CN117641572A - 物品定位方法、系统、电子设备及可读存储介质 - Google Patents
物品定位方法、系统、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN117641572A CN117641572A CN202311369442.9A CN202311369442A CN117641572A CN 117641572 A CN117641572 A CN 117641572A CN 202311369442 A CN202311369442 A CN 202311369442A CN 117641572 A CN117641572 A CN 117641572A
- Authority
- CN
- China
- Prior art keywords
- signals
- received
- access door
- antennas
- articles
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 claims abstract description 57
- 230000006854 communication Effects 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 33
- 239000011358 absorbing material Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 239000007769 metal material Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000000977 initiatory effect Effects 0.000 description 11
- 239000002184 metal Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本公开涉及射频识别技术领域,具体涉及一种物品定位方法、系统、电子设备及可读存储介质,所述物品定位方法包括:接收按预设方式摆放的多个物品发射的多个信号;从所述多个信号提取指定特征;将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。本公开的技术方案可以在已知物品摆放方式的前提下,准确识别信号被接收到和/或未被接收到的物品的位置,帮助工作人员准确、快速地定位未被识别到的物品。在应用RFID实现仓储出入库识别的场景中,应用本公开的技术方案可以准确、快速地定位被漏读的RFID标签所在物品的位置,提高出入库的准确性和效率。
Description
技术领域
本公开涉及射频识别技术领域,具体涉及一种物品定位方法、系统、电子设备及可读存储介质。
背景技术
RFID(Radio Frequency Identification,无线射频识别)是物联网等领域最重要的无线通信技术之一,可以通过射频信号对目标进行唯一ID(Identity,身份标识)识别,并且可以传递射频信息。超高频RFID技术具有唯一ID、非视距、低成本、无需电池等诸多优点,广泛应用于智能仓储、物品盘点、物流追踪等领域。RSSI(Received Signal StrengthIndicator,接收信号强度指示)信息与发射和接收设备之间的距离在理想环境中存在确定的对应关系,目前基于RSSI信息的室内定位技术已被广泛应用于仓储等室内环境中。
在现有的智能仓储出入库识别的方案中,往往采用基于视觉的检测设备或基于RFID的通道门。基于视觉的设备中,一般只能实现单个检测和识别,且受视距限制和遮挡、光照条件的干扰,很难进行批量读取,影响出入库管理效率。基于RFID的通道门可以实现批量物品读取,不受遮挡、光照条件的干扰,可大大提高管理效率。但是,由于金属的电磁屏蔽效应,当密集摆放的由大量金属元器件构成的物品通过通道门时,货品上粘贴的RFID标签可能会被漏读。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种物品定位方法、系统、电子设备及可读存储介质。
第一方面,本公开实施例中提供了一种物品定位方法,包括:
接收按预设方式摆放的多个物品发射的多个信号;
从所述多个信号提取指定特征;
将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
根据本公开的实施例,所述多个物品具有相同形状;
所述预设摆放方式为整齐排列;
通过在所述物品的相同位置设置的信号发射装置发射所述信号;
所述信号是RFID信号。
根据本公开的实施例,所述接收按预设方式摆放的多个物品发射的多个信号,包括:通过设置在用于运输所述多个物品的通道两侧的多个天线接收所述多个信号;
所述从所述多个信号提取指定特征,包括根据所述多个天线接收的信号的信号强度指示RSSI提取所述指定特征。
根据本公开的实施例,所述指定特征包括以下任意一项或多项:所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比;所述多个天线中各天线接收到的信号的RSSI平均值;所述多个天线中各天线接收到的信号的RSSI最大值;所述多个天线中各天线接收到的信号的RSSI最小值;所述多个天线中各天线接收到的信号的RSSI偏度值。
根据本公开的实施例,所述天线设置在用于运输所述多个物品的通道门上;
所述接收按预设方式摆放的多个物品发射的多个信号,包括:当运输所述多个物品通过所述通道门时,通过设置在所述通道门上的所述多个天线接收所述多个信号。
根据本公开的实施例,所述通道门包括第一通道门和第二通道门;
所述第一通道门包括通道门框架、吸波材料、外壳;
所述第二通道门包括通道门框架、吸波材料、外壳;
所述天线设置在所述第一通道门和/或所述第二通道门中;
所述天线连接到通信模块,所述通信模块连接到工控机;
所述通信模块设置在所述第一通道门和/或所述第二通道门中;
所述工控机设置在所述第一通道门或第二通道门中。
根据本公开的实施例,所述吸波材料安装在通道门框架外侧,并覆盖所述通道门框架外围;
所述天线暴露于所述吸波材料外侧;
所述外壳由非金属材料制成,罩在所述通道门框架、所述吸波材料以及所述天线外围。
根据本公开的实施例,所述机器学习模型包括以下任意一种:随机森林模型、决策树模型、支持向量机模型、K近邻模型。
根据本公开的实施例,通过以下过程训练所述机器学习模型:
接收按所述预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取所述指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
根据本公开的实施例,以可视化的方式展示所述多个物品中信号被接收到和/或未被接收到的物品的位置。
第二方面,本公开实施例中提供了一种模型训练方法,包括:
接收按预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
第三方面,本公开实施例中提供了一种物品定位系统,包括:通信模块、工控机、多个天线,其中:
所述通信模块配置为通过所述多个天线接收按预设方式摆放的多个物品发射的多个信号;
所述工控机配置为从所述多个信号提取指定特征,将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
根据本公开的实施例,所述的系统,还包括通道门,所述多个天线设置在所述通道门中。
根据本公开的实施例,所述通道门包括第一通道门和第二通道门;
所述第一通道门包括通道门框架、吸波材料、外壳;
所述第二通道门包括通道门框架、吸波材料、外壳;
所述天线对称地设置在所述第一通道门和所述第二通道门中;
所述天线连接到通信模块,所述通信模块连接到工控机;
所述通信模块设置在所述第一通道门和/或所述第二通道门中;
所述工控机设置在所述第一通道门或第二通道门中。
根据本公开的实施例,所述工控机还配置为通过以下过程训练所述机器学习模型:
接收按所述预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取所述指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
第四方面,本公开实施例中提供了一种物品定位装置,包括:
第一接收模块,被配置为接收按预设方式摆放的多个物品发射的多个信号;
第一提取模块,被配置为从所述多个信号提取指定特征;
第一确定模块,被配置为将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
第五方面,本公开实施例中提供了一种模型训练装置,包括:
第二接收模块,被配置为接收按预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
第二提取模块,被配置为从所述多个信号提取指定特征;
第二确定模块,被配置为根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
训练模块,被配置为使用所述指定特征和所述定位结果训练所述机器学习模型。
第六方面,本公开实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面和第二方面任一项所述的方法。
第七方面,本公开实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面和第二方面所述的方法。
第八方面,本公开实施例中提供了一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行权利要求第一方面和第二方面任一项方法的程序代码。
根据本公开实施例提供的技术方案,公开了一种物品定位方法,包括:接收按预设方式摆放的多个物品发射的多个信号;从所述多个信号提取指定特征;将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。本公开的技术方案可以在已知物品摆放方式的前提下,准确识别信号被接收到和/或未被接收到的物品的位置,帮助工作人员准确、快速地定位未被识别到的物品。在应用RFID实现仓储出入库识别的场景中,应用本公开的技术方案可以准确、快速地定位被漏读的RFID标签所在物品的位置,方便实现准确快速的人工补录,大大提升利用RFID进行仓库出入库管理的可用性和可推广性,极大地减少出入库盘点时的人力、物力消耗,提高出入库的准确性和效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出本公开实施例的应用场景示意图。
图2示出根据本公开的实施例的物品定位方法的流程图。
图3示出根据本公开的实施例的一种模型训练方法的流程图。
图4示出根据本公开实施例的物品定位系统的示意图。
图5示出根据本公开的实施例的物品定位装置的结构框图。
图6示出根据本公开的实施例的模型训练装置的结构框图。
图7示出根据本公开的实施例的电子设备的结构框图。
图8示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中,如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作,则所述操作均为经用户授权、确认,或由用户主动选择的操作。
如背景技术部分所述,在现有的智能仓储出入库识别的方案中,往往采用基于视觉的检测设备或基于RFID的通道门。基于视觉的设备中,一般只能实现单个检测和识别,且受视距限制和遮挡、光照条件的干扰,很难进行批量读取,影响出入库管理效率。基于RFID的通道门可以实现批量物品读取,不受遮挡、光照条件的干扰,可大大提高管理效率。但是,由于金属的电磁屏蔽效应,当密集摆放的由大量金属元器件构成的物品通过通道门时,货品上粘贴的RFID标签可能会被漏读。
为了解决上述技术问题,本发明公开了一种物品定位方法,包括:接收按预设方式摆放的多个物品发射的多个信号;从所述多个信号提取指定特征;将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
本公开的技术方案可以在已知物品摆放方式的前提下,准确识别信号被接收到和/或未被接收到的物品的位置,帮助工作人员准确、快速地定位未被识别到的物品。在应用RFID实现仓储出入库识别的场景中,应用本公开的技术方案可以准确、快速地定位被漏读的RFID标签所在物品的位置,方便实现准确快速的人工补录,大大提升利用RFID进行仓库出入库管理的可用性和可推广性,极大地减少出入库盘点时的人力、物力消耗,提高出入库的准确性和效率。
为了说明的方便,下文以应用RFID技术的场景为例对本公开实施例进行说明。但是,本领域技术人员可以理解,本公开实施例不仅限于RFID技术,而是可以应用于通过对物品发射的信号来识别物品信息的各种场景。
图1示出本公开实施例的应用场景示意图。
如图1所示,多个物品110(例如,货物)以已知摆放方式摆放在货车上。例如,这些物品可以被整齐地摆放为一层或多层,每层物品整齐地摆放为一行或多行,以及一列或多列。根据本公开的实施例,物品可以被密集摆放,即一个挨一个地摆放,或者彼此之间留有小间隙。每个物品上均贴有RFID标签120,通过对RFID标签120进行读取,可以获得物品的相关信息,例如物品名称、型号、参数、批号,等等,但不限于此。
如前文所述,当物品含有金属元器件并且被密集摆放时,由于金属的电磁屏蔽效应,在使用RFID读写器读取物品上的RFID标签120时,可能存在漏读的情况。应用本公开实施例的技术方案,可以快速定位被读取和/或未被读取的物品位置,极大地减少出入库盘点时的人力、物力消耗。
图2示出根据本公开的实施例的物品定位方法的流程图。如图2所示,所述物品定位方法包括以下步骤S101-S103。
在步骤S101中,接收按预设方式摆放的多个物品发射的多个信号。
在步骤S102中,从所述多个信号提取指定特征。
在步骤S103中,将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
信号接收装置从多个物品接收的信号的指定特征会受相应物品到信号接收装置的距离、物品之间的摆放关系、屏蔽关系等影响,从而反映相应物品的位置。基于该原理,本公开实施例通过从多个物品接收到的信号提取指定特征,使用这些指定特征和训练好的机器学习模型确定多个物品中信号被接收到和/或未被接收到的物品的位置。根据本公开的实施例,机器学习模型是被预先训练的用于基于所述指定特征确定多个物品中信号被接收到和/或未被接收到的物品的位置的模型,例如可以包括以下任意一种:随机森林模型、决策树模型、支持向量机模型、K近邻模型。
根据本公开的实施例,所述多个物品可以具有相同形状。例如,所述多个物品可以是装有货物的尺寸相同的包装箱。或者,所述多个物品也可以具有不同形状,只要其在进行模型训练时的摆放方式与在实际使用时的摆放方式相同即可。
根据本公开的实施例,所述多个物品可以包括、也可以不包括金属或其他可能屏蔽无线电信号的材质。
根据本公开的实施例,所述预设方式可以是整齐地摆放为一层或多层,每层物品整齐地摆放为一行或多行,以及一列或多列。根据本公开的实施例,物品可以被密集摆放,即一个挨一个地摆放,或者彼此之间留有小间隙。或者,所述预设方式也可以不是整齐地摆放,只要物品在进行模型训练时的摆放方式与在实际使用时的摆放方式相同即可。
根据本公开的实施例,每个物品的信号发射装置设置在相同位置,例如,当信号发射装置为RFID标签时,可以在物品(例如,包装箱)的相同位置设置RFID标签。RFID标签发射的RFID信号中可以包含物品的相关信息,例如物品名称、型号、参数、批号,等等,但不限于此。或者,每个物品的信号发射装置可以设置在不同位置,只要物品在进行模型训练时各信号发射装置的位置与在实际使用时的信号发射装置位置相同即可。
根据本公开的实施例,所述接收按预设方式摆放的多个物品发射的多个信号,包括:通过设置在用于运输所述多个物品的通道两侧的多个天线接收所述多个信号,例如,可以在通道的两侧墙壁上设置多个天线,每侧墙壁分别设置一个或多个天线。或者,根据需要还可以在通道的底部和/或顶部设置一个或多个天线。
根据本公开的实施例,所述多个天线可以设置在通道门上,当通道门为相对设置的两个通道门时,可以在每个通道门上各设置一个或多个天线。在一个具体的示例中,每个通道门设置两个天线,两个通道门上的天线位置彼此对称。
根据本公开的实施例,所述从所述多个信号提取指定特征,包括根据所述多个天线接收的信号的信号强度指示RSSI提取所述指定特征。
根据本公开的实施例,所述指定特征包括以下任意一项或多项:所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比;所述多个天线接收到的信号的RSSI平均值;所述多个天线接收到的信号的RSSI最大值;所述多个天线接收到的信号的RSSI最小值;所述多个天线接收到的信号的RSSI偏度值。
具体地,对于多个物品中某一物品上设置的某一RFID标签i,其被某一天线j读取到的RSSI序列可以表示为则所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比为:
所述多个天线中各天线接收到的信号的RSSI平均值为:
所述多个天线中各天线接收到的信号的RSSI最大值为:
所述多个天线中各天线接收到的信号的RSSI最小值为:
所述多个天线中各天线接收到的信号的RSSI偏度值为:
其中
获取到多个天线中各天线接收到的信号的RSSI平均值、RSSI最大值、RSSI最小值、RSSI偏度值以及各天线接收到信号的次数与所述多个天线接收到信号的总次数之比之后,将上述参数输入训练好的机器学习模型,可以精确的对信号被接收到的物品和/或信号未被接收到的物品进行定位。
根据本公开的实施例,当满足定位启动条件时,开始接收所述多个信号。满足定位启动条件意味着多个物品正在通过安装有天线的通道侧壁或通道门。定位启动条件可以是RFID读写器连续读取的标签数量超过预设阈值,此时认为多个物品正在通过安装有天线的通道侧壁或通道门。或者,可以在通道或通道门处安装传感器,当传感器的输出信号表明多个物品正在通过安装有天线的通道侧壁或通道门时,满足定位启动条件。当满足定位启动条件时,可以开始持续读取预设时间段(例如,10秒)的RFID信号作为所述多个信号。在该预设时间段中,多个物品可以保持静止状态,也可以保持移动状态。多个物品保持静止状态,可以实现信号的稳定接收;多个物品保持移动状态,可以通过天线与物品之间的位置关系改变,使天线能够从多个角度接收信号,增加信号被天线接收到的概率。
在上述预设时间段内,每个天线可能从每个物品多次接收到信号,从而可以基于每个天线接收到的任一物品的信号得到一个RSSI序列。例如,对于多个物品中某一物品上设置的某一RFID标签i,其被某一天线j读取到的RSSI序列可以表示为然后,从该预设时间段读取的多个信号中提取指定特征,将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
根据本公开的实施例,所述机器学习模型包括以下任意一种:随机森林模型、决策树模型、支持向量机模型、K近邻模型。随机森林属于机器学习中集成学习的一类模型,其本质特点是将若干个弱分类器的分类结果进行投票,生成一个强分类器。具体而言,假设随机森林模型采用T个决策树模型的结果进行最终投票,设训练集大小为N,特征量为M,则对于每一个决策树模型都有放回地从N组训练数据中选取n组作为输入,选择m(m小于M)个特征作为决策树的分支,统计所有决策树模型的结果,对分类结果进行投票,得票最高的类别为随机森林模型的输出结果。该模型可以有效避免异常训练输入数据对训练结果的影响,提高模型判断的准确性。支持向量机模型是一种二分类模型,是在特征空间中找到一个超平面来将不同类别的数据分开。支持向量机的核心是最大化分类间隔,也就是使得离超平面最近的数据点距离超平面的距离最大化。K近邻模型是一种基于实例的学习算法,是根据输入样本在训练数据集中的K个最近邻居的标签来预测输入样本的标签,K值的选择和距离度量方式是影响K近邻性能的关键因素。通过将指定特征输入训练好的机器学习模型,可以根据机器学习模型确定接收到信号的物品的位置和/或未接收到信号的物品的位置,可以准确定位到漏录的物品位置,方便对入库或出库的物品进行统计。
根据本公开的实施例,还可以以可视化的方式展示所述多个物品中信号被接收到和/或未被接收到的物品的位置。通过可视化的方式,可以将多个物品中信号被接收到和/或未被接收到的物品的位置直观的向用户进行展示,使得用户可以直观了解未接收到信号的物品的位置,方便后续对物品进行补充录入信息。
图3示出根据本公开的实施例的一种模型训练方法的流程图。如图3所示,所述模型训练方法包括以下步骤S201–S204。
在步骤S201中,接收按预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息。
在步骤S202中,从所述多个信号提取指定特征。
在步骤S203中,根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果。
在步骤S204中,使用所述指定特征和所述定位结果训练所述机器学习模型。
根据本公开的实施例,可以通过如下过程对机器学习模型进行训练。
首先,将识别信息已知的多个物品按照预设方式(即,实际运输时的摆放方式)摆放在货车上,其中每个物品的识别信息与其摆放位置的对应关系是已知的。当满足定位启动条件时,开始接收所述多个信号。满足定位启动条件意味着多个物品正在通过安装有天线的通道侧壁或通道门。定位启动条件可以是RFID读写器连续读取的标签数量超过预设阈值,此时认为多个物品正在通过安装有天线的通道侧壁或通道门。或者,可以在通道或通道门处安装传感器,当传感器的输出信号表明多个物品正在通过安装有天线的通道侧壁或通道门时,满足定位启动条件。当满足定位启动条件时,可以开始持续读取预设时间段的RFID信号作为所述多个信号。在该预设时间段中,多个物品可以保持静止状态,也可以保持移动状态,但需与实际运输时在预设时间段内的状态保持一致。
不同物品对应于不同识别信息,因此,通过解析接收到的信号,可以得到信号被接收到的物品的识别信息,进而得到信号被接收到的物品的位置,并且可以推知信号未被接收到的物品的位置,将信号被接收到和/或未被接收到的物品的位置作为定位结果。
然后,从接收到的信号提取指定特征,例如包括以下任意一项或多项:所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比;所述多个天线中各天线接收到的信号的RSSI平均值;所述多个天线中各天线接收到的信号的RSSI最大值;所述多个天线中各天线接收到的信号的RSSI最小值;所述多个天线中各天线接收到的信号的RSSI偏度值。
通过这样的方式,可以获得多个样本数据,每个样本数据包括彼此对应的指定特征和定位结果。
将一部分样本数据作为训练数据,另一部分样本数据作为测试数据对机器学习模型进行训练。具体地,将指定特征作为机器学习模型的输入,将定位结果作为机器学习模型的输出,对机器学习模型进行训练。当样本数据较少时,可以采用交叉验证的方式进行模型的精度评估。
图4示出根据本公开实施例的物品定位系统的示意图。
如图4所示,根据本公开实施例的物品定位系统包括第一通道门310和第二通道门320。第一通道门包括通道门框架311、吸波材料400、外壳312。第二通道门包括通道门框架321、吸波材料400、外壳322。第一通道门310和第二通道门320可以平行设置在通道的两侧,方便从不同角度设置天线。
所述第一通道门和第二通道门设置在用于运输所述多个物品的通道两侧,所述多个物品从第一通道门和第二通道门之间穿行。所述天线设置在所述第一通道门和/或所述第二通道门中。天线设置在第一通道门和/或第二通道门的多个位置,用于从不同角度接收按预设方式摆放的多个物品发射的多个信号。在图4的示例中,第一通道门和第二通道门中对称地各设置有两个天线。
根据本公开的实施例,所述天线连接到通信模块,所述通信模块连接到工控机。例如,通信模块可以是RFID读写器,用于读取天线接收到的RFID信号。工控机用于根据天线接收到的信号获取物品的相关信息,以及使用根据本公开实施例的方法根据天线接收到的信号对物品进行定位。
