CN110705666A - 人工智能云计算展示架货架货物和标签监控与存储货物方法 - Google Patents

人工智能云计算展示架货架货物和标签监控与存储货物方法 Download PDF

Info

Publication number
CN110705666A
CN110705666A CN201911005673.5A CN201911005673A CN110705666A CN 110705666 A CN110705666 A CN 110705666A CN 201911005673 A CN201911005673 A CN 201911005673A CN 110705666 A CN110705666 A CN 110705666A
Authority
CN
China
Prior art keywords
goods
images
image
storage area
label
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
Application number
CN201911005673.5A
Other languages
English (en)
Inventor
伍学斌
伍学聪
杨小波
丁萱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shunzhongbao Intelligent Technology Shenzhen Co Ltd
Original Assignee
Shunzhongbao Intelligent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shunzhongbao Intelligent Technology Shenzhen Co Ltd filed Critical Shunzhongbao Intelligent Technology Shenzhen Co Ltd
Priority to CN201911005673.5A priority Critical patent/CN110705666A/zh
Publication of CN110705666A publication Critical patent/CN110705666A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
    • G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
    • G06K7/10861—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices sensing of data fields affixed to objects or articles, e.g. coded labels
    • 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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了人工智能云计算展示架货架货物和标签监控与存储货物方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获展示架货架和存储区域的图像，每一张捕获储区域的图像，在里面有多个非固定位置的目标的图像，包括有三种监控目标的图像，1)多种存储货物商品的图像，2)多种带有货物商品信息的条形码，二维码，或字体标签的图像，3)多种带有货物存储区位置标签的图像；捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器。

