[发明专利]一种基于多任务深度学习的物流编码识别和分拣方法

说明书

一种基于多任务深度学习的物流编码识别和分拣方法，包括用于全方位获取物流编码标签图像的方法、便于视觉检测定位物流编码标签设计方案、适用于物流编码标签的字符定位和切分的字符大小、字形以及字符之间的间隔设计方案、用于对物流编码标签进行检测定位的Faster R‑CNN网络、用于物流编码标签纠偏及字符的正倒检测的算法模块、用于对物流编码标签上的字符进行分割处理的字符分割算法模块，用于深度学习和训练识别的多任务深度卷积神经网络，用于根据识别的物流编码控制分拣动作的分拣控制模块。本发明有效的解决了大量的不规则外形、柔性包装的货物不能快速自动分拣问题。

技术领域

本发明涉及人工智能、数字图像处理、卷积神经网络和计算机视觉在物流货物标签的识别和分拣方面的应用，属于智慧物流领域。

背景技术

供应链物流作业中货物包装外观信息的实时采集是实现物流自动化和智能化的重要前提。操作中最为频繁的就是出/入库操作和配送中心货物的自动识别和分拣，货物在线图像识别技术在配送中心出/入库、自动分拣过程中的应用具有很好的扩展价值。

目前的主流方法主要通过二维识别码和射频识别方法完成物流编码的辨识。对物流线上的货物标识信息识别主要采用条码技术，其做法是将条码标签贴在或直接印在货物包装上，然后用条码扫描装置进行数据采集。这种方法的缺点是，当条码标签保持干净平整时，识别率较高；而对于诸如塑料袋、纸袋等廉价的软包装，条码标签发生的形变和污染，导致识别率大大降低。

最近开始普及的射频识别技术(RFID)可以解决上述问题，但因成本较高，不适合于低价格的货物包装之上，尤其无法满足电子商务中快递行业快速增长的需求。

一旦物流编码有破损和缺陷时，目前使用的物流识别方法就不能准确完成物流编码的辨识，获取的结果就会有误差，降低了物流业务的准确性。

此外，条形码、二维码和RFID技术在应用中存在着一些无法克服的缺点，归纳如下：

1)成本高、易受外在环境干扰而影响信息正确识别；

2)需要上游供应商在生产过程中提供相应配合，RFID目前无统一标准，编码标准体系复杂；

3)仅靠条形码和RFID技术，无法对货物外观完整性进行检测等。

准确识别货物包装外观，快速进行货物自动分拣，满足供应链物流作业中实时性要求，成为决定物流配送中心货物在线检测与识别系统获得成功的关键。

近年来，“人工智能+物流”进入高速发展期。物流行业是高数据密度的行业，每个环节都在产生大数据，为人工智能技术提供用武之地。人工智能的技术在物流行业的运用主要集中在：智能搜索、推理规划、模式识别、计算机视觉以及智能机器人等领域。在仓储和库存管理环节，人工智能有助于优化选址与库存优化；在分拣环节，可通过计算机视觉技术以及智能机器人进行自动识别、分拣和搬运；在配送环节，人工智能将通过数据分析优化配送体系，调配无人配送设备。

作为人工智能中的核心技术深度学习，最近几年在计算机视觉领域得到了迅速的发展，深度学习能利用大量的训练样本和隐藏层逐层深入地学习图像的抽象信息，更全面直接地获取图像特征。数字图像是以矩阵来描述的，卷积神经网络更好地从局部信息块出发，进而描述图像的整体结构，故在计算机视觉领域，深度学习方法中大多采用卷积神经网络来解决问题。围绕着提高检测精度和检测时间，深度卷积神经网络技术从R-CNN，Fast R-CNN到Faster R-CNN。具体表现为进一步精度提升、加速、端到端及更实用化，几乎覆盖了从分类到检测、分割、定位各个领域。深度学习技术运用于物流领域将是一个非常有实际应用价值的研究领域。