CN110532978A - 仓储管理方法、装置、设备及存储介质 - Google Patents
仓储管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110532978A CN110532978A CN201910827292.9A CN201910827292A CN110532978A CN 110532978 A CN110532978 A CN 110532978A CN 201910827292 A CN201910827292 A CN 201910827292A CN 110532978 A CN110532978 A CN 110532978A
- Authority
- CN
- China
- Prior art keywords
- cargo
- storage reservoir
- reservoir area
- information
- location information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
Abstract
本申请公开了仓储管理方法、装置、设备及存储介质,涉及仓储管理技术领域。具体实现方案为:通过接收图像采集设备发送的仓储库区图像;将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,可取代人工对仓储库区进行统计和盘点,可降低人力成本、提高统计和盘点的准确度,同时可适用于各种类型的仓储管理,对于露天仓储库区的统计和盘点可不受天气等因素的制约,提高仓储管理的效率、精度和鲁棒性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种仓储管理技术。
背景技术
在传统的物流仓储场景中,如露天环境货物存储等领域中,库存盘点与清算是物流公司了解当下仓储面积使用情况的重要环节。
在传统的物流与仓储产业中,库存盘点与清算多为人工目视计算盘点,即每个仓储库区需要配置一定数量的盘点清算人员,用人工巡视和肉眼对库存区域内的货物进行数量和位置的记录。
传统的库存盘点与清算的人力成本较高、且效率和准确度较低,对于露天仓储库区的盘点与清算容易受天气等外部因素的制约,例如高温、大雨等恶劣的天气不宜进行库存盘点与清算,容易导致盘点清算人员的误算,影响库存盘点与清算的准确度。
发明内容
本申请提供一种仓储管理方法、装置、设备及存储介质,以降低仓储管理的人力成本,提高统计和盘点的效率和准确度。
本申请第一个方面提供一种仓储管理方法,包括:
接收图像采集设备发送的仓储库区图像;
将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;
根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
通过图像处理技术取代人工对仓储库区进行统计和盘点,降低人力成本、提高统计和盘点的准确度,同时可适用于各种类型的仓储管理,对于露天仓储库区的统计和盘点可不受天气等因素的制约,提高仓储管理的效率、精度和鲁棒性。
进一步的,所述检测模型包括第一卷积神经网络、候选区域网络和第二卷积神经网络;
所述通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,包括:
通过所述第一卷积神经网络对所述仓储库区图像获取第一特征图;
通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图;
通过所述第二卷积神经网络根据所述第二特征图预测货物的边界,得到货物的位置信息和/或数量信息。
进一步的,所述通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图,包括:
根据预设货物长宽比和/或货物尺寸从所述第一特征图确定感兴趣区域,获取包含感兴趣区域信息的第二特征图。
通过上述检测模型可实现快速、准确的获取货物的位置信息和/或数量信息。
进一步的,所述根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,包括:
根据所述货物的位置信息和/或数量信息统计仓储库区的剩余存储空间。
进一步的,所述根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,包括:
将所述货物的位置信息和/或数量信息与库存信息进行比对,若比对不一致,则进行报警。
进一步的,所述图像采集设备包括:无人机的摄像头、行走机器人的摄像头或者所述仓储库区固定设置的摄像头。
可通过上述任一方式采集仓储库区图像,适用于各种类型的仓储管理,降低人力成本,降低对天气等因素的制约。
进一步的,所述方法还包括:
获取训练数据,根据所述训练数据对所述检测模型进行训练;
在训练过程中分别获取所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失,并将所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失结合后进行组合训练。
通过上述训练过程可提高检测模型的准确性。
本申请第二个方面提供一种仓储管理装置,包括:
图像获取模块,用于接收图像采集设备发送的仓储库区图像;
处理模块,用于将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;
控制模块,用于根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
本申请第三个方面提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
本申请第四个方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面所述的方法。
本申请第五个方面提供一种计算机程序,包括程序代码,当计算机运行所述计算机程序时,所述程序代码执行如第一方面所述的方法。
本申请第六个方面提供一种仓储管理方法,包括:
接收图像采集设备发送的仓储库区图像;
对所述仓储库区图像进行分析,以获取仓储库区中货物的位置信息和/或数量信息;
根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
上述申请中的一个实施例具有如下优点或有益效果:通过接收图像采集设备发送的仓储库区图像;将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,可取代人工对仓储库区进行统计和盘点,可降低人力成本、提高统计和盘点的准确度,同时可适用于各种类型的仓储管理,对于露天仓储库区的统计和盘点可不受天气等因素的制约,提高仓储管理的效率、精度和鲁棒性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的仓储管理方法的应用场景示意图;
图2是本申请实施例提供的仓储管理方法的流程示意图;
图3是本申请实施例提供的检测模型的示意图;
图4是本申请另一实施例提供的仓储管理方法的流程示意图;
图5是本申请实施例提供的仓储管理装置的示意图;
图6是用来实现本申请实施例的仓储管理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供的仓储管理方法可应用如图1所示的场景中,具体的,仓储库区存放有货物13,通过图像采集设备11采集仓储库区12的图像,并由图像采集设备11将采集到的仓储库区图像发送给终端设备10,由终端设备10进行图像处理获取货物13的位置信息和/或数量信息,进而由终端设备10对所述仓储库区12进行仓储管理。作为示例,图1中的仓储库区12为露天的车辆仓储库区,货物13为车辆,采集设备11为搭载有摄像头的无人机,当然本申请并不限于上述的车辆仓储管理的场景,可以适用于各种类型的仓储管理,其中采集设备11还可以为搭载有摄像头的行走机器人或者仓储库区固定设置的摄像头等。本申请中终端设备具体可以为各种形式的数字计算机,如膝上型计算机、台式计算机、工作台、服务器等,也可以为表示各种形式的移动装置,如个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。下面结合具体的实施例对仓储管理过程进行详细的描述。
本申请一实施例提供一种仓储管理方法,图2为本发明实施例提供的仓储管理方法流程图。所述仓储管理方法的执行主体可以为终端设备,如图2所示,所述仓储管理方法具体步骤如下:
S101、接收图像采集设备发送的仓储库区图像。
在本实施例中,可通过无人机的摄像头拍摄仓储库区图像,或者通过行走机器人的摄像头拍摄仓储库区图像,或者也可通过仓储库区固定设置的摄像头拍摄仓储库区图像。当然本实施例中并不限于上述的方式采集仓储库区图像,采用其他方式亦可,此处不再赘述。在一种可选实施例中,可根据仓储库区的类型选择适当的图像采集方式,例如,对于车辆的仓储库区,可以采用无人机的摄像头从空中拍摄仓储库区图像;对于货物陈列在货架上的仓储库区,可采用行走机器人的摄像头拍摄仓储库区图像。
S102、将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型。
在本实施例中,通过对所述仓储库区图像进行分析以获取货物的位置信息和/或数量信息,具体的,可以预先训练检测模型,该检测模型可以实现对输入的仓储库区图像识别货物的位置信息和/或数量信息,其中该检测模型可以为神经网络模型。
在一可选实施例中,训练好的检测模型可部署在服务器上,当某一请求方需要获取位置信息和/或数量信息时,可向服务器发送检测请求,该检测请求中携带仓储库区图像,服务器在接收到检测请求后,将仓储库区图像输入到检测模型中获取货物的位置信息和/或数量信息,并返回给请求方。进一步的,训练好的检测模型可部署在至少两个服务器上,在请求方发出检测请求后,可根据服务器运行状态进行负载均衡和调度,将检测请求发送给状态最佳的服务器上。
S103、根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
在本实施例中,在获取到货物的位置信息和/或数量信息后,可根据货物的位置信息和/或数量信息,以及仓储管理需求,进行仓储管理。
在一可选实施例中,仓储管理可包括:根据所述货物的位置信息和/或数量信息统计仓储库区的剩余存储空间。
在本实施例中,可根据货物的位置信息和/或数量信息进行仓储库区存储空间的管理,例如对于车辆的仓储库区可以根据车辆的位置信息和/或数量信息确定是否还存在空余车位、空余车位的位置、还能存储车辆的数量等等,以便对仓储库区剩余存储空间进行合理应用和规划。
在另一可选实施例中,仓储管理可包括:将所述货物的位置信息和/或数量信息与库存信息进行比对,若比对不一致,则进行报警。
在本实施例中,可根据货物的位置信息和/或数量信息进行库存盘点,通过将货物的位置信息和/或数量信息与库存信息进行比对,从而保证库存信息的准确性,掌握货物的准确位置和数量,当发现货物的位置信息和/或数量信息与库存信息不一致,则进行报警。
当然,本申请中可根据具体的仓储管理需求进行对货物的位置信息和/或数量信息进行数据处理和分析,可并不限于上述所列举的数据处理和分析方式,还可根据货物的位置信息和/或数量信息获取货物储存日志,还可对仓储库区图像以及货物的位置信息和/或数量信息进行标注获取训练数据、以对检测模型进行进一步优化,更多的数据处理、分析、统计、管理、二次挖掘再利用的方式此处不再赘述。
本申请提供的仓储管理方法,通过接收图像采集设备发送的仓储库区图像;将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,可取代人工对仓储库区进行统计和盘点,可降低人力成本、提高统计和盘点的准确度,同时可适用于各种类型的仓储管理,对于露天仓储库区的统计和盘点可不受天气等因素的制约,提高仓储管理的效率、精度和鲁棒性。
在上述实施例的基础上,如图3所示,所述检测模型包括第一卷积神经网络201、候选区域网络202和第二卷积神经网络203。
在本实施例中,检测模型采用卷积神经网络为深度卷积神经网络(DeepConvolutional Neural Networks,Deep CNN)实现,利用计算机视觉中的物体检测算法检测货物的位置和数量。具体的,本实施例的检测模型采用Faster RCNN算法,具体可包括第一卷积神经网络、候选区域网络和第二卷积神经网络。其中第一卷积神经网络的结构主要由卷积层、池化层、全连接层等组成,利用该第一卷积神经网络进行卷积操作,利用权重不同的卷积核对仓储库区图像进行卷积扫描,从中提取具有意义的图像特征,得到第一特征图,还可进一步通过池化操作对图像进行降维操作,保留图像中的主要特征,利用这种具有卷积、池化操作的深度卷积神经网络,可以对图像的明暗、歪斜等具有较高的鲁棒性,对于检测任务具有更高的泛化性能。候选区域网络(Region Proposal Network,RPN)可计算第一特征图中是否包含感兴趣区域(Region of Interest,ROI)、进而判断感兴趣区域是否包含特定的物体,如果包含特定的物体则获取包含感兴趣区域信息的第二特征图,再利用第三卷积神经网络进行特征提取,预测边界(bounding box),从而得到货物的位置信息和/或数量信息,若候选区域网络确定感兴趣区域不包含特定的物体,则不需要第三卷积层进行边界预测。第三卷积神经网络同样可由卷积层、池化层、全连接层等组成,可对候选区域网络输出的第二特征图进行卷积、池化操作,进行物体边界预测,实现目标物体(货物)的识别和定位。
在上述实施例的基础上,如图4所示,上述实施例S102所述的获取货物的位置信息和/或数量信息,可包括:
S301、通过所述第一卷积神经网络对所述仓储库区图像获取第一特征图;
S302、通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图;
S303、通过所述第二卷积神经网络根据所述第二特征图预测货物的边界,得到货物的位置信息和/或数量信息。
在上述实施例的基础上,S302所述通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图,具体可包括:
根据预设货物长宽比和/或货物尺寸从所述第一特征图确定感兴趣区域,获取包含感兴趣区域信息的第二特征图。
在本实施例中,由于通常候选区域网络在工作过程中会涉及到目标物体很多参数,从而实现感兴趣区域内目标物体的快速选取,而本实施例中由于货物的长宽比和尺寸均为固定且已知的,因此为了进一步提高候选区域网络的处理效率,可仅对感兴趣区域中以预设货物长宽比和/或货物尺寸进行目标物体的快速选取,获取包含感兴趣区域信息的第二特征图。
在上述实施例的基础上,所述仓储管理方法还可包括:
获取训练数据,根据所述训练数据对所述检测模型进行训练;
在训练过程中分别获取所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失,并将所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失结合后进行组合训练。
在本实施例中,在进行检测模型训练时需要同时考虑三个网络分支的损失,将三个网络分支的损失结合到一起,做组合训练,以优化检测模型的参数。当检测模型的输出与真实值的误差小于预设阈值时,停止训练,得到所述预先训练的检测模型。
在上述实施例的基础上,检测模型可以在使用过程中进行多次优化,每次优化得到的新模型可通过小流量上线的方式逐步取代正在线上运行的旧模型,以达到模型随业务动态扩展泛化的目的。在检测模型运行一段时间后,可以通过历史数据复查检测模型的准确率,更新训练数据库,重新训练检测模型,以提高货物的位置信息和/或数量信息获取的准确率。
本申请一实施例提供一种仓储管理装置,图5为本发明实施例提供的仓储管理装置的结构图。如图5所示,所述仓储管理装置400具体包括:图像获取模块401、处理模块402以及控制模块403。
其中,图像获取模块401,用于接收图像采集设备发送的仓储库区图像;
处理模块402,用于将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;
