CN106845894A - 一种快递包裹分拣方法及其装置 - Google Patents
一种快递包裹分拣方法及其装置 Download PDFInfo
- Publication number
- CN106845894A CN106845894A CN201611242622.0A CN201611242622A CN106845894A CN 106845894 A CN106845894 A CN 106845894A CN 201611242622 A CN201611242622 A CN 201611242622A CN 106845894 A CN106845894 A CN 106845894A
- Authority
- CN
- China
- Prior art keywords
- express
- courier packages
- express delivery
- receiving point
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Sorting Of Articles (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种快递包裹分拣装置,包括网络建立单元,用于建立卷积神经网络;网络训练单元,与网络建立单元相连接,用于对所述卷积神经网络进行训练,获得快递包裹分拣模型;接收点建立单元,用于预先对应建立多个行政区划层级快速包裹接收点和建立多个快递公司的快速包裹接收点;快递拍摄单元;快递识别单元,分别与网络训练单元和快递拍摄单元相连接;传动控制器,分别与快递识别单元和接收点建立单元相连接,用于实现对快递包裹的自动分拣。此外,本发明还公开了一种快递包裹分拣方法。本发明可以通过对快递包裹的配送底座及快递公司的快速分类,实现对快递包裹自动分拣,提高快递包裹的配送效率和准确率,满足电商与消费者的双重需要。
Description
技术领域
本发明涉及物流技术领域,特别是涉及一种快递包裹分拣方法及其装置。
背景技术
近年来,网购热潮越来越强,中国电子商务市场交易规模越来越大,消费者对物流速度和物流质量的要求越来越高。目前,国内快递包裹的分类主要以人工分拣为主,但是面对国内市场的强大需求,人工分拣方法不仅分拣效率低下,分拣成本高,而且容易出错,造成电商与消费者的双重损失问题,满足不了日益发展的快递行业的需求。
因此,目前迫切需要开发出一种技术,其可以实现快递包裹的自动分拣,从而提高快递包裹的配送效率和准确率。
发明内容
有鉴于此,本发明的目的是提供一种快递包裹分拣方法及其装置,其可以通过对快递包裹的配送底座及快递公司的快速分类,实现对快递包裹的自动分拣,从而提高快递包裹的配送效率和准确率,可以满足电商与消费者的双重需要,有利于提高人们的工作和生活质量,具有重大的生产实践意义。
为此,本发明提供了一种快递包裹分拣方法,包括以下步骤:
第一步:建立卷积神经网络,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层;
第二步:对所述卷积神经网络进行训练,获得快递包裹分拣模型;
第三步:按照行政区划的层级,预先对应建立多个行政区划层级快速包裹接收点,任意两个相邻行政区划层级的快速包裹接收点之间通过传动装置相连接,所述传动装置用于传输快递包裹,并预先根据全国现有的快递公司信息,建立多个快递公司的快速包裹接收点;
第四步:对所述传动装置上的任意一个快递包裹的快递单进行拍摄,获得所述快递包裹的快递单图片,所述快递单图片包括所述快递包裹具有的配送地址和快递公司信息;
第五步:将所获取的所述快递包裹的快递单图片输入到所述快递包裹分拣模型中,识别获得所述快递包裹的快递单图片中的配送地址信息和快递公司信息;
第六步:根据所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点,实现对快递包裹的自动分拣。
其中,所述第二步具体为:预先采集全国所有快递公司分别具有的一个或者多个符合标准条件的快递包裹的快递单图片,然后通过网络传输至预设数据库进行存储,采用所述预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,获取快递包裹分拣模型。
其中,在所述第三步中,所述预先对应建立的多个行政区划层级快速包裹接收点包括省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点;
所述多个行政区划层级快速包裹接收点和所述多个快递公司的快速包裹接收点分别包括至少一个快速包裹接收箱;
所述传动装置为传送带。
其中,所述第六步包括以下子步骤:
根据所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到省份快递包裹接收点;
然后在省份快递包裹接收点,继续根据所述快递包裹的快递单图片中的配送地址信息,将控制所述传动装置将所述快递包裹传输到地市级快递包裹接收点;
然后在地市级快递包裹接收点,继续根据所述快递包裹的快递单图片中的快递公司信息,控制所述传动装置将所述快递包裹传输到对应的快递公司的快速包裹接收点。
其中,在所述第五步之后,还包括以下步骤:
将所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,实时通过互联网网络传输至分布式文件系统HDFS中进行存储,并且当所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息达到预设的信息数量时,再次采用预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,重新获得快递包裹分拣模型,实现快递包裹分拣模型的更新。
此外,本发明还提供了一种快递包裹分拣装置,包括:
网络建立单元,用于建立卷积神经网络,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层;
网络训练单元,与网络建立单元相连接,用于对所述卷积神经网络进行训练,获得快递包裹分拣模型;
接收点建立单元,用于按照行政区划的层级,预先对应建立多个行政区划层级快速包裹接收点,任意两个相邻行政区划层级的快速包裹接收点之间通过传动装置相连接,所述传动装置用于传输快递包裹,并预先根据全国现有的快递公司信息,建立多个快递公司的快速包裹接收点;
快递拍摄单元,用于对所述传动装置上的任意一个快递包裹的快递单进行拍摄,获得所述快递包裹的快递单图片,然后发送给快递识别单元,所述快递单图片包括所述快递包裹具有的配送地址和快递公司信息;
快递识别单元,分别与网络训练单元和快递拍摄单元相连接,用于将所述快递拍摄单元所获取的所述快递包裹的快递单图片输入到所述网络训练单元获得的快递包裹分拣模型中,识别获得所述快递包裹的快递单图片中的配送地址信息和快递公司信息,然后发送给传动控制器;
传动控制器,分别与快递识别单元和接收点建立单元相连接,用于根据所述快递识别单元所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到所述接收点建立单元中对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点,实现对快递包裹的自动分拣。
其中,所述网络训练单元用于预先采集全国所有快递公司分别具有的一个或者多个符合标准条件的快递包裹的快递单图片,然后通过网络传输至预设数据库进行存储,采用所述预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,获取快递包裹分拣模型。
其中,所述预先对应建立的多个行政区划层级快速包裹接收点包括省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点;
所述多个行政区划层级快速包裹接收点和所述多个快递公司的快速包裹接收点分别包括至少一个快速包裹接收箱;
所述传动装置为传送带。
其中,所述传动控制器包括以下子单元:
第一传动控制单元,分别与快递识别单元和接收点建立单元相连接,用于根据所述快递识别单元所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到所述接收点建立单元中的省份快递包裹接收点;
第二传动控制单元,分别与快递识别单元和接收点建立单元相连接,用于在所述接收点建立单元中的省份快递包裹接收点,继续根据所述快递包裹的快递单图片中的配送地址信息,将控制所述传动装置将所述快递包裹传输到所述接收点建立单元中的地市级快递包裹接收点;
第三传动控制单元,分别与快递识别单元和接收点建立单元相连接,用于在所述接收点建立单元中的地市级快递包裹接收点,继续根据所述快递包裹的快递单图片中的快递公司信息,控制所述传动装置将所述快递包裹传输到所述接收点建立单元中对应的快递公司的快速包裹接收点。
其中,还包括数据更新单元,该数据更新单元与所述快递识别单元相连接,用于将所述快递识别单元所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,实时通过互联网网络传输至分布式文件系统HDFS中进行存储,并且当所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息达到预设的信息数量时,再次采用预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,再次得到最优的卷积神经网络参数,实现快递包裹分拣模型的更新。
由以上本发明提供的技术方案可见,与现有技术相比较,本发明提供了一种快递包裹分拣方法及其装置,其可以通过对快递包裹的配送底座及快递公司的快速分类,实现对快递包裹的自动分拣,从而提高快递包裹的配送效率和准确率,可以满足电商与消费者的双重需要,有利于提高人们的工作和生活质量,具有重大的生产实践意义。
附图说明
图1为本发明提供的一种快递包裹分拣方法的流程图;
图2为本发明提供的一种快递包裹分拣装置的结构方框图;
图3为本发明提供的一种快递包裹分拣装置一种实施例的结构方框图。
图4为本发明提供的一种快递包裹分拣方法及其装置所建立的卷积神经网络的网络结构示意图;
图5为本发明提供的一种快递包裹分拣方法及其装置所建立的快递包裹分拣模型的基本神经网络模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和实施方式对本发明作进一步的详细说明。
图1为本发明提供的一种快递包裹分拣方法的流程图;
参见图1,本发明提供的一种快递包裹分拣方法,包括以下步骤:
步骤S101:建立卷积神经网络,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层;
在本发明中,参见图4所示,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层。
对于所述卷积神经网络,其中具有的输入层的作用是为了将图片数据(如所输入快递单图片)送入卷积神经网络,以便于后续处理;
卷积层的作用是提取图片的局部区域特征;池化层不改变输入输出特征图数量,仅对输入的特征图进行降维操作,降维的方式采用选取卷积窗口中数值最大的神经元作为有效的输出神经元,这样减少了大量计算;全连接层的作用是为了从上一层的输出中提取更具区分性的特征;输出层的作用是为了分类出快递单图片中的配送地址信息和快递公司信息,具体可以通过上次的输入以及与下一层之间的权重,得到相应的输出值。
对于本发明,具体实现上,截取快递单图片作为输入层的数据,输入图片的大小可以为48×48像素点,也就是说把每个像素点看成神经元,输入的神经元个数为48×48=2304个。卷积层可以由32个不同的特征映射图组成。每一个特征图的大小是48×48像素点,卷积窗口大小为5×5像素点,这样利用以下卷积运算公式:
以上公式中,w0代表输入特征图的宽度,h0代表输入特征图的高度,w1代表输出特征图的宽度,h1代表输出特征图的高度,pad为增加特征图边缘像素点,kernel_size为卷积核大小也就是卷积窗口大小,stride为卷积核移动步长,也就是卷积核在输入特征图上移动的像素点个数,比如输入的图片尺寸213×213像素点,经数据层传递给第一个卷积层时,卷积层的卷积核kernel_size参数为5×5,pad为1,stride为2,卷积层输出的特征图尺寸w1×h1,分别代表的含义为卷积核kernel_size大小为5×5像素点,增加1个特征图边缘像素点,在输入特征图上移动的2个像素点,根据以上公式,计算输出特征图的宽度w1为106像素点,输出特征图的高度h1为106,即输出特征图尺寸106×106像素点。之后的卷积神经网络计算中,前一层的输出特征图尺寸w1×h1作为后一层的输入特征图尺寸w0×h0输入,比如卷积层数据传递给池化层时,池化层的输入特征图尺寸等于上一层卷积层的特征图输出尺寸。
经过卷积层输出的特征图大小为45×45像素点,同时卷积层中32个不同的特征映射图提取了输入图像不同的边缘特征,将得到的特征传递给下一层的池化层,池化层的步长stride为2,卷积窗口为3×3,池化层不改变输入输出特征图数量,仅对输入的特征图进行降维操作,降维的方式采用选取卷积窗口中最大的神经元作为有效的输出神经元,这样减少了大量计算,同样利用以下卷积运算公式:
通过这两个卷积运算公式,可以算出降维后的卷积特征图尺寸为22×22像素点,输出特征图的个数仍然为32,再经下一个卷积层,卷积窗口大小为3×3像素点,步长stride为1,卷积特征图个数为128,同理利用公式可得输出特征图大小为像素点20×20,输出特征图个数为128,这一层卷积运算操作,对输入特征图进行了更深层次的边缘特征提取。再将提取到的特征图输送给池化层进行降维操作,算得输出特征图大小为10×10像素点,输出特征图的个数为128,然后送入全连接层,全连接层将所有输入神经元作为输入向量,与输出向量相连接,全连接层最终要将数据传送给输出层进行分类,如分类出快递单图片中的配送地址信息(如XX省X市)。因此,根据所获得的分类信息(快递单图片中的配送地址信息和快递公司信息),在后续处理步骤中,可以控制传动装置进行分拣处理。
步骤S102:对所述卷积神经网络进行训练,获得快递包裹分拣模型;
具体实现上,所述步骤S102具体为:预先采集(通过摄像头)全国所有快递公司分别具有的一个或者多个符合标准条件的快递包裹的快递单图片,然后通过网络传输至预设数据库进行存储,利用MapReduce编程模型,采用所述预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络(Convolutional Neural Network,CNN)进行训练,得到最优的卷积神经网络参数,获取快递包裹分拣模型。
在本发明中,所述训练数据需要采用填写完好的收发地址快递单图片,要求输入的快递单图片无污损,图片大小不受限制,但是快递单图片要包含全部快递公司的快递单模板,将准备好的训练数据集进行格式转换,转换成lmdb格式,然后送入之前本发明搭建好的卷积神经网络模型中进行检测、识别、分类,最终要将检测到的快递包裹分拣对。
在本发明中,具体实现上,需要说明的是,采用了caffe深度学习框架。卷积神经网络的输入是图像信息,要先做输入数据的预处理,即将图像信息转换成lmdb数据格式,以向量的形式输入到深度学习框架caffe卷积神经网络的数据层(Data),数据层信息包括输入图片数量,图像通道数,图像高度和图像宽度。图像的每一个像素点可以看做神经元,神经元与神经元之间的连线称为权重(wi),神经元信息存储在caffe框架的底层Blob数据结构中,数据层的底层Blob用来传给卷积层(Convolution),卷积层的操作是对图像进行特征提取,卷积层的信息包括输入图像数量,输出图像数量,图像高度和宽度,以及卷积核的大小,还有卷积的步长。同样将处理后的数据存储到底层Blob数据结构体中,然后传递给池化层(Pooling),池化层将对卷积层提取的图像特征进行降维操作,在尽量不影响图像信息损失的前提下,以减少矩阵计算量,再将得到的信息存储到Blob数据结构体,传递给全连接层(Fully Connected),全连接层将结果送给输出层,输出层用来计算分类得分,计算的方法是用分类得分计算公式:y=wix+bi;其中,y为输出神经元,wi为权重,x为输入神经元,bi为偏置,参见图5(图中,隐含层1或者隐含层2中包括预设数目的卷积层和池化层)所示,最终输出的输出神经元y与分类的预设标签yt在输出层进行误差计算(loss)。本发明的目标就是将误差loss尽可能变小,使得接近0。损失函数采用Softmax with loss(即Softmax损失函数)。
Softmax损失函数的计算公式为
其中,z为对应的类别,如XX省X市,yi为第i个类别的线性预测结果,共m个类别。同样,本发明要将得到的loss再进行反向传播,利用反向传播算法(BP)用于更新权重值和偏重,使得正向传播loss越来越接近于0值,准确率越来越高。利用公式,采用的链式法则如下:
其中,为第P层,第i个隐含层(隐含层指卷积层,全连接层等),Loss为输出误差,为第P层,第i个权重值。
此外,还利用公式 为第P层的权重,第i个更新权重值,lr为学习率(用于更新权重值),这样就可以更新权重同理,偏置权重bi,利用如下公式获得:
也可更新偏置权重如此反复运算,就可以获得最优的权重偏置权重使得误差loss最小,即可训练一个好的神经网络模型,通过识别快递单图片来分拣快递包裹。
具体实现上,在步骤S102中,所述预先采集的快递单图片通过互联网网络传输至分布式文件系统HDFS(Hadoop Distributed File System)中进行存储。HDFS是Hadoop云计算平台的分布式计算中的数据存储系统。需要说明的是,Hadoop是一个开发和运行处理大规模数据的软件平台,是Appach的一个用java语言实现开源软件框架,实现在大量计算机组成的集群中对海量数据进行分布式计算。
步骤S103:按照行政区划的层级,预先对应建立多个行政区划层级快速包裹接收点(该接收点可以包括至少一个快速包裹接收箱),任意两个相邻行政区划层级的快速包裹接收点之间通过传动装置相连接(以实现快递包裹的传递),所述传动装置用于传输快递包裹,并预先根据全国现有的快递公司信息,建立多个快递公司的快速包裹接收点(该接收点也包括至少一个快速包裹接收箱);
具体实现上,所述预先对应建立的多个行政区划层级快速包裹接收点包括省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点。
具体实现上,省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点等每个行政区划层级快速包裹接收点可以分别与所述多个快递公司的快速包裹接收点通过传动装置(例如传送带)相连接,优选为县级快递包裹接收点与所述多个快递公司的快速包裹接收点相连接。
具体实现上,所述传动装置可以为任意一种可以传送快递包裹的装置,例如可以为传送带。
步骤S104:对所述传动装置(例如传送带)上的任意一个快递包裹的快递单进行拍摄(可以通过摄像头),获得所述快递包裹的快递单图片,所述快递单图片包括所述快递包裹具有的配送地址和快递公司信息;
具体实现上,所述配送地址信息包括快递包裹所寄往的省份、地级市、县级区域、街道和楼牌号等详细信息。
步骤S105:将所获取的所述快递包裹的快递单图片输入到所述快递包裹分拣模型中(在该模型中,进行所述卷积神经网络CNN的特征提取),识别获得所述快递包裹的快递单图片中的配送地址信息和快递公司信息;
在本发明中,需要说明的是,通过深度学习框架caffe卷积神经网络的进行卷积运算可以得到所述快递包裹的快递单图片的边缘信息以及纹理信息,这些信息是以数字信息存储在深度学习框架caffe卷积神经网络的数据层的Blob数据结构体中。
步骤S106:根据所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置(例如传送带)将所述快递包裹传输到对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点(根据快递单图片中快递公司信息),实现对快递包裹的自动分拣。
具体实现上,所述步骤S106可以包括以下子步骤:
步骤S1061:根据所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置(例如传送带)将所述快递包裹传输到省份快递包裹接收点;
步骤S1062:然后在省份快递包裹接收点,继续根据所述快递包裹的快递单图片中的配送地址信息,将控制所述传动装置(例如传送带)将所述快递包裹传输到地市级快递包裹接收点;
步骤S1063:然后在地市级快递包裹接收点,继续根据所述快递包裹的快递单图片中的快递公司信息,控制所述传动装置(例如传送带)将所述快递包裹传输到对应的快递公司的快速包裹接收点。
具体实现上,可以通过至少一个传动控制器控制所述传动装置(例如传送带)将所述快递包裹传输到对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点(根据快递单图片中快递公司信息),实现对快递包裹的自动分拣。
具体实现上,所述传动控制器可以为中央处理器CPU、数字信号处理器DSP或者单片机MCU。
此外,对于本发明,在步骤S105之后,还可以包括步骤:
步骤S107:将所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,实时通过互联网网络传输至分布式文件系统HDFS(Hadoop Distributed FileSystem)中进行存储,并且当所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息达到预设的信息数量时,再次利用MapReduce编程模型,采用预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络(ConvolutionalNeural Network,CNN)进行训练,再次得到最优的卷积神经网络参数,重新获得快递包裹分拣模型,实现快递包裹分拣模型的更新(即替换掉原先的快递包裹分拣模型)。
本发明这样做的目的是,更新分布式文件系统HDFS中存储的快递信息,随着分拣过程的完成,HDFS存储的数据库不断增大,在增大一定数量的数据之后,可以利用MapReduce编程模型重新训练卷积神经网络,更新分拣模型。
在步骤S107中,所述预设的信息数量可以根据用户的需要预先进行设置。
由以上技术方案可知,本发明提供一种快递包裹分拣方法,搜集全国各地快递包裹配送地址和快递公司数据构建训练数据库,在Hadoop云计算平台利用深度学习训练快递包裹分拣模型;用摄像头采集快递包裹配送地址和快递公司数据,一方面传输至Hadoop云计算平台进行数据库的更新;另一方面,输入提前训练好的分拣模型进行识别,识别结果传输至传动控制器,传动控制器控制传动装置将快递包裹传送至相应区域。当数据库更新至预设规模后,用更新的新数据库训练新的快递包裹分拣模型,用更新的快递包裹分拣模型替换掉原有的快递包裹分拣模型。其中,快递包裹分拣模型的训练、快递包裹配送地址和快递公司的识别和快递包裹分拣模型的更新均在Hadoop云计算平台上实现。本发明利用深度学习技术识别图片中配送地址和快递公司相关文本,可大大提高识别的准确率。利用Hadoop云计算平台,能大大提高识别的效率。通过本发明可以快速的实现快递包裹的自动分拣,提高快递包裹的配送效率及准确率。
参见图2,具体实现上,为了运行上述本发明提供的一种快递包裹分拣方法,本发明还提供了一种快递包裹分拣装置,该装置具体包括网络建立单元201、网络训练单元202、接收点建立单元203、快递拍摄单元204、快递识别单元205和传动控制器206,其中:
网络建立单元201,用于建立卷积神经网络,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层;
在本发明中,参见图4所示,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层。
对于所述卷积神经网络,其中具有的输入层的作用是为了将图片数据(如所输入快递单图片)送入卷积神经网络,以便于后续处理;
卷积层的作用是提取图片的局部区域特征;池化层不改变输入输出特征图数量,仅对输入的特征图进行降维操作,降维的方式采用选取卷积窗口中最大的神经元作为有效的输出神经元,这样减少了大量计算;全连接层的作用是为了从上一层的输出中提取更具区分性的特征;输出层的作用是为了分类出快递单图片中的配送地址信息和快递公司信息,具体可以通过上次的输入以及与下一层之间的权重,得到相应的输出值。
对于本发明,具体实现上,截取快递单图片作为输入层的数据,输入图片的大小可以为48×48像素点,也就是说把每个像素点看成神经元,输入的神经元个数为48×48=2304个。卷积层可以由32个不同的特征映射图组成。每一个特征图的大小是48×48像素点,卷积窗口大小为5×5像素点,这样利用以下卷积运算公式:
在以上公式中,w0代表输入特征图的宽度,h0代表输入特征图的高度,w1代表输出特征图的宽度,h1代表输出特征图的高度,pad为增加特征图边缘像素点,kernel_size为卷积核大小也就是卷积窗口大小,stride为卷积核移动步长,也就是卷积核在输入特征图上移动的像素点个数,比如输入的图片尺寸213×213,经数据层传递给第一个卷积层时,卷积层的卷积核kernel_size参数为5×5,pad为1,stride为2,卷积层输出的特征图尺寸w1×h1,分别代表的含义为卷积核kernel_size大小为5×5像素点,增加1个特征图边缘像素点,在输入特征图上移动的2个像素点,根据以上公式计算输出特征图的宽度w1为106,输出特征图的高度h1为106像素点,即输出特征图尺寸106×106像素点。之后的卷积神经网络计算中,前一层的输出特征图尺寸w1×h1作为后一层的输入特征图尺寸w0×h0输入,比如卷积层数据传递给池化层时,池化层的输入特征图尺寸等于上一层卷积层的特征图输出尺寸。
经过卷积层输出的特征图大小为45×45像素点,同时卷积层中32个不同的特征映射图提取了输入图像不同的边缘特征,将得到的特征传递给下一层的池化层,池化层的步长stride为2,卷积窗口为3×3,池化层不改变输入输出特征图数量,仅对输入的特征图进行降维操作,降维的方式采用选取卷积窗口中最大的神经元作为有效的输出神经元,这样减少了大量计算,同样利用以下卷积运算公式:
通过这两个卷积运算公式,可以算出降维后的卷积特征图尺寸为22×22像素点,输出特征图的个数仍然为32,再经下一个卷积层,卷积窗口大小为3×3像素点,步长stride为1,卷积特征图个数为128,同理利用公式可得输出特征图大小为像素点20×20,输出特征图个数为128,这一层卷积运算操作,对输入特征图进行了更深层次的边缘特征提取。再将提取到的特征图输送给池化层进行降维操作,算得输出特征图大小为10×10像素点,输出特征图的个数为128,然后送入全连接层,全连接层将所有输入神经元作为输入向量,与输出向量相连接,全连接层最终要将数据传送给输出层进行分类,如分类出快递单图片中的配送地址信息(如XX省X市)。因此,根据所获得的分类信息(快递单图片中的配送地址信息和快递公司信息),在后续处理步骤中,可以控制传动装置进行分拣处理。
网络训练单元202,与网络建立单元201相连接,用于对所述卷积神经网络进行训练,获得快递包裹分拣模型;
具体实现上,所述网络训练单元202具体用于预先采集(通过摄像头)全国所有快递公司分别具有的一个或者多个符合标准条件的快递包裹的快递单图片,然后通过网络传输至预设数据库进行存储,利用MapReduce编程模型,采用预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络(Convolutional Neural Network,CNN)进行训练,得到最优的卷积神经网络参数,获取快递包裹分拣模型。
在本发明中,所述训练数据需要采用填写完好的收发地址快递单图片,要求输入的快递单图片无污损,图片大小不受限制,但是快递单图片要包含全部快递公司的快递单模板,将准备好的训练数据集进行格式转换,转换成lmdb格式,然后送入之前本发明搭建好的卷积神经网络模型中进行检测、识别、分类,最终要将检测到的快递包裹分拣对。
在本发明中,具体实现上,需要说明的是,采用了caffe深度学习框架。卷积神经网络的输入是图像信息,要先做输入数据的预处理,即将图像信息转换成lmdb数据格式,以向量的形式输入到深度学习框架caffe卷积神经网络的数据层(Data),数据层信息包括输入图片数量,图像通道数,图像高度和图像宽度。图像的每一个像素点可以看做神经元,神经元与神经元之间的连线称为权重(wi),神经元信息存储在caffe框架的底层Blob数据结构中,数据层的底层Blob用来传给卷积层(Convolution),卷积层的操作是对图像进行特征提取,卷积层的信息包括输入图像数量,输出图像数量,图像高度和宽度,以及卷积核的大小,还有卷积的步长。同样将处理后的数据存储到底层Blob数据结构体中,然后传递给池化层(Pooling),池化层将对卷积层提取的图像特征进行降维操作,在尽量不影响图像信息损失的前提下,以减少矩阵计算量,再将得到的信息存储到Blob数据结构体,传递给全连接层(Fully Connected),全连接层将结果送给输出层,输出层用来计算分类得分,计算的方法是用分类得分计算公式:y=wix+bi;其中,y为输出神经元,wi为权重,x为输入神经元,bi为偏置,参见图5所示(图中,隐含层1或者隐含层2中包括预设数目的卷积层和池化层),最终输出的输出神经元y与分类的预设标签yt在输出层进行误差计算(loss)。本发明的目标就是将误差loss尽可能变小,使得接近0。损失函数采用Softmax with loss(即Softmax损失函数)。
Softmax损失函数的计算公式为
其中,z为对应的类别,如XX省X市,yi为第i个类别的线性预测结果,共m个类别。同样,本发明要将得到的loss再进行反向传播,利用反向传播算法(BP)用于更新权重值和偏重,使得正向传播loss越来越接近于0值。利用公式,采用的链式法则如下:
其中,为第P层,第i个隐含层(隐含层指卷积层,全连接层等),Loss为输出误差,为第P层,第i个权重值。
此外,还利用公式 为第P层的权重,第i个更新权重值,lr为学习率(用于更新权重值),这样就可以更新权重同理,偏置权重bi,利用如下公式获得:
也可更新偏置权重如此反复运算,就可以获得最优的权重偏置权重使得误差loss最小,即可训练一个好的神经网络模型,通过识别快递单图片来分拣快递包裹。
具体实现上,在网络训练单元202中,所述预先采集的快递单图片通过互联网网络传输至分布式文件系统HDFS(Hadoop Distributed File System)中进行存储。HDFS是Hadoop云计算平台的分布式计算中的数据存储系统。需要说明的是,Hadoop是一个开发和运行处理大规模数据的软件平台,是Appach的一个用java语言实现开源软件框架,实现在大量计算机组成的集群中对海量数据进行分布式计算。
接收点建立单元203,用于按照行政区划的层级,预先对应建立多个行政区划层级快速包裹接收点(该接收点可以包括至少一个快速包裹接收箱),任意两个相邻行政区划层级的快速包裹接收点之间通过传动装置相连接(以实现快递包裹的传递),所述传动装置用于传输快递包裹,并预先根据全国现有的快递公司信息,建立多个快递公司的快速包裹接收点(该接收点也包括至少一个快速包裹接收箱);
具体实现上,所述预先对应建立的多个行政区划层级快速包裹接收点包括省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点。
具体实现上,省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点等每个行政区划层级快速包裹接收点可以分别与所述多个快递公司的快速包裹接收点通过传动装置(例如传送带)相连接,优选为县级快递包裹接收点与所述多个快递公司的快速包裹接收点相连接。
具体实现上,所述传动装置可以为任意一种可以传送快递包裹的装置,例如可以为传送带。
快递拍摄单元204,用于对所述传动装置(例如传送带)上的任意一个快递包裹的快递单进行拍摄(可以通过摄像头),获得所述快递包裹的快递单图片,然后发送给快递识别单元205,所述快递单图片包括所述快递包裹具有的配送地址和快递公司信息;
具体实现上,所述配送地址信息包括快递包裹所寄往的省份、地级市、县级区域、街道和楼牌号等详细信息。
快递识别单元205,分别与网络训练单元202和快递拍摄单元204相连接,用于将所述快递拍摄单元204所获取的所述快递包裹的快递单图片输入到所述网络训练单元202获得的快递包裹分拣模型中(在该模型中,进行所述卷积神经网络CNN的特征提取),识别获得所述快递包裹的快递单图片中的配送地址信息和快递公司信息,然后发送给传动控制器206;
在本发明中,需要说明的是,通过深度学习框架caffe卷积神经网络的进行卷积运算可以得到所述快递包裹的快递单图片的边缘信息以及纹理信息,这些信息是以数字信息存储在深度学习框架caffe卷积神经网络的数据层的Blob数据结构体中。
传动控制器206,分别与快递识别单元205和接收点建立单元203相连接,用于根据所述快递识别单元205所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置(例如传送带)将所述快递包裹传输到所述接收点建立单元203中对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点(根据快递单图片中快递公司信息),实现对快递包裹的自动分拣。
具体实现上,所述传动控制器206可以包括以下子单元:
第一传动控制单元,分别与快递识别单元205和接收点建立单元203相连接,用于根据所述快递识别单元205所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置(例如传送带)将所述快递包裹传输到所述接收点建立单元203中的省份快递包裹接收点;
第二传动控制单元,分别与快递识别单元205和接收点建立单元203相连接,用于在所述接收点建立单元203中的省份快递包裹接收点,继续根据所述快递包裹的快递单图片中的配送地址信息,将控制所述传动装置(例如传送带)将所述快递包裹传输到所述接收点建立单元203中的地市级快递包裹接收点;
第三传动控制单元,分别与快递识别单元205和接收点建立单元203相连接,用于在所述接收点建立单元203中的地市级快递包裹接收点,继续根据所述快递包裹的快递单图片中的快递公司信息,控制所述传动装置(例如传送带)将所述快递包裹传输到所述接收点建立单元203中对应的快递公司的快速包裹接收点。
具体实现上,可以通过至少一个传动控制器控制所述传动装置(例如传送带)将所述快递包裹传输到对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点(根据快递单图片中快递公司信息),实现对快递包裹的自动分拣。
在本发明中,所述网络建立单元201、网络训练单元202和快递识别单元205可以为所述分拣装置主板上安装的中央处理器CPU、数字信号处理器DSP或者单片机MCU。
具体实现上,所述快递拍摄单元204可以包括至少一个摄像头。
具体实现上,所述传动控制器206可以为所述分拣装置主板上安装的中中央处理器CPU、数字信号处理器DSP或者单片机MCU。
此外,对于本发明,参见图3,具体实现上,本发明提供的快递包裹分拣装置还包括数据更新单元207,该数据更新单元207与所述快递识别单元205相连接,用于将所述快递识别单元205所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,实时通过互联网网络传输至分布式文件系统HDFS(Hadoop Distributed File System)中进行存储,并且当所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息达到预设的信息数量时,再次利用MapReduce编程模型,采用预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络(Convolutional Neural Network,CNN)进行训练,再次得到最优的卷积神经网络参数,重新获得快递包裹分拣模型,实现快递包裹分拣模型的更新(即替换掉原先的快递包裹分拣模型)。
本发明这样做的目的是,更新分布式文件系统HDFS中存储的快递信息,随着分拣过程的完成,HDFS存储的数据库不断增大,在增大一定数量的数据之后,可以利用MapReduce编程模型重新训练卷积神经网络,更新分拣模型。
在数据更新单元207中,所述预设的信息数量可以根据用户的需要预先进行设置。
由以上技术方案可知,本发明提供一种快递包裹分拣装置,其搜集全国各地快递包裹配送地址和快递公司数据构建训练数据库,在Hadoop云计算平台利用深度学习训练快递包裹分拣模型;用摄像头采集快递包裹配送地址和快递公司数据,一方面传输至Hadoop云计算平台进行数据库的更新;另一方面,输入提前训练好的分拣模型进行识别,识别结果传输至传动控制器,传动控制器控制传动装置将快递包裹传送至相应区域。当数据库更新至预设规模后,用更新的新数据库训练新的快递包裹分拣模型,用更新的快递包裹分拣模型替换掉原有的快递包裹分拣模型。其中,快递包裹分拣模型的训练、快递包裹配送地址和快递公司的识别和快递包裹分拣模型的更新均在Hadoop云计算平台上实现。本发明利用深度学习技术识别图片中配送地址和快递公司相关文本,可大大提高识别的准确率。利用Hadoop云计算平台,能大大提高识别的效率。通过本发明可以快速的实现快递包裹的自动分拣,提高快递包裹的配送效率及准确率。
综上所述,与现有技术相比较,本发明提供了一种快递包裹分拣方法及其装置,其可以通过对快递包裹的配送底座及快递公司的快速分类,实现对快递包裹的自动分拣,从而提高快递包裹的配送效率和准确率,可以满足电商与消费者的双重需要,有利于提高人们的工作和生活质量,具有重大的生产实践意义。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种快递包裹分拣方法,其特征在于,包括以下步骤:
第一步:建立卷积神经网络,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层;
第二步:对所述卷积神经网络进行训练,获得快递包裹分拣模型;
第三步:按照行政区划的层级,预先对应建立多个行政区划层级快速包裹接收点,任意两个相邻行政区划层级的快速包裹接收点之间通过传动装置相连接,所述传动装置用于传输快递包裹,并预先根据全国现有的快递公司信息,建立多个快递公司的快速包裹接收点;
第四步:对所述传动装置上的任意一个快递包裹的快递单进行拍摄,获得所述快递包裹的快递单图片,所述快递单图片包括所述快递包裹具有的配送地址和快递公司信息;
第五步:将所获取的所述快递包裹的快递单图片输入到所述快递包裹分拣模型中,识别获得所述快递包裹的快递单图片中的配送地址信息和快递公司信息;
第六步:根据所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点,实现对快递包裹的自动分拣。
2.如权利要求1所述的方法,其特征在于,所述第二步具体为:预先采集全国所有快递公司分别具有的一个或者多个符合标准条件的快递包裹的快递单图片,然后通过网络传输至预设数据库进行存储,采用所述预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,获取快递包裹分拣模型。
3.如权利要求1所述的方法,其特征在于,在所述第三步中,所述预先对应建立的多个行政区划层级快速包裹接收点包括省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点;
所述多个行政区划层级快速包裹接收点和所述多个快递公司的快速包裹接收点分别包括至少一个快速包裹接收箱;
所述传动装置为传送带。
4.如权利要求1所述的方法,其特征在于,所述第六步包括以下子步骤:
根据所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到省份快递包裹接收点;
然后在省份快递包裹接收点,继续根据所述快递包裹的快递单图片中的配送地址信息,将控制所述传动装置将所述快递包裹传输到地市级快递包裹接收点;
然后在地市级快递包裹接收点,继续根据所述快递包裹的快递单图片中的快递公司信息,控制所述传动装置将所述快递包裹传输到对应的快递公司的快速包裹接收点。
5.如权利要求1至4中任一项所述的方法,其特征在于,在所述第五步之后,还包括以下步骤:
将所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,实时通过互联网网络传输至分布式文件系统HDFS中进行存储,并且当所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息达到预设的信息数量时,再次采用预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,重新获得快递包裹分拣模型,实现快递包裹分拣模型的更新。
6.一种快递包裹分拣装置,其特征在于,包括:
网络建立单元,用于建立卷积神经网络,所述卷积神经网络包括依次对所输入快递单图片进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层;
网络训练单元,与网络建立单元相连接,用于对所述卷积神经网络进行训练,获得快递包裹分拣模型;
接收点建立单元,用于按照行政区划的层级,预先对应建立多个行政区划层级快速包裹接收点,任意两个相邻行政区划层级的快速包裹接收点之间通过传动装置相连接,所述传动装置用于传输快递包裹,并预先根据全国现有的快递公司信息,建立多个快递公司的快速包裹接收点;
快递拍摄单元,用于对所述传动装置上的任意一个快递包裹的快递单进行拍摄,获得所述快递包裹的快递单图片,然后发送给快递识别单元,所述快递单图片包括所述快递包裹具有的配送地址和快递公司信息;
快递识别单元,分别与网络训练单元和快递拍摄单元相连接,用于将所述快递拍摄单元所获取的所述快递包裹的快递单图片输入到所述网络训练单元获得的快递包裹分拣模型中,识别获得所述快递包裹的快递单图片中的配送地址信息和快递公司信息,然后发送给传动控制器;
传动控制器,分别与快递识别单元和接收点建立单元相连接,用于根据所述快递识别单元所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到所述接收点建立单元中对应的行政区划层级快速包裹接收点,然后再传输到对应的快递公司的快速包裹接收点,实现对快递包裹的自动分拣。
7.如权利要求6所述的装置,其特征在于,所述网络训练单元用于预先采集全国所有快递公司分别具有的一个或者多个符合标准条件的快递包裹的快递单图片,然后通过网络传输至预设数据库进行存储,采用所述预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,获取快递包裹分拣模型。
8.如权利要求6所述的装置,其特征在于,所述预先对应建立的多个行政区划层级快速包裹接收点包括省份快递包裹接收点、地市级快递包裹接收点和县级快递包裹接收点;
所述多个行政区划层级快速包裹接收点和所述多个快递公司的快速包裹接收点分别包括至少一个快速包裹接收箱;
所述传动装置为传送带。
9.如权利要求6所述的装置,其特征在于,所述传动控制器包括以下子单元:
第一传动控制单元,分别与快递识别单元和接收点建立单元相连接,用于根据所述快递识别单元所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,控制所述传动装置将所述快递包裹传输到所述接收点建立单元中的省份快递包裹接收点;
第二传动控制单元,分别与快递识别单元和接收点建立单元相连接,用于在所述接收点建立单元中的省份快递包裹接收点,继续根据所述快递包裹的快递单图片中的配送地址信息,将控制所述传动装置将所述快递包裹传输到所述接收点建立单元中的地市级快递包裹接收点;
第三传动控制单元,分别与快递识别单元和接收点建立单元相连接,用于在所述接收点建立单元中的地市级快递包裹接收点,继续根据所述快递包裹的快递单图片中的快递公司信息,控制所述传动装置将所述快递包裹传输到所述接收点建立单元中对应的快递公司的快速包裹接收点。
10.如权利要求6至9中任一项所述的装置,其特征在于,还包括数据更新单元,该数据更新单元与所述快递识别单元相连接,用于将所述快递识别单元所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息,实时通过互联网网络传输至分布式文件系统HDFS中进行存储,并且当所识别获得的所述快递包裹的快递单图片中的配送地址和快递公司信息达到预设的信息数量时,再次采用预设数据库中的数据作为训练数据而输入到所述卷积神经网络中,对所述卷积神经网络进行训练,再次得到最优的卷积神经网络参数,实现快递包裹分拣模型的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611242622.0A CN106845894A (zh) | 2016-12-29 | 2016-12-29 | 一种快递包裹分拣方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611242622.0A CN106845894A (zh) | 2016-12-29 | 2016-12-29 | 一种快递包裹分拣方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845894A true CN106845894A (zh) | 2017-06-13 |
Family
ID=59115089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611242622.0A Pending CN106845894A (zh) | 2016-12-29 | 2016-12-29 | 一种快递包裹分拣方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845894A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341523A (zh) * | 2017-07-13 | 2017-11-10 | 浙江捷尚视觉科技股份有限公司 | 基于深度学习的快递单信息识别方法和系统 |
CN107358194A (zh) * | 2017-07-10 | 2017-11-17 | 南京邮电大学 | 一种基于计算机视觉的暴力分拣快递判断方法 |
CN107671000A (zh) * | 2017-09-29 | 2018-02-09 | 绿源美味(天津)网络科技有限公司 | 一种快递智能分拣方法 |
CN108160506A (zh) * | 2017-12-26 | 2018-06-15 | 青岛联合智造科技有限公司 | 物流分拣、输送及打包的一体化设备 |
CN110163225A (zh) * | 2018-02-11 | 2019-08-23 | 顺丰科技有限公司 | 一种基于云平台的混杂包裹检测和识别方法、装置及系统 |
CN110738305A (zh) * | 2019-08-27 | 2020-01-31 | 深圳市跨越新科技有限公司 | 一种物流运单地址解析的方法和系统 |
CN111325022A (zh) * | 2018-11-28 | 2020-06-23 | 北京京东尚科信息技术有限公司 | 识别层级地址的方法和装置 |
CN111353744A (zh) * | 2020-03-05 | 2020-06-30 | 深圳市赤狐软件技术有限公司 | 基于图像识别的货物签收单数据存储方法及装置 |
CN112183374A (zh) * | 2020-09-29 | 2021-01-05 | 佛山科学技术学院 | 一种基于树莓派和深度学习的快递自动分拣装置及方法 |
CN109684624B (zh) * | 2017-10-18 | 2023-12-08 | 北京京东尚科信息技术有限公司 | 一种自动识别订单地址路区的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881770A (zh) * | 2015-06-03 | 2015-09-02 | 秦志勇 | 一种快递单信息识别系统和方法 |
CN204866557U (zh) * | 2015-05-20 | 2015-12-16 | 大连华工创新科技股份有限公司 | 集装箱式快递与自动分拣系统 |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
-
2016
- 2016-12-29 CN CN201611242622.0A patent/CN106845894A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204866557U (zh) * | 2015-05-20 | 2015-12-16 | 大连华工创新科技股份有限公司 | 集装箱式快递与自动分拣系统 |
CN104881770A (zh) * | 2015-06-03 | 2015-09-02 | 秦志勇 | 一种快递单信息识别系统和方法 |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358194B (zh) * | 2017-07-10 | 2020-07-28 | 南京邮电大学 | 一种基于计算机视觉的暴力分拣快递判断方法 |
CN107358194A (zh) * | 2017-07-10 | 2017-11-17 | 南京邮电大学 | 一种基于计算机视觉的暴力分拣快递判断方法 |
CN107341523A (zh) * | 2017-07-13 | 2017-11-10 | 浙江捷尚视觉科技股份有限公司 | 基于深度学习的快递单信息识别方法和系统 |
CN107671000A (zh) * | 2017-09-29 | 2018-02-09 | 绿源美味(天津)网络科技有限公司 | 一种快递智能分拣方法 |
CN109684624B (zh) * | 2017-10-18 | 2023-12-08 | 北京京东尚科信息技术有限公司 | 一种自动识别订单地址路区的方法和装置 |
CN108160506A (zh) * | 2017-12-26 | 2018-06-15 | 青岛联合智造科技有限公司 | 物流分拣、输送及打包的一体化设备 |
CN110163225A (zh) * | 2018-02-11 | 2019-08-23 | 顺丰科技有限公司 | 一种基于云平台的混杂包裹检测和识别方法、装置及系统 |
CN111325022A (zh) * | 2018-11-28 | 2020-06-23 | 北京京东尚科信息技术有限公司 | 识别层级地址的方法和装置 |
CN111325022B (zh) * | 2018-11-28 | 2023-11-03 | 北京京东振世信息技术有限公司 | 识别层级地址的方法和装置 |
CN110738305A (zh) * | 2019-08-27 | 2020-01-31 | 深圳市跨越新科技有限公司 | 一种物流运单地址解析的方法和系统 |
CN111353744A (zh) * | 2020-03-05 | 2020-06-30 | 深圳市赤狐软件技术有限公司 | 基于图像识别的货物签收单数据存储方法及装置 |
CN111353744B (zh) * | 2020-03-05 | 2023-12-08 | 深圳市赤狐软件技术有限公司 | 基于图像识别的货物签收单数据存储方法及装置 |
CN112183374A (zh) * | 2020-09-29 | 2021-01-05 | 佛山科学技术学院 | 一种基于树莓派和深度学习的快递自动分拣装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845894A (zh) | 一种快递包裹分拣方法及其装置 | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
CN110175671A (zh) | 神经网络的构建方法、图像处理方法及装置 | |
CN110163234A (zh) | 一种模型训练方法、装置和存储介质 | |
CN107657316A (zh) | 通用处理器与神经网络处理器的协同系统设计 | |
CN109740534A (zh) | 图像处理方法、装置及处理设备 | |
CN110032954A (zh) | 一种钢筋智能识别与计数方法及系统 | |
CN107729872A (zh) | 基于深度学习的人脸表情识别方法及装置 | |
CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
CN107330446A (zh) | 一种面向图像分类的深度卷积神经网络的优化方法 | |
CN107632995A (zh) | 随机森林模型训练的方法及模型训练控制系统 | |
KR20180004898A (ko) | 딥러닝 기반의 이미지 처리 기술 및 그 방법 | |
CN110210538A (zh) | 一种家居图像多目标识别方法及装置 | |
CN110163286A (zh) | 一种基于混合池化的领域自适应图像分类方法 | |
CN112241679A (zh) | 一种垃圾自动分类的方法 | |
CN110633738B (zh) | 一种用于工业零件图像的快速分类方法 | |
CN112487794B (zh) | 行业分类方法、装置、终端设备及存储介质 | |
CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
CN110428007A (zh) | X光图像目标检测方法、装置及设备 | |
CN107918761A (zh) | 一种基于多流形核鉴别分析的单样本人脸识别方法 | |
CN109241366A (zh) | 一种基于多任务深度学习的混合推荐系统及其方法 | |
CN111666986A (zh) | 基于机器学习的小龙虾分级方法 | |
CN108205703A (zh) | 多输入多输出矩阵平均值池化向量化实现方法 | |
CN113837308A (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN110070106A (zh) | 烟雾检测方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |