CN116151500B - 一种物资自动化处理方法及系统 - Google Patents
一种物资自动化处理方法及系统 Download PDFInfo
- Publication number
- CN116151500B CN116151500B CN202211556499.5A CN202211556499A CN116151500B CN 116151500 B CN116151500 B CN 116151500B CN 202211556499 A CN202211556499 A CN 202211556499A CN 116151500 B CN116151500 B CN 116151500B
- Authority
- CN
- China
- Prior art keywords
- stored
- preset
- matching
- feature
- obtaining
- 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
- 239000000463 material Substances 0.000 title claims abstract description 417
- 238000003672 processing method Methods 0.000 title description 8
- 238000003860 storage Methods 0.000 claims abstract description 91
- 239000013598 vector Substances 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种物资自动化处理方法及系统，其方法包括：获取待存放物资图像，得到待存放物资特征集合；基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；基于物资需求请求，匹配相对应的物资处理命令；基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资。通过对待存放物资与预设物资的图像和特征进行分析，得到待存放物资的特征向量，匹配待存放物资的存放路径，还通过对需求请求的分析，提取关键字匹配最佳调取路径，实现了物资的自动化处理，大大提高了物资调取效率。
Description
技术领域
本发明涉及自动化技术领域，特别涉及一种物资自动化处理方法及系统。
背景技术
目前，随着科学技术的发展，提高生产力成了社会发展的重中之重，全球经济一体化促进了各个国家和地区之间的经济交流，物资流转需求大大增强，自动化是指生产、管理过程在没有人或较少人的直接参与下，按照人的要求，经过自动检测、信息处理、分析判断、操纵控制，实现预期的目标的过程。
由于，现在都是需要人为去核对物资的存放位置以及调取位置，在此过程中如果对仓库的地形不清楚以及不了解物资属性，在寻找路径的过程中就会导致工作时间极大的增加，进而使得工作效率降低，因此，本发明设计了一种物资自动化处理方法及系统。
发明内容
本发明提供一种物资自动化处理方法及系统，用以通过对待存放物资与预设物资的图像和特征进行分析，得到待存放物资的特征向量，匹配待存放物资的存放路径，还通过对需求请求的分析，提取关键字匹配最佳调取路径，实现了物资的自动化处理，大大提高了物资调取效率。
本发明提供一种物资自动化处理方法，包括：
步骤1：获取待存放物资图像，得到待存放物资特征集合；
步骤2：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
步骤3：基于物资需求请求，匹配相对应的物资处理命令；
步骤4：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资。
优选的，一种物资自动化处理方法，步骤1中，获取待存放物资图像，得到待存放物资特征集合，包括：
获取待存放物资图像，并进行灰度化处理，得到当下灰度值分布图；
基于所述当下灰度值分布图，得到当下集中区域；
按照所述当下集中区域将所述当下灰度值分布图进行分割，得到若干个第一像素点集中图；
基于所有第一像素点集中图，得到待存放物资特征集合。
优选的，一种物资自动化处理方法，基于所有第一像素点集中图，得到待存放物资特征集合，包括：
获取每个第一像素点集中图中的点特征；
将每个像素点集中图对应的所有点特征依次输入特征向量模型，得到对应的第一特征向量；
基于所有第一特征向量，得到待存放物资特征集合。
优选的，一种物资自动化处理方法，步骤2中，基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储，包括：
获取预设物资图像，并进行灰度化处理，得到预设分布图；
基于所述预设分布图的像素灰度值分布情况，得到所述预设物资图像的第二集中区域；
按照所述第二集中区域将所述预设分布图以预设坐标延伸为范围进行分割，得到若干个第二像素点集中图；
按照每个第二像素点集中图中的像素点密集程度，对所有第二像素点集中图进行密集程度的从大到小排序，得到区域特征图集；
基于所述区域特征图集，获取像素点最密集的像素点集中图作为主要特征图，且将所述区域特征图集中主要特征图之外的图作为辅助特征图；
获取所述主要特征图的第一点特征，并输入到特征向量模型中，得到对应的主要特征向量；
获取每个辅助特征图的第二点特征，并输入到特征向量模型中，得到对应的辅助特征向量；
基于所述主要特征向量以及所有辅助特征向量，得到所述预设物资图像中每个预设物资的第一物资特征；
基于每个预设物资的物资属性以及仓库实际情况，得到每个预设物资的第二物资特征；
基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的主要特征向量，计算得到相对应的一次匹配指数；
基于所有一次匹配指数，选择数值最高的一次匹配指数作为最终一次匹配指数；
当所述最终一次匹配指数大于或等于预设匹配指数时，将所述最终一次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征，得到所述待存放物资的存放路径；
当所述最终一次匹配指数小于预设匹配指数时，依次基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的所有辅助特征向量，计算得到相对应的二次匹配指数；
基于所有二次匹配指数，选择数值最高的二次匹配指数作为最终二次匹配指数；
当所述最终二次匹配指数大于或等于预设匹配指数时，将所述最终二次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征，得到所述待存放物资的存放路径；
当所述最终二次匹配指数小于预设匹配指数时，发送人工匹配命令，终止此次匹配进程。
优选的，一种物资自动化处理方法，基于所有相对应的待存放物资的一次匹配指数，选择数值最高的一次匹配指数作为最终一次匹配指数，还包括：
当数值最大的一次匹配指数个数大于一个时，发送人工判断指令，基于人工判断的结果选择最终一次匹配指数。
优选的，一种物资自动化处理方法及系统，步骤3中，基于物资需求请求，匹配相对应的物资处理命令，包括：
获取历史需求请求，提取历史需求请求关键字；
构建基于每个历史需求请求关键字的第一词库，同时，对提取的所有历史需求请求关键词进行词聚类分析，得到若干第二词库；
获取物资需求请求，与第一词库进行第一匹配，得到第一匹配结果；
当第一匹配结果中包含的关键字大于一个时，提取第一匹配结果中的关键字与全部第二词库进行第二匹配，得到包含匹配的第二词库的数量的第二匹配结果；
基于所述第二匹配结果对所述第一匹配结果进行分析，得到物资处理命令；
当第一匹配结果中包含的关键字为一个时，分析第一匹配结果，得到物资处理命令。
优选的，一种物资自动化处理方法，基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资，包括：
基于所述物资处理命令，得到处理信息以及物资信息；
获取所述物资信息中的物资种类，匹配相对应的预设物资的存放路径；
将相对应的预设物资的存放路径以及处理信息输入路径规划模型，得到最佳存放路径。
本发明提供一种物资自动化处理系统，包括：
物资获取模块：获取待存放物资图像，得到待存放物资特征集合；
物资存放模块：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
需求匹配模块：基于物资需求请求，匹配相对应的物资处理命令；
物资处理模块：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资。
优选的，一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行任一项所述方法的步骤。
优选的，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行任一项所述方法的步骤。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种物资自动化处理方法的流程图；
图2为本发明实施例中一种物资自动化处理系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明实施例提供一种物资自动化处理方法，如图1所示，包括：
步骤1：获取待存放物资图像，得到待存放物资特征集合；
步骤2：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
