一种件烟箱计数方法技术

本发明专利技术提供了一种件烟箱计数方法，其包括以下步骤：拍摄烟库内任一角度下的图像数据，并对该图像数据进行预处理；使用训练好的基于注意力机制的图像增强模块对预处理后的图像数据进行降噪和去模糊处理；使用训练好的结合自底向上和自顶向下结构的卷积网络作为特征提取模块，对步骤

【技术实现步骤摘要】
一种件烟箱计数方法


[0001]本专利技术属于计数
，具体涉及一种件烟箱计数方法
。

技术介绍

[0002]在现代仓储管理系统中，虽然大部分操作已经被自动化，但在某些关键阶段，如出库装载，仍旧需要人工介入，这种对人力的依赖不仅容易产生错误，还会消耗大量的时间和劳力
。
为了克服这些问题，烟草仓库开始采用自动化的件烟箱计数系统
。
当前，利用图像技术进行计数是一种流行的解决方案
。
[0003]一些厂商甚至开始尝试使用无人驾驶飞机
(
简称
UAV)
来提高库存盘点的效率
。UAV
可以通过无线电遥控和自带的程序控制，它们装备了摄像头，能够捕获高分辨率的图像，并使用传感器精确定位货物，从而准确地计算烟草产品库存数量
。
然而，这些方法仍然存在一些挑战，如图像亮度的调整
、
噪声的消除和去除模糊等
。
由于拍摄环境的光照限制，捕获的图像可能偏暗；图像可能受到噪声的干扰，这可能是光照条件不佳或者图像传感器本身的噪声导致的；装车过程中的车辆运动可能导致图像模糊
。
另外，由于不同批次的件烟箱外形或者销售款式的变化，也可能对计数结果产生影响
。
所以，在实践中，处理件烟箱计数时，需要解决图像的亮度调整
、
噪声消除
、
去模糊以及适应件烟箱外形变化等问题，这使得现有计数方法的效果并不理想，不能较为准确地获得件烟箱的数量
。
因此，如何提供一种件烟箱计数方法，以在件烟箱计数时达到较好地计数效果，成为本领域技术人员急需解决的技术问题
。

技术实现思路

[0004]本专利技术的目的是提供一种件烟箱计数方法，以解决现有技术中的上述技术问题
。
[0005]为实现上述目的，本专利技术提供了如下技术方案：
[0006]一种件烟箱计数方法，其包括以下步骤：
[0007]步骤
S1、
拍摄烟库内任一角度下的图像数据，并对该图像数据进行预处理；
[0008]步骤
S2、
使用训练好的基于注意力机制的图像增强模块对预处理后的图像数据进行降噪和去模糊处理；
[0009]步骤
S3、
使用训练好的结合自底向上和自顶向下结构的卷积网络作为特征提取模块，对步骤
S2
输出的图像数据进行特征提取；
[0010]步骤
S4、
将步骤
S2
输出的图像数据和步骤
S3
输出的图像数据均输入到训练好的具有相似比较功能和特征增强功能的计数模块中，计算出件烟箱的数量
。
[0011]优选地，在训练阶段，收集烟库各个拍摄角度下的图像数据，并对各图像数据进行标准化和零均值化预处理，以构建图像数据训练集
。
[0012]优选地，图像数据的标准化处理按照以下公式进行：
[0013][0014]其中，
x
为训练集的数据样本，
μ
为数据样本的平均值，
σ
为数据样本的标准差，
x
*
为
经标准化处理后的数据样本
。
[0015]优选地，图像数据的零均值化处理是将标准化后的图像数据中，各维度的图像数据减去该维度图像数据的平均值
。
[0016]优选地，基于注意力机制的图像增强模块包括：
[0017]降噪模块，用于对经预处理后的图像数据进行降噪处理；
[0018]去模糊模块，用于对降噪后的图像数据进行去模糊处理
。
[0019]优选地，降噪模块包括依次相连的特征提取模块
、
基于残差结构的特征学习模块和图像重构模块，降噪模块中的该特征提取模块包括串联的三个卷积层；特征学习模块包括串联的三个卷积层，该三个卷积层后均连接有一个激活函数；图像重构模块包括依次相连的两个卷积层和批归一化层
。
[0020]优选地，去模糊模块使用基于
RNN
的网络结构，该基于
RNN
的网络结构中还结合了经典的
LSTM
网络和采用了注意力机制
。
[0021]优选地，该去模糊模块包括串联设置的两个卷积块和激活函数层，其中，第一个卷积块包括
LSTM
模块和设置在
LSTM
模块前后的各三个卷积层；第二个卷积块包括注意力机制层和卷积层，该卷积块的输入和输出通过残差连接相连，经过激活函数层输出特征图，记为特征图
C。
[0022]优选地，在步骤
S3
中，该特征提取模块包括由上至下串联的四个残差块；每个残差块内由三个卷积层组成，而后通过一个激活函数输出，并通过残差连接将残差块的输入与输出相连；每个残差块的输出使得特征图的大小缩减一半；特征提取模块的自顶向下的网络结构具体为：由上至下的四个残差块依次处理特征图
C
，得到四个残差块输出的四个特征图，依次记为
C1、C2、C3、C4′
；并将特征提取模块的输入经过一个池化层后得到与
C4′
的尺寸大小相同的特征图，将这两个尺寸大小相同的特征图采用逐像素位置取平均值的方法叠加在一起，得到最下面一个残差块的最终输出
C4；
[0023]特征提取模块的自底向上的网络结构具体为：首先对上一步得到的特征图
C4进行上采样操作，得到与
C3的尺寸大小相同的特征图，然后将该特征图和
C3叠加得到特征图
C3′
，以此类推，依次得到特征图
C2′
和
C1′
，将
C1′
作为特征提取模块的最终输出，输出到后续的计数模块中进行后续操作
。
[0024]优选地，步骤
S4
的具体内容为：
[0025]步骤
S41、
相似比较：将步骤
S2
输出的图像数据作为支持图像，将步骤
S3
输出的特征图
C1′
作为查询图像；而后，将支持图像作为卷积核对查询图像进行卷积操作，得到特征图
D1，然后将特征图
D1经过一个由两个卷积层和设置在该两个卷积层之间的一个空洞卷积层组成的卷积块，得到特征图
D2；最后再将
D2作为卷积核对查询图像进行卷积操作，得到特征图
D3；
[0026]步骤
S42、
特征增强：将支持图像经过一个下采样卷积操作后作为卷积核，对特征图
D3进行卷积操作，得到特征图
D4；然后再将查询图像经过一个下采样卷积层得到与特征图
D4相同尺寸大小的特征图后，将该特征图与特征图
D4进行拼接操作，得到特征图...

