CN119515203B - 电池转运检测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请属于物流线检测技术领域，公开了一种电池转运检测方法、装置、设备及存储介质，方法包括：获取物流线上多个位置的图像数据；对所述图像数据进行目标检测，得到物体位置和物体属性；根据所述物体位置和所述物体属性对物流线上的电池转运进行检测，得到检测结果，在所述检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒。通过对物流线上多个位置的图像数据进行目标检测，从而快速识别存在异常转运的电池，能够有效监测物流线上电池的转运情况，及时发现异常转运现象，提高物流管理的安全性和效率。

Description

电池转运检测方法、装置、设备及存储介质

技术领域

本申请涉及物流线检测技术领域，尤其涉及电池转运检测方法、装置、设备及存储介质。

背景技术

在锂电池制造流程中电芯工序段超声波焊接后目检工序，存在人员违规检料的现象，电池转运过程需要质量检查人员进行把控，无法做到实时监控返工过程是否规范。

目前的物流线转运检测时主要是通过质量检查人员定时稽查员工是否违规检料，无法保证实时监控且检测效率较低。

发明内容

本申请的主要目的在于提供一种电池转运检测方法、装置、设备及存储介质，旨在解决物流线上物体异常检测效率较低的技术问题。

第一方面，本申请提供了一种电池转运检测方法，电池转运检测方法包括以下步骤：

获取物流线上多个位置的图像数据；

对图像数据进行目标检测，得到物流线上物体位置和物体属性；

根据物体位置和物体属性对物流线上的电池转运进行检测，得到检测结果。

在本方案中，通过对物流线上多个位置的图像数据进行目标检测，从而快速识别存在异常转运的电池，能够有效监测物流线上电池的转运情况，及时发现异常转运现象，提高物流管理的安全性和效率。

在一些实施例中，根据物体位置以及物体属性对物流线上的物体异常转运进行检测，得到检测结果的步骤包括：

确定物体属性为第一标签的待跟踪目标；

基于物体位置确定待跟踪目标的第一物体矩形框位置，并根据第一物体矩形框位置确定第一矩形框；

计算第一矩形框与物流线预设区域的第一重叠比例；

在第一重叠比例小于第一预设比例阈值的情况下，将第一物体矩形框位置添加至待跟踪列表；

基于待跟踪列表对待跟踪目标进行电池转运检测，得到检测结果。

本申请实施例的技术方案中，通过设定特定的标签和重叠比例阈值，可以更加精确地筛选出需要关注的物体，减少误报率，提高异常检测的可靠性。

在一些实施例中，基于待跟踪列表对待跟踪目标进行电池转运检测，得到检测结果的步骤包括：

获取待跟踪列表中待跟踪目标的第一矩形框位置，并根据第一矩形框位置得到第一矩形框；

根据第一矩形框确定待跟踪目标的状态；

在待跟踪目标的状态为预设状态的情况下，确定待跟踪目标存在异常转运，得到电池异常转运的检测结果。

本申请实施例的技术方案中，根据第一矩形框确定待跟踪目标的状态，从而通过待跟踪目标的状态来决定物流线上的电池是否存在异常转运，提高电池异常转运检测的准确性和速度。

在一些实施例中，根据第一矩形框确定待跟踪目标的状态的步骤包括：

在待跟踪目标的第一矩形框与物流线预设区域的第一重叠比例大于第二预设比例阈值以及待跟踪目标的物体属性为第一标签的情况下，将待跟踪目标的物体属性变更为第二标签；

根据待跟踪列表得到待跟踪目标的初始位置和当前位置；

计算初始位置与物流线中心位置的第一距离和当前位置与物流线中心位置的第二距离；

根据第一矩形框确定待跟踪列表中待跟踪目标的图像帧数；

根据第二标签、第一距离、第二距离、图像帧数以及第一重叠比例确定待跟踪目标的状态。

本申请实施例的技术方案中，增加了物体属性变更机制和距离计算，能够更灵活地适应物流线上物体位置的变化，提高了异常检测的动态适应能力。

在一些实施例中，根据第二标签、第一距离、第二距离、图像帧数以及第一重叠比例确定待跟踪目标的状态的步骤包括：

在满足第一距离小于第二距离、待跟踪目标的物体属性变更为第二标签、第一重叠比例小于第三预设比例阈值以及图像帧数达到设置帧数的情况下，确定待跟踪目标的状态为预设状态，第二预设比例阈值小于第三预设比例阈值，第一预设比例阈值大于第三预设比例阈值；

在不满足第一距离小于第二距离、待跟踪目标的物体属性变更为第二标签、第一重叠比例小于第三预设比例阈值以及图像帧数达到设置帧数中的至少一项的情况下，确定待跟踪目标的状态不为预设状态。

本申请实施例的技术方案中，通过设定多条件组合判断待跟踪目标的状态，可以更加精准地识别物流线上电池的异常转运行为，减少错误检测的概率。

在一些实施例中，方法还包括：

对待跟踪列表中的待跟踪目标进行预测，得到预测物体矩形框位置；

根据预测物体矩形框位置得到预测矩形框；

计算预测矩形框和待跟踪列表中对应的第一矩形框之间的重叠值；

在重叠值大于第二预设比例阈值的情况下，确定预测矩形框与第一矩形框匹配；

在预测矩形框与第一矩形框匹配的情况下，根据预测物体矩形框位置对待跟踪目标的第一物体矩形框位置进行更新，得到更新的待跟踪列表。

本申请实施例的技术方案中，通过提前预测物体的未来位置，从而将物体的预测位置和当前位置进行比较，可快速对物流线上的物体的运动状态进行实时更新，有助于提前采取措施，减少因物体突然变化而造成的漏检或误检。

在一些实施例中，方法还包括：

在重叠值小于等于第二预设比例阈值的情况下，确定预测矩形框与第一矩形框不匹配；

在预测矩形框与第一矩形框不匹配的情况下，获取未匹配帧数；

在未匹配帧数小于等于预设帧数阈值的情况下，将预测矩形框对应的目标添加至待跟踪列表进行检测；

在未匹配帧数大于预设帧数阈值的情况下，将预测矩形框对应的待跟踪目标从待跟踪列表中剔除。

本申请实施例的技术方案中，当预测位置与实际位置不匹配的情况下，设置合理的处理流程，既可以及时更新跟踪列表，也可以避免长时间错误跟踪，提高检测的准确性。

在一些实施例中，方法还包括：

在检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒。

本申请实施例的技术方案中，在检测到物流线上的电池存在异常转运的情况下，进行电池异常转运提醒，从而可以立即引起相关人员注意，快速响应异常情况，减少电芯被取出物流线等异常情况的发生，减少损失。

在一些实施例中，在检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒的步骤包括：

在检测结果为物流线上的电池存在异常转运的情况下，生成报警信息，并获取历史报警间隔时间；

在历史报警间隔时间超过预设间隔时间的情况下，获取待跟踪目标的中心点数据；

根据中心点数据生成待跟踪目标的轨迹信息；

将报警信息和轨迹信息发送至用户进行电池异常转运提醒。

本申请实施例的技术方案中，在检测到异常转运后，通过生成报警信息并发送给用户，可以立即引起相关人员注意，快速响应异常情况，减少电芯被取出物流线等异常情况的发生，减少损失。

