一种基于RFID的货物管理方法、电子设备及系统与流程

本发明实施例涉及通信
技术领域：
，具体涉及一种基于rfid(射频识别，radiofrequencyidentification)的货物管理方法、电子设备及系统。
背景技术：
：仓储管理系统，一般采用对货物编码技术对货物进行分类管理，通常采用条码、二维码、rfid(射频识别，radiofrequencyidentification)以及文字等媒介安装在货物上，根据媒介上的信息对货物进行管理。对于大件货物而言，一般利用叉车进行货物的转运，大型货物的存储管理，主要分为传统条码式登记和采用rfid辅助的条码式登记两种方案。其中，采用rfid技术进行管理方案中，在每个大型货物上安装rfid标签，在叉车上安装rfid识别设备，在叉车叉取货物时，对货物编码进行自动化读取，从而理论上能够自动化的记录货物叉取信息。然而在实际场景下，由于无线信号的复杂性，空间传输衰减的不可控性，rfid识别设备通常能够识别到过多的rfid标签，即使货物没有被叉取，其上的rfid标签也存在较大概率被rfid识别设备所读取，导致货物识别率较低。对于此类问题，目前通过降低rfid识别设备的功率或者调整接收到信号阈值进行过滤。然而，由于rfid标签安装位置的非精确性，叉车叉取货物位置的非确定性，很难调出合适的阈值，再考虑到实际场景中，通常不可避免的出现要求叉取前后多层货物的情况，此时后排货物会被前排货物遮挡，导致信号较弱，采用调整阈值方式，对于此类场景不可用。因此，如何提供一种更高效的货物管理系统，成为亟待解决的重要课题。技术实现要素：针对现有技术中的缺陷，本发明实施例提供了一种基于rfid的货物管理方法、电子设备及系统。第一方面，本发明实施例提供基于rfid的货物管理方法，包括：获取超声传感器采集的前方货物与货物采集设备的距离；根据所述距离确定货物被采集的时间段；获取在所述时间段内，rfid识别设备扫描贴于货物表面的rfid货物标签后各个货物标签的信号强度和信号相位值；将所述各个货物标签的信号强度和信号相位值输入至预先训练的分类器中，根据所述分类器的输出结果，确定被采集的货物的编码信息。如上述方法，可选地，所述根据所述距离确定货物被采集的时间段，包括：若在t0时刻，所述距离大于第一距离阈值，则确定t0时刻没有货物被采集；若在t1时刻，所述距离小于第二距离阈值，则确定t1时刻有货物被采集，其中第二距离阈值小于所述第一距离阈值；若在tn时刻，所述距离大于所述第一距离阈值，且t0<t1<tn，则确定tn-t1时间段为货物被货物采集设备采集的时间段。如上述方法，可选地，所述货物采集设备为叉车，所述第一距离阈值等于所述叉车的叉臂长度。如上述方法，可选地，预先根据下述步骤确定所述分类器：预先获取货物被采集的时间段内各个货物标签的信号强度和信号相位值；将所述各个货物标签的信号强度和信号相位值作为神经网络的输入，将货物被采集或货物未被采集作为神经网络的输出，利用深度学习算法，确定所述神经网络的参数；根据所述神经网络的参数，确定所述分类器。如上述方法，可选地，所述将所述各个货物标签的信号强度和信号相位值作为神经网络的输入，将货物被采集或货物未被采集作为神经网络的输出，利用深度学习算法，确定所述神经网络的参数，包括：将每个所述货物标签的信号强度和信号相位值作为横轴像素点，将每个所述货物标签的采集时间点作为纵轴像素点，得到m个2*n像素的输入图像，其中n＝f*t，f为rfid识别设备的采样频率，t为预先获取的货物被货物采集设备采集的时间段，m为t时间段内采集到的货物标签的个数；将所述m个2*n像素的输入图像分别作为神经网络的输入，将输入图像对应的货物被采集或输入图像对应的货物未被采集作为神经网络的输出，根据图像识别深度神经网络算法，确定所述神经网络的参数；相应地，所述将所述各个货物标签的信号强度和信号相位值输入至预先训练的分类器中，包括：将所述各个货物标签的信号强度和信号相位值转换成p个2*n像素的输入图像之后，分别输入至预先训练的分类器中，其中p为货物被货物采集设备采集的时间段内采集到的货物标签的个数；相应地，所述根据所述分类器的输出结果，确定被采集货物的编码信息，包括：根据所述分类器的输出结果，确定被采集货物的输入图像，根据所述被采集货物输入图像的货物标签确定被采集货物的编码信息。