一种贵金属库存的管理方法及系统技术方案

公开了一种贵金属库存的管理方法及系统。其首先将待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图，接着，融合所述浅层特征图和所述深层特征图以得到检测特征图，然后，对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图，接着，将所述优化检测特征图通过通道注意力模块以得到分类特征图，最后，将所述分类特征图通过分类器以得到用于表示待组盘贵金属的类型标签的分类结果。这样，可以提高贵金属库存的管理品质。管理品质。管理品质。

【技术实现步骤摘要】
一种贵金属库存的管理方法及系统


[0001]本申请涉及智能管理领域，且更为具体地，涉及一种贵金属库存的管理方法及系统。

技术介绍

[0002]随着移动支付等新技术的发展，金库现金管理量缩减，贵金属业务成为了当前金库管理的主要问题。贵金属规格品类繁多，且库存的数据巨大，各种贵金属物品出入库频繁，需要每日对库存进行盘点，出入库也需要同步进行更新和管理。
[0003]在贵金属入库时，需要先进行组盘，即将同类的贵金属放在托盘或智能电子存储箱中。现有的贵金属组盘通过人工来进行，会存在有组盘误分类的现象，也就是，不同类别的贵金属放置在同一托盘或智能电子存储箱中，严重影响了贵金属库存的管理品质。
[0004]因此，期望一种优化的贵金属库存的管理方案。

技术实现思路

[0005]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贵金属库存的管理方法及系统。其首先将待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图，接着，融合所述浅层特征图和所述深层特征图以得到检测特征图，然后，对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图，接着，将所述优化检测特征图通过通道注意力模块以得到分类特征图，最后，将所述分类特征图通过分类器以得到用于表示待组盘贵金属的类型标签的分类结果。这样，可以提高贵金属库存的管理品质。
[0006]根据本申请的一个方面，提供了一种贵金属库存的管理方法，其包括：
[0007]获取由摄像头采集的待组盘贵金属的检测图像；
[0008]将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图；
[0009]融合所述浅层特征图和所述深层特征图以得到检测特征图；
[0010]对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图；
[0011]将所述优化检测特征图通过通道注意力模块以得到分类特征图；以及
[0012]将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待组盘贵金属的类型标签。
[0013]在上述的贵金属库存的管理方法中，将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图，包括：
[0014]使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理，以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图，以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。
[0015]在上述的贵金属库存的管理方法中，融合所述浅层特征图和所述深层特征图以得到检测特征图，包括：
[0016]以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图；
[0017]其中，所述融合公式为：
[0018]F
s
＝λF
a
+βF
b
[0019]其中，F
s
表示所述检测特征图，F
a
表示所述浅层特征图，F
b
表示所述深层特征图，“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加，λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。
[0020]在上述的贵金属库存的管理方法中，对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图，包括：
[0021]计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量；以及
[0022]以所述加权特征向量的各个位置的特征值作为权重来分别对所述检测特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化检测特征图。
[0023]在上述的贵金属库存的管理方法中，计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量，包括：
[0024]以如下强化公式计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的所述加权特征向量；
[0025]其中，所述强化公式为：
[0026][0027]其中，m
i,j
表示所述检测特征图的每个特征矩阵的第(i,j)位置的特征值，μ和σ分别是所述检测特征图的每个特征矩阵的各个位置的特征值集合的均值和方差，且W和H分别是所述检测特征图的每个特征矩阵的宽度和高度，log表示以2为底的对数函数值，exp(
·
)表示自然指数函数值，α表示所述加权特征向量的各个位置的特征值。
[0028]在上述的贵金属库存的管理方法中，将所述优化检测特征图通过通道注意力模块以得到分类特征图，包括：
[0029]将所述优化检测特征图输入所述通道注意力模块的多层卷积层以得到优化检测卷积特征图；
[0030]计算所述优化检测卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到优化检测通道特征向量；
[0031]将所述优化检测通道特征向量输入所述Sigmoid激活函数以得到优化检测通道注意力权重向量；以及
[0032]以所述优化检测通道注意力权重向量中各个位置的特征值作为权重分别对所述优化检测卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
[0033]在上述的贵金属库存的管理方法中，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待组盘贵金属的类型标签，包括：
[0034]将所述分类特征图按照行向量展开为分类特征向量；
[0035]使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
[0036]将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0037]根据本申请的另一个方面，提供了一种贵金属库存的管理系统，其包括：
[0038]图像采集模块，用于获取由摄像头采集的待组盘贵金属的检测图像；
[0039]卷积编码模块，用于将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图；
[0040]特征图融合模块，用于融合所述浅层特征图和所述深层特征图以得到检测特征图；
[0041]特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种贵金属库存的管理方法，其特征在于，包括：获取由摄像头采集的待组盘贵金属的检测图像；将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图；融合所述浅层特征图和所述深层特征图以得到检测特征图；对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图；将所述优化检测特征图通过通道注意力模块以得到分类特征图；以及将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待组盘贵金属的类型标签。2.根据权利要求1所述的贵金属库存的管理方法，其特征在于，将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理，以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图，以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。3.根据权利要求2所述的贵金属库存的管理方法，其特征在于，融合所述浅层特征图和所述深层特征图以得到检测特征图，包括：以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图；其中，所述融合公式为：F
s
＝λF
a
+βF
b
其中，F
s
表示所述检测特征图，F
a
表示所述浅层特征图，F
b
表示所述深层特征图，“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加，λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。4.根据权利要求3所述的贵金属库存的管理方法，其特征在于，对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图，包括：计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量；以及以所述加权特征向量的各个位置的特征值作为权重来分别对所述检测特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化检测特征图。5.根据权利要求4所述的贵金属库存的管理方法，其特征在于，计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量，包括：以如下强化公式计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的所述加权特征向量；其中，所述强化公式为：
其中，m
i,j
表示所述检测特征图的每个特征矩阵的第(i,j)位置的特征值，μ和σ分别是所述检测特征图的每个特征矩阵的各个位置的特征值集合的均值和方差，且W和H分别是所述检测特征图的每个...

【专利技术属性】
技术研发人员：袁明浩，欧智彪，王圳义，
申请(专利权)人：广州微明信息科技有限公司，
类型：发明
国别省市：