CN117422380A - 三维虚拟仓库的电子围栏创建系统及其方法 - Google Patents

Abstract

本申请公开了一种三维虚拟仓库的电子围栏创建系统及其方法，其通过利用三维扫描技术来对于仓库进行扫描来得到三维扫描模型，并在后端引入数据处理和分析算法来进行仓库三维扫描模型的分析以生成符合仓库实际情况的电子围栏模型，并将其应用于大宗商品的金融交易领域。通过这样的方式，能够根据用户的需求和仓库的实际情况自动生成适合的电子围栏模型，提高电子围栏的适应性和精确度，同时将电子围栏模型与无线通信设备结合，能够实现对仓库内部物品的实时定位和监控，提高仓库的安全性和效率，从而更好地辅助大宗商品金融交易。

Description

三维虚拟仓库的电子围栏创建系统及其方法

技术领域

本申请涉及虚拟创建领域，且更为具体地，涉及一种三维虚拟仓库的电子围栏创建系统及其方法。

背景技术

在大宗商品金融交易领域，仓库管理和实时监控是非常重要的。电子围栏是一种基于物联网技术的仓库管理系统，它可以通过无线传感器和网络实现对仓库内物品的实时监控和追踪，从而提高仓库的安全性和效率。电子围栏的核心是如何根据仓库的空间结构和物品分布，生成合适的电子围栏模型，以实现对仓库内物品的精确划分和识别。

传统的电子围栏模型通常是基于二维平面图的，而二维平面图只能提供仓库的平面布局信息，却忽略了仓库内部的三维信息。然而，仓库通常具有多层楼、货架、堆垛等特征，这些信息对于电子围栏的精确划定非常重要，忽略了这些三维信息，电子围栏模型可能无法准确地覆盖和边界限定目标区域，从而无法准确反映仓库内部的立体结构，导致电子围栏的精确度和有效性不高。

因此，期望一种三维虚拟仓库的电子围栏创建系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种三维虚拟仓库的电子围栏创建系统及其方法，其通过利用三维扫描技术来对于仓库进行扫描来得到三维扫描模型，并在后端引入数据处理和分析算法来进行仓库三维扫描模型的分析以生成符合仓库实际情况的电子围栏模型，并将其应用于大宗商品的金融交易领域。通过这样的方式，能够根据用户的需求和仓库的实际情况自动生成适合的电子围栏模型，提高电子围栏的适应性和精确度，同时将电子围栏模型与无线通信设备结合，能够实现对仓库内部物品的实时定位和监控，提高仓库的安全性和效率，从而更好地辅助大宗商品金融交易。

根据本申请的一个方面，提供了一种三维虚拟仓库的电子围栏创建系统，其包括：

仓库三维模型扫描模块，用于通过三维扫描仪扫描仓库的空间结构和物品分布以得到三维扫描模型；

仓库局部区域特征提取模块，用于通过基于深度神经网络模型的区域特征提取器对所述三维扫描模型进行特征提取以得到多个仓库区域扫描特征图；

仓库局部区域特征全感知模块，用于对所述多个仓库区域扫描特征图分别进行特征全感知以得到多个仓库区域语义特征向量；

仓库全域关联分析模块，用于将所述多个仓库区域语义特征向量进行全域仓库区域关联编码以得到全域仓库区域语义特征；

电子围栏模型参数确定模块，用于基于所述全域仓库区域语义特征，确定推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。

根据本申请的另一个方面，提供了一种三维虚拟仓库的电子围栏创建方法，其包括：

通过三维扫描仪扫描仓库的空间结构和物品分布以得到三维扫描模型；

通过基于深度神经网络模型的区域特征提取器对所述三维扫描模型进行特征提取以得到多个仓库区域扫描特征图；

对所述多个仓库区域扫描特征图分别进行特征全感知以得到多个仓库区域语义特征向量；

将所述多个仓库区域语义特征向量进行全域仓库区域关联编码以得到全域仓库区域语义特征；

基于所述全域仓库区域语义特征，确定推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。

与现有技术相比，本申请提供的一种三维虚拟仓库的电子围栏创建系统及其方法，其通过利用三维扫描技术来对于仓库进行扫描来得到三维扫描模型，并在后端引入数据处理和分析算法来进行仓库三维扫描模型的分析以生成符合仓库实际情况的电子围栏模型，并将其应用于大宗商品的金融交易领域。通过这样的方式，能够根据用户的需求和仓库的实际情况自动生成适合的电子围栏模型，提高电子围栏的适应性和精确度，同时将电子围栏模型与无线通信设备结合，能够实现对仓库内部物品的实时定位和监控，提高仓库的安全性和效率，从而更好地辅助大宗商品金融交易。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的三维虚拟仓库的电子围栏创建系统的框图；

