一种面向组合订单的服装商品智能分拣方法及系统与流程

本发明涉及服装商品分拣，具体涉及一种面向组合订单的服装商品智能分拣方法及系统。

背景技术：

1、电商多件组合订单分拣场景中，输送线上服装品类繁杂、同款衣物色彩或者尺码差异小，传统分拣多依靠人工区分，分拣效率低、错拣漏拣率高。

2、目前，行业内针对多名顾客各购买至少两件服装的组合打包需求，现有技术仍多以人工分拣加人工打包为主要处理方式。部分企业引入的半自动化设备也仅实现了服装商品的单向传输，未配备精准的商品识别、顾客归类与定向组合的功能模块，仍需大量人工介入完成商品与订单的匹配及归类操作，由于传送带上多订单服装外观通常相似度较高，仅依靠实时订单检索易出现定位模糊，无法自主筛选高辨识度优先识别属性，从而导致分拣效率低下；而且由于服装包含颜色、图案、品类、尺码等多类属性，不同用户消费偏好差异较大，仅依靠单一浅层特征粗匹配判定分拣目标，现有技术难以适配各类订单，会导致多件服装堆叠、混排时难以完成商品与组合订单的精准绑定，最终识别准确度不足。

技术实现思路

1、为了解决现有服装分拣方案中，针对多名顾客各购买多件服装、需按顾客组合打包的场景，无法自适应调整、组合打包仍依赖人工等现状，导致分拣效率低、错误率高的技术问题，本发明提供一种面向组合订单的服装商品智能分拣方法及系统，所采用的技术方案具体如下：

2、本发明提出了一种面向组合订单的服装商品智能分拣方法，方法包括：

3、采集输送机构上服装商品的图像并预处理，生成待匹配图像，同时获取当前订单及对应用户标识，当前订单包含其中各服装商品的多个属性；

4、根据用户标识调取用户的历史订单数据，将历史订单数据输入预训练好的预测模型，获得预测订单及对应的置信度；将当前订单与预测订单进行差异比对，生成各属性的关注度；

5、根据各属性的关注度确定至少一个关键属性，并根据关键属性从预建特征库中读取对应的特征描述子，生成关键模板，并根据置信度调整关键模板的匹配阈值；为当前订单中的各商品生成基础模板；

6、根据关键属性的类型，使用关键模板并按匹配阈值在待匹配图像中进行匹配筛选，获得候选区域及各候选区域的匹配得分；

7、根据各商品的基础模板，对各候选区域进行精细匹配，更新各候选区域的匹配得分，并结合各候选区域之间的空间位置关系，确定各候选区域与当前订单中各商品的关联结果；根据关联结果，控制对应的夹持单元执行抓持与打包动作。

8、进一步地，所述待匹配图像生成过程，包括：

9、获取输送机构空载状态下的背景参考图像；

10、采用背景减除技术，对采集图像与背景参考图像进行逐像素差分处理，生成差异图像；

11、利用预设分离阈值对差异图像进行分割，提取采集图像中的商品候选区域；

12、对商品候选区域进行去模糊处理，得到待匹配图像。

13、进一步地，所述预测模型为采用多个用户的历史订单数据预先训练获得的序列预测模型；

14、所述预测订单及对应的置信度获得过程，包括：

15、根据用户标识，获取该用户的历史订单数据，历史订单数据包含该用户历史购买的各历史服装商品的属性；其中，属性至少包括品类、颜色、尺码和图案；

16、将历史订单数据输入预先训练好的预测模型，预测模型输出预测订单及对应的置信度，预测订单包含至少一件预测商品，每件预测商品对应有属性。

17、进一步地，所述各属性的关注度确定过程，包括：

18、将当前订单中的各商品与预测订单中的各预测商品进行配对，获得配对后的各商品；对配对后的各商品在各属性上逐一进行差异比对，生成各商品在各属性上的属性差异度；其中，针对品类、颜色、图案类别型属性，若该商品在当前订单中的属性值与在预测订单中的属性值相同，则该属性差异度为零，否则若不同，将该属性差异度置为一；针对尺码有序数值型属性，将尺码按照从小到大的顺序映射为数值，得到尺码数值，统计其中最大尺码数值与最小尺码数值之差，作为最大尺码差值；计算该商品在当前订单中的尺码数值与在预测订单中的尺码数值之差的绝对值，再除以最大尺码差值，得到该尺码属性的属性差异度；

19、为各属性分别赋予预设基础权重；

20、从用户的历史订单数据中，统计该用户历史购买的各历史服装商品在各属性上的取值分布；针对品类、颜色、图案类别型属性，采用信息熵量化该属性取值的集中程度，得到该属性的购买稳定度；针对尺码有序数值型属性，采用方差量化该属性取值的集中程度，得到该属性的购买稳定度；

21、针对各属性，计算数值一与该属性的购买稳定度之差，得到该属性的不稳定度；将预设调制强度系数与不稳定度的乘积作为调制量；将数值一减去调制量，得到调制系数；将该属性的预设基础权重与对应的调制系数相乘，得到该属性的属性权重；

22、计算各属性的属性权重与对应的属性差异度的乘积，作为各商品在各属性上的加权差异度；将同一属性在各商品上的加权差异度进行求和，得到各属性的属性差异总值；将各属性的属性差异总值进行求和归一化处理，得到各属性的关注度。

23、进一步地，所述预建特征库中包含各服装商品的特征描述子，每个服装商品对应一组特征描述子，特征描述子至少包括该服装商品的颜色特征描述子、纹理特征描述子和深度特征描述子；其中，颜色特征描述子用于指示该服装商品在hsv颜色空间中的色调范围、饱和度范围和明度范围；纹理特征描述子用于指示该服装商品的局部纹理模式分布直方图；深度特征描述子用于指示该服装商品的深度特征向量；

24、所述关键模板的匹配阈值确定过程，包括：

25、获取预设基准阈值和预设松弛系数；

26、根据各属性的关注度，选取关注度最高的至少一个属性作为关键属性；

27、根据关键属性，从预建特征库中读取对应商品的特征描述子，生成关键模板；其中，若关键属性包含两个属性，则分别生成对应的两个关键模板；

28、计算数值一与置信度之差，作为不可信度；计算预设松弛系数与不可信度的乘积，作为松弛量；

29、计算数值一与松弛量之差，得到调整因子；计算预设基准阈值与调整因子的乘积，作为调整后的匹配阈值。

30、进一步地，所述候选区域及各候选区域的匹配得分获得过程，包括：

31、将待匹配图像划分为多个匹配单元，各匹配单元为像素或滑动窗口区域；

32、若关键属性为颜色，则匹配单元为像素，将对应关键模板记为颜色模板；提取颜色模板中包含目标颜色的颜色特征描述子；将待匹配图像中的各像素与颜色模板进行颜色匹配，计算各像素属于目标颜色的隶属度，作为各像素的匹配响应结果；

33、若关键属性为图案，则匹配单元为滑动窗口区域，将对应关键模板记为纹理模板；以滑动窗口方式遍历待匹配图像，依次提取各窗口区域的纹理特征描述子，采用纹理特征匹配技术，计算各窗口区域的纹理特征描述子与纹理模板之间的卡方距离，并将卡方距离转换为相似度，作为各窗口区域的匹配响应结果；

34、根据匹配阈值对匹配响应结果进行筛选，将筛选后满足预设条件的位置划分为候选区域，结合匹配响应结果确定各候选区域的匹配得分。

35、进一步地，所述根据匹配阈值对匹配响应结果进行筛选，将筛选后满足预设条件的位置划分为候选区域，结合匹配响应结果确定各候选区域的匹配得分，包括：

36、将匹配响应结果达到匹配阈值的匹配单元标记为有效单元；将相邻的有效单元进行连通聚合，形成连通区域；将各连通区域的外接区域确定为候选区域；针对各候选区域，计算候选区域所包含的各匹配单元在同一关键属性的匹配响应结果的算术平均值，作为该候选区域在同一关键属性的匹配分量；

37、若候选区域同时出现颜色匹配结果和纹理匹配结果，依据预设第一权重，对该候选区域所包含的所有关键属性的匹配分量进行加权融合，生成该候选区域的匹配得分。

38、进一步地，所述基础模板为根据当前订单中各商品携带的商品标识，从预建特征库中读取的对应深度特征描述子；

39、所述根据各商品的基础模板，对各候选区域进行精细匹配，更新各候选区域的匹配得分，包括：

40、从待匹配图像中提取各候选区域对应的候选图像块；

41、将各候选图像块分别与当前订单中各商品的基础模板进行精细匹配，提取各候选图像块的深度特征描述子；

42、计算各候选图像块的深度特征描述子与各基础模板的深度特征描述子之间的余弦距离，并将余弦距离映射至零到一之间的数值，作为各候选图像块与各基础模板之间的精细匹配得分；其中，余弦距离与精细匹配得分之间呈负相关关系；

43、针对每个候选区域，从该候选区域与各商品的精细匹配得分中选取最高分，作为该候选区域更新后的匹配得分，并记录该最高分对应的商品及其携带的商品标识；其中，若最高分低于预设精细匹配阈值，则判定该候选区域不属于当前订单中的任何商品，将该候选区域剔除。

44、进一步地，所述关联结果确定过程，包括：

45、确定各候选区域的中心点位置；计算各候选区域中心点位置之间的两两距离；计算所有两两距离的算术平均值，作为各候选区域之间的平均间距；

46、计算平均间距与预设参考间距的比值，作为间距比值；采用指数衰减方式将间距比值映射至零到一之间的数值，得到位置聚集度；

47、计算所有候选区域更新后的匹配得分的算术平均值，作为平均精细得分；

48、对平均精细得分与位置聚集度分别赋予预设第二权重，进行加权融合，得到综合置信度；

49、若综合置信度达到或超过预设判决阈值，则判定各候选区域与当前订单成功关联，输出各候选区域对应的关联结果；其中，关联结果用于指示各候选区域是否属于当前订单以及属于当前订单中的哪件商品；

50、若综合置信度低于预设判决阈值，则判定关联失败，转入异常处理流程。

51、一种面向组合订单的服装商品智能分拣系统，所述系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种面向组合订单的服装商品智能分拣方法的步骤。

52、本发明具有如下有益效果：

53、本发明通过调取用户的历史订单数据，利用预先训练的预测模型生成预测订单及置信度，将当前订单与预测订单进行差异比对，生成各属性的关注度，从而有效解决了仅依赖实时订单信息导致的分拣目标模糊问题，以便于适应服装品类繁多、款式高度相似的分拣场景；基于历史订单数据预测的置信度自适应调整关键模板匹配阈值，从而使得置信度低时放大对匹配阈值的松弛量，以实现放宽匹配条件避免漏检，以及置信度高时收紧匹配阈值，以便于过滤掉无效干扰区域，提升分拣目标检出率，克服固定匹配阈值适配性差的缺陷；先采用关键属性模板完成粗匹配筛选候选区域，再调用各商品专属的基础模板开展精细匹配更新匹配得分，实现从多层特征角度上融合提升商品识别精度，而且同时引入候选区域空间位置聚集约束综合判定关联结果，从而实现在多件服装堆叠混排场景下精准划分每件商品归属，显著降低错拣、漏拣概率，大幅提升组合订单服装分拣自动化程度与分拣效率。