CN114266514A - 一种信息化的仓储智能管理方法和系统 - Google Patents

Abstract

本发明涉及一种信息化的仓储智能管理方法，包括：基于条形码/二维码、RFID或计算机视觉检测仓储产品的产品信息，并将检测出的产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；通过传感器实时监测每个仓储产品的在库存储状态信息，根据在库存储状态信息对仓储产品进行包括盘点和查询在内的仓储管理；所述仓储管理的历史信息支持用户查询和日志信息导出。本发明实现了对于品类多、数量大，统计工作复杂的产品的仓储管理，降低了出入库管理人员的劳动强度，提高了管理效率。

Description

一种信息化的仓储智能管理方法和系统

技术领域

本发明涉及信息化管理技术领域，尤其是一种信息化的仓储智能管理方法和系统。

背景技术

产品的信息化管理，可以向用户全方位地提供传品管理的综合信息，提高产品管理的效率，实现自动化精准管理。

随着对产品管理应用的日益广泛，管理的要求不断提高，对于品类多、数量大，统计工作复杂的产品建立一个满足各级信息需求的信息管理方法和系统，实现信息的规范化管理已成当务之急。

发明内容

鉴于上述的分析，本发明旨在提供一种信息化的仓储智能管理方法和系统；解决对于品类多、数量大，统计工作复杂的产品，信息管理时效性差，管理手段落后等问题。

本发明公开了一种信息化的仓储智能管理方法，包括：

基于条形码/二维码、RFID或计算机视觉检测仓储产品的产品信息，并将检测出的产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；

通过传感器实时监测每个仓储产品的在库存储状态信息，根据在库存储状态信息对仓储产品进行包括盘点和查询在内的仓储管理；

所述仓储管理的历史信息支持用户查询和日志信息导出。

进一步地，对于不包含条形码/二维码、RFID信息的结构体零件产品，采用计算机视觉采集识别结构体零件产品的图像标识，获取包括图像标识的文字和颜色信息在内的产品信息。

进一步地，所述采用计算机视觉采集识别结构体零件产品的图像标识具体包括：

步骤S201、采集结构体零件含有标识信息外侧面的视频图像；

步骤S202、在视频图像中找到标识的位置，分割出含有标识的图像区域；

步骤S203、对图像区域中标识的字符内容和标识的颜色进行识别；

步骤S204、通过识别出的字符内容和颜色来判别结构体零件的产品信息，存入数据库中。

进一步地，在步骤S202中，采用基于CTPN的标识分割方法，对采集到的视频图像中的文字区域进分割；具体包括：

1)通过VGG-16结构进行特征融合，将来自VGG-16的不同阶段、不同尺度的特征图进行融合提取特征谱；

2)采用EAST算法检测细分化文本，采用集成语义分割和单阶段目标检测算法解决由于检测文本的几何信息的先验知难以估计而导致的新能损失问题；

3)使用双向循环神经网络对特征谱同时在水平和竖直两个方向上下文转入文本线构造，分割出视频图像的文字区域。

进一步地，所述步骤S203中采用基于CRNN的标识识别方法，对分割出来的文字区域进行识别；具体包括：

通过训练得到自底向上依次为卷积层、循环层和转录层的CRNN网络模型；

利用训练好的CRNN网络模型对输入的分割出视频图像的文字区域进行识别得到标识的文字信息；

具体的，所述卷积层用于提取输入文字区域图像中的特征序列，原始文字区域图像在输入卷积层前需要将其缩放到相同的高度，卷积层输出的特征序列的每一个特征向量在特征图上按列从左到右生成；卷积层输出的特征序列作为循环层的输入；

循环层由双向循环神经网络组建，用于预测卷积层输出的特征序列中每一帧的标签分布；

转录层用于将循环层输出的每帧预测转换为标签序列，得到视频图像的文字区域中的字符内容。

所述转录层的转录是根据每帧预测找到的具有最高概率的标签序列。

进一步地，所述CRNN网络模型的训练选择TensorFlow深度学习框架进行训练。

进一步地，基于条形码/二维码的产品仓储管理，根据产品的管理目标对产品进行条形码/二维码编码形成产品标签，对库位也进行条形码/二维码编码形成库位标签；其中一个仓储产品的产品标签与仓储的一个库位的库位标签对应，用于仓储产品的仓储作业的配对定位。

进一步地，基于RFID的产品仓储管理，根据产品的管理目标对产品和相应的库位分别进行RFID编码形成产品电子标签和库位电子标签；其中一个仓储产品的产品电子标签与仓储的一个库位的库位电子标签对应，用于仓储产品的仓储作业的配对定位。

进一步地，所述传感器包括设置在货架上的行程开关，用于感知货架上产品的在位信息，并向数据库输出产品与货架位置对应识别信息。

本发明还公开了一种应用如上所述的信息化的仓储智能管理方法的系统，包括第一类检测设备、第二类检测设备和数据库；

所述第一类检测设备，基于条形码/二维码、RFID或计算机视觉检测仓储产品的产品信息，并将检测出产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；

所述第二类检测设备，用于通过传感器实时检测每个仓储产品的在库存储状态信息，根据在库存储状态信息对仓储产品进行包括盘点和查询在内的仓储管理；

所述数据库，存储仓储管理的历史信息，并支持用户查询和日志信息导出。

本发明的有益效果如下：

本发明实现了对于品类多、数量大，统计工作复杂的产品的仓储管理，降低了出入库管理人员的劳动强度，提高了管理效率。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本实施例一中的仓储智能管理方法流程图；

图2为本实施例一中的基于神经网络的图像处理技术进行结构体零件的图像标识识别方法流程图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

实施例一

本实施例公开了一种信息化的仓储智能管理方法，如图1所示，包括以下步骤：

步骤S1、基于条形码/二维码、RFID或计算机视觉检测仓储产品的产品信息，并将检测出的产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；

具体的，基于条形码/二维码检测仓储产品的产品信息，根据产品的管理目标，产品进行条形码/二维码编码，通过打印机打印形成条形码/二维码产品标签，每个标签与每个单品一一对应，并伴随之后包括入库、调配、移动、出舱等每个环节流通；对库房的每一个库位也进行条形码/二维码编码形成库位标签；其中一个仓储产品的产品标签与仓储的一个库位的库位标签对应，用于仓储产品的仓储作业的配对定位。

在仓储的各个环节流通过程中，操作员可使用盘点机扫描条形码/二维码产品标签以获得相关数据信息，并将产品的信息及流通状态数据通过网络上传至计算机终端。

具体流程如下：

根据不同的管理目标(例如要追踪产品流通，还是实现保质期/批次管理)对产品进行科学编码，在科学编码的基础上，入库前打印出条形码/二维码产品标签，以便后续出入库作业的各个环节进行相关数据的自动化采集。

对出入库的库位进行科学编码，用条形码/二维码产品标签加以标识，并在入库时采集库存品所入的库位，同时导入数据库。出入库的库位管理有利于在大型出入库或多品种出入库中快速定位库存品所在的位置，有利于实现先进先出的管理目标及出入库作业的效率。

对于频繁出入库，由于出入库作业无法在计算机旁直接作业，可以使用手持数据终端先分散采集相关数据，后把采集的数据上载到计算机系统集中批量处理。此时给操作员配备带有条码扫描功能的手持数据终端，进行现场的数据采集。同时在现场也可查询相关信息，在此之前会将系统中的有关数据下载手持终端或计算机中。

将现场采集的数据上传到出入舱管理系统中，自动更新系统中的数据。同时也可以将系统中更新已后的数据下载到手持终端或计算机中，以便在现场进行查询和调用。

具体的，基于计算机视觉检测仓储产品的产品信息，采用计算机视觉采集识别结构体零件产品的图像标识，获取包括图像标识的文字和颜色信息在内的产品信息。

更具体的，可以采用基于神经网络的图像处理技术进行结构体零件的图像标识识别，获取结构体零件的产品信息。由于作业环境复杂，标识所处的背景环境并不单一，另外，结构体零件表明可能为曲面，采集的标识会存在一定的畸变，更加增加了识别的难度。对结构体零件上标识进行识别，首先从自然环境背景中找到标识的位置，分割出含有标识的图像部分，识别过程是对分割的图像中的标识进行识别。标识识别不仅是对字符内容的识别，还包括标识的颜色的识别，最终将识别的结果和正确的设计模板进行比对，得到标识内容和颜色的判别结果。通过对基于神经网络的图像处理方法的研究，搭配图像采集方案，最后形成一个完整的识别系统，并通过实验对系统进行测试。

如图2所示，主要步骤为：

步骤S201、采集结构体零件含有标识信息外侧面的视频图像；

步骤S202、在视频图像中找到标识的位置，分割出含有标识的图像区域；

采用基于CTPN的标识分割方法，在检测到的文本区域识别前，对采集到的视频图像中的文字区域进分割，具体包括：

1)通过VGG-16结构进行特征融合，将来自VGG-16的不同阶段、不同尺度的特征图进行融合提取特征谱；所述融合的特征包括从图像中提取的以区分不同图像的区分度的特征，文本图像的特征表示分别为局部特征和全局特征，局部特征基于图像的特定区域提取，全局特征基于整幅文本图像提取。

2)采用EAST算法检测细分化文本，采用集成语义分割和单阶段目标检测算法解决由于检测文本的几何信息的先验知难以估计而导致的新能损失问题；所述细分化文本是指文本检测过程中对文本进行细化分割，通过这种方法直接在图像分割所得特征上回归，在分割谱上的每个正样本点直接回归其到对应检测边界框的四条边的距离差值，这样每个点可以决定一个检测边界框，最后对这些检测边界框合并形成整个文本行结果。

3)使用双向循环神经网络对特征谱同时在水平和竖直两个方向上下文转入文本线构造，分割出视频图像的文字区域。

步骤S203、对图像区域中标识的字符内容和标识的颜色进行识别；

采用基于CRNN的标识识别方法，对分割出来的文字区域进行识别；该方法基于图像序列识别，不涉及字符分割或水平尺度归一化，能够处理任意长度序列，并且不局限于任何预定的语言。具体包括：

通过训练得到自底向上依次为卷积层、循环层和转录层的CRNN网络模型；

具体的，选择TensorFlow深度学习框架对CRNN网络模型进行训练。

利用训练好的CRNN网络模型对输入的分割出视频图像的文字区域进行识别得到标识的文字信息；

具体的，

所述卷积层用于提取输入文字区域图像中的特征序列，原始文字区域图像在输入卷积层前需要将其缩放到相同的高度，卷积层输出的特征序列的每一个特征向量在特征图上按列从左到右生成，这意味着第i个特征向量是所有特征图第i列的连接；卷积层输出的特征序列作为循环层的输入；

循环层由双向循环神经(BLSTM)网络组建，用于预测卷积层输出的特征序列中每一帧的标签分布；

转录层用于将循环层输出的每帧预测转换为标签序列，得到视频图像的文字区域中的字符内容。

所述转录层的转录是根据每帧预测找到的具有最高概率的标签序列。

进一步地，对识别出来的标识的颜色进行识别。利用文本区域的底色和文字的颜色不同，通过将文本图像由RBG彩色空间转化为HIS或HSV颜色空间的方法，并进一步对识别出来的标识图像进行颜色处理和分析。

步骤S204、通过识别出的字符内容和颜色来判别结构体零件的产品信息，存入数据库中。

将通过计算机视觉检测出的仓储产品的产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；

对于简单的结构体零件，可由出入库人员根据直观获取结构体零件上的标识信息位置，从而采用视频拍摄设备拍摄含有标识信息外侧面的视频图像。

针对结构复杂的结构体零件图像采集时，存在出入库人员很难在短时间内直观获得结构体零件上的标识信息位置问题；

对于这样的结构复杂的机构体零件，本实施例的视觉检测方法包括：

1)对于初次入库的结构体复杂的机构体零件建立覆盖零件全部外部特征的识别模板；

具体的，将结构体零件在轴向上划分为三部分，每一轴向上的每90度为一个区域，共计十二个区域分别进行采集；创建识别模板，即对结构复杂的结构体零件十二个区域分别创建识别模板；

2)对所述十二个识别模板中的包括标识信息的模板进行基于神经网络的图像处理技术进行结构体零件的图像标识识别，获取结构体零件的产品信息；

并将不包含标识信息的模板与包含标识信息的模板之间建立关联关系；并将结构体零件的信息、模板和模板之间的关联关系存入数据库；

3)当在入库、出库、调转、移库、移位和盘点在内的仓储管理环节中，再次需要对结构体零件进行视觉检测时，出入库操作人员对所述结构体零件的任一个外侧面进行视频图像采集；当判断该采集图像中包含标识信息时，则对标识信息进行识别，得到标识信息，进行仓储管理。当判断该采集图像中不包含标识信息时，进入下一步；

4)对所述采集的视频图像与数据库中的识别模板进行比对，得到该视频图像与数据库中的识别模板的相似度，如果相似度大于设定的阈值，则通过数据库中该识别模板与包含标识信息的模板之间的关联关系，得到该识别模板对应的结构体零件的标识信息，进行仓储管理；如果相似度不大于设定的阈值，则进入下一步；

5)继续对结构体零件的其他面进行视频图像采集，当判断该采集图像中包含标识信息时，则对标识信息进行识别，得到标识信息，进行仓储管理；当判断该采集图像中仍然不包含标识信息时，对所述采集的视频图像与数据库中的识别模板进行比对，得到第二次采集视频图像与数据库中的识别模板的相似度，如果相似度大于设定的阈值，则按照步骤4)的结果进行仓储管理；如果相似度仍然不大于设定的阈值，则判断前次比对与本次比对的识别模板是否关联到同一结构体零件，如果关联到同一结构体零件，则将步骤4)中获得的视频图像的相识度与本次采集视频图像获得的相似度相加，判断相加后的相似度是否大于设定的阈值，如果大于阈值，则通过数据库中该识别模板与包含标识信息的模板之间的关联关系，得到结构体零件的标识信息，进行仓储管理。如果相似度仍然不大于设定的阈值，则进行下一步；

6)继续对结构体零件的其他面进行视频图像采集，重复步骤5)直到判断或识别出结构体零件的标识信息，进行仓储管理。

具体的，基于RFID检测仓储产品的产品信息，需要在每个产品、产品包装箱、产品外壳等载体上附着电子标签，对库房的每一个库位也进行RFID形成库位标签；其中一个仓储产品的电子标签与仓储的一个库位的库位电子标签对应，用于仓储产品的仓储作业的配对定位。

通过出入库各通道读写器来识别标签内的信息，以此判断产品入库、出库、调转、移库、移位、库存盘点等流程。RFID读写器可进行自动化的数据采集，保证出入库管理各个环节中数据输入的快速性和准确性，确保及时准确地掌握出入库内的真实数据，实现高效率的产品查找和实时的库存盘点，有利于提高出入库管理的工作效率，合理保持和控制库存。通过科学的编码，还可快捷地对产品的批次、保质期等进行管理，利用系统的库位管理功能，也可以查询所有库存物资当前所在位置。

RFID信息管理系统具体流程如下：

出入库新增产品时，先按照规格进行分类，再将产品的种类、名称、生产日期、批次、相对应产品货架位置等相关信息写入电子标签中，然后贴在所需管理的产品载体上，并把相关资料输入系统，产品的编号根据系统编码规则自动产生，也可以手工输入。

在进行入库工作时，系统按照每个产品的编码、批次，将其放入指定相应的产品货架位置，同时生成入库单。出入库管理员到达指定产品货架位置时，RFID读写器读取产品的电子标签信息并在手持终端或计算机上显示将上架的产品详细清单和配置的货架位置，出入库管理员根据显示的上架详细信息执行上架后，主控系统自动按照批次更新库存产品记录，完成产品的入库操作。

在进行盘点工作时，用户先在系统上派发一个盘点计划单，支持在移动端通过WIFI下载盘点计划单。每个产品上都贴有唯一编码的电子标签，出入库管理员拿着读写器依次读取全部产品货架位置，通过读取标签上的唯一编码，可以调用后台系统数据库，获取其中存储的信息，信息包括：产品的种类、名称、生产日期、批次等，并将所收集到的全部相关信息通过标准接口实时地传送给系统计算机。或者通过在产品货架位置上安装固定式的读写器，固定读写器对固定区域内的电子标签进行扫描，并将扫描的数据传输到系统计算机中。系统计算机将发送过来的全部产品信息与系统计算机中的盘点单中的全部内容互相比对生成清库帐单，完成出入库的盘点工作，最终生成盘点报表。

当需要查找A产品的位置时，出入库管理员在系统查询界面中输入该产品信息，如：产品名称、产品编号、批次等信息，点击搜索后将提取数据库中所有类似信息的产品，并找到该产品。查看A产品标签上记录的产品货架位置等相关信息，获得A产品在产品货架的哪一层。若出入库管理员在现场未发现A产品，则通过区域盘点或者全出入库盘点，获取A产品的实时位置，并修改系统信息。

出库时，用户可在系统上派发出库计划单，出入库管理员根据出库计划单手持机依次遍历全部产品货架位置，到达指定货架位置时提示出入库管理员准备产品下架，显示器将显示此货架位置将下架产品的详细清单。出入库管理员将根据显示的产品下架详细信息按照批次(先进先出的顺序)将出库产品进行下架。系统计算机把出库产品从数据库中清除，将库存状态记录更新(批次、种类、名称、单价等)，完成出库操作，并形成出库单明细。

步骤S2、通过传感器实时监测每个仓储产品的在库存储状态信息，根据在库存储状态信息对仓储产品进行包括盘点和查询在内的仓储管理；

所述传感器包括设置在货架上的行程开关或压力应变片，用于感知货架上产品的在位信息，并向数据库输出产品与货架位置对应识别信息。

通过传感器实时监测每个产品的存储状态，传感器内的控制器将采集的信息进行数据处理后通过无线通信方式传送给手持终端或计算机，并在手持终端或计算机实时显示。用户在手持终端或计算机能对仓储产品信息进行盘点和查询。

a)库存查询：通过多种条件信息查询，分类统计产品库存数量，以及分布位置等，以便能快速补舱、出库、盘点和调整移库等工作；

b)盘舱管理：可以按舱位、按产品分类等进行制定盘点计划，进行出舱并执行盘点计划，系统会主动统计盘点盈亏数量，并列出数量不对的舱位，以便精确找到问题根源；

c)舱位设置：对产品的舱位货架进行编号标定，并与PLC控制物理坐标绑定，并对舱位分区、分类管理，定义每个舱位的最大容量，并能够对存储产品的种类、名称等信息进行设置，以便给出入库定义规则；

d)系统管理：用户、角色、权限管理，支持新增用户、角色，更改用户和角色信息，权限分级管理；支持对操作人员信息管理，支持用户的注册、登录/退出、个人信息输入/编辑以及用户信息查询。

步骤S3、所述仓储管理的历史信息支持用户查询和日志信息导出。

手持终端或计算机能记录仓储管理的历史信息，并支持用户查询在某段时间对产品信息智能管理系统进行的操作，存储信息和日志支持导出功能。仓储管理的历史信息通过数据库进行记录，并进行分析和统计。

实施例二

本实施例公开了一种信息化的仓储智能管理系统，包括：第一类检测设备、第二类检测设备和数据库；

所述第一类检测设备，基于条形码/二维码、RFID或计算机视觉检测仓储产品的产品信息，并将检测出产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；

所述第一类检测设备包括移动或固定的条形码/二维码打印设备和采集识别设备，RFID电子标签，RFID读写器，以及计算机视觉处理设备。还可包括用于产品环境信息检测的布设在库房的环境检测传感器。

所述第一类检测设备通过有线或无线传输的方式将检测信息发送到承载数据库的计算机中。

其中有线通信方式包括USB、RS422、RS232、CAN、以太网以及其他总线等；无线通信方式包括蓝牙、移动通信网、无线局域网等。

所述第二类检测设备，用于通过传感器实时检测每个仓储产品的在库存储状态信息，根据在库存储状态信息对仓储产品进行包括盘点和查询在内的仓储管理；

所述传感器包括但不限于设置在货架上的行程开关或压力应变片，用于感知货架上产品的在位信息，并向数据库输出产品与货架位置对应识别信息。

所述数据库，由计算机承载，存储仓储管理的历史信息，并支持用户查询和日志信息导出。

所述数据库需要参照国标、军标、标准和规范，综合用户各项实际统计需求建立。数据库统计信息包括产品名称、型号、编号、消耗时间、出入库时间、使用单位等信息。产品信息在数据库服务器中进行登记，完成日常管理、修改、删除、维护、维修、报废、退役等管理，并作为监控查询系统实现产品出入库申请和报告、非法离位报警、查询、盘点等。

本系统还包括人机交互界面的手持终端或带有显示屏以及外围设备的计算机。能记录历史仓储产品信息，并支持用户查询在某段时间对产品仓储管理系统进行的操作，存储信息和日志支持导出功能。通过无线传输与上级数据库服务器进行信息交互。通过布置的环境监测传感器实时监测产品环境健康状态、提供维护保养提示和指导。

以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种信息化的仓储智能管理方法，其特征在于，包括：

基于条形码/二维码、RFID或计算机视觉检测仓储产品的产品信息，并将检测出的产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；

通过传感器实时监测每个仓储产品的在库存储状态信息，根据在库存储状态信息对仓储产品进行包括盘点和查询在内的仓储管理；

所述仓储管理的历史信息支持用户查询和日志信息导出。

2.根据权利要求1所述的仓储智能管理方法，其特征在于，对于不包含条形码/二维码、RFID信息的结构体零件产品，采用计算机视觉采集识别结构体零件产品的图像标识，获取包括图像标识的文字和颜色信息在内的产品信息。

3.根据权利要求1所述的仓储智能管理方法，其特征在于，采用计算机视觉采集识别结构体零件产品的图像标识具体包括：

步骤S201、采集结构体零件含有标识信息外侧面的视频图像；

步骤S202、在视频图像中找到标识的位置，分割出含有标识的图像区域；

步骤S203、对图像区域中标识的字符内容和标识的颜色进行识别；

步骤S204、通过识别出的字符内容和颜色来判别结构体零件的产品信息，存入数据库中。

4.根据权利要求3所述的仓储智能管理方法，其特征在于，在步骤S202中，采用基于CTPN的标识分割方法，对采集到的视频图像中的文字区域进分割；具体包括：

1)通过VGG-16结构进行特征融合，将来自VGG-16的不同阶段、不同尺度的特征图进行融合提取特征谱；

2)采用EAST算法检测细分化文本，采用集成语义分割和单阶段目标检测算法解决由于检测文本的几何信息的先验知难以估计而导致的新能损失问题；

3)使用双向循环神经网络对特征谱同时在水平和竖直两个方向上下文转入文本线构造，分割出视频图像的文字区域。

5.根据权利要求3所述的仓储智能管理方法，其特征在于，所述步骤S203中采用基于CRNN的标识识别方法，对分割出来的文字区域进行识别；具体包括：

通过训练得到自底向上依次为卷积层、循环层和转录层的CRNN网络模型；

利用训练好的CRNN网络模型对输入的分割出视频图像的文字区域进行识别得到标识的文字信息；

具体的，所述卷积层用于提取输入文字区域图像中的特征序列，原始文字区域图像在输入卷积层前需要将其缩放到相同的高度，卷积层输出的特征序列的每一个特征向量在特征图上按列从左到右生成；卷积层输出的特征序列作为循环层的输入；

循环层由双向循环神经网络组建，用于预测卷积层输出的特征序列中每一帧的标签分布；

转录层用于将循环层输出的每帧预测转换为标签序列，得到视频图像的文字区域中的字符内容；

所述转录层的转录是根据每帧预测找到的具有最高概率的标签序列。

6.根据权利要求5所述的仓储智能管理方法，其特征在于，

所述CRNN网络模型的训练选择TensorFlow深度学习框架进行训练。

7.根据权利要求1所述的仓储智能管理方法，其特征在于，

基于条形码/二维码的产品仓储管理，根据产品的管理目标对产品进行条形码/二维码编码形成产品标签，对库位也进行条形码/二维码编码形成库位标签；其中一个仓储产品的产品标签与仓储的一个库位的库位标签对应，用于仓储产品的仓储作业的配对定位。

8.根据权利要求1所述的仓储智能管理方法，其特征在于，

基于RFID的产品仓储管理，根据产品的管理目标对产品和相应的库位分别进行RFID编码形成产品电子标签和库位电子标签；其中一个仓储产品的产品电子标签与仓储的一个库位的库位电子标签对应，用于仓储产品的仓储作业的配对定位。

9.根据权利要求1所述的仓储智能管理方法，其特征在于，

所述传感器包括设置在货架上的行程开关，用于感知货架上产品的在位信息，并向数据库输出产品与货架位置对应识别信息。

10.一种应用如权利要求1-9任一项所述的信息化的仓储智能管理方法的系统，其特征在于，包括第一类检测设备、第二类检测设备和数据库；

所述第一类检测设备，基于条形码/二维码、RFID或计算机视觉检测仓储产品的产品信息，并将检测出产品信息自动录入数据库，根据录入的产品信息对仓储产品进行包括入库、出库、调转、移库、移位和盘点在内的仓储管理；

所述第二类检测设备，用于通过传感器实时检测每个仓储产品的在库存储状态信息，根据在库存储状态信息对仓储产品进行包括盘点和查询在内的仓储管理；

所述数据库，存储仓储管理的历史信息，并支持用户查询和日志信息导出。

Images