CN113255737B - 对民航分拣线上的叠包行李分拣方法、电子设备和存储介质 - Google Patents

对民航分拣线上的叠包行李分拣方法、电子设备和存储介质 Download PDF

Info

Publication number
CN113255737B
CN113255737B CN202110486508.7A CN202110486508A CN113255737B CN 113255737 B CN113255737 B CN 113255737B CN 202110486508 A CN202110486508 A CN 202110486508A CN 113255737 B CN113255737 B CN 113255737B
Authority
CN
China
Prior art keywords
monitoring area
target monitoring
baggage
luggage
target
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
Application number
CN202110486508.7A
Other languages
English (en)
Other versions
CN113255737A (zh
Inventor
刘晓涛
区士超
张凤娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Super Node Innovative Technology Shenzhen Co ltd
Original Assignee
Super Node Innovative Technology Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Super Node Innovative Technology Shenzhen Co ltd filed Critical Super Node Innovative Technology Shenzhen Co ltd
Priority to CN202110486508.7A priority Critical patent/CN113255737B/zh
Publication of CN113255737A publication Critical patent/CN113255737A/zh
Application granted granted Critical
Publication of CN113255737B publication Critical patent/CN113255737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请提供了一种对民航分拣线上的叠包行李分拣方法、电子设备和存储介质，通过确定目标监控区域内行李箱的目标数量；并在目标监控区域内行李箱的目标数量大于1时，确定各个行李箱的空间位置之间的距离；进而实现根据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠包的行李；并在确定存在连包和/或叠包的行李时，生成预警提示信息。实现了根据各个行李箱的空间位置之间的距离，来准确确定是否存在连包和/或叠包的行李，能够有效防止行李丢失，提高客户体验效果。

Description

对民航分拣线上的叠包行李分拣方法、电子设备和存储介质
技术领域
本申请涉及目标检测技术领域，尤其涉及一种对民航分拣线上的叠包行李 分拣方法、电子设备和存储介质。
背景技术
目前，在需要对行李进行托运时，例如飞机场对行李进行托运时，通常利 用自动分拣***对行李进行分拣之后再托运。然而在分拣过程中，当两件或多 件行李之间的距离较近、甚至堆叠在一起时，很容易误认为它们是同一件行李， 而将它们分拣到同一条分拣线上。若被分拣到同一分拣线上的两件或多件行李 属于不同的航班，则很容易导致后续行李丢失，对顾客造成不便。
因此，现有的行李托运***由于无法准确判断行李是否存在连包、叠包等 现象，存在行李容易丢失，客户体验不佳的问题。
发明内容
本申请提供了一种对民航分拣线上的叠包行李分拣方法、电子设备和存储 介质，旨在提高由于无法准确判断行李是否存在连包、叠包等现象而导致的行 李丢失问题，提高客户体验效果。
第一方面，本申请实施例提供了一种对民航分拣线上的叠包行李分拣方法， 包括：
确定目标监控区域内行李箱的目标数量；
若所述目标数量大于1，则确定各个行李箱的空间位置之间的距离；
根据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠包的行 李；
