買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉徐州工程學院;江蘇比特達信息技術有限公司申請的專利一種智慧物流分揀方法、系統及存儲介質獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120494662B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510977106.5，技術領域涉及：G06Q10/083；該發明授權一種智慧物流分揀方法、系統及存儲介質是由張中強;顧毓;張磊設計研發完成，并于2025-07-16向國家知識產權局提交的專利申請。

本一種智慧物流分揀方法、系統及存儲介質在說明書摘要公布了：本發明公開了一種智慧物流分揀方法、系統及存儲介質。通過傳輸機構獲取包裹的圖像信息，識別包裹的條形碼信息并判斷識別置信度，若低于預設閾值，控制推動機構將包裹分揀到收集箱內；若高于或等于預設閾值，進行目的地分類，控制分揀機構根據目的地將包裹分配到不同的傳送帶，檢測同一目的地包裹的尺寸和形狀，優化分配存儲格，控制分類機構將同一目的地的包裹分揀到對應的存儲格內。本發明通過識別包裹的條形碼信息，將不能識別出條形碼信息的包裹分揀到收集箱內，將能夠識別出條形碼信息的包裹根據目的地的不同分揀到對應的傳送帶上，同一目的地的快遞包裹根據尺寸的不同分揀到對應的存儲格內，實現高效的包裹處理。

本發明授權一種智慧物流分揀方法、系統及存儲介質在權利要求書中公布了：1.一種智慧物流分揀方法，包括： 步驟1，通過傳輸機構的采集裝置獲取包裹的圖像信息并進行預處理，基于深度卷積生成對抗網絡識別包裹的條形碼信息； 步驟2，基于條形碼信息判斷條形碼識別置信度，若所述識別置信度低于預設閾值，則判定包裹的條形碼信息識別異常，進入步驟3，若所述識別置信度高于或等于預設閾值，則判定包裹的條形碼信息識別正常，進入步驟4； 步驟3，控制推動機構將條形碼信息識別異常的包裹分揀到收集箱內； 步驟4，對條形碼信息識別正常的包裹進行目的地分類，控制分揀機構根據目的地將包裹分配到不同的傳送帶； 步驟5，檢測同一目的地包裹的尺寸和形狀，優化分配存儲格，控制分類機構將同一目的地的包裹分揀到對應的存儲格內； 步驟6，收集分揀數據，所述分揀數據包括每個包裹的條形碼信息識別結果、目的地分類結果、包裹的尺寸和形狀檢測結果，分析條形碼信息識別率、目的地分類準確率和包裹存儲效率，根據分析結果優化調整目的地分類和存儲格分配； 步驟1中基于深度卷積生成對抗網絡識別包裹的條形碼信息包括： 構建生成網絡G，輸入隨機噪聲向量z，通過多個卷積層、批歸一化和激活函數ReLU生成條形碼的特征圖，表示為： ； 其中，z為隨機噪聲向量，BatchNormz為批歸一化操作，用于對輸入z進行標準化，ReLU為激活函數，Conv2D為二維卷積操作，用于提取輸入特征中的空間關系； 構建判別網絡D，輸入標準化后的圖像Inorm，通過多個卷積層和LeakyReLU激活函數進行特征提取，表示為： ； 其中，Inorm為標準化后的圖像，Conv2D為二維卷積操作，用于提取輸入特征中的空間信息，LeakyReLU為激活函數，Sigmoid函數輸出0到1之間的值，表示圖像為真實條形碼的概率； 基于真實圖像的損失和生成圖像的損失構建對抗損失函數，表示為： ； 其中，Ex~pdatax表示對真實數據的期望值，表示為真實圖像的損失，表示為生成圖像的損失，x代表真實圖像，pdatax是真實數據的分布，Ez~pzz表示對隨機噪聲z的期望值，Gz是生成網絡輸出的圖像，pzz是噪聲的分布； 基于交替優化策略迭代訓練判別網絡和生成網絡，包括采用最小化損失函數LGAN更新判別網絡，采用最小化生成圖像損失部分更新生成網絡； 通過卷積層對訓練好的生成網絡輸出的特征圖進行處理，提取關鍵特征，使用全連接層將提取的特征映射到特征向量F，表示為： F=[f1,f2,…,fi,…,fn]； 其中，fi表示條形碼的特征，所述條形碼的特征至少包括條形碼的類型、尺寸、清晰度； 步驟4中對包裹進行目的地分類包括： 通過OCR光學字符識別模塊提取識別條形碼中的信息，并將識別出的條形碼信息進行預處理轉化為特征向量； 將生成的特征向量輸入到預訓練的多層感知機MLP分類模型； 使用Softmax激活函數對所述分類模型的輸出進行處理，計算每個目的地類別的概率分布，表示為： ； 其中，zi是分類模型輸出的未歸一化得分，Pyi是預測為類別i的概率； 查找概率分布中最大值的索引，確定概率最高的目的地類別，并將該類別作為包裹的最終分類結果； 步驟6中分揀數據還包括以下中的至少一項：包裹相關信息，分揀情況； 每個包裹的相關信息，包括以下中的至少一項：條形碼信息，目的地分類結果，包裹尺寸和形狀，存儲格分配情況； 記錄每次的分揀情況，包括以下中的至少一項：條形碼識別失敗，目的地分類錯誤，包裹尺寸不匹配； 對收集的數據進行預處理，包括去重、清洗和過濾無效數據； 使用交叉熵損失函數評估多層感知機MLP分類模型，表示為： ； 其中，y是第i個樣本的真實標簽，是模型對第i個樣本的預測概率，N是樣本數量； 將收集的分揀數據加入訓練集，形成增量學習的數據集，不斷更新和重訓練模型，表示為： ； 其中，θnew為更新后的模型參數，θold為當前的模型參數，θ是模型參數，η是學習率，是損失函數關于參數的梯度； 根據收集的分揀數據建立適應度函數，表示為： ； 其中，存儲效率Eff=，Sused為已使用的存儲空間，Stotal為存儲空間的總容量，存取速度，∑Ts為包裹的存取時間之和，N為存取的包裹總數，α，β，γ為權重系數; 通過迭代學習調整適應度函數中的權重系數α，β，γ優化存儲格分配。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人徐州工程學院;江蘇比特達信息技術有限公司，其通訊地址為：221008 江蘇省徐州市云龍區麗水路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。