根据本公开的实施例,所述工控机还配置为通过以下过程训练所述机器学习模型:接收按所述预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;从所述多个信号提取所述指定特征;根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;使用所述指定特征和所述定位结果训练所述机器学习模型。
根据本公开的实施例,所述通信模块设置在所述第一通道门310和/或所述第二通道门320中。通信模块设置在第一通道门310和/或第二通道门320中,方便和第一通道门310与第二通道门320共同部署。可选地,通信模块可以设置在第一通道门310和第二通道门320之外的地点,例如控制机房等。
根据本公开的实施例,所述工控机设置在所述第一通道门310或第二通道门320中。工控机设置在第一通道门310和/或第二通道门320中,方便和第一通道门310与第二通道门320共同部署。可选地,工控机可以设置在第一通道门310和第二通道门320之外的地点,例如控制机房等。
根据本公开的实施例,所述吸波材料400安装在通道门框架外侧,并覆盖所述通道门框架外围。吸波材料400的作用是减少电磁波反射和干扰,优化天线的信号接收性能。具体地,当RFID标签贴在金属等导电物体上时,电磁波会在金属表面产生反射和衰减,导致天线无法准确读取RFID标签信息,而吸波材料400能够吸收电磁波,从而减少电磁波的反射和干扰,提高天线的灵敏度和准确性。
根据本公开的实施例,所述天线暴露于所述吸波材料400外侧。
根据本公开的实施例,所述外壳由非金属材料制成,罩在所述通道门框架、所述吸波材料400以及所述天线外围。
图4所示的物品定位系统是在通道门中集成天线、通信模块、工控机等,但根据本公开的实施例的物品定位系统也可以不包括通道门,例如可以将天线部署在通道的侧壁和/或顶面和/或地面上,并以有线或无线的方式将天线接收到的信号发送到通信模块,进而发送到工控机。
根据本公开实施例的方法和系统能够准确高效地定位漏读物品。为验证本公开实施例的可行性与准确性,搭建实验平台并进行算法测试。搭建简易通道门,使得通道门宽度为1.7m,单侧RFID定向天线安装高度分别为35cm和75cm,使用电能表作为货物,按照3×4×2的方式密集堆垛,确保堆垛中心高度为55cm并放置于手推货车上通过通道门并采集数据,采集时间长度为10s。本实验中共采集200组数据作为训练集,由于数据量较小,因此采用五折交叉验证的方式进行模型精度评估。结果表明,使用随机森林方法,判断正确率高达99.3%,采用普通的决策树模型,判断正确率为96.9%,支持向量机模型正确率最高为98.4%,K近邻模型最高为96.4%。
图5示出根据本公开的实施例的物品定位装置的结构框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图5所示,所述物品定位装置500包括第一接收模块510、第一提取模块520、第一确定模块530。
第一接收模块510,被配置为接收按预设方式摆放的多个物品发射的多个信号;
第一提取模块520,被配置为从所述多个信号提取指定特征;
第一确定模块530,被配置为将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
信号接收装置从多个物品接收的信号的指定特征会受相应物品到信号接收装置的距离、物品之间的摆放关系、屏蔽关系等影响,从而反映相应物品的位置。基于该原理,本公开实施例通过从多个物品接收到的信号提取指定特征,使用这些指定特征和训练好的机器学习模型确定多个物品中信号被接收到和/或未被接收到的物品的位置。
根据本公开的实施例,所述物品定位装置500,其中,所述多个物品具有相同形状;所述预设摆放方式为整齐排列;通过在所述物品的相同位置设置的信号发射装置发射所述信号;所述信号是RFID信号。
根据本公开的实施例,所述物品定位装置500,其中,所述接收按预设方式摆放的多个物品发射的多个信号,包括:通过设置在用于运输所述多个物品的通道两侧的多个天线接收所述多个信号;所述从所述多个信号提取指定特征,包括根据所述多个天线接收的信号的信号强度指示RSSI提取所述指定特征。
根据本公开的实施例,所述物品定位装置500,其中,所述指定特征包括以下任意一项或多项:所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比;所述多个天线中各天线接收到的信号的RSSI平均值;所述多个天线中各天线接收到的信号的RSSI最大值;所述多个天线中各天线接收到的信号的RSSI最小值;所述多个天线中各天线接收到的信号的RSSI偏度值。将上述参数输入训练好的机器学习模型,可以精确的对信号被接收到的物品和/或信号未被接收到的物品进行定位。
根据本公开的实施例,所述物品定位装置500,其中,所述天线设置在用于运输所述多个物品的通道门上;所述接收按预设方式摆放的多个物品发射的多个信号,包括:当运输所述多个物品通过所述通道门时,通过设置在所述通道门上的所述多个天线接收所述多个信号。
根据本公开的实施例,所述物品定位装置500,其中,所述通道门包括第一通道门和第二通道门;所述第一通道门包括通道门框架、吸波材料、外壳;所述第二通道门包括通道门框架、吸波材料、外壳;所述天线设置在所述第一通道门和/或所述第二通道门中;所述天线连接到通信模块,所述通信模块连接到工控机;所述通信模块设置在所述第一通道门和/或所述第二通道门中;所述工控机设置在所述第一通道门或第二通道门中。
根据本公开的实施例,所述物品定位装置500,其中,所述吸波材料安装在通道门框架外侧,并覆盖所述通道门框架外围;所述天线暴露于所述吸波材料外侧;所述外壳由非金属材料制成,罩在所述通道门框架、所述吸波材料以及所述天线外围。
根据本公开的实施例,所述物品定位装置500,其中,所述机器学习模型包括以下任意一种:随机森林模型、决策树模型、支持向量机模型、K近邻模型。
