CN111898935A - 一种基于图像处理的仓储盘点方法、系统存储及终端设备 - Google Patents
一种基于图像处理的仓储盘点方法、系统存储及终端设备 Download PDFInfo
- Publication number
- CN111898935A CN111898935A CN202010586323.9A CN202010586323A CN111898935A CN 111898935 A CN111898935 A CN 111898935A CN 202010586323 A CN202010586323 A CN 202010586323A CN 111898935 A CN111898935 A CN 111898935A
- Authority
- CN
- China
- Prior art keywords
- image data
- commodity
- bin
- warehouse
- 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.)
- Pending
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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明公开了一种基于图像处理的仓库盘点方法,包括:获取第一拍摄装置处采集的第一图像数据;获取第二拍摄装置处采集的第二图像数据及第三图像数据;输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离;根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输。本发明实现对商品进行快速拍摄与模型训练,并且与仓库管理系统进行对接,满足仓储管理人员短时间内对货物进行盘点和统计,提升货物管理效率;运用智能化导轨与深度摄像头技术,对指定区域或全部区域的货物进行盘点,并计算目标区域仓位的饱和度与空闲的位置,使仓库管理人员及时掌握仓位的利用情况。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于图像处理的仓储盘点方法、系统存储及终端设备。
背景技术
仓库管理是当今企业管理特别是物流管理中非常重要的一个环节,直接体现了规范化管理质量的水平,也体现了企业参与市场竞争的综合能力。为了让仓库的管理工作细致,物资完好,数据准确,发挥仓库在物流中的效应,仓库盘点起到重要作用。仓库盘点能让企业更加清楚地了解物资的库存量,提供经营决策的依据,也能让企业了解仓库及其他方面的管理是否规范,仓库的盘点是检查仓库现场管理的一个有效手段。
传统的仓储基地,从货物的入库、盘点、分拣到出库整个流程都通过excel表格的形式依赖人工来完成,不仅耗时耗力,且在盘点过程中易产生人工统计误差,效率低下。
发明内容
本发明提供一种基于图像处理的仓储盘点方法、系统存储及终端设备,提高仓库盘点效率。
本发明一个实施例提供一种基于图像处理的仓储盘点方法,包括:获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据,用于通过目标检测以实现识别待入库商品;
获取第二拍摄装置处采集的第二图像数据及第三图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据,所述第三图像数据为待入库商品外包装彩色图;
输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离;
根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输;
将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
进一步地,所述一种基于图像处理的仓储盘点方法,还包括:
将所述第一图像数据输入图像识别算法及生成对抗式网络模型,以得到增广数据;
对所述增广数据进行深度神经网络进行训练以得到识别模型。
进一步地,将所述识别模型与所述深度距离检测算法结合,得到识别算法。
进一步地,将所述商品的仓位信息传输至智能导轨,所述智能导轨通过滑轮将所述第二拍摄装置送至所述商品库存处。
进一步地,所述第一拍摄装置处为商品入库处固定位置的第一拍摄装置,所述第二拍摄装置处为商品入库处固定位置的第二拍摄装置,所述第三拍摄装置处为商品库存处固定位置的第二拍摄装置。
本发明另一个实施例提供一种基于图像处理的仓库盘点系统,包括:第一图像数据获取模块,用于获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据,用于通过目标检测以实现识别待入库商品;
第二图像数据获取模块,用于获取第二拍摄装置处采集的第二图像数据及第三图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据,所述第三图像数据为待入库商品外包装彩色图;
像素点距离计算模块,用于输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离;
仓位匹配模块,用于根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输;
商品盘点模块,用于将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
进一步地,所述一种基于图像处理的仓库盘点系统,还包括:
增广数据获取模块,用于将所述第一图像数据输入图像识别算法及生成对抗式网络模型,以得到增广数据;
识别模型获取模块,用于对所述增广数据进行深度神经网络进行训练以得到识别模型。
进一步地,所述一种基于图像处理的仓库盘点系统,还包括:识别算法模块,用于将所述识别模型与所述深度距离检测算法结合,得到识别算法。
