一种面向仓库管理的物品识别方法与流程

本发明属于图像识别，具体涉及一种面向仓库管理的物品识别方法。

背景技术：

1、在仓储管理领域中，存取物品过程中对物品的识别主要采用识别rfid标签、条形码或二维码的方式，但是由于长时间的使用，物品标签磨损或者损坏，导致难以确定其种类名称(编号)以及是否为库内物品。近年来引入了图像识别的方法作为补充用来识别标签损坏的物品，可以有效避免空标签或假标签的情况。但是该类方法均以深度学习等分类方法直接对待识别的物品图像进行识别，计算过程复杂、计算量大难以满足物联网节点的边缘计算的轻量化要求，且准确率约为80％左右，难以达到需求。故一种轻量化的物品识别方法成为亟待解决的问题。

技术实现思路

1、(一)要解决的技术问题

2、本发明要解决的技术问题是如何提供一种面向仓库管理的物品识别方法，以解决标签损坏物品识别的问题。

3、(二)技术方案

4、为了解决上述技术问题，本发明提出一种面向仓库管理的物品识别方法，该方法包括如下步骤：

5、s1、图像采集：采集待识别图像i；

6、s2、构造背景模型图像集h：构造或更新背景模型图像集h是由开机标识、采集平台上物品质量、距离上次采集背景时间t共同决定的，在开机时和过程中两种情况下，均进行背景模型图像集h的更新；

7、s3、基于背景模型图像集h，利用鲁棒主成分分析rpca方法基于对待识别图像i中的物品与背景进行分割，得到物品区域图像ie；

8、s4、物品区域图像ie标准化，得到图像ig；

9、s5、物品种类识别：利用已经训练好的分类器进行识别，即将图像ig送入分类器中，输出识别出的物品种类；

10、s6、输出识别结果

11、根据识别出的物品种类与仓库内物品清单对比，输出物品状态及名称。

12、进一步地，所述步骤s2中，在开机时构造背景模型图像集h包括：当接收到开机标识，则输出提示：“请保持平台的无物品”，并且检测平台物品质量，当平台物品质量等于或接近0，表明平台上无物品，则记录背景更新时间t，平台相机连续采集n张背景图像，最后输出背景模型图像集h。

13、进一步地，所述步骤s2中，在过程中构造背景模型图像集h包括：检测平台物品质量，当平台物品质量等于或接近0，且距离上次更新背景时间t>t0，则记录背景更新时间t，平台相机连续采集n张背景图像，最后输出背景模型图像集h。

14、进一步地，时间阈值t0取2小时。

15、进一步地，n＝20。

16、进一步地，所述步骤s3具体包括如下步骤：

17、s31：将背景模型图像集h中每张图像和待识别的图像i向量化，将上述向量按列组合为观测矩阵d，其中d的最后一列为待识别图像i向量化后的数据；然后利用rpca方法将观测矩阵d分解为a+e，其中a为输出的稀疏矩阵，e为低秩矩阵；稀疏矩阵a中的最后一列包含有待识别物品信息；

18、s32：将稀疏矩阵a的最后一列按待识别图像i的大小重新排列得到图像i1，i1为物品的区域图像；

19、s33：对物品区域图像i1做二值化运算得到二值化图像ib；

20、s34：对二值化图像ib做闭运算得到ic；

21、s35：对图像ic做开运算得到图像id；

22、s36：根据最小面积原则mabr计算图像id中最大连通域的最小外接矩形m，得到m的中心点坐标及m的长和宽；

23、s37：根据m的中心点坐标及m的长和宽，扣取待识别图像i中对应最小外接矩形m位置的图像，得到物品区域图像ie。

24、进一步地，所述步骤s33中，二值化的阈值t利用最大类间方差法otsu计算得到。

25、进一步地，所述步骤s4中所述物品区域图像ie标准化包括角度标准化和z-score标准化；角度标准化是将扣取出来的物品区域图像ie根据其纹理特征旋转为统一的角度，得到图像if，然后再对if做z-score标准化得到图像ig。

26、进一步地，所述步骤s5中，分类器是支持向量机svm、神经网络的一种，在使用该方法之前还包括训练分类器的步骤，在训练分类器时，所用的样本图像需要经过上述s1、s2、s3、s4步骤依次进行处理，方可送入分类器训练。

27、进一步地，所述步骤s5具体包括：如果为合法物品，则输出物品名称和“属于出/入库物品”，如果为非法物品，则输出“属于非法物品”。

28、(三)有益效果

29、本发明提出一种面向仓库管理的物品识别方法，本发明有益效果在于提供一种用于仓库物品标签损坏的物品识别方法，其计算量的轻量化可满足物联网节点的边缘计算的需求，而且识别准确率高。

技术特征：

1.一种面向仓库管理的物品识别方法，其特征在于，该方法包括如下步骤：

2.如权利要求1所述的面向仓库管理的物品识别方法，其特征在于，所述步骤s2中，在开机时构造背景模型图像集h包括：当接收到开机标识，则输出提示：“请保持平台的无物品”，并且检测平台物品质量，当平台物品质量等于或接近0，表明平台上无物品，则记录背景更新时间t，平台相机连续采集n张背景图像，最后输出背景模型图像集h。

3.如权利要求1所述的面向仓库管理的物品识别方法，其特征在于，所述步骤s2中，在过程中构造背景模型图像集h包括：检测平台物品质量，当平台物品质量等于或接近0，且距离上次更新背景时间t>t0，则记录背景更新时间t，平台相机连续采集n张背景图像，最后输出背景模型图像集h。

4.如权利要求3所述的面向仓库管理的物品识别方法，其特征在于，时间阈值t0取2小时。

5.如权利要求2-4任一项所述的面向仓库管理的物品识别方法，其特征在于，n＝20。

6.如权利要求2-4任一项所述的面向仓库管理的物品识别方法，其特征在于，所述步骤s3具体包括如下步骤：

7.如权利要求6所述的面向仓库管理的物品识别方法，其特征在于，所述步骤s33中，二值化的阈值t利用最大类间方差法otsu计算得到。

8.如权利要求6所述的面向仓库管理的物品识别方法，其特征在于，所述步骤s4中所述物品区域图像ie标准化包括角度标准化和z-score标准化；角度标准化是将扣取出来的物品区域图像ie根据其纹理特征旋转为统一的角度，得到图像if，然后再对if做z-score标准化得到图像ig。

9.如权利要求8所述的面向仓库管理的物品识别方法，其特征在于，所述步骤s5中，分类器是支持向量机svm、神经网络的一种，在使用该方法之前还包括训练分类器的步骤，在训练分类器时，所用的样本图像需要经过上述s1、s2、s3、s4步骤依次进行处理，方可送入分类器训练。

10.如权利要求8所述的面向仓库管理的物品识别方法，其特征在于，所述步骤s5具体包括：如果为合法物品，则输出物品名称和“属于出/入库物品”，如果为非法物品，则输出“属于非法物品”。

技术总结
本发明涉及一种面向仓库管理的物品识别方法，属于图像识别技术领域。本发明的方法包括：构造背景模型图像集H、通过RPCA方法对图像中的物品与背景分割、物品区域图像标准化、物品种类识别和输出识别结果，达到标签损坏物品识别的目的。本发明的有益效果在于提供一种用于仓库物品标签损坏的物品识别方法，其计算量的轻量化可满足物联网节点的边缘计算的需求，而且识别准确率高。

技术研发人员：贺志洋,梁翠萍,陈鸿琼,蒋遂平,马承振,张丹,白民生
受保护的技术使用者：北京计算机技术及应用研究所
技术研发日：
技术公布日：2024/1/14