CN111428682A - 快件分拣方法、装置、设备及存储介质 - Google Patents

快件分拣方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111428682A
CN111428682A CN202010272679.5A CN202010272679A CN111428682A CN 111428682 A CN111428682 A CN 111428682A CN 202010272679 A CN202010272679 A CN 202010272679A CN 111428682 A CN111428682 A CN 111428682A
Authority
CN
China
Prior art keywords
express
sorting
information
images
image
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.)
Granted
Application number
CN202010272679.5A
Other languages
English (en)
Other versions
CN111428682B (zh
Inventor
李斯
赵齐辉
杨天宇
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.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software 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 Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202010272679.5A priority Critical patent/CN111428682B/zh
Publication of CN111428682A publication Critical patent/CN111428682A/zh
Application granted granted Critical
Publication of CN111428682B publication Critical patent/CN111428682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/02—Apparatus characterised by the means used for distribution
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/10—Apparatus characterised by the means used for detection ofthe destination
    • B07C3/14—Apparatus characterised by the means used for detection ofthe destination using light-responsive detecting means
    • 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
    • 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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及物流管理领域，公开了一种快件分拣方法、装置、设备及存储介质。快件分拣方法包括：获取预先拍摄的快件分拣场景中的多个第一图像并作为训练样本图像；对各训练样本图像中的快件进行标注，得到标注文件；将所述训练样本图像和对应的标注文件输入预置MASK R‑CNN模型进行训练，得到快件识别模型；获取实时抓拍的快件分拣场景中的第二图像并输入所述快件识别模型进行识别，输出各快件的区域范围；根据各快件的区域范围，提取对应的快件图像并进行识别，得到各快件的快件信息，根据所述快件信息进行快件分拣。本发明将训练后得到的，以ResNet‑101网络为特征提取网络的MASK R‑CNN模型作为快件识别模型，提高了快件识别的准确率，从而提高快件分拣效率。

Description

快件分拣方法、装置、设备及存储介质
技术领域
本发明涉及物流管理领域，尤其涉及一种快件分拣方法、装置、设备及存储介质。
背景技术
随着物流行业的迅猛发展，物流已经渗透人们平常生活的各个方面。随着电子商务的普及，越来越多的人通过网络进行商品选购。为应对越来越多的快件运输需求，目前的快件的分拣多采用自动的快件分拣系统。快件分拣系统包括控制装置、分类装置、输送装置和分拣道口组成。而控制装置主要用于识别、接收和处理分拣信号。
随着自动化的发展，控制装置可实现通过图像确定快件的位置并获取快件上记录的快件基本信息。然而由于快件中包裹的物体类型很多，如本子、椅子等等，因此快件的形状也千差万别。针对这些形状不规则的快件，传统方法对图像中的快件无法准确检测识别出来，因此需要人工辅助。故影响后续的将快件分配至不同分拣出口的速率。
发明内容
本发明的主要目的在于解决目前由于针对快件的检测效率低导致分拣速度慢的问题。
本发明第一方面提供了一种快件分拣方法，包括：
获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中，所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROI Align层和分类网络；
获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
可选的，在本发明第一方面的第一种实现方式中，所述对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件包括：
圈定所述训练样本图像中的快件的区域范围，以对所述训练样本图像进行实例分割标注，得到对应的标注信息；
将所述标注信息写入预置JSON格式的空白文件中，得到标注文件。
可选的，在本发明第一方面的第二种实现方式中，所述将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型包括：
将所述训练样本图像输入所述ResNet-101网络，并通过所述ResNet-101网络提取所述训练样本图像的第一特征图；