图2为根据本申请实施例的三维虚拟仓库的电子围栏创建系统的系统架构图；

图3为根据本申请实施例的三维虚拟仓库的电子围栏创建系统的训练阶段的框图；

图4为根据本申请实施例的三维虚拟仓库的电子围栏创建方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

三维虚拟仓库是通过三维扫描仪等设备对实际仓库进行扫描和建模，将仓库的空间结构和物品分布以三维模型的形式呈现出来。这种虚拟化的仓库模型可以提供更准确的信息，帮助用户实时了解仓库内大宗商品的状态和数量信息。电子围栏是一种利用技术手段对特定区域进行边界限定的方法。在三维虚拟仓库中，电子围栏可以被用来划定特定的区域，以实现对该区域内大宗商品的实时监控和管理。通过电子围栏系统，用户可以设置警戒线、报警规则等，当仓库内的商品状态或数量发生异常时，系统可以及时发出警报，提醒用户采取相应的措施。

在本申请的技术方案中，提出了一种三维虚拟仓库的电子围栏创建系统。图1为根据本申请实施例的三维虚拟仓库的电子围栏创建系统的框图。图2为根据本申请实施例的三维虚拟仓库的电子围栏创建系统的系统架构图。如图1和图2所示，根据本申请的实施例的三维虚拟仓库的电子围栏创建系统300，包括：仓库三维模型扫描模块310，用于通过三维扫描仪扫描仓库的空间结构和物品分布以得到三维扫描模型；仓库局部区域特征提取模块320，用于通过基于深度神经网络模型的区域特征提取器对所述三维扫描模型进行特征提取以得到多个仓库区域扫描特征图；仓库局部区域特征全感知模块330，用于对所述多个仓库区域扫描特征图分别进行特征全感知以得到多个仓库区域语义特征向量；仓库全域关联分析模块340，用于将所述多个仓库区域语义特征向量进行全域仓库区域关联编码以得到全域仓库区域语义特征；电子围栏模型参数确定模块350，用于基于所述全域仓库区域语义特征，确定推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。

特别地，所述仓库三维模型扫描模块310，用于通过三维扫描仪扫描仓库的空间结构和物品分布以得到三维扫描模型。其中，三维扫描仪是一种用于获取物体或场景三维几何信息的设备。它通过激光、光学或其他传感技术对目标进行扫描，捕捉其表面的形状和细节，并生成相应的三维模型或点云数据。下面是关于三维扫描仪的一些基本概念。

特别地，所述仓库局部区域特征提取模块320，用于通过基于深度神经网络模型的区域特征提取器对所述三维扫描模型进行特征提取以得到多个仓库区域扫描特征图。考虑到所述三维扫描模型反映了仓库的空间结构和物品分布，而在实际进行仓库内的三维扫描模型分析时，需要更加关注于仓库内的不同区域和物品类别以及各自的属性和特征。因此，在本申请的技术方案中，进一步将所述三维扫描模型通过基于R-CNN模型的区域特征提取器以得到多个仓库区域扫描特征图。应可以理解，所述R-CNN模型能够从图像中提取出感兴趣的区域和相应的特征，也就是说，通过应用所述基于R-CNN模型的区域特征提取器，可以将所述三维扫描模型划分为多个仓库区域，并为每个区域生成相应的特征图。这样，可以将仓库内部的三维信息转化为更具有结构化和可操作性的区域特征，为后续的处理和分析提供基础。

