基于分类识别的物流分拣方法及系统

技术领域

本发明涉及智能物流技术领域，尤其涉及一种基于分类识别的物流分拣方法及系统。

背景技术

物流行业已经发展成为了人们生活中必不可缺的一部分，无论是快递亦或是其他的物流运输，均为人们生活的带来了极大的便利。在物流运输和管理的过程中，需要将每一个运输的物品进行路径规划和分拣，以完成出发地到目的地之间的运输。然而，在大部分物流运输的过程中，主要还是依靠人力进行分类和分拣，导致整体效率较低。

发明内容

基于此，有必要针对上述问题，提出了一种基于分类识别的物流分拣方法、系统。

在本发明的第一部分，提供了一种基于分类识别的物流分拣方法，包括：

通过信息传感器，获取所述待处理物品的待分类信息，所述信息传感器至少包括图像传感器、重量传感器、射频传感器中的一个，所述待分类信息至少包括订单信息、图像信息、历史物流信息、物品标识信息中的一个；

基于神经网络模型和所述待分类信息，确定与所述待处理物品对应的分类识别结果；

确定与分类识别结果对应的分拣信息，所述分拣信息包括分配的与所述分类识别结果对应的分拣机器人信息以及机器人路径规划信息；

根据所述分拣信息确定分拣机器人，控制所述分拣机器人按照所述机器人路径规划信息将所述待处理物品分拣至与所述机器人路径规划信息对应的目标分拣位置，以完成对所述待处理物品对应的物流分拣；

其中，所述基于神经网络模型和所述待分类信息，确定与所述待处理物品对应的分类识别结果的步骤，还包括：

将待分类信息分成多个分类组，在每一个分类组中：按照预设的分类特征提取算法，分别提取每一个分类组下待分类信息中的至少一个分类组特征，将所述至少一个分类组特征输入该分类组对应的第一神经网络模型，并获取输出结果作为与所述待处理物品对应的第一分类识别结果；其中，每一个分类组对应的第一神经网络模型是根据该分类组所包含的分类组特征所构建的；

将每一个分类组下待分类信息输入每一个分类组对应的第二神经网络模型，获取输出结果作为与所述待处理物品对应的第二分类识别结果；其中，每一个分类组对应的第二神经网络模型是根据该分类组所包含的待分类信息所构建的；

根据第一分类识别结果和第二分类识别结果确定与所述待处理物品对应的分类识别结果。

可选的，所述控制所述分拣机器人按照所述机器人路径规划信息将所述待处理物品分拣至与所述机器人路径规划信息对应的目标分拣位置，以完成对所述待处理物品对应的物流分拣的步骤之后，还包括：在所述待处理物品到达所述目标分拣位置之后，获取与所述待处理物品对应的后续物流处理策略，并基于所述获取到的后续物流处理策略对所述待处理物品进行物流运输或管理。

可选的，所述通过分类信息传感器，获取所述待处理物品的待分类信息的步骤，还包括：通过图像传感器获取所述待处理物品的图像信息，对所述图像信息进行识别，获取对应的外观信息、和/或订单信息；通过重量传感器获取待处理物品的重量信息；通过射频传感器读取所述待处理物品上的射频装置对应的射频信息，根据所述射频信息在预设的物流数据库中查找与该射频信息对应的订单信息和历史信息；所述基于神经网络模型和所述待分类信息，确定与所述待处理物品对应的分类识别结果的步骤，还包括：将所述待分类信息作为所述神经网络模型的输入，获取输出的分类识别结果。

可选的，所述按照预设的分类特征提取算法，分别提取每一个分类组下待分类信息中的至少一个分类组特征的步骤，还包括：按照预设的特征结构构建方法，构建当前分类组下的待分类信息对应的分类结构特征；按照预设的特征计算方法，计算当前分类组下每一个待分类信息对应的分类特征；根据分类结构特征和分类特征，确定当前分类组下的待分类信息对应的分类组特征；所述按照预设的分类特征提取算法，分别提取每一个分类组下待分类信息中的至少一个分类组特征的步骤之后，还包括：根据分类组特征，对各个分类组进行筛选，将筛选出的分类组特征作为该分类组对应的第一神经网络模型的输入。

