CN111476524A - 一种基于人工智能的成品出库用货品拣货方法、系统、装置及可读存储介质 - Google Patents

一种基于人工智能的成品出库用货品拣货方法、系统、装置及可读存储介质 Download PDF

Info

Publication number
CN111476524A
CN111476524A CN202010272763.7A CN202010272763A CN111476524A CN 111476524 A CN111476524 A CN 111476524A CN 202010272763 A CN202010272763 A CN 202010272763A CN 111476524 A CN111476524 A CN 111476524A
Authority
CN
China
Prior art keywords
goods
database
dimensional code
image
image data
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
CN202010272763.7A
Other languages
English (en)
Other versions
CN111476524B (zh
Inventor
张瑜
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.)
Guangzhou Createview Optoelectronics Technology Co ltd
Original Assignee
Guangzhou Createview Optoelectronics Technology 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 Guangzhou Createview Optoelectronics Technology Co ltd filed Critical Guangzhou Createview Optoelectronics Technology Co ltd
Priority to CN202010272763.7A priority Critical patent/CN111476524B/zh
Publication of CN111476524A publication Critical patent/CN111476524A/zh
Application granted granted Critical
Publication of CN111476524B publication Critical patent/CN111476524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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 provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—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 provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Accounting & Taxation (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉及货品拣货技术领域，具体地说，涉及一种基于人工智能的成品出库用货品拣货系统及方法。包括如下步骤：将货品的二维码录入总数据库内，建立货品二维码数据库；将货品的照片录入总数据库内，建立货品图像数据库；对货品的二维码进行扫描，并提取货品的二维码图像数据；对货品的外观图像进行扫描，并提取货品的外观图像数据；将提取的货品二维码图像数据和二维码数据库内储存的图像进行对比，并按照二维码数据对货品进行分拣；将提取的货品外观图像数据和货品图像数据库内储存的图像进行对比，并按照外观图像数据对货品进行分拣。本发明设计通过信息的比对，实现货品的分拣，减少人工投资，提高分拣效率，从而促进生产力的发展。

Description

一种基于人工智能的成品出库用货品拣货方法、系统、装置及 可读存储介质
技术领域
本发明涉及货品拣货技术领域，具体地说，涉及一种基于人工智能的成品出库用货品拣货系统及方法。
背景技术
近年来，电子商务的发展势头很猛，对物流作业的需求越来越强烈，拣货作业的劳动力已占整个配送中心劳动力的50％以上。订货商品的多品种、小批量化，使得拣货作业人手不足的矛盾日益突出。目前拣货作业中需要对货品的二维码和外观进行扫描登记和记录，对于二维码扫描后，信息还需要人工进行核对，在根据二维码反馈的信息进行分拣，耗费人力物力，同时，对外观的分类仅仅通过观察进行辨别，区分标准无法统一，影响物品分拣效率。
发明内容
本发明的目的在于提供一种基于人工智能的成品出库用货品拣货系统及方法，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供一种基于人工智能的成品出库用货品拣货方法，包括如下步骤：
(一)建立数据库阶段：
S1、将货品的二维码录入总数据库内，建立货品二维码数据库；
S2、将货品的照片录入总数据库内，建立货品图像数据库；
(二)货品扫描阶段：
S3、对货品的二维码进行扫描，并提取货品的二维码图像数据；
S4、对货品的外观图像进行扫描，并提取货品的外观图像数据；
(三)货品分拣阶段：
S5、将提取的货品二维码图像数据和二维码数据库内储存的图像进行对比，并按照二维码数据对货品进行分拣；
S6、将提取的货品外观图像数据和货品图像数据库内储存的图像进行对比，并按照外观图像数据对货品进行分拣。
作为本技术方案的进一步改进，所述建立数据库阶段中，运用云计算技术搭建物品私有云大数据中心，采用虚拟化技术，把物品的物理资源数据进行池化，形成总数据库。
作为本技术方案的进一步改进，所述S3中，货品二维码扫描的步骤如下：
S1.1、拍摄货品二维码的图像数据；拍摄后的货品二维码的图像数据采用IntPoint类型的数组存储；
S1.2、对拍摄的二维码图像数据进行图像几何位置校正；
S1.3、将二维码图像数据的重叠区域进行融合和拼接；
S1.4、输出拼接后的二维码图像数据。
作为本技术方案的进一步改进，所述S1.2中，图像几何位置进行校正的方法为：设基准图像用f(x，y)表示，几何畸变的图像用g(x′，y′)表示，几何畸变关系表示为：
x′＝h1(x，y)
y′＝h2(x，y)；
h1(x，y)和h2(x，y)用多项式来表示：
Figure BDA0002443709570000021
Figure BDA0002443709570000022
则采用直接法进行校正，校正的公式如下：
Figure BDA0002443709570000023
作为本技术方案的进一步改进，所述S4中，货品外观图像扫描的步骤如下：
S2.1、拍摄货品的外观图像数据；
S2.2、对外观图像数据中的货品及背景进行彩色二值化处理；
S2.3、对去除彩色二值化后的位图进行降噪处理；
S2.4、输出图像数据。
作为本技术方案的进一步改进，所述S.2中彩色二值化处理的步骤如下：
S3.1、设图像在像素点(i，j)处的灰度值f(i，j)，考虑以像素点(i，j)为中心的(2ω+1)×(2ω+1)窗口；
S3.2、计算图像中各个像素点(i，j)的阈值T(i，j)；
S3.3、对图像中各像素点(i，j)用b(i，j)值逐点进行二值化。
作为本技术方案的进一步改进，所述货品分拣阶段基于分类整合算法实现，分类整合算法公式如下：
Figure BDA0002443709570000031
本发明的目的之二在于，提供一种基于人工智能的成品出库用货品拣货系统，包括：货品数据库模块，货品扫描模块和货品分拣模块，所述货品数据库模块用于建立货品二维码数据库和货品图像数据库；所述货品扫描模块用于扫描货品的二维码和外观图像；所述货品分拣模块用于与货品数据库模块进行对比，并实现货品分拣，所述货品数据库模块，货品扫描模块和货品分拣模块用于实现上述任一所述的基于人工智能的成品出库用货品拣货方法的步骤。
本发明的目的之三在于，提供一种基于人工智能的成品出库用货品拣货装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述任一所述的基于人工智能的成品出库用货品拣货方法的步骤。
本发明的目的之四在于，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的基于人工智能的成品出库用货品拣货方法的步骤。
与现有技术相比，本发明的有益效果：该基于人工智能的成品出库用货品拣货系统及方法中，采用人工智能算法将扫描获得的货品二维码信息和货品外观信息与建立的数据库内部信息进行对比，通过信息的比对，实现货品的分拣，减少人工投资，提高分拣效率，从而促进生产力的发展。
附图说明
图1为本实施例1的整体方法流程框图；
图2为本实施例1的货品二维码扫描方法流程框图；
图3为本实施例1的货品外观图像扫描方法流程框图；
图4为本实施例1的彩色二值化处理方法流程框图；
图5为本实施例1的货品拣货装置结构示意图。
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。
实施例1
请参阅图1-5所示，本实施例提供一种基于人工智能的成品出库用货品拣货方法，包括如下步骤：
(一)建立数据库阶段：
S1、将货品的二维码录入总数据库内，建立货品二维码数据库；
S2、将货品的照片录入总数据库内，建立货品图像数据库；
(二)货品扫描阶段：
S3、对货品的二维码进行扫描，并提取货品的二维码图像数据；
S4、对货品的外观图像进行扫描，并提取货品的外观图像数据；
(三)货品分拣阶段：
S5、将提取的货品二维码图像数据和二维码数据库内储存的图像进行对比，并按照二维码数据对货品进行分拣；
S6、将提取的货品外观图像数据和货品图像数据库内储存的图像进行对比，并按照外观图像数据对货品进行分拣。
本实施例中，建立数据库阶段中，运用云计算技术搭建物品私有云大数据中心，采用虚拟化技术，把物品的物理资源数据进行池化，形成总数据库。
具体的，总数据库的程序代码如下：
创建数据库主数据文件：
createdatabase数据库名onpriamary
(
”
name＝,
filename＝'E:\...\.mdf',(主数据文件)
size＝”,
maxsize＝unlimited,
filegrowth＝”
),
filegroup文件组名
(
”
name＝,
filename＝'E:\...\.ndf',(文件组)
size＝”,
maxsize＝”,
filegrowth＝”
)
创建日志文件：
logon
(
name＝”,
filename＝'E:\...\.ldf',(日志文件)
size＝”,
maxsize＝”,
filegrowth＝”
)
查询数据库信息：
executesp_helpdb数据库名
查询数据库文件信息：
executesp_helpfile文件名
增加数据文件：
alterdatabase数据库名addfile
(
”
name＝,
filename＝‘E:\...\’，
size＝”,
maxsize＝”,
filegrowth＝”
)
增加日志文件：
alterdatabase数据库名addlogfile
(
”
name＝,
filename＝'E:\...\',
size＝”,
maxsize＝”,
filegrowth＝”
)
增加文件组：
alterdatabase数据库名addfilegroup文件组名
删除数据文件：
alterdatabase数据库名removefile文件名
删除文件组：
alterdatabase数据库名removefilegroup文件组名
修改数据库名：
alterdatabase数据库名modifyname＝新数据库名
修改文件名：
alterdatabase数据库名modifyfile
(
”
name＝,
size＝”,
)
分类数据库：
execsp_detach_db数据库名
附加数据库：
createdatabase数据库名on
(
filename＝'.mdf',
filename＝'.ldf'
)
forattach
文件组增加文件：
alterdatabase数据库名addfile
(
”
name＝,
filename＝'.mdf',
size＝”,
maxsize＝”,
filegrowth＝”
),
(
”
name＝,
filename＝'.ldf',
size＝”,
maxsize＝”,
filegrowth＝”
)
tofilegroup文件组名
设置默认文件组：
alterdatabase数据库名modifyfilegroup文件组名default。
进一步的，S3中，货品二维码扫描的步骤如下：
S1.1、拍摄货品二维码的图像数据；拍摄后的货品二维码的图像数据采用IntPoint类型的数组存储；
S1.2、对拍摄的二维码图像数据进行图像几何位置校正；
S1.3、将二维码图像数据的重叠区域进行融合和拼接；
S1.4、输出拼接后的二维码图像数据。
其中，图像几何位置进行校正的方法为：设基准图像用f(x，y)表示，几何畸变的图像用g(x′，y′)表示，几何畸变关系表示为：
x′＝h1(x，y)
y′＝h2(x，y)；
h1(x，y)和h2(x，y)用多项式来表示：
Figure BDA0002443709570000091
Figure BDA0002443709570000092
则采用直接法进行校正，校正的公式如下：
Figure BDA0002443709570000093
其中，S1.3中，图像融合基于Harris兴趣点检测方法设计，Harris算法以自相关函数对图像在二维空间中的变化进行描述，该检测方法具有平移和旋转不变性，而且可以达到相邻像素间的微小间隔精度，对噪声干扰、光照等条件的影响具有较好的鲁棒性，Harris角点检测的基本数学公式如下所示：
Figure BDA0002443709570000094
其中w(x,y)表示移动窗口，I(x,y)表示像素灰度值强度，利用泰勒级数对角点检测数学公式求一阶到N阶的偏导数，可得Harris矩阵公式：
Figure BDA0002443709570000095
上述矩阵表示图像中每个像素点X方向的强度Ix以及Y方向强度Iy，进一步根据该矩阵求得其特征λ1和λ2值，然后计算Harris角度响应值R：
R＝det M-k(traceM)2
det M＝λ1λ2
traceM＝λ1+λ2；
通过以上计算可以求得所有像素点的Harris矩阵，求得Harris矩阵特征值后，计算出每个像素点的R值，通常可选择3×3或者5×5的窗口，最终计算出满足条件的像素点，并标记出来，R只与M的特征值有关，若是角点，则R为大数值正数，若为边缘点，则R为大数值负数，若为平坦区，则R为小数值。
