CN115569851B - 一种基于物联网的交叉带智能货物分拣系统及方法 - Google Patents

一种基于物联网的交叉带智能货物分拣系统及方法 Download PDF

Info

Publication number
CN115569851B
CN115569851B CN202211242343.XA CN202211242343A CN115569851B CN 115569851 B CN115569851 B CN 115569851B CN 202211242343 A CN202211242343 A CN 202211242343A CN 115569851 B CN115569851 B CN 115569851B
Authority
CN
China
Prior art keywords
camera
recognition
module
sorting
goods
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
CN202211242343.XA
Other languages
English (en)
Other versions
CN115569851A (zh
Inventor
林嘉颖
周莹莹
谭炜柱
周薛东
郑宝麟
罗叙忠
颜颖芝
李振玉
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.)
Guangdong Feiliu Intelligent Technology Co ltd
Original Assignee
Guangdong Feiliu Intelligent 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 Guangdong Feiliu Intelligent Technology Co ltd filed Critical Guangdong Feiliu Intelligent Technology Co ltd
Priority to CN202211242343.XA priority Critical patent/CN115569851B/zh
Publication of CN115569851A publication Critical patent/CN115569851A/zh
Application granted granted Critical
Publication of CN115569851B publication Critical patent/CN115569851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/02—Apparatus characterised by the means used for distribution
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/10—Apparatus characterised by the means used for detection ofthe destination
    • B07C3/14—Apparatus characterised by the means used for detection ofthe destination using light-responsive detecting means
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Sorting Of Articles (AREA)

Abstract

本申请提出了一种基于物联网的交叉带智能货物分拣系统及方法，其特征在于：所述货物分拣系统包括摄像模块、预处理模块、图像识别模块、控制模块、分拣模块、货物传输轨道；所述摄像模块用于获取包含货品包装物表面特征的图像；所述预处理模块用于完成对所述货物包装物标签的校正处理；所述图像识别模块用于完成对校正处理后的包装物标签进行识别；所述控制模块用于获取所述货物传输轨道上的货物移动速度，并据此调整摄像头的移动速度；所述分拣模块用于将所述货物传输轨道上的所述货物按照识别后的结果发送给对应的分拣槽；所述货物传输轨道用于承载运输待分拣的货物。本申请的各模块间紧密协作，能够以极高的识别率将货物精准传送至分拣槽内，提高了自动化程度，降低了误识别率。

Description

一种基于物联网的交叉带智能货物分拣系统及方法
技术领域
本发明属于物流分拣技术领域，具体涉及一种基于物联网的交叉带智能货物分拣系统及方法。
背景技术
交叉带式分拣机工作原理：由一组小车组成的封闭输送分拣系统，一可以呈环形或带形，小车沿轨道运动，小车表面皮带可在与小车运动垂直的方向上转动，包裹经过导入台装置准确的上到小车上，经过扫描后识别出张贴于包裹上的标签，根据标签信息将不同目的地的包裹在不同的格口卸载下去，从而实现根据目的地将包裹进行分类的目的。
目前，货物在物流分拣处理时一般是通过输送带输送货物，并在输送带的上方架设一摄影机，通过摄影机来拍摄货物上的标识。这种方式存在的问题主要是由于货品移动过程中拍摄到的标签存在模糊不清的情况，无法保证正确辨识。
因此，现有技术中存在的货物标签拍摄模糊、货物物流信息识别率低的技术问题。
发明内容
为解决上述问题，本发明提出了一种基于物联网的交叉带智能货物分拣系统，其特征在于：所述货物分拣系统包括摄像模块、预处理模块、图像识别模块、控制模块、分拣模块、货物传输轨道；
所述摄像模块用于获取包含货品包装物表面特征的图像；
所述预处理模块用于完成对所述货物包装物标签的校正处理；
所述图像识别模块用于完成对校正处理后的包装物标签进行识别；
所述控制模块用于获取所述货物传输轨道上的货物移动速度，并据此调整摄像头的移动速度；
所述分拣模块用于将所述货物传输轨道上的所述货物按照识别后的结果发送给对应的分拣槽；
所述货物传输轨道用于承载运输待分拣的货物。
可选的，所述摄像模块包含多个带有云台的摄像头，所述带有云台的摄像头安装于摄像头导轨中，所述摄像头能够在所述控制模块的作用下随货物传输轨道上货物的移动速度进行等速移动，而且各个摄像头均匀分布于N个所述摄像头导轨。
可选的，所述预处理模块中的标签信息包含地址信息，所述地址信息包含省、市信息中的至少一项信息，以及区、县、镇、街道信息中的至少一项信息。
可选的，所述摄像头导轨与所述货物传输轨道平行设置，二者之间的距离为1至2.5米。
可选的，所述分拣模块根据所述图像识别模块识别出的省、市、区、县、镇、街道信息中的至少一项，将所述货物发送给不同的对应分拣槽。
相应的，本申请提出了一种基于物联网的交叉带智能货物分拣方法，其特征在于：所述货物分拣方法包括以下步骤：
步骤S1:利用摄像模块获取包含货品包装物表面特征的图像；
步骤S2:利用预处理模块完成对所述货物包装物标签的校正处理；
步骤S3:利用图像识别模块完成对校正处理后的包装物标签进行识别；
步骤S4:利用控制模块获取所述货物传输轨道上的货物移动速度，并据此调整摄像头的移动速度；
步骤S5:利用分拣模块将所述货物传输轨道上的所述货物按照识别后的结果发送给对应的分拣槽；
步骤S6:利用货物传输轨道承载运输待分拣的货物。
可选的，所述步骤S1中的摄像模块包含多个带有云台的摄像头，所述带有云台的摄像头安装于摄像头导轨中，所述摄像头能够在所述控制模块的作用下随货物传输轨道上货物的移动速度进行等速移动，而且各个摄像头均匀分布于N个所述摄像头导轨。
可选的，所述步骤S2中的预处理模块中的标签信息包含地址信息，所述地址信息包含省、市信息中的至少一项信息，以及区、县、镇、街道信息中的至少一项信息。
可选的，所述摄像头导轨与所述货物传输轨道平行设置，二者之间的距离为1至2.5米。
可选的，所述步骤S5中的分拣模块根据所述图像识别模块识别出的省、市、区、县、镇、街道信息中的至少一项，将所述货物发送给不同的对应分拣槽。
本申请的创新点以及取得的有益效果：
1.本申请提供的一种基于物联网的交叉带智能货物分拣系统及方法，通过设置的多条摄像头导轨，使得摄像头能够根据货物在传输轨道上的移动进行等速移动，大大减少了运动模糊，从源头提高了后续识别的精度；
2.多条导轨的设置可以使得货物分拣系统不间断运行，当第一摄像头在第一摄像头导轨上到达终点后，第二摄像头在第二摄像头导轨启动运行，并对第一摄像头进行复位，使之回归第一摄像头导轨原点；当第二摄像头在第二摄像头导轨上到达终点后，第三摄像头在第三摄像头导轨启动运行，并对第二摄像头进行复位，使之回归第二摄像头导轨原点。
3.采用二维码/条码识别与字符识别同时识别，必要时进行相似度匹配，二者一致时，分割出省、室、区等信息，进行分类，传输至对应的分拣槽，防止单一识别出错或无法识别导致的系统错误，避免了单一识别失败使得无法进行货物分拣。
4.字符识别时采用了经过物流信息训练的深度神经网络，通过各层的结构设计及各优化函数设计，提高了字符识别的准确性。
附图说明
图1为本申请的系统结构图。
实施方式
参照图1所示，本发明提出了一种基于物联网的交叉带智能货物分拣系统，其特征在于：所述货物分拣系统包括摄像模块、预处理模块、图像识别模块、控制模块、分拣模块、货物传输轨道；
所述摄像模块用于获取包含货品包装物表面特征的图像；
所述预处理模块用于完成对所述货物包装物标签的校正处理；
所述图像识别模块用于完成对校正处理后的包装物标签进行识别；
所述控制模块用于获取所述货物传输轨道上的货物移动速度，并据此调整摄像头的移动速度；
所述分拣模块用于将所述货物传输轨道上的所述货物按照识别后的结果发送给对应的分拣槽；
所述货物传输轨道用于承载运输待分拣的货物。
可选的，所述摄像模块包含多个带有云台的摄像头，所述带有云台的摄像头安装于摄像头导轨中，所述摄像头能够在所述控制模块的作用下随货物传输轨道上货物的移动速度进行等速移动，而且各个摄像头均匀分布于N个所述摄像头导轨。
可选的，多条导轨的设置可以使得货物分拣系统不间断运行，当第一摄像头在第一摄像头导轨上到达终点后，第二摄像头在第二摄像头导轨启动运行，并对第一摄像头进行复位，使之回归第一摄像头导轨原点；当第二摄像头在第二摄像头导轨上到达终点后，第三摄像头在第三摄像头导轨启动运行，并对第二摄像头进行复位，使之回归第二摄像头导轨原点。具体的摄像头及摄像头导轨数量的设置的约束为：能够使得系统能够持续不间断运行为准。
可选的，所述预处理模块中的标签信息包含地址信息，所述地址信息包含省、市信息中的至少一项信息，以及区、县、镇、街道信息中的至少一项信息。
可选的，所述预处理模块还包括对带有标签的图像进行合规检查，在不满足预设条件下进行相应处理，比如进行亮度增强调整、形状校正等处理手段。
可选的，图像识别模块可以二维码/条码识别与字符识别同时识别，必要时进行相似度匹配，二者一致时，分割出省、室、区等信息，进行分类，传输至对应的分拣槽，防止单一识别出错或无法识别导致的系统错误，避免了单一识别失败使得无法进行货物分拣。也可单一使用二维码/条码识别或字符识别，当一种识别方式失败时，才启动第二中识别方式。例如：可以直接使用用二维码/条码识别，当识别失败时，使用字符识别方式；也可以直接使用字符识别方式，当识别失败时，转而采用二维码/条码识别方式。如果两种方式均识别失败，则传输至异常槽，等待人工分拣或重新进行过机，重新进行系统分拣；所述异常槽专门容纳识别失败的货物。
可选的，识别时首先提取货物标签的特征向量，然后计算待识别的特征向量与预设各模板向量之间的相似度S，所述相似度S表示为：
Figure SMS_1
，其中S表示相似值，/>
Figure SMS_2
，N表示特征点总数；/>
Figure SMS_3
且 />
Figure SMS_4
，/>
Figure SMS_5
为第i个待识别特征点，/>
Figure SMS_6
表示第j模板中对应于第i个位置的特征点。
若所述S等于或大于一预设的相似度阈值，则认为识别成功，将该模板所对应的字符视为识别结果，所述对象可以为单个字符或一个字符串。
可选的，所述图像识别模块可采用深度神经网络，其具体可包含有输入层、一个或多个隐含层、输出层；
所述输入层用于接收预处理后的图片，所述图片包含货物标签信息，可选的，所述隐含层包含一个或多个卷积层、一个或多个池化层；所述深度神经网络采用的损失函数为对数似然损失函数。
可选的，所述池化方法如下：
Figure SMS_7
；
其中，
Figure SMS_8
表示当前层的输出，/>
Figure SMS_9
用以表示函数/>
Figure SMS_10
的输入，/>
Figure SMS_11
表示当前层的权重，
Figure SMS_12
表示对数似然损失函数，/>
Figure SMS_13
表示上一层的输出。
可选的，所述
Figure SMS_14
；
N表示所述样本数据集的大小，i取值1～N，yi表示样本xi对应的标签；
Figure SMS_15
表示样本xi在其标签yi处的权重，/>
Figure SMS_16
表示样本xi在其标签yi处的偏差，/>
Figure SMS_17
表示输出节点j处的偏差；/>
Figure SMS_18
为样本xi与其对应标签yi的权重夹角。
激励函数R为：
Figure SMS_19
N表示包含样本数据集的大小；yi表示样本特征向量xi对应的标签值；
Figure SMS_20
表示样本特征向量xi在其标签yi处的权重，/>
Figure SMS_21
表示为样本xi与其对应标签yi的向量夹角。
对上述深度神经网络不断进行训练，直到满足预定的条件为止,得到训练后的深度神经网络模型。
可选的，所述摄像头导轨与所述货物传输轨道平行设置，二者之间的距离为1至2.5米。优选的，二者之间的距离为0.8至1.2米之间。
可选的，所述分拣模块根据所述图像识别模块识别出的省、市、区、县、镇、街道信息中的至少一项，将所述货物发送给不同的对应分拣槽。在一些系统设置中，可能无省、市、区、县、镇的字样，直接以“/”或“-”或“\”或空格等字符进行替代。
可选的，所述一种基于物联网的交叉带智能货物分拣还可包括云服务器，所述云服务器可实现数据的存储与计算功能，所述预处理模块、图像识别模块、控制模块均可托管于云服务器。
相应的，本申请提出了一种基于物联网的交叉带智能货物分拣方法，其特征在于：所述货物分拣方法包括以下步骤：
步骤S1:利用摄像模块获取包含货品包装物表面特征的图像；
步骤S2:利用预处理模块完成对所述货物包装物标签的校正处理；
步骤S3:利用图像识别模块完成对校正处理后的包装物标签进行识别；
步骤S4:利用控制模块获取所述货物传输轨道上的货物移动速度，并据此调整摄像头的移动速度；
步骤S5:利用分拣模块将所述货物传输轨道上的所述货物按照识别后的结果发送给对应的分拣槽；
步骤S6:利用货物传输轨道承载运输待分拣的货物。
可选的，所述步骤S1中的摄像模块包含多个带有云台的摄像头，所述带有云台的摄像头安装于摄像头导轨中，所述摄像头能够在所述控制模块的作用下随货物传输轨道上货物的移动速度进行等速移动，而且各个摄像头均匀分布于N个所述摄像头导轨。
可选的，多条导轨的设置可以使得货物分拣系统不间断运行，当第一摄像头在第一摄像头导轨上到达终点后，第二摄像头在第二摄像头导轨启动运行，并对第一摄像头进行复位，使之回归第一摄像头导轨原点；当第二摄像头在第二摄像头导轨上到达终点后，第三摄像头在第三摄像头导轨启动运行，并对第二摄像头进行复位，使之回归第二摄像头导轨原点。具体的摄像头及摄像头导轨数量的设置的约束为：能够使得分拣方法能够持续不间断运行为准。
可选的，所述步骤S2中的预处理模块中的标签信息包含地址信息，所述地址信息包含省、市信息中的至少一项信息，以及区、县、镇、街道信息中的至少一项信息。
可选的，所述预处理模块还包括对带有标签的图像进行合规检查，在不满足预设条件下进行相应处理，比如进行亮度增强调整、形状校正等处理手段。
可选的，图像识别模块可以二维码/条码识别与字符识别同时识别，必要时进行相似度匹配，二者一致时，分割出省、室、区等信息，进行分类，传输至对应的分拣槽，防止单一识别出错或无法识别导致的系统错误，避免了单一识别失败使得无法进行货物分拣。也可单一使用二维码/条码识别或字符识别，当一种识别方式失败时，才启动第二中识别方式。例如：可以直接使用用二维码/条码识别，当识别失败时，使用字符识别方式；也可以直接使用字符识别方式，当识别失败时，转而采用二维码/条码识别方式。如果两种方式均识别失败，则传输至异常槽，等待人工分拣或重新进行过机，重新进行系统分拣；所述异常槽专门容纳识别失败的货物。
可选的，识别时首先提取货物标签的特征向量，然后计算待识别的特征向量与预设各模板向量之间的相似度S，所述相似度S表示为：
Figure SMS_22
，其中S表示相似值，/>
Figure SMS_23
，N表示特征点总数；/>
Figure SMS_24
且/>
Figure SMS_25
，/>
Figure SMS_26
为第i个待识别特征点，/>
Figure SMS_27
表示第j模板中对应于第i个位置的特征点。
若所述S等于或大于一预设的相似度阈值，则认为识别成功，将该模板所对应的字符视为识别结果，所述对象可以为单个字符或一个字符串。
可选的，所述图像识别模块可采用深度神经网络，其具体可包含有输入层、一个或多个隐含层、输出层；
所述输入层用于接收预处理后的图片，所述图片包含货物标签信息，可选的，所述隐含层包含一个或多个卷积层、一个或多个池化层；所述深度神经网络采用的损失函数为对数似然损失函数。
可选的，所述池化方法如下：
Figure SMS_28
；
其中，
Figure SMS_29
表示当前层的输出，/>
Figure SMS_30
用以表示函数/>
Figure SMS_31
的输入，/>
Figure SMS_32
表示当前层的权重，
Figure SMS_33
表示对数似然损失函数，/>
Figure SMS_34
表示上一层的输出。
可选的，所述
Figure SMS_35
；
N表示所述样本数据集的大小，i取值1～N，yi表示样本xi对应的标签；
Figure SMS_36
表示样本xi在其标签yi处的权重，/>
Figure SMS_37
表示样本xi在其标签yi处的偏差，/>
Figure SMS_38
表示输出节点j处的偏差；/>
Figure SMS_39
为样本xi与其对应标签yi的权重夹角。
激励函数R为：
Figure SMS_40
N表示包含样本数据集的大小；yi表示样本特征向量xi对应的标签值；
Figure SMS_41
表示样本特征向量xi在其标签yi处的权重，/>
Figure SMS_42
表示为样本xi与其对应标签yi的向量夹角。
对上述深度神经网络不断进行训练，直到满足预定的条件为止,得到训练后的深度神经网络模型。可选的，所述摄像头导轨与所述货物传输轨道平行设置，二者之间的距离为1至2.5米。优选的，二者之间的距离为0.8至1.2米之间。可选的，所述步骤S5中的分拣模块根据所述图像识别模块识别出的省、市、区、县、镇、街道信息中的至少一项，将所述货物发送给不同的对应分拣槽。在一些设置中，可能无省、市、区、县、镇的字样，直接以“/”或“-”或“\”或空格等字符进行替代。
可选的，所述一种基于物联网的交叉带智能货物分拣方法还包括：利用云服务器实现数据的存储与计算功能，所述预处理模块、图像识别模块、控制模块均可托管于所述云服务器。
应当注意，本申请所记载的各系统模块都属于可自由组合项，在能够实现系统基本功能的前提下可以自行组合；本申请所记载的各步骤并无必然的先后关系，在能够实现系统功能的情况下可调整步骤的顺序，只要能够实现系统正常功能的组合方式，都属于本申请公开的范围，限于篇幅，不再重新组合举例，特在此说明。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例” 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一定指的是相同的实施例或示例。
本申请还提出一种计算机可读介质，上面包含可实现上述系统的程序代码，所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。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。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)。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围， 凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种基于物联网的交叉带智能货物分拣系统，其特征在于：
所述货物分拣系统包括摄像模块、预处理模块、图像识别模块、控制模块、分拣模块、货物传输轨道；
所述摄像模块用于获取包含货品包装物表面特征的图像；
所述预处理模块用于完成对所述货物包装物标签的校正处理；
所述图像识别模块用于完成对校正处理后的包装物标签进行识别；
所述控制模块用于获取所述货物传输轨道上的货物移动速度，并据此调整摄像头的移动速度；
所述分拣模块用于将所述货物传输轨道上的所述货物按照识别后的结果发送给对应的分拣槽；
所述货物传输轨道用于承载运输待分拣的货物；
所述摄像模块包含多个带有云台的摄像头，所述带有云台的摄像头安装于摄像头导轨中，所述摄像头能够在所述控制模块的作用下随货物传输轨道上货物的移动速度进行等速移动，而且各个摄像头均匀分布于N个所述摄像头导轨；
多条导轨的设置使得货物分拣系统不间断运行，当第一摄像头在第一摄像头导轨上到达终点后，第二摄像头在第二摄像头导轨启动运行，并对第一摄像头进行复位，使之回归第一摄像头导轨原点；当第二摄像头在第二摄像头导轨上到达终点后，第三摄像头在第三摄像头导轨启动运行，并对第二摄像头进行复位，使之回归第二摄像头导轨原点；具体的摄像头及摄像头导轨数量的设置的约束为：能够使得系统能够持续不间断运行为准；
所述图像识别模块为二维码/条码识别与字符识别同时识别，进行相似度匹配，二者一致时，分割出省、市、区信息，进行分类，传输至对应的分拣槽，防止单一识别出错或无法识别导致的系统错误；或直接使用二维码/条码识别，当识别失败时，使用字符识别方式；或直接使用字符识别方式，当识别失败时，转而采用二维码/条码识别方式；如果两种方式均识别失败，则传输至异常槽，等待人工分拣或重新进行过机，重新进行系统分拣；
所述异常槽专门容纳识别失败的货物；
识别时首先提取货物标签的特征向量，然后计算待识别的特征向量与预设各模板向量之间的相似度S，所述相似度S表示为：
Figure QLYQS_1
，其中S表示相似值，/>
Figure QLYQS_2
， N表示特征点总数；/>
Figure QLYQS_3
且/>
Figure QLYQS_4
，/>
Figure QLYQS_5
为第i个待识别特征点，/>
Figure QLYQS_6
表示第j模板中对应于第i个位置的特征点；
若所述S等于或大于一预设的相似度阈值，则认为识别成功，将该模板所对应的字符视为识别结果，待识别对象为单个字符或一个字符串。
2.根据权利要求1所述的一种基于物联网的交叉带智能货物分拣系统，所述预处理模块中的标签信息包含地址信息，所述地址信息包含省、市信息中的至少一项信息，以及区、县、镇、街道信息中的至少一项信息。
3.根据权利要求1所述的一种基于物联网的交叉带智能货物分拣系统，所述摄像头导轨与所述货物传输轨道平行设置，二者之间的距离为1至2.5米。
4.根据权利要求1所述的一种基于物联网的交叉带智能货物分拣系统，所述分拣模块根据所述图像识别模块识别出的省、市、区、县、镇、街道信息中的至少一项，将所述货物发送给不同的对应分拣槽。
5.一种基于物联网的交叉带智能货物分拣方法，其特征在于：所述货物分拣方法包括以下步骤：
步骤S1:利用摄像模块获取包含货品包装物表面特征的图像；
步骤S2:利用预处理模块完成对所述货物包装物标签的校正处理；
步骤S3:利用图像识别模块完成对校正处理后的包装物标签进行识别；
步骤S4:利用控制模块获取所述货物传输轨道上的货物移动速度，并据此调整摄像头的移动速度；
步骤S5:利用分拣模块将所述货物传输轨道上的所述货物按照识别后的结果发送给对应的分拣槽；
步骤S6:利用货物传输轨道承载运输待分拣的货物；
所述摄像模块包含多个带有云台的摄像头，所述带有云台的摄像头安装于摄像头导轨中，所述摄像头能够在所述控制模块的作用下随货物传输轨道上货物的移动速度进行等速移动，而且各个摄像头均匀分布于N个所述摄像头导轨；
多条导轨的设置使得货物分拣系统不间断运行，当第一摄像头在第一摄像头导轨上到达终点后，第二摄像头在第二摄像头导轨启动运行，并对第一摄像头进行复位，使之回归第一摄像头导轨原点；当第二摄像头在第二摄像头导轨上到达终点后，第三摄像头在第三摄像头导轨启动运行，并对第二摄像头进行复位，使之回归第二摄像头导轨原点；具体的摄像头及摄像头导轨数量的设置的约束为：能够使得系统能够持续不间断运行为准；
所述图像识别模块为二维码/条码识别与字符识别同时识别，进行相似度匹配，二者一致时，分割出省、市、区信息，进行分类，传输至对应的分拣槽，防止单一识别出错或无法识别导致的系统错误；或直接使用二维码/条码识别，当识别失败时，使用字符识别方式；或直接使用字符识别方式，当识别失败时，转而采用二维码/条码识别方式；如果两种方式均识别失败，则传输至异常槽，等待人工分拣或重新进行过机，重新进行系统分拣；
所述异常槽专门容纳识别失败的货物；
识别时首先提取货物标签的特征向量，然后计算待识别的特征向量与预设各模板向量之间的相似度S，所述相似度S表示为：
Figure QLYQS_7
，其中S表示相似值，/>
Figure QLYQS_8
，N表示特征点总数；/>
Figure QLYQS_9
且/>
Figure QLYQS_10
，/>
Figure QLYQS_11
为第i个待识别特征点，/>
Figure QLYQS_12
表示第j模板中对应于第i个位置的特征点；
若所述S等于或大于一预设的相似度阈值，则认为识别成功，将该模板所对应的字符视为识别结果，待识别对象为单个字符或一个字符串。
6.根据权利要求5所述的一种基于物联网的交叉带智能货物分拣方法，所述步骤S2中的预处理模块中的标签信息包含地址信息，所述地址信息包含省、市信息中的至少一项信息，以及区、县、镇、街道信息中的至少一项信息。
7.根据权利要求5所述的一种基于物联网的交叉带智能货物分拣方法，所述摄像头导轨与所述货物传输轨道平行设置，二者之间的距离为1至2.5米。
8.根据权利要求5所述的一种基于物联网的交叉带智能货物分拣方法，所述步骤S5中的分拣模块根据所述图像识别模块识别出的省、市、区、县、镇、街道信息中的至少一项，将所述货物发送给不同的对应分拣槽。
CN202211242343.XA 2022-10-11 2022-10-11 一种基于物联网的交叉带智能货物分拣系统及方法 Active CN115569851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211242343.XA CN115569851B (zh) 2022-10-11 2022-10-11 一种基于物联网的交叉带智能货物分拣系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211242343.XA CN115569851B (zh) 2022-10-11 2022-10-11 一种基于物联网的交叉带智能货物分拣系统及方法

Publications (2)

Publication Number Publication Date
CN115569851A CN115569851A (zh) 2023-01-06
CN115569851B true CN115569851B (zh) 2023-06-20

Family

ID=84584745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211242343.XA Active CN115569851B (zh) 2022-10-11 2022-10-11 一种基于物联网的交叉带智能货物分拣系统及方法

Country Status (1)

Country Link
CN (1) CN115569851B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136533A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN104392238A (zh) * 2014-09-29 2015-03-04 樊晓莉 含多类型标识的信息载体的识别方法
CN107766862A (zh) * 2017-10-19 2018-03-06 成都博智维讯信息技术股份有限公司 商品价格标签数字识别方法
CN108416412A (zh) * 2018-01-23 2018-08-17 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流复合码识别方法
CN112288372A (zh) * 2020-11-06 2021-01-29 辽宁黑北健科技有限公司 一种可同时识别一维条码和三段码字符的快递单识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0665421A1 (de) * 1994-01-26 1995-08-02 Bernhard Beumer Maschinenfabrik KG Stückgutförderer (Sorter) zum Sortieren von Stückgutteilen
JPH08293007A (ja) * 1995-04-21 1996-11-05 Hideo Matsuno 物品自動識別装置
US5990437A (en) * 1997-02-05 1999-11-23 W & H Systems, Inc. System for sorting articles
CN204631884U (zh) * 2015-05-12 2015-09-09 北京农业信息技术研究中心 一种适用于移动物体的条码扫描设备
CN207586929U (zh) * 2017-07-27 2018-07-06 顺丰科技有限公司 一种具有扫描移动条码功能的设备
CN107273959B (zh) * 2017-07-27 2023-09-29 丰翼科技(深圳)有限公司 一种具有扫描移动条码功能的设备
CN108043734B (zh) * 2017-12-07 2021-03-19 深圳市欣视景科技股份有限公司 一种交叉带分拣系统的模拟方法及可读存储介质
CN108554829B (zh) * 2018-05-22 2024-07-19 深圳市驭智装备技术有限公司 一种交叉带式物流分拣系统
CN109284686A (zh) * 2018-08-23 2019-01-29 国网山西省电力公司计量中心 一种摄像头自动俯仰拍照的标签识别方法
JP7159117B2 (ja) * 2019-06-24 2022-10-24 株式会社東芝 物品区分制御装置、物品区分制御プログラム、及び物品区分システム
CN112439715B (zh) * 2020-11-04 2022-03-25 杭州启隆智能科技有限公司 交叉带分拣设备的货品分拣系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136533A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN104392238A (zh) * 2014-09-29 2015-03-04 樊晓莉 含多类型标识的信息载体的识别方法
CN107766862A (zh) * 2017-10-19 2018-03-06 成都博智维讯信息技术股份有限公司 商品价格标签数字识别方法
CN108416412A (zh) * 2018-01-23 2018-08-17 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流复合码识别方法
CN112288372A (zh) * 2020-11-06 2021-01-29 辽宁黑北健科技有限公司 一种可同时识别一维条码和三段码字符的快递单识别方法

Also Published As

Publication number Publication date
CN115569851A (zh) 2023-01-06

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
US11816165B2 (en) Identification of fields in documents with neural networks without templates
US9984471B2 (en) Label and field identification without optical character recognition (OCR)
CN110032969B (zh) 用于检测图像中的文本区域的方法、装置、设备以及介质
CN107617573A (zh) 一种基于多任务深度学习的物流编码识别和分拣方法
CN105678322A (zh) 样本标注方法和装置
CN105740891B (zh) 基于多层次特征提取和上下文模型的目标检测
US20180285692A1 (en) Target Tracking with Inter-Supervised Convolutional Networks
CN113379718A (zh) 一种目标检测方法、装置、电子设备以及可读存储介质
CN109934255B (zh) 一种适用于饮料瓶回收机投递物分类识别的模型融合方法
US20230029045A1 (en) Automatic image classification and processing method based on continuous processing structure of multiple artificial intelligence model, and computer program stored in computer-readable recording medium to execute the same
CN111476210B (zh) 基于图像的文本识别方法、系统、设备及存储介质
Thomas et al. A deep HMM model for multiple keywords spotting in handwritten documents
CN111340022A (zh) 身份证信息识别方法、装置、计算机设备及存储介质
CN115019133B (zh) 基于自训练和标签抗噪的图像中弱目标的检测方法及系统
CN111167731B (zh) 一种产品分拣方法、产品分拣系统和智能分拣机器人
CN111178464A (zh) 一种基于神经网络的ocr识别在物流行业快递面单的应用
CN113269038B (zh) 一种基于多尺度的行人检测方法
CN115569851B (zh) 一种基于物联网的交叉带智能货物分拣系统及方法
CN117275011B (zh) 一种商品识别与商品价签匹配方法、系统、终端及介质
CN117292193B (zh) 多工位智能物流输送系统
Tian et al. BAN, a barcode accurate detection network
CN115861809A (zh) 杆状物检测及其模型的训练方法、装置、电子设备、介质
CN115601586A (zh) 标签信息获取方法、装置、电子设备及计算机存储介质
Li et al. Automatic container code localization and recognition via an efficient code detector and sequence recognition

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