CN111709283A - 物流件状态的检测方法以及装置 - Google Patents
物流件状态的检测方法以及装置 Download PDFInfo
- Publication number
- CN111709283A CN111709283A CN202010377309.8A CN202010377309A CN111709283A CN 111709283 A CN111709283 A CN 111709283A CN 202010377309 A CN202010377309 A CN 202010377309A CN 111709283 A CN111709283 A CN 111709283A
- Authority
- CN
- China
- Prior art keywords
- logistics
- piece
- state
- image
- label
- 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 90
- 238000013528 artificial neural network Methods 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 44
- 238000001514 detection method Methods 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 33
- 238000012544 monitoring process Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000006063 cullet Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Development Economics (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
本申请实施例提供了物流件状态的检测方法以及装置,用于在物流件的图像的基础上,可便捷地判断物流件的物流件状态。本申请实施例提供的物流件状态的检测方法,包括:获取物流件的初始图像,其中,初始图像为拍摄物流件得到的图像;从初始图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像,其中,物流件状态标签用于指示物流件的物流件状态;根据物流件状态标签图像,提取物流件状态标签所指示的物流件的物流件状态。
Description
技术领域
本申请涉及图像识别领域,具体涉及物流件状态的检测方法以及装置。
背景技术
对于物流件的物流运输,在保证物流实效的同时,也需保证物流件本身完好,若发生物流件的破损,则可进入理赔程序,根据事件责任的划分,确定物流件是否理赔。
在理赔过程中,通过需要对物流件的物流运输路径进行回溯。在传统的物流运输过程中,通过只记录了物流件经由的具体物流节点以及具体工作人员,对于物流件在何时何地怎么产生了破损,往往是未知的,这对于破损物流件的责任划分带来了不便。
而在现有的相关技术中,则是引入了视频监控技术,从物流件的收发件,到物流件的具体运输过程,都可通过摄像头留下直观的视频数据,明确记载物流件产生破损时的场景,然而,在视频监控技术的实施中,怎么在视频数据中回溯物流件破损状态的物流运输路径,是一大技术难点,仍待改善。
发明内容
本申请实施例提供了物流件状态的检测方法、装置、设备及计算机可读存储介质,用于在物流件的图像的基础上,可便捷地判断物流件的物流件状态。
第一方面,本申请实施例提供了一种物流件状态的检测方法,方法包括:
获取物流件的初始图像,其中,初始图像为拍摄物流件得到的图像;
从初始图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像,其中,物流件状态标签用于指示物流件的物流件状态;
根据物流件状态标签图像,提取物流件状态标签所指示的物流件的物流件状态。
结合本申请实施例第一方面,在本申请实施例第一方面第一种可能的实现方式中,从初始图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像包括:
从初始图像中识别物流件,得到物流件的物流件图像;
从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
结合本申请实施例第一方面第一种可能的实现方式,在本申请实施例第一方面第二种可能的实现方式中,从初始图像中识别物流件,得到物流件的物流件图像包括:
在预置的物流件位置范围内,从初始图像中识别物流件,得到物流件的物流件图像;
从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像包括:
在预置的标签位置范围内,从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
结合本申请实施例第一方面第二种可能的实现方式,在本申请实施例第一方面第三种可能的实现方式中,在预置的物流件位置范围内,从初始图像中识别物流件,得到物流件的物流件图像包括:
将初始图像输入第一神经网络,以根据预置的物流件位置权重、物流件颜色权重、物流件纹理权重以及物流件形状权重,从初始图像中识别物流件,得到物流件图像;
在预置的标签位置范围内,从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像包括:
将物流件图像输入第二神经网络,以根据预置的标签位置权重、标签位置颜色权重、标签位置纹理权重以及标签位置形状权重,从物流件图像中识别物流件状态标签,得到物流件状态标签图像。
结合本申请实施例第一方面第三种可能的实现方式,在本申请实施例第一方面第四种可能的实现方式中,第一神经网络通过第一训练集训练第一初始神经网络得到,其中,第一训练集包括多张物流件图像,多张物流件图像为通过第一数据增强处理得到的图像,第一数据增强处理包括随机图片缩放处理、随机对比度调整处理、随机裁剪处理以及随机亮度调整处理的至少一种。