进一步地,所述一种基于图像处理的仓库盘点系统,还包括:导航传输模块,用于将所述商品的仓位信息传输至智能导轨,所述智能导轨通过滑轮将所述第二拍摄装置送至所述商品库存处。
本发明另一个实施例提供一种计算机终端设备,包括:一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现所述的一种基于图像处理的仓库盘点方法。
与现有技术相比,本发明实施例的有益效果在于:
本发明实施例公开了一种基于图像处理的仓库盘点方法,包括:获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据,用于通过目标检测以实现识别待入库商品;获取第二拍摄装置处采集的第二图像数据及第三图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据,所述第三图像数据为待入库商品外包装彩色图;输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离;根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输;将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。本发明对于产品更新速度较快或不定期有新品入库的仓储基地,可实现对商品进行快速拍摄与模型训练,并且与仓库管理系统进行对接,满足仓储管理人员短时间内对货物进行盘点和统计,不仅可以减少人力成本,还节省了时间成本,显著提升货物管理效率;本发明运用智能化导轨与深度摄像头技术,可对指定区域或全部区域的货物进行盘点,并计算目标区域仓位的饱和度与空闲的位置,使仓库管理人员及时掌握仓位的利用情况。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种于图像处理的仓储盘点方法的流程图;
图2是本发明另一实施例提供的一种于图像处理的仓储盘点方法的流程图;
图3是本发明某一实施例提供的一种于图像处理的仓储盘点系统的装置;
图4是本发明某一实施例提供的一种于图像处理的仓储盘点系统的装置。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
第一方面。
请参阅图1,本发明实施例提供一种基于图像处理的仓储盘点方法,包括:
S10、获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据,用于通过目标检测以实现识别待入库商品。
随着物流信息技术的发展,射频识别技术、条码技术以及自动化供应链管理设备开始大量应用于仓储基地的盘点工作中,例如应用电子标签的射频识别盘点技术,实现了仓储货物管理的信息化,但对于大型仓储基地或者流动型仓储基地,盘点工作仍然需要耗费大量的人工。人工智能技术在计算机视觉领域的迅速发展,使得计算机可以通过深度神经网络对图片进行建模训练,实现智能化识别,且深度双目摄像头硬件的出现,可支持对三维目标的检测,结合智能导轨的导航技术,实现了对大型仓储基地的智能化盘点方案。在快销行业中,各大快销企业都拥有大型仓储基地。为了掌握货物入库、在库、出库等流动情况,准确地掌握库存数量,以便及时计算销售盈亏,快销企业需要定时对仓库基地进行盘点,且快销行业具有周期短、节奏快的特点,仓库盘点频次明显多于其他行业,以无线射频技术进行盘点的技术方案仍会造成极大的人工浪费。本发明提出的基于图像处理的智能化大型仓储盘点系统,通过智能化导轨与深度摄像头实现了对货物的智能化盘点,大大节省了盘点时间,节约人力资源。
具体地,所述第一拍摄装置处为商品入库处固定位置的第一拍摄装置,所述第一拍摄装置包括两台摄像机,且两台摄像机的拍摄方向形成90度角。
在某一具体实施例中,获取第一拍摄装置处采集的第一图像数据,并进行实时传输至仓储管理系统;通过对拍摄的第一图像数据进行文字识别,并与预存商品的数据库内容对比,若为预存商品数据库中的内容,则对数据库中的内容进行核实处理,若所述商品并未存储至数据库中,则自动添加商品信息进入数据库。
在某一具体实施例中,预存商品为330ml的听装可口可乐,通过第一拍摄装置处采集的第一图像数据,并进行实时传输至仓储管理系统,对第一图像数据进行文字识别,获取商品的品牌名、容量大小、包装形状等信息,判断商品类别。
S20、获取第二拍摄装置处采集的第二图像数据及第三图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据,所述第三图像数据为待入库商品外包装彩色图。
具体地,所述第二拍摄装置处为商品入库处固定位置的第二拍摄装置,所述第二拍摄装置为深度摄像头;深度摄像头使用立体视觉的原理(stereo,MVS)来估计深度,通过深度检测实现准确地检测目标,具体地包括图像分割,识别,跟踪方面的工作。
在某一具体实施例中,通过深度摄像头获取第二拍摄装置处采集的第二图像数据并进行实时传输至仓储管理系统。
S30、输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离。
具体地,将第一图像数据与第二图像数据通过重叠的方式进行对齐,通过基于深度摄像头开发深度距离检测算法得到所述第一图像数据的像素点距离。
在某一具体实施例中,将330ml的听装可口可乐的第一图像数据与第二图像数据进行重叠对齐,并将对齐后的图像数据传输至仓库管理系统,通过基于深度摄像头开发深度距离检测算法得到所述第一图像数据的像素点距离。
S40、根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输。
在某一具体实施例中,根据所述像素点距离,得到330ml听装可口可乐商品体积,并匹配空闲仓位,并将该听装可乐运送至所述空闲仓位处,记录所述商品的仓位信息并进行实时传输至仓储管理系统。
S50、将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
在某一具体实施例中,将听装可乐的第三图像数据输入识别模型,以得到该听装可乐的商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
本发明实施例公开了一种基于图像处理的仓库盘点方法,包括:获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据,用于通过目标检测以实现识别待入库商品;获取第二拍摄装置处采集的第二图像数据及第三图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据,所述第三图像数据为待入库商品外包装彩色图;输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离;根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输;将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。本发明对于产品更新速度较快或不定期有新品入库的仓储基地,可实现对商品进行快速拍摄与模型训练,并且与仓库管理系统进行对接,满足仓储管理人员短时间内对货物进行盘点和统计,不仅可以减少人力成本,还节省了时间成本,显著提升货物管理效率;本发明运用智能化导轨与深度摄像头技术,可对指定区域或全部区域的货物进行盘点,并计算目标区域仓位的饱和度与空闲的位置,使仓库管理人员及时掌握仓位的利用情况。
请参阅图2,本发明实施例提供一种基于图像处理的仓储盘点方法,还包括:
S11、将所述第一图像数据输入图像识别算法及生成对抗式网络模型,以得到增广数据。
S12、对所述增广数据进行深度神经网络进行训练以得到识别模型。
具体地,对采集到的图片,运用传统图像算法与生成对抗式网络技术进行数据增广,采用半监督学习技术打标生成训练集,然后用深度神经网络进行训练,得到识别模型。
第二方面。
请参阅图3,本发明实施例提供一种基于图像处理的仓库盘点系统,包括:第一图像数据获取模块10、第二图像数据获取模块20、像素点距离计算模块30、仓位匹配模块40、商品盘点模块50;其中,
第一图像数据获取模块10,用于获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据。
具体地,所述第一拍摄装置处为商品入库处固定位置的第一拍摄装置,所述第一拍摄装置包括两台摄像机,且两台摄像机的拍摄方向形成90度角。
在某一具体实施例中,获取第一拍摄装置处采集的第一图像数据,并进行实时传输至仓储管理系统;通过对拍摄的第一图像数据进行文字识别,并与预存商品的数据库内容对比,若为预存商品数据库中的内容,则对数据库中的内容进行核实处理,若所述商品并未存储至数据库中,则自动添加商品信息进入数据库。
在某一具体实施例中,预存商品为330ml的听装可口可乐,通过第一拍摄装置处采集的第一图像数据,并进行实时传输至仓储管理系统,对第一图像数据进行文字识别,获取商品的品牌名、容量大小、包装形状等信息,判断商品类别。
第二图像数据获取模块20,用于获取第二拍摄装置处采集的第二图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据。
具体地,所述第二拍摄装置处为商品入库处固定位置的第二拍摄装置,所述第二拍摄装置为深度摄像头;深度摄像头使用立体视觉的原理(stereo,MVS)来估计深度,通过深度检测实现准确地检测目标,具体地包括图像分割,识别,跟踪方面的工作。
在某一具体实施例中,通过深度摄像头获取第二拍摄装置处采集的第二图像数据并进行实时传输至仓储管理系统。
像素点距离计算模块30,用于输入所述第一图像数据及所述第二图像数据,通过深度距离检测算法得到所述第一图像数据的像素点距离。
具体地,将第一图像数据与第二图像数据通过重叠的方式进行对齐,通过基于深度摄像头开发深度距离检测算法得到所述第一图像数据的像素点距离。
在某一具体实施例中,将330ml的听装可口可乐的第一图像数据与第二图像数据进行重叠对齐,并将对齐后的图像数据传输至仓库管理系统,通过基于深度摄像头开发深度距离检测算法得到所述第一图像数据的像素点距离。
仓位匹配模块40,用于根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输。
具体地,将第一图像数据与第二图像数据通过重叠的方式进行对齐,通过基于深度摄像头开发深度距离检测算法得到所述第一图像数据的像素点距离。
在某一具体实施例中,根据所述像素点距离,得到330ml听装可口可乐商品体积,并匹配空闲仓位,并将该听装可乐运送至所述空闲仓位处,记录所述商品的仓位信息并进行实时传输至仓储管理系统。
商品盘点模块50,用于将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
在某一具体实施例中,将听装可乐的第三图像数据输入识别模型,以得到该听装可乐的商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
本发明对于产品更新速度较快或不定期有新品入库的仓储基地,可实现对商品进行快速拍摄与模型训练,并且与仓库管理系统进行对接,满足仓储管理人员短时间内对货物进行盘点和统计,不仅可以减少人力成本,还节省了时间成本,显著提升货物管理效率;本发明运用智能化导轨与深度摄像头技术,可对指定区域或全部区域的货物进行盘点,并计算目标区域仓位的饱和度与空闲的位置,使仓库管理人员及时掌握仓位的利用情况。
请参阅图4,本发明实施例提供一种基于图像处理的仓库盘点系统,还包括:增广数据获取模块60、识别模型获取模块70、识别算法模块80、导航传输模块90;其中,
增广数据获取模块60,用于将所述第一图像数据输入图像识别算法及生成对抗式网络模型,以得到增广数据。
识别模型获取模块70,用于对所述增广数据进行深度神经网络进行训练以得到识别模型。
具体地,对采集到的图片,运用传统图像算法与生成对抗式网络技术进行数据增广,采用半监督学习技术打标生成训练集,然后用深度神经网络进行训练,得到识别模型。
