CN112257493B - 物品异常分拣的识别方法、装置、设备及存储介质 - Google Patents
物品异常分拣的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112257493B CN112257493B CN202010905162.5A CN202010905162A CN112257493B CN 112257493 B CN112257493 B CN 112257493B CN 202010905162 A CN202010905162 A CN 202010905162A CN 112257493 B CN112257493 B CN 112257493B
- Authority
- CN
- China
- Prior art keywords
- identified
- sorting
- articles
- acquiring
- candidate
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明实施例提供一种物品异常分拣的识别方法、装置、设备及存储介质,通过确定候选物品中满足异常分拣识别要求的待识别物品;获取对待识别物品进行分拣过程的视频片段;根据视频片段以及预设异常分拣识别模型,获取待识别物品是否被异常分拣的判断结果;输出判断结果,以根据判断结果进行告警。本实施例中先从备选物品中筛选出可能存在异常分拣的物品作为待识别物品,再有针对性的对对待识别物品的分拣过程的视频片段进行处理,判断是否真的存在异常分拣行为,减少了识别过程的数据量,降低了服务器的压力,也降低了对服务器处理能力的要求,且能够及时、准确的识别出异常分拣行为,以进行告警或其他相应的处理。
Description
技术领域
本发明实施例涉及仓储物流领域,尤其涉及一种物品异常分拣的识别方法、装置、设备及存储介质。
背景技术
随着网上购物和物流行业的兴起,快递单量逐年快速上升。在快递配送过程中,需要将物品按照品种、出入库先后顺序等从储存区域或分拣区域拣取出来,并分类集中堆放,从而保证整个物流网络的畅通无阻。
目前快递的分拣通常采用人工方式进行,可能会存在分拣员对物品异常分拣的行为,例如抛、摔、踩、踢等,该些异常分拣行为可能对物品造成损坏。为了避免异常分拣,通常会在快递分拣的场地安装摄像头,通过摄像头采集分拣过程的视频数据,并上传到云端服务器,由云端服务器对视频数据进行处理,识别是否存在异常分拣行为。
现有技术中,由于快递分拣的场地众多,同一场地可能安装多个摄像头,因此会产生海量的视频数据,而海量视频数据的处理对云端服务器处理能力提出了较高的要求,且可能存在无法及时、准确的识别出异常分拣行为的情况。
发明内容
本发明实施例提供一种物品异常分拣的识别方法、装置、设备及存储介质,用以解决物品异常分拣识别过程中服务器处理能力不足的问题,提高异常分拣识别的效率和准确性。
第一方面,本发明实施例提供一种物品异常分拣的识别方法,包括:
确定候选物品中满足异常分拣识别要求的待识别物品;
获取对所述待识别物品进行分拣过程的视频片段;
根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果;
输出所述判断结果,以根据所述判断结果进行告警。
第二方面,本发明实施例提供一种物品异常分拣的识别装置,包括:
处理模块,用于确定候选物品中满足异常分拣识别要求的待识别物品;
获取模块,用于获取对所述待识别物品进行分拣过程的视频片段;
识别模块,用于根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果;
输出模块,用于输出所述判断结果,以根据所述判断结果进行告警。
第三方面,本发明实施例提供一种计算机设备,包括:
存储器,用于存储计算机执行指令;
处理器,用于运行所述存储器中存储的计算机执行指令以实现如第一方面所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
本发明实施例提供的物品异常分拣的识别方法、装置、设备及存储介质,通过确定候选物品中满足异常分拣识别要求的待识别物品;获取对待识别物品进行分拣过程的视频片段;根据视频片段以及预设异常分拣识别模型,获取待识别物品是否被异常分拣的判断结果;输出判断结果,以根据判断结果进行告警。本实施例中先从备选物品中筛选出可能存在异常分拣的物品作为待识别物品,再有针对性的对对待识别物品的分拣过程的视频片段进行处理,判断是否真的存在异常分拣行为,减少了识别过程的数据量,降低了服务器的压力,也降低了对服务器处理能力的要求,且能够及时、准确的识别出异常分拣行为,以进行告警或其他相应的处理。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明一实施例提供的物品异常分拣的识别方法的***示意图;
图2为本发明一实施例提供的物品异常分拣的识别方法的流程图;
图3为本发明另一实施例提供的物品异常分拣的识别方法的流程图;
图4为本发明另一实施例提供的物品异常分拣的识别方法的流程图;
图5为本发明一实施例提供的物品异常分拣的识别方法中双层核极限学习机模型框架图;
图6为本发明一实施例提供的物品异常分拣的识别装置的框图;
图7为本发明一实施例提供的计算机设备的框图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前快递的分拣通常采用人工方式进行,可能会存在分拣员对物品异常分拣的行为,例如抛、摔、踩、踢等。为了避免异常分拣,通常会在快递分拣的场地安装摄像头,通过摄像头采集分拣过程的视频数据,并上传到云端服务器,由云端服务器对视频数据进行处理,识别是否存在异常分拣行为。由于快递分拣的场地众多,同一场地可能安装多个摄像头,因此会产生海量的视频数据,而海量视频数据的处理对云端服务器处理能力提出了较高的要求,且可能存在无法及时、准确的识别出异常分拣行为的情况。
针对上述技术问题,本发明实施例中在对视频数据进行识别处理前,先从备选物品中筛选出可能存在异常分拣的物品,作为待识别物品,再从海量视频数据中获取待识别物品对应的分拣过程的视频片段,进而仅仅对待识别物品的分拣过程的视频片段进行处理,判断是否真的存在异常分拣行为,从而不需要对海量视频数据全部进行处理,从而减少了数据量,避免出现服务器处理能力不足的情况,降低对服务器处理能力的要求,且能够及时、准确的识别出异常分拣行为,以进行告警或其他相应的处理。
本发明实施例的物品异常分拣的识别方法可应用于如图1所示的***中,该***具体包括服务器101、数据库102以及摄像头103,其中摄像头103设置于分拣场地,用于对物品的分拣过程采集视频数据,并上传到数据库102中,服务器101可首先确定多个候选物品中满足异常分拣识别要求的待识别物品,在从数据库102中获取对待识别物品进行分拣过程的视频片段,进而根据该视频片段以及预设异常分拣识别模型,获取待识别物品是否被异常分拣的判断结果,服务器输出判断结果,例如若确定待识别物品被异常分拣,则可将告警信息显示在显示屏105上或者发送给目标终端104,以进行告警,便于采取相应的措施对该异常分拣行为进行处理,或预防再次出现异常分拣行为。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明实施例提供的物品异常分拣的识别方法流程图。本实施例提供了一种物品异常分拣的识别方法,其执行主体可以为服务器等计算机设备,该物品异常分拣的识别方法具体步骤如下:
S201、确定候选物品中满足异常分拣识别要求的待识别物品。
在本实施例中,可以先从多个候选物品中判断哪些候选物品可能存在被异常分拣的可能,或者哪些候选物品在被异常分拣时有很大可能性会出现损坏,或者对哪些候选物品较为关注,将上述的候选物品作为待识别物品,进行后续的基于分拣过程的视频片段进行异常分拣识别。也即本实施例中,预先设置异常分拣识别要求,对于满足异常分拣识别要求的候选物品,才进行后续的异常分拣识别过程。当然本实施例中的异常分拣识别要求并不限于上述举例,其他的异常分拣识别要求亦可。
S202、获取对所述待识别物品进行分拣过程的视频片段。
在本实施例中,仅针对满足异常分拣识别要求的待识别物品,获取分拣过程的视频片段。具体的,由于摄像头在对分拣场地拍摄时是实时进行拍摄的,得到的视频数据可能是一整段的视频数据流,因此需要从视频数据中截取出对待识别物品进行分拣过程的视频片段。
可选的,可首先获取对待识别物品进行分拣过程的时间段;再根据所述时间段,从待识别物品所在场景的实时视频数据中,截取对待识别物品进行分拣过程的视频片段。
其中,可选的,在获取对所述待识别物品进行分拣过程的时间段时,具体可获取分拣操作前对待识别物品上的条码进行扫码时的第一时间;根据传送带的速度信息,获取待识别物品在传送带上的行进时长;进而可根据第一时间和行进时长,确定对待识别物品进行分拣过程的时间段。
S203、根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果。
在本实施例中,在获取到对待识别物品进行分拣过程的视频片段后,即可对视频片段进行动作行为的识别,本实施例中通过将视频片段输入到预设异常分拣识别模型,通过预设异常分拣识别模型进行动作行为的识别,获取待识别物品是否被异常分拣的判断结果。本实施例中,预设异常分拣识别模型可以为能够进行动作行为识别的深度学习模型,例如双层核极限学习机与深度学习技术的动作识别算法模型,当然也可以为其他模型。
S204、输出所述判断结果,以根据所述判断结果进行告警。
在本实施例中,在获取到判断结果后,可对判断结果进行输出,例如输出到显示屏或者发送到目标终端设备上,从而可根据判断结果进行告警。可选的,仅在判断结果为待识别物品被异常分拣时,输出判断结果,以提示处理人员对异常分拣事件进行处理。
本实施例提供的物品异常分拣的识别方法,通过确定候选物品中满足异常分拣识别要求的待识别物品;获取对待识别物品进行分拣过程的视频片段;根据视频片段以及预设异常分拣识别模型,获取待识别物品是否被异常分拣的判断结果;输出判断结果,以根据判断结果进行告警。本实施例中先从备选物品中筛选出可能存在异常分拣的物品作为待识别物品,再有针对性的对对待识别物品的分拣过程的视频片段进行处理,判断是否真的存在异常分拣行为,减少了识别过程的数据量,降低了服务器的压力,也降低了对服务器处理能力的要求,且能够及时、准确的识别出异常分拣行为,以进行告警或其他相应的处理。
在上述任一实施例的基础上,如图3所示,本实施例中S201所述的确定候选物品中满足异常分拣识别要求的待识别物品,具体可包括:
S301、获取候选物品的至少一个属性标签;
S302、获取每一所述属性标签对应的权值,并根据每一所述属性标签对应的权值获取所述候选物品的总权值;
S303、若所述候选物品的总权值满足预定范围,则确定所述候选物品为所述待识别物品。
在本实施例中,可预先对每一个候选物品配置至少一个属性标签,可包括包装、材质、价值等属性标签,具体例如,“罐装”、“瓶装”、“液体”、“易碎”、“贵重品”、“可靠性高”等标签,并且每一属性标签分别对应一个权值,例如“罐装”的权值为0.3,“瓶装”的权值为0.6,“可靠性高”的权值为-0.2等,权值越高说明物品受损坏的风险越高、或者更需要被关注是否被异常分拣。需要说明的是,属性标签对应的权值可为固定不变的,当然也可根据实际情况进行调节,例如某种场景中具有“瓶装”属性标签的物品更容易出现损坏,则可调高“瓶装”属性标签对应的权值。
本实施例中,在获取到每一属性标签对应的权值后,可根据每一属性标签对应的权值获取候选物品的总权值,也即总权值为各属性标签对应的权值之和,进而将候选物品的总权值与预定范围进行比较。本实施例中若候选物品的总权值满足预定范围,则视为候选物品中满足异常分拣识别要求,进而确定候选物品为待识别物品,需要进行后续的基于分拣过程的视频片段进行异常分拣识别。
在上述实施例的基础上,考虑到对于相同的属性标签,不同类别的物品损坏风险不同,例如同样是瓶装的物品,酒类等液态物品相较于糖果等固态物品更容易受到损坏、或者损坏后影响更大,更需要被关注是否被异常分拣,因此,本实施例中可根据物品基本种类,将物品进行分类,对于不同类别的相同的属性标签可配置合适的权值,该权值可能并不相同。
可选的,可将物品分为三个级别的类别,例如第一级别可包括电器类、家具类、文具图书类、体育健身用品类、玩具类、食品类等多个类别,以食品为例,第二级别可包括酒饮类、生鲜类、粮油类等多个类别,以酒饮为例,第三级别可包括碳酸饮料、一般饮料、啤酒、红酒、白酒等类别,对于第三级别的每一类别的物品可配置其各自属性标签的权值,其中第三级别中同一类别的相同的属性标签,其权值相同,而其他情况下相同的属性标签的权值可能相同,也可能不同。
进一步的,如图4所示,S302所述的获取每一所述属性标签对应的权值,具体可包括:
S3021、根据所述候选物品的类别,获取每一所述属性标签的初始权值。
本实施例中,由于前述对每一类别的各种属性标签都配置了各自的权值,因此,可首先确定候选物品的类别,然后根据候选物品的类别,获取其每一属性标签对应的权值,作为初始权值。
S3022、若确定所述候选物品出现损坏,则获取第一补偿值。
在本实施例中,当物品出现损坏,通常会让检测人员采用更加严格的检测措施对待该种物品,因此,若确定候选物品出现损坏,则获取第一补偿值,以对每一属性标签的初始权值进行补偿,也即提高对该种物品的关注度,或者该种物品的损坏风险。
其中,可选的,可根据所述候选物品的损坏程度参数、损坏时间以及预设时间衰减参数,获取所述第一补偿值
本实施例中,可根据不同损坏程度来提高该种物品的损坏风险,损坏程度越高,损坏风险越大,则第一补偿值越大;考虑到该物品的关注程度不能能一直保持很高,尤其是当检测出存在异常分拣、并采取一定措施后,该种物品的损坏几率会逐步降低,因此可相应的逐步降低第一补偿值,也即第一补偿值还可根据损坏时间进行衰减,可预设一个时间衰减参数。
更具体的,作为一种示例,可将损坏程度划分为三个级别,例如轻微损坏、中等损坏和严重损坏,其对应的损坏程度参数记为αi(αi∈(0,1)),其中轻微损坏为α1、中等损坏为α2、严重损坏为α3。候选物品A的各初始属性标签为βj(j表示物品的属性标签序号)预设时间衰减参数为z,当前时间与损坏时间之间的时间间隔为t-ts,因此可通过如下公式计算第一补偿值:
第一补偿值=αi×e-z(t-ts)。
S3023、根据所述第一补偿值对每一所述属性标签的初始权值进行补偿,得到每一所述属性标签对应的权值。
在本实施例中,在获取到第一补偿值后,可对每一属性标签的初始权值进行补偿,从而得到每一属性标签对应的权值。
具体的,对于上述示例,属性标签j对应的权值χj为:
χj=βj+αi×e-z(t-ts)
通过上述的更新过程,可以使得异常分拣的识别过程考虑物品类别的因素,从而能够准确的识别出不同类别物品是否被异常分拣,避免在确定待识别物品进行后续视频识别时出现遗漏或者过分严格的情况,也即将某些本应该进行视频识别的物品未确定为待识别物品,或者本不应该进行视频识别的物品确定为待识别物品。需要说明的是,若候选物品未出现损坏,则可不进行上述的补偿过程。
在上述实施例的基础上,若某一候选物品出现损坏时,具有相同属性标签的其他物品也可能同样出现破损,因此也需要相应的提高破损风险。因此,本实施例中,可将第一补偿值复用到其他物品的相同属性标签上。
但考虑到不同类别的物品可能破损风险不同,例如具有“瓶装”属性标签的啤酒出现损坏,可提高啤酒类别的“瓶装”属性标签的权值,而对于“瓶装”属性标签的糖果,其损坏风险并没有啤酒类别高,若以相同的第一补偿值进行补偿显然并不合理,因此可在提高破损风险时考虑物品之间的类别关系,例如若其他物品B与本候选物品A属于相同类别,则第一补偿值直接复用到其他物品B的相同属性标签上,也即其他物品B补偿后的相同属性标签的权值与本候选物品A相同属性标签的权值数值一致;若其他物品B与本候选物品A属于不同类别,则可配置一个预设系数。
例如上述的对物品分为三个级别的类别的场景中,若其他物品B与本候选物品A属于相同的第三级别,则预设系数为1;若其他物品B与本候选物品A属于相同的第二级别,但不同的第三级别,则预设系数为0.8;若其他物品B与本候选物品A属于相同的第一级别,但不同的第二级别,则预设系数为0.5;若其他物品B与本候选物品A属于不同的第一级别,则预设系数为0.2。在对相同属性标签的初始权值进行补偿时,将第一补偿值乘以上述的预设系数,再与初始权值进行相加。
也即,本实施例中,可对所有与所述候选物品具有至少一个相同属性标签的其他物品,根据所述第一补偿值以及预设系数,更新相同属性标签的初始权值,其中所述预设系数根据所述其他物品与所述候选物品之间的类别关系获取。
需要说明的是,在S3021根据所述候选物品的类别,获取每一所述属性标签的初始权值时,考虑到其他类别物品损坏会对本类别候选物品的标签对应权值产生影响,因此每一属性标签的初始权值需要采用最新的权值,也即更新后的权值。
在上述任一实施例的基础上,考虑到实际上操作动作幅度的评估标准会有不同。以纸巾为例,为保证分拣的效率,摆幅较大的动作并不会对物品造成损坏,反之,如果是瓶装白酒,即使摆幅较小的抛掷,也会造成物品损坏。因此,本实施例中设定了多个不同的预设范围,其中每一预设范围对应一个预设异常分拣识别模型,各预设异常分拣识别模型分别能够识别出不同的动作幅度,从而可以实现采用不同的评估标准进行异常分拣的识别。
可选的,可设置多个不同的预设范围,例如按照阶梯式的分为四个:A级、B级、C级、D级,具体如下表1所示,其中δk为候选物品k的总权值。
表1
其中,A、B、C分别对应不同的预设异常分拣识别模型,采用不同的识别标准,而若满足D,则不进行基于视频片段的异常分拣识别,也即D不对应预设异常分拣识别模型。其中φ和ε为用于限定预设范围的相关参数,可根据经验进行设定。
进一步的,S203所述的根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果,具体可包括:
确定所述待识别物品的总权值所在的目标预设范围,将所述视频片段输入到所述目标预设范围对应的预设异常分拣识别模型中,获取所述待识别物品是否被异常分拣的判断结果。
在本实施例中,可判断待识别物品的总权值处于哪一预设范围,所处的预设范围即为目标预设范围,进而可确定采用目标预设范围对应的预设异常分拣识别模型,将视频片段输入到目标预设范围对应的预设异常分拣识别模型中,获取待识别物品是否被异常分拣的判断结果。
需要说明的是,由于各预设异常分拣识别模型分别与各预设范围对应,因此,各预设异常分拣识别模型需要单独训练,每一模型均需要获取其对应的训练数据,训练数据为训练数据为经过标注、且总权值在各预设范围内的物品的分拣过程视频片段,进而根据该些训练数据对对应的预设异常分拣识别模型进行训练。其训练过程此处不再赘述。
在上述任一实施例的基础上,所述预设异常分拣识别模型为双层核极限学习机模型。本实施的双层核极限学习机模型可以采用深度学习技术,实现动作的识别,输入视频片段后即可识别出是否为异常分拣。双层核极限学习机模型框架图如图5所示。
更具体的,S203所述根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果,具体可包括:
通过所述双层核极限学习机模型的第一层,对所述视频片段提取深度学习特征和手工特征,并对所述深度学习特征和所述手工特征进行融合,得到融合特征,并输出所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分;
通过所述双层核极限学习机模型的第二层,根据所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分进行分类,输出所述待识别物品是否被异常分拣的判断结果。
在本实施例中,双层核极限学习机模型的第一层可以获取到深度学习的特征核、手工特征核、以及融合特征核。
其中,对于深度学习的特征核,需要获取一个图像帧的全部运动序列,通过C3D(Convolutional 3D)卷积网络模型将提取出视频帧时间维度的特征和视频帧三色通道维度的特征,采用卷积神经网络(CNN)得到特征融合,具体的,可通过3D卷积和3D池化操作建模时间信息,再经过全连接层和Softmax层可得到深度学习的特征核。需要说明的是,本实施例中也可采用其他的深度学习模型提取所述深度学习的特征核,此处不再一一赘述。
对于手工特征核,通过IDT(Improved Dense Trajectories,改进密度轨迹)模型提取视频的IDT描述符,其中IDT算法模型为行为识别领域中非常经典的一种算法模型,算法基本框架包括:密集采样特征点、特征点轨迹跟踪、基于轨迹的特征提取、特征编码、分类器分类,所述IDT描述符包含:轨迹线、描述静态特征、像素绝对运动特征,像素相对运动特征。使用Fisher向量对IDT特征进行编码。利用L2范数对Fisher向量进行处理,计算每个描述符的线性核。
对于融合特征核,是通过计算深度学***均值,得到的融合的特征核。
在得到三个特征核后,采用核极限学习机计算不同特征核的预测得分。
双层核极限学习机模型的第二层为分类器,将不同特征核的预测得分输入到分类器后,可将预测得分映射出最终的待识别物品是否被异常分拣的判断结果。
上述各实施例提供的物品异常分拣的识别方法,通过先从备选物品中筛选出可能存在异常分拣的物品作为待识别物品,再有针对性的对对待识别物品的分拣过程的视频片段进行处理,判断是否真的存在异常分拣行为,减少了识别过程的数据量,降低了服务器的压力,也降低了对服务器处理能力的要求,且能够及时、准确的识别出异常分拣行为,以进行告警或其他相应的处理。此外,还考虑了物品类别,设置多个不同的预设范围对应的预设异常分拣识别模型,可以使得不同物品采用不同的识别标准,避免采用单一识别标准造成的错误识别,进一步提高了异常分拣识别的准确性。
图6为本发明实施例提供的物品异常分拣的识别装置的结构图。本实施例提供的物品异常分拣的识别装置可以执行物品异常分拣的识别方法实施例提供的处理流程,如图6所示,所述物品异常分拣的识别装置600包括处理模块601、获取模块602、识别模块603及输出模块604。
处理模块601,用于确定候选物品中满足异常分拣识别要求的待识别物品;
获取模块603,用于获取对所述待识别物品进行分拣过程的视频片段;
识别模块603,用于根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果;
输出模块604,用于输出所述判断结果,以根据所述判断结果进行告警。
在上述实施例的基础上,所述处理模块601在确定候选物品中满足异常分拣识别要求的待识别物品时,用于:
获取候选物品的至少一个属性标签;
获取每一所述属性标签对应的权值,并根据每一所述属性标签对应的权值获取所述候选物品的总权值;
若所述候选物品的总权值满足预定范围,则确定所述候选物品为所述待识别物品。
在上述任一实施例的基础上,所述处理模块601在获取每一所述属性标签对应的权值时,用于:
根据所述候选物品的类别,获取每一所述属性标签的初始权值;
若确定所述候选物品出现损坏,则获取第一补偿值;
根据所述第一补偿值对每一所述属性标签的初始权值进行补偿,得到每一所述属性标签对应的权值。
在上述任一实施例的基础上,所述处理模块601在获取第一补偿值时,用于:
根据所述候选物品的损坏程度参数、损坏时间以及预设时间衰减参数,获取所述第一补偿值。
在上述任一实施例的基础上,所述处理模块601在获取第一补偿值后,还用于:
对所有与所述候选物品具有至少一个相同属性标签的其他物品,根据所述第一补偿值以及预设系数,更新相同属性标签的初始权值,其中所述预设系数根据所述其他物品与所述候选物品之间的类别关系获取。
在上述任一实施例的基础上,所述预定范围包括多个不同的预设范围,其中每一预设范围对应一个预设异常分拣识别模型;
所述识别模块603在根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果时,用于:
确定所述待识别物品的总权值所在的目标预设范围,将所述视频片段输入到所述目标预设范围对应的预设异常分拣识别模型中,获取所述待识别物品是否被异常分拣的判断结果。
在上述任一实施例的基础上,所述预设异常分拣识别模型为双层核极限学习机模型;
所述识别模块603在根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果时,用于:
通过所述双层核极限学习机模型的第一层,对所述视频片段提取深度学习特征和手工特征,并对所述深度学习特征和所述手工特征进行融合,得到融合特征,并输出所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分;
通过所述双层核极限学习机模型的第二层,根据所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分进行分类,输出所述待识别物品是否被异常分拣的判断结果。
在上述任一实施例的基础上,所述装置还包括训练模块,用于:
对于每一预设范围对应的预设异常分拣识别模型,分别获取对应的训练数据,所述训练数据为经过标注、且总权值在各预设范围内的物品的分拣过程视频片段;
根据所述训练数据对对应的预设异常分拣识别模型进行训练。
在上述任一实施例的基础上,所述获取模块603在获取对所述待识别物品进行分拣过程的视频片段时,用于:
获取对所述待识别物品进行分拣过程的时间段;
根据所述时间段,从所述待识别物品所在场景的实时视频数据中,截取对所述待识别物品进行分拣过程的视频片段。
在上述任一实施例的基础上,所述获取模块603在获取对所述待识别物品进行分拣过程的时间段时,用于:
获取分拣操作前对所述待识别物品上的条码进行扫码时的第一时间;
根据传送带的速度信息,获取所述待识别物品在所述传送带上的行进时长;
根据所述第一时间和所述行进时长,确定对所述待识别物品进行分拣过程的时间段。
本发明实施例提供的物品异常分拣的识别装置可以具体用于执行上述图2-4所提供的方法实施例,具体功能此处不再赘述。
本发明实施例提供的物品异常分拣的识别装置,通过确定候选物品中满足异常分拣识别要求的待识别物品;获取对待识别物品进行分拣过程的视频片段;根据视频片段以及预设异常分拣识别模型,获取待识别物品是否被异常分拣的判断结果;输出判断结果,以根据判断结果进行告警。本实施例中先从备选物品中筛选出可能存在异常分拣的物品作为待识别物品,再有针对性的对对待识别物品的分拣过程的视频片段进行处理,判断是否真的存在异常分拣行为,减少了识别过程的数据量,降低了服务器的压力,也降低了对服务器处理能力的要求,且能够及时、准确的识别出异常分拣行为,以进行告警或其他相应的处理。
图7为本发明实施例提供的计算机设备的结构示意图。本发明实施例提供的计算机设备可以执行洗衣设备的控制方法实施例提供的处理流程,如图7所示,计算机设备70包括存储器71、处理器72、计算机程序;其中,计算机程序存储在存储器71中,并被配置为由处理器72执行以上实施例所述的洗衣设备的控制方法。此外,计算机设备70还可具有通讯接口73,用于接收控制指令。
图7所示实施例的计算机设备可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
另外,本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述实施例所述的洗衣设备的控制方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,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***,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例方案的目的。
另外,在本发明实施例各个实施例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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明实施例各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明实施例进行了详细的说明,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实施例各实施例技术方案的范围。
Claims (22)
1.一种物品异常分拣的识别方法,其特征在于,包括:
确定候选物品中满足异常分拣识别要求的待识别物品;其中,异常分拣为存在造成物品损坏风险的分拣行为;
获取对所述待识别物品进行分拣过程的视频片段;
根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果;
输出所述判断结果,以根据所述判断结果进行告警。
2.根据权利要求1所述的方法,其特征在于,所述确定候选物品中满足异常分拣识别要求的待识别物品,包括:
获取候选物品的至少一个属性标签;
获取每一所述属性标签对应的权值,并根据每一所述属性标签对应的权值获取所述候选物品的总权值;
若所述候选物品的总权值满足预定范围,则确定所述候选物品为所述待识别物品。
3.根据权利要求2所述的方法,其特征在于,所述获取每一所述属性标签对应的权值,包括:
根据所述候选物品的类别,获取每一所述属性标签的初始权值;
若确定所述候选物品出现损坏,则获取第一补偿值;
根据所述第一补偿值对每一所述属性标签的初始权值进行补偿,得到每一所述属性标签对应的权值。
4.根据权利要求3所述的方法,其特征在于,所述获取第一补偿值,包括:
根据所述候选物品的损坏程度参数、损坏时间以及预设时间衰减参数,获取所述第一补偿值。
5.根据权利要求3所述的方法,其特征在于,所述获取第一补偿值后,还包括:
对所有与所述候选物品具有至少一个相同属性标签的其他物品,根据所述第一补偿值以及预设系数,更新相同属性标签的初始权值,其中所述预设系数根据所述其他物品与所述候选物品之间的类别关系获取。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述预定范围包括多个不同的预设范围,其中每一预设范围对应一个预设异常分拣识别模型;
所述根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果,包括:
确定所述待识别物品的总权值所在的目标预设范围,将所述视频片段输入到所述目标预设范围对应的预设异常分拣识别模型中,获取所述待识别物品是否被异常分拣的判断结果。
7.根据权利要求6所述的方法,其特征在于,所述预设异常分拣识别模型为双层核极限学习机模型;
所述根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果,包括:
通过所述双层核极限学习机模型的第一层,对所述视频片段提取深度学习特征和手工特征,并对所述深度学习特征和所述手工特征进行融合,得到融合特征,并输出所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分;
通过所述双层核极限学习机模型的第二层,根据所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分进行分类,输出所述待识别物品是否被异常分拣的判断结果。
8.根据权利要求6所述的方法,其特征在于,还包括:
对于每一预设范围对应的预设异常分拣识别模型,分别获取对应的训练数据,所述训练数据为经过标注、且总权值在各预设范围内的物品的分拣过程视频片段;
根据所述训练数据对对应的预设异常分拣识别模型进行训练。
9.根据权利要求1所述的方法,其特征在于,所述获取对所述待识别物品进行分拣过程的视频片段,包括:
获取对所述待识别物品进行分拣过程的时间段;
根据所述时间段,从所述待识别物品所在场景的实时视频数据中,截取对所述待识别物品进行分拣过程的视频片段。
10.根据权利要求9所述的方法,其特征在于,所述获取对所述待识别物品进行分拣过程的时间段,包括:
获取分拣操作前对所述待识别物品上的条码进行扫码时的第一时间;
根据传送带的速度信息,获取所述待识别物品在所述传送带上的行进时长;
根据所述第一时间和所述行进时长,确定对所述待识别物品进行分拣过程的时间段。
11.一种物品异常分拣的识别装置,其特征在于,包括:
处理模块,用于确定候选物品中满足异常分拣识别要求的待识别物品;其中,异常分拣为存在造成物品损坏风险的分拣行为;
获取模块,用于获取对所述待识别物品进行分拣过程的视频片段;
识别模块,用于根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果;
输出模块,用于输出所述判断结果,以根据所述判断结果进行告警。
12.根据权利要求11所述的装置,其特征在于,所述处理模块在确定候选物品中满足异常分拣识别要求的待识别物品时,用于:
获取候选物品的至少一个属性标签;
获取每一所述属性标签对应的权值,并根据每一所述属性标签对应的权值获取所述候选物品的总权值;
若所述候选物品的总权值满足预定范围,则确定所述候选物品为所述待识别物品。
13.根据权利要求12所述的装置,其特征在于,所述处理模块在获取每一所述属性标签对应的权值时,用于:
根据所述候选物品的类别,获取每一所述属性标签的初始权值;
若确定所述候选物品出现损坏,则获取第一补偿值;
根据所述第一补偿值对每一所述属性标签的初始权值进行补偿,得到每一所述属性标签对应的权值。
14.根据权利要求13所述的装置,其特征在于,所述处理模块在获取第一补偿值时,用于:
根据所述候选物品的损坏程度参数、损坏时间以及预设时间衰减参数,获取所述第一补偿值。
15.根据权利要求13所述的装置,其特征在于,所述处理模块在获取第一补偿值后,还用于:
对所有与所述候选物品具有至少一个相同属性标签的其他物品,根据所述第一补偿值以及预设系数,更新相同属性标签的初始权值,其中所述预设系数根据所述其他物品与所述候选物品之间的类别关系获取。
16.根据权利要求12-15任一项所述的装置,其特征在于,所述预定范围包括多个不同的预设范围,其中每一预设范围对应一个预设异常分拣识别模型;
所述识别模块在根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果时,用于:
确定所述待识别物品的总权值所在的目标预设范围,将所述视频片段输入到所述目标预设范围对应的预设异常分拣识别模型中,获取所述待识别物品是否被异常分拣的判断结果。
17.根据权利要求16所述的装置,其特征在于,所述预设异常分拣识别模型为双层核极限学习机模型;
所述识别模块在根据所述视频片段以及预设异常分拣识别模型,获取所述待识别物品是否被异常分拣的判断结果时,用于:
通过所述双层核极限学习机模型的第一层,对所述视频片段提取深度学习特征和手工特征,并对所述深度学习特征和所述手工特征进行融合,得到融合特征,并输出所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分;
通过所述双层核极限学习机模型的第二层,根据所述深度学习特征、所述手工特征以及所述融合特征对应的预测得分进行分类,输出所述待识别物品是否被异常分拣的判断结果。
18.根据权利要求16所述的装置,其特征在于,还包括训练模块,用于:
对于每一预设范围对应的预设异常分拣识别模型,分别获取对应的训练数据,所述训练数据为经过标注、且总权值在各预设范围内的物品的分拣过程视频片段;
根据所述训练数据对对应的预设异常分拣识别模型进行训练。
19.根据权利要求11所述的装置,其特征在于,所述获取模块在获取对所述待识别物品进行分拣过程的视频片段时,用于:
获取对所述待识别物品进行分拣过程的时间段;
根据所述时间段,从所述待识别物品所在场景的实时视频数据中,截取对所述待识别物品进行分拣过程的视频片段。
20.根据权利要求19所述的装置,其特征在于,所述获取模块在获取对所述待识别物品进行分拣过程的时间段时,用于:
获取分拣操作前对所述待识别物品上的条码进行扫码时的第一时间;
根据传送带的速度信息,获取所述待识别物品在所述传送带上的行进时长;
根据所述第一时间和所述行进时长,确定对所述待识别物品进行分拣过程的时间段。
21.一种计算机设备,其特征在于,包括:
存储器,用于存储计算机执行指令;
处理器,用于运行所述存储器中存储的计算机执行指令以实现如权利要求1-10中任一项所述的方法。
22.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010905162.5A CN112257493B (zh) | 2020-09-01 | 2020-09-01 | 物品异常分拣的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010905162.5A CN112257493B (zh) | 2020-09-01 | 2020-09-01 | 物品异常分拣的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257493A CN112257493A (zh) | 2021-01-22 |
CN112257493B true CN112257493B (zh) | 2023-08-08 |
Family
ID=74223833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010905162.5A Active CN112257493B (zh) | 2020-09-01 | 2020-09-01 | 物品异常分拣的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257493B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118196672A (zh) * | 2022-12-12 | 2024-06-14 | 顺丰科技有限公司 | 暴力分拣识别方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
CN107358194A (zh) * | 2017-07-10 | 2017-11-17 | 南京邮电大学 | 一种基于计算机视觉的暴力分拣快递判断方法 |
CN111126115A (zh) * | 2018-11-01 | 2020-05-08 | 顺丰科技有限公司 | 暴力分拣行为识别方法和装置 |
CN111209847A (zh) * | 2020-01-03 | 2020-05-29 | 秒针信息技术有限公司 | 一种暴力分拣的识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2584683A1 (en) * | 2006-04-20 | 2007-10-20 | Optosecurity Inc. | Apparatus, method and system for screening receptacles and persons |
-
2020
- 2020-09-01 CN CN202010905162.5A patent/CN112257493B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897670A (zh) * | 2017-01-19 | 2017-06-27 | 南京邮电大学 | 一种基于计算机视觉的快递暴力分拣识别方法 |
CN107358194A (zh) * | 2017-07-10 | 2017-11-17 | 南京邮电大学 | 一种基于计算机视觉的暴力分拣快递判断方法 |
CN111126115A (zh) * | 2018-11-01 | 2020-05-08 | 顺丰科技有限公司 | 暴力分拣行为识别方法和装置 |
CN111209847A (zh) * | 2020-01-03 | 2020-05-29 | 秒针信息技术有限公司 | 一种暴力分拣的识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112257493A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255322B (zh) | 一种人脸活体检测方法及装置 | |
Nam et al. | Pest detection on traps using deep convolutional neural networks | |
US10726308B2 (en) | Image content moderation | |
CN105426356B (zh) | 一种目标信息识别方法和装置 | |
CN108711093B (zh) | 一种基于深度学习的实物租赁智能合约方法及*** | |
CN111340126A (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
CN111353549B (zh) | 图像标签的核验方法及装置、电子设备、存储介质 | |
CN108197636A (zh) | 一种基于深度多视点特征的稻谷检测和分类方法 | |
CN105809094A (zh) | 基于机器视觉的条形码识别方法 | |
CN111753290A (zh) | 软件类型的检测方法及相关设备 | |
CN109766962B (zh) | 一种商品识别方法、存储介质及商品识别*** | |
CN106570015A (zh) | 图像搜索方法和装置 | |
CN107341139A (zh) | 一种多媒体处理方法、装置、电子设备及存储介质 | |
CN112257493B (zh) | 物品异常分拣的识别方法、装置、设备及存储介质 | |
CN112784111A (zh) | 视频分类方法、装置、设备及介质 | |
US11341377B2 (en) | Image content moderation | |
CN111382605A (zh) | 视频内容审核方法、装置、存储介质和计算机设备 | |
Adi et al. | Beef quality identification using thresholding method and decision tree classification based on android smartphone | |
CN115752683A (zh) | 一种基于深度相机的体重预估方法、***及终端 | |
CN111488939A (zh) | 模型训练方法、分类方法、装置及设备 | |
CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
CN114255377A (zh) | 一种智能货柜的差异商品检测分类方法 | |
CN110008362A (zh) | 一种案件归类方法及装置 | |
CN103617261B (zh) | 图片内容属性识别方法和*** | |
PirahanSiah et al. | Adaptive image segmentation based on peak signal-to-noise ratio for a license plate recognition system |
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 |