BR112021012170A2 - Sistema de gerenciamento de depósito - Google Patents
Sistema de gerenciamento de depósito Download PDFInfo
- Publication number
- BR112021012170A2 BR112021012170A2 BR112021012170-6A BR112021012170A BR112021012170A2 BR 112021012170 A2 BR112021012170 A2 BR 112021012170A2 BR 112021012170 A BR112021012170 A BR 112021012170A BR 112021012170 A2 BR112021012170 A2 BR 112021012170A2
- Authority
- BR
- Brazil
- Prior art keywords
- transaction
- captured images
- user
- engine
- aiqe
- Prior art date
Links
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000001815 facial effect Effects 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000013139 quantization Methods 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000003058 natural language processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 17
- 230000001052 transient effect Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 3
- 238000004891 communication Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000004557 technical material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
- B65G1/02—Storage devices
- B65G1/04—Storage devices mechanical
- B65G1/137—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed
- B65G1/1373—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed for fulfilling orders in warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
- B65G2203/041—Camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
sistema de gerenciamento de depósito. a presente invenção refere-se a um sistema de gerenciamento de depósito configurado para incluir um motor de processamento biométrico para autenticar um usuário por meio de reconhecimento facial do usuário, um motor de processamento de idioma natural para permitir a interação sem toque do usuário com o sistema, um sintetizador de voz para executar comandos interrogativos de voz sintetizados e responder a respostas recebidas do usuário, e um motor de detecção de quantidade para capturar imagens de artigos de transação e inserir a um motor de quantização de imagem artificial (aiqe) para extrair quantidades das imagens capturadas e a um motor de autoaprendizagem de imagem artificial (aisle) para autoaprendizagem do aiqe.
Description
Relatório Descritivo da Patente de Invenção para "SISTEMA DE GERENCIAMENTO DE DEPÓSITO". Campo técnico
[0001] A presente invenção refere-se ao gerenciamento geral de depósito com o auxílio de computadores programáveis e, mais particularmente, a sistemas e métodos para recebimento, classificação, marcação, rastreamento ou entrega automatizada de artigos de transação de e para um depósito. Antecedentes
[0002] Atualmente, os sistemas automatizados de gerenciamento de depósito mais conhecidos são geralmente baseados em um padrão codificado que consiste em barras verticais conhecidas como padrão de código de barras. Este padrão é impresso em algum lugar nos artigos controlados ou em seu recipiente. Cada padrão de código de barras identifica um item exclusivo. O controle do ponto de venda é implementado com scanners de feixe de laser que fazem interface com um sistema de computador para interpretar o padrão de código. Frequentemente, esses sistemas conhecidos são usados para monitorar ou controlar um grande número de produtos consumíveis relativamente baratos com um único código para identificar cada item. Isso resulta em um sistema que tem um tempo de resposta que pode ser significativamente mais pobre do que o desejado e erros cometidos pelo operador humano limitam a integridade dos dados.
[0003] A maioria dos outros métodos de gerenciamento de depósito existentes envolve a contagem direta (ou real) de itens individuais. Os dados resultantes podem ser posteriormente processados por computador. Se o processamento do computador for desejado, as informações contadas manualmente devem ser inseridas manualmente no computador. No varejo de bens duráveis, esta categoria inclui produtos vendidos em grande número (10-20 milhões anualmente) com um imenso impacto econômico para o proprietário do depósito. Atualmente, esse mercado incorre em uma grande despesa para controlar o almoxarifado e proteger os investimentos. Esses tipos de produtos são de custo relativamente alto, itens principais de compra (com números de série individuais) que aumentaram o tempo de uso no local do revendedor e geralmente requerem financiamento do depósito do revendedor.
[0004] Cada artigo deve ser identificado e rastreado do fabricante ao distribuidor e na rede de revendedores até o momento da venda. O procedimento de inspeção e identificação por número de série é uma técnica prática e trabalhosa que é cara por vários motivos. Além disso, os artigos não vendidos em depósitos podem acumular taxas de armazenamento e criar um acúmulo de modelos não correntes.
[0005] O controle em um revendedor é ainda mais difícil. As taxas de verificação de piso com base na contagem de artigos tornam difícil contar os artigos mais de uma vez por mês no depósito. Assim, o sistema com verificação pouco frequente sofre de erros e custos associados, mas a verificação mais frequente insere erros cometidos no decorrer de um artigo com maior frequência e impõe outras despesas.
[0006] Como resultado, há pouca correlação efetiva entre vendas, produção, remessa, armazenamento e assim por diante, com base em dados atualizados. Consequentemente, os problemas de modelos de sobra, estoque no depósito errado e similares são, em grande parte, integrados ao sistema.
[0007] Em vista do acima exposto, há claramente a necessidade de fornecer um sistema de controle e manutenção de depósito que elimine ou reduza esses problemas de maneira econômica. Sumário
[0008] Este sumário é fornecido para introduzir conceitos relacionados ao gerenciamento de depósito com a ajuda de mecanismos automatizados de recebimento, classificação, marcação, rastreamento ou entrega de artigos de transação de e para um depósito. Os conceitos são descritos mais detalhadamente abaixo na descrição detalhada. Este sumário não se destina a identificar características- chave ou características essenciais do assunto reivindicado, nem se destina a ser usado para limitar o escopo do assunto reivindicado.
[0009] Em uma implementação, a presente divulgação se refere a um sistema de gerenciamento de depósito. O sistema inclui um dispositivo de armazenamento não transitório tendo incorporado nele uma ou mais rotinas operáveis para gerenciar sistema de check-in e check-out de depósito; e um ou mais processadores acoplados ao dispositivo de armazenamento não transitório e operáveis para executar uma ou mais rotinas. Uma ou mais rotinas incluem um motor de processamento biométrico, que quando executado por um ou mais processadores, autentica um usuário por meio de reconhecimento facial do usuário; um motor de processamento de idioma natural, que quando executado por um ou mais processadores, permite interação sem toque do usuário com o sistema; um motor de sintetizador de voz, que quando executado por um ou mais processadores, executa comandos de voz interrogativos sintetizados e responde às respostas recebidas do usuário; e um motor de detecção de quantidade, que quando executado por um ou mais processadores, capturam imagens de artigos de transação e insere em um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para extrair quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
[0010] Em outra implementação, a presente divulgação ainda se refere a um método para gerenciamento de depósito. O método inclui autenticar um usuário por meio de reconhecimento facial do usuário; facilitar interação sem toque do usuário com o sistema; executar comandos de voz interrogativos sintetizados e responder a respostas recebidas do usuário durante a interação; e capturar imagens de artigos de transação e inserir a um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para extrair quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
[0011] Ainda em outra implementação, a presente divulgação se refere a um meio legível por computador não transitório implementando a matéria inclui instruções executáveis por um recurso de processamento. As instruções são executadas para autenticar um usuário por meio de reconhecimento facial do usuário; facilitar a interação sem toque do usuário com o sistema; executar comandos de voz interrogativos sintetizados e responder a respostas recebidas do usuário durante a interação; e capturar imagens de artigos de transação e inserir a um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para extrair quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
[0012] Em um aspecto, o AIQE é adaptado para receber as imagens capturadas dos artigos de transação do motor de detecção de quantidade; realizar classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; classificação de lote dos artigos de transação com base nas características principais extraídas; rotular os artigos de transação com base na classificação de lote; e verificar a quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
[0013] Em um aspecto, o AISLE é adaptado para receber as imagens capturadas dos artigos de transação do motor de detecção de quantidade; realizar classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; receber uma entrada de usuário relacionada à quantidade dos artigos de transação; rotular os artigos de transação com base nas entrada de usuário; e verificar a quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
[0014] Em um aspecto, com base no recebimento da entrada do usuário relacionada à quantidade dos artigos de transação, o AISLE é para retreinar conjunto de dados disponível com um servidor de treinamento acoplado ao sistema enviando as imagens classificadas ao servidor de treinamento; treinar o servidor de treinamento com um novo conjunto de dados para atualizar um modelo treinado; e empurrar o modelo treinado ao aplicativo receptor eletrônico associado com o sistema.
[0015] Em um aspecto, o motor de processamento biométrico autentica o usuário buscando continuamente rostos em banco de dados associado até alguns rostos relevantes serem encontrados; extrair os modelos, representando características faciais, de todos os rostos relevantes encontrados; correspondência de um por um dos modelos extraídos contra os rostos relevantes do banco de dados associado; e autenticar o usuário com base na correspondência.
[0016] Em um aspecto, após a verificação da quantidade dos artigos de transação, o sistema é adaptado para aquisição de imagem de envio após verificação da quantidade dos artigos de transação; e para publicar a imagem de envio.
[0017] Outros e outros aspectos e características da divulgação serão evidentes a partir da leitura da seguinte descrição detalhada das modalidades, que se destinam a ilustrar, não a limitar, a presente divulgação. Breve descrição dos desenhos
[0018] As modalidades ilustradas do assunto serão melhor compreendidas por referência aos desenhos, em que partes semelhantes são designadas por numerais semelhantes. A descrição a seguir é destinada apenas a título de exemplo e simplesmente ilustra certas modalidades selecionadas de dispositivos, sistemas e processos que são consistentes com o assunto conforme reivindicado neste documento:
[0019] A Figura 1 ilustra vários componentes de um sistema de gerenciamento de depósito exemplar de acordo com uma modalidade exemplar da presente divulgação;
[0020] A Figura 2 ilustra um fluxo de processo do motor de quantização de imagem artificial, de acordo com uma modalidade exemplar da presente divulgação;
[0021] A Figura 3 ilustra um fluxo de processo do motor de autoaprendizagem de imagem artificial, de acordo com uma modalidade exemplar da presente divulgação;
[0022] A Figura 4 ilustra um ambiente de rede para operar o sistema, de acordo com uma modalidade exemplar da presente divulgação; e
[0023] A Figura 5 ilustra um método para implementar o sistema de gerenciamento de depósito, de acordo com uma modalidade exemplar da presente divulgação. Descrição detalhada
[0024] Alguns aspectos da presente divulgação são explicados em detalhes abaixo com referência às várias figuras. Implementações de exemplo são descritas para ilustrar o assunto divulgado, não para limitar seu escopo, que é definido pelas reivindicações. Aqueles versados na técnica reconhecerão uma série de variações equivalentes dos vários recursos fornecidos na descrição a seguir.
[0025] O objetivo principal da presente divulgação é gerenciar depósito com a ajuda de mecanismos automatizados para facilitar o processo de receber, classificar, marcar, rastrear ou entregar artigos de transação de e para um depósito. A presente divulgação propõe métodos e sistemas para fornecer interações completas e automatizadas baseadas em voz com usuários dos sistemas. Os métodos e sistemas alcançam o objetivo principal da presente divulgação autenticando um usuário por meio de reconhecimento facial do usuário; facilitando a interação sem toque do usuário com o sistema; executando comandos de voz interrogativos sintetizados e respondendo a respostas recebidas do usuário durante a interação; e capturando imagens de artigos de transação e inseri-los a um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE). O AIQE á adaptado para extrair quantidades das imagens capturadas enquanto o AISLE á adaptado para autoaprendizagem do AIQE.
[0026] Várias modalidades são ainda descritas neste documento com referência às figuras anexas. Deve-se notar que a descrição e as figuras se referem a modalidades exemplares e não devem ser interpretadas como uma limitação ao assunto da presente divulgação. Também deve ser entendido que vários arranjos podem ser desenvolvidos que, embora não explicitamente descritos ou mostrados aqui, incorporam os princípios do assunto da presente divulgação. Além disso, todas as declarações neste documento recitando princípios, aspectos e modalidades do assunto da presente divulgação, bem como exemplos específicos, destinam-se a abranger seus equivalentes. Além disso, por uma questão de brevidade, a operação ou os princípios de trabalho relativos ao material técnico que é conhecido no campo técnico da presente divulgação não foram descritos em detalhes de modo a não obscurecer desnecessariamente a presente divulgação.
[0027] A Figura 1 ilustra componentes funcionais exemplares de um sistema de gerenciamento de depósito 100 de acordo com uma modalidade da presente divulgação. Em um aspecto, o sistema 100 pode ser implementado como um sistema baseado em nuvem e pode ser acessado por dispositivos conectados ao sistema através de uma rede de comunicação. A rede de comunicação pode ser uma única rede ou uma combinação de várias redes. A rede de comunicação pode incluir uma ou mais redes de área, como uma rede de área local (LAN), uma rede de área ampla (WAN), uma intranet, a internet ou qualquer outro tipo de rede. Em um exemplo, a rede pode incluir uma rede de comunicação móvel, por exemplo, rede de comunicação móvel 2G, 3G, 4G ou 5G. A rede de comunicação pode ser acoplada a uma ou mais outras redes, proporcionando assim o acoplamento entre um maior número de dispositivos. Esse pode ser o caso, por exemplo, quando as redes são acopladas através da Internet.
