货物数量识别方法、装置、电子设备和存储介质与流程

1.本技术涉及图像识别和深度学习技术领域，尤其涉及一种货物数量识别方法、装置、电子设备、存储介质和程序产品。


背景技术：

2.为了防止货物在运输过程中产生缺损而无法定责，需要在货物装货、卸货时分别进行清点。对于一些比较规则的货物，比如钢管，可以采用图像识别技术进行清点。在装货时拍一张照片，在卸货时再拍一张照片，分别上传到物流管理系统，物流管理系统利用图像识别技术进行钢管数量清点并进行比对，如果两张照片的数量不一致，则能够证明在运输过程中发生了货物丢失。
3.现有技术中，识别货物数量的方法通常是：先将钢管图片转为灰度图，使其像素值在0-255之间，然后设置阈值，使大于阈值的数值为1，小于阈值的数值为0；再通过边缘检测算法获取钢管的外轮廓；将外轮廓的值通过膨胀和腐蚀去除噪声，增强现有的轮廓显示，并基于轮廓线检测钢管截面的圆形；最后统计圆形出现的次数，从而获得画面中钢管的数量。
4.然而，上述现有技术中的货物数量识别方法，严重依赖于阈值的设定是否合理、轮廓检测精度等因素，造成识别的精度并不高。


技术实现要素：

5.本技术提供一种货物数量识别方法、装置、电子设备、存储介质和程序产品，以解决现有技术中的货物数量识别方法中精度不高的问题。
6.第一方面，本技术提供了一种货物数量识别方法，该方法包括：
7.利用预先训练的数量识别模型对货物图像进行图像特征提取，其中，所述数量识别模型具有多层卷积层；
8.根据所述数量识别模型中至少两层卷积层输出的图像特征，确定所述货物图像中的对象候选框集合，其中，所述图像特征至少包括对象类别和对象候选框的定位坐标；
9.根据所述图像特征中的对象类别和对象候选框的定位坐标，对所述对象候选框集合中的对象候选框进行筛选和去重；
10.将经过所述筛选和去重后得到的目标对象候选框的数量，作为所述货物图像中的货物数量。
11.第二方面，本技术还提供了一种货物数量识别装置，该装置包括：
12.图像特征提取模块，用于利用预先训练的数量识别模型对货物图像进行图像特征提取，其中，所述数量识别模型具有多层卷积层；
13.对象候选框集合确定模块，用于根据所述数量识别模型中至少两层卷积层输出的图像特征，确定所述货物图像中的对象候选框集合，其中，所述图像特征至少包括对象类别和对象候选框的定位坐标；
14.筛选和去重模块，用于根据所述图像特征中的对象类别和对象候选框的定位坐
标，对所述对象候选框集合中的对象候选框进行筛选和去重；
15.货物数量确定模块，用于将经过所述筛选和去重后得到的目标对象候选框的数量，作为所述货物图像中的货物数量。
16.第三方面，本技术还提供了一种电子设备，包括：
17.一个或多个处理器；
18.存储装置，用于存储一个或多个程序，
19.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的货物数量识别方法。
20.第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的货物数量识别方法。
21.第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的货物数量识别方法。
22.本技术的技术方案中，采用具有多层卷积的神经网络模型提取图像特征，并选取模型中至少两层卷积层输出的图像特征确定货物图像中的对象候选框集合，然后通过筛选和去重，从对象候选框集合中确定最终识别出来的目标对象候选框，并将目标对象候选框的数量作为货物图像中的货物数量。其中，由于选取的是模型中至少两层卷积层输出的图像特征，使得模型可以识别货物图像中不同位置以及不同大小的对象，从而发现图像中的多种目标，精确地识别出图像中的货物，继而提高模型对货物数量识别的精度。
附图说明
23.图1是本技术实施例一中的货物数量识别方法的流程图；
24.图2是本技术实施例二中的货物数量识别方法的流程图；
25.图3是本技术实施例三中的货物数量识别方法的流程图；
26.图4是本技术实施例四中的货物数量识别装置的结构示意图；
27.图5是本技术实施例五中的电子设备的结构示意图。
具体实施方式
28.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。
29.实施例一
30.图1为本技术实施例一提供的货物数量识别方法的流程图，本实施例可适用于对货物图像进行图像识别，获取图像中货物数量的情况，涉及图像识别和深度学习技术领域。该方法可以由货物数量识别装置来执行，该装置可以采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括：
31.s101、利用预先训练的数量识别模型对货物图像进行图像特征提取，其中，所述数量识别模型具有多层卷积层。
32.其中，数量识别模型是利用机器学习方法预先训练出的具有多层卷积结构的神经网络模型。关于数量识别模型的训练过程，可以是先获取大量的待识别的货物图像作为训
练样本，并由人工对图像中的货物进行标注，例如，使用矩形框标记出货物截面的圆；然后，将训练样本输入模型，由模型对训练样本中的货物进行预测；根据预测值和训练样本的标注值计算其误差；再计算误差值相对于卷积参数的梯度，对模型参数进行调优；通过上述过程的迭代、调优，得到最终的基于卷积神经网络的数量识别模型。
33.s102、根据数量识别模型中至少两层卷积层输出的图像特征，确定货物图像中的对象候选框集合，其中，所述图像特征至少包括对象类别和对象候选框的定位坐标。
34.训练好的数量识别模型可以对货物图像进行特征提取，并且每一层卷积层都可以输出图像特征，例如包括对象类别和对象候选框的定位坐标。而根据这些图像特征可以得到模型识别出货物图像上各个对象的候选框。其中，对象类别可以包括目标和背景，目标是指图像前景中的对象，而背景是指图像的背景部分。可以理解的是，待识别的货物作为图像中的对象，其类别是目标。所述定位坐标用于定位对象候选框，例如可以包括对象候选框的左上角x、y坐标，和右下角x、y坐标，而由于候选框通常是矩形，因此，根据候选框左上角、右下角各自的x、y坐标，即可定位该候选框。当然，定位坐标也可以是候选框上的其他点的坐标，本技术实施例对此不作任何限定。
35.本技术实施例中，是选取模型中至少两层卷积层输出的图像特征，确定货物图像中的对象候选框集合。这样做的好处在于：由于不同卷积层输出的图像特征所对应的对象候选框的大小不一样，因此，对于类别为目标的对象的大小就不一样；考虑货物图像中的货物并不一定大小一致，而且，即使是大小相同的货物，也会因为摆放方式而造成图像中显示的货物的前后远近不一致，也即图像显示的货物的大小不一致；因此，选取模型中至少两层卷积层输出的图像特征来确定对象候选框集合，就可以获取到货物图像中不同位置、不同大小的对象，从而使得模型具有更高的召回率，提高模型对货物数量识别的精确度。
36.在一种实施方式中，数量识别模型中卷积层的数量大于2，而至少两层卷积层则包括最后一层卷积层及其前面至少一层卷积层。示例性的，数量识别模型中卷积层的数量可以是7层，那么可以选取第5层、6层、7层卷积层输出的图像特征。当然，在其他的实施方式中，也可以选取第4层、5层、6层、7层卷积层输出的图像特征，或者第6层和第7层卷积层输出的图像特征，关于此，可以根据实际需要进行配置，本技术实施例对此不做任何限定。
37.s103、根据图像特征中的对象类别和对象候选框的定位坐标，对对象候选框集合中的对象候选框进行筛选和去重。
38.获取的对象候选框集合中的各个对象候选框，是来自于至少两层卷积层输出的图像特征，而这些图像特征中有的对象类型是目标，有的对象类型是背景，因此，需要从中根据对象类型进行筛选。同时，不同的卷积层输出的图像特征有可能指向的是同一个对象，因此，还需要对这些对象候选框进行去重。
39.具体而言，可以保留对象类型是目标的图像特征所对应的对象候选框，然后在筛选后的各个对象候选框中，判断哪些对象候选框的重合度很高，那么这些重合度很高的对象候选框就是指同一个对象，继而将其去重即可。例如，可以根据对象候选框的定位坐标来确定不同对象候选框之间的位置关系，然后基于该位置关系确定其重合度。
40.s104、将经过筛选和去重后得到的目标对象候选框的数量，作为货物图像中的货物数量。
41.经过筛选和去重后得到目标对象候选框，每个目标对象候选框中所指对象即为最
终识别出的图像中的货物，因此，目标对象候选框的数量即可作为货物图像中的货物数量。
42.本技术实施例的技术方案中，采用具有多层卷积的神经网络模型提取图像特征，并选取模型中至少两层卷积层输出的图像特征确定货物图像中的对象候选框集合，然后通过筛选和去重，从对象候选框集合中确定最终识别出来的目标对象候选框，并将目标对象候选框的数量作为货物图像中的货物数量。其中，由于选取的是模型中至少两层卷积层输出的图像特征，使得模型可以识别货物图像中不同位置以及不同大小的对象，从而发现图像中的多种目标，精确地识别出图像中的货物，继而提高模型对货物数量识别的精度。此外，本技术基于多层卷积神经网络实现货物识别，可以对图像中的目标提取不同程度、不同形状的特征，而不仅仅是边缘特征和二值化特征，使得模型相对现有技术而言具有很强的鲁棒性；同时，也能适用于对不同种类、形状的货物的识别，更便于后续扩展。
43.实施例二
44.图2为本技术实施例二提供的货物数量识别方法的流程图，本实施例在上述实施例的基础上进行进一步地优化。如图2所示，所述方法包括：
45.s201、利用预先训练的数量识别模型对货物图像进行图像特征提取，其中，所述数量识别模型具有多层卷积层。
46.s202、根据数量识别模型中至少两层卷积层输出的图像特征，确定货物图像中的对象候选框集合，其中，所述图像特征至少包括对象类别和对象候选框的定位坐标。
47.在一种实施方式中，数量识别模型中至少一层卷积层后还连接有反卷积层，至少两层卷积层输出的图像特征是经过反卷积后的图像特征。其中，反卷积层用于：将与之连接的卷积层输出的原始图像特征通过反卷积进行扩张，并将扩张后的图像特征与其连接的卷积层前面的卷积层输出的图像特征相加。
48.例如，若数量识别模型中有7层卷积层，那么第3-7层卷积层中的至少一层都可以连接有反卷积层。需要说明的是，由于第2层卷积层输出的图像特征尺寸太大，若加入反卷积则容易造成因计算量太高而导致计算效率降低的问题，因此，第2层卷积层后可以不加入反卷积。
49.以第7层卷积层后连接有反卷积层为例，第7层卷积层通过特征提取输出一个原始的图像特征，然后该原始图像特征通过反卷积进行扩张，扩张后的图像特征与第6层卷积层输出的图像特征相加，相加后的结果则作为第7层卷积层最终输出的图像特征，也即本技术实施例中选取的图像特征。
50.而加入反卷积层的作用在于：通过反卷积结构将卷积层提取的特征进行重组，使之与该卷积层上层的卷积层输出的图像特征进行相加，就能获取到更加细致的图像特征。也即，使底层特征可以结合顶层特征，并基于此进行预测，那么模型就可以更加准确地识别出货物图像中的货物，并通过候选框标记出该货物在图像中的位置，提高了模型对货物识别的准确度。
51.s203、从对象候选框集合中选择对象类型是目标的对象候选框。
52.s204、根据定位坐标，确定对象类型是目标的对象候选框的面积和位置。
53.s205、根据面积和位置，确定不同对象候选框之间的重合度，对所述对象类型是目标的对象候选框进行去重。
54.通过步骤s204，从对象候选框集合中将背景去除，然后通过步骤s205，对表示同一
个对象的对象候选框进行去重，从而得到最终识别出的牧宝对象候选框。具体实施时，可以配置重合度阈值，若根据位置和面积，确定任意两个对象候选框的重合度大于该阈值，则认为这两个对象候选框对应的是同一个对象。
55.s206、将经过筛选和去重后得到的目标对象候选框的数量，作为货物图像中的货物数量。
56.本技术实施例的技术方案，采用具有多层卷积的神经网络模型提取图像特征，并选取模型中至少两层卷积层输出的图像特征确定货物图像中的对象候选框集合，使得模型可以识别货物图像中不同位置以及不同大小的对象，从而发现图像中的多种目标。然后通过筛选和去重，从对象候选框集合中确定最终识别出来的目标对象候选框，并将目标对象候选框的数量作为货物图像中的货物数量，提高了对货物数量的识别精度。同时，通过在模型结构中加入反卷积网络，使得模型可以检测图像中不同位置以及不同大小的目标，进一步提高了对图像中货物识别的精度，使模型具有较高的召回率，继而提高货物数量识别的准确性。
57.实施例三
58.图3为本技术实施例三提供的货物数量识别方法的流程图，本实施例在上述实施例的基础上进行进一步地优化。如图3所示，所述方法包括：
59.s301、利用预先训练的数量识别模型对货物图像进行图像特征提取，其中，所述数量识别模型具有多层卷积层。
60.s302、根据数量识别模型中至少两层卷积层输出的图像特征，确定货物图像中的对象候选框集合，其中，所述图像特征至少包括对象类别和对象候选框的定位坐标。
61.s303、根据图像特征中的对象类别和对象候选框的定位坐标，对对象候选框集合中的对象候选框进行筛选和去重。
62.s304、将经过筛选和去重后得到的目标对象候选框的数量，作为货物图像中的货物数量。
63.s305、根据目标对象候选框的定位坐标，确定每个目标对象候选框的中心点。
64.s306、在货物图像上显示目标对象候选框的中心点。
65.为了实现货物数量识别的可视化，便于管理人员管理，可以在对应的管理系统中，显示货物图像的同时，将识别出的每一个目标对象候选框的中心点也在货物图像中显示，例如以绿色圆点标识出该中心点。通过这些显示出的中心点，可以直接看出货物识别是否准确，是否有遗漏的货物未识别出来，或者标识出中心点的位置并不是待识别的货物。
66.s307、响应于对货物图像上显示的目标对象候选框的中心点的点选操作，减少货物图像中的货物数量。
67.s308、响应于对货物图像上，除中心点表示的目标对象以外的其他对象的点选操作，增加货物图像中的货物数量。
68.当识别出的货物出现误差时，可以通过上述步骤s307、s308进行校正。例如，若识别出的中心点并非货物，则管理人员可以点击显示出来的绿色中心点，对其进行消除，从而减少货物图像中的货物数量。而如果尚有货物未识别出来，则可以直接在货物图像上点击该尚未识别出的货物所在的位置，根据该点击位置即可确定该货物，并增加货物图像中的货物数量。同时，还可以将该人工选定的货物的截面中心点也在图像上显示出来。通过这样
的交互过程，不仅可以直观地查看货物及其数量的识别结果，同时还可以对初始识别结果进行校正，提高对货物管理的效率。
69.此外，本技术实施例的方法还包括：根据点选操作以及减少或增加后的货物数量，获取新的图像训练样本；利用新的图像训练样本更新数量识别模型。也就是说，对初始识别结果进行校正后，为了不断提高模型的精度和召回率，可以根据校正的情况生成新的训练数据，如此通过不断迭代、训练，实现模型的优化。
70.本技术实施例的技术方案，采用具有多层卷积的神经网络模型提取图像特征，鲁棒性强；而且选取模型中至少两层卷积层输出的图像特征确定货物图像中的对象候选框集合，使得模型可以识别货物图像中不同位置以及不同大小的对象，从而发现图像中的多种目标，提高模型的召回率；然后通过筛选和去重，从对象候选框集合中确定最终识别出来的目标对象候选框，并将目标对象候选框的数量作为货物图像中的货物数量，提高了对货物数量的识别精度。同时，通过人机交互可以实现对识别结果的校正，进一步获取更加准确的货物数量，提高货物管理效率。
71.实施例四
72.图4是本实施例中的货物数量识别装置的结构示意图。本实施例可适用于对货物图像进行图像识别，获取图像中货物数量的情况，涉及图像识别和深度学习技术领域。该装置可实现本技术任意实施例所述的货物数量识别方法。如图4所示，该装置400具体包括：
73.图像特征提取模块401，用于利用预先训练的数量识别模型对货物图像进行图像特征提取，其中，所述数量识别模型具有多层卷积层；
74.对象候选框集合确定模块402，用于根据所述数量识别模型中至少两层卷积层输出的图像特征，确定所述货物图像中的对象候选框集合，其中，所述图像特征至少包括对象类别和对象候选框的定位坐标；
75.筛选和去重模块403，用于根据所述图像特征中的对象类别和对象候选框的定位坐标，对所述对象候选框集合中的对象候选框进行筛选和去重；
76.货物数量确定模块404，用于将经过所述筛选和去重后得到的目标对象候选框的数量，作为所述货物图像中的货物数量。
77.可选的，所述数量识别模型中至少一层卷积层后还连接有反卷积层，所述至少两层卷积层输出的图像特征是经过反卷积后的图像特征；
78.其中，所述反卷积层用于：将与之连接的卷积层输出的原始图像特征通过反卷积进行扩张，并将扩张后的图像特征与其连接的卷积层前面的卷积层输出的图像特征相加。
79.可选的，所述数量识别模型中卷积层的数量大于2，所述至少两层卷积层包括最后一层卷积层及其前面至少一层卷积层。
80.可选的，所述对象类别包括目标和背景；
81.相应的，筛选和去重模块403包括：
82.筛选单元，用于从所述对象候选框集合中选择所述对象类型是目标的对象候选框；
83.面积与位置确定单元，用于根据所述定位坐标，确定所述对象类型是目标的对象候选框的面积和位置；
84.去重单元，用于根据所述面积和位置，确定不同对象候选框之间的重合度，对所述
对象类型是目标的对象候选框进行去重。
85.可选的，所述装置还包括显示模块，具体用于：
86.根据所述目标对象候选框的定位坐标，确定每个目标对象候选框的中心点；
87.在所述货物图像上显示所述目标对象候选框的中心点。
88.可选的，所述装置还包括第一修正模块，用于：
89.响应于对所述货物图像上显示的所述目标对象候选框的中心点的点选操作，减少所述货物图像中的货物数量。
90.可选的，所述装置还包括第二修正模块，用于：
91.响应于对所述货物图像上，除所述中心点表示的目标对象以外的其他对象的点选操作，增加所述货物图像中的货物数量。
92.可选的，所述装置还包括模型训练更新模块，用于：
93.根据所述点选操作以及减少或增加后的货物数量，获取新的图像训练样本；
94.利用所述新的图像训练样本更新所述数量识别模型。
95.可选的，所述定位坐标包括所述对象候选框的左上角x、y坐标，和右下角x、y坐标。
96.本技术实施例所提供的货物数量识别装置可执行本技术任意实施例所提供的货物数量识别方法，具备执行方法相应的功能模块和有益效果。
97.实施例五
98.图5为本技术实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本技术实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
99.如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
100.总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
101.电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
102.系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
103.具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28
中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本技术所描述的实施例中的功能和/或方法。
104.电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
105.处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本技术实施例所提供的货物数量识别方法。
106.实施例六
107.本技术实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术实施例所提供的货物数量识别方法。
108.本技术实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
109.计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
110.计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
111.可以以一种或多种程序设计语言或其组合来编写用于执行本技术操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或
广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
112.此外，本技术还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上任意实施例所提供的货物数量识别方法。
113.注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。