步骤3：基于物资需求请求，匹配相对应的物资处理命令；
步骤4：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资。
该实施例中，待存放物资图像指的是对待存放物资入库分拣时扫描的图像，从而达到得到待存放物资特征的目的，且每张待存放物资图像包括一个物资，比如一个包裹的图像。
该实施例中，待存放物资集合指的是由像素点集中图的特征向量构成的，能够代表待存放物资的特征的集合，比如，物资轮廓、物资类型、物资名称、物资型号等特征在内。
该实施例中，待存放物资物的物资存放路径指的是按照待存放物资物的属性、特征以及仓库的存储信息，为待存放物资物规划的存放所述待存放物资物的路径，比如将物资1经过道路1、2、3放置到货架1上。
该实施例中，物资需求请求指的是为了获取物资，发出的包含物资的种类、数量、调取用途、取货口、取货方式的需求申请。
该实施例中，物资处理命令指的是包含处理信息以及物资信息的物资调取命令，处理信息包括调取用途、取货口、取货方式，物资信息指的是物资需求请求中的物资的种类、数量。
该实施例中，最佳存放路径指的是基于物资处理命令中的处理信息以及物资信息，得到所需的所有物资的存放路径，对每个物资的存放路径进行统筹安排的用时最短的物资调取路径。
上述技术方案的有益效果是：通过对待存放物资与预设物资的图像和特征进行分析，得到待存放物资的特征向量，匹配待存放物资的存放路径，还通过对需求请求的分析，提取关键字匹配最佳调取路径，实现了物资的自动化处理，大大提高了物资调取效率。
实施例2：
在上述实施例1的基础上，本实施例提供了一种物资自动化处理方法，获取待存放物资图像，得到待存放物资特征集合，包括：
获取待存放物资图像，并进行灰度化处理，得到当下灰度值分布图；
基于所述当下灰度值分布图，得到当下集中区域；
按照所述当下集中区域将所述当下灰度值分布图进行分割，得到若干个第一像素点集中图；
基于所有第一像素点集中图，得到待存放物资特征集合。
该实施例中，灰度化处理指的是将待存放物资图像转化为灰度图像的过程，彩色图像分为R，G，B三个分量，分别显示出红绿蓝等各种颜色，灰度化就是使彩色的R，G，B分量相等的过程，为之后的图像分割、图像识别和图像分析等上层操作做准备。
该实施例中，灰度值分布图指的是待存放物资图像经过灰度化处理后的灰度值的分布情况图。
该实施例中，当下集中区域指的是在当下灰度值分布图中的像素集中的区域。
上述技术方案的有益效果是：通过对待存放物资图像进行灰度化处理，得到像素集中区域，进行图像特征分析，得到待存放物资特征集合，提高了对待存放物资图像的分析准确度，有利于待存放物资的识别匹配。
实施例3：
在上述实施例2的基础上，本实施例提供了一种物资自动化处理方法，基于所有第一像素点集中图，得到待存放物资特征集合，包括：
获取每个第一像素点集中图中的点特征；
将每个像素点集中图对应的所有点特征依次输入特征向量模型，得到对应的第一特征向量；
基于所有第一特征向量，得到待存放物资特征集合。
该实施例中，点特征指的是每个第一像素点集中图最基本的特征，它是指那些灰度信号在二维方向上都有明显变化的点，如角点、圆点等。
该实施例中，特征向量模型指的是由历史像素点特征集以及相对应的特征向量集训练而成的，能将像素点特征转化为特征向量的模型。
该实施例中，第一特征向量指的是每个像素点集中图对应的像素点特征的的向量，不随像素点集中图的放缩而变化，能够代表每个像素点集中图对应的像素点特征。
上述技术方案的有益效果是：通过对像素点的特征进行分析，得到像素点的特征向量，从而达到对待存放物资图像的特征精准分析的目的。
实施例4：
在上述实施例1的基础上，本实施例提供了一种物资自动化处理方法，基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储，包括：
获取预设物资图像，并进行灰度化处理，得到预设分布图；
基于所述预设分布图的像素灰度值分布情况，得到所述预设物资图像的第二集中区域；
按照所述第二集中区域将所述预设分布图以预设坐标延伸为范围进行分割，得到若干个第二像素点集中图；
按照每个第二像素点集中图中的像素点密集程度，对所有第二像素点集中图进行密集程度的从大到小排序，得到区域特征图集；
基于所述区域特征图集，获取像素点最密集的像素点集中图作为主要特征图，且将所述区域特征图集中主要特征图之外的图作为辅助特征图；
获取所述主要特征图的第一点特征，并输入到特征向量模型中，得到对应的主要特征向量；
获取每个辅助特征图的第二点特征，并输入到特征向量模型中，得到对应的辅助特征向量；
基于所述主要特征向量以及所有辅助特征向量，得到所述预设物资图像中每个预设物资的第一物资特征；
基于每个预设物资的物资属性以及仓库实际情况，得到每个预设物资的第二物资特征；
