CN113962231B - 包装箱信息码光学识别比对方法及系统 - Google Patents
包装箱信息码光学识别比对方法及系统 Download PDFInfo
- Publication number
- CN113962231B CN113962231B CN202111190765.2A CN202111190765A CN113962231B CN 113962231 B CN113962231 B CN 113962231B CN 202111190765 A CN202111190765 A CN 202111190765A CN 113962231 B CN113962231 B CN 113962231B
- Authority
- CN
- China
- Prior art keywords
- information
- unit module
- central control
- control unit
- layer
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 50
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012856 packing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000000644 propagated effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
- G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
- G06K7/10861—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices sensing of data fields affixed to objects or articles, e.g. coded labels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Abstract
本发明提供一种包装箱信息码光学识别比对方法和系统，光电开关触发器开启光学读码器；光学读码器对信息码进行读取识别；云存储单元模块进行云存储；中央控制单元模块对信息解码和比对，构建卷积神经网络模型，分为两个不同的数据集训练及自适应，经过训练后，对后续输入的包装箱上的信息码进行比对；若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；声光报警器发出报警提示。本发明通过构建具有Softmax层的卷积神经网络模型后，再经过两个训练集的数据自适应和分离，提高了计算并行度，在更少参数、更低计算量的前提下提高了识别精度；采用对卷积神经网络分类概率进行后处理的方式，有效提高了模型的识别精度。
Description
技术领域
本发明属于包装箱技术领域，具体涉及包装箱信息码光学识别比对方法及系统。
背景技术
随着计算机技术与工业智能化技术的快速发展，运用图像处理识别算法结合计算机系统软件进行图像信息采集与物品分类方式逐步应用于企业生产。现有技术中，有的技术为整车供应链的发动机追溯系统中利用电子标签、RFID无线射频技术和物联网技术，解决了在物流、仓库货物存储、整车加工组装、发运，等流程中相关包装箱信息的收集、处理、追溯和交互的问题。目前现有技术中，对质量追溯系统的研究重点集中在条形码图片的图像处理与识别算法等方面的研究。有的采用了滤波算法、分数阶导数等图像处理技术，进行了指纹图像增强与信息过滤来去除图像污渍噪声，加强对图像的关键信息(特征值)提取，快速识别图像。质量追溯系统中的条码图像识别技术的研究是以包装箱包装、打包为背景，结合计算机编程技术，图像模式识别算法实现条码信息的快速识别。其技术优势在于：用客户端对包装箱信息进行集中处理，减少包装打包信息核对步骤。
条形码技术如今在物流、仓储、生产等领域中广泛应用，对其在各种复杂场景下的准确识别对管理和控制具有重要的意义。目前条码识别仍然以传统的光学图像处理方法为主，在使用时，条码将被红外线或者可见光源进行照射，深色部分将吸收光源，而空白部分将反射回扫描器。在扫描器使用数字算法将此信号转化为电子脉冲信号后再转化为二进制信号，容易受到如印刷质量、扫描距离、光照变化等因素的影响。这是因为算法在识别条码时并没有将整个条码看作是一个整体，而是对单个条码单独进行识别，然后串起来加以验证，从而导致拒识率较高、准确率不足等问题，需要付出额外的人力进行补偿干预。
发明内容
本发明针对上述缺陷，提供******。