识别算法模块80,用于将所述识别模型与所述深度距离检测算法结合,得到识别算法。
导航传输模块90,用于将所述商品的仓位信息传输至智能导轨,所述智能导轨通过滑轮将所述第二拍摄装置送至所述商品库存处。
以上所述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,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于图像处理的仓库盘点方法,其特征在于,包括:
获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据,用于通过目标检测以实现识别待入库商品;
获取第二拍摄装置处采集的第二图像数据及第三图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据,所述第三图像数据为待入库商品外包装彩色图;
输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离;
根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输;
将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
2.如权利要求1所述的一种基于图像处理的仓库盘点方法,其特征在于,还包括:
将所述第一图像数据输入图像识别算法及生成对抗式网络模型,以得到增广数据;
对所述增广数据进行深度神经网络进行训练以得到识别模型。
3.如权利要求2所述的一种基于图像处理的仓库盘点方法,其特征在于,将所述识别模型与所述深度距离检测算法结合,得到识别算法。
4.如权利要求3所述的一种基于图像处理的仓库盘点方法,其特征在于,将所述商品的仓位信息传输至智能导轨,所述智能导轨通过滑轮将所述第二拍摄装置送至所述商品库存处。
5.如权利要求1所述的一种基于图像处理的仓库盘点方法,其特征在于,所述第一拍摄装置处为商品入库处固定位置的第一拍摄装置,所述第二拍摄装置处为商品入库处固定位置的第二拍摄装置,所述第三拍摄装置处为商品库存处固定位置的第二拍摄装置。
6.一种基于图像处理的仓库盘点系统,其特征在于,包括:
第一图像数据获取模块,用于获取第一拍摄装置处采集的第一图像数据,并进行实时传输;其中,所述第一图像数据为待入库商品外包装图像数据,用于通过目标检测以实现识别待入库商品;
第二图像数据获取模块,用于获取第二拍摄装置处采集的第二图像数据及第三图像数据;其中,所述第二图像数据为待入库商品外包装深度图像数据,所述第三图像数据为待入库商品外包装彩色图;
像素点距离计算模块,用于输入所述第二图像数据及所述第三图像数据,通过深度距离检测算法得到所述第三图像数据的像素点距离;
仓位匹配模块,用于根据所述像素点距离,得到商品体积,并匹配空闲仓位,记录所述商品的仓位信息并进行实时传输;
商品盘点模块,用于将所述第三图像数据输入识别模型,以得到商品类别、数量、仓位饱和度、仓位空闲位置,并进行实时传输。
7.如权利要求6所述的一种基于图像处理的仓库盘点系统,其特征在于,还包括:
增广数据获取模块,用于将所述第一图像数据输入图像识别算法及生成对抗式网络模型,以得到增广数据;
识别模型获取模块,用于对所述增广数据进行深度神经网络进行训练以得到识别模型。
8.如权利要求7所述的一种基于图像处理的仓库盘点系统,其特征在于,还包括:识别算法模块,用于将所述识别模型与所述深度距离检测算法结合,得到识别算法。
9.如权利要求8所述的一种基于图像处理的仓库盘点系统,其特征在于,还包括:导航传输模块,用于将所述商品的仓位信息传输至智能导轨,所述智能导轨通过滑轮将所述第二拍摄装置送至所述商品库存处。
10.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一项所述的一种基于图像处理的仓库盘点方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586323.9A CN111898935A (zh) | 2020-06-24 | 2020-06-24 | 一种基于图像处理的仓储盘点方法、系统存储及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586323.9A CN111898935A (zh) | 2020-06-24 | 2020-06-24 | 一种基于图像处理的仓储盘点方法、系统存储及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898935A true CN111898935A (zh) | 2020-11-06 |
Family
ID=73207037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586323.9A Pending CN111898935A (zh) | 2020-06-24 | 2020-06-24 | 一种基于图像处理的仓储盘点方法、系统存储及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898935A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507820A (zh) * | 2020-11-25 | 2021-03-16 | 北京旷视机器人技术有限公司 | 自动盘点货物的方法、装置、系统和电子设备 |
CN112700587A (zh) * | 2020-12-21 | 2021-04-23 | 湖南中谷科技股份有限公司 | 售货机货品的盘点方法和售货机 |
CN113065492A (zh) * | 2021-04-12 | 2021-07-02 | 北京滴普科技有限公司 | 云边协同自动点货方法、装置、系统及其存储介质 |
