【技術實現步驟摘要】
本專利技術涉及煙草領域，具體涉及一種基于yolov5算法的滿垛卷煙數量統計方法。
技術介紹
1、隨著現代制造業和物流行業的發展，煙草行業的倉庫管理也面臨著日益復雜的挑戰。倉庫盤點作為煙草供應鏈管理中的關鍵環節，直接影響到庫存的準確性和物流的效率。在傳統的倉庫管理中，卷煙數量的盤點通常依賴于人工操作，盤點人員需要通過登高、逐層計數的方式對每個托盤上的卷煙進行統計。這種方式不僅耗時耗力，還容易出現人為錯誤，特別是在面對大規模庫存時，盤點工作的復雜性和難度進一步增加。
2、在人工盤點過程中，常見的挑戰包括：首先，人工操作的效率較低，盤點一批貨物可能需要耗費大量時間，特別是在大規模倉庫中，單次盤點工作可能會持續數天。其次，人工盤點的精確度難以保證，由于人眼識別和記憶的局限性，尤其是在視覺疲勞或操作失誤時，容易導致計數錯誤。此外，盤點工作還存在一定的安全風險，尤其是在高處進行操作時，登高作業可能導致人員意外受傷。
3、為了應對這些問題，近年來，研究人員和企業開始探索通過自動化和智能化技術來替代傳統的人工盤點方式。例如，基于條碼掃描的庫存管理系統已經在部分領域得到應用，這種系統通過在每件貨物上貼附條碼，并使用條碼掃描器進行盤點，可以在一定程度上提高盤點的效率和準確性。然而，條碼掃描系統也存在一定的局限性，例如需要逐件掃描，無法一次性獲取整批貨物的數量信息，而且在標簽損壞或位置不準確時，系統的性能會受到影響。
4、隨著計算機視覺技術的迅速發展，基于圖像識別的倉庫盤點系統成為了新的研究熱點。傳統的圖像處理技術
技術實現思路
1、為解決上述技術問題，本專利技術提供一種基于yolov5算法的滿垛卷煙數量統計方法。
2、本專利技術是通過以下技術方案實現的：
3、一種基于yolov5算法的滿垛卷煙數量統計方法，包括以下步驟：
4、圖像采集：采用攝像設備在預設時間間隔內，從不同視角對某一庫位托盤上的滿垛卷煙進行圖像采集，獲得包括正視圖和俯視圖的圖像數據；
5、圖像預處理：對采集到的圖像數據進行預處理，包括圖像裁剪、亮度調整、幾何變換的操作，以增強圖像的特征信息，提高后續檢測的準確性；
6、圖像特征提取：基于yolov5深度學習模型，從預處理后的圖像中提取與卷煙件數相關的特征信息，包括堆垛層數特征和單層卷煙件數特征；
7、數量檢測：通過對正視圖進行分析，檢測托盤上卷煙的堆垛層數；通過對俯視圖的分析，檢測單層卷煙的件數；
8、卷煙數量計算：將檢測到的堆垛層數與單層件數進行乘積運算，計算出每個托盤上卷煙的總件數；
9、數據存儲與比對：自動將計算得到的卷煙總件數與該庫位信息關聯并保存。
10、該方法利用yolov5算法對滿垛卷煙的圖像進行數量統計，主要通過圖像采集、預處理、特征提取、數量檢測等步驟，確保在不同視角下準確檢測托盤上卷煙的層數和單層件數。yolov5是一種廣泛應用于目標檢測領域的深度學習模型，具備較強的特征提取能力和實時檢測能力，適用于復雜場景下的多目標檢測任務。在該方法中，正視圖和俯視圖的結合使得檢測的準確性大大提高，特別是通過預處理步驟，進一步增強了圖像中的特征信息，確保了檢測的魯棒性和精度。
11、優選地，所述yolov5深度學習模型為經過訓練的目標檢測算法模型，圖像特征提取和數量檢測包括以下步驟：
12、圖像輸入：將預處理后的正視圖和俯視圖圖像數據輸入訓練好的yolov5模型；
13、卷煙檢測：模型在輸入圖像中進行目標檢測，識別出卷煙的邊界框，并返回這些邊界框的坐標、置信度和類別標簽；
14、堆垛層數特征：對于正視圖，模型根據檢測到的卷煙邊界框的縱向分布來計算卷煙的堆垛層數；每一層的卷煙被標注為一個獨立的目標，最終層數由檢測出的目標數量決定；
15、單層卷煙件數特征：對于俯視圖，模型檢測并計數每一層的卷煙件數；這些卷煙目標位于同一水平面上，因此通過橫向的分布計算出單層卷煙的總件數；
16、坐標與標簽：模型輸出每個卷煙目標的邊界框坐標及其卷煙層數或件數的分類標簽；
17、特征匯總：將坐標與標簽的特征數據匯總，得到托盤上卷煙的堆垛層數與單層件數，并輸入到下一步的卷煙數量計算模塊中，用于計算。
18、yolov5算法經過預訓練后，能夠對輸入的圖像數據進行高效的目標檢測。通過該算法，系統能夠從正視圖中檢測出堆垛層數，并從俯視圖中檢測單層卷煙件數。這種基于邊界框的檢測方法，不僅能夠識別每一件卷煙的位置，還可以返回與之關聯的置信度和類別標簽，為后續的數量計算提供可靠的數據基礎。訓練過程中，模型通過不斷調整參數，逐步優化檢測精度，確保最終的輸出結果能夠滿足工業級別的精確度要求。
19、優選地，所述圖像采集前，設置有環境條件監測步驟，利用光線傳感器實時監測圖像采集區域的光照強度，如果光線過強或過弱，系統自動調整攝像頭的曝光參數或提示用戶調整光源位置；
20、所述圖像采集，包括以下步驟：
21、攝像設備設置：安裝攝像設備在卷煙托盤的正視和俯視位置，以確保圖像覆蓋整個托盤區域；
22、圖像采集執行：在預設時間間隔內，攝像設備自動拍攝托盤的正視圖和俯視圖圖像數據，確保獲取的圖像具有良好的光照條件和清晰度；所述圖像數據為視頻流或單張圖片。
23、在圖像采集前通過環境條件監測步驟，確保了圖像采集過程中的光照條件穩定，從而保證了圖像的清晰度和一致性。攝像設備的合理設置和時間間隔的自動采集，確保了圖像數據的完整性和質量。在實際應用中，光照強度對圖像的影響至關重要，通過實時監測和自動調整曝光參數，系統能夠適應各種環境條件下的工作需求，進一步提高了圖像采集的可靠性。
24、優選地，所述圖像預處理包括以下步驟：
25、圖像裁剪：根據托盤區域，對采集到的圖像進行裁剪，去除無關背景，以減少干擾；
26、亮度調整：通過調整圖像的亮度和對比度，增強圖像的細節表現，特別是卷煙邊緣的清晰度；
27、幾何變換：對圖像進行必要的旋轉、縮放和畸變校正，以確保卷煙在圖像中的呈現符合實際布局；
28、分割算法應用：使用圖像分割算法對預處理后的圖像進行分割，將卷煙區域與背景區域分離，以便更精準地進行后續特征提取和數量檢測；
29、分割優化：對分割結果進行分析和優化，確保卷煙區域完整、無誤地被分割出來。
30、圖像預處理是確保后續特征提取和數量檢測精度的關鍵步驟。通過裁剪去除無關背景、亮度調整以增強卷煙邊緣的清晰度，以及幾何變換確保圖像與本文檔來自技高網...
【技術保護點】
1.一種基于YOLOv5算法的滿垛卷煙數量統計方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于YOLOv5算法的滿垛卷煙數量統計方法，其特征在于：所述YOLOv5深度學習模型為經過訓練的目標檢測算法模型，圖像特征提取和數量檢測包括以下步驟：
3.如權利要求1所述的基于YOLOv5算法的滿垛卷煙數量統計方法，其特征在于：所述圖像采集前，設置有環境條件監測步驟，利用光線傳感器實時監測圖像采集區域的光照強度，如果光線過強或過弱，系統自動調整攝像頭的曝光參數或提示用戶調整光源位置；
4.如權利要求1所述的基于YOLOv5算法的滿垛卷煙數量統計方法，其特征在于：所述圖像預處理包括以下步驟：
5.如權利要求2所述的基于YOLOv5算法的滿垛卷煙數量統計方法，其特征在于：所述堆垛層數特征和單層卷煙件數特征識別后，設置有智能異常檢測過程，具體包括以下步驟：
6.如權利要求2所述的基于YOLOv5算法的滿垛卷煙數量統計方法，其特征在于：所述YOLOv5深度學習模型的訓練步驟如下：
7.一種根據權利要求1-6任一項的
8.如權利要求7所述的基于YOLOv5算法的滿垛卷煙數量盤點方法，其特征在于：所述數據存儲與比對前，對統計出的滿垛卷煙數量進行智能異常檢測，自動識別可能存在的異常，如出現數量波動較大的結果，生成警告信息，提示需要進一步核查。
9.如權利要求7所述的基于YOLOv5算法的滿垛卷煙數量盤點方法，其特征在于：所述結果可視化與報告生成，包括以下步驟：
...【技術特征摘要】
1.一種基于yolov5算法的滿垛卷煙數量統計方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于yolov5算法的滿垛卷煙數量統計方法，其特征在于：所述yolov5深度學習模型為經過訓練的目標檢測算法模型，圖像特征提取和數量檢測包括以下步驟：
3.如權利要求1所述的基于yolov5算法的滿垛卷煙數量統計方法，其特征在于：所述圖像采集前，設置有環境條件監測步驟，利用光線傳感器實時監測圖像采集區域的光照強度，如果光線過強或過弱，系統自動調整攝像頭的曝光參數或提示用戶調整光源位置；
4.如權利要求1所述的基于yolov5算法的滿垛卷煙數量統計方法，其特征在于：所述圖像預處理包括以下步驟：
5.如權利要求2所述的基于yolov5算法的滿垛卷煙數量統計方法，其特...
【專利技術屬性】
技術研發人員：楊濤，高凱，張倏恒，梁勇，
申請(專利權)人：寧夏回族自治區煙草公司銀川市公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。