CN110598491A - 物料标签识别装置 - Google Patents

Abstract

本公开揭示了一种物料标签识别装置。其中，物料标签识别装置包括识别机构，为一框形结构，包括框架以及沿所述框架内周缘安装在所述框架内侧的多个标签识别器，所述标签识别器用于识别物料标签；升降机构，与所述识别机构驱动连接；控制机构，分别与所述升降机构以及标签识别器电连接，以分别控制所述升降机构以及标签识别器。这样可以较为方便地识别物料上的标签，特别是对于物料垛上的所有标签，即使所述标签不在一个面上也可以进行识别。

Description

物料标签识别装置

技术领域

本公开涉及标签识别领域，特别涉及一种物料标签识别装置以及物料标签识别方法。

背景技术

随着工业与物流业的发展，在进行物料转运的过程中，需要给物料贴上标签(例如是条形码、二维码或者电磁标签等)，并对标签进行识别。目前标签的识别往往是靠人工逐一扫描识别，或者将物料的标签按照顺序排成一列或者一排然后机器按照预定程序逐一扫描识别，这样，需要人工进行扫描识别或者需要人工将物料按照标签呈一列或者一排的顺序对物料进行码放。

但是，若所述物料上设置有多个标签，且所述多个标签分别分布于多个侧面上，如果利用上述方法对该物料进行扫描识别的话，会造成标签的漏扫，使物料标签的信息有误，造成物料标签信息识别的准确率下降。这样就需要进行多次扫描识别，这样进行物料标签识别的效率较低，而且很不方便。

发明内容

为了解决相关技术中对于不在同一平面上的物料标签识别效率低的问题，本公开提供了一种物料标签识别装置以及物料标签识别方法，。

本公开提供一种物料标签识别装置，所述物料标签识别装置包括：

识别机构，为一框形结构，包括框架以及沿所述框架内周缘安装在所述框架内侧的多个标签识别器，所述标签识别器用于识别物料标签；

升降机构，与所述识别机构驱动连接；

控制机构，分别与所述升降机构以及标签识别器电连接，以分别控制所述升降机构以及标签识别器。

本公开还提供一种物料标签识别方法，应用于如权利要求1所述的物料标签识别装置中，包括：

响应于识别指令，驱动所述升降机构下降；

响应于识别指令，对物料上的物料标签进行识别。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开提供一种物料标签识别装置，所述物料标签识别装置包括识别机构、升降机构以及控制机构。其中，识别机构为一框形结构，包括框架以及沿所述框架内周缘安装在所述框架内侧的多个标签识别器，所述标签识别器用于识别物料标签，所述升降机构与所述识别机构驱动连接。控制机构，分别与所述升降机构以及标签识别器电连接，以分别控制所述升降机构以及标签识别器。这样，在识别物料标签的过程中，升降机构连带着与其相连接的识别机构升降，使物料穿过识别机构的框架，同时沿所述框架四周安装在所述框架内的标签识别器多个标签识别器对设置于所述物料四周的物料标签进行识别，这样即使物料标签不一个面上，也可以一次性识别，也就解决了对不在同一平面上的物料标签识别效率低的技术问题。

本公开采用上述的物料标签识别装置可以较为方便地识别物料上的标签，特别是对于物料垛上的所有标签，即使所述标签不在一个面上也可以进行识别。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

图1是所述物料标签识别装置其中一个实施例的立体图。

图2是所述物料标签识别装置其中一个实施例的俯视图。

图3是所述控制机构的结构示意图。

图4是所述识别机构控制单元的结构示意图。

图5是所述标签定位单元的结构示意图。

图6是所述控制机构的又一结构示意图。

图7是所述控制机构的又一结构示意图。

图8是所述控制机构的又一结构示意图。

图9是所述物料标签识别装置其中一个实施例的立体图。

具体实施方式

体现本公开特征与优点的典型实施方式将在以下的说明中详细叙述。应理解的是本公开能够在不同的实施方式上具有各种的变化，其皆不脱离本公开的范围，且其中的说明及图示在本质上是当作说明之用，而非用以限制本公开。

本公开提供一种物料标签识别装置，如图1～2所示，物料标签识别装置包括升降机构10、识别机构20以及控制机构50。

升降机构10与识别机构20驱动连接，控制机构50分别与所述升降机构以及识别机构20电连接，以分别控制所述升降机构以及识别机构。

其中，识别机构20为一框形结构，包括框架21以及沿框架21内周缘安装在框架21内侧的多个标签识别器22，标签识别器22与控制机构50电连接，受控制机构50控制，用于识别物料标签。

升降机构10包括导轨11、滑块12以及传动机构13。滑块12上开设有导轨槽121，导轨11穿设于导轨槽121内，并与滑块12滑动连接，滑块12与识别机构20的框架21的一边固定连接，这样滑块12在导轨11上滑动时就会连带着识别机构20一起运动。传动机构，与滑块12传动连接，驱动滑块12沿所述导轨进行升降运动。

在其中一个实施例中，如图9所示，导轨11为一对，相应地滑块12上开设有一对导轨槽121，导轨11穿设于导轨槽121内，并与滑块12滑动连接，导轨11的一端固定于固定平台90上，另一端远离固定平台90，为自由端。传动机构13包括升降台135，升降台135位于固定平台90上，与滑块12的底部固定连接，在升降机构10升降的过程中升降台135通过自身升降带动滑块12在导轨11上升降。

其中，所述固定平台90例如可以是平地、也可以是专门搭设的平台、也可以是操作台或者简易支架等，只要能够将升降机构10固定均可，本公开在此不做限定。

在另一个实施例中，如图1～2所示，所述物料标签识别装置还包括装置主体30，导轨11为一对，分别竖直地固定于装置主体30同一平面的两竖直边上，相应地，滑块12上开设有一对导轨槽121，导轨11穿设于导轨槽121内，并与滑块12滑动连接。传动机构13包括传动马达131、传动链132以及定滑轮133，传动马达131与定滑轮133分别位于装置主体30同一平面的上下两端并通过传动链132传动连接，传动链132与滑块12固定连接，这样在转动马达131带动传动链132运动时，传动链132就可以带动滑块12升降。

结合图3所示，本公开提出的另一个实施例中，控制机构50包括：

升降机构控制单元510，用于响应于识别指令，驱动所述升降机构带动所述框架升降；

识别机构控制单元520，用于响应于识别指令，控制所述标签识别器对物料上的多个物料标签进行识别。

将物料对准识别机构20的框架21后放置后，就可以启动所述物料识别装置，向控制机构50发送识别指令，控制机构50中的升降机构控制单元510接收到所述识别指令后，驱动升降机构10带动框架21升降，使物料穿过框架21。同时，控制机构50中的识别机构控制单元520接收到所述识别指令后，控制标签识别器22对物料上的多个物料标签进行识别。这样在物料穿过框架21的同时，标签识别器22正在对物料上的多个物料标签进行识别。

其中，对物料上的多个物料标签进行识别的方法可以是先通过标签识别器22获取所述物料的物料图像，再逐一识别出所述物料图像中的所有标签；也可以是在标签识别器22对准物料标签后即进行识别。

结合图4所示，本公开提出的一个实施例中，所述识别机构控制单元520包括：

图像获取单元521，用于获取所述物料的图像；

标签定位单元522，用于定位所述物料图像中的所有的物料标签；

标签识别单元523，用于逐一识别所述标签定位单元定位的所有的物料标签。

在本实施例中，对物料上的多个物料标签进行识别的方法为先通过标签识别器22获取所述物料的物料图像，再逐一识别出所述物料图像中的所有标签。其具体步骤为先通过图像获取单元521控制标签识别器22获取所述物料的图像，然后再通过标签定位单元522定位所述物料图像中的所有的物料标签，所述物料标签可以是在所述物料同一表面的不同位置，故获取图像后需要对所述物料图像中的所有的物料标签定位，所述定位的方法可以是定位所述各物料标签四个角的位置坐标，也可以是定位所述物料标签边界线的坐标方程，所述位置坐标的形式可以是笛卡尔坐标也可以是极坐标，本公开在此不做限定。在定位出所述物料图像中的所有的物料标签后，就可以逐一识别所述标签定位单元定位的所有的物料标签。

在其中一个实施例中，所述定位所述物料图像中的所有的物料标签的具体方法可以包括如下步骤：先对所述物料图像进行灰度处理，然后获取所述物料图像在水平和竖直方向上的梯度幅值，再根据所述物料图像在水平和竖直方向上的梯度幅值，对所述物料图像进行平均模糊处理，然后对所述物料图像进行图像二值化，得到所述物料的初步二值化图像，对所述物料的二值化图像进行多次膨胀和多次腐蚀，得到所述物料的最终二值化图像，所述物料的最终二值化图像中，所述标签区域会显示出明显边界，最后就可以根据所述物料的最终二值化图像，获取所述物料标签的轮廓位置。

结合图5所示，本公开提出的另一个实施例中，标签定位单元522包括：

特征向量获取单元5221，用于获取所述物料图像中的特征向量，所述特征向量包括所述物料图像的每一个像素点的像素值以及位置坐标；

机器学习模型单元5222，用于将所述特征向量输入机器学习模型，所述机器学习模型输出所述图像上各物料标签的区域位置坐标的集合。

在本实施例中，可以通过机器学习模型定位所述物料图像中的所有的物料标签，其具体步骤可以包括，先获取所述物料图像中的特征向量，所述特征向量包括所述物料图像的每一个像素点的像素值以及位置坐标，机器学习模型会根据所述物料图像中的每一个像素点与相邻像素点的像素的梯度值，定位出所述物料图像中每一个处于物料标签边界的像素点的坐标值，这样就可以得到所述物料图像上各物料标签的区域位置坐标，所述区域位置坐标可以是所述物料标签四角的位置坐标也可以是所述物料标签边界的坐标方程或者坐标方程组，本公开在此不做限定，在本实施例中，为所述物料标签四角的位置坐标。在得到了所述物料图像上各物料标签的区域位置坐标后，所述机器学习模型就可以将所述物料图像上各物料标签的区域位置坐标作为一个集合输出。

其中所述机器学习模型如下训练出：

获取包括多个物料标签的图像样本集，所述图像样本集中的每个图像样本事先贴有包含所述图像上所有物料标签的区域位置坐标的集合标签；

获取所述图像样本集中的每一个图像样本的特征向量；

将所述图像样本集中的每一个图像样本的特征向量逐一输入机器学习模型，机器学习模型输出判定的所述图像上各物料标签的区域位置坐标的集合，与贴有的集合标签比对，如不一致，则调整所述机器学习模型，使所述机器学习模型输出的所述图像上各物料标签的区域位置坐标的集合与事先贴有的集合标签一致。

结合图6所示，本公开提出的另一个实施例中，控制机构50还包括：

标签数量获取单元550，用于获取所述待识别物料标签的数量；

标签数量确认单元560，用于确定所述已识别物料标签的数量；

标签数量判断单元570，用于判断所述已识别物料标签的数量是否等于所述待识别物料标签的数量，若不等于，控制所述识别机构再次对物料上的物料标签进行识别。

在识别物料标签的过程中，可能会出现漏识别的情况，故在本实施例中，在控制所述标签识别器对物料上的多个物料标签进行识别后，还要确定已识别的物料标签的数量和所述需要识别的物料标签的数量是否相等，如果不相等，则说明出现了错误识别或者漏识别的情况，这时候，就需要重新进行识别。在本实施例中，具体是先通过标签数量获取单元550获取待识别物料标签的数量，然后再通过标签数量确认单元560确定已识别物料标签的数量，最后通过标签数量判断单元570判断所述已识别物料标签的数量是否等于所述待识别物料标签的数量，若不等于，控制所述识别机构再次对物料上的物料标签进行识别。

其中，所述获取述待识别物料标签的数量的方法可以是通过用户手动输入的方式，也可以是通过接收上游系统发送的待识别物料标签的数量，本公开在此不做限定。

所述确定已识别物料标签的数量的方法可以是通过计数器确定，即在进行物料标签识别的过程中，每识别出一个物料标签，计数器就响应地加一，在物料标签识别完毕后，就可以通过计数器知道已经识别出的物料标签的数量。还可以是在物料标签识别完成后，根据已经识别出的信息的量，来确定已经识别出的物料标签的数量。

在其中一个实施例中，若标签数量判断单元570判断所述已识别物料标签的数量等于所述待识别物料标签的数量，这时，证明没有错误识别或者漏识别的情况，这时就可以结束对物料标签的识别。

结合图7所示，本公开提出的另一个实施例中，控制机构50还包括：

物料位置获取单元580，用于获取物料位置；

物料位置判定单元590，用于根据所述物料的位置，判断所述物料是否位于待识别区域，若所述物料位于待识别区域，发送识别指令至升降机构控制单元以及识别机构控制单元。

在进行物料标签识别之前，需要将待识别的物料对准识别机构的框架后放置后方可进行物料标签识别，但将待识别物料放置的时候，无法保证每一次都能够对准识别机构的框架，这时就需要进行判断。在本实施例中，具体是先通过物料位置获取单元580获取物料位置，然后物料位置判定单元590根据所述物料的位置，判断所述物料是否位于待识别区域，若所述物料位于待识别区域，发送识别指令至升降机构控制单元以及识别机构控制单元，以便升降机构控制单元510响应于识别指令，驱动升降机构10带动框架21升降。以及，识别机构控制单元520响应于识别指令，控制标签识别器22对物料上的多个物料标签进行识别。

其中，获取物料位置的方式可以是在所述物料中加入定位器，根据所述定位器来确定所述物料的位置，也可以是通过获取所述物料的位置图像，根据物料的实时图像，判断所述物料的位置，还可以是通过距离感应器确定所述物料的距离来确定所述物料的位置，本公开在此不做限定。在本实施例中，是通过在所述物料标签识别装置中置入多个距离感应器，通过距离感应器获取所述物料的与距离感应器的距离，来确定物料的位置。

结合图8所示，本公开提出的另一个实施例中，所述物料标签识别装置还包括显示模组80，控制机构50还包括：

标签信息显示单元540，用于控制显示对所述物料标签识别的结果或者物料标签所承载的信息。

在本实施例中，所述物料标签识别装置还包括显示模组80，这样控制机构50就可以控制标签信息显示单元540通过显示模组80显示对所述物料标签识别的结果或者物料标签所承载的信息。其中，所述对所述物料标签识别的结果可以包括此次物料标签识别已识别出的物料标签数量、此次物料标签还需要识别出的物料标签数量或者此次物料标签识别是否成功、此次物料标签识别过程中未识别出的物料标签的数量以及位置信息。这样相关操作人员就可以根据显示模组80显示的对所述物料标签识别的结果来调整所述物料或所述物料标签识别装置，已保证物料标签识别装置能够正常使用。

本公开又提出一种物料标签识别方法，包括：

响应于识别指令，驱动所述升降机构带动所述框架升降；

响应于识别指令，对物料上的多个物料标签进行识别。

将物料对准识别机构20的框架21后放置后，就可以启动所述物料识别装置，向控制机构50发送识别指令，控制机构50接收到所述识别指令后，驱动升降机构10带动框架21升降，使物料穿过框架21。同时，控制标签识别器22对物料上的多个物料标签进行识别。这样在物料穿过框架21的同时，标签识别器22正在对物料上的多个物料标签进行识别。

其中，对物料上的多个物料标签进行识别的方法可以是先通过标签识别器22获取所述物料的物料图像，再逐一识别出所述物料图像中的所有标签；也可以是在标签识别器22对准物料标签后即进行识别。

在其中一个实施例中，所述对物料上的多个物料标签进行识别的具体步骤包括：

获取所述物料的图像；

定位所述物料图像中的所有的物料标签；

逐一识别所述物料图像中已定位的所有的物料标签。

在本实施例中，对物料上的多个物料标签进行识别的方法为先通过标签识别器22获取所述物料的物料图像，再逐一识别出所述物料图像中的所有标签。其具体步骤为先控制标签识别器22获取所述物料的图像，然后再定位所述物料图像中的所有的物料标签，所述物料标签可以是在所述物料同一表面的不同位置，故获取图像后需要对所述物料图像中的所有的物料标签定位，所述定位的方法可以是定位所述各物料标签四个角的位置坐标，也可以是定位所述物料标签边界线的坐标方程，所述位置坐标的形式可以是笛卡尔坐标也可以是极坐标，本公开在此不做限定。在定位出所述物料图像中的所有的物料标签后，就可以逐一识别所述标签定位单元定位的所有的物料标签。

在其中一个实施例中，所述定位所述物料图像中的所有的物料标签的具体方法可以包括如下步骤：先对所述物料图像进行灰度处理，然后获取所述物料图像在水平和竖直方向上的梯度幅值，再根据所述物料图像在水平和竖直方向上的梯度幅值，对所述物料图像进行平均模糊处理，然后对所述物料图像进行图像二值化，得到所述物料的初步二值化图像，对所述物料的二值化图像进行多次膨胀和多次腐蚀，得到所述物料的最终二值化图像，所述物料的最终二值化图像中，所述标签区域会显示出明显边界，最后就可以根据所述物料的最终二值化图像，获取所述物料标签的轮廓位置。

在其中一个实施例中，所述定位所述物料图像中的物料标签的具体步骤包括：

获取所述物料图像中的特征向量，所述特征向量包括所述物料图像的每一个像素点的像素值以及位置坐标；

将所述特征向量输入机器学习模型，所述机器学习模型输出所述图像上各物料标签的区域位置坐标的集合。

在本实施例中，可以通过机器学习模型定位所述物料图像中的所有的物料标签，其具体步骤可以包括，先获取所述物料图像中的特征向量，所述特征向量包括所述物料图像的每一个像素点的像素值以及位置坐标，机器学习模型会根据所述物料图像中的每一个像素点与相邻像素点的像素的梯度值，定位出所述物料图像中每一个处于物料标签边界的像素点的坐标值，这样就可以得到所述物料图像上各物料标签的区域位置坐标，所述区域位置坐标可以是所述物料标签四角的位置坐标也可以是所述物料标签边界的坐标方程或者坐标方程组，本公开在此不做限定，在本实施例中，为所述物料标签四角的位置坐标。在得到了所述物料图像上各物料标签的区域位置坐标后，所述机器学习模型就可以将所述物料图像上各物料标签的区域位置坐标作为一个集合输出。

所述机器学习模型如下训练出：

获取包括物料标签的图像样本集，所述图像样本集中的每个图像样本事先贴有包含所述图像上所有物料标签的区域位置坐标的集合标签；

获取所述图像样本集中的每一个图像样本的特征向量；

将所述图像样本集中的每一个图像样本的特征向量逐一输入机器学习模型，机器学习模型输出判定的所述图像上各物料标签的区域位置坐标的集合，与贴有的集合标签比对，如不一致，则调整所述机器学习模型，使所述机器学习模型输出的所述图像上各物料标签的区域位置坐标的集合与事先贴有的集合标签一致。

在其中一个实施例中，所述方法还包括：

获取所述待识别物料标签的数量；

确定所述已识别物料标签的数量；

判断所述已识别物料标签的数量是否等于所述待识别物料标签的数量，若不等于，控制所述识别机构再次对物料上的物料标签进行识别。

在识别物料标签的过程中，可能会出现漏识别的情况，故在本实施例中，在控制所述标签识别器对物料上的多个物料标签进行识别后，还要确定已识别的物料标签的数量和所述需要识别的物料标签的数量是否相等，如果不相等，则说明出现了错误识别或者漏识别的情况，这时候，就需要重新进行识别。在本实施例中，具体是先获取待识别物料标签的数量，然后确定已识别物料标签的数量，最后判断所述已识别物料标签的数量是否等于所述待识别物料标签的数量，若不等于，控制所述识别机构再次对物料上的物料标签进行识别。其中，所述获取述待识别物料标签的数量的方法可以是通过用户手动输入的方式，也可以是通过接收上游系统发送的待识别物料标签的数量，本公开在此不做限定。

所述确定已识别物料标签的数量的方法可以是通过计数器确定，即在进行物料标签识别的过程中，每识别出一个物料标签，计数器就响应地加一，在物料标签识别完毕后，就可以通过计数器知道已经识别出的物料标签的数量。还可以是在物料标签识别完成后，根据已经识别出的信息的量，来确定已经识别出的物料标签的数量。

在其中一个实施例中，若标签数量判断单元570判断所述已识别物料标签的数量等于所述待识别物料标签的数量，这时，证明没有错误识别或者漏识别的情况，这时就可以结束对物料标签的识别。

在其中一个实施例中，在驱动所述升降机构下降之前，所述方法还包括：

获取物料位置；

根据所述物料的位置，判断所述物料是否位于待识别区域，若所述物料位于待扫描区域，发送识别指令以便驱动所述升降机构带动所述框架升降以及对物料上的多个物料标签进行识别。

在其中一个实施例中，所述方法还包括：

控制显示模组显示所述扫描的结果以及物料标签所承载的信息。

在本实施例中，所述物料标签识别装置还包括显示模组80，就可以通过显示模组80显示对所述物料标签识别的结果或者物料标签所承载的信息。其中，所述对所述物料标签识别的结果可以包括此次物料标签识别已识别出的物料标签数量、此次物料标签还需要识别出的物料标签数量或者此次物料标签识别是否成功、此次物料标签识别过程中未识别出的物料标签的数量以及位置信息。这样相关操作人员就可以根据显示模组80显示的对所述物料标签识别的结果来调整所述物料或所述物料标签识别装置，已保证物料标签识别装置能够正常使用。

虽然已参照几个典型实施方式描述了本公开，但应当理解，所用的术语是说明和示例性、而非限制性的术语。由于本公开能够以多种形式具体实施而不脱离发明的精神或实质，所以应当理解，上述实施方式不限于任何前述的细节，而应在随附权利要求所限定的精神和范围内广泛地解释，因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。

Claims (16)

1.一种物料标签识别装置，其特征在于，包括：

识别机构，为一框形结构，包括框架以及沿所述框架内周缘安装在所述框架内侧的多个标签识别器，所述标签识别器用于识别物料标签；

升降机构，与所述识别机构驱动连接；

控制机构，分别与所述升降机构以及标签识别器电连接，以分别控制所述升降机构以及标签识别器。

2.根据权利要求1所述的物料标签识别装置，其特征在于，所述升降机构包括：

导轨；

滑块，开设有导轨槽，所述导轨穿设于所述导轨槽内，并与所述滑块滑动连接，所述滑块与所述识别机构固定连接；

传动机构，与所述滑块传动连接，驱动所述滑块沿所述导轨进行升降运动。

3.根据权利要求1所述的物料标签识别装置，其特征在于，所述控制机构包括：

升降机构控制单元，用于响应于识别指令，驱动所述升降机构带动所述框架升降；

识别机构控制单元，用于响应于识别指令，控制所述标签识别器对物料上的多个物料标签进行识别。

4.根据权利要求3所述的物料标签识别装置，其特征在于，所述识别机构控制单元包括：

图像获取单元，用于获取所述物料的图像；

标签定位单元，用于定位所述物料图像中的所有的物料标签；

标签识别单元，用于逐一识别所述标签定位单元定位的所有的物料标签。

5.根据权利要求4所述的物料标签识别装置，其特征在于，所述标签定位单元包括：

特征向量获取单元，用于获取所述物料图像中的特征向量，所述特征向量包括所述物料图像的每一个像素点的像素值以及位置坐标；

机器学习模型单元，用于将所述特征向量输入机器学习模型，所述机器学习模型输出所述图像上各物料标签的区域位置坐标的集合。

6.根据权利要求5所述的物料标签识别装置，其特征在于，所述机器学习模型如下训练出：

获取包括多个物料标签的图像样本集，所述图像样本集中的每个图像样本事先贴有包含所述图像上所有物料标签的区域位置坐标的集合标签；

获取所述图像样本集中的每一个图像样本的特征向量；

将所述图像样本集中的每一个图像样本的特征向量逐一输入机器学习模型，机器学习模型输出判定的所述图像上各物料标签的区域位置坐标的集合，与贴有的集合标签比对，如不一致，则调整所述机器学习模型，使所述机器学习模型输出的所述图像上各物料标签的区域位置坐标的集合与事先贴有的集合标签一致。

7.根据权利要求3所述的物料标签识别装置，其特征在于，所述控制机构还包括：

标签数量获取单元，用于获取待识别物料标签的数量；

标签数量确认单元，用于确定已识别物料标签的数量；

标签数量判断单元，用于判断所述已识别物料标签的数量是否等于所述待识别物料标签的数量，若不等于，控制所述识别机构再次对物料上的物料标签进行识别。

8.根据权利要求3所述的物料标签识别装置，其特征在于，所述控制机构还包括：

物料位置获取单元，用于获取物料位置；

物料位置判定单元，用于根据所述物料的位置，判断所述物料是否位于待识别区域，若所述物料位于待识别区域，发送识别指令至升降机构控制单元以及识别机构控制单元。

9.根据权利要求3所述的物料标签识别装置，其特征在于，还包括显示模组，所述控制机构还包括：

标签信息显示单元，用于控制显示所述对物料上的多个物料标签进行识别的结果或者物料标签所承载的信息。

10.一种物料标签识别方法，其特征在于，应用于如权利要求1所述的物料标签识别装置中，包括：

响应于识别指令，驱动所述升降机构带动所述框架升降；

响应于识别指令，对物料上的多个物料标签进行识别。

11.如权利要求10所述的物料标签识别方法，其特征在于，所述对物料上的多个物料标签进行识别，包括：

获取所述物料的图像；

定位所述物料图像中的所有的物料标签；

逐一识别所述物料图像中已定位的所有的物料标签。

12.如权利要求11所述的物料标签识别方法，其特征在于，所述定位所述物料图像中的物料标签，具体包括：

获取所述物料图像中的特征向量，所述特征向量包括所述物料图像的每一个像素点的像素值以及位置坐标；

将所述特征向量输入机器学习模型，所述机器学习模型输出所述图像上各物料标签的区域位置坐标的集合。

13.如权利要求12所述的物料标签识别方法，其特征在于，所述机器学习模型如下训练出：

获取包括物料标签的图像样本集，所述图像样本集中的每个图像样本事先贴有包含所述图像上所有物料标签的区域位置坐标的集合标签；

获取所述图像样本集中的每一个图像样本的特征向量；

将所述图像样本集中的每一个图像样本的特征向量逐一输入机器学习模型，机器学习模型输出判定的所述图像上各物料标签的区域位置坐标的集合，与贴有的集合标签比对，如不一致，则调整所述机器学习模型，使所述机器学习模型输出的所述图像上各物料标签的区域位置坐标的集合与事先贴有的集合标签一致。

14.如权利要求10所述的物料标签识别方法，其特征在于，所述方法还包括：

获取所述待识别物料标签的数量；

确定所述已识别物料标签的数量；

判断所述已识别物料标签的数量是否等于所述待识别物料标签的数量，若不等于，控制所述识别机构再次对物料上的物料标签进行识别。

15.如权利要求10所述的物料标签识别方法，其特征在于，在驱动所述升降机构下降之前，所述方法还包括：

获取物料位置；

根据所述物料的位置，判断所述物料是否位于待识别区域，若所述物料位于待扫描区域，发送识别指令以便驱动所述升降机构带动所述框架升降以及对物料上的多个物料标签进行识别。

16.如权利要求10所述的物料标签识别方法，其特征在于，所述方法还包括：

控制显示模组显示所述对物料上的多个物料标签进行识别的结果或者物料标签所承载的信息。