CN117911959A - 一种分拨中心格口等货车辆识别方法、系统、电子设备 - Google Patents
一种分拨中心格口等货车辆识别方法、系统、电子设备 Download PDFInfo
- Publication number
- CN117911959A CN117911959A CN202311782653.5A CN202311782653A CN117911959A CN 117911959 A CN117911959 A CN 117911959A CN 202311782653 A CN202311782653 A CN 202311782653A CN 117911959 A CN117911959 A CN 117911959A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- area
- training
- vehicle
- 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 44
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013434 data augmentation Methods 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 44
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012031 short term test Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种分拨中心格口等货车辆识别方法、系统、电子设备,方法步骤包括:对图像信息中的格口区域和车辆图像进行分割标注,提取不同层级对应的第一特征信息;对第一特征信息进行数据增广训练,用于扩充并生成训练集;将生成的训练集作为输入量再次输入进用于目标检测的深度学习模型进行模型训练,获得第二特征信息,基于第二特征信息对分拨中心格口等待车辆的图像信息进行识别,进行对应不同的预警提示。本发明可以根据分拨中心的出口格口和对应的车辆的不同状态,进行对应不同的预警提示,提醒操作人员装货或卸货,不仅能够减少货车等待时间、提高分拣中心的装卸速度,更能够大幅度提升整体物流效率和服务质量。
Description
技术领域
本发明涉及一种车辆识别方法、系统、电子设备,尤其涉及一种分拨中心格口等货车辆识别方法、系统、电子设备。
背景技术
分拨中心作为电商供应链中的关键枢纽,必须具备高效的处理能力,能够迅速而准确地分拣、装载和发送货物。传统的分拨中心操作通常需要依赖人工干预和识别,这种方式效率低下且容易出现错误,已经不能满足人们的要求,亟需得到改进。
发明内容
本发明的目的在于提供一种分拨中心格口等货车辆识别方法、系统、电子设备,无需完全依赖人工干预和识别,能够迅速而准确地进行分拣、装载和发送货物,解决现有技术存在的缺憾。
本发明提供了下述方案:
一种分拨中心格口等货车辆识别方法,包括:
获取分拨中心格口等待车辆的图像信息,使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,获得分割标注信息;
将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,在图像信息上建立不同的层级,提取不同层级对应的第一特征信息;
对所述第一特征信息进行数据增广训练,基于图像权重公式和/或标签权重公式获得新的训练样本,用于扩充并生成训练集;
将生成的训练集作为输入量再次输入进用于目标检测的深度学习模型进行模型训练,获得第二特征信息,在所述获得第二特征信息的过程中,通过优化器定义损失函数识别模型,预测结果与真实值之间的差异程度,根据预先设置的阈值调整模型参数;
基于第二特征信息对分拨中心格口等待车辆的图像信息进行识别,区分分拨中心的格口和对应的车辆,根据分拨中心的出口格口和对应的车辆的不同状态,进行对应不同的预警提示。
进一步的,所述使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,进一步包括:
通过labme图像分割标注工具对所述图像信息中的格口区域和车辆图像进行分割标注;
基于labme图像分割标注工具对训练数据进行划分和识别,将格口区域和车辆图像的边界进行框定;
对框定后的格口区域和车辆图像进行分类并保存分类结果,将所述分类结果与原始图像进行匹配,匹配结果至少包括图像位置信息和图像类型信息。
进一步的,所述将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,进一步包括:
基于RefineDet模型对图像信息进行预处理,获取图像基本信息,所述图像基本信息至少包括长宽高、分辨率、颜色模式、颜色通道、比例尺单位、像素值和清晰度;
基于所述图像基本信息,调取RefineDet模型中的卷积层、池化层和全连接层来提取图像特征,并通过回归器和分类器对图像信息进行处理,得到第一特征信息,所述第一特征信息至少包括分拨中心格口的大小、形状,以及等货车辆的车头朝向信息;
将基于卷积层、池化层和全连接层获得的信息进行融合,获得分拨中心格口与等货车辆的第一融合信息。
进一步的,所述对所述第一特征信息进行数据增广训练,基于权重公式获得新的训练样本,进一步包括:
基于mixup数据增广程序对所述第一特征信息进行数据增广训练,生成训练样本;
获取分割标注后获得的分割标注信息,结合数据增广后的第一特征信息,基于图像权重公式和/或标签权重公式获得新的训练样本,用以获得新生成的图像信息和标签信息;
所述图像权重公式为:C1=λ*A1+(1-λ)*B1
其中C1为新生成的图像信息,λ为权重,A1为第一图像信息,B1为第二图像信息;
所述标签权重公式为:C2=λ*A2+(1-λ)*B2
其中C2为新生成的标签信息,λ为权重,A2为第一标签信息,B2为第二标签信息。
进一步的,所述对所述第一特征信息进行数据增广训练,基于权重公式获得新的训练样本,进一步包括:
基于cutout图像处理工具进行图像处理和数据增广训练,获取分割标注后获得的分割标注信息;
在原始图像中进行随机区域选择,并将选择的随机区域进行遮挡,生成遮挡区域;
根据预先设定的先验数据,对所述遮挡区域进行处理,移动所述遮挡区域内的被遮挡图像信息;
对所述被遮挡图像信息的周围进行平滑过渡处理,用以减少被遮挡图像的边缘锐利度;
输出经过cutout图像处理后的第一特征信息。
进一步的,所述对所述被遮挡图像信息的周围进行平滑过渡处理,具体为:
获取待处理的原始图像,以及获取被遮挡图像区域,建立被选择图像区域;
建立被选择图像区域和被遮挡图像区域的交集,计算被选择图像区域和被遮挡图像区域的特征参数,所述特征参数至少包括图像边界灰度值;
根据计算结果,调整所述特征参数,将被选择图像区域和被遮挡图像区域之间的轮廓进行图像增强处理或锐度值降低处理。
进一步的,所述将被选择图像区域和被遮挡图像区域之间的轮廓进行图像增强处理或锐度值降低处理,具体为:
对被选择图像区域和被遮挡图像区域之间的交集进行去噪和平滑处理;
检测并标记出被选择图像区域和被遮挡图像区域之间的边界轮廓;
采用计算机视觉算法,对所述边界轮廓进行调整;
根据被选择图像区域和被遮挡图像区域之间的交集的灰度差异值,进行加权平均计算,获得新的边界轮廓值。
一种分拨中心格口等货车辆识别系统,包括:
分拨中心格口等待车辆图像信息获取模块,获取分拨中心格口等待车辆的图像信息,使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,获得分割标注信息;
深度学习模型图像处理模块,将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,在图像信息上建立不同的层级,提取不同层级对应的第一特征信息;
第一特征信息数据增广模块,对所述第一特征信息进行数据增广训练,基于图像权重公式和/或标签权重公式获得新的训练样本,用于扩充并生成训练集;
第二特征信息模型训练模块,将生成的训练集作为输入量再次输入进用于目标检测的深度学习模型进行模型训练,获得第二特征信息,在所述获得第二特征信息的过程中,通过优化器定义损失函数识别模型,预测结果与真实值之间的差异程度,根据预先设置的阈值调整模型参数;
图像信息识别预警模块,基于第二特征信息对分拨中心格口等待车辆的图像信息进行识别,区分分拨中心的格口和对应的车辆,根据分拨中心的出口格口和对应的车辆的不同状态,进行对应不同的预警提示。
一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行所述方法的步骤。
一种计算机可读存储介质,其存储有可由电子设备执行的计算机程序,当所述计算机程序在所述电子设备上运行时,使得所述电子设备执行所述方法的步骤。
本发明与现有技术相比具有以下的优点:
通过计算机视觉技术,可以实现对货物装卸过程中的格口区域进行快速检测和识别,当有车辆进入或离开格口区域时,系统能够及时发出预警信号,提醒工作人员进行相应操作。这样一来,不仅可以减少货车等待时间,还能有效提高分拣中心的装卸速度。现有技术需要人工巡查和确认每个格口是否有车辆停靠或驶离,在繁忙的情况下往往会造成耽误和延误。而引入计算机视觉技术后,只需将摄像头等图像/视频采集装置安装在合适位置,并配备相应的图像处理软件即可实现自动化监控与管理。
基于图像标注、图像处理并利用深度学习模型进行训练和预测,能够进一步提升物流速度和服务质量,在分拣中心充分利用本发明的等货车辆识别方法,可以精确地识别车辆信息,并自动记录相关数据供后续查询与统计分析使用。
