[发明专利]基于深度学习的小车包裹位置检测方法

说明书

本发明涉及一种小车包裹位置检测方法，尤其是一种基于深度学习的小车包裹位置检测方法。按照本发明提供的技术方案，一种基于深度学习的小车包裹位置检测方法，所述小车包裹位置检测方法包括如下步骤：步骤S1、实时获取传送小车的图像；步骤S2、对上述获取的图像进行所需的预处理，以能得到获取图像中ROI区域，所述ROI区域包括风琴板区域以及皮带面区域；步骤S3、利用深度学习方法对上述获取的ROI区域进行检测，以能得到传送小车上包裹的位置信息，其中，深度学习方法采用基于YOLO的目标检测模型。

技术领域

本发明涉及一种小车包裹位置检测方法，尤其是一种基于深度学习的小车包裹位置检测方法。

背景技术

近年来，随着电商的井喷式发展，快递行业的业务量呈几何式增长，快递分拣的效率直接影响物流配送速度和企业管理的效果。交叉带式分拣系统包括主驱动带式输送机以及由小型带式输送机的台车(简称“传送小车”)，传送小车移动到所规定的分拣位置时，转动皮带，实现将包裹分拣送出的任务。由于主驱动带式输送机与传送小车上的带式输出机呈交叉状，故称作交叉带式分拣机。

目前，现有的交叉带分拣技术中存在普遍的撞包以及分拣口包裹错分的问题。因此，为了保证包裹分拣的效率以及准确率，准确判别传送小车上面包裹的位置信息已经成为急需解决的问题。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于深度学习的小车包裹位置检测方法，其保证检测结果的稳定性和准确性，从而大大降低包裹运输过程中的错分率。

按照本发明提供的技术方案，一种基于深度学习的小车包裹位置检测方法，所述小车包裹位置检测方法包括如下步骤：

步骤S1、实时获取传送小车的图像；

步骤S2、对上述获取的图像进行所需的预处理，以能得到获取图像中ROI区域，所述ROI区域包括风琴板区域以及皮带面区域；

步骤S3、利用深度学习方法对上述获取的ROI区域进行检测，以能得到传送小车上包裹的位置信息，其中，深度学习方法采用基于YOLO的目标检测模型。

步骤S1中，通过安装于传送小车上方的相机能采集获取传送小车的图像，其中，当光电检测开关检测到所述传送小车时，发送触发信号至检测控制器，以由所述检测控制器触发所述相机拍照，以能获取传送小车的图像；或者由检测控制器设置帧率信息定时触发所述相机，以能获取传送小车的图像。

步骤S2中，在预处理时，包括如下步骤：

步骤S2.1、通过人工标定的方式对图像进行水平校正，并获取得到ROI区域；

步骤S2.2、通过高斯滤波函数对ROI区域进行滤波，并通过梯度阈值分割方法提取风琴板区域的位置信息；

步骤S2.3、结合上述梯度信息遍历风琴板区域，以对风琴板的边缘位置进行定位；

步骤S2.4、根据上述定位的风琴板的边缘位置，将ROI区域划分为风琴板区域与皮带面区域。

步骤S2.1中，在水平校正时，手动选取传送小车上两个水平点的坐标信息，并根据所所述坐标信息确定水平角度以及图像中心点的坐标信息确定仿射变换矩阵，根据仿射变换矩阵对图像进行旋转，以实现对图像的水平校正。

步骤S3中，包括如下步骤：

步骤S3.1、在训练后得到基于YOLO的目标检测模型，利用所述基于YOLO的目标检测模型对ROI区域进行检测，以能获取当前传送小车上包含包裹信息的所有目标框。通过设定得分初步筛选阈值，对所得目标框进行初步筛选，以删除小于得分初步筛选阈值的目标框；

步骤S3.2、利用非极大值抑制对获取的目标框进行融合，以能获取包裹的位置信息。

步骤S3.2中，包括如下步骤：