CN109829032B - 一种物品识别的方法、设备及存储介质 - Google Patents

Abstract

本发明公开了一种物品识别方法、设备、及计算机可读存储介质，属于仓库管理技术领域。该方法适用于物品识别设备，当探索到物品时，对物品进行扫描；将扫描得到的物品数据与预存的地图数据进行匹配；根据分析结果，识别探索到的物品是否为新增物品。采用本发明，这样无论用户是否预先知道仓库新增库存物品的类型和放置方式，都能快速准确的对新增库存物品进行识别。

Description

一种物品识别的方法、设备及存储介质

技术领域

本发明涉及仓库管理技术领域，尤其涉及一种物品识别方法、设备及存储介质。

背景技术

库存管理是仓储系统中重要的流程步骤，在日常库存管理工作中需要时常对现有的库存量进行盘点，以确保库存的准确性。

现有的库存管理技术通常是在预先设置的区域中对产品进行计数，仓库中的产品通常以特定的方式放置。而且产品一般是特定的类型，例如药瓶，食品等。

但是随着人们生活需要日益丰富，很多厂商和零售商的仓库需要存储的货物的类型繁多，且为了省时省力，经常会随意放置。现有的库存管理技术针对这种无法预先知道货物的类型和放置方式的非结构化环境，无法解决对仓库中新增物品进行识别的问题。

发明内容

有鉴于此，本发明的目的在于提供一种物品识别的方法、设备及存储介质,以解决现有技术只能识别特定类型和固定放置方式的库存货物。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的第一个方面，提供一种物品识别的方法，适用于物品识别设备，所述方法包括以下步骤：

当探索到物品时，对物品进行扫描；

将扫描得到的物品数据与预存的地图数据进行匹配；

根据分析结果，识别探索到的物品是否为新增物品。

根据本发明的第二个方面，提供一种物品识别设备，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一个方面所述的步骤。

根据本发明的第三个方面，提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一个方面或第二个方面所述的物品识别方法的步骤。

本发明实施例的物品识别方法、设备、及存储介质，无论是否预先知道仓库新增库存物品的类型和放置方式，都能快速准确的对新增库存物品进行识别，提高了仓库管理的便捷性和时效性。

附图说明

图1为本发明实施例一提供的一种物品识别方法的流程图；

图2为本发明实施例二提供的另一种物品识别方法的流程图；

图3为本发明实施例三提供的一种物品识别设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，如果使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

本发明实施例一提供了一种物品识别方法。本实施例的物品识别方法适用于物品识别设备。请参阅图1，方法流程包括：

步骤S101、在仓库内进行探索，当发现物品时，对物品进行扫描；

步骤S102、原始库存物品数据预存在地图数据中，将扫描得到的物品数据与预存的地图数据进行匹配；

步骤S103、根据匹配结果，识别探索到的物品是否为新增物品。

在一个可行的方案中，步骤S101、在仓库内进行探索，当发现物品时，从不同方向对物品进行扫描，包括：

采用半随机策略探索仓库环境，向前直线行驶探索；

当在小于预定阈值的距离内发现物品时，从不同的方向不同角度对物品进行激光雷达扫描。

激光雷达(LIDAR,Light Detection and Ranging)，是激光探测及测距系统的简称，是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号(激光束)，然后将接收到的从目标反射回来的信号与发射信号进行比较，作适当处理后，获得探测目标的有关信息。

实际应用中，除了采用激光雷达扫描外，还可采用普通微波雷达，三维扫描仪等其它侦测装置，扫描得到物品的距离、方位、尺寸、形状、颜色等一种或者几种参数组合信息。

在一个可行的方案中，步骤S102、将扫描得到的物品数据与预存的地图数据进行匹配，包括：

将扫描得到的数据转换对应为地图上的各点坐标；

对转换得到的所有地图上的点进行聚类，生成不同类别的聚类点；

将所述聚类点与预存的地图数据中的点进行匹配，判断聚类点是否与预存地图数据相匹配。

物品识别设备预先储存了仓库的库存物品原始数据，并且以地图数据的形式进行存储。实际应用中，该地图可以是网格地图(Grip Map)，仓库里库存货物的空间信息可采用网格形式存储和表示。按平面坐标体系划分为格网单元，对每个格网单元记录和存储各种物品要素。预存的地图数据还可以记录仓库的面积、体积以及各种环境参数等等。

在一个可行的方案中，对转换得到的所有地图上的点进行聚类，生成不同类别的聚类点，具体方式为：

预设聚类阈值，将转换得到的第一点设为第一聚类点；

当与所述第一点相邻的第二点与第一点之间的距离大于聚类阈值时，设为第二聚类点，当与所述第二聚类点相邻的第三点之间的距离大于聚类阀值时，设为第三聚类点，依次进行比较，直到与所述第n-1聚类点相邻的第n点之间的距离大于聚类阀值时，生成第n聚类点。

实际应用中，将相邻的两个点进行判断，判断两个点之间是否为同一类别，称为聚类。预先可以设置相邻两点之间的距离限值，这个距离限值即为聚类阀值，当相邻两点之间的距离小于聚类阀值时，这两点为同一属性的点，当相邻两点之间的距离大于聚类阀值时，这两点为不同类别的聚类点。

不同类别的聚类点以列表的形式存储在该设备的存储器中。

在一个可行的方案中，将所述聚类点与预存的地图数据中的点进行匹配，判断聚类点是否为预存地图数据中的点，包括：

对聚类点进行第一次采样，预设一个检查窗口，判断检查窗口里的聚类点的数量和采样的聚类点数量之间的比值是否大于预设的窗口百分比阈值，所述窗口百分比阈值用于识别采样的聚类点是否和预存地图中存储的数据匹配；

若是，则输出所述聚类点与预存地图中存储的数据匹配；

若否，则增大预设聚类阀值，从而加大采样的聚类点数量，对聚类点进行第二次采样，并判断检查窗口里的聚类点的数量和采样的聚类点数量之间的比值是否大于预设的窗口百分比阈值，直到聚类阀值大于预设的不匹配计数阈值，则判断聚类点与预存地图数据中的点不匹配。

实际应用中，所述检查窗口是在探索到的物品所在网格地图的空间范围内。预设一个检查窗口，即预先设置检查窗口的大小，通常是指划分出地图上一定数量的网格单元，以便在一定范围内判断采样的聚类点是否与地图上的数据相匹配。

在实际应用中，当检测得到所述库存物品堆中的库存物品的数量和其他物品信息后，还要对预先存储的地图数据进行更新和保存。

本实施例的物品识别方法，通过在仓库内对发现的物品进行扫描，将扫描信息和预存的库存数据进行地图匹配运算，识别是否为新增的库存物品，如此一来，无论是否预先知道仓库库存物品的尺寸和放置位置，也能准确的识别出新增的库存物品，提高了仓库管理的便捷性和时效性。

在前述实施例的基础上，本发明实施例二提供了另一种物品识别的方法，适用于物品识别设备。请参阅图2，该方法包括以下步骤：

步骤S201、物品识别设备在仓库内直线行驶，并采用半随机策略探索仓库环境，当在小于预定阀值的距离内发现物品时，调用激光雷达从不同方向不同角度对物品进行扫描；

扫描方向从一个区间等式中随机选择，该等式如下：

Newheading＝currentheading+randow([0.6pi,1.4pi])

本实施例中，仓库内物品指库存单位(SKU,Stock Keeping Unit)，物品堆(SKUPile)指相同尺寸和品种的物品集中放置在一处。本实施例中，物品识别设备是机器人，也可以是其它智能设备。

物品识别设备调用的扫描设备可以是激光雷达，普通微波雷达或者三维扫描仪等其它可以扫描得到物品的距离、方位、尺寸、形状、颜色等信息的设备。在本实施例中，以为激光雷达为例进行说明。

扫描的具体方式是激光雷达按照某一个角度向外发射信号，接收被物品反射回来的信号，从而获得激光雷达在每个角度所探测到的物品的位置信息。

步骤S202、将激光雷达探测的数据信息转换成地图上的坐标点；

这种转换是通过使用从激光雷达帧到地图帧的转换来完成的。每个坐标点对应激光雷达探测到的物品在地图中的坐标(x,y)。这些坐标点可以通过列表的形式存储。

步骤S203、预设聚类阈值，将转换得到的第一点设为第一聚类点，当与所述第一点相邻的第二点与第一点之间的距离大于聚类阈值时，设为第二聚类点，当与所述第二聚类点相邻的第三点之间的距离大于聚类阀值时，设为第三聚类点，依次进行比较，直到与所述第n-1聚类点相邻的第n点之间的距离大于聚类阀值时，生成第n聚类点；

不同类别的聚类点也可以通过列表的形式存储。由于对新增库存物品的尺寸和位置等信息都是未知的，而在未知模式识别中，通常需要从一堆没有标签的数据中找到其中的关联，从而发现数据之间的相似性。例如：通过激光雷达探测物品，可以获得物品在地图上的各种空间信息数据，有些涉及物品的长，有些涉及物品的高，还有些涉及物品的宽等等。为了后续能够将这些数据和预存的地图数据一一比对，所以在这里先将不同类别的数据点进行聚类。

通常情况下，两个点越相似，相似度S越大，两点之间距离D越小；相反地，两个点越不像，相似度S越小，两点之间距离D就越大。因此我门可以预先设置一个聚类阀值。聚类阀值可以由用户自定义设置。因此，可以通过将相邻两点之间的距离和聚类阀值之间做比较来进行聚类。

聚类的具体算法还有有很多种，例如排外式聚类算法(Exclusive Clustering)、重叠式聚类算法(Overlapping Clustering)、等级划分式聚类算法(HierarchicalClustering)、概率式聚类算法(Probabilistic Clustering)等等，这里就不一一赘述。

步骤S204、将所述聚类点与预存的地图数据中的点进行匹配，判断聚类点是否与预存地图数据中的点相匹配；

物品识别设备预先储存了仓库的库存物品数据，并且以地图数据的形式进行存储。在本实施例中，该地图是网格地图，仓库里库存货物的空间信息可采用网格形式存储和表示。按平面坐标体系划分为格网单元，对每个格网单元记录和存储各种物品的要素。

判断聚类点是否与预存地图数据中的点相匹配，具体方式为：

调用预先储存的网格地图，并对聚类点进行第一次采样；

预设一个检查窗口，判断检查窗口里的聚类点的数量和采样的聚类点数量之间的比值是否大于预设的窗口百分比阈值，所述窗口百分比阈值用于识别采样的聚类点是否和预存地图中存储的数据匹配；

若是，则输出所述聚类点与预存地图中存储的数据匹配；

若否，则增大聚类阀值，从而加大采样的聚类点数量，对聚类点再次采样，并判断检查窗口里的聚类点的数量和采样的聚类点数量之间的比值是否大于预设的窗口百分比阈值，直到聚类阀值大于预设的不匹配计数阈值，则判断聚类点与预存地图数据中的点不匹配。

例如一个物品的聚类点的数量为100，采样20个聚类点，以便减少计算量。预设窗口百分比阀值为0.8，如果采样的20个点，其中有18个在检查窗口中，那么窗口里的聚类点的数量和采样的聚类点数量之间的比值为0.9，大于预设的窗口百分比阀值0.8，因此判断聚类点与预存地图数据中的点相匹配。反之，如果窗口里的聚类点的数量和采样的聚类点数量之间的比值小于预设的窗口百分比阀值，有可能是预设的相邻两个点之间的聚类阀值偏小，此时通过增大聚类阈值，即把聚类点的数量增加200个，再次采样40个点，并判断这40个点是否与地图上的点匹配；如果仍然不匹配，则再次增大聚类阈值，即把聚类点的数量增加400个，采样80个点，这时聚类点的数量大小超过不匹配计数阈值(不匹配计数阀值用户可自定义设置)，则判断聚类点与地图数据中的点不匹配，该物品为库存新增物品。且将聚类点中群中的中间点被视为物品的位置。

步骤S205、当聚类点与预存地图数据中的点不匹配时，将所发现的物品识别为新增的库存物品；

步骤S206、将包含所述新增的库存物品的多个物品识别为库存物品堆；

步骤S207、移动到新的库存物品附近，将该位置记录为映射起始位置，并对新的库存物品进行映射；

步骤S208、从起始位置开始，围绕库存物品堆对所有库存物品依次进行映射，直到回到起始位置；

围绕着库存物品堆，每隔一定距离，记录库存物品的图像、颜色、尺寸等信息，每次记录的数据都作为点进行存储在地图数据中。

由于物品识别设备预先不知道库存物品堆的大小和形状，当它移动时，使用LIDAR观察来保持一个与物品堆远离的一定距离。物品识别设备围绕着库存物品堆，每行驶一定距离，就停下来并测量图像，测量图像的仪器可以是板载Kinect传感器，也可以是其他图像记录设备；每次测量的数据都作为点保存到文件中，并且沿物品识别设备行驶的位置保存。当物品识别设备在距离它开始环绕库存物品堆的初始地点的一定距离内，它识别已经完成了一个完整的循环，停下来并沿其他方向继续对仓库物品的新一轮探索。

步骤S209、将映射得到的所有库存物品的信息进行合并运算，得到库存物品堆的整体体积和单个库存物品的体积；

我们使用点云合并算法来组合运行期间进行的所有测量值，得到库存物品堆的整体体积。

步骤S210、将库存物品堆的体积除以单个库存物品的体积，得到所述库存物品堆中的库存物品的数量；

步骤S211、对预先存储的地图数据进行更新和保存。

本实施例的物品识别方法，通过在仓库内对发现的物品进行扫描，将扫描信息和预存的库存数据进行地图匹配运算，识别是否为新增的库存物品，如此一来，无论是否预先知道仓库库存物品的尺寸和放置位置，也能准确的识别新增库存物品，提高了仓库管理的便捷性和时效性。

在前述实施例的基础上，本发明实施例三提供又一种物品识别设备。

请参阅图3，物品识别设备包括：存储器301、处理器302以及存储在所述存储器301上并可在所述处理器上302运行的计算机程序303，所述计算机程序303被所述处理器302执行时实现如如第一实施例或者第二实施例的物品识别的步骤。

本实施例的物品识别设备，通过在仓库内对发现的物品进行扫描，将扫描信息和预存的库存数据进行地图匹配运算，识别是否为新增的库存物品，如此一来，无论是否预先知道仓库库存物品的尺寸和放置位置，也能准确的识别出新增库存物品，提高了仓库管理的便捷性和时效性。

在前述实施例的基础上，本发明实施例四提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一实施例或者第二实施例的物品识别的步骤。

本实施例的计算机可读存储介质，通过在仓库内对发现的物品进行扫描，将扫描信息和预存的库存数据进行地图匹配运算，识别是否为新增的库存物品，如此一来，无论是否预先知道仓库库存物品的尺寸和放置位置，也能准确的识别出新增库存物品，提高了仓库管理的便捷性和时效性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种物品识别的方法，适用于物品识别设备，所述方法包括以下步骤：

当探索到物品时，对物品进行扫描；

将扫描得到的物品数据与预存的地图数据进行匹配，具体包括：

将扫描得到的物品数据转换对应为地图上的各点，

对转换得到的地图上的各点进行聚类，生成不同类别的聚类点，

将所述聚类点与预存的地图数据中的点进行匹配，判断所述聚类点是否与预存的地图数据相匹配，其中，原始库存物品数据预存在地图数据中；

根据匹配结果，识别探索到的物品是否为新增物品。

2.如权利要求1所述的物品识别方法，其特征在于，当探索到物品时，对物品进行扫描，包括：

采用半随机策略探索仓库环境，向前直线行驶探索；

当在小于预定阈值的距离内发现物品时，从不同的方向不同角度对物品进行扫描。

3.如权利要求1所述的物品识别方法，其特征在于，通过侦测装置对物品进行扫描，获得探测物品的距离、方位、尺寸、形状、颜色的一种或多种组合参数。

4.如权利要求1所述的物品识别方法，其特征在于，当采用激光雷达对物品进行扫描时，将扫描得到的数据转换对应为地图上的各点坐标的具体方式为：

通过使用从激光雷达帧到地图帧的转换方式来进行扫描数据的转换，转换得到的每个坐标点对应激光雷达探测到的物品在地图中的坐标。

5.如权利要求1所述的物品识别方法，其特征在于，所述对转换得到的所有地图上的点进行聚类，生成不同类别的聚类点，具体方式为：

预设聚类阈值，将转换得到的第一点设为第一聚类点；

当与所述第一点相邻的第二点与第一点之间的距离大于聚类阈值时，设为第二聚类点，当与所述第二聚类点相邻的第三点之间的距离大于聚类阀值时，设为第三聚类点，依次进行比较，直到与第n-1聚类点相邻的第n点之间的距离大于聚类阀值时，生成第n聚类点。

6.如权利要求5所述的物品识别方法，其特征在于，将所述聚类点与预存的地图数据中的点进行匹配，判断聚类点是否为预存地图数据中的点，包括：

对聚类点进行第一次采样，预设一个检查窗口，判断检查窗口里的聚类点的数量和采样的聚类点数量之间的比值是否大于预设的窗口百分比阈值，所述窗口百分比阈值用于识别采样的聚类点是否和预存地图中存储的数据匹配；

若是，则输出所述聚类点与预存地图中存储的数据匹配；

若否，则增大预设聚类阈值，对聚类点进行第二次采样，并判断检查窗口里的聚类点的数量和采样的聚类点数量之间的比值是否大于预设的窗口百分比阈值，直到聚类阀值大于预设的不匹配计数阈值，则判断聚类点与预存地图数据中的点不匹配。

7.如权利要求1所述的物品识别方法，其特征在于，根据分析结果，识别探索到的物品是否为新增物品之后，还包括：

对预先存储的地图数据进行更新和保存。

8.一种物品识别设备，其特征在于，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一所述的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的步骤。

Images