本发明可以根据分拨中心的出口格口和对应的车辆的不同状态,进行对应不同的预警提示,提醒操作人员装货或卸货,不仅能够减少货车等待时间、提高分拣中心的装卸速度,更能够大幅度提升整体物流效率和服务质量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1是分拨中心格口等货车辆识别方法的流程图。
图2是分拨中心格口等货车辆识别系统的架构图。
图3是电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示的分拨中心格口等货车辆识别方法,包括
步骤S1,获取分拨中心格口等待车辆的图像信息,使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,获得分割标注信息。
优选的,在步骤S1中,通过labme图像分割标注工具对所述图像信息中的格口区域和车辆图像进行分割标注;
基于labme图像分割标注工具对训练数据进行划分和识别,将格口区域和车辆图像的边界进行框定;
对框定后的格口区域和车辆图像进行分类并保存分类结果,将所述分类结果与原始图像进行匹配,匹配结果至少包括图像位置信息和图像类型信息。
lablme是一种用于图像分割任务的标注工具,在本步骤中通过lablme将一张图片中的不同物体或区域进行划分和识别,使得每个物体或区域都能够被准确地边界框出来,并在进行图像分割任务时对训练数据进行标注,给图像信息中的不同物体或区域进行划分和识别,例如在本实施例中可以将分拨中心格口和等待车辆进行划分和识别,对图像信息进行正确标注。
示例性的,采用lablme进行图像分割、标注的流程为:
绘制边界:在图片上绘制多边形、矩形来分别框选分拨中心格口与等货车辆,用以划分和识别分拨中心格口与等货车辆;
标记类别:通过对分拨中心格口与等货车辆分别添加对应的类别信息进行标注,
保存结果:lablme对图片进行框选和分类,将框选和分类的结果进行保存,并生成与原始图片相匹配的目标位置和类别信息文件。
步骤S2,将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,在图像信息上建立不同的层级,提取不同层级对应的第一特征信息。
优选的,进一步包括:
基于RefineDet模型对图像信息进行预处理,获取图像基本信息,所述图像基本信息至少包括长宽高、分辨率、颜色模式、颜色通道、比例尺单位、像素值和清晰度;
基于所述图像基本信息,调取RefineDet模型中的卷积层、池化层和全连接层来提取图像特征,并通过回归器和分类器对图像信息进行处理,得到第一特征信息,所述第一特征信息至少包括分拨中心格口的大小、形状,以及等货车辆的车头朝向信息;
将基于卷积层、池化层和全连接层获得的信息进行融合,获得分拨中心格口与等货车辆的第一融合信息。
在步骤S2中,采用RefineDet网络模型进行图像处理,RefineDet网络是一种用于目标检测的深度学习模型。它通过对输入图像进行分析和处理,能够准确地识别出图像中存在的不同物体,并给出它们在图像中的位置和边界框。
RefineDet网络模型在每个层级上进行进一步处理和融合,以获取更加准确和全面的目标检测结果,输出每个类别在图片中所处位置及其边界框。
示例性的,在本步骤中RefineDet网络模型基于目标检测算法,对原始图片中的分拨中心格口、等货汽车、传送带进行处理和融合,输出分拨中心格口、等货汽车、传送带在图片中所处的位置及其边界框,实现计算机视觉智能识别的效果。
步骤S3,对所述第一特征信息进行数据增广训练,基于图像权重公式和/或标签权重公式获得新的训练样本,用于扩充并生成训练集。
在本步骤中,可以采用mixup程序或cutout工具进行数据增广,其中mixup用于使模型更好地产生类别之间的边界信息,Cutout通过遮挡部分图像区域来产生新样本。
优选的,基于mixup数据增广程序对所述第一特征信息进行数据增广训练,生成训练样本;
获取分割标注后获得的分割标注信息,结合数据增广后的第一特征信息,基于图像权重公式和/或标签权重公式获得新的训练样本,用以获得新生成的图像信息和标签信息;
所述图像权重公式为:C1=λ*A1+(1-λ)*B1
其中C1为新生成的图像信息,λ为权重,A1为第一图像信息,B1为第二图像信息。
所述标签权重公式为:C2=λ*A2+(1-λ)*B2
其中C2为新生成的标签信息,λ为权重,A2为第一标签信息,B2为第二标签信息。
在本步骤中,通过mixup程序实现深度学习的训练过程,将多个不同样本的第一特征信息进行线性组合,生成的训练样本,
用以有效地扩充训练集,并且有助于提高模型在测试集上的泛化能力。通过引入不同样本之间的线性关系,mixup可以使得模型更好地学习到类别之间的边界信息,例如:原始图像信息中至少包括分拨中心格口信息和等货汽车信息,通过mixup程序生成介于分拨中心格口与等货汽车之间的新图片,或者生成分拨中心格口与等货汽车的过渡区间,有助于RefineDet网络模型更好地理解分拨中心格口与等货汽车之间的关系,使得识别过程更加智能化。
优选的,在步骤S4中,对所述第一特征信息进行数据增广训练,基于权重公式获得新的训练样本,进一步包括:
基于cutout图像处理工具进行图像处理和数据增广训练,获取分割标注后获得的分割标注信息;
在原始图像中进行随机区域选择,并将选择的随机区域进行遮挡,生成遮挡区域;
根据预先设定的先验数据,对所述遮挡区域进行处理,移动所述遮挡区域内的被遮挡图像信息;
本领域技术人员可以理解,先验数据指的是与分拨中心格口和等货车辆相关的信息或知识。先验数据可以基于以往的观察或实验证据得出的,并且在没有新的观察结果时仍然有效。
对所述被遮挡图像信息的周围进行平滑过渡处理,用以减少被遮挡图像的边缘锐利度;
输出经过cutout图像处理后的第一特征信息。
与mixup程序不同,Cutout通过遮挡部分图像区域产生新的样子,例如可以在每张输入图片上随机选择一个区域并将其覆盖或删除(通常以黑色填充),从而形成了经过修改后带有遮挡区域(cutout)效果的新图片。通过mixup与Cutout之间的配合使用,可以防止模型过度依赖局部特征,并可以基于注意力机制使过程更加关注分拨中心格口与等货汽车的全局信息,提高模型对噪声、干扰工况下的信噪比和抗干扰能力。
示例性的,在利用Cutout程序对图片进行遮挡区域处理时采用平滑过渡处理,将被选择图像区域和被遮挡图像区域之间的轮廓进行图像增强处理或锐度值降低处理,可采用如下技术手段:
获取待处理的原始图像,以及获取被遮挡图像区域,建立被选择图像区域;
建立被选择图像区域和被遮挡图像区域的交集,计算被选择图像区域和被遮挡图像区域的特征参数,所述特征参数至少包括图像边界灰度值;
根据计算结果,调整所述特征参数,将被选择图像区域和被遮挡图像区域之间的轮廓进行图像增强处理或锐度值降低处理。
示例性的,还可以采用如下技术手段利用Cutout程序对图片的遮挡区域进行平滑过渡处理:
对被选择图像区域和被遮挡图像区域之间的交集进行去噪和平滑处理;
检测并标记出被选择图像区域和被遮挡图像区域之间的边界轮廓;
采用计算机视觉算法,对所述边界轮廓进行调整;
根据被选择图像区域和被遮挡图像区域之间的交集的灰度差异值,进行加权平均计算,获得新的边界轮廓值。
下面以Canny边缘检测算法为例,说明采用计算机视觉算法如何对图像的边界轮廓进行调整:
基于Canny边缘检测算法,使用高斯滤波器对原始图像进行平滑处理,以消除噪声干扰
在平滑处理后的图像上计算梯度,以确定每个像素点处的灰度变化情况;
通过非极大值抑制技术,在梯度方向上找到局部最大值点,并将其标记为候选边缘点;最后,利用双阈值策略和连接分析方法对候选边缘点进行筛选和连接,得到最终的准确边缘结果。
采用Canny边缘检测算法能够在保持良好噪声抑制能力的同时,有效地定位真实物体轮廓,并且在不同场景下都能获得稳定且连续性强的轮廓线,还可以根据需求调整参数设置以适应不同复杂程度和特征明显性质的图像。
步骤S4,将生成的训练集作为输入量再次输入进用于目标检测的深度学习模型进行模型训练,获得第二特征信息,在所述获得第二特征信息的过程中,通过优化器定义损失函数识别模型,预测结果与真实值之间的差异程度,根据预先设置的阈值调整模型参数,使得损失函数达到最小值。
在本步骤中涉及优化器以及最小化损失函数的概念,通过定义一个(最小化)损失函数衡量RefineDet网络模型的预测结果与真实值之间的差异程度,利用优化器调整RefineDet网络模型的参数,使损失函数达到最小化。
例如,RefineDet网络模型选用了一个线性回归模型来预测第二特征信息与真实图像信息之间的差异,优化器使用均方误差作为损失函数,即将每个样本点的预测值与真实房价之间的差平方后求和,并取平均值作为总体误差。根据本发明的一个实施例,优化器提供了以斜率和截距为最佳参数的优化方案,使得RefineDet网络模型预测的第二特征信息与真实图像信息之间的差异达到最小,减少预测结果与真实值之间的误差,并提高模型性能。
步骤S5,基于第二特征信息对分拨中心格口等待车辆的图像信息进行识别,区分分拨中心的格口和对应的车辆,根据分拨中心的出口格口和对应的车辆的不同状态,进行对应不同的预警提示,提醒操作人员装货或卸货。
对于上述实施例公开的方法步骤,出于简单描述的目的将方法步骤表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,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,所涉及的动作并不一定是本发明实施例所必须的。
如图2所示的分拨中心格口等货车辆识别系统,包括:
分拨中心格口等待车辆图像信息获取模块,获取分拨中心格口等待车辆的图像信息,使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,获得分割标注信息;
深度学习模型图像处理模块,将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,在图像信息上建立不同的层级,提取不同层级对应的第一特征信息;
第一特征信息数据增广模块,对所述第一特征信息进行数据增广训练,基于图像权重公式和/或标签权重公式获得新的训练样本,用于扩充并生成训练集;
第二特征信息模型训练模块,将生成的训练集作为输入量再次输入进用于目标检测的深度学习模型进行模型训练,获得第二特征信息,在所述获得第二特征信息的过程中,通过优化器定义损失函数识别模型,预测结果与真实值之间的差异程度,根据预先设置的阈值调整模型参数;
图像信息识别预警模块,基于第二特征信息对分拨中心格口等待车辆的图像信息进行识别,区分分拨中心的格口和对应的车辆,根据分拨中心的出口格口和对应的车辆的不同状态,进行对应不同的预警提示。
以上所描述的系统的实施方式仅仅是示意性的,例如:其中作为系统中的各个功能模块、单元或子系统等可以是也可以不是物理上分开的,或者可以是或者也可以不是物理单元,即可以位于同一个地方,也可以分布到多个不同的系统及其子系统或模块上。本领域技术人员可以根据实际的需要选择其中的部分或者全部功能模块、单元或子系统来实现本发明实施例的目的,对于上述情形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。
如图3所示,本发明在公开了分拨中心格口等货车辆识别方法、系统的基础之上,还公开了与之对应的电子设备和存储介质:
一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行分拨中心格口等货车辆识别方法的步骤。
一种计算机可读存储介质,其存储有可由电子设备执行的计算机程序,当所述计算机程序在所述电子设备上运行时,使得所述电子设备执行分拨中心格口等货车辆识别方法的步骤。
图3为本申请实施例提供的一种计算机设备的结构示意图。如图3所示,该设备800包括处理器801、存储器802、通信接口803和总线804。其中,处理器801、存储器802、通信接口803通过总线804进行通信,也可以通过无线传输等其他手段实现通信。该存储器802用于存储指令,该处理器801用于执行该存储器802存储的指令。该存储器802存储程序代码8021,且处理器801可以调用存储器802中存储的程序代码8021执行分拨中心格口等货车辆识别方法的步骤。
应理解,在本申请实施例中,处理器801可以是CPU,处理器801还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器802可以包括只读存储器ROM和随机存取存储器RAM,并向处理器801提供指令和数据。存储器802还可以包括非易失性随机存取存储器。该存储器802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(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(doubledate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。
该总线804除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线804。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive,SSD)。
需要说明的是,本说明书与权利要求中使用了某些词汇来指称特定元件。本领域技术人员应可以理解,不同的制造商、生产厂商可能会用不同名词来称呼同一个元件。本说明书与权利要求并不以名词的差异来作为区分元件的方式,而是以元件在功能上的差异作为区分的准则。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如:在权利要求书中所要求保护的实施例的任意之一都可以以本发明实施例以任意的组合方式来使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种分拨中心格口等货车辆识别方法,其特征在于,包括:
获取分拨中心格口等待车辆的图像信息,使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,获得分割标注信息;
将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,在图像信息上建立不同的层级,提取不同层级对应的第一特征信息;
对所述第一特征信息进行数据增广训练,基于图像权重公式和/或标签权重公式获得新的训练样本,用于扩充并生成训练集;
将生成的训练集作为输入量再次输入进用于目标检测的深度学习模型进行模型训练,获得第二特征信息,在所述获得第二特征信息的过程中,通过优化器定义损失函数识别模型,预测结果与真实值之间的差异程度,根据预先设置的阈值调整模型参数;
