图像的获取时间与第二图像的获取时间相同或相近,则说明该第一图像与该第二图像是在同一集装箱的装载过程中获取到的,建立该第一图像与该第二图像之间的对应关系,并建立该第一图像中识别到的火车车厢标识,与该第二图像中识别到的集装箱标识之间的对应关系。
示例性地,若第一图像的获取时间与第二图像的获取时间的差值小于或等于预设时间差值,则确定该第一图像与该第二图像是在同一集装箱的装载过程中获取到的。反之,则确定该第一图像与该第二图像不是在同一集装箱的装载过程中获取到的。
最后,基于火车车厢标识与集装箱标识之间的对应关系,组合记录火车车厢标识与该火车车厢标识对应的集装箱标识。
示例性地,火车车厢标识1-5分别与集装箱标识a-e相对应,组合记录火车车厢标识1和集装箱标识a、火车车厢标识2和集装箱标识b、火车车厢标识3和集装箱标识c、火车车厢标识4和集装箱标识d、火车车厢标识5和集装箱标识e,得到五组组合标识。
在本实施例中,由于第一图像与第二图像是在装卸集装箱时获取到的,若第一图像与第二图像的获取时间相同或相近,则说明该第一图像和该第二图像,均是在同一集装箱的装卸过程中获取到的,基于两标识区域图像的获取时间,可以较为准确的建立火车车厢标识与集装箱标识之间的对应关系,从而较为准确地实现火车车厢标识与对应集装箱标识的组合记录。
在一些实施例中,组合记录火车车厢标识与对应的集装箱标识,得到组合标识后,将组合标识通过有线或无线的方式传输至铁路系统,也可通过有线、无线或者本地保存等方式提供给客户。
示例性地,如图5所示,可通过RS485接口或http网络的api接口,将组合标识传输至铁路系统。同时,也可将识别到该组合标识的两标识区域图像的获取时间,通过RS485接口或http网络的api接口,传输至铁路系统。其中,由于两区域图像的标识的识别是实时进行的,也可以将实时时间与组合标识一并传输至铁路系统。
这样,将组合标识传输至铁路系统或客户,便于对集装箱中的货物进行管理和追踪,避免货物的错误装卸、发送或丢失,更好地组织和优化获取的装卸和运输流程,建立完整的货物运输数据库,促进铁路行业经济发展和提高正面吊的产品竞争力。
示例性地,组合标识记录的整体流程可如图6所示,开始装卸(集装箱中)货物后,对旋锁是否抓箱成功进行判断。若是,对于获取第一图像的过程,直接控制像机画面至指定位置,即火车车厢标识所在区域的位置,并获取第一图像。若是,对于获取第二图像的过程,先获取集装箱尺寸,再基于获取到的集装箱尺寸,控制相机画面至指定位置,即集装箱标识所在区域的位置。随后,运行火车车厢标识识别算法程序,对第一图像进行识别,并对是否识别n帧画面进行判断,即对是否识别n张第一图像进行判断,若否,则继续运行火车车厢标识识别程序算法,若是,则停止运行火车车厢标识识别算法程序。同时,运行集装箱标识识别算法程序,对第二图像进行识别,并对是否识别n帧画面进行判断,即对是否识别n张第二图像进行判断,若否,则继续运行集装箱标识识别算法程序,若是,则停止运行集装箱标识识别算法程序。之后,筛选识别结果,即筛选识别到的火车车厢标识与集装箱标识,组合记录筛选后的火车车厢标识和对应的集装箱标识。最后,通过有线、无线或者本地保存的方式,将组合记录的火车车厢标识和对应的集装箱标识发送给客户。
其中,运行火车车厢标识识别算法程序即运行识别火车车厢标识的模型,运行集装箱标识识别算法程序即运行识别集装箱标识的模型。
可以理解的是,识别火车车厢标识的模型是采用火车车厢标识识别算法进行模型训练得到,识别集装箱标识的模型是采用集装箱标识识别算法进行模型训练得到。
示例性地,以火车车厢标识识别算法为例,对进行模型训练的算法原理进行介绍,如图7所示。采用FPN结构设计DB++检测模型整体网络,将第一图像输入该检测网络,经5次下采样和3次上采样,预测输出概率图与阈值图,概率图经过阈值图处理,进行二值化后,处理得到文本框(或者说文本边界)。检测出文本框后,对第一图像进行裁剪,并将裁剪后得到的文本框图像输入到识别网络(或者说识别模型),即ABINet识别模型。如图7所示,裁剪得到的文本框图像中所包含的火车车厢标识为“C70EH”与“1513255”。ABINet识别模型中,先利用视觉网络ResNet模块提取特征,将特征信息送入该视觉网络ResNet模块中的BCN语言模型提取语言特征,随后,BCN网络通过使用变种Transformer结构进行文字预测。如图7所示,该ABINet识别模型中还包括linear&softmax层。这样,视觉模块网络与语言模块网络融合后再经过特征处理可精确得出识别结果,如图7所示,该识别结果为“C70EH”与“1513255”。
示例性地,进行模型训练时对训练数据进行处理的过程如图8所示,获取摄像机拍摄的图像数据,即训练数据集,并对图像数据进行标注,标注位置坐标,即火车车厢标识/集装箱标识在图像中具体位置的坐标,并标注火车车厢标识/集装箱标识。按照一定的坐标顺序,例如左上、右上、右下、左下的坐标顺序,清洗(训练数据集中)坐标位置,再结合集装箱标识、火车车厢标识的编码规则,过滤确认标注的准确性。随后,通过加噪、旋转、裁剪等数据增强方法,扩充数据。之后,可基于处理后的训练数据集进行模型训练。
示例性地,识别火车车厢标识/集装箱标识的识别流程可如图9所示。将待识别的(火车车厢/集装箱)标识区域图像输入模型中,先检测(该标识区域图像中的)文本框位置,采用目标识别模型rtdetr检测(火车/集装箱)标识符,基于(文本框与火车/目标标志的)欧式距离,筛选目标文本框。之后,求文本框宽、高范数,计算获取转换矩阵M,根据转换矩阵M,利用透视变换,裁剪并旋转得到目标文本框,识别裁剪后的目标文本框中的字符,得到识别结果,即火车。
可以理解的是,上述步骤S202中对获取到的标识区域图像进行识别的具体过程,是通过训练得到的存储于AI处理器中的识别模型实现的。
示例性装置
相应的,本申请实施例还提供了一种组合标识记录装置,如图10所示,该装置包括获取模块301、识别模块302以及记录模块303。
其中,
获取模块301,用于通过摄像机获取第一图像与第二图像,所述摄像机位于用于吊装所述集装箱的正面吊上;
识别模块302,用于分别对所述第一图像和所述第二图像进行识别,得到火车车厢标识和集装箱标识;所述火车车厢标识包括火车车次与车厢标识;
记录模块303,用于组合记录所述火车车厢标识与对应的所述集装箱标识,得到所述组合标识,所述组合标识包括所述火车车厢标识与对应的所述集装箱标识,所述组合标识用于表征集装箱的装车位置信息。
本实施例提供的组合标识记录装置,与本申请上述实施例所提供的组合标识记录方法属于同一申请构思,可执行本申请上述任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请上述实施例提供的组合标识记录方法的具体处理内容,此处不再加以赘述。
以上的获取模块301、识别模块302和记录模块303所实现的功能可以分别由相同或不同的处理器调用软件的形式实现,本申请实施例不作限定。
示例性系统
本申请实施例还提供一种组合标识记录系统,该系统包括摄像机、正面吊、火车、电子设备。
其中,摄像机安装于正面吊上。
具体地,摄像机安装于正面吊的臂架上。
摄像机,用于拍摄第一图像与第二图像;
正面吊,用于吊装集装箱,以实现集装箱在火车车厢中的装卸。
电子设备,用于通过摄像机获取第一图像与第二图像,分别对所述第一图像和所述第二图像进行识别,得到火车车厢标识和集装箱标识;所述火车车厢标识包括火车车次与车厢标识;组合记录所述火车车厢标识与对应的所述集装箱标识,得到所述组合标识,所述组合标识包括所述火车车厢标识与对应的所述集装箱标识,所述组合标识用于表征集装箱的装车位置信息。
示例性电子设备
本申请另一实施例还提出一种电子设备,参见图11所示,该电子设备包括:存储器200和处理器210。
其中,所述存储器200与所述处理器210连接,用于存储程序;
所述处理器210,用于通过运行所述存储器200中存储的程序,实现上述任一实施例公开的组合标识记录方法。
具体地,该电子设备还可以包括:总线、通信接口220、输入设备230和输出设备240。
处理器210、存储器200、通信接口220、输入设备230和输出设备240通过总线相互连接。其中:
总线可包括一通路,在计算机系统各个部件之间传送信息。
处理器210可以是通用处理器,例如通用中央处理器(CPU)、微处理器等,也可以是特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器210可包括主处理器,还可包括基带芯片、调制解调器等。
存储器200中保存有执行本申请技术方案的程序,还可以保存有操作系统和其他关键业务。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。更具体的,存储器200可以包括只读存储器(read-only memory,ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
输入设备230可包括接收用户输入的数据和信息的装置,例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出设备240可包括允许输出信息给用户的装置,例如显示屏、打印机、扬声器等。
通信接口220可包括使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等。
处理器210执行存储器200中所存放的程序,以及调用其他设备,可用于实现本申请上述实施例所提供的任意一种组合标识记录方法的各个步骤。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例还提出一种芯片,该芯片包括处理器和数据接口,所述处理器通过所述数据接口读取并运行存储器上存储的程序,以执行上述任意实施例所介绍的组合标识记录方法,具体处理过程及其有益效果可参见上述的组合标识记录方法的实施例介绍。
本申请实施例还提供一种正面吊,该正面吊中设置有上述电子设备。
除了上述方法和设备以外,本申请的实施例提出一种计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的组合标识记录方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还提出一种存储介质,其上存储有计算机程序,计算机程序被处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的组合标识记录方法中的步骤。
可以理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本说明书实施方式,而非限制本说明书的范围。
可以理解,在本说明书中的各种实施方式中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本说明书实施方式的实施过程构成任何限定。
可以理解,本说明书中描述的各种实施方式,既可以单独实施,也可以组合实施,本说明书实施方式对此并不限定。
除非另有说明,本说明书实施方式所使用的所有技术和科学术语与本说明书的技术领域的技术人员通常理解的含义相同。本说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在限制本说明书的范围。本说明书所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本说明书实施方式和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
可以理解,本说明书实施方式的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施方式的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本说明书实施方式中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本说明书的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在本说明书所提供的几个实施方式中,应所述理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,所述单元的划分,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接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施方式方案的目的。
另外,在本说明书各个实施方式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。
所述功能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介质中。基于这样的理解,本说明书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所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,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)执行本说明书各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本说明书的具体实施方式,但本说明书的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本说明书的保护范围之内。因此,本说明书的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种组合标识记录方法,其特征在于,所述方法包括:
在装卸集装箱时,通过摄像机获取第一图像与第二图像,所述摄像机位于用于吊装所述集装箱的正面吊上,所述第一图像中包含火车车厢标识所在区域,所述第二图像中包含集装箱标识所在区域;
分别对所述第一图像和所述第二图像进行识别,得到火车车厢标识和集装箱标识;所述火车车厢标识包括火车车次与车厢标识;
组合记录所述火车车厢标识与对应的所述集装箱标识,得到所述组合标识,所述组合标识包括所述火车车厢标识与对应的所述集装箱标识,所述组合标识用于表征集装箱的装车位置信息。
2.根据权利要求1所述的组合标识记录方法,其特征在于,所述通过摄像机获取第一图像与第二图像,包括:
接收图像获取指令,所述图像获取指令用于指示所述摄像机获取所述第一图像与所述第二图像;
响应于所述图像获取指令,调整所述摄像机的角度为目标角度,并通过所述摄像机进行拍摄,得到所述第一图像与所述第二图像,所述目标角度为所述摄像机能够拍摄到所述第一图像与所述第二图像的角度。
3.根据权利要求2所述的组合标识记录方法,其特征在于,所述调整所述摄像机的角度为目标角度,包括:
基于所述正面吊的臂架长度、所述正面吊的臂架长度与所述摄像机的角度之间的线性关系,确定所述目标角度;
将所述摄像机的角度调整为所述目标角度。
4.根据权利要求1所述的组合标识记录方法,其特征在于,所述分别对所述第一图像和所述第二图像进行识别,得到火车车厢标识和集装箱标识,包括:
分别对所述第一图像和所述第二图像进行文本框识别,得到火车车厢标识区域文本框与集装箱标识区域文本框;
分别对所述火车车厢标识区域文本框和所述集装箱标识区域文本框进行筛选,得到目标火车车厢标识区域文本框和目标集装箱标识区域文本框;
基于所述目标火车车厢标识区域文本框和所述目标集装箱标识区域文本框,分别对所述第一图像和所述第二图像进行裁剪,得到火车车厢标识区域文本框图像和集装箱标识区域文本框图像;
分别对所述火车车厢标识区域文本框图像和所述集装箱标识区域文本框图像进行文本识别,得到所述火车车厢标识与所述集装箱标识。
5.根据权利要求4所述的组合标识记录方法,其特征在于,所述分别对所述火车车厢标识区域文本框和所述集装箱标识区域文本框进行筛选,得到目标火车车厢标识区域文本框和目标集装箱标识区域文本框,包括:
识别所述第一图像中的铁路标志;
基于所述火车车厢标识区域文本框与所述铁路标志的相对距离,对所述火车车厢标识区域文本框进行筛选,得到所述目标火车车厢标识区域文本框。
6.根据权利要求5所述的组合标识记录方法,其特征在于,
基于所述火车车厢标识区域文本框与所述铁路标志的相对距离,对所述火车车厢标识区域文本框进行筛选,得到所述目标火车车厢标识区域文本框,包括:
若所述火车车厢标识区域文本框与所述铁路标志的相对距离,大于或等于第一预设距离阈值,则滤除所述火车车厢标识区域文本框;
若所述火车车厢标识区域文本框与所述铁路标志的相对距离,小于所述第一预设距离阈值,则保留所述火车车厢标识区域文本框。
7.根据权利要求1-6中任一项所述的组合标识记录方法,其特征在于,所述组合记录所述火车车厢标识与对应的所述集装箱标识,包括:
基于所述第一图像的获取时间与所述第二图像的获取时间,建立所述火车车厢标识与所述集装箱标识之间的对应关系;
基于所述对应关系,组合记录所述火车车厢标识与所述火车车厢标识对应的所述集装箱标识。
8.一种组合标识记录装置,其特征在于,所述装置包括:
获取模块,用于通过摄像机获取第一图像与第二图像,所述摄像机位于用于吊装所述集装箱的正面吊上,所述第一图像中包含火车车厢标识所在区域,所述第二图像中包含集装箱标识所在区域;
识别模块,用于分别对所述第一图像和所述第二图像进行识别,得到火车车厢标识和集装箱标识;所述火车车厢标识包括火车车次与车厢标识;
记录模块,用于组合记录所述火车车厢标识与对应的所述集装箱标识,得到所述组合标识,所述组合标识包括所述火车车厢标识与对应的所述集装箱标识,所述组合标识用于表征集装箱的装车位置信息。
9.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器与所述处理器连接,用于存储程序;
所述处理器用于通过运行所述存储器中的程序,实现如权利要求1至7中任意一项所述的组合标识记录方法。
10.一种正面吊,其特征在于,所述正面吊中设置有如权利要求9所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428835.2A CN117612116A (zh) | 2023-10-30 | 2023-10-30 | 组合标识记录方法、装置、电子设备及集装箱装卸设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428835.2A CN117612116A (zh) | 2023-10-30 | 2023-10-30 | 组合标识记录方法、装置、电子设备及集装箱装卸设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117612116A true CN117612116A (zh) | 2024-02-27 |
Family
ID=89954106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311428835.2A Pending CN117612116A (zh) | 2023-10-30 | 2023-10-30 | 组合标识记录方法、装置、电子设备及集装箱装卸设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612116A (zh) |
-
2023
- 2023-10-30 CN CN202311428835.2A patent/CN117612116A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348451B (zh) | 铁路集装箱装卸过程中的箱号自动采集及识别方法 | |
US10204268B2 (en) | Method and system for identifying train number and train type, and method and system for security inspection | |
CN106203239B (zh) | 用于集装箱理货的信息处理方法、装置和系统 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN109740547A (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
CN111598076B (zh) | 一种标签图像中日期检测处理方法及装置 | |
CN110008782A (zh) | 条码信息的获取方法及装置 | |
CN113286086B (zh) | 一种摄像头的使用控制方法、装置、电子设备及存储介质 | |
CN112602101A (zh) | 用于运输工具货物管理的方法和系统 | |
CN117612116A (zh) | 组合标识记录方法、装置、电子设备及集装箱装卸设备 | |
CN110717456A (zh) | 对象监控方法和装置、系统、电子设备、存储介质 | |
CN111242051A (zh) | 一种车辆识别优化方法、装置及存储介质 | |
JP2017058950A (ja) | 認識装置、撮像システム、撮像装置並びに認識方法及び認識用プログラム | |
CN112016514B (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
CN114399671A (zh) | 目标识别方法及装置 | |
JP2021096864A (ja) | コンテナ番号認識システム | |
CN112149475B (zh) | 行李箱验证方法及装置、系统、存储介质 | |
CN110532910B (zh) | 一种无人机rfid辅助扫描控制方法及装置 | |
CN115410105A (zh) | 集装箱标记识别方法、装置、计算机设备和存储介质 | |
CN114596239A (zh) | 装卸货事件检测方法、装置、计算机设备和存储介质 | |
Vavilin et al. | Real-Time Train Wagon Counting and Number Recognition Algorithm | |
CN116433930A (zh) | 搬运车辆动作识别方法、装置、电子设备及可读存储介质 | |
CN113076838A (zh) | 铁路集装箱场站箱号编组顺序识别方法、系统、设备及存储介质 | |
US20240062505A1 (en) | Image processing device, image processing method, and program | |
CN118072123A (zh) | 样本集生成方法及装置 |
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 |