果品畸形检测方法、装置、装备及存储介质与流程

1.本技术涉及果品检测方法，具体而言，涉及一种果品畸形检测方法、装置、装备及存储介质。


背景技术：

2.近年来，我国的柑桔产量总体呈上升趋势，2020年产量达到了5121.87万吨，位居世界第一，而沃柑作为柑桔中主要品类之一有着很大的市场。畸形沃柑影响商品沃柑品质，需要检出畸形沃柑并予以剔除。
3.目前的水果形状描述方法主要有基于几何图形形状特征的描述方法、基于频率域的形状描述方法和基于矩的形状描述方法。
4.静态下的水果形状检测可以根据特定视角下的图像进行描述，可以根据具体情况选用上述的形状描述指标，haruka maeda（2018）在横向视图和纵向视图下提取柿子的椭圆傅里叶描述子系数进行主成分分析，再通过聚类方法进行形状分级（maeda h , akagi t , tao r . quantitative characterization of fruit shape and its differentiation pattern in diverse persimmon ( diospyros kaki ) cultivars[j]. scientia horticulturae, 2018, 228:41-48.）。
[0005]
而动态的水果形状检测主要关注于为高速分级过程中的水果构建相应的形状描述子，使其适用于水果姿态多变情况下的果型描述。应义斌等（2016）（应义斌，王福杰，饶秀勤. 一种水果形状检测方法及装置[p].cn 103514452 b2016.09.28.）公开了一种水果形状检测方法，以形状端正的水果对称指数离散度设定阈值比较判断水果形状是否端正。
[0006]
但是沃柑的规整形状多呈“冰壶形”，在不同视角下具有不同的形状特征，使用单一的检测指标难以进行有效可靠的描述。且目前的形状检测指标多关注于水果的整体形状描述，缺少对具体畸形的细分方法。
[0007]
针对其他类似沃柑的果品也存在以上类似的问题。


技术实现要素：

[0008]
本技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0009]
本技术的一些实施例提出了一种果品畸形检测方法、装置、装备及存储介质，来解决以上背景技术部分提到的技术问题。
[0010]
作为本技术的第一方面，本技术的一些实施例提供了一种果品畸形检测方法，包括：从采集的多张果品图像中识别出果品处于预设姿态的预设姿态图像；对所述预设姿态图像进行图像分割处理以获得具有果品在所述预设姿态图像中的轮廓线的轮廓图片；当所述果品轮廓图片所对应的预设姿态为第一预设姿态时，根据所述果品轮廓图片提取特征值输入至针对该预设姿态的一个畸形检测模型以使所述畸形检测模型输出畸形检测的检测
结果；或/和当所述果品轮廓图片所对应的预设姿态为第二预设姿态时，根据所述果品轮廓图片中果品的轮廓线的直线拟合的结果输出畸形检测的检测结果。
[0011]
进一步的，其中，所述从采集的多张果品图像中识别出果品处于预设姿态的预设姿态图像，包括：将所述果品图像输入至一个姿态识别模型以使所述姿态识别模型输出姿态识别结果。
[0012]
进一步的，所述姿态识别模型被构造为mobilenetv3_small网络模型。
[0013]
进一步的，其中，所述对所述预设姿态图像进行图像分割处理以获得具有果品在所述预设姿态图像中的轮廓线的轮廓图片，包括：对所述预设姿态图像进行色彩空间选择；对所述预设姿态图像进行色彩空间选择后的图像进行边缘检测以获得果品轮廓图像；对所述果品轮廓图像进行轮廓提取已获得果品轮廓掩膜图像；对所述果品掩膜图像进行二次边缘检测已获得所述轮廓图片。
[0014]
进一步的，其中，所述预设姿态包括果品仰卧姿态并将其定义为第一预设姿态。
[0015]
进一步的，其中，所述预设姿态包括果品侧卧姿态并将其定义为第二预设姿态。
[0016]
进一步的，所述畸形检测模型被构造为一个lightgbm网络模型。
[0017]
作为本技术的第二方面，本技术的一些实施例提供了一种果品畸形检测装置，包括：识别模块，用于从采集的多张果品图像中识别出果品处于预设姿态的预设姿态图像；轮廓模块，用于对所述预设姿态图像进行图像分割处理以获得具有果品在所述预设姿态图像中的轮廓线的轮廓图片；检畸模块，用于当所述果品轮廓图片所对应的预设姿态为第一预设姿态时，根据所述果品轮廓图片提取特征值输入至针对该预设姿态的一个畸形检测模型以使所述畸形检测模型输出畸形检测的检测结果；或/和当所述果品轮廓图片所对应的预设姿态为第二预设姿态时，根据所述果品轮廓图片中果品的轮廓线的直线拟合的结果输出畸形检测的检测结果。
[0018]
作为本技术的第三方面，本技术的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
[0019]
作为本技术的第四方面，本技术的一些实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
[0020]
本技术的有益效果在于：提供了一种能够应用于果品产线以进行高效且智能的果品畸形检测方法、装置、装备及存储介质。
附图说明
[0021]
构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图及其说明用于解释本技术，并不构成对本技术的不当限定。
[0022]
另外，贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0023]
在附图中：
图1是根据本技术一种实施例的果品畸形检测方法的主要步骤示意图；图2是根据本技术一种实施例的果品畸形检测方法的主要流程示意图；图3是根据本技术一种实施例的果品畸形检测方法的实例流程示意图；图4是根据本技术一种实施例的仰卧姿态的果品的轮廓图片的示意图；图5是根据本技术一种实施例的侧卧姿态的果品的轮廓图片的示意图；图6是根据本技术一种实施例的对预设姿态图像进行处理获得轮廓图片的流程示意图；图7是根据本技术一种实施例的轮廓图片中轮廓线的最大内切圆的示意图；图8是根据本技术一种实施例的轮廓图片中轮廓线的最小外接矩形的示意图；图9是根据本技术一种实施例的轮廓图片中轮廓线的斜率的示意图；图10是根据本技术一种实施例的轮廓图片中轮廓线直接直线拟合结果的示意图；图11是根据本技术一种实施例的轮廓图片中轮廓线进行算法约束后的直线拟合结果的示意图；图12是根据本技术一种实施例的果品畸形检测装置的结构示意图；图13是根据本技术一种实施例的电子设备的结构示意图。
具体实施方式
[0024]
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现， 而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0025]
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0026]
需要注意，本公开中提及的
“ꢀ
第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0027]
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0028]
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的， 而并不是用于对这些消息或信息的范围进行限制。
[0029]
下面将参考附图并结合实施例来详细说明本公开。
[0030]
参照图1所示，本技术的果品畸形检测方法主要包括如下步骤：s1：从采集的多张果品图像中识别出果品处于预设姿态的预设姿态图像。
[0031]
s2：对预设姿态图像进行图像分割处理以获得具有果品在预设姿态图像中的轮廓线的轮廓图片。
[0032]
s3：当果品轮廓图片所对应的预设姿态为第一预设姿态时，轮廓图片提取特征值输入至针对该预设姿态的一个畸形检测模型以使畸形检测模型输出畸形检测的检测结果；或/和当果品轮廓图片所对应的预设姿态为第二预设姿态时，根据果品轮廓图片中果品的轮廓线的直线拟合的结果输出畸形检测的检测结果。
[0033]
具体而言，在进行果品产线进行分拣等生成工序之前对果品进行拍照以采集所需的果品图像，这样可以在大量的果品图像中获取进行畸形检测的所需轮廓的原始图片。
[0034]
作为优选方案，预设姿态包括果品仰卧姿态并将其定义为第一预设姿态。这里所指的果品仰卧姿态是指果品的果梗、花萼或其他果品表面上的标志物正对图像采集设备（比如，摄像头）的姿态，由于大部分果品产线的图像采集设备是设置在产线上方的，所以将果品图片中这样姿态定义为仰卧姿态。
[0035]
作为优选方案，预设姿态包括果品侧卧姿态并将其定义为第二预设姿态。这里所指的果品侧卧姿态是指果品的果梗、花萼或其他果品表面上的标志物朝向图像采集设备（比如，摄像头）相对侧面的姿态，由于大部分果品产线的图像采集设备是设置在产线上方的，这样姿态相当于指果品的果梗、花萼或其他果品表面上的标志物朝向水平方向，所以将果品图片中这样姿态定义为仰卧姿态。