根据本公开的实施例,所述物品定位装置500,其中,通过以下过程训练所述机器学习模型:接收按所述预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;从所述多个信号提取所述指定特征;根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;使用所述指定特征和所述定位结果训练所述机器学习模型。
图6示出根据本公开的实施例的模型训练装置的结构框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图6所示,所述模型训练装置600包括第二接收模块610、第二提取模块620、第二确定模块630,训练模块640。
第二接收模块610,被配置为接收按预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
第二提取模块620,被配置为从所述多个信号提取指定特征;
第二确定模块630,被配置为根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
训练模块640,被配置为使用所述指定特征和所述定位结果训练所述机器学习模型。
根据本公开的实施例,可以通过如下过程对机器学习模型进行训练。
首先,将识别信息已知的多个物品按照预设方式(即,实际运输时的摆放方式)摆放在货车上,其中每个物品的识别信息与其摆放位置的对应关系是已知的。当满足定位启动条件时,开始接收所述多个信号。满足定位启动条件意味着多个物品正在通过安装有天线的通道侧壁或通道门。定位启动条件可以是RFID读写器连续读取的标签数量超过预设阈值,此时认为多个物品正在通过安装有天线的通道侧壁或通道门。或者,可以在通道或通道门处安装传感器,当传感器的输出信号表明多个物品正在通过安装有天线的通道侧壁或通道门时,满足定位启动条件。当满足定位启动条件时,可以开始持续读取预设时间段的RFID信号作为所述多个信号。在该预设时间段中,多个物品可以保持静止状态,也可以保持移动状态,但需与实际运输时在预设时间段内的状态保持一致。
不同物品对应于不同识别信息,因此,通过解析接收到的信号,可以得到信号被接收到的物品的识别信息,进而得到信号被接收到的物品的位置,并且可以推知信号未被接收到的物品的位置,将信号被接收到和/或未被接收到的物品的位置作为定位结果。
然后,从接收到的信号提取指定特征,例如包括以下任意一项或多项:所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比;所述多个天线中各天线接收到的信号的RSSI平均值;所述多个天线中各天线接收到的信号的RSSI最大值;所述多个天线中各天线接收到的信号的RSSI最小值;所述多个天线中各天线接收到的信号的RSSI偏度值。
通过这样的方式,可以获得多个样本数据,每个样本数据包括彼此对应的指定特征和定位结果。
将一部分样本数据作为训练数据,另一部分样本数据作为测试数据对机器学习模型进行训练。具体地,将指定特征作为机器学习模型的输入,将定位结果作为机器学习模型的输出,对机器学习模型进行训练。当样本数据较少时,可以采用交叉验证的方式进行模型的精度评估。
本公开还公开了一种电子设备,图7示出根据本公开的实施例的电子设备的结构框图。根据本发明实施例的电子设备可以实现为本发明中的工控机。
如图7所示,所述电子设备包括存储器和处理器,其中,存储器用于存储计算机指令,其中,所述计算机指令被所述处理器执行以实现根据本公开的实施例的方法。
一种物品定位方法,包括:
接收按预设方式摆放的多个物品发射的多个信号;
从所述多个信号提取指定特征;
将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
所述多个物品具有相同形状;
所述预设摆放方式为整齐排列;
通过在所述物品的相同位置设置的信号发射装置发射所述信号;
所述信号是RFID信号。
所述接收按预设方式摆放的多个物品发射的多个信号,包括:通过设置在用于运输所述多个物品的通道两侧的多个天线接收所述多个信号;
所述从所述多个信号提取指定特征,包括根据所述多个天线接收的信号的信号强度指示RSSI提取所述指定特征。
所述指定特征包括以下任意一项或多项:所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比;所述多个天线中各天线接收到的信号的RSSI平均值;所述多个天线中各天线接收到的信号的RSSI最大值;所述多个天线中各天线接收到的信号的RSSI最小值;所述多个天线中各天线接收到的信号的RSSI偏度值。
所述天线设置在用于运输所述多个物品的通道门上;
所述接收按预设方式摆放的多个物品发射的多个信号,包括:当运输所述多个物品通过所述通道门时,通过设置在所述通道门上的所述多个天线接收所述多个信号。
所述通道门包括第一通道门和第二通道门;
所述第一通道门包括通道门框架、吸波材料、外壳;
所述第二通道门包括通道门框架、吸波材料、外壳;
所述天线设置在所述第一通道门和/或所述第二通道门中;
所述天线连接到通信模块,所述通信模块连接到工控机;
所述通信模块设置在所述第一通道门和/或所述第二通道门中;
所述工控机设置在所述第一通道门或第二通道门中。
所述吸波材料安装在通道门框架外侧,并覆盖所述通道门框架外围;
所述天线暴露于所述吸波材料外侧;
所述外壳由非金属材料制成,罩在所述通道门框架、所述吸波材料以及所述天线外围。
所述机器学习模型包括以下任意一种:随机森林模型、决策树模型、支持向量机模型、K近邻模型。
通过以下过程训练所述机器学习模型:
接收按所述预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取所述指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
所述物品定位方法,还包括:
以可视化的方式展示所述多个物品中信号被接收到和/或未被接收到的物品的位置。
一种模型训练方法,包括:
接收按预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