控制模块403,用于根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
在上述实施例的基础上,所述检测模型包括第一卷积神经网络、候选区域网络和第二卷积神经网络;
所述处理模块402用于:
通过所述第一卷积神经网络对所述仓储库区图像获取第一特征图;
通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图;
通过所述第二卷积神经网络根据所述第二特征图预测货物的边界,得到货物的位置信息和/或数量信息。
在上述任一实施例的基础上,所述处理模块402在通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图时,所述处理模块402用于:
根据预设货物长宽比和/或货物尺寸从所述第一特征图确定感兴趣区域,获取包含感兴趣区域信息的第二特征图。
在上述任一实施例的基础上,所述控制模块403用于:
根据所述货物的位置信息和/或数量信息统计仓储库区的剩余存储空间。
在上述任一实施例的基础上,所述控制模块403用于:
将所述货物的位置信息和/或数量信息与库存信息进行比对,若比对不一致,则进行报警。
在上述任一实施例的基础上,所述图像获取模块401用于
通过无人机的摄像头拍摄仓储库区图像;或者
通过行走机器人的摄像头拍摄仓储库区图像;或者
通过所述仓储库区固定设置的摄像头拍摄仓储库区图像。
在上述任一实施例的基础上,所述仓储管理装置还包括训练模块,用于:
获取训练数据,根据所述训练数据对所述检测模型进行训练;
在训练过程中分别获取所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失,并将所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失结合后进行组合训练。
本实施例提供的仓储管理装置可以具体用于执行上述图2-4所提供的方法实施例,具体功能此处不再提供的赘述。
本实施例提供的仓储管理装置,通过接收图像采集设备发送的仓储库区图像;将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,可取代人工对仓储库区进行统计和盘点,可降低人力成本、提高统计和盘点的准确度,同时可适用于各种类型的仓储管理,对于露天仓储库区的统计和盘点可不受天气等因素的制约,提高仓储管理的效率、精度和鲁棒性。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的仓储管理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的仓储管理方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的仓储管理方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的仓储管理方法对应的程序指令/模块(例如,附图5所示的图像获取模块401、处理模块402以及控制模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的仓储管理方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据仓储管理的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至仓储管理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
仓储管理方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与仓储管理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过接收图像采集设备发送的仓储库区图像;将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,可取代人工对仓储库区进行统计和盘点,可降低人力成本、提高统计和盘点的准确度,同时可适用于各种类型的仓储管理,对于露天仓储库区的统计和盘点可不受天气等因素的制约,提高仓储管理的效率、精度和鲁棒性。
本申请还提供一种计算机程序,包括程序代码,当计算机运行所述计算机程序时,所述程序代码执行如上述实施例所述的仓储管理方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (17)
1.一种仓储管理方法,其特征在于,包括:
接收图像采集设备发送的仓储库区图像;
将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;
根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
2.根据权利要求1所述的方法,其特征在于,所述检测模型包括第一卷积神经网络、候选区域网络和第二卷积神经网络;
所述通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,包括:
通过所述第一卷积神经网络对所述仓储库区图像获取第一特征图;
通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图;
通过所述第二卷积神经网络根据所述第二特征图预测货物的边界,得到货物的位置信息和/或数量信息。
3.根据权利要求2所述的方法,其特征在于,所述通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图,包括:
根据预设货物长宽比和/或货物尺寸从所述第一特征图确定感兴趣区域,获取包含感兴趣区域信息的第二特征图。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,包括:
根据所述货物的位置信息和/或数量信息统计仓储库区的剩余存储空间。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理,包括:
将所述货物的位置信息和/或数量信息与库存信息进行比对,若比对不一致,则进行报警。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述图像采集设备包括:无人机的摄像头、行走机器人的摄像头或者所述仓储库区固定设置的摄像头。
7.根据权利要求2或3所述的方法,其特征在于,还包括:
获取训练数据,根据所述训练数据对所述检测模型进行训练;
在训练过程中分别获取所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失,并将所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失结合后进行组合训练。
8.一种仓储管理装置,其特征在于,包括:
图像获取模块,用于接收图像采集设备发送的仓储库区图像;
处理模块,用于将所述仓储库区图像输入至预先训练的检测模型中,通过所述检测模型确定仓储库区中货物的位置信息和/或数量信息,所述检测模型为神经网络模型;
控制模块,用于根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
9.根据权利要求8所述的装置,其特征在于,所述检测模型包括第一卷积神经网络、候选区域网络和第二卷积神经网络;
所述处理模块用于:
通过所述第一卷积神经网络对所述仓储库区图像获取第一特征图;
通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图;
通过所述第二卷积神经网络根据所述第二特征图预测货物的边界,得到货物的位置信息和/或数量信息。
10.根据权利要求9所述的装置,其特征在于,所述处理模块在通过所述候选区域网络根据所述第一特征图获取包含感兴趣区域信息的第二特征图时,所述处理模块用于:
根据预设货物长宽比和/或货物尺寸从所述第一特征图确定感兴趣区域,获取包含感兴趣区域信息的第二特征图。
11.根据权利要求8-10任一项所述的装置,其特征在于,所述控制模块用于:
根据所述货物的位置信息和/或数量信息统计仓储库区的剩余存储空间。
12.根据权利要求8-10任一项所述的装置,其特征在于,所述控制模块用于:
将所述货物的位置信息和/或数量信息与库存信息进行比对,若比对不一致,则进行报警。
13.根据权利要求8-10任一项所述的装置,其特征在于,所述图像采集设备包括:无人机的摄像头、行走机器人的摄像头或者所述仓储库区固定设置的摄像头。
14.根据权利要求9或10所述的装置,其特征在于,还包括训练模块,用于:
获取训练数据,根据所述训练数据对所述检测模型进行训练;
在训练过程中分别获取所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失,并将所述第一卷积神经网络、所述候选区域网络和所述第二卷积神经网络的损失结合后进行组合训练。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种仓储管理方法,其特征在于,包括:
获取仓储库区图像;
对所述仓储库区图像进行分析,以获取仓储库区中货物的位置信息和/或数量信息;
根据所述货物的位置信息和/或数量信息对所述仓储库区进行仓储管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827292.9A CN110532978A (zh) | 2019-09-03 | 2019-09-03 | 仓储管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827292.9A CN110532978A (zh) | 2019-09-03 | 2019-09-03 | 仓储管理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532978A true CN110532978A (zh) | 2019-12-03 |
Family
ID=68666414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910827292.9A Pending CN110532978A (zh) | 2019-09-03 | 2019-09-03 | 仓储管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532978A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460909A (zh) * | 2020-03-09 | 2020-07-28 | 兰剑智能科技股份有限公司 | 基于视觉的货位管理方法和装置 |
