一种货物入库检测方法、仓储入库系统及存储介质技术方案

本发明专利技术公开了一种货物入库检测方法、仓储入库系统及存储介质，涉及识别仓储出入库货物领域。该方法包括：通过双目相机采集待入库货物的三维数据，对所述三维数据进行预处理，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中。本发明专利技术方案使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。

【技术实现步骤摘要】
一种货物入库检测方法、仓储入库系统及存储介质
本专利技术涉及识别仓储出入库货物领域，尤其涉及一种货物入库检测方法、仓储入库系统及存储介质。
技术介绍
随着电商规模日益扩大和社会的发展进步，对仓储的需求量也日益攀升。不同于普通仓库的码放和需要较多的人力劳动力，智能仓储逐渐以无人化、智能化、高效的特点占据发展新方向。智能仓储为了尽可能做到无人化、智能化，会对入库的货物会进行智能仓位分配。而合理分配仓储位置和准确入库信息的基础，就是准确录入货物型号信息。使用人力的成本略高，且容易出现误识别事故。而且以智能仓库储藏能力，无法保证入库货物是同型号连续入库，不能简单地批次标记处理。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供一种货物入库检测方法、仓储入库系统及存储介质。本专利技术解决上述技术问题的技术方案如下：一种货物入库检测方法，包括：S1，通过双目相机采集待入库货物的三维数据；S2，对所述三维数据进行预处理；S3，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号；S4，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中。本专利技术的有益效果是：本方案通过采集待入库货物的三维数据，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中，本专利技术使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。进一步地，所述通过训练后的深度卷积模型，识别出所述三维数据的货物型号具体包括：通过特征提取模块提取预处理后的所述三维数据的左图图像特征和右图图像特征，采用权值共享法对所述左图图像特征和所述右图图像特征进行处理；通过双目特征融合函数对处理后的所述左图图像特征和所述右图图像特征进行融合；使用图像特征金字塔对融合后的图像特征进行特征挖掘；通过分类模块对挖掘后的图像特征进行分类，输出对应的货物型号；所述深度卷积模型包括:所述特征提取模块和所述分类模块。采用上述进一步方案的有益效果是：本方案通过深度卷积模型有效融合双目相机左右相机的数据特征，能够准确分类入库货物的型号。进一步地，所述分类模块包括：全连接层和sigmoid层。进一步地，所述使用图像特征金字塔对融合后的图像特征进行特征挖掘具体包括：通过图像特征金字塔采用下采样和自上而下的连接路径进行特征挖掘，并通过横向连接保留原始特征信息。采用上述进一步方案的有益效果是：本方案采用下采样和自上而下的连接路径进行特征挖掘，再通过横向连接中加入注意力机制增强有效特征信息。进一步地，所述双目特征融合函数的公式如下:，其中，为双目特征融合函数；为所述左图图像特征经所述深度卷积模型的注意力卷积层后得到的特征向量；为所述右图图像特征经所述注意力卷积层后得到的特征向量。进一步地，还包括：在深度卷积模型中使用基于交叉熵的损失函数；采用梯度反向传播更新所述深度卷积模型参数；通过样本数据对更新后的所述深度卷积模型进行训练，获得训练后的所述深度卷积模型。采用上述进一步方案的有益效果是：本方案通过基于交叉熵的损失函数，采用梯度反向传播更新所述深度卷积模型参数，再对深度卷积模型进行训练，实现加快货物分类深度卷积模型的训练速度，使其更专注于难识别货物型号的训练。进一步地，所述损失函数包括：在多分类交叉熵损失的基础上，增加针对样本训练难易度的损失函数为：，其中，是模型输出，是输入样本对应的标签，是常规交叉熵损失。进一步地，所述对所述三维数据进行预处理具体包括：基于训练后的深度学习的生成对抗网络对所述三维数据进行预处理。采用上述进一步方案的有益效果是：本方案通过基于训练后的深度学习的生成对抗网络的预处理，实现三维数据的图像降噪和信号增强。本专利技术解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一方案所述的一种货物入库检测方法。本专利技术的有益效果是：本方案通过采集待入库货物的三维数据，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中，本专利技术使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。本专利技术解决上述技术问题的另一种技术方案如下：一种仓储入库系统，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序，实现如上述任一方案所述的一种货物入库检测方法。本专利技术的有益效果是：本方案通过采集待入库货物的三维数据，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中，本专利技术使用双目相机捕捉货物的立体信息，并使用深度学习卷积模型，自动准确识别入库货物的类型和型号，保证准确的仓储信息。本专利技术附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。附图说明图1为本专利技术的实施例提供的一种货物入库检测方法的流程示意图；图2为本专利技术的其他实施例提供的，采集待入库货物的三维数据的结构示意图；图3为本专利技术的其他实施例提供的通过训练后的深度卷积模型识别出三维数据的货物型号的流程示意图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实施例只用于解释本专利技术，并非用于限定本专利技术的范围。如图1所示，为本专利技术实施例提供的一种货物入库检测方法，包括：S1，通过双目相机采集待入库货物的三维数据；在某一实施例中，如图2所示，采集待入库货物的三维数据的结构还可以包括：流水线传送带、红外感知模块、补偿光源和双目相机，电视机、显示器等待入库货物被放在流水线传送带上后，跟随传送带同步运动；当红外感知模块探测到货物完整传送至待检测区域后，触发开始检测信号，传送带停止传送，同时双目相机开始检测货物外型信息的数据。在某一实施例中，双目相机检测货物外型信息，可以使用结构光光源补偿照射，使用格雷码和相移法对图像编码，由双目视觉相机采集货物的三维数据。在某一实施例中可以通过LenaCVHNY-CV-001定基线USB3.0接口的双目相机，帧率可达30帧/秒。S2，对三维数据进行预处理；在某一实施例中，通过对采集的图像进行降噪、信号增强等预处理，预处理操作可以包括：使用基于深度学习的生成对抗网络对双目相机采集的图像去噪和超分辨增强；生成对抗网络包含生成器和鉴别器，在训练阶段，将公共图像去噪训练集的本文档来自技高网...

【技术保护点】
1.一种货物入库检测方法，其特征在于，包括：/nS1，通过双目相机采集待入库货物的三维数据；/nS2，对所述三维数据进行预处理；/nS3，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号；/nS4，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中。/n

【技术特征摘要】
1.一种货物入库检测方法，其特征在于，包括：
S1，通过双目相机采集待入库货物的三维数据；
S2，对所述三维数据进行预处理；
S3，将预处理后的所述三维数据通过训练后的深度卷积模型，识别出所述三维数据对应的货物型号；
S4，根据所述货物型号获得货物信息条形码，并存储进仓储数据库中。


2.根据权利要求1所述的一种货物入库检测方法，其特征在于，所述通过训练后的深度卷积模型，识别出所述三维数据的货物型号具体包括：
通过特征提取模块提取预处理后的所述三维数据的左图图像特征和右图图像特征，采用权值共享法对所述左图图像特征和所述右图图像特征进行处理；
通过双目特征融合函数对处理后的所述左图图像特征和所述右图图像特征进行融合；
使用图像特征金字塔对融合后的图像特征进行特征挖掘；
通过分类模块对挖掘后的图像特征进行分类，输出对应的货物型号；
所述深度卷积模型包括:所述特征提取模块和所述分类模块。


3.根据权利要求2所述的一种货物入库检测方法，其特征在于，还包括：
所述分类模块包括：全连接层和sigmoid层。


4.根据权利要求2或3所述的一种货物入库检测方法，其特征在于，所述使用图像特征金字塔对融合后的图像特征进行特征挖掘具体包括：
通过图像特征金字塔采用下采样和自上而下的连接路径进行特征挖掘，并通过横向连接保留原始特征信息。


5.根据权利要求2或3所述的一种货物入库检测...

【专利技术属性】
技术研发人员：钱浩，
申请(专利权)人：湖北浩蓝智造科技有限公司，
类型：发明
国别省市：湖北;42