将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框；
将所述第一特征图和所述预测框输入所述ROI Align层，并通过所述ROI Align层对所述预测框和所述第一特征图进行融合，得到包含所述预测框的第二特征图；
将所述第二特征图输入所述分类网络，并通过所述分类网络生成所述第二特征图对应的预测结果；
根据所述预测结果和所述标注文件，对所述MASK R-CNN模型的参数进行调整，直至所述MASK R-CNN模型收敛，得到所述快件识别模型。
可选的，在本发明第一方面的第三种实现方式中，所述RPN网络包括第一分类器，所述将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框包括：
将所述第一特征图输入所述RPN网络，并获取预置锚框信息；
根据所述锚框信息，生成所述第一特征图的锚框；
通过所述第一分类器判断所述锚框中是否存在快件；
若是，则对所述锚框进行边框回归，得到所述第一特征图对应的预测框。
可选的，在本发明第一方面的第四种实现方式中，所述分类网络包括全连接层和第二分类器，所述将所述第二特征图输入所述分类网络，并通过所述分类网络生成所述第二特征图对应的预测结果包括：
将所述第二特征图输入所述全连接层，以通过所述全连接层得到所述第二特征图对应的目标向量；
将所述目标向量输入所述第二分类器，以通过所述第二分类器得到所述预测框包含快件的预测概率；
若所述预测概率大于预置阈值，则将所述预测框对应的区域范围作为预测区域，并将所述预测区域作为预测结果。
可选的，在本发明第一方面的第五种实现方式中，所述对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣包括：
将所述快件图像输入预先训练得到的快件信息获取模型；
通过所述快件信息获取模型，获得所述快件的快件信息，其中，所述快件信息包括快件目的地、收件人联系方式和快件编号；
根据所述快件信息，确定所述快件对应的分拣出口，并将所述快件运输至所述分拣出口。
可选的，在本发明第一方面的第六种实现方式中，所述对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣包括：
将所述快件图像输入预先训练得到的快件破损评估模型，并通过所述快件破损评估模型得到所述快件对应的快件破损值；
判断所述快件破损值是否大于预置破损阈值；
若是，则发出重包装通知，以对所述快件进行重新包装；
若否，则将所述快件图像输入所述快件信息获取模型，以得到所述快件信息，并根据所述快件快件信息，将所述快件运输至对应的分拣出口。
本发明第二方面提供了一种快件分拣装置，包括：
获取模块，用于获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
标注模块，用于对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
训练模块，用于将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中，所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROI Align层和分类网络；
识别模块，用于获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
提取模块，用于根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
分拣模块，用于对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
可选的，在本发明第二方面的第一种实现方式中，所述标注模块具体用于：
圈定所述训练样本图像中的快件的区域范围，以对所述训练样本图像进行实例分割标注，得到对应的标注信息；
将所述标注信息写入预置JSON格式的空白文件中，得到标注文件。
可选的，在本发明第二方面的第二种实现方式中，所述训练模块包括：
提取单元，用于将所述训练样本图像输入所述ResNet-101网络，并通过所述ResNet-101网络提取所述训练样本图像的第一特征图；
预测框单元，用于将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框；
融合单元，用于将所述第一特征图和所述预测框输入所述ROI Align层，并通过所述ROI Align层对所述预测框和所述第一特征图进行融合，得到包含所述预测框的第二特征图；
分类单元，用于将所述第二特征图输入所述分类网络，并通过所述分类网络生成所述第二特征图对应的预测结果；
调整单元，用于根据所述预测结果和所述标注文件，对所述MASK R-CNN模型的参数进行调整，直至所述MASK R-CNN模型收敛，得到所述快件识别模型。
可选的，在本发明第二方面的第三种实现方式中，所述RPN网络包括第一分类器，所述预测框单元具体用于：
将所述第一特征图输入所述RPN网络，并获取预置锚框信息；
根据所述锚框信息，生成所述第一特征图的锚框；
通过所述第一分类器判断所述锚框中是否存在快件；
若是，则对所述锚框进行边框回归，得到所述第一特征图对应的预测框。
可选的，在本发明第二方面的第四种实现方式中，所述分类网络包括全连接层和第二分类器，所述分类单元具体用于：
将所述第二特征图输入所述全连接层，以通过所述全连接层得到所述第二特征图对应的目标向量；
将所述目标向量输入所述第二分类器，以通过所述第二分类器得到所述预测框包含快件的预测概率；
若所述预测概率大于预置阈值，则将所述预测框对应的区域范围作为预测区域，并将所述预测区域作为预测结果。
可选的，在本发明第二方面的第五种实现方式中，所述分拣模块包括：
输入单元，用于将所述快件图像输入预先训练得到的快件信息获取模型；
快件信息获取单元，用于通过所述快件信息获取模型，获得所述快件的快件信息，其中，所述快件信息包括快件目的地、收件人联系方式和快件编号；
分拣单元，用于根据所述快件信息，确定所述快件对应的分拣出口，并将所述快件运输至所述分拣出口。
可选的，在本发明第二方面的第六种实现方式中，所述输入单元之前还包括破损评估单元，所述破损评估单元具体用于：
将所述快件图像输入预先训练得到的快件破损评估模型，并通过所述快件破损评估模型得到所述快件对应的快件破损值；
判断所述快件破损值是否大于预置破损阈值；
若是，则发出重包装通知，以对所述快件进行重新包装。
本发明第三方面提供了一种快件分拣设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互联；所述至少一个处理器调用所述存储器中的所述指令，以使得所述快件分拣设备执行上述的快件分拣方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的快件分拣方法。
本发明的技术方案中，先获取拍摄的快件分拣场景的图像，然后对其进行标注，得到标注文件。然后将图像和标注文件一起输入预置的，以ResNet-101为特征提取网络的MASK R-CNN模型中，通过图像和标注文件对其进行训练，从而得到快件识别模型。由于MASKR-CNN模型相较于以往的实例分割模型的精确度更高，且ResNet-101能够提取更多和更精细的特征，从而提高快件的识别效率。此外，通过该模型得到的标注快件区域的图像，将该图像中的快件区域对应的快件图像发送至预置快件信息获取模型中，进行快件信息的识别，然后根据快件信息进行分拣，由于前期快件的实例分割准确率高，因此在快件信息获取这一步骤中可减少人工参与，提高后续的分拣速率。此外，在快件信息获取这一步骤中还加入了快件破损评估，根据评估值确定快件是否需要重新包装，从而增加了快件的完整性。
附图说明
图1为本发明实施例中快件分拣方法的第一个实施例示意图；
图2为本发明实施例中快件分拣方法的第二个实施例示意图；
图3为本发明实施例中快件分拣方法的第三个实施例示意图；
图4为本发明实施例中快件分拣方法的第四个实施例示意图；
图5为本发明实施例中快件分拣方法的第五个实施例示意图；
图6为本发明实施例中快件分拣装置的一个实施例示意图；
图7为本发明实施例中快件分拣装置的另一个实施例示意图；
图8为本发明实施例中快件分拣设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种快件分拣方法、装置、设备及存储介质，本发明的技术方案中，先获取拍摄的快件分拣场景的图像，然后对其进行标注，得到标注文件。然后将图像和标注文件一起输入预置的以ResNet-101为特征提取网络的MASK R-CNN模型中，通过图像和标注文件对其进行训练，从而得到快件识别模型。由于MASK R-CNN模型相较于以往的实例分割模型的精确度更高，且ResNet-101能够提取更多和更精细的特征，从而提高快件的识别效率。
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”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中快件分拣方法的第一个实施例包括：
101、获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
可以理解的是，本发明的执行主体可以为快件分拣装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中，首先通过摄像机或其他设备拍摄快件分拣场景的第一图像。如在传送带上的快件，快件的形状有长方形、圆形、不规则形状等。然后服务器去读取储存的第一图像，将其作为训练样本图像。
102、对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
在本实施例中，将训练样本图像输入预置的图像标注软件中以进行展示。优选Labelme软件作为图像标注软件。采用人工的方式，通过交互设备，使用首位连接的闭合线条选中图像中的快件。服务器根据闭合线条所对应的位置坐标圈定训练样本图像中的快件区域，得到包含标注快件区域范围的图像，即标注信息。最后将标注信息写入预置JSON格式的空白文件中，从而得到JSON格式的标注文件。
103、将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROI Align层和分类网络；
MASK R-CNN是一个实例分割(Instance segmentation)模型，可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”。
在本实施例中，MASK R-CNN依次由ResNet-101网络、RPN网络、ROI Align层和分类网络连接构成。
ResNet-101是卷积神经网络ResNet系列的一员。ResNet除学习特征提取外，还学习上一层特征到下一层特征之间的损失，从而能够提取更多的特征。将训练样本图像输入ResNet-101网络后，通过卷积层提取其中的特征，得到第一特征图。
RPN(Regin Proposal Network，区域生成网络)，“Regin Proposal”是“区域选取”。通过预置的锚框信息，RPN网络生成第一特征图中各个像素点的锚框，然后通过一定的规则，筛选出包含快件的锚框，并通过边框回归得到预选框。
ROI Align(Region of Interest Align)是一种区域特征聚集方式。用于将预选框与特征图进行精确融合。
分类网络包括全连接网络、全卷积网络和分类器，全连接网络和分类器用于对预选框进行分类，判断其是否包含快件，全卷积网络用于生成快件对应的目标掩码。
104、获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
训练得到快件识别模型后，通过实时抓拍的方式，获得拍摄当前在传送带上的第二图像，第二图像中包含待分拣的快件。然后将第二图像输入快件识别模型中。
快件识别模型能够通过圆形、矩形、或其他形状的框将第二图像中的快件标识出来，得到第二图像中各快件的区域范围。
105、根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
然后将第二图像中各快件的区域范围从第二图像中裁剪出来，从而提取各个快件对应的快件图像。
106、对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
提取了快件图像后，将其输入其他模型，如快件信息获取，模型获取对应的快件信息。在本实施例中，优选一种可识别快件上快单编号的快件信息获取模型。通过快件信息获取模型，可识别快件上的面单上的快件编号，然后服务器根据快件编号确定其对应的收件人、收件地址等信息。而不同的收件地址对应着不同的分拣出口。因此服务器再下达指令，通过控制传送带的切换，将快件运输至对应的分拣出口。
本发明实施例中。由于MASK R-CNN模型相较于以往的分割模型的精确度更高，且ResNet-101网络在特征提取上能够提取更多更精细的特征，因而提高服务器对快件的识别效率。
请参阅图2，本发明实施例中快件分拣方法的第二个实施例包括：
201、获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
202、圈定所述训练样本图像中的快件的区域范围，以对所述训练样本图像进行实例分割标注，得到对应的标注信息；
对训练样本进行标注一般采用两种方式，一种是模型标注，一种是人工标注。由于目前缺乏能够准确标注快件的模型，因此本方案采用人工标注的方式。
将训练样本图像输入预置的图像标注软件中以进行展示。在本实施例中，优选Labelme软件作为图像标注软件。Lableme软件是一个图像标注工具，可以使用该工具创建定制化标注任务或执行图像标注。采用人工的方式，通过交互设备，使用首位连接的闭合线条选中图像中的快件。交互设备再将闭合线条所对应的位置坐标发送跟服务器。服务器根据位置坐标圈定训练样本图像中的快件区域，得到包含标注快件区域范围的图像，从而实现对训练样本图像的实例分割标注。而包含标注快件区域范围的图像就是所需要的标注信息。
203、将所述标注信息写入预置JSON格式的空白文件中，得到标注文件；
JSON格式是一种轻量级的数据交换格式，易于机器解析和生成，并能够有效提升网络传输效率。
在本实施例中，将标注信息写入预置JSON格式的空白文件中，从而得到JSON格式的标注文件。
204、将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型；
205、获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
206、根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
207、对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
本发明实施例中，详细描述标注文件生成过程。由于JSON格式便于机器解析，因此采用JSON格式的标注文件，更便于后续MASK R-CNN模型解析标注文件，并以此进行学习。
请参阅图3，本发明实施例中快件分拣方法的第三个实施例包括：
301、获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
302、对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件；
303、将所述训练样本图像输入所述ResNet-101网络，并通过所述ResNet-101网络提取所述训练样本图像的第一特征图；
ResNet-101是卷积神经网络ResNet系列的一员。ResNet通过增加了恒等快捷链接的方式，除学6习特征提取外，还学习上一层特征到下一层特征之间的损失，即残差，使得堆积层在输入特征基础上能学习到新的特征，从而能够提取更多的特征。而ResNet-101的深度为101层，因此其提取的特征更加细致，在实例分割方面精确度更高。
将训练样本图像输入ResNet-101网络后，ResNet网络会通过卷积提取其中的特征，得到第一特征图。由于图像由一个个像素点构成，而每一个像素点都可以用数值进行表示，如RGB类型图像，可通过R、G、B三个通道的三个数值进行表示，因此可表示为3x a x b的数学矩阵。而特征提取的本质是使用一定大小，如c x d，的卷积核，对每个像素点的数值进行卷积。因此第一特征图也可以用m x k的矩阵表示。
304、将所述第一特征图输入所述RPN网络，并获取预置锚框信息；
以往采用滑动窗口进行目标识别，然而一个窗口只能检测一个目标，而且存在多尺寸问题。因此提出了锚框(Anchor boxes)。预先设置好锚框信息，如锚框的数量为9、包括3x1，3x2等九种规格。
305、根据所述锚框信息，生成所述第一特征图的锚框；
由于通过卷积后得到的第一特征图可用m x k的矩阵表示，因此可根据锚框信息，对该矩阵中每个数值生成对应的9个锚框，规格分别为3x1，3x2等九种规格。
306、通过所述第一分类器判断所述锚框中是否存在快件；
RPN网络包括第一分类器，本实施例优选采用softmax作为第一分类器进行判断。softmax又叫归一化指数函数，是通过有线离散概率分布的梯度对数归一化，从而得到对应的概率值。通过对各个锚框计算包含快件的分值，再进行归一化，从而得到其包含快件的概率。若该概率大于预置阈值，则确定其存在快件，若小于，则确定该锚框不存在快件。
307、若是，则对所述锚框进行边框回归，得到所述第一特征图对应的预测框；
边框回归(Bounding-box regression)，也叫BB回归，是指对保留下来的锚框通过回归分析，对其进行位置微调。通过分类器，可以筛选出存在快件的锚框，但是由于锚框的大小都是由预置的锚框信息所固定的，因此其不一定准确包含快件，因此需要对其进行微调。
常常采用的微调方式是平移和尺寸缩放。由于这两种方式都可通过简单的线性映射完成，因此可预先设定好线性变换公式，再通过训练对线性变换公式进行学习。
若锚框中存在快件，则将包含快件的锚框保留下来，并通过边框回归对保留下来的锚框进行微调，从而得到第一特征图对应的预选框。
308、将所述第一特征图和所述预测框输入所述ROI Align层，并通过所述ROIAlign层对所述预测框和所述第一特征图进行融合，得到包含所述预测框的第二特征图；
ROI Align是一种区域特征聚集方式。由于后续网络要求的网格大小一般较特征图要小，因此在ROI Pooling层中采用两次量化，因此他们的位置可能存在出现小数点，而特征图中的数值的数量是整数，因此采用取整的方式进行匹配。然而这种匹配并不完全契合，故存在不匹配现象。而ROI Align可解决该问题。
首先遍历每一个预选框在第一特征图中对应的区域，保持浮点数边界不做量化，然后将该区域分割成k x k个单元，最后在每个单元中计算固定四个位置坐标，用双线性内插的方法计算出这四个位置的值，然后进行最大池化操作。从而得到包含预选框的第二特征图。
309、将所述第二特征图输入所述全连接层，以通过所述全连接层得到所述第二特征图对应的目标向量，其中，所述分类网络包括全连接层和第二分类器；
全连接层(fully connected layers，FC)中每一个节点与上一层的所有节点进行连接，从而将前面提取到的所有特征进行综合。
在本实施例中，全连接层为一个一维向量。将前面所有的特征提取整合，然后加上激活函数进行非线性映射，从而将所有特征映射到这个一维向量上，得到第二特征图对应的目标向量。
310、将所述目标向量输入所述第二分类器，以通过所述第二分类器得到所述预测框包含快件的预测概率；
在本实施例中，优选的第二分类器为softmax分类器。得到目标向量后，通过softmax分类器，得到各个预选框中包含快件或不包含快件的概率值。
311、若所述预测概率大于预置阈值，则将所述预测框对应的区域范围作为预测区域，并将所述预测区域作为预测结果；
若包含快件的概率值大于预置包含快件的阈值，则判断该预选框包含快件。然后将预测框对应的区域范围作为存在快件的预测区域，并将预测区域作为预测结果输出。
312、根据所述预测结果和所述标注文件，对所述MASK R-CNN模型的参数进行调整，直至所述MASK R-CNN模型收敛，得到所述快件识别模型；
在MASK R-CNN模型中，损失函数为L＝Lcls+Lbox+Lmask。其中Lcls是分类损失，Lbox是指预选框的损失，通过将预选框和标签文件中圈选的区域范围对应的坐标进行比较得到的损失，而Lmask是指掩码的损失。通过预置的损失函数，可计算预测结果和标签文件之间的损失值。
通过反向传播，将损失值传递回MASK R-CNN模型中，并根据随机梯度下降法，对其中各个网络进行参数的调整。若MASK R-CNN模型收敛，则将此时的MASK R-CNN作为快件识别模型。
313、获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
314、根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
315、对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
本发明实施例提供了详细的训练得到快件识别模型的过程，首选通过ResNet-101网络进行特征提取，再通过RPN网络生成包含快件的预选框，再通过ROI Align进行预选框和特征图的融合，最后通过FCN网络进行结果预测。根据预测结果和标注文件，对MASK R-CNN模型进行参数调整，最后得到快件识别模型。
请参阅图4，本发明实施例中快件分拣方法的第四个实施例包括：
401、获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
402、对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件；
403、将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型；
404、获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
405、根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
406、将所述快件图像输入预先训练得到的快件信息获取模型；
预先训练得到快件信息获取模型。在本实施例中，快件信息获取模型主要作用是能够将数字或文字图像转换为机器可识别的形式。
407、通过所述快件信息获取模型，获得所述快件的快件信息；
在本实施例中，快件上贴有面单，面单上记载有快件对应的快件目的地、收件人联系方式、快件编号等信息。
快件信息获取模型收到快件图像后，再去识别快件图像中的数字和文字并转换为服务器可识别的形式。然后服务器根据数字内容，判断其是否为快件编号。如果是，则根据快件编号调取对应的快件物流信息。其中，快件物流信息中记载有快件的目的地等信息。从而服务器获取快件图像中快件对应的快件信息。
408、根据所述快件信息，确定所述快件对应的分拣出口，并将所述快件运输至所述分拣出口。
服务器再根据记载的目的地确定快件对应的分拣出口。如目的地是A市，快件通过控制传送带的切换，将快件运输至对应A市的分拣出口
在本实施例中，详细描述服务器如何根据快件图像进行分拣的。在实现实例分割的快件识别模型之外，服务器还有快件信息获取模型，能够根据快件图像获取其中的快件信息。服务器再根据快件信息中的快件编号去获取快件物流信息，最后根据快件物流信息确定该快件对应的分拣出口。由于快件识别模型的精确度上升，因此快件图像能包含更多待分拣的快件，通过此方式更接近快件的全自动化分拣，提升快件分拣效率。
请参阅图5，本发明实施例中快件分拣方法的第五个实施例包括：
501、获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
502、对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件；
503、将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型；
504、获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
505、根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
506、将所述快件图像输入预先训练得到的快件破损评估模型，并通过所述快件破损评估模型得到所述快件对应的快件破损值；
在本实施例中，服务器中快件识别模型和快件信息获取模型外，还有快件破损评估模型。
快件破损评估模型主要用于评估快件图像中快件的破损值。由于快件在运输过程中，不可避免存在磕碰现象，造成一部分快件出现破损。
将快件图像输入快件破损评估模型后，快件破损评估模型输出该快件对应的快件破损值。
507、判断所述快件破损值是否大于预置破损阈值；
预先设置一个破损阈值，如10％。当快件破损评估模型输出快件破损值后，将其与破损阈值进行比较。
508、若是，则发出重包装通知，以对所述快件进行重新包装；
若快件破损值大于10％，则说明该快件重新包装，以避免后续运输中破损进一步扩大。因此服务器发出针对该快件的重包装通知，以使工作人员对该快件进行重新包装。
509、将所述快件图像输入预先训练得到的快件信息获取模型；
510、通过所述快件信息获取模型，获得所述快件的快件信息；
511、根据所述快件信息，确定所述快件对应的分拣出口，并将所述快件运输至所述分拣出口。
本实施例在上一实施例基础上，增加快件破损评估步骤，当快件破损值大于阈值时，发出重包装通知，从而将破损的快件进行重新包装，避免后续运输过程进一步破损，保证快件的完整性。
上面对本发明实施例中快件分拣方法进行了描述，下面对本发明实施例中快件分拣装置进行描述，请参阅图6，本发明实施例中快件分拣装置一个实施例包括：
获取模块601，用于获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
标注模块602，用于对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
训练模块603，用于将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中，所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROI Align层和分类网络；
识别模块604，用于获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
提取模块605，用于根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
分拣模块606，用于对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
本发明实施例中。由于MASK R-CNN模型相较于以往的分割模型的精确度更高，且ResNet-101网络在特征提取上能够提取更多更精细的特征，因而提高服务器对快件的识别效率。
请参阅图7，本发明实施例中快件分拣装置的另一个实施例包括：
获取模块701，用于获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
标注模块702，用于对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
训练模块703，用于将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中，所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROI Align层和分类网络；
识别模块704，用于获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
提取模块705，用于根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
分拣模块706，用于对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
可选的，所述标注模块702具体用于：
圈定所述训练样本图像中的快件的区域范围，以对所述训练样本图像进行实例分割标注，得到对应的标注信息；
将所述标注信息写入预置JSON格式的空白文件中，得到标注文件。
其中，所述训练模块703包括：
提取单元7031，用于将所述训练样本图像输入所述ResNet-101网络，并通过所述ResNet-101网络提取所述训练样本图像的第一特征图；
预测框单元7032，用于将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框；
融合单元7033，用于将所述第一特征图和所述预测框输入所述ROI Align层，并通过所述ROI Align层对所述预测框和所述第一特征图进行融合，得到包含所述预测框的第二特征图；
分类单元7034，用于将所述第二特征图输入所述分类网络，并通过所述分类网络生成所述第二特征图对应的预测结果；
调整单元7035，用于根据所述预测结果和所述标注文件，对所述MASK R-CNN模型的参数进行调整，直至所述MASK R-CNN模型收敛，得到所述快件识别模型。
可选的，所述RPN网络包括第一分类器，所述预测框单元7032具体用于：
将所述第一特征图输入所述RPN网络，并获取预置锚框信息；
根据所述锚框信息，生成所述第一特征图的锚框；
通过所述第一分类器判断所述锚框中是否存在快件；
若是，则对所述锚框进行边框回归，得到所述第一特征图对应的预测框。
可选的，所述分类网络包括全连接层和第二分类器，所述分类单元7034具体用于：
将所述第二特征图输入所述全连接层，以通过所述全连接层得到所述第二特征图对应的目标向量；
将所述目标向量输入所述第二分类器，以通过所述第二分类器得到所述预测框包含快件的预测概率；
若所述预测概率大于预置阈值，则将所述预测框对应的区域范围作为预测区域，并将所述预测区域作为预测结果。
其中，所述分拣模块706包括：
输入单元7061，用于将所述快件图像输入预先训练得到的快件信息获取模型；
快件信息获取单元7062，用于通过所述快件信息获取模型，获得所述快件的快件信息，其中，所述快件信息包括快件目的地、收件人联系方式和快件编号；
分拣单元7063，用于根据所述快件信息，确定所述快件对应的分拣出口，并将所述快件运输至所述分拣出口。
可选的，所述输入单元之前还包括破损评估单元，所述破损评估单元具体用于：
将所述快件图像输入预先训练得到的快件破损评估模型，并通过所述快件破损评估模型得到所述快件对应的快件破损值；
判断所述快件破损值是否大于预置破损阈值；
若是，则发出重包装通知，以对所述快件进行重新包装。
本发明实施例中，采用JSON格式的标注文件，便于后续MASK R-CNN模型解析标注文件。服务器还有快件信息获取模型，可根据该模型获取的快件信息确定该快件对应的分拣出口。由于快件识别模型的精确度上升，因此快件图像能包含更多待分拣的快件，通过此方式更接近快件的全自动化分拣，提升快件分拣效率。此外增加快件破损评估步骤，以增强快件的完整性。
上面图6和图7从模块化功能实体的角度对本发明实施例中的快件分拣装置进行详细描述，下面从硬件处理的角度对本发明实施例中快件分拣设备进行详细描述。
图8是本发明实施例提供的一种快件分拣设备的结构示意图，该快件分拣设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对快件分拣设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在快件分拣设备800上执行存储介质830中的一系列指令操作。