Description

人工智能云计算展示架货架货物和标签监控与存储货物方法
技术领域
本发明涉及电子信息技术领域，具体涉及一种人工智能云计算展示架货架货物和标签监控与存储货物方法。
背景技术
在许多不同的情况下，在零售商店中，商品被放置在展示架上，以便顾客可以选择他们想要购买的东西。在生产线上仓库中，原材料、半成品、完成商品存放在货架上或存储区域以便于存取。带有信息的条形码，二维码，或字体标签，通常放在货物架子上或存储区域，以指示货物商品、半成品、或材料是什么。也有货物存储区位置的标签，以指示存储区域的位置。由于相关的高成本，无线射频识别RFID可能不会用于指示商品信息，零售商店需要视觉字体标签以供客户阅读和识别商品。
当要求监控大型展示架，货架或存储区域，具有多个非固定位置的商品，货物和标签，通常一贯常用方法，使用大量的操作人员手动扫描货物代码，定期检查这些展示架或货架上可能移动位置的货物，人工执行从货架上或存储区域，存储或检索货物的任务，这些工作是劳动密集的。通常由于操作员的错误，扫描不正确，获取错误的货物信息，导致放置的货物的类别和数量，货物标签上的信息，与计算机库存数据库，企业资源规划系统ERP中的货物类别和数量不匹配。此外，标签的位置和货物的位置可能在货架上或存储区域上移动，不正确的标签放在不正确的货物商品旁边。在生产线上，这种不正确的库存货物信息，可能导致严重的生产延迟，并降低整体生产效率。在零售商店中，不正确商品信息，会导致顾客对购物的过程非常不满意。
此外，由于有限的时间，有限的运营商资源，和实时通信的额外高成本，货架上移动货物的不正确信息，通常不能立即与所有管理团队的成员共享的。如果正确信息检测结果可以实时地传送给所有的管理团队成员，那么整个公司对处理这类货物信息的信心，和顾客购物体验的满意度也将大大提高。
发明内容
本发明的目的在于，提供人工智能云计算展示架货架货物和标签监控与存储货物方法,避免了错误的货物标签信息放在错误货物旁边,避免放置在货架上或存储区域上货物的类别和数量,货物标签上的信息,与计算机库存数据库ERP系统中的货物数量不匹配。货物的位置信息也可以馈送到机器人动作控制器上，帮助机器人定位货物的确切位置,执行从货架上或存储区域存储或检索货物的任务。免除了用大量的操作人员手动扫描货物代码,检查,存储或检索这些展示架或货架上移动的货物，并减少了处理不正确信息的额外延迟。降低了将检测结果传达给所有管理团队成员，这些检测结果可以运用任何移动设备查看,缩短了分享结果的时间。
为实现上述目的，本发明采用的技术方案是：
人工智能云计算展示架货架货物和标签监控与存储货物方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获展示架货架和存储区域的图像，每一张捕获储区域的图像，在里面有多个非固定位置的目标的图像,包括有三种监控目标的图像，1)多种存储货物商品的图像，2)多种带有货物商品信息的条形码，二维码，或字体标签的图像，3)多种带有货物存储区位置标签的图像。该工业数码相机选装在固定平台、移动平台、或移动机器人，捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，由人工智能神经网络软件进行分析，识别多个目标图像的位置,与识别图像中的货物商品的类别和数量，并且进行条形码，二维码识别，或光学字符识别，识别图像中的货物标签的信息,与识别货物存储区位置标签的信息,与库存数据库ERP系统中的货物信息比较，把有用的数据储存在云端储存器里，并将检测结果透过互联网传达给所有管理团队成员，结果可以运用任何移动设备查看。货物的位置信息也可以馈送到机器人动作控制器上，帮助机器人定位货物的确切位置，执行自动从货架上或存储区域存储或检索货物的任务。或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，应用的算法是人工智能机器学习第三代的YOLO v3神经网络，智能机器学习需经过一个训练的步骤，训练需要大量展示架，货架和存储区域上的货物商品的图像，图像中包含不同数量的货物，例如放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物，图像中也有货物信息的条形码，二维码，或字体标签，图像中也有存储区位置标签。在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，可以识别新的图像中的货物商品的类别和数量，也可以识别图像中货物标签的目标对象，也可以识别图像中货物存储区域位置标签的目标对象。
人工智能机第三代的YOLO v3神经网络，运作方法包括如下：
