CN110781703A - 用于生成发货信息的方法、移动设备和分析处理计算机 - Google Patents

Abstract

提出一种用于生成发货信息的方法，在该方法中由移动设备(2)拍摄运输载体(1)的至少一个照片。在移动设备(2)中，通过第一人工智能系统在运输信息(4)的识别方面分析处理摄像机信息，在识别到运输信息(4)的情况下，通过移动设备(2)拍摄至少一个照片。将至少一个照片传输给分析处理计算机(3)，并且在分析处理计算机(3)中，通过第二人工智能系统在光学的运输信息(4)的识别方面对所述至少一个照片进行分析处理。在内容上分析处理所识别的运输信息(4)，并且将该运输信息(4)的内容与移动设备(2)上的其他输入一起用于生成发货信息。

Description

用于生成发货信息的方法、移动设备和分析处理计算机

技术领域

本发明从用于生成发货信息(Versandinformation)的一种方法或用于执行该方法的一种移动设备和一种分析处理计算机出发。

背景技术

已经已知的是，通过分析处理运输载体的照片来生成发货信息。

发明内容

相比之下，根据本发明的用于生成发货信息的方法或用于执行该方法的移动设备和分析处理计算机具有如下优点：能够将所述方法的各个步骤特别高效地分配给移动设备或分析处理计算机。提出一种特别简单的移动设备，在该移动设备中，可以将从该移动设备传输到分析处理计算机的信息量保持得尽可能低。在此，根据本发明的方法通过存在于移动设备中的人工智能系统如此构造，使得对重要相关的信息进行识别，并且仅借助照片来检测和传输这些信息。分析处理计算机如此构造，使得其最佳地分析处理这些有限的信息，以便从所传输的照片中识别出重要相关的运输信息并且对其进行分析处理。然后，使用如此求取的运输信息来生成发货信息。通过所述方法在移动设备与分析处理计算机之间的优化分配而最佳地使用资源，以便高效地和成本有利地实现该方法。

通过下述说明书得出其他改善方案和优点。通过使用相应的光学实现的运输信息来特别容易地进行第一和/或第二人工智能系统的训练。特别容易合成地产生所述运输信息，在视角方面对其进行匹配，并且然后将所述运输信息与运输载体的图像进行融合。在此，为了产生最佳的训练效果，尤其还可以添加错误。尤其通过光学标记识别来进行重要相关的信息的提取。因此，尤其可以分析处理作为字母、数字或条形码而实现的信息。为了改善数据质量，将如此求取的信息与包含订购信息的数据库进行比较。这使得可以可靠地求取重要相关的信息。

附图说明

在附图中示出并且在说明书中进一步阐述本发明的实施例。

在图1中，借助运输载体、移动设备和分析处理计算机来阐述根据本发明的方法；

图2示出该方法的各个步骤。

具体实施方式

在图1中示意性地示出运输载体1，该运输载体在此尤其构造成托盘6。在托盘6上布置有大量包装单元——尤其纸板箱5，这些包装单元分别设有如下运输信息4：所述运输信息例如通过标签、贴纸或印刷品光学可读地实现。在下文中，使用术语“标签”来代表光学可读的运输信息4的各种形式。通过运输载体1或托盘6可以将确定收件人的大量货物委托汇集在一起并且共同地传输给该收件人。在此，通常需要向收件人提供如下信息：现在借助运输载体将哪些货物发送给他。这些预先信息使纸板箱5中的货物的收件人能够提前进行规划，因为他知道何时将收到这些货物。尤其当如此发送的货物用于商业目的时——例如用于为生产供应零件，则这种预先发送的发货信息是重要的，以便能够对生产进行规划。

为了生成发送给收件人的发货信息，在图1中示出移动设备2和分析处理计算机3，这两者借助接口7(尤其无线电接口7)连接。移动设备2用于读取安装在包装单元5上的光学可读的运输信息4，并且通过接口7将该运输信息传输给分析处理计算机3。在此，在移动设备2上只提供有限的处理能力并且在分析处理计算机3中进行数据处理的主要部分。但是，为了能够实现运输信息4的有意义的检测，在移动设备2中设置有限的数据处理能力。

在图1的示例中，运输载体1例如涉及托盘6，在该托盘6上布置有纸板箱5作为包装单元。但是替代地，其他的运输载体(例如集装箱、栅格箱或布置有多个包装单元5的更大的纸箱)是合适的。如果运输载体如此构造，使得包装单元5从外部不可见，则在借助包装单元5填充运输载体1时应该进行检测。

移动设备2尤其可以由被相应编程的移动电话或智能电话组成，所述移动电话或智能手机具有摄像机。但是替代地，也可以使用所有仅为此目的所设置的移动设备2。关于移动设备2，尤其设想的是由操作人员来使用该移动设备，所述操作人员例如是将相应的包装单元5布置在运输载体1上的仓库员工。替代地，移动设备2也可以是用于给运输载体1装配包装单元5的自动系统的一部分，并且自动装配设备例如在结束时读取运输信息4。关于接口7，尤其设想的是要么通过WLAN要么通过移动无线电标准的无线电接口。替代地，也可以将移动设备2在每次使用之后放置到主站中，在主站中，在移动设备2与分析处理计算机3之间进行数据的有线传输。

分析处理计算机3是一种常见的数据处理装置，其具有足够的能力来执行该方法的必要步骤。在此，该分析处理计算机3不一定必须直接受如下人员的直接控制：他们给包装载体1提供包装单元5。分析处理计算机3例如可以受到更大型工厂的控制，该工厂由大量较小的运输公司供货。然后，这些小型运输公司中的每一个都具有移动设备2，该移动设备2通常仅是具有摄像机的被相应编程的移动电话。然后，各个小型运输公司将借助移动电话传输的信息传输至较大工厂的计算系统中，然后该计算系统由如此传输的信息求取发货信息。

尤其通过照片的传输来进行从移动设备2到分析处理计算机3的数据传输。在传输照片时，不必在移动设备2中对安装在包装单元5上的运输信息进行内容方面的分析处理。然而，因为照片的数据量相对较大，期望的是，仅通过接口7来传输如下照片：这些照片包含实际重要相关的运输信息。为此目的，可以对由移动设备2记录的信息进行预处理。例如，移动设备2的操作人员可以在将运输载体的运载货物汇集在一起之后，开始检测重要相关的运输信息4。然后，移动设备1连续地在如下方面分析处理摄像机信息：运输信息4(即安装在包装单元5上的光学可读的运输信息4)是否以标签、贴纸或印刷品的方式被识别到。通过第一人工智能系统可以特别容易地进行标签或运输信息4的这种识别，该第一人工智能系统仅构造用于识别光学可读的运输信息(例如标签)。例如，标签的一种特别简单的识别可以是：识别在颜色上与包装单元5的其余部分或与运输载体1不同的矩形区域。此外，可以通过如下方式进行运输信息的简单识别：识别条形码或二维码。每当识别到这种条形码或二维码时，移动设备2中的简单构造的人工智能系统就可以识别到运输信息。然后，每当通过分析处理摄像机信息识别到运输信息4(即标签)时，移动设备2则生成该光学可读的运输信息4(即标签)的照片。在此还可以确保其他的标准——例如足够的清晰度或足够的照片尺寸。

在一种构型中，在此还可以为移动设备2的操作人员指出：运输载体1的哪些区域是重要相关的。首先，以一定的距离拍摄运输载体1，使得可以看到从运输载体1的一侧可见的所有运输信息4。基于人工智能系统辨识出矩形标签4并且要求操作人员对这些标签中的每一个进行特写。因此可以确保，传输给分析处理计算机3的照片包含该运输载体1的所有重要相关的信息。相应地，还可以要求移动设备2的操作人员拍摄其他侧的图像(在矩形托盘的情况下，通常为4侧)，以便求取运输载体1的其他侧上的其他运输信息。

存在于移动设备2中的第一人工智能系统在此不必特别性能强大并且也不必具有大的数据处理能力，而是仅须辨识出在其上布置有光学可读的运输信息4的标签。如果在此错误地将运输载体1的区域错误地解读为运输信息4，则这是不成问题的，因为通过分析处理计算机3还会进行后处理。即在分析处理计算机3中才进行内容上的分析处理。

通过移动设备2上的另外的输入，尤其可以将包装单元5分配给运输载体1。这例如可以通过如下方式简单地实现：通过在移动设备2上的第一输入开始对运输载体1的检测，并且当拍摄完包含运输信息4的所有标签时，通过另一输入结束对运输载体1的检测。因此，通过所述另外的输入(这可以简单地涉及运输载体的检测1的开始和结束)，可以实现包装单元5至运输载体1的分配。

在传输至少一个照片(但通常是几个照片)并且在移动设备2上进行了另外的输入之后，通过分析处理计算机3进行分析处理。然后，在分析处理计算机3中分析处理由移动设备2照片所检测的照片。首先，在此进行各种运输信息的识别。运输信息4通常以不同的标准化布置而布置在标签上。例如，文字信息位于至条形码预定义距离处，该文字信息重复条形码的信息或包含其他信息(例如对所包含的货物或数量或发件人或收件人的进一步描述)。根据这些信息的布置可以识别出标签的类型。在分析处理单元3中也使用人工智能系统，该人工智能系统已经借助关于运输信息4的所使用的光学实现的信息训练过。然而，这种系统明显性能更强，并且例如不仅可以识别标签的轮廓，还可以识别该标签是什么类型的以及在该标签的哪个区域可以找到哪些信息。

移动设备2中的第一人工智能系统例如无法区分两个随机紧靠布置的标签，并且也无法识别涉及的是一个标签还是两个标签。然而，分析处理计算机3的人工智能系统仍可以分离这种相互紧靠布置的标签，因为第二人工智能系统性能更强大并且可以分析处理关于标签结构的附加信息。因此在分析处理计算机3的第二人工智能系统中，在标签中的光学实现的类型方面对运输信息4的区分并且进行内容上的分析处理。例如，内容上的分析处理可以通过如下方式实现：通过人工智能系统识别包含文字信息的区域，并且然后通过光学信号分析处理来读取在其中产生的文字信息。相应地，可以识别包含条形码或二维码的区域，并且读取其中包含的信息(通常是数字)。

尽管通过人工智能系统进行处理，在分析处理时仍会出现如下错误：这些错误是由包含有运输信息4的标签的损坏或污染造成的。因此，例如可能无法读取条形码的各个区域或文字信息的各个字母。然后，可以通过与分析处理计算机3中的其他信息进行比较来补偿这种错误。一方面，文字信息或以条形码编码的信息包含足够的冗余，以便对实际预期的运输信息进行重构。替代地，还可以与其他数据(例如订单信息)进行比较，以便再次求取实际预期的运输信息。

移动设备2中的第一人工智能系统和分析处理计算机3中的第二人工智能系统都必须借助训练图像进行训练。在此，必须提供不同的运输载体1的图像作为用于训练第一和第二人工智能系统的训练数据，这些运输载体具有不同的包装单元以及布置在其上的带有运输信息4的不同的标签、贴纸或标注。为此，例如可以拍摄具有不同包装单元5和不同运输信息4的不同运输载体1，并且将其与正确的运输信息4一起提供给这两个人工智能系统。如果随后发生变化(例如由于其他包装单元5或带有运输信息4的其他标签、贴纸或标注)，则必须重新拍摄图像或照片来训练人工智能系统。这种方法相对复杂，因为必须分别以所有可能的组合构造和拍摄运输载体1、包装单元5以及运输信息4的光学实现。替代地，可以合成地产生这种图像。为此，使用运输信息4的光学实现(该运输信息4无论如何通常存在于计算机中)来产生运输信息4的标签、贴纸或印刷品。然后，对运输信息4的标签、贴纸或印刷品的如此产生的图像如此进行后处理，使得这些图像在视觉上相应于真实运输载体1或包装单元5上的这种运输信息4的外观图像。为此，在视角方面改变这些图像，因为当通过移动设备2拍摄照片时并不总是给定明显竖直的方向。移动设备2也可以倾斜或略微偏倒、或以一定角度转动地与运输信息4对齐。例如，矩形的运输标签会以梯形形状失真，由此标签上的字母或条形码条的大小相应地发生改变。相应地，还可以模拟弯曲的表面、折痕、污染或损坏，这些可能改变标签、贴纸或标注上的运输信息4的可识别性。然后，将如此改变的运输信息4与包装单元5的图像以及运输载体1的图像合成地组合成运输载体1的图像，该运输载体具有包装单元5以及安置在其上的运输信息4。然后，使用这些合成的图像来训练移动设备2或分析处理计算机3中的人工智能系统。

