【技术实现步骤摘要】
本说明书涉及深度学习，特别涉及一种物品称重方法及食粮称重系统。
技术介绍
1、目前，日常称重多采用电子秤等重量称量工具，需要人工先去皮，手动称量重量。通过人工手动称重，效率较低且人力成本高。而且，当电子秤安放存在倾斜，称量的目标有支架固定支撑等干扰情况出现时，重量称量不准确。
2、针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
1、本说明书实施例提供了一种物品称重方法及食粮称重系统，以解决现有技术中日常称重通过人工手动称重导致效率低且不准确的问题。
2、本说明书实施例提供了一种物品称重方法，包括：
3、获取第一标注图像数据；所述第一标注图像数据包括第一图像数据中多个像素中各像素的位置距图像采集装置的距离；所述第一图像数据包括容器为空时所述图像采集装置采集到的图像数据；
4、获取第二图像数据，对所述第二图像数据进行标注，得到第二标注图像数据；所述第二图像数据包括容器中装载有物品时所述图像采集装置采集到的图像数据；所述第二标注图像数据包括第二图像数据中多个像素中各像素的位置距所述图像采集装置的距离；
5、利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述容器中装载的物品的重量。
6、在一个实施例中，在利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述容器中装载的物品的重量之后，还包括：
7、在所述物品的重量小于第一预设重量的情况下生成物品
8、将计算得到的所述物品的重量发送至服务器，所述服务器用于在所述物品的重量小于第一预设重量的情况下生成物品添加指令。
9、在一个实施例中，对所述第二图像数据进行标注，得到第二标注图像数据，包括：
10、对所述第二图像数据进行识别，得到目标区域；所述目标区域包括容器中存在物品的区域；
11、确定所述目标区域中多个像素中各像素距离所述图像采集装置的距离，得到所述第二标注图像数据。
12、在一个实施例中，对所述第二图像数据进行标注，得到第二标注图像数据，包括：
13、对所述第二图像数据进行识别，得到目标区域；所述目标区域包括容器中存在物品的区域；
14、确定所述目标区域中多个像素中各像素距离所述图像采集装置的距离，得到所述第二标注图像数据。
15、在一个实施例中，利用预先构建的编码-解码算法模型对所述第二图像数据进行标注，得到第二标注图像数据，包括：
16、对所述第二图像数据进行编码处理，得到第一特征图；
17、对所述第一特征图进行空洞空间金字塔池化处理，得到第二特征图；
18、对所述第二特征图进行上采样处理，得到目标区域的掩码图；对所述第二特征图进行解码处理，得到所述第二图像数据对应的第二深度图；所述目标区域包括容器中存在物品的区域；
19、根据所述目标区域的掩码图与所述第二深度图，确定所述目标区域的深度图。
20、在一个实施例中，利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述容器中装载的物品的重量，包括：
21、根据所述第一标注图像数据与所述第二标注图像数据，确定目标距离矩阵；
22、将所述目标距离矩阵输入至深度学习回归网络中，得到所述容器中装载的物品的重量。
23、在一个实施例中，所述深度学习回归网络采用mobilenetv2网络作为主干网络；所述深度学习回归网络采用smoothl1loss作为回归算法的损失函数。
24、本说明书实施例还提供了一种物品称重装置，包括：
25、获取模块，用于获取第一标注图像数据；所述第一标注图像数据包括第一图像数据中多个像素中各像素的位置距图像采集装置的距离；所述第一图像数据包括容器为空时所述图像采集装置采集到的图像数据；
26、标注模块，用于获取第二图像数据，对所述第二图像数据进行标注，得到第二标注图像数据；所述第二图像数据包括容器中装载有物品时所述图像采集装置采集到的图像数据；所述第二标注图像数据包括第二图像数据中多个像素中各像素的位置距所述图像采集装置的距离；
27、称重模块，用于利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述容器中装载的物品的重量。
28、本说明书实施例还提供了一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施例中所述的物品称重方法的步骤。
29、本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施例中所述的物品称重方法的步骤。
30、本说明书实施例还提供了一种食粮称重系统，包括：
31、设备端，包括第一图像采集装置，用于采集第一图像数据和第二图像数据，所述第一图像数据包括食盒为空时采集到的图像数据；所述第二图像数据包括食盒中装载有食粮时所述图像采集装置采集到的图像数据；所述设备端还用于对所述第一图像数据进行标注，得到第一标注图像数据；还用于对所述第二图像数据进行标注，得到第二标注图像数据；还用于利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述食盒中装载的食粮的重量；所述第一标注图像数据包括第一图像数据中多个像素中各像素的位置距图像采集装置的距离；所述第二标注图像数据包括第二图像数据中多个像素中各像素的位置距所述图像采集装置的距离；
32、服务器，用于接收设备端发送的计算得到的食粮的重量，并基于所述食粮的重量确定是否生成食粮添加指令；
33、食粮添加机构，用于接收所述服务器发送的食粮添加指令，并响应于所述食粮添加指令向所述食盒添加食粮。
34、在一个实施例中，所述食粮添加机构包括设置有刻度的粮仓，用于度量所述食粮添加设备中剩余的食粮量；
35、相应的，所述设备端还包括：第二图像装置，用于采集第三图像数据，所述第三图像数据中包括所述食粮添加设备的图像数据；
36、相应的，所述设备端还用于对所述第三图像数据进行识别，以确定所述食粮添加设备中的剩余食粮量；
37、相应的，所述服务器还用于接收所述设备端发送的剩余食粮量，还用于在所述剩余食粮量满足预设条件的情况下，生成通知信息；
38、相应的，所述系统还包括运维客户端，所述运维客户端用于接收所述服务器发送的所述通知信息。
39、在本说明书实施例中，提供了一种物品称重方法，可以获取第一标注图像数据；所述第一标注图像数据包括第一图像数据中多个像素中各像素的位置距图像采集装置的距离；所述第一图像数据包括容器为空时所述图像采集装置采集到的图像数据；获取第二图像数据，对所述第二图像数据进行标注，得到第二标注图像数据；所述第二图像数据包括容器中装载有物品时所述图本文档来自技高网...
【技术保护点】
1.一种物品称重方法，其特征在于，包括：
2.根据权利要求1所述的物品称重方法，其特征在于，在利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述容器中装载的物品的重量之后，还包括：
3.根据权利要求1所述的物品称重方法，其特征在于，对所述第二图像数据进行标注，得到第二标注图像数据，包括：
4.根据权利要求1所述的物品称重方法，其特征在于，对所述第二图像数据进行标注，得到第二标注图像数据，包括：
5.根据权利要求4所述的物品称重方法，其特征在于，利用预先构建的编码-解码算法模型对所述第二图像数据进行标注，得到第二标注图像数据，包括：
6.根据权利要求1所述的物品称重方法，其特征在于，利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述容器中装载的物品的重量，包括：
7.根据权利要求6所述的物品称重方法，其特征在于，所述深度学习回归网络采用mobileNetv2网络作为主干网络；所述深度学习回归网络采用smoothL1Loss作为回归算法的损失函数。
<...【技术特征摘要】
1.一种物品称重方法，其特征在于，包括：
2.根据权利要求1所述的物品称重方法，其特征在于，在利用深度学习回归网络，基于所述第一标注图像数据和所述第二标注图像数据，计算所述容器中装载的物品的重量之后，还包括：
3.根据权利要求1所述的物品称重方法，其特征在于，对所述第二图像数据进行标注，得到第二标注图像数据，包括：
4.根据权利要求1所述的物品称重方法，其特征在于，对所述第二图像数据进行标注，得到第二标注图像数据，包括：
5.根据权利要求4所述的物品称重方法，其特征在于，利用预先构建的编码-解码算法模型对所述第二图像数据进行标注，得到第二标注图像数据，包括：
6.根据权利要求1所述的物品称重方法，其特征在...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：上海哈啰普惠科技有限公司，
类型：发明
国别省市：
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。