本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種基于數(shù)據(jù)處理的紙箱分類方法及裝置。

背景技術：

1、隨著工業(yè)自動化技術的飛速發(fā)展，紙箱生產及分類流程中的各個環(huán)節(jié)都逐步實現(xiàn)自動化和智能化。自動化生產線、機器人技術以及自動化控制系統(tǒng)等的應用，使得紙箱生產流程更加高效、精準，并降低了人工成本，現(xiàn)有的紙箱分類控制技術正朝著更加智能和自動化的方向發(fā)展。此外，通過高分辨率攝像頭和圖像處理技術，可以實現(xiàn)對紙箱形狀、顏色、大小等特征的快速識別和分類。同時，通過深度學習算法，可以對大量紙箱數(shù)據(jù)進行學習和訓練，從而實現(xiàn)對紙箱類型的自動識別，這種方法不僅提高了分類的準確性，還大大提高了分類效率。然而，傳統(tǒng)的紙箱分類主要依賴人工，效率低下且容易出錯，尤其是在面對大規(guī)模、高效率的紙箱分類需求時，人工分類的局限性愈發(fā)明顯。因此，研發(fā)一種更高效、更智能的數(shù)據(jù)處理的紙箱分類方法及裝置尤為重要，這也成為了自動化行業(yè)發(fā)展的迫切需求。

2、現(xiàn)有的紙箱分類系統(tǒng)通過傳感器檢測待分類紙箱的位置和角度，并利用圖像處理技術捕捉和分析傳送帶上待分類紙箱的外觀特征，然后通過將提取的形狀、大小、顏色和紋理特征與預設的分類標準進行比較，實現(xiàn)待分類紙箱的自動分類。

3、例如公告號為：cn116227495b的發(fā)明專利公告的一種實體分類的數(shù)據(jù)處理系統(tǒng)，包括：獲取目標文本并使用經訓練的第一神經網絡模型獲取目標文本的編碼向量；使用經訓練的第二神經網絡模型對目標文本的編碼向量進行推理，得到目標文本的編碼向量；對目標文本的編碼向量的編碼向量進行統(tǒng)一維度和拼接處理，得到對應的目標編碼張量；使用經訓練的第三神經網絡模型對目標編碼張量進行推理，得到對應的目標文本實體類型。

4、例如公告號為：cn113177119b的發(fā)明專利公告的文本分類模型訓練、分類方法和系統(tǒng)及數(shù)據(jù)處理系統(tǒng)，包括：基于待訓練的文本分類模型確定未標注樣本的分類估計值獲取估計標注樣本集；通過待訓練的編碼器獲取已標注樣本集的文本和向量，并結合已標注樣本的類別標識獲取混合已標注樣本集；將估計標注樣本集和混合已標注樣本集輸入前饋神經網絡，并根據(jù)損失函數(shù)的損失值調整待訓練的編碼器和當前前饋神經網絡的參數(shù)，同時結合預設訓練次數(shù)得到文本分類模型。

5、但本技術在實現(xiàn)本技術實施例中發(fā)明技術方案的過程中，發(fā)現(xiàn)上述技術至少存在如下技術問題：

6、現(xiàn)有技術中，由于在運輸過程中待分類紙箱的外觀可能因磨損、污漬等因素而發(fā)生變化，導致識別率下降，難以準確區(qū)分，存在紙箱傳輸過程中分類識別率低的問題。

技術實現(xiàn)思路

1、本技術實施例通過提供一種基于數(shù)據(jù)處理的紙箱分類方法及裝置，解決了現(xiàn)有技術中紙箱傳輸過程中分類識別率低的問題，實現(xiàn)了紙箱傳輸過程分類識別率中的提高。

2、本技術實施例提供了一種基于數(shù)據(jù)處理的紙箱分類方法，包括以下步驟：s1，根據(jù)紙箱分類的預設分類目標設定目標分類集，同時通過傳感器實時采集傳送帶上待分類紙箱的圖像數(shù)據(jù)并進行標記，所述目標分類集用于可視化待分類紙箱與預設分類目標之間相對應的分類區(qū)域集合；s2，利用圖像處理方法對采集的圖像數(shù)據(jù)進行歸一化處理并根據(jù)圖像識別原理提取關鍵圖像數(shù)據(jù)，所述關鍵圖像數(shù)據(jù)包括待分類紙箱的外觀信息數(shù)據(jù)和紋理信息數(shù)據(jù)；s3，結合提取的關鍵圖像數(shù)據(jù)構建紙箱分類模型并進行模型優(yōu)化，所述紙箱分類模型用于通過學習關鍵圖像數(shù)據(jù)自動對輸入的待分類紙箱進行識別和分類，分類性能用于數(shù)值化描述紙箱分類模型在進行自動分類過程中的分類表現(xiàn)；s4，在模擬分類環(huán)境中對模型優(yōu)化后的紙箱分類模型進行測試，同時根據(jù)測試結果評估紙箱分類模型在處理待分類紙箱放置角度變化時的性能表現(xiàn)，所述模擬分類環(huán)境用于模擬待分類紙箱在傳送帶上的移動和放置角度變化情況。

3、進一步的，所述目標分類集的具體設定步驟為：分析待分類紙箱的物理特征和功能特征以識別出預設分類特征，同時結合預設時間段內分類特征數(shù)據(jù)設定對應的分類標準，所述分類特征數(shù)據(jù)包括物理特征數(shù)據(jù)和功能特征數(shù)據(jù)；結合分類標準和分類識別指數(shù)將分類特征數(shù)據(jù)與預設分類特征之間的對應關系以分類樹形式進行可視化展示，所述分類識別指數(shù)用于衡量分類特征數(shù)據(jù)與預設分類特征的匹配程度；對可視化展示的結果進行分析并以圖表呈現(xiàn)待分類紙箱的分類邏輯和分類區(qū)域，同時結合實際分類需求設定目標分類集。

4、進一步的，所述分類識別指數(shù)的具體獲取步驟為：從分類特征數(shù)據(jù)中提取出關鍵信息數(shù)據(jù)，同時根據(jù)相似匹配度和分類維度設定對應的分配權重以得到分類識別指數(shù)，所述關鍵信息數(shù)據(jù)用于描述分類特征數(shù)據(jù)的物理特性信息和功能特征信息，所述相似匹配度用于衡量分類特征數(shù)據(jù)與關鍵信息數(shù)據(jù)的相似程度，所述分類維度用于量化待分類紙箱在分類過程中的承重能力和抗壓能力以得到對應的承重能力數(shù)據(jù)和抗壓能力數(shù)據(jù)，所述分配權重用于描述物理特征數(shù)據(jù)、功能特征數(shù)據(jù)、承重能力數(shù)據(jù)和抗壓能力數(shù)據(jù)相對于分類識別指數(shù)的影響程度，所述分配權重包括第一權重、第二權重、第三權重和第四權重；所述分類識別指數(shù)通過以下公式進行計算：

5、

6、式中，y為待分類紙箱的編號，y＝1,2,...,y，y為待分類紙箱的總數(shù)量，wuy表示第y個待分類紙箱對應的分類識別指數(shù)，e為自然常數(shù)，表示第y個待分類紙箱對應的預設物理特征數(shù)據(jù),表示第y個待分類紙箱對應的物理特征數(shù)據(jù),δp表示物理特征數(shù)據(jù)參考偏差，α1表示第一權重，表示第y個待分類紙箱對應的預設功能特征數(shù)據(jù),表示第y個待分類紙箱對應的功能特征數(shù)據(jù),δq表示功能特征數(shù)據(jù)參考偏差，α2表示第二權重，ay表示第y個待分類紙箱對應的承重能力數(shù)據(jù)，a0表示承重能力參考數(shù)據(jù)，δa表示承重能力數(shù)據(jù)參考偏差，α3表示第三權重，by表示第y個待分類紙箱對應的抗壓能力數(shù)據(jù)，b0表示抗壓能力參考數(shù)據(jù)，δb表示抗壓能力數(shù)據(jù)參考偏差，α4表示第四權重。

7、進一步的，所述關鍵圖像數(shù)據(jù)的具體提取步驟包括：將采集的圖像數(shù)據(jù)進行編碼并映射到坐標圖像對應的像素點位置；對傳送帶運輸過程中待分類紙箱的旋轉角度偏差進行校正，同時檢測圖像數(shù)據(jù)在坐標圖像上的主方向并確定與期望主方向之間的旋轉角度；根據(jù)確定的旋轉角度并利用旋轉變換矩陣對圖像數(shù)據(jù)進行旋轉以獲取正則圖像數(shù)據(jù)；使用邊緣檢測方法提取出待分類紙箱的輪廓，同時使用濾波器對正則圖像數(shù)據(jù)進行濾波處理以確定待分類紙箱的紋理特征；將待分類紙箱的輪廓和待分類紙箱的紋理特征輸入至灰度共生矩陣中以提取關鍵圖像數(shù)據(jù)。

8、進一步的，所述結合提取的關鍵圖像數(shù)據(jù)構建紙箱分類模型的具體步驟包括：根據(jù)目標分類集并結合實際分類需求得到目標分類集區(qū)域，同時根據(jù)圖像校正閾值將灰度共生矩陣中關鍵圖像數(shù)據(jù)的像素點與預設目標分類集區(qū)域進行映射；將關鍵圖像數(shù)據(jù)轉換為模型數(shù)值形式，并結合關鍵圖像數(shù)據(jù)的數(shù)據(jù)復雜度設計模型網絡架構，所述數(shù)據(jù)復雜度表示通過分析關鍵圖像數(shù)據(jù)在預設目標分類集區(qū)域中的像素點離散程度所獲取的關鍵圖像數(shù)據(jù)復雜程度，所述模型網絡架構用于將關鍵圖像數(shù)據(jù)的模型數(shù)值形式進行正則化處理以消除出現(xiàn)過擬合和欠擬合的模型數(shù)值形式；根據(jù)設計的模型網絡架構并結合模型架構符合系數(shù)構建紙箱分類模型，所述模型架構符合系數(shù)用于衡量模型網絡架構與紙箱分類模型之間的適配程度。

9、進一步的，所述模型架構符合系數(shù)通過以下方法進行獲?。夯趫D像校正閾值和分類識別指數(shù)構建分類基準模型并使用關鍵圖像數(shù)據(jù)對構建的分類基準模型進行模型訓練，所述分類基準模型用于可視化待分類紙箱在傳送帶上進行模擬分類的性能表現(xiàn)；根據(jù)預設的評價指標對分類基準模型進行評估，同時根據(jù)評估的結果判斷待分類紙箱模擬分類的性能表現(xiàn)是否滿足預設的評價指標，若滿足，則根據(jù)數(shù)據(jù)復雜度和數(shù)據(jù)相似度獲取模型架構符合系數(shù)，否則對構建的分類基準模型重新進行訓練直至滿足預設的評價指標，所述數(shù)據(jù)相似度表示通過分析關鍵圖像數(shù)據(jù)在預設目標分類集區(qū)域中的像素點灰度值所獲取的關鍵圖像數(shù)據(jù)相似程度；所述模型架構符合系數(shù)通過以下公式進行計算：

10、

11、式中，i為模型訓練次數(shù)的編號，i＝1,2,...,m，m為模型訓練的總次數(shù)，lii表示第i次模型訓練對應的模型架構符合系數(shù)，e為自然常數(shù)，ci表示第i次模型訓練對應的關鍵圖像數(shù)據(jù)的亮度，c0表示關鍵圖像數(shù)據(jù)的參考亮度，δc表示關鍵圖像數(shù)據(jù)亮度的參考偏差，di表示第i次模型訓練對應的關鍵圖像數(shù)據(jù)的對比度，d0表示關鍵圖像數(shù)據(jù)的參考對比度，δd表示關鍵圖像數(shù)據(jù)對比度的參考偏差，ei表示第i次模型訓練對應的數(shù)據(jù)復雜度，e0表示數(shù)據(jù)參考復雜度，δe表示數(shù)據(jù)復雜度參考偏差，fi表示第i次模型訓練對應的數(shù)據(jù)相似度，f0表示數(shù)據(jù)參考相似度，δf表示數(shù)據(jù)相似度參考偏差。

12、進一步的，所述模型優(yōu)化的具體步驟為：對傳送帶上待分類紙箱的放置角度進行角點檢測，同時將角點檢測的放置角度與目標分類集區(qū)域中的預設標準角度進行比對；根據(jù)比對的結果并結合旋轉符合系數(shù)生成集成旋轉信息，所述旋轉符合系數(shù)用于衡量待分類紙箱在放置角度變化之后與目標分類集區(qū)域的適配程度；結合集成旋轉信息對紙箱分類模型進行二次訓練以實現(xiàn)待分類紙箱放置角度變化時的自動分類。

13、進一步的，所述旋轉符合系數(shù)通過以下方法進行獲?。簩埾浞诸惸Ｐ投斡柧毢蟮慕Y果進行評估并結合參考置信度獲取置信度和置信度評估因子，所述置信度用于衡量待分類紙箱在放置角度下屬于目標分類區(qū)域的可信度，所述置信度評估因子表示待分類紙箱在進行分類過程時置信度對放置角度的影響；根據(jù)角點檢測的結果獲取角點匹配度和角度差異值，所述角點匹配度用于衡量角點檢測的放置角點位置與目標分類集區(qū)域中預期角點位置的匹配程度，所述角度差異值用于衡量角點檢測的放置角度與目標分類集區(qū)域中預設標準角度的偏離程度；結合角點匹配度相對偏差和角度差異值相對偏差獲取旋轉符合系數(shù)。

14、進一步的，所述在模擬分類環(huán)境中對模型優(yōu)化后的紙箱分類模型進行測試的具體步驟包括：根據(jù)實際應用場景搭建模擬分類環(huán)境，同時結合紙箱分類模型的分類性能獲取測試數(shù)據(jù)集，所述測試數(shù)據(jù)集表示待分類紙箱在預設類別和預設放置角度下的圖像數(shù)據(jù)；將模型優(yōu)化后的紙箱分類模型加載到模擬分類環(huán)境中，并根據(jù)實際測試需求設置批次順序和測試輪數(shù)的測試參數(shù)，同時結合性能評估指標對紙箱分類模型的分類性能進行評估；根據(jù)評估的結果對測試參數(shù)進行調整并對紙箱分類模型進行迭代優(yōu)化直至滿足性能評估指標。

15、本技術實施例提供了一種基于數(shù)據(jù)處理的紙箱分類裝置，包括：圖像數(shù)據(jù)采集模塊、關鍵圖像數(shù)據(jù)提取模塊、模型優(yōu)化模塊和測試評估模塊；其中，所述圖像數(shù)據(jù)采集模塊用于根據(jù)紙箱分類的預設分類目標設定目標分類集，同時通過傳感器實時采集傳送帶上待分類紙箱的圖像數(shù)據(jù)并進行標記，所述目標分類集用于可視化待分類紙箱與預設分類目標之間相對應的分類區(qū)域集合；所述關鍵圖像數(shù)據(jù)提取模塊用于利用圖像處理方法對采集的圖像數(shù)據(jù)進行歸一化處理并根據(jù)圖像識別原理提取關鍵圖像數(shù)據(jù)，所述關鍵圖像數(shù)據(jù)包括待分類紙箱的外觀信息數(shù)據(jù)和紋理信息數(shù)據(jù)；所述模型優(yōu)化模塊用于結合提取出的關鍵圖像數(shù)據(jù)構建紙箱分類模型并進行模型優(yōu)化，所述紙箱分類模型用于通過學習關鍵圖像數(shù)據(jù)自動對輸入的待分類紙箱進行識別和分類，所述分類性能用于數(shù)值化描述紙箱分類模型在進行自動分類過程中的分類表現(xiàn)；所述測試評估模塊用于在模擬分類環(huán)境中對模型優(yōu)化后的紙箱分類模型進行測試，同時根據(jù)測試結果評估紙箱分類模型在處理待分類紙箱放置角度變化時的性能表現(xiàn)，所述模擬分類環(huán)境用于模擬待分類紙箱在傳送帶上的移動和放置角度變化情況。

16、本技術實施例中提供的一個或多個技術方案，至少具有如下技術效果或優(yōu)點：

17、1、通過紙箱分類的預設分類目標設定目標分類集，同時通過傳感器實時采集傳送帶上待分類紙箱的圖像數(shù)據(jù)并進行標記，然后根據(jù)圖像識別原理提取關鍵圖像數(shù)據(jù)并構建紙箱分類模型并進行模型優(yōu)化，最后在模擬分類環(huán)境中對模型優(yōu)化后的紙箱分類模型進行測試，同時評估紙箱分類模型在自動分類過程中的性能表現(xiàn)，從而實現(xiàn)了分類性能的更精準評估，進而實現(xiàn)了紙箱傳輸過程中分類識別率的提高，有效解決了現(xiàn)有技術中紙箱傳輸過程中分類識別率低的問題。

18、2、通過目標分類集并結合實際分類需求得到目標分類集區(qū)域，同時結合圖像校正閾值將灰度共生矩陣中關鍵圖像數(shù)據(jù)的像素點與預設目標分類集區(qū)域進行映射，然后將關鍵圖像數(shù)據(jù)轉換為模型數(shù)值形式，并結合關鍵圖像數(shù)據(jù)的數(shù)據(jù)復雜度設計模型網絡架構，最后根據(jù)設計的模型網絡架構并結合模型架構符合系數(shù)構建紙箱分類模型，從而實現(xiàn)了模型架構符合系數(shù)的準確獲取，進而實現(xiàn)了紙箱分類模型的更精準構建。

19、3、通過對傳送帶上待分類紙箱的放置角度進行角點檢測，同時將角點檢測的放置角度與目標分類集區(qū)域中的預設標準角度進行比對，然后根據(jù)比對的結果并結合旋轉符合系數(shù)生成集成旋轉信息，最后結合集成旋轉信息對紙箱分類模型進行二次訓練以實現(xiàn)待分類紙箱放置角度變化時的自動分類，從而實現(xiàn)了角點檢測準確性的提高，進而實現(xiàn)了待分類紙箱的更精準分類。