[0028] Em um aspecto, o sistema 100 inclui um processor(es) 102, uma interface(s) 104, e uma memória 106.
[0029] O(s) processador(es) 102 pode(m) ser implementado(s) como um ou mais microprocessadores, microcomputadores, microcontroladores, processadores de sinal digital, circuitos lógicos e/ou quaisquer dispositivos que manipulam dados com base em instruções operacionais. Entre outras capacidades, um ou mais processadores 102 são configurados para buscar e executar instruções legíveis por computador e uma ou mais rotinas armazenadas na memória 106. A memória 106 pode armazenar uma ou mais instruções ou rotinas legíveis por computador, que pode ser buscado e executado para gerenciar o depósito em um serviço de rede. A memória 106 pode incluir qualquer dispositivo de armazenamento não transitório, incluindo, por exemplo, memória volátil, como RAM, ou memória não volátil, como
EPROM, memória flash e semelhantes.
[0030] A(s) interface(s) 104 pode(m) incluir uma variedade de interfaces, por exemplo, interfaces para dispositivos de entrada e saída de dados referidos como dispositivos de E/S, dispositivos de armazenamento e semelhantes. A(s) interface(s) 104 pode(m) facilitar a comunicação do sistema 100 com vários dispositivos acoplados ao sistema 100. A(s) interface(s) 104 também pode(m) fornecer uma via de comunicação para um ou mais componentes do sistema 100. Exemplos de tais componentes incluem, mas não estão limitados a, mecanismo(s) de processamento 108 e dados 110. Os dados 110 podem incluir dados que são armazenados ou gerados como resultado de funcionalidades implementadas por qualquer um dos componentes do(s) mecanismo(s) de processamento 108.
[0031] O(s) mecanismo(s) de processamento 108 pode(m) ser implementado(s) como uma combinação de hardware e programação (por exemplo, instruções programáveis) para implementar uma ou mais funcionalidades do(s) mecanismo(s) de processamento 108. Nos exemplos descritos neste documento, tais combinações de hardware e programação pode ser implementado de várias maneiras diferentes. Por exemplo, a programação para o(s) mecanismo(s) de processamento 108 pode ser instruções executáveis por processador armazenadas em um meio de armazenamento legível por máquina não transitório e o hardware para o(s) mecanismo(s) de processamento 108 pode incluir um recurso de processamento (por exemplo, um ou mais processadores), para executar tais instruções. Nos presentes exemplos, o meio de armazenamento legível por máquina pode armazenar instruções que, quando executadas pelo recurso de processamento, implementam o(s) mecanismo(s) de processamento 108. Em tais exemplos, o sistema 100 pode incluir o meio de armazenamento legível por máquina que armazena as instruções e o recurso de processamento para executar as instruções ou o meio de armazenamento legível por máquina pode ser separado, mas acessível ao sistema 100 e ao recurso de processamento. Em outros exemplos, o(s) mecanismo(s) de processamento 108 podem ser implementados por circuitos eletrônicos.
[0032] Em um aspecto, o(s) motor(es) de processamento 108 pode(m) incluir um motor de processamento biométrico 112, um motor de processamento de idioma natural 114, um motor de sintetizador de voz 116, um motor de detecção de quantidade 118, um motor de quantização de imagem artificial (AIQE) 120, um motor de autoaprendizagem de imagem artificial (AISLE) 122, e outro(s) motor(es) 124. O(s) outro(s) motor(es) 124 pode(m) implementar as funcionalidades que complementam os aplicativos ou as funções realizadas pelo sistema 100 ou o(s) motor de processamento 108.
[0033] Em operação, quando um usuário sendo um indivíduo ou um provedor de serviços interage com um dispositivo tendo um aplicativo acessando o sistema 100, o sistema 100 ativa seu mecanismo de processamento biométrico 112 para autenticar esse usuário através do reconhecimento facial do usuário. O mecanismo de processamento biométrico 112 autentica o usuário procurando continuamente por faces no banco de dados do provedor de serviço associado (não mostrado nas figuras) até que algumas faces relevantes sejam encontradas; extrair modelos de rosto, representando características faciais, de todos os rostos relevantes encontrados; combinar um por um os modelos de face extraídos contra as faces relevantes do banco de dados do provedor de serviço associado; e autenticar o usuário com base na correspondência.
[0034] No entanto, no caso de nenhuma correspondência ser encontrada, o mecanismo de processamento biométrico 112 novamente procura continuamente por faces no banco de dados do provedor de serviço associado (não mostrado nas figuras) até que algumas faces relevantes sejam encontradas e, em seguida, repete todo o processo de autenticação do usuário.
[0035] Uma vez que o usuário é autenticado com base em suas características faciais, o motor de processamento de idioma natural 114 permite interação sem toque ou baseada em voz do usuário com o sistema 100 e o motor de sintetizador de voz 116 executa comandos de voz interrogativos sintetizados e responde a respostas recebidas do usuário. Por exemplo, o motor de processamento de idioma natural 114 junto com o motor de sintetizador de voz 116 realiza o seguinte fluxo que ode ser estendido e personalizado com base na exigência: o Comando do sistema 1: “Bem-vindo [NOME] da [Empresa]?” o Comando do sistema 2: “Você está trabalhando hoje?” o Comando do sistema 3: “Você [AÇÃO1 (por exemplo: entregando, devolvendo ou semelhante)] [NOME DO ARTIGO] hoje?” o Comando do sistema 4: “Por favor, coloque a bandeja com [NOME DO ARTIGO] na área destacada.” o Comando 5 do sistema: “Pronto para a foto?”
[0036] Uma vez que o artigo é colocado na área destacada, o mecanismo de detecção de quantidade 118 captura imagens de artigos de transação e as envia para o AIQE 120, bem como para o AISLE 122, onde o AIQE 120 é para extrair quantidades das imagens capturadas e o AISLE 122 é para autoaprendizagem do AIQE.
[0037] A Figura 2 ilustra um fluxo de processo do AIQE 120, de acordo com uma modalidade exemplar da presente divulgação.