[0036]
作为具体方案，步骤s1具体包括将果品图像输入至一个姿态识别模型以使姿态识别模型输出姿态识别结果。优选的，该姿态识别模型被构造为mobilenetv3_small网络模型即通过一个针对图像的机器学习模型将采集图片中符合姿态要求的图像进行甄选从而为后继的畸形检测做准备。
[0037]
作为具体方案，步骤s2具体包括：s21：对预设姿态图像进行色彩空间选择。
[0038]
s22：对预设姿态图像进行色彩空间选择后的图像进行边缘检测以获得果品轮廓图像。
[0039]
s23：对果品轮廓图像进行轮廓提取已获得果品轮廓掩膜图像。
[0040]
s24：对果品掩膜图像进行二次边缘检测已获得轮廓图片。
[0041]
这样好处在于能够有效的从原始的预设姿态图像中提取果品的轮廓从而有助于后继畸形检测模型的训练和使用。
[0042]
针对步骤s3而言，步骤s3其实包括两个部分：s31：当果品轮廓图片所对应的预设姿态为第一预设姿态时，根据果品轮廓图片提取特征值输入至针对该预设姿态的一个畸形检测模型以使畸形检测模型输出畸形检测的检测结果。
[0043]
s32：当果品轮廓图片所对应的预设姿态为第二预设姿态时，根据果品轮廓图片中果品的轮廓线的直线拟合的结果输出畸形检测的检测结果。
[0044]
s31和s32可以在一次畸形检测中仅执行其中一个，也可以在一次畸形检测中既执行s31又执行s32，然后根据s31和s32分别的检测结果最终对一个果品是否畸形做出判断。
[0045]
在果品产线上，可以采用果品产线运输装置，使果品整体被定位在一个相对产线确定位置，该位置可以利用传感器、光栅等方式被识别，同时，果品在该位置上不断翻转变换姿态，这样当果品产线运输装置带动果品经过设置运输路线上的一个或多个图像采集装置（摄像头）时，系统可以获知采集是哪一个指定位置的果品的图像，从而实现同一果品不同姿态图像采集的目的，这样果品产线运输装置为本领域一般技术人员所熟知的技术方案，在此不加赘述。
[0046]
作为优选方案，畸形检测模型被构造为一个lightgbm网络模型。当然，本技术中姿态识别模型和lightgbm网络模型需要预先训练。
[0047]
参照图2至图11所示，以沃柑为例，以下通过一个实例对本技术的检测方法以及前期模型训练进行更详细的介绍。
[0048]
该实施例使用的集成开发环境为pycharm2021.6，编程语言为python3.6，gpu为nvidia geforce rtx 3060，具体实施环境包括但不限于上述环境。
[0049]
如图2和图3所示，该实施例具体包括如下部分：（一）检测模型建立1) 原始图像采集：沃柑采集沃柑4张不同姿态的图像：2) 沃柑姿态检测模型建立：2.1）在事先采集的沃柑图像中人工挑选出不同位姿的沃柑构建姿态检测数据集，将果梗/花萼竖直向上的图像赋予标签“仰卧”，将果梗/花萼水平的图像赋予标签“侧卧”，其它的赋予标签“斜卧”；2.2）根据7:2:1的比例将数据集划分为训练集、验证集和测试集；2.3）使用mobilenetv3_small网络进行训练，图像统一缩放到相同大小，图像增强策略采用随机亮度、随机对比度、随机水平翻转、随机垂直翻转、随机饱和度、随机色调，并且采用imagnet预训练模型加速模型收敛，学习率优化方法采取线性下降法；2.4）保存训练过程中的最优模型，预测时直接加载该最优模型的参数；3) 沃柑图像分割：分别对步骤3）中姿态为仰卧和侧卧的图像和依次进行色彩空间变换、边缘检测、轮廓提取、阈值化、二次边缘检测，分别得到沃柑轮廓线（图4）和（图5），用于后续的形状检测；步骤4）流程如图6所示，具体为：3.1）色彩空间选择：计算原始图像转换到hsv色彩空间下的v分量，更好地突出感兴趣区域的特征，r、g、b分别为原始图像在红、绿、蓝三个通道下的值，v分量计算公式如下；
ꢀꢀꢀꢀꢀ
（1）3.2）边缘检测：使用canny算子进行沃柑图像v分量的边缘检测，得到含有噪声信息的沃柑轮廓图像；3.3）轮廓提取：使用findcontours函数寻找到图像中包含的所有轮廓，利用contourarea函数寻找到面积最大的轮廓即为沃柑的外形轮廓。使用fillpoly函数将沃柑内部填充为白色[255,255,255]，得到沃柑的掩膜图像；3.4）二次边缘检测：对掩膜图像再次执行canny边缘检测，得到最后的边缘分割清晰，无误分割的沃柑轮廓和；4) 仰卧沃柑畸形检测模型建立：从仰卧的沃柑轮廓提取面积交并比、离心率、占有率、圆度、轮廓波动c以及宽高比等6个特征作为输入训练lightgbm模型；步骤4）具体为：4.1）对正视图下的沃柑轮廓进行面积交并比、离心率、占有率、
圆度、轮廓波动、宽高比的特征提取，并根据其外观分为正面畸形果和正常果，特征值的计算方法如下：面积交并比：通过在正视图下的沃柑轮廓得到最大内切圆（图7），通过沃柑原轮廓包围面积与最大内切圆面积得到差值，再除以沃柑轮廓面积以消除尺度的影响，为沃柑轮廓包围的面积，表示沃柑内切圆的面积，为交并比。通过公式（2）计算：
ꢀꢀꢀꢀꢀꢀꢀ
（2）离心率：而设轮廓上点个数为，轮廓点到形心距离为，距离平均值为，离心率为。通过下述公式计算：
ꢀꢀꢀ
（3）占有率：目标面积与最小外接矩形的面积比,分别为最小外接矩形的高、宽。通过下述公式计算：
ꢀꢀꢀꢀꢀꢀꢀ
（4）圆度：设目标对象面积为，周长为，与目标具有相同面积的等面积圆的周长为，圆度通过下述公式计算：
ꢀꢀ
（5）轮廓波动，各点到形心距的距离波动率，即定义为沃柑边缘轮廓各点到形心距离的标准差，对归一化后的值进行平方运算以提高算法对于接近于1或0的极值点的敏感性，为轮廓上某点与形心间的距离，是标准化后的距离值，为轮廓点的个数，轮廓波动通过下述公式计算：
ꢀꢀꢀꢀꢀ
（6）（7）宽高比：最小外接矩形宽高比，分别为最小外接矩形的高、宽（图7），宽高比通过下述公式计算：
ꢀꢀꢀꢀ
（8）4.2）按照7:3的比例划分训练集和测试集；4.3）基于lightgbm的沃柑正面形状检测模型训练：选择的超参数如下：学习率（learning_rate）取值为[0.1, 0.3, 0.6]，较小的学习率可以获得稳定性较好的模型性能，树模型的最大深度（max_depth）取3~5，是需要调整的核心参数，对模型的性能影响较大，单棵树的叶子结点数（num_leaves）默认设为31，一般设置为（0，）中的
数值，boosting的迭代次数（n_estimators）默认设为100，一般取100~1000，根据具体情况调整。保存模型的最优参数。
[0050]
5) 侧卧沃柑畸形检测方法建立，也即具体检测算法的设计：从侧卧的沃柑轮廓提取两侧的拟合直线并进行约束，建立侧卧沃柑畸形检测方法。
[0051]
步骤5）具体为：5.1）沃柑侧面拟合线斜率：在图像坐标系中，向右为x轴正方向，向下为y轴的正方向，沃柑侧面拟合线的斜率定义为：（9）其中，、分别为直线上两点的坐标，示意图如图9所示；5.2）沃柑侧面直线拟合方法：如图10所示，直接使用直线检测的方法得到的直线为，会检测到不需要的上下两端和斜边的直线如，且可能在一侧检测到多条直线，需要进行条件约束：以左端直线为例，左端拟合直线以沃柑轮廓的最小外接矩形的左端点横坐标值为中心，可左右波动最小外接矩形宽度的1/5，右侧直线同理，约束后侧面直线拟合效果如图11所示；5.3）对左右两侧计算出的拟合线的分别保存在集合和中，对两集合间各元素求差值的绝对值保存于集合中，中的最小值大于0.15的为侧面畸形果，否则为正常果。
[0052]
（二）畸形沃柑识别综合检测在以上模型和算法建立之后，采用以下步骤对一个沃柑进行畸形检测。
[0053]
6) 图像采集：沃柑采集一个沃柑4张不同姿态的图像。
[0054]
7) 沃柑姿态识别。利用沃柑姿态检测模型，从沃柑的图像识别出仰卧和侧卧图像。
[0055]
8) 沃柑图像分割：分别姿态为仰卧和侧卧的图像依次进行色彩空间变换、边缘检测、轮廓提取、阈值化、二次边缘检测，分别得到仰卧和侧卧图像上沃柑轮廓线和；9) 仰卧沃柑畸形识别：加载仰卧沃柑畸形检测模型进行仰卧沃柑畸形识别。
[0056]
10)侧卧沃柑畸形识别：加载侧卧沃柑畸形检测方法进行侧卧沃柑畸形识别。
[0057]
如果仰卧沃柑畸形识别和侧卧沃柑畸形识别均通过了，则认为沃柑通过畸形检测。当然也可以仅仅对仰卧或侧卧其中一个畸形检测。
[0058]
采用以上实施例检测方法对三组已经人工分拣的沃柑进行了畸形检测，检测结果如表1所示。
[0059]
表1由上表可见，比如第一行，人工标记为正面畸形的84个沃柑，采用本技术的畸形检测方法的预测结果中，82个被正确的预测为正面畸形，仅有2个被错误识别。类似的，还对侧面畸形和正常轮廓的两组沃柑进行识别，可见采用上述方法的畸形沃柑检测模型可以对测试集样本进行准确分类，准确率较高。
[0060]
本技术的技术方案通过对果品图像进行位姿的检测，使得后续的形状检测算法更具有针对性，提高算法对于畸形果品的检测能力。提出的正面果品性状检测算法通过对提取的六个特征量进行学习，使用决策树分类，提高正面形状检测的可靠性，对于侧面果品形状检测提出了基于拟合线斜率差异的检测算法，具有较快的速度和较好的鲁棒性。本技术的技术方案可以实现实际生产线上的畸形果品实时检测，并能实现具体畸形的检测。
[0061]
本技术畸形检测方法也可以应用于其他类似于沃柑的果品需要根据表面轮廓进行畸形分类的应用场景，比如柠檬、柑橘等柑橘类的水果。
[0062]
如图12所示，本技术的果品畸形检测装置包括：识别模块、轮廓模块和检畸模块。
[0063]
其中，识别模块用于从采集的多张果品图像中识别出果品处于预设姿态的预设姿态图像；轮廓模块，用于对所述预设姿态图像进行图像分割处理以获得具有果品在所述预设姿态图像中的轮廓线的轮廓图片；检畸模块用于当所述果品轮廓图片所对应的预设姿态为第一预设姿态时，根据所述果品轮廓图片提取特征值输入至针对该预设姿态的一个畸形检测模型以使所述畸形检测模型输出畸形检测的检测结果；或/和当所述果品轮廓图片所对应的预设姿态为第二预设姿态时，根据所述果品轮廓图片中果品的轮廓线的直线拟合的结果输出畸形检测的检测结果。
[0064]
如图13所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储装置808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0065]
通常，以下装置可以连接至i/o接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806：包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808：以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图13示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以
替代地实施或具备更多或更少的装置。图13中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0066]
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从rom802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0067]
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0068]
在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0069]
在一些实施方式中，客户端、服务器可以利用诸如http(超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。
[0070]
上述计算机可读介质可以是上述电子设备中所包含的：也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：（接方法步骤）。
[0071]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言―诸如java、smalltalk、c++，还包括常规的过程式程序设计语言：诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利
用因特网服务提供商来通过因特网连接)。
[0072]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
[0073]
也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。
[0074]
例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0075]
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括取货信息查询单元、代取货码生成单元和取货单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，代取货码生成单元还可以被描述为“用于生成对应取货信息的代码的单元”。
[0076]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0077]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。