第二方面，本发明实施例提供一种电子设备，包括：距离获取模块，用于获取超声传感器采集的前方货物与货物采集设备的距离；采样时段确定模块，用于根据所述距离确定货物被采集的时间段；标签信息获取模块，用于获取在所述时间段内，rfid识别设备扫描贴于货物表面的rfid货物标签后各个货物标签的信号强度和信号相位值；分类模块，用于将所述各个货物标签的信号强度和信号相位值输入至预先训练的分类器中，根据所述分类器的输出结果，确定被采集货物的编码信息。如上述电子设备，可选地，所述采样时段确定模块具体用于：若在t0时刻，所述距离大于第一距离阈值，则确定t0时刻没有货物被采集；若在t1时刻，所述距离小于第二距离阈值，则确定t1时刻有货物被采集，其中第二距离阈值小于所述第一距离阈值；若在tn时刻，所述距离大于所述第一距离阈值，且t0<t1<tn，则确定tn-t1时间段为货物被货物采集设备采集的时间段。如上述电子设备，可选地，还包括训练模块，所述训练模块用于：预先获取货物被采集的时间段内各个货物标签的信号强度和信号相位值；将所述货物标签的信号强度和信号相位值作为神经网络的输入，将货物被采集或货物未被采集作为神经网络的输出，利用深度学习算法，确定所述神经网络的参数；根据所述神经网络的参数，确定所述分类器。如上述电子设备，可选地，所述训练模块具体用于：将每个所述货物标签的信号强度和信号相位值作为横轴像素点，将每个所述货物标签的采集时间点作为纵轴像素点，得到m个2*n像素的输入图像，其中n＝f*t，f为rfid识别设备的采样频率，t为预先获取的货物被货物采集设备采集的时间段，m为t时间段内采集到的货物标签的个数；将所述m个2*n像素的输入图像分别作为神经网络的输入，将输入图像对应的货物被采集或输入图像对应的货物未被采集作为神经网络的输出，根据图像识别深度神经网络算法，确定所述神经网络的参数；相应地，分类模块具体用于：将所述各个货物标签的信号强度和信号相位值转换成p个2*n像素的输入图像之后，分别输入至预先训练的分类器中，其中p为货物被货物采集设备采集的时间段内采集到的货物标签的个数；根据所述分类器的输出结果，确定被采集货物的输入图像，根据所述被采集货物的输入图像的货物标签确定被采集货物的编码信息。第三方面，本发明实施例提供一种基于rfid的货物管理系统，包括：如上所述的电子设备、设置于货物采集设备上的超声传感器、设置于货物采集设备上的rfid识别设备和贴于货物表面的rfid货物标签；所述超声传感器，用于按采样频率实时采集前方货物与货物采集设备的距离，并将所述距离发送至所述电子设备；所述rfid识别设备，用于在货物被采集的时间段内扫描所述rfid货物标签，获取各个货物标签的信号强度和信号相位值，并将所述各个货物标签的信号强度和信号相位值发送至所述电子设备。本发明实施例提供的基于rfid的货物管理方法，利用超声传感器进行货物采集设备采集货物判断，在采集时进行一段时间连续性的rfid标签信息采集，根据预先训练的分类器对货物采集设备采集的货物rfid标签进行准确识别，无需进行阈值设定，能够保证在复杂无线环境下，适应各类货物采集设备采集要求，满足仓储系统高可靠性要求。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的基于rfid的货物管理系统示意图；图2为本发明实施例提供的基于rfid的货物管理方法流程示意图；图3为本发明实施例提供的货物采集过程示意图；图4为本发明实施例提供的基于rfid的货物管理方法中距离识别示意图；图5为本发明实施例提供的深度学习算法模型示意图；图6为本发明实施例提供的电子设备的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1为本发明实施例提供的基于rfid的货物管理系统示意图，如图1所示，存储区为货物周转或储存货物的区域，通常有大量货物堆放在存储区，例如货物c1、货物d3等，存储区利用货物采集设备对货物进行转运，例如利用叉车进行货物叉取。