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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2020
- 2020-08-27 CN CN202010875004.XA patent/CN111814935B/zh active Active
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 |