[0038] Em um aspecto, uma vez que as imagens dos artigos de transação são inseridas ao AIQE 120, o AIQE 120 recebe as imagens capturadas dos artigos de transação do motor de detecção de quantidade 118 (etapa 202). Então, AIQE 120 realiza a classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas (etapa 204). Seguindo isso, o AIQE 120 extrai características principais incluindo, mas não limitado a, um número de cores, tipo de cores, e propagação de cores das imagens capturadas classificadas (etapa 206) e realiza a classificação de lote dos artigos de transação com base nas características principais extraídas (etapa 208). A seguir, o AIQE 120 realiza a rotulagem dos artigos de transação com base na classificação de lote (etapa 210); e verificar a quantidade dos artigos de transação com base na rotulagem dos artigos de transação (212).
[0039] A Figura 3 ilustra um fluxo de processo do AISLE 122, de acordo com uma modalidade exemplar da presente divulgação. Conforme mostrado na Figura 3, o AISLE 122 é adaptado para receber as imagens capturadas dos artigos de transação do motor de detecção de quantidade 118 (etapa 302) e então realiza a classificação de composição dividindo as imagens capturadas pela divisão de máscara para remover slots vazios das imagens capturadas (304). Então, o AISLE 122 extrai características principais dos artigos de transação das imagens capturadas classificadas (etapa 306) e recebe uma entrada de usuário relacionada à quantidade dos artigos de transação (etapa 308). A seguir, o AISLE 122 realiza a rotulagem dos artigos de transação com base nas entrada de usuário (etapa 310); e verifica a quantidade dos artigos de transação com base na rotulagem dos artigos de transação (etapa 312).
[0040] Em um aspecto, com base no recebimento da entrada do usuário relacionada à quantidade dos artigos de transação na etapa 308, o AISLE 122 retreina um conjunto de dados disponível com um servidor de treinamento (não mostrado nas figuras) acoplado ao sistema 100 enviando as imagens classificadas ao servidor de treinamento (etapa 308A); treinar o servidor de treinamento com um novo conjunto de dados (etapa 308B); e empurrar o modelo treinado ao aplicativo receptor eletrônico associado com o sistema 100 (etapa 308C).
[0041] Em um aspecto, com base na rotulagem dos artigos na etapa 310, o AISLE 122 compara a entrada do usuário relacionada à quantidade dos artigos de transação com a entrada de NN para estatística (etapa 310A).
[0042] Ainda em outro aspecto, após a verificação da quantidade dos artigos de transação em qualquer uma das etapas 212 ou 312, o sistema 100 é adaptado para aquisição de imagem de envio após verificação da quantidade dos artigos de transação; e para publicar a imagem de envio.
[0043] A Figura 4 ilustra um exemplo de ambiente de rede 400 usando um meio legível por computador não transitório 402 para realizar a operação do sistema 100, de acordo com um exemplo da presente matéria. O ambiente de rede 400 pode ser um ambiente de rede pública ou um ambiente de rede privada. Em um exemplo, o ambiente de rede 400 inclui um recurso de processamento 404 acoplado comunicativamente ao meio legível por computador não transitório 402 através de um link de comunicação 406.
[0044] Por exemplo, o recurso de processamento 404 pode ser um processador. O meio legível por computador não transitório 402 pode ser, por exemplo, um dispositivo de memória interna ou um dispositivo de memória externa. Em um exemplo, o link de comunicação 406 pode ser um link de comunicação direta, como um formado por meio de uma interface de leitura/gravação de memória. Em outro exemplo, o link de comunicação 406 pode ser um link de comunicação indireto, como um formado por meio de uma interface de rede. Nesse caso, o recurso de processamento 404 pode acessar o meio legível por computador não transitório 402 através de uma rede 408. A rede 408 pode ser uma única rede ou uma combinação de múltiplas redes e pode usar uma variedade de protocolos de comunicação.
[0045] O recurso de processamento 404 e o meio legível por computador não transitório 402 também podem ser acoplados comunicativamente a fontes de dados 410 através da rede 408. As fontes de dados 410 podem incluir, por exemplo, bancos de dados e dispositivos de computação. As fontes de dados 410 podem ser usadas pelos administradores de banco de dados e outros usuários para se comunicarem com o recurso de processamento 404.
[0046] Em uma implementação de exemplo, o meio legível por computador não transitório 402 inclui um conjunto de instruções legíveis por computador. O conjunto de instruções legíveis por computador referido como instruções a seguir, pode ser acessado pelo recurso de processamento 404 através do link de comunicação 406 e subsequentemente executado para realizar atos para inserção de serviço de rede. Em outras palavras, durante a operação, o recurso de processamento 404 pode executar as instruções legíveis por computador para autenticar um usuário por meio de reconhecimento facial do usuário; facilitar a interação sem toque do usuário com o sistema; executar comandos de voz interrogativos sintetizados e responder a respostas recebidas do usuário durante a interação; e capturar imagens de artigos de transação e inserir a um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para extrair quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
[0047] A Figura 5 ilustra a método 500 para operar o sistema de gerenciamento de depósito 100, de acordo com uma implementação da presente divulgação. A ordem na qual o método 500 é descrito não se destina a ser interpretada como uma limitação e qualquer número dos blocos de método descritos podem ser combinados em qualquer ordem apropriada para realizar o método 500 ou um método alternativo. Além disso, blocos individuais podem ser excluídos do método 500 sem se afastar do escopo do assunto aqui descrito.
[0048] O método 500 pode ser realizado por dispositivos de computação programados, por exemplo, com base em instruções recuperadas do meio legível por computador não transitório ou meio legível por computador não transitório. A mídia legível por computador pode incluir instruções executáveis por máquina ou por computador para executar todo ou partes do método descrito. A mídia legível por computador pode ser, por exemplo, memórias digitais, mídia de armazenamento magnético, como discos magnéticos e fitas magnéticas, discos rígidos ou mídia de armazenamento de dados opticamente legível.
[0049] No bloco 502, o método 500 inclui autenticar um usuário por meio de reconhecimento facial do usuário. Em um aspecto, a autenticação do usuário é realizada por um motor de processamento biométrico buscando continuamente rostos no banco de dados associado até alguns rostos relevantes serem encontrados; extrair os modelos, representando características faciais, de todos os rostos relevantes encontrados; correspondência de um por um dos modelos extraídos contra os rostos relevantes do banco de dados associado; e autenticar o usuário com base na correspondência.
[0050] No bloco 504, o método 500 inclui a facilitar interação sem toque do usuário com o sistema.
[0051] No bloco 506, o método 500 inclui executar comandos de voz interrogativos sintetizados e responder a respostas recebidas do usuário durante a interação.
[0052] No bloco 508, o método 500 inclui capturar imagens de artigos de transação e inserir a um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para extrair quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
[0053] Em um aspecto, o AIQE é adaptado para receber as imagens capturadas dos artigos de transação do motor de detecção de quantidade; realizar a classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; classificação de lote dos artigos de transação com base nas características principais extraídas; rotular dos artigos de transação com base na classificação de lote; e verificar a quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
[0054] Em um aspecto, o AISLE é adaptado para receber as imagens capturadas dos artigos de transação do motor de detecção de quantidade; realizar a classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; receber uma entrada de usuário relacionada à quantidade dos artigos de transação; rotular os artigos de transação com base nas entrada de usuário; e verificar a quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
[0055] Em um aspecto, com base no recebimento da entrada do usuário relacionada à quantidade dos artigos de transação, o AISLE é para retreinar conjunto de dados disponível com um servidor de treinamento acoplados ao sistema enviando as imagens classificadas ao servidor de treinamento; treinar o servidor de treinamento com um novo conjunto de dados; e empurrar o modelo treinado ao aplicativo receptor eletrônico associado com o sistema.
[0056] Em um aspecto, após a verificação da quantidade dos artigos de transação, o sistema é adaptado para aquisição de imagem de envio após verificação da quantidade dos artigos de transação; e para publicar a imagem de envio.
[0057] Assim, com a implementação do método 500 do presente assunto, o fluxo do sistema de gerenciamento de depósito 100 é completamente automatizado e inclui reconhecimento facial para identificação de provedor, reconhecimento de comandos vocais para nossa experiência de usuário "SEM TOQUE", projeção de grade para área de digitalização limites e identificação de produto de autoaprendizagem baseada em IA.
[0058] Além disso, o sistema de gerenciamento de depósito 100 é acessível por aplicativos de receptor eletrônico instalados em dispositivos locais para resolver o problema de gerenciamento de estoque e monitoramento de operações de check-in/check-out, criando um robô/aplicativo baseado em imagem artificial que permite ao provedor fazer operações seguras e de forma autônoma.
[0059] A descrição acima não fornece detalhes específicos da fabricação ou projeto dos vários componentes. Aqueles versados na técnica estão familiarizados com tais detalhes e, a menos que desvios dessas técnicas sejam estabelecidos, técnicas, técnicas conhecidas e relacionadas ou projetos e materiais desenvolvidos posteriormente devem ser empregados. Aqueles na arte podem escolher detalhes de fabricação e design adequados.
[0060] Observe que ao longo da divulgação, inúmeras referências podem ser feitas a respeito de servidores, serviços, motores, módulos, interfaces, portais, plataformas ou outros sistemas formados a partir de dispositivos de computação. Deve ser apreciado que o uso de tais termos é considerado como representando um ou mais dispositivos de computação tendo pelo menos um processador configurado ou programado para executar instruções de software armazenadas em um meio não transitório, tangível legível por computador ou também referido como um meio legível por processador. Por exemplo, um servidor pode incluir um ou mais computadores operando como um servidor web, servidor de banco de dados ou outro tipo de servidor de computador de maneira a cumprir as funções, responsabilidades ou funções descritas. No contexto deste documento, os dispositivos ou sistemas divulgados também são considerados como compreendendo dispositivos de computação com um processador e uma memória não transitória que armazena instruções executáveis pelo processador que fazem com que o dispositivo controle, gerencie ou de outra forma manipule os recursos do dispositivos ou sistemas.
[0061] Deve ser entendido, no entanto, que todos esses termos e outros semelhantes devem ser associados às quantidades físicas apropriadas e são meramente rótulos convenientes aplicados a essas quantidades. A menos que especificamente indicado de outra forma, como aparente a partir da discussão neste documento, é apreciado que ao longo da descrição, discussões utilizando termos como "receber" ou "autenticar" ou "facilitar" ou "executar" ou "capturar" ou semelhantes, referem-se à ação e aos processos de um sistema de computador, ou dispositivo de computação eletrônico semelhante, que manipula e transforma os dados representados como quantidades físicas (eletrônicas) dentro dos registros e memórias do sistema de computador em outros dados representados de forma semelhante como quantidades físicas dentro do computador memórias ou registros do sistema ou outros dispositivos de armazenamento, transmissão ou exibição de informações.
[0062] A modalidade exemplar também se refere a um aparelho para executar as operações aqui discutidas. Este aparelho pode ser especialmente construído para os fins exigidos, ou pode compreender um computador de uso geral seletivamente ativado ou reconfigurado por um programa de computador armazenado no computador. Tal programa de computador pode ser armazenado em um meio de armazenamento legível por computador, tal como, mas não está limitado a, qualquer tipo de disco, incluindo disquetes, discos ópticos, CD-ROMs e discos ópticos magnéticos, memórias somente leitura (ROMs), memórias de acesso aleatório (RAMs), EPROMs, EEPROMs, cartões magnéticos ou ópticos ou qualquer tipo de mídia adequada para armazenar instruções eletrônicas e cada um acoplado a um barramento de sistema de computador.
[0063] Além disso, a terminologia usada neste documento tem a finalidade de descrever modalidades particulares apenas e não se destina a ser limitante da divulgação. Será apreciado que várias das características e funções acima divulgadas e outras, ou alternativas das mesmas, podem ser combinadas em outros sistemas ou aplicações. Várias alternativas, modificações, variações ou melhorias presentemente imprevistas ou imprevistas nas mesmas podem ser subsequentemente feitas por aqueles versados na técnica sem se afastar do escopo da presente divulgação conforme abrangido pelas seguintes reivindicações.
[0064] As reivindicações, tal como apresentadas originalmente e conforme podem ser alteradas, abrangem variações, alternativas, modificações, melhorias, equivalentes e equivalentes substanciais das modalidades e ensinamentos aqui divulgados, incluindo aqueles que são atualmente imprevistos ou não apreciados e que, por exemplo, pode surgir de requerentes/titulares de patentes e outros.
[0065] Será observado que as variantes das características e funções divulgadas acima e outras, ou alternativas das mesmas, podem ser combinadas em muitos outros sistemas ou aplicações diferentes. Várias alternativas, modificações, variações ou melhorias presentemente imprevistas ou não previstas podem ser subsequentemente feitas por aqueles versados na técnica que também se destinam a ser abrangidos pelas seguintes reivindicações.
Claims (18)
1. Sistema de gerenciamento de depósito, caracterizado pelo fato de que compreende: um dispositivo de armazenamento não transitório tendo incorporado nele uma ou mais rotinas operáveis para gerenciar um sistema de check-in e check-out de depósito; e um ou mais processadores acoplados ao dispositivo de armazenamento não transitório e operáveis para executar uma ou mais rotinas, em que uma ou mais rotinas incluem: um motor de processamento biométrico, que quando executado por um ou mais processadores, autentica um usuário por meio de reconhecimento facial do usuário; um motor de processamento de idioma natural, que quando executado por um ou mais processadores, permite a interação sem toque do usuário com o sistema; um sintetizador de voz, que quando executado por um ou mais processadores, executa as comandos interrogativos de voz sintetizados e responde às respostas recebidas do usuário; e um motor de detecção de quantidade, que quando executado por um ou mais processadores, captura imagens de artigos de transação e insere em um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para extrair quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
2. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que o AIQE é configurado para: receber as imagens capturadas dos artigos de transação do motor de detecção de quantidade; realizar a classificação de composição dividindo as imagens capturadas por divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; classificação de lote dos artigos de transação com base nas características principais extraídas; identificar os artigos de transação com base na classificação de lote; e verificar uma quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
3. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que o AISLE é configurado para: receber as imagens capturadas dos artigos de transação do motor de detecção de quantidade; realizar a classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; receber uma entrada de usuário relacionada à quantidade dos artigos de transação; rotular os artigos de transação com base na entrada de usuário; e verificar uma quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
4. Sistema, de acordo com a reivindicação 3, caracterizado pelo fato de que com base no recebimento da entrada do usuário relacionada à quantidade dos artigos de transação, o AISLE é configurado para retreinar conjunto de dados disponível com um servidor de treinamento acoplado ao sistema por: envio das imagens capturadas classificadas ao servidor de treinamento; treinamento do servidor de treinamento com um novo conjunto de dados; e empurrar modelo treinado a um aplicativo receptor eletrônico associado com o sistema.
5. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato de que o motor de processamento biométrico autentica o usuário por: continuamente buscar rostos no banco de dados associado até alguns rostos relevantes serem encontrados; extrair modelos, representando as características faciais, de todos os rostos relevantes encontrados; correspondência de cada modelo extraído contra os rostos relevantes do banco de dados associado; e autenticação do usuário com base na correspondência.
6. Sistema, de acordo com a reivindicação 2, caracterizado pelo fato de que após a verificação da quantidade dos artigos de transação, o sistema é para: adquirir uma imagem de envio após verificação da quantidade dos artigos de transação; e publicar a imagem de envio.
7. Método para gerenciamento de depósito, caracterizado pelo fato de que compreende autenticar um usuário por meio de reconhecimento facial do usuário; facilitar a interação sem toque do usuário com o sistema; executar comandos interrogativos de voz sintetizados e responder respostas recebidas do usuário durante a interação; e capturar imagens de artigos de transação e inserir em um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE) em que o AIQE é para extrair quantidades de imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
8. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que no AIQE, receber as imagens capturadas dos artigos de transação de um motor de detecção de quantidade; realizar a classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação de imagens capturadas classificadas; classificar por lote os artigos de transação com base nas características principais extraídas; rotular os artigos de transação com base na classificação de lote; e verificar uma quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
9. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que no AISLE, receber as imagens capturadas dos artigos de transação de um motor de detecção de quantidade; realizar a classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; receber uma entrada de usuário relacionada à quantidade dos artigos de transação; rotular os artigos de transação com base nas entrada de usuário; e verificar a quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
10. Método, de acordo com a reivindicação 9, caracterizado pelo fato de que com base no recebimento da entrada do usuário relacionada à quantidade dos artigos de transação, retreinando o conjunto de dados disponível com um servidor de treinamento acoplados ao sistema por: envio das imagens capturadas classificadas ao servidor de treinamento; treinamento do servidor de treinamento com um novo conjunto de dados para atualizar um modelo treinado; e empurrar o modelo treinado a um aplicativo receptor eletrônico associado com o sistema.
11. Método, de acordo com a reivindicação 7, caracterizado pelo fato de que autenticar o usuário compreende: continuamente buscar rostos em um banco de dados associado até um ou mais rostos relevantes serem encontrados; extrair os modelos, representando características faciais, de todos os rostos relevantes encontrados; correspondência de cada modelo extraído contra os rostos relevantes do banco de dados associado; e autenticação do usuário com base na correspondência.
12. Método, de acordo com a reivindicação 8, caracterizado pelo fato de que após verificação da quantidade dos artigos de transação, o método compreendendo: aquisição de uma imagem de envio após verificação da quantidade dos artigos de transação; e publicação da imagem de envio.
13. Meio legível por computador não transitório,
caracterizado pelo fato de que compreende instruções executáveis por um recurso de processamento para: autenticar um usuário por meio de reconhecimento facial do usuário; facilitar a interação sem toque do usuário com o sistema; executar os comandos interrogativos de voz sintetizados e responder às respostas recebidas do usuário durante a interação; e capturar imagens de artigos de transação e inserir a um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para extrair quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE.
14. Meio legível por computador não transitório, de acordo com a reivindicação 13, caracterizado pelo fato de que compreende instruções executáveis pelo recurso de processamento, no AIQE, para: receber imagens capturadas dos artigos de transação de um motor de detecção de quantidade; realizar a classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; classificação de lote dos artigos de transação com base nas características principais extraídas; rotular os artigos de transação com base na classificação de lote; e verificar quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
15. Meio legível por computador não transitório, de acordo com a reivindicação 13 caracterizado pelo fato de que compreende instruções executáveis pelo recurso de processamento, no AISLE, para: receber imagens capturadas dos artigos de transação do motor de detecção de quantidade; realizar classificação de composição dividindo as imagens capturadas pela divisão de máscara para, assim, remover slots vazios das imagens capturadas; extrair características principais dos artigos de transação das imagens capturadas classificadas; receber uma entrada de usuário relacionada à quantidade dos artigos de transação; rotular os artigos de transação com base na entrada de uso; e verificar uma quantidade dos artigos de transação com base na rotulagem dos artigos de transação.
16. Meio legível por computador não transitório, de acordo com a reivindicação 15, caracterizado pelo fato de que compreende instruções executáveis pelo recurso de processamento para retreinar um conjunto de dados disponível com um servidor de treinamento acoplados ao sistema, com base no recebimento da entrada do usuário relacionada à quantidade dos artigos de transação, pelo: envio das imagens capturadas classificadas ao servidor de treinamento; treinamento do servidor de treinamento com um novo conjunto de dados para atualizar um modelo treinado; e empurrar o modelo treinado a um aplicativo receptor eletrônico associado com o sistema.
17. Meio legível por computador não transitório, de acordo com a reivindicação 13 caracterizado pelo fato de que compreende instruções executáveis pelo recurso de processamento para autenticar o usuário pelo:
monitoramento contínuo para rostos em um banco de dados associado até alguns rostos relevantes serem encontrados; extração dos modelos, representando características faciais, de todos os rostos relevantes encontrados; correspondência de cada modelo extraído contra os rostos relevantes do banco de dados associado; e autenticação do usuário com base na correspondência.
18. Meio legível por computador não transitório, de acordo com a reivindicação 14, caracterizado pelo fato de que compreende instruções executáveis pelo recurso de processamento para: adquirir uma imagem de envio após verificação da quantidade dos artigos de transação; e publicação da imagem de envio.
Sistema
Processador(es) Interface(s)
Petição 870210055330, de 18/06/2021, pág. 36/48 Memória
Motor(es) de processamento
Motor de processamento biométrico Motor de detecção de quantidade 1/5
Motor de processamento de linguagem natural 114
Motor sintetizador de voz
Outro(s) motor(es)
Dados
Petição 870210055330, de 18/06/2021, pág. 37/48 Imagem dividida por divisão de máscara
Aquisição Extração de Classificação Rotulagem Quantidades 2/5 de imagem recurso de lote
Remover slots vazios
Petição 870210055330, de 18/06/2021, pág. 38/48 Imagem dividida por divisão de máscara
Aquisição de Extração de Classificação Rotulagem Quantidades imagem recurso de lote 3/5
Remover slots Comparar Enviar imagens vazios entrada de ao servidor de usuário com treinamento entrada NN
Treinar o servidor de treinamento com novo conjunto de dados
Publicar o modelo treinado ao aplicativo
Recurso de
Petição 870210055330, de 18/06/2021, pág. 39/48 processamento
Meio legível por computador 4/5
Rede
Fonte de dados
Petição 870210055330, de 18/06/2021, pág. 40/48 Autenticar um usuário através do reconhecimento facial do usuário
Facilitar a interação sem toque do usuário com o sistema 5/5
Executar os comandos de voz interrogativos sintetizados e enviar para as respostas recebidas do usuário durante a interação
Capturar as imagens de conteúdos de transação e inserir a um motor de quantização de imagem artificial (AIQE) e um motor de autoaprendizagem de imagem artificial (AISLE), em que o AIQE é para a extração de quantidades das imagens capturadas e o AISLE é para autoaprendizagem do AIQE
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/254,154 | 2019-01-22 | ||
US16/254,154 US10913605B2 (en) | 2019-01-22 | 2019-01-22 | Warehouse management system |
PCT/IB2020/050419 WO2020152569A2 (en) | 2019-01-22 | 2020-01-20 | Warehouse management system |
Publications (1)
Publication Number | Publication Date |
---|---|
BR112021012170A2 true BR112021012170A2 (pt) | 2021-08-31 |
Family
ID=69375654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112021012170-6A BR112021012170A2 (pt) | 2019-01-22 | 2020-01-20 | Sistema de gerenciamento de depósito |
Country Status (12)
Country | Link |
---|---|
US (1) | US10913605B2 (pt) |
EP (1) | EP3915043A2 (pt) |
JP (1) | JP7378482B2 (pt) |
KR (1) | KR20210117324A (pt) |
CN (1) | CN113646770A (pt) |
AU (1) | AU2020210967B2 (pt) |
BR (1) | BR112021012170A2 (pt) |
CA (1) | CA3125261A1 (pt) |
CL (1) | CL2021001802A1 (pt) |
CO (1) | CO2021009024A2 (pt) |
MX (1) | MX2021008805A (pt) |
WO (1) | WO2020152569A2 (pt) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240061644A1 (en) * | 2022-08-17 | 2024-02-22 | Jpmorgan Chase Bank, N.A. | Method and system for facilitating workflows via voice communication |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11308439B2 (en) | 2019-01-22 | 2022-04-19 | Everseen Limited | Goods receipt management system and method |
US11275972B2 (en) * | 2019-11-08 | 2022-03-15 | International Business Machines Corporation | Image classification masking |
WO2022079527A1 (en) * | 2020-10-12 | 2022-04-21 | Everseen Limited | Goods receipt management system and method |
CN113780916A (zh) * | 2020-11-27 | 2021-12-10 | 北京京东乾石科技有限公司 | 一种出库方法和装置 |
CN112863066A (zh) * | 2021-01-07 | 2021-05-28 | 李琳琳 | 一种基于人脸识别的非当面式快递收件方法、系统及设备 |
KR102493777B1 (ko) * | 2022-08-03 | 2023-01-31 | 주식회사 넘버제로 | 인공지능 기반 장례식 예약 및 주문 처리 방법, 장치 및 시스템 |
CN117218112B (zh) * | 2023-11-03 | 2024-02-06 | 江苏森途信息技术有限公司 | 一种基于视频分析的危废仓库超量识别系统及方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10194411A (ja) * | 1997-01-08 | 1998-07-28 | Toshiba Corp | 商品在庫管理装置 |
US20040249497A1 (en) | 2000-07-12 | 2004-12-09 | Autocart, Llc | System, method and process for order and delivery of classified goods and services through an amalgamated drive-thru complex |
EP1840854B1 (en) | 2000-10-20 | 2011-04-06 | Promega Corporation | Radio frequency identification method and system of distributing products |
US7780081B1 (en) | 2005-01-03 | 2010-08-24 | RCL Products, Inc. | System and method for security protection, inventory tracking and automated shopping cart checkout |
US8245052B2 (en) * | 2006-02-22 | 2012-08-14 | Digitalpersona, Inc. | Method and apparatus for a token |
US20090164631A1 (en) * | 2007-12-20 | 2009-06-25 | Wooley Marcus L | Centralized Services Management (CSM) System |
US10268983B2 (en) | 2013-06-26 | 2019-04-23 | Amazon Technologies, Inc. | Detecting item interaction and movement |
US9996818B1 (en) | 2014-12-19 | 2018-06-12 | Amazon Technologies, Inc. | Counting inventory items using image analysis and depth information |
US9519827B2 (en) | 2014-12-24 | 2016-12-13 | International Business Machines Corporation | Personalized, automated receptionist |
US20190043615A1 (en) * | 2016-08-05 | 2019-02-07 | Italo Ramachandra Subbarao | Portable emergency telehealth system and method |
CN110352116A (zh) | 2016-12-05 | 2019-10-18 | 费洛有限公司 | 智能服务机器人和相关系统及方法 |
US10643059B2 (en) * | 2018-01-10 | 2020-05-05 | Trax Technology Solutions Pte Ltd. | Inspecting store shelf capacity |
US11880879B2 (en) * | 2018-06-29 | 2024-01-23 | Ghost House Technology, Llc | Apparatuses of item location, list creation, routing, imaging and detection |
-
2019
- 2019-01-22 US US16/254,154 patent/US10913605B2/en active Active
-
2020
- 2020-01-20 EP EP20702698.0A patent/EP3915043A2/en active Pending
- 2020-01-20 AU AU2020210967A patent/AU2020210967B2/en active Active
- 2020-01-20 WO PCT/IB2020/050419 patent/WO2020152569A2/en unknown
- 2020-01-20 MX MX2021008805A patent/MX2021008805A/es unknown
- 2020-01-20 KR KR1020217026594A patent/KR20210117324A/ko not_active Application Discontinuation
- 2020-01-20 BR BR112021012170-6A patent/BR112021012170A2/pt not_active IP Right Cessation
- 2020-01-20 CN CN202080009501.XA patent/CN113646770A/zh active Pending
- 2020-01-20 JP JP2021542468A patent/JP7378482B2/ja active Active
- 2020-01-20 CA CA3125261A patent/CA3125261A1/en active Pending
-
2021
- 2021-07-07 CL CL2021001802A patent/CL2021001802A1/es unknown
- 2021-07-09 CO CONC2021/0009024A patent/CO2021009024A2/es unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240061644A1 (en) * | 2022-08-17 | 2024-02-22 | Jpmorgan Chase Bank, N.A. | Method and system for facilitating workflows via voice communication |
Also Published As
Publication number | Publication date |
---|---|
CA3125261A1 (en) | 2020-07-30 |
JP7378482B2 (ja) | 2023-11-13 |
JP2022519192A (ja) | 2022-03-22 |
WO2020152569A2 (en) | 2020-07-30 |
KR20210117324A (ko) | 2021-09-28 |
EP3915043A2 (en) | 2021-12-01 |
AU2020210967A1 (en) | 2021-07-08 |
CO2021009024A2 (es) | 2021-07-30 |
CL2021001802A1 (es) | 2022-03-04 |
AU2020210967B2 (en) | 2023-05-18 |
MX2021008805A (es) | 2021-08-24 |
US10913605B2 (en) | 2021-02-09 |
US20200231382A1 (en) | 2020-07-23 |
CN113646770A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BR112021012170A2 (pt) | Sistema de gerenciamento de depósito | |
TWI690871B (zh) | 線下交易的實現方法和裝置 | |
US10474981B1 (en) | Utilizing machine learning to generate augmented reality delivery instructions for delivering an item to a location | |
US11562315B2 (en) | Detecting an issue related to a report | |
US10331950B1 (en) | Automatic document source identification systems | |
CN109075971A (zh) | 用于文档信息真实性验证的系统和方法 | |
US20210374749A1 (en) | User profiling based on transaction data associated with a user | |
CN107918733A (zh) | 检测网页的恶意元素的系统和方法 | |
US10685347B1 (en) | Activating a transaction card | |
CN107077570A (zh) | 用于检测通过数据分发通道发送敏感信息的尝试的系统和方法 | |
US20140244241A1 (en) | Automated classification of business rules from text | |
US20170161335A1 (en) | Analyzing Tickets Using Discourse Cues in Communication Logs | |
CA3160259A1 (en) | Self-optimizing labeling platform | |
CN111027600B (zh) | 图像类别预测方法和装置 | |
US11847806B2 (en) | Information extraction from images using neural network techniques and anchor words | |
JP7364709B2 (ja) | 機械学習および自然言語処理を利用したワクチン接種データの抽出および確認 | |
US11250345B1 (en) | Methods for identifying transactions with user location information | |
CN109669954A (zh) | 合同数据的获取方法、设备、存储介质及装置 | |
KR20190022430A (ko) | 소셜 정보 기반의 리스크 이벤트의 식별 시스템, 방법, 전자장치 및 저장매체 | |
US11599454B2 (en) | Natural language processing (NLP)-based cross format pre-compiler for test automation | |
WO2015083170A1 (en) | Fine grained recognition method and system | |
US11907306B2 (en) | Systems and methods for classifying documents | |
US20230377359A1 (en) | Test-Time Adaptation for Visual Document Understanding | |
CN114266078A (zh) | 一种企业文件线上线下协同管理方法 | |
CN114761955A (zh) | 信息处理装置、信息处理方法和信息处理程序 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B08F | Application dismissed because of non-payment of annual fees [chapter 8.6 patent gazette] |
Free format text: REFERENTE A 4A ANUIDADE. |
|
B08K | Patent lapsed as no evidence of payment of the annual fee has been furnished to inpi [chapter 8.11 patent gazette] |
Free format text: EM VIRTUDE DO ARQUIVAMENTO PUBLICADO NA RPI 2758 DE 14-11-2023 E CONSIDERANDO AUSENCIA DE MANIFESTACAO DENTRO DOS PRAZOS LEGAIS, INFORMO QUE CABE SER MANTIDO O ARQUIVAMENTO DO PEDIDO DE PATENTE, CONFORME O DISPOSTO NO ARTIGO 12, DA RESOLUCAO 113/2013. |