预先对每个货物进行编码，确定每个货物的产品电子代码(electronicproductcode，epc)，并将货物的epc码写入rfid货物标签的epc存储区域，然后在存储区的每个货物表面分别粘贴不同的rfid货物标签，以便rfid识别设备通过无线方式对rfid货物标签的epc存储区域进行读取。当需要采集存储区的货物时，将货物采集设备移动到存储区，采集货物，如图1中所示，叉车已经叉取了货物a和货物b，为了自动确定叉车叉取的具体货物信息，本发明实施例中，在货物采集设备上分别安装rfid识别设备和超声传感器，并连接具有信息处理功能的电子设备，例如边缘计算设备，该电子设备既可以安装在货物采集设备上，也可以安装于其他位置，只要电子设备能够接收到rfid识别设备和超声传感器采集的信息即可。电子设备属于整个系统的主控计算单元，能够控制rfid识别设备与超声传感器，并对采集货物的rfid标签进行识别。rfid识别设备实时读取rfid货物标签上的epc编码，获取可以被扫描到的各个货物标签的接收信号的信号强度与相位信息，分别记为rssi和phase，例如，rfid识别设备采集到货物a、货物b和货物c1的标签信息，分别记为rssi_a和phase_a、rssi_b和phase_b以及rssi_c1和phase_c1。在完成信息读取后，将相关数据传输给电子设备。超声传感器用于对货物采集设备是否采集货物进行识别，超声传感器实时反馈前方物体与超声传感器的距离信息，将相关数据传输给电子设备。其中，超声传感器仅能识别出离超声传感器最近的前方物体与超声传感器的距离，并不能识别各个物体的距离，如图1中，超声传感器采集的距离为超声传感器与距离最近的货物a的距离。基于上述货物管理系统，本发明实施例提供一种基于rfid的货物管理方法流程示意图，该方法应用于图1所示的电子设备中，如图2所示，该方法包括：步骤s21、获取超声传感器采集的前方货物与货物采集设备的距离；具体地，安装于货物采集设备上的超声传感器实时采集前方货物与货物采集设备的距离，然后将采集到的距离信息发送给电子设备。在实际应用中，电子设备还可以在需要获取距离信息时，向超声传感器下发采集指令，超声传感器接收到采集指令后，开始实时采集前方货物与货物采集设备的距离，由于采集货物时前方货物与货物采集设备的距离和未采集货物时前方货物与货物采集设备的距离差距较大，因此可以通过前方货物与货物采集设备的距离初步判断是否已经采集了货物。步骤s22、根据所述距离确定货物被采集的时间段；具体地，货物采集设备上有货物与没有货物时，超声传感器采集的前方货物与货物采集设备的距离不同，因此可以根据该距离信息确定有货物被采集的时间段，例如t时间段内的距离与货物被采集时的距离特征相同，则t时间段为货物被采集的时间段。步骤s23、获取在所述时间段内，rfid识别设备扫描贴于货物表面的rfid货物标签后各个货物标签的信号强度和信号相位值；具体地，安装于货物采集设备上的rfid识别设备按照扫描频率实时扫描贴于货物表面的rfid货物标签，确定每个扫描时间点获取到的各个货物标签的信号强度和信号相位值，需要说明的是，每个扫描时间点，rfid识别设备仅能扫描到部分货物的货物标签信号。rfid识别设备将每个扫描时间点获取到的各个货物标签的信号强度和信号相位值发送给电子设备，电子设备截取货物被采集的时间段内各个扫描时间点的能被识别的货物标签的信号强度和信号相位值。在实际应用中，电子设备还可以在通过接收到的距离判断有货物被采集后第一时间向rfid识别设备下发采集指令，rfid识别设备接收到采集指令后，开始按扫描频率扫描贴于货物表面的rfid货物标签，向电子设备发送每个扫描时间点获取到的各个货物标签的信号强度和信号相位值。当电子设备通过距离判断没有货物被采集时第一时间向rfid识别设备下发停止采集指令，以减少不必要的扫描造成的资源浪费和信息干扰。步骤s24、将所述各个货物标签的信号强度和信号相位值输入至预先训练的分类器中，根据所述分类器的输出结果，确定被采集货物的编码信息。具体地，电子设备获取到货物被采集的时间段内扫描到的各个货物标签的信号强度和信号相位值之后，需要判断这些货物中哪些货物实际被采集。