一种称重状态的确定方法、装置以及设备与流程

1.本技术涉及物流领域，具体涉及一种称重状态的确定方法、装置以及设备。


背景技术：

2.物流运输作业中，在优化运输效率的背景下，物流件的运输环节以及分拣环节为两大具有较大优化空间的作业环节。
3.较新的分拣设备，具有一对一扫码、称重的能力，以便核对物流件本身是否与贴在物流件上的物流单的信息相符。
4.而在现有的相关技术的研究过程中，发明人发现，现有的分拣设备，时常出现称重异常的情况，影响了分拣作业的自动化分拣效率。


技术实现要素：

5.本技术提供了一种称重状态的确定方法、装置以及设备，用于从图像层面更为直观、准确地来判断待称重物流件的称重状态是否正常，可根据该称重状态判断结果进行准确的应对处理，保证了自动化分拣作业的稳定性以及分拣效率。
6.第一方面，本技术提供了一种称重状态的确定方法，方法包括：
7.获取目标图像，其中，目标图像为拍摄对待称重物流件进行称重的称重设备得到的图像；
8.在目标图像中进行物流件识别，得到物流件识别结果；
9.根据物流件识别结果以及预设的物流件异常称重状态条件，确定待称重物流件的称重状态是否正常。
10.结合本技术第一方面，在本技术第一方面第一种可能的实现方式中，在目标图像中识别待称重物流件，得到物流件识别结果包括：
11.根据预设的物流件图像特征，在目标图像中进行物流件识别，得到识别出的第一物流件；
12.根据称重设备的称重区域的边界，从第一物流件中筛选出处于边界内的第二物流件；
13.将第二物流件的数量确认为物流件识别结果中的物流件数量。
14.结合本技术第一方面第一种可能的实现方式，在本技术第一方面第二种可能的实现方式中，根据称重设备的称重区域的边界，从第一物流件中筛选出处于边界内的第二物流件包括：
15.提取第一物流件中的物流件分别对应的检测框边界；
16.提取称重区域的边界的第一边界线以及第二边界线，其中，称重设备为动态称重设备，称重区域包括位于传送带的区域，第一边界线以及第二边界线为位于传送带在传送方向上的前后两个位置设置的边界线，第一边界线以及第二边界线分别对应称重区域的区域边界；
17.从第一物流件中，将检测框边界处于第一边界线以及第二边界线之间范围内的物流件确定为第二物流件。
18.结合本技术第一方面，在本技术第一方面第三种可能的实现方式中，物流件异常称重状态条件具体为：
19.若物流件识别结果中的物流件数量大于1，则确定称重状态为异常称重状态；
20.若物流件识别结果中的物流件数量等于1，则确定称重状态为正常称重状态。
21.结合本技术第一方面第三种可能的实现方式，在本技术第一方面第四种可能的实现方式中，物流件异常称重状态条件具体为：
22.若物流件识别结果中的物流件数量大于1，且物流件识别结果中的置信度大于置信度阈值，则确定称重状态为异常称重状态。
23.结合本技术第一方面，在本技术第一方面第五种可能的实现方式中，若称重状态确定为异常称重状态，则方法还包括：
24.输出提示信息，其中，提示信息用于向用户提示存在异常称重状态，或者，提示信息用于触发分拣设备对称重设备上的物流件重新执行分拣处理。
25.第二方面，本技术提供了一种称重状态的确定装置，装置包括：
26.获取单元，用于获取目标图像，其中，目标图像为拍摄对待称重物流件进行称重的称重设备得到的图像；
27.识别单元，用于在目标图像中进行物流件识别，得到物流件识别结果；
28.确定单元，用于根据物流件识别结果以及预设的物流件异常称重状态条件，确定待称重物流件的称重状态是否正常。
29.结合本技术第二方面，在本技术第二方面第一种可能的实现方式中，识别单元，具体用于：
30.根据预设的物流件图像特征，在目标图像中进行物流件识别，得到识别出的第一物流件；
31.根据称重设备的称重区域的边界，从第一物流件中筛选出处于边界内的第二物流件；
32.将第二物流件的数量确认为物流件识别结果中的物流件数量。
33.结合本技术第二方面第一种可能的实现方式，在本技术第二方面第二种可能的实现方式中，识别单元，具体用于：
34.提取第一物流件中的物流件分别对应的检测框边界；
35.提取称重区域的边界的第一边界线以及第二边界线，其中，称重设备为动态称重设备，称重区域包括位于传送带的区域，第一边界线以及第二边界线为位于传送带在传送方向上的前后两个位置设置的边界线，第一边界线以及第二边界线分别对应称重区域的区域边界；
36.从第一物流件中，将检测框边界处于第一边界线以及第二边界线之间范围内的物流件确定为第二物流件。
37.结合本技术第二方面，在本技术第二方面第三种可能的实现方式中，物流件异常称重状态条件具体为：
38.若物流件识别结果中的物流件数量大于1，则确定称重状态为异常称重状态；
39.若物流件识别结果中的物流件数量等于1，则确定称重状态为正常称重状态。