结合本申请实施例第一方面第三种可能的实现方式,在本申请实施例第一方面第五种可能的实现方式中,第二神经网络通过第二训练集训练第二初始神经网络得到,其中,第二训练集包括多张物流件状态标签图像,多张物流件状态标签图像为通过第二数据增强处理得到的图像,第二数据增强处理包括随机对比度调整处理、随机旋转处理、随即裁剪处理、随机高斯噪声处理以及随机像素值缩放处理的至少一种。
结合本申请实施例第一方面,在本申请实施例第一方面第六种可能的实现方式中,根据物流件状态标签图像,提取物流件状态标签所指示的物流件的物流件状态包括:
识别物流件状态标签图像中包含的文字,并将文字作为物流件状态标签所指示的物流件的物流件状态;或者,
识别物流件状态标签图像中包含的物流件状态标签;
查找与物流件状态标签具有映射关系的物流件状态,作为物流件状态标签所指示的物流件的物流件状态。
第二方面,本申请实施例提供了一种物流件状态的检测装置,装置包括:
获取单元,用于获取物流件的初始图像,其中,初始图像为拍摄物流件得到的图像;
识别单元,用于从初始图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像,其中,物流件状态标签用于指示物流件的物流件状态;
提取单元,用于根据物流件状态标签图像,提取物流件状态标签所指示的物流件的物流件状态。
结合本申请实施例第二方面,在本申请实施例第二方面第一种可能的实现方式中,识别单元,具体用于:
从初始图像中识别物流件,得到物流件的物流件图像;
从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
结合本申请实施例第二方面第一种可能的实现方式,在本申请实施例第二方面第二种可能的实现方式中,识别单元,具体用于:
在预置的物流件位置范围内,从初始图像中识别物流件,得到物流件的物流件图像;
在预置的标签位置范围内,从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
结合本申请实施例第二方面第二种可能的实现方式,在本申请实施例第二方面第三种可能的实现方式中,识别单元,具体用于:
将初始图像输入第一神经网络,以根据预置的物流件位置权重、物流件颜色权重、物流件纹理权重以及物流件形状权重,从初始图像中识别物流件,得到物流件图像;
将物流件图像输入第二神经网络,以根据预置的标签位置权重、标签位置颜色权重、标签位置纹理权重以及标签位置形状权重,从物流件图像中识别物流件状态标签,得到物流件状态标签图像。
结合本申请实施例第二方面第三种可能的实现方式,在本申请实施例第二方面第四种可能的实现方式中,第一神经网络通过第一训练集训练第一初始神经网络得到,其中,第一训练集包括多张物流件图像,多张物流件图像为通过第一数据增强处理得到的图像,第一数据增强处理包括随机图片缩放处理、随机对比度调整处理、随机裁剪处理以及随机亮度调整处理的至少一种。
结合本申请实施例第二方面第三种可能的实现方式,在本申请实施例第二方面第五种可能的实现方式中,第二神经网络通过第二训练集训练第二初始神经网络得到,其中,第二训练集包括多张物流件状态标签图像,多张物流件状态标签图像为通过第二数据增强处理得到的图像,第二数据增强处理包括随机对比度调整处理、随机旋转处理、随即裁剪处理、随机高斯噪声处理以及随机像素值缩放处理的至少一种。
结合本申请实施例第二方面,在本申请实施例第二方面第六种可能的实现方式中,提取单元,具体用于:
识别物流件状态标签图像中包含的文字,并将文字作为物流件状态标签所指示的物流件的物流件状态;或者,
识别物流件状态标签图像中包含的物流件状态标签;
查找与物流件状态标签具有映射关系的物流件状态,作为物流件状态标签所指示的物流件的物流件状态。
第三方面,本申请实施例还提供了物流件状态的检测设备,包括处理器和存储器,存储器中存储有计算机程序,处理器调用存储器中的计算机程序时执行本申请实施例第一方面提供的任一种方法中的步骤。
第四方面,本申请实施例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多条指令,指令适于处理器进行加载,以执行本申请实施例第一方面提供的任一种方法中的步骤。
从以上内容可得出,本申请实施例具有以下的有益效果:
通过在物流件的件体上配置物流件状态标签,该物流件状态标签可指示物流件的物流件状态,从而,在获取到物流件拍摄得到的初始图像后,可在该初始图像中识别物流件状态标签,分离出该物流件状态标签的物流件状态标签图像,再从该物流件状态标签图像中,提取物流件状态标签所指示的物流件状态,容易看出的,在物流件的件体上配置物流件状态标签,从而,在对物流件的物流运输中,可拍摄少量物流件的图像,并从图像中识别物流件状态标签并因此确定物流件的物流件状态,不仅便于识别,且在物流运输过程中还方便工作人员为物流件配置、更新物流件状态标签,方便在物流件的物流运输路径中回溯到破损状态时的最近经由节点,相比于现有的视频监控方案,具有显著降低应用成本以及实施难度的优点。
并且,由于方案是基于图像识别实现的,还可融入到视频监控技术的应用中,即,可从视频数据提取出若干的图像,并从这些图像中识别物流件状态标签并因此确定物流件的物流件状态,因此,本方案还可无缝接入到物流运输作业中的现有视频监控***中,为视频监控***提供一种新的视频监控方式,进一步提升视频监控***的应用价值。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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一些实施例,对于本领域技术人员来讲,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为本申请实施例物流件状态的检测方法的一种流程示意图;
图2为本申请图1对应实施例步骤S102的一种流程示意图;
图3为本申请图1对应实施例步骤S102的又一种流程示意图;
图4为本申请实施例物流件状态的检测方法的一种场景示意图;
图5为本申请图1对应实施例步骤S102的又一种流程示意图;
图6为本申请实施例物流件状态的检测装置的一种结构示意图;
图7为本申请实施例物流件状态的检测设备的一种结构示意图。
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,本领域技术人员在没有作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。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存***中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实***置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算***、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器***、微电脑为主的***、主架构型计算机、及分布式运算环境,其中包括了任何的上述***或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
首先,在介绍本申请实施例之前,先介绍下本申请实施例关于应用背景的相关内容。
在现有的相关技术中,在物流件的物流运输中应用视频监控技术,通常在物流节点或者物流车辆上配置摄像头,拍摄物流件的物流运输过程,所得到的视频数据可上传至服务器或者保存在本地,在调取到这些视频数据后,往往还需要工作人员通过手动查阅方式,在视频数据中不断地检查物流件的破损状态,显然现有的视频监控技术,从回溯物流件破损状态的物流运输路径的角度来看,并未对留下的视频数据做出实质性的处理,其查阅物流件有没有出现破损仍是依赖于人工处理,很显然的,对于视频监控技术在物流件的物流运输中的应用,回溯效率较低,导致了应用价值有限。
基于现有的相关技术存在的上述缺陷,本申请实施例提供了一种物流件状态的检测方法,至少在一定程度上克服现有的相关技术所存在的缺陷。
本申请实施例提及的物流件状态的检测方法,其执行主体可以为物流件状态的检测装置,或者集成了该物流件状态的检测装置的服务器设备、物理主机或者用户设备(UserEquipment,UE)等不同类型的物流件状态的检测设备,其中,物流件状态的检测装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant,PDA)等终端设备。其中,物流件状态的检测设备还可分为多个设备,并共同执行本申请实施例提供的物流件状态的检测方法。
示例性的,在本申请实施例中,物流件具体可以指的是快递件,以及,物流件状态具体可以指的是物流件的破损状态、外包装状态、加固状态、污渍状态、滞留状态等状态,可随实际应用调整。
下面,开始介绍本申请实施例提供的物流件状态的检测方法。
图1示出了本申请实施例中物流件状态的检测方法的一种流程示意图,本申请实施例提供的物流件状态的检测方法的建立方法,如图1示出的,具体可包括如下步骤:
步骤S101,获取物流件的初始图像,其中,初始图像为拍摄物流件得到的图像;
步骤S102,从初始图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像,其中,物流件状态标签用于指示物流件的物流件状态;
步骤S103,根据物流件状态标签图像,提取物流件状态标签所指示的物流件的物流件状态。
在图1所示实施例提出的技术方案中,通过在物流件的件体上配置物流件状态标签,该物流件状态标签可指示物流件的物流件状态,从而,在获取到物流件拍摄得到的初始图像后,可在该初始图像中识别物流件状态标签,分离出该物流件状态标签的物流件状态标签图像,再从该物流件状态标签图像中,提取物流件状态标签所指示的物流件状态,容易看出的,在物流件的件体上配置物流件状态标签,从而,在对物流件的物流运输中,可拍摄少量物流件的图像,并从图像中识别物流件状态标签并因此确定物流件的物流件状态,不仅便于识别,且在物流运输过程中还方便工作人员为物流件配置、更新物流件状态标签,方便在物流件的物流运输路径中回溯到破损状态时的最近经由节点,相比于现有的视频监控方案,具有显著降低应用成本以及实施难度的优点。
并且,由于方案是基于图像识别实现的,还可融入到视频监控技术的应用中,即,可从视频数据提取出若干的图像,并从这些图像中识别物流件状态标签并因此确定物流件的物流件状态,因此,本方案还可无缝接入到物流运输作业中的现有视频监控***中,为视频监控***提供一种新的视频监控方式,进一步提升视频监控***的应用价值。
以下继续对图1所示实施例的各个步骤的具体实施方式进行详细阐述:
在本申请实施例中,物流件的初始图像可以通过本地的摄像头实时拍摄物流件得到的图像;或者,也可以为本地的摄像头拍摄物流件得到的历史图像;或者,也可以为其他设备实时拍摄物流件得到的图像;或者,也可以为其他设备拍摄物流件得到的历史图像。
该物流件的初始图像,其图像内容,不仅包括了物流件的件体,还包括了相关的背景内容,例如承载物流件的桌面、传送带、台面、货架等内容,又或者例如物流件当时所处周围环境的内容,例如房间、工作人员等内容。
在本申请实施例中,为物流件的件体配置了物流件状态标签,具体的,相关的工作人员在发现物流件发生破损等物流件状态变化时,可为该物流件配置物流件状态标签,以标识物流件当前的物流件状态,或者,更新原来的物流件状态标签,以标识物流件当前的物流件状态。
其中,该物流件状态标签,用于通过直接方式或者间接方式标识出物流件的物流件状态,具体可以以贴纸、手写文字、手绘标识图案等形式设置,贴纸上可打印文字、标识图案、条形码、二维码等可标识,文字的文字内容可以直接表明物流件的物流件状态,而标识图案、条形码、二维码等标识则可通过标识与文字信息之间的预设对应关系,间接得到对应的物流件状态。而当需要更新物流件状态标签时,可通过涂改的方式改变物流件状态标签的标签内容,或者可重新配置新的物流件状态标签,例如更换贴纸。
对应的,在得到物流件的初始图像后,即可识别该初始图像中的物流件状态标签,此时,可大致分为两种情况,第一种情况是,若该初始图像中存在物流件状态标签,则可根据该物流件状态标签确定物流件发生的物流件状态的变化,例如破损状态、外包装状态、加固状态、污渍状态、滞留状态等状态发生了变化。其中,还可存在一种特殊情况,若物流件状态标签所指示的物流件状态为空或者默认状态,则可确定物流件并未发生物流件状态变化。另外一种情况则是,若该初始图像中未存在物流件状态标签,则可直接确定物流件并未发生物流件状态变化。
物流件状态标签的识别,则可通过人工智能(Artificial Intelligence,AI)的图像识别技术实现,即神经网络,神经网络具体可基于目标检测算法等算法来识别物流件状态标签,例如R-FCN、Faster R-CNN、SSD、YOLO V3等算法,这些神经网络可通过标注出物流件状态标签的物流件图像训练初始神经网络得到。
在识别出初始图像中存在的物流件状态标签后,即可从初始图像中提取、分离出该物流件状态标签的图像,即物流件状态标签图像。
其中,作为一种具体的实现方式,在识别物流件状态标签的过程中,如图2示出的图1对应实施例步骤S102的一种流程示意图,图1对应实施例步骤S102,具体可通过如下步骤实现:
步骤S201,从初始图像中识别物流件,得到物流件的物流件图像;
步骤S202,从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
在本申请实施例中,对于物流件状态标签的识别,可通过两级的检测网络实现,第一级检测网络则是先在初始图像中将物流件与背景内容进行分离,定位物流件,提取、分离出物流件的物流件图像,第二级检测网络则是在物流件图像中继续将物流件的件体与物流件状态标签进行分离,定位物流件状态标签,提取、分离出物流件状态标签图像。
在这过程中,由于将物流件状态标签的识别处理,通过两级检测网络拆分为了两个部分,第一级检测网络可过滤初始图像中的背景内容,排除背景内容对于物流件状态标签的识别带来的干扰,第二级检测网络则可在较小的物流件图像的数据处理量的条件下,快速地定位物流件状态标签,并得到物流件状态标签图像,两级检测网络的设置,不仅便于提高识别效率,并且还方便对检测网络进行单独的优化以及维护,有利于检测网络的训练、调整以及应用。
接着,为便于继续提高上述两级检测网络的检测效率,即提高对于物流件以及物流件状态标签的识别效率,本申请实施例,除了基础的图像特征元素还可结合位置元素,预先配置物流件位置范围以及标签位置范围,辅助物流件以及物流件状态标签的识别,对应的,上述图2对应实施例步骤S201以及步骤S202,如图3示出的图1对应实施例步骤S102的又一种流程示意图,具体可分别包括:
步骤S301,在预置的物流件位置范围内,从初始图像中识别物流件,得到物流件的物流件图像;
步骤S302,在预置的标签位置范围内,从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
下面,结合图4示出的本申请实施例物流件状态的检测方法的一种场景示意图,对步骤S301以及步骤S302进行说明。
容易理解,无论初始图像是工作人员手动拍摄设备拍摄物流件得到的,还是固定的摄像头拍摄物流件得到的,在尽可能拍摄物流件完整件体的条件下,其拍摄角度可预先设置固定的角度范围,拍摄角度是大致相同或者高度相似的,因此,在初始图像中,物流件的位置往往在固定的位置范围内,因此,针对该固定的位置范围可配置一预置的物流件位置范围,用于在识别物流件时,可只在该物流件位置范围内,从初始图像中识别物流件,以此在保证有效识别的前提下,可减少识别范围,显著提高对于物流件的识别效率。
类似的,对于在物流件的件体上配置的物流件状态标签,无论是工作人员手动配置的,例如手绘当前物流件状态标签对应的标签图案,还是相关设备自动配置的,例如设备自动在物流件的件体上粘贴当前物流件状态标签对应的贴纸,可预先设置固定的位置范围供物流件状态标签的配置,实际配置位置往往也是大致相同或者高度相似的,在固定的位置范围内,因此,针对该固定的位置范围可配置一预置的标签位置范围,用于在识别物流件状态标签时,可只在该标签位置范围内,从物流件图像中识别物流件状态标签,以此在保证有效识别的前提下,可减少识别范围,显著提高对于物流件状态标签的识别效率。
其中,对于提取、分离出的物流件图像以及物流件状态标签图像,如图4中示出的,还可检测其倾斜度,并进行姿态的校正,以便更为精确地识别图像。
在实际应用中,神经网络主要可包括输入层、卷积层以及全连接层,输入层用于将输入神经网络的图像转化为特征图像,并通过卷积层对特征图像中的每个特征点的数值乘以对应的权重(或者说卷积核),组成新的特征图像,这些特征点的数量随通道数以及预置特征图像的大小等参数而调整,卷积层可包括一个或者多个的子卷积层构成,每个子卷积层的参数可相同或者不同,通过层层的计算以及过滤,最后将特征图像输出至全连接层,以将特征图像中的每个特征点乘以对应的权重,得出是否包含物流件或者物流件状态标签的识别结果,并在该识别结果对应的特征图像的基础上输出物流件图像或者物流件状态标签图像。
其中,卷积层的权重,可包括位置权重、颜色权重、纹理权重以及形状权重,需要理解的是,每个类别权重对应的卷积层,可以为一个或者多个,在多个卷积层的组合应用中,每个卷积层可对一种或者多种的权重进行更为精确的特征提取,由此可进一步提高神经网络的识别精度。
位置权重,则是上述所称的,在图像特征元素的基础上,结合位置元素,预先配置物流件位置范围以及标签位置范围,辅助物流件以及物流件状态标签的识别,特征点在初始图像中的位置不同,或者特征点在物流件图像中的位置不同,其对应的位置权重也不同,例如若预置的物流件位置范围在初始图像的中央区域,则这些中央区域的特征点的位置权重则较高,边缘位置的特征点的位置权重则较低,如此,特征点与对应位置权重的乘积越大,则意味着这些特征点越可能属于物流件。
类似的,颜色权重、纹理权重以及形状权重,则是从物流件的件体或者物流件状态标签的标签本体的图像特征出发,为物流件或者物流件状态标签通常具有的颜色特征、纹理特征以及形状特征(轮廓特征)配置对应的权重,特征点与对应颜色权重、纹理权重或者形状权重的乘积越大,则越可能属于物流件或者物流件状态标签。
对应的,参阅图5示出的图1对应实施例步骤S102的又一种流程示意图,上述图2对应实施例步骤S201以及步骤S202,具体可分别包括:
步骤S501,将初始图像输入第一神经网络,以根据预置的物流件位置权重、物流件颜色权重、物流件纹理权重以及物流件形状权重,从初始图像中识别物流件,得到物流件图像;
步骤S502,将物流件图像输入第二神经网络,以根据预置的标签位置权重、标签位置颜色权重、标签位置纹理权重以及标签位置形状权重,从物流件图像中识别物流件状态标签,得到物流件状态标签图像。
而对于第一神经网络以及第二神经网络,即两级检测网络,在训练的过程中还可对其进行优化。
在一种具体实现方式中,第一神经网络通过第一训练集训练第一初始神经网络得到,其中,第一训练集包括多张物流件图像,多张物流件图像为通过第一数据增强处理得到的图像,第一数据增强处理包括随机图片缩放处理、随机对比度调整处理、随机裁剪处理以及随机亮度调整处理的至少一种。
这些物流件图像,携带图像中物流件的标注,用于指示出图像中的物流件,例如每张图像标注出快递件的位置,存为“package”,并保存成神经网络可识别的数据格式。
该第一数据增强处理,主要面向检测大背景下反差较大的物体,如传送带上的快递件、台面上的快递件、收纳筐中的快递件,同时在少量的物流件图像的基础上,还可得到大量的不同的物流件图像,以此满足神经网络的训练样本以及训练精度的要求,使得神经网络对于实际的物流件图像具有更高的针对性。
类似的,在又一种具体实现方式中,第二神经网络通过第二训练集训练第二初始神经网络得到,其中,第二训练集包括多张物流件状态标签图像,多张物流件状态标签图像为通过第二数据增强处理得到的图像,第二数据增强处理包括随机对比度调整处理、随机旋转处理、随即裁剪处理、随机高斯噪声处理以及随机像素值缩放处理的至少一种。
这些物流件状态标签图像,携带图像中物流件的标注,用于指示出图像中物流件状态标签,例如每张图像标注出物流件状态贴纸的位置,存为“target”,并保存成神经网络可识别的数据格式。
该第二数据增强处理,主要面向检测与环境区别较小,边界与环境融合的物体,如快递件上的快递件状态贴纸、手写文字、手绘图案,同时在少量的物流件状态标签图像的基础上,还可得到大量的不同的物流件状态标签图像,以此满足神经网络的训练样本以及训练精度的要求,使得神经网络对于实际的物流件状态标签图像具有更高的针对性。
其中,两个神经网络分别对应的训练集可以是相同、部分相同或者不同的,当有相同的图像时,可同时标注出图像中物流件以及物流件状态标签的位置,例如每张图片标注出快递件的位置以及快递件状态贴纸的位置,分别存为“package”和“target”,并保存成神经网络可识别的数据格式。
在得到训练集后,将训练集中的图像依次输入初始神经网络,进行正向传播,再根据神经网络输出的物流件识别结果或者物流件状态标签识别结果计算损失函数,根据该损失函数进行反向传播,调整神经网络的参数,通过多次的正反向传播,达到训练神经网络的目的,训练完成的神经网络即为上述的第一神经网络或者第二神经网络。
需要说明的是,上述的第一神经网络以及第二神经网络还可以存在于同一个神经网络中或者为同一个神经网络,该神经网络可实现第一神经网络以及第二神经网络的功能,对应的,在神经网络的训练过程中,第一初始神经网络以及第二初始神经网络也可以为同一个初始神经网络,初始神经网络训练完成后,可实现第一神经网络以及第二神经网络的功能。
其中,示例性的,这里的损失函数可以包括冲量(Momentum)算法、均方根支撑(Root Mean Square Prop,RMSProp)算法或者适应性矩阵估计(Adaptive MomentEstimation,Adam)算法等不同类型的算法,可随实际需要调整。
Momentum算法使用类似于物理中的动量来累积梯度,可在一定程度上解决优化中经过更新之后参数的变化范围大的问题;RMSProp算法可进一步优化损失函数在更新中存在摆动幅度过大的问题,并且进一步加快函数的收敛速度;Adam算法则结合了Momentum算法和RMSProp算法的优点,是一种可以替代传统随机梯度下降(Stochastic GradientDescent,SGD)过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重。
在得到物流件状态标签图像后,与在初始图像中识别物流件状态标签类似的,具体可通过神经网络,从该物流件状态标签图像中提取物流件状态标签具体所指示的物流件状态。
与物流件状态标签可以以贴纸、手写文字、手绘图案等方式设置对应的,识别物流件状态标签所指示的物流件状态,具体可以包括:
识别物流件状态标签图像中包含的文字,并将文字作为物流件状态标签所指示的物流件的物流件状态;或者,
识别物流件状态标签图像中包含的物流件状态标签;
查找与物流件状态标签具有映射关系的物流件状态,作为物流件状态标签所指示的物流件的物流件状态。
示例性的,工作人员可在物流件的件体的顶部,手写“外包装一级破损”的字样,以指示物流件的外包装发生了轻微的磨损;或者,设备可在物流件的件体上粘贴贴纸,该贴纸的预设位置内绘制有“2”的数字标识,以指示物流件的内包装发生了破损,物流件从内包装中裸露并产生滚动情况;或者,工作人员或者设备可在物流件的外包装绘制“碎玻璃”的图案,以指示物流件的件体彻底破损,不便/无法继续进行物流运输。
得到的物流件状态,可本地保存,或者上传至服务器,以记载、更新物流件的物流件状态。
为便于更好的实施本申请实施例提供的物流件状态的检测方法,本申请实施例还提供了物流件状态的检测装置。
参阅图6,图6为本申请实施例物流件状态的检测装置的一种结构示意图,在本申请实施例中,物流件状态的检测装置600具体可包括如下结构:
获取单元601,用于获取物流件的初始图像,其中,初始图像为拍摄物流件得到的图像;
识别单元602,用于从初始图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像,其中,物流件状态标签用于指示物流件的物流件状态;
提取单元603,用于根据物流件状态标签图像,提取物流件状态标签所指示的物流件的物流件状态。
在一种示例性的实现方式中,识别单元602,具体用于:
从初始图像中识别物流件,得到物流件的物流件图像;
从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
在又一种示例性的实现方式中,识别单元602,具体用于:
在预置的物流件位置范围内,从初始图像中识别物流件,得到物流件的物流件图像;
在预置的标签位置范围内,从物流件图像中识别物流件状态标签,得到物流件状态标签的物流件状态标签图像。
在又一种示例性的实现方式中,识别单元602,具体用于:
将初始图像输入第一神经网络,以根据预置的物流件位置权重、物流件颜色权重、物流件纹理权重以及物流件形状权重,从初始图像中识别物流件,得到物流件图像;
将物流件图像输入第二神经网络,以根据预置的标签位置权重、标签位置颜色权重、标签位置纹理权重以及标签位置形状权重,从物流件图像中识别物流件状态标签,得到物流件状态标签图像。
在又一种示例性的实现方式中,第一神经网络通过第一训练集训练第一初始神经网络得到,其中,第一训练集包括多张物流件图像,多张物流件图像为通过第一数据增强处理得到的图像,第一数据增强处理包括随机图片缩放处理、随机对比度调整处理、随机裁剪处理以及随机亮度调整处理的至少一种。
在又一种示例性的实现方式中,第二神经网络通过第二训练集训练第二初始神经网络得到,其中,第二训练集包括多张物流件状态标签图像,多张物流件状态标签图像为通过第二数据增强处理得到的图像,第二数据增强处理包括随机对比度调整处理、随机旋转处理、随即裁剪处理、随机高斯噪声处理以及随机像素值缩放处理的至少一种。
在又一种示例性的实现方式中,提取单元603,具体用于:
识别物流件状态标签图像中包含的文字,并将文字作为物流件状态标签所指示的物流件的物流件状态;或者,
识别物流件状态标签图像中包含的物流件状态标签;
查找与物流件状态标签具有映射关系的物流件状态,作为物流件状态标签所指示的物流件的物流件状态。
本申请实施例还提供了物流件状态的检测设备,参阅图7,图7示出了本申请实施例物流件状态的检测设备的一种结构示意图,具体的,本申请实施例提供的物流件状态的检测设备包括处理器701,处理器701用于执行存储器702中存储的计算机程序时实现如图1至图5对应任意实施例中物流件状态的检测方法的各步骤;或者,处理器701用于执行存储器702中存储的计算机程序时实现如图6对应实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器702中,并由处理器701执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
物流件状态的检测设备可包括,但不仅限于处理器701、存储器702。本领域技术人员可以理解,示意仅仅是物流件状态的检测设备的示例,并不构成对物流件状态的检测设备的限定,物流件状态的检测设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如物流件状态的检测设备还可以包括输入输出设备、网络接入设备、总线等,处理器701、存储器702、输入输出设备以及网络接入设备等通过总线相连。
处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,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、分立硬件组件等。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,处理器是物流件状态的检测设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
存储器702可用于存储计算机程序和/或模块,处理器701通过运行或执行存储在存储器702内的计算机程序和/或模块,以及调用存储在存储器702内的数据,实现计算机装置的各种功能。存储器702可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据物流件状态的检测设备的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
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,上述描述的物流件状态的检测装置、设备及其相应单元的具体工作过程,可以参考如图1至图5对应任意实施例中物流件状态的检测方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1至图5对应任意实施例中物流件状态的检测方法中的步骤,具体操作可参考如图1至图5对应任意实施例中物流件状态的检测方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(Read Only Memory,ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1至图5对应任意实施例中物流件状态的检测方法中的步骤,因此,可以实现本申请如图1至图5对应任意实施例中物流件状态的检测方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请实施例提供的物流件状态的检测方法、装置、设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种物流件状态的检测方法,其特征在于,所述方法包括:
获取物流件的初始图像,其中,所述初始图像为拍摄所述物流件得到的图像;
从所述初始图像中识别物流件状态标签,得到所述物流件状态标签的物流件状态标签图像,其中,所述物流件状态标签用于指示所述物流件的物流件状态;
根据所述物流件状态标签图像,提取所述物流件状态标签所指示的所述物流件的物流件状态。
2.根据权利要求1所述的方法,其特征在于,所述从所述初始图像中识别物流件状态标签,得到所述物流件状态标签的物流件状态标签图像包括:
从所述初始图像中识别所述物流件,得到所述物流件的物流件图像;
从所述物流件图像中识别所述物流件状态标签,得到所述物流件状态标签的物流件状态标签图像。
3.根据权利要求2所述的方法,其特征在于,所述从所述初始图像中识别所述物流件,得到所述物流件的物流件图像包括:
在预置的物流件位置范围内,从所述初始图像中识别所述物流件,得到所述物流件的物流件图像;
所述从所述物流件图像中识别所述物流件状态标签,得到所述物流件状态标签的物流件状态标签图像包括:
在预置的标签位置范围内,从所述物流件图像中识别所述物流件状态标签,得到所述物流件状态标签的物流件状态标签图像。
4.根据权利要求3所述的方法,所述在预置的物流件位置范围内,从所述初始图像中识别所述物流件,得到所述物流件的物流件图像包括:
将所述初始图像输入第一神经网络,以根据预置的物流件位置权重、物流件颜色权重、物流件纹理权重以及物流件形状权重,从所述初始图像中识别所述物流件,得到所述物流件图像;
所述在预置的标签位置范围内,从所述物流件图像中识别所述物流件状态标签,得到所述物流件状态标签的物流件状态标签图像包括:
将所述物流件图像输入第二神经网络,以根据预置的标签位置权重、标签位置颜色权重、标签位置纹理权重以及标签位置形状权重,从所述物流件图像中识别所述物流件状态标签,得到所述物流件状态标签图像。
5.根据权利要求4的方法,其特征在于,所述第一神经网络通过第一训练集训练第一初始神经网络得到,其中,所述第一训练集包括多张物流件图像,所述多张物流件图像为通过第一数据增强处理得到的图像,所述第一数据增强处理包括随机图片缩放处理、随机对比度调整处理、随机裁剪处理以及随机亮度调整处理的至少一种。
6.根据权利要求4所述的方法,其特征在于,所述第二神经网络通过第二训练集训练第二初始神经网络得到,其中,所述第二训练集包括多张物流件状态标签图像,所述多张物流件状态标签图像为通过第二数据增强处理得到的图像,所述第二数据增强处理包括随机对比度调整处理、随机旋转处理、随即裁剪处理、随机高斯噪声处理以及随机像素值缩放处理的至少一种。
7.根据权利要求1所述的方法,其特征在于,所述根据所述物流件状态标签图像,提取所述物流件状态标签所指示的所述物流件的物流件状态包括:
识别所述物流件状态标签图像中包含的文字,并将所述文字作为所述物流件状态标签所指示的所述物流件的物流件状态;或者,
识别所述物流件状态标签图像中包含的物流件状态标签;
查找与所述物流件状态标签具有映射关系的物流件状态,作为所述物流件状态标签所指示的所述物流件的物流件状态。
8.一种物流件状态的检测装置,其特征在于,所述装置包括:
获取单元,用于获取物流件的初始图像,其中,所述初始图像为拍摄所述物流件得到的图像;
识别单元,用于从所述初始图像中识别物流件状态标签,得到所述物流件状态标签的物流件状态标签图像,其中,所述物流件状态标签用于指示所述物流件的物流件状态;
提取单元,用于根据所述物流件状态标签图像,提取所述物流件状态标签所指示的所述物流件的物流件状态。
9.一种物流件状态的检测设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
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多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377309.8A CN111709283A (zh) | 2020-05-07 | 2020-05-07 | 物流件状态的检测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377309.8A CN111709283A (zh) | 2020-05-07 | 2020-05-07 | 物流件状态的检测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709283A true CN111709283A (zh) | 2020-09-25 |
Family
ID=72536766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010377309.8A Pending CN111709283A (zh) | 2020-05-07 | 2020-05-07 | 物流件状态的检测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709283A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965900A (zh) * | 2023-03-09 | 2023-04-14 | 杭州也得智能有限公司 | 一种快件识别搜寻***及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2770725A2 (en) * | 2013-02-26 | 2014-08-27 | Samsung Electronics Co., Ltd. | Apparatus and method for processing an image in device |
CN106295713A (zh) * | 2016-08-19 | 2017-01-04 | 华南理工大学 | 一种面向计算机视觉认知的物品状态标签识别***及方法 |
CN106937081A (zh) * | 2015-12-31 | 2017-07-07 | 杭州海康威视***技术有限公司 | 图像处理方法、***、图像采集设备及服务器 |
CN106934567A (zh) * | 2015-12-30 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种物流状态信息推送的方法、装置及电子设备 |
CN107067197A (zh) * | 2008-08-29 | 2017-08-18 | 美国联合包裹服务公司 | 货物跟踪和监视***及方法 |
CN108764371A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN108764208A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108804658A (zh) * | 2018-06-08 | 2018-11-13 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108960148A (zh) * | 2018-07-05 | 2018-12-07 | 济南东朔微电子有限公司 | 一种基于视频图像的快递面单三段码识别方法 |
CN110299151A (zh) * | 2019-05-20 | 2019-10-01 | 菜鸟智能物流控股有限公司 | 一种检测方法、检测模型生成方法和装置 |
CN110427856A (zh) * | 2019-07-25 | 2019-11-08 | 深圳职业技术学院 | 一种基于多视角学习的复杂环境下多目标检测方法 |
CN110569380A (zh) * | 2019-09-16 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 一种图像标签获取方法、装置及存储介质和服务器 |
-
2020
- 2020-05-07 CN CN202010377309.8A patent/CN111709283A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067197A (zh) * | 2008-08-29 | 2017-08-18 | 美国联合包裹服务公司 | 货物跟踪和监视***及方法 |
EP2770725A2 (en) * | 2013-02-26 | 2014-08-27 | Samsung Electronics Co., Ltd. | Apparatus and method for processing an image in device |
CN106934567A (zh) * | 2015-12-30 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种物流状态信息推送的方法、装置及电子设备 |
CN106937081A (zh) * | 2015-12-31 | 2017-07-07 | 杭州海康威视***技术有限公司 | 图像处理方法、***、图像采集设备及服务器 |
CN106295713A (zh) * | 2016-08-19 | 2017-01-04 | 华南理工大学 | 一种面向计算机视觉认知的物品状态标签识别***及方法 |
CN108764371A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN108764208A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108804658A (zh) * | 2018-06-08 | 2018-11-13 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108960148A (zh) * | 2018-07-05 | 2018-12-07 | 济南东朔微电子有限公司 | 一种基于视频图像的快递面单三段码识别方法 |
CN110299151A (zh) * | 2019-05-20 | 2019-10-01 | 菜鸟智能物流控股有限公司 | 一种检测方法、检测模型生成方法和装置 |
CN110427856A (zh) * | 2019-07-25 | 2019-11-08 | 深圳职业技术学院 | 一种基于多视角学习的复杂环境下多目标检测方法 |
CN110569380A (zh) * | 2019-09-16 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 一种图像标签获取方法、装置及存储介质和服务器 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965900A (zh) * | 2023-03-09 | 2023-04-14 | 杭州也得智能有限公司 | 一种快件识别搜寻***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710613B (zh) | 文本相似度的获取方法、终端设备及介质 | |
US10936911B2 (en) | Logo detection | |
CN110008956B (zh) | ***关键信息定位方法、装置、计算机设备及存储介质 | |
CN113313111B (zh) | 文本识别方法、装置、设备和介质 | |
CN112561080B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
Li et al. | Automatic comic page segmentation based on polygon detection | |
CN113283355A (zh) | 一种表格图像的识别方法、装置、计算机设备及存储介质 | |
CN113221918B (zh) | 目标检测方法、目标检测模型的训练方法及装置 | |
CN110347855A (zh) | 画作推荐方法、终端设备、服务器、计算机设备及介质 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN108038826A (zh) | 透视变形的搁架图像的校正方法和装置 | |
CN110782430A (zh) | 一种小目标的检测方法、装置、电子设备及存储介质 | |
CN111209856B (zh) | ***信息的识别方法、装置、电子设备及存储介质 | |
CN113762109B (zh) | 一种文字定位模型的训练方法及文字定位方法 | |
CN111160410A (zh) | 一种物体检测方法和装置 | |
CN111709283A (zh) | 物流件状态的检测方法以及装置 | |
CN113657370A (zh) | 一种文字识别方法及其相关设备 | |
CN108446693B (zh) | 待识别目标的标记方法、***、设备及存储介质 | |
CN113627350B (zh) | 一种表格检测方法、装置、设备以及存储介质 | |
CN113780239B (zh) | 虹膜识别方法、装置、电子设备和计算机可读介质 | |
US11132762B2 (en) | Content aware image fitting | |
CN114120305A (zh) | 文本分类模型的训练方法、文本内容的识别方法及装置 | |
CN113761169A (zh) | 一种价格识别方法和装置 | |
CN113392673A (zh) | 图像的校正方法、装置、设备以及计算机可读存储介质 | |
CN112418217A (zh) | 用于识别字符的方法、装置、设备和介质 |
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 |