基于第二特征信息对分拨中心格口等待车辆的图像信息进行识别,区分分拨中心的格口和对应的车辆,根据分拨中心的格口和对应的车辆的不同状态,进行对应不同的预警提示。
2.根据权利要求1所述的分拨中心格口等货车辆识别方法,其特征在于,所述使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,进一步包括:
通过labme图像分割标注工具对所述图像信息中的格口区域和车辆图像进行分割标注;
基于labme图像分割标注工具对训练数据进行划分和识别,将格口区域和车辆图像的边界进行框定;
对框定后的格口区域和车辆图像进行分类并保存分类结果,将所述分类结果与原始图像进行匹配,匹配结果至少包括图像位置信息和图像类型信息。
3.根据权利要求1所述的分拨中心格口等货车辆识别方法,其特征在于,所述将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,进一步包括:
基于RefineDet模型对图像信息进行预处理,获取图像基本信息,所述图像基本信息至少包括长宽高、分辨率、颜色模式、颜色通道、比例尺单位、像素值和清晰度;
基于所述图像基本信息,调取RefineDet模型中的卷积层、池化层和全连接层来提取图像特征,并通过回归器和分类器对图像信息进行处理,得到第一特征信息,所述第一特征信息至少包括分拨中心格口的大小、形状,以及等货车辆的车头朝向信息;
将基于卷积层、池化层和全连接层获得的信息进行融合,获得分拨中心格口与等货车辆的第一融合信息。
4.根据权利要求1所述的分拨中心格口等货车辆识别方法,其特征在于,所述对所述第一特征信息进行数据增广训练,基于权重公式获得新的训练样本,进一步包括:
基于mixup数据增广程序对所述第一特征信息进行数据增广训练,生成训练样本;
获取分割标注后获得的分割标注信息,结合数据增广后的第一特征信息,基于图像权重公式和/或标签权重公式获得新的训练样本,用以获得新生成的图像信息和标签信息;
所述图像权重公式为:C1=λ*A1+(1-λ)*B1
其中C1为新生成的图像信息,λ为权重,A1为第一图像信息,B1为第二图像信息;
所述标签权重公式为:C2=λ*A2+(1-λ)*B2
其中C2为新生成的标签信息,λ为权重,A2为第一标签信息,B2为第二标签信息。
5.根据权利要求1所述的分拨中心格口等货车辆识别方法,其特征在于,所述对所述第一特征信息进行数据增广训练,基于权重公式获得新的训练样本,进一步包括:
基于cutout图像处理工具进行图像处理和数据增广训练,获取分割标注后获得的分割标注信息;
在原始图像中进行随机区域选择,并将选择的随机区域进行遮挡,生成遮挡区域;
根据预先设定的先验数据,对所述遮挡区域进行处理,移动所述遮挡区域内的被遮挡图像信息;
对所述被遮挡图像信息的周围进行平滑过渡处理,用以减少被遮挡图像的边缘锐利度;
输出经过cutout图像处理后的第一特征信息。
6.根据权利要求5所述的分拨中心格口等货车辆识别方法,其特征在于,所述对所述被遮挡图像信息的周围进行平滑过渡处理,具体为:
获取待处理的原始图像,以及获取被遮挡图像区域,建立被选择图像区域;
建立被选择图像区域和被遮挡图像区域的交集,计算被选择图像区域和被遮挡图像区域的特征参数,所述特征参数至少包括图像边界灰度值;
根据计算结果,调整所述特征参数,将被选择图像区域和被遮挡图像区域之间的轮廓进行图像增强处理或锐度值降低处理。
7.根据权利要求6所述的分拨中心格口等货车辆识别方法,其特征在于,所述将被选择图像区域和被遮挡图像区域之间的轮廓进行图像增强处理或锐度值降低处理,具体为:
对被选择图像区域和被遮挡图像区域之间的交集进行去噪和平滑处理;
检测并标记出被选择图像区域和被遮挡图像区域之间的边界轮廓;
采用计算机视觉算法,对所述边界轮廓进行调整;
根据被选择图像区域和被遮挡图像区域之间的交集的灰度差异值,进行加权平均计算,获得新的边界轮廓值。
8.一种分拨中心格口等货车辆识别系统,其特征在于,包括:
分拨中心格口等待车辆图像信息获取模块,获取分拨中心格口等待车辆的图像信息,使用图像标注软件对图像信息中的格口区域和车辆图像进行分割标注,获得分割标注信息;
深度学习模型图像处理模块,将所述分割标注信息输入用于目标检测的深度学习模型进行图像处理,在图像信息上建立不同的层级,提取不同层级对应的第一特征信息;
第一特征信息数据增广模块,对所述第一特征信息进行数据增广训练,基于图像权重公式和/或标签权重公式获得新的训练样本,用于扩充并生成训练集;
第二特征信息模型训练模块,将生成的训练集作为输入量再次输入进用于目标检测的深度学习模型进行模型训练,获得第二特征信息,在所述获得第二特征信息的过程中,通过优化器定义损失函数识别模型,预测结果与真实值之间的差异程度,根据预先设置的阈值调整模型参数;
图像信息识别预警模块,基于第二特征信息对分拨中心格口等待车辆的图像信息进行识别,区分分拨中心的格口和对应的车辆,根据分拨中心的出口格口和对应的车辆的不同状态,进行对应不同的预警提示。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其存储有可由电子设备执行的计算机程序,当所述计算机程序在所述电子设备上运行时,使得所述电子设备执行权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311782653.5A CN117911959A (zh) | 2023-12-22 | 2023-12-22 | 一种分拨中心格口等货车辆识别方法、系统、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311782653.5A CN117911959A (zh) | 2023-12-22 | 2023-12-22 | 一种分拨中心格口等货车辆识别方法、系统、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117911959A true CN117911959A (zh) | 2024-04-19 |
Family
ID=90683171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311782653.5A Pending CN117911959A (zh) | 2023-12-22 | 2023-12-22 | 一种分拨中心格口等货车辆识别方法、系统、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911959A (zh) |
-
2023
- 2023-12-22 CN CN202311782653.5A patent/CN117911959A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11538146B2 (en) | Automated machine vision-based defect detection | |
CN111415106A (zh) | 货车装载率识别方法、装置、设备及存储介质 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN111310645A (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
TW202013248A (zh) | 車輛損壞識別方法及裝置 | |
US10373316B2 (en) | Images background subtraction for dynamic lighting scenarios | |
CN112037177A (zh) | 一种车厢装载率的评估方法和装置以及存储介质 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
CN112258038A (zh) | 站台使用状态及车辆装卸货状态的识别方法、装置和设备 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN117911959A (zh) | 一种分拨中心格口等货车辆识别方法、系统、电子设备 | |
CN111784031A (zh) | 物流车辆分类预测方法、装置、设备及存储介质 | |
CN112184717A (zh) | 用于质检的自动化分割方法 | |
CN110717456A (zh) | 对象监控方法和装置、系统、电子设备、存储介质 | |
CN114155598A (zh) | 一种图像处理模型的训练方法、装置及电子设备 | |
CN107316313A (zh) | 场景分割方法及设备 | |
CN113837173A (zh) | 目标对象检测方法、装置、计算机设备和存储介质 | |
CN113989285A (zh) | 基于图像的皮带偏移监测方法、装置、设备及存储介质 | |
CN113191227A (zh) | 柜门状态的检测方法、装置、设备及存储介质 | |
Shaweddy et al. | Vehicle counting framework for intelligent traffic monitoring system | |
CN115713758B (zh) | 一种车厢识别方法、系统、装置及存储介质 | |
CN111401104B (zh) | 分类模型的训练方法、分类方法、装置、设备及存储介质 | |
CN116433745A (zh) | 一种装载率计算方法和设备 | |
CN118071675A (zh) | 一种电池包缺陷检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |