[發明專利]貨物堆積量的溢倉預警方法、裝置、設備及存儲介質

有效

• 申請號: 202010089294.5
• 申請日: 2020-02-12
• 公開（公告）號: CN111310645B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 楊周龍;李斯;趙齊輝
• 申請（專利權）人: 上海東普信息科技有限公司
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V10/26;G06V10/774
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 謝文強

本發明涉及圖像識別技術領域，公開了一種基于貨物堆積量的溢倉預警方法、裝置、設備及存儲介質，用于識別目標特征區域并計算目標特征區域對應的輪廓面積和目標貨物堆積量，提高了貨物識別的效率和準確率。貨物堆積量的溢倉預警方法包括：通過監控平臺獲取待檢測場景圖像，待檢測場景圖像包括多個貨物；根據訓練后的實例分割模型和待檢測場景圖像，得到目標待檢測場景圖像和目標特征區域；基于開源計算機視覺庫，根據目標待檢測場景圖像和目標特征區域獲取目標特征區域對應的輪廓面積；根據目標特征區域對應的輪廓面積獲取目標貨物堆積率，并判斷目標貨物堆積率是否大于堆積率報警閾值；若目標貨物堆積率大于堆積率報警閾值，則進行報警處理。

技術領域

本發明涉及圖像識別技術領域，尤其涉及一種貨物堆積量的溢倉預警方法、裝置、設備及存儲介質。

背景技術

隨著社會的發展和科技的進步，快遞行業成為了生活中不可缺少一部分分，隨著快遞包裹數量的逐年增長，貨物的堆積量也成為了一個新的倉儲管理問題；快遞行業每個網點都會有格口，不同格口的貨物堆積量也不相同，如果貨物堆積量超過一定的閾值，就會給倉儲帶來壓力，稱之為“爆倉”。

在現有的技術中，一般采用人工的方法判斷貨物是否“爆倉”或者采用深度學習的方法判斷貨物是否“爆倉”，但是現有的深度學習方法對貨物識別的準確度和識別的效率都較低。

發明內容

本發明的主要目的在于解決對貨物識別準確的較低且對貨物的識別效率較低的問題。

本發明第一方面提供了一種貨物堆積量的溢倉預警方法，包括：通過監控平臺獲取待檢測場景圖像，所述待檢測場景圖像包括多個貨物；根據訓練后的實例分割模型和所述待檢測場景圖像，得到目標待檢測場景圖像和目標特征區域，所述目標待檢測場景圖像包括多個目標單通道圖像；基于開源計算機視覺庫，根據所述目標待檢測場景圖像和所述目標特征區域獲取目標特征區域對應的輪廓面積；根據所述目標特征區域對應的輪廓面積獲取目標貨物堆積率，并判斷所述目標貨物堆積率是否大于堆積率報警閾值；若所述目標貨物堆積率大于所述堆積率報警閾值，則進行報警處理。

可選的，在本發明第一方面的第一種實現方式中，所述根據訓練后的實例分割模型和所述待檢測場景圖像，得到目標待檢測場景圖像和目標特征區域，所述目標待檢測場景圖像包括多個目標單通道圖像包括：采用訓練后的實例分割模型對所述待檢測場景圖像進行目標檢測，得到多個目標檢測框；采用所述訓練后的實例分割模型對每個目標檢測框進行目標分類，得到多個目標特征類別；采用所述訓練后的實例分割模型對所述多個目標特征類別進行像素級目標分割，得到目標待檢測場景圖像和目標特征區域。

可選的，在本發明第一方面的第二種實現方式中，所述基于開源計算機視覺庫，根據所述目標待檢測場景圖像和所述目標特征區域獲取目標特征區域對應的輪廓面積包括：針對所述目標待檢測場景圖像中的多個目標單通道圖像，基于預置參數函數和所述目標特征區域，從每個目標單通道圖像中獲取多個初始特征輪廓；分別從每個初始特征輪廓中提取多個特征坐標點，得到多個初始特征坐標點；按照多個初始特征坐標點的坐標位置對所述多個初始特征坐標點進行篩選，得到多個目標特征坐標點，所述多個目標特征坐標點為坐標位置處于目標特征區域邊緣的初始特征坐標點；基于開源計算機視覺庫和所述多個目標特征坐標點，得到目標特征區域對應的輪廓面積。

可選的，在本發明第一方面的第三種實現方式中，所述根據所述目標特征區域對應的輪廓面積獲取目標貨物堆積率，并判斷所述目標貨物堆積率是否大于堆積率報警閾值包括：對待檢測場景圖像進行面積計算得到待檢測場景圖像的面積；基于待檢測場景圖像的面積、目標特征區域對應的輪廓面積和預置堆積率公式進行堆積率計算，得到目標貨物堆積率，并判斷所述目標貨物堆積率是否大于堆積率報警閾值。