若存在连包和/或叠包的行李，则生成预警提示信息。
第二方面，本申请实施例提供了一种电子设备，包括存储器和处理器；所 述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执 行所述计算机程序时，实现如上述第一方面所述的对民航分拣线上的叠包行李 分拣方法。
第三方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可 读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器 实现上述第一方面所述的对民航分拣线上的叠包行李分拣方法。
本申请实施例提供了一种对民航分拣线上的叠包行李分拣方法、电子设备 和存储介质，通过确定目标监控区域内行李箱的目标数量；并在目标监控区域 内行李箱的目标数量大于1时，确定各个行李箱的空间位置之间的距离；进而 实现根据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠包的行 李；并在确定存在连包和/或叠包的行李时，生成预警提示信息。实现了根据各个行李箱的空间位置之间的距离，来准确确定是否存在连包和/或叠包的行李， 能够有效防止行李丢失，提高客户体验效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的， 并不能限制本申请实施例的公开内容。
附图说明
为了更清楚地说明本申请实施例的技术方案，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，下面描述中的附图是本申请的一些 实施例，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是本申请实施例提供的对民航分拣线上的叠包行李分拣方法的应用场 景示意图；
图2是本申请一实施例提供的对民航分拣线上的叠包行李分拣方法的实现 流程示意图；
图3a是行李传送带上的目标监控区域的示意图；
图3b是本申请另一实施例提供的对民航分拣线上的叠包行李分拣方法的实 现流程示意图；
图4是本申请实施例提供的行李分拣装置的结构示意图；
图5是本申请实施例提供的电子设备的示意性框图。
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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤， 也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部 分合并，因此实际执行的顺序有可能根据实际情况改变。
在说明本申请实施例提供的行李分拣方法之前，首先结合图1对现有的行 李分拣方法以及行李分拣原理进行示例性的说明。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下， 下述的实施例及实施例中的特征可以相互组合。
请参阅图1所示，图1是本申请实施例提供的对民航分拣线上的叠包行李 分拣方法的应用场景示意图。由图1可知，本实施例提供的对民航分拣线上的 叠包行李分拣方法可由电子设备101的硬件或软件执行，用于行李分拣***100。其中，行李分拣***100包括电子设备101、行李传送带102和相机103。其中， 电子设备101与相机103通讯连接，电子设备101可以包括终端设备或服务器； 其中，终端设备可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助 理和穿戴式设备等电子设备；服务器可以为独立的服务器，也可以为服务器集 群。
具体地，在行李分拣过程中，为了防止由于行李的撞击、滑动等原因，可 能出现的一次分拣多件行李的问题，相机103预先设置在行李传送带102的正 上方位置，且相机103垂直于行李传送带102俯视安装，并将相机103的监控 视野的中间位置预设为目标监控区域。
在本申请的实施例中，在行李的传送过程中，电子设备101需要根据相机 103拍摄的在目标监控区域内的场景深度信息，确定目标监控区域内行李箱的目 标数量，并在行李箱的数量大于1时，需要根据各个行李箱的空间位置之间的 距离，确定是否存在连包和/或叠包的行李箱，进而在有连包和/或叠包的行李箱 时，生成预警提示信息，来避免造成一次分拣多件行李，能够有效防止行李丢失，提高客户体验效果。
请参阅图2所示，图2是本申请一实施例提供的对民航分拣线上的叠包行 李分拣方法的实现流程示意图。本实施例提供的对民航分拣线上的叠包行李分 拣方法可由图1中的电子设备101的软件或硬件实现。详述如下：
S201，基于目标监控区域内的场景深度信息，确定目标监控区域内行李箱 的目标数量。
其中，为了确定相机能够获取到完整的行李箱信息，将相机视野的中间位 置设置为目标监控区域。示例性地，如图3a所示，图3a是行李传送带上的目标 监控区域的示意图。目标监控区域ABCD的高度不超过相机拍摄的图像高度并 能覆盖传送带102；目标监控区域ABCD的宽度可以根据预设的行李箱连包距 离阈值dist_thresh、相机距离行李传送带表面高度H以及相机参数fx计算得到。 具体地，目标监控区域ABCD的宽度纪为AB和CD。AB＝CD＝fx×dist_thresh/H。
示例性地，基于目标监控区域内的场景深度信息，确定目标监控区域内行 李箱的目标数量，包括：基于预设的三维点云分割算法对目标监控区域内的场 景深度信息进行分析，确定目标监控区域内行李箱的第一数量；基于深度学习 网络模型对目标监控区域内的场景深度信息进行分析，确定目标监控区域内行 李箱的第二数量；根据第一数量和第二数量，确定目标监控区域内行李箱的目标数量。
其中，基于预设的三维点云分割算法对目标监控区域内的场景深度信息进 行分析，确定所述目标监控区域内行李箱的第一数量，包括：从目标监控区域 内的场景深度信息中，提取每个像素点的深度值；基于预设的聚类算法对每个 像素点的深度值进行聚类分析，将具有不同深度值的像素点聚合为不同的类； 分别根据各类像素点的深度值与预设的背景深度值，确定目标监控区域内行李箱的第一数量。
具体地，预设的聚类算法可以是K-means算法、Meanshift算法等，预设的 聚类算法在给定相似性预测度的约束条件下，将数据聚合成不同的簇或类。在 本申请的实施例中，给定相似性预测度用像素点的深度值进行表示，在给定任 意类包含的像素点深度值之后，以该给定的像素点深度值为预测度，将不同深 度值的像素点聚合为不同的类。具体地，采用预设的聚类算法可以对规则的或 者不规则的数据进行聚类。
通过上述分析可知，在本申请的实施例中，三维点云分割算法主要是利用 聚类算法，对多个像素点基于深度值进行聚类，以实现将多个像素点聚合为一 个行李箱，继而实现将像素点分割为不同的行李箱。其中，聚类算法可以适应 多样型行李箱的分割，从像素点数据中检测出行李箱的个数；但是如果两个或 者多个行李箱紧挨在一起，且放置高度一致时，利用聚类算法对像素点进行聚类分析时，可能将两个或多个高度一致并放置在一起的行李箱聚类为同一个行 李箱，造成行李箱漏检的问题。因此，在本申请的实施例中，进一步结合深度 学习网络模型对场景深度信息进行分析，确定目标监控区域内行李箱的第二数 量，并根据第一数量和第二数量共同确定目标区域内行李箱的目标数量，以防 止仅通过聚类算法或深度学习网络模型确定行李箱数量时导致的误差。
具体地，基于深度学习网络模型对所述场景深度信息进行分析，确定所述 目标监控区域内行李箱的第二数量，包括：将场景深度信息输入深度学习网络 模型中进行行李箱识别，得到目标监控区域内行李箱的第二数量。通过引入深 度学习网络模型进行行李箱识别，可以避免将紧挨在一起且高度相同的行李箱 误识别为同一个行李箱，进而根据第一数量和第二数量共同确定目标区域内行李箱的目标数量。
其中，根据第一数量和第二数量，确定目标区域内行李箱的目标数量，包 括：若所述第一数量大于或等于所述第二数量，则确定所述第一数量为所述目 标数量；若所述第一数量小于所述第二数量，则确定所述第二数量为所述目标 数量。通过比较第一数量与第二数量的大小，从第一数量和第二数量中选择出 数量较大的作为目标区域内行李箱的目标数量，可以有效避免行李箱的漏检。
S202，若所述目标数量大于1，则确定各个行李箱的空间位置之间的距离。
其中，若目标区域内行李箱的目标数量大于1，则说明在目标区域内可能会 发生行李箱的撞击、滑动等原因造成相邻行李箱之间的距离小于安全分拣距离。 因此，若目标区域内行李箱的目标数量大于1，则需要确定各个行李箱的空间位 置之间的距离。具体地，在确定各个行李箱的空间位置之间的距离之前，需要 先确定各个行李箱的空间位置。
示例性地，对属于同一个行李箱的像素点构成的行李箱，确定沿由该行李 箱的坐标轴方向的包围盒，以确定的包围盒的各个顶点坐标为对应行李箱的空 间位置。若目标区域内行李箱的目标数量大于1，则以相邻行李箱沿行李传送带 方向的顶点坐标之间的距离，作为相邻两个行李箱的空间位置之间的距离。
S203，根据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠 包的行李。
其中，各个行李箱的空间位置之间的距离主要是指相邻行李箱沿行李传送 带方向的顶点坐标之间的距离。当行李箱沿行李传送带方向的顶点坐标之间的 距离小于或等于预设的安全距离阈值时，则确定存在连包和/或叠包的行李。当 行李箱沿行李传送带方向的顶点坐标之间的距离大于预设的安全距离阈值时，则确定不存在连包和/或叠包的行李。
S204，若存在连包和/或叠包的行李，则生成预警提示信息。
其中，若存在连包和/或叠包的行李，则说明可能会出现行李漏检的问题， 导致行李丢失。因此，在确定存在连包和/或叠包的行李后，生成预警提示信息， 以提示对应的工作人员对行李传送带上的行李进行检查，防止由于连包和/或叠 包造成行李漏检，进而导致丢失问题。
通过上述分析可知，本申请实施例提供的对民航分拣线上的叠包行李分拣 方法，通过确定目标监控区域内行李箱的目标数量；并在目标监控区域内行李 箱的目标数量大于1时，确定各个行李箱的空间位置之间的距离；进而实现根 据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠包的行李；并 在确定存在连包和/或叠包的行李时，生成预警提示信息。实现了根据各个行李箱的空间位置之间的距离，来准确确定是否存在连包和/或叠包的行李，能够有 效防止行李丢失，提高客户体验效果。
请参阅图3b，图3b是本申请另一实施例提供的对民航分拣线上的叠包行李 分拣方法的实现流程示意图。本实施例与图2所示实施例相比，S303至S306 与S201至S204的具体实现过程相同，不同之处在于，在S303之前还包括S301 至S302。S302与S303为顺序执行关系，详述如下：
S301，基于目标监控区域内的背景深度信息，确定所述目标监控区域内是 否有行李箱。
其中，目标监控区域内的背景深度信息指的是在目标监控区域内没有行李 箱时，相机采集的背景深度图的信息，该背景深度图的信息包含有传送带的深 度信息。示例性地，基于目标监控区域内的背景深度信息，确定所述目标监控 区域内是否有行李箱，可以包括：基于目标监控区域内的背景深度信息的变化， 确定目标监控区域内是否有行李箱。例如，当行李箱碰触到目标监控区域的边 界线时，相机采集的深度图会发生变化。在本实施例中，可以通过实施统计目 标监控区域内低于背景深度值的像素点个数，来确定目标监控区域内是否有行 李箱。具体地，当低于背景深度值的像素点个数小于预设像素点数时，确定为 目标监控区域内无行李箱；反之，当低于或等于背景深度值的像素点个数大于预设像素点数时，确定为目标监控区域内有行李箱。对应地，目标监控区域内 行李箱可以由无变为有，也可以由有变为无。当行李箱进入目标监控区域内时， 目标监控区域内行李箱由无变为有，当行李箱离开目标监控区域内时，目标监 控区域内行李箱由有变为无。
S302，若确定所述目标监控区域内有行李箱，则触发监控指令。
示例性地，当行李箱触碰到如图3a所示的边界线AD时，相机采集的深度 图会发生变化，则确定有行李箱传输至目标监控区域，触发监控指令进行监测； 当行李箱通过传输带传输出边界线BC时，对应的相机采集的深度图也会发生变 化，则可以停止检测。
S303，响应于所述监控指令，基于目标监控区域内的场景深度信息，确定 目标监控区域内行李箱的目标数量。
S304，若所述目标数量大于1，则确定各个行李箱的空间位置之间的距离。
S305，根据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠 包的行李。
S306，若存在连包和/或叠包的行李箱，则生成预警提示信息。
可以理解地，在对应行李箱离开目标监控区域后，目标监控区域内低于背 景深度值的像素点个数会由大于或等于预设像素点数，变化为小于预设像素点 数，此时可以根据背景深度值的变化确定目标监控区域内无行李箱。对应地， 若确定所述目标监控区域内没有行李箱，则触发关闭监控指令。
通过上述分析可知，本申请实施例提供的对民航分拣线上的叠包行李分拣 方法，通过确定目标监控区域内行李箱的目标数量；并在目标监控区域内行李 箱的目标数量大于1时，确定各个行李箱的空间位置之间的距离；进而实现根 据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠包的行李；并 在确定存在连包和/或叠包的行李时，生成预警提示信息。实现了根据各个行李箱的空间位置之间的距离，来准确确定是否存在连包和/或叠包的行李，能够有 效防止行李丢失，提高客户体验效果。
示例性地，如图4所示，图4是本申请实施例提供的行李分拣装置的结构 示意图。由图4可知，本申请实施例提供的行李分拣装置400包括：
第一确定模块401，用于基于目标监控区域内的场景深度信息，确定目标监 控区域内行李箱的目标数量；
第二确定模块402，用于在若所述目标数量大于1，则确定各个行李箱的空 间位置之间的距离；
第三确定模块403，用于根据各个行李箱的空间位置之间的距离，确定是否 存在连包和/或叠包的行李；
生成模块404，用于在若存在连包和/或叠包的行李，则生成预警提示信息。
在一实施例中，第一确度模块401，具体用于：
基于预设的三维点云分割算法对目标监控区域内的场景深度信息进行分 析，确定所述目标监控区域内行李箱的第一数量；
基于深度学习网络模型对所述场景深度信息进行分析，确定所述目标监控 区域内行李箱的第二数量；
根据所述第一数量和所述第二数量，确定所述目标数量。
在一实施例中，所述基于预设的三维点云分割算法对目标监控区域内的场 景深度信息进行分析，确定所述目标监控区域内行李箱的第一数量，包括：
从所述目标监控区域内的场景深度信息中，提取每个像素点的深度值；
基于预设的聚类算法对每个像素点的深度值进行聚类分析，将具有不同深 度值的像素点聚合为不同的类；
分别根据各类像素点的深度值与预设的背景深度值，确定所述目标监控区 域内行李箱的第一数量。
在一实施例中，所述基于深度学习网络模型对所述场景深度信息进行分析， 确定所述目标监控区域内行李箱的第二数量，包括：
将所述场景深度信息输入所述深度学习网络模型中进行行李箱识别，得到 所述目标监控区域内行李箱的第二数量。
在一实施例中，根据所述第一数量和所述第二数量，确定所述目标数量， 包括：
若所述第一数量大于或等于所述第二数量，则确定所述第一数量为所述目 标数量；
若所述第一数量小于所述第二数量，则确定所述地二数量为所述目标数量。
在一实施例中，第二确定模块402，具体用于：
获取各个行李箱的三维点云数据，基于所述三维点云数据分别确定各个行 李箱的空间位置；
分别计算各个行李箱的空间位置之间的距离。
在一实施例中，还包括：
第四确定模块，用于基于目标监控区域内的背景深度信息，确定所述目标 监控区域内是否有行李箱；
触发模块，用于在若确定所述目标监控区域内有行李箱，则触发监控指令；
第一确定模块401，具体用于：
响应于所述监控指令，基于目标监控区域内的场景深度信息，确定目标监 控区域内行李箱的目标数量。
在一实施例中，触发模块，还具体用于：
若确定所述目标监控区域内没有行李箱，则触发关闭监控指令。
本申请实施例提供的行李分拣装置的模块的具体原理和实现方式均与前述 实施例的对民航分拣线上的叠包行李分拣方法各步骤的实现过程类似，此处不 再赘述。
请结合上述实施例参阅图5，图5是本申请实施例提供的电子设备的示意性 框图。
示例性的，电子设备101可以包括终端设备或服务器；其中，终端设备可 以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等 电子设备；服务器可以为独立的服务器，也可以为服务器集群。
所述电子设备101包括处理器501和存储器502。
示例性的，处理器501和存储器502通过总线503连接，所述总线503比 如为I2C(Inter-integrated Circuit)总线。
具体地，处理器501可以是微控制单元(Micro-controller Unit，MCU)、中央 处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器502可以是Flash芯片、只读存储器(ROM，Read-Only Memory) 磁盘、光盘、U盘或移动硬盘等。
其中，所述处理器501用于运行存储在存储器502中的计算机程序，并在 执行所述计算机程序时实现前述的对民航分拣线上的叠包行李分拣方法。
示例性的，所述处理器501用于运行存储在存储器502中的计算机程序， 并在执行所述计算机程序时实现如下步骤：
基于目标监控区域内的场景深度信息，确定目标监控区域内行李箱的目标 数量；
若所述目标数量大于1，则确定各个行李箱的空间位置之间的距离；
根据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠包的行 李；
若存在连包和/或叠包的行李，则生成预警提示信息。
在一实施例中，所述确定目标监控区域内行李箱的目标数量，包括：
基于预设的三维点云分割算法对目标监控区域内的场景深度信息进行分 析，确定所述目标监控区域内行李箱的第一数量；
基于深度学习网络模型对所述场景深度信息进行分析，确定所述目标监控 区域内行李箱的第二数量；
根据所述第一数量和所述第二数量，确定所述目标数量。
在一实施例中，所述基于预设的三维点云分割算法对目标监控区域内的场 景深度信息进行分析，确定所述目标监控区域内行李箱的第一数量，包括：
从所述目标监控区域内的场景深度信息中，提取每个像素点的深度值；
基于预设的聚类算法对每个像素点的深度值进行聚类分析，将具有不同深 度值的像素点聚合为不同的类；
分别根据各类像素点的深度值与预设的背景深度值，确定所述目标监控区 域内行李箱的第一数量。
在一实施例中，所述基于深度学习网络模型对所述场景深度信息进行分析， 确定所述目标监控区域内行李箱的第二数量，包括：
将所述场景深度信息输入所述深度学习网络模型中进行行李箱识别，得到 所述目标监控区域内行李箱的第二数量。
在一实施例中，所述根据所述第一数量和所述第二数量，确定所述目标数 量，包括：
若所述第一数量大于或等于所述第二数量，则确定所述第一数量为所述目 标数量；
若所述第一数量小于所述第二数量，则确定所述地二数量为所述目标数量。
在一实施例中，所述确定各个行李箱的空间位置之间的距离，包括：
获取各个行李箱的三维点云数据，基于所述三维点云数据分别确定各个行 李箱的空间位置；
分别计算各个行李箱的空间位置之间的距离。
在一实施例中，在确定目标监控区域内行李箱的目标数量之前，还包括：
基于目标监控区域内的背景深度信息，确定所述目标监控区域内是否有行 李箱；
若确定所述目标监控区域内有行李箱，则触发监控指令；
所述基于目标监控区域内的场景深度信息，确定目标监控区域内行李箱的 目标数量，包括：
响应于所述监控指令，基于目标监控区域内的场景深度信息，确定目标监 控区域内行李箱的目标数量。
在一实施例中，在所述基于目标监控区域内的背景深度信息，确定所述目 标监控区域内是否有行李箱之后，还包括：
若确定所述目标监控区域内没有行李箱，则触发关闭监控指令。
本申请实施例提供的电子设备的具体原理和实现方式均与前述实施例的对 民航分拣线上的叠包行李分拣方法类似，此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质 存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述实 施例提供的对民航分拣线上的叠包行李分拣方法的步骤。
其中，所述计算机可读存储介质可以是前述任一实施例所述的电子设备的 内部存储单元，例如所述电子设备的硬盘或内存。所述计算机可读存储介质也 可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘， 智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡 (Flash Card)等。
应当理解，在此本申请中所使用的术语仅仅是出于描述特定实施例的目的 而并不意在限制本申请。
还应当理解，在本申请和所附权利要求书中使用的术语“和/或”是指相关联 列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到 各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。 因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种对民航分拣线上的叠包行李分拣方法，其特征在于，包括：
基于预设的三维点云分割算法对目标监控区域的场景深度信息进行分析，得到所述目标监控区域内行李箱的第一数量；
基于深度学习网络模型对所述场景深度信息进行分析，得到所述目标监控区域内行李箱的第二数量，其中，所述场景深度信息包括所述目标监控区域内每个像素点的深度值；
若所述第一数量大于或等于所述第二数量，则确定所述第一数量为所述目标数量；
若所述第一数量小于所述第二数量，则确定所述第二数量为所述目标数量；
若所述目标数量大于1，则确定各个行李箱的空间位置之间的距离；
根据各个行李箱的空间位置之间的距离，确定是否存在连包和/或叠包的行李；
若存在连包和/或叠包的行李箱，则生成预警提示信息。
2.根据权利要求1所述的对民航分拣线上的叠包行李分拣方法，其特征在于，所述基于预设的三维点云分割算法对目标监控区域内的场景深度信息进行分析，确定所述目标监控区域内行李箱的第一数量，包括：
从所述目标监控区域内的场景深度信息中，提取每个像素点的深度值；
基于预设的聚类算法对每个像素点的深度值进行聚类分析，将具有不同深度值的像素点聚合为不同的类；
分别根据各类像素点的深度值与预设的背景深度值，确定所述目标监控区域内行李箱的第一数量。
3.根据权利要求2所述的对民航分拣线上的叠包行李分拣方法，其特征在于，所述基于深度学习网络模型对所述场景深度信息进行分析，确定所述目标监控区域内行李箱的第二数量，包括：
将所述场景深度信息输入所述深度学习网络模型中进行行李箱识别，得到所述目标监控区域内行李箱的第二数量。
4.根据权利要求3所述的对民航分拣线上的叠包行李分拣方法，其特征在于，所述确定各个行李箱的空间位置之间的距离，包括：
获取各个行李箱的三维点云数据，基于所述三维点云数据分别确定各个行李箱的空间位置；
分别计算各个行李箱的空间位置之间的距离。
5.根据权利要求1所述的对民航分拣线上的叠包行李分拣方法，其特征在于，所述方法，还包括：
基于目标监控区域内的背景深度信息，确定所述目标监控区域内是否有行李箱；
若确定所述目标监控区域内有行李箱，则触发监控指令；
响应于所述监控指令，基于目标监控区域内的场景深度信息，确定目标监控区域内行李箱的目标数量。
6.根据权利要求5所述的对民航分拣线上的叠包行李分拣方法，其特征在于，在所述基于目标监控区域内的背景深度信息，确定所述目标监控区域内是否有行李箱之后，还包括：
若确定所述目标监控区域内没有行李箱，则触发关闭监控指令。
7.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如权利要求1-6中任一项所述的对民航分拣线上的叠包行李分拣方法。
8.一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计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-6中任一项所述的对民航分拣线上的叠包行李分拣方法。
CN202110486508.7A 2021-04-30 2021-04-30 对民航分拣线上的叠包行李分拣方法、电子设备和存储介质 Active CN113255737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110486508.7A CN113255737B (zh) 2021-04-30 2021-04-30 对民航分拣线上的叠包行李分拣方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110486508.7A CN113255737B (zh) 2021-04-30 2021-04-30 对民航分拣线上的叠包行李分拣方法、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113255737A CN113255737A (zh) 2021-08-13
CN113255737B true CN113255737B (zh) 2023-08-08

Family

ID=77223555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110486508.7A Active CN113255737B (zh) 2021-04-30 2021-04-30 对民航分拣线上的叠包行李分拣方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113255737B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310271A (zh) * 2012-03-15 2013-09-18 江苏八菱海螺水泥有限公司 视觉式点包方法
CN106910203A (zh) * 2016-11-28 2017-06-30 江苏东大金智信息***有限公司 一种视频监测中运动目标的快速检测方法
CN107481255A (zh) * 2017-08-08 2017-12-15 浙江大华技术股份有限公司 一种人员数量的确定方法及装置
CN107766829A (zh) * 2017-10-27 2018-03-06 浙江大华技术股份有限公司 一种物品检测的方法和设备
CN108985126A (zh) * 2018-08-03 2018-12-11 四川索思科技有限公司 智能行李识别***
CN109325520A (zh) * 2018-08-24 2019-02-12 北京航空航天大学 一种石油泄漏的检查方法、装置及***
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法
CN112070052A (zh) * 2020-09-16 2020-12-11 青岛维感科技有限公司 一种间距监测方法、装置、***及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201340907A (zh) * 2012-04-13 2013-10-16 Hon Hai Prec Ind Co Ltd 行李移動系統及其方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310271A (zh) * 2012-03-15 2013-09-18 江苏八菱海螺水泥有限公司 视觉式点包方法
CN106910203A (zh) * 2016-11-28 2017-06-30 江苏东大金智信息***有限公司 一种视频监测中运动目标的快速检测方法
CN107481255A (zh) * 2017-08-08 2017-12-15 浙江大华技术股份有限公司 一种人员数量的确定方法及装置
CN107766829A (zh) * 2017-10-27 2018-03-06 浙江大华技术股份有限公司 一种物品检测的方法和设备
CN108985126A (zh) * 2018-08-03 2018-12-11 四川索思科技有限公司 智能行李识别***
CN109325520A (zh) * 2018-08-24 2019-02-12 北京航空航天大学 一种石油泄漏的检查方法、装置及***
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法
CN112070052A (zh) * 2020-09-16 2020-12-11 青岛维感科技有限公司 一种间距监测方法、装置、***及存储介质

Also Published As

Publication number Publication date
CN113255737A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
US11663502B2 (en) Information processing apparatus and rule generation method
Attari et al. Nazr-CNN: Fine-grained classification of UAV imagery for damage assessment
CN111145214A (zh) 目标跟踪方法、装置、终端设备及介质
CN110378218A (zh) 一种图像处理方法、装置及终端设备
US10860877B2 (en) Logistics parcel picture processing method, device and system
US11875570B1 (en) Updating agent position information
CN109446061A (zh) 一种页面检测方法、计算机可读存储介质及终端设备
US20160148076A1 (en) Method and system for automating an image rejection process
US10255685B2 (en) Computer implemented system and method for image texture determination
CN113255651A (zh) 包裹安检方法、装置及***和节点设备、存储装置
CN112464785A (zh) 一种目标检测方法、装置、计算机设备及存储介质
US9846949B2 (en) Determine the shape of a representation of an object
CN114005140A (zh) 一种人员识别方法、装置、设备、行人监控***及存储介质
CN113255737B (zh) 对民航分拣线上的叠包行李分拣方法、电子设备和存储介质
CN105190689A (zh) 包括基于毗连特征的对象检测和/或双边对称对象分段的图像处理
CN114529843A (zh) 货物拥堵识别方法、装置、电子设备和存储介质
CN112581525B (zh) 人体佩戴物品的状态检测方法、装置、设备及存储介质
CN111738184B (zh) 一种商品取放识别方法、装置、***及设备
CN111275693B (zh) 一种图像中物体的计数方法、计数装置及可读存储介质
CN114255435A (zh) 传送装置异常检测方法、装置、电子设备及存储介质
CN114067401A (zh) 目标检测模型的训练及身份验证方法和装置
CN113978987A (zh) 栈板物品打包提货方法、装置、设备及介质
CN113496142A (zh) 物流件的体积测量方法以及装置
CN116309692B (zh) 基于深度学习用于机场安检人包绑定的方法、装置及介质
US10776669B1 (en) Signature generation and object detection that refer to rare scenes

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