【技术保护点】

【技术特征摘要】
1.
一种件烟箱计数方法，其特征在于，其包括以下步骤：步骤
S1、
拍摄烟库内任一角度下的图像数据，并对该图像数据进行预处理；步骤
S2、
使用训练好的基于注意力机制的图像增强模块对预处理后的图像数据进行降噪和去模糊处理；步骤
S3、
使用训练好的结合自底向上和自顶向下结构的卷积网络作为特征提取模块，对步骤
S2
输出的图像数据进行特征提取；步骤
S4、
将步骤
S2
输出的图像数据和步骤
S3
输出的图像数据均输入到训练好的具有相似比较功能和特征增强功能的计数模块中，计算出件烟箱的数量
。2.
根据权利要求1所述的件烟箱计数方法，其特征在于，在训练阶段，收集烟库各个拍摄角度下的图像数据，并对各图像数据进行标准化和零均值化预处理，以构建图像数据训练集
。3.
根据权利要求2所述的件烟箱计数方法，其特征在于，图像数据的标准化处理按照以下公式进行：其中，
x
为训练集的数据样本，
μ
为数据样本的平均值，
σ
为数据样本的标准差，
x
*
为经标准化处理后的数据样本
。4.
根据权利要求3所述的件烟箱计数方法，其特征在于，图像数据的零均值化处理是将标准化后的图像数据中，各维度的图像数据减去该维度图像数据的平均值
。5.
根据权利要求1所述的件烟箱计数方法，其特征在于，在步骤
S2
中，基于注意力机制的图像增强模块包括：降噪模块，用于对经预处理后的图像数据进行降噪处理；去模糊模块，用于对降噪后的图像数据进行去模糊处理
。6.
根据权利要求5所述的件烟箱计数方法，其特征在于，降噪模块包括依次相连的特征提取模块
、
基于残差结构的特征学习模块和图像重构模块，降噪模块中的该特征提取模块包括串联的三个卷积层；特征学习模块包括串联的三个卷积层，该三个卷积层后均连接有一个激活函数；图像重构模块包括依次相连的两个卷积层和批归一化层
。7.
根据权利要求5所述的件烟箱计数方法，其特征在于，去模糊模块使用基于
RNN
的网络结构，该基于
RNN
的网络结构中还结合了经典的
LSTM
网络和采用了注意力机制
。8.
根据权利要求7所述的件烟箱计数方法，其特征在于，该去模糊模块包括串联设置的两个卷积块和激活函数层，其中，第一个卷积块包括
LSTM
模块和设置在
LSTM
模块前后的各三个卷积层；第二个卷积块包括...

【专利技术属性】
技术研发人员：高扬华，陆海良，王毅君，许珍珍，金泳，
申请(专利权)人：浙江中烟工业有限责任公司，
类型：发明
国别省市：