一种基于目标检测的输送带上包裹阻塞滑落问题检测方法技术

本发明专利技术公开了一种基于目标检测的输送带上包裹阻塞滑落问题检测方法包括：采集图像，构建

【技术实现步骤摘要】
一种基于目标检测的输送带上包裹阻塞滑落问题检测方法


[0001]本专利技术涉及人工智能
，具体为一种基于目标检测的输送带上包裹阻塞滑落问题检测方法
。

技术介绍

[0002]现如今，随着经济的快速发展和网购的日益流行，物流行业也得到了飞速地发展，分拣机作为物流输送过程中极为重要的一环也在逐渐向自动化
、
智能化方向发展
。
而在分拣机对快递包裹进行分拣输送的过程中，由于包裹在输送带上位置偏移
、
或各个输送带之间的连接处存在间隙
、
或输送带转弯处设计问题等原因，常有包裹在分拣输送带上滑落或阻塞的情形出现
。
这种问题在寄递包裹的高峰期，如“双十一”、“双十二”等时期，会对物流输送造成巨大的压力和负担
。
[0003]目前，目标检测算法作为计算机视觉领域的主要研究方向之一，逐渐得到了广泛的关注，其中，基于深度学习的目标检测算法成为发展的主流，其算法性能也远超手工设计特征的传统算法
。
经过长年的研究，基于深度学习的目标检测在算法识别精度和检测速度上取得了显著成就
。
[0004]考虑到上述因素，结合基于深度学习的目标检测算法，提出了一种输送带上包裹阻塞滑落问题检测方法，以解决上述问题
。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0006]鉴于上述存在的问题，提出了本专利技术
。
[0007]因此，本专利技术解决的技术问题是：现有的快递包裹问题主要靠人工进行发现处理，成本高并且不够及时，在小目标的检测精度和跟踪效果上也不够理想
。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：一种基于目标检测的输送带上包裹阻塞滑落问题检测方法，包括：
[0009]采集图像，构建
YOLOv5
网络的训练数据集并进行训练，获得目标检测模型；
[0010]利用所述目标检测模型对快递包裹进行检测，获取空间信息和分类信息；
[0011]使用目标匹配算法将图像中的快递包裹进行目标匹配，并构建基于历史信息的快递包裹轨迹预测模型；
[0012]利用所述轨迹预测模型在快递包裹滑落和阻塞时发出警报
。
[0013]作为本专利技术所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述的训练数据集包括不同时间段
、
不同位置上输送带对快递包裹的分拣输送图像，以及每一幅图像的标注信息，且要求图像中的快递包裹大小不一；所述的标注信息包括：快递包裹的位置信息
、
分类信息，输送带的位置信息
、
分类信息
。
[0014]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述的目标匹配算法包括：
[0015][0016]其中，
α
为权重系数；
x
i
表示快递包裹在时刻
a
时的横轴坐标；
y
i
表示快递包裹在时刻
a
时的纵轴坐标；表示快递包裹在
a
时中心点的横轴坐标；表示快递包裹在时刻
a
时中心点的纵轴坐标；
x'
i
表示快递包裹在时刻
b
时的横轴坐标；
y'
i
表示快递包裹在时刻
b
时的纵轴坐标；表示快递包裹在时刻
b
时其中心点的横轴坐标；表示快递包裹在时刻
b
时其中心点的纵轴坐标；
v
表示快递包裹的平均移动速度；
t
表示时刻
a
和时刻
b
之间的时间差
。
[0017]作为本专利技术所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述的轨迹预测模型包括：采样
、
更新
、
状态估计
、
重采样四个步骤；
[0018]所述采样包括：
[0019][0020]其中，
P(Q
k
|O
1:k
‑1)
表示
k
时快递包裹的先验概率密度；
P(Q
k
‑1|O
1:k
‑1)
表示
k
‑1时快递包裹的先验概率密度；
P(Q
k
|Q
k
‑1)
表示状态转移模型；
P(Q
k
|O
1:k
)
表示快递包裹的后验概率密度；
P(O
k
|Q
k
)
表示在状态
Q
k
时测量结果概率分布的观测模型；
Q
k
表示在
k
时快递包裹的状态信息；
Q
k
‑1表示在
k
‑1时快递包裹的状态信息；
O
1:k
‑1表示在
k
‑1时快递包裹的观测信息；
[0021]所述更新包括：
[0022][0023]其中，
E
表示快递包裹的预测轨迹；
g(Q
k
)
表示快递包裹的位置信息预测值；
[0024]根据状态转移模型
P(Q
k
|Q
k
‑1)
，确定不同预测轨迹的重要性程度，表示为：
[0025][0026]其中，
μ
k
(i)
表示
k
时预测轨迹的重要性程度；
N
表示自然数
μ
k
‑1(i)
表示
k
‑1时预测轨迹的重要性程度
。
[0027]所述状态估计包括：
[0028][0029]表示
k
时快递包裹的运动状态估计；
Q
k
(i)
表示在
k
时快递包裹的状态信息；
[0030]所述重采样为根据粒子的重要性程度
μ
k
(i)
，丢弃权重低的粒子，复制权重高的粒
子，重新生成粒子群，以供下一时刻的采样使用
。
[0031]作为本专利技术所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法的一种优选方案，其中：所述快递包裹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于，包括：采集图像，构建
YOLOv5
网络的训练数据集并进行训练，获得目标检测模型；利用所述目标检测模型对快递包裹进行检测，获取空间信息和分类信息；使用目标匹配算法将图像中的快递包裹进行目标匹配，并构建基于历史信息的快递包裹轨迹预测模型；利用所述轨迹预测模型在快递包裹滑落和阻塞时发出警报
。2.
如权利要求1所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述的训练数据集包括不同时间段
、
不同位置上输送带对快递包裹的分拣输送图像，以及每一幅图像的标注信息，且要求图像中的快递包裹大小不一；所述的标注信息包括：快递包裹的位置信息
、
分类信息，输送带的位置信息
、
分类信息
。3.
如权利要求2所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述的目标匹配算法包括：其中，
I
表示相似匹配系数；
α
为权重系数；
x
i
表示快递包裹在时刻
a
时的横轴坐标；
y
i
表示快递包裹在时刻
a
时的纵轴坐标；表示快递包裹在
a
时中心点的横轴坐标；表示快递包裹在时刻
a
时中心点的纵轴坐标；
x'
i
表示快递包裹在时刻
b
时的横轴坐标；
y'
i
表示快递包裹在时刻
b
时的纵轴坐标；表示快递包裹在时刻
b
时其中心点的横轴坐标；表示快递包裹在时刻
b
时其中心点的纵轴坐标；
v
表示快递包裹的平均移动速度；
t
表示时刻
a
和时刻
b
之间的时间差
。4.
如权利要求3所述的基于目标检测的输送带上包裹阻塞滑落问题检测方法，其特征在于：所述的轨迹预测模型包括：采样
、
更新
、
状态估计
、
重采样四个步骤；所述采样包括：其中，
PQ
k
O
1:k
‑1表示
k
时快递包裹的先验概率密度；
PQ
k
‑1O
1:k
‑1表示
k
‑1时快递包裹的先验概率密度；
PQ
k
Q
k
‑1表示状态转移模型；
PQ
k
O
1:k
表示快递包裹的后验概率密度；
PO
k
Q
k
表示在状态
Q
k
时测量结果概率分布的观测模型；
Q
k
表示在
k
时快递包裹的状态信息；
Q
k
‑1表示在
k
‑1时快递包裹的状态信息；
O
1:k
‑1表示在
k
‑1时快递包裹的观测信息；所述更新包括：
EgQ
k
＝
∫gQ
k
PQ
k
O
1:k
dQ
k
‑1其中，
E
表示快递包裹的预测轨迹；
gQ
k
表示快递包裹的位置信息预测值；根据状态转移模型
PQ
k
Q
k
‑1，确定不同预测轨迹的重要性程度，表示为：
其中，
μ
k
i
表示
k
时预测轨迹的重要性程度；
N
表示自然数；
μ
k
‑1i
表示
k
‑1时预测轨迹的重要性程度；所述状态估计包括：其中，表示
k
时快递包裹的运动状态估计；
Q
k
...

【专利技术属性】
技术研发人员：宋研，范连成，张旭，孙知信，孙哲，赵学健，胡冰，徐玉华，汪胡青，宫婧，
申请(专利权)人：安徽邮谷快递智能科技有限公司，
类型：发明
国别省市：