YOLO v3神经网络识别的目标是称为对象，识别的每个对象可以是一堆放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物商品，识别对象也可以是一个商品标签，也可以是存储区位置标签，每个对象有它自己的的边界框，每1个边界框定位对象所在的位置。首先将输入图像分成S×S网格,网格单元试图预测任何在其中的对象，就是当对象其中心点落在网格单元内。每个网格单元预测3个边界框。每个网格的长和宽是cx和cy，边界框包含5个元素：坐标位置,长和宽(bx，by，bw，bh)和一个对象置信度分数bc。置信度得分反映了框中包含对象的可能性以及边界框的准确程度。将边界框宽度bw和高度bh标准化为图像宽度和高度。bx和by是相应单元格的偏移量。因此，bx，by，bw和bh都在0和1之间。检测核的形状是1×1×(B×(5+C))。B＝3，是网格可以预测的边界框的数量，“5”表示4个边界框位置长宽属性和1个对象置信度，C＝80，是对象类别的数量。在YOLO v3中，内核大小为1x1x255。这些元素可以从学习过程中调整。边界框采用9种不同的尺寸和纵横比(10×13)，(16×30)，(33×23)，(30×61)，(62×45)，(59×119)，(116×90))，(156×198)，(373×326)。这些尺寸可以从学习过程中调整。
YOLO v3共由53层组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵。
神经网络层数越多的，越难以训练。当层数超过一定数量后，传统的深度网络就会因优化问题而出现欠拟合的情况。残差模块大幅降低训练更深层网络的难度，也使准确率得到显著提升。残差模块是构造网络的时候加入了快捷方式的捷径连接，即每层的输出不是传统神经网络中的输入的映射，而是输入的映射和输入的叠加。结果(图4),曾经独立生成的复杂特征H(x)现在建模为H(x)＝F(x)+x，其中x是来自快捷方式的旧特征，而F(x)是现在要学习的“补充”或“残差”。
神经网络第1层，长*宽*深度为3*3*32,步数1；第2层,长*宽*深度为3*3*64,步数2；第3至4层，[1*1*32,步数1；3*3*64,步数1；残差模块128*128]；第5层,3*3*128,步数2；第6至9层，[1*1*64,步数1；3*3*128,步数1；残差模块64*64]X2重复；第10层,3*3*256,步数2；第11至26层，[1*1*128,步数1；3*3*256,步数1；残差模块32*32]X8重复；第27层,3*3*512,步数2；第28至43层，[1*1*256,步数1；3*3*512,步数1；残差模块16*16]X8重复；第44层,3*3*1024,步数2；第45至52层，[1*1*512,步数1；3*3*1024,步数1；残差模块8*8]X4重复；
(2)降采样：将特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，第53层,执行AvePooling数据平均值降采样汇集计算，该计算截取特征图中平均值的元素，并应用于所有元素。
(3)不断重复：计算方法共由53层建立，如有需要，可增加减少调整，卷积，和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(4)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用SoftMax回归，使神经网络向前传播得到的结果变成一个概率分布。Softmax称为归一化指数函数，表达式为：
Figure BDA0002242687900000061
z1表示节点属于第1类，zk表示节点属于第k类；
(5)结果：激活函数应用在完全连接层以后，将结果分类为识别的每个对象，识别获得的对象有三种:1)货物商品，2)货物商品标签，3)货物存储区位置标签,和对象置信度分数bc。
从YOLO v3当对象是货物商品，可以获得货物商品的类型,并且从类型可以知道是10％，20％，40％，60％，80％，100％存储区域的存储容量，然后可以估计货物的数量，将类型和数量数据发送到云端计算服务器，与库存数据库ERP系统中的货物数量比较，然后知道货物的类型与数量是否有显着差异。从识别的对象,也可以额外获得货物的x，y坐标，稍后与货物商品标签坐标比较。
当YOLO v3识别获得的对象是货物商品标签,将标签x，y，w，h坐标数据和相应的图像，送到标签计算服务器，进行条形码，二维码识别，或光学字符识别，识别之后，可以获得标签中的货物信息，将信息数据发送到云端计算服务器，与库存数据库ERP系统中的货物信息比较，然后知道货物信息是否有差异。还可以比较先前识别获得的货物x，y坐标，与现在获得货物商品标签的x，y坐标比较，查看货物标签是否正确放置在正确类型的货物旁边，如果标签放置在错误位置，那就可以产生错误位置警报消息。
当YOLO v3识别获得的对象是货物存储区位置标签，将标签x，y，w，h坐标数据和相应的图像,送到标签计算服务器，进行条形码，二维码识别，或光学字符识别，可以获得这个新输入识别图象的展示架，货架，或存储区域的位置。