基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的主要特征向量，计算得到相对应的一次匹配指数；
基于所有一次匹配指数，选择数值最高的一次匹配指数作为最终一次匹配指数；
当所述最终一次匹配指数大于或等于预设匹配指数时，将所述最终一次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征以及仓库的存储信息，得到所述待存放物资的存放路径；
当所述最终一次匹配指数小于预设匹配指数时，依次基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的所有辅助特征向量，计算得到相对应的二次匹配指数；
基于所有二次匹配指数，选择数值最高的二次匹配指数作为最终二次匹配指数；
当所述最终二次匹配指数大于或等于预设匹配指数时，将所述最终二次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征，得到所述待存放物资的存放路径；
当所述最终二次匹配指数小于预设匹配指数时，发送人工匹配命令，终止此次匹配进程。
该实施例中，预设分布图指的是预设物资图像经过灰度化处理后的灰度值的分布情况图。
该实施例中，像素灰度值分布情况指的是在预设分布图中显示的像素灰度值的分布情况。
该实施例中，第二集中区域指的是在预设分布图中的灰度像素集中的区域。
该实施例中，第二像素点集中图指的是按照预设分布图中的灰度像素集中的区域，将预设分布图分割得到的若干个灰度像素集中的图像。
该实施例中，区域特征图集指的是按照每个第二像素点集中图中的像素点密集程度，对所有第二像素点集中图进行密集程度的从大到小排序，得到的第二像素点集中图集。
该实施例中，主要特征图指的是像素点最密集的像素点集中图，能够主要代表相对应的预设物资的特征。
该实施例中，辅助特征图指的是主要特征图之外的图，可以辅助主要特征图代表相对应的预设物资的特征。
该实施例中，第一点特征指的是所述主要特征图的最基本的特征，它是指那些灰度信号在二维方向上都有明显变化的点，如角点、圆点等。
该实施例中，主要特征向量指的是主要特征图对应的点特征的的向量，不随主要特征图的放缩而变化，能够代表每个像素点集中图对应的像素点特征。
该实施例中，特征向量模型指的是由历史像素点特征集以及相对应的特征向量集训练而成的，能将像素点特征转化为特征向量的模型。
该实施例中，第二点特征指的是所述辅助特征图的最基本的特征，它是指那些灰度信号在二维方向上都有明显变化的点，如角点、圆点等。
该实施例中，辅助特征向量指的是辅助特征图对应的点特征的的向量，不随辅助特征图的放缩而变化，能够代表每个像素点集中图对应的像素点特征。
该实施例中，第一物资特征指的是能够代表所述预设物资特征的特征集合，包括主要特征向量以及所有辅助特征向量。
该实施例中，预设物资的物资属性指的是预设物资本身自带的物资属性，包括：体积、存放温度、保质期。
该实施例中，仓库实际情况指的是仓库本身的存储条件，包括：常温库承载量、高温库承载量、低温库承载量。
该实施例中，第二物资特征指的是根据预设物资的物资属性以及仓库实际情况相结合的物资存储特征。
该实施例中，基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的主要特征向量，计算得到相对应的一次匹配指数，包括：
其中，表示所述待存放物资特征集合中第一特征向量的个数；表示所述待存
放物资特征集合中第个第一特征向量的值，且向量的值的取值范围为；表示对
应预设物资的主要特征向量的值，且向量的值的取值范围为；表示图像进行灰度化
处理时的默认损耗系数；表示基于向量的值的计算权重，且取值为0.90；表示对应的
一次匹配指数。
该实施例中，依次基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的所有辅助特征向量，计算得到相对应的二次匹配指数，包括：
将所述待存放物资特征集合中所有第一特征向量以及每个预设物资的所有辅助特征向量输入特征向量筛选模型，得到能够代表待存放物资特征的10个第一特征向量以及能够代表每个预设物资的10个辅助特征向量；
基于所述10个第一特征向量以及10个辅助特征向量，计算得到相对应的二次匹配
指数；
其中，表示所述待存放物资特征集合中的第一特征向量的个数，且；表示所述待存放物资特征集合中的对应的第个第一特征向量的值，且向量的值的取
值范围为；表示对应预设物资的第一特征中的第个辅助特征向量的值，且向量的
值的取值范围为；表示图像进行灰度化处理时的默认损耗系数；表示像素点特
征向量以及对应辅助特征向量在计算过程中的计算权重，且取值为0.87。
上述技术方案的有益效果是：通过对预设物资的特征分析以及仓库情况，得到每个预设物资的存放路径，通过对待存放物资与预设物资的特征进行计算，得到精准的匹配指数，得到与待存放物资相匹配的预设物资，得到待存放物资的存放路径，提高了对物资存放的效率，也简化了调取物资的流程，大大提高了物资处理的效率。
实施例5：
在上述实施例4的基础上，本实施例提供了一种物资自动化处理方法，基于所有相对应的待存放物资的一次匹配指数，选择数值最高的一次匹配指数作为最终一次匹配指数，还包括：
当数值最大的一次匹配指数个数大于一个时，发送人工判断指令，基于人工判断的结果选择最终一次匹配指数。
上述技术方案的有益效果是：通过对一次匹配指数进行筛选，选取数值最高的一次匹配指数作为最终一次匹配指数，得到待存放物资所匹配的预设物资，从而达到对待存放物资按照存放路径存储的目的。
实施例6：
在上述实施例1的基础上，本实施例提供了一种物资自动化处理方法，基于物资需求请求，匹配相对应的物资处理命令，包括：
获取历史需求请求，提取历史需求请求关键字；
构建基于每个历史需求请求的第一词库，同时，对提取的所有历史需求请求关键词进行词聚类分析，得到若干第二词库；
获取物资需求请求，与第一词库进行第一匹配，得到第一匹配结果；
当第一匹配结果中包含的关键字大于一个时，提取第一匹配结果中的关键字与全部第二词库进行第二匹配，得到包含匹配的第二词库的数量的第二匹配结果；
基于所述第二匹配结果对所述第一匹配结果进行分析，得到物资处理命令；
当第一匹配结果中包含的关键字为一个时，分析第一匹配结果，得到物资处理命令。
该实施例中，历史需求请求指的是历史的为了获取物资，发出的包含物资的种类、数量、调取用途、取货口、取货方式的需求申请的集合。
该实施例中，第一词库指的是基于每个历史需求请求关键字构建的关键字的词库集合。
该实施例中，第二词库指的是通过对提取的所有历史需求请求关键词进行词聚类分析，得到个若干个种类的关键字的集合，一个第二词库是一个种类的关键字的集合。
该实施例中，第一匹配结果指的是物资需求请求在第一词库中匹配的关键字。
该实施例中，第二匹配结果指的是包含第二词库数量的，表示物资需求请求需要几种物资的结果。
该实施例中，物资处理命令指的是经过第二匹配结果对第一匹配结果进行分析，包含处理信息以及物资信息的物资调取命令，处理信息包括调取用途、取货口、取货方式，物资信息指的是物资需求请求中的物资物的种类、数量。
上述技术方案的有益效果是：通过对历史需求请求关键字的分析与分类，得到关键字词库，通过对物资需求请求进行关键字匹配，得到物资需求请求中的物资种类与数量，有利于快速物资调取，大大提高了物资处理的效率。
实施例7：
在上述实施例1的基础上，本实施例提供了一种物资自动化处理方法，基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资，包括：
基于所述物资处理命令，得到处理信息以及物资信息；
获取所述物资信息中的物资种类，匹配相对应的预设物资的存放路径；
将相对应的预设物资的存放路径以及处理信息输入路径规划模型，得到最佳存放路径。
该实施例中，路径规划模型指的是由预设物资的存放路径、处理信息以及仓库路径训练得到的，能够为物资调取规划时间最少的最佳路径的模型。
上述技术方案的有益效果是：通过对物资处理命令进行分析，从存储的所有存放路径中调取最佳存放路径，缩减了物资调取的时间，提高了物资处理的效率。
实施例8：
本实施例提供了一种物资自动化处理系统，如图2所示，包括：
物资获取模块201：获取待存放物资图像，得到待存放物资特征集合；
物资存放模块202：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
需求匹配模块203：基于物资需求请求，匹配相对应的物资处理命令；
物资处理模块204：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资。
上述技术方案的有益效果是：通过对待存放物资与预设物资的图像和特征进行分析，得到待存放物资的特征向量，匹配待存放物资的存放路径，还通过对需求请求的分析，提取关键字匹配最佳调取路径，实现了物资的自动化处理，大大提高了物资调取效率。
实施例9：
本实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
步骤1：获取待存放物资图像，得到待存放物资特征集合；
步骤2：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
步骤3：基于物资需求请求，匹配相对应的物资处理命令；
步骤4：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资。
实施例10：
本实施例提供了一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
步骤1：获取待存放物资图像，得到待存放物资特征集合；
步骤2：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
步骤3：基于物资需求请求，匹配相对应的物资处理命令；
步骤4：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种物资自动化处理方法，其特征在于，包括：
步骤1：获取待存放物资图像，得到待存放物资特征集合；
步骤2：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
步骤3：基于物资需求请求，匹配相对应的物资处理命令；
步骤4：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资；
其中，基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储，包括：
获取预设物资图像，并进行灰度化处理，得到预设分布图；
基于所述预设分布图的像素灰度值分布情况，得到所述预设物资图像的第二集中区域；
按照所述第二集中区域将所述预设分布图以预设坐标延伸为范围进行分割，得到若干个第二像素点集中图；
按照每个第二像素点集中图中的像素点密集程度，对所有第二像素点集中图进行密集程度的从大到小排序，得到区域特征图集；
基于所述区域特征图集，获取像素点最密集的像素点集中图作为主要特征图，且将所述区域特征图集中主要特征图之外的图作为辅助特征图；
获取所述主要特征图的第一点特征，并输入到特征向量模型中，得到对应的主要特征向量；
获取每个辅助特征图的第二点特征，并输入到特征向量模型中，得到对应的辅助特征向量；
基于所述主要特征向量以及所有辅助特征向量，得到所述预设物资图像中每个预设物资的第一物资特征；
基于每个预设物资的物资属性以及仓库实际情况，得到每个预设物资的第二物资特征；
基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的主要特征向量，计算得到相对应的一次匹配指数；
基于所有一次匹配指数，选择数值最高的一次匹配指数作为最终一次匹配指数；
当所述最终一次匹配指数大于或等于预设匹配指数时，将所述最终一次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征，得到所述待存放物资的存放路径；
当所述最终一次匹配指数小于预设匹配指数时，依次基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的所有辅助特征向量，计算得到相对应的二次匹配指数；
基于所有二次匹配指数，选择数值最高的二次匹配指数作为最终二次匹配指数；
当所述最终二次匹配指数大于或等于预设匹配指数时，将所述最终二次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征，得到所述待存放物资的存放路径；
当所述最终二次匹配指数小于预设匹配指数时，发送人工匹配命令，终止此次匹配进程。
2.根据权利要求1所述的方法，其特征在于，获取待存放物资图像，得到待存放物资特征集合，包括：
获取待存放物资图像，并进行灰度化处理，得到当下灰度值分布图；
基于所述当下灰度值分布图，得到当下集中区域；
按照所述当下集中区域将所述当下灰度值分布图进行分割，得到若干个第一像素点集中图；
基于所有第一像素点集中图，得到待存放物资特征集合。
3.根据权利要求2所述的方法，其特征在于，基于所有第一像素点集中图，得到待存放物资特征集合，包括：
获取每个第一像素点集中图中的点特征；
将每个像素点集中图对应的所有点特征依次输入特征向量模型，得到对应的第一特征向量；
基于所有第一特征向量，得到待存放物资特征集合。
4.根据权利要求1所述的方法，其特征在于，基于所有相对应的待存放物资的一次匹配指数，选择数值最高的一次匹配指数作为最终一次匹配指数，还包括：
当数值最大的一次匹配指数个数大于一个时，发送人工判断指令，基于人工判断的结果选择最终一次匹配指数。
5.根据权利要求1所述的方法，其特征在于，基于物资需求请求，匹配相对应的物资处理命令，包括：
获取历史需求请求，提取历史需求请求关键字；
构建基于每个历史需求请求关键字的第一词库，同时，对提取的所有历史需求请求关键词进行词聚类分析，得到若干第二词库；
获取物资需求请求，与第一词库进行第一匹配，得到第一匹配结果；
当第一匹配结果中包含的关键字大于一个时，提取第一匹配结果中的关键字与全部第二词库进行第二匹配，得到包含匹配的第二词库的数量的第二匹配结果；
基于所述第二匹配结果对所述第一匹配结果进行分析，得到物资处理命令；
当第一匹配结果中包含的关键字为一个时，分析第一匹配结果，得到物资处理命令。
6.根据权利要求1所述的方法，其特征在于，基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资，包括：
基于所述物资处理命令，得到处理信息以及物资信息；
获取所述物资信息中的物资种类，匹配相对应的预设物资的存放路径集合；
基于所述处理信息，从所述存放路径集合中筛选最佳存放路径来获取存放的物资。
7.一种物资自动化处理系统，其特征在于，包括：
物资获取模块：获取待存放物资图像，得到待存放物资特征集合；
物资存放模块：基于待存放物资特征集合，得到待存放物资物的物资存放路径并进行存储；
需求匹配模块：基于物资需求请求，匹配相对应的物资处理命令；
物资处理模块：基于所述物资处理命令，从存储的所有存放路径中调取最佳存放路径，并基于所述最佳存放路径来获取存放的物资；
其中，物资存放模块，用于：
获取预设物资图像，并进行灰度化处理，得到预设分布图；
基于所述预设分布图的像素灰度值分布情况，得到所述预设物资图像的第二集中区域；
按照所述第二集中区域将所述预设分布图以预设坐标延伸为范围进行分割，得到若干个第二像素点集中图；
按照每个第二像素点集中图中的像素点密集程度，对所有第二像素点集中图进行密集程度的从大到小排序，得到区域特征图集；
基于所述区域特征图集，获取像素点最密集的像素点集中图作为主要特征图，且将所述区域特征图集中主要特征图之外的图作为辅助特征图；
获取所述主要特征图的第一点特征，并输入到特征向量模型中，得到对应的主要特征向量；
获取每个辅助特征图的第二点特征，并输入到特征向量模型中，得到对应的辅助特征向量；
基于所述主要特征向量以及所有辅助特征向量，得到所述预设物资图像中每个预设物资的第一物资特征；
基于每个预设物资的物资属性以及仓库实际情况，得到每个预设物资的第二物资特征；
基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的主要特征向量，计算得到相对应的一次匹配指数；
基于所有一次匹配指数，选择数值最高的一次匹配指数作为最终一次匹配指数；
当所述最终一次匹配指数大于或等于预设匹配指数时，将所述最终一次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征，得到所述待存放物资的存放路径；
当所述最终一次匹配指数小于预设匹配指数时，依次基于所述待存放物资特征集合中所有第一特征向量以及每个预设物资的所有辅助特征向量，计算得到相对应的二次匹配指数；
基于所有二次匹配指数，选择数值最高的二次匹配指数作为最终二次匹配指数；
当所述最终二次匹配指数大于或等于预设匹配指数时，将所述最终二次匹配指数对应的预设物资作为待存放物资，得到所述待存放物资的第二物资特征；
基于所述待存放物资的第二物资特征，得到所述待存放物资的存放路径；
当所述最终二次匹配指数小于预设匹配指数时，发送人工匹配命令，终止此次匹配进程。
8.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211556499.5A CN116151500B (zh) | 2022-12-06 | 2022-12-06 | 一种物资自动化处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211556499.5A CN116151500B (zh) | 2022-12-06 | 2022-12-06 | 一种物资自动化处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116151500A CN116151500A (zh) | 2023-05-23 |
| CN116151500B true CN116151500B (zh) | 2024-01-09 |
Family
ID=86351609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211556499.5A Active CN116151500B (zh) | 2022-12-06 | 2022-12-06 | 一种物资自动化处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116151500B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111949020A (zh) * | 2020-07-21 | 2020-11-17 | 合肥工业大学 | 基于ar路径引导的仓库多人拣货的路径规划方法及系统 |
| CN113127758A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 物品存放点推送方法、装置、电子设备及存储介质 |