CN113362005A (zh) * | 2021-06-21 | 2021-09-07 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于环境感知的无人仓库货品智能盘点方法及系统 |
CN114454181A (zh) * | 2022-04-11 | 2022-05-10 | 广州市开富信息科技有限责任公司 | 一种汽车配件的精确查找方法及系统 |
-
2020
- 2020-06-24 CN CN202010586323.9A patent/CN111898935A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507820A (zh) * | 2020-11-25 | 2021-03-16 | 北京旷视机器人技术有限公司 | 自动盘点货物的方法、装置、系统和电子设备 |
CN112700587A (zh) * | 2020-12-21 | 2021-04-23 | 湖南中谷科技股份有限公司 | 售货机货品的盘点方法和售货机 |
CN113065492A (zh) * | 2021-04-12 | 2021-07-02 | 北京滴普科技有限公司 | 云边协同自动点货方法、装置、系统及其存储介质 |
CN113362005A (zh) * | 2021-06-21 | 2021-09-07 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于环境感知的无人仓库货品智能盘点方法及系统 |
CN114454181A (zh) * | 2022-04-11 | 2022-05-10 | 广州市开富信息科技有限责任公司 | 一种汽车配件的精确查找方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898935A (zh) | 一种基于图像处理的仓储盘点方法、系统存储及终端设备 | |
Shamsuzzoha et al. | Real-time tracking and tracing system: Potentials for the logistics network | |
Decker et al. | Cost-benefit model for smart items in the supply chain | |
CN111105250B (zh) | 溯源装置执行的数据处理方法、溯源装置及系统 | |
CN206075304U (zh) | 一种基于rfid技术的自动追踪快递邮件的系统 | |
Bhatt et al. | Project to develop an interoperable seafood traceability technology architecture: issues brief | |
McCathie | The advantages and disadvantages of barcodes and radio frequency identification in supply chain management | |
CN111882275A (zh) | 一种基于工业标识解析的贸易大数据管理方法及其系统 | |
Elmoselhy | Hybrid lean-agile manufacturing system strategic facet in automotive sector | |
CN111724114A (zh) | 一种基于大数据的电商商品分配物流智能管理系统 | |
CN113506055A (zh) | 物品入库方法及装置 | |
Qiao et al. | Research on vegetable supply chain traceability model based on two-dimensional barcode | |
CN116229469A (zh) | 一种基于ar技术的多目标拣货系统和拣货方法 | |
Thiesse et al. | RFID data sharing in supply chains: What is the value of the EPC network? | |
CN108830833A (zh) | 工件识别项目的在线评估方法、服务器及终端 | |
CN112257644A (zh) | 一种基于云计算的电子商务平台店铺商品库存智能管理系统 | |
CN116911874A (zh) | 一种智能化物流扫码追溯系统及其设备 | |
US10304175B1 (en) | Optimizing material handling tasks | |
Hartley | The use of EPC RFID standards for livestock and meat traceability | |
CN111222941B (zh) | 一种基于大数据的线上采购信息分类系统及手持操作终端 | |
Felix et al. | An RFID Simulation for the Supply Chain Management of the UK Dental Industry | |
CN112182090A (zh) | 一种基于分布式系统的钢铁行业货物属性验证系统 | |
CN108875830A (zh) | 一种基于图像识别的货架商品离线识别方法、系统及装置 | |
Evizal et al. | Traceability Software for the Food Industry | |
Shahin et al. | Robotics multi-modal recognition system via computer-based vision |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |