CN112232335A - 对自动化分配和/或分拣寄送物的分配信息和/或分拣信息的确定 - Google Patents

对自动化分配和/或分拣寄送物的分配信息和/或分拣信息的确定 Download PDF

Info

Publication number
CN112232335A
CN112232335A CN202010679804.4A CN202010679804A CN112232335A CN 112232335 A CN112232335 A CN 112232335A CN 202010679804 A CN202010679804 A CN 202010679804A CN 112232335 A CN112232335 A CN 112232335A
Authority
CN
China
Prior art keywords
image
sorting
metadata
information
mailpiece
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
Application number
CN202010679804.4A
Other languages
English (en)
Inventor
贝恩德·哈特曼
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.)
Deutsche Post AG
Original Assignee
Deutsche Post AG
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 Deutsche Post AG filed Critical Deutsche Post AG
Publication of CN112232335A publication Critical patent/CN112232335A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Abstract

尤其公开一种方法，该方法由至少一个装置(1)来执行，其中该方法包括：‑获得(20)图像数据，其中这些图像数据表示寄送物的由图像传感器捕获到的表面的图像(3)；‑至少部分地基于这些图像数据来确定(21)与这些图像数据相关联的元数据，其中这些元数据表示由这些图像数据表示的图像(3)的多个图像特征，其中由这些元数据表示的图像特征中的每个图像特征都是由这些图像数据表示的图像的图像组成部分；并且‑至少部分地基于由这些元数据表示的图像特征来确定(23)用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。

Description

对自动化分配和/或分拣寄送物的分配信息和/或分拣信息的 确定
技术领域
本发明的示例性实施方式涉及与确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息相关联的一种方法、一种装置、一种系统、以及一种计算机程序。
背景技术
在现有技术中已知如下方法，在这些方法中自动识别和分析在寄送物的地址区中所包含的字符，以便能够自动分拣和分配寄送物。当不能或不能完全捕获到在地址区中所包含的字符(例如，由于该地址区部分地被遮盖或者被粘贴到寄送物的拐角周围)或者这些字符例如是阿拉伯字符、西里尔字符、希腊字符或亚洲字符(例如泰文、中文或日文字符)时，通常无法实现自动识别和分析，从而使得在这些情况下必须进行手动分析(例如借助于翻译器)。
发明内容
因此，本发明尤其提出克服现有技术的上述缺点的目的。
根据本发明，公开一种方法，该方法由至少一个装置来执行，其中该方法包括：
-获得图像数据，其中这些图像数据表示寄送物的由图像传感器捕获到的表面的图像，
-至少部分地基于这些图像数据来确定与这些图像数据相关联的元数据，其中这些元数据表示由这些图像数据表示的图像的多个图像特征，其中由这些元数据表示的图像特征中的每个图像特征都是由这些图像数据表示的图像的图像组成部分，并且
-至少部分地基于由这些元数据表示的图像特征来确定用于自动分配和/或分拣寄送物的分配信息和/或分拣信息。
由至少一个装置来执行该方法例如应被理解为：要么由相同的装置(例如在下文中所公开的装置中的一个装置)来执行该方法的所有步骤，要么至少部分地由不同的装置(例如在下文中所公开的装置中的多个装置)来执行该方法的步骤。
根据本发明，公开一种装置，其中该装置包括被配置成用于执行所公开的方法的机构或者该装置包括用于执行所公开的方法的步骤的相应机构。在此，可以由相同的机构执行一个或多个步骤，或者可以由不同的机构执行不同的步骤。所公开的装置的机构可以包括硬件部件和/或软件部件。
该机构例如可以包括至少一个具有计算机程序(例如下文所公开的计算机程序)的程序指令的存储器和至少一个被设计成用于执行来自至少一个存储器的程序指令的处理器。相应地，也应理解为公开了如下装置，该装置包括至少一个处理器和至少一个具有程序指令的存储器，其中该至少一个存储器和这些程序指令被配置成用于与该至少一个处理器一起致使该装置执行和/或控制所公开的方法。
此外，该装置的机构例如可以包括：(例如无线的和/或有线的)通信接口(例如无线的和/或有线的网络适配器)和/或用户接口(例如键盘、鼠标、屏幕、触敏屏幕、扬声器、麦克风、相机等)和/或图像传感器(例如CMOS传感器、CCD传感器或相机)。应理解的是，替代性地或附加地，该装置可以包括另外的机构。
例如，该装置是服务器。这样的服务器例如既可以是物理服务器(即具有硬件部件和/或软件部件的服务器)，也可以是虚拟服务器。在此，虚拟服务器例如应理解为由一个或多个物理服务器(例如所谓的服务器云的多个服务器)的硬件部件和/或软件部件提供的服务器功能。多个物理服务器例如可以共同作用，以提供这样的虚拟服务器的服务器功能。
此外，根据本发明，公开一种系统，该系统包括多个装置，其中这些装置被配置成用于共同执行所公开的方法。这些装置中的一个装置例如是以上所公开的装置中的一个装置(例如服务器)，并且这些装置中的另一个装置例如是自动的分拣装置和/或分配装置。
此外，根据本发明，公开一种计算机程序，其中该计算机程序包含程序指令，这些程序指令被设计成用于在由至少一个处理器执行时致使装置(例如所公开的装置)执行所公开的方法。
所公开的计算机程序例如被包含和/或被存储在计算机可读的存储介质上。计算机可读的存储介质例如应理解为物理的和/或可触摸的存储介质。
所公开的方法、所公开的装置、所公开的系统和所公开的计算机程序例如被用来确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。
下文将(部分示例性地)描述所公开的方法、所公开的装置、所公开的系统和所公开的计算机程序。
寄送物例如是单件包裹、包裹寄送物(例如包裹)和/或信件寄送物(例如信件)。在这样的寄送物的表面上通常存在地址区，在该地址区中包含有标明该寄送物的收件人和/或寄件人的字符。在此，该寄送物的表面应理解为该寄送物、尤其该寄送物的包装物(例如包裹物)的从外部可见的表面。
例如，由至少一个执行所公开的方法的装置获得图像数据，应理解为：这些图像数据被远处的装置(例如藉由无线的或有线的通信连接)接收或者由图像传感器(该图像传感器为执行所公开的方法的装置的一部分)产生。与此相应地，该图像传感器例如可以是至少一个执行该方法的装置的一部分，或者可以是远离该至少一个执行该方法的装置的装置的一部分。
这些图像数据例如以编码的和/或数字的形式(例如作为格栅图像和/或位图)表示寄送物的被该图像传感器捕获到的表面的图像。这些图像数据尤其可以根据标准化的图像数据格式表示寄送物的被图像传感器捕获到的表面的图像。格栅图像和/或位图的标准化图像数据格式的示例是JPEG文件交换格式(JFIF)或标签图像文件格式(TIFF)。JFIF图像数据格式尤其由ITU-T建议书T.871规范，该建议书目前是在https://www.itu.int/rec/T-REC-T.871下可获得的；并且TIFF数据图像格式的规范目前是在6.0版本中在https://www.adobe.io/open/standards/TIFF.html下可获得的。
这些图像数据例如作为对寄送物的表面进行捕获的结果由该图像传感器产生，其方式为使得这些图像数据表示寄送物的被图像传感器捕获到的表面的图像。应理解的是，该图像传感器可以捕获该寄送物的整个表面或表面的一部分。与此相应地，由图像数据表示的图像可以展示寄送物的整个表面或表面的一部分。
至少部分地基于这些图像数据来确定与这些图像数据相关联的元数据。换言之，在确定与这些图像数据相关联的元数据时，将这些图像数据考虑在内。在此，确定与这些图像数据相关联的元数据例如包括：将图像处理方法和/或图像处理算法(例如，如以下详细公开的分割方法和/或分割算法)应用于这些图像数据或由这些图像数据所表示的图像。
在此，这些元数据通过如下方式与图像数据相关联，即，使得这些元数据表示由这些图像数据所表示的图像的多个图像特征。与这些图像数据相关联的元数据可以例如被添加给这些图像数据和/或与这些图像数据一起被存储。应理解的是，这些元数据还可以是与这些图像数据分开的和/或可以与这些图像数据分开存储。
由这些图像数据所表示的图像的图像组成部分例如是在该图像中所包含的每个元素(例如一个或多个像素)和/或节段(例如一组像素)，例如边缘、拐角、区域、醒目位置或图案。图像特征例如应理解为表征由图像数据表示的图像和/或由图像数据表示的图像的(例如预先给定的)图像局部的图像组成部分。例如，这样的图像特征(例如这些图像特征中的每个图像特征)是在该图像中和/或该图像的(例如预先给定的)图像局部中所包含的节段，如边缘、拐角、区域、醒目位置或图案。与此相应地，确定元数据例如包括至少部分地基于图像数据来确定图像特征。例如可以获得这些图像特征作为将分割方法和/或分割算法应用于这些图像数据的结果和/或由这些图像数据表示的图像。这样的分割方法和/或分割算法的示例是针对像素的分割方法(例如阈值方法)、针对边缘的分割方法(例如边缘检测方法，如索伯(Sobel)算子、沙尔(Scharr)算子或拉普拉斯(Laplace)滤波器)、针对区域的分割方法(例如区域生长方法)、基于模型的分割方法(例如霍夫(Hough)变换)、以及针对所检测的醒目位置的检测方法(例如根据SIFT(Scale-Invariant Feature Transform，尺度不变特征变换)算法或SURF(Speeded Up Robust Feature，加速鲁棒特征)算法的检测方法)。应理解的是，本发明并不局限于这些分割方法和/或分割算法。
此外，确定元数据例如包括确定对图像特征的表示。这些元数据表示由图像数据表示的图像的多个图像特征，例如应被理解为：针对这些图像特征中的每个图像特征，这些元数据表示相应的图像特征的相应特性(例如图像组成部分的位置、形状、大小、颜色或取向)或相应的图像特征的相应周围环境的特性。为此目的，针对这些图像特征中的每个图像特征，这些元数据可以以矢量的形式表示相应的表示，该矢量包含和/或描述相应的图像特征的一个或多个特性。例如可以获得这样的矢量作为将方法和/或算法应用于这些图像数据的结果和/或由这些图像数据表示的图像。这样的方法和/或这样的算法的示例是用于描述醒目位置的方法和/或算法，例如SIFT(尺度不变特征变换)算法或SURF(加速鲁棒特征)算法。与此相应地，这些图像特征可以以矢量的形式由元数据表示为SIFT图像特征或SURF图像特征。应理解的是，本发明并不局限于这些方法和/或算法。
随后，至少部分地基于由这些元数据表示的图像特征来确定用于自动分配和/或分拣寄送物的分配信息和/或分拣信息。换言之，在确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息时，将由这些元数据表示的图像特征考虑在内。在此，根据(例如预先给定的)算法和/或数据模型来确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。这样的算法和/或这样的数据模型例如获得由这些元数据所表示的图像特征作为输入参数。该算法和/或该数据模型例如可以预先给定：针对由这些元数据表示的图像特征应确定怎样的分配信息和/或分拣信息。
为此目的，该算法(例如分类器和/或分类方法)和/或该数据模型(例如数据库或人工神经网络)例如可以将针对其他寄送物所确定的分配信息和/或分拣信息、以及这些其他寄送物的表面的图像的图像特征考虑在内。换而言之，该数据模型可基于针对其他寄送物所确定的分配信息和/或分拣信息以及这些其他寄送物的表面的图像的图像特征。尤其数据模型可以不包含涉及以下寄送物的信息，当前针对该寄送物确定用于自动分配和/或分拣该寄送物的分配信息和/或分拣信息。
例如，针对其他寄送物所确定的分配信息和/或分拣信息可以与对这些其他寄送物的表面的图像的图像特征的表示一起被存储在数据库的条目中，从而使得可以对由该数据库表示的图像特征与由元数据表示的图像特征进行比较。
当得出如下比较时，即，某个条目的由数据库表示的图像特征与由元数据表示的图像特征是至少大体上相似的(例如基于相似度和/或预先给定的相似阈值)或者与其相对应，则例如可以提出的是：与对这些图像特征的表示一起存储在该数据库的条目中的分配信息和/或分拣信息被指配给由元数据表示的图像特征，并且被确定为用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。这种比较例如可以根据用于比较图像特征或其表示的比较方法(例如用于以矢量的形式比较图像特征(例如SIFT图像特征或SURF图像特征)的比较方法)来进行，在这些比较方法中，相应的矢量之间的距离(例如欧几里得距离)被用作相似度(即，两个矢量之间的距离越小，由这些矢量表示的图像特征就越相似)。
相应地，只要基于由这些元数据表示的图像特征，就可以确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息，例如作为比较的结果，可以获得与由这些元数据表示的图像特征至少大体上相似的或相对应的、存储在数据库中的图像特征。因为与识别和分析在地址区中所包含的字符无关地确定这些图像特征，所以这个比较结果与是否无法由图像传感器捕获或无法完全由图像传感器捕获在地址区中所包含的字符(例如由于该地址区部分地被遮盖或者被粘贴到寄送物的拐角周围)无关或者与这些字符是否例如是阿拉伯字符、西里尔字符、希腊字符或亚洲字符(例如泰文、中文或日文字符)无关，从而使得克服结合现有技术所描述的上述缺点。
用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息例如被配置成用于通过自动化的分配和/或分拣装置来影响(例如控制)对寄送物的分配和/或分拣，例如以便将该寄送物分拣至应在与该寄送物相同的投递区域中被投递的其他寄送物。该分配信息和/或分拣信息可以例如以文字形式和/或以二维码的形式被提供(例如被打印)在寄送物的表面上。这样的二维码的示例是字母数字码、条形码或QR码。以文字形式提供的示例是预先给定的语言(例如投递区的官方语言)的地址说明。
在本发明的一个示例性实施方式中，这些图像特征中的至少一个图像特征是以下图像组成部分中的至少一个图像组成部分：
-在该图像中所包含的相应区域，
-在该图像中所包含的相应的拐角，
-在该图像中所包含的相应的边缘，
-在该图像中所包含的相应的醒目位置，和/或
-在该图像中所包含的相应的图案。
应理解的是，这些图像特征中的多个或每个图像特征可以是这些图像组成部分中的至少一个图像组成部分。
如上文所公开的，这些图像组成部分中的每个图像组成部分是在该图像中所包含的相应节段，该节段可以作为应用于该图像的分割方法和/或分割算法的结果被获得。
例如，在该图像中所包含的相应的区域、拐角、边缘、醒目位置和/或在该图像中所包含的相应的图案是寄送物的地址区或寄送物的地址区的一部分。例如，在确定元数据时(例如在确定元数据的范畴内确定图像特征时)，仅将寄送物的地址区或为寄送物的地址区的一部分的组成部分考虑在内。应理解的是，替代于寄送物的地址区或除此之外，在确定元数据时(例如在确定元数据的范畴内确定图像特征时)还可以将该图像的其他图像局部考虑在内。
在本发明的一个示例性实施方式中，针对这些图像特征中的至少一个图像特征，这些元数据表示相应的图像特征或其周围环境的以下特性中的至少一个特性：
-相应的图像特征的大小(例如呈面积说明和/或像素数量的形式，它们是图像特征的一部分)，
-相应的图像特征的形状和/或轮廓(例如呈周围环境的长度说明和/或与图像特征相邻的像素数量的形式、和/或呈傅里叶描述符的形式)，
-相应的图像特征的位置，
-相应的图像特征的或者在相应的图像特征的周围环境中的颜色，
-相应的图像特征或其周围环境的取向，
-相应的图像特征的几何质心(Schwerpunkt)，
-相应的图像特征或其周围环境的动量(Momente)(例如质量(例如呈像素的灰度值之和的形式，这些像素是图像特征的一部分)、或者图像特征的质心(例如呈平均质量和/或位置与质量的平均乘积的形式)。
当图像特征例如是寄送物的地址区或寄送物的地址区的一部分时，这些元数据例如可以表示在该地址区中所包含的字符的几何特性和/或拓扑特性，例如：
-字符所使用的面积(例如呈面积说明和/或像素数量的形式)，
-字符的质量(例如呈像素的所有灰度值之和的形式，这些像素是字符的一部分)，
-字符的周围环境(例如呈与这些字符相邻的所有像素的数量的形式)，
-字符的质心(例如呈位置与质量的平均乘积的形式)。
在此，例如假设：所有图案、拐角和/或边缘(它们是该地址区的一部分)与字符相对应，从而使得这些元数据例如表示在该地址区中所包含的所有图案、拐角和/或边缘的几何特性和/或拓扑特性，以便表示在该地址区中所包含的字符的几何特性和/或拓扑特性。
应理解的是，本发明并不局限于所公开的特性，并且附加地或替代性地，这些元数据还可以表示相应的图像特征或其周围环境的其他特性(尤其几何特性和/或拓扑特性)。优选地，这些特性是旋转不变的和/或镜像不变的和/或平移不变的。
应理解的是，针对这些图像特征中的多个或每个图像特征，这些元数据可以表示相应的图像特征或其周围环境的这些特性中的至少一个特性。
与此相应地，确定元数据包括确定相应的图像特征的特性。这样确定相应的图像特征的特性例如在所公开的上述方法和/或算法的范畴内进行，该方法和/或算法用于描述醒目的位置，例如SIFT(尺度不变特征变换)算法或SURF(加速鲁棒特征)算法。与此相应地，这些图像特征可以由元数据表示为SIFT图像特征或SURF图像特征。
在本发明的一个示例性实施方式中，这些元数据以矢量的形式表示一个或多个图像特征。例如，这些元数据表示以相应的矢量的形式表示这些图像特征中的每个图像特征。
如上文所公开的，这样的矢量可以包含和/或描述相应的图像特征的一个或多个特性。例如可以获得这样的矢量作为将方法和/或算法应用于这些图像数据的结果和/或由这些图像数据表示的图像。这样的方法和/或这样的算法的示例是用于描述醒目位置的方法和/或算法，例如SIFT(尺度不变特征变换)算法或SURF(加速鲁棒特征)算法。与此相应地，这些图像特征可以以矢量的形式由元数据表示为SIFT图像特征或SURF图像特征。
此外，在本发明的一个示例性实施方式中，该方法包括：
-以如下方式来提供该分配信息和/或分拣信息，即，使得能够实现和/或促使至少部分地基于该分配信息和/或分拣信息来自动化地分拣和/或分配该寄送物。
当可以由对寄送物进行分配和/或分拣的自动化的分配装置和/或分拣装置来获得(例如捕获和/或接收)分配信息和/或分拣信息时，该分配信息和/或分拣信息例如应被理解为通过如下方式被提供，即，使得能够实现和/或促使至少部分地基于该分配信息和/或分拣信息来自动化地分拣和/或分配寄送物。为此目的，该分配信息和/或分拣信息可以例如以文字形式(例如作为预先给定的语言的地址说明)和/或以二维码的形式被提供(例如被打印)在寄送物的表面上。这样的二维码的示例是字母数字码、条形码或QR码。替代性地或附加地，该分配信息和/或分拣信息可以被发送给自动的分配装置和/或分拣装置。
因此，提供该分配信息和/或分拣信息例如包括：将该分配信息和/或分拣信息打印在该寄送物的表面上，和/或将该分配信息和/或分拣信息发送给远处的装置(例如自动的分配装置和/或分拣装置)。
此外，在本发明的一个示例性实施方式中，该方法包括：
-至少部分地基于该分配信息和/或分拣信息来自动化地分配和/或分拣该寄送物。
例如由自动化的分配装置和/或分拣装置来执行自动化地分配和/或分拣寄送物。
这例如应被理解为：在(例如通过自动化的分配装置和/或分拣装置)自动化地分配和/或分拣寄送物时将分配信息和/或分拣信息考虑在内，从而使得(例如通过自动化的分配装置和/或分拣装置)来影响(例如控制)对寄送物的分配和/或分拣。如上文所公开，用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息例如被配置成用于通过自动化的分配和/或分拣装置来影响(例如控制)对寄送物的分配和/或分拣，例如以便将该寄送物分拣至应在与该寄送物相同的投递区域中被投递的其他寄送物。
此外，在本发明的一个示例性实施方式中，该方法包括：
-提供用来确定用于自动化地分配和/或分拣该寄送物的分配信息和/或分拣信息的数据模型，或者
-访问用来确定用于自动化地分配和/或分拣该寄送物的分配信息和/或分拣信息的数据模型。
在此，提供数据模型例如应被理解为，该数据模型被存储在该至少一个执行该方法的装置的存储器中；并且访问数据模型例如应被理解为，该至少一个执行该方法的装置(例如藉由无线的和/或有线的通信连接)访问由远离该至少一个执行该方法的装置的装置所存储的数据模型。
例如，确定用于自动化地分配和/或分拣该寄送物的分配信息和/或分拣信息是至少部分地基于该数据模型的。换言之，在确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息时可以将该数据模型考虑在内。
例如，该数据模型将用于自动化地分配和/或分拣该寄送物的分配信息和/或分拣信息指配给由这些元数据表示的图像特征。
该数据模型例如是数据库。如上文所公开的，针对其他寄送物所确定的分配信息和/或分拣信息可以与对这些其他寄送物的表面的图像的图像特征的表示一起被存储在数据库的条目中，从而使得可以对由该数据库表示的图像特征与由元数据表示的图像特征进行比较。当得出如下比较时，即，数据库中的某个条目的由数据库表示的图像特征与由元数据表示的图像特征是至少大体上相似的(例如基于相似度和/或预先给定的相似阈值)或者与其相对应，则例如可以提出的是：与对这些图像特征的表示一起存储在该数据库的条目中的分配信息和/或分拣信息被指配给由元数据表示的图像特征，并且被确定为用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。
替代性地或附加地，可以通过机器学习来获得该数据模型。通过机器学习所获得的这样的数据模型的示例是人工神经网络。获得数据模型例如作为根据用于机器学习的算法(例如根据深度学习方法的算法)的学习阶段的结果。在该学习阶段中，该数据模型例如借助于确定其他寄送物的分配信息和/或分拣信息以及这些其他寄送物的表面的图像的图像特征的结果来训练该数据模型。
这样的通过机器学习所获得的数据模型(例如人工神经网络)获得由这些元数据表示的图像特征例如作为输入参数，并且输出由该数据模型指配给这些图像特征的、用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息作为输出参数。
在本发明的一个示例性实施方式中，与识别在由这些图像数据表示的图像中所包含的字符无关地和/或与在由这些图像数据表示的图像中所包含的字符和/或其意义无关地，对这些元数据进行确定。
附图说明
本发明的另外的有利的示例性实施方式可以从本发明的一些示例性实施方式的以下的详细说明中尤其联系附图得出。然而附图只用于说明的目的，但不用于确定本发明的保护范围。这些附图不一定是真实比例的并且仅应示例性地反映本发明的整体理念。尤其，在附图中包含的特征无论如何都不应被看作本发明的必要的组成部分。
在附图中：
图1示出根据本发明的装置的一个示例性实施方式的示意性图示；
图2示出根据本发明的方法的一个示例性实施方式的流程图；
图3a、3b示出根据本发明的一个示例性实施方式的由图像数据表示的图像的示意性图示；
图4示出根据本发明的数据库的一个示例性实施方式的示意性图示；
图5示出存储介质的示例性实施方式。
具体实施方式
图1是根据本发明的装置1的一个示例性实施方式的示意性图示。
装置1示例性地包括处理器10，并且以与该处理器10相连的方式包括作为程序存储器11的第一存储器、作为主存储器12的第二存储器、图像传感器13。此外，装置1可以任选地包括通信接口14。
处理器(例如处理器10)例如应被理解为微处理器、微控制单元、微控制器、数字信号处理器(DSP)、专用集成电路(ASIC)或现场可编程门阵列(FPGA)。应理解的是，装置1还可以包括多个处理器10。
处理器10执行被存储在程序存储器11中的程序指令，并且例如将中间结果等存储在主存储器12中。程序存储器11包含例如计算机程序的程序指令，该计算机程序包括程序指令，当处理器10执行这些被存储在程序存储器11中的程序指令时，这些程序指令致使处理器10执行和/或控制所公开的方法(例如根据在图2中所展示的流程图2的方法)。此外，程序存储器11可以包括在图4中所示的数据库4。
程序存储器11例如还包含装置1的操作系统，该操作系统在装置1启动时至少部分地被加载在主存储器12中并由处理器10执行。尤其，当启动装置1时，操作系统的核心的至少一部分被加载到主存储器12中并由处理器10执行。操作系统的示例是Windows、UNIX、Linux、Android、Apple iOS和/或MAC OS操作系统。操作系统尤其可以实现使用装置1来进行数据处理。该操作系统例如管理操作机构(例如主存储器和程序存储器)、尤其通过编程接口提供基于其他计算机程序的功能、并且控制计算机程序的执行。
程序存储器(例如程序存储器11)例如是非易失性存储器，例如闪存存储器、磁性存储器、EEPROM存储器(可电擦除的、可编程的只读存储器)和/或光学存储器。主存储器(例如主存储器12)例如是易失性存储器或非易失性存储器，尤其是具有随机存取的存储器(RAM)，例如静态RAM存储器(SRAM)、动态RAM存储器(DRAM)、铁电性RAM存储器(FeRAM)和/或磁性RAM存储器(MRAM)。
主存储器12和程序存储器11还可以被设计为一个存储器。替代性地，主存储器12和/或程序存储器11可以各自由多个存储器构成。此外，主存储器12和/或程序存储器11还可以是处理器10的一部分。
图像传感器13例如被配置为用于捕获寄送物的表面并且用于产生图像数据，这些图像数据表示该寄送物的由图像传感器13捕获到的表面的图像(例如图3a所示的图像3)。借助于图像传感器13，装置1可以相应地获得图像数据。这样的图像传感器的示例是CMOS传感器、CCD传感器或相机。
装置1的通信接口14可以是无线的或有线的通信接口。通信接口14例如被配置为用于通过无线的和/或有线的通信连接来与远处的装置进行通信。有线的通信连接优选应理解为藉由有线的通信网络(例如以太网通信网络)进行的通信连接。以太网例如是在IEEE-802.3族的标准中进行规范的。无线通信连接的示例是根据诸如无线局域网(WLAN)或2G/3G/4G/5G等无线通信技术进行的通信连接。WLAN例如是在IEEE-802.11族的标准中进行规范的。2G/3G/4G/5G无线电规范由第三代合作伙伴计划(3GPP)管理和研发并且目前在互联网中尤其在www.3gpp.com下可获得。
借助于通信接口14，装置1可以与远处的装置进行通信，例如这些图像数据被远处的装置接收(即，获得)和/或访问在远处的装置的存储器中所存储的数据库。
装置1的部件10至14例如通过一个或多个总线系统(例如一个或多个串联和/或并联的总线连接)在通信方面和/或操作性地相互连接。
应理解的是，除了部件10至14之外，装置1还可以包括另外的部件，例如用户接口。
图2示出根据本发明的方法的一个实施例的流程图2，下面示例性地阐述该方法的方法步骤20至24。在此假设，由上述结合图1所公开的装置1来执行方法步骤20至24。
在步骤20中，装置1获得图像数据，其中这些图像数据表示寄送物的由图像传感器13捕获到的表面的图像。
例如，图像传感器13捕获该寄送物的表面并且在步骤20中产生表示该寄送物的由图像传感器13捕获到的表面的图像的图像数据。由图像传感器13产生的图像数据可以根据标准化的图像数据格式来表示该寄送物的由图像传感器13捕获到的表面的图像。如上文所公开的，格栅图像和/或位图的标准化图像数据格式的示例是JPEG文件交换格式(JFIF)或标签图像文件格式(TIFF)。
图3a是根据本发明的一个示例性实施方式的由在步骤20中所获得的图像数据表示的图像3的示意性图示。下面假定：图3a展示该寄送物的由图像传感器13在步骤20中所捕获的表面的图像3。图像3尤其包含该寄送物的地址区30。在地址区30中有字符和标志。
在步骤21中，装置1至少部分地基于在步骤20中所获得的图像数据来确定与这些图像数据相关联的元数据。在此，这些元数据表示由图像数据表示的图像3的多个图像特征；并且由这些元数据表示的图像特征中的每个图像特征都是由这些图像数据表示的图像3的图像组成部分。
如上文所公开的，图像特征例如应理解为表征由图像数据表示的图像3和/或由图像数据表示的图像3的(例如预先给定的)图像局部的图像组成部分。例如，这样的图像特征(例如这些图像特征中的每个图像特征)是在该图像中和/或该图像的(例如预先给定的)图像局部中所包含的节段，如边缘、拐角、区域、醒目位置或图案。
与此相应地，在步骤21中确定元数据例如包括至少部分地基于图像数据来确定图像特征。例如可以获得这些图像特征作为将分割方法和/或分割算法应用于这些图像数据的结果和/或由这些图像数据表示的图像。上述示例性地公开的分割方法和/或分割算法是针对像素的分割方法(例如阈值方法)、针对边缘的分割方法(例如边缘检测方法，如索伯算子、沙尔算子或拉普拉斯滤波器)、针对区域的分割方法(例如区域生长方法)、基于模型的分割方法(例如霍夫变换)、以及针对所检测的醒目位置的检测方法(例如根据SIFT(尺度不变特征变换)算法或SURF(加速鲁棒特征)算法的检测方法)。
在图3b中示意性地展示了将这样的分割方法和/或分割算法应用于在步骤20中所获得的图像数据的结果和/或由这些图像数据表示的图像3。图3b展示具有地址区30的图像3的放大的图像局部。例如，在图3b中圈住了作为将分割方法和/或分割算法应用于图像数据和/或由图像数据表示的图像3的结果所获得的图像特征。在图3b中所圈住的图像特征是地址区30的一部分。这例如是这种情况，即，在步骤21中在确定元数据的范畴内在确定图像特征时仅将该寄送物的地址区或为地址区30的一部分的图像组成部分考虑在内，例如其方式为：将该分割方法和/或该分割算法仅应用于在步骤20中所获得的图像数据的表示地址区30的部分、或图像3的表示地址区30的图像局部。在图3b中示例性地圈住的图像特征是图像3的表示地址区30的图像局部的边缘、拐角和其他醒目位置。应理解的是，这些图像特征仅是示例性的，并且完全也可以获得图像3的其他图像特征作为将分割方法和/或分割算法应用于在步骤20中所获得的图像数据的结果和/或由图像数据表示的图像3。
这些元数据表示由图像数据表示的图像3的多个图像特征，例如应被理解为：针对这些图像特征中的每个图像特征，这些元数据表示相应的图像特征的相应特性(例如图像组成部分的位置、形状、大小、颜色或取向)或相应的图像特征的相应周围环境的特性。与此相应地，在步骤21中确定元数据例如包括确定对图像特征或者对这些图像特征中的每个图像特征的表示。
对相应图像特征的这样的表示的示例是包含和/或描述相应的图像特征的一个或多个特性的矢量。例如可以获得这样的矢量作为将方法和/或算法应用于这些图像数据的结果和/或由这些图像数据表示的图像。这样的方法和/或这样的算法的以上所公开的示例是用于描述醒目位置的方法和/或算法，例如SIFT(尺度不变特征变换)算法或SURF(加速鲁棒特征)算法。与此相应地，这些图像特征可以以矢量的形式由元数据表示为SIFT图像特征或SURF图像特征。应理解的是，本发明并不局限于这些方法和/或算法。
下面示例性地假定：在步骤21中所确定的元数据针对图像3的在图3b中所圈住的图像特征中的每个图像特征表示相应的图像特征的相应位置。在此，在图3b中所圈住的图像特征的由元数据表示的位置例如可以是相对的位置，这些位置描述在图3b中所圈住的图像特征相对于彼此的位置。
在任选的步骤22中，装置1提供用来确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息的数据模型。这例如应理解为：该数据模型被存储在装置1的程序存储器11中。
如上文所公开的，这样的数据模型的示例是数据库和/或通过机器学习所获得的人工神经网络。这样的数据库和这样的人工神经网络可以将针对其他寄送物所确定的分配信息和/或分拣信息以及这些其他寄送物的表面的图像的图像特征考虑在内。这些其他寄送物例如可以涉及以前的寄送物，针对这些寄送物以前已经确定了相应的分配信息和/或分拣信息。
图4是根据本发明的数据库4的一个示例性实施方式的示意性图示。数据库4包括两个列40和41、以及两个行42和43。在此，针对以前的寄送物，每一行相应地对应于数据库4的一个条目。针对数据库中的每个条目，列40相应地包含对以前的相应寄送物的表面的图像的图像特征的表示；并且针对数据库中的每个条目，列41相应地包含针对以前的相应寄送物所确定的分拣信息和/或分配信息。
在图4中圈住了在列40中表示的图像特征。应理解的是：这仅是示意性图示，并且可以以其他方式(例如以矢量的形式)由列40中的数据库4来表示图像特征。所圈住的图像特征也仅是示例性的。优选地，列40中的每个条目包含对以前的相应寄送物的表面的图像的图像特征的表示，该表示对应于由步骤21中所确定的元数据表示图像特征的形式。例如以与在步骤21中所确定的元数据相同的方式来确定在列40中所包含的表示。因此，下面示例性地假定：列40中的数据库4针对图4中所圈住的图像特征中的每个图像特征表示相应的图像特征的相应位置。在此，在图4中所圈住的图像特征的由列40中的数据库4表示的位置例如可以是相对的位置，这些位置描述在图4中所圈住的图像特征相对于彼此的位置。
此外，在数据库4的列41中示出分配信息和/或分拣信息，以更好地理解为地址说明。应理解的是，列41中的分配信息和/或分拣信息替代性地例如还可以表示二维码，如字母数字码、条形码或QR码。
数据库4可以具有另外的列和/或行。
在步骤23中，装置1至少部分地基于由元数据表示的图像特征来确定用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。此外，在步骤23中例如至少部分地基于数据库4来进行确定。
例如可以将由在步骤21中所确定的元数据表示的图像特征与针对以前的寄送物由数据库4表示的图像特征进行比较。这种比较例如可以根据用于比较图像特征或其表示的比较方法(例如用于以矢量的形式比较SIFT图像特征或SURF图像特征的比较方法)来进行，在这些比较方法中，相应的矢量之间的距离(例如欧几里得距离)被用作相似度(即，两个矢量之间的距离越小，由这些矢量表示的图像特征就越相似)。当得出如下比较时，即，针对以前的寄送物由数据库4表示的图像特征与由元数据表示的图像特征是至少大体上相似的(例如基于相似度和/或预先给定的相似阈值)或者与其相对应，则例如可以提出的是：与对这些图像特征的表示一起存储在该数据库中的分配信息和/或分拣信息被指配给由元数据表示的图像特征，并且在步骤23中被确定为用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。
在此，如上文公开地假定的：这些元数据和该数据库仅表示图像特征的相应位置。与此相应地，该比较例如可以通过比较位置来实现。在此，在图3b中所圈住的图像特征的位置与在图4中所圈住的图像特征的位置的比较得出：与由行43中的条目表示的图像特征相比，行42中的条目表示的图像特征与由元数据表示的图像特征的偏差较小。与此相应地，例如在行42、列41中的条目中所包含的分配信息和/或分拣信息在步骤23中被确定为用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。
在任选的步骤24中，装置1提供在步骤23中所确定的分配信息和/或分拣信息，即，使得能够实现和/或促使至少部分地基于该分配信息和/或分拣信息来自动化地分拣和/或分配寄送物。如上文所公开的，这例如可以通过将该分配信息和/或分拣信息打印在该寄送物的表面上来实现。
如结合根据图3a和图3b以及图4的图示变得明显的，即使无法在地址区中实现对字符的自动识别和分析，也可以执行这个方法。因此，由于地址区30被粘贴在所展示的寄送物的拐角处，该地址区在图3b中仅部分可见，从而使得不是所有包含于其中的字符都可以被识别和分析。然而，因为具有根据流程图2的步骤的方法在确定分配信息和分拣信息时将图像特征(和未识别的字符)考虑在内，所以根据本发明的方法仍可以确定分配信息和分拣信息(只要这些图像特征例如足以用于与数据库4中所包含的图像特征进行比较)。因此，根据本发明，可以为确定(例如基于数据模型(如人工神经网络和/或数据库)和/或算法(如分类器和/或分类方法))提供呈元数据的形式的附加的结构数据，从而使得可以在元级别和/或图像级别(与文字级别相比)上确定分配信息和分拣信息。在此，不需要阐释或分析在地址区中所包含的字符或翻译这些文字信息(例如从地址区30中的地址说明的语言(在此：英文)翻译成预先给定的语言(例如投递区的官方语言，在此：德文)。这个方法还能够在一种系统中和/或利用一种方法来实现共同处理作为图像特征的各种图像组成部分(如地址区和条形码)。此外，由此可以完全自动地克服语言障碍，如由地址区30中的英文的地址说明以及数据库4中的德文的(即，投递区的官方语言)的分配信息和分拣信息所示。
最后，图5示出存储介质的示例性实施方式，根据本发明的计算机程序的实施例可以被存储在这些存储介质上。存储介质例如可以是磁性的、电的、光学的和/或其他类型的存储介质。该存储介质例如可以是处理器(例如图1所示的装置1的处理器10)的一部分，例如是处理器的(非易失性的或易失性的)程序存储器或其一部分(例如图1所示的装置1的存储器11)。存储介质的实施例是闪存存储器50、SSD硬盘51、磁性硬盘52、存储卡53、记忆棒55(例如USB棒)、CD-ROM或DVD 55或软盘56。
在本说明书中描述的本发明的示例性实施方式还应被理解为以所有彼此组合的方式公开。尤其，对实施方式所包括的特征的描述——只要未明确对立地阐述——在此不应被理解为该特征对于该实施例的功能是必要的或重要的。在本说明书中列出的、在各流程图中的方法步骤的顺序不是强制性的，只要未做另外的说明，那么这些方法步骤的替代性的顺序也是可设想的。这些方法步骤可以以不同的方式方法来实现，因此以软件(通过程序指令)、硬件或这二者的组合实施来实现这些方法步骤都是可设想的。
在专利权利要求中所使用的术语诸如“包括”、“具有”、“包含”、“含有”等不排除其他元件或步骤。表述“至少部分地”既落入“部分地”的情况、也落入“完全地”的情况。表述“和/或”应做如下理解，即，既应公开替代方案、也应公开组合方案，即“A和/或B”意味着“(A)或(B)或者(A和B)”。多个数量的单元、人员等在本说明书的上下文中意味着多个单元、人员等。不定冠词的使用不排除多数。单个设备可以执行在专利权利要求中提到的多个单元或设备的功能。专利权利要求中提供的附图标记不应看作是对所使用的机构和步骤的限制。

Claims (13)

1.一种方法，该方法由至少一个装置(1)来执行，该方法包括：
-获得(20)图像数据，其中这些图像数据表示寄送物的由图像传感器捕获到的表面的图像(3)，
-至少部分地基于这些图像数据来确定(21)与这些图像数据相关联的元数据，其中这些元数据表示由这些图像数据表示的图像(3)的多个图像特征，其中由这些元数据表示的图像特征中的每个图像特征都是由这些图像数据表示的图像的图像组成部分，并且
-至少部分地基于由这些元数据表示的图像特征来确定(23)用于自动化地分配和/或分拣寄送物的分配信息和/或分拣信息。
2.根据权利要求1所述的方法，其中这些图像特征中的至少一个图像特征是以下图像组成部分中的至少一个图像组成部分：
-在该图像(3)中所包含的相应区域，
-在该图像(3)中所包含的相应的拐角，
-在该图像(3)中所包含的相应的边缘，
-在该图像(3)中所包含的相应的醒目位置，和/或
-在该图像(3)中所包含的相应的图案。
3.根据权利要求2所述的方法，其中在该图像(3)中所包含的区域、拐角、边缘、醒目位置和/或在该图像中所包含的图案表示该寄送物的地址区(30)或该寄送物的地址区(30)的一部分。
4.根据权利要求1至3之一所述的方法，其中针对这些图像特征中的至少一个图像特征，这些元数据表示相应的图像特征或其周围环境的以下特性中的至少一个特性：
-相应的图像特征的大小，
-相应的图像特征的形状和/或轮廓，
-相应的图像特征的位置，
-相应的图像特征的或者在相应的图像特征的周围环境中的颜色，
-相应的图像特征或其周围环境的取向，
-相应的图像特征的几何质心，
-相应的图像特征或其周围环境的动量，例如该图像特征的质心的形式。
5.根据权利要求1所述的方法，其中这些元数据以矢量的形式表示这些图像特征中的一个或多个图像特征。
6.根据权利要求1所述的方法，该方法还包括：
-以如下方式来提供(24)该分配信息和/或分拣信息，即，使得能够实现和/或促使至少部分地基于该分配信息和/或分拣信息来自动化地分拣和/或分配该寄送物，和/或
-至少部分地基于该分配信息和/或分拣信息来自动化地分配和/或分拣该寄送物。
7.根据权利要求1所述的方法，该方法还包括：
-提供(22)或访问用来确定用于自动化地分配和/或分拣该寄送物的分配信息和/或分拣信息的数据模型，其中确定用于自动化地分配和/或分拣该寄送物的分配信息和/或分拣信息是至少部分地基于该数据模型的。
8.根据权利要求7所述的方法，其中该数据模型将用于自动化地分配和/或分拣该寄送物的分配信息和/或分拣信息指配给由这些元数据表示的图像特征。
9.根据权利要求7和8之一所述的方法，其中该数据模型是数据库(4)。
10.根据权利要求7所述的方法，其中通过机器学习来获得该数据模型。
11.根据权利要求1所述的方法，其中与识别在由这些图像数据表示的图像(3)中所包含的字符无关地和/或与在由这些图像数据表示的图像(3)中所包含的字符和/或其意义无关地，对这些元数据进行确定。
12.一种计算机程序，该计算机程序包含程序指令，这些程序指令被设计用于在由至少一个处理器(10)执行时致使装置(1)执行根据权利要求1至11之一所述的方法。
13.一种装置(1)，该装置包括：
-被配置用于执行根据权利要求1至11之一所述的方法的机构(10-14)，或者包括用于执行根据权利要求1至11之一所述方法的步骤的相应机构(10-14)。
CN202010679804.4A 2019-07-15 2020-07-15 对自动化分配和/或分拣寄送物的分配信息和/或分拣信息的确定 Pending CN112232335A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019119138.6 2019-07-15
DE102019119138.6A DE102019119138B4 (de) 2019-07-15 2019-07-15 Bestimmen einer Verteil- und/oder Sortierinformation zum automatisierten Verteilen und/oder Sortieren einer Sendung

Publications (1)

Publication Number Publication Date
CN112232335A true CN112232335A (zh) 2021-01-15

Family

ID=71515036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010679804.4A Pending CN112232335A (zh) 2019-07-15 2020-07-15 对自动化分配和/或分拣寄送物的分配信息和/或分拣信息的确定

Country Status (4)

Country Link
US (1) US11645830B2 (zh)
EP (1) EP3767532A1 (zh)
CN (1) CN112232335A (zh)
DE (1) DE102019119138B4 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988666A (zh) * 2021-11-01 2022-01-28 常州天晟紫金自动化设备有限公司 一种有机硅混炼胶智能定量包装方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113894050B (zh) * 2021-09-14 2023-05-23 深圳玩智商科技有限公司 物流件分拣方法、分拣设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1492785A (zh) * 2001-01-18 2004-04-28 读取包裹上的信息并对其解码
US20150168727A1 (en) * 2013-12-17 2015-06-18 Amazon Technologies, Inc. Pointer tracking for eye-level scanners and displays
CN105283884A (zh) * 2013-03-13 2016-01-27 柯法克斯公司 对移动设备捕获的数字图像中的对象进行分类
US20160048536A1 (en) * 2014-08-12 2016-02-18 Paypal, Inc. Image processing and matching
CN206322193U (zh) * 2016-12-27 2017-07-11 中科微至智能制造科技江苏有限公司 快递包裹分拣信息识别系统
CN107999413A (zh) * 2018-01-15 2018-05-08 倪洪雷 一种高速x光快递分拣方法
CN109092696A (zh) * 2018-07-11 2018-12-28 深圳市中科视讯智能系统技术有限公司 分拣系统及分拣方法
CN109190696A (zh) * 2018-08-28 2019-01-11 江苏科技大学苏州理工学院 一种物流包裹分类方法、装置、设备及可读存储介质
CN109919040A (zh) * 2019-02-15 2019-06-21 北京清瞳时代科技有限公司 货物的品规信息识别方法及装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6269171B1 (en) * 1995-04-12 2001-07-31 Lockheed Martin Corporation Method for exploiting correlated mail streams using optical character recognition
FR2812226B1 (fr) * 2000-07-25 2002-12-13 Mannesmann Dematic Postal Automation Sa Procede de traitement d'objets postaux de grande taille dans une installation de tri
JP4507392B2 (ja) * 2000-11-15 2010-07-21 株式会社ニコン 電子カメラ
FR2841673B1 (fr) * 2002-06-26 2004-12-03 Solystic Chronomarquage d'objets postaux par signature d'image et machine de tri associee
US7236151B2 (en) * 2004-01-28 2007-06-26 Kent Displays Incorporated Liquid crystal display
US8144118B2 (en) * 2005-01-21 2012-03-27 Qualcomm Incorporated Motion-based tracking
US7809158B2 (en) * 2005-05-02 2010-10-05 Siemens Industry, Inc. Method and apparatus for detecting doubles in a singulated stream of flat articles
EP2015251B1 (en) * 2006-04-28 2012-01-25 Nikon Corporation Object extracting, object tracking and image synthesizing
DE102006051777B4 (de) * 2006-11-02 2009-04-23 Siemens Ag Vorrichtung und Verfahren zum Identifizieren von Sendungen
US8059366B2 (en) * 2007-07-19 2011-11-15 Headway Technologies, Inc. Perpendicular magnetic recording head with a laminated pole
DE102008008967A1 (de) * 2008-02-13 2009-08-20 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Überwachung des Transports eines Gegenstands
DE102007038186B4 (de) * 2007-08-13 2009-05-14 Siemens Ag Verfahren und Vorrichtung zum Transportieren von Massensendungen
DE102010013220A1 (de) * 2010-03-29 2011-09-29 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum Transportieren eines zu bedruckenden Gegenstands

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1492785A (zh) * 2001-01-18 2004-04-28 读取包裹上的信息并对其解码
CN105283884A (zh) * 2013-03-13 2016-01-27 柯法克斯公司 对移动设备捕获的数字图像中的对象进行分类
US20150168727A1 (en) * 2013-12-17 2015-06-18 Amazon Technologies, Inc. Pointer tracking for eye-level scanners and displays
US20160048536A1 (en) * 2014-08-12 2016-02-18 Paypal, Inc. Image processing and matching
CN206322193U (zh) * 2016-12-27 2017-07-11 中科微至智能制造科技江苏有限公司 快递包裹分拣信息识别系统
CN107999413A (zh) * 2018-01-15 2018-05-08 倪洪雷 一种高速x光快递分拣方法
CN109092696A (zh) * 2018-07-11 2018-12-28 深圳市中科视讯智能系统技术有限公司 分拣系统及分拣方法
CN109190696A (zh) * 2018-08-28 2019-01-11 江苏科技大学苏州理工学院 一种物流包裹分类方法、装置、设备及可读存储介质
CN109919040A (zh) * 2019-02-15 2019-06-21 北京清瞳时代科技有限公司 货物的品规信息识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988666A (zh) * 2021-11-01 2022-01-28 常州天晟紫金自动化设备有限公司 一种有机硅混炼胶智能定量包装方法及系统
CN113988666B (zh) * 2021-11-01 2022-08-09 常州天晟紫金自动化设备有限公司 一种有机硅混炼胶智能定量包装方法及系统

Also Published As

Publication number Publication date
DE102019119138B4 (de) 2022-01-20
US11645830B2 (en) 2023-05-09
DE102019119138A1 (de) 2021-01-21
DE102019119138A9 (de) 2021-04-01
EP3767532A1 (de) 2021-01-20
US20210016324A1 (en) 2021-01-21

Similar Documents

Publication Publication Date Title
US9542752B2 (en) Document image compression method and its application in document authentication
CA3027038C (en) Document field detection and parsing
Shapiro et al. Towards a multinational car license plate recognition system
JP6050223B2 (ja) 画像認識装置、画像認識方法、及び集積回路
US9626555B2 (en) Content-based document image classification
US10467494B2 (en) Method and system for container code recognition
KR102063036B1 (ko) 딥러닝과 문자인식으로 구현한 시각주의 모델 기반의 문서 종류 자동 분류 장치 및 방법
JP6569532B2 (ja) 管理システム、リスト作成装置、リスト作成方法、管理方法及び管理用プログラム
CN106203539B (zh) 识别集装箱箱号的方法和装置
US6532302B2 (en) Multiple size reductions for image segmentation
US20050058350A1 (en) System and method for object identification
CN112232335A (zh) 对自动化分配和/或分拣寄送物的分配信息和/或分拣信息的确定
CN114092938B (zh) 图像的识别处理方法、装置、电子设备及存储介质
CN107403179B (zh) 一种物品包装信息的注册方法及装置
CN109635796B (zh) 调查问卷的识别方法、装置和设备
CN112272838A (zh) 商品确定装置、程序和学习方法
CN114463767A (zh) 信用证识别方法、装置、计算机设备和存储介质
US11386636B2 (en) Image preprocessing for optical character recognition
CN114783042A (zh) 基于多移动目标的人脸识别方法、装置、设备及存储介质
US11928877B2 (en) Systems and methods for automatic context-based annotation
CN113780116A (zh) 发票分类方法、装置、计算机设备和存储介质
Samuel et al. Automatic Text Segmentation and Recognition in Natural Scene Images Using Msocr
CN116311292A (zh) 单据图像信息提取方法、装置、计算机设备和存储介质
Shabana et al. TEXT DETECTION AND RECOGNITION IN NATURAL IMAGES
KN et al. Smart Image Reader in Textile Industry

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