其中，图像拼接基于SIFT算法设计，SIFT算法，即尺度不变特征转换，用于检测和描述图像中的局部特征，用于在空间尺度中寻找极值点，并提出这些极值点的位置、尺度、旋转不变量，SIFT算法步骤如下：
1)、尺度空间极值检测：在图像信息处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、角点检测和不同分辨率上的特征提取等；
2)关键点定位：通过第一步的尺度空间极值点检测可以得到离散空间的极值点，可进一步通过拟合三维二次函数来精确确定关键点的位置和尺度；
3)方向确定：采用图像梯度的方法计算局部结构的方向；
4)关键点描述：通过对特征点周围的图像块的分析，计算块内梯度直方图，可得到能表示该区域图像信息的向量值。
再进一步的，S4中，货品外观图像扫描的步骤如下：
S2.1、拍摄货品的外观图像数据；
S2.2、对外观图像数据中的货品及背景进行彩色二值化处理；
S2.3、对去除彩色二值化后的位图进行降噪处理；
S2.4、输出图像数据。
其中，S.2中彩色二值化处理的步骤如下：
S3.1、设图像在像素点(i，j)处的灰度值f(i，j)，考虑以像素点(i，j)为中心的(2ω+1)×(2ω+1)窗口；
S3.2、计算图像中各个像素点(i，j)的阈值T(i，j)；
S3.3、对图像中各像素点(i，j)用b(i，j)值逐点进行二值化。
其中，计算图像中各个像素点(i，j)的阈值T(i，j)的公式为：
Figure BDA0002443709570000111
其中，逐点进行二值化的公式为：
Figure BDA0002443709570000112
其中，图像降噪采用图像差分算法实现图像的降噪效果，图像差分算法就是选取一个静止参考帧作为背景图像,用图像序列中的每一帧与参考背景做差分，对输人图像的每个像素,计算它与对应背景图像中像素的差，设F(i，j)表示当前帧图像，B(i，j)表示背景图像，则差分图像D(i，j)算法公式为：
D(i，j)＝F(i，j)-B(i，j)。
其中，货品分拣阶段基于分类整合算法实现，分类整合算法公式如下：
Figure BDA0002443709570000113
本发明的目的之二在于，提供一种基于人工智能的成品出库用货品拣货系统，包括：货品数据库模块，货品扫描模块和货品分拣模块，货品数据库模块用于建立货品二维码数据库和货品图像数据库；货品扫描模块用于扫描货品的二维码和外观图像；货品分拣模块用于与货品数据库模块进行对比，并实现货品分拣。
需要说明的是，货品数据库模块，货品扫描模块和货品分拣模块的功能具体参见各模块对应的方法部分的描述，这里就不再赘述。
参阅图5，示出了本发明实施例所涉及的提供一种基于人工智能的成品出库用货品拣货装置结构示意图，该装置包括处理器、存储器和总线。
处理器包括一个或一个以上处理核心，处理器通过总线与处理器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于人工智能的成品出库用货品拣货方法。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任一所述的基于人工智能的成品出库用货品拣货方法的步骤。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于人工智能的成品出库用货品拣货方法的步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储与一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于人工智能的成品出库用货品拣货方法，其特征在于：包括如下步骤：
(一)建立数据库阶段：
S1、将货品的二维码录入总数据库内，建立货品二维码数据库；
S2、将货品的照片录入总数据库内，建立货品图像数据库；
(二)货品扫描阶段：
S3、对货品的二维码进行扫描，并提取货品的二维码图像数据；
S4、对货品的外观图像进行扫描，并提取货品的外观图像数据；
(三)货品分拣阶段：
S5、将提取的货品二维码图像数据和二维码数据库内储存的图像进行对比，并按照二维码数据对货品进行分拣；
S6、将提取的货品外观图像数据和货品图像数据库内储存的图像进行对比，并按照外观图像数据对货品进行分拣。
2.根据权利要求1所述的基于人工智能的成品出库用货品拣货方法，其特征在于：所述建立数据库阶段中，运用云计算技术搭建物品私有云大数据中心，采用虚拟化技术，把物品的物理资源数据进行池化，形成总数据库。
3.根据权利要求1所述的基于人工智能的成品出库用货品拣货方法，其特征在于：所述S3中，货品二维码扫描的步骤如下：
S1.1、拍摄货品二维码的图像数据；
S1.2、对拍摄的二维码图像数据进行图像几何位置校正；
S1.3、将二维码图像数据的重叠区域进行融合和拼接；
S1.4、输出拼接后的二维码图像数据。
4.根据权利要求3所述的基于人工智能的成品出库用货品拣货方法，其特征在于：所述S1.2中，图像几何位置进行校正的方法为：设基准图像用f(x，y)表示，几何畸变的图像用g(x′，y′)表示，几何畸变关系表示为：
x′＝h1(x，y)
y′＝h2(x，y)；
h1(x，y)和h2(x，y)用多项式来表示：
Figure FDA0002443709560000021
Figure FDA0002443709560000022
则采用直接法进行校正，校正的公式如下：
Figure FDA0002443709560000023
5.根据权利要求1所述的基于人工智能的成品出库用货品拣货方法，其特征在于：所述S4中，货品外观图像扫描的步骤如下：
S2.1、拍摄货品的外观图像数据；
S2.2、对外观图像数据中的货品及背景进行彩色二值化处理；
S2.3、对去除彩色二值化后的位图进行降噪处理；
S2.4、输出图像数据。
6.根据权利要求5所述的基于人工智能的成品出库用货品拣货方法，其特征在于：所述S2.2中彩色二值化处理的步骤如下：
S3.1、设图像在像素点(i，j)处的灰度值f(i，j)，考虑以像素点(i，j)为中心的(2ω+1)×(2ω+1)窗口；
S3.2、计算图像中各个像素点(i，j)的阈值T(i，j)；
S3.3、对图像中各像素点(i，j)用b(i，j)值逐点进行二值化。
7.根据权利要求1所述的基于人工智能的成品出库用货品拣货方法，其特征在于：所述货品分拣阶段基于分类整合算法实现，分类整合算法公式如下：
Figure FDA0002443709560000031
8.一种基于人工智能的成品出库用货品拣货系统，其特征在于：包括货品数据库模块，货品扫描模块和货品分拣模块，所述货品数据库模块用于建立货品二维码数据库和货品图像数据库；所述货品扫描模块用于扫描货品的二维码和外观图像；所述货品分拣模块用于与货品数据库模块进行对比，并实现货品分拣，所述货品数据库模块，货品扫描模块和货品分拣模块用于实现如权利要求1-7中任一所述的基于人工智能的成品出库用货品拣货方法的步骤。
9.一种基于人工智能的成品出库用货品拣货装置，其特征在于：包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现如权利要求1-7中任一所述的基于人工智能的成品出库用货品拣货方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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中任一所述的基于人工智能的成品出库用货品拣货方法的步骤。
CN202010272763.7A 2020-04-09 2020-04-09 一种基于人工智能的成品出库用货品拣货方法、系统、装置及可读存储介质 Active CN111476524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010272763.7A CN111476524B (zh) 2020-04-09 2020-04-09 一种基于人工智能的成品出库用货品拣货方法、系统、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010272763.7A CN111476524B (zh) 2020-04-09 2020-04-09 一种基于人工智能的成品出库用货品拣货方法、系统、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN111476524A true CN111476524A (zh) 2020-07-31
CN111476524B CN111476524B (zh) 2023-11-24

Family

ID=71751345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010272763.7A Active CN111476524B (zh) 2020-04-09 2020-04-09 一种基于人工智能的成品出库用货品拣货方法、系统、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN111476524B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284604A (zh) * 2021-04-16 2021-08-20 青岛大学附属医院 一种根据高清术野视频进行ai辅助诊疗的方法
CN117131895A (zh) * 2023-08-29 2023-11-28 宁波邻家网络科技有限公司 批量生成统一视觉ai二维码的方法及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202700831U (zh) * 2012-07-12 2013-01-30 安徽省一一通信息科技有限公司 可识别无标识货物的货物自动分拣系统
CN109454004A (zh) * 2018-10-30 2019-03-12 深圳蓝胖子机器人有限公司 机器人扫描分拣系统及方法
CN110610141A (zh) * 2019-08-25 2019-12-24 南京理工大学 一种物流仓储规则形状货物识别系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202700831U (zh) * 2012-07-12 2013-01-30 安徽省一一通信息科技有限公司 可识别无标识货物的货物自动分拣系统
CN109454004A (zh) * 2018-10-30 2019-03-12 深圳蓝胖子机器人有限公司 机器人扫描分拣系统及方法
CN110610141A (zh) * 2019-08-25 2019-12-24 南京理工大学 一种物流仓储规则形状货物识别系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284604A (zh) * 2021-04-16 2021-08-20 青岛大学附属医院 一种根据高清术野视频进行ai辅助诊疗的方法
CN117131895A (zh) * 2023-08-29 2023-11-28 宁波邻家网络科技有限公司 批量生成统一视觉ai二维码的方法及计算机可读存储介质
CN117131895B (zh) * 2023-08-29 2024-03-08 宁波邻家网络科技有限公司 批量生成统一视觉ai二维码的方法及计算机可读存储介质

Also Published As

Publication number Publication date
CN111476524B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
US11429818B2 (en) Method, system and device for multi-label object detection based on an object detection network
Odone et al. Building kernels from binary strings for image matching
US9141871B2 (en) Systems, methods, and software implementing affine-invariant feature detection implementing iterative searching of an affine space
US11030436B2 (en) Object recognition
US20140153779A1 (en) Object Segmentation at a Self-Checkout
JP6341650B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN111680690B (zh) 一种文字识别方法及装置
CN111539957B (zh) 一种用于目标检测的图像样本生成方法、系统及检测方法
US7370059B2 (en) Model of documents and method for automatically classifying a document
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
CN111476524A (zh) 一种基于人工智能的成品出库用货品拣货方法、系统、装置及可读存储介质
CN111767915A (zh) 车牌检测方法、装置、设备及存储介质
Bellavia et al. HarrisZ+: Harris corner selection for next-gen image matching pipelines
CN111125397A (zh) 一种基于卷积神经网络的布料图像检索方法
CN113628113B (zh) 一种图像拼接方法及其相关设备
CN113469216B (zh) 零售终端海报识别与完整性判断方法、系统及存储介质
CN114463397A (zh) 一种基于渐进式滤波的多模态图像配准方法
CN117218672A (zh) 一种基于深度学习的病案文字识别方法及系统
CN116071653A (zh) 基于自然图像的树木多级枝干结构自动提取方法
CN118379753B (zh) 利用ocr技术提取不良资产合同关键信息的方法及系统
CN117636026B (zh) 一种集装箱锁销类别图片识别方法
CN114758259B (zh) 一种基于x光物体图像识别的包裹检测方法及系统
CN112733574B (zh) 一种人脸识别的方法、装置及计算机可读存储介质
Yoneda et al. Joint object recognition and pose estimation using multiple-anchor triplet learning of canonical plane

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