值得注意的是，R-CNN（Region-based Convolutional Neural Network）是一种经典的目标检测模型，它在2014年被提出，并在目标检测领域取得了显著的突破。R-CNN模型的核心思想是将目标检测任务分解为两个子任务：目标区域提取和目标分类。R-CNN模型的工作流程如下：目标区域提取：首先，R-CNN使用一种选择性搜索算法在输入图像中生成一系列可能包含目标的目标区域。选择性搜索算法根据图像的颜色、纹理、边缘等特征进行区域的合并和分割，生成不同大小和形状的候选区域；特征提取：对于每个候选区域，R-CNN使用卷积神经网络提取其特征表示。通常，R-CNN使用预训练的CNN模型作为特征提取器。对于每个候选区域，R-CNN将其调整为固定大小，并通过CNN网络获取其特征向量；目标分类：对于每个候选区域的特征向量，R-CNN使用支持向量机进行目标分类。在训练阶段，R-CNN通过对每个候选区域进行标注，训练一个二分类的SVM模型，用于判断候选区域是否包含目标。R-CNN模型的主要特点是将目标检测任务转化为候选区域提取和目标分类两个子任务，并通过使用CNN提取特征向量和SVM进行分类来实现目标检测。

相应的，在一种可能的实现方式中，可通过以下步骤将所述三维扫描模型通过基于R-CNN模型的区域特征提取器以得到多个仓库区域扫描特征图，例如：使用三维扫描仪对仓库进行扫描，获取仓库的三维几何信息；对扫描数据进行预处理，包括去噪、滤波和配准等操作；使用选择性搜索算法或其他目标检测算法，在扫描数据中生成多个候选区域。候选区域应该覆盖仓库中可能存在的物体或感兴趣的区域；对于每个候选区域，使用基于R-CNN的区域特征提取器提取特征。这可以通过将候选区域调整为固定大小，并通过预训练的CNN模型传递以获取特征向量；对于每个候选区域的特征向量，使用分类器进行目标分类。可以使用支持向量机或其他分类算法来对候选区域进行分类，以确定其是否属于仓库中的特定物体类别；对于每个候选区域，将其特征向量转换为扫描特征图；重复步骤3到步骤6，以获取多个仓库区域的扫描特征图。

特别地，所述仓库局部区域特征全感知模块330，用于对所述多个仓库区域扫描特征图分别进行特征全感知以得到多个仓库区域语义特征向量。考虑到在所述各个仓库局部区域的特征分布信息中都存在有该区域的空间分布和物品类别及属性特征，而由于卷积处理的固有局限性，很难捕捉到每个所述仓库局部区域的全局特征信息，因此，需要进一步将所述多个仓库区域扫描特征图分别通过基于全连接层的区域特征全感知语义特征提取模块以得到多个仓库区域语义特征向量。这样，能够分别对于所述各个仓库的局部区域分布特征进行全感知，以有利于后续的仓库模型分析和电子围栏的创建。

相应的，在一种可能的实现方式中，可通过以下步骤将所述多个仓库区域扫描特征图分别通过基于全连接层的区域特征全感知语义特征提取模块以得到所述多个仓库区域语义特征向量，例如：准备多个仓库区域的扫描特征图作为输入；对于每个扫描特征图，根据需要进行尺寸调整或裁剪，以确保它们具有相同的输入尺寸；对于每个扫描特征图，将其作为输入传递给基于全连接层的区域特征提取模块。这个模块可以是一个全连接层网络，它接收特征图作为输入，并通过一系列全连接层将其转换为区域特征向量；对于每个区域特征向量，使用全感知语义特征提取模块进一步提取语义特征。这个模块可以由多个全连接层组成，其中每个全连接层都应用激活函数和正则化操作，以捕捉区域特征中的语义信息；将经过全感知语义特征提取的区域特征向量作为输出。

特别地，所述仓库全域关联分析模块340，用于将所述多个仓库区域语义特征向量进行全域仓库区域关联编码以得到全域仓库区域语义特征。应可以理解，在仓库内部，不同区域之间存在着一定的关联关系，例如相邻区域之间的物品流动、堆叠关系等。因此，为了整合仓库内不同区域之间的全感知语义关联特征信息来得到更全局和综合的仓库区域特征表示，在本申请的技术方案中，进一步将所述多个仓库区域语义特征向量通过基于转换器模块的区域间关联编码器以得到全域仓库区域语义特征向量。通过使用所述基于转换器模块的区域间关联编码器进行处理，可以将所述多个仓库区域语义特征向量进行关联编码，以捕捉到仓库内各个局部区域之间的语义关联信息得到全域仓库区域语义特征向量。应可以理解，这个所述全域仓库区域语义特征向量综合了仓库内不同区域的信息，具有更全局和综合的特征表示，可以更好地反映仓库内部的整体情况，为后续的电子围栏模型生成和参数推荐提供更准确的输入。

相应的，在一种可能的实现方式中，可通过以下步骤将所述多个仓库区域语义特征向量通过基于转换器模块的区域间关联编码器以得到全域仓库区域语义特征向量作为所述全域仓库区域语义特征，例如：准备多个仓库区域的语义特征向量作为输入；使用基于转换器模块的区域间关联编码器对多个仓库区域的语义特征向量进行编码。这个编码器的目标是捕捉不同区域之间的关联关系，并生成全域仓库区域的语义特征；在区域间关联编码器中，使用转换器模块来处理区域之间的关联。转换器模块可以是一个神经网络结构，它接收多个区域的特征向量作为输入，并通过一系列转换操作来编码区域之间的关联；通过转换器模块，将多个仓库区域的语义特征向量进行区域关联编码。这个编码过程可以通过将每个区域的特征向量与其他区域的特征向量进行交互、融合和转换来实现；将经过区域间关联编码的特征向量作为输出，得到全域仓库区域的语义特征向量。

特别地，所述电子围栏模型参数确定模块350，用于基于所述全域仓库区域语义特征，确定推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。也就是，在本申请的技术方案中，将所述全域仓库区域语义特征向量通过解码器以得到解码值，所述解码值用于表示推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。应可以理解，不同的仓库管理和监控需求可能需要不同的电子围栏形状、大小和位置等参数。通过解码器生成的解码值，可以根据具体的需求和场景进行个性化的电子围栏模型参数推荐，这些参数可以直接应用于电子围栏模型的生成和配置，从而实现对仓库区域的精确划定和监控，以满足特定需求。

相应的，在一种可能的实现方式中，可通过以下步骤将所述全域仓库区域语义特征向量通过解码器以得到解码值，所述解码值用于表示推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签，例如：将全域仓库区域的语义特征向量作为输入传递给解码器；使用解码器网络来将全域仓库区域的语义特征向量解码为推荐的电子围栏模型参数。解码器网络可以是一个神经网络结构，它接收特征向量作为输入，并通过一系列解码操作来生成电子围栏模型的参数；通过解码器网络，将全域仓库区域的语义特征向量转换为电子围栏模型的参数。这些参数可以包括电子围栏的形状（如矩形、圆形等）、大小、位置（在仓库区域的坐标系中的位置）、颜色以及标签等；将通过解码器生成的电子围栏模型参数作为输出，得到解码值。这些解码值表示了推荐的电子围栏模型的具体参数设置。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于R-CNN模型的区域特征提取器、所述基于全连接层的区域特征全感知语义特征提取模块、所述基于转换器模块的区域间关联编码器和所述解码器进行训练。也就是说，根据本申请的三维虚拟仓库的电子围栏创建系统300，还包括训练阶段400，用于对所述基于R-CNN模型的区域特征提取器、所述基于全连接层的区域特征全感知语义特征提取模块、所述基于转换器模块的区域间关联编码器和所述解码器进行训练。

图3为根据本申请实施例的三维虚拟仓库的电子围栏创建系统的训练阶段的框图。如图3所示，根据本申请实施例的三维虚拟仓库的电子围栏创建系统300，包括：训练阶段400，包括：训练数据采集单元410，用于获取训练数据，所述训练数据包括通过所述三维扫描仪扫描仓库的空间结构和物品分布以得到训练三维扫描模型；训练仓库局部区域特征提取单元420，用于将所述训练三维扫描模型通过所述基于R-CNN模型的区域特征提取器以得到多个训练仓库区域扫描特征图；训练仓库局部区域全感知单元430，用于将所述多个训练仓库区域扫描特征图分别通过所述基于全连接层的区域特征全感知语义特征提取模块以得到多个训练仓库区域语义特征向量；训练仓库全域特征关联编码单元440，用于将所述多个训练仓库区域语义特征向量通过所述基于转换器模块的区域间关联编码器以得到训练全域仓库区域语义特征向量；特征优化单元450，用于对所述训练全域仓库区域语义特征向量进行特征优化以得到优化训练全域仓库区域语义特征向量；解码损失单元460，用于将所述优化训练全域仓库区域语义特征向量通过所述解码器以得到解码损失函数值；模型训练单元470，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于R-CNN模型的区域特征提取器、所述基于全连接层的区域特征全感知语义特征提取模块、所述基于转换器模块的区域间关联编码器和所述解码器进行训练。

其中，所述解码损失单元，用于使用解码器对所述优化训练全域仓库区域语义特征向量进行解码回归以得到训练解码值;以及，计算所述训练解码值与所述推荐的电子围栏模型的参数的真实值之间的交叉熵损失函数值作为所述解码损失函数值。

特别地，在本申请的技术方案中，所述多个仓库区域语义特征向量中的每个仓库区域语义特征向量表达所述三维扫描模型的基于R-CNN模型的区域图像语义特征表示，也就是，所述每个仓库区域语义特征向量在其表达维度上遵循所述三维扫描模型的区域图像的语义特征空间分布。并且，将所述多个仓库区域语义特征向量通过基于转换器模块的区域间关联编码器后，可以基于各个区域的图像语义特征空间分布的整体上下文关联来进行区域图像语义特征编码，这样，所述全域仓库区域语义特征向量就具有不同空间分布尺度上的图像语义特征关联分布。因此，由于所述全域仓库区域语义特征向量在整体上的多尺度非平滑图像语义关联特征分布性质，这就使得在将所述全域仓库区域语义特征向量通过解码器进行解码回归时，需要提升跨尺度非平滑特征分布的解码回归的效率。基于此，优选地，本申请的申请人在将所述全域仓库区域语义特征向量在通过解码器进行解码回归时，对所述全域仓库区域语义特征向量进行优化，具体表示为：，其中/>是所述全域仓库区域语义特征向量的第/>个位置的特征值，/>是所述全域仓库区域语义特征向量的所有特征值的全局均值，且是所述全域仓库区域语义特征向量的最大特征值。也就是，通过特征向量的全局分布参数的正则化仿函数的概念，上述优化基于所述全域仓库区域语义特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述全域仓库区域语义特征向量在高维特征空间内的特征表征对于类回归概率下的基于解码器的权重矩阵的逐点回归特性进行建模，以捕获待解码的全域仓库区域语义特征向量经由解码器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述全域仓库区域语义特征向量在所述解码器的解码概率回归下的训练效率。这样，能够用户的需求和仓库的实际情况自动生成适合的电子围栏模型，提高电子围栏的适应性和精确度，同时将电子围栏模型与无线通信设备结合，能够实现对仓库内部物品的实时定位和监控，提高仓库的安全性和效率，从而更好地辅助大宗商品金融交易。

如上所述，根据本申请实施例的三维虚拟仓库的电子围栏创建系统300可以实现在各种无线终端中，例如具有三维虚拟仓库的电子围栏创建算法的服务器等。在一种可能的实现方式中，根据本申请实施例的三维虚拟仓库的电子围栏创建系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该三维虚拟仓库的电子围栏创建系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该三维虚拟仓库的电子围栏创建系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该三维虚拟仓库的电子围栏创建系统300与该无线终端也可以是分立的设备，并且该三维虚拟仓库的电子围栏创建系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

进一步地，还提供一种三维虚拟仓库的电子围栏创建方法。

图4为根据本申请实施例的三维虚拟仓库的电子围栏创建方法的流程图。如图4所示，根据本申请实施例的三维虚拟仓库的电子围栏创建方法，包括步骤：S1，通过三维扫描仪扫描仓库的空间结构和物品分布以得到三维扫描模型；S2，通过基于深度神经网络模型的区域特征提取器对所述三维扫描模型进行特征提取以得到多个仓库区域扫描特征图；S3，对所述多个仓库区域扫描特征图分别进行特征全感知以得到多个仓库区域语义特征向量；S4，将所述多个仓库区域语义特征向量进行全域仓库区域关联编码以得到全域仓库区域语义特征；S5，基于所述全域仓库区域语义特征，确定推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。

综上，根据本申请实施例的三维虚拟仓库的电子围栏创建方法被阐明，其通过利用三维扫描技术来对于仓库进行扫描来得到三维扫描模型，并在后端引入数据处理和分析算法来进行仓库三维扫描模型的分析以生成符合仓库实际情况的电子围栏模型，并将其应用于大宗商品的金融交易领域。通过这样的方式，能够根据用户的需求和仓库的实际情况自动生成适合的电子围栏模型，提高电子围栏的适应性和精确度，同时将电子围栏模型与无线通信设备结合，能够实现对仓库内部物品的实时定位和监控，提高仓库的安全性和效率，从而更好地辅助大宗商品金融交易。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种三维虚拟仓库的电子围栏创建系统，其特征在于，包括：

仓库三维模型扫描模块，用于通过三维扫描仪扫描仓库的空间结构和物品分布以得到三维扫描模型；

仓库局部区域特征提取模块，用于通过基于深度神经网络模型的区域特征提取器对所述三维扫描模型进行特征提取以得到多个仓库区域扫描特征图；

仓库局部区域特征全感知模块，用于对所述多个仓库区域扫描特征图分别进行特征全感知以得到多个仓库区域语义特征向量；

仓库全域关联分析模块，用于将所述多个仓库区域语义特征向量进行全域仓库区域关联编码以得到全域仓库区域语义特征；

电子围栏模型参数确定模块，用于基于所述全域仓库区域语义特征，确定推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。

2.根据权利要求1所述的三维虚拟仓库的电子围栏创建系统，其特征在于，所述深度神经网络模型为R-CNN模型。

3.根据权利要求2所述的三维虚拟仓库的电子围栏创建系统，其特征在于，所述仓库局部区域特征全感知模块，用于：将所述多个仓库区域扫描特征图分别通过基于全连接层的区域特征全感知语义特征提取模块以得到所述多个仓库区域语义特征向量。

4.根据权利要求3所述的三维虚拟仓库的电子围栏创建系统，其特征在于，所述仓库全域关联分析模块，用于：将所述多个仓库区域语义特征向量通过基于转换器模块的区域间关联编码器以得到全域仓库区域语义特征向量作为所述全域仓库区域语义特征。

5.根据权利要求4所述的三维虚拟仓库的电子围栏创建系统，其特征在于，所述电子围栏模型参数确定模块，用于：将所述全域仓库区域语义特征向量通过解码器以得到解码值，所述解码值用于表示推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。

6.根据权利要求5所述的三维虚拟仓库的电子围栏创建系统，其特征在于，还包括用于对所述基于R-CNN模型的区域特征提取器、所述基于全连接层的区域特征全感知语义特征提取模块、所述基于转换器模块的区域间关联编码器和所述解码器进行训练的训练模块。

7.根据权利要求6所述的三维虚拟仓库的电子围栏创建系统，其特征在于，所述训练模块，包括：

训练数据采集单元，用于获取训练数据，所述训练数据包括通过所述三维扫描仪扫描仓库的空间结构和物品分布以得到训练三维扫描模型；

训练仓库局部区域特征提取单元，用于将所述训练三维扫描模型通过所述基于R-CNN模型的区域特征提取器以得到多个训练仓库区域扫描特征图；

训练仓库局部区域全感知单元，用于将所述多个训练仓库区域扫描特征图分别通过所述基于全连接层的区域特征全感知语义特征提取模块以得到多个训练仓库区域语义特征向量；

训练仓库全域特征关联编码单元，用于将所述多个训练仓库区域语义特征向量通过所述基于转换器模块的区域间关联编码器以得到训练全域仓库区域语义特征向量；

特征优化单元，用于对所述训练全域仓库区域语义特征向量进行特征优化以得到优化训练全域仓库区域语义特征向量；

解码损失单元，用于将所述优化训练全域仓库区域语义特征向量通过所述解码器以得到解码损失函数值；

模型训练单元，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于R-CNN模型的区域特征提取器、所述基于全连接层的区域特征全感知语义特征提取模块、所述基于转换器模块的区域间关联编码器和所述解码器进行训练。

8.根据权利要求7所述的三维虚拟仓库的电子围栏创建系统，其特征在于，所述解码损失单元，用于

使用解码器对所述优化训练全域仓库区域语义特征向量进行解码回归以得到训练解码值;以及

计算所述训练解码值与所述推荐的电子围栏模型的参数的真实值之间的交叉熵损失函数值作为所述解码损失函数值。

9.一种三维虚拟仓库的电子围栏创建方法，其特征在于，包括：

通过三维扫描仪扫描仓库的空间结构和物品分布以得到三维扫描模型；

通过基于深度神经网络模型的区域特征提取器对所述三维扫描模型进行特征提取以得到多个仓库区域扫描特征图；

对所述多个仓库区域扫描特征图分别进行特征全感知以得到多个仓库区域语义特征向量；

将所述多个仓库区域语义特征向量进行全域仓库区域关联编码以得到全域仓库区域语义特征；

基于所述全域仓库区域语义特征，确定推荐的电子围栏模型的参数，其中，所述电子围栏模型的参数包括形状、大小、位置、颜色和标签。