(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211150548.5 (22)申请日 2022.09.21 (71)申请人 河南工业职业 技术学院 地址 473000 河南省南阳市宛城区杜诗东 路1666号 (72)发明人 王暖　康琼　郭东阳　高楠　张玺　 金鼎力　 (74)专利代理 机构 北京达友众邦知识产权代理 事务所(普通 合伙) 11904 专利代理师 宋亚军 (51)Int.Cl. G06K 7/14(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 物流管理用柜式贴码设备及其方法 (57)摘要 公开了物 流管理用柜式贴码设备及其方法， 其使用机器视觉来准确地对被检测物流件的贴 码的规范性进行识别， 进而对于被检测物流件的 贴码不规范的情况生成重贴码提 示。 权利要求书2页 说明书13页 附图3页 CN 115422960 A 2022.12.02 CN 115422960 A 1.物流管理用柜式贴码设备， 其特 征在于， 包括： 图像采集模块， 用于获取由摄 像头采集的贴有条 形码的物流件的检测图像； 源数据增强模块， 用于对所述检测图像进行不同角度的旋转以得到多个旋转后检测图 像； 非对称卷积编码模块， 用于将所述多个旋转后检测图像和所述检测图像输入具有非对 称卷积模块的第一卷积神经网络以从所述第一卷积神经网络的浅层提取浅层特征图和从 所述第一卷积神经网络的深层提取深层特 征图； 特征图融合模块， 用于融合所述浅层特 征图和所述深层特 征图以得到分类特 征图； 贴码质检结果生成模块， 用于将所述分类特征图通过分类器以得到分类结果， 所述分 类结果用于表示被 检测物流件的贴码是否规范； 以及 提示模块， 用于响应于所述分类结果 为被检测物流件的贴码不 规范， 生成重贴码提 示。 2.根据权利要求1所述的物流管理用柜式贴码设备， 其特征在于， 所述源数据增强模 块， 进一步用于： 对所述检测图像进行3 60°旋转以得到 360张所述旋转后检测图像。 3.根据权利要求2所述的物流管理用柜式贴码设备， 其特征在于， 所述非对称卷积编码 模块， 进一步用于： 使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据 进行： 基于二维卷积核对所述输入数据进行 卷积处理以得到第一卷积特 征图； 基于第一 一维卷积核对所述输入数据进行一维卷积处 理以得到第二卷积特 征图； 基于第二 一维卷积核对所述输入数据进行一维卷积处 理以得到第三卷积特 征图； 融合所述第 一卷积特征图、 所述第 二卷积特征图和所述第 三卷积特征图以得到 融合卷 积特征图； 对所述融合卷积特 征图进行池化处 理以得到池化特 征图； 以及 对所述池化特 征图进行非线性激活 处理以得到 激活特征图； 其中， 从所述第一卷积神经网络的浅层提取浅层特征图和从所述第 一卷积神经网络的 深层提取深层特 征图。 4.根据权利要求3所述的物流管理用柜式贴码设备， 其特征在于， 所述第 一卷积神经网 络的浅层为所述第一卷积神经网络的第M层， 其中， M大于等于1且小于等于6， 所述第一卷积 神经网络的深层为所述第一卷积神经网络的第N层， 其中， N/ M大于等于10 。 5.根据权利要求4所述的物流管理用柜式贴码设备， 其特征在于， 所述第 一卷积神经网 络的深层为所述第一卷积神经网络的最后一层。 6.根据权利要求5所述的物流管理用柜式贴码设备， 其特征在于， 所述特征图融合模 块， 进一步用于： 以如下公式融合所述浅层特征图和所述深层特征图以得到所述分类特征 图； 其中， 所述公式为： 权　利　要　求　书 1/2 页 2 CN 115422960 A 2其中F1、 F2和Fc分别表示所述浅层特征图、 所述深层特征图和所述 分类特征图， fi表示所 述深层特征图的每个位置的特征值， 表示所述深层特征图的各个位置的特征值的全局均 值， N是所述深层特征图的尺度， 且α 是加权超参数， exp( ·)表示数值的指数运算， 所述数值 的指数运算表示计算以数值为幂的自然指数函数值， 表示按位置加法， 表示按位置点 乘。 7.根据权利要求6所述的物流管理用柜式贴码设备， 其特征在于， 所述贴码质检结果生 成模块， 进一步用于： 所述分类器以如下公式对所述分类特征图进 行处理以生成分类结果， 其中， 所述公式为： softmax{(Wn,Bn):…:(W1,B1)|Project(F)}， 其中Project(F)表示将所 述分类特征矩阵投影为向量， W1至Wn为各层全连接层的权重矩阵， B1至Bn表示各层全连接层 的偏置矩阵。 8.物流管理用柜式贴码方法， 其特 征在于， 包括： 获取由摄 像头采集的贴有条 形码的物流件的检测图像； 对所述检测图像进行不同角度的旋转以得到多个旋转后检测图像； 将所述多个旋转后检测图像和所述检测图像输入具有非对称卷积模块的第一卷积神 经网络以从所述第一卷积神经网络的浅层提取浅层特征图和从所述第一卷积神经网络的 深层提取深层特 征图； 融合所述浅层特 征图和所述深层特 征图以得到分类特 征图； 将所述分类特征图通过分类器以得到分类结果， 所述分类结果用于表示被检测物流件 的贴码是否规范； 以及 响应于所述分类结果 为被检测物流件的贴码不 规范， 生成重贴码提 示。 9.根据权利要求8所述的物流管理用柜式贴码方法， 其特征在于， 所述对所述检测图像 进行不同角度的旋转以得到多个旋转后检测图像， 进一步包括： 对所述检测图像进行360 ° 旋转以得到 360张所述旋转后检测图像。 10.根据权利要求9所述的物流管理用柜式贴码方法， 其特征在于， 所述将所述多个旋 转后检测图像和所述检测图像输入具有非对称卷积模块的第一卷积神经网络以从所述第 一卷积神经网络的浅层提取浅层特征图和从所述第一卷积神经网络的深层提取深层特征 图， 进一步包括： 使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进 行： 基于二维卷积核对所述输入数据进行 卷积处理以得到第一卷积特 征图； 基于第一 一维卷积核对所述输入数据进行一维卷积处 理以得到第二卷积特 征图； 基于第二 一维卷积核对所述输入数据进行一维卷积处 理以得到第三卷积特 征图； 融合所述第 一卷积特征图、 所述第 二卷积特征图和所述第 三卷积特征图以得到 融合卷 积特征图； 对所述融合卷积特 征图进行池化处 理以得到池化特 征图； 以及 对所述池化特 征图进行非线性激活 处理以得到 激活特征图； 其中， 从所述第一卷积神经网络的浅层提取浅层特征图和从所述第 一卷积神经网络的 深层提取深层特 征图。权　利　要　求　书 2/2 页 3 CN 115422960 A 3