【技术实现步骤摘要】
快件分拣方法、装置、设备及存储介质
本专利技术涉及物流管理领域，尤其涉及一种快件分拣方法、装置、设备及存储介质。
技术介绍
随着物流行业的迅猛发展，物流已经渗透人们平常生活的各个方面。随着电子商务的普及，越来越多的人通过网络进行商品选购。为应对越来越多的快件运输需求，目前的快件的分拣多采用自动的快件分拣系统。快件分拣系统包括控制装置、分类装置、输送装置和分拣道口组成。而控制装置主要用于识别、接收和处理分拣信号。随着自动化的发展，控制装置可实现通过图像确定快件的位置并获取快件上记录的快件基本信息。然而由于快件中包裹的物体类型很多，如本子、椅子等等，因此快件的形状也千差万别。针对这些形状不规则的快件，传统方法对图像中的快件无法准确检测识别出来，因此需要人工辅助。故影响后续的将快件分配至不同分拣出口的速率。
技术实现思路
本专利技术的主要目的在于解决目前由于针对快件的检测效率低导致分拣速度慢的问题。本专利技术第一方面提供了一种快件分拣方法，包括：获取预先拍摄的快件分拣场景中的多个第一图像...
【技术保护点】
1.一种快件分拣方法，其特征在于，所述快件分拣方法包括：/n获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；/n对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；/n将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中，所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROIAlign层和分类网络；/n获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述...
【技术特征摘要】
1.一种快件分拣方法，其特征在于，所述快件分拣方法包括：
获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
将所述训练样本图像和对应的标注文件输入预置MASKR-CNN模型进行训练，得到快件识别模型，其中，所述MASKR-CNN模型包括ResNet-101网络、RPN网络、ROIAlign层和分类网络；
获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
2.根据权利要求1所述的快件分拣方法，其特征在于，所述对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件包括：
圈定所述训练样本图像中的快件的区域范围，以对所述训练样本图像进行实例分割标注，得到对应的标注信息；
将所述标注信息写入预置JSON格式的空白文件中，得到标注文件。
3.根据权利要求1所述的快件分拣方法，其特征在于，所述将所述训练样本图像和对应的标注文件输入预置MASKR-CNN模型进行训练，得到快件识别模型包括：
将所述训练样本图像输入所述ResNet-101网络，并通过所述ResNet-101网络提取所述训练样本图像的第一特征图；
将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框；
将所述第一特征图和所述预测框输入所述ROIAlign层，并通过所述ROIAlign层对所述预测框和所述第一特征图进行融合，得到包含所述预测框的第二特征图；
将所述第二特征图输入所述分类网络，并通过所述分类网络生成所述第二特征图对应的预测结果；
根据所述预测结果和所述标注文件，对所述MASKR-CNN模型的参数进行调整，直至所述MASKR-CNN模型收敛，得到所述快件识别模型。
4.根据权利要求3所述的快件分拣方法，其特征在于，所述RPN网络包括第一分类器，所述将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框包括：
将所述第一特征图输入所述RPN网络，并获取预置锚框信息；
根据所述锚框信息，生成所述第一特征图的锚框；
通过所述第一分类器判断所述锚框中是否存在快件；
若是，则对所述锚框进行边框回归，得到所述第一特征图对应的预测框。
5.根据权利要求3所述的快件分拣方法，其特征在于，所述分类网络包括全连接层和第二分类器，所述将所述第二特征图输入所述分类网络...
【专利技术属性】
技术研发人员：李斯，赵齐辉，杨天宇，
申请(专利权)人：上海东普信息科技有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。