所有这些比较的结果，和存储的位置，透过互联网实时的将信息发送到所有管理团队的终端设备上。将货物的位置x，y，并加上货物存储区域的位置,馈送到机器人动作控制器上，可以帮助机器人定位货物的确切位置，机器人机械臂从存储区域放下货物或取回货物，它必须知道货物放置的确切位置,执行自动从货架上或存储区域存储或检索货物的任务。
本发明有益效果：本发明解决了目前传统的做法，使用大量操作员进行手动扫描货物代码，或人工检查货物商品，人工执行从货架上或存储区域存储或检索货物的任务，本发明提供人工智能云计算展示架货架货物和标签监控与存储货物方法，包括配置有微处理单元的工业数码相机，该工业数码相机选装在固定平台、移动平台、或移动机器人，尤其是要监控大型展示架，货架，或存储区域，每一个区域有多个非固定位置的货物和标签，本发明可以识别货物的类型与数量，并查看货物标签的货物信息，与库存数据库ERP系统中的货物类型数量信息比较，查看是否有显着差异。并查看货物标签位置是否正确放置在正确类型的货物旁边，而且也知道可能有差异货物展示架，货架，或存储区域的位置。这些比较的结果，透过互联网实时的将信息发送到所有管理团队的终端设备上，管理团队立即知道是否有任何货物类型数量信息或存储位置的差异。所述终端设备可为移动电话、平板电脑。货物的位置信息也可以馈送到机器人动作控制器上，帮助机器人定位货物的确切位置,执行自动从货架上或存储区域存储或检索货物的任务。
为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对其进行详细说明。
附图说明
图1所示为本发明系统结构示意图；
图2所示为本发明网络单元与边界框；
图3所示为本发明神经网络运作流程图；
图4所示为本发明残差模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅附图1至图4，本实施例提供人工智能云计算展示架货架货物和标签监控与存储货物方法(图1)，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获展示架货架和存储区域的图像，每一张捕获储区域的图像，在里面有多个非固定位置的目标的图像,包括有三种监控目标的图像，1)多种存储货物商品的图像，2)多种带有货物商品信息的条形码，二维码，或字体标签的图像，3)多种带有货物存储区位置标签的图像。该工业数码相机选装在固定平台、移动平台、或移动机器人，捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，由人工智能神经网络软件进行分析，识别多个目标图像的位置,与识别图像中的货物商品的类别和数量，并且进行条形码，二维码识别，或光学字符识别，识别图像中的货物标签的信息,与识别货物存储区位置标签的信息,与库存数据库ERP系统中的货物信息比较，把有用的数据储存在云端储存器里，并将检测结果透过互联网传达给所有管理团队成员，结果可以运用任何移动设备查看。货物的位置信息也可以馈送到机器人动作控制器上，帮助机器人定位货物的确切位置，执行自动从货架上或存储区域存储或检索货物的任务。或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，应用的算法是人工智能机器学习第三代的YOLO v3神经网络，智能机器学习需经过一个训练的步骤，训练需要大量展示架，货架和存储区域上的货物商品的图像，图像中包含不同数量的货物，例如放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物，图像中也有货物信息的条形码，二维码，或字体标签，图像中也有存储区位置标签。在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，可以识别新的图像中的货物商品的类别和数量，也可以识别图像中货物标签的目标对象，也可以识别图像中货物存储区域位置标签的目标对象。
人工智能机第三代的YOLO v3神经网络，运作方法包括如下：
YOLO v3神经网络识别的目标是称为对象，识别的每个对象可以是一堆放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物商品，识别对象也可以是一个商品标签，也可以是存储区位置标签，每个对象有它自己的的边界框，每1个边界框定位对象所在的位置。首先将输入图像分成S×S网格,网格单元试图预测任何在其中的对象，就是当对象其中心点落在网格单元内。每个网格单元预测3个边界框。每个网格的长和宽是cx和cy(图2)，边界框包含5个元素：坐标位置,长和宽(bx，by，bw，bh)和一个对象置信度分数bc。置信度得分反映了框中包含对象的可能性以及边界框的准确程度。将边界框宽度bw和高度bh标准化为图像宽度和高度。bx和by是相应单元格的偏移量。因此，bx，by，bw和bh都在0和1之间。检测核的形状是1×1×(B×(5+C))。B＝3，是网格可以预测的边界框的数量，“5”表示4个边界框位置长宽属性和1个对象置信度，C＝80，是对象类别的数量。在YOLO v3中，内核大小为1x1x255。这些元素可以从学习过程中调整。边界框采用9种不同的尺寸和纵横比(10×13)，(16×30)，(33×23)，(30×61)，(62×45)，(59×119)，(116×90))，(156×198)，(373×326)。这些尺寸可以从学习过程中调整。