CN111767972A (zh) * | 2020-07-02 | 2020-10-13 | 深圳市海柔创新科技有限公司 | 物料盘点方法、装置、仓储机器人和仓储系统 |
CN111831675A (zh) * | 2020-07-07 | 2020-10-27 | 平安科技(深圳)有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
CN111932179A (zh) * | 2020-08-13 | 2020-11-13 | 东风时代(武汉)电池系统有限公司 | 电池模组仓储管理方法、上位机及系统 |
CN112733910A (zh) * | 2020-12-30 | 2021-04-30 | 华为技术有限公司 | 一种放置位置的获取方法、模型的训练方法以及相关设备 |
CN113065492A (zh) * | 2021-04-12 | 2021-07-02 | 北京滴普科技有限公司 | 云边协同自动点货方法、装置、系统及其存储介质 |
CN113362005A (zh) * | 2021-06-21 | 2021-09-07 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于环境感知的无人仓库货品智能盘点方法及系统 |
CN113879751A (zh) * | 2021-10-11 | 2022-01-04 | 国网江苏省电力有限公司常州供电分公司 | 用于移动作业机器的货物盘点方法、装置及货物盘点系统 |
WO2022000197A1 (zh) * | 2020-06-29 | 2022-01-06 | 深圳市大疆创新科技有限公司 | 飞行作业方法、无人机及存储介质 |
WO2022052660A1 (zh) * | 2020-09-14 | 2022-03-17 | 灵动科技(北京)有限公司 | 仓储机器人定位与地图构建方法、机器人及存储介质 |
CN115271594A (zh) * | 2022-07-27 | 2022-11-01 | 深圳市兆航物流有限公司 | 一种物资仓储管理优化系统 |
CN115407800A (zh) * | 2022-09-13 | 2022-11-29 | 成都信息工程大学 | 一种农产品仓储保鲜库内无人机巡检系统及巡检方法 |
CN115546607A (zh) * | 2022-09-30 | 2022-12-30 | 国网山东省电力公司高唐县供电公司 | 一种基于数据处理的储检管理方法及系统 |
EP4283570A1 (en) * | 2022-05-26 | 2023-11-29 | Effito Pte. Ltd. | Method, device and storage medium for cargo inventorying |
-
2019
- 2019-09-03 CN CN201910827292.9A patent/CN110532978A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460909A (zh) * | 2020-03-09 | 2020-07-28 | 兰剑智能科技股份有限公司 | 基于视觉的货位管理方法和装置 |
WO2022000197A1 (zh) * | 2020-06-29 | 2022-01-06 | 深圳市大疆创新科技有限公司 | 飞行作业方法、无人机及存储介质 |
CN111767972A (zh) * | 2020-07-02 | 2020-10-13 | 深圳市海柔创新科技有限公司 | 物料盘点方法、装置、仓储机器人和仓储系统 |
WO2022001610A1 (zh) * | 2020-07-02 | 2022-01-06 | 深圳市海柔创新科技有限公司 | 物料盘点方法、装置、仓储机器人和仓储系统 |
CN111831675A (zh) * | 2020-07-07 | 2020-10-27 | 平安科技(深圳)有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
CN111932179A (zh) * | 2020-08-13 | 2020-11-13 | 东风时代(武汉)电池系统有限公司 | 电池模组仓储管理方法、上位机及系统 |
CN111932179B (zh) * | 2020-08-13 | 2023-10-27 | 东风时代(武汉)电池系统有限公司 | 电池模组仓储管理方法、上位机及系统 |
WO2022052660A1 (zh) * | 2020-09-14 | 2022-03-17 | 灵动科技(北京)有限公司 | 仓储机器人定位与地图构建方法、机器人及存储介质 |
CN112733910A (zh) * | 2020-12-30 | 2021-04-30 | 华为技术有限公司 | 一种放置位置的获取方法、模型的训练方法以及相关设备 |
CN113065492A (zh) * | 2021-04-12 | 2021-07-02 | 北京滴普科技有限公司 | 云边协同自动点货方法、装置、系统及其存储介质 |
CN113362005A (zh) * | 2021-06-21 | 2021-09-07 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于环境感知的无人仓库货品智能盘点方法及系统 |
CN113879751A (zh) * | 2021-10-11 | 2022-01-04 | 国网江苏省电力有限公司常州供电分公司 | 用于移动作业机器的货物盘点方法、装置及货物盘点系统 |
CN113879751B (zh) * | 2021-10-11 | 2023-03-14 | 国网江苏省电力有限公司常州供电分公司 | 用于移动作业机器的货物盘点方法、装置及货物盘点系统 |
EP4283570A1 (en) * | 2022-05-26 | 2023-11-29 | Effito Pte. Ltd. | Method, device and storage medium for cargo inventorying |
CN115271594A (zh) * | 2022-07-27 | 2022-11-01 | 深圳市兆航物流有限公司 | 一种物资仓储管理优化系统 |
CN115407800A (zh) * | 2022-09-13 | 2022-11-29 | 成都信息工程大学 | 一种农产品仓储保鲜库内无人机巡检系统及巡检方法 |
CN115407800B (zh) * | 2022-09-13 | 2023-09-01 | 成都信息工程大学 | 一种农产品仓储保鲜库内无人机巡检方法 |
CN115546607A (zh) * | 2022-09-30 | 2022-12-30 | 国网山东省电力公司高唐县供电公司 | 一种基于数据处理的储检管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532978A (zh) | 仓储管理方法、装置、设备及存储介质 | |
US9098858B2 (en) | Visualizing expressions for dynamic analytics | |
CN112163676B (zh) | 多任务服务预测模型训练方法、装置、设备以及存储介质 | |
US8898641B2 (en) | Managing transactions within a middleware container | |
US20180204336A1 (en) | Multi-style texture synthesis | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
US20150039555A1 (en) | Heuristically modifying dbms environments using performance analytics | |
US10049374B2 (en) | Cost impact simulator and gross profit analyzer | |
CN111539347B (zh) | 用于检测目标的方法和装置 | |
CN107077392A (zh) | 用于可视化修改的预取高速缓存 | |
CN105468161A (zh) | 指令执行方法和装置 | |
CN112749678A (zh) | 模型训练、矿产预测方法、装置、设备以及存储介质 | |
US10627984B2 (en) | Systems, devices, and methods for dynamic virtual data analysis | |
CN114386503A (zh) | 用于训练模型的方法和装置 | |
CN114996310A (zh) | 一种数据处理方法、装置、服务器及存储介质 | |
CN111640103A (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN111522888B (zh) | 挖掘兴趣点之间的竞争关系的方法和装置 | |
CN110889392B (zh) | 人脸图像处理的方法及装置 | |
CN111696095A (zh) | 用于检测物体表面缺陷的方法及装置 | |
US20200065631A1 (en) | Produce Assessment System | |
CN111563541A (zh) | 图像检测模型的训练方法和装置 | |
CN111104418A (zh) | 文本描述的处理方法、装置和电子设备 | |
US9087298B2 (en) | Inference of anomalous behavior of members of cohorts and associate actors related to the anomalous behavior based on divergent movement from the cohort context centroid | |
CN111241225A (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
US20230305904A1 (en) | Systems and methods for correlating probability models with non-homogenous time dependencies to generate time-specific data processing predictions |
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 |