基于快件分拣设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口880，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图8示出的快件分拣设备结构并不构成对基于快件分拣设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述快件分拣方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述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，可以存储在一个计算机可读取存储介质中。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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种快件分拣方法，其特征在于，所述快件分拣方法包括：
获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中，所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROIAlign层和分类网络；
获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
2.根据权利要求1所述的快件分拣方法，其特征在于，所述对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件包括：
圈定所述训练样本图像中的快件的区域范围，以对所述训练样本图像进行实例分割标注，得到对应的标注信息；
将所述标注信息写入预置JSON格式的空白文件中，得到标注文件。
3.根据权利要求1所述的快件分拣方法，其特征在于，所述将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型包括：
将所述训练样本图像输入所述ResNet-101网络，并通过所述ResNet-101网络提取所述训练样本图像的第一特征图；
将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框；
将所述第一特征图和所述预测框输入所述ROIAlign层，并通过所述ROI Align层对所述预测框和所述第一特征图进行融合，得到包含所述预测框的第二特征图；
将所述第二特征图输入所述分类网络，并通过所述分类网络生成所述第二特征图对应的预测结果；
根据所述预测结果和所述标注文件，对所述MASK R-CNN模型的参数进行调整，直至所述MASK R-CNN模型收敛，得到所述快件识别模型。
4.根据权利要求3所述的快件分拣方法，其特征在于，所述RPN网络包括第一分类器，所述将所述第一特征图输入所述RPN网络，并通过所述RPN网络生成所述第一特征图对应的预测框包括：
将所述第一特征图输入所述RPN网络，并获取预置锚框信息；
根据所述锚框信息，生成所述第一特征图的锚框；
通过所述第一分类器判断所述锚框中是否存在快件；
若是，则对所述锚框进行边框回归，得到所述第一特征图对应的预测框。
5.根据权利要求3所述的快件分拣方法，其特征在于，所述分类网络包括全连接层和第二分类器，所述将所述第二特征图输入所述分类网络，并通过所述分类网络生成所述第二特征图对应的预测结果包括：
将所述第二特征图输入所述全连接层，以通过所述全连接层得到所述第二特征图对应的目标向量；
将所述目标向量输入所述第二分类器，以通过所述第二分类器得到所述预测框包含快件的预测概率；
若所述预测概率大于预置阈值，则将所述预测框对应的区域范围作为预测区域，并将所述预测区域作为预测结果。
6.根据权利要求1所述的快件分拣方法，其特征在于，所述对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣包括：
将所述快件图像输入预先训练得到的快件信息获取模型；
通过所述快件信息获取模型，获得所述快件的快件信息，其中，所述快件信息包括快件目的地、收件人联系方式和快件编号；
根据所述快件信息，确定所述快件对应的分拣出口，并将所述快件运输至所述分拣出口。
7.根据权利要求6所述的快件分拣方法，其特征在于，在所述将所述快件图像输入预先训练得到的快件信息获取模型之前，还包括：
将所述快件图像输入预先训练得到的快件破损评估模型，并通过所述快件破损评估模型得到所述快件对应的快件破损值；
判断所述快件破损值是否大于预置破损阈值；
若是，则发出重包装通知，以对所述快件进行重新包装。
8.一种快件分拣装置，其特征在于，所述快件分拣装置包括：
获取模块，用于获取预先拍摄的快件分拣场景中的多个第一图像，并将所述第一图像作为训练样本图像；
标注模块，用于对各训练样本图像中的快件进行标注，得到各训练样本图像对应的标注信息并保存为标注文件，其中，所述标注信息用于圈定各快件在所述训练样本图像中的区域范围；
训练模块，用于将所述训练样本图像和对应的标注文件输入预置MASK R-CNN模型进行训练，得到快件识别模型，其中，所述MASK R-CNN模型包括ResNet-101网络、RPN网络、ROIAlign层和分类网络；
识别模块，用于获取实时抓拍的快件分拣场景中的多个第二图像并输入所述快件识别模型进行识别，输出所述第二图像中各快件的区域范围；
提取模块，用于根据所述第二图像中各快件的区域范围，从所述第二图像中提取各快件对应的快件图像；
分拣模块，用于对所述快件图像进行识别，得到各快件的快件信息，并根据所述快件信息进行快件分拣。
9.一种快件分拣设备，其特征在于，所述快件分拣设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述快件分拣设备执行如权利要求1-7中任一项所述的快件分拣方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的快件分拣方法。
CN202010272679.5A 2020-04-09 2020-04-09 快件分拣方法、装置、设备及存储介质 Active CN111428682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010272679.5A CN111428682B (zh) 2020-04-09 2020-04-09 快件分拣方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010272679.5A CN111428682B (zh) 2020-04-09 2020-04-09 快件分拣方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111428682A true CN111428682A (zh) 2020-07-17
CN111428682B CN111428682B (zh) 2023-04-18

Family

ID=71556008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010272679.5A Active CN111428682B (zh) 2020-04-09 2020-04-09 快件分拣方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111428682B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112108385A (zh) * 2020-10-29 2020-12-22 广州麦德仕科技有限公司 一种现代物流货物分拣线
CN112465035A (zh) * 2020-11-30 2021-03-09 上海寻梦信息技术有限公司 物流配送任务分配方法、系统、设备及存储介质
CN113192017A (zh) * 2021-04-21 2021-07-30 上海东普信息科技有限公司 包裹缺陷识别方法、装置、设备及存储介质
CN116502974A (zh) * 2023-06-25 2023-07-28 深圳市恒顺合鑫科技有限公司 物流信息的分析方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960148A (zh) * 2018-07-05 2018-12-07 济南东朔微电子有限公司 一种基于视频图像的快递面单三段码识别方法
CN109658412A (zh) * 2018-11-30 2019-04-19 湖南视比特机器人有限公司 一种面向拆垛分拣的包装箱快速识别分割方法
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN108960148A (zh) * 2018-07-05 2018-12-07 济南东朔微电子有限公司 一种基于视频图像的快递面单三段码识别方法
CN109658412A (zh) * 2018-11-30 2019-04-19 湖南视比特机器人有限公司 一种面向拆垛分拣的包装箱快速识别分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈志新;董瑞雪;刘鑫;王毅斌;梁世晓;: "基于深度学习的复杂分拣图像快速识别方法研究" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112108385A (zh) * 2020-10-29 2020-12-22 广州麦德仕科技有限公司 一种现代物流货物分拣线
CN112465035A (zh) * 2020-11-30 2021-03-09 上海寻梦信息技术有限公司 物流配送任务分配方法、系统、设备及存储介质
CN113192017A (zh) * 2021-04-21 2021-07-30 上海东普信息科技有限公司 包裹缺陷识别方法、装置、设备及存储介质
CN116502974A (zh) * 2023-06-25 2023-07-28 深圳市恒顺合鑫科技有限公司 物流信息的分析方法、装置、设备及存储介质
CN116502974B (zh) * 2023-06-25 2024-01-12 深圳市恒顺合鑫科技有限公司 物流信息的分析方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111428682B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111428682B (zh) 快件分拣方法、装置、设备及存储介质
CN111415106A (zh) 货车装载率识别方法、装置、设备及存储介质
CN107617573B (zh) 一种基于多任务深度学习的物流编码识别和分拣方法
CN107368614A (zh) 基于深度学习的图像检索方法及装置
CN111428723A (zh) 字符识别方法及装置、电子设备、存储介质
CN109934255B (zh) 一种适用于饮料瓶回收机投递物分类识别的模型融合方法
CN106203539B (zh) 识别集装箱箱号的方法和装置
CN112580647A (zh) 一种面向堆叠物体的识别方法及系统
CN113688821B (zh) 一种基于深度学习的ocr文字识别方法
CN111242899A (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
US20240249544A1 (en) System and method for automatically recognizing delivery point information
CN114330234A (zh) 版面结构分析方法、装置、电子设备和存储介质
CN115546207A (zh) 杂质的快速检测方法、计算设备和存储介质
US20240249516A1 (en) System and method for automatically recognizing delivery point information
CN114581928A (zh) 一种表格识别方法及系统
CN111178464A (zh) 一种基于神经网络的ocr识别在物流行业快递面单的应用
CN112445849B (zh) 一种报表分析方法及装置
CN113192017A (zh) 包裹缺陷识别方法、装置、设备及存储介质
CN117557860A (zh) 基于YOLOv8的货运列车异物检测方法及系统
Cai et al. OCR service platform based on OpenCV
CN116630604A (zh) 一种垃圾图像分类方法及系统
CN110472583B (zh) 基于深度学习的人脸微表情识别系统
CN112990245A (zh) 物品识别方法、装置、设备及存储介质
CN112329676A (zh) 回流件识别方法、装置、设备及存储介质
US20230350932A1 (en) Automated splitting of document packages and identification of relevant documents

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
GR01 Patent grant
GR01 Patent grant