CN111814935B - 一种基于盘点机器人的图书定位方法 - Google Patents

一种基于盘点机器人的图书定位方法 Download PDF

Info

Publication number
CN111814935B
CN111814935B CN202010875004.XA CN202010875004A CN111814935B CN 111814935 B CN111814935 B CN 111814935B CN 202010875004 A CN202010875004 A CN 202010875004A CN 111814935 B CN111814935 B CN 111814935B
Authority
CN
China
Prior art keywords
book
data
robot
axis
module
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.)
Active
Application number
CN202010875004.XA
Other languages
English (en)
Other versions
CN111814935A (zh
Inventor
尹利
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.)
Tianjin Dewar Intelligent Technology Co ltd
Original Assignee
Tianjin Dewar Intelligent 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 Tianjin Dewar Intelligent Technology Co ltd filed Critical Tianjin Dewar Intelligent Technology Co ltd
Priority to CN202010875004.XA priority Critical patent/CN111814935B/zh
Publication of CN111814935A publication Critical patent/CN111814935A/zh
Application granted granted Critical
Publication of CN111814935B publication Critical patent/CN111814935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06K17/0029—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 provisious 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种基于盘点机器人的图书定位方法，包括如下步骤：S1.数据采集：机器人利用RFID识别技术获取图书的电子标签，并将其与机器人坐标，天线高度一同传输至处理器模块中；S2.数据处理转换：从电子标签中提取图书编码，并将电子标签，图书编码，机器人坐标，天线高度存储于数据存储模块中，通过处理器读取数据，将其换成数组矩阵的形式，并对每个数据做均值化处理；S3.图书定位：将S2处理后的数据输入至图书定位模块中，通过网络模型找到位置标签后，将位置标签与图书信息一同传输至数据读取模块中实现图书定位，本发明利用网络模型进行特征提取可以更准确、更迅速地定位图书的位置，大大减少了图书馆管理员的工作量，提高了工作效率。