图8示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。根据本发明实施例的计算机系统可以实现为本发明中的工控机。
如图8所示,计算机系统包括处理单元,其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行上述实施例中的各种方法。在RAM中,还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。其中,所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。所述输入部分、输出部分、可拆卸介质可以适用于工控机设置在控制机房等远离通道门设置的场景。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种物品定位方法,其特征在于,包括:
接收按预设方式摆放的多个物品发射的多个信号;
从所述多个信号提取指定特征;
将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
2.根据权利要求1所述的方法,其中:
所述多个物品具有相同形状;
所述预设摆放方式为整齐排列;
通过在所述物品的相同位置设置的信号发射装置发射所述信号;
所述信号是RFID信号。
3.根据权利要求1所述的方法,其中:
所述接收按预设方式摆放的多个物品发射的多个信号,包括:通过设置在用于运输所述多个物品的通道两侧的多个天线接收所述多个信号;
所述从所述多个信号提取指定特征,包括根据所述多个天线接收的信号的信号强度指示RSSI提取所述指定特征。
4.根据权利要求3所述的方法,其中:
所述指定特征包括以下任意一项或多项:所述多个天线中各天线接收到信号的次数与所述多个天线接收到信号的总次数之比;所述多个天线中各天线接收到的信号的RSSI平均值;所述多个天线中各天线接收到的信号的RSSI最大值;所述多个天线中各天线接收到的信号的RSSI最小值;所述多个天线中各天线接收到的信号的RSSI偏度值。
5.根据权利要求3所述的方法,其中:
所述天线设置在用于运输所述多个物品的通道门上;
所述接收按预设方式摆放的多个物品发射的多个信号,包括:当运输所述多个物品通过所述通道门时,通过设置在所述通道门上的所述多个天线接收所述多个信号。
6.根据权利要求5所述的方法,其中:
所述通道门包括第一通道门和第二通道门;
所述第一通道门包括通道门框架、吸波材料、外壳;
所述第二通道门包括通道门框架、吸波材料、外壳;
所述天线设置在所述第一通道门和/或所述第二通道门中;
所述天线连接到通信模块,所述通信模块连接到工控机;
所述通信模块设置在所述第一通道门和/或所述第二通道门中;
所述工控机设置在所述第一通道门或第二通道门中。
7.根据权利要求6所述的方法,其中:
所述吸波材料安装在所述通道门框架外侧,并覆盖所述通道门框架外围;
所述天线暴露于所述吸波材料外侧;
所述外壳由非金属材料制成,罩在所述通道门框架、所述吸波材料以及所述天线外围。
8.根据权利要求1所述的方法,其中,所述机器学习模型包括以下任意一种:随机森林模型、决策树模型、支持向量机模型、K近邻模型。
9.根据权利要求1所述的方法,其中,通过以下过程训练所述机器学习模型:
接收按所述预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取所述指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
10.根据权利要求1所述的方法,还包括:
以可视化的方式展示所述多个物品中信号被接收到和/或未被接收到的物品的位置。
11.一种模型训练方法,包括:
接收按预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
12.一种物品定位系统,包括通信模块、工控机、多个天线,其中:
所述通信模块配置为通过所述多个天线接收按预设方式摆放的多个物品发射的多个信号;
所述工控机配置为从所述多个信号提取指定特征,将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
13.根据权利要求12所述的系统,还包括通道门,所述多个天线设置在所述通道门中。
14.根据权利要求13所述的系统,其中:
所述通道门包括第一通道门和第二通道门;
所述第一通道门包括通道门框架、吸波材料、外壳;
所述第二通道门包括通道门框架、吸波材料、外壳;
所述天线对称地设置在所述第一通道门和所述第二通道门中;
所述天线连接到通信模块,所述通信模块连接到工控机;
所述通信模块设置在所述第一通道门和/或所述第二通道门中;
所述工控机设置在所述第一通道门或第二通道门中。
15.根据权利要求12所述的系统,其中,所述工控机还配置为通过以下过程训练所述机器学习模型:
接收按所述预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
从所述多个信号提取所述指定特征;
根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
使用所述指定特征和所述定位结果训练所述机器学习模型。
16.一种物品定位装置,包括:
第一接收模块,被配置为接收按预设方式摆放的多个物品发射的多个信号;
第一提取模块,被配置为从所述多个信号提取指定特征;
第一确定模块,被配置为将所述指定特征输入训练好的机器学习模型,确定所述多个物品中信号被接收到和/或未被接收到的物品的位置。
17.一种模型训练装置,包括:
第二接收模块,被配置为接收按预设方式摆放的多个物品发射的多个信号,所述信号包含相应物品的识别信息;
第二提取模块,被配置为从所述多个信号提取指定特征;
第二确定模块,被配置为根据所述多个信号中包含的识别信息确定所述多个物品中信号被接收到和/或未被接收到的物品的位置作为定位结果;
训练模块,被配置为使用所述指定特征和所述定位结果训练所述机器学习模型。
18.一种电子设备,其特征在于,包括存储器和处理器;其中,所述存储器用于存储计算机指令,其中,所述计算机指令被所述处理器执行以实现权利要求1-11任一项所述的方法步骤。
19.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-11任一项所述的方法步骤。
20.一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行权利要求1-11任一项方法的程序代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311369442.9A CN117641572A (zh) | 2023-10-20 | 2023-10-20 | 物品定位方法、系统、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311369442.9A CN117641572A (zh) | 2023-10-20 | 2023-10-20 | 物品定位方法、系统、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117641572A true CN117641572A (zh) | 2024-03-01 |
Family
ID=90015365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311369442.9A Pending CN117641572A (zh) | 2023-10-20 | 2023-10-20 | 物品定位方法、系统、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117641572A (zh) |
-
2023
- 2023-10-20 CN CN202311369442.9A patent/CN117641572A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11823094B1 (en) | Disambiguating between users | |
US20210064909A1 (en) | Article management system, information processing apparatus, and control method and control program of information processing apparatus | |
CN109840504B (zh) | 物品取放行为识别方法、装置、存储介质及设备 | |
CN101960468B (zh) | 标签信息处理装置 | |
CN101840488B (zh) | 射频环境对象监视系统和使用方法 | |
Alippi et al. | A statistical approach to localize passive RFIDs | |
US20130009751A1 (en) | Method for updating firmware and communication unit | |
RU2013139711A (ru) | Устройство и способ учета товарного запаса торговой точки и/или склада, а также оснащенная этим система управления складом | |
US10275620B2 (en) | Book sorting method on the basis of RSSI signal value of RFID tag | |
JP2014169163A (ja) | 物品管理システム、物品管理方法、情報処理装置およびその制御方法と制御プログラム | |
US9405946B2 (en) | Judgment apparatus, judgment system, and judgment method | |
US9852320B2 (en) | System for tracking items stored in a safe | |
CN111723777A (zh) | 商品取放过程判别方法、装置、智能货柜和可读存储介质 | |
CN113611027A (zh) | 一种出库检测方法、系统、设备及可读存储介质 | |
US9053377B2 (en) | Device and method for the automated reading/writing of RFID tags | |
CN103106376A (zh) | 一种识别射频标签的方法 | |
CN114049575A (zh) | 一种安检机违禁品智能检测方法及系统、电子设备 | |
KR20120085548A (ko) | 알에프아이디 태그의 위치정보 판단 장치 및 그 방법 | |
CN117641572A (zh) | 物品定位方法、系统、电子设备及可读存储介质 | |
CN210428502U (zh) | 基于rfid技术的出入库管理系统 | |
JP6609806B2 (ja) | 図書収容装置 | |
US20120101714A1 (en) | Management of an object | |
Angulo et al. | Towards a traceability system based on RFID technology to check the content of pallets within electronic devices supply chain | |
WO2014150531A1 (en) | Merchandise event monitoring via wireless tracking | |
KR20190007629A (ko) | Rfid 태그와 리더기를 활용한 도서 정렬확인 및 관리 시스템 |
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 |