对象识别装置,系统和方法
文献发布时间:2023-06-19 09:44:49
技术领域
本发明涉及识别技术领域,尤其涉及一种对象识别装置,系统和方法。
背景技术
由于生产线生产复用的需要,在很多应用场合,用户需要对不同类型的产品使用称重计数,所以要求称重计数系统能够识别被称重的产品类型,以便可以在一套设备上对多种类型产品进行称重计数。而在仓储管理中,当需要从仓库中调用特定数量的物料用于生产加工,或者对库存产品进行物流运输时,也需要首先识别所需的物料或产品类型,再进行后续调用。
机械视觉是识别被称重产品类型的一种有效方案。机械识别的设备通常包括摄像头和数据处理系统等。数据处理系统根据摄像头获取的图像数据,完成对产品类型的识别。在完成类型识别之后,再执行对产品的后续处理,如称重,包装,转运等等。
但随着产品类型的增加,通过机械视觉对产品识别的复杂度会导致数据处理系统中处理器工作量呈指数级别上升,从而使识别的可靠性和识别的速度均无法满足实际应用所需。对此,现有的解决方案通常都是集中在通过图像算法增强识别可靠性,或增加硬件设备投入以提高设备的运行速度。然而由于方案的复杂度,或者实施成本的增加,又往往会导致方案无法产品化,从而影响了产品的市场推广。
发明内容
本发明要解决的技术问题是针对现有机械识别中所存在的问题,提供一种能提高物品识别效率的对象识别装置。
为解决上述技术问题,本发明提供了一种对象识别装置,包括:第一图像匹配模块,用于将各类型对象图像特征信息中的第一图像特征信息,与目标对象的第一图像特征,进行比对筛选;计数模块,用于对目标对象,按照各类型对象的质量分布信息逐一称重计数;计算模块,用于根据各类型对象的所述质量分布信息和对应的称重计数数据,逐一计算各类型对象因统计误差而允许的计数误差;判断模块,用于通过逐一判断所述称重计数数据是否在对应类型对象的所述统计误差而允许的计数误差的范围内,进行筛选。
较优的,所述因统计误差而允许的计数误差为:
较优的,所述计算模块,还用于根据称重设备的称重精度误差和各类型对象的称重均值,计算称重误差的允许计数误差;所述判断模块,通过逐一判断所述称重计数数据是否在对应类型对象的所述统计误差而允许的计数误差,以及所述称重误差的允许计数误差的范围内,进行筛选;所述称重误差的允许计数误差为:±C/AW
较优的,所述判断模块计算:称重计数±(统计误差而允许的计数误差+称重误差的允许计数误差)是否覆盖至少一个整数;如果是,判定所述称重计数数据在对应类型对象的所述统计误差而允许的计数误差的范围内,否则判定超出允许的计数误差的范围。
较优的,所述对象识别装置还包括:第二图像匹配模块,用于在所述判断模块完成前轮筛选后,将各类型对象图像特征信息中的第二图像特征信息,与所述目标对象的第二图像特征,进行下轮比对筛选;或者,通过增强识别,将各类型对象图像特征信息中的第一图像特征信息,与所述目标对象的第一图像特征,进行下轮比对筛选。
为解决上述的技术问题,本发明还公开了一种对象识别系统,包括:如上述的对象识别装置,存储装置,图像获取装置和称重装置;所述存储装置,用于存储各类型对象的图像特征信息和质量分布信息;所述图像获取装置,用于获取所述目标对象的图像;所述称重装置,用于对所述目标对象称重。
为解决上述的技术问题,本发明还公开了一种对象识别方法,包括:将各类型对象图像特征信息中的第一图像特征信息,与所述目标对象的第一图像特征,进行比对筛选;对目标对象按照各类型对象的质量分布信息逐一称重计数;根据各类型对象的所述质量分布信息和对应的称重计数数据,逐一计算各类型对象因统计误差而允许的计数误差;通过逐一判断所述称重计数数据是否在对应类型对象的所述统计误差而允许的计数误差的范围内,进行筛选。
较优的,所述因统计误差而允许的计数误差为:
较优的,在根据各类型对象的所述质量分布信息和对应的称重计数数据,逐一计算各类型对象因统计误差而允许的计数误差后,还包括:根据称重设备的称重精度误差和各类型对象的称重均值,计算称重误差的允许计数误差;所述通过逐一判断所述称重计数数据是否在对应类型对象的所述统计误差而允许的计数误差的范围内,进行筛选包括:通过逐一判断所述称重计数数据是否在对应类型对象的所述统计误差而允许的计数误差,以及所述称重误差的允许计数误差的范围内,进行筛选;所述称重误差的允许计数误差为:±C/AW
较优的,所述判断所述称重计数数据是否在对应类型对象的所述统计误差而允许的计数误差的范围内,包括:计算:称重计数±(统计误差而允许的计数误差+称重误差的允许计数误差)是否覆盖至少一个整数;如果是,判定所述称重计数数据在对应类型对象的所述统计误差而允许的计数误差的范围内,否则判定超出允许的计数误差的范围。
较优的,在所述通过逐一判断所述称重计数数据是否在对应类型对象的所述统计误差而允许的计数误差的范围内,进行筛选后,还包括:将各类型对象图像特征信息中的第二图像特征信息,与所述目标对象的第二图像特征,进行下轮比对筛选;或者,通过增强识别,将各类型对象图像特征信息中的第一图像特征信息,与所述目标对象的第一图像特征,进行下轮比对筛选。
本发明的积极进步效果在于:通过对图像特征匹配和称重计数两种筛选方式相结合,一方面,根据部分图像特征进行匹配筛选的减小图像匹配范围,可以降低图像计算的系统消耗,提高识别效率;另一方面,根据检验称重计数的结果是否在允许的计数误差范围内进行验证,也保证了识别的可靠性,提供了更全面的可靠性判断数据。
遍及说明书和权利要求书使用了表示特定系统组件的某些术语。如本领域的技术人员能够理解的,不同的使用对象可能会通过不同的名称来表示同一组件。对于名称不同但功能相同的组件本文不做区分,均属于本发明的保护范围之内。
附图说明
图1为本发明实施例的一种对象识别系统的结构示意图;
图2为本发明实施例的又一种对象识别系统的结构示意图;
图3为本发明实施例的一种对象识别方法的流程图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明。
实施例1
仓库自动货物分拣系统中的对象识别系统用于对元器件进行器件类型识别。如图1所示,所述对象识别系统包括对象识别数据处理装置,存储装置,秤,摄像头以及输入接收装置。其中,所述存储装置中预存储有工业元件库,包括各元器件的类型代码,秤的称重精度数据,各元器件所对应的图像信息,如颜色识别特征形状、纹理等匹配识别特征,以及相应的质量分布信息。
当因生产作业的使用需要,从仓库中拣选一定数量的相关类型元器件时,如1000个碳钢T型螺栓,所述对象识别系统首先通过输入接收装置的UI交互界面,获取用户对所要求的目标元器件的点选,进而通过工业元件库中该目标元器件的类型信息,获得其图像和质量分布信息。通过该目标元器件的图像,可获取其相应颜色特征,纹理特征和形状特征等多种图像特征信息。所述质量分布信息是根据从生产过程中收集来的该元器件的重量数据分布情况而形成的统计数据信息,反映了该种元器件的生产重量波动。
仓库自动货物分拣系统从仓库中抓取各类型元器件各若干数量,对象识别系统则通过摄像头对抓取出的各类型元器件进行图像拍摄。对象识别数据处理装置则通过第一图像匹配模块,通过选择部分图像特征的运算量较小的颜色匹配方式,检测特定图像采样点一定距离范围内的像素RGB信息,并判断该距离范围内的颜色信息是否能够匹配目标元器件的颜色特征。例如碳钢T型螺栓的颜色是亮银色,则可以在采样点一定为范围内,检测该特定范围的颜色特征是否符合亮银色标准RGB值,从而通过对图像信息的颜色筛选,首先排除一部分的元器件类型。
在完成初步颜色筛选后,所述对象识别数据处理装置进行下一步的称重计数筛选。对象识别系统分别抓取剩余的各类型元器件的若干数量进行称重,获取其称重总重W
由于质量分布数据仅是统计分析数据,同类型的元器件在生产中会与称重均值AW
同时,考虑到由于作为称重设备的秤,其本身在测重中也会存在一定的设备测量误差,因此所述计算模块根据存储装置中,秤的规格参数,获得秤的称重精度误差C,如秤的精度误差C为0.05g,即为±0.05g,从而进一步计算得到由于称重设备本身的称重误差的允许计数误差为:±C/AW
对象识别数据处理装置的判断模块通过计算公式:称重计数N
本实施例计数筛选的技术原理是:在将目标元器件和各类型元器件逐一比对过程中,以当前验证元器件的称重总重W
在完成颜色匹配筛选和称重计数的一轮筛选后,如果还有两个或以上类型的对象未被排除,则所述对象识别数据处理装置对筛选后未排除的元器件类型再重新进行后一轮的图像信息的识别。此时,由于经过第一轮的筛选后,所剩的元器件类型数量较少,因此可选用匹配精度高,运算量大的图像匹配方法。所述对象识别数据处理装置的第二图像匹配模块,通过图像增强识别,在颜色识别中进一步缩小采样点的距离范围进行更精确地匹配,或者计算元器件图像中的形状/纹理等信息,并与目标类型元器件的形状/纹理等信息进行匹配识别,筛除无法匹配的元器件类型。
最后,如果对象识别系统识匹配出唯一的元器件类型,完成对目标元器件的识别匹配,并输出识别元器件类型及其数量信息。如果对象识别系统识别出多个元器件类型且无法进一步排除,或者没有识别出可以匹配的元器件类型,则输出识别错误信息。
可以理解的是,本实施例中的图像匹配筛选和计数筛选之间的执行顺序也可是先执行计数筛选,然后再由第一图像匹配模块进行颜色筛选,以及第二图像匹配模块进行颜色增强识别的筛选,或者其他图像特征的识别。
本实施例1的一种对象识别系统,通过结合图像识别和称重计数识别两种识别方法,一方面,相对于传统的机械视觉识别来说,通过称重计数识别减小了图像匹配范围,从而降低了数据处理系统的工作量和资源消耗,保证了识别速度;另一方面,通过结合两种识别方式,也可保证识别的准确性和可靠性。
实施例2
包装生产线在接收产品前,通过对象识别系统识别相应的产品类型后,再进行后续分拣,如计数包装等。如图2所示,所述对象识别系统包括对象识别数据处理装置,摄像头,秤以及存储装置。其中,所述存储装置中预存储有该生产线可能生产的所有产品的类型代码,秤的称重精度数据,各产品所对应的图像信息,如颜色识别特征形状、纹理等匹配识别特征,以及相应的质量分布信息。所述质量分布信息是根据从生产过程中收集来的,各类型产品的重量数据分布情况而形成的统计数据信息,反映了各类型产品的生产重量波动。
当生产线完成产品的生产后,将若干数量的产品传送到所述对象识别系统,并由摄像头对其进行图像拍摄。通过生产产品的图像可获得该产品的图像信息,例如生产产品为碳钢T型螺栓,则通过所述对象识别数据处理装置的第一图像匹配模块,选用相对图像匹配运算量较小的颜色匹配方式,对其图像的颜色特征进行采样识别,通过对所述存储装置中存储的各类型产品的颜色信息的筛选,可首先排除一部分的产品类型。
在完成初步颜色筛选后,所述对象识别数据处理装置进行下一步的称重计数筛选。首先,对象识别系统通过秤对碳钢T型螺栓进行称重,获取其称重总重W。同时对象识别数据处理装置中的计数模块根据存储装置中各类型产品的质量分布信息,获得各类型产品的称重均值AW
由于质量分布数据仅是统计分析数据,同类型的产品在生产中会与称重均值AW
同时,考虑到由于作为称重设备的秤,其本身在测重中也会存在一定的设备测量误差,因此所述计算模块根据存储装置中,秤的规格参数,获得秤的称重精度误差C,如秤的精度误差C为0.05g,即为±0.05g,从而进一步计算得到由于称重设备本身的称重误差的允许计数误差为:±C/AW
对象识别数据处理装置的判断模块通过计算公式:称重计数N
本实施例计数筛选的技术原理是:在将目标产品和各类型产品逐一比对过程中,以目标产品的称重总重W,结合当前验证产品的重量均值AW
在完成颜色匹配筛选和称重计数的一轮筛选后,如果还有两个或以上类型的对象未被排除,则所述对象识别数据处理装置对筛选后未排除的产品类型再重新进行后一轮的图像信息的识别。此时,由于经过第一轮的筛选后,所剩的产品类型数量较少,因此可选用匹配精度高,运算量大的图像匹配方法。所述对象识别数据处理装置的第二图像匹配模块,通过图像增强识别,在颜色识别中进一步缩小采样点的距离范围进行更精确地匹配,或者计算产品图像中的形状/纹理等信息,并与目标类型产品的形状/纹理等信息进行匹配识别,筛除无法匹配的产品类型。
最后,对象识别系统匹配出唯一的产品类型,完成对产品的识别匹配,并输出产品类型。如果对象识别系统识别出多个产品类型而无法进一步排除,或者没有识别出匹配的产品类型,则输出识别错误信息。
可以理解的是,本实施例中的图像匹配筛选和计数筛选之间的执行顺序也可是先执行计数筛选,然后再由第一图像匹配模块进行颜色筛选,以及第二图像匹配模块进行颜色增强识别的筛选,或者其他图像特征的识别。
实施例3
本实施例的一种对象识别方法,应用于上述实施例1或2的对象识别数据处理装置的执行,以完成对目标对象的筛选识别。如图3所示,所述对象识别方法可以包括:
步骤S101,将目标对象图像的颜色特征与各类型对象的颜色特征进行匹配。
通过摄像头拍摄获取目标对象的图像,或者通过接收操作人员输入的目标对象类型信息,从而获得预存储的目标对象图像后,选择部分图像特征的运算量较小的颜色匹配方式,匹配目标对象图像的颜色特征和存储装置中存储的各类型对象的颜色特征,完成基于颜色的识别筛选。
步骤S102,对目标对象按照各类型对象的质量分布信息逐一称重计数。
如果目标对象的类型由操作人员指定,则分别抓取剩余的各类型对象的若干数量进行称重,获取其称重总重W
如果目标对象的类型未知,则首先通过秤对其进行称重,获取其称重总重W。同时根据存储装置中各类型对象的质量分布信息,获得各类型产品的称重均值AW
步骤S103,计算各类型对象因统计误差而允许的计数误差。
由于质量分布数据仅是统计分析数据,同类型的对象在生产中会与称重均值AW
步骤S104,计算称重误差的允许计数误差。
同样,由于称重设备本身在测重中也会存在一定的设备测量误差,因此根据秤的规格参数,获得秤的称重精度误差C,从而进一步计算得到由于称重设备本身的称重误差的允许计数误差为:±C/AW
这里步骤S103和步骤S104在实施的顺序上,并无绝对的先后关系。
步骤S105,判断所述称重计数数据是否在对应类型对象所允许的计数误差范围内。
通过计算公式:称重计数N
步骤S106,如果还有两个或以上类型的对象未被排除,进行后一轮的图像匹配筛选,直到完成匹配,或者输出识别错误信息。
如果还有两个或以上类型的对象未被排除,则对筛选后未排除的对象类型再重新进行后一轮的图像信息的识别。此时,由于经过第一轮的筛选后,所剩的对象类型数量较少,可选用匹配精度高,运算量大的图像匹配方法。通过图像增强识别,采取更精确的颜色匹配,或者计算对象图像中其他图像特征,如形状/纹理等信息,并与目标对象进行匹配识别,进行筛选。
尽管本发明的设计思想已经通过上述具体实施例的方式予以说明,但是本领域技术人员可以理解的是,更多的变型可基于本发明的教导而被想到,例如将各实施例的特征彼此组合和/或在实施例之间互换各功能单元。因此其均属于本申请的保护范围之内。
可以理解的是,本实施例中步骤S101的图像匹配筛选和步骤S102~S105的计数筛选之间的执行顺序也可是先执行计数筛选,然后再进行颜色筛选,以及后续的颜色增强识别的筛选,或者其他图像特征的识别。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储与一计算机可读介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
虽然本发明已参照当前的多个具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明的,在没有脱离本发明精神的情况下还可做出各种等效的变化或替换。因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
- 运算处理装置、对象识别系统、对象识别方法、汽车、车辆用灯具
- 用于训练用于对象识别设备的机器学习系统的方法、执行方法、对象识别设备及计算机程序