[发明专利]人工智能云计算展示架货架货物和标签监控与存储货物方法

权利要求书

1.人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获展示架货架和存储区域的图像，每一张捕获储区域的图像，在里面有多个非固定位置的目标的图像，包括有三种监控目标的图像，1)多种存储货物商品的图像，2)多种带有货物商品信息的条形码，二维码，或字体标签的图像，3)多种带有货物存储区位置标签的图像；捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，由人工智能神经网络软件进行分析，识别多个目标图像的位置,与识别图像中的货物商品的类别和数量，并且进行条形码，二维码识别，或光学字符识别，识别图像中的货物标签的信息,与识别货物存储区位置标签的信息,与库存数据库ERP系统中的货物信息比较，把有用的数据储存在云端储存器里，并将检测结果透过互联网传达给所有管理团队成员移动设备查看；或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。

2.根据权利要求1所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，工业数码相机选装在固定平台、移动平台、或移动机器人。

3.根据权利要求2所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，货物的位置信息也可以馈送到机器人动作控制器上，帮助机器人定位货物的确切位置，执行自动从货架上或存储区域存储或检索货物的任务。

4.根据权利要求1所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，应用的算法是人工智能机器学习神经网络，智能机器学习需经过一个训练的步骤，训练需要大量展示架，货架和存储区域上的货物商品的图像，图像中包含不同数量的货物，例如放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物，图像中也有货物信息的条形码，二维码，或字体标签，图像中也有存储区位置标签；在训练中，来自训练图像数据集，抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，可以识别新的图像中的货物商品的类别和数量，也可以识别图像中货物标签的目标对象，也可以识别图像中货物存储区域位置标签的目标对象。

5.根据权利要求4所述的人工智能云计算展示架货架货物和标签监控与存储货物方法，其特征在于，人工智能机器学习神经网络，运作方法包括如下：

神经网络识别的目标是称为对象，识别的每个对象可以是一堆放置10％，20％，40％，60％，80％，100％存储区域的满容量的货物商品，识别对象也可以是一个商品标签，也可以是存储区位置标签，每个对象有它自己的的边界框，每1个边界框定位对象所在的位置；首先将输入图像分成S×S网格，网格单元试图预测任何在其中的对象，就是当对象其中心点落在网格单元内，每个网格单元预测3个边界框，每个网格的长和宽是cx和cy，边界框包含5个元素：坐标位置，长和宽(bx，by，bw，bh)和一个对象置信度分数bc，置信度得分反映了框中包含对象的可能性以及边界框的准确程度，将边界框宽度bw和高度bh标准化为图像宽度和高度，bx和by是相应单元格的偏移量，因此，bx，by，bw和bh都在0和1之间，检测核的形状是1×1×(B×(5+C))，B＝3，是网格可以预测的边界框的数量，“5”表示4个边界框位置长宽属性和1个对象置信度，C＝80，是对象类别的数量，内核大小为1 x 1 x 255，这些元素可以从学习过程中调整，边界框采用9种不同的尺寸和纵横比10×13，16×30，33×23，30×61，62×45，59×119，116×90，156×198，373×326，这些尺寸可以从学习过程中调整。