CN114155424A - 一种仓库货物管理方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明实施例公开了一种仓库货物管理方法、装置、电子设备及可读存储介质。该方法包括：通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；根据至少两张目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；根据叉车的带货状态和进出仓库状态，更新仓库货物的数量信息。该方法可以准确识别叉车的带货状态以及进出仓库状态，进而精准实现仓库货物的数量信息更新，无需人工操作，从而节省人力。

Description

一种仓库货物管理方法、装置、电子设备及可读存储介质

技术领域

本发明实施例涉及机器学习技术领域，尤其涉及一种仓库货物管理方法、装置、电子设备及可读存储介质。

背景技术

叉车是一种工业搬运车辆。具体的，叉车是指对成件托盘货物进行装卸、堆垛或者短距离运输作业的各种轮式搬运车辆。叉车在企业的物流系统中扮演着非常重要的角色，是物料搬运设备中的主力军。叉车广泛应用于车站、港口、机场、工厂、仓库等国民经济中的各个部门。

叉车搬运货物进出入仓库是仓库管理中一个重要环节。对叉车搬运货物进出入仓库进行识别，便于对仓库货物的统计以及安全管理。现有技术中，通常在仓库的门口区域设置一个传感器，通过传感器以及相连的计数系统对叉车搬运货物进行识别。当仓管员提取货物至传感器的感应区域时，传感器对此进行识别并触发计数系统计数，通过计数系统所计数数值的奇偶性判定是出库还是入库。若根据计数系统的判断结果是仓管员已提取物资离开库房，但实际上仓管员却未出库房，会出现误读情况，造成出入库以及货物信息的识别不准确。而通过人工方式进行统计或者纠正的方式，又需要消耗大量的人力，并无法保证人员安全。

发明内容

本发明实施例提供了一种仓库货物管理方法、装置、电子设备及可读存储介质，可以准确识别叉车的带货状态以及进出仓库状态，进而实现仓库货物的精准管理。

第一方面，本发明实施例提供了一种仓库货物管理方法，该方法包括：

通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；

将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；

根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；

根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息。

可选的，通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像，包括：

通过设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取叉车进出仓库的至少两张目标图像；

将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态，包括：

将预设时间段内，设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取的针对同一叉车的目标图像作为一组叉车图像；

在所述叉车图像中，选取至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态。

可选的，在将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态之前，还包括：

预先生成所述叉车带货识别分类模型的正负训练样本集，并根据所述正负训练样本集对预设机器学习模型进行训练，得到所述叉车带货识别分类模型；

其中，所述正负训练样本集中的图像包括叉车带货图像和叉车未带货图像。

可选的，预先生成所述叉车带货识别分类模型的正负训练样本集，包括：

通过至少一个摄像装置获取至少一种叉车型号在至少一种工作状态下的叉车带货图像和叉车未带货图像；

其中，叉车带货图像和叉车未带货图像包括叉车正面和/或侧面图像；所述叉车带货图像包括至少一种货物形态的图像。

可选的，预设机器学习模型，包括：YOLOV5模型。

可选的，根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态，包括：

根据至少两张所述目标图像通过deepsort算法对叉车进行行动轨迹追踪；

根据行动轨迹追踪结果、在仓库门口预设的门线以及基于门线设定的方向坐标线，确定叉车的进出仓库状态。

可选的，根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息，包括：

当叉车的所述带货状态为带货，且所述进出仓库状态为进仓库时，增加对应仓库货物的数量；

当叉车的所述带货状态为带货，且所述进出仓库状态为出仓库时，减少对应仓库货物的数量；

当叉车的所述带货状态为未带货时，保持仓库货物的数量信息不变。

第二方面，本发明实施例还提供了一种仓库货物管理装置，该装置包括：

目标图像获取模块，用于通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；

带货状态确定模块，用于将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；

进出仓库状态确定模块，用于根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；

数量信息更新模块，用于根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息。

第三方面，本发明实施例还提供了一种电子设备，该设备包括：

一个或多个处理器；

存储装置，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本发明任意实施例所述的一种仓库货物管理方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的一种仓库货物管理方法。

本发明实施例的技术方案，通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；根据至少两张目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；根据叉车的带货状态和进出仓库状态，更新仓库货物的数量信息，解决了仓库货物的管理问题，实现了准确识别叉车的带货状态以及进出仓库状态，无需人工操作即可精准对仓库货物数量信息进行更新的效果。

附图说明

图1是本发明实施例一提供的一种仓库货物管理方法的流程图；

图2是本发明实施例一提供的又一种仓库货物管理方法的流程图；

图3是本发明实施例二提供的一种仓库货物管理装置的结构示意图；

图4是本发明实施例三提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的一种仓库货物管理方法的流程图，本实施例可适用于通过叉车对仓库货物进行运输时，进行仓库货物数量更新的情况，该方法可以由仓库货物管理装置来执行，该装置可以通过软件，和/或硬件的方式实现，装置可以集成在电子设备如计算机中，如图1所示，该方法具体包括：

步骤110、通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像。

其中，摄像装置可以是照相机、摄像头或者监控录像设备等可以获取到叉车图像的设备。摄像装置的数量可以是一个或者多个。当摄像装置的数量为1个时，可以将摄像装置设置的仓库的门口位置，无需太多装置即可对叉车的进出仓库状态以及带货状态进行识别，可以节省资源。当摄像装置的数量为多个时，可以将摄像装置设置在仓库不同的位置上，从而实现对叉车的进出仓库状态以及带货状态进行精准识别，提高识别的准确率。目标图像可以是包含叉车的图像。

在本发明实施例的一个可选实施方式中，通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像，包括：通过设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取叉车进出仓库的至少两张目标图像。

在本发明实施例中，摄像装置的数量为多个时，摄像装置的位置可以选取仓库正门位置、仓库内部位置以及仓库外部具有一定倾斜角度的位置等。通过多个位置的目标图像可以精准确定叉车是否进入或者驶出仓库，以及叉车在仓库内移动时是否携带货物。在仓库外部设置摄像装置具有一定的倾斜角度获取目标图像，可以对正门位置的摄像装置获取的目标图像进行辅助判断，从而精准识别叉车是否入库或者出库、叉车是否携带货物、叉车与地面标记的关系以及叉车携带货物时货物的信息等内容。

步骤120、将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态。

其中，预先训练的叉车带货识别分类模型，可以根据目标图像确定叉车上是否携带货物。叉车带货识别分类模型可以是二分类模型。叉车带货识别分类模型可以是预先根据训练样本集训练生成的机器学习模型。

具体的，在本发明实施例的一个可选实施方式中，在将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态之前，还包括：预先生成叉车带货识别分类模型的正负训练样本集，并根据正负训练样本集对预设机器学习模型进行训练，得到叉车带货识别分类模型。

其中，正负训练样本集中的图像包括叉车带货图像和叉车未带货图像。具体的，在本发明实施例中可以获取多种形态下的叉车带货图像和叉车未带货图像。可选的，预先生成叉车带货识别分类模型的正负训练样本集，包括：通过至少一个摄像装置获取至少一种叉车型号在至少一种工作状态下的叉车带货图像和叉车未带货图像；其中，叉车带货图像和叉车未带货图像包括叉车正面和/或侧面图像；叉车带货图像包括至少一种货物形态的图像。

示例性的，不同叉车型号下叉车的形状可能存在不同，为了提高叉车带货识别分类模型识别的准确性，可以预先获取不同形状、不同颜色以及不同大小的叉车图片作为训练样本，实现对叉车带货识别分类模型的训练。不同工作状态下叉车的形状存在差异，为了提高叉车带货识别分类模型识别的准确性，可以预先获取叉车在工作状态以及静止状态的图片作为训练样本，实现对叉车带货识别分类模型的训练。叉车呈现的不同角度，也会影响带货状态的识别准确率，为了提高叉车带货识别分类模型识别的准确性，可以预先获取叉车侧面以及叉车正面等多角度的叉车图像作为训练样本，实现对叉车带货识别分类模型的训练。叉车携带不同形态的货物，也会影响带货状态的识别准确率，为了提高叉车带货识别分类模型识别的准确性，可以预先获取叉车携带多种货物形态的图像作为训练样本，实现对叉车带货识别分类模型的训练。例如，叉车可以携带不同材质、不同大小或者不同形状的货物。具体的，叉车可以携带包装袋、包装桶或者纸箱类的货物。

需要说明的是，通过摄像装置获取叉车带货图像和叉车未带货图像时，摄像装置的数量可以是一个或者多个。摄像装置的位置可以与本发明实施例中获取目标图像时的摄像装置的位置相同或者相似，可以提高近似于真实状态下的叉车带货图像和叉车未带货图像作为训练样本，进而可以提升叉车带货识别分类模型识别的准确性。

在获取到多种类型的叉车带货图像和叉车未带货图像时，可以对图像进行标记，生成叉车带货识别分类模型的正负训练样本集，从而对预设机器学习模型进行训练，得到叉车带货识别分类模型。

其中，在本发明实施例中，预设机器学习模型，包括：YOLOV5模型。通过YOLOV5模型可以实现小物体的检测，从而提高叉车带货状态检测的准确性。

在本发明实施例的一个可选实施方式中，将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态，包括：将预设时间段内，设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取的针对同一叉车的目标图像作为一组叉车图像；在叉车图像中，选取至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态。

其中，为了保证根据识别到的叉车带货状态以及进出仓库状态进行仓库货物数量信息更新时的准确性，可以将预设时间段内的多个摄像装置获取的目标图像作为一组叉车图像。针对于各组叉车图像确定叉车是否携带货物，从而避免多张图像中识别到同一货物的搬出或者搬入时，导致仓库货物数量信息的更新出错。

具体的，预设时间段可以具有多种设定方式。示例性的，预设时间段可以是根据叉车采用固定速度进入仓库或者驶出仓库时，经过仓库内部位置以及仓库外部位置的摄像头之间的时间差值设定的。例如，叉车在17点35分经过仓库外部位置的摄像头，在17点37分经过仓库内部位置。预设时间段可以是2分钟或者比2分钟略长的时间值如3分钟。

为了进一步提高仓库货物数量信息的更新的准确性，可以对叉车的信息进行识别，保证一组叉车图像是针对于同一叉车的。叉车信息的识别可以是对目标图像中的叉车标识的识别。例如，可以通过电子设备读取叉车所具有的电子标签，对叉车图像进行不同叉车下的区分，使一组叉车图像是针对于同一叉车的。

步骤130、根据至少两张目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态。

其中，通过至少两张目标图像，拍摄的时间信息以及图像中叉车的移动位置，可以确定叉车行动轨迹。根据对行动轨迹进行追踪分析，可以得到行动轨迹追踪结果，确定叉车的行动轨迹是进入仓库或者驶出仓库的方向，进而确定叉车的进出仓库状态。

具体的，在本发明实施例的一个可选实施方式中，根据至少两张目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态，包括：根据至少两张目标图像通过deepsort算法对叉车进行行动轨迹追踪；根据行动轨迹追踪结果、在仓库门口预设的门线以及基于门线设定的方向坐标线，确定叉车的进出仓库状态。

其中，为了提高叉车行动轨迹追踪的准确性，本发明实施例中可以采用deepsort算法具体确定叉车的行动轨迹。在使用deepsort算法时，可以设置参考线，确定叉车的进出仓库状态。具体的，可以在仓库门口预设门线，以及相对于门线的方向坐标线，辅助确定叉车的进出仓库状态。其中，相对于门线的方向坐标线可以是入库方向坐标线，或者也可以是出库方向坐标线。当通过deepsort算法确定叉车的行动轨迹是触碰门线，并沿着入库方向坐标线，则可以判断叉车入库；否则，可以判断叉车出库。

步骤140、根据叉车的带货状态和进出仓库状态，更新仓库货物的数量信息。

在本发明实施例中，可以根据叉车的带货状态以及进出仓库状态更新仓库货物的数量信息，无需人工进行统计以及记录，可以提高仓库管理的效率，并节省仓库管理的成本。例如，在叉车是带货状态时，可以根据叉车的进出仓库状态对仓库货物数量进行增加或者减少改动。

具体的，在本发明实施例的一个可选实施方式中，根据叉车的带货状态和进出仓库状态，更新仓库货物的数量信息，包括：当叉车的带货状态为带货，且进出仓库状态为进仓库时，增加对应仓库货物的数量；当叉车的带货状态为带货，且进出仓库状态为出仓库时，减少对应仓库货物的数量；当叉车的带货状态为未带货时，保持仓库货物的数量信息不变。

其中，为了细化货物的单位，实现更精准的货物数量信息更新，叉车运输的货物上可以标记货物中各类物品的名称以及数量。具体的，可以通过电子标签对货物中各类物品的名称以及数量进行记录。在确定叉车的带货状态为携带货物时，可以通过电子设备读取货物的电子标签，获取各类物品的名称以及数量，并根据叉车的进出仓库状态对物品的数量进行更新。

本实施例的技术方案，通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；根据至少两张目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；根据叉车的带货状态和进出仓库状态，更新仓库货物的数量信息，解决了仓库货物的管理问题，实现了准确识别叉车的带货状态以及进出仓库状态，无需人工操作即可精准对仓库货物数量信息进行更新的效果。

图2是本发明实施例一提供的又一种仓库货物管理方法的流程图，如图2所示，本发明实施例的具体过程可以是：通过摄像装置收集历史叉车带货图像和未带货图像，形成训练样本集，基于YOLOV5模型进行模型训练，生成叉车带货识别分类模型。根据叉车带货识别分类模型对摄像装置实时获取的目标图像进行模型推理，确定叉车的带货状态。同时，对摄像装置实时获取的目标图像基于deepsort算法进行目标追踪，结合仓库出入库的门线以及出入库方向坐标线，进行出入库识别，确定叉车的进出仓库状态。根据叉车的带货状态以及进出仓库状态，确定识别结果为叉车入库带货、入库不带货、出库带货或者出库不带货，进而根据识别结果进行仓库货物的数量信息更新。

实施例二

图3是本发明实施例二提供的一种仓库货物管理装置的结构示意图。结合图3，该装置包括：目标图像获取模块310，带货状态确定模块320，进出仓库状态确定模块330和数量信息更新模块340。其中：

目标图像获取模块310，用于通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；

带货状态确定模块320，用于将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；

进出仓库状态确定模块330，用于根据至少两张目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；

数量信息更新模块340，用于根据叉车的带货状态和进出仓库状态，更新仓库货物的数量信息。

可选的，目标图像获取模块310，包括：

目标图像获取单元，用于通过设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取叉车进出仓库的至少两张目标图像；

带货状态确定模块320，包括：

叉车图像生成单元，用于将预设时间段内，设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取的针对同一叉车的目标图像作为一组叉车图像；

带货状态确定单元，用于在叉车图像中，选取至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态。

可选的，该装置，还包括：

叉车带货识别分类模型训练模块，用于在将至少一张目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态之前，预先生成叉车带货识别分类模型的正负训练样本集，并根据正负训练样本集对预设机器学习模型进行训练，得到叉车带货识别分类模型；

其中，正负训练样本集中的图像包括叉车带货图像和叉车未带货图像。

可选的，叉车带货识别分类模型训练模块，包括：

训练图像获取单元，用于通过至少一个摄像装置获取至少一种叉车型号在至少一种工作状态下的叉车带货图像和叉车未带货图像；

其中，叉车带货图像和叉车未带货图像包括叉车正面和/或侧面图像；叉车带货图像包括至少一种货物形态的图像。

可选的，预设机器学习模型，包括：YOLOV5模型。

可选的，进出仓库状态确定模块330，包括：

行动轨迹追踪单元，用于根据至少两张目标图像通过deepsort算法对叉车进行行动轨迹追踪；

进出仓库状态确定单元，用于根据行动轨迹追踪结果、在仓库门口预设的门线以及基于门线设定的方向坐标线，确定叉车的进出仓库状态。

可选的，数量信息更新模块340，包括：

数量增加单元，用于当叉车的带货状态为带货，且进出仓库状态为进仓库时，增加对应仓库货物的数量；

数量减少单元，用于当叉车的带货状态为带货，且进出仓库状态为出仓库时，减少对应仓库货物的数量；

数量信息维持单元，用于当叉车的带货状态为未带货时，保持仓库货物的数量信息不变。

本发明实施例所提供的仓库货物管理装置可执行本发明任意实施例所提供的仓库货物管理方法，具备执行方法相应的功能模块和有益效果。

实施例三

图4是本发明实施例三提供的一种电子设备的结构示意图，如图4所示，该设备包括：

一个或多个处理器410，图4中以一个处理器410为例；

存储器420；

所述设备还可以包括：输入装置430和输出装置440。

所述设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器420作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种仓库货物管理方法对应的程序指令/模块(例如，附图3所示的目标图像获取模块310，带货状态确定模块320，进出仓库状态确定模块330和数量信息更新模块340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例的一种仓库货物管理方法，即：

通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；

将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；

根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；

根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息。

存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。

实施例四

本发明实施例四提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的一种仓库货物管理方法：

通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；

将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；

根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；

根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种仓库货物管理方法，其特征在于，所述方法包括：

通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；

将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；

根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；

根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息。

2.根据权利要求1所述的方法，其特征在于，通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像，包括：

通过设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取叉车进出仓库的至少两张目标图像；

将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态，包括：

将预设时间段内，设置于仓库正门位置、仓库内部位置以及仓库外部位置倾斜预设角度的摄像装置获取的针对同一叉车的目标图像作为一组叉车图像；

在所述叉车图像中，选取至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态。

3.根据权利要求1所述的方法，其特征在于，在将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态之前，还包括：

预先生成所述叉车带货识别分类模型的正负训练样本集，并根据所述正负训练样本集对预设机器学习模型进行训练，得到所述叉车带货识别分类模型；

其中，所述正负训练样本集中的图像包括叉车带货图像和叉车未带货图像。

4.根据权利要求3所述的方法，其特征在于，预先生成所述叉车带货识别分类模型的正负训练样本集，包括：

通过至少一个摄像装置获取至少一种叉车型号在至少一种工作状态下的叉车带货图像和叉车未带货图像；

其中，叉车带货图像和叉车未带货图像包括叉车正面和/或侧面图像；所述叉车带货图像包括至少一种货物形态的图像。

5.根据权利要求3所述的方法，其特征在于，预设机器学习模型，包括：YOLOV5模型。

6.根据权利要求1-5任一项所述的方法，其特征在于，根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态，包括：

根据至少两张所述目标图像通过deepsort算法对叉车进行行动轨迹追踪；

根据行动轨迹追踪结果、在仓库门口预设的门线以及基于门线设定的方向坐标线，确定叉车的进出仓库状态。

7.根据权利要求1所述的方法，其特征在于，根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息，包括：

当叉车的所述带货状态为带货，且所述进出仓库状态为进仓库时，增加对应仓库货物的数量；

当叉车的所述带货状态为带货，且所述进出仓库状态为出仓库时，减少对应仓库货物的数量；

当叉车的所述带货状态为未带货时，保持仓库货物的数量信息不变。

8.一种仓库货物管理装置，其特征在于，包括：

目标图像获取模块，用于通过至少一个摄像装置获取叉车进出仓库的至少两张目标图像；

带货状态确定模块，用于将至少一张所述目标图像输入至预先训练的叉车带货识别分类模型中，得到叉车的带货状态；

进出仓库状态确定模块，用于根据至少两张所述目标图像对叉车进行行动轨迹追踪，并根据行动轨迹追踪结果确定叉车的进出仓库状态；

数量信息更新模块，用于根据叉车的所述带货状态和所述进出仓库状态，更新仓库货物的数量信息。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，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1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。

Images