(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 202210809503.8 (22)申请日 2022.07.10 (71)申请人 周学文 地址 438000 湖北省黄冈市麻城市 鼓楼办 事处小河头 工业园 (72)发明人 周学文　 (51)Int.Cl. G06V 20/60(2022.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06Q 50/30(2012.01) G06V 10/26(2022.01) G06V 10/56(2022.01) G06V 10/74(2022.01) (54)发明名称 基于人工智能技术提高物流商品电子标签 精准检测的方法 (57)摘要 本发明属于人工智能领域， 公开了基于人工 智能技术提高物流商品电子标签精准检测的方 法， 所述方法包括以下步骤： S001： 根据物流商品 外包装红绿蓝三通道 图像上每个部分像素点的 灰度值运算获得突出程度值， 根据突出程度值获 得突出程度成效图； S002： 获得电子标签周围区 域参变量； S003： 根据电子标签核查数据集获得 的电子标签周围区域参变量计算粘贴电子标签 成效评议数值； S004： 设置粘贴电子标签成效评 议阈值， 将物 流商品对应的粘贴电子标签成效评 议数值与粘贴电子标签成效评议阈值进行比较， 判断是否需要对 该物流商品进行粘贴标签处理， 达到精准对物流商品外包装粘贴电子标签状态 的检测， 提高检测精准度， 避免检测过程中遗漏 一些存在粘贴不达标的情况。 权利要求书3页 说明书8页 附图1页 CN 115273051 A 2022.11.01 CN 115273051 A 1.基于人工智能技术提高物流商品电子标签精准检测的方法， 其特征在于： 所述方法 包括以下步骤： S001： 获得物流商品外包装红绿蓝三通道图像， 根据物流商品外包装红绿蓝三通道图 像上每个部分像素点的灰度值运算获得突出程度值， 根据突出程度值获得突出程度成效 图； S002： 建立电子标签核查数据集， 将突出程度成效图输入到电子标签核查数据集， 获得 电子标签周围区域 参变量， 所述电子标签核查数据集包括类别分组数据集； S003： 根据电子标签核查数据集获得的电子标签周围区域参变量， 计算粘贴电子标签 成效评议数值； S004： 设置粘贴电子标签成效评议阈值， 将物流商品对应的粘贴电子标签成效评议数 值与粘贴电子标签成效评议阈值进行比较， 判断是否需要对该物流商品进 行粘贴电子标签 处理。 2.根据权利求1所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其 特征在于： 所述步骤S001中， 根据物流商品外包装红绿蓝三通道图像上每个部分像素点的 灰度值运算获得突出程度值， 获得突出程度值的方法为： S00011： 将物流商品外包装图像分割为若干个区域， 然后逐一获得分割后的物流商品 外包装红绿蓝三 通道图像； S0012： 根据每种通道图像上随机两个区域中相应通道数值出现的几率和两个区域中 通道数值在环境空间上的间距， 获得两个区域之间的通道对比程度； S0013： 根据每种通道上任意一个区域与其他余下的区域之间的通道对比程度， 获得所 述区域的突出程度值。 3.根据权利求2所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其 特征在于： 步骤S0 012中， 获得两个区域之间的通道对比程度的方法为： 其中， BG(x， y)表示 G通道内区域x与区域 y之间的通道对比程度， y1， y2表示区域x与区域 y中通道数值的分类数目， F(x， h)表示第h类通道数值在区域x中出现的频率， F(y， z)表 示第 z类通道数值在区域y中出现的频率， d(xh， yz)表示区域x中第h类通道数值与区域y中第z类 通道数值在通道 环境空间中的间距。 4.根据权利要求2所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其特征在于： 步骤S0 013中， 获得 所述区域的突出程度值， 具体 计算方法为： 其中， VxG表示G通道图像上区域x的突出程度值， dx表示区域x到图形中心点的间距， n表 示G通道图像上区域的总数目， βxy表示区域x和区域y之间的环境空间比重参数， BG(x， y)表 示在G通道内区域x与区域y 之间的通道对比程度。 5.根据权利要求4所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其特征在于： 环境空间比重参数的计算方法为：权　利　要　求　书 1/3 页 2 CN 115273051 A 2βxy＝exp(‑Dxy)。 其中， βxy表示区域x与区域y 之间的环境空间比重参数， Dxy表示两个区域之间的间距。 6.根据权利要求1所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其特征在于： 步骤S002中建立电子标签核查数据集， 将突出程度成效图输入到电子标签核 查数据集， 获得电子标签周围区域参变量电子标签核查数据集， 训练电子标签核查数据集 的方法为： 将突出程度成效图中位于电子标签周围区域的灰度点标记为2， 将突出程度成效图上 位于电子标签周围区域外的灰度点标记为 1， 通过对范例数据和电子标签数值， 利用类别分 组数据集的代价函数进行划分类别， 持续更新， 获得各个周围区域位于电子标签周围区域 的几率， 其中， 对于类别分组数据集， 范例数据为采集的物 流商品外包装红绿蓝三通道图像 相应的突出程度成效图， 标签数值为在突出程度成效图的电子标签周围区域进行标记获 得。 7.根据权利要求6所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其特征在于： 所述类别分组数据集的代价函数为： 通过突出程度成效图上各个灰度点的倾 斜程度值和倾斜程度方向， 获得二维随机变量分散函数； 获得规范物流商品粘贴电子标签 外包装图形， 并根据规范物流商品粘贴电子标签外包装图形获得规范二 维随机变量分布函 数， 计算二维随机变量分布函数和 规范二维随机变量分布函数的近似程度， 获得电子标签 可靠度； 根据电子标签可靠度核算类别分组数据集的代价 函数。 8.根据权利要求6所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其特征在于： 根据规范物流商品粘贴电子标签外包装图形获得规范二维随机变量分布函 数， 计算二维随机变量分布函数和 规范二维随机变量分布函数的近似程度， 获得电子标签 可靠度， 其中， 电子标签可靠度计算方法为： 其中， S表示电子标签可靠度， e(jo, δo)表示第O个灰度点的二维随机变量分布函数值， jo， δo分别表示突出程度成效图上第O个灰度点的倾斜程度值和倾斜程度方向， e'(jo, δo)表 示第O个灰度点的规范二 维随机变量分布函数值， O表示突出程度成效图上灰度点的合计数 目， μ表示系数， 9.根据权利要求8所述的基于人工智能技术提高物流商品电子标签精准检测的方法， 其特征在于： 根据电子标签可靠度核算类别 分组数据集的代价函数， 核算类别分组数据集 的代价函数的方法为： 其中， M1表示类别分组数据集的代价函数， M2表示交叉熵函数， Cj表示突出程度成效图 上的灰度点j为电子标签周围区域的几率， K为突出程度成效图上灰度点的总数目， ω， σ 表 示代价函数权重参变数。 10.根据权利要求1所述的基于人工智能技术提高物流商 品电子标签精准检测的方法， 其特征在于： 步骤S 003中根据电子标签核查数据集 获得的电子标签周围区域参变量计算粘权　利　要　求　书 2/3 页 3 CN 115273051 A 3