可选的，所述第一神经网络模型和第二神经网络模型分别包括第一神经网络子模型、第二神经网络子模型和第三神经网络子模型；所述将所述至少一个分类特征输入第一神经网络模型，并获取输出结果作为与所述待处理物品对应的第一分类识别结果的步骤，以及所述将待分类信息输入第二神经网路模型，获取输出结果作为与所述待处理物品对应的第二分类识别结果的步骤，还包括：将模型输入信息输入第一神经网络子模型，获取输出的第一分类结果；将模型输入信息和第一神经网络子模型输出的第一分类结果输入第二神经网络子模型，获取输出的第二分类结果；将模型输入信息和第一神经网络子模型输出的第一分类结果、第二神经网络子模型输出的第二分类结果输入第三神经网络子模型，获取输出的第三分类结果；将第一分类结果、第二分类结果和第三分类结果作为模型输出结果；其中，模型输入信息为至少一个分类特征或待分类信息；模型输出信息为第一分类识别结果和第二分类识别结果。

可选的，所述方法还包括：将模型输入信息输入所述第一神经网络子模型，对所述分类特征进行卷积处理，获取输出的第一分类结果；按照预设的Viterbi算法将模型输入信息和所述第一分类结果进行融合处理，将融合处理后的特征输入所述第二神经网络子模型，对模型输入信息和所述第一分类结果进行卷积处理，获取输出的第二分类结果；按照预设的Viterbi算法将模型输入信息和所述第一分类结果、第二分类结果进行融合处理，将融合处理后的特征输入所述第三神经网络子模型，对模型输入信息和所述第一分类结果、第二分类结果进行反卷积处理，获取输出的第三分类结果。

可选的，所述确定与分类识别结果对应的分拣信息，所述分拣信息包括分配的与所述分类识别结果对应的分拣机器人信息以及机器人路径规划信息的步骤，还包括：获取多个待处理物品对应的待分类信息以及分类识别结果和多个分拣机器人的定位信息和前面的路径信息，以及机器人状态信息；按照预设的路径规划算法对每一个待处理物品分配分拣机器人，并且分配的每一个分拣机器人对应的机器人路径规划信息，所述机器人路径规划信息用于控制所述分拣机器人按照所述机器人路径规划信息中包括的路径以及速度信息执行对所述待处理物品的运输。

可选的，所述根据所述分拣信息确定分拣机器人，控制所述分拣机器人按照所述机器人路径规划信息将所述待处理物品分拣至与所述机器人路径规划信息对应的目标分拣位置的步骤，还包括：通过设置在所述分拣机器人上的传感器获取所述分拣机器人的运动信息，所述运动信息包括运动位置、运动速度和运动方向中的至少一个；根据所述运动信息和所述机器人路径规划信息，判断所述分拣机器人是否存在路线偏移；在存在路线偏移的情况下，确定具体的偏移参数；根据所述偏移参数以及所述机器人路径规划信息进行路径重新规划，确定更新之后的路径规划信息并对所述机器人路径规划信息对所述机器人路径规划信息进行更新；通过更新之后的路径规划信息控制所述分拣机器人将所述待处理物品分拣至所述目标分拣位置。

在本发明的第二部分，提供了一种基于分类识别的物流分拣系统，所述系统包括云服务器、物流分拣平台以及多个分拣机器人；

其中，物流分拣平台用于承载和运输待处理物品；在所述物流分拣平台上设置有一个或多个信息传感器，其中，所述信息传感器至少包括图像传感器、重量传感器、射频传感器中的一个；

所述云服务器用于接收物流分拣平台发送的待处理物品的待分类信息，并基于接收到的待分类信息对所述待处理物品进行分类识别以确定对应的分类识别结果，并根据分类识别结果确定对应的分拣机器人信息以及机器人路径规划信息；其中，所述待分类信息至少包括订单信息、图像信息、历史物流信息、物品标识信息中的一个；

其中，所述云服务器还用于：将待分类信息分成多个分类组，在每一个分类组中：按照预设的分类特征提取算法，分别提取每一个分类组下待分类信息中的至少一个分类组特征，将所述至少一个分类组特征输入该分类组对应的第一神经网络模型，并获取输出结果作为与所述待处理物品对应的第一分类识别结果；其中，每一个分类组对应的第一神经网络模型是根据该分类组所包含的分类组特征所构建的；将每一个分类组下待分类信息输入每一个分类组对应的第二神经网络模型，获取输出结果作为与所述待处理物品对应的第二分类识别结果；其中，每一个分类组对应的第二神经网络模型是根据该分类组所包含的待分类信息所构建的；根据第一分类识别结果和第二分类识别结果确定与所述待处理物品对应的分类识别结果；

所述云服务器还用于根据确定的分拣机器人信息以及机器人路径规划信息生成对分拣机器人的控制指令，并发送给所述分拣机器人；

所述分拣机器人用于接收所述云服务器下发的控制指令，并根据所述控制指令将位于所述物流分拣平台的待处理物品按照控制指令中包含的分拣机器人信息以及机器人路径规划信息，运输至机器人路径规划信息对应的目标分拣位置；

所述分拣机器人还用于获取所述分拣机器人的运动信息，并发送给所述云服务器；

所述云服务器还用于根据接收到的所述运动信息和所述机器人路径规划信息，判断所述分拣机器人是否存在路线偏移，并在存在路线偏移的情况下，确定具体的偏移参数，然后根据所述偏移参数以及所述机器人路径规划信息进行路径重新规划，确定更新之后的路径规划信息并对所述机器人路径规划信息对所述机器人路径规划信息进行更新，并生成更新后的控制指令并下发给分拣机器人。

可选的，所述物流分拣平台包括多个物流分拣通道，多个物流分拣通道可以并行对多个待处理物品分别进行分类识别以及分拣；所述云服务器还包括根据多个物流分拣通道上的多个待处理物品、以及所述系统包含的多个分拣机器人对所述待处理物品和多个分拣机器人进行路径规划，以获取每个待处理物品对应的机器人路径规划信息。

可选的，所述分拣机器人还用于通过设置在所述分拣机器人上的传感器获取所述分拣机器人的运动信息，所述运动信息包括运动位置、运动速度和运动方向中的至少一个；所述云服务器还用于根据所述运动信息和所述机器人路径规划信息，判断所述分拣机器人是否存在路线偏移；在存在路线偏移的情况下，确定具体的偏移参数；根据所述偏移参数以及所述机器人路径规划信息进行路径重新规划，确定更新之后的路径规划信息；所述云服务器还用于将更新之后的路径规划信息发送至所述分拣机器人；所述分拣机器人还用于将所述待处理物品分拣至所述目标分拣位置。

采用本发明实施例，具有如下有益效果：

采用了上述基于分类识别的物流分拣方法、系统之后，对于在物流分拣平台上需要进行分拣的待处理物品，通过设置在物流分拣平台上的一个或多个信息传感器，获取待处理物品的待分类信息，所述待分类信息至少包括订单信息、图像信息、历史物流信息、物品标识信息中的一个，所述信息传感器至少包括图像传感器、重量传感器、射频传感器中的一个；然后基于神经网络模型和所述待分类信息，确定与所述待处理物品对应的分类识别结果，并确定与分类识别结果对应的分拣信息，所述分拣信息包括分配的与所述分类识别结果对应的分拣机器人信息以及机器人路径规划信息；根据所述分拣信息确定分拣机器人，控制所述分拣机器人按照所述机器人路径规划信息将所述待处理物品分拣至与所述机器人路径规划信息对应的目标分拣位置，以完成对所述待处理物品对应的物流分拣。其中，确定与待处理物品对应的分类识别结果的过程，需要根据第一神经网络模型以对待分类信息进行特征提取之后获取的分类特征作为输入获取对应的第一分类识别结果，并根据第二神经网络模型直接以待分类信息作为输入获取对应的第二分类识别结果，然后综合考虑第一分类识别结果和第二分类识别结果，确定最终的分类识别结果。

也就是说，在本实施例中，在对每一件待处理物品进行物流分拣的情况下，需要通过多个物流分拣平台上的信息传感器来对待处理物品进行识别，以提高后续进行分类识别的准确性。基于神经网络模型对待处理物品进行分类，然后根据分类结果确定分拣机器人以及确定对该待处理物品进行路径规划得到的机器人路径规划信息，可以提高对待处理物品进行分类识别以及路径规划的准确性，可以提高物流分拣以及物流管理的效率。并且，在本实施例中，对待处理物品进行分类的过程中，是根据两个不同的神经网络模型来分别基于不同处理层面的分类信息来计算对应的分类识别结果，避免了单个神经网络模型训练可能存在的准确性不足的情况，可以进一步提高对待处理物品进行分类识别的准确率，进一步提高物流分拣和物流管理的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中一种基于分类识别的物流分拣系统的组成示意图；

图2为一个实施例中一种基于分类识别的物流分拣方法的流程示意图；

图3为一个实施例中神经网络模型的结构示意图；

图4为一个实施例中根据神经网络模型进行分类识别的处理流程示意图；

图5为一个实施例中根据神经网络模型进行分类识别的处理流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于分类识别的物流分拣方法，该方法的实现是基于物流分拣系统的，其中，该物流分拣系统为基于分类识别的物流分拣系统。使用上述基于分类识别的物流分拣方法和系统，可以提高物流分拣的准确性，提高物流运输和管理的效率，提升用户体验。

具体的，如图1所述，上述物流分拣系统10包括云服务器102、以及与该云服务器102通讯连接的物流分拣平台104和多个分拣机器人106。其中，物流分拣平台用于接收待处理物品，并且对待处理物品进行识别，然后将相应的识别数据上传到连接的云服务器102，然后由云服务器102进行分类计算，然后并下发相应的指令给物流分拣平台104和分拣机器人106，以使得物流分拣平台104和分拣机器人106执行相应的物流分拣操作。

其中，通过云服务器102对数据进行处理，可以减小对于物流分拣平台或分拣机器人的计算能力的要求，充分利用云平台的计算能力。

分拣机器人106可以是AGV（Automated Guided Vehicle，自动导引运输车）小车或者其他可以对待处理物品进行自动运输的机器人，在这里不做限定。在本实施例中，为了提高分拣效率，在分拣机器人106上还设置了传感器，用于获取分拣机器人106的运动位置、运动速度以及运动方向中的一个或多个，从而可以对分拣机器人106对待处理物品的分拣和运输进行监控。

物流分拣平台104是对多个待处理物品进行分拣处理的中间平台，该物流分拣平台可以分成多个运输通道，通过多个运输通道可以同时对多个待处理物品进行分类识别和分拣，以提高物流分拣效率。在一个具体的实施例中，多个运动通道可以是同时运行的，并且可以通过云服务器同时控制多个分拣机器人对应前述多个运输通道进行物流分拣，以进一步的提高物流分拣效率。

进一步的，如图2所示，给出了一种基于分类识别的物流分拣方法的流程示意图。具体的，上述基于分类识别的物流分拣方法包括如图2所示的如下步骤：

步骤S102：通过信息传感器，获取所述待处理物品的待分类信息。

步骤S102的执行是基于物流分拣平台，在物流分拣平台上设置一个或多个传感器，用于获取待处理物品的相关信息。其中，设置在物流分拣平台上的传感器包括图像传感器、重量传感器、射频传感器中的一个或多个。例如，通过设置在物流分拣平台的上方的图像传感器，获取被传输到物流分拣平台上的待处理物品的图像，然后根据获取到的图像进行识别，以获取待处理物品的外观信息，例如尺寸、形状等相关外观信息。进一步的，通过对图像进行识别还可以获取待处理物品的订单信息，具体是通过对贴在待处理物品上的订单标签，例如快递单来获取对应的订单信息，根据该订单信息可以获取待处理物品对应的寄出地址、接收地址、订单信息中生命的物品类型等信息。

通过设置在物流分拣平台中设置的重量传感器，获取待处理物品的重量信息。

通过设置在物流分拣平台中设置的射频传感器获取待处理物品对应的射频信息，该射频信息的获取是通过在物流发起时在待处理物品上设置的射频标签来获取的，也就是说，每一待处理物品均设置有射频标签，以获取读取和存储相应的信息。在本步骤中，通过射频传感器读取设置在待处理物品上的射频标签的信息以获取对应的射频信息，通过该射频信息可以获取该待处理物品对应的物流信息，例如前述订单信息以及物流信息等。

在本实施例中，待分类信息不限于上述给出的图像信息、外观信息、订单信息、重量信息和射频信息等，只要是能对待处理物品的分类相关的信息均可以在本步骤中获取以作为对应的待分类信息。

步骤S104：基于神经网络模型和所述待分类信息，确定与所述待处理物品对应的分类识别结果。

在本步骤中，通过对步骤S102中获取的与待处理物品对应的待分类信息，以对待处理物品进行分类的识别，以确定对应的分类识别结果。需要说明的是，在本实施例中，分类识别结果包括但不限于待处理物品对应的种类，例如，是否为生鲜类，或者是否为航空件，等；另外，分类识别结果还包括物流运输流程的分类、识别结果可靠性的分类结果等。

例如，在一个具体的实施例中，对待处理物品的分类识别结果可以包括但不限于：非生鲜类快件、航空件，以及针对物流运输流程的分类对应的寄件地址和接收地址的分类等。

在一个具体的实施例中，将步骤S102中获取的待分类信息作为输入，对应的分类识别结果作为输出，通过神经网络模型获取对应的输出结果。在一个具体的实施例中，该神经网络模型包括卷积神经网络子模型和分类器子模型，通过卷积神经网络子模型对待分类信息进行特征提取和卷积计算，获取对应的待分类特征，然后通过分类器子模型获取对应的分类识别结果。

在一个具体的实施例中，对上述神经网络模型进行进一步的说明。

请参见图3，给出了神经网络模型的构成示意图。其中，神经网络模型包括第一神经网络子模型、第二神经网络子模型和第三神经网络子模型。根据申请网络模型获取分类识别结果的过程具体如下。首先对待分类信息进行处理，以获取处理后的待分类信息；然后将处理后的待分类信息输入第一神经网络子模型，获取输出的第一分类结果；将处理后的待分类信息和第一神经网络子模型输出的第一分类结果输入第二神经网络子模型，获取输出的第二分类结果；将处理后的待分类信息和第一神经网络子模型输出的第一分类结果、第二神经网络子模型输出的第二分类结果输入第三神经网络子模型，获取输出的第三分类结果；将第一分类结果、第二分类结果和第三分类结果作为分类识别结果。

其中，首先对待分类信息进行处理，是为了进一步对待分类进行进行优化，例如，对待分类信息进行预处理，去除待分类信息中的重复信息以及不完整信息。进一步的，对待分类信息的处理还包括了按照预设的特征提取算法，提取待分类信息的分类特征，其中，待分类信息的分类特征可以是根据待分类的具体特征进行确定的。例如，针对待分类信息为待处理物品对应的外观以及形状等信息的情况下，可以按照预设的图像处理算法，获取对应的图像特征，在一个具体的实施例中，按照预设的梅尔频谱提取算法，提取待分类信息对应的梅尔频谱特征。

在提取了待分类信息的分类特征之后，即可进一步通过神经网络模型包含的3个子网络模型对分类特征进行处理，以计算对应的分类识别结果。

具体的，如前所述，神经网络模型包括3个相互连接的子网络模型，其中，第一神经网络子模型用于对待分类信息的分类特征进行处理，在这里，第一神经网络子模型为卷积神经网络，第一分类结果为对分类特征进行卷积计算以获取对应的特征而得到的；以获取对应的第一分类结果。然后，将第一分类结果和分类特征进行融合处理，例如，按照预设的特征合并算法对第一分类结果和分类特征进行合并处理，然后将合并之后的特征作为第二神经网络子模型的输入，具体可参见图3所示。进一步的，在本实施例中，特征融合算法可以是Viterbi算法，将第一分类结果和分类特征之间进行拼接处理，以获取对应的拼接特征作为合并处理后的特征。

进一步的，将第一分类结果和分类特征或者对应的合并后的特征输入第二神经网络子模型，获取对应的第二分类结果。其中，第二神经网络子模型为反卷积神经网络，第二分类结果为对分类特征和第一分类结果进行反卷积计算以获取对应的反卷积特征作为第二分类结果。然后，将第一分类结果、第二分类结果和分类特征进行融合处理，例如，按照预设的特征合并算法对第一分类结果、第二分类结果和分类特征进行合并处理，将合并之后的特征作为第二神经网络子模型的输入，具体可参见图4所示。进一步的，在本实施例中，特征融合算法可以是Viterbi算法，将第一分类结果、第二分类结果和分类特征进行拼接处理，以获取对应的拼接特征作为合并处理后的特征。

然后，将第一分类结果、第二分类结果和分类特征或者对应的合并后的特征输入第三神经网络子模型，获取对应的第三分类结果。

其中，对分类结果和分类特征之间的融合、合并以及拼接处理，不仅可以是简单的对特征进行拼接和合并，还可以进一步按照预设的特征处理算法，对特征进行处理，以使得特征之间的融合更加适合后续的神经网络子模型的计算。

其中，每一个神经网络子模型用于提取待分类信息的不同程度的特征，而不是将所有特征全部由一个大的神经网络模型进行处理，可以提高每个特征的准确度，以进一步提高分类识别结果的准确性。进一步的，在对该神经网络模型进行训练的过程中，对于模型的训练也是分多个网络子模型进行处理的，从而可以提高后续的神经网络模型计算的准确性。

在这里，第一神经网络子模型获取的第一分类结果为第一类特征对应的分类结果，例如，是否为航空件、是否为生鲜、订单信息等待处理物品对应的基本物流信息对应的分类结果。第二神经网络子模型获取的第二分类结果为第二类特征对应的分类结果，例如，可以是对待处理物品的进一步的分类，例如，是否存在异常、或者根据当前的物流节点在物流环节中所处在的位置以及后续的物流节点进行的分类；第二神经网络子模型主要是对待处理物品进行进一步的分类，以在基础信息的基础上，对待处理物品进行更精细化的分类，以使得后续能更准确的进行物流分拣的确认以及路径的规划。第三神经网络子模型获取的第三分类结果为第三类特征对应的分类结果，在这里，主要是指根据订单信息、物流信息确定的后续的物流路径，包括了分拣对应的分拣位置、分拣机器人的信息以及路径、以及规划的后续的物流路径。

其中，多个分类结果之间也存在相互的关联，因此不能单独的通过多个子模型进行计算，而是需要将前一层的输出结果进一步的输入下一层来获取下一层更准确的分类结果的输出。

进一步的，为了提高分类识别的准确率，在本实施例中，分类识别结果的输出，还可以通过双重分类识别来确定。

具体的，通过第一神经网络模型输出对应的第一分类识别结果，通过第二神经网络模型输出对应的第二分类识别结果，然后根据第一分类识别结果和第二分类识别结果确定最终的分类识别结果。其中，第一神经网络模型和第二神经网络模型的结构可以如上述神经网络模型的结构以及计算的描述。但是，在本实施例中，第一神经网络模型和第二神经网络模型之间也存在一定的区别，例如，第一神经网络模型和第二神经网络模型的输入不同。

具体的，第一分类识别结果的计算过程如下。

在确定第一分类识别结果的过程中，首先需要将进行分类识别所用到的多个待分类信息，按照预设的分组方法，分成多个分类组。其中，每一个分类组中包含了一个或多个待分类信息，且每一个分类组中包含的一个或多个待分类信息至少存在一个属性信息是匹配的。

然后，针对每一个分类组，按照预设的分类特征提取算法，分别提取每一个分类组包含的一个或多个待分类信息对应的分类组特征。其中，分类组特征是按照预设的分类特征提取算法来分别提取上述一个或多个待分类信息所包含的相同以及不同的特征。

在一个实施例中，分类组下包含的一个或多个待分类信息的分类组特征的构建还可以通过如下方式：

按照预设的特征结构构建方法，构建当前分类组下的待分类信息对应的分类结构特征；例如，根据当前分类组下的待分类信息，按照二叉树结构等结构构建方式（包括但不限于二叉树结构），构建对应的分类结构特征。然后，针对分类结构下的每一个节点（即每一个待分类信息），按照预设的特征计算方法，计算对应的分类特征；在这里，分类特征的计算可以是任意的特征值计算方式，例如，IV值、WOE值或者任意的其他特征值。在每一个节点对应的特征值计算得到之后，即可根据分类结构特征和分类特征，确定当前分类组下的待分类信息对应的分类组特征；以完成每一个分类组的分类组特征的构建。然后，在通过神经网络模型计算分类识别特征的过程中，可以将该分类组特征作为神经网络模型的输入。

进一步的，在另一个实施例中，为了提高神经网络模型计算的准确性，还需要对计算得到的分类组特征进行筛选。其中，根据每一个分类组特征是否满足预设的条件来对分类组特征，和/或，根据分类组特征是否满足预设的条件来对各个分类组进行筛选，以确定筛选出来的分类组特征对应的分类组以及确定筛选出来的分类组。然后将筛选结果作为神经网络模型的输入，以降低模型计算量，提高分类识别效率。

所述按照预设的分类特征提取算法，分别提取每一个分类组下待分类信息中的至少一个分类组特征的步骤之后，还包括：

然后在每一个分类组下，分别构建对应的对应的神经网络模型（即为该分类组对应的第一神经网络模型），输出对应的分类识别结果，根据每一个分类组对应的分类识别结果确定与待处理物品对应的第一分类识别结果。

进一步的，第二分类识别结果的确定，是在每一个分类组下，直接将分类组下对应的一个或多个待分类信息作为神经网络模型的输入（即与当前分类组对应的第二神经网络模型），然后输出对应的分类识别结果，然后根据各个分类组对应的分类识别结果确定与待处理物品对应的第二分类识别结果。然后根据第一分类识别结果和第二分类识别结果进行合并处理，以得到最终的分类识别结果。

上述获取第一分类识别结果和第二分类识别结果，并确定对应的分类识别结果的过程可以参见图5给出的示意图。

需要说明的是，上述根据第一神经网络模型和第二神经网络模型获取对应的第一分类识别结果和第二分类识别结果的获取过程，可以应用上述实施例中描述的根据神经网络模型获取对应的分类识别二级果的过程，在这里不再赘述。

步骤S106：确定与分类识别结果对应的分拣信息，所述分拣信息包括分配的与所述分类识别结果对应的分拣机器人信息以及机器人路径规划信息。

如前所述，在分类识别结果中包含了分拣机器人的相关信息，以及路径规划的相关信息，据此可以确定在当前的物流分拣环节下的，根据待分类信息确定用于分拣当前待处理物品对应的分拣机器人以及相关的信息，并且还包括了该分拣机器人对应的路径规划信息。

也就是说，在步骤S104中，根据当前待处理物品以及在当前物流系统中的其他待处理物品，对当前待处理物品如何进行分拣以及分拣的路径进行了规划，以将相应的信息作为分类识别结果。也就是说，在本实施例中，通过神经网络模型对待处理物品的分拣机器人分配以及对应的路径进行路径规划，相对于普通的路径规划，可以提高路径规划的准确性，从而提高整体的物流效率。

具体的，在对当前的待处理物品进行分拣机器人的确定以及对应的机器人路径规划信息进行确定的过程中，首先需要获取物流系统中的多个待处理物品对应的待分类信息，以及对应的分类识别结果，以及在当前分拣环节中的一个或多个分拣机器人的定位信息以及正在执行的分拣任务的相关信息，还包括了确定每一个分拣机器人对应的状态信息，例如，历史故障信息，当前电量信息等。然后据此按照预设的路径规划算法对每一个待处理物品进行路径规划，并且分配对应的分拣机器人，以使得在当前分拣环节中的效率最高。其中，机器人路径规划信息用于控制所述分拣机器人按照所述机器人路径规划信息中包括的路径以及速度信息执行对所述待处理物品的运输。

在另一个实施例中，分类识别信息中包括了待处理物品后续的物流路径对应的规划信息，但是没有包含当前分拣环节下的分拣机器人的分配以及对应的路径规划，可以通过多目标路径规划算法，为每一个待处理物品确定分配的分拣机器人，以及每一个分拣机器人对应的运行路径。

在一个具体的实施例中，上述多目标路径规划算法可以是多约束条件的优化算法，通过约定边界条件、分拣机器人的剩余续航时间、目标分拣位置，然后建立第一优化目标为最短时间将多个待处理物品运输至目标分拣位置，第二优化目标为分拣机器人得到最大的利用的多目标随机规划算法，然后采用模糊数学的方法以及神经网络模型，对优化目标进行模糊处理，对路径规划算法采用神经网络模型进行处理，获取输出的结果即为分拣机器人的路径规划的最优方法，以完成对分拣机器人的路径规划。

步骤S108：根据所述分拣信息确定分拣机器人，控制所述分拣机器人按照所述机器人路径规划信息将所述待处理物品分拣至与所述机器人路径规划信息对应的目标分拣位置，以完成对所述待处理物品对应的物流分拣。

在本实施例中，通过对待处理物品对应的待分类信息进行分类，以确定在当前的分拣环节中的分拣目标分拣位置，以及对后续的物流节点进行规划；并且通过对分拣机器人的分配以及分拣机器人的规划，以确定当前分拣环节需要执行的内容。具体的，控制分拣机器人按照机器人路径规划信息中的起始位置、目标分拣位置，以及对应的运行路径等相关控制信息，进行运动，以将待处理物品分拣至目标分拣位置，以完成对待处理物品的物流分拣。

在分拣机器人将待处理物品运输至对应的目标分拣位置之后，即可继续完成物流环节中与当前分拣环节对应的后续的其他物流环节。具体的，获取与该待处理物品对应的后续物流处理策略，例如分车装件、配送等，然后执行对该待处理物品对应的后续的流程，以完成对应的物流运输和管理流程。

需要说明的是，在本实施例中，在控制分拣机器人按照机器人路径规划信息将待处理物品分拣和运输至机器人路径规划信息对应的目标分拣位置的过程中，还需要对分拣机器人是否按照路径规划信息行进进行判断，以及时发现分拣机器人的运动偏差。

具体的，在分拣机器人上设置一个或多个传感器，以监测分拣机器人的运动状态，具体的，获取分拣机器人的运动信息，其中，包括了通过GPS传感器获取分拣机器人的运动为止，通过陀螺仪等获取分拣机器人的运动速度和运动方向等信息，从而可以确定分拣机器人的运动状态。

然后根据监测到的运动信息，与之前确定的机器人路径规划信息进行判断，以判断分拣机器人是否存在路线偏移。具体的，判断分拣机器人当前的运动位置是否与机器人路径规划信息匹配，从而确定是否存在路线偏移。在存在路线偏移的情况下，确定具体的偏移参数；

根据所述偏移参数以及所述机器人路径规划信息进行路径重新规划，确定更新之后的路径规划信息并对所述机器人路径规划信息对所述机器人路径规划信息进行更新；

通过更新之后的路径规划信息控制所述分拣机器人将所述待处理物品分拣至所述目标分拣位置。

进一步的，在上述判断分拣机器人是否存在路线偏移的过程中，还需要对分拣机器人的速度是否符合要求，即是否符合路径规划信息中给出的每一个运动位置的速度对应的要求进行判断。具体的，在路径规划信息中还包括了规划的路径对应的速度，以避免该分拣机器人与其他分拣机器人碰撞，以进一步提高分拣效率。

根据监测到的运动信息，与机器人路径规划信息进行判断，以判断分拣机器人的运动状态是否与运动信息中的运动位置对应的运动速度规划信息匹配，若匹配，则确定路线不存在偏移，若不匹配，则确定路线不存在偏移，并且根据前述运动信息和机器人路径规划信息生成对应的偏移参数，其中，偏移参数包括运动信息偏移参数、运动位置偏移参数等偏移参数中的至少一个。其中，根据偏移参数可以重新对分拣机器人的路径进行规划，以确定出新的路径规划信息。其中，确定新的路径规划信息的过程也需要根据当前物流分拣平台上的多个分拣机器人的相关信息，来按照路径规划算法对分拣机器人的路径进行规划，以使得分拣机器人按照重新规划的路径规划信息对待处理物品进行处理，以将待处理物品分拣至目标分拣位置。

采用了上述基于分类识别的物流分拣方法、系统之后，对于在物流分拣平台上需要进行分拣的待处理物品，通过设置在物流分拣平台上的一个或多个信息传感器，获取待处理物品的待分类信息，所述待分类信息至少包括订单信息、图像信息、历史物流信息、物品标识信息中的一个，所述信息传感器至少包括图像传感器、重量传感器、射频传感器中的一个；然后基于神经网络模型和所述待分类信息，确定与所述待处理物品对应的分类识别结果，并确定与分类识别结果对应的分拣信息，所述分拣信息包括分配的与所述分类识别结果对应的分拣机器人信息以及机器人路径规划信息；根据所述分拣信息确定分拣机器人，控制所述分拣机器人按照所述机器人路径规划信息将所述待处理物品分拣至与所述机器人路径规划信息对应的目标分拣位置，以完成对所述待处理物品对应的物流分拣。其中，确定与待处理物品对应的分类识别结果的过程，需要根据第一神经网络模型以对待分类信息进行特征提取之后获取的分类特征作为输入获取对应的第一分类识别结果，并根据第二神经网络模型直接以待分类信息作为输入获取对应的第二分类识别结果，然后综合考虑第一分类识别结果和第二分类识别结果，确定最终的分类识别结果。

也就是说，在本实施例中，在对每一件待处理物品进行物流分拣的情况下，需要通过多个物流分拣平台上的信息传感器来对待处理物品进行识别，以提高后续进行分类识别的准确性。基于神经网络模型对待处理物品进行分类，然后根据分类结果确定分拣机器人以及确定对该待处理物品进行路径规划得到的机器人路径规划信息，可以提高对待处理物品进行分类识别以及路径规划的准确性，可以提高物流分拣以及物流管理的效率。并且，在本实施例中，对待处理物品进行分类的过程中，是根据两个不同的神经网络模型来分别基于不同处理层面的分类信息来计算对应的分类识别结果，避免了单个神经网络模型训练可能存在的准确性不足的情况，可以进一步提高对待处理物品进行分类识别的准确率，进一步提高物流分拣和物流管理的效率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。