[发明专利]一种仓储钢卷喷码检测方法、终端设备及存储介质

说明书

本发明涉及一种仓储钢卷喷码检测方法、终端设备及存储介质，该方法中包括：采集进出原材料仓库的货车图像，并对其中的钢卷位置和钢卷数量进行标注，基于标注后的货车图像构建第一训练集；构建钢卷目标检测模型，通过第一训练集对模型进行训练；采集包含钢卷喷码编号的钢卷图像，并对其中的钢卷喷码编号对应的轮廓进行多点标注，同时对钢卷喷码编号的内容进行标注，基于标注后的钢卷图像构建第二训练集；构建钢卷喷码编号识别模型，通过第二训练集对模型进行训练；基于训练后的钢卷目标检测模型和钢卷喷码编号识别模型对货车所载钢卷的钢卷喷码编号进行识别。本发明实现人工智能检测钢卷数量以及钢卷表面喷码识别等功能。

技术领域

本发明涉及人工智能OCR检测领域，尤其涉及一种仓储钢卷喷码检测方法、终端设备及存储介质。

背景技术

虽然现如今社会已经进入互联网时代，移动互联网推动着企业进步发展，但至今仍有很多制造企业依旧遵循着传统的业务流程，尤其是仓库管理员方面。例如，在钢卷材料仓库中管理员依然每天手写单据，记录入库、出库、盘点、调拨等作业数据。

在日常入库过程中，需要验收员拿着清单对着钢卷表面的编号进行一一清点，然后手写单据，再交由仓管员进行签字，最后入库上架。整个过程操作较为繁琐，有时候仓管员不在办公室，无法做到及时审核，容易出现不必要的失误。其次，上架流程大多是看到哪里有空缺的地方就放在哪里，仓库的有效使用率低，不清楚库位上的钢卷编号是多少。当钢卷出库时，不易定位查找，在寻找货物时间上会造成不必要的浪费。因此，上述仓库管理员的工作方式会造成巨大的人工成本，而且大多数的人工操作主要依靠仓库人员的肉眼观测，存在一定的随意性，也有可能出现因为人工疏忽而造成不必要的数据错误，加班加点的情况。另外，有时候人工会介入危险系数较大的作业中，可能对仓库管理人员的人身安全造成一定的危害。

发明内容

为了解决上述问题，本发明提出了一种仓储钢卷喷码检测方法、终端设备及存储介质。

具体方案如下：

一种仓储钢卷喷码检测方法，包括以下步骤：

S1：采集一段时间内进出原材料仓库的货车图像，其中，货车图像中包含货车所载的所有钢卷的钢卷喷码编号；对货车图像中的钢卷位置和钢卷数量进行标注，基于标注后的货车图像构建第一训练集；

S2：构建基于YOLOv5网络的钢卷目标检测模型，将货车图像作为模型的输入，将货车图像中包含的钢卷的位置和钢卷数量作为模型的输出，通过第一训练集对模型进行训练；

S3：采集包含钢卷喷码编号的钢卷图像，并对其中的钢卷喷码编号对应的轮廓进行多点标注，使标注框中包含的钢卷喷码编号之外的背景图片最少，同时对钢卷喷码编号的内容进行标注，基于标注后的钢卷图像构建第二训练集；

S4：构建基于深度学习的钢卷喷码编号识别模型，将钢卷图像作为钢卷喷码编号识别模型的输入，将钢卷喷码编号的内容作为钢卷喷码编号识别模型的输出，通过第二训练集对模型进行训练；

S5：将采集的货车图像输入训练后的钢卷目标检测模型后得到货车所载的钢卷的钢卷位置和钢卷数量，将得到的钢卷位置对应图像输入训练后的钢卷喷码编号识别模型得到钢卷对应的钢卷喷码编号的内容。

进一步的，货车图像通过安装于钢卷原材料仓库门口两侧的两台红外摄像机进行采集。

进一步的，步骤S1还包括将采集的货车图像统一缩放至同一尺寸。

进一步的，钢卷目标检测模型的网络结构包括输入端、Backbone、Neck、Prediction四部分；输入端采用Mosaic数据增强，即从训练集中随机选取四张图片进行随机缩放，之后再随机分布后拼接为一张图片；钢卷目标检测模型的Backbone部分加入了Focus结构；钢卷目标检测模型的Neck部分，将高层的特征信息通过上采样的方式进行传递融合，得到预测的特征图。