在一些实施例中，根据物体位置以及物体属性对物流线上的电池转运进行检测，得到检测结果的步骤包括：

确定物体属性为第三标签的预设物体；

根据物体位置得到预设物体的第二矩形框位置，并根据第二矩形框位置确定第二矩形框；

计算第二矩形框与物流线预设区域的第二重叠比例；

在第二重叠比例大于第四预设比例阈值的情况下，确定物流线上存在预设物体；

获取检测物流线上存在预设物体的检测次数；

在预设时长阈值内检测到预设物体且检测次数大于预设次数阈值的情况下，确定物流线上的电池存在异常转运，得到电池异常转运的检测结果。

本申请实施例的技术方案中，根据物体的标签确定是否检测到预设物体，并根据物流线上是否存在预设物体进行电池异常转运检测，提高检测的全面性和准确性。

在一些实施例中，方法还包括：

在检测结果为物流线上的电池存在异常转运的情况下，对预设物体或待跟踪目标进行标注，得到标注图像；

生成报警信息，并获取历史报警间隔时间；

在历史报警间隔时间超过预设间隔时间的情况下，将报警信息和标注图像发送至用户进行电池异常转运提醒。

本申请实施例的技术方案中，在电池存在异常转运的情况下，及时生成报警信息进行提醒，通过生成带有标注的图像，不仅可以让用户直观了解异常情况，还能作为后续分析的重要依据。

在一些实施例中，根据物体位置和物体属性对物流线上的电池转运进行检测，得到检测结果的步骤包括：

将物体位置和物体属性输入至异常检测模型；

通过异常检测模型进行物流线上的物体异常转运检测，得到检测结果。

本申请实施例的技术方案中，利用训练好的异常检测模型进行检测，可以将复杂的逻辑封装在模型内部，简化了外部接口，便于维护和升级，同时也提升了检测的精度和速度。

在一些实施例中，异常检测模型通过如下方式训练，包括：

获取训练样本，其中，训练样本包括电池正常转运图像和电池异常转运图像；

根据训练样本对初始模型进行训练，得到异常检测模型。

本申请实施例的技术方案中，通过使用包含电池正常转运图像和异常转运图像的训练样本训练模型，从而得到异常检测模型，异常检测模型能够更快速和准确地区分正常状态和异常状态，从而提高了检测的准确性和效率。

在一些实施例中，获取训练样本，包括：

获取原始图像数据；

对原始图像数据进行标注，得到物流线上原始物体位置和原始物体属性；

根据原始物体位置和原始物体属性对物流线上的物体进行跟踪，得到电池正常转运图像和电池异常转运图像。

本申请实施例的技术方案中，通过对原始图像数据进行标注，明确物流线上物体的位置和属性，能够确保用于训练的数据集具有高精度和高可靠性。高质量的数据是构建高效模型的基础，有助于提高模型的学习效率和最终性能。基于标注的原始物体位置和属性信息，可以实现对物流线上物体的精准跟踪。这种准确的跟踪能力对于区分正常转运和异常转运至关重要，有助于模型学习到不同转运状态下的图像特征，进一步提高异常检测的准确性。

第二方面，为实现上述目的，本申请还提出一种电池转运检测装置，电池转运检测装置包括：

获取模块，用于获取物流线上多个位置的图像数据；

检测模块，用于对图像数据进行目标检测，得到物流线上物体位置和物体属性；

检测模块，还用于根据物体位置和物体属性对物流线上的电池转运进行检测，得到检测结果。

第三方面，为实现上述目的，本申请还提出一种电池转运检测设备，设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序配置为实现如上文的电池转运检测方法的步骤。

第四方面，为实现上述目的，本申请还提出一种存储介质，存储介质为计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上文的电池转运检测方法的步骤。

第五方面，为实现上述目的，本申请还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序被处理器执行时实现如上文的电池转运检测方法的步骤。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读对下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在全部附图中，用相同的附图表号表示相同的部件。在附图中：

图1为本申请实施例提出的电池转运检测方法一实施例的流程示意图；

图2为本申请实施例提出的电池转运检测方法一实施例中物流线区域、中心直线以及物流线上物体的关系示意图；

图3为本申请实施例提出的电池转运检测方法一实施例的流程示意图；

图4为本申请实施例提出的电池转运检测方法一实施例的流程示意图；

图5为本申请实施例提出的电池转运检测方法一实施例的流程示意图；

图6为本申请实施例提出的电池转运检测方法一实施例的流程示意图；

图7为本申请实施例提出的电池转运检测方法一实施例的简要流程示意图；

图8为本申请实施例电池转运检测装置的模块结构示意图；

图9为本申请实施例中电池转运检测方法涉及的硬件运行环境的设备结构示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本申请实施例的描述中，术语“多个”指的是两个以上（包括两个），同理，“多组”指的是两组以上（包括两组），“多片”指的是两片以上（包括两片）。

在本申请实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请实施例的限制。

在本申请实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请实施例中的具体含义。

在电池生产中的电芯工序段超声波焊接工序，极耳与转接片使用超声波焊接，焊接完成后经过物流线转移至下一工序，需要检查焊接部位是否平整、无明显凹凸，以确保焊接质量符合标准。而且，确认焊接接头是否均匀且无裂纹，对于电池的安全性和可靠性至关重要，否则下一工序可能存在设备宕机、物流线卡死、设备无法继续生产的问题。员工为提高产能，将物流线上的电芯取出（可能手持、放在托盘内或放在亚克力板上）转移至货架。电芯取出过程中，可能会造成电芯张开角度过大，导致极耳开裂，需要排查原因及确认风险范围，从而需要停机停线停止出货，影响生产及出货，损失无法估算。在电芯转运过程质量检查人员需要进行把控，但无法做到实时监控返工过程是否规范。因此，需要通过AI辅助检测识别超声波焊接工序物流线上（即人员将电芯从物流线内转移到别的区域的过程中）有没有违规操作。

目前物流线进行物体检测主要是使用DeepSort（Deep learning based SORT，基于深度学习的多目标跟踪算法）进行跟踪，使用深度学习模型提取目标的外观特征，结合目标的运动信息和外观特征进行关联跟踪，匹配准确性提高，但是效率降低。并且在检测过程中结合现场实际情况，只需对有离开物流线迹象的手拿电芯的目标进行跟踪，因此只依赖目标的运动位置信息进行目标过滤和级联匹配，检测不够准确。

因此，需要提高物流线上物体异常转运检测的效率和准确性，本申请的发明构思为：

根据实际目标效果，使用轻量级的目标跟踪算法，增加对跟踪目标的初始过滤条件，根据跟踪结果，计算跟踪轨迹的初始方向和跟踪目标与物流线区域的交并比，精确定位电芯是否是从物流线内被取出的异常情况。从而提高物体异常转运检测的效率和准确性。

具体地，本方案通过对获取的物流线上的图像数据进行目标检测，从而识别出多个物体的位置和属性，并基于各个物体的位置和属性对物体进行持续跟踪，根据跟踪的结果确定物流线上的电芯是否存在异常转运，即用户是否有违规操作。

在实际应用中，本申请描述的实施例应用于电池生产过程中电芯工序段超声波焊接后工序的场景中，还可应用于电池生产过程中的其他工序，本实施例对此不作限制。

本申请针对物流线上物体异常检测效率较低的技术问题，提出了一种电池转运检测方法，参照图1，本示例中，电池转运检测方法包括：

步骤S10：获取物流线上多个位置的图像数据。

需要说明的是，本实施例的执行主体为电池转运检测设备，电池转运检测设备具体可包括：进行物流线上视频采集的摄像头、进行图像处理和目标检测的处理器以及进行预警的设备等。

在具体实施中，物流线主要为超声波物流线，多个位置可提前设置，具体可在超声波物流线区域内设置的各个位置，例如物流线区域的四周可覆盖整个物流线区域的位置。多个位置为拍摄超声波物流线的位置。在具体实施中，可提前在超声波物流线上的各个位置安装多个摄像头，从而进行现场监控。例如，在物流线的入口、出口、关键节点等位置安装摄像头，确保覆盖整个物流线。

可以理解的是，图像数据可通过摄像头拍摄的视频数据切分得到，具体可通过RTSP（Real-Time Streaming Protocol，网络控制协议）获取现场多个位置监控摄像头的视频流，从而得到视频数据，并根据视频数据进行抽帧，从而得到图像数据。

