流水线上面单数异常识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及快递分拣技术领域，公开了一种流水线上面单数异常检测方法、装置、设备及存储介质，该方法包括：对获取的快递包裹图片中的面单位置进行标注处理并对快递包裹图片进行分类，得到包裹面单图片样本数据集；将包裹面单图片样本数据集按照预定比例划分为训练数据集和测试数据集；以Fast

【技术实现步骤摘要】
流水线上面单数异常识别方法、装置、设备及存储介质


[0001]本专利技术涉及图像识别
，尤其涉及一种流水线上面单数异常识别方法、装置、设备及存储介质。

技术介绍

[0002]分拣是物流配送中心的核心工序，对整个配送中心的作业起到了巨大的影响作用，而使用自动化的设备提高分拣作业的效率就是在提高整个配送中心的工作效率，不但降低了人工成本，增加了营收效益，也提高了整个配送中心的服务水平。
[0003]一些大型的分拣中心，其流水线上配有自动扫描面单的装置，该装置一般一次只能扫描一个面单，如果同时出现两个快件或者快件的面单朝下，则扫描就会漏掉一些快件，此时需要进行人工检查或者回流再次分拣，这严重影响了自动化分拣作业的分拣效率。
[0004]因此，现有技术还有待于改进和发展。

技术实现思路

[0005]本专利技术的主要目的在于解决现有物流分拣过程中，由于面单识别异常导致分拣效率较差的问题。
[0006]本专利技术第一方面提供了一种流水线上面单数异常检测方法，包括：对获取的快递包裹图片中的面单位置进行标注处理并对所述快递包裹图片进行分类，得到包裹面单图片样本数据集；将所述包裹面单图片样本数据集按照预定比例划分为训练数据集和测试数据集，所述训练数据集和测试数据集均包括面单数量为1的包裹图片和面单数量不为1的包裹图片；以Fast
‑
RCNN网络作为初始面单数异常检测模型，通过所述训练数据集对所述初始面单数异常检测模型进行训练，得到最终面单数异常检测模型；将待检测包裹图片输入至所述最终面单数异常检测模型，输出检测结果，根据所述检测结果判断是否发出异常通知。
[0007]可选的，在本专利技术第一方面的第一种实现方式中，对获取的快递包裹图片中的面单位置进行标注处理并对所述快递包裹图片进行分类，得到包裹面单图片样本数据集，包括：通过流水线扫描摄像头获取快递包裹图片；对所述快递包裹图片进行数据扩增处理，得到扩充包裹图片；对所述扩充包裹图片的面单位置进行标注处理并对所述扩充包裹图片进行分类，得到包裹面单图片样本数据集。
[0008]可选的，在本专利技术第一方面的第二种实现方式中，对所述快递包裹图片进行数据扩增处理，得到扩充包裹图片，包括：对所述快递包裹图片进行镜像、旋转、缩放、裁剪、平移或高斯噪声处理，得到变形图片；对所述快递包裹图片以及变形图片进行剪切融合处理，得到扩充包裹图片。
[0009]可选的，在本专利技术第一方面的第三种实现方式中对所述快递包裹图片以及变形图片进行剪切融合处理，得到扩充包裹图片，包括：将所述快递包裹图片和变形图片中的任意一张图片随机删除部分区域；从所述快递包裹图片和变形图片中的任意另一张图片中截取相同大小的区域填充到上一张图片的删除部分区域，并进行全图软融合生成新的图片，实
现数据扩增。
[0010]可选的，在本专利技术第一方面的第四种实现方式中，对所述扩充包裹图片的面单位置进行标注处理并对所述扩充包裹图片进行分类，得到包裹面单图片样本数据集，包括：通过Labelme工具对扩充包裹图片中的面单位置进行特征标注，以得到标注有特征信息的图像样本；根据特征信息对图像样本进行分类，得到面单数量为1的包裹图片和面单数量不为1的包裹图片，所述面单数量为1的包裹图片和面单数量不为1的包裹图片构成所述包裹面单图片样本数据集。
[0011]可选的，在本专利技术第一方面的第五种实现方式中，以Fast
‑
RCNN网络作为初始面单数异常检测模型，通过所述训练数据集对所述初始面单数异常检测模型进行训练，得到最终面单数异常检测模型，包括：以Fast
‑
RCNN网络作为初始面单数异常检测模型，所述初始面单数异常检测模型包括两个输入层，一个为图像列表输入层，另一个为图像感兴趣区域输入层；还包括卷积层、ROI区域池化层、两个全连接层，以及分类器和回归器；将所述训练数据集中的整幅图片和图片上生成的一系列候选框作为输入对初始面单数异常检测模型进行训练，通过卷积层计算得到特征图；使用ROI池化层从每个候选框对应的特征图区域提取固定长度的特征向量，固定长度的特征向量经过两个全连接层的计算后，进入到分类器和回归器两个分支，分类器通过softmax方法对候选框中的图像进行分类，回归器通过回归目标框相对于候选框的偏移量和缩放尺度来预测目标的准确位置；根据训练结果调整所述初始面单数异常检测模型的参数，并在经过所述测试数据集测试后，得到最终面单数异常检测模型。
[0012]可选的，在本专利技术第一方面的第六种实现方式中，将待检测包裹图片输入至所述最终面单数异常检测模型，输出检测结果并根据所述检测结果判断是否发出异常通知，包括：将待检测包裹图片输入至所述最终面单数异常检测模型，输出所述待检测包裹图片中面单数量为1的概率；若所述待检测包裹图片中面单数量为1的概率大于预设概率阈值，则不发出异常通知；若所述待检测包裹图片中面单数量为1的概率小于等于预设概率阈值，则发出异常通知。
[0013]本专利技术第二方面提供了一种流水线上面单数异常检测装置，包括：标注分类模块，用于对获取的快递包裹图片中的面单位置进行标注处理并对所述快递包裹图片进行分类，得到包裹面单图片样本数据集；数据划分模块，用于将所述包裹面单图片样本数据集按照预定比例划分为训练数据集和测试数据集，所述训练数据集和测试数据集均包括面单数量为1的包裹图片和面单数量不为1的包裹图片；训练模块，用于以Fast
‑
RCNN网络作为初始面单数异常检测模型，通过所述训练数据集对所述初始面单数异常检测模型进行训练，得到最终面单数异常检测模型；检测提示模块，用于将待检测包裹图片输入至所述最终面单数异常检测模型，输出检测结果，根据所述检测结果判断是否发出异常通知。
[0014]可选的，在本专利技术第二方面的第一种实现方式中，所述标注分类模块包括：获取单元，用于通过流水线扫描摄像头获取快递包裹图片；扩增单元，用于对所述快递包裹图片进行数据扩增处理，得到扩充包裹图片；标注分类单元，用于对所述扩充包裹图片的面单位置进行标注处理并对所述扩充包裹图片进行分类，得到包裹面单图片样本数据集。
[0015]可选的，在本专利技术第二方面的第二种实现方式中，所述扩增单元包括：第一扩增子单元，用于对所述快递包裹图片进行镜像、旋转、缩放、裁剪、平移或高斯噪声处理，得到变
形图片；第二扩增子单元，用于将所述快递包裹图片和变形图片中的任意一张图片随机删除部分区域，从所述快递包裹图片和变形图片中的任意另一张图片中截取相同大小的区域填充到上一张图片的删除部分区域，并进行全图软融合生成新的图片，实现数据扩增，即得到扩充包裹图片。
[0016]可选的，在本专利技术第二方面的第三种实现方式中，所述标注分类单元包括：标注子单元，用于通过Labelme工具对扩充包裹图片中的面单位置进行特征标注，以得到标注有特征信息的图像样本；分类子单元，用于根据特征信息对图像样本进行分类，得到面单数量为1的包裹图片和面单数量不为1的包裹图片，所述面单数量为1的包裹图片和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流水线上面单数异常检测方法，其特征在于，所述流水线上面单数异常检测方法包括：对获取的快递包裹图片中的面单位置进行标注处理并对所述快递包裹图片进行分类，得到包裹面单图片样本数据集；将所述包裹面单图片样本数据集按照预定比例划分为训练数据集和测试数据集，所述训练数据集和测试数据集均包括面单数量为1的包裹图片和面单数量不为1的包裹图片；以Fast
‑
RCNN网络作为初始面单数异常检测模型，通过所述训练数据集对所述初始面单数异常检测模型进行训练，得到最终面单数异常检测模型；将待检测包裹图片输入至所述最终面单数异常检测模型，输出检测结果，根据所述检测结果判断是否发出异常通知。2.根据权利要求1所述的流水线上面单数异常检测方法，其特征在于，对获取的快递包裹图片中的面单位置进行标注处理并对所述快递包裹图片进行分类，得到包裹面单图片样本数据集，包括：通过流水线扫描摄像头获取快递包裹图片；对所述快递包裹图片进行数据扩增处理，得到扩充包裹图片；对所述扩充包裹图片的面单位置进行标注处理并对所述扩充包裹图片进行分类，得到包裹面单图片样本数据集。3.根据权利要求2所述的流水线上面单数异常检测方法，其特征在于，对所述快递包裹图片进行数据扩增处理，得到扩充包裹图片，包括：对所述快递包裹图片进行镜像、旋转、缩放、裁剪、平移或高斯噪声处理，得到变形图片；对所述快递包裹图片以及变形图片进行剪切融合处理，得到扩充包裹图片。4.根据权利要求3所述的流水线上面单数异常检测方法，其特征在于，对所述快递包裹图片以及变形图片进行剪切融合处理，得到扩充包裹图片，包括：将所述快递包裹图片和变形图片中的任意一张图片随机删除部分区域；从所述快递包裹图片和变形图片中的任意另一张图片中截取相同大小的区域填充到上一张图片的删除部分区域，并进行全图软融合生成新的图片，实现数据扩增。5.根据权利要求2所述的流水线上面单数异常检测方法，其特征在于，对所述扩充包裹图片的面单位置进行标注处理并对所述扩充包裹图片进行分类，得到包裹面单图片样本数据集，包括：通过Labelme工具对扩充包裹图片中的面单位置进行特征标注，以得到标注有特征信息的图像样本；根据特征信息对图像样本进行分类，得到面单数量为1的包裹图片和面单数量不为1的包裹图片，所述面单数量为1的包裹图片和面单数量不为1的包裹图片构成所述包裹面单图片样本数据集。6.根据权利要求1所述的流水线上面单数异常检测方法，其特征在于，以Fast
‑
RCNN网络作为初始面单数异常检测模型，通过所述训练数据集对所述初始面单数异常检测模型进行训练，得到最终面单数异常检测模型，包括：以Fast
‑

【专利技术属性】
技术研发人员：曾月，李斯，杨周龙，
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：