CN115019300A - 用于自动化仓库货物识别的方法 - Google Patents

Abstract

本发明涉及货物识别技术领域，具体公开了用于自动化仓库货物识别的方法。本发明通过构建不同型号的仓库货物的货物三维模型，生成多个仓库货物的外形标准特征数据和文字标准特征数据；对待识别货物进行拾取与随机拍摄；进行外形特征识别与匹配，确定识别筛选范围；确定文字特征面；对特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果。能够构建仓库货物的货物三维模型，生成外形标准特征数据和文字标准特征数据，进而对待识别货物进行外形特征识别匹配，确定识别筛选范围之后，确定文字特征面进行文字特征识别匹配，生成货物识别结果，能够有效提高货物识别的精度，从而准确识别出具有相同或相似的外形的不同货物。

Description

用于自动化仓库货物识别的方法

技术领域

本发明属于货物识别技术领域，尤其涉及用于自动化仓库货物识别的方法。

背景技术

自动化仓库是指在不直接人工干预的情况下，能自动地存储和取出物料的系统。它是以多层货架构成，通常是将物料存放在标准的料箱或托盘内，然后由巷道式堆垛起重机对任意货位实现物料的存取操作，并利用计算机实现对物料的自动存取控制和管理，主要由货物存取机、储存机构、输送设备和控制装置四个部分组成，广泛应用于机械、家电、汽车、食品、烟草等行业。

在自动化仓库中进行库货的入库或出库时，需要对货物进行自动识别。货物图像识别，是自动化仓库中最常见的货物自动识别技术。然而由于仓库中货物种类繁杂，有的相同种类、不同型号的货物具有相同或相似的外形，因此仅仅采用简单的货物外形图像识别技术，货物识别的精度不高，很难准确识别出具有相同或相似的外形的不同货物。

发明内容

本发明实施例的目的在于提供用于自动化仓库货物识别的方法，旨在解决背景技术中提出的问题。

为实现上述目的，本发明实施例提供如下技术方案：

用于自动化仓库货物识别的方法，所述方法具体包括以下步骤：

构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据；

确定自动化仓库中的待识别货物，对所述待识别货物进行拾取与随机拍摄，得到随机拍摄图像；

基于所述外形标准特征数据，对所述随机拍摄图像进行外形特征识别与匹配，确定识别筛选范围；

根据所述随机拍摄图像，确定所述待识别货物的文字特征面，并对所述文字特征面进行拍摄，生成特征面拍摄图像；

基于所述文字标准特征数据和所述识别筛选范围，对所述特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果。

作为本发明实施例技术方案进一步的限定，所述构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据具体包括以下步骤：

对初始入库的仓库货物进行多角度拍摄处理，构建不同型号的仓库货物的货物三维模型；

对多个所述货物三维模型进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据。

作为本发明实施例技术方案进一步的限定，所述对初始入库的仓库货物进行多角度拍摄处理，构建不同型号的仓库货物的货物三维模型具体包括以下步骤：

在不同型号的仓库货物进行初始入库时，生成初始入库信号；

根据所述初始入库信号，对所述仓库货物进行多角度拍摄，生成多个角度拍摄图像；

综合多个所述角度拍摄图像进行三维分析，构建对应的仓库货物的货物三维模型。

作为本发明实施例技术方案进一步的限定，所述对多个所述货物三维模型进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据具体包括以下步骤：

对多个所述货物三维模型进行外形特征分析，生成外形特征分析结果；

根据所述外形特征分析结果，提取多个所述仓库货物的外形标准特征，并确定多个所述仓库货物对应的文字特征面；

综合多个所述外形标准特征和对应的文字特征面，生成多个仓库货物的外形标准特征数据；

进行多个所述文字特征面的文字特征分析与提取，生成多个仓库货物的文字标准特征数据。

作为本发明实施例技术方案进一步的限定，所述确定自动化仓库中的待识别货物，对所述待识别货物进行拾取与随机拍摄，得到随机拍摄图像具体包括以下步骤：

进行自动化仓库中的待识别货物定位，生成货物定位数据；

根据所述货物定位数据，生成定位拾取信号；

根据所述定位拾取信号，对所述待识别货物进行拾取；

对完成拾取的所述待识别货物进行随机拍摄，得到随机拍摄图像。

作为本发明实施例技术方案进一步的限定，所述基于所述外形标准特征数据，对所述随机拍摄图像进行外形特征识别与匹配，确定识别筛选范围具体包括以下步骤：

对所述随机拍摄图像进行外形特征识别，生成识别外形特征；

基于所述外形标准特征数据，对所述识别外形特征进行特征匹配，生成特征匹配结果；

根据所述特征匹配结果，确定识别筛选范围。

作为本发明实施例技术方案进一步的限定，所述根据所述随机拍摄图像，确定所述待识别货物的文字特征面，并对所述文字特征面进行拍摄，生成特征面拍摄图像具体包括以下步骤：

综合所述识别筛选范围和所述外形标准特征数据，确定所述待识别货物的文字特征面；

根据所述随机拍摄图像，生成翻转至文字特征面的翻转信号；

根据所述翻转信号，对所述待识别货物进行翻转；

在完成翻转之后，对所述文字特征面进行拍摄，生成特征面拍摄图像。

作为本发明实施例技术方案进一步的限定，所述基于所述文字标准特征数据和所述识别筛选范围，对所述特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果具体包括以下步骤：

对所述特征面拍摄图像进行文字特征识别，生成识别文字特征；

基于所述文字标准特征数据和所述识别筛选范围，对所述识别文字特征进行特征匹配，生成货物识别结果。

与现有技术相比，本发明的有益效果是：

本发明实施例通过构建不同型号的仓库货物的货物三维模型，生成多个仓库货物的外形标准特征数据和文字标准特征数据；对待识别货物进行拾取与随机拍摄；进行外形特征识别与匹配，确定识别筛选范围；确定文字特征面；对特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果。能够构建仓库货物的货物三维模型，生成外形标准特征数据和文字标准特征数据，进而对待识别货物进行外形特征识别匹配，确定识别筛选范围之后，确定文字特征面进行文字特征识别匹配，生成货物识别结果，能够有效提高货物识别的精度，从而准确识别出具有相同或相似的外形的不同货物。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。

图1示出了本发明实施例提供的方法的流程图。

图2示出了本发明实施例提供的方法中模型构建与特征提取的流程图。

图3示出了本发明实施例提供的方法中构建货物三维模型的流程图。

图4示出了本发明实施例提供的方法中货物特征分析与提取的流程图。

图5示出了本发明实施例提供的方法中货物拾取与随机拍摄的流程图。

图6示出了本发明实施例提供的方法中外形特征识别与匹配的流程图。

图7示出了本发明实施例提供的方法中文字特征面确定拍摄的流程图。

图8示出了本发明实施例提供的方法中文字特征识别与匹配的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解的是，在现有技术中，货物图像识别，是自动化仓库中最常见的货物自动识别技术。然而由于自动化仓库中货物种类繁杂，有的相同种类、不同型号的仓库货物具有相同或相似的外形，因此仅仅采用简单的货物外形图像识别技术，货物识别的精度不高，很难准确识别出具有相同或相似的外形的不同货物。

为解决上述问题，本发明实施例通过构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据；对待识别货物进行拾取与随机拍摄；进行外形特征识别与匹配，确定识别筛选范围；确定文字特征面；对特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果。能够构建仓库货物的货物三维模型，生成外形标准特征数据和文字标准特征数据，进而对待识别货物进行外形特征识别匹配，确定识别筛选范围之后，确定文字特征面进行文字特征识别匹配，生成货物识别结果，能够有效提高货物识别的精度，从而准确识别出具有相同或相似的外形的不同货物。

图1示出了本发明实施例提供的方法的流程图。

具体的，用于自动化仓库货物识别的方法，所述方法具体包括以下步骤：

步骤S101，构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据。

在本发明实施例中，在不同的仓库货物初始入库时，按照对应的仓库货物的货物信息，生成对应的初始入库信号，进而按照初始入库信号，选取对应的仓库货物的标准件进行相同预设距离、环绕多角度的拍摄，得到多个角度拍摄图像，进而综合同一仓库货物的多个角度拍摄图像，对相应的仓库货物的尺寸、结构、文字等进行三维立体还原分析，构建对应的仓库货物的货物三维模型，且分别对不同的货物三维模型进行外形特征分析，生成外形特征分析结果，进而根据外形特征分析结果，对不同的仓库货物的外形标准特征进行提取，并按照多个货物三维模型，确定不同的仓库货物进行文字信息标记的文字特征面，通过综合不同的仓库货物对应的外形标准特征和文字特征面，生成多个仓库货物的外形标准特征数据，且通过对不同的仓库货物的文字特征面的进行文字特征分析与提取，生成多个仓库货物的文字标准特征数据。

可以理解的是，外形标准特征数据，反映了不同的仓库货物对应的外形标准特征和文字特征面，其中，外形标准特征为不同的仓库货物的外形尺寸、外形结构特征等，文字特征面为仓库货物中标记货物信息的信息标记面，能够在货物三维模型中反映；文字标准特征数据，反映了不同的仓库货物对应的文字内容特征和文字样式特征，具体包括：文字信息内容（货物型号、货物名称、生产商名称）、文字大小、文字颜色、文字背景颜色等。

可以理解的是，选取对应的仓库货物的标准件进行同距离、多角度的拍摄，能够得到仓库货物的标准件在不同角度下、相同距离的图片，通过对图片中的货物尺寸、外形结构（文字特征面的文字也属于拍摄时的外形结构）进行分析，并结合拍摄的距离，能够得到仓库货物的实际尺寸、实际外形结构，从而能够构建对应的仓库货物的货物三维模型。

具体的，图2示出了本发明实施例提供的方法中模型构建与特征提取的流程图。

其中，在本发明提供的优选实施方式中，所述构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据具体包括以下步骤：

步骤S1011，对初始入库的仓库货物进行多角度拍摄处理，构建不同型号的仓库货物的货物三维模型。

具体的，图3示出了本发明实施例提供的方法中构建货物三维模型的流程图。

其中，在本发明提供的优选实施方式中，所述对初始入库的仓库货物进行多角度拍摄处理，构建不同型号的仓库货物的货物三维模型具体包括以下步骤：

步骤S10111，在不同型号的仓库货物进行初始入库时，生成初始入库信号。

步骤S10112，根据所述初始入库信号，对所述仓库货物进行多角度拍摄，生成多个角度拍摄图像。

步骤S10113，综合多个所述角度拍摄图像进行三维分析，构建对应的仓库货物的货物三维模型。

进一步的，所述构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据还包括以下步骤：

步骤S1012，对多个所述货物三维模型进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据。

具体的，图4示出了本发明实施例提供的方法中货物特征分析与提取的流程图。

其中，在本发明提供的优选实施方式中，所述对多个所述货物三维模型进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据具体包括以下步骤：

步骤S10121，对多个所述货物三维模型进行外形特征分析，生成外形特征分析结果。

步骤S10122，根据所述外形特征分析结果，提取多个所述仓库货物的外形标准特征，并确定多个所述仓库货物对应的文字特征面。

步骤S10123，综合多个所述外形标准特征和对应的文字特征面，生成多个仓库货物的外形标准特征数据。

步骤S10124，进行多个所述文字特征面的文字特征分析与提取，生成多个仓库货物的文字标准特征数据。

进一步的，所述用于自动化仓库货物识别的方法还包括以下步骤：

步骤S102，确定自动化仓库中的待识别货物，对所述待识别货物进行拾取与随机拍摄，得到随机拍摄图像。

在本发明实施例中，在接收到识别信号之后，按照识别信号，确定自动化仓库中的待识别货物，进而对待识别货物进行定位分析，得到待识别货物的货物定位数据，按照货物定位数据，生成定位拾取信号，进而根据定位拾取信号，控制自动化仓库中相应的机械设备对待识别货物进行拾取，并按照预设距离对待识别货物进行随机拍摄，得到随机拍摄图像。

具体的，图5示出了本发明实施例提供的方法中货物拾取与随机拍摄的流程图。

其中，在本发明提供的优选实施方式中，所述确定自动化仓库中的待识别货物，对所述待识别货物进行拾取与随机拍摄，得到随机拍摄图像具体包括以下步骤：

步骤S1021，进行自动化仓库中的待识别货物定位，生成货物定位数据。

步骤S1022，根据所述货物定位数据，生成定位拾取信号。

步骤S1023，根据所述定位拾取信号，对所述待识别货物进行拾取。

步骤S1024，对完成拾取的所述待识别货物进行随机拍摄，得到随机拍摄图像。

进一步的，所述用于自动化仓库货物识别的方法还包括以下步骤：

步骤S103，基于所述外形标准特征数据，对所述随机拍摄图像进行外形特征识别与匹配，确定识别筛选范围。

在本发明实施例中，通过对随机拍摄图像进行外形特征识别分析，生成待识别货物的识别外形特征，进而以识别外形特征，在外形标准特征数据中进行相关特征匹配，生成特征匹配结果，根据特征匹配结果，确定匹配成功的多个仓库货物，得到识别筛选范围。

具体的，图6示出了本发明实施例提供的方法中外形特征识别与匹配的流程图。

其中，在本发明提供的优选实施方式中，所述基于所述外形标准特征数据，对所述随机拍摄图像进行外形特征识别与匹配，确定识别筛选范围具体包括以下步骤：

步骤S1031，对所述随机拍摄图像进行外形特征识别，生成识别外形特征。

步骤S1032，基于所述外形标准特征数据，对所述识别外形特征进行特征匹配，生成特征匹配结果。

步骤S1033，根据所述特征匹配结果，确定识别筛选范围。

进一步的，所述用于自动化仓库货物识别的方法还包括以下步骤：

步骤S104，根据所述随机拍摄图像，确定所述待识别货物的文字特征面，并对所述文字特征面进行拍摄，生成特征面拍摄图像。

在本发明实施例中，按照识别筛选范围，对外形标准特征数据进行筛选，得到筛选外形特征数据，通过对筛选外形特征数据进行特征面分析，确定筛选标准特征数据对应的多个仓库货物的文字特征面，进而通过对随机拍摄图像分析，生成将待识别货物翻转至文字特征面的翻转信号，按照翻转信号，控制自动化仓库中相应的机械设备对待识别货物进行翻转，使得待识别货物的文字特征面朝向拍摄镜头，进而对文字特征面进行拍摄，生成待识别货物的特征面拍摄图像。

可以理解的是，识别筛选范围对应的多个仓库货物，具有相同或相似的货物外形，因此需要进行进一步的文字特征面分析识别，从而对识别筛选范围对应的多个仓库货物进行文字特征的识别与匹配，能够通过货物外形快速筛选一部分的仓库货物，进而按照文字特征精确定位识别仓库货物。

具体的，图7示出了本发明实施例提供的方法中文字特征面确定拍摄的流程图。

其中，在本发明提供的优选实施方式中，所述根据所述随机拍摄图像，确定所述待识别货物的文字特征面，并对所述文字特征面进行拍摄，生成特征面拍摄图像具体包括以下步骤：

步骤S1041，综合所述识别筛选范围和所述外形标准特征数据，确定所述待识别货物的文字特征面。

步骤S1042，根据所述随机拍摄图像，生成翻转至文字特征面的翻转信号。

步骤S1043，根据所述翻转信号，对所述待识别货物进行翻转。

步骤S1044，在完成翻转之后，对所述文字特征面进行拍摄，生成特征面拍摄图像。

进一步的，所述用于自动化仓库货物识别的方法还包括以下步骤：

步骤S105，基于所述文字标准特征数据和所述识别筛选范围，对所述特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果。

在本发明实施例中，通过对特征面拍摄图像进行文字特征识别，生成识别文字特征，且按照识别筛选范围，对文字标准特征数据进行相应的筛选，得到筛选文字特征数据，进而按照识别文字特征，在筛选文字特征数据中进行相关特征匹配识别，从识别筛选范围内的多个仓库货物中识别出与待识别货物对应的仓库货物，生成货物识别结果。

具体的，图8示出了本发明实施例提供的方法中文字特征识别与匹配的流程图。

其中，在本发明提供的优选实施方式中，所述基于所述文字标准特征数据和所述识别筛选范围，对所述特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果具体包括以下步骤：

步骤S1051，对所述特征面拍摄图像进行文字特征识别，生成识别文字特征。

步骤S1052，基于所述文字标准特征数据和所述识别筛选范围，对所述识别文字特征进行特征匹配，生成货物识别结果。

综上所述，本发明实施例能够构建仓库货物的货物三维模型，生成外形标准特征数据和文字标准特征数据，进而对待识别货物进行外形特征识别匹配，确定识别筛选范围之后，确定文字特征面进行文字特征识别匹配，生成货物识别结果，能够有效提高货物识别的精度，从而准确识别出具有相同或相似的外形的不同货物。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.用于自动化仓库货物识别的方法，其特征在于，所述方法具体包括以下步骤：

构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据；

确定自动化仓库中的待识别货物，对所述待识别货物进行拾取与随机拍摄，得到随机拍摄图像；

基于所述外形标准特征数据，对所述随机拍摄图像进行外形特征识别与匹配，确定识别筛选范围；

根据所述随机拍摄图像，确定所述待识别货物的文字特征面，并对所述文字特征面进行拍摄，生成特征面拍摄图像；

基于所述文字标准特征数据和所述识别筛选范围，对所述特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果。

2.根据权利要求1所述的用于自动化仓库货物识别的方法，其特征在于，所述构建不同型号的仓库货物的货物三维模型，并进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据具体包括以下步骤：

对初始入库的仓库货物进行多角度拍摄处理，构建不同型号的仓库货物的货物三维模型；

对多个所述货物三维模型进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据。

3.根据权利要求2所述的用于自动化仓库货物识别的方法，其特征在于，所述对初始入库的仓库货物进行多角度拍摄处理，构建不同型号的仓库货物的货物三维模型具体包括以下步骤：

在不同型号的仓库货物进行初始入库时，生成初始入库信号；

根据所述初始入库信号，对所述仓库货物进行多角度拍摄，生成多个角度拍摄图像；

综合多个所述角度拍摄图像进行三维分析，构建对应的仓库货物的货物三维模型。

4.根据权利要求2所述的用于自动化仓库货物识别的方法，其特征在于，所述对多个所述货物三维模型进行货物特征分析与提取，生成多个仓库货物的外形标准特征数据和文字标准特征数据具体包括以下步骤：

对多个所述货物三维模型进行外形特征分析，生成外形特征分析结果；

根据所述外形特征分析结果，提取多个所述仓库货物的外形标准特征，并确定多个所述仓库货物对应的文字特征面；

综合多个所述外形标准特征和对应的文字特征面，生成多个仓库货物的外形标准特征数据；

进行多个所述文字特征面的文字特征分析与提取，生成多个仓库货物的文字标准特征数据。

5.根据权利要求1所述的用于自动化仓库货物识别的方法，其特征在于，所述确定自动化仓库中的待识别货物，对所述待识别货物进行拾取与随机拍摄，得到随机拍摄图像具体包括以下步骤：

进行自动化仓库中的待识别货物定位，生成货物定位数据；

根据所述货物定位数据，生成定位拾取信号；

根据所述定位拾取信号，对所述待识别货物进行拾取；

对完成拾取的所述待识别货物进行随机拍摄，得到随机拍摄图像。

6.根据权利要求1所述的用于自动化仓库货物识别的方法，其特征在于，所述基于所述外形标准特征数据，对所述随机拍摄图像进行外形特征识别与匹配，确定识别筛选范围具体包括以下步骤：

对所述随机拍摄图像进行外形特征识别，生成识别外形特征；

基于所述外形标准特征数据，对所述识别外形特征进行特征匹配，生成特征匹配结果；

根据所述特征匹配结果，确定识别筛选范围。

7.根据权利要求1所述的用于自动化仓库货物识别的方法，其特征在于，所述根据所述随机拍摄图像，确定所述待识别货物的文字特征面，并对所述文字特征面进行拍摄，生成特征面拍摄图像具体包括以下步骤：

综合所述识别筛选范围和所述外形标准特征数据，确定所述待识别货物的文字特征面；

根据所述随机拍摄图像，生成翻转至文字特征面的翻转信号；

根据所述翻转信号，对所述待识别货物进行翻转；

在完成翻转之后，对所述文字特征面进行拍摄，生成特征面拍摄图像。

8.根据权利要求1所述的用于自动化仓库货物识别的方法，其特征在于，所述基于所述文字标准特征数据和所述识别筛选范围，对所述特征面拍摄图像进行文字特征识别与匹配，生成货物识别结果具体包括以下步骤：

对所述特征面拍摄图像进行文字特征识别，生成识别文字特征；

基于所述文字标准特征数据和所述识别筛选范围，对所述识别文字特征进行特征匹配，生成货物识别结果。

Images