电子设备可以预先训练二分类的分类器，分类器的输出为货物被采集或未被采集，电子设备将获取到的货物被采集的时间段内扫描到的各个货物标签的信号强度和信号相位值输入到分类器之后，就可以确定哪些货物被采集，从而确定被采集货物的epc编码信息，自动地识别货物是否采集。图3为本发明实施例提供的货物采集过程示意图，如图3所示，每个货物安装已经编码完毕的rfid货物标签，存放在特定区域，如存储区1、存储区2等。由于业务需要，需要将货物a2由存储区1转移到存储区2。此时采用货物采集设备对货物a2进行采集，货物采集设备上的rfid识别设备对货物rfid信息进行读取，并通过电子设备准确识别出被采集的a2货物信息，确认货物采集设备对货物进行了正确的采集，货物采集设备将货物a2移动到位置2后，整个业务系统能够根据电子设备的识别结果，准确更新货物a2的新位置。本发明实施例提供的基于rfid的货物管理方法，利用超声传感器进行货物采集设备采集货物判断，在采集时进行一段时间连续性的rfid标签信息采集，根据预先训练的分类器对货物采集设备采集的货物rfid标签进行准确识别，无需进行阈值设定，能够保证在复杂无线环境下，适应各类货物采集设备采集要求，满足仓储系统高可靠性要求。在上述实施例的基础上，进一步地，所述根据所述距离确定货物被采集的时间段，包括：若在t0时刻，所述距离大于第一距离阈值，则确定t0时刻没有货物被采集；若在t1时刻，所述距离小于第二距离阈值，则确定t1时刻有货物被采集，其中第二距离阈值小于所述第一距离阈值；若在tn时刻，所述距离大于所述第一距离阈值，且t0<t1<tn，则确定tn-t1时间段为货物被货物采集设备采集的时间段。可选地，所述货物采集设备为叉车，所述第一距离阈值等于所述叉车的叉臂长度。具体地，图4为本发明实施例提供的基于rfid的货物管理方法中距离识别示意图，如图4所示，利用超声传感器对叉车叉臂上的货物进行识别，超声传感器反馈前方物品距离信息，在叉车未叉取货物时，由于叉臂上不存在货物，因此超声传感器反馈距离信息d0大于第一距离阈值，可选地，第一距离阈值等于叉臂长度d，因此，若在某一时刻，例如t0时刻，超声传感器采集到的距离大于第一距离阈值，则表示t0时刻叉车没有叉取货物；在叉取货物后，叉臂上有货物，此时d0数据发生改变，根据叉取货物的数量不同，d0值有差异，在d0值小于第二距离阈值后，电子设备判断叉车已经叉取了货物，其中第二距离阈值小于第一距离阈值，因此，若在某一时刻，例如t1时刻，超声传感器采集到的距离小于第二距离阈值，则表示t1时刻叉车叉取了货物。在图4中，tag_an代表距离rfid识别设备较近的被叉取货物标签，tag_bn代表距离rfid识别设备较远的被叉取货物标签，tag_cn代表距离rfid识别设备较近的未被叉取货物标签，tag_dn代表距离rfid识别设备较远的未被叉取货物标签。传统识别方案，在判断已经对货物进行叉取后，根据接收信号强度rssi阈值，判断哪个货物被叉取。如图4所示，tag_bn由于被遮挡等原因，rfid货物标签的信号强度弱于tag_cn的信号强度，并且即使tag_an没有被遮挡，但由于无线传输复杂性，也无法保证tag_an的信号强度强于tag_cn，导致存在明显误判。在本发明实施例中，电子设备在判断叉取货物后，通告rfid识别设备开始进行一段时间的信号采集，读取时间从t1到tn时刻，对rfid货物标签进行连续读取，读取的时间长度与叉车叉取货物后移出库位的时间相关，一般取叉取货物时刻点为t1，叉车叉臂完全脱离库位的时间点为tn。如图4所示，叉车在叉取货物并叉取移动后，在t1到tn时间段内，被叉取货物与rfid识别设备的距离d1相对不变，而未被叉取货物与rfid识别设备的距离d2发生显著变化。根据货物与叉车的相对运动特性就可以确定有货物被叉取的时间段，无需进行阈值设定，在各类复杂无线环境下，根据相对运动特性进行模式识别，可以对叉车叉取的货物rfid标签进行准确识别。在上述各实施例的基础上，进一步地，预先根据下述步骤确定所述分类器：预先获取货物被采集的时间段内各个货物标签的信号强度和信号相位值；将所述各个货物标签的信号强度和信号相位值作为神经网络的输入，将货物被采集或货物未被采集作为神经网络的输出，利用深度学习算法，确定所述神经网络的参数；根据所述神经网络的参数，确定所述分类器。具体地，由于存在货物与货物采集设备的相对运动特性，因此可以选取这段连续时间段内的rfid货物标签的信号强度与相位，进行模式识别，从而分析出具体被采集的标签编码。具体地，预先收集被采集的时间段内各个货物标签的信号强度和信号相位值，在t1时刻，收集可识别到的所有标签的rssi值与相位值，按照rfid识别设备采集频率不断采集，直到tn时刻，最终整合成数据库，并标注货物是否被采集，将被标注的采集信息作为样本集，取样本集中的一部分样本作为训练样本子集，另一部分样本为测试样本子集。表1采集的货物标签信号信息表t1时刻…tn时刻tag_a1_rssi,tag_a1_phase…tag_a1_rssi,tag_a1_phasetag_b1_rssi,tag_b1_phase…tag_b1_rssi,tag_b1_phasetag_c1_rssi,tag_c1_phase…tag_c1_rssi,tag_c1_phasetag_d1_rssi,tag_d1_phase…tag_d1_rssi,tag_d1_phase………tag_aq_rssi,tag_aq_phase…tag_aq_rssi,tag_aq_phasetag_bq_rssi,tag_bq_phase…tag_bq_rssi,tag_bq_phasetag_cq_rssi,tag_cq_phase…tag_cq_rssi,tag_cq_phasetag_dq_rssi,tag_dq_phase…tag_dq_rssi,tag_dq_phase表1为采集的货物标签信号信息表，如表1所示，t1时刻到tn能扫描到的货物标签为4*q个，每个时刻相同的货物标签的rssi和相位值可能相同也可能不同，如果某个时刻没有扫描到4*q个标签信号中的一部分标签信号，则在表1中将该时刻下为扫描的标签信号的rssi和phase值都标记为0。之后，将训练样本子集中的货物标签的rssi和相位值作为神经网络输入，将货物被采集或货物未被采集作为神经网络的输出，进行深度学习，确定神经网络的参数，最后利用测试样本子集对神经网络的参数进行优化，得到最终的分类器，从而分析出被采集的货物标签。在上述各实施例的基础上，进一步地，所述将所述货物标签的信号强度和信号相位值作为神经网络的输入，将货物被采集或货物未被采集作为神经网络的输出，利用深度学习算法，确定所述神经网络的参数，包括：将每个所述货物标签的信号强度和信号相位值作为横轴像素点，将每个所述货物标签的采集时间点作为纵轴像素点，得到m个2*n像素的输入图像，其中n＝f*t，f为rfid识别设备的采样频率，t为预先获取的货物被货物采集设备采集的时间段，m为t时间段内采集到的货物标签的个数；将所述m个2*n像素的输入图像分别作为神经网络的输入，将输入图像对应的货物被采集或输入图像对应的货物未被采集作为神经网络的输出，根据图像识别深度神经网络算法，确定所述神经网络的参数；相应地，所述将所述各个货物标签的信号强度和信号相位值输入至预先训练的分类器中，包括：将所述各个货物标签的信号强度和信号相位值转换成p个2*n像素的输入图像之后，分别输入至预先训练的分类器中，其中p为货物被货物采集设备采集的时间段内采集到的货物标签的个数；相应地，所述根据所述分类器的输出结果，确定被采集货物的编码信息，包括：根据所述分类器的输出结果，确定被采集货物的输入图像，根据所述被采集货物的输入图像的货物标签确定被采集货物的编码信息。具体地，若rfid识别设备的采样频率为f，进行线下训练时货物被货物采集设备采集的时间段为t，在t时间段内识别到m个货物标签信号，则还可以将表1中的每个货物标签信号强度rssi和信号相位值phase作为横轴像素，将每个所述货物标签的采集时间点作为纵轴像素点，得到m个2*n像素的输入图像，其中n为采样点个数，n＝f*t，如果在t1到tn时刻内，识别到m个不同的rfid货物标签，那么就可以转化成m副图像。