Description

一种基于盘点机器人的图书定位方法
技术领域
本发明涉及智能图书管理技术领域，尤其涉及一种基于盘点机器人的图书定位方法。
背景技术
随着知识经济时代的到来，人们对于书籍的需求越来越多，图书馆的功能重心由传统的“文献中心模式”转向“读者中心模式”。随着读者数量的增加，图书馆内的图书经常会有丢失或者被人摆错的现象发生，这无形中增加了图书管理员的工作负担，图书管理员每天都需要花费很长的时间去整理、盘点书架上的图书，不仅费时费力，还容易出错。
目前，我国很多图书馆已经采用了RFID技术来优化图书馆的服务，通过装有RFID天线的图书盘点机器人识别图书上的RFID标签来实现图书盘点操作，较大地提高了工作效率，节省了人力成本。机器人扫描天线普遍采用的是RFID超高频射频识别技术，但是，该技术在使用过程中仍存在诸多缺陷，例如：1、数据特征少，只能读取图书的电子标签；2、扫描书架上下层图书的数据时，前后书架的数据都有可能被扫描到，从而会影响数据的准确性。因此，急需开发一种新型的图书定位方法以解决上述技术问题。
有鉴于此，特提出本发明。
发明内容
本发明的目的是提供一种基于盘点机器人的图书定位方法，利用网络模型进行特征提取可以更准确、更迅速地定位图书的位置，大大减少了图书馆管理员的工作量，提高了工作效率，具有广阔的应用前景，有利于推广应用。
为了实现上述目的，本发明提供的一种基于盘点机器人的图书定位方法，包括如下步骤：
S1.数据采集：
机器人利用RFID识别技术通过数据采集模块获取图书的电子标签，并将其与机器人坐标(x轴，y轴)，天线高度一同传输至处理器模块中；
S2.数据处理转换：
通过字符转换模块从电子标签中提取图书编码，通过数据转发模块将电子标签，图书编码，机器人坐标(x轴，y轴)，天线高度存储于数据存储模块中，通过处理器读取数据存储模块中的数据，将读取出的数据转换成数组矩阵的形式，并对每个数据做均值化处理；
S3.图书定位：
将S2处理后的数据作为输入参数输入至图书定位模块中，通过网络模型找到位置标签后，将位置标签与图书信息一同传输至数据读取模块中实现图书定位，所述图书信息包括图书编码，电子标签，天线高度和机器人坐标(x轴，y轴)。
优选地，在S3中，所述网络模型的设计与训练方法为：
(1)采用1*1的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，将所有的负值都变为0，以使神经网络中的神经元具有稀疏激活性，共用3层网络；
(2)将(1)的输出参数采用3*3的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，共用2层网络；
(3)将(2)的输出参数采用1*1的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，共用2层网络；
(4)将(3)的输出参数输入至全连接层进行3次筛选，取得不同的输出值，再反向传播进行损失计算，将预测值接近真实值的数据传输给数据读取模块。
优选地，所述(4)中，图书馆人员将电子标签，图书编码，书架坐标(x轴，y轴)，各书架的单层高度，图书所在层数，作为训练样本数据，即真实值，以图书所在层数为标签采用网络模型开始训练，所述书架坐标(x轴，y轴)等同于机器人坐标(x轴，y轴)，在训练网络模型时为了使网络模型识别得更迅速更精准，寻找到网络模型中的最优参数，通过梯度下降法逐步找到损失值最小的那一个，最后将位置标签和图书信息传输出去。
优选地，所述(1)中，卷积的输入参数为873，输出参数为367。
优选地，所述(2)中，卷积的输入参数为367，输出参数为286。
优选地，所述(3)中，卷积的输入参数为286，输出参数为128。
优选地，所述(4)中，全连接层第一次筛选的输入参数为128，输出参数为64，第二次筛选的输入参数为64，输出参数为28，第三次筛选的输入参数为28，输出参数为6。
本发明提供的一种基于盘点机器人的图书定位方法，具有如下有益效果。
1.本发明以仿真学的方式利用机器人代替人工，通过硬件与软件相结合，大大提高了RFID识别定位的准确率。
2.本发明在有监督学习的情况下，可以精准快速地提取特征，模型小，运行速度快，适合于各种配置的电脑训练。
具体实施方式
下面结合具体实施例对本发明做进一步说明，以助于理解本发明的内容。
本发明提供的一种基于盘点机器人的图书定位方法，包括如下步骤：
S1.数据采集：
机器人利用RFID识别技术通过数据采集模块获取图书的电子标签，并将其与机器人坐标(x轴，y轴)，天线高度一同传输至处理器模块中；
S2.数据处理转换：
通过字符转换模块从电子标签中提取图书编码，通过数据转发模块将电子标签，图书编码，机器人坐标(x轴，y轴)，天线高度存储于数据存储模块中，通过处理器读取数据存储模块中的数据，将读取出的数据转换成数组矩阵的形式，并对每个数据做均值化处理；
S3.图书定位：
将S2处理后的数据作为输入参数输入至图书定位模块中，通过网络模型找到位置标签后，将位置标签与图书信息一同传输至数据读取模块中实现图书定位，所述图书信息包括图书编码，电子标签，天线高度和机器人坐标(x轴，y轴)。
在S3中，所述网络模型的设计与训练方法为：
(1)采用1*1的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，将所有的负值都变为0，以使神经网络中的神经元具有稀疏激活性，共用3层网络。卷积的输入参数为873，输出参数为367；
(2)将(1)的输出参数采用3*3的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，共用2层网络。卷积的输入参数为367，输出参数为286；
(3)将(2)的输出参数采用1*1的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，共用2层网络。卷积的输入参数为286，输出参数为128；
(4)将(3)的输出参数输入至全连接层进行3次筛选，取得不同的输出值，再反向传播进行损失计算，将预测值接近真实值的数据传输给数据读取模块。第一次筛选的输入参数为128，输出参数为64，第二次筛选的输入参数为64，输出参数为28，第三次筛选的输入参数为28，输出参数为6。
所述(4)中，图书馆人员将电子标签，图书编码，书架坐标(x轴，y轴)，各书架的单层高度，图书所在层数，作为训练样本数据，即真实值，以图书所在层数为标签采用网络模型开始训练，所述书架坐标(x轴，y轴)等同于机器人坐标(x轴，y轴)，在训练网络模型时为了使网络模型识别得更迅速更精准，寻找到网络模型中的最优参数，通过梯度下降法逐步找到损失值最小的那一个，最后将位置标签和图书信息传输出去。
本发明以仿真学的方式利用机器人代替人工，通过硬件与软件相结合，大大提高了RFID识别定位的准确率；在有监督学习的情况下，可以精准快速地提取特征，模型小，运行速度快，适合于各种配置的电脑训练。本发明利用网络模型进行特征提取可以更准确、更迅速地定位图书的位置，大大减少了图书馆管理员的工作量，提高了工作效率，具有广阔的应用前景，有利于推广应用。
本文中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于盘点机器人的图书定位方法，其特征在于，包括如下步骤：
S1.数据采集：
机器人利用RFID识别技术通过数据采集模块获取图书的电子标签，并将其与机器人坐标(x轴，y轴)，天线高度一同传输至处理器模块中；
S2.数据处理转换：
通过字符转换模块从电子标签中提取图书编码，通过数据转发模块将电子标签，图书编码，机器人坐标(x轴，y轴)，天线高度存储于数据存储模块中，通过处理器读取数据存储模块中的数据，将读取出的数据转换成数组矩阵的形式，并对每个数据做均值化处理；
S3.图书定位：
将S2处理后的数据作为输入参数输入至图书定位模块中，通过网络模型找到位置标签后，将位置标签与图书信息一同传输至数据读取模块中实现图书定位，所述图书信息包括图书编码，电子标签，天线高度和机器人坐标(x轴，y轴)；
所述网络模型的设计与训练方法为：
(1)采用1*1的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，将所有的负值都变为0，以使神经网络中的神经元具有稀疏激活性，共用3层网络；
(2)将(1)的输出参数采用3*3的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，共用2层网络；
(3)将(2)的输出参数采用1*1的卷积核进行卷积提取特征，做一次最大池化提取到最突出的特征，采用Relu激活函数激活，共用2层网络；
(4)将(3)的输出参数输入至全连接层进行3次筛选，取得不同的输出值，再反向传播进行损失计算，将预测值接近真实值的数据传输给数据读取模块。
2.根据权利要求1所述的一种基于盘点机器人的图书定位方法，其特征在于，所述(4)中，图书馆人员将电子标签，图书编码，书架坐标(x轴，y轴)，各书架的单层高度，图书所在层数，作为训练样本数据，即真实值，以图书所在层数为标签采用网络模型开始训练，所述书架坐标(x轴，y轴)等同于机器人坐标(x轴，y轴)，在训练网络模型时为了使网络模型识别得更迅速更精准，寻找到网络模型中的最优参数，通过梯度下降法逐步找到损失值最小的那一个，最后将位置标签和图书信息传输出去。
3.根据权利要求2所述的一种基于盘点机器人的图书定位方法，其特征在于，所述(1)中，卷积的输入参数为873，输出参数为367。
4.根据权利要求3所述的一种基于盘点机器人的图书定位方法，其特征在于，所述(2)中，卷积的输入参数为367，输出参数为286。
5.根据权利要求4所述的一种基于盘点机器人的图书定位方法，其特征在于，所述(3)中，卷积的输入参数为286，输出参数为128。
6.根据权利要求5所述的一种基于盘点机器人的图书定位方法，其特征在于，所述(4)中，全连接层第一次筛选的输入参数为128，输出参数为64，第二次筛选的输入参数为64，输出参数为28，第三次筛选的输入参数为28，输出参数为6。
CN202010875004.XA 2020-08-27 2020-08-27 一种基于盘点机器人的图书定位方法 Active CN111814935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010875004.XA CN111814935B (zh) 2020-08-27 2020-08-27 一种基于盘点机器人的图书定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010875004.XA CN111814935B (zh) 2020-08-27 2020-08-27 一种基于盘点机器人的图书定位方法

Publications (2)

Publication Number Publication Date
CN111814935A CN111814935A (zh) 2020-10-23
CN111814935B true CN111814935B (zh) 2022-08-05

Family

ID=72859228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010875004.XA Active CN111814935B (zh) 2020-08-27 2020-08-27 一种基于盘点机器人的图书定位方法

Country Status (1)

Country Link
CN (1) CN111814935B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116991876B (zh) * 2023-09-27 2023-12-15 北京人天书店集团股份有限公司 物联网智能识别图书定位查询系统及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101336124B1 (ko) * 2013-04-29 2013-12-03 주식회사 이도링크 도서관 도서 위치관리시스템 및 도서관 도서 위치관리방법
CN103246902A (zh) * 2013-05-09 2013-08-14 华北电力大学 一种基于超高频rfid技术的智能图书定位系统
CN104933458B (zh) * 2015-07-07 2017-10-17 南京大学 一种超高频rfid推车式图书智能上架盘点设备
CN105718975B (zh) * 2016-01-25 2018-08-31 南京大学 一种基于rfid技术的图书馆机器人智能3d导航上架系统
CN109308772B (zh) * 2017-07-26 2021-04-06 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于rfid技术的图书馆书籍盘点系统及其盘点方法
CN108960364A (zh) * 2018-06-25 2018-12-07 天津大学 一种图书盘点机器人的盘点方法
CN109977710B (zh) * 2019-02-18 2024-02-06 广东智媒云图科技股份有限公司 一种精准定位图书所属书架的方法、电子设备及存储介质
CN111537952B (zh) * 2020-05-12 2022-06-21 南京邮电大学 一种基于深度学习的rfid室内三维定位方法

Also Published As

Publication number Publication date
CN111814935A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
Lin et al. Automated defect inspection of LED chip using deep convolutional neural network
Sousa et al. Automation of waste sorting with deep learning
CN110705664A (zh) 基于物联网rfid识别智能工具管理系统
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
KR102124568B1 (ko) 인공지능과 빅데이터를 이용한 이미지 인식 기반 무인 결제 시스템
CN110351678B (zh) 商品定位方法及装置、设备和存储介质
CN202720035U (zh) 一种条码扫描射频识别计价秤
CN108460552B (zh) 一种基于机器视觉和plc的钢材仓储控制系统
US20230029045A1 (en) Automatic image classification and processing method based on continuous processing structure of multiple artificial intelligence model, and computer program stored in computer-readable recording medium to execute the same
CN111814935B (zh) 一种基于盘点机器人的图书定位方法
CN115497102A (zh) 一种甲骨文识别方法及系统
CN202711309U (zh) 基于rfid的智能药盒管理系统
Ye et al. PlantBiCNet: a new paradigm in plant science with bi-directional cascade neural network for detection and counting
Yuan et al. The research on monitoring of discrete manufacturing process based on internet of things
CN204360383U (zh) 一种高像素图像的条码识读设备
CN102508841A (zh) 物联网rfid感知信息识别方法
AU2022342172A1 (en) Item location tracking for display racks using digital image processing
CN115457458A (zh) 一种非接触式智能盘点系统和方法
CN201698448U (zh) 无线射频识别触发容错寻址大型仓储数据采集器
CN210776748U (zh) 一种基于物联网rfid识别智能工具管理系统
Fan et al. Research on Quick Inventory Framework Based on Deep Neural Network
Su et al. An Identification Method of Apple Leaf Disease Based on Transfer Learning
CN109359705B (zh) 一种错位书籍查找系统及其查找方法
CN202814528U (zh) 一种条码扫描射频识别计价系统
CN104933456A (zh) 一种基于单片机的条形码联网扫描系统及方法

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