YOLO v3共由53层组成(图3)；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵。
神经网络层数越多的，越难以训练。当层数超过一定数量后，传统的深度网络就会因优化问题而出现欠拟合的情况。残差模块大幅降低训练更深层网络的难度，也使准确率得到显著提升。残差模块是构造网络的时候加入了快捷方式的捷径连接，即每层的输出不是传统神经网络中的输入的映射，而是输入的映射和输入的叠加。结果(图4),曾经独立生成的复杂特征H(x)现在建模为H(x)＝F(x)+x，其中x是来自快捷方式的旧特征，而F(x)是现在要学习的“补充”或“残差”。
神经网络第1层，长*宽*深度为3*3*32,步数1；第2层,长*宽*深度为3*3*64,步数2；第3至4层，[1*1*32,步数1；3*3*64,步数1；残差模块128*128]；第5层,3*3*128,步数2；第6至9层，[1*1*64,步数1；3*3*128,步数1；残差模块64*64]X2重复；第10层,3*3*256,步数2；第11至26层，[1*1*128,步数1；3*3*256,步数1；残差模块32*32]X8重复；第27层,3*3*512,步数2；第28至43层，[1*1*256,步数1；3*3*512,步数1；残差模块16*16]X8重复；第44层,3*3*1024,步数2；第45至52层，[1*1*512,步数1；3*3*1024,步数1；残差模块8*8]X4重复；
(2)降采样：将特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，第53层,执行AvePooling数据平均值降采样汇集计算，该计算截取特征图中平均值的元素，并应用于所有元素。
(3)不断重复：计算方法共由53层建立，如有需要，可增加减少调整，卷积，和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(4)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用SoftMax回归，使神经网络向前传播得到的结果变成一个概率分布。Softmax称为归一化指数函数，表达式为：
Figure BDA0002242687900000121
Figure BDA0002242687900000122
z1表示节点属于第1类，zk表示节点属于第k类；
(5)结果：激活函数应用在完全连接层以后，将结果分类为识别的每个对象，识别获得的对象有三种:1)货物商品，2)货物商品标签，3)货物存储区位置标签,和对象置信度分数bc。
从YOLO v3当对象是货物商品，可以获得货物商品的类型,并且从类型可以知道是10％，20％，40％，60％，80％，100％存储区域的存储容量，然后可以估计货物的数量，将类型和数量数据发送到云端计算服务器，与库存数据库ERP系统中的货物数量比较，然后知道货物的类型与数量是否有显着差异。从识别的对象,也可以额外获得货物的x，y坐标，稍后与货物商品标签坐标比较。
当YOLO v3识别获得的对象是货物商品标签,将标签x，y，w，h坐标数据和相应的图像，送到标签计算服务器，进行条形码，二维码识别，或光学字符识别，识别之后，可以获得标签中的货物信息，将信息数据发送到云端计算服务器，与库存数据库ERP系统中的货物信息比较，然后知道货物信息是否有差异。还可以比较先前识别获得的货物x，y坐标，与现在获得货物商品标签的x，y坐标比较，查看货物标签是否正确放置在正确类型的货物旁边，如果标签放置在错误位置，那就可以产生错误位置警报消息。
当YOLO v3识别获得的对象是货物存储区位置标签，将标签x，y，w，h坐标数据和相应的图像,送到标签计算服务器，进行条形码，二维码识别，或光学字符识别，可以获得这个新输入识别图象的展示架，货架，或存储区域的位置。
所有这些比较的结果，和存储的位置，透过互联网实时的将信息发送到所有管理团队的终端设备上。将货物的位置x，y，并加上货物存储区域的位置,馈送到机器人动作控制器上，可以帮助机器人定位货物的确切位置，机器人机械臂从存储区域放下货物或取回货物，它必须知道货物放置的确切位置,执行自动从货架上或存储区域存储或检索货物的任务。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。故凡是未脱离本发明技术方案的内容，依据本发明之形状、构造及原理所作的等效变化，均应涵盖于本发明的保护范围内。

Claims (10)

1.人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获展示架货架和存储区域的图像，每一张捕获储区域的图像，在里面有多个非固定位置的目标的图像，包括有三种监控目标的图像，1)多种存储货物商品的图像，2)多种带有货物商品信息的条形码，二维码，或字体标签的图像，3)多种带有货物存储区位置标签的图像；捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，由人工智能神经网络软件进行分析，识别多个目标图像的位置,与识别图像中的货物商品的类别和数量，并且进行条形码，二维码识别，或光学字符识别，识别图像中的货物标签的信息,与识别货物存储区位置标签的信息,与库存数据库ERP系统中的货物信息比较，把有用的数据储存在云端储存器里，并将检测结果透过互联网传达给所有管理团队成员移动设备查看；或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
2.根据权利要求1所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，工业数码相机选装在固定平台、移动平台、或移动机器人。
3.根据权利要求2所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，货物的位置信息也可以馈送到机器人动作控制器上，帮助机器人定位货物的确切位置，执行自动从货架上或存储区域存储或检索货物的任务。
4.根据权利要求1所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，应用的算法是人工智能机器学习神经网络，智能机器学习需经过一个训练的步骤，训练需要大量展示架，货架和存储区域上的货物商品的图像，图像中包含不同数量的货物，例如放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物，图像中也有货物信息的条形码，二维码，或字体标签，图像中也有存储区位置标签；在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，可以识别新的图像中的货物商品的类别和数量，也可以识别图像中货物标签的目标对象，也可以识别图像中货物存储区域位置标签的目标对象。
5.根据权利要求4所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，人工智能机器学习神经网络，运作方法包括如下：
神经网络识别的目标是称为对象，识别的每个对象可以是一堆放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物商品，识别对象也可以是一个商品标签，也可以是存储区位置标签，每个对象有它自己的的边界框，每1个边界框定位对象所在的位置；首先将输入图像分成S×S网格，网格单元试图预测任何在其中的对象，就是当对象其中心点落在网格单元内，每个网格单元预测3个边界框，每个网格的长和宽是cx和cy，边界框包含5个元素：坐标位置，长和宽(bx，by，bw，bh)和一个对象置信度分数bc，置信度得分反映了框中包含对象的可能性以及边界框的准确程度，将边界框宽度bw和高度bh标准化为图像宽度和高度，bx和by是相应单元格的偏移量，因此，bx，by，bw和bh都在0和1之间，检测核的形状是1×1×(B×(5+C))，B＝3，是网格可以预测的边界框的数量，“5”表示4个边界框位置长宽属性和1个对象置信度，C＝80，是对象类别的数量，内核大小为1 x 1 x 255，这些元素可以从学习过程中调整，边界框采用9种不同的尺寸和纵横比10×13，16×30，33×23，30×61，62×45，59×119，116×90，156×198，373×326，这些尺寸可以从学习过程中调整。
6.根据权利要求5所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，神经网络共由53层组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；
神经网络层数越多的，越难以训练，当层数超过一定数量后，传统的深度网络就会因优化问题而出现欠拟合的情况，残差模块大幅降低训练更深层网络的难度，也使准确率得到显著提升，残差模块是构造网络的时候加入了快捷方式的捷径连接，即每层的输出不是传统神经网络中的输入的映射，而是输入的映射和输入的叠加，独立生成的复杂特征H(x)现在建模为H(x)＝F(x)+x，其中x是来自快捷方式的旧特征，而F(x)是现在要学习的补充或残差；
神经网络第1层，长*宽*深度为3*3*32，步数1；第2层，长*宽*深度为3*3*64，步数2；第3至4层，[1*1*32，步数1；3*3*64，步数1；残差模块128*128]；第5层，3*3*128，步数2；第6至9层，[1*1*64，步数1；3*3*128，步数1；残差模块64*64]X2重复；第10层，3*3*256，步数2；第11至26层，[1*1*128，步数1；3*3*256，步数1；残差模块32*32]X8重复；第27层，3*3*512，步数2；第28至43层，[1*1*256，步数1；3*3*512，步数1；残差模块16*16]X8重复；第44层，3*3*1024，步数2；第45至52层，[1*1*512，步数1；3*3*1024，步数1；残差模块8*8]X4重复；
(2)降采样：将特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，第53层，执行AvePooling数据平均值降采样汇集计算，该计算截取特征图中平均值的元素，并应用于所有元素；
(3)不断重复：计算方法共由53层建立，如有需要，可增加减少调整，卷积，和降采样的过程，直到得到的特征图显示出关键参数；
(4)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层，使用SoftMax回归，使神经网络向前传播得到的结果变成一个概率分布，Softmax称为归一化指数函数，表达式为：
f:
Figure FDA0002242687890000051
Figure FDA0002242687890000052
z1表示节点属于第1类，zk表示节点属于第k类；
(5)结果：激活函数应用在完全连接层以后，将结果分类为识别的每个对象，识别获得的对象有三种:1)货物商品，2)货物商品标签，3)货物存储区位置标签，和对象置信度分数bc。
7.根据权利要求6所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，
神经网络识别获得的对象是货物商品，可以获得货物商品的类型，并且从类型可以知道是10％，20％，40％，60％，80％，100％存储区域的存储容量，然后可以估计货物的数量，将类型和数量数据发送到云端计算服务器，与库存数据库ERP系统中的货物数量比较，然后知道货物的类型与数量是否有显着差异，从识别的对象，也可以额外获得货物的x，y坐标，稍后与货物商品标签坐标比较，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。
8.根据权利要求6所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，
神经网络识别获得的对象是货物商品标签，将标签x，y，w，h坐标数据和相应的图像，送到标签计算服务器，进行条形码，二维码识别，或光学字符识别，识别之后，可以获得标签中的货物信息，将信息数据发送到云端计算服务器，与库存数据库ERP系统中的货物信息比较，然后知道货物信息是否有差异；还可以比较先前识别获得的货物x，y坐标，与现在获得货物商品标签的x，y坐标比较，查看货物标签是否正确放置在正确类型的货物旁边，如果标签放置在错误位置，那就可以产生错误位置警报消息。
9.根据权利要求6所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，
神经网络识别获得的对象是货物存储区位置标签，将标签x，y，w，h坐标数据和相应的图像，送到标签计算服务器，进行条形码，二维码识别，或光学字符识别，可以获得这个新输入识别图象的展示架，货架，或存储区域的位置。
10.根据权利要求7所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，所述终端设备可为移动电话、平板电脑。
CN201911005673.5A 2019-10-22 2019-10-22 人工智能云计算展示架货架货物和标签监控与存储货物方法 Pending CN110705666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911005673.5A CN110705666A (zh) 2019-10-22 2019-10-22 人工智能云计算展示架货架货物和标签监控与存储货物方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911005673.5A CN110705666A (zh) 2019-10-22 2019-10-22 人工智能云计算展示架货架货物和标签监控与存储货物方法

Publications (1)

Publication Number Publication Date
CN110705666A true CN110705666A (zh) 2020-01-17

Family

ID=69202031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911005673.5A Pending CN110705666A (zh) 2019-10-22 2019-10-22 人工智能云计算展示架货架货物和标签监控与存储货物方法

Country Status (1)

Country Link
CN (1) CN110705666A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111338304A (zh) * 2020-03-02 2020-06-26 顺忠宝智能科技(深圳)有限公司 应用人工智能云计算对生产线产量实时预测与信息连通的方法
CN111445620A (zh) * 2020-03-09 2020-07-24 广州中智融通金融科技有限公司 一种库房现金存储方法以及装置
CN111507253A (zh) * 2020-04-16 2020-08-07 腾讯科技（深圳）有限公司 基于人工智能的陈列物品审核方法、装置
CN111553914A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 基于视觉的货物检测方法、装置、终端及可读存储介质
CN111667214A (zh) * 2020-06-05 2020-09-15 上海锦商网络科技有限公司 基于二维码的货物信息获取方法、装置及电子设备
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
CN113128864A (zh) * 2021-04-16 2021-07-16 广东便捷神科技股份有限公司 一种基于物联网的智能零售管理平台
CN113139632A (zh) * 2020-01-20 2021-07-20 华晨宝马汽车有限公司 基于智能识别的库存管理方法和设备
WO2021155029A1 (en) * 2020-01-28 2021-08-05 Embodied Intelligence Inc. Confidence-based bounding boxes for three dimensional objects
CN113219913A (zh) * 2021-03-31 2021-08-06 宇辰系统科技股份有限公司 厂房管理系统
CN113554135A (zh) * 2021-07-28 2021-10-26 浙江百世技术有限公司 一种集备货和拣选为一体的库存区域、库存管理系统及方法
CN113819989A (zh) * 2021-11-22 2021-12-21 北京每日菜场科技有限公司 物品封装方法、装置、电子设备和计算机可读介质
CN113821674A (zh) * 2021-11-23 2021-12-21 北京中超伟业信息安全技术股份有限公司 一种基于孪生神经网络的智能货物监管方法及系统
CN113935774A (zh) * 2021-10-15 2022-01-14 北京百度网讯科技有限公司 图像处理方法、装置、电子设备及计算机存储介质
CN113988229A (zh) * 2021-09-26 2022-01-28 夏文祥 一种定位物品所在货架的装置和方法
CN115660538A (zh) * 2022-11-02 2023-01-31 广州和联慧通互联网科技有限公司 一种货物运输方法及系统
CN115741673A (zh) * 2022-10-25 2023-03-07 歌尔股份有限公司 一种工装取放控制方法、装置、系统及存储介质
CN117146828A (zh) * 2023-10-30 2023-12-01 网思科技股份有限公司 拣货路径引导方法、装置、存储介质及计算机设备
CN117764094A (zh) * 2024-02-21 2024-03-26 博诚经纬软件科技有限公司 一种海关用智慧仓储管理系统和方法
CN112233069B (zh) * 2020-09-25 2024-07-12 中国建设银行股份有限公司 信息核对的方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647671A (zh) * 2018-06-28 2018-10-12 武汉市哈哈便利科技有限公司 一种光学标识视觉识别方法及基于该方法的无人售货柜
CN108647553A (zh) * 2018-05-10 2018-10-12 上海扩博智能技术有限公司 模型训练用图像的快速扩充方法、系统、设备及存储介质
US20190180150A1 (en) * 2017-12-13 2019-06-13 Bossa Nova Robotics Ip, Inc. Color Haar Classifier for Retail Shelf Label Detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190180150A1 (en) * 2017-12-13 2019-06-13 Bossa Nova Robotics Ip, Inc. Color Haar Classifier for Retail Shelf Label Detection
CN108647553A (zh) * 2018-05-10 2018-10-12 上海扩博智能技术有限公司 模型训练用图像的快速扩充方法、系统、设备及存储介质
CN108647671A (zh) * 2018-06-28 2018-10-12 武汉市哈哈便利科技有限公司 一种光学标识视觉识别方法及基于该方法的无人售货柜

