1.本发明涉及人工智能技术领域，具体涉及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。
背景技术：2.随着物流行业的快速发展，中转运输的商品越来越多。尤其是运输过程中中转地以及到达目的提货地后，需要仓库对物流商品进行中转、存储。物流商品的中转、存储的快捷性和准确性，主要依赖于通过对物流商品外包装表面的电子标签进行识别，才能达到对物流商品的高准确率、高周转性的运输。
3.物流商品的种类繁多，即使是一个生产厂家也会面临对不同商品在运输过程中进行粘贴电子标签的处理，如发货地、收货地、发货时间、货品类型、货品运输注意点等等。电子标签是通过射频信号自动识别目标对象并获取货品相关数据，整个识别过程无须人工干预。
4.由于物流商品的类型不同，对应物流商品的外包装不同，在采用粘贴电子标签装置进行粘贴电子标签时，容易出现遗漏粘贴，比如有的外包装整体体积大，有的外包装整体体积小，同样会出现贴的标签位置不对，或者粘贴重叠在一起，导致不容易识别或识别准确率低的问题。在中转仓库中，很难通过人工去发现这个问题，人工去检测粘贴的准确性，在增加人工工作量的同时，也难以避免检测过程中遗漏一些存在粘贴不达标的情况。
技术实现要素：5.本发明提供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，利用采集物流商品外包装红绿蓝三通道图像手段，并根据此进行检测或分析材料，对流水线上或运输线上的物流商品外包装粘贴电子标签进行检测，具体为通过获得物流商品外包装红绿蓝三通道图像上的突出程度值信息，获得突出程度成效图，进而计算图形上灰度点的倾斜程度信息，并建立分散函数，计算与规范二维随机变量分布函数的相关性，进而可获得电子标签核查数据集的相关度，进而获得电子标签核查数据集中类别分组数据集的代价函数，从而达到精准对物流商品外包装粘贴电子标签状态进行检测，提高物流商品粘贴检测的准确度，利于对新型材料进行检测，以及物流商品粘贴电子标签检测的相关标准化等等，从而解决了在采用粘贴电子标签装置进行粘贴电子标签时，容易出现遗漏粘贴，贴的电子标签位置不对，或者粘贴重叠在一起，导致不容易识别或识别准确率低的问题。
6.本发明通过下述技术方案实现：
7.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：
8.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；
9.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；
10.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；
11.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。
12.可选地，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：
13.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；
14.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；
15.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。
16.可选地，步骤s0012中，获得两个区域之间的通道对比程度的方法为，以g通道图像的每个区域的通道对比程度计算为例：
[0017][0018]
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。
[0019]
可选地，步骤s0013中，获得所述区域的突出程度值，具体计算方法为，以g 通道图像为例：
[0020][0021]
其中，v
xg
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，β
xy
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。
[0022]
可选地，环境空间比重参数的计算方法为：
[0023]
β
xy
＝exp(-d
xy
)。
[0024]
其中，β
xy
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。
[0025]
可选地，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：
[0026]
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。
[0027]
可选地，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。
[0028]
可选地，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：
[0029][0030]
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，
[0031]
可选地，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：
[0032][0033]
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。
[0034]
可选地，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，其中，粘贴电子标签成效评议数值具体计算方法为：
[0035]
p＝φ*exp[-{(a
0-a)2+(l
0-l)2}/(v+1)+λ*{(n0*r0)/(|n
0-n|*|r
0-r|)}]
[0036]
其中，p表示粘贴电子标签成效评议数值，(a，l，n，r)表示电子标签核查数据集生成的电子标签周围区域参变量，即分别为电子标签周围区域中心点坐标、宽、高参变量， (a0，l0，n0，ro)表示人工选择的规范电子标签周围区域参变量，∧分别表示占比参数，v表示可调试变量。
[0037]
本发明与现有技术相比，具有如下的优点和有益效果：
[0038]
本技术方案通过获得物流商品外包装红绿蓝三通道图像，并根据此进行检测或分析材料，对流水线上或运输线上的物流商品外包装粘贴电子标签进行检测，具体为通过获得物流商品外包装红绿蓝三通道图像上的突出程度值信息，获得突出程度成效图，进而计算图形上灰度点的倾斜程度信息，并建立分散函数，计算与规范二维随机变量分布函数的
相关性，进而可获得电子标签核查数据集的相关度，进而获得电子标签核查数据集中类别分组数据集的代价函数，从而达到精准对物流商品外包装粘贴电子标签状态进行检测，提高物流商品粘贴检测的准确度，利于对新型材料进行检测，以及物流商品粘贴电子标签检测的相关标准化等等。
附图说明
[0039]
图1为本发明的流程结构示意框图。
具体实施方式
[0040]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0041]
实施例1：
[0042]
如图1所示，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：
[0043]
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；
[0044]
具体地，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：
[0045]
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；
[0046]
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；
[0047]
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。
[0048]
本技术实施方案中，利用图形扫描装置，对物流商品如物流集装箱表面的图像进行采集。其中图形扫描装置的采集设备如摄像头的扫描范围，以及具体的旋转角度，可根据物流商品放置的位置进行调整，同时图形扫描装置的安装位置也可根据实际情况进行适配调整。
[0049]
可采用在对物流商品完成一次粘贴电子标签的操作后，对电子标签的安装的情况进行检测，即流水线操作，也可以采用在粘贴一定量的物流商品后，进行统一检测。
[0050]
具体检测过程为：对粘贴标识完成后的物流商品的外包装进行逐一或每个进行图形数据采集，在采集过程中或采集前可对图形扫描装置可扫描的角度进行调整，确保扫描的范围足够大，并且能够采集到物流商品外包装电子标签的粘贴区域，如此利于所采集的图形数据对物流商品粘贴电子标签及粘贴电子标签的成效展开检测评议。其中，需要说明的是，扫描物流商品外包装图像过程中图形扫描装置的视角以及位置状态进行调整定位，如此确保所采集的物流商品外包装图形全部为相同角度下的物流商品外包装图形数据。
[0051]
分别获得所采集的物流商品外包装图像，并对物流商品外包装图像进行分割为若
干个区域，从而获得物流商品外包装红绿蓝三通道图像，且将每个通道图像进行分析处理，获取每个通道相应的突出程度成效图，避免色彩相互混合重叠、颜色数据信息对突出程度成效图的精准性检测所带来的影响。
[0052]
具体地，获得所述突出程度成效图的方法为：
[0053]
对于每个通道图像的分析，为了利于突出程度值的核算或计算更加精准，且耗费时间较短，对物流商品的外包装图像进行分割获得多个即若干个区域，并分别获得分割后物流商品外包装红绿蓝三通道图像。本技术方案通过slic算法获得各个区域，从而确保各个区域内的灰度点拥有近似的特点数据信息，在具体分割操作时，可依据实际情况确定合适的分割方式。
[0054]
在本技术方案中以g通道图像为例，对g通道图像进行分割获得多个区域，并对每个区域的g通道图像数值进行计数，建立相应的质量分布图，从而获得每个区域之间的通道对比程度，通道对比程度计算方法为：
[0055][0056]
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。
[0057]
本技术方案中所述分组范围的突出程度值计算方法为，以g通道图像为例：
[0058][0059]
其中，v
xg
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，β
xy
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。
[0060]
基于通道对比程度对各个区域的突出程度进行分析，同时，为了体现出拓扑空间关系的突出性，加强灰度点之间的的地理实体特点空间信息，本技术方案中根据各个区域的拓扑空间关系信息建立区域环境空间比重参数的计算方法为：
[0061]
β
xy
＝exp(-d
xy
)。
[0062]
其中，β
xy
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。
[0063]
为了进一步提高检测的精准度，对红绿蓝三通道图像进行分割时，需要获得的区域数量能够最大化的多，利于准确对图形中的每个区域的突出程度进行体现，并且各个区域的灰度点具有相近的特点数据信息，则各个区域内灰度点的突出程度相同。
[0064]
根据以上方法计算获得的r通道图像、g通道图像、b通道图像中相应的各个区域的突出程度，并且根据各个通道区域的突出程度，核算物流商品外包装红绿蓝三通道图像上各个区域的最终突出程度。在本实施例中，将区域每个通道突出程度的总和作为该区域的最终突出程度。
[0065]
同时，对各个区域的最终突出程度进行归一性处理，确保突出程度值位于[1，2]之
间，同时便于对物流商品外包装红绿蓝三通道图像中粘贴电子标签周围区域展开特征点加强，从而获得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。
[0066]
在一种具体的实施方式中，通过对各个通道进行分别处理，获得突出程度成效图，从而提高了物流商品外包装红绿蓝三通道图像中突出程度区域的关注力，增加了粘贴电子标签周围区域特征的突出程度性质，能够更加精准的提炼出粘贴电子标签周围区域的特点参变量。
[0067]
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；
[0068]
现有的对象检验数据集包括周围区域的分类以及周围区域的统一过程，在具体实施方式中，粘贴电子标签检验数据集包括类别分组数据集和统一分组数据集，通过类别分组数据集对粘贴电子标签周围区域展开类别区分，然后通过统一分组数据集对粘贴电子标签周围区域进行第二次统一，从而完成对粘贴电子标签周围区域的检验和分辨。
[0069]
其中，所述电子标签核查数据集的模拟过程为：
[0070]
对于类别分组数据集，范例数据为扫描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，电子标签数据具体可为认为的在突出程度成效图上的粘贴电子标签周围区域进行标记。
[0071]
具体地，将突出程度成效图属于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，通过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。
[0072]
所述类别分组数据集的代价函数为：
[0073]
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。
[0074]
在实施方式的具体地，获取突出程度成效图上各个灰度点的倾斜程度值，即每个灰度点获取一个相应的组合((jo,δo))，其中，(j
o,
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，并根据突出程度成效图上全部灰度点相应的组合，获得突出程度成效图上相应的二维随机变量分布函数e(j，δ)，表示突出程度成效图上相应的物流商品外包装红绿蓝三通道图像的灰度二维随机变量分散函数。且获得规范物流商品粘贴电子标签外包装图形，依据上述方法对规范物流商品粘贴电子标签外包装图形进行分析处理，获得相应的规范二维随机变量分布函数e'(jo,δo)，并分别对二维随机变量分散函数和规范二维随机变量分布函数展开统一化处理，使得函数数值位于 [1，2]。
[0075]
本技术技术方案中，通过灰度点的倾斜程度二元组合对突出程度成效图的纹路构造布局形态进行体现，反应出邻近灰度点在不同方向的倾斜程度变化以及部分布局形态，体现出物流商品外包装红绿蓝三通道图像中灰度点的布局制度。同时，考量到当物流商品
外包装有粘贴电子标签时，其外包装表面的灰度布局情况与规范物流商品外包装红绿蓝三通道图像中灰度布局情况应该保持一致，因此，综合对物流商品外包装红绿蓝三通道图像展开分析，通过二维随机变量分散函数与规范二维随机变量分散函数之间的近似程度，以此对粘贴电子标签的状态进行检测。
[0076]
具体地，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：
[0077][0078]
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，
[0079]
其中，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：
[0080][0081]
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，在本方案中ω＝0.4，σ＝0.6。
[0082]
综合考虑到物流商品的生产、运输环节的复杂性，扫描获得或拍摄获得的物流商品外包装红绿蓝三通道图像将会有异常物，且同时存在人工去粘贴电子标签较强的主观性，在标记过程中可能出现人本身因素比如疲劳等，导致物流商品粘贴电子标签出现错误检验的情况，检验结果会出现较大的误差。同时现有对象检验数据集在对对象周围区域进行类别检测时，通过交叉熵代价函数对对象周围区域进行分类别，实现对物流商品外包装的粘贴电子标签情况进行检测。
[0083]
在具体实施方式中，本方法通过图形数据信息提炼的物流商品粘贴电子标签特点参变量和电子标签可靠度对物流商品粘贴电子标签周围区域展开判断，构建代价函数和交叉熵损失函数相互结合，最终实现对粘贴电子标签周围区域的分类，实现对粘贴电子标签的精准检测，从而提高粘贴电子标签检测的精准度。
[0084]
对于线性拟合分组数据集，范例数据为扫描的物流商品外包装红绿蓝三通道图像对应的突出程度成效图，电子标签数值主要为人工对突出程度成效图上的粘贴电子标签周围区域进行标记。
[0085]
具体地，突出程度成效图位于粘贴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粘贴电子标签周围区域之外的灰度点标记为1。如此，通过范例数据和电子标签数值，采用平均方差损失函数进行线性拟合，不断迭代数据集参变量，获得粘贴电子标签周围区域参变量。本方案通过粘贴电子标签的具体位置对粘贴电子标签周围区域进行检测，并且根据物流商品的粘贴电子标签特点信息对进行粘贴电子标签周围区域进行检测，
可有效提高物流商品粘贴电子标签的精准度。
[0086]
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；
[0087]
可选地，步骤s003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贴电子标签成效评议数值，其中，粘贴电子标签成效评议数值具体计算方法为：
[0088]
p＝φ*exp[-{(a
0-a)2+(l
0-l)2}/(v+1)+λ*{(n0*r0)/(|n
0-n|*|r
0-r|)}]
[0089]
其中，p表示粘贴电子标签成效评议数值，(a，l，n，r)表示电子标签核查数据集生成的电子标签周围区域参变量，即分别为电子标签周围区域中心点坐标、宽、高参变量， (a0，l0，n0，ro)表示人工选择的规范电子标签周围区域参变量，∧分别表示占比参数，v表示可调试变量。
[0090]
在本实施方式中，的取值为0.4，∧的取值为0.6，v的取值为1，同时需要对粘贴电子标签效果成效评议值进行线性拟合处理，确保数值位于[1，2]。
[0091]
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。
[0092]
具体为设定粘贴电子标签成效评议阈值为p’，在本实施方式中设置p’为0.5，当待检测物流商品外包装对应的粘贴电子标签成效评议数值小于粘贴电子标签成效评议阈值，则确定物流商品粘贴电子标签的成效低，粘贴电子标签不能满足后续出厂走向市场的最低要求，需要安排人工对物流商品进行再次加工处理，确保物流商品粘贴电子标签的精准度，提高粘贴电子标签的检测精准度。
[0093]
当电子标签核查数据集没有输出电子标签周围区域参变量时，则可以确认该待检测物流商品外包装没有粘贴电子标签，可以确认为遗漏粘贴物流商品，相关工作人员需要重新粘贴电子标签处理或者通过粘贴电子标签的装置进行二次处理，避免再次出现遗漏或错误粘贴电子标签的情况，导致后续使用过程中出现状况，造成资源浪费。
[0094]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：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s0012中，获得两个区域之间的通道对比程度的方法为：其中，b
g
(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(x
h
，y
z
)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s0013中，获得所述区域的突出程度值，具体计算方法为：其中，v
xg
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，β
xy
表示区域x和区域y之间的环境空间比重参数，b
g
(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：
β
xy
＝exp(-d
xy
)。其中，β
xy
表示区域x与区域y之间的环境空间比重参数，d
xy
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(j
o
,δ
o
)表示第o个灰度点的二维随机变量分布函数值，j
o
，δ
o
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'(j
o
,δ
o
)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s003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
贴电子标签成效评议数值，其中，粘贴电子标签成效评议数值具体计算方法为：p＝φ*exp[-{(a
0-a)2+(l
0-l)2}/(v+1)+λ*{(n0*r0)/(|n
0-n|*|r
0-r|)}]其中，p表示粘贴电子标签成效评议数值，(a，l，n，r)表示电子标签核查数据集生成的电子标签周围区域参变量，即分别为电子标签周围区域中心点坐标、宽、高参变量，(a0，l0，n0，r
o
)表示人工选择的规范电子标签周围区域参变量，λ分别表示占比参数，v表示可调试变量。
技术总结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。一些存在粘贴不达标的情况。一些存在粘贴不达标的情况。
技术研发人员：周学文
受保护的技术使用者：周学文
技术研发日：2022.07.10
技术公布日：2022/11/1