| CN115271594A (zh) * | 2022-07-27 | 2022-11-01 | 深圳市兆航物流有限公司 | 一种物资仓储管理优化系统 |
-
2022
- 2022-12-06 CN CN202211556499.5A patent/CN116151500B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113127758A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 物品存放点推送方法、装置、电子设备及存储介质 |
| CN111949020A (zh) * | 2020-07-21 | 2020-11-17 | 合肥工业大学 | 基于ar路径引导的仓库多人拣货的路径规划方法及系统 |
| CN115271594A (zh) * | 2022-07-27 | 2022-11-01 | 深圳市兆航物流有限公司 | 一种物资仓储管理优化系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116151500A (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163234B (zh) | 一种模型训练方法、装置和存储介质 | |
| CN111723675B (zh) | 基于多重相似性度量深度学习的遥感图像场景分类方法 | |
| CN111914813B (zh) | 基于图像分类的输电线路巡检图像命名方法及系统 | |
| CN102521366A (zh) | 融合分类与全局索引的图像检索方法和图像检索系统 | |
| CN102508909A (zh) | 一种基于多智能算法及图像融合技术的图像检索方法 | |
| CN115292532B (zh) | 基于伪标签一致性学习的遥感图像域适应检索方法 | |
| CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
| CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN112733969B (zh) | 对象类别的识别方法和装置及服务器 | |
| CN114067118B (zh) | 一种航空摄影测量数据的处理方法 | |
| CN109213886B (zh) | 基于图像分割和模糊模式识别的图像检索方法及系统 | |
| CN116958806A (zh) | 害虫识别模型更新、害虫识别方法、装置及电子设备 | |
| CN116151500B (zh) | 一种物资自动化处理方法及系统 | |
| CN116758401B (zh) | 基于深度学习和遥感图像的城市内河水质评估方法 | |
| CN114022688A (zh) | 一种实时的牲畜身份识别方法 | |
| CN109523015A (zh) | 一种神经网络中图像处理方法 | |
| CN108804581A (zh) | 一种基于深度学习的同类物体检索方法及系统 | |
| CN115797795B (zh) | 基于强化学习的遥感影像问答式检索系统及方法 | |
| CN116108217B (zh) | 一种基于深度哈希编码和多任务预测的逃费车辆相似图片检索方法 | |
| CN112632406A (zh) | 查询方法、装置、电子设备及存储介质 | |
| CN112232885A (zh) | 一种基于多模态信息融合的仓租价格预测方法 | |
| CN116797830A (zh) | 一种基于YOLOv7的图像风险分类方法及装置 | |
| CN114529517B (zh) | 基于单样本学习的工业产品缺陷检测方法 | |
| CN108763261A (zh) | 一种图形检索方法 | |
| CN112434658A (zh) | 一种智慧城市指纹图像多特征快速匹配算法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system for automated material processing Granted publication date: 20240109 Pledgee: Rizhao Bank Co.,Ltd. Jinan Huaiyin Branch Pledgor: Shandong laver cloud Digital Technology Co.,Ltd. Registration number: Y2024980024828 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |