CN117649204B - 一种智能机器人的视觉检测系统及方法 - Google Patents
一种智能机器人的视觉检测系统及方法 Download PDFInfo
- Publication number
- CN117649204B CN117649204B CN202311717458.4A CN202311717458A CN117649204B CN 117649204 B CN117649204 B CN 117649204B CN 202311717458 A CN202311717458 A CN 202311717458A CN 117649204 B CN117649204 B CN 117649204B
- Authority
- CN
- China
- Prior art keywords
- marking
- package
- value
- abnormal
- interval
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 title claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 114
- 238000004806 packaging method and process Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 6
- 238000011179 visual inspection Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project 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
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能机器人的视觉检测系统及方法，涉及视觉检测技术领域，该系统公开了视觉检测模块、包装标记模块、监管调整模块，通过设置包装标记模块，对不同类型的物流包装类型进行分类标记，及时标记后续需要更换的包装类型，不再需要人为检查不同的包装类型，设置监管调整模块，可以调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔，保证每种物流包装类型可以得到相对合理的监管，避免出现部分物流包装类型占用监管资源的情况。
Description
技术领域
本发明涉及视觉检测技术领域，更具体地说，它涉及一种智能机器人的视觉检测系统及方法。
背景技术
随着人工智能的发展，在越来越多的行业领域都会运用到智能机器人。目前在物流行业，智能机器人起到至关重要的作用。目前的智能机器人在进行物流运输前，需要人为先对包装进行检测，当检测出没有问题后，再通过智能机器人进行物流运输。然而不同的包装类型质量也会相应的不同，这样导致物流公司需要花费大量的人力在检测包装质量上。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种智能机器人的视觉检测系统及方法。
为实现上述目的，本发明提供了如下技术方案：
一种智能机器人的视觉检测系统，包括视觉检测模块、包装标记模块、监管调整模块；
所述视觉检测模块用于检测物流包装类型，并对物流包装进行拍照处理，获取得到物流包装照片，将同一物流包装类型的物流包装照片进行归类处理，在相同时间间隔的基础上，从同一物流包装类型的物流包装照片中抽取默认比例的物流包装照片，将物流包装照片作为包装检测模型的输入数据，获取得到包装检测模型输出数据的图像标签，并将输出数据的图像标签标记为包装完整值，设置包装完整阈值为Bz，当包装完整值＜包装完整阈值Bz时，不做处理，当包装完整值≥包装完整阈值Bz时，将该物流包装类型标记为完整异常类型，并将该当前标记时间标记为异常标记时刻；
所述包装标记模块用于对不同类型的物流包装类型进行分类标记，具体为：
获取得到同一物流包装类型在系统当前时间之前的所有异常标记时刻，获取得到多个异常标记间隔，设置每个异常标记间隔均一个异常预期间隔，将异常标记间隔与异常预期间隔进行对比，当异常标记间隔＜异常预期间隔时，将该异常标记间隔标记为失落异常间隔，获取得到失落异常值Sd，当异常标记间隔≥异常预期间隔时，将该异常标记间隔标记为合理异常间隔，获取得到合理异常值Pt，获取得到同类完整均值Es；
