识别物品的方法、装置、设备和存储介质制造方法及图纸

本申请涉及识别物品的方法、装置、设备和存储介质。上述方法包括：在接收到光电传感器发送的触发指令之后，接收上述光电传感器发送的恢复指令，上述恢复指令是由指遮挡物移开之后，上述光电传感器中的接收器接收到检测光源后触发的；当上述触发指令和上述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，对放置在识物盒中的物品进行拍摄并返回上述物品的图像；接收上述摄像头发送的上述物品的图像；基于预先训练好的神经网络模型，对上述图像进行识别，得到上述物品的识别结果。采用本方法能够提高处理效率。

【技术实现步骤摘要】
识别物品的方法、装置、设备和存储介质
本申请涉及机器人
，特别是涉及识别物品的方法、装置、设备和存储介质。
技术介绍
随着机器人技术的飞速发展，机器人越来越多的应用于生产领域。尤其在复杂危险的环境中，可以使用机器人替代人进行工作，比如，可以由机器人对物品进行识别。通常情况下，用于识别物品的机器人可以包括处理器和成像系统。目前，识别物品的方法为：操作人员在确认待识别的物品放入待识别区域之后，通过处理器触发成像系统来拍摄物品的图像，并由处理器对拍摄的图像进行识别，得到物品的识别结果。然而，目前的识别物品的方法，存在处理效率低下的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供能够提高识别效率的识别物品的方法、装置、设备和存储介质。一种识别物品的方法，上述方法包括：在接收到光电传感器发送的触发指令之后，接收上述光电传感器发送的恢复指令，上述恢复指令是由指遮挡物移开之后，上述光电传感器中的接收器接收到检测光源后触发的；当上述触发指令和上述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，对放置在待识别区域中的物品进行拍摄并返回上述物品的图像；接收上述摄像头发送的上述物品的图像；基于预先训练好的神经网络模型，对上述图像进行识别，得到上述物品的识别结果。在其中一个实施例中，上述方法还包括：判断上述触发指令和上述恢复指令的接收间隔时长是否小于预设的时长阈值；若是，则上述触发指令和上述恢复指令的接收间隔时长符合预设条件。在其中一个实施例中，上述物品的图像是以上述物品的前斜上方为拍摄方向进行拍摄而得到的。在其中一个实施例中，上述预先训练好的神经网络模型包括至少五个卷积层和至少三个全连接层；上述基于预先训练好的神经网络模型，对上述图像进行识别，得到上述物品的识别结果的步骤，包括：将上述物品的图像，输入上述预先训练好的神经网络模型中的卷积层，由上述卷积层从上述图像中提取多维特征向量；将上述卷积层提取的上述多维特征向量，输入上述预先训练好的神经网络模型中的全连接层，由上述全连接层对上述多维特征向量进行归一化处理，得到一维特征向量，将上述一维特征向量作为上述图像的识别结果。一种识别物品的装置，上述装置包括：接收模块，用于在接收到光电传感器发送的触发指令之后，接收上述光电传感器发送的恢复指令，上述恢复指令是由指遮挡物移开之后，上述光电传感器中的接收器接收到检测光源后触发的；发送模块，用于当上述触发指令和上述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，对放置在待识别区域中的物品进行拍摄并返回上述物品的图像；接收模块，用于接收上述摄像头发送的上述物品的图像；识别模块，用于基于预先训练好的神经网络模型，对上述图像进行识别，得到上述物品的识别结果。在其中一个实施例中，上述装置还包括：判断模块，用于判断上述触发指令和上述恢复指令的接收间隔时长是否小于预设的时长阈值；若是，则上述触发指令和上述恢复指令的接收间隔时长符合预设条件。在其中一个实施例中，上述物品的图像是以上述物品的前斜上方为拍摄方向进行拍摄而得到的。在其中一个实施例中，上述预先训练好的神经网络模型包括深度卷积神经网络模型；上述预先训练好的神经网络模型中的卷积层的参数和全连接层的参数，是基于预设的均匀分布初始化方法进行初始化设置的。在其中一个实施例中，上述预先训练好的神经网络模型包括至少五个卷积层和至少三个全连接层；上述识别模块，具体用于将上述物品的图像，输入上述预先训练好的神经网络模型中的卷积层，由上述卷积层从上述图像中提取多维特征向量；将上述卷积层提取的上述多维特征向量，输入上述预先训练好的神经网络模型中的全连接层，由上述全连接层对上述多维特征向量进行归一化处理，得到一维特征向量，将上述一维特征向量作为上述图像的识别结果。一种识别物品的设备，包括摄像头、识物盒、光电传感器、存储器和处理器，上述存储器存储有计算机程序：上述处理器执行上述计算机程序时实现如下步骤：在接收到光电传感器发送的触发指令之后，接收上述光电传感器发送的恢复指令，上述恢复指令是由指遮挡物移开之后，上述光电传感器中的接收器接收到检测光源后触发的；当上述触发指令和上述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，对放置在识物盒中的物品进行拍摄并返回上述物品的图像；接收上述摄像头发送的上述物品的图像；基于预先训练好的神经网络模型，对上述图像进行识别，得到上述物品的识别结果。在其中一个实施例中，上述识物盒为开放式腔体；上述光电传感器和上述摄像头均设置在上述识物盒的腔体内壁。在其中一个实施例中，上述摄像头设置在接近上述识物盒的开放面的内上顶角，上述摄像头位于上述物品的前斜上方。一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现以下步骤：在接收到光电传感器发送的触发指令之后，接收上述光电传感器发送的恢复指令，上述恢复指令是由指遮挡物移开之后，上述光电传感器中的接收器接收到检测光源后触发的；当上述触发指令和上述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，对放置在识物盒中的物品进行拍摄并返回上述物品的图像；接收上述摄像头发送的上述物品的图像；基于预先训练好的神经网络模型，对上述图像进行识别，得到上述物品的识别结果。上述识别物品的方法、装置、设备和存储介质，首先，处理器在接收到光电传感器发送的触发指令之后，接收上述光电传感器发送的恢复指令，其中，恢复指令是由指遮挡物移开之后，光电传感器中的接收器接收到检测光源后触发的；当上述触发指令和上述恢复指令的间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，拍摄并返回物品的图像；接下来，处理器可以接收摄像头发送的物品的图像；最后，处理器可以基于预先训练好的神经网络模型，对上述图像进行识别，得到上述物品的识别结果。这样，处理器可以基于接收到的光电传感器发送的触发指令和恢复指令的间隔时长，确定已有物品放入待识别区域，进而触发摄像头拍摄物品的图像并对物品的图像进行识别，而无需由操作人员确认物品放入后再通过处理器触发摄像头拍摄物品的图像，这样，在使用本申请的识别物品的方法对物品的识别过程中，无需人工干预，可以提高识别效率。附图说明图1为一个实施例中识别物品的方法的应用环境图；图2为一个实施例中识别物品的方法的流程示意图；图3为又一个实施例中识别物品的方法的流程示意图；图4为又一个实施例中S312的流程示意图；图5为一个实施例中识别物品的设备的结构示意图；图6为一个实施例中识别物品的系统的结构示意图；图7为一个实施例中识别物品的系统的处理流程逻辑图；图8为一个实施例中识别物品的装置的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的识别物品的方法，可以应用于如图1所示的应用环境中。其中，处理器102分别与摄像头104和光电传感器106电连接。其中，处理器102可以但不限于是计算机、笔记本电本文档来自技高网...

【技术保护点】
1.一种识别物品的方法，其特征在于，所述方法包括：在接收到光电传感器发送的触发指令之后，接收所述光电传感器发送的恢复指令，所述恢复指令是由指遮挡物移开之后，所述光电传感器中的接收器接收到检测光源后触发的；当所述触发指令和所述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，对放置在待识别区域中的物品进行拍摄并返回所述物品的图像；接收所述摄像头发送的所述物品的图像；基于预先训练好的神经网络模型，对所述图像进行识别，得到所述物品的识别结果。

【技术特征摘要】
1.一种识别物品的方法，其特征在于，所述方法包括：在接收到光电传感器发送的触发指令之后，接收所述光电传感器发送的恢复指令，所述恢复指令是由指遮挡物移开之后，所述光电传感器中的接收器接收到检测光源后触发的；当所述触发指令和所述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令，以使摄像头在接收到拍摄指令之后，对放置在待识别区域中的物品进行拍摄并返回所述物品的图像；接收所述摄像头发送的所述物品的图像；基于预先训练好的神经网络模型，对所述图像进行识别，得到所述物品的识别结果。2.根据权利要求1所述的方法，其特征在于，在所述当所述触发指令和所述恢复指令的接收间隔时长符合预设条件时，向摄像头发送拍摄指令之前，所述方法还包括：判断所述触发指令和所述恢复指令的接收间隔时长是否小于预设的时长阈值；若是，则所述触发指令和所述恢复指令的接收间隔时长符合预设条件。3.根据权利要求1所述的方法，其特征在于，所述物品的图像是以所述物品的前斜上方为拍摄方向进行拍摄而得到的。4.根据权利要求1所述的方法，其特征在于，所述预先训练好的神经网络模型包括深度卷积神经网络模型；所述预先训练好的神经网络模型中的卷积层的参数和全连接层的参数，是基于预设的均匀分布初始化方法进行初始化设置的。5.根据权利要求1所述的方法，其特征在于，所述预先训练好的神经网络模型包括至少五个卷积层和至少三个全连接层；所述基于预先训练好的神经网络模型，对所述图像进行识别，得到所述物品的识别结果的步骤，包括：将所述物品的图像，输入所述预先训练好的神经网络模型中的卷积层，由所述卷积层从所述图像中提取多维特征向量；将所述卷积层提取的所述多维特征向量，输入所述预先训练好的神经网络模型中的全连接层，由所述全连接层对所述多维特征向量进行归一化处理，得到一维特征向量，将所述一维特征向...

【专利技术属性】
技术研发人员：秦诗玮，黄琛，王树燚，赵辛，褚英昊，赵紫州，熊小刚，
申请(专利权)人：深圳市微埃智能科技有限公司，
类型：发明
国别省市：广东,44