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139632A (zh) * 2020-01-20 2021-07-20 华晨宝马汽车有限公司 基于智能识别的库存管理方法和设备
WO2021155029A1 (en) * 2020-01-28 2021-08-05 Embodied Intelligence Inc. Confidence-based bounding boxes for three dimensional objects
CN111338304A (zh) * 2020-03-02 2020-06-26 顺忠宝智能科技(深圳)有限公司 应用人工智能云计算对生产线产量实时预测与信息连通的方法
CN111445620A (zh) * 2020-03-09 2020-07-24 广州中智融通金融科技有限公司 一种库房现金存储方法以及装置
CN111507253A (zh) * 2020-04-16 2020-08-07 腾讯科技（深圳）有限公司 基于人工智能的陈列物品审核方法、装置
CN111507253B (zh) * 2020-04-16 2023-06-30 腾讯科技（深圳）有限公司 基于人工智能的陈列物品审核方法、装置
CN111553914A (zh) * 2020-05-08 2020-08-18 深圳前海微众银行股份有限公司 基于视觉的货物检测方法、装置、终端及可读存储介质
CN111553914B (zh) * 2020-05-08 2021-11-12 深圳前海微众银行股份有限公司 基于视觉的货物检测方法、装置、终端及可读存储介质
CN111667214A (zh) * 2020-06-05 2020-09-15 上海锦商网络科技有限公司 基于二维码的货物信息获取方法、装置及电子设备
CN111667214B (zh) * 2020-06-05 2024-03-15 上海锦商网络科技有限公司 基于二维码的货物信息获取方法、装置及电子设备
CN112233069B (zh) * 2020-09-25 2024-07-12 中国建设银行股份有限公司 信息核对的方法、装置、电子设备和存储介质
CN113219913A (zh) * 2021-03-31 2021-08-06 宇辰系统科技股份有限公司 厂房管理系统
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
CN113128864A (zh) * 2021-04-16 2021-07-16 广东便捷神科技股份有限公司 一种基于物联网的智能零售管理平台
CN113128864B (zh) * 2021-04-16 2022-09-30 广东便捷神科技股份有限公司 一种基于物联网的智能零售管理平台
CN113554135A (zh) * 2021-07-28 2021-10-26 浙江百世技术有限公司 一种集备货和拣选为一体的库存区域、库存管理系统及方法
CN113988229A (zh) * 2021-09-26 2022-01-28 夏文祥 一种定位物品所在货架的装置和方法
CN113988229B (zh) * 2021-09-26 2024-03-08 中国人民解放军国防大学军事管理学院 一种定位物品所在货架的装置和方法
CN113935774A (zh) * 2021-10-15 2022-01-14 北京百度网讯科技有限公司 图像处理方法、装置、电子设备及计算机存储介质
CN113819989A (zh) * 2021-11-22 2021-12-21 北京每日菜场科技有限公司 物品封装方法、装置、电子设备和计算机可读介质
CN113821674A (zh) * 2021-11-23 2021-12-21 北京中超伟业信息安全技术股份有限公司 一种基于孪生神经网络的智能货物监管方法及系统
CN115741673A (zh) * 2022-10-25 2023-03-07 歌尔股份有限公司 一种工装取放控制方法、装置、系统及存储介质
CN115660538B (zh) * 2022-11-02 2023-07-21 广州和联慧通互联网科技有限公司 一种货物运输方法及系统
CN115660538A (zh) * 2022-11-02 2023-01-31 广州和联慧通互联网科技有限公司 一种货物运输方法及系统
CN117146828A (zh) * 2023-10-30 2023-12-01 网思科技股份有限公司 拣货路径引导方法、装置、存储介质及计算机设备
CN117146828B (zh) * 2023-10-30 2024-03-19 网思科技股份有限公司 拣货路径引导方法、装置、存储介质及计算机设备
CN117764094A (zh) * 2024-02-21 2024-03-26 博诚经纬软件科技有限公司 一种海关用智慧仓储管理系统和方法
CN117764094B (zh) * 2024-02-21 2024-05-10 博诚经纬软件科技有限公司 一种海关用智慧仓储管理系统和方法

Similar Documents

Publication Publication Date Title
CN110705666A (zh) 人工智能云计算展示架货架货物和标签监控与存储货物方法
CN108416403B (zh) 商品与标签的自动关联方法、系统、设备及存储介质
US20190138971A1 (en) Automated work chart systems and methods
US20210217017A1 (en) System and methods for monitoring retail transactions
CN111259889A (zh) 图像文本识别方法、装置、计算机设备及计算机存储介质
KR101679381B1 (ko) 재고 관리 서비스 제공 방법
CN111507253B (zh) 基于人工智能的陈列物品审核方法、装置
CN110889419B (zh) 一种货架分析方法、装置、系统及电子设备
EP4390803A1 (en) Supplies inventory method and apparatus, and device and storage medium
CN111340126A (zh) 物品识别方法、装置、计算机设备和存储介质
CN113821674B (zh) 一种基于孪生神经网络的智能货物监管方法及系统
CN116187718B (zh) 基于计算机视觉的智慧货物识别分拣方法及系统
CN111553355A (zh) 基于监控视频的出店经营检测及通知管理店主的方法
CN110991201B (zh) 条码检测方法及相关装置
Ragesh et al. Deep learning based automated billing cart
CN115457458A (zh) 一种非接触式智能盘点系统和方法
CN111080697B (zh) 检测目标对象方向的方法、装置、计算机设备和存储介质
Mohamed Smart warehouse management using hybrid architecture of neural network with barcode reader 1D/2D vision technology
CN111401154A (zh) 一种基于ar的物流精准配送透明化辅助作业装置
JP2020198054A (ja) プログラム、情報処理システム、情報処理装置及び情報処理方法
CN117975368A (zh) 一种路径追踪方法及其仓库信息记录的方法
CN113496212A (zh) 箱式结构的文本识别方法、装置及电子设备
CN110580299B (zh) 生成对象的推荐语的配图的方法、系统、设备及存储介质
Liu et al. Intelligent monitoring method of tridimensional storage system based on deep learning
CN113205294A (zh) 一种货物盘点方法及系统

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