获取得到该物流包装类型的包装标记值Gk，设置包装标记高值为Fd，设置包装标记低值为Ct，当包装标记值Gk≥包装标记高值Fd时，将该物流包装类型标记为更换包装类型，后续取消该物流包装类型的使用，当包装标记低值Ct≤包装标记值Gk＜包装标记高值Fd时，将该物流包装类型标记为监管包装类型，并将该标记时间标记为监管标记时刻，当包装标记值Gk＜安包装标记低值Ct时，将该物流包装类型标记为正常包装类型，并将该标记时间标记为正常标记时刻；
所述监管调整模块用于调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔，具体为：
获取得到同一物流包装类型的监管标记值Zx与正常标记值Bt；
获取得到该物流包装类型的监管调整值Dr，设置监管调整高值为Nb，设置监管调整低值为Vn，当监管调整值Dr≥监管调整高值Nb时，增加从该物流包装类型中抽取物流包装照片的抽取默认比例，并且缩短抽取时间间隔，当监管调整低值Vn≤监管调整值Dr＜监管调整高值Nb时，不做处理，当监管调整值Dr＜监管调整低值Vn时，减少从该物流包装类型中抽取物流包装照片的抽取默认比例，并且增加抽取时间间隔。
进一步的，包装检测模型通过下述步骤获取得到：获取得到多个物流包装照片，将图像影像帧标记为训练图像，对训练图像赋予图像标签，将训练图像按照设定比例划分成训练集和验证集，构建神经网络模型，通过训练集和验证集对神经网络模型进行迭代训练，当迭代训练次数大于迭代次数阈值时，则判定神经网络模型完成训练，将训练完成的神经网络模型标记为包装检测模型，包装检测模型输出数据的图像标签数值越大，表示物流包装的变形越严重。
进一步的，异常标记间隔通过下述步骤获取得到：将所有异常标记时刻按照时间先后顺序进行排序，将排序后相邻两个异常标记时刻进行时间差值计算，获取得到多个异常标记间隔。
进一步的，失落异常值Sd通过下述步骤获取得到：将异常预期间隔与失落异常间隔进行差值计算，获取得到失落间隔差，将所有失落间隔差进行求和处理，获取得到失落间隔总差，并标记为Bk，获取得到异常标记间隔标记为失落异常间隔的总数量，并标记为Ty，利用公式Sd＝Bk×a1+Ty×a2获取得到失落异常值Sd，其中，a1为失落间隔总差系数，a2为失落异常数量系数。
进一步的，合理异常值Pt通过下述步骤获取得到：将合理异常间隔与异常预期间隔进行差值计算，获取得到合理间隔差，将所有合理间隔差进行求和处理，获取得到合理间隔总差，并标记为Ds，获取得到异常标记间隔标记为合理异常间隔的总数量，并标记为Xc，利用公式Pt＝Ds×b1+Xc×b2获取得到合理异常值Pt，其中，b1为合理间隔总差系数，b2为合理异常数量系数。
进一步的，同类完整均值Es通过下述步骤获取得到：获取得到同一物流包装类型在系统当前时间之前检测得到的所有包装完整值，将所有包装完成值进行求和处理并取均值，获取得到同类完整均值，并标记为Es。
进一步的，包装标记值Gk通过下述步骤获取得到：利用公式Gk＝Sd×c1-Pt×c2+Es×c3获取得到该物流包装类型的包装标记值Gk，其中，c1为失落异常值系数，c2为合理异常值系数，c3为同类完整均值系数。
进一步的，监管标记值Zx与正常标记值Bt通过下述步骤获取得到：获取得到同一物流包装类型在系统当前时间之前被标记为监管包装类型的总次数，并标记为Rg，将系统当前时间之前该物流包装类型的所有监管标记时刻按照时间先后顺序进行排序，将排序后相邻两个监管标记时刻进行时间差值计算，获取得到监管标记间隔，将所有监管标记间隔进行求和处理并取均值，获取得到监管标记均隔，并标记为Jr，利用公式获取得到监管标记值Zx，其中，x1为监管包装次数系数，x2为监管标记均隔系数，获取得到同一物流包装类型在系统当前时间之前被标记为正常包装类型的总次数，并标记为Fh，将系统当前时间之前该物流包装类型的所有正常标记时刻按照时间先后顺序进行排序，将排序后相邻两个正常标记时刻进行时间差值计算，获取得到正常标记间隔，将所有正常标记间隔进行求和处理并取均值，获取得到正常标记均隔，并标记为Lp，利用公式/>获取得到正常标记值Bt，其中，y1为正常包装次数系数，y2为正常标记均隔系数。
进一步的，监管调整值Dr通过下述步骤获取得到：利用公式Dr＝Zx×z1-Bt×z2获取得到监管调整值Dr，其中，z1为监管标记值系数，z2为正常标记值系数。
进一步的，一种智能机器人的视觉检测方法，包括如下步骤：
步骤一：检测物流包装类型，并对物流包装进行拍照处理，获取得到物流包装照片，将同一物流包装类型的物流包装照片进行归类处理，在相同时间间隔的基础上，从同一物流包装类型的物流包装照片中抽取默认比例的物流包装照片；
步骤二：对不同类型的物流包装类型进行分类标记；
步骤三：调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔。
与现有技术相比，本发明具备以下有益效果：
1、设置包装标记模块，对不同类型的物流包装类型进行分类标记，及时标记后续需要更换的包装类型，不再需要人为检查不同的包装类型；
2、设置监管调整模块，可以调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔，保证每种物流包装类型可以得到相对合理的监管，避免出现部分物流包装类型占用监管资源的情况。
附图说明
图1为本发明的流程框图。
具体实施方式
实施例1
参照图1，一种智能机器人的视觉检测系统，包括视觉检测模块、包装标记模块；
视觉检测模块用于检测物流包装类型，并对物流包装进行拍照处理，获取得到物流包装照片，将同一物流包装类型的物流包装照片进行归类处理，在相同时间间隔的基础上，从同一物流包装类型的物流包装照片中抽取默认比例的物流包装照片，将物流包装照片作为包装检测模型的输入数据，获取得到包装检测模型输出数据的图像标签，并将输出数据的图像标签标记为包装完整值，设置包装完整阈值为Bz，当包装完整值＜包装完整阈值Bz时，不做处理，当包装完整值≥包装完整阈值Bz时，将该物流包装类型标记为完整异常类型，并将该当前标记时间标记为异常标记时刻；包装检测模型通过下述步骤获取得到：获取得到多个物流包装照片，将图像影像帧标记为训练图像，对训练图像赋予图像标签，将训练图像按照设定比例划分成训练集和验证集，构建神经网络模型，通过训练集和验证集对神经网络模型进行迭代训练，当迭代训练次数大于迭代次数阈值时，则判定神经网络模型完成训练，将训练完成的神经网络模型标记为包装检测模型，包装检测模型输出数据的图像标签数值越大，表示物流包装的变形越严重。
包装标记模块用于对不同类型的物流包装类型进行分类标记，具体为：
获取得到同一物流包装类型在系统当前时间之前的所有异常标记时刻，获取得到多个异常标记间隔，异常标记间隔通过下述步骤获取得到：将所有异常标记时刻按照时间先后顺序进行排序，将排序后相邻两个异常标记时刻进行时间差值计算，获取得到多个异常标记间隔。设置每个异常标记间隔均一个异常预期间隔，将异常标记间隔与异常预期间隔进行对比，当异常标记间隔＜异常预期间隔时，将该异常标记间隔标记为失落异常间隔，获取得到失落异常值Sd，失落异常值Sd通过下述步骤获取得到：将异常预期间隔与失落异常间隔进行差值计算，获取得到失落间隔差，将所有失落间隔差进行求和处理，获取得到失落间隔总差，并标记为Bk，获取得到异常标记间隔标记为失落异常间隔的总数量，并标记为Ty，利用公式Sd＝Bk×a1+Ty×a2获取得到失落异常值Sd，其中，a1为失落间隔总差系数，a2为失落异常数量系数，a1的取值为0.57，a2的取值为0.42。当异常标记间隔≥异常预期间隔时，将该异常标记间隔标记为合理异常间隔，获取得到合理异常值Pt，合理异常值Pt通过下述步骤获取得到：将合理异常间隔与异常预期间隔进行差值计算，获取得到合理间隔差，将所有合理间隔差进行求和处理，获取得到合理间隔总差，并标记为Ds，获取得到异常标记间隔标记为合理异常间隔的总数量，并标记为Xc，利用公式Pt＝Ds×b1+Xc×b2获取得到合理异常值Pt，其中，b1为合理间隔总差系数，b2为合理异常数量系数，b1的取值为0.56，b2的取值为0.43。获取得到同类完整均值Es；同类完整均值Es通过下述步骤获取得到：获取得到同一物流包装类型在系统当前时间之前检测得到的所有包装完整值，将所有包装完成值进行求和处理并取均值，获取得到同类完整均值，并标记为Es。
获取得到该物流包装类型的包装标记值Gk，包装标记值Gk通过下述步骤获取得到：利用公式Gk＝Sd×c1-Pt×c2+Es×c3获取得到该物流包装类型的包装标记值Gk，其中，c1为失落异常值系数，c2为合理异常值系数，c3为同类完整均值系数，c1的取值为0.65，c2的取值为0.64，c3的取值为0.28。设置包装标记高值为Fd，设置包装标记低值为Ct，当包装标记值Gk≥包装标记高值Fd时，将该物流包装类型标记为更换包装类型，后续取消该物流包装类型的使用，当包装标记低值Ct≤包装标记值Gk＜包装标记高值Fd时，将该物流包装类型标记为监管包装类型，并将该标记时间标记为监管标记时刻，当包装标记值Gk＜安包装标记低值Ct时，将该物流包装类型标记为正常包装类型，并将该标记时间标记为正常标记时刻。设置包装标记模块，对不同类型的物流包装类型进行分类标记，及时标记后续需要更换的包装类型，不再需要人为检查不同的包装类型。
还包括监管调整模块，监管调整模块用于调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔，具体为：
获取得到同一物流包装类型的监管标记值Zx与正常标记值Bt，监管标记值Zx与正常标记值Bt通过下述步骤获取得到：获取得到同一物流包装类型在系统当前时间之前被标记为监管包装类型的总次数，并标记为Rg，将系统当前时间之前该物流包装类型的所有监管标记时刻按照时间先后顺序进行排序，将排序后相邻两个监管标记时刻进行时间差值计算，获取得到监管标记间隔，将所有监管标记间隔进行求和处理并取均值，获取得到监管标记均隔，并标记为Jr，利用公式获取得到监管标记值Zx，其中，x1为监管包装次数系数，x2为监管标记均隔系数，x1的取值为0.67，x2的取值为0.52，获取得到同一物流包装类型在系统当前时间之前被标记为正常包装类型的总次数，并标记为Fh，将系统当前时间之前该物流包装类型的所有正常标记时刻按照时间先后顺序进行排序，将排序后相邻两个正常标记时刻进行时间差值计算，获取得到正常标记间隔，将所有正常标记间隔进行求和处理并取均值，获取得到正常标记均隔，并标记为Lp，利用公式/>获取得到正常标记值Bt，其中，y1为正常包装次数系数，y2为正常标记均隔系数，y1的取值为0.66，y2的取值为0.51。
获取得到该物流包装类型的监管调整值Dr，监管调整值Dr通过下述步骤获取得到：利用公式Dr＝Zx×z1-Bt×z2获取得到监管调整值Dr，其中，z1为监管标记值系数，z2为正常标记值系数，z1的取值为0.99，z2的取值为0.98。设置监管调整高值为Nb，设置监管调整低值为Vn，当监管调整值Dr≥监管调整高值Nb时，增加从该物流包装类型中抽取物流包装照片的抽取默认比例，并且缩短抽取时间间隔，当监管调整低值Vn≤监管调整值Dr＜监管调整高值Nb时，不做处理，当监管调整值Dr＜监管调整低值Vn时，减少从该物流包装类型中抽取物流包装照片的抽取默认比例，并且增加抽取时间间隔。设置监管调整模块，可以调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔，保证每种物流包装类型可以得到相对合理的监管，避免出现部分物流包装类型占用监管资源的情况。
工作原理：
步骤一：检测物流包装类型，并对物流包装进行拍照处理，获取得到物流包装照片，将同一物流包装类型的物流包装照片进行归类处理，在相同时间间隔的基础上，从同一物流包装类型的物流包装照片中抽取默认比例的物流包装照片；
步骤二：对不同类型的物流包装类型进行分类标记；
步骤三：调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本模板的保护范围。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种智能机器人的视觉检测系统，其特征在于，包括视觉检测模块、包装标记模块、监管调整模块；
所述视觉检测模块用于检测物流包装类型，并对物流包装进行拍照处理，获取得到物流包装照片，将同一物流包装类型的物流包装照片进行归类处理，在相同时间间隔的基础上，从同一物流包装类型的物流包装照片中抽取默认比例的物流包装照片，将物流包装照片作为包装检测模型的输入数据，获取得到包装检测模型输出数据的图像标签，并将输出数据的图像标签标记为包装完整值，设置包装完整阈值为Bz，当包装完整值＜包装完整阈值Bz时，不做处理，当包装完整值≥包装完整阈值Bz时，将该物流包装类型标记为完整异常类型，并将当前标记时间标记为异常标记时刻；
所述包装标记模块用于对不同类型的物流包装类型进行分类标记，具体为：
获取得到同一物流包装类型在系统当前时间之前的所有异常标记时刻，获取得到多个异常标记间隔，设置每个异常标记间隔均一个异常预期间隔，将异常标记间隔与异常预期间隔进行对比，当异常标记间隔＜异常预期间隔时，将该异常标记间隔标记为失落异常间隔，获取得到失落异常值Sd，当异常标记间隔≥异常预期间隔时，将该异常标记间隔标记为合理异常间隔，获取得到合理异常值Pt，获取得到同类完整均值Es；
获取得到该物流包装类型的包装标记值Gk，设置包装标记高值为Fd，设置包装标记低值为Ct，当包装标记值Gk≥包装标记高值Fd时，将该物流包装类型标记为更换包装类型，后续取消该物流包装类型的使用，当包装标记低值Ct≤包装标记值Gk＜包装标记高值Fd时，将该物流包装类型标记为监管包装类型，并将标记时间标记为监管标记时刻，当包装标记值Gk＜安包装标记低值Ct时，将该物流包装类型标记为正常包装类型，并将标记时间标记为正常标记时刻；
所述监管调整模块用于调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔，具体为：
获取得到同一物流包装类型的监管标记值Zx与正常标记值Bt；
获取得到该物流包装类型的监管调整值Dr，设置监管调整高值为Nb，设置监管调整低值为Vn，当监管调整值Dr≥监管调整高值Nb时，增加从该物流包装类型中抽取物流包装照片的抽取默认比例，并且缩短抽取时间间隔，当监管调整低值Vn≤监管调整值Dr＜监管调整高值Nb时，不做处理，当监管调整值Dr＜监管调整低值Vn时，减少从该物流包装类型中抽取物流包装照片的抽取默认比例，并且增加抽取时间间隔。
2.根据权利要求1所述的一种智能机器人的视觉检测系统，其特征在于，包装检测模型通过下述步骤获取得到：获取得到多个物流包装照片，将图像影像帧标记为训练图像，对训练图像赋予图像标签，将训练图像按照设定比例划分成训练集和验证集，构建神经网络模型，通过训练集和验证集对神经网络模型进行迭代训练，当迭代训练次数大于迭代次数阈值时，则判定神经网络模型完成训练，将训练完成的神经网络模型标记为包装检测模型，包装检测模型输出数据的图像标签数值越大，表示物流包装的变形越严重。
3.根据权利要求2所述的一种智能机器人的视觉检测系统，其特征在于，异常标记间隔通过下述步骤获取得到：将所有异常标记时刻按照时间先后顺序进行排序，将排序后相邻两个异常标记时刻进行时间差值计算，获取得到多个异常标记间隔。
4.根据权利要求3所述的一种智能机器人的视觉检测系统，其特征在于，失落异常值Sd通过下述步骤获取得到：将异常预期间隔与失落异常间隔进行差值计算，获取得到失落间隔差，将所有失落间隔差进行求和处理，获取得到失落间隔总差，并标记为Bk，获取得到异常标记间隔标记为失落异常间隔的总数量，并标记为Ty，利用公式Sd＝Bk×a1+Ty×a2获取得到失落异常值Sd，其中，a1为失落间隔总差系数，a2为失落异常数量系数。
5.根据权利要求4所述的一种智能机器人的视觉检测系统，其特征在于，合理异常值Pt通过下述步骤获取得到：将合理异常间隔与异常预期间隔进行差值计算，获取得到合理间隔差，将所有合理间隔差进行求和处理，获取得到合理间隔总差，并标记为Ds，获取得到异常标记间隔标记为合理异常间隔的总数量，并标记为Xc，利用公式Pt＝Ds×b1+Xc×b2获取得到合理异常值Pt，其中，b1为合理间隔总差系数，b2为合理异常数量系数。
6.根据权利要求5所述的一种智能机器人的视觉检测系统，其特征在于，同类完整均值Es通过下述步骤获取得到：获取得到同一物流包装类型在系统当前时间之前检测得到的所有包装完整值，将所有包装完成值进行求和处理并取均值，获取得到同类完整均值，并标记为Es。
7.根据权利要求6所述的一种智能机器人的视觉检测系统，其特征在于，包装标记值Gk通过下述步骤获取得到：利用公式Gk＝Sd×c1-Pt×c2+Es×c3获取得到该物流包装类型的包装标记值Gk，其中，c1为失落异常值系数，c2为合理异常值系数，c3为同类完整均值系数。
8.根据权利要求7所述的一种智能机器人的视觉检测系统，其特征在于，监管标记值Zx与正常标记值Bt通过下述步骤获取得到：获取得到同一物流包装类型在系统当前时间之前被标记为监管包装类型的总次数，并标记为Rg，将系统当前时间之前该物流包装类型的所有监管标记时刻按照时间先后顺序进行排序，将排序后相邻两个监管标记时刻进行时间差值计算，获取得到监管标记间隔，将所有监管标记间隔进行求和处理并取均值，获取得到监管标记均隔，并标记为Jr，利用公式获取得到监管标记值Zx，其中，x1为监管包装次数系数，x2为监管标记均隔系数，获取得到同一物流包装类型在系统当前时间之前被标记为正常包装类型的总次数，并标记为Fh，将系统当前时间之前该物流包装类型的所有正常标记时刻按照时间先后顺序进行排序，将排序后相邻两个正常标记时刻进行时间差值计算，获取得到正常标记间隔，将所有正常标记间隔进行求和处理并取均值，获取得到正常标记均隔，并标记为Lp，利用公式/>获取得到正常标记值Bt，其中，y1为正常包装次数系数，y2为正常标记均隔系数。
9.根据权利要求8所述的一种智能机器人的视觉检测系统，其特征在于，监管调整值Dr通过下述步骤获取得到：利用公式Dr＝Zx×z1-Bt×z2获取得到监管调整值Dr，其中，z1为监管标记值系数，z2为正常标记值系数。
10.一种智能机器人的视觉检测方法，应用于权利要求9所述的一种智能机器人的视觉检测系统，其特征在于，包括如下步骤：
步骤一：检测物流包装类型，并对物流包装进行拍照处理，获取得到物流包装照片，将同一物流包装类型的物流包装照片进行归类处理，在相同时间间隔的基础上，从同一物流包装类型的物流包装照片中抽取默认比例的物流包装照片；
步骤二：对不同类型的物流包装类型进行分类标记；
步骤三：调整对不同物流包装类型监管的照片抽取比例以及抽取时间间隔。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311717458.4A CN117649204B (zh) | 2023-12-14 | 2023-12-14 | 一种智能机器人的视觉检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311717458.4A CN117649204B (zh) | 2023-12-14 | 2023-12-14 | 一种智能机器人的视觉检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649204A CN117649204A (zh) | 2024-03-05 |
| CN117649204B true CN117649204B (zh) | 2024-04-26 |
Family
ID=90044963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311717458.4A Active CN117649204B (zh) | 2023-12-14 | 2023-12-14 | 一种智能机器人的视觉检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649204B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021155650A1 (zh) * | 2020-02-03 | 2021-08-12 | 平安科技（深圳）有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
| CN116703862A (zh) * | 2023-06-08 | 2023-09-05 | 江苏图恩视觉科技有限公司 | 一种用于视觉检测的智能大数据监管系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11442430B2 (en) * | 2019-08-27 | 2022-09-13 | Kyocera Document Solutions Inc. | Rapid packaging prototyping using machine learning |
| US20220129836A1 (en) * | 2020-10-22 | 2022-04-28 | Rehrig Pacific Company | Vision product inference based on package detect and brand classification with active learning |
| KR20230135069A (ko) * | 2020-12-18 | 2023-09-22 | 스트롱 포스 브이씨엔 포트폴리오 2019, 엘엘씨 | 밸류 체인 네트워크를 위한 로봇 플릿 관리 및 적층제조 |
| CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
-
2023
- 2023-12-14 CN CN202311717458.4A patent/CN117649204B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021155650A1 (zh) * | 2020-02-03 | 2021-08-12 | 平安科技（深圳）有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
| CN116703862A (zh) * | 2023-06-08 | 2023-09-05 | 江苏图恩视觉科技有限公司 | 一种用于视觉检测的智能大数据监管系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649204A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
| CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
| CN113158851B (zh) | 一种佩戴安全帽检测方法、设备以及计算机存储介质 | |
| CN113344133B (zh) | 一种时序行为异常波动检测方法及系统 | |
| CN114998576B (zh) | 一种输电线路开口销缺失检测方法、装置、设备和介质 | |
| CN114358242A (zh) | 一种异质结电池生产监控系统及方法 | |
| CN117197112B (zh) | 一种基于样本比对的工业丝印缺陷检测方法及系统 | |
| CN113822385A (zh) | 基于图像的输煤异常监测方法、装置、设备及存储介质 | |
| CN117972687B (zh) | 一种基于区块链的电力智能监控系统 | |
| CN114970694B (zh) | 一种网络安全态势评估方法及其模型训练方法 | |
| CN113128555A (zh) | 一种用于列车闸片部件异常检测的方法 | |
| CN114724076A (zh) | 图像识别方法、装置、设备及存储介质 | |
| CN117649204B (zh) | 一种智能机器人的视觉检测系统及方法 | |
| CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
| CN113221667B (zh) | 一种基于深度学习的人脸口罩属性分类方法及系统 | |
| CN110136097A (zh) | 一种基于特征金字塔的绝缘子故障识别方法与装置 | |
| CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
| CN116229570A (zh) | 一种基于机器视觉的高空作业人员行为态势识别方法 | |
| CN110263630A (zh) | 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备 | |
| CN115641607A (zh) | 电力施工现场作业人员穿戴行为检测方法、装置、设备及存储介质 | |
| CN112288747A (zh) | 一种钢坯的智能检测方法及装置 | |
| CN109214390B (zh) | 基于机器视觉原理的栅栏状态检测方法及系统 | |
| CN112351071B (zh) | 一种基于云计算的中药生产远程监控系统 | |
| CN116295855B (zh) | 基于无线通信网络的故障定位及诊断系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |