CN112558554A - 任务追踪方法和*** - Google Patents
任务追踪方法和*** Download PDFInfo
- Publication number
- CN112558554A CN112558554A CN201910855076.5A CN201910855076A CN112558554A CN 112558554 A CN112558554 A CN 112558554A CN 201910855076 A CN201910855076 A CN 201910855076A CN 112558554 A CN112558554 A CN 112558554A
- Authority
- CN
- China
- Prior art keywords
- task
- image
- production
- target image
- current
- 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
- 238000004519 manufacturing process Methods 0.000 claims abstract description 213
- 238000007639 printing Methods 0.000 claims abstract description 69
- 238000000605 extraction Methods 0.000 claims description 34
- 239000004744 fabric Substances 0.000 claims description 29
- 230000033001 locomotion Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013479 data entry Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 101150041570 TOP1 gene Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 102100024607 DNA topoisomerase 1 Human genes 0.000 description 1
- 101000830681 Homo sapiens DNA topoisomerase 1 Proteins 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种任务追踪方法、***和平台,所述方法包括:获取任务的目标图像;根据所述目标图像判断所述任务的执行状况;获取所述任务的进度状况;以及基于所述执行状况和所述进度状况,确定所述任务的当前状况。由此,通过图像比对追踪任务质量,并结合进度状况的采集,能够准确把握任务的当前状况。该方案尤其适于实现为针对数码印花生产任务的跟单***。
Description
技术领域
本发明涉及自动化领域,尤其涉及一种任务追踪方法和***。
背景技术
跟单指在企业运作过程中,以客户订单为依据,跟踪生产任务的运作流向。跟单亦称“加工路线单”,是指一种跟随工件移动而记录其加工过程中各道工序间收、发移动情况的产量凭证。它由生产计划调度人员交给第一道工序的工人,然后跟随每道工序,依次转移,逐项记录,直到产品完工时的最后一道工序。现有跟单方式主要依据人工数据录入,需要特定工人进行订单生产关联、数据录入,生产线上的生产过程与订单进度分开,使得订单生产进度不能实时反馈,从很大程度上提高了工厂生产成本。在诸如物流的其他领域,对任务状态缺乏及时的追踪与反馈也大大影响了***对任务的发放和监控,从而影响了整体效率。
因此,需要一种改进的任务追踪方案。
发明内容
为了解决如上至少一个问题,本发明提出了一种任务追踪方案,该方案通过计算机视觉比对追踪任务,并结合生产进度状况的采集,从而能够准确把握生产任务的当前状况。该方案尤其适于实现为生产任务追踪,例如针对数码印花任务的跟单***。
根据本发明的一个方面,提出了一种任务追踪方法,包括:获取任务的目标图像;根据所述目标图像判断所述任务的执行状况;获取所述任务的进度状况;以及基于所述执行状况和所述进度状况,确定所述任务的当前状况。由此,通过任务的图像采集而基于图像获取生产任务的执行状况,并结合生产进度状况的获取,能够准确把握当前生产状况。
优选地,任务是生产任务,并且可以通过安装在生产线上的图像采集设备采集所述生产线上生产任务的目标图像。优选地,可以获取布置在所述生产线上或附近的生产进度传感器,例如,长度或个数计数器的读数作为所述生产任务的生产进度状况。
优选地,执行状况的判断可以包括判断所述目标图像是否符合所述生产任务的规定图像。例如可以对所述目标图像进行特征提取;将从所述目标图像提取的特征与从所述生产任务的规定图像提取的特征相比较;以及根据所述比较结果,判断所述目标图像是否符合所述任务的规定图像。图像特征提取例如可以是基于传统CV(计算机视觉)的特征点提取;或是基于深度学习的神经网络特征提取。
具体地,可以从获取的目标图像中提取出用于进行所述判断的目标区域图像。例如,可以获取生产线上当前生产任务的连续目标图像,并依据建立的背景模型进行运动区域检测;以便根据从所述连续目标图像中检测出的运动区域来提取所述目标区域图像。
上述比对可以是针对确定图像的直接比对,也可以是针对现有数据库的查找比对。为此,判断所述目标图像是否符合所述生产任务的规定图像可以包括:从任务规定图像数据库中查找与所述目标图像相符合的规定图像。
进一步地,本发明的追踪方法可以用于实现自动跟单,于是该方法还可以包括:基于所述相符合的规定图像,查找所述任务的订单信息,并且可以基于所述订单信息和所述进度状况,确定所述任务的当前完成度。
进一步地,本发明的追踪方法可以用于任务状况的汇总与报告,于是该方法还可以包括:汇报所述任务的当前状况。报告所述任务的当前状况可以包括如下至少一项:向客户端主动推送所述任务的当前状况;在客户端进行查询时提供所述任务的当前状况;实时显示所述任务的当前状况。在本发明中,可以对多个任务同时执行所述方法,以同时追踪多个任务的当前状况。
进一步地,所述多个任务可以是属于不同任务执行方的任务,并且,所述方法还包括:基于所述多个任务的当前状况计算所述不同任务执行方的执行方任务状况信息;任务下达方基于所述不同任务执行方的执行方任务状况信息选择要执行新任务的任务执行方。
所述多个任务也可以是属于不同任务执行方的任务,所述不同任务执行方属于同一条产品供应链,并且,所述方法还包括:基于所述多个任务的当前状况计算所述不同任务执行方的执行方任务状况信息;基于所述不同任务执行方的执行方任务状况信息确定所述供应链的当前供应链状况信息;以及基于所述当前供应链状况信息,确定要执行的新任务。
进一步地,本发明的追踪方法可以用于结合跟单的自动化生产,于是该方法还可以包括:在所述当前状况至少所述生产任务已完成的情况下,启动下一个生产任务。
在本发明中,所述生产任务尤其可以是布料印花任务,并且可以获取生产线上印花工序完成后的目标图像,使得根据所述布料上的印花图像判断所述生产任务的执行状况。
在本发明中,所述任务还可以是物流任务,并且根据所述目标图像判断所述任务的执行状况包括:根据所述目标图像判断所述物流任务的任务对象和/或任务对象状况,获取所述任务的进度状况包括:根据所述物流任务的所处位置获取所述任务的进度状况。
根据本发明的又一个方面,提出了一种任务追踪***,包括:图像采集设备,用于采集任务的目标图像;计算设备,用于根据所述目标图像判断所述任务的执行状况;传感器,例如,长度或个数计数器,用于采集所述任务的生产进度状况,其中,所述计算设备基于所述执行状况和所述进度状况,确定所述任务的当前状况。
优选地,所述计算设备可以用于:判断所述目标图像是否符合所述任务的规定图像。
优选地,所述计算设备可以进一步用于:从获取的目标图像中提取出用于进行所述判断的目标区域图像。
优选地,所述图像采集设备可以用于:获取所述任务(例如,生产线上当前生产任务)的连续目标图像,并且所述计算设备可以进一步用于:依据建立的背景模型进行运动区域检测;根据从所述连续目标图像中检测出的运动区域来提取所述目标区域图像。
优选地,所述计算设备可以进一步用于:对所述目标图像进行特征提取;将从所述目标图像提取的特征与从所述任务的规定图像提取的特征相比较;以及根据所述比较结果,判断所述目标图像是否符合所述任务的规定图像。
优选地,该***还可以包括:数据库,用于存储生产任务规定图像,其中,所述计算设备进一步用于:从所述数据库中查找与所述目标图像相符合的规定图像。优选地,所述计算设备进一步用于:基于所述相符合的规定图像,查找所述任务的订单信息;基于所述订单信息和所述进度状况,确定所述任务的当前完成度。
优选地,该***还可以包括:客户端,用于获取并汇报所述生产任务的当前状况。所述客户端可以接收主动推送的所述任务的当前状况,或是在用户查询时获取所述任务的当前状况。
优选地,所述***可以同时追踪多个任务的当前状况。所述计算设备还可以用于:基于所述多个任务的当前状况计算***任务状况信息,并上报所述***任务状况信息。所述***也可以是属于特定供应链的一个***,所述计算设备接收当前供应链状况信息,并且基于所述当前供应链状况信息,确定要执行的新任务。
优选地,所述计算设备还用于:在所述当前状况至少所述任务已完成的情况下,确定要启动的下一个任务。
本发明的追踪***可以是一种生产任务追踪***,所述***还包括:生产线,用于在其上进行生产任务。生产任务追踪***尤其适于实现为一种***布料印花生产追踪***,于是,所述图像采集设备可被安装用于:获取生产线上印花工序完成后的目标图像。计算设备则可根据所述布料上的印花图像判断所述生产任务的执行状况。
本发明的追踪***还可以是一种物流任务追踪***,并且,所述计算设备用于:根据所述图像采集设备获取的所述目标图像判断所述物流任务的任务对象和/或任务对象状况,根据所述传感器获取的物流任务所处位置确定所述物流任务的进度状况。
根据本发明的一个方面,提出了一种任务追踪平台,包括服务器,以及与经由互联网与所述服务器相连的如上所述的多个任务追踪***。
在由本地计算设备执行边缘计算的情况下,服务器可以仅用于向所述任务追踪***的计算设备下发图像特征提取模型。而在云端计算的情况下,服务器则需用于:获取所述任务追踪***上传的目标图像;根据所述目标图像判断所述任务的执行状况;以及将所述执行状况下发给所述任务追踪***的计算设备。
优选地,该平台还可以包括:客户端,用于:接收所述服务器主动推送的所述任务的当前状况;和/或在用户查询时从所述服务器获取所述任务的当前状况。
优选地,与所述服务器相连的多个任务追踪***可以包括执行同类任务的多个任务执行方,并且所述服务器用于:基于所述多个任务的当前状况计算出的所述多个任务执行方的执行方任务状况信息;以及将所述执行方任务状况信息提供给任务下达方,以使得所述任务下达方基于所述多个任务执行方的执行方任务状况信息选择要执行新任务的任务执行方。
优选地,与所述服务器相连的多个任务追踪***可以包括执行同一条产品供应链的多个任务执行方,并且所述服务器用于:获取基于所述多个任务的当前状况计算出的所述多个任务执行方的执行方任务状况信息;基于所述多个任务执行方的执行方任务状况信息确定所述供应链的当前供应链状况信息;基于所述当前供应链状况信息,确定要执行的新任务;以及将确定的所述新任务下发给相应的任务执行方。
根据本发明的再一个方面,提出了一种计算设备,包括:处理器;以及存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的生产任务追踪方法。
根据本发明的又一个方面,提出了一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的生产任务追踪方法。
本发明通过安装摄像头采集任务执行过程中的图像信息进行算法智能分析,对有效图像区域进行自适应区域检测,提取有效目标区域的图像特征,依据此特征向量在特征库中比对排序,在底库中搜索得到对应图像,进而关联到订单信息,结合传感计数器得到当前任务的生产进行,最终实现基于任务追踪的各类功能,例如自动跟单的功能。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本发明一个实施例的生产任务追踪方法的示意性流程图。
图2示出了根据本发明的数码印花自动跟单的流程实现例。
图3示出了根据本发明一个实施例的生产任务追踪***的组成示意图。
图4示出了根据本发明一个实施例可用于实现上述生产任务追踪方法的计算设备的结构示意图。
图5示出了根据本发明的数码印花自动跟单的技术实现流程例。
图6示出了图5所示跟单例的展示效果图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
跟单指在企业运作过程中,以客户订单为依据,跟踪生产任务的运作流向。跟单亦称“加工路线单”。一种跟随工件移动而记录其加工过程中各道工序间收、发移动情况的产量凭证。它由生产计划调度人员交给第一道工序的工人,然后跟随每道工序,依次转移,逐项记录,直到产品完工时的最后一道工序。现有跟单方式主要依据人工数据录入,需要特定工人进行订单生产关联、数据录入,生产线上的生产过程与订单进度分开,使得订单生产进度不能实时反馈,从很大程度上提高了工厂生产成本。
以数码印花为例,当前数码印花加工厂管理效率低、产销脱节,业内大多对数码印花的跟单,采用的都是生产当天跟单人员进行专门的人工数据录入操作,生产与订单进度监控脱节,因此需要有一套完整的数字化解决方案帮助工厂进行生产管理,同时帮助用户实时获取印花过程数据、了解订单生产进度,最终实现高效的产销协同、提升工厂管理效率及降低成本提高产能的目的。
在诸如物流的其他领域,对任务状态缺乏及时的追踪与反馈也大大影响了***对任务的发放和监控,从而影响了整体效率。
为此,本发明提出了一种任务追踪方案,该方案对工厂或物流仓库等的现有设施改造很小,不用更改工人的工作方式,只需在任务主要环节机器的附近区域安装摄像头即可,非侵入式的方式,工人无感的情况下通过对图像/视频数据进行算法分析就能够完成任务的自动追踪,例如关联跟单功能。
图1示出了根据本发明一个实施例的任务追踪方法的示意性流程图。该方法适于由工厂或物流服务商等的控制中心,能够获取任务当前状况的云端服务,或是通过本地与云端的结合实现。
在步骤S110,获取任务的目标图像。在此,“任务”指代例如经由客户交派的工作。例如,工厂的生产线上会根据客户订单执行生产任务,物流公司会根据用户订单执行物流运输任务等。获取任务的目标图像,可以是获取任务对象的目标图像,例如,生产线上正生产对象的图像,或是正被物流运输的对象的图像。
在此,“生产线”又可称为流水线,或装配线,是一种工业生产方式,指每个生产单位只专注处理某个片段的工作。生产线上可以进行零件的生产或装配,或是针对加工对象的不同步骤,或是零件装配或是加工步骤的各类组合。“生产任务”这指代生产线上加工的对象。在某些实施例中,“生产任务”就是加工对象本身,在其他实施例中,“生产任务”是加工某个批次的多个加工对象的任务,或是这多个加工对象本身。生产任务的目标图像则是生产线上正加工对象的图像。
例如,在数码印花工厂中,需要对生产好的原始布匹进行数码印花。数码印花是用数码技术进行的印花,其通过诸如扫描、数字相片、图像或计算机制作处理的各种数字化手段将各种数字化图案输入计算机,再通过电脑分色印花***处理后,由专用的RIP(RasterImage Processor,光栅图像处理器)软件通过对其喷印***将各种专用染料(活性、分散、酸性主涂料)直接喷印到各种织物或其它介质上,再经过处理加工后,在各种纺织面料上获得所需的各种高精度的印花产品。数码印花过程主要分为五个环节:印花、蒸、水洗、定型整纬和上浆烘干。
为此,在数码印花的应用场景中,生产线可以指代用于进行数码印花的上述五个环节以完成针对原始布匹的精确印花的工业流水线。生产任务则可以指代订单中的某一个任务,例如,生产星星图案的布匹1000米,或者该星星图案的布匹本身。生产任务的目标图像则可以是生产线上正在加工的布匹的印花图案。
在本发明的后续描述中,将主要结合数码印花作为实例进行描述。但本领域技术人员应该理解的是,本发明也适用于基于外形比对进行生产状况判断的其他产品生产线。在其他实施例中,本发明也适用于生产任务之外的其他任务,例如,物流运输任务,只要这些任务的执行状况能够使用采集的图像进行分析。
在步骤S110中,可以使用安装在生产线上的图像采集设备来采集所述生产线上生产任务的目标图像。在此,安装在“生产线上”可以指代依据实际需求,安装在生产线的上下左右任意方向,以及安装在生产线周围、附近等的布置。例如,在数码印花场景中,可以通过安装在印花和蒸煮工序之间的图像采集设备,例如,安装在生产线正上方,并垂直向下的摄像机,来获取生产线上印花工序完成后的目标图像。在其他实施例中,也可以在其他生产工序的全部和部分之后安装图像采集设备以进行图像的采集和分析,本发明在此不做限制。
在物流任务中,则可以使用安装在物流仓库固定位置(例如,进口或出口位置)或是运输工具固定位置(例如,货运飞机的机舱内)的图像采集设备来进行目标图像的采集。
在不同的实施例中,“图像采集设备”可以是照相机或是摄像机,以满足后续步骤中对于图像或是视频采集的需求。在某些场景中,照相机和摄像机的身份可以互换,例如,可以通过足够快速的拍摄来获取间隔足够短的照片以用作视频流,也可以以足够大的间隔截取视频来作为图像进行处理。在一个实施例中,优选实时或近实时的获取目标图像,以供后续及时处理,方便对生产过程的即时把握。
随后,在步骤S120,根据所述目标图像判断所述任务的执行状况。在此,判断任务的执行状况可以是基于图像判断具体任务,例如,从印花的花色判断当前布匹生产任务所属订单,也可以是基于图判断任务是否正被正常执行,例如,物流任务中包裹箱的形状是否完整,印花的花色是否出现错误等。
具体地,可以进行目标图像与已有图像的比对,并由此判断任务是否被正常执行。具体地,可以判断所述目标图像是否符合所述任务的规定图像(例如,印花底库中的图像)。例如,可以利用图像特征提取技术,基于图像特征的比对,来对上述目标图像进行判断。在此,“图像特征提取技术”可以是“计算机视觉”的一部分,后者是指用图像采集设备(例如,摄影机)和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图像处理,用计算机处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉试图创建能够从图像或者多维数据中获取“信息”的人工智能***。这里所指的信息指香农定义的,可以用来帮助做一个“决定”的信息。于是,在本发明中,“图像特征提取技术”可以指代利用计算机从采集的图像中提取出有意义的特征(表征上述“信息”的特征)的操作。在本发明中,利用的图像特征提取技术可以是基于传统CV(计算机视觉)的特征点提取;也可以是基于深度学习的神经网络(例如,CNN,卷积神经网络)特征提取。
虽然可以通过摄像头的精确和安装来获取更接近规定图像获取角度的目标图像,但由于在实际操作中会引入各种差异。例如,由于数码印花生产过程中的摄像头采集到的实际花型图像与订单底库下发的模版花型对应的图像还是存在一定差异,如大小、旋转、光照明暗、颜色深浅、花型重复程度、其他内容图像噪声、角度变换等,这在关联匹配上是需要必须克服的技术难点。因此,通常需要对采集图像进行进一步的处理,以用于后续比对。
于是,在一个实施例中,本发明的追踪方法还包括从获取的目标图像中提取出用于进行所述判断的目标区域图像。具体地,可以获取生产线上当前生产任务的连续目标图像,例如视频,并随后在依据建立的背景模型进行运动区域检测;并根据从所述连续目标图像中检测出的运动区域来提取所述目标区域图像。
在一个实施例中,目标图像与已有图像的比对可以是针对提取特征的比对。为此,步骤S120可以包括:对所述目标图像进行特征提取;将从所述目标图像提取的特征与从所述生产任务的规定图像提取的特征相比较;以及根据所述比较结果,判断所述目标图像是否符合所述任务的规定图像。
上述比对可以是针对确定图像的直接比对,也可以是针对现有数据库的查找比对。为此,步骤S120可以包括:从任务规定图像数据库中查找与所述目标图像相符合的规定图像。例如,将提取的目标图像特征与规定图像数据库中的已有特征相比较,以查找出特征相符的规定图像。
随后,基于所述相符合的规定图像,可以查找所述任务的订单信息,由此可以基于所述订单信息和后续步骤S130获取的进度状况,确定所述任务的当前完成度。
在步骤S130,获取所述任务的进度状况,例如,获取布置在所述生产线上或附近的生产进度传感器的读数。所述生产进度传感器可以是长度或个数计数器。例如,可以通过安装在生产线转轴上的计米器来确定印花布匹的完成长度。例如,可以获取物流任务中运输对象的当前位置,由此估算运输完成度。
随后,在步骤S140,基于所述执行状况和所述进度状况,确定所述任务的当前状况。
由此,本发明就能够通过对执行状况和进度状况的获取(例如,图像和传感器数据的实时获取和分析),确定任务的当前完成状况。任务的当前状况可以馈入本地或云端的控制中心,以藉此进行后续的操作。
在一个实施例中,该方法还可以包括:汇报所述生产任务的当前状况。例如,可以将确定的当前状况实时显示在工厂控制中心的显示器上,甚至是用户的客户端上。例如,可以向客户端主动推送所述任务的当前状况;也可以在客户端进行查询时提供所述任务的当前状况。
在本发明中,可以对多个任务同时执行所述方法,以同时追踪多个任务的当前状况。例如,在存在多条生产线的情况下,本发明的方法可以追踪每条生产线当前生产任务的生产状况,并加以汇总和报告。
在云端实现的情况下,则可以在服务器是实现对各个工厂的每天生产线的当前生产状况追踪,并将其反馈给对应的客户。
在一个实施例中,追踪的所述多个任务是属于不同任务执行方的任务,并且,所述方法还包括:基于所述多个任务的当前状况计算所述不同任务执行方的执行方任务状况信息;任务下达方基于所述不同任务执行方的执行方任务状况信息选择要执行新任务的任务执行方。
在此,不同的任务执行方可以是同类任务的执行方,例如,布匹供应商A、B和C。每个布匹供应商A、B和C都具备多条用于进行印花布匹生产的生产线。于是,可以汇总每个布匹供应商的印制时间、效率、繁忙程度(例如,库存单数),并向任务下达方(例如,订货方)提供,例如,订货方可以在客户端上查看实时的,或是固定时间更新(例如,每日更新)的生产商状态,从而基于上述状态选择布匹供应商A、B和C中的一家签到订单,例如,电子订单。
在一个实施例中,追踪的所述多个任务是属于不同任务执行方的任务,所述不同任务执行方属于同一条产品供应链,并且,所述方法还包括:基于所述多个任务的当前状况计算所述不同任务执行方的执行方任务状况信息;基于所述不同任务执行方的执行方任务状况信息确定所述供应链的当前供应链状况信息;以及基于所述当前供应链状况信息,确定要执行的新任务。例如,在整条供应链上,轮胎A和发动机B的供应,制约了整车的生产。为此,可以汇总整条供应链上各个任务执行方的当前生产状况,并由此确定各个任务执行方的各条生产线的后续生产任务。
在一个实施例中,本发明的追踪方案还可以并入工厂自动化***,由此该方法还可以包括:在所述当前状况至少所述任务已完成的情况下,确认要启动的下一个任务,由此可以自动或在经人工确认的情况下启动这下一个任务。例如,在进行订单调度时,可以根据当前的整体订单和执行情况,合理调度要执行的任务。
由上结合图1描述了根据本发明的生产任务追踪方法及其优选实施例。在针对数码印花生产的实例中,可以通过对各环节安装摄像头采集印花过程中的视频图像信息进行算法智能分析,自适应地对数码印花布料打印区域进行检测,提取出有效的花型打印区域,随后对花型打印区域图像进行特征提取,依据提取的特征向量与花型底库中的特征向量进行比对排序,从而确定当前生产的花型对应的底库样本进一步关联到数据库订单信息,依据当前机器计米器数据得到当前花型的生产米数,最终实现自动跟单的功能。
图2示出了根据本发明的数码印花自动跟单的流程实现例。如图所示,首先在步骤S210获取主要环节的视频图像,例如印花环节后的视频图像。随后在步骤S220,对输入的实时视频图像进行滤波去噪处理,例如,可以采用高斯去噪处理。
之后在步骤S230,对摄像头内工人工作的环境进行背景建模,例如,可以采用高斯混合背景建模,由于印花主要的5个环节中均有印花布料平铺移动进行加工的操作,因此可以依据建立的任一背景模型进行运动区域检测,继而根据视频中检测的运动区域来分割出印花ROI(RegionOfInterest,感兴趣)区域。在此,印花ROI区域可以指代摄像头采集到的印花生产过程中视频画面中有效的打印出印花的布料区域对应的图像内容。
在步骤S240,通过图像特征提取算法,进行图像检索比对。图像检索主要指基于内容的图像检索(Content-based Image Retrieval,简称CBIR)技术,即对图像的内容语义,如图像的颜色、纹理、布局等进行分析和检索的图像检索技术。在不同的实现中,可以利用例如传统CV的特征点提取、深度学习的卷积神经网络特征提取等计算机视觉算法,对印花ROI区域进行特征提取,例如,在本例中可以采用深度学习算法中的resnet50进行特征提取,并与订单花型底库的图像数据集特征向量进行检索比对。在此,订单花型底库可以指代由订单管理***下发到打印端的花型模版图像集合。上述比对可以得到例如Top10的相似特征花型,Top1对应的底库花型特征相似度大于一定阈值(例如,在本例中设为取0.8),则判定为正确对应花型。
随后,在步骤S250,读取当前的计米器数据减去前一花型结束的计米器数值即为当前花型的加工米数长度,联合数据库中对应底库花型的订单信息进行结果上报。最后,在步骤S260,自动跟单***收到上报信息,进行结果汇总分析及展示。
在一个实施例中,本发明的追踪方案还可以时针对物流任务的追踪。为此,步骤S120可以包括根据所述目标图像判断所述物流任务的任务对象和/或任务对象状况。步骤S130可以包括根据所述物流任务的所处位置获取所述任务的进度状况。例如,可以根据运输货物的印花图像来进一步判断在前生产的印花布匹订单的当前运输状态。例如,现在在物流仓库A过检运出的订单A中花色为a的布匹。同时,可以根据物流仓库A的位置或是后续运输工具中的实时GPS数据来获取物流任务的运输进度。由此在步骤S140确定物流任务的当前状态。
本发明的追踪方案还可以实现为一种任务追踪***。根据本发明的一种任务追踪***,可以包括:图像采集设备,用于采集任务的目标图像;计算设备,用于根据所述目标图像判断所述任务的执行状况;传感器,用于采集所述任务的进度状况,其中,所述计算设备基于所述执行状况和所述进度状况,确定所述任务的当前状况。如下将结合进一步包括生产线的生成任务追踪***的例子,来对本发明的***进行描述。
图3示出了根据本发明一个实施例的生产任务追踪***的组成示意图。如图所示,***300包括生产线310、图像采集设备320、计算设备330和传感器340。
生产线310用于在其上进行生产任务。例如,生产线310可以是用于进行布匹印花的生产线,其上根据订单进行生产任务,例如,生产300米长的图案为A的印花布匹。
图像采集设备320用于采集生产线上生产任务的目标图像。图像采集设备320可以是照相机或是摄像机,可以例如垂直布置在生产线上并对生产任务的对应加工对象进行拍照,用于采集生产线上印花工序完成后的目标图像,由此产生生产任务的目标图像,例如包括印花图案的布匹图像。
计算设备330则可以根据所述目标图像判断所述生产任务的执行状况。
传感器340可以用于采集所述生产任务的生产进度状况。生产进度传感器是长度或个数计数器。例如,传感器340可以是布置在布匹滚轴上,并根据转速统计布匹长度的计米器,或是本领域常用或是将来研发出的各类适于表征任务进度的其他传感器。
随后,计算设备330可以基于所述执行状况和所述生产进度状况,确定所述生产任务的当前状况。
具体地,计算设备330可以进行执行状况的判断。例如,可以判断所述目标图像是否符合所述生产任务的规定图像,例如,基于现有的判断模型(例如,如下描述CNN特征提取模型),判断目标图像符合生产任务规定图像的概率。
由于拍摄图像与规定图像存在视差,因此计算设备330可以进一步用于:从获取的目标图像中提取出用于进行所述判断的目标区域图像。例如,图像采集设备320可以获取生产线上当前生产任务的连续目标图像,并且计算设备330可以依据建立的背景模型进行运动区域检测,并根据从所述连续目标图像中检测出的运动区域来提取所述目标区域图像。
在一个实施例中,计算设备330可以用于:对所述目标图像进行特征提取;将从所述目标图像提取的特征与从所述生产任务的规定图像提取的特征相比较;以及根据所述比较结果,判断所述目标图像是否符合所述生产任务的规定图像。在此,利用的图像特征提取技术可以是基于传统CV(计算机视觉)的特征点提取;也可以是基于深度学习的神经网络(例如,CNN,卷积神经网络)特征提取。
上述比对可以是针对确定图像的直接比对,也可以是针对现有数据库的查找比对。为此,***300还可以包括用于存储生产任务规定图像的数据库。计算设备330则可从所述数据库中查找与所述目标图像相符合的规定图像。
由此,本发明就能够通过对执行状况和生产进度状况的获取(例如,图像和传感器数据的实时获取和分析),确定生产任务的当前完成状况。生产任务的当前状况可以馈入本地或云端的控制中心,以藉此进行后续的操作,
进一步地,计算设备330可以基于所述相符合的规定图像,查找所述生产任务的订单信息;并且基于所述订单信息和所述生产进度状况,确定所述生产任务的当前完成度。
计算设备330可以收集生产任务的当前状况,并通过该计算设备330的显示屏等通知用户。在存在多条生产线的情况下,本发明的方法可以追踪每条生产线当前生产任务的生产状况,并加以汇总和报告。在一个实施例中,***300可以包括多条生产线,每个生产线上配备有图像采集设备和传感器,并且这些生产线都与一个计算设备相连。在其他实施例中,不同的任务可以也可以共用一个图像采集设备和/或传感器,例如,安装在物流仓库出入口的图像采集设备。
在某些实施例中,***300还可以包括客户端(例如,安装了对应App的智能手机),用于获取并向用户汇报所述生产任务的当前状况。所述客户端可以接收主动推送的所述任务的当前状况,或是在用户查询时获取所述任务的当前状况。
在云端实现的情况下,则可以在服务器是实现对各个工厂的每天生产线的当前生产状况追踪,并将其反馈给对应的客户。此时,计算设备330可以与云端平台相连,并且还用于:基于所述多个任务的当前状况计算***任务状况信息,并上报所述***任务状况信息。云端平台可以汇总来自各个联网***的所述***任务状况信息,为下单方提供下单指导,并将新订单传递给对应的***。
在一个实施例中,所述***是属于特定供应链的一个***。云端平台可以汇总来自整个供应链的信息,以计算当前供应链状况信息,并确定要进行后续任务的***。相应***的计算设备可以接收当前供应链状况信息,并且基于所述当前供应链状况信息,确定要执行的新任务。
在其他实施例中,本发明的任务追踪***还可以是物流任务追踪***。上述物流任务追踪***可以是独立于生产任务追踪***的***,也可以是其关联的后续***,以实现从生产到运输的全面追踪。所述物流任务追踪***的计算设备可以用于:根据所述图像采集设备获取的所述目标图像判断所述物流任务的任务对象和/或任务对象状况,以及根据所述传感器获取的物流任务所处位置确定所述物流任务的进度状况。
如上所述,在涉及云端的情况下,本发明可以实现为一种生产任务追踪平台,包括服务器,以及与经由互联网与所述服务器相连的如上所述的多个任务追踪***300。
在涉及云端的情况下,存在各个计算设备330执行边缘计算的方式以及云端进行集中计算的方式。例如,在某个工厂配备有较强算力的计算设备,或是其计算强度不大等的情况下,服务器用于向所述生产任务追踪***的计算设备下发用于进行图像特征提取的模型,例如,经训练的CNN模型。计算设备330可以装载上述用于执行图像特征提取的模型,并针对工厂内各生产线的采集视频,进行实时的图像分析和生产任务执行状况的判断。在任务开始时,往往需要将采集并进行区域提取的图像与数据库中的规定图像进行比对查找,以确定订单号码。随后,在此任务的持续期间,可以仅将后续提取的图像与该订单对应图像相比较,以确定针对该订单的生产正在正常进行。在出现错误图像时,例如,当前图像无法与任何规定图像相匹配,或是任务存续其间出现其他图像,都可以通过计算设备330直接通知用户,或经由绑定的客户端进行通知。本发明的追踪方案还可以并入工厂自动化***。于是,计算设备330还可以用于:在所述当前状况至少所述生产任务已完成的情况下,确定要启动所述生产线执行下一个生产任务。例如,计算设备330可以直接启动后续生产任务,或是通知用户当前任务结束,并在用户确认后启动后续生产任务。
在本地算力不足,或是网络带宽运行的情况下,可以使用云端进行计算。此时,服务器可以用于:获取所述生产任务追踪***上传的目标图像;根据所述目标图像判断所述生产任务的执行状况;以及将所述执行状况下发给所述生产任务追踪***的计算设备。具体地,服务器可以在云端基于经训练的CNN模型进行目标图像的特征提取,以及与数据库的特征比对,以找出对应的规定图像,并将查找和比对的结果下发本地。
为了方便信息的报告,该平台还可以包括:客户端,用于:接收所述服务器主动推送的所述任务的当前状况;和/或在用户查询时从所述服务器获取所述任务的当前状况。例如,追踪平台可以发布追踪App供客户端下载,随后用户可以适于安装了对应App的客户端随时查看目标任务、供应商、和供应链的当前运行状况(例如,需要不同的查看权限),并在需要是对任务的行进等进行控制。
在一个实施例中,与所述服务器相连的多个任务追踪***包括执行同类任务的多个任务执行方,并且所述服务器用于:基于所述多个任务的当前状况计算出的所述多个任务执行方的执行方任务状况信息;以及将所述执行方任务状况信息提供给任务下达方,以使得所述任务下达方基于所述多个任务执行方的执行方任务状况信息选择要执行新任务的任务执行方。
在一个实施例中,与所述服务器相连的多个任务追踪***包括执行同一条产品供应链的多个任务执行方,并且所述服务器用于:获取基于所述多个任务的当前状况计算出的所述多个任务执行方的执行方任务状况信息;基于所述多个任务执行方的执行方任务状况信息确定所述供应链的当前供应链状况信息;基于所述当前供应链状况信息,确定要执行的新任务;以及将确定的所述新任务下发给相应的任务执行方。
另外,该平台中还可以包括不同属性的追踪***,例如,生产任务追踪***和物流任务追踪***,由此,通过不同属性追踪***的联动,完成对特定对象(例如,印花订单A的印花布匹)从生产到运输的全程追踪。
图4示出了根据本发明一个实施例可用于实现上述生产任务追踪方法的计算设备的结构示意图。
参见图4,计算设备400包括存储器410和处理器420。
处理器420可以是一个多核的处理器,也可以包含多个处理器。在一些实施例中,处理器420可以包含一个通用的主处理器以及一个或多个特殊的协处理器,例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中,处理器420可以使用定制的电路实现,例如特定用途集成电路(ASIC,Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA,Field Programmable Gate Arrays)。
存储器410可以包括各种类型的存储单元,例如***内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器420或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器410可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器410可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器410上存储有可执行代码,当可执行代码被处理器420处理时,可以使处理器420执行上文述及的生产任务追踪方法。
[应用例]
本发明的任务追踪方案尤其适用于能够基于图像比对确定生产正常进行的生产任务,例如,数码印花任务。图5示出了根据本发明的数码印花自动跟单的技术实现流程例。
在步骤S510,摄像头采集印花机器现场视频。例如,图中示出的在20XX年7月4日15:35:22采集到的现场图像帧。随后在步骤S520,自适应ROI得到实际花型区域,如图中对应的红框区域所示。随后,在步骤S530,进行印花ROI的特征提取。
而在下部的分支中,在步骤S540,从印花底库图案数据集建立底库花型特征数据库。该步骤S540可以在上部分支步骤S510-530之前很久进行,也可以被持续进行,例如,每当有新图案输入时,对其进行花型特征分析,并更新底库花型特征数据库。
由此,在步骤S550,就能够将印花ROI提取的特征与底库花型特征数据库进行特征比对,并进行特征比对相似度计算排序。
随后在步骤S560,输出Top 10排序结果,关联top1订单信息,并通过计米器读数计算出当前花型加工米数。
自动跟单***收到上报信息,进行结果汇总分析及进行展示。图6示出了图5所示跟单例的展示效果图。如图所示,图的左侧基于图像特征比对从特征数据库中查找出了对应的印花图案。随后,将上述比对结果结合计米器的当前度数,汇总上报给自动跟单***的显示界面,例如,本地计算设备的显示器或是客户端的显示屏上。
上文中已经参考附图详细描述了根据本发明的生产任务追踪方法、***和平台。该方案尤其适于实现为一种基于计算机视觉的数码印花自动跟单方案,利用视频智能算法分析,通过对摄像头画面中的运动区域变化来检测出印花的有效ROI区域,然后通过图像特征提取算法提取印花ROI图像特征与印花底库图案数据集特征向量进行比对排序,依据相识度阈值确认TOP1的花型为正确对应花型,并获取对应订单信息及计米器数据处理后的该花型对应的生产加工米数,最终输出到自动跟单***中进行数据分析整合和结果展示。
本发明技术有效降低了数字印花工厂数字化转型的成本和改造难度,具有轻量化部署、可复制性强的特性,在不改变工人原有工作方式的情况下,实时通过算法分析获取得到工厂印花加工的实时进度,将其同步到生产者、平台方、消费者,达到高效的产销协同、印花订单生产情况精准把控,提升工厂管理效率及降低成本提高产能的效果。关键地,本发明提出了基于图像特征提取的数码印花自动跟单技术架构,并且提出了自适应印花区域ROI检测,降低视频画面中其他非印花区域内容对印花区域ROI特征提取的影响,提高印花ROI区域与花型底库匹配的精准度。
此外,根据本发明的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。
或者,本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时,使所述处理器执行根据本发明的上述方法的各个步骤。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (47)
1.一种任务追踪方法,包括:
获取任务的目标图像;
根据所述目标图像判断所述任务的执行状况;
获取所述任务的进度状况;以及
基于所述执行状况和所述进度状况,确定所述任务的当前状况。
2.如权利要求1所述的方法,其中,所述任务是生产任务,
获取任务的目标图像包括:
使用安装在生产线上的图像采集设备采集所述生产线上生产任务的目标图像。
3.如权利要求1所述的方法,其中,根据所述图像判断所述任务的执行状况包括:
判断所述目标图像是否符合所述任务的规定图像。
4.如权利要求3所述的方法,还包括:
从获取的目标图像中提取出用于进行所述判断的目标区域图像。
5.如权利要求4所述的方法,其中,获取任务的目标图像包括:
获取所述任务的连续目标图像,并且
从获取的目标图像中提取出用于进行所述判断的目标区域图像包括:
依据建立的背景模型进行运动区域检测;
根据从所述连续目标图像中检测出的运动区域来提取所述目标区域图像。
6.如权利要求3所述的方法,其中,判断所述目标图像是否符合所述任务的规定图像包括:
对所述目标图像进行特征提取;
将从所述目标图像提取的特征与从所述任务的规定图像提取的特征相比较;以及
根据所述比较结果,判断所述目标图像是否符合所述任务的规定图像。
7.如权利要求6所述的方法,其中,对所述目标图像进行特征提取包括如下至少一项:
基于传统CV(计算机视觉)进行图像特征点提取;
基于深度学习进行神经网络特征提取。
8.如权利要求3所述的方法,其中,判断所述目标图像是否符合所述任务的规定图像包括:
从任务规定图像数据库中查找与所述目标图像相符合的规定图像。
9.如权利要求8所述的方法,还包括:
基于所述相符合的规定图像,查找所述任务的订单信息,以及
基于所述执行状况和所述进度状况,确定所述任务的当前状况包括:
基于所述订单信息和所述进度状况,确定所述任务的当前完成度。
10.如权利要求1所述的方法,其中,获取所述任务的进度状况包括:
获取布置在所述生产线上或附近的生产进度传感器的读数,用于表征所述进度状况。
11.如权利要求10所述的方法,其中,所述生产进度传感器是长度或个数计数器。
12.如权利要求1所述的方法,还包括:
报告所述任务的当前状况。
13.如权利要求12所述的方法,其中,报告所述任务的当前状况包括如下至少一项:
向客户端主动推送所述任务的当前状况;
在客户端进行查询时提供所述任务的当前状况;
实时显示所述任务的当前状况。
14.如权利要求1所述的方法,其中,对多个任务同时执行所述方法,以同时追踪多个任务的当前状况。
15.如权利要求14所述的方法,其中,所述多个任务是属于不同任务执行方的任务,并且,所述方法还包括:
基于所述多个任务的当前状况计算所述不同任务执行方的执行方任务状况信息;
任务下达方基于所述不同任务执行方的执行方任务状况信息选择要执行新任务的任务执行方。
16.如权利要求14所述的方法,其中,所述多个任务是属于不同任务执行方的任务,所述不同任务执行方属于同一条产品供应链,并且,所述方法还包括:
基于所述多个任务的当前状况计算所述不同任务执行方的执行方任务状况信息;
基于所述不同任务执行方的执行方任务状况信息确定所述供应链的当前供应链状况信息;以及
基于所述当前供应链状况信息,确定要执行的新任务。
17.如权利要求1所述的方法,还包括:
在所述当前状况指示所述任务已完成的情况下,确定要启动的下一个任务。
18.如权利要求1所述的方法,其中,所述任务是布料印花任务,并且根据所述目标图像判断所述任务的执行状况包括:
根据所述布料上的印花图像判断所述生产任务的执行状况。
19.如权利要求18所述的方法,其中,获取任务的目标图像包括:
获取生产线上印花工序完成后的目标图像。
20.如权利要求1所述的方法,其中,所述任务是物流任务,并且
根据所述目标图像判断所述任务的执行状况包括:
根据所述目标图像判断所述物流任务的任务对象和/或任务对象状况,
获取所述任务的进度状况包括:
根据所述物流任务的所处位置获取所述任务的进度状况。
21.一种任务追踪***,包括:
图像采集设备,用于采集任务的目标图像;
计算设备,用于根据所述目标图像判断所述任务的执行状况;
传感器,用于采集所述任务的进度状况,其中,
所述计算设备基于所述执行状况和所述进度状况,确定所述任务的当前状况。
22.如权利要求21所述的***,其中,所述计算设备进一步用于:
判断所述目标图像是否符合所述任务的规定图像。
23.如权利要求22所述的***,其中,所述计算设备进一步用于:
从获取的目标图像中提取出用于进行所述判断的目标区域图像。
24.如权利要求23所述的***,其中,所述图像采集设备用于:
获取所述任务的连续目标图像,并且
所述计算设备进一步用于:
依据建立的背景模型进行运动区域检测;
根据从所述连续目标图像中检测出的运动区域来提取所述目标区域图像。
25.如权利要求22所述的***,其中,所述计算设备进一步用于:
对所述目标图像进行特征提取;
将从所述目标图像提取的特征与从所述任务的规定图像提取的特征相比较;以及
根据所述比较结果,判断所述目标图像是否符合所述任务的规定图像。
26.如权利要求25所述的***,其中,对所述目标图像进行特征提取包括如下至少一项:
基于传统CV(计算机视觉)进行图像特征点提取;
基于深度学习进行神经网络特征提取。
27.如权利要求22所述的***,还包括:
数据库,用于存储生产任务规定图像,
其中,所述计算设备进一步用于:
从所述数据库中查找与所述目标图像相符合的规定图像。
28.如权利要求27所述的***,其中,所述计算设备进一步用于:
基于所述相符合的规定图像,查找所述任务的订单信息;
基于所述订单信息和所述进度状况,确定所述任务的当前完成度。
29.如权利要求21所述的***,其中,所述传感器是长度或个数计数器。
30.如权利要求21所述的***,还包括:
客户端,用于获取并汇报所述生产任务的当前状况。
31.如权利要求30所述的***,其中,所述客户端接收主动推送的所述任务的当前状况,或是在用户查询时获取所述任务的当前状况。
32.如权利要求21所述的***,其中,所述***同时追踪多个任务的当前状况。
33.如权利要求32所述的***,其中,所述计算设备还用于:基于所述多个任务的当前状况计算***任务状况信息,并上报所述***任务状况信息。
34.如权利要求21所述的***,其中,所述***是属于特定供应链的一个***,所述计算设备接收当前供应链状况信息,并且基于所述当前供应链状况信息,确定要执行的新任务。
35.如权利要求21所述的***,其中,所述计算设备还用于:
在所述当前状况指示所述生产任务已完成的情况下,确定要启动的下一个任务。
36.如权利要求21所述的***,其中,所述***是生产任务追踪***,所述***还包括:
生产线,用于在其上进行生产任务。
37.如权利要求36所述的***,其中,所述***是布料印花生产追踪***,并且所述计算***根据所述布料上的印花图像判断所述生产任务的执行状况。
38.如权利要求37所述的***,其中,所述图像采集设备被安装用于:
获取生产线上印花工序完成后的目标图像。
39.如权利要求21所述的***,其中,所述***是物流任务追踪***,并且,
所述计算设备用于:
根据所述图像采集设备获取的所述目标图像判断所述物流任务的任务对象和/或任务对象状况,
根据所述传感器获取的物流任务所处位置确定所述物流任务的进度状况。
40.一种生产任务追踪平台,包括服务器,以及与经由互联网与所述服务器相连的如权利要求21-39中任一项所述的多个任务追踪***。
41.如权利要求40所述的平台,其中,所述服务器用于向所述任务追踪***的计算设备下发用于进行图像特征提取的计算模型。
42.如权利要求40所述的平台,其中,所述服务器用于:
获取所述生产任务追踪***上传的目标图像;
根据所述目标图像判断所述生产任务的执行状况;以及
将所述执行状况下发给所述任务追踪***的计算设备。
43.如权利要求40所述的平台,还包括:
客户端,用于:
接收所述服务器主动推送的所述任务的当前状况;和/或
在用户查询时从所述服务器获取所述任务的当前状况。
44.如权利要求40所述的平台,其中,与所述服务器相连的多个任务追踪***包括执行同类任务的多个任务执行方,并且
所述服务器用于:
基于所述多个任务的当前状况计算出的所述多个任务执行方的执行方任务状况信息;以及
将所述执行方任务状况信息提供给任务下达方,以使得所述任务下达方基于所述多个任务执行方的执行方任务状况信息选择要执行新任务的任务执行方。
45.如权利要求40所述的平台,其中,与所述服务器相连的多个任务追踪***包括执行同一条产品供应链的多个任务执行方,并且
所述服务器用于:
获取基于所述多个任务的当前状况计算出的所述多个任务执行方的执行方任务状况信息;
基于所述多个任务执行方的执行方任务状况信息确定所述供应链的当前供应链状况信息;
基于所述当前供应链状况信息,确定要执行的新任务;以及
将确定的所述新任务下发给相应的任务执行方。
46.一种计算设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-20中任一项所述的方法。
47.一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-20中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910855076.5A CN112558554A (zh) | 2019-09-10 | 2019-09-10 | 任务追踪方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910855076.5A CN112558554A (zh) | 2019-09-10 | 2019-09-10 | 任务追踪方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112558554A true CN112558554A (zh) | 2021-03-26 |
Family
ID=75028971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910855076.5A Pending CN112558554A (zh) | 2019-09-10 | 2019-09-10 | 任务追踪方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112558554A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893178A (zh) * | 2024-03-15 | 2024-04-16 | 北京谷器数据科技有限公司 | 实时工作进度显示方法、***、设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08123946A (ja) * | 1994-10-27 | 1996-05-17 | Toshiba Corp | プラント監視装置 |
JPH1034499A (ja) * | 1996-07-23 | 1998-02-10 | Hitachi Ltd | 設備能力情報の取得方法および生産管理システム |
US20040073360A1 (en) * | 2002-08-09 | 2004-04-15 | Eric Foxlin | Tracking, auto-calibration, and map-building system |
WO2005050194A1 (en) * | 2003-11-21 | 2005-06-02 | Ralph Gregory Burke | A device for inspecting and controlling the density of a moving web of cloth in a production line |
JP2006031135A (ja) * | 2004-07-13 | 2006-02-02 | Shirai Group Kk | 廃棄物処理追跡証明システム |
JP2007226466A (ja) * | 2006-02-22 | 2007-09-06 | Open I Systems Kk | 模様物の和服用反物の流通システム |
JP2011003000A (ja) * | 2009-06-18 | 2011-01-06 | Mitsubishi Electric Corp | ラインモニタリング装置 |
JP2012221460A (ja) * | 2011-04-14 | 2012-11-12 | Nippon Steel Corp | 監視操作システム、トラッキング支援装置およびトラッキング支援方法 |
CN104707868A (zh) * | 2013-12-11 | 2015-06-17 | 东芝三菱电机产业***株式会社 | 数据分析装置 |
US20150228078A1 (en) * | 2014-02-11 | 2015-08-13 | Microsoft Corporation | Manufacturing line monitoring |
CN205620794U (zh) * | 2016-03-25 | 2016-10-05 | 福州职业技术学院 | 一种经编机生产数据采集及管理*** |
JP2018195083A (ja) * | 2017-05-17 | 2018-12-06 | 三菱電機株式会社 | 移動体追跡システム |
DE102017128331A1 (de) * | 2017-11-29 | 2019-05-29 | Ioss Intelligente Optische Sensoren & Systeme Gmbh | Bildaufnehmersystem |
-
2019
- 2019-09-10 CN CN201910855076.5A patent/CN112558554A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08123946A (ja) * | 1994-10-27 | 1996-05-17 | Toshiba Corp | プラント監視装置 |
JPH1034499A (ja) * | 1996-07-23 | 1998-02-10 | Hitachi Ltd | 設備能力情報の取得方法および生産管理システム |
US20040073360A1 (en) * | 2002-08-09 | 2004-04-15 | Eric Foxlin | Tracking, auto-calibration, and map-building system |
WO2005050194A1 (en) * | 2003-11-21 | 2005-06-02 | Ralph Gregory Burke | A device for inspecting and controlling the density of a moving web of cloth in a production line |
JP2006031135A (ja) * | 2004-07-13 | 2006-02-02 | Shirai Group Kk | 廃棄物処理追跡証明システム |
JP2007226466A (ja) * | 2006-02-22 | 2007-09-06 | Open I Systems Kk | 模様物の和服用反物の流通システム |
JP2011003000A (ja) * | 2009-06-18 | 2011-01-06 | Mitsubishi Electric Corp | ラインモニタリング装置 |
JP2012221460A (ja) * | 2011-04-14 | 2012-11-12 | Nippon Steel Corp | 監視操作システム、トラッキング支援装置およびトラッキング支援方法 |
CN104707868A (zh) * | 2013-12-11 | 2015-06-17 | 东芝三菱电机产业***株式会社 | 数据分析装置 |
US20150228078A1 (en) * | 2014-02-11 | 2015-08-13 | Microsoft Corporation | Manufacturing line monitoring |
CN205620794U (zh) * | 2016-03-25 | 2016-10-05 | 福州职业技术学院 | 一种经编机生产数据采集及管理*** |
JP2018195083A (ja) * | 2017-05-17 | 2018-12-06 | 三菱電機株式会社 | 移動体追跡システム |
DE102017128331A1 (de) * | 2017-11-29 | 2019-05-29 | Ioss Intelligente Optische Sensoren & Systeme Gmbh | Bildaufnehmersystem |
WO2019105818A1 (de) * | 2017-11-29 | 2019-06-06 | Ioss Intelligente Optische Sensoren & Systeme Gmbh | Bildaufnehmersystem |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893178A (zh) * | 2024-03-15 | 2024-04-16 | 北京谷器数据科技有限公司 | 实时工作进度显示方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102579783B1 (ko) | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
CN113111844B (zh) | 一种作业姿态评估方法、装置、本地终端及可读存储介质 | |
EP4137901A1 (en) | Deep-learning-based real-time process monitoring system, and method therefor | |
CN113989944B (zh) | 操作动作识别方法、装置及存储介质 | |
Zhao et al. | Toward intelligent manufacturing: label characters marking and recognition method for steel products with machine vision | |
Chen | [Retracted] E‐Commerce Logistics Inspection System Based on Artificial Intelligence Technology in the Context of Big Data | |
CN109743497B (zh) | 一种数据集采集方法、***及电子装置 | |
KR102386718B1 (ko) | 부품 계수 장치 및 이를 이용한 물류 관리 방법 | |
Basamakis et al. | Deep object detection framework for automated quality inspection in assembly operations | |
CN112558554A (zh) | 任务追踪方法和*** | |
CN116777375B (zh) | 一种基于机器视觉的工业互联网*** | |
CN117563960A (zh) | 一种自动化外观检测方法和装置 | |
CN112101060A (zh) | 基于平移不变性和小区域模板匹配的二维码定位方法 | |
CN116308038A (zh) | 基于物联网的仓库货物采购管理方法和*** | |
Panahi et al. | Automated Progress Monitoring in Modular Construction Factories Using Computer Vision and Building Information Modeling | |
TW202326114A (zh) | 長碼拉鏈的缺陷或瑕疵檢測系統 | |
CN113850167A (zh) | 一种基于边缘计算与机器深度学习的商品识别方法及*** | |
CN116843831B (zh) | 一种农产品仓储保鲜库孪生数据管理方法及*** | |
CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及*** | |
CN114596102B (zh) | 一种基于区块链的防伪溯源联邦学习训练方法、装置 | |
CN117808324B (zh) | 一种无人机视觉协同的建筑进度评估方法 | |
CN117274843B (zh) | 基于轻量级边缘计算的无人机前端缺陷识别方法及*** | |
CN112734337B (zh) | 基于信息采集的物品监控管理方法及装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40046337 Country of ref document: HK |