40.结合本技术第二方面第三种可能的实现方式，在本技术第二方面第四种可能的实现方式中，物流件异常称重状态条件具体为：
41.若物流件识别结果中的物流件数量大于1，且物流件识别结果中的置信度大于置信度阈值，则确定称重状态为异常称重状态。
42.结合本技术第二方面，在本技术第二方面第五种可能的实现方式中，装置还包括输出单元，用于：
43.若称重状态确定为异常称重状态，则输出提示信息，其中，提示信息用于向用户提示存在异常称重状态，或者，提示信息用于触发分拣设备对称重设备上的物流件重新执行分拣处理。
44.第三方面，本技术还提供了一种称重状态的确定设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本技术第一方面提供的方法中的步骤。
45.第四方面，本技术提供了一种称重系统，包括分拣设备以及本技术第三方面提供的称重状态的确定设备。
46.第五方面，本技术还提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本技术第一方面提供的方法中的步骤。
47.从以上内容可得出，本技术具有以下的有益效果：
48.在物流作业过程中，本技术通过引入图像识别方案，在称重设备对待称重物流件进行称重时，拍摄称重设备得到目标图像后，对该目标图像进行物流件识别，得到物流件识别结果，再结合该物流件识别结果以及预设的物流件异常称重状态条件，来确定待称重物流件的称重状态是否正常，相比于现有技术中通过比对条形码扫描出的重量数据以及称重得到的重量数据是否相符来确定称重状态是否正常，本技术由于结合了图像识别，可从图像层面更为直观、准确地来判断待称重物流件的称重状态是否正常，尤其是当称重设备的上游环节出现物流件出现分拣异常、两件以上的物流件传输至称重设备时，可第一时间检测到该异常情况，从而进一步保证了自动化分拣作业的稳定性以及分拣效率。
附图说明
49.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1为本技术称重状态的确定方法的一种流程示意图；
51.图2为本技术识别物流件的一种流程示意图；
52.图3为本技术筛选第二物流件的一种流程示意图；
53.图4为本技术筛选第二物流件的又一种流程示意图；
54.图5为本技术的一种场景示意图；
55.图6为本技术yolov3模型的一种网络结构示意图；
56.图7为本技术的预测框筛选算法的一种算法示意图；
57.图8为本技术称重状态的确定装置的一种结构示意图；
58.图9为本技术称重状态的确定设备的一种结构示意图。
具体实施方式
59.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
60.在以下的说明中，本技术的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本技术原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
61.本技术的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本技术的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。
62.本技术中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。
63.首先，在介绍本技术之前，先介绍下本技术关于应用背景的相关内容。
64.本技术提供的称重状态的确定方法、装置以及计算机可读存储介质，可应用于称重状态的确定设备上，用于从图像层面更为直观、准确地来判断待称重物流件的称重状态是否正常，从而可根据该称重状态判断结果进行准确的应对处理，保证了自动化分拣作业的稳定性以及分拣效率。
65.本技术提及的称重状态的确定方法，其执行主体可以为称重状态的确定装置，或者集成了该装置的服务器设备、物理主机或者用户设备(user equipment，ue)等不同类型的称重状态的确定设备，其中，称重状态的确定装置可以采用硬件或者软件的方式实现，ue具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(personal digital assistant，pda)等终端设备。其中，称重状态的确定设备还可分为多个设备并共同执行本技术提供的方法。
66.在现有的相关技术中，自动分拣作业中的称重环节，可当红外感应装置等感应装置感应到分拣流水线上有物流件通过时，触发称重处理，并通过扫描方式，扫描物流件上的物流单，该物流单会标识有物流件的重量，此时将扫描出的物流件标识的重量与称重设备称得的重量进行比对，若一致，则可确定物流单标识的重量是正常、有效的，而若不一致，则可确定物流单标识的重量是异常、无效的，需要人工检查，或者回流再次进行分拣。