在此还应注意，人工智能系统通常可以明显更简单地构造在移动设备2中，因为该人工智能系统仅须识别：照片是有意义的还是无意义的。在此，如果错误地拍摄到运输载体1的非重要相关区域，则是不成问题的，因为通过分析处理计算机3的再处理可靠地识别到这种错误的照片。

在图2中示出根据本发明的方法的各个方法步骤。在第一步骤201中，通过移动设备2上的输入来开始该方法。这种输入例如可以由移动设备2的操作人员手动输入。替代地，在自动装配运输载体1的情况下，可以确定运输载体1装配的完成，并且可以自动地启动移动设备2。在随后的步骤202中，移动设备2连续地分析处理摄像机信息(即连续的图像数据流)，该摄像机信息由移动设备2的摄像机拍摄。在此，每当识别到运输信息4时，则生成该运输信息4的照片。如已经提到的，移动单元2为此仅须使用低性能的人工智能系统，因为例如仅须识别包装单元5上的明显不同的标签或其他标注。如果检测了运输载体1的所有运输信息4，则在随后的步骤203中通过移动设备2上的输入来进行输入，这种输入表示对于所处理的运输载体1而言，已经完成运输信息的检测。这也可以再次由移动设备2的操作人员实现。在步骤202中由移动设备2生成的照片要么已连续地、要么仅在检测完成时(即在步骤203中)通过接口7传输给分析处理计算机3。然后在步骤204中，在分析处理计算机中对照片进行处理。在此，通过第二人工智能系统进一步检查运输信息4的照片，并且在此识别运输信息的类型或运输信息4在标签、贴纸或印刷品上的具体实现。然后，求取运输信息4，其中，必要时与数据库进行比较，以便给该运输信息分配其他信息。在此，尤其可以在订单信息与运输信息之间进行比较，由此可以确定：借助确定的订单所订购的货物现在位于运输载体上，并且现在进行订购货物的运输。相应地，然后在随后的步骤205中生成发货信息，由该步骤能够得出：哪些货物基于哪些订单现在正位于送往预订者的运输途中。然后，该方法以步骤205结束。

Claims (9)

1.一种用于生成发货信息的方法，在所述方法中，由移动设备(2)拍摄运输载体(1)的至少一个照片，其特征在于，在所述移动设备(2)中，通过第一人工智能系统在运输信息(4)的识别方面分析处理摄像机信息，在识别到运输信息(4)的情况下，通过所述移动设备(2)拍摄至少一个照片，将所述至少一个照片传输至分析处理计算机(3)，在所述分析处理计算机(3)中，通过第二人工智能系统在光学的运输信息(4)的识别方面分析处理所述至少一个照片，在内容上分析处理所识别的运输信息(4)，并且将所述运输信息(4)的内容与所述移动设备(2)上的其他输入一起用于生成所述发货信息。

2.根据权利要求1所述的方法，其特征在于，通过各种光学的运输信息(4)的训练图像来训练所述第一人工智能系统和/或所述第二人工智能系统。

3.根据权利要求2所述的方法，其特征在于，所述训练图像已经合成地产生，其方式是：在视角方面改变无错误的运输信息(4)并且将其添加在运输载体(1)的图像上。

4.根据权利要求3所述的方法，其特征在于，所述训练图像已经合成地产生，其方式是：将错误添加至所述无错误的运输信息(4)。

5.根据以上权利要求中任一项所述的方法，其特征在于，通过光学字符识别来处理所述光学的运输信息(4)。

6.根据以上权利要求中任一项所述的方法，其特征在于，将所述运输信息(4)的内容与包含有订单信息的数据库进行比较。

7.根据权利要求6所述的方法，其特征在于，在所述比较中，在考虑典型错误的情况下将订单信息分配给所述运输信息(4)的内容。

8.一种用于执行根据以上权利要求中任一项所述的方法的移动设备(2)，所述移动设备具有用于识别运输信息(4)的第一人工智能系统，并且所述移动设备具有如下装置：所述装置用于检测运输载体(1)的至少一个照片，将所述至少一个照片发送给分析处理计算机(3)，并且输入其他的输入。

9.一种用于执行根据以上权利要求中任一项所述的方法的分析处理计算机，所述分析处理计算机具有用于识别光学的运输信息(4)的第二人工智能系统以及如下装置：所述装置用于对所识别的运输信息在内容上进行分析处理，根据所述运输信息(4)的内容来生成发货信息，并且在所述移动设备(2)上进行其他输入。

Images