CN110826377A - 物料分拣方法以及装置 - Google Patents

Abstract

本发明公开了一种物料分拣方法以及装置。其中，该方法包括：获取待分拣物料的物料图像，通过预先训练得到的用于文本分类的卷积神经网络模型对物料图像进行识别，得到待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类，根据物料类别对待分拣物料进行分拣。本发明解决了由于相关技术中无法基于待分拣物料的文本来进行物料的自动分拣，而导致物料分拣效率低的技术问题。

Description

物料分拣方法以及装置

技术领域

本发明涉及人工智能领域，具体而言，涉及一种物料分拣方法以及装置。

背景技术

物料分拣是把很多货物按品种从不同的地点和单位分配到所设置的场地的作业。例如，随着生活水平的不断提高，人们产生的垃圾也越来越多。在人口密集的大城市，垃圾处理是一个令人头痛的问题。常见的做法是收集后送往堆填区进行填埋处理，或是用焚化炉焚化。但两者均会制造环境保护的问题，而终止消费过度消费可进一步减轻堆填区饱和度。堆填区中的垃圾处理不但会污染底下水和发出臭味，而且很多城市可供堆填的面积越来越少。焚化则无可避免会产生有毒气体，危害生物体。多数的城市都在研究减少垃圾产生的方法，和鼓励资源回收，而在资源回收的时候，则需要将垃圾分类，进而进行最优的处理。在垃圾分类的时，环境的恶劣，迫切需要将人力劳动解放出来，因此分拣的机器人将帮助人类处理垃圾分类的工作。

相关技术中按分拣的手段不同，可分为人工分拣、机械分拣和自动分拣。目前自动分拣已逐渐成为主流，因为自动分拣是从货物进入分拣系统送到指定的分配位置为止，都是按照给出的指令靠自动分拣装置来完成。这种装置是由接受分拣指示的控制装置、计算机网络，把到达分拣位置的货物送到别处的搬送装置，在此过程中，也不能脱离人工的控制。

而日常工作中的物料分拣的工作量比较大，因此为了不同的物料分类，以便更好的处理，需要一个分拣的机器人进行分拣可以很好的解放人力劳动。而现有的卷积神经网络一般用于图像分类，亟需将卷积神经网络应用于文本分类中，提高文本分类的准确性和可信度。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种物料分拣方法以及装置，以至少解决由于相关技术中无法基于待分拣物料的文本来进行物料的自动分拣，而导致物料分拣效率低的技术问题。

根据本发明实施例的一个方面，提供了一种物料分拣方法，该方法包括：获取待分拣物料的物料图像；通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类；根据所述物料类别对所述待分拣物料进行分拣。

进一步地，通过预先训练得到的卷积神经网络模型对所述物料图像进行识别之前，所述方法包括：接收预设数量的训练图像；基于所述预设数量的训练图像构造所述训练图像的图结构；基于所述训练图像的图结构，通过反向传播算法对所述卷积神经网络的参数进行训练，得到预先训练得到的卷积神经网络模型。

进一步地，获取待分拣物料的物料图像包括：提取所述待分拣物料图像中的标识部分，得到物料标识图像，其中，所述物料标识图像用于标识所述待分拣物料的类别，所述物料标识图像由文字构成。

进一步地，通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别包括：获取所述待分拣物料的物料标识图像；从所述物料标识图像中提取标识文本；对所述标识文本进行预处理，得到处理后的文本；基于处理后的文本中词的共线关系构造所述待分拣物料的图结构，其中，在所述待分拣物料的图结构中，节点与待分拣物料的特征一一对应；根据所述物料标识图像的图结构，通过所述预先训练得到的卷积神经网络模型确定所述待分拣物料的类别。

进一步地，在构造所述物料标识图像的图结构之前，所述方法还包括：判断所述物料标识图像中的文字是否属于预设语种；在所述标识图像中的文字不属于预设语种时，将所述标识图像中的文字转换为所述预设语种的文字。

根据本发明实施例的另一方面，还提供了一种物料分拣装置，所述装置包括：获取单元，用于获取待分拣物料的物料图像；识别单元，用于通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类；处理单元，用于根据所述物料类别对所述待分拣物料进行分拣。

进一步地，所述装置包括：接收单元，用于通过预先训练得到的卷积神经网络模型对所述物料图像进行识别之前，接收预设数量的训练图像；构造单元，用于基于所述预设数量的训练图像构造所述训练图像的图结构；训练单元，用于基于所述训练图像的图结构，通过反向传播算法对所述卷积神经网络的参数进行训练，得到预先训练得到的卷积神经网络模型。

进一步地，所述获取单元包括：第一提取模块，用于提取所述待分拣物料图像中的标识部分，得到物料标识图像，其中，所述物料标识图像用于标识所述待分拣物料的类别，所述物料标识图像由文字构成。

进一步地，所述识别单元包括：获取模块，用于获取所述待分拣物料的物料标识图像；第二提取模块，用于从所述物料标识图像中提取标识文本；处理模块，用于对所述标识文本进行预处理，得到处理后的文本；构造模块，用于基于处理后的文本中词的共线关系构造所述待分拣物料的图结构，其中，在所述待分拣物料的图结构中，节点与待分拣物料的特征一一对应；确定模块，用于根据所述物料标识图像的图结构，通过所述预先训练得到的卷积神经网络模型确定所述待分拣物料的类别。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上所述的物料分拣方法

根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如上所述的物料分拣方法，

在本发明实施例中，通过获取待分拣物料的物料图像，通过预先训练得到的用于文本分类的卷积神经网络模型对物料图像进行识别，得到待分拣物料的物料类别，根据物料类别对待分拣物料进行分拣，达到了基于物料的文本内容对物料进行类别识别进而分拣的目的，从而实现了解放人力劳动，提高了物料分拣效率，进而解决了由于相关技术中无法基于待分拣物料的文本来进行物料的自动分拣，而导致物料分拣效率低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的物料分拣方法的流程示意图；

图2是根据本发明实施例的一种可选的物料分拣装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

在介绍本发明实施例的技术方案之前，需要对本发明实施例的技术方案的应用场景进行说明，在相关技术中，现有的卷积神经网络一般用于图像分类，亟需将卷积神经网络应用于文本分类中，提高文本分类的准确性和可信度。而在现有的物料分拣过程中，单纯的以图像识别物料来进行物料分类已经无法实现对待分拣物料进行精确的分拣。因此在本发明的实施例的技术方案中，提出了一种物料分拣方法，用于基于物料的文本来对物料实现自动分拣。

根据本发明实施例，提供了一种物料分拣方法，如图1所示，该方法包括：

S102，获取待分拣物料的物料图像；

S104，通过预先训练得到的卷积神经网络模型对物料图像进行识别，得到待分拣物料的物料类别，其中，预先训练得到的卷积神经网络用于文本分类；

S106，根据物料类别对待分拣物料进行分拣。

在本发明的实施例中，待分拣物料的涂料图像可以是待分拣物料的整体图像，也可以是待分拣物料的部分图像，需要说明的是，该物料图像中应包含有标识待分拣物料类别的标识，如标签名称等，以便后续的识别。

需要说明的是，本发明实施例中的待分拣物料均包含有标识待分拣物料类别的标识，如商品标签等。常规的卷积神经网络仅用于图像分类，而本发明实施例中的预先训练得到的卷积神经网络是能够用于文本分类的，用于根据文本图像来确定物体的类别，因此作为一种可选地技术方案，在获取待分拣物料的物料图像之后，可以将待分拣物料的物料图像输入至常规的卷积神经网络模型中，以供卷积神经网络模型根据待分拣物料的物料图像来预测待分拣物料的类别，在卷积神经网络模型无法预测得到待分拣物料的类别的情况下，再将待分拣物料的物料图像输入至预先训练得到的卷积神经网络模型对物料图像进行识别，来预测待分拣物料的类别。

本发明的实施例的技术方案可以应用于物料分拣过程中，其中物料包括但不限于快递、包裹以及箱子等具备文本标识的物料。此外，本发明实施例的技术方案，还可以应用于垃圾分拣过程中，用于在识别垃圾的类别后，对垃圾进行分类处理。以上仅是一种示例，在此不做任何限定。

通过本发明的实施例，获取待分拣物料的物料图像，通过预先训练得到的用于文本分类的卷积神经网络模型对物料图像进行识别，得到待分拣物料的物料类别，根据物料类别对待分拣物料进行分拣，达到了基于物料的文本内容对物料进行类别识别进而分拣的目的，从而实现了解放人力劳动，提高了物料分拣效率，进而解决了由于相关技术中无法基于待分拣物料的文本来进行物料的自动分拣，而导致物料分拣效率低的技术问题。

作为一种优选地技术方案，在本发明实施例中，通过预先训练得到的卷积神经网络模型对物料图像进行识别之前，该方法包括：接收预设数量的训练图像；基于预设数量的训练图像构造训练图像的图结构；基于训练图像的图结构，通过反向传播算法对卷积神经网络的参数进行训练，得到预先训练得到的卷积神经网络模型。

具体的，训练图像实际上是由文本构成的训练图像，通过接收预设数量的已知类别的训练图像，将已知类别的训练图像进行预处理后，采用训练图像中词的共线关系构造训练图像的图结构，根据所述训练文本的图结构，通过反向传播算法对卷积神经网络模型(此时的卷积神经网络模型用于图像类别识别)的参数进行训练，获得预先训练得到的卷积神经网络模型(预先训练得到的卷积神经网络模型可用于文本类别识别)；其中，预先训练得到的卷积神经网络模型包括至少一层卷积层、至少一层池化层、至少一层全连接层和至少一层分类输出层，且上述训练图像的图结构中，节点与训练图像的文本中的单词一一对应；

需要说明的是，所述反向传播过程(BP，Back Propagation)是一种自下而上的过程，其属于有监督学习算法，适用于训练前向型神经网络模型。则该步骤中通过反向传播算法对卷积神经网络的参数进行训练，获得预先训练得到的卷积神经网络模型具体为：初始化卷积神经网络模型的参数，将已知类别的训练图像通过卷积神经网络模型进行前向传播获得输出结果；优选地，对卷积神经网络模型的参数进行初始化可采用一种鲁棒的权重初始化方法，把权重初始化为服从零均值高斯分布。根据输出结果和所述训练图像的标记的误差进行反向传播，将误差分摊给卷积神经网络模型中的各层获得各层的误差数据，根据各层的误差数据修正所述卷积神经网络模型的参数，以得到预先训练得到的卷积神经网络模型。

作为一种优选地技术方案，在本发明实施例中，获取待分拣物料的物料图像包括：提取待分拣物料图像中的标识部分，得到物料标识图像，其中，物料标识图像用于标识待分拣物料的类别，物料标识图像由文字构成。具体的，为了方便卷积神经网络模型对待分拣物料的类别预测，在获取到分拣物料的物料图像后，提取待分拣物料图像中的标识部分，以得到物料标识图像，使得预先训练得到的卷积神经网络模型能够快速的对待分拣物料进行类别预测。

作为一种优选地技术方案，在本发明实施例中，通过预先训练得到的卷积神经网络模型对物料图像进行识别，得到待分拣物料的物料类别包括但不限于：获取待分拣物料的物料标识图像；从物料标识图像中提取标识文本；对标识文本进行预处理，得到处理后的文本；基于处理后的文本中词的共线关系构造待分拣物料的图结构，其中，在待分拣物料的图结构中，节点与待分拣物料的特征一一对应；根据物料标识图像的图结构，通过预先训练得到的卷积神经网络模型确定待分拣物料的类别。

其中，对标识文本进行预处理具体为：对待分拣物料的物料标识图像的标识文本进行分词处理后，去除标识文本的噪点和停用词，并提取标识文本中每一个单词的词干；其中，噪点包括标点符号和数字，停用词包括代词、连词、介词和冠词。具体的，由于噪点和停用词自身并无实际意义，几乎不携带任何信息，除了对语言模型和感情分析有作用外，对文本的区分能力很弱，因此，在文本分类中需要将这些噪点和词去除。在实际应用中，通常预先建立一个停用词表，然后对分词得到的词语停用词表进行匹配，如果词存在于表中，则表明该词为停用词，则删除；若不在表中，则保留。

基于处理后的文本中词的共线关系构造待分拣物料的图结构包括：通过预设大小的滑动窗口对标识文本进行遍历,当任意两个单词同时处在滑动窗口内时，在两个单词间构造边，所述边由前一个单词指向后一个单词。此外，构造标识文本的图结构，从而可结合现有的图的卷积神经网络的分类方法对文本进行分类，准确性高，且易于训练模型的参数。

作为一种优选地技术方案，在本发明实施例中，在对标识文本进行预处理之前，该方法还包括但不限于：判断物料标识图像中的文字是否属于预设语种；在标识图像中的文字不属于预设语种时，将标识图像中的文字转换为预设语种的文字。具体的，在对标识文本进行预处理之前，为了实现待分拣物料的类别的准确判断，因此需要对待分拣物料的标识文本进行语种的统一，在标识文本中存在多个语种的情况下，例如存在中英文混合的情况下，在预设语种为英文的情况下，将标识文本统一转换为英文，在转换为英文后，然后再对统一为预设语种的标识文本进行预处理，进而进行待分拣物料的类别预测。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的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设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

根据本发明实施例，还提供了一种用于实施上述物料分拣方法的物料分拣装置，如图2所示，所述装置包括：

1)获取单元201，用于获取待分拣物料的物料图像；

2)识别单元202，用于通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类；

3)处理单元203，用于根据所述物料类别对所述待分拣物料进行分拣。

作为一种优选地技术方案，在本发明实施例中，所述装置包括：

1)接收单元，用于通过预先训练得到的卷积神经网络模型对所述物料图像进行识别之前，接收预设数量的训练图像；

2)构造单元，用于基于所述预设数量的训练图像构造所述训练图像的图结构；

3)训练单元，用于基于所述训练图像的图结构，通过反向传播算法对所述卷积神经网络的参数进行训练，得到预先训练得到的卷积神经网络模型。

作为一种优选地技术方案，在本发明实施例中，所述获取单元201包括：

1)第一提取模块，用于提取所述待分拣物料图像中的标识部分，得到物料标识图像，其中，所述物料标识图像用于标识所述待分拣物料的类别，所述物料标识图像由文字构成。

作为一种优选地技术方案，在本发明实施例中，所述识别单元202包括：

1)获取模块，用于获取所述待分拣物料的物料标识图像；

2)第二提取模块，用于从所述物料标识图像中提取标识文本；

3)处理模块，用于对所述标识文本进行预处理，得到处理后的文本；

4)构造模块，用于基于处理后的文本中词的共线关系构造所述待分拣物料的图结构，其中，在所述待分拣物料的图结构中，节点与待分拣物料的特征一一对应；

5)确定模块，用于根据所述物料标识图像的图结构，通过所述预先训练得到的卷积神经网络模型确定所述待分拣物料的类别。

可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。

实施例3

根据本发明实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上所述的物料分拣方法。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

S1，获取待分拣物料的物料图像；

S2，通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类；

S3，根据所述物料类别对所述待分拣物料进行分拣。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。

实施例4

本发明的实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如上所述的物料分拣方法。

可选地，在本实施例中，该处理器被设置为执行以下步骤的程序代码：

S1，获取待分拣物料的物料图像；

S2，通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类；

S3，根据所述物料类别对所述待分拣物料进行分拣。

可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。

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。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种物料分拣方法，其特征在于，所述方法包括：

获取待分拣物料的物料图像；

通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类；

根据所述物料类别对所述待分拣物料进行分拣。

2.根据权利要求1所述的方法，其特征在于，通过预先训练得到的卷积神经网络模型对所述物料图像进行识别之前，所述方法包括：

接收预设数量的训练图像；

基于所述预设数量的训练图像构造所述训练图像的图结构；

基于所述训练图像的图结构，通过反向传播算法对所述卷积神经网络的参数进行训练，得到预先训练得到的卷积神经网络模型。

3.根据权利要求1所述的方法，其特征在于，获取待分拣物料的物料图像包括：

提取所述待分拣物料图像中的标识部分，得到物料标识图像，其中，所述物料标识图像用于标识所述待分拣物料的类别，所述物料标识图像由文字构成。

4.根据权利要求3所述的方法，其特征在于，通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别包括：

获取所述待分拣物料的物料标识图像；

从所述物料标识图像中提取标识文本；

对所述标识文本进行预处理，得到处理后的文本；

基于处理后的文本中词的共线关系构造所述待分拣物料的图结构，其中，在所述待分拣物料的图结构中，节点与待分拣物料的特征一一对应；

根据所述物料标识图像的图结构，通过所述预先训练得到的卷积神经网络模型确定所述待分拣物料的类别。

5.根据权利要求4所述的方法，其特征在于，在构造所述物料标识图像的图结构之前，所述方法还包括：

判断所述物料标识图像中的文字是否属于预设语种；

在所述标识图像中的文字不属于预设语种时，将所述标识图像中的文字转换为所述预设语种的文字。

6.一种物料分拣装置，其特征在于，所述装置包括：

获取单元，用于获取待分拣物料的物料图像；

识别单元，用于通过预先训练得到的卷积神经网络模型对所述物料图像进行识别，得到所述待分拣物料的物料类别，其中，所述预先训练得到的卷积神经网络用于文本分类；

处理单元，用于根据所述物料类别对所述待分拣物料进行分拣。

7.根据权利要求6所述的装置，其特征在于，所述装置包括：

接收单元，用于通过预先训练得到的卷积神经网络模型对所述物料图像进行识别之前，接收预设数量的训练图像；

构造单元，用于基于所述预设数量的训练图像构造所述训练图像的图结构；

训练单元，用于基于所述训练图像的图结构，通过反向传播算法对所述卷积神经网络的参数进行训练，得到预先训练得到的卷积神经网络模型。

8.根据权利要求7所述的装置，其特征在于，所述获取单元包括：

第一提取模块，用于提取所述待分拣物料图像中的标识部分，得到物料标识图像，其中，所述物料标识图像用于标识所述待分拣物料的类别，所述物料标识图像由文字构成。

9.根据权利要求8所述的装置，其特征在于，所述识别单元包括：

获取模块，用于获取所述待分拣物料的物料标识图像；

第二提取模块，用于从所述物料标识图像中提取标识文本；

处理模块，用于对所述标识文本进行预处理，得到处理后的文本；

构造模块，用于基于处理后的文本中词的共线关系构造所述待分拣物料的图结构，其中，在所述待分拣物料的图结构中，节点与待分拣物料的特征一一对应；

确定模块，用于根据所述物料标识图像的图结构，通过所述预先训练得到的卷积神经网络模型确定所述待分拣物料的类别。

10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的物料分拣方法。

11.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的物料分拣方法。

Images