67.而在实际的自动化分拣作业的过程中，称重环节的上游，还配置了其他的工作环
节，例如初始分拣环节、运输环节等等，若是上游环节出现物流件堆积、分拣异常、运输异常等异常情况，则有可能发生同一检测时间内两个以上的物流件出现在称重环节的情况，该情况下，扫描到的一个物流单上的重量，必然不匹配两个以上的物流件的重量。
68.以a、b物流件在同一检测时间内出现在称重设备为例，此时扫描到a物流件上的物流单得到标识的5kg重量，同时，a物流件的实际重量也是为5kg重量，b物流件的实际重量为3kg重量，容易看出，尽管a物流件上物流单标识的5kg重量符合其实际重量(a物流件上物流单标识的重量是正常、有效的)，但是由于称重设备称得的a、b两物流件的重量(共8kg)，两者并不相符，此时若报错，进行人工检查，或者回流再次分拣，显然，影响了自动化分拣作业的分拣效率。
69.基于现有的相关技术存在的上述缺陷，本技术提供了称重状态的确定方法，至少在一定程度上克服现有的相关技术所存在的缺陷。
70.其中，在本技术中，物流件具体可以为快递件，自动化分拣作业自然是对快递件进行的自动化分拣。
71.下面，开始介绍本技术提供的称重状态的确定方法。
72.首先，参阅图1，图1示出了本技术中称重状态的确定方法的一种流程示意图，如图1示出的，本技术提供的称重状态的确定方法，具体可包括如下步骤：
73.步骤s101，获取目标图像，其中，目标图像为拍摄对待称重物流件进行称重的称重设备得到的图像；
74.步骤s102，在目标图像中进行物流件识别，得到物流件识别结果；
75.步骤s103，根据物流件识别结果以及预设的物流件异常称重状态条件，确定待称重物流件的称重状态是否正常。
76.从上述方案中可得出，在物流作业过程中，本技术通过引入图像识别方案，在称重设备对待称重物流件进行称重时，拍摄称重设备得到目标图像后，对该目标图像进行物流件识别，得到物流件识别结果，再结合该物流件识别结果以及预设的物流件异常称重状态条件，来确定待称重物流件的称重状态是否正常，相比于现有技术中通过比对条形码扫描出的重量数据以及称重得到的重量数据是否相符来确定称重状态是否正常，本技术由于结合了图像识别，可从图像层面更为直观、准确地来判断待称重物流件的称重状态是否正常，尤其是当称重设备的上游环节出现物流件出现分拣异常、两件以上的物流件传输至称重设备时，可第一时间检测到该异常情况，进行准确的应对处理，进一步保证了自动化分拣作业的稳定性以及分拣效率。
77.下面，具体介绍上述图1所示称重状态的确定方法的各步骤。
78.在本技术中，称重设备，为物流公司在自动化分拣作业中配置的设备，用于给自动化分拣流水线上的物流件进行称重，以核对物流件的标识重量和实际重量是否相符。
79.示例性的，该称重设备可以为动态称重设备，动态称重设备具体包括可运输物流件的传送带，如此，设备的称重区域可整体位于或者部分位于该传送带的区域，当设备在运输物流件的同时，还可对物流件进行称重，也就是说，可对处于运输状态的物流件实现动态称重的作用。例如，该称重设备具体可以为动态称重系统(dynamic weighing system，dws)，也就是俗称的dws动态称。
80.称重设备可配置于自动化分拣流水线中，对经过或者放置的物流件进行称重。在
称重时，物流件置于称重设备的称重台、称重面或者称重区域，称重设备通过传感器感应物流件的重量并转化为数据形式的重量数据。
81.在本技术中，称重设备本身可以包括摄像装置，从而可在对物流件进行称重的同时，拍摄当前的称重场景；又或者，可为称重设备配置摄像装置，在摄像装置、称重设备或者其他设备的触发下，监测称重设备是否在进行称重，当在对物流件进行称重时，拍摄当前的称重场景；又或者，摄像装置也可通过视频监控的方式，在摄像装置、称重设备或者其他设备的触发下，实时监控称重设备的称重场景。
82.拍摄对待称重物流件进行称重的称重设备得到的图像，则可作为目标图像，根据该目标图像进行称重状态是否正常的判断处理。
83.其中，这些图像，可实时发送到本技术提供的称重状态的确定设备，称重状态的确定设备接收到这些图像后，可实时触发进行判断处理，或者根据人工触发、定时触发等触发机制的触发进行判断处理；又或者，也可当本技术提供的称重状态的确定设备触发本技术提供的称重状态的确定方法后，从存储有这些图像的设备进行图像的调取，并进行相应的判断处理；又或者，称重状态的确定设备也可包括摄像装置，例如上述配置有摄像装置的称重设备、配置有摄像装置的处理设备等，当拍摄到这些图像时，即可实时触发进行判断处理，或者根据人工触发、定时触发等触发机制的触发进行判断处理，具体在此不做限定。
84.可以理解的，在得到目标图像后，可通过图像识别技术，在目标图像中，进行物流件的识别。
