本發(fā)明涉及目標檢測領域，特別是涉及一種基于人工智能的智能倉儲貨架檢測方法及系統(tǒng)。

背景技術：

1、隨著電子商務和物流行業(yè)的快速發(fā)展，倉儲管理面臨著庫存管理、貨物追蹤、空間利用等多重挑戰(zhàn)。傳統(tǒng)的人工管理方式效率低下，容易出錯，無法滿足現(xiàn)代化倉儲的需求。

2、人工智能（ai）技術的進步為倉儲管理提供了新的解決方案。通過機器學習、計算機視覺等技術，可以實現(xiàn)對貨架的自動檢測和管理，提高倉儲效率和準確性。計算機視覺技術可以通過攝像頭實時監(jiān)控貨架狀態(tài)，識別貨物的種類、數(shù)量及位置。這種技術能夠快速處理大量圖像數(shù)據，及時發(fā)現(xiàn)貨架上的缺貨、錯放等問題。

3、申請?zhí)枮?02111389358.4的發(fā)明專利中公開了一種基于孿生神經網絡的智能貨物監(jiān)管方法，包括：獲取待檢測的貨架圖像；待檢測的貨架圖像基于工業(yè)相機拍攝倉儲內每個貨架的圖像；在標準貨架圖像庫中進行檢索，獲取待檢測的貨架圖像對應的標準貨架圖像；標準貨架圖像為貨架處于滿倉狀態(tài)，且貨物陳列符合設定要求；根據待檢測的貨架圖像以及對應的標準貨架圖像，采用訓練好的貨物識別網絡模型確定待檢測的貨架圖像的檢測結果；檢測結果包括：各類貨物的庫存量和所在位置、貨架上的空閑倉位數(shù)量以及貨物是否符合倉儲的擺放要求；根據待檢測的貨架圖像以及對應的標準貨架圖像，采用訓練好的貨物識別網絡模型確定待檢測的貨架圖像的檢測結果的過程為：利用訓練好的貨物識別網絡模型中的resnet50網絡提取待檢測的貨架圖像以及對應的標準貨架圖像的貨物特征；利用訓練好的貨物識別網絡模型中的特征金字塔網絡fpn進行貨物特征的特征融合和分層檢測操作；依次利用訓練好的貨物識別網絡模型中的區(qū)域建議網絡和roipooling層輸出一系列相同尺寸的候選區(qū)域特征圖；將候選區(qū)域特征圖分別輸入兩層全連接層進行特征提取和分類后，再分別輸入回歸支路和分類支路，確定候選區(qū)域特征圖所屬的貨物類別以及在貨架上的位置信息；根據候選區(qū)域特征圖以及相應的位置信息，采用cnet網絡，確定待檢測的貨架圖像中各貨物在貨架上的儲位編碼；儲位編碼用于判斷貨物是否符合倉儲的擺放要求；cnet網絡包括：依次連接的兩個卷積核為1*1的卷積層、一個全連接層和一個損失層；根據候選區(qū)域特征圖所屬的貨物類別以及在貨架上的位置信息確定各類貨物的庫存量以及貨架上的空閑倉位數(shù)量；根據待檢測的貨架圖像中各貨物在貨架上的儲位編碼判斷貨物是否符合倉儲的擺放要求；根據分類損失函數(shù)、回歸損失函數(shù)和聯(lián)合對比損失函數(shù)確定訓練好的貨物識別網絡模型的損失函數(shù)值。

4、上述的基于孿生神經網絡的智能貨物監(jiān)管方法雖然在貨物檢測與監(jiān)管方面具有先進性，但存在針對于環(huán)境變化敏感性的缺陷，即該方法對環(huán)境變化（如光照、遮擋、貨物擺放方式的變化等）較為敏感，導致識別精度下降。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的不足，本發(fā)明的目的是提供一種基于人工智能的智能倉儲貨架檢測方法及系統(tǒng)，有效地降低了環(huán)境變化敏感性的問題，提升了其在實際應用中的識別精度和可靠性。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于人工智能的智能倉儲貨架檢測方法，包括：

4、獲取樣本倉儲貨架圖像和待測倉儲貨架圖像；所述樣本倉儲貨架圖像包含不同光照、不同擺放方式以及不同遮擋面積的目標貨物；

5、對所述樣本倉儲貨架圖像進行圖像濾波和圖像增強，得到第一預處理圖像；

6、對所述第一預處理圖像進行色差平衡，得到第二預處理圖像；

7、將所述第二預處理圖像輸入至初始檢測模型中，得到智能倉儲貨架檢測模型；

8、將所述待測倉儲貨架圖像輸入至所述智能倉儲貨架檢測模型中進行檢測，得到檢測結果。

9、優(yōu)選地，對所述樣本倉儲貨架圖像進行圖像濾波和圖像增強，得到第一預處理圖像，包括：

10、對各個所述樣本倉儲貨架圖像進行濾波處理，得到濾波圖像；

11、構建圖像增強窗口，并利用圖像增強窗口遍歷所述濾波圖像，以進行去噪，得到去噪圖像；

12、對所述去噪圖像進行直方圖均衡化處理，得到所述第一預處理圖像。

13、優(yōu)選地，對各個所述樣本倉儲貨架圖像進行濾波處理，得到濾波圖像，包括：

14、對所述樣本倉儲貨架圖像在多個尺度上進行小波分解，得到對應的小波系數(shù)；

15、根據所述樣本倉儲貨架圖像的大小和分解尺度構建濾波閾值；所述濾波閾值的公式為：；其中，表示在第 j個分解尺度下的濾波閾值，表示在第 j個分解尺度下的噪聲標準差，表示在第 j個分解尺度下的信號長度， j表示分解尺度；

16、利用所述濾波閾值構建圖像濾波模型；所述圖像濾波模型的公式為：；其中， sign為符號函數(shù)， a為第一預設系數(shù)， b為第二預設系數(shù)，表示在第 j個分解尺度下第 k個小波系數(shù)，表示濾波后的小波系數(shù)；

17、利用所述圖像濾波模型對所述樣本倉儲貨架圖像進行濾波，得到所述濾波圖像。

18、優(yōu)選地，構建圖像增強窗口，并利用圖像增強窗口遍歷所述濾波圖像，以進行去噪，得到去噪圖像，包括：

19、利用圖像識別模型檢測所述濾波圖像，得到每個圖像增強窗口下的占比值；

20、當所述圖像增強窗口內的占比值大于預設閾值時，對相應圖像增強窗口內的圖像進行中值去噪，得到中值去噪后的圖像；

21、滑動所述圖像增強窗口，直到遍歷完整個濾波圖像，得到所述去噪圖像。

22、優(yōu)選地，利用圖像識別模型檢測所述濾波圖像，得到每個圖像增強窗口下的占比值，包括：

23、采用公式得到每個圖像增強窗口下的每個像素點的像素差值；其中，表示圖像在（i，j）位置的像素差值，表示圖像在（i，j）位置處的像素值，表示濾波圖像在（i，j）位置處的像素值；

24、將像素差值大于特征閾值的像素點作為特征點并記錄數(shù)量；

25、將所述圖像增強窗口下特征點占所有像素點的比例作為占比值。

26、優(yōu)選地，對所述第一預處理圖像進行色差平衡，得到第二預處理圖像，包括：

27、計算所述第一預處理圖像在rgb三個通道的像素均值；其中，所述像素均值計算公式為：；其中，表示像素均值，表示所述第一預處理圖像在紅色通道的像素均值，表示所述第一預處理圖像在綠色通道的像素均值，表示所述第一預處理圖像在藍色通道的像素均值；

28、根據所述像素均值計算每個顏色通道的平衡系數(shù)；

29、利用所述平衡系數(shù)對所述第一預處理圖像進行色差平衡，得到所述第二預處理圖像。

30、優(yōu)選地，所述平衡系數(shù)的計算公式為：其中，表示紅色通道的平衡系數(shù)，表示綠色通道的平衡系數(shù)，表示藍色通道的平衡系數(shù)，表示紅色通道在平衡后的像素值，表示綠色通道在平衡后的像素值，表示藍色通道在平衡后的像素值，表示第一預處理圖像在紅色通道的像素值，表示第一預處理圖像在綠色通道的像素值，表示第一預處理圖像在藍色通道的像素值。

31、優(yōu)選地，所述初始檢測模型包括依次連接的輸入網絡、骨干網絡、頸部網絡和檢測頭；所述輸入網絡用于對輸入的圖像進行數(shù)據增強和圖像預處理操作，得到標準圖像；所述骨干網絡用于基于elan模型和mp模型，對所述標準圖像進行圖像特征提取，得到特征圖；所述頸部網絡用于對所述特征圖進行特征融合和加強，得到融合圖；所述檢測頭用于根據所述融合圖進行特征檢測。

32、優(yōu)選地，所述骨干網絡的主干網絡為mobilenetv3網絡。

33、一種基于人工智能的智能倉儲貨架檢測系統(tǒng)，包括：

34、圖像獲取模塊，用于獲取樣本倉儲貨架圖像和待測倉儲貨架圖像；所述樣本倉儲貨架圖像包含不同光照、不同擺放方式以及不同遮擋面積的目標貨物；

35、第一預處理模塊，用于對所述樣本倉儲貨架圖像進行圖像濾波和圖像增強，得到第一預處理圖像；

36、第二預處理模塊，用于對所述第一預處理圖像進行色差平衡，得到第二預處理圖像；

37、模型訓練模塊，用于將所述第二預處理圖像輸入至初始檢測模型中進行訓練，得到智能倉儲貨架檢測模型；

38、檢測模塊，用于將所述待測倉儲貨架圖像輸入至所述智能倉儲貨架檢測模型中進行檢測，得到檢測結果。

39、根據本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術效果：

40、本發(fā)明提供了一種基于人工智能的智能倉儲貨架檢測方法及系統(tǒng)，方法包括：獲取樣本倉儲貨架圖像和待測倉儲貨架圖像；所述樣本倉儲貨架圖像包含不同光照、不同擺放方式以及不同遮擋面積的目標貨物；對所述樣本倉儲貨架圖像進行圖像濾波和圖像增強，得到第一預處理圖像；對所述第一預處理圖像進行色差平衡，得到第二預處理圖像；將所述第二預處理圖像輸入至初始檢測模型中，得到智能倉儲貨架檢測模型；將所述待測倉儲貨架圖像輸入至所述智能倉儲貨架檢測模型中進行檢測，得到檢測結果。本發(fā)明有效地降低了環(huán)境變化敏感性的問題，依托于質量較高的預處理數(shù)據及多樣化的訓練樣本，模型能更穩(wěn)健地應對不同光照、遮擋及擺放方式，提升了其在實際應用中的識別精度和可靠性。