CN113283848B - 一种货物入库检测方法、仓储入库系统及存储介质 - Google Patents

一种货物入库检测方法、仓储入库系统及存储介质 Download PDF

Info

Publication number
CN113283848B
CN113283848B CN202110822062.0A CN202110822062A CN113283848B CN 113283848 B CN113283848 B CN 113283848B CN 202110822062 A CN202110822062 A CN 202110822062A CN 113283848 B CN113283848 B CN 113283848B
Authority
CN
China
Prior art keywords
goods
feature
dimensional data
model
warehousing
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
CN202110822062.0A
Other languages
English (en)
Other versions
CN113283848A (zh
Inventor
钱浩
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.)
Hubei Haolan Zhizao Technology Co ltd
Original Assignee
Hubei Haolan Zhizao 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 Hubei Haolan Zhizao Technology Co ltd filed Critical Hubei Haolan Zhizao Technology Co ltd
Priority to CN202110822062.0A priority Critical patent/CN113283848B/zh
Publication of CN113283848A publication Critical patent/CN113283848A/zh
Application granted granted Critical
Publication of CN113283848B publication Critical patent/CN113283848B/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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Economics (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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种货物入库检测方法、仓储入库系统及存储介质，涉及识别仓储出入库货物领域。该方法包括：通过双目相机采集待入库货物的三维数据，对所述三维数据进行预处理，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中。本发明方案使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。

Description

一种货物入库检测方法、仓储入库系统及存储介质
技术领域
本发明涉及识别仓储出入库货物领域，尤其涉及一种货物入库检测方法、仓储入库系统及存储介质。
背景技术
随着电商规模日益扩大和社会的发展进步，对仓储的需求量也日益攀升。不同于普通仓库的码放和需要较多的人力劳动力，智能仓储逐渐以无人化、智能化、高效的特点占据发展新方向。
智能仓储为了尽可能做到无人化、智能化，会对入库的货物会进行智能仓位分配。而合理分配仓储位置和准确入库信息的基础，就是准确录入货物型号信息。使用人力的成本略高，且容易出现误识别事故。而且以智能仓库储藏能力，无法保证入库货物是同型号连续入库，不能简单地批次标记处理。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种货物入库检测方法、仓储入库系统及存储介质。
本发明解决上述技术问题的技术方案如下：
一种货物入库检测方法，包括：
S1，通过双目相机采集待入库货物的三维数据；
S2，对所述三维数据进行预处理；
S3，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号；
S4，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中。
本发明的有益效果是：本方案通过采集待入库货物的三维数据，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中，本发明使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。
进一步地，所述通过训练后的深度卷积模型，识别出所述三维数据的货物型号具体包括：
通过特征提取模块提取预处理后的所述三维数据的左图图像特征和右图图像特征，采用权值共享法对所述左图图像特征和所述右图图像特征进行处理；
通过双目特征融合函数对处理后的所述左图图像特征和所述右图图像特征进行融合；
使用图像特征金字塔对融合后的图像特征进行特征挖掘；
通过分类模块对挖掘后的图像特征进行分类，输出对应的货物型号；
所述深度卷积模型包括: 所述特征提取模块和所述分类模块。
采用上述进一步方案的有益效果是：本方案通过深度卷积模型有效融合双目相机左右相机的数据特征，能够准确分类入库货物的型号。
进一步地，所述分类模块包括：全连接层和sigmoid层。
进一步地，所述使用图像特征金字塔对融合后的图像特征进行特征挖掘具体包括：
通过图像特征金字塔采用下采样和自上而下的连接路径进行特征挖掘，并通过横向连接保留原始特征信息。
采用上述进一步方案的有益效果是：本方案采用下采样和自上而下的连接路径进行特征挖掘，再通过横向连接中加入注意力机制增强有效特征信息。
进一步地，所述双目特征融合函数的公式如下:
Figure 913906DEST_PATH_IMAGE001
，
其中，
Figure 736107DEST_PATH_IMAGE002
为双目特征融合函数；
Figure 781423DEST_PATH_IMAGE003
为所述左图图像特征经所述深度 卷积模型的注意力卷积层后得到的特征向量；
Figure 583157DEST_PATH_IMAGE004
为所述右图图像特征经所述注意力卷积 层后得到的特征向量。
进一步地，还包括：
在深度卷积模型中使用基于交叉熵的损失函数；
采用梯度反向传播更新所述深度卷积模型参数；
通过样本数据对更新后的所述深度卷积模型进行训练，获得训练后的所述深度卷积模型。
采用上述进一步方案的有益效果是：本方案通过基于交叉熵的损失函数，采用梯度反向传播更新所述深度卷积模型参数，再对深度卷积模型进行训练，实现加快货物分类深度卷积模型的训练速度，使其更专注于难识别货物型号的训练。
进一步地，所述损失函数包括：在多分类交叉熵损失的基础上，增加针对样本训练难易度的损失函数为：
Figure 928688DEST_PATH_IMAGE005
，
其中，
Figure 157675DEST_PATH_IMAGE006
是模型输出，
Figure 955866DEST_PATH_IMAGE007
是输入样本对应的标签，
Figure 561291DEST_PATH_IMAGE008
是常规交叉熵损失。
进一步地，所述对所述三维数据进行预处理具体包括：
基于训练后的深度学习的生成对抗网络对所述三维数据进行预处理。
采用上述进一步方案的有益效果是：本方案通过基于训练后的深度学习的生成对抗网络的预处理，实现三维数据的图像降噪和信号增强。
本发明解决上述技术问题的另一种技术方案如下：
一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一方案所述的一种货物入库检测方法。
本发明的有益效果是：本方案通过采集待入库货物的三维数据，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中，本发明使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。
本发明解决上述技术问题的另一种技术方案如下：
一种仓储入库系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，实现如上述任一方案所述的一种货物入库检测方法。
本发明的有益效果是：本方案通过采集待入库货物的三维数据，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中，本发明使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的一种货物入库检测方法的流程示意图；
图2为本发明的其他实施例提供的，采集待入库货物的三维数据的结构示意图；
图3为本发明的其他实施例提供的通过训练后的深度卷积模型识别出三维数据的货物型号的流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明实施例提供的一种货物入库检测方法，包括：
S1，通过双目相机采集待入库货物的三维数据；
在某一实施例中，如图2所示，采集待入库货物的三维数据的结构还可以包括：流水线传送带、红外感知模块、补偿光源和双目相机，电视机、显示器等待入库货物被放在流水线传送带上后，跟随传送带同步运动；当红外感知模块探测到货物完整传送至待检测区域后，触发开始检测信号，传送带停止传送，同时双目相机开始检测货物外型信息的数据。
在某一实施例中，双目相机检测货物外型信息，可以使用结构光光源补偿照射，使用格雷码和相移法对图像编码，由双目视觉相机采集货物的三维数据。在某一实施例中可以通过LenaCV HNY-CV-001定基线USB3.0接口的双目相机，帧率可达30帧/秒。
S2，对三维数据进行预处理；
在某一实施例中，通过对采集的图像进行降噪、信号增强等预处理，预处理操作可以包括：使用基于深度学习的生成对抗网络对双目相机采集的图像去噪和超分辨增强；生成对抗网络包含生成器和鉴别器，在训练阶段，将公共图像去噪训练集的输入样本进行一步下采样为生成器输入样本，输出标签样本保持不变，以训练生成对抗网络的去噪和超分辨增强双任务；在使用阶段，只使用生成器作为图像降噪的处理模块。
在某一实施例中，深度学习的生成对抗网络包含两部分：生成器和鉴别器，在训练阶段，生成器的输入是原始图像，输出是增强后图像；鉴别器输入是增强后图像，输出是判断打分，中间模型的运算过程均属于卷积神经网络。
S3，将预处理后的三维数据通过训练后的深度卷积模型，识别出三维数据对应的货物型号；
在某一实施例中，如图3所示，通过特征提取模块提取预处理后的三维数据的左图图像特征和右图图像特征，采用权值共享法对左图图像特征和右图图像特征进行处理；
在某一实施例中，可以通过用特征提取模块提取预处理后的双目相机左图和右图的图像特征，对左图和右图采用权值共享法进行参数共享，减少模型参数量；特征提取模块由残差结构块组成，在该实施例方案中，可以包括三个残差结构块，每个残差结构块包括两层卷积层、一层归一化层和一层激活层。
通过双目特征融合函数对处理后的左图图像特征和右图图像特征进行融合；
在某一实施例中，可以用双目特征融合模块将左右图特征进行融合，使用融合函 数
Figure 495749DEST_PATH_IMAGE009
确定双目融合后的特征向量；
双目特征融合函数的计算公式为：
Figure 20271DEST_PATH_IMAGE010
，
其中，
Figure 703098DEST_PATH_IMAGE011
和
Figure 971268DEST_PATH_IMAGE012
分别为双目相机左视觉和右视觉数据经注意力卷积层后得到的特 征向量；T表示转置，由于是数学中规定的矩阵运算符，因为需要对矩阵维度进行转置；
Figure 901178DEST_PATH_IMAGE013
是本发明方案的融合函数，类比于f（x），
Figure 596602DEST_PATH_IMAGE014
表示
Figure 244752DEST_PATH_IMAGE015
的二范数值，也是 数学运算符号。
使用图像特征金字塔对融合后的图像特征进行特征挖掘；
在某一实施例中，可以使用图像特征金字塔对双目视觉的特征图进行特征挖掘，采用下采样和自上而下的连接路径挖掘特征，并用横向连接保留原始特征信息，横向连接中加入注意力机制增强有效特征信息；
通过分类模块对挖掘后的图像特征进行分类，输出对应的货物型号；
在某一实施例中，分类模块由全连接层和sigmoid层组成，本实施例中以四层全连接层为例，也可以其他层数的全连接层，分类模块的输出是货物及其型号的独热编码。
S4，根据货物型号获得货物信息条形码，并存储进仓储数据库中。
本方案通过采集待入库货物的三维数据，将预处理后的三维数据通过训练后的深度卷积模型，识别出三维数据对应的货物型号，根据货物型号获得货物信息条形码，并存储进仓储数据库中，本发明使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。
优选地，在上述任意实施例中，通过训练后的深度卷积模型，识别出三维数据的货物型号具体包括：
通过特征提取模块提取预处理后的三维数据的左图图像特征和右图图像特征，采用权值共享法对左图图像特征和右图图像特征进行处理；
通过双目特征融合函数对处理后的左图图像特征和右图图像特征进行融合；
使用图像特征金字塔对融合后的图像特征进行特征挖掘；
通过分类模块对挖掘后的图像特征进行分类，输出对应的货物型号；
深度卷积模型包括: 特征提取模块和分类模块。
本方案通过深度卷积模型有效融合双目相机左右相机的数据特征，能够准确分类入库货物的型号。
优选地，在上述任意实施例中，分类模块包括：全连接层和sigmoid层。
优选地，在上述任意实施例中，使用图像特征金字塔对融合后的图像特征进行特征挖掘具体包括：
通过图像特征金字塔采用下采样和自上而下的连接路径进行特征挖掘，并通过横向连接保留原始特征信息。
本方案采用下采样和自上而下的连接路径进行特征挖掘，再通过横向连接中加入注意力机制增强有效特征信息。
优选地，在上述任意实施例中， 双目特征融合函数的公式如下:
Figure 51034DEST_PATH_IMAGE016
，
其中，
Figure 101030DEST_PATH_IMAGE017
为双目特征融合函数；
Figure 701775DEST_PATH_IMAGE019
为左图图像特征经深度卷积模 型的注意力卷积层后得到的特征向量；
Figure 961855DEST_PATH_IMAGE020
为右图图像特征经注意力卷积层后得到的特征向 量。
优选地，在上述任意实施例中，还包括：
在深度卷积模型中使用基于交叉熵的损失函数；
采用梯度反向传播更新深度卷积模型参数；
通过样本数据对更新后的深度卷积模型进行训练，获得训练后的深度卷积模型。
在某一实施例中，在训练阶段，使用基于交叉熵的损失函数，并用梯度反向传播更新模型参数；使用阶段，直接输出分类结果的独热编码，并转化成对应类别。
其中损失函数，可以是在常规的多分类交叉熵损失的基础上，增加针对样本训练难易度的损失函数为：
Figure 945729DEST_PATH_IMAGE021
，
其中，
Figure 974865DEST_PATH_IMAGE022
是模型输出，
Figure 153037DEST_PATH_IMAGE023
是输入样本对应的标签，
Figure 369255DEST_PATH_IMAGE024
是常规交叉熵损失。
本方案通过基于交叉熵的损失函数，采用梯度反向传播更新深度卷积模型参数，再对深度卷积模型进行训练，实现加快货物分类深度卷积模型的训练速度，使其更专注于难识别货物型号的训练。
优选地，在上述任意实施例中，损失函数包括：在多分类交叉熵损失的基础上，增加针对样本训练难易度的损失函数为：
Figure 658285DEST_PATH_IMAGE025
，
其中，
Figure 541927DEST_PATH_IMAGE026
是模型输出，
Figure 891000DEST_PATH_IMAGE023
是输入样本对应的标签，
Figure 860093DEST_PATH_IMAGE027
是常规交叉熵损失。
优选地，在上述任意实施例中，对三维数据进行预处理具体包括：
基于训练后的深度学习的生成对抗网络对三维数据进行预处理。
本方案通过基于训练后的深度学习的生成对抗网络的预处理，实现三维数据的图像降噪和信号增强。
在某一实施例中，一种存储介质，存储介质中存储有指令，当计算机读取指令时，使计算机执行如上述任一实施例的一种货物入库检测方法。
在某一实施例中，一种仓储入库系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序，实现如上述任一实施例的一种货物入库检测方法。
本方案通过采集待入库货物的三维数据，将预处理后的三维数据通过训练后的深度卷积模型，识别出三维数据对应的货物型号，根据货物型号获得货物信息条形码，并存储进仓储数据库中，本发明使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种货物入库检测方法，其特征在于，包括：
S1，通过双目相机采集待入库货物的三维数据；
S2，对所述三维数据进行预处理；
S3，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号；
S4，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中；
其中，所述通过训练后的深度卷积模型，识别出所述三维数据的货物型号具体包括：
通过特征提取模块提取预处理后的所述三维数据的左图图像特征和右图图像特征，采用权值共享法对所述左图图像特征和所述右图图像特征进行处理；
通过双目特征融合函数对处理后的所述左图图像特征和所述右图图像特征进行融合；
使用图像特征金字塔对融合后的图像特征进行特征挖掘；
通过分类模块对挖掘后的图像特征进行分类，输出对应的货物型号；
所述深度卷积模型包括: 所述特征提取模块和所述分类模块。
2.根据权利要求1所述的一种货物入库检测方法，其特征在于，还包括：
所述分类模块包括：全连接层和sigmoid层。
3.根据权利要求1或2所述的一种货物入库检测方法，其特征在于，所述使用图像特征金字塔对融合后的图像特征进行特征挖掘具体包括：
通过图像特征金字塔采用下采样和自上而下的连接路径进行特征挖掘，并通过横向连接保留原始特征信息。
4.根据权利要求1或2所述的一种货物入库检测方法，其特征在于，所述双目特征融合函数的公式如下:
Figure 355232DEST_PATH_IMAGE001
其中，
Figure 380957DEST_PATH_IMAGE002
为双目特征融合函数；
Figure 84208DEST_PATH_IMAGE003
为所述左图图像特征经所述深度卷积模型的注意力卷积层后得到的特征向量；
Figure 220791DEST_PATH_IMAGE004
为所述右图图像特征经所述注意力卷积层后得到的特征向量。
5.根据权利要求1所述的一种货物入库检测方法，其特征在于，还包括：
在深度卷积模型中使用基于交叉熵的损失函数；
采用梯度反向传播更新所述深度卷积模型参数；
通过样本数据对更新后的所述深度卷积模型进行训练，获得训练后的所述深度卷积模型。
6.根据权利要求5所述的一种货物入库检测方法，其特征在于，所述损失函数包括：在多分类交叉熵损失的基础上，增加针对样本训练难易度的损失函数为：
Figure DEST_PATH_IMAGE005
其中，
Figure 30616DEST_PATH_IMAGE007
是模型输出，
Figure 460198DEST_PATH_IMAGE009
是输入样本对应的标签，
Figure DEST_PATH_IMAGE011
是常规交叉熵损失。
7.根据权利要求1所述的一种货物入库检测方法，其特征在于，所述对所述三维数据进行预处理具体包括：
基于训练后的深度学习的生成对抗网络对所述三维数据进行预处理。
8.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至7中任一项所述的一种货物入库检测方法。
9.一种仓储入库系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，实现如权利要求1至7中任一项所述的一种货物入库检测方法。
CN202110822062.0A 2021-07-21 2021-07-21 一种货物入库检测方法、仓储入库系统及存储介质 Active CN113283848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110822062.0A CN113283848B (zh) 2021-07-21 2021-07-21 一种货物入库检测方法、仓储入库系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110822062.0A CN113283848B (zh) 2021-07-21 2021-07-21 一种货物入库检测方法、仓储入库系统及存储介质

Publications (2)

Publication Number Publication Date
CN113283848A CN113283848A (zh) 2021-08-20
CN113283848B true CN113283848B (zh) 2021-09-28

Family

ID=77286839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110822062.0A Active CN113283848B (zh) 2021-07-21 2021-07-21 一种货物入库检测方法、仓储入库系统及存储介质

Country Status (1)

Country Link
CN (1) CN113283848B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113769135B (zh) * 2021-09-16 2023-06-02 易外购(厦门)进出口有限公司 一种跨境电商用货品入库管理系统及方法
CN113743390B (zh) * 2021-11-08 2022-02-08 山东莱特光电科技有限公司 针对劳保手套的智能仓储方法和装置
CN116882975B (zh) * 2023-07-17 2024-01-30 新疆亚欧国际物资交易中心有限公司 一种基于分布式计算的仓储服务方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345176A (zh) * 2018-10-10 2019-02-15 深圳蓝胖子机器人有限公司 办公楼无人空港控制方法、装置以及计算机可读存储介质
CN109887019A (zh) * 2019-02-19 2019-06-14 北京市商汤科技开发有限公司 一种双目匹配方法及装置、设备和存储介质
CN110070489A (zh) * 2019-04-30 2019-07-30 中国人民解放军国防科技大学 一种基于视差注意力机制的双目图像超分辨方法
CN111322963A (zh) * 2018-12-17 2020-06-23 中国科学院沈阳自动化研究所 一种基于双目图像处理的零部件动态排列方法
CN111625675A (zh) * 2020-04-12 2020-09-04 南京理工大学 基于注意力机制下特征金字塔的深度哈希图像检索方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992820B (zh) * 2017-11-29 2021-08-03 北京伟景智能科技有限公司 基于双目视觉的货柜自助售货方法
CN109034694B (zh) * 2018-07-12 2021-02-12 广东人励智能工程有限公司 基于智能制造的生产原料智能存储方法及系统
CN109345469B (zh) * 2018-09-07 2021-10-22 苏州大学 一种基于条件生成对抗网络的oct成像中散斑去噪方法
US10839543B2 (en) * 2019-02-26 2020-11-17 Baidu Usa Llc Systems and methods for depth estimation using convolutional spatial propagation networks
CN111160474B (zh) * 2019-12-30 2023-08-29 合肥工业大学 一种基于深度课程学习的图像识别方法
CN111651622B (zh) * 2020-05-29 2023-11-24 云南昆船设计研究院有限公司 一种基于三维成像的建筑用铝模板自动分类系统及其方法
CN111461085B (zh) * 2020-06-01 2022-05-31 青岛大学 一种基于权值共享和上下特征融合的原木检测方法
CN111696148A (zh) * 2020-06-17 2020-09-22 中国科学技术大学 基于卷积神经网络的端到端立体匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345176A (zh) * 2018-10-10 2019-02-15 深圳蓝胖子机器人有限公司 办公楼无人空港控制方法、装置以及计算机可读存储介质
CN111322963A (zh) * 2018-12-17 2020-06-23 中国科学院沈阳自动化研究所 一种基于双目图像处理的零部件动态排列方法
CN109887019A (zh) * 2019-02-19 2019-06-14 北京市商汤科技开发有限公司 一种双目匹配方法及装置、设备和存储介质
CN110070489A (zh) * 2019-04-30 2019-07-30 中国人民解放军国防科技大学 一种基于视差注意力机制的双目图像超分辨方法
CN111625675A (zh) * 2020-04-12 2020-09-04 南京理工大学 基于注意力机制下特征金字塔的深度哈希图像检索方法

Also Published As

Publication number Publication date
CN113283848A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113283848B (zh) 一种货物入库检测方法、仓储入库系统及存储介质
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN107690657B (zh) 根据影像发现商户
CN112926396B (zh) 一种基于双流卷积注意力的动作识别方法
Zhang et al. Toward new retail: A benchmark dataset for smart unmanned vending machines
CN111241989A (zh) 图像识别方法及装置、电子设备
CN109685780B (zh) 一种基于卷积神经网络的零售商品识别方法
CN114067321B (zh) 一种文本检测模型训练方法、装置、设备及存储介质
CN109741551B (zh) 一种商品识别结算方法、装置及系统
CN110020615A (zh) 对图片进行文字提取及内容识别的方法和系统
CN115375781A (zh) 一种数据处理方法及其装置
CN111144238A (zh) 基于Faster R-CNN的物品检测方法及系统
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
Bastian et al. Pedestrian detection using first-and second-order aggregate channel features
Kang et al. ETLi: Efficiently annotated traffic LiDAR dataset using incremental and suggestive annotation
Bodavarapu et al. An optimized convolutional neural network model for wild animals detection using filtering techniques and different opacity levels
CN113487374A (zh) 一种基于5g网络的区块电商平台交易系统
CN112633116A (zh) 一种智能解析pdf图文的方法
Hasan et al. Smoke detection from different environmental conditions using faster r-cnn approach based on deep neural network
CN116664873B (zh) 图像信息处理方法、装置及存储介质
CN110738113A (zh) 一种基于邻近尺度特征滤除与转移的物体检测方法
Greeshma Different Approaches for Semantic Segmentation
CN111680722B (zh) 内容识别方法、装置、设备及可读存储介质
Mukhandi et al. Systematic Sampling of Large-Scale LiDAR Point Clouds for Semantic Segmentation in Forestry Robotics
Tektonidis et al. Monocular depth estimation for vision-based vehicles based on a self-supervised learning method

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