85.其中，可通过人工智能(artificial intelligence，ai)，即，通过神经网络模型来进行物流件的自动识别。该神经网络模型，可通过大量包含物流件的图像训练得到。具体的，可收集大量包含物流件的图像，例如大量承载有物流件的称重设备的图像，并为这些图像标注其包含的物流件甚至物流件数量，例如为某个图像中物流件1的每一个像素点都配置“物流件1，物流件总个数为1”的语义信息。
86.配置有标注的这些图像则可作为训练集，依次将这些图像输入初始化的神经网络模型，进行正向传播，再根据模型输出的物流件识别结果计算损失函数，并根据该损失函数进行反向传播，优化模型的参数，如此达到训练次数、训练时间、识别精度等预设的训练要求时，可完成模型的训练，此时的模型可作为物流件识别模型，用于在本技术中，对输入的目标图像进行物流件识别。
87.在得到目标图像中识别出的物流件识别结果后，例如获取到模型输出的物流件识别结果后，则可根据该结果，结合预设的物流件异常称重状态条件，确定该目标图像对应的物流件称重场景下，待称重物流件的称重状态是否正常。
88.其中，示例性的，物流件异常称重状态条件可以针对物流件、物流单或者物流件在称重设备上的所在位置等称重场景中涉及的物件或者元素设置，若这些物流件的属性存在异常情况，则可确定称重状态存在异常，具体的，可结合目标图像中识别出的物流件识别结果以及物流件异常称重状态条件进行对比实现。
89.例如，若物流件识别结果中，指示了物流件存在破损情况，此时则较大可能物流件当前的真实质量相较于破损之前的真实质量，存在质量下降的情况，尽管物流单上的标识重量与破损之前的真实质量相符，此时称得的重量也是不会与物流单上的标识重量相符的，因此，可进行报错，提示物流件发生破损，供工作人员进行物流件回收、物流件理赔等操
作处理。
90.又例如，若物流件识别结果中，指示了物流件上的物流单存在破损情况，测试则较大可能从目标图像中难以扫描出物流单及其物流单上的标识重量，尽管原物流单上的标识重量与物流件的质量相符，此时破损的物流件也是无法扫描出标识重量的，因此，可进行报错，提示物流件上的物流单发生破损，供工作人员进行物流件核对、重新贴单等操作处理。
91.又例如，若物流件识别结果中，指示了物流件在称重设备上的所在位置处于称重感应区域的边界处，物流件本体的部分处于称重感应区域之外，此时则可能称重设备称得的重量不是物流件当前的真实重量，换句话说，无论物流件上物流单的标识重量是否符合物流件当前的真实重量，称重设备称得的重量都是难以符合该标识重量的，因此，也可进行报错，提示物流件的摆放位置存在异常，供工作人员进行物流件的位置纠正，或者检查称重设备、称重设备的山上游设备是否存在异常，进而导致当前到达称重设备的物流件的摆放位置存在异常。
92.需要理解的是，以上三种情况，仅为举例，在实际应用中，可随实际需要配置相应的物流件异常称重状态条件，在此不做限定。
93.进一步的，在实际应用中，为便于减少图像识别的数据处理工作量，提高识别效率，在本技术中，还提供一种适于应用的物流件异常称重状态的判断机制。
94.在一种示例性的实现方式中，可只确定目标图像中物流件的个数，通过物流件的个数的筛查，来判断目标图像对应的称重场景中，物流件称重状态是否正常。
95.可以理解的，相比于在目标图像中识别物流件是否破损、物流件上物流单是否破损或者物流件是否部分落于称重设备的称重感应区域之外等物流件属性，识别目标图像中的物流件的个数，所需的数据处理量可显著下降，算法实现难度低，从而，更适于物流公司的自动分拣流水线的应用。
96.对应的，在本技术中，物流件识别结果具体可包括物流件数量，如，上述预设的物流件异常称重状态条件中对于称重状态是否异常的判断规则，则可包括：
97.若物流件识别结果中的物流件数量大于1，则确定称重状态为异常称重状态；
98.若物流件识别结果中的物流件数量等于1，则确定称重状态为正常称重状态。
99.可以理解，在正常的称重场景下，单位检测时间内到达称重设备进行称重的物流件仅有一个，如此，若目标图像中的物流件超过1个，显然，存在着物流件数量异常的问题，这可能是上游环节出现物流件堆积、分拣异常、运输异常等异常情况，导致的同一检测时间内2个以上的物流件出现在称重设备处的情况。因此，直接根据识别出的物流件的数量是否大于1，即可过滤2件以上物流件出现在称重设备处的异常称重状态。
100.容易理解的，对于神经网络模型，若只用于识别目标图像中的物流件的个数，显然，相比于关注物流件的局部图像特征，可大大降低所需的数据处理量，在称重场景中，物流件与称重设备、其他背景物体之间，存在着较为明显的图像特征差异，模型可模糊的识别出物流件及其个数即可，对于模型的识别精度要求较低，因此，更适于自动分拣流水线现场的实时应用，可在很短的时间内直接确定当前称重设备处的称重状态是否正常，若异常可进行报错提示，工作人员可在第一时间进行检查，或者自动分拣流水线可第一时间进行物流件回流、再次进行分拣等处理。
101.进一步的，在目标图像中识别物流件的过程中，包括通过神经网络模型在目标图
像中识别物流件的过程中，考虑到物流件可能处于运动状态，或者，目标图像中可能存在等待称重的物流件等情况，部分的物流件可能也摄入了拍摄视野、随当前进行称重的物流件一起出现在目标图像中，可进行过滤，以排除干扰。
102.具体的，参阅图2示出的本技术识别物流件的一种流程示意图，在目标图像中识别待称重物流件的过程中，具体可包括：
103.步骤s201，根据预设的物流件图像特征，在目标图像中进行物流件识别，得到识别出的第一物流件；
104.可以理解，在通过图像识别目标图像中的物流件时，可预先配置物流件图像特征，存在这些物流件图像特征即可确认目标图像中存在的物流件，并根据这些物流件图像特征的所在的连通图像的个数，确认目标图像中物流件的个数。
105.以神经网络模型为例，其模型的训练过程中，就是训练模型感知这些预设的物流件图像特征的过程。
106.此时，识别出的初始的物流件，即为第一物流件，该第一物流件不仅包括当前进行称重的物流件，还有可能包括误识别或者误摄入的物流件，此时则可通过后面的数据处理进行物流件的过滤。
107.步骤s202，根据称重设备的称重区域的边界，从第一物流件中筛选出处于边界内的第二物流件；
108.在本技术中，可配置称重设备的称重区域的边界，该边界，用于在图像中标识称重设备的称重区域。
109.具体的，可通过识别称重设备的称重区域对应的图像特征，例如，在实际应用中，该称重区域可以为光滑、银色的台面，在图像中具有该高度相似的银色图像区域则可识别为称重区域，该银色图像区域的边界几位称重设备的称重区域的边界。
110.考虑到在实际应用中，在自动化分拣流水线配置的摄像装置往往是固定的，因此，可由工作人员直接根据摄像装置的部署位置、拍摄角度等拍摄环境条件，为称重设备的称重区域配置一固定的边界即可，便于实用，避免通过图像识别技术实时识别目标图像中的称重设备的称重区域及其边界的数据处理量。
111.获取到称重设备的称重区域的边界后，则可结合该边界，从前面识别出的初始的物流件中筛选出处于该边界中的物流件，此时该筛选得到的物流件则可作为有效识别出的物流件，即第二物流件。
112.步骤s203，将第二物流件的数量确认为待称重物流件的物流件数量。
113.接着，筛选后得到的第二物流件，则可将其数量作为识别出的有效物流件数量，供后续基于物流件数量进行称重状态是否正常的判断处理。
114.进一步的，在实际应用中，通过图像识别技术从目标图像识别出的物流件，在图像中可通过检测框进行标识。检测框，可以理解为在图像中通过多个的坐标点选定得到的矩形轮廓，该矩形轮廓中的图片信息包含了识别出的物流件的图像信息。
115.在该背景下，参阅图3示出的本技术筛选第二物流件的一种流程示意图，从第一物流件中筛选出第二物流件，具体可包括：
116.步骤s301，提取第一物流件中物流件分别对应的检测框边界；
117.首先的，可先提取识别出的初始的物流件，即第一物流件中，每个物流件的检测框
边界。例如，若当前图像中识别出初始的物流件为2个，则存在2个检测框边界。
118.步骤s302，将第一物流件中检测框边界处于称重区域的边界内的物流件确定为第二物流件。
119.得到每个识别出的物流件的检测框边界后，则可依次与称重设备的称重区域的边界进行比对，若检测框边界都处于称重设备的称重区域的边界内，则可确定为识别有效的物流件，这些识别有效的物流件可作为第二物流件。
120.另一方面，在本技术中，考虑到物流件在自动化分拣流水线上的运输方向一般是固定不变，或者运输方向是在一个大致范围内的，例如若称重设备为动态称重设备，显然，其称重设备为物流件的运输配置了运输方向及其对应的运输通道了。
121.因此，在该情况下，称重设备的称重区域的边界，也可进行简化，示例性的，参阅图4示出的本技术筛选第二物流件的又一种流程示意图，从第一物流件中筛选出第二物流件，也可包括：
122.步骤s401，提取第一边界线以及第二边界线，其中，称重设备为动态称重设备，称重区域包括位于传送带的区域，第一边界线以及第二边界线为位于传送带在传送方向上的前后两个位置设置的边界线，第一边界线以及第二边界线对应称重区域的区域边界；
123.可以理解，无论是自动化分拣流水线中称重设备以外的流水线环节，还是称重设备，都可配置传送带，以运输物流件，当物流件通过传送带运输到物流件的称重区域时，可进行称重，例如，动态称重设备本身可配置传送带，在通过传送带运输物流件同时，可进行物流件的称重。
124.在本技术中，动态称重设备的称重区域具体可以设置在传送带处，如此，在通过图像识别根据称重设备的称重区域的边界，从第一物流件中筛选出处于边界内的第二物流件时，可在传送带上标识出设备的称重区域的区域范围。
125.具体的，可基于称重区域的区域边界，在传送方向上的前后两个位置提取出两边界线，第一边界线以及第二边界线与传送带的传送方向是垂直设置，当物流件由传送带传输经过动态称重设备进行称重时，必然会依次经过第一边界线以及第二边界线，如此，可结合该第一边界线以及该第二边界线确认称重区域的区域范围。
126.步骤s402，将第一物流件中处于第一边界线以及第二边界线之间范围内的物流件确定为第二物流件。
127.提取到为传送带配置的两个边界线后，则可判断物流件的图像是否在这两个边界线内的图像范围中，若是，则可确定为有效物流件，即，第二物流件。
128.另外，需要说明的是，从上述内容提出的两个筛选第二物流件的实现方式中也可看出，这两种筛选方式也是可以一起应用的，例如，分别提取称重设备的称重区域的边界对应的两边界线以及目标图像中物流件的检测框边界，若检测框边界处于两边界线内，显然，即可确定当前物流件为有效识别的第二物流件。
129.具体的，以图5示出的本技术的一种场景示意图为例，图5可以为目标图像本身，在图5中，称重设备的真实称重区域为a-b-c-d围成的四边形区域，a-b为称重设备的称重区域配置的边界的第一边界线，c-d为称重设备的称重区域配置的边界的第二边界线，a-b-c-d围成的四边形为识别出的物流件的检测框，可以看出的是，a-b-c-d围成的四边形处于a-b、c-d两分界线之间的范围内，因此，可确定该物流件为有效识别出的第二物流件。
130.其中，需要理解的是，本技术为称重设备的称重区域配置的边界，不一定是称重设备的真实称重区域的边界，而是可考虑图像处理的方便，结合实际应用调整后的边界，例如，图5中a-b、c-d两边界线与称重设备的真实称重区域相重叠，而在实际应用中，a-b、c-d两边界线则可能位于称重设备的真实称重区域范围内，或者位于称重设备的真实称重区域范围外。
131.进一步的，在实际应用中，为便于方便判断，也可只针对物流件的检测框边界沿传送方向上的其中一条边进行判断，以图5中物流件的检测框边界a-b-c-d中的c-d边为例，其判断a-b-c-d围成的四边形处于a-b、c-d两分界线之间的范围内的规则包括两个条件：
132.1.物流件进入称重区域的判定标准为物流件的检测框边界的c-d边，沿传送带的传送方向全部跨越进入c-d边(对应物流件进入称重设备的称重区域)。
133.2.物流件未离开称重区域的判定标准为物流件的检测框边界的c-d边，沿传送带的传送方向未跨越a`-b`边(对应物流件未离开称重设备的称重区域)。
134.其中，该a`-b`边处于称重设备的真实称重区域中，与a-b、c-d两分界线平行。
135.如此，在具体的判断过程中，仅需要判断物流件的检测框边界的c-d边是否处于c-d边、a`-b`边之间的范围中，即可确定物流件是否处于称重设备的称重区域的边界内，避免在拍摄角度物流件实际处于称重设备的称重区域的边界内、物流件的图像超过称重设备的称重区域的边界外，导致误判物流件未处于称重设备的称重区域的边界内的情况发生，进一步提高识别的精确度。
136.进一步的，在又一种示例性的实现方式中，通过图像识别技术从目标图像中识别物流件时，得到的物流件识别结果除了识别出的物流件的个数，还可包括该物流件的个数的置信度，可以理解，置信度用于指示识别结果的可信程度，或者说指示在该次识别过程，物流件识别结果与真实结果一致的概率。若置信度高，则意味着本次识别结果的可信程度较高，若置信度低，则意味着本次识别结果的可信程度较低。如此，在上述结合物流件的个数判断称重状态是否正常的过程中，可包括：
137.若物流件数量大于1，且置信度大于置信度阈值，则确定称重状态为异常称重状态。
138.通过置信度的进一步筛选，从而可使得称重状态是否正常的判断，具有更高的精确性。
139.下面，则以实际应用中涉及的模型介绍上述涉及的内容。
140.在本技术中，神经网络模型具体可采用如yolov3模型、resnet模型、r-cnn模型、fast r-cnn模型、faster r-cnn模型、mask r-cnn模型、ssd模型等不同类型的模型，以yolov3模型为例，可参考图6示出的本技术yolov3模型的一种网络结构示意图，yolov3模型将输入的目标图片缩放至416*416*3尺寸，在经过darknet53网络进行特征提取后分别取p3、p4、p5作为特征层输出。其中p3，p4，p5分别为输入图像大小的1/8、1/16、1/32。
141.使用双线性差值法(bilinear interpolation)分别将p4、p5上采样后与原特征输出p3、p4进行特征融合(concatenation)，即在特征融合后的输出图为：
142.o1＝p3 上采样p4，
143.o2＝p4 上采样p5，
144.o3＝p5。
145.特征融合后的输出图o1、o2、o3分别经过卷积操作后生成输出结果y1，y2和y3，其尺寸分别为13*13、26*26、52*52，与p5、p4、p3的尺寸一致。输出结果的通道数均为a*5，其中a代表图中每一个点负责预测框的个数，实际中采用a＝3；每个预测框分别由(x,y,w,h,c)，即中线点位置(x，y)，宽高(w，h)和置信度5个值进行描述。其中，目标检测对象可仅包含位于传送带上的物流件，也可仅用置信度表示预测框中含有物流件的概率而不进行类别的预测。
146.在模型输出后，首先对所有输出的预测框按照置信度进行从大到小排列，然后取置信度大于t的预测框作为候选框，实际应用中采用t＝0.05。输出的候选框通过非极大值抑制(non-maximum suppression，nms)或其变种(如soft-nms、adaptive-nms等)进行筛选，将重叠区域较大的候选框剔除，筛选后的框作为最终的检测结果输出。实际应用中，使用nms作为预测框筛选算法，具体可参考图7示出的本技术的预测框筛选算法的一种算法示意图。
147.在确定称重设备的称重状态是否正常后，则可根据该称重状态的确定结果，进行相应处理。
148.在实际应用中，可以理解，若称重状态正常，即确定结果为正常称重状态，则称重状态的确定设备一般可无需做相应处理，让分拣流水线的分拣设备对物流件继续执行剩下的正常分拣处理即可，例如运输到对应的分拣口，方便分流至对应的物流车辆；或者称重状态的确定设备也可主动触发分拣流水线的分拣设备，对物流件执行剩余的正常分拣处理，例如运输到对应的分拣口，方便分流至对应的物流车辆。
149.而若称重状态异常，即确定结果为异常称重状态，则称重状态的确定设备可输出提示信息，该提示信息用于提示存在异常称重状态。
150.一方面，称重状态的确定设备可通过扬声器、警示灯、显示屏、震动马达等输出装置向用户输出提示信息，例如可在显示屏上弹窗一窗口，窗口内显示有文字“存在异常称重状态，需要检查/回流/重新分拣”，又例如可通过预设的红色警示灯提示出现对应的异常称重状态，用户根据称重状态的确定设备输出的提示信息，则可人工检查称重设备上的物流件情况，或者安排称重设备上物流件进行回流，再次进行分拣。
151.另一方面，物流件的回流、再次分拣处理还可自动执行，如，称重状态的确定设备可通过输出的提示信息，来触发分拣流水线上的分拣设备来对称重设备上的物流件重新执行分拣处理。
152.具体的，例如，可通过机械臂将物流件抓取到回流通道，该回流通道可通过其传送带将物流件运输回分拣流水线的上游，待物流件重新进行分拣后，到达称重设备处时又可进行新一轮的称重状态的确定处理；又例如，也可通过机械臂将物流件直接抓取到分拣流水线的上游；又例如，还可通过活动挡板使得物流件滑落或者掉落至回流通道，以重新进行分拣。
153.可以理解的，上述称重状态的确定设备触发分拣设备的触发方式以及分拣设备的回流方式，具体可随分拣设备的实际情况而调整，具体在此不做限定。
154.为便于更好的实施本技术提供的称重状态的确定方法，本技术还提供称重状态的确定装置。
155.参阅图8，图8为本技术称重状态的确定装置的一种结构示意图，在本技术中，称重
状态的确定装置800具体可包括如下结构：
156.获取单元801，用于获取目标图像，其中，目标图像为拍摄对待称重物流件进行称重的称重设备得到的图像；
157.识别单元802，用于在目标图像中进行物流件识别，得到物流件识别结果；
158.确定单元803，用于根据物流件识别结果以及预设的物流件异常称重状态条件，确定待称重物流件的称重状态是否正常。
159.在一种示例性的实现方式中，识别单元802，具体用于：
160.根据预设的物流件图像特征，在目标图像中进行物流件识别，得到识别出的第一物流件；
161.根据称重设备的称重区域的边界，从第一物流件中筛选出处于边界内的第二物流件；
162.将第二物流件的数量确认为物流件识别结果中的物流件数量。
163.在又一种示例性的实现方式中，识别单元802，具体用于：
164.提取第一物流件中的物流件分别对应的检测框边界；
165.提取称重区域的边界的第一边界线以及第二边界线，其中，称重设备为动态称重设备，称重区域包括位于传送带的区域，第一边界线以及第二边界线为位于传送带在传送方向上的前后两个位置设置的边界线，第一边界线以及第二边界线分别对应所述称重区域的区域边界；
166.从第一物流件中，将检测框边界处于第一边界线以及第二边界线之间范围内的物流件确定为第二物流件。
167.在又一种示例性的实现方式中，物流件异常称重状态条件具体为：
168.若物流件识别结果中的物流件数量大于1，则确定称重状态为异常称重状态；
169.若物流件识别结果中的物流件数量等于1，则确定称重状态为正常称重状态。
170.在又一种示例性的实现方式中，物流件异常称重状态条件具体为：
171.若物流件识别结果中的物流件数量大于1，且物流件识别结果中的置信度大于置信度阈值，则确定称重状态为异常称重状态。
172.在又一种示例性的实现方式中，装置还包括输出单元804，用于：
173.若称重状态确定为异常称重状态，则输出提示信息，其中，提示信息用于向用户提示存在异常称重状态，或者，提示信息用于触发分拣设备对称重设备上的物流件重新执行分拣处理。
174.本技术还提供了称重状态的确定设备，参阅图9，图9示出了本技术称重状态的确定设备的一种结构示意图，具体的，本技术称重状态的确定设备包括处理器901、存储器902以及输入输出设备903，处理器901用于执行存储器902中存储的计算机程序时实现如图1至图7对应任意实施例中称重状态的确定方法的各步骤，存储器902用于存储处理器901执行上述图1至图7对应任意实施例中称重状态的确定方法所需的计算机程序。
175.示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器902中，并由处理器901执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
176.称重状态的确定设备可包括，但不仅限于处理器901、存储器902、输入输出设备903。本领域技术人员可以理解，示意仅仅是称重状态的确定设备的示例，并不构成对称重状态的确定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如设备还可以包括网络接入设备、总线等，处理器901、存储器902、输入输出设备903以及网络接入设备等通过总线相连。
177.处理器901可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是称重状态的确定设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
178.存储器902可用于存储计算机程序和/或模块，处理器901通过运行或执行存储在存储器902内的计算机程序和/或模块，以及调用存储在存储器902内的数据，实现计算机装置的各种功能。存储器902可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如图像播放功能等)等；存储数据区可存储根据称重状态的确定设备的使用所创建的数据(比如图像数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
179.处理器901用于执行存储器902中存储的计算机程序时，具体可实现以下功能：
180.获取目标图像，其中，目标图像为拍摄对待称重物流件进行称重的称重设备得到的图像；
181.在目标图像中进行物流件识别，得到物流件识别结果；
182.根据物流件识别结果以及预设的物流件异常称重状态条件，确定待称重物流件的称重状态是否正常。
183.本技术还提供了分拣系统，该分拣系统中包括了称重设备、分拣设备以及称重状态的确定设备。
184.其中，称重设备、分拣设备以及称重状态的确定设备的说明可以参考前面内容，具体在此不做限定。
185.此外，本技术中的称重状态的确定设备，在实际应用中，具体还可集成到称重设备或者分拣设备中，以直接提升称重设备或者分拣设备的功能，同时也可减少硬件设备的设备成本。
186.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的称重状态的确定装置、设备及其相应单元的具体工作过程，可以参考如图1至图7对应任意实施例中称重状态的确定方法的说明，具体在此不再赘述。
187.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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
188.为此，本技术提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术如图1至图7对应任意实施例中称重状态的确定方法中的步骤，具体操作可参考如图1至图7对应任意实施例中称重状态的确定方法的说明，在此不再赘述。
189.其中，该计算机可读存储介质可以包括：只读存储器(read only memory，rom)、随机存取记忆体(random access memory，ram)、磁盘或光盘等。
190.由于该计算机可读存储介质中所存储的指令，可以执行本技术如图1至图7对应任意实施例中称重状态的确定方法中的步骤，因此，可以实现本技术如图1至图7对应任意实施例中称重状态的确定方法所能实现的有益效果，详见前面的说明，在此不再赘述。
191.以上对本技术提供的称重状态的确定方法、装置、设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。