本发明提供如下技术方案：包装箱信息码光学识别比对方法，包括以下步骤：
S1：光电开关触发器向光学读码器发送信息，开启所述光学读码器；
S2：所述光学读码器对n个包装箱上的信息码进行读取识别，并将识别到的信息上传至云存储单元模块和中央控制单元模块中；
S3：所述云存储单元模块对n个包装箱上的信息码所包含的信息进行云存储；所述中央控制单元模块对n个包装箱上的所述信息码所包含的信息解码和比对，所述中央控制单元模块利用采集到的信息构建卷积神经网络模型，分为两个不同的数据集进行训练，对每个训练网络中的提取潜在变量进行自适应，经过n个输入信号的训练后，所述中央控制单元模块对后续输入的包装箱上的信息码进行比对；
若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
S4：所述声光报警器发出不同颜色的警报光和不同音量的报警提示音组合。
进一步地，所述卷积神经网络包括输入层、卷积层、输出层、softmax层和池化层，将每个信息码的信息作为输入层的输入信号，j＝1,2,..,n；每个信息码的信息组成信息码的信息集合x，
Softmax层对n个输入信号构建N维向量计算模型，并采用Dropout算法对输入的n个输入信号的保留概率进行设定，防止过拟合现象发生；
其中，为所述Softmax层的第i层，i＝1，2，...，L。
进一步地，所述信息码所包含的信息包括物流信息、生产日期和生产厂家信息中的一种或多种。
进一步地，所述S3步骤中Softmax层构建的N维向量计算模型c如下：
其中，j＝1，2，...，N，b＝1，2，...，N。
进一步地，为了优化所述卷积神经网络模型的训练性能，所述中央控制单元模块构建具有校正线性单元ReLU激活算法：ReLU：→f(x)＝max(。
进一步地，所述S3步骤中的所述两个数据集为：
第一个数据集为将第L-1层的Softmax层中的n个神经元作为n个总输入信号的潜在变量，采用k-均值算法聚类为k个的目标函数集C，C＝{C1，C2，...，q＝1，2，...，k；
第二个数据集为将通过聚类在所述第一数据集上训练的结果计算出k个质心，并对每个k个质心的图像执行k-最近邻自适应方法，生成一组图像集合S＝{S1，S2，...，将生成的所述图像集合S向前传播至所述第一数据集，以获得一组新的质心Z＝{Z1，Z2，...，其中所述图像集合被视为先前通过所述第一数据集表示的聚类获得的k质心的近似值。
进一步地，所述两个数据集中的所述第一个数据集：聚类为k个的目标函数集C的公式为：
通过聚类为k个的目标函数集C计算以在聚类L2范数内最小化，其中，为对应第m个目标函数集C中的元素的信息码的信息集合x的误差项。
进一步地，所述中央控制单元模块还构建加权交叉熵作为损失模型L(，避免两个数据集中的代表性不足的层的计算不平衡现象发生，所述损失模型
L(为：
其中，为的估计量，是为所有类别J的第j个计算的权重系数，J为Softmax层对n个输入信号构建N维向量计算模型组成的集合的类别的个数。
进一步地，其中的计算公式如下：
其中，为Softmax层对n个输入信号构建N维向量计算模型，{Np}p为由p个类别的Softmax层对n个输入信号构建N维向量计算模型组成的集合，p为第p个类别，p＝1，2，...，J；J为类别p的个数。
本发明还提供采用上述方法的包装箱信息码光学识别比对系统，包括光电开关触发器、光学读码器、云存储单元模块、中央控制单元模块和声光报警器；
所述光电开关触发器，用于控制所述光学读码器的开启；
所述光学读码器，用于读取包装箱上的信息码上的信息；
所述云存储单元模块，用于存储所述光学读码器读取到的信息；
所述中央控制单元模块，用于将n个包装箱上的所述信息码所包含的信息解码和比对，并进行训练分析后对后续输入的包装箱上的信息码进行比对，若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
所述声光报警器，用于根据所述中央控制单元模块发送的指令发出不同颜色的警报光和不同音量的报警提示音组合。
本发明的有益效果为：
1、本发明提供的包装箱信息码光学识别比对方法，通过构建具有Softmax层的卷积神经网络模型后，再经过两个训练集的数据自适应和分离，提高了计算并行度，在更少参数、更低计算量的前提下提高了识别精度；利用全局优化方法对条码的结构性规则进行建模，采用对卷积神经网络分类概率进行后处理的方式，有效提高了模型的识别精度。
2、本发明提供的包装箱信息码光学识别比对方法及系统中，中央控制单元构建的卷积神经网络模型使用两个不同的数据集进行训练，并针对相同的分类/识别任务，通过使用从每个训练网络中提取的潜在变量进行自适应，这些潜在变量的可视化和分析突出了经过训练的网络的性能差异，这是由于在来自不同分布的数据集上推断出来的。通过关注N最后一个完全连接层L-1的尺寸输出(其中L-1先于Softmax层L，并且N是L-1个神经元的数量)可以观察到，在成功的CNN训练后，潜在变量编码了执行分类所需的所有有价值的信息。通过两个数据集的训练首先使用k-均值算法对卷积神经网络模型提取的表示进行聚类，然后使用k-最近邻自适应方法结合为最终卷积神经网络计算的质心。通过这样做，实现了更好的分离和适应，有效提高了后续中央控制单元对数据信息的比对的准确度。
3、本发明提供的包装箱信息码光学识别比对方法及系统中，中央控制单元模块还构建加权交叉熵作为损失模型L(，避免两个数据集中的代表性不足的层的计算不平衡现象发生进一步将全局优化方法以损失函数的形式接入网络进行端到端学习，更严格的约束条件对模型训练起到了整体的促进作用。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1为本发明提供的包装箱信息码光学识别比对方法流程示意图；
图2为本发明提供的包装箱信息码光学识别比对系统中中央控制单元模块构建的卷积神经网络示意图。
图3为本发明提供的包装箱信息码光学识别比对系统结构示意图。
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做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。
实施例1
如图1所示，为本实施例提供的包装箱信息码光学识别比对方法，包括以下步骤：
S1：光电开关触发器向光学读码器发送信息，开启光学读码器；
S2：光学读码器对n个包装箱上的信息码进行读取识别，并将识别到的信息上传至云存储单元模块和中央控制单元模块中；
S3：云存储单元模块对n个包装箱上的信息码所包含的信息进行云存储；中央控制单元模块对n个包装箱上的信息码所包含的信息解码和比对，中央控制单元模块利用采集到的信息构建卷积神经网络模型，分为两个不同的数据集进行训练，对每个训练网络中的提取潜在变量进行自适应，经过n个输入信号的训练后，中央控制单元模块对后续输入的包装箱上的信息码进行比对；
若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
S4：声光报警器发出不同颜色的警报光和不同音量的报警提示音组合。
实施例2
如图1所示，为本实施例提供的包装箱信息码光学识别比对方法，包括以下步骤：
S1：光电开关触发器向光学读码器发送信息，开启光学读码器；
S2：光学读码器对n个包装箱上的信息码进行读取识别，并将识别到的信息上传至云存储单元模块和中央控制单元模块中；
S3：云存储单元模块对n个包装箱上的信息码所包含的信息进行云存储；中央控制单元模块对n个包装箱上的信息码所包含的信息解码和比对，中央控制单元模块利用采集到的信息构建卷积神经网络模型，分为两个不同的数据集进行训练，对每个训练网络中的提取潜在变量进行自适应，经过n个输入信号的训练后，中央控制单元模块对后续输入的包装箱上的信息码进行比对；
若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
S4：声光报警器发出不同颜色的警报光和不同音量的报警提示音组合。
如图2所示，卷积神经网络包括输入层、卷积层、输出层、softmax层和池化层，将每个信息码的信息作为输入层的输入信号，j＝1,2,..,n；每个信息码的信息组成信息码的信息集合x，
Softmax层对n个输入信号构建N维向量计算模型，并采用Dropout算法对输入的n个输入信号的保留概率进行设定，防止过拟合现象发生；
其中，为Softmax层的第i层，i＝1,2,…,L。
实施例3
在实施例1或实施例2的基础上，信息码所包含的信息包括物流信息、生产日期和生产厂家信息中的一种或多种。可以进行信息码中的多种信息的提取，在提高光电读码器在不良的光照条件下的图像和光学信息读取信息准确度的同时，可以检测条形码中的物流信息，包括寄件人信息和收件人信息，进而可以进行上传云端进行备份，也可以通过中央控制单元模块进行比对后，与远程计算机中的包装箱所要包装的物品信息进行核对，避免包装错误的现象发生。
也可以通过光学读码器读取条形码所显示出的不同的光学信息中的缺失的日期信息，例如寄件日期的丢失、错误或包装箱所要包装的生产产品的出厂日期错误，并具有显示按日期识别现有使用日期和/或月份的能力。
实施例4
在实施例2的基础上，S3步骤中Softmax层构建的N维向量计算模型c如下：
其中，j＝1，2，...，N，b＝1，2，...，N。
实施例5
在实施例2的基础上，S3步骤中的两个数据集为：
第一个数据集为将第L-1层的Softmax层中的n个神经元作为n个总输入信号的潜在变量，采用k-均值算法聚类为k个的目标函数集C，C＝{C1，C2，...，q＝1，2，...，k；
第二个数据集为将通过聚类在第一数据集上训练的结果计算出k个质心，并对每个k个质心的图像执行k-最近邻自适应方法，生成一组图像集合S＝{S1，S2，...，将生成的图像集合S向前传播至第一数据集，以获得一组新的质心Z＝{Z1，Z2，...，其中图像集合被视为先前通过第一数据集表示的聚类获得的k质心的近似值。
实施例6
在实施例5的基础上，两个数据集中的第一个数据集：聚类为k个的目标函数集C的公式为：
通过聚类为k个的目标函数集C计算以在聚类L2范数内最小化，其中，为对应第m个目标函数集C中的元素的信息码的信息集合x的误差项。
实施例7
本实施例提供的包装箱信息码光学识别比对方法，包括以下步骤：
S1：光电开关触发器向光学读码器发送信息，开启光学读码器；
S2：光学读码器对n个包装箱上的信息码进行读取识别，并将识别到的信息上传至云存储单元模块和中央控制单元模块中；
S3：云存储单元模块对n个包装箱上的信息码所包含的信息进行云存储；中央控制单元模块对n个包装箱上的信息码所包含的信息解码和比对，中央控制单元模块利用采集到的信息构建卷积神经网络模型，分为两个不同的数据集进行训练，对每个训练网络中的提取潜在变量进行自适应，经过n个输入信号的训练后，中央控制单元模块对后续输入的包装箱上的信息码进行比对；如图2所示，卷积神经网络包括输入层、卷积层、输出层、softmax层和池化层，将每个信息码的信息作为输入层的输入信号，j＝1，2，..，n；每个信息码的信息组成信息码的信息集合x，
Softmax层对n个输入信号构建N维向量计算模型，并采用Dropout算法对输入的n个输入信号的保留概率进行设定，防止过拟合现象发生；
其中，为Softmax层的第i层，i＝1，2，...，L。
S3步骤中Softmax层构建的N维向量计算模型c如下：
其中，j＝1，2，...，N，b＝1，2，...，N。
两个数据集为：
第一个数据集为将第L-1层的Softmax层中的n个神经元作为n个总输入信号的潜在变量，采用k-均值算法聚类为k个的目标函数集C，C＝{C1，C2，...，q＝1，2，...，k；
第二个数据集为将通过聚类在第一数据集上训练的结果计算出k个质心，并对每个k个质心的图像执行k-最近邻自适应方法，生成一组图像集合S＝{S1，S2，...，将生成的图像集合S向前传播至第一数据集，以获得一组新的质心Z＝{Z1，Z2，...，其中图像集合被视为先前通过第一数据集表示的聚类获得的k质心的近似值；
中央控制单元模块还构建加权交叉熵作为损失模型L(，避免两个数据集中的代表性不足的层的计算不平衡现象发生，损失模型L(为：
其中，为的估计量，是为所有类别J的第j个计算的权重系数，的计算公式如下：
其中，为Softmax层对n个输入信号构建N维向量计算模型，{Np}p为由p个类别的Softmax层对n个输入信号构建N维向量计算模型组成的集合，p为第p个类别，p＝1，2，...，J；J为类别p的个数；
若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
S4：声光报警器发出不同颜色的警报光和不同音量的报警提示音组合。
实施例7
在实施例1、实施例2或实施例6的基础上，为了优化卷积神经网络模型的训练性能，中央控制单元模块构建具有校正线性单元ReLU激活算法：
ReLU：→f(x)＝max(。
实施例8
如图3所示，本实施例提供采用本发明提供的方法的包装箱信息码光学识别比对系统，包括光电开关触发器、光学读码器、云存储单元模块、中央控制单元模块和声光报警器；
光电开关触发器，用于控制光学读码器的开启；
光学读码器，用于读取包装箱上的信息码上的信息；光电读码器的I/O中包含DataMan 302x读码器+24V供电电源线，公共接地GND，和支持RS232C通信的发送和接收端，也可以用于接收传感器触发信号。读码器上的采集触发输入端为光电隔离型。要从NPN型光电传感器或PLC输出端触发，将Common In连接到+24V并将输入端连接至传感器的输出端；
云存储单元模块，用于存储光学读码器读取到的信息；
中央控制单元模块，用于将n个包装箱上的信息码所包含的信息解码和比对，并进行训练分析后对后续输入的包装箱上的信息码进行比对，若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
声光报警器，用于根据中央控制单元模块发送的指令发出不同颜色的警报光和不同音量的报警提示音组合。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.包装箱信息码光学识别比对方法，其特征在于，包括以下步骤：
S1：光电开关触发器向光学读码器发送信息，开启所述光学读码器；
S2：所述光学读码器对n个包装箱上的信息码进行读取识别，并将识别到的信息上传至云存储单元模块和中央控制单元模块中；
S3：所述云存储单元模块对n个包装箱上的信息码所包含的信息进行云存储；所述中央控制单元模块对n个包装箱上的所述信息码所包含的信息解码和比对，所述中央控制单元模块利用采集到的信息构建卷积神经网络模型，分为两个不同的数据集进行训练，对每个训练网络中的提取潜在变量进行自适应，经过n个输入信号的训练后，所述中央控制单元模块对后续输入的包装箱上的信息码进行比对；
若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
S4：所述声光报警器发出不同颜色的警报光和不同音量的报警提示音组合；
所述S3步骤中的所述两个数据集为：
第一个数据集为将第L-1层的Softmax层中的n个神经元作为n个总输入信号的潜在变量，采用k-均值算法聚类为k个Cq的目标函数集C，C＝{C1，C2，...，Ck}，q＝1，2，...，k；
第二个数据集为将通过聚类在所述第一个数据集上训练的结果计算出k个质心，并对每个k个质心的图像执行k-最近邻自适应方法，生成一组图像集合S＝{S1，S2，...，Sk}，将生成的所述图像集合S向前传播至所述第一个数据集，以获得一组新的质心Z＝{Z1，Z2，...，Zk}，其中所述图像集合S被视为先前通过所述第一个数据集表示的聚类获得的k质心的近似值；
所述两个数据集中的所述第一个数据集：聚类为k个Cq的目标函数集C的公式为：
通过聚类为k个Cq的目标函数集C计算以在聚类L2范数内最小化，其中，μm为对应第m个目标函数集C中的元素Cm的信息码的信息集合x的误差项；
所述卷积神经网络包括输入层、卷积层、输出层、softmax层和池化层，将每个信息码的信息作为输入层的输入信号，j＝1，2，..，n；每个信息码的信息/>组成信息码的信息集合x，/>
Softmax层对n个输入信号构建N维向量计算模型，并采用Dropout算法对输入的n个输入信号的保留概率P(n)进行设定，防止过拟合现象发生；
其中，l[i]为所述Softmax层的第i层，i＝1，2，...，L；
所述S3步骤中Softmax层构建的N维向量计算模型σ(xj)如下：
其中，j＝1，2，...，N，b＝1，2，...，N；
所述中央控制单元模块还构建加权交叉熵作为损失模型避免两个数据集中的代表性不足的层的计算不平衡现象发生，所述损失模型/>为：
其中，为x的估计量，ωj是为所有类别J的第j个计算的权重系数，J为Softmax层对n个输入信号构建N维向量计算模型Nj组成的集合的类别的个数；
其中ωj的计算公式如下：
其中，Nj为Softmax层对n个输入信号构建N维向量计算模型，{Np}p＝[1：J]为由p个类别的Softmax层对n个输入信号构建N维向量计算模型Nj组成的集合，p为第p个类别，p＝1，2，...，J；J为类别p的个数。
2.根据权利要求1所述的包装箱信息码光学识别比对方法，其特征在于，所述信息码所包含的信息包括物流信息、生产日期和生产厂家信息中的一种或多种。
3.根据权利要求1所述的包装箱信息码光学识别比对方法，其特征在于，为了优化所述卷积神经网络模型的训练性能，所述中央控制单元模块构建具有校正线性单元ReLU激活算法：ReLU：→f(x)＝max(0，x)。
4.采用根据权利要求1-3任一所述方法的包装箱信息码光学识别比对系统，其特征在于，包括光电开关触发器、光学读码器、云存储单元模块、中央控制单元模块和声光报警器；
所述光电开关触发器，用于控制所述光学读码器的开启；
所述光学读码器，用于读取包装箱上的信息码上的信息；
所述云存储单元模块，用于存储所述光学读码器读取到的信息；
所述中央控制单元模块，用于将n个包装箱上的所述信息码所包含的信息解码和比对，并进行训练分析后对后续输入的包装箱上的信息码进行比对，若比对的信息码的信息少于实际信息种类，则向声光报警器发送信号；否则继续进行信息比对；
所述声光报警器，用于根据所述中央控制单元模块发送的指令发出不同颜色的警报光和不同音量的报警提示音组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111190765.2A CN113962231B (zh) | 2021-10-13 | 2021-10-13 | 包装箱信息码光学识别比对方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111190765.2A CN113962231B (zh) | 2021-10-13 | 2021-10-13 | 包装箱信息码光学识别比对方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113962231A CN113962231A (zh) | 2022-01-21 |
| CN113962231B true CN113962231B (zh) | 2024-03-26 |
Family
ID=79463733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111190765.2A Active CN113962231B (zh) | 2021-10-13 | 2021-10-13 | 包装箱信息码光学识别比对方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962231B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187899B (zh) * | 2022-12-08 | 2023-09-26 | 深圳数利通数字科技有限公司 | 一种箱码输送对接wms系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260734A (zh) * | 2015-10-10 | 2016-01-20 | 燕山大学 | 一种具有自建模功能的商品油表面激光标码识别方法 |
| CN109003029A (zh) * | 2018-07-20 | 2018-12-14 | 福州大学 | 一种基于深度学习的智能仓库巡检方法及系统 |
| CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
| CN109871726A (zh) * | 2018-12-28 | 2019-06-11 | 南京天创电子技术有限公司 | 一种基于qr码及图像识别的同类仪表示数预警方法 |
| CN110135430A (zh) * | 2019-04-28 | 2019-08-16 | 广东技术师范大学 | 一种基于深度神经网络的铝材模具id自动识别系统 |
| CN110493267A (zh) * | 2019-09-20 | 2019-11-22 | 美茵滋成都品牌管理有限公司 | 一种状态加密可变码的防伪系统及其防伪方法 |
| EP3572986A1 (en) * | 2018-05-23 | 2019-11-27 | Robert Bosch GmbH | Improving the training of artificial intelligence modules for use in vehicles |
| CN110796210A (zh) * | 2018-08-03 | 2020-02-14 | 珠海格力电器股份有限公司 | 一种标签信息的识别方法及装置 |
| CN110874540A (zh) * | 2018-08-31 | 2020-03-10 | 北京意锐新创科技有限公司 | 全角度读取条码的方法和装置 |
| CN111160428A (zh) * | 2019-12-17 | 2020-05-15 | 金陵科技学院 | 基于cnn-svm算法蔬菜自动识别方法 |
| CN111289538A (zh) * | 2020-02-25 | 2020-06-16 | 青岛滨海学院 | 基于机器视觉的pcb板元件检测系统及检测方法 |
| CN112731331A (zh) * | 2021-01-12 | 2021-04-30 | 西安电子科技大学 | 基于信噪比自适应网络的微动目标噪声稳健识别方法 |
| CN112932501A (zh) * | 2021-01-25 | 2021-06-11 | 上海海事大学 | 一种基于一维卷积神经网络自动识别失眠方法 |
| CN113297866A (zh) * | 2021-05-21 | 2021-08-24 | 苏州视印智能系统有限公司 | 基于深度学习及热图技术的工业读码器 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11804112B2 (en) * | 2017-07-12 | 2023-10-31 | Mastercard Asia/Pacific Pte. Ltd. | Mobile device platform for automated visual retail product recognition |
| EP3428834B1 (de) * | 2017-07-12 | 2019-06-12 | Sick AG | Optoelektronischer codeleser und verfahren zum lesen von optischen codes |
| US10769399B2 (en) * | 2018-12-18 | 2020-09-08 | Zebra Technologies Corporation | Method for improper product barcode detection |
| TWI726326B (zh) * | 2019-05-28 | 2021-05-01 | 楊建綱 | 自身防偽的多維條碼產生及驗證方法、裝置、及系統 |
| WO2021014537A1 (ja) * | 2019-07-22 | 2021-01-28 | 楽天株式会社 | 情報処理システム、情報コード生成システム、情報処理方法、及び情報コード生成方法 |
-
2021
- 2021-10-13 CN CN202111190765.2A patent/CN113962231B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260734A (zh) * | 2015-10-10 | 2016-01-20 | 燕山大学 | 一种具有自建模功能的商品油表面激光标码识别方法 |
| EP3572986A1 (en) * | 2018-05-23 | 2019-11-27 | Robert Bosch GmbH | Improving the training of artificial intelligence modules for use in vehicles |
| CN109003029A (zh) * | 2018-07-20 | 2018-12-14 | 福州大学 | 一种基于深度学习的智能仓库巡检方法及系统 |
| CN110796210A (zh) * | 2018-08-03 | 2020-02-14 | 珠海格力电器股份有限公司 | 一种标签信息的识别方法及装置 |
| CN110874540A (zh) * | 2018-08-31 | 2020-03-10 | 北京意锐新创科技有限公司 | 全角度读取条码的方法和装置 |
| CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
| CN109871726A (zh) * | 2018-12-28 | 2019-06-11 | 南京天创电子技术有限公司 | 一种基于qr码及图像识别的同类仪表示数预警方法 |
| CN110135430A (zh) * | 2019-04-28 | 2019-08-16 | 广东技术师范大学 | 一种基于深度神经网络的铝材模具id自动识别系统 |
| CN110493267A (zh) * | 2019-09-20 | 2019-11-22 | 美茵滋成都品牌管理有限公司 | 一种状态加密可变码的防伪系统及其防伪方法 |
| CN111160428A (zh) * | 2019-12-17 | 2020-05-15 | 金陵科技学院 | 基于cnn-svm算法蔬菜自动识别方法 |
| CN111289538A (zh) * | 2020-02-25 | 2020-06-16 | 青岛滨海学院 | 基于机器视觉的pcb板元件检测系统及检测方法 |
| CN112731331A (zh) * | 2021-01-12 | 2021-04-30 | 西安电子科技大学 | 基于信噪比自适应网络的微动目标噪声稳健识别方法 |
| CN112932501A (zh) * | 2021-01-25 | 2021-06-11 | 上海海事大学 | 一种基于一维卷积神经网络自动识别失眠方法 |
| CN113297866A (zh) * | 2021-05-21 | 2021-08-24 | 苏州视印智能系统有限公司 | 基于深度学习及热图技术的工业读码器 |
Non-Patent Citations (7)
| Title |
|---|
| Trimmed categorical cross-entropy for deep learning with label noise;A. Rusiecki;ELECTRONICS LETTERS;第55卷(第6期);第319-320页 * |
| 凹印包装设计的印刷工艺特点研究;黄煜琪 等;现代国企研究;全文 * |
| 基于LVQ神经网络的条形码识别研究;舒大松;;邵阳学院学报(自然科学版)(第05期);第14-20页 * |
| 基于深度学习的FYD 纳米材料图像识别与粒径统计;刘淑慧 等;电子测量技术;第44卷(第10期);全文 * |
| 基于设备画像的机车标签体系构建方法研究;李鑫;交通运输系统工程与信息;第21卷(第2期);全文 * |
| 复杂金属背景下二维条码区域的快速定位;王伟 等;天津大学学报(自然科学与工程技术版)(第06期);全文 * |
| 集成的卷积神经网络在智能冰箱果蔬识别中的应用;李思雯 等;数据采集与处理(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113962231A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416412B (zh) | 一种基于多任务深度学习的物流复合码识别方法 | |
| JP2023156308A (ja) | ネットワーク計算エッジにわたってアプリケーションを連続して操作する、人工知能および深層学習においてメモリで境界された継続学習を可能にするシステムおよび方法 | |
| CN105447473A (zh) | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 | |
| WO2020129066A1 (en) | System and method for classifier training and retrieval from classifier database for large scale product identification | |
| CN113962231B (zh) | 包装箱信息码光学识别比对方法及系统 | |
| Héroux et al. | Classification method study for automatic form class identification | |
| CN113971811B (zh) | 一种基于机器视觉和深度学习的集装箱特征智能识别方法 | |
| CN109034694B (zh) | 基于智能制造的生产原料智能存储方法及系统 | |
| KR101059801B1 (ko) | 자동 물류 시스템 및 그 제어방법 | |
| CN113129284B (zh) | 一种基于5g云边协同的外观检测方法及实现系统 | |
| CN114676769A (zh) | 一种基于视觉Transformer的小样本昆虫图像识别方法 | |
| CN115439754A (zh) | 一种基于时序遥感影像的大范围跨物候区农作物制图方法 | |
| CN116071560A (zh) | 一种基于卷积神经网络的水果识别方法 | |
| WO2020237480A1 (zh) | 基于图像识别的控制方法与装置 | |
| CN113269182A (zh) | 一种基于变体transformer对小区域敏感的目标果实检测方法及系统 | |
| CN114863191B (zh) | 基于区块链的防伪信息识别与传输方法 | |
| JP2020181404A (ja) | 画像分類器、画像分類方法及びコンピュータプログラム | |
| CN114663791A (zh) | 一种非结构化环境下面向剪枝机器人的枝条识别方法 | |
| CN115358261A (zh) | 基于脉冲时间序列误差反向传播的触觉物体识别方法 | |
| CN112435103A (zh) | 一种事后多样性解释的智能推荐方法及系统 | |
| US20230222779A1 (en) | Method of data collection for partially identified consumer packaged goods | |
| CN111428797B (zh) | 一种结合检索与分类的物品种类识别方法及系统 | |
| CN116812427B (zh) | 一种无人库房自动取档与归档控制系统及方法 | |
| US20230325618A1 (en) | Intelligent real-time barcode detection and decode system based on low-cost cameras | |
| CN115758223B (zh) | 一种智能数据噪声筛选方法 |
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 |