例如实时视频流1秒25帧，则每个视频流每隔5帧取一张图像，从而得到多个位置的图像数据。

步骤S20：对图像数据进行目标检测，得到物体位置和物体属性。

在具体实施中，对图像数据进行目标检测可通过深度学习的目标检测算法实现，例如R-CNN（Region-based Convolutional Neural Network，基于区域的卷积神经网络）、SPP-Net（Spatial Pyramid Pooling Networks，空间金字塔池化网络）、Fast R-CNN（FastRegion-based Convolutional Network，快速的基于区域的卷积神经网络）等，还可通过目标检测算法，例如基于角点的检测算法，通过预测目标的左上角和右下角点来确定边界框；还可通过目标检测模型，例如YOLO-v5、YOLOv10等系列的目标检测模型进行目标检测。

例如使用YOLO-v5模型训练得到的目标检测模型对获取的图像数据进行处理，从而识别出图像中物体位置和物体属性。

物体位置可包括物体在物流线上的具体位置坐标，物体属性可包括各个物体所属的类别，例如用标签信息代表不同物体的类别，物流线上的电芯（标签1）、手持电芯的人员（标签0）、亚克力板（标签2）等。

目标检测模型可通过前期收集的标注有物体位置和物体属性的样本数据训练得到，从而通过目标检测模型对图像数据进行目标识别，得到当前物流线上的物体位置和物体属性。物体可包括电芯、手持电芯的人员以及亚克力板等，还可包括其他物体。

在进行物流线上物体异常转运检测之前，可提前收集数据并进行点位信息配置，具体可通过RTSP取流，获取现场监控摄像头的视频，收集超声波物流线对应点位的正常及异常操作行为的视频数据，将视频切分为图像数据，选出画面变化大且尽可能涵盖各种情况的图像，并对数据进行处理。具体步骤如下：视频收集：按实际返工过程可能会出现的情况模拟各种电芯取出的动作，并截取对应视频，包括以下情况：OK（无异常转运的情况）：员工戴白/蓝/黑手套将电芯单独/带托盘从物流线外转运到物流线内；员工戴白/蓝/黑手套正常检查电芯，电芯不完全超出物流线。NG（存在异常转运的情况）：员工戴白/蓝/黑手套将电芯单独/带托盘从物流线内转运到物流线外；白色/粉色等亚克力板出现在物流线位置盖子上超过一定时间（用户指定时间）。以上两种情况均需用尽量多种外观的电芯进行模拟，包括但不限于：半蓝膜半白膜电芯，蓝膜全覆盖的电芯，中间小部分被蓝膜覆盖的电芯等。

设置业务配置信息：将确定各位置的物流线的四边形区域region、中心直线steel_line、亚克力板最长可以存在的时间等信息通过接口暴露给用户根据实际画面变动进行配置。如图2所示，图2为物流线区域、中心直线以及物流线上物体的关系示意图，电芯和托盘构成一个整体放置在物流线上，用户通过拿取托盘从而查看电芯。

在设置业务配置信息后，可对收集的数据进行处理，从而进行模型的构建，得到YOLO-v5模型。具体可将收集到的视频分帧并在图像数据中过滤掉画面重复度较高的图片，作为样本图片数据集，按比例划分为样本训练集，样本验证集和样本测试集。对重复度较高的图片进行过滤可使用相似度计算、重复率比对等方式，从而将重复度较高的图像进行剔除。在得到样本训练集，样本验证集和样本测试集后，可通过标注软件（如labelme标注软件）或人工对图片数据的样本训练集和样本验证集进行标注，标注员工手持电芯的动作（标签0）、单独的电芯（标签1）、亚克力板（标签2）等物体的属性和位置，通过yolov5s模型进行训练，获得目标检测模型，使用训练好的目标检测模型对样本测试集数据进行预标注（例如使用标注软件进行标注），将预标注文件中标签错误或者标注框大小与预期不符的标注文件进行修改，进行模型训练迭代。从而得到更新后的目标检测模型。

在需要进行物流线上的异常转运检测时，可将获取的图像数据输入至目标检测模型进行检测，从而得到各物体的物体位置和物体属性。物体位置可包括物体矩形框位置。目标检测模型除了输出物体位置和物体属性，还可输出检测的物体的置信度，从而可根据置信度进行物体的类别识别。

步骤S30：根据物体位置和物体属性对物流线上的电池转运进行检测，得到检测结果，其中，对物流线上的电池进行转运包括：根据物体位置和物体属性对物体进行跟踪，确定是否存在电池异常转运。

在具体实施中，可根据物体属性以及物体位置计算每个物体矩形框与预设区域的重叠比例，从而根据重叠比例进一步对物体进行跟踪检测，从而检测物流线上的电池是否存在异常转运，异常转运即物流线上的电池被用户从物流线上取出。

例如，设定物流线预设区域为一个四边形区域，计算每个物体矩形框与该区域的交并比（IoU）。如果某个物体的IoU小于预设阈值（如0.9），则认为该物体可能从物流线内被移出，需对该物体进行持续跟踪，并设置比对规则，从而根据跟踪的结果与设置的比对规则进行比对，若不符合比对规则，则说明电池存在异常转运。

该实施例提出一种电池转运检测方法，通过对物流线上多个位置的图像数据进行目标检测，从而快速识别存在异常转运的电池，能够有效监测物流线上电池的转运情况，及时发现异常转运现象，提高物流管理的安全性和效率。

在一些实施例中，可根据物体位置中的具体矩形框位置对物体进行跟踪检测，从而得到物体的检测结果，参照图3，步骤S30具体包括：

步骤S301：确定物体属性为第一标签的待跟踪目标。

需要说明的是，第一标签即手持电芯的人员对应的标签（标签0），可根据物体属性中各物体的标签中筛选出标签为第一标签的目标，作为待跟踪目标。

员工正常检查电芯时，手持电芯的目标会保持在物流线内，不需要跟踪，因此可先确定手持电芯的待跟踪目标，并对待跟踪目标进行检测，确定是否需要持续跟踪。

步骤S302：基于物体位置确定待跟踪目标的第一物体矩形框位置，并根据第一物体矩形框位置确定第一矩形框。

需要说明的是，在目标检测完成后，可根据物体位置获取每个物体矩形框的具体位置信息，包括矩形框的左上角和右下角坐标。

通过获取物体矩形框位置，从而方便根据物体矩形框位置对物体进行持续跟踪检测。

可以理解的是，第一物体矩形框位置即手持电芯的待跟踪目标的矩形框位置，在得到物体位置后，可确定第一矩形框，包括第一矩形框的大小和属性等。

手持电芯的人员会存在多个，因此，待跟踪目标也会存在多个，得到的第一矩形框的数量也可为多个。

物体属性不同时，对应的检测对象不同，例如物体属性为1，即物体为单独的电芯，则无需进行异常转运检测，若物体属性为0，即员工手持电芯，则可根据物体矩形框位置对物体属性为0的目标进行持续检测。

例如，如果某个手持电芯的人员（标签0）的矩形框位置与物流线预设区域的重叠比例小于0.9，则认为该人员可能将电芯从物流线内移出，因此需要进一步对该标签的物体进行检测。

步骤S303：计算第一矩形框与物流线预设区域的第一重叠比例。

在具体实施中，可分别计算第一矩形框中各个矩形框与物流线预设区域的重叠比例，即第一重叠比例，物流线预设区域即物流线的四边形区域。

计算第一矩形框与物流线的四边形区域的重叠比例可计算第一矩形框与物流线预设区域之间的交集区域和并集区域，从而得到第一矩形框与物流线预设区域之间的交并比，即第一重叠比例。计算过程如下式1：

（式1）

上式1中，Area of Overlap是第一矩形框与物流线预设区域形成的矩形框之间的交集区域的面积。Area of Union是第一矩形框与物流线预设区域形成的矩形框之间的并集区域的面积。

步骤S304：在第一重叠比例小于第一预设比例阈值的情况下，将第一物体矩形框位置添加至待跟踪列表。

第一预设比例阈值可设置为0.9，用于衡量是否待跟踪目标是否需要进行检测的临界值，例如第一重叠比例大于等于0.9，证明第一矩形框对应的目标保持在物流线内，无需跟踪，当第一重叠比例小于第一预设比例阈值0.9，可将第一矩形框位置添加至待跟踪列表。

待跟踪列表为可能存在异常转运的目标，因此，需要进行持续跟踪，当出现新的目标时，可将对应目标的信息添加至待跟踪列表，当待跟踪列表中的目标长时间未跟踪到时，也可将其从待跟踪列表中移除。

步骤S305：基于待跟踪列表对待跟踪目标进行电池转运检测，得到检测结果。

可通过对待跟踪列表中的目标进行持续跟踪，计算后续矩形框与物流线预设区域的重叠比例，判断电池是否从物流线内被移出。

若待跟踪目标从物流线内被移出，即存在电池异常转运，可进行报警。

本申请实施例的技术方案中，通过设定特定的标签和重叠比例阈值，可以更加精确地筛选出需要关注的物体，减少误报率，提高异常检测的可靠性。

在一种可行的实施方式中，可根据待跟踪列表中各待跟踪目标的状态进一步确认待跟踪目标是否存在异常转运，从而得到检测结果，则步骤S305包括：

步骤A11：获取待跟踪列表中待跟踪目标的第一矩形框位置，并根据第一矩形框位置得到第一矩形框；

需要说明的是，可获取待跟踪列表中各个待跟踪目标的矩形框位置以及第一矩形框大小，从而便于确定待跟踪目标的状态。

步骤A12：根据第一矩形框确定待跟踪目标的状态；

可根据第一矩形框的信息，判断待跟踪目标的状态。例如，根据第一矩形框与物流线预设区域的第一重叠比例的变化情况确定待跟踪目标的状态。

待跟踪目标的状态可为预设状态或不为预设状态，预设状态表征待跟踪目标的NG状态，即待跟踪目标存在异常转运的状态。

在一种可行的实施方式中，根据第一矩形框确定待跟踪目标的状态包括：在待跟踪目标的第一矩形框与物流线预设区域的第一重叠比例大于第二预设比例阈值以及待跟踪目标的物体属性为第一标签的情况下，将待跟踪目标的物体属性变更为第二标签；根据待跟踪列表得到待跟踪目标的初始位置和当前位置；计算初始位置与物流线中心位置的第一距离和当前位置与物流线中心位置的第二距离；根据第一矩形框确定待跟踪列表中待跟踪目标的图像帧数；根据第二标签、第一距离、第二距离、图像帧数以及第一重叠比例确定待跟踪目标的状态。

需要说明的是，第二预设比例阈值可设置为0.1，即待跟踪目标的第一矩形框与物流线预设区域之间的交并比大于0.1，证明此时待跟踪目标还未从物流线上离开，并且待跟踪目标的物体属性为第一标签0，此时将待跟踪目标的物体属性由第一标签变更为第二标签1，即出现单独的电芯。

由于待跟踪列表中存在不同时刻的多个相同的待跟踪目标或多个不同的待跟踪目标，因此，可在待跟踪列表中查询同一个待跟踪目标的初始位置和当前位置，初始位置可为刚开始对待跟踪目标进行跟踪（即待跟踪目标的第一矩形框与物流线预设区域小于0.9时）的位置，当前位置即待跟踪目标的当前位置。物流线中心位置可为物流线中心线上的任一点，可提前在物流线中心线上设置固定的物流线中心位置，从而计算初始位置与物流线中心位置之间的第一距离以及当前位置与物流线中心位置之间的第二距离。第一距离和第二距离可为与物流线中心位置之间的直线距离。

待跟踪目标的图像帧数即每个待跟踪目标加入至待跟踪列表的数量，为提高跟踪的准确性，可设置加入至待跟踪列表中待跟踪目标的图像帧数，例如设置为4帧、5帧，从而提高检测的准确性。

在具体实施中，可基于第二标签、第一距离、第二距离、图像帧数以及第一重叠比例共同确定待跟踪目标是否为预设状态。

通过增加了物体属性变更机制和距离计算，能够更灵活地适应物流线上物体位置的变化，提高了异常检测的动态适应能力。

在一种可行的实施方式中，根据第二标签、第一距离、第二距离、图像帧数以及第一重叠比例确定待跟踪目标的状态的步骤包括：

在满足第一距离小于第二距离、待跟踪目标的物体属性变更为第二标签、第一重叠比例小于第三预设比例阈值以及图像帧数达到设置帧数的情况下，确定待跟踪目标的状态为预设状态，第二预设比例阈值小于第三预设比例阈值，第一预设比例阈值大于第三预设比例阈值；

在不满足第一距离小于第二距离、待跟踪目标的物体属性变更为第二标签、第一重叠比例小于第三预设比例阈值以及图像帧数达到设置帧数中的至少一项的情况下，确定待跟踪目标的状态不为预设状态。

需要说明的是，第三预设比例阈值可设置为0.2，若第一重叠比例小于第三预设比例阈值，说明待跟踪目标逐渐离开物流线但未完全离开物流线，第一距离小于第二距离说明待跟踪目标的初始位置比现在更靠近物流线的中心直线，待跟踪目标的物体属性变更为第二标签，说明待跟踪目标变成单独的电芯，待跟踪目标的图像帧数达到设置帧数说明待跟踪目标的跟踪量满足要求。设置帧数可设置为4帧、6帧等。

当待跟踪目标同时满足上述四个条件时，说明此时人员存在违规操作，即有人员将物流线上的电芯从物流线上取出，即待跟踪目标的状态为预设状态。

可以理解的是，若不满足待跟踪目标的跟踪次数达到设定帧数、待跟踪目标的物体属性未变更为第二标签、待跟踪目标与物流线预设区域的第一重叠比例小于0.2或待跟踪目标的初始位置比现在更靠近中心直线中的至少一项，说明当前并未存在电芯被从物流线上取出的违规操作，待跟踪目标的当前状态不为预设状态，可持续对待跟踪目标进行跟踪。

通过设定多条件组合判断待跟踪目标的状态，可以更加精准地识别电池异常转运行为，减少错误检测的概率。

步骤A13：在待跟踪目标的状态为预设状态的情况下，确定待跟踪目标存在异常转运，得到电池异常转运的检测结果。

在具体实施中，若待跟踪目标的状态符合预设状态，则说明此时物流线上的电池被用户从物流线上取出，此时电池存在异常转运。

本申请实施例的技术方案中，根据第一矩形框确定待跟踪目标的状态，从而通过物体的状态来决定是否存在异常转运，提高异常转运检测的准确性和速度。

需要说明的是，在对待跟踪目标进行跟踪的过程中，存在新出现的目标或消失的目标，因此，需要对待跟踪列表进行实时更新。参照图4，步骤S304之后，还包括：

步骤A141：对待跟踪列表中的待跟踪目标进行预测，得到预测物体矩形框位置。

在具体实施中，对待跟踪列表中的待跟踪目标进行预测可使用卡尔曼滤波、基于物理模型的方法（如动力学模型或运动学模型）、基于运动模式的方法或深度学习方法来实现，例如通过卡尔曼滤波器对转运目标进行预测，从而可得到目标的下一状态，即预测物体矩形框位置。

步骤A142：根据预测物体矩形框位置得到预测矩形框。

在具体实施中，在得到预测物体矩形框位置后，可根据预测物体矩形框位置得到预测的数据，包括预测矩形框。

预测矩形框中包括待跟踪目标的ID、待跟踪目标的类别等。

步骤A143：计算预测矩形框和待跟踪列表中对应的第一矩形框之间的重叠值。

在具体实施中，可计算第一矩形框和其对应的预测矩形框之间的重叠程度，从而得到重叠值。

步骤A144：在重叠值大于第二预设比例阈值的情况下，确定预测矩形框与第一矩形框匹配。

应理解的是，可通过计算的重叠值对预测矩形框和第一矩形块之间的匹配关系，从而确定哪些预测的目标与现有的待跟踪目标匹配，哪些是新出现的目标，哪些是消失的目标。

具体地，第二预设比例阈值可设置为0.1，当重叠值大于第二预设比例阈值0.1时，可确定预测矩形框与第一矩形框匹配成功。

在一种可行的实施方式中，若重叠值小于等于第二预设比例阈值，证明预测矩形框与第一矩形框不匹配，可对不匹配的矩形框进行对应的处理，则在步骤A143之后，还包括：

在重叠值小于等于第二预设比例阈值的情况下，确定预测矩形框与第一矩形框不匹配；

在预测矩形框与第一矩形框不匹配的情况下，获取未匹配帧数；

在未匹配帧数小于等于预设帧数阈值的情况下，将预测矩形框对应的目标添加至待跟踪列表进行检测；

在未匹配帧数大于预设帧数阈值的情况下，将预测矩形框对应的待跟踪目标从待跟踪列表中剔除。

需要说明的是，若预测矩形框与第一矩形框之间的重叠值小于等于第二预设比例阈值，则证明预测矩形框未匹配上第一矩形框，对于未匹配到的预测矩形框，可判断其是否超过设定的帧数max_age，max_age为在没有目标关联的情况下待追踪列表存活的最大帧数，因此可获取预测矩形框与第一矩形框不匹配的次数，得到未匹配帧数。

在具体实施中，预设帧数阈值即max_age，可设置为5帧，还可设置为其他值，本实施例对此不作限制。

若未匹配帧数小于等于预设帧数阈值，则判断为该目标轨迹被遮挡，因此可将预测矩形框对应的目标添加至待跟踪列表，继续进行更新和检测。

若未匹配帧数超过预设帧数阈值，则无需再对预测矩形框对应的目标进行跟踪，则可将预测矩形框对应的待跟踪目标从待跟踪列表中剔除，删除待跟踪目标的轨迹。从而根据预测矩形框对待跟踪列表进行更新。

当预测位置与实际位置不匹配时，设置合理的处理流程，既可以及时更新跟踪列表，也可以避免长时间错误跟踪，提高检测的准确性。

步骤A145：在预测矩形框与第一矩形框匹配的情况下，根据预测物体矩形框位置对待跟踪目标的第一物体矩形框位置进行更新，得到更新的待跟踪列表。

在具体实施中，若预测矩形框与第一矩形框匹配，则可根据预测矩形框位置对待跟踪目标中对应的目标的位置进行更新，不断跟踪待跟踪目标的位置，从而进行电池转运检测。

可以理解的是，在匹配完成后，可返回当前帧所有待跟踪目标的边界框和ID，将结果添加至待跟踪列表中，得到更新的待跟踪列表。从而在对待跟踪目标进行异常转运检测时，通过更新的待跟踪列表进行实时检测。

本申请实施例的技术方案中，通过引入预测机制，可以提前预测物体的未来位置，从而将物体的预测位置和当前位置进行比较，可快速对物流线上的物体的运动状态进行实时更新，有助于提前采取措施，减少因物体突然变化而造成的漏检或误检。

在一些实施例中，除了对电芯的异常检测，对物体异常转运检测还包括检测物流线上是否存在装载电芯的物体，因此，参照图5，步骤S30还包括：

步骤S301'：确定物体属性为第三标签的预设物体。

需要说明的是，物体属性为第三标签说明物流线上出现预设物体，预设物体为可装载物流线上的电芯的装置，例如亚克力板，密封箱等，本实施例对此不作限制，本实施例以亚克力板为例进行说明。

步骤S302'：根据物体位置得到预设物体的第二矩形框位置，并根据第二矩形框位置确定第二矩形框。

在具体实施中，可通过检测的物体矩形框位置得到预设物体的矩形框位置，即第二矩形框位置，从而根据第二矩形框位置确定第二矩形框的大小、形状等。

步骤S303'：计算第二矩形框与物流线预设区域的第二重叠比例。

在具体实施中，可计算第二矩形框与物流线预设区域之间的重叠比例，即第二重叠比例，通过将第二重叠比例与设置的比例阈值进行比较，从而判断物流线上是否存在亚克力板。

在具体实施中，进行目标检测时，还会输出第二矩形框的置信度，从而根据置信度判断检测的目标是否为预设物体，例如置信度大于等于设置的置信度阈值，则对应的目标为第三标签的预设物体，若置信度小于设置的置信度阈值，则对应的目标不为第三标签的预设物体，可将其目标对应的矩形框从检测的物体中剔除。

步骤S304'：在第二重叠比例大于第四预设比例阈值的情况下，确定物流线上存在预设物体。

在具体实施中，第四预设比例阈值可设置为0.5，还可设置为其他值，例如第二重叠比例小于等于0.5，说明物流线内不存在预设物体，无需对其进行继续跟踪。

若第二重叠比例大于0.5，说明亚克力板出现在物流线内，记为当前帧检测到亚克力板，并将亚克力板出现的次数+1，作为检测次数。

步骤S305'：获取检测物流线上存在预设物体的检测次数。

在具体实施中，在每次检测到亚克力板后，将亚克力板出现的次数+1，因此可实时获取存在预设物体的检测次数。

步骤S306'：在预设时长阈值内检测到预设物体且检测次数大于预设次数阈值的情况下，确定物流线上的电池存在异常转运，得到电池异常转运的检测结果。

应理解的是，可设置预设次数阈值以及预设时长阈值，预设时长阈值为亚克力板最长可以存在的时间plate_ng_thres，例如预设时长阈值设置为5s，则每过5s，确定当前帧是否检测到亚克力板以及这段时间内的检测次数，若当前帧检测到亚克力板且检测次数大于预设次数阈值，确定物流线上的物体存在异常转运。

预设次数阈值设置为预设时长阈值，例如预设时长阈值为5s，则预设次数阈值设置为5s，若检测次数大于5s且当前帧检测到亚克力板，则记为亚克力板长时间存在于物流线内，证明用户通过亚克力板装载电芯，即确定物流线上的物体存在异常转运。

本申请实施例的技术方案中，根据物体的标签确定是否检测到预设物体，并根据物流线上是否存在预设物体进行异常转运检测，提高检测的全面性和准确性。

在一些实施例中，在得到物体的检测结果为存在电池异常转运时，可及时进行报警提醒，从而减少电芯被取出物流线等异常情况的发生，减少损失。参照图6，步骤S30之后，还包括：

步骤S40：在检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒。

可以理解的是，如果检测到电池存在异常转运，可生成报警信息，并将相关信息发送给用户。例如，通过声光报警器现场报警，并将报警信息和异常转运的图像数据推送到相关人员的手机或电脑上等，从而进行异常转运提醒。

可以理解的是，如果检测到电池存在异常转运，可生成报警信息，并将相关信息发送给用户。例如，通过声光报警器现场报警，并将报警信息和异常转运的图像数据推送到相关人员的手机或电脑上等，从而进行异常转运提醒。

在一种可行的实施方式中，步骤S40可以包括：

步骤B11：在检测结果为物流线上的物体存在异常转运的情况下，生成报警信息，并获取历史报警间隔时间。

需要说明的是，若检测结果为物流线上的电池存在异常转运，则生成报警信息，并获取历史报警间隔时间，历史报警间隔时间为距离上次报警的间隔时间。

步骤B12：在历史报警间隔时间超过预设间隔时间的情况下，获取待跟踪目标的中心点数据。

为避免频繁报警，可在历史报警间隔时间大于设置的间隔时间阈值时，才进行后续的报警操作，为提高对异常转运物体的精准定位，可获取待跟踪目标在不同位置处的中心点，得到中心点数据。

步骤B13：根据中心点数据生成待跟踪目标的轨迹信息。

需要说明的是，可通过待跟踪目标的中心点数据生成待跟踪目标的轨迹线，从而得到待跟踪目标的运动轨迹信息。

步骤B14：将报警信息和轨迹信息发送至用户进行电池异常转运提醒。

应理解的是，在生成待跟踪目标的轨迹信息后，可将报警信息以及轨迹信息一起发送至用户，从而进行异常转运提醒。

在得到异常转运检测的结果后，可将结果数据汇总写入数据库，同时将存在异常转运的结果显示数据通过cifs（网络文件共享协议）挂载写入共享路径，从而推送到相应的预警平台及现场报警器进行报警。根据轨迹信息将存在异常转运的物体的整个违规过程保存至对应路径进行存档。

本申请实施例的技术方案中，在检测到异常转运后，通过生成报警信息并发送给用户，可以立即引起相关人员注意，快速响应异常情况，减少电芯被取出物流线等异常情况的发生，减少损失。

在一些实施例中，在得到物体的检测结果为存在异常转运时，可及时进行报警提醒，从而减少电芯被取出物流线等异常情况的发生，减少损失。步骤S40还可包括：

步骤C11：在检测结果为物流线上的物体存在异常转运的情况下，对预设物体或待跟踪目标进行标注，得到标注图像。

需要说明的是，在检测结果为物流线上的物体存在异常转运时，可对预设物体或待跟踪目标进行标注，得到标注图像。标注图像为存在违规的图像。

步骤C12：生成报警信息，并获取历史报警间隔时间。

在存在异常转运时，生成报警信息，并获取上一次报警的时间。

步骤C13：在历史报警间隔时间超过预设间隔时间的情况下，将报警信息和标注图像发送至用户进行异常转运提醒。

当上一次报警的时间大于设定的预设间隔时间时，可将报警信息以及标注图像发送给用户进行异常转运提醒，例如将标注图像推送到异常结果反馈平台即相关负责人所在的网络中进行提醒，同时进行现场报警。

本申请实施例的技术方案中，在存在异常转运时，及时生成报警信息进行提醒，通过生成带有标注的图像，不仅可以让用户直观了解异常情况，还能作为后续分析的重要依据。

在一种可行的实施方式中，为提高异常转运检测的效率，可使用电芯段超声波焊接后岗位的正常和违规操作视频进行模型测试，从而训练异常转运模型，得到预设异常检测模型，因此，步骤S30还可以包括：

将物体位置和物体属性输入至异常检测模型；

通过异常检测模型进行物流线上的电池异常转运检测，得到检测结果。

应理解的是，异常检测模型为通过电芯段超声波焊接后岗位的正常和违规操作视频进行模型训练以及测试，并在模型达到预期的准确率后，生成的模型。

在进行异常转运检测时，将物体位置以及物体属性输入至异常检测模型，从而通过异常检测模型对物流线上的物体异常转运进行检测，输出检测结果。

在一种可行的实施方式中，异常检测模型的训练过程包括：

获取训练样本，其中，训练样本包括电池正常转运图像和电池异常转运图像；

根据训练样本对初始模型进行训练，得到异常检测模型。

需要说明的是，训练样本包括电池正常转运图像和电池异常转运图像，电池正常转运图像为图像中物流线上的电池没有被用户从物流线上取出，电池异常转运图像为图像中物流线上的电池被用户违规取出。

在得到电池正常转运图像和电池异常转运图像后，可根据电池正常转运图像和电池异常转运图像对初始模型进行训练，初始模型可为神经网络模型或其他类型的模型，本实施例对此不作限制，通过对初始模型进行训练，得到可对物流线上电池的转运进行检测的模型，即异常检测模型。

通过使用包含电池正常转运图像和异常转运图像的训练样本训练模型，从而得到异常检测模型，异常检测模型能够更快速和准确地区分正常状态和异常状态，从而提高了检测的准确性和效率。

在一种可行的实施方式中，电池正常转运图像和电池异常转运图像可提前标注得到，因此获取训练样本的步骤包括：获取原始图像数据；对原始图像数据进行标注，得到物流线上原始物体位置和原始物体属性；根据原始物体位置和原始物体属性对物流线上的物体进行跟踪，得到电池正常转运图像和电池异常转运图像。

需要说明的是，原始图像数据为通过布置在物流线周围的各个位置的摄像头采集的包含物流线区域的图像，可通过标注软件（如labelme标注软件）或人工对原始图像数据进行标注，从而得到各个图像数据中物流线上原始物体位置和原始物体属性，通过对原始物体位置和原始物体属性对物流线上的物体进行跟踪，从而判断是否存在电池异常转运的情况，得到电池正常转运图像和电池异常转运图像。

通过对原始图像数据进行标注，明确物流线上物体的位置和属性，能够确保用于训练的数据集具有高精度和高可靠性。高质量的数据是构建高效模型的基础，有助于提高模型的学习效率和最终性能。基于标注的原始物体位置和属性信息，可以实现对物流线上物体的精准跟踪。这种准确的跟踪能力对于区分正常转运和异常转运至关重要，有助于模型学习到不同转运状态下的图像特征，进一步提高异常检测的准确性。

本申请实施例的技术方案中，利用训练好的异常检测模型进行检测，可以将复杂的逻辑封装在模型内部，简化了外部接口，便于维护和升级，同时也提升了检测的精度和速度。

示例性地，为了助于理解本实施例结合上述实施例一后所得到的电池转运检测方法的实现流程，请参照图7，图7提供了一种电池转运检测方法的简要流程示意图，具体地：获取相关的配置信息并启动检测流程，读取物流线上待检测点位的监控视频流，判断跟踪目标链是否为空，若是，则创建检测目标链路，并返回读取待检测点位的监控视频流的步骤，若跟踪目标链不为空，则进行目标检测，检测手拿电芯目标与物流线范围交集比例是否小于0.9，若是，则通过卡尔曼滤波器预测检测目标，并使用匈牙利算法进行跟踪目标匹配，若未匹配，则删除跟踪目标，若匹配，则将目标信息更新到跟踪目标链并对卡尔曼滤波器进行修正，判断跟踪目标与物流线范围交集比例是否小于0.2，若否，则返回检测初始流程，若是，则判断目标跟踪是否到第4帧且4帧前的初始位置是否比现在更靠近物流线中心区域（金属杆），若是，则确定跟踪链内是否有目标与物流线范围交集比例大于0.1，若是，则生成报警信息，并判断距离上次报警时间是否超过5s，若是，则画出最新n条跟踪目标的轨迹，并保存异常转运（NG）画面，推送异常消息进行提醒。在进行目标检测时，还可检测亚克力板M分钟内是否存在超过N帧，若是，则保存NG画面，推送NG消息。

需要说明的是，上述示例仅用于理解本申请，并不构成对本申请电池转运检测方法的限定，基于此技术构思进行更多形式的简单变换，均在本申请的保护范围内。

本申请还提供一种电池转运检测装置，请参照图8，电池转运检测装置包括：

获取模块10，用于获取物流线上多个位置的图像数据。

检测模块20，用于对图像数据进行目标检测，得到物体位置和物体属性。

检测模块20，还用于根据物体位置和物体属性对物流线上的物体异常转运进行检测，得到检测结果。

本申请提供的电池转运检测装置，采用上述实施例中的电池转运检测方法，能够解决物流线上物体异常检测效率较低的技术问题。与现有技术相比，本申请提供的电池转运检测装置的有益效果与上述实施例提供的电池转运检测方法的有益效果相同，且电池转运检测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

在一实施例中，检测模块20，还用于根据物体位置得到物体矩形框位置；根据物体矩形框位置以及物体属性对物流线上的物体异常转运进行检测，得到检测结果。

在一实施例中，检测模块20，还用于确定物体属性为第一标签的待跟踪目标；基于物体位置确定待跟踪目标的第一物体矩形框位置，并根据第一物体矩形框位置确定第一矩形框；计算第一矩形框与物流线预设区域的第一重叠比例；在第一重叠比例小于第一预设比例阈值的情况下，将第一物体矩形框位置添加至待跟踪列表；基于待跟踪列表对待跟踪目标进行电池转运检测，得到检测结果。

在一实施例中，检测模块20，还用于获取待跟踪列表中待跟踪目标的第一矩形框位置，并根据第一矩形框位置得到第一矩形框；根据第一矩形框确定待跟踪目标的状态；在待跟踪目标的状态为预设状态的情况下，确定待跟踪目标存在异常转运，得到电池异常转运的检测结果。

在一实施例中，检测模块20，还用于在待跟踪目标的第一矩形框与物流线预设区域的第一重叠比例大于第二预设比例阈值以及待跟踪目标的物体属性为第一标签的情况下，将待跟踪目标的物体属性变更为第二标签；根据待跟踪列表得到待跟踪目标的初始位置和当前位置；计算初始位置与物流线中心位置的第一距离和当前位置与物流线中心位置的第二距离；根据第一矩形框确定待跟踪列表中待跟踪目标的图像帧数；根据第二标签、第一距离、第二距离、图像帧数以及第一重叠比例确定待跟踪目标的状态。

在一实施例中，检测模块20，还用于在满足第一距离小于第二距离、待跟踪目标的物体属性变更为第二标签、第一重叠比例小于第三预设比例阈值以及图像帧数达到设置帧数的情况下，确定待跟踪目标的状态为预设状态，第二预设比例阈值小于第三预设比例阈值，第一预设比例阈值大于第三预设比例阈值；在不满足第一距离小于第二距离、待跟踪目标的物体属性变更为第二标签、第一重叠比例小于第三预设比例阈值以及图像帧数达到设置帧数中的至少一项的情况下，确定待跟踪目标的状态不为预设状态。

在一实施例中，电池转运检测装置还包括更新模块；

更新模块，用于使用预设预测策略对待跟踪列表中的待跟踪目标进行预测，得到预测物体矩形框位置；根据预测物体矩形框位置得到预测矩形框；计算预测矩形框和待跟踪列表中对应的第一矩形框之间的重叠值；在重叠值大于第二预设比例阈值的情况下，确定预测矩形框与第一矩形框匹配；在预测矩形框与第一矩形框匹配的情况下，根据预测物体矩形框位置对待跟踪目标的第一物体矩形框位置进行更新，得到更新的待跟踪列表。

在一实施例中，更新模块，还用于在重叠值小于等于第二预设比例阈值时，确定预测矩形框与第一矩形框不匹配；在预测矩形框与第一矩形框不匹配的情况下，获取未匹配帧数；在未匹配帧数小于等于预设帧数阈值时，将预测矩形框对应的目标添加至待跟踪列表进行检测；在未匹配帧数大于预设帧数阈值的情况下，将预测矩形框对应的待跟踪目标从待跟踪列表中剔除。

在一实施例中，电池转运检测装置还包括提醒模块；

提醒模块，还用于在检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒。

在一实施例中，提醒模块，还用于在检测结果为物流线上的物体存在异常转运的情况下，生成报警信息，并获取历史报警间隔时间；在历史报警间隔时间超过预设间隔时间的情况下，获取待跟踪目标的中心点数据；根据中心点数据生成待跟踪目标的轨迹信息；将报警信息和轨迹信息发送至用户进行电池异常转运提醒。

在一实施例中，提醒模块，还用于确定物体属性为第三标签的预设物体；根据物体位置得到预设物体的第二矩形框位置，并根据第二矩形框位置确定第二矩形框；计算第二矩形框与物流线预设区域的第二重叠比例；在第二重叠比例大于第四预设比例阈值的情况下，确定物流线上存在预设物体；获取检测物流线上存在预设物体的检测次数；在预设时长阈值内检测到预设物体且检测次数大于预设次数阈值的情况下，确定物流线上的电池存在异常转运，得到电池异常转运的检测结果。

在一实施例中，提醒模块，还用于在检测结果为物流线上的电池存在异常转运的情况下，对预设物体或待跟踪目标进行标注，得到标注图像；生成报警信息，并获取历史报警间隔时间；在历史报警间隔时间超过预设间隔时间的情况下，将报警信息和标注图像发送至用户进行电池异常转运提醒。

在一实施例中，检测模块20，还用于将物体位置和物体属性输入至异常检测模型；通过异常检测模型进行物流线上的电池异常转运检测，得到检测结果。

在一实施例中，检测模块20，还用于获取训练样本，其中，训练样本包括电池正常转运图像和电池异常转运图像；根据训练样本对初始模型进行训练，得到异常检测模型。

在一实施例中，检测模块20，还用于获取原始图像数据；对原始图像数据进行标注，得到物流线上原始物体位置和原始物体属性；根据原始物体位置和原始物体属性对物流线上的物体进行跟踪，得到电池正常转运图像和电池异常转运图像。

本申请提供一种电池转运检测设备，电池转运检测设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的电池转运检测方法。

下面参考图9，其示出了适于用来实现本申请实施例的电池转运检测设备的结构示意图。本申请实施例中的电池转运检测设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（Personal Digital Assistant：个人数字助理）、PAD（PortableApplication Description：平板电脑）、PMP（Portable Media Player：便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电池转运检测设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图9所示，电池转运检测设备可以包括处理装置1001（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM：Read Only Memory）1002中的程序或者从存储装置1003加载到随机访问存储器（RAM：Random Access Memory）1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有电池转运检测设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出（I/O）接口1006也连接至总线。通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器（LCD：Liquid Crystal Display）、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许电池转运检测设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电池转运检测设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本申请公开实施例的方法中限定的上述功能。

本申请提供的电池转运检测设备，采用上述实施例中的电池转运检测方法，能解决物流线上物体异常检测效率较低的技术问题。与现有技术相比，本申请提供的电池转运检测设备的有益效果与上述实施例提供的电池转运检测方法的有益效果相同，且该电池转运检测设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。

应当理解，本申请公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令（即计算机程序），计算机可读程序指令用于执行上述实施例中的电池转运检测方法。

本申请提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM：Random Access Memory）、只读存储器（ROM：Read Only Memory）、可擦式可编程只读存储器（EPROM：Erasable Programmable Read Only Memory或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM：CD-Read Only Memory）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（Radio Frequency：射频）等等，或者上述的任意合适的组合。

上述计算机可读存储介质可以是电池转运检测设备中所包含的；也可以是单独存在，而未装配入电池转运检测设备中。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电池转运检测设备执行时，使得电池转运检测设备：获取物流线上多个位置的图像数据；对图像数据进行目标检测，得到物体位置和物体属性；根据物体位置和物体属性对物流线上的物体异常转运进行检测，得到检测结果；在检测结果为物流线上的物体存在异常转运时，进行异常转运提醒。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN：Local Area Network）或广域网（WAN：Wide Area Network）—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

本申请提供的可读存储介质为计算机可读存储介质，计算机可读存储介质存储有用于执行上述电池转运检测方法的计算机可读程序指令（即计算机程序），能够解决物流线上物体异常检测效率较低的技术问题。与现有技术相比，本申请提供的计算机可读存储介质的有益效果与上述实施例提供的电池转运检测方法的有益效果相同，在此不做赘述。

本申请还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述的电池转运检测方法的步骤。

本申请提供的计算机程序产品能够解决物流线上物体异常检测效率较低的技术问题。与现有技术相比，本申请提供的计算机程序产品的有益效果与上述实施例提供的电池转运检测方法的有益效果相同，在此不做赘述。

以上仅为本申请的部分实施例，并非因此限制本申请的专利范围，凡是在本申请的技术构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。

Claims (14)

1.一种电池转运检测方法，其特征在于，所述电池转运检测方法包括：

获取物流线上多个位置的图像数据；

对所述图像数据进行目标检测，得到物流线上物体位置和物体属性；

根据所述物体位置和所述物体属性对物流线上的电池转运进行检测，得到检测结果，其中，对物流线上的电池转运进行检测包括：根据所述物体位置和所述物体属性对物体进行跟踪，确定是否存在电池异常转运，检测包括：获取待跟踪列表中待跟踪目标的第一矩形框位置，并根据第一矩形框位置得到第一矩形框，其中，待跟踪列表是根据物体属性为第一标签的待跟踪目标确定的；在待跟踪目标的第一矩形框与物流线预设区域的第一重叠比例大于第二预设比例阈值以及待跟踪目标的物体属性为第一标签的情况下，将待跟踪目标的物体属性变更为第二标签；根据待跟踪列表得到待跟踪目标的初始位置和当前位置；计算初始位置与物流线中心位置的第一距离和当前位置与物流线中心位置的第二距离；根据第一矩形框确定待跟踪列表中待跟踪目标的图像帧数；根据第二标签、第一距离、第二距离、图像帧数以及第一重叠比例确定待跟踪目标的状态；在待跟踪目标的状态为预设状态的情况下，确定待跟踪目标存在异常转运，得到电池异常转运的检测结果；

在所述检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒。

2.如权利要求1所述的方法，其特征在于，所述根据所述物体位置和所述物体属性对物流线上的电池转运进行检测，得到检测结果包括：

确定所述物体属性为第一标签的待跟踪目标；

基于所述物体位置确定待跟踪目标的第一物体矩形框位置，并根据所述第一物体矩形框位置确定第一矩形框；

计算所述第一矩形框与物流线预设区域的第一重叠比例；

在所述第一重叠比例小于第一预设比例阈值的情况下，将所述第一物体矩形框位置添加至待跟踪列表；

基于所述待跟踪列表对所述待跟踪目标进行电池转运检测，得到检测结果。

3.如权利要求1所述的方法，其特征在于，根据所述第二标签、所述第一距离、所述第二距离、所述图像帧数以及所述第一重叠比例确定待跟踪目标的状态包括：

在满足所述第一距离小于所述第二距离、所述待跟踪目标的物体属性变更为第二标签、所述第一重叠比例小于第三预设比例阈值以及所述图像帧数达到设置帧数的情况下，确定待跟踪目标的状态为预设状态，所述第二预设比例阈值小于所述第三预设比例阈值，第一预设比例阈值大于所述第三预设比例阈值；

在不满足所述第一距离小于所述第二距离、所述待跟踪目标的物体属性变更为第二标签、所述第一重叠比例小于第三预设比例阈值以及所述图像帧数达到设置帧数中的至少一项的情况下，确定所述待跟踪目标的状态不为预设状态。

4.如权利要求2所述的方法，其特征在于，所述方法还包括：

对所述待跟踪列表中的待跟踪目标进行预测，得到预测物体矩形框位置；

根据所述预测物体矩形框位置得到预测矩形框；

计算所述预测矩形框和所述待跟踪列表中对应的第一矩形框之间的重叠值；

在所述重叠值大于第二预设比例阈值的情况下，确定所述预测矩形框与所述第一矩形框匹配；

在所述预测矩形框与所述第一矩形框匹配的情况下，根据所述预测物体矩形框位置对所述待跟踪目标的第一物体矩形框位置进行更新，得到更新的待跟踪列表。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

在所述重叠值小于等于所述第二预设比例阈值的情况下，确定所述预测矩形框与所述第一矩形框不匹配；

在所述预测矩形框与所述第一矩形框不匹配的情况下，获取未匹配帧数；

在所述未匹配帧数小于等于预设帧数阈值的情况下，将所述预测矩形框对应的待跟踪目标添加至待跟踪列表进行检测；

在所述未匹配帧数大于所述预设帧数阈值的情况下，将所述预测矩形框对应的待跟踪目标从所述待跟踪列表中剔除。

6.如权利要求1所述的方法，其特征在于，所述在所述检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒包括：

在所述检测结果为物流线上的电池存在异常转运的情况下，生成报警信息，并获取历史报警间隔时间；

在所述历史报警间隔时间超过预设间隔时间的情况下，获取待跟踪目标的中心点数据；

根据所述中心点数据生成所述待跟踪目标的轨迹信息；

将所述报警信息和所述轨迹信息发送至用户进行电池异常转运提醒。

7.如权利要求1所述的方法，其特征在于，所述根据所述物体位置和所述物体属性对物流线上的电池转运进行检测，得到检测结果包括：

确定所述物体属性为第三标签的预设物体；

根据所述物体位置得到预设物体的第二矩形框位置，并根据所述第二矩形框位置确定第二矩形框；

计算所述第二矩形框与物流线预设区域的第二重叠比例；

在所述第二重叠比例大于第四预设比例阈值的情况下，确定所述物流线上存在所述预设物体；

获取检测物流线上存在所述预设物体的检测次数；

在预设时长阈值内检测到所述预设物体且所述检测次数大于预设次数阈值的情况下，确定物流线上的电池存在异常转运，得到电池异常转运的检测结果。

8.如权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：

在所述检测结果为物流线上的电池存在异常转运的情况下，对预设物体或待跟踪目标进行标注，得到标注图像；

生成报警信息，并获取历史报警间隔时间；

在所述历史报警间隔时间超过预设间隔时间的情况下，将所述报警信息和所述标注图像发送至用户进行电池异常转运提醒。

9.如权利要求1所述的方法，其特征在于，所述根据所述物体位置和所述物体属性对物流线上的电池转运进行检测，得到检测结果包括：

将所述物体位置和所述物体属性输入至异常检测模型；

通过所述异常检测模型进行物流线上的电池异常转运检测，得到检测结果。

10.如权利要求9所述的方法，其特征在于，异常检测模型通过如下方式训练，包括：

获取训练样本，其中，所述训练样本包括电池正常转运图像和电池异常转运图像；

根据所述训练样本对初始模型进行训练，得到异常检测模型。

11.如权利要求10所述的方法，其特征在于，所述获取训练样本，包括：

获取原始图像数据；

对所述原始图像数据进行标注，得到物流线上原始物体位置和原始物体属性；

根据所述原始物体位置和所述原始物体属性对物流线上的物体进行跟踪，得到电池正常转运图像和电池异常转运图像。

12.一种电池转运检测装置，其特征在于，所述装置包括：

获取模块，用于获取物流线上多个位置的图像数据；

检测模块，用于对所述图像数据进行目标检测，得到物流线上物体位置和物体属性；

所述检测模块，还用于根据所述物体位置和所述物体属性对物流线上的电池转运进行检测，得到检测结果，其中，对物流线上的电池转运进行检测包括：根据所述物体位置和所述物体属性对物体进行跟踪，确定是否存在电池异常转运，检测包括：获取待跟踪列表中待跟踪目标的第一矩形框位置，并根据第一矩形框位置得到第一矩形框，其中，待跟踪列表是根据物体属性为第一标签的待跟踪目标确定的；在待跟踪目标的第一矩形框与物流线预设区域的第一重叠比例大于第二预设比例阈值以及待跟踪目标的物体属性为第一标签的情况下，将待跟踪目标的物体属性变更为第二标签；根据待跟踪列表得到待跟踪目标的初始位置和当前位置；计算初始位置与物流线中心位置的第一距离和当前位置与物流线中心位置的第二距离；根据第一矩形框确定待跟踪列表中待跟踪目标的图像帧数；根据第二标签、第一距离、第二距离、图像帧数以及第一重叠比例确定待跟踪目标的状态；在待跟踪目标的状态为预设状态的情况下，确定待跟踪目标存在异常转运，得到电池异常转运的检测结果；

提醒模块，用于在所述检测结果为物流线上的电池存在异常转运的情况下，进行电池异常转运提醒。

13.一种电池转运检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至11中任一项所述的电池转运检测方法的步骤。

14.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质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如权利要求1至11中任一项所述的电池转运检测方法的步骤。