图5为本发明实施例提供的深度学习算法模型示意图，如图5所示，将m个2*n像素的输入图像分别作为神经网络的输入，将输入图像对应的货物被采集或输入图像对应的货物未被采集作为神经网络的输出，利用图像识别深度神经网络算法，确定神经网络的参数，其中图5仅示出了tag1作为输入图像时的深度学习算法模型，如果在t1到tn时刻内，识别到m个不同的rfid货物标签，那么转化成m副图片，分次进行判断计算，从而得到被采集的标签集合。在电子设备获取到rfid识别设备发送的扫描到的货物标签的rssi和phase值之后，将每个货物标签转换成对应的输入图像，例如获取p个货物标签的rssi和phase值，则转换为p个2*n像素的输入图像，分别输入至预先训练的分类器中，得到被采集的货物标签信息，从货物标签中读取epc编码，进一步定位被采集的货物。经实验表明，在采取本方案后，相比传统方案，采集货物的识别率得到了极大提升。传统方案中，在采集单件大型货物时，识别准确率一般大于98％，在采集多件多层重叠货物时，识别准确率一般小于50％，在采用本方案后，采集单件大型货物的准确率接近100％，采集多件多层重叠货物时，准确率大于99.9％。本发明实施例提供的基于rfid的货物管理方法，利用超声传感器进行货物采集设备采集货物判断，在采集时进行一段时间连续性的rfid标签信息采集，根据预先训练的分类器对货物采集设备采集的货物rfid标签进行准确识别，实现可靠的仓储自动化识别操作，无需进行阈值设定，能够保证在复杂无线环境下，适应各类货物采集设备采集要求，满足仓储系统高可靠性要求。基于同样的发明构思，本发明实施例还提供一种电子设备，图6为本发明实施例提供的电子设备的结构示意图，如图6所示，该电子设备包括：距离获取模块61、采样时段确定模块62、标签信息获取模块63和分类模块64，其中：距离获取模块61用于获取超声传感器采集的前方货物与货物采集设备的距离；采样时段确定模块62用于根据所述距离确定货物被采集的时间段；标签信息获取模块63用于获取在所述时间段内，rfid识别设备扫描贴于货物表面的rfid货物标签后各个货物标签的信号强度和信号相位值；分类模块64用于将所述各个货物标签的信号强度和信号相位值输入至预先训练的分类器中，根据所述分类器的输出结果，确定被采集的货物的编码信息。可选地，所述采样时段确定模块具体用于：若在t0时刻，所述距离大于第一距离阈值，则确定t0时刻没有货物被采集；若在t1时刻，所述距离小于第二距离阈值，则确定t1时刻有货物被采集，其中第二距离阈值小于所述第一距离阈值；若在tn时刻，所述距离大于所述第一距离阈值，且t0<t1<tn，则确定tn-t1时间段为货物被货物采集设备采集的时间段。可选地，还包括训练模块，所述训练模块用于：预先获取货物被采集的时间段内各个货物标签的信号强度和信号相位值；将所述各个货物标签的信号强度和信号相位值作为神经网络的输入，将货物被采集或货物未被采集作为神经网络的输出，利用深度学习算法，确定所述神经网络的参数；根据所述神经网络的参数，确定所述分类器。可选地，所述训练模块具体用于：将每个所述货物标签的信号强度和信号相位值作为横轴像素点，将每个所述货物标签的采集时间点作为纵轴像素点，得到m个2*n像素的输入图像，其中n＝f*t，f为rfid识别设备的采样频率，t为预先获取的货物被货物采集设备采集的时间段，m为t时间段内采集到的货物标签的个数；将所述m个2*n像素的输入图像分别作为神经网络的输入，将输入图像对应的货物被采集或输入图像对应的货物未被采集作为神经网络的输出，根据图像识别深度神经网络算法，确定所述神经网络的参数；相应地，分类模块具体用于：将所述各个货物标签的信号强度和信号相位值转换成p个2*n像素的输入图像之后，分别输入至预先训练的分类器中，其中p为货物被货物采集设备采集的时间段内采集到的货物标签的个数；根据所述分类器的输出结果，确定被采集货物的输入图像，根据所述被采集货物的输入图像的货物标签确定被采集货物的编码信息。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。以上所描述的装置等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。当前第1页12