物料盘点及其模型训练方法、系统、电子设备、存储介质与流程

本公开涉及一种物料盘点及其模型训练方法、系统、电子设备、存储介质。

背景技术：

1、对于小尺寸物料的人工盘点工作，以钻头刀具为例，其工作流程繁琐、重复性高，需耗费大量人力与时间。现有技术中，为提升人工盘点速度，行业内采用正三角形状的刀具容器盛放钻头刀具，其计数逻辑基于容器内刀具的堆叠特性：容器中刀具的柄部冲外紧密堆叠，在正三角形容器内会按行形成差值为1的等差数列。盘点时，工人需先将容器内的刀具整理为紧密摆放状态，确保刀具无空洞且最上层刀具处于同一平面，随后清点最上层刀具的数量n，再通过公式n(n+1)/2估算容器内的刀具总数。

2、上述三角形容器结合人工计数的方式，虽在一定程度上提高了人工计数效率，但仍存在诸多突出问题，具体如下：其一、正三角形容器的结构特性导致其在运输、摆放过程中会浪费半数以上的空间，显著增加了刀具的运输成本；其二、人工计数方式对刀具摆放要求严苛，需保证刀具紧密摆放、无空洞且最上层刀具保持平整，尤其在小尺寸刀具盘点时，该整理环节需耗费大量时间；其三、计数误差较大：人工清点最上层刀具数量n时，极小的计数偏差会通过计算公式放大，导致容器内刀具总数的估算结果出现巨大误差。

3、目前，行业内尝试使用ai视觉检测技术来辅助人工进行盘点工作，但现有的视觉检测技术多针对钢筋这类图形占比大，总体数量少的物件。对于钻头刀具这类在图像中占有极少像素的小尺寸物料，现有视觉检测技术易破坏原始图像的特征信息，无法实现精准检测。此外，现有ai视觉检测技术未充分考虑复杂工业环境干扰，容器、光照等因素均会显著降低检测精度。

技术实现思路

1、本公开要解决的技术问题是为了克服现有技术中的上述缺陷，提供一种物料盘点及其模型训练方法、系统、电子设备、存储介质。

2、本公开是通过下述技术方案来解决上述技术问题：

3、第一方面，提供一种物料盘点模型的训练方法，包括：

4、获取携带盘点标注结果的第一物料图像样本；所述第一物料图像样本中每一待盘点物料区域的面积与所述图像的面积的比值小于比例阈值；

5、将所述第一物料图像样本输入物料盘点模型，以得到盘点预测结果；

6、所述盘点模型包括：特征提取网络、金字塔网络和多尺度检测头；所述特征提取网络包括级联的高维特征提取层和局部细节增强层；所述高维特征提取层用于从所述第一物料图像样本中提取语义级高维特征；所述局部细节增强层用于强化所述语义级高维特征中的局部细节特征；所述金字塔网络用于对所述特征提取网络输出的特征进行融合，构建不同分辨率的特征图；所述多尺度检测头用于根据所述不同分辨率的特征图输出所述盘点预测结果；

7、根据所述盘点标注结果与所述盘点预测结果的损失误差对所述物料盘点模型的模型参数进行调节，直至满足迭代停止条件。

8、可选地，将所述第一物料图像样本输入物料盘点模型，包括：

9、分别采用第一采样密度、第二采样密度、第三采样密度，对所述第一物料图像样本中的物料中心区域、物料棱角区域、物料边缘区域进行采样，得到对应的感兴趣区域；

10、将所述感兴趣区域输入所述物料盘点模型。

11、可选地，将所述第一物料图像样本输入物料盘点模型，包括：

12、将所述第一物料图像样本输入图像分割模型，得到感兴趣区域；所述图像分割模型采用标注有物料标注区域的第二物料图像样本对神经网络训练得到；

13、将所述感兴趣区域输入所述物料盘点模型。

14、可选地，所述金字塔网络包括第一检测层、第二检测层和第三检测层；

15、所述第一检测层用于构建第一分辨率的特征图，所述第一分辨率的特征图的尺寸为所述第一物料图像样本的1/4；

16、所述第二检测层用于构建第二分辨率的特征图，所述第一分辨率的特征图的尺寸为所述第一物料图像样本的1/8；

17、所述第三检测层用于构建第三分辨率的特征图，所述第三分辨率的特征图的尺寸为所述第一物料图像样本的1/16。

18、可选地，将所述第一物料图像样本输入物料盘点模型之前，还包括：

19、将所述第一物料图像样本的各像素值减去所述第一物料图像样本所有像素的均值；

20、和/或，将所述第一物料图像样本的各像素值除以所述第一物料图像样本所有像素的标准差；

21、和/或，调整所述第一物料图像样本的亮度至目标亮度；

22、和/或，调整所述第一物料图像样本的对比度至目标对比度。

23、第二方面，提供一种物料盘点方法，包括：

24、获取待盘点物料的图像；所述图像中每一待盘点物料区域的面积与所述图像的面积的比值小于比例阈值；

25、将所述待盘点物料图像输入物料盘点模型，以得到盘点结果；所述物料盘点模型根据第一方面中任一项所述的物料盘点模型的训练方法得到。

26、第三方面，提供一种物料盘点模型的训练系统，包括：

27、第一获取模块，用于获取携带盘点标注结果的第一物料图像样本；所述第一物料图像样本中每一待盘点物料区域的面积与所述图像的面积的比值小于比例阈值；

28、训练模块，用于将所述第一物料图像样本输入物料盘点模型，以得到盘点预测结果；

29、所述盘点模型包括：特征提取网络、金字塔网络和多尺度检测头；所述特征提取网络包括级联的高维特征提取层和局部细节增强层；所述高维特征提取层用于从所述第一物料图像样本中提取语义级高维特征；所述局部细节增强层用于强化所述语义级高维特征中的局部细节特征；所述金字塔网络用于对所述特征提取网络输出的特征进行融合，构建不同分辨率的特征图；所述多尺度检测头用于根据所述不同分辨率的特征图输出所述盘点预测结果；

30、所述训练模块，还用于根据所述盘点标注结果与所述盘点预测结果的损失误差对所述物料盘点模型的模型参数进行调节，直至满足迭代停止条件。

31、第四方面，提供一种物料盘点系统，包括：

32、第二获取模块，用于获取待盘点物料的图像；所述图像中每一待盘点物料区域的面积与所述图像的面积的比值小于比例阈值；

33、盘点模块，用于将所述待盘点物料图像输入物料盘点模型，以得到盘点结果；所述物料盘点模型根据第一方面 中任一项所述的物料盘点模型的训练方法得到。

34、第五方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行所述计算机程序时上述任一项所述的方法。

35、第六方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。

36、在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本公开各较佳实例。

37、本公开的积极进步效果在于：本公开通过高维特征提取层、局部细节增强层、金字塔网络和多尺度检测头的协同作用，使得模型具有保留多尺度高分辨率特征、局部细节增强的能力，最终实现工业场景下小尺寸物料盘点的高精度、高鲁棒性识别与计数，显著提升盘点效率与准确性。