基于图片识别的智能仓储方法、系统、设备及存储介质

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种基于图片识别的智能仓储方法、 系统、设备及存储介质。

背景技术

当前汽车配件仓储管理系统对零件的识别是通过获取包含待识别零件的目标图片，然 后利用预先训练的零件识别模型对所述目标图片进行识别，以得到所述目标图片的零件信息。 但是，当前汽配整体零件的种类、尺寸、形状繁多，造成识别难度大，极大地影响了汽车配 件的识别。受此影响的传统的零配件识别系统，在识别失败后就提示异常，需要用户重新上 传图片，让用户进行二次识别操作，极大地降低了用户体验。同时在识别出零件信息后不能 智能提供配件存放仓储位置，需要用户进行输入或选择其仓储位置，增加了系统繁琐度，容 易造成配件存放位置不对造成其损坏。

因此，本发明旨在仓储管理时，如何解决由于零件种类、尺寸及形状繁多导致的识别 成功率低，进而导致图片重复上传，用户体验低的技术问题。

发明内容

有鉴于此，有必要提供一种基于图片识别的智能仓储方法、系统、计算机设备及可读存 储介质，旨在针对现有技术中在仓储管理时，如何解决由于零件种类、尺寸及形状繁多导致 的识别成功率低，进而导致图片重复上传，用户体验低的技术问题。

为实现上述目的，本发明实施例提供了一种基于图片识别的智能仓储方法，所述方法包 括：

获取待识别零件的图片，并对所述待识别零件的图片进行预处理，得到目标图像；

依次利用边缘检测算法及轮廓检测算法对所述目标图像进行处理，以获取所述待识别零 件的边框，得到所述目标图像的零件特征；

将所述零件特征分别与预先训练的零件识别模型中的多个预设零件特征进行匹配，得到 对应的多个匹配相似度；

将多个所述匹配相似度分别与预设的第一阈值进行比较，当多个所述匹配相似度均低于 所述第一阈值时，则根据预设的阈值调整策略进行阈值的调整，并根据调整后的阈值确定匹 配结果；

当存在一个或多个所述匹配结果为匹配成功时，则将与所述匹配相似度对应的零件信息 发送至用户所在的终端，以供所述用户进行确认。

可选地，所述根据预设的阈值调整策略进行阈值的调整，并根据调整后的阈值确定匹配 结果，包括：

根据所述预设的阈值调整策略调整所述第一阈值至预设的第二阈值；

将多个所述匹配相似度分别与所述第二阈值进行比较；

当存在匹配相似度大于或等于所述第二阈值时，则匹配成功；

当多个所述匹配相似度均小于所述第二阈值时，则触发对所述第二阈值的调整操作，直 至所述匹配相似度均小于预设的第三阈值退出。

可选地，所述根据预设的阈值调整策略进行阈值的调整，并根据调整后的阈值确定匹配 结果，包括：

获取多个第一实时零件特征输入至所述零件识别模型的识别数据，所述识别数据包括： 通过率和误识率；

根据多个所述第一实时零件特征的通过率和误识率对所述阈值进行调整，得到调整后的 目标阈值；

将多个所述匹配相似度分别与所述目标阈值进行比较；

当存在一个或多个所述匹配相似度大于或等于所述目标阈值时，则匹配成功；

当多个所述匹配相似度均小于所述目标阈值时，则触发对多个第二实时零件特征的识别 数据的获取操作并根据多个所述第二实时零件特征的识别数据进行阈值的调整，直至多个所 述匹配相似度均小于预设的第四阈值退出。

可选地，所述方法还包括：

当存在匹配相似度高于所述第一阈值时，则将所述零件识别模型中与所述零件特征对应 的识别库信息及对应的仓储位置信息发送至所述终端，以便所述终端显示所述识别库信息及 所述仓储位置信息。

可选地，所述方法还包括：

当所述匹配结果为匹配失败时，发送异常信息至所述终端。

可选地，所述方法还包括：

获取所述用户确认出的目标零件信息；

将与所述目标零件信息对应的目标零件特征信息添加至所述零件识别模型中，并将所述 目标零件特征信息对应的识别库信息及对应的仓储位置信息发送至所述终端，以便所述终端 显示所述识别库信息及所述仓储位置信息。

可选地，所述方法还包括：

将所述目标零件信息上传至区块链中。

为实现上述目的，本发明实施例提供了一种基于图片识别的智能仓储系统，所述方法包 括：

获取模块，用于获取待识别零件的图片，并对所述待识别零件的图片进行预处理，得到 目标图像；

处理模块，用于依次利用边缘检测算法及轮廓检测算法对所述目标图像进行处理，以获 取所述待识别零件的边框，得到所述目标图像的零件特征；

匹配模块，用于将所述零件特征分别与预先训练的零件识别模型中的多个预设零件特征 进行匹配，得到对应的多个匹配相似度；

阈值调整模块，用于将多个所述匹配相似度分别与预设的第一阈值进行比较，当多个所 述匹配相似度均低于所述第一阈值时，则根据预设的阈值调整策略进行阈值的调整，并根据 调整后的阈值确定匹配结果；

发送模块，用于当存在一个或多个所述匹配结果为匹配成功时，则将与所述匹配相似度 对应的零件信息发送至用户所在的终端，以供所述用户进行确认。

为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备存储器、处 理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理 器执行时实现如上所述的基于图片识别的智能仓储方法的步骤。

为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存 储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一 个处理器执行如上所述的基于图片识别的智能仓储方法的步骤。

本发明实施例提供的基于图片识别的智能仓储方法，通过将处理后的零件特征与预先 训练的零件识别模型进行匹配，当匹配失败后，通过阈值调整策略进行阈值的调整，然后重 新进行匹配，直至匹配成功或者当调整至最低识别模型匹配阈值时，仍然匹配失败，则返回 异常信息，再通过人工介入。本发明在匹配失败后通过调整阈值，可极大地提升识别率，避 免在一次识别失败后，用户重新拍照或者提交图片操作，极大地提升用户体验。

附图说明

图1为本发明实施例之基于图片识别的智能仓储方法的一种示例性的步骤流程图；

图2为图1步骤S400中的所述根据预设的阈值调整策略进行阈值的调整，并根据调整 后的阈值确定匹配结果的一种示例性的步骤流程图；

图3为图1步骤S400中的所述根据预设的阈值调整策略进行阈值的调整，并根据调整 后的阈值确定匹配结果的另一种示例性的步骤流程图；

图4为本发明实施例之基于图片识别的智能仓储系统的程序模块示意图；

图5为本发明实施例之计算机设备的硬件架构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本 发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用 于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结 合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保 护范围之内。

参阅图2，示出了本发明实施例之基于图片识别的智能仓储方法的步骤流程图。可以理 解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。需要说明是，本实施例以 服务器为执行主体进行示例性描述，具体包括以下步骤：

步骤S100：获取待识别零件的图片，并对所述待识别零件的图片进行预处理，得到目 标图像。

可通过用户上传或者通过摄像头拍照方式获取所述目标图片。所述待识别零件包括汽车 零配件。

在示例性的实施例中，所述对所述目标图片进行预处理，具体可以包括：将所述目标图 片进行灰化处理，得到第一中间图片；利用二值化算法对所述第一中间图片进行黑白处理， 得到第二中间图片；将所述第二中间图片进行去噪、平滑、变换处理，得到所述目标图像。 通过对所述待识别零件的图片进行预处理，可以加强所述图片的重要特征。

步骤S200：依次利用边缘检测算法及轮廓检测算法对所述目标图像进行处理，以获取 所述待识别零件的边框，得到所述目标图像的零件特征。

通过获取所述待识别零件的边框，以得到所述待识别零件的具体形状、尺寸及种类信息， 以便进行后续的特征匹配。

步骤S300：将所述零件特征分别与预先训练的零件识别模型中的多个预设零件特征进 行匹配，得到对应的多个匹配相似度。

具体地，所述将所述零件特征与分别预先训练的零件识别模型中的多个预设零件特征进 行匹配，得到匹配相似度，具体包括：将所述零件特征与所述零件识别模型中每个预设零件 特征进行相似度计算，得到所述零件特征与所述零件识别模型中每个预设零件特征的匹配相 似度。

步骤S400：将多个所述匹配相似度分别与预设的第一阈值进行比较，当多个所述匹配 相似度均低于所述第一阈值时，则根据预设的阈值调整策略进行阈值的调整，并根据调整后 的阈值确定匹配结果。

具体地，当所述零件特征与所述零件识别模型中的每个预设零件特征的匹配相似度均低 于所述第一阈值时，表示所述零件特征第一次匹配未成功，可能存在图片不清晰的情况，此 时通过调整所述第一阈值，然后根据调整后的阈值确定匹配结果，以提升识别率，同时避免 用户反复拍照或提交图片操作，为用户提供便利。例如：若所述零件特征与所述零件识别模 型中的每个预设零件特征的匹配相似度均小于第一阈值88，此时表示无符合该阈值的零件与 所述待识别零件匹配，则根据预设的阈值调整策略将所述第一阈值88调整进行一次或多次 的调整，并根据调整后的阈值确定匹配结果。

在示例性的实施例中，如图2所示，所述步骤S400中的所述根据预设的阈值调整策略 进行阈值的调整，并根据调整后的阈值确定匹配结果，可以包括步骤S201～步骤S205。

步骤S201：根据所述预设的阈值调整策略调整所述第一阈值至预设的第二阈值；

步骤S202：将多个所述匹配相似度分别与所述第二阈值进行比较，若存在匹配相似度 大于或等于所述第二阈值，则执行步骤S203，否则执行步骤S204；

步骤S203：匹配成功；

步骤S204：触发对所述第二阈值的调整操作，直至所述匹配相似度均小于预设的第三 阈值退出，匹配失败。

在一示例性的实施例中，根据阈值与通过率及误识率映射关系预设有阈值与通过率及误 识率映射关系表，在所述映射关系表中，阈值越小，通过率越高，误识率也就越高，识别结 果越不准确。例如：阈值为68时，通过率为98％，误识率为千分之一；阈值为78时，通过 率为92％，误识率为万分之一；阈值为88时，通过率为85％，误识率为十万分之一。需要说明的是，为了保证通过率和误识率，可以将阈值68设置为最小阈值。在实际应用中，所 述第三阈值可以为所述映射关系表中的最小阈值68。在匹配过程中，可能由于待识别零件图片的不清晰或者由于同一零件尺寸或形状的复杂多样，导致识别不精准，此时可通过降低阈 值，以实现零件匹配的智能纠错。所述预设的阈值调整策略可以为：按照阈值从大到小的顺 序进行调整、按照通过率从大到小的顺序进行调整和/或按照误识率从小到大的顺序进行调 整。当然，所述预设的阈值调整策略还可以是根据人为设定的阈值、通过率和/或误识率， 并根据所述阈值、通过率及误识率的映射关系进行阈值的选择，以实现阈值的调整。

具体地，在一示例性的实施例中，当将所述零件特征与预先训练的零件识别模型进行匹 配时，优先将最大阈值设置为第一阈值，当匹配相似度均低于所述最大阈值时，根据所述预 设的阈值调整策略进行阈值的调整，从而降低误识率。

需要说明的是，当所述预设的阈值调整策略为根据通过率和/或误识率进行调整时，通 过查找所述阈值与通过率及误识率的映射关系表，根据通过率和/或误识率确定需要调整的 阈值。本发明实施例中所述存在匹配相似度大于或等于所述第二阈值，表示存在一个或多个 匹配相似度大于或等于所述第二阈值。

示例性地，当所述阈值由第一阈值88调整到第二阈值78后，所述匹配相似度均小于所 述第二阈值，继续调整所述阈值至最小阈值68，若所述匹配相似度还是均小于所述最小阈值 68，则判断匹配失败。当然，在实际应用中，当所述阈值由第一阈值88调整到第二阈值78 后，存在一个或者多个匹配相似度高于所述第二阈值，均判断匹配成功。

本发明实施例通过对阈值的调整，极大地提高了后续零件识别的效率和精确度。

在示例性的实施例中，如图3所示，所述步骤S400中的所述根据预设的阈值调整策略 进行阈值的调整，并根据调整后的阈值确定匹配结果，还可以包括步骤S301～步骤S305。

步骤S301：获取多个第一实时零件特征输入至所述零件识别模型的识别数据，所述识 别数据包括：通过率和误识率；

步骤S302：根据多个所述第一实时零件的通过率和误识率对所述阈值进行调整，得到 调整后的目标阈值；

步骤S303：将多个所述匹配相似度分别与所述目标阈值进行比较，若存在一个或多个 所述匹配相似度大于或等于所述目标阈值，则执行步骤S304，否则执行步骤S305；

步骤S304：判断匹配成功；

步骤S305：触发对多个第二实时零件特征的识别数据的获取操作，并根据多个所述第 二实时零件特征的识别数据进行阈值的调整，直至多个所述匹配相似度均小于预设的第四阈 值退出，匹配失败。

本发明实施例根据实时零件数据的匹配结果自动进行阈值的调整，而无需人为进行阈值 的调整，能够极大地提高后续识别的效率和精确度。且，当所述匹配相似度均小于所述目标 阈值时，该次的匹配结果也会被纳入到下次的目标阈值调整过程，实现实时阈值的调整，从 而提高后续识别的精确度。

在示例性的实施例中，所述方法还包括：当存在匹配相似度高于所述第一阈值时，则将 与所述零件特征对应的识别库信息及对应的仓储位置信息发送至用户所在的终端，以便所述 终端显示所述识别库信息及所述仓储位置信息。

需要说明的是，本发明实施例的存在匹配相似度高于所述第一阈值，指的是当存在至少 一个所述匹配度高于所述第一阈值，也即存在一个或多个所述匹配度高于所述第一阈值。

具体地，当存在匹配相似度高于所述第一阈值时，则表示所述零件特征第一次匹配成功。 例如：当将所述零件特征与预先训练的零件识别模型进行匹配时，设置所述第一阈值为88， 若计算出的所述零件特征与所述零件识别模型中一预设零件特征的匹配相似度大于或等于 88，则匹配成功。通过将与所述零件特征对应的仓储位置信息发送至所述终端，以便所述终 端显示所述仓储位置信息，使得零件仓储更安全、更方便。例如：若所述待识别零件为易碎 品，通过将易碎品仓储位置发送至所述终端，然后所述终端显示所述仓储位置信息，极大地 提高了所述待识别零件在存放搬运过程中的安全等级，同时为用户带来便利。

步骤S500：当存在一个或多个所述匹配结果为匹配成功时，则将与所述匹配相似度对 应的零件信息发送至用户所在的终端，以供所述用户进行确认。

具体地，在对阈值调整后，可能会存在所述多个零件信息的零件特征均与所述零件特征 的匹配成功，此时需要人工进行确认，以确保匹配结果仅为所述多个零件信息其中的一个。

在示例性的实施例中，所述方法还包括：当所述匹配结果为匹配失败时，发送异常信息 至所述终端。

具体地，当确定匹配失败后，则表示所述智能仓储系统中不存在所述待识别零件或者由 于所述智能仓储系统原因，未识别出所述待识别零件，此时通过发送异常信息至所述用户终 端，以便人工介入，并根据人工介入结果执行后续操作。

在示例性的实施例中，所述方法还包括：获取所述用户确认出的目标零件信息；将与所 述目标零件信息对应的目标零件特征信息添加至所述零件识别模型中，并将所述目标零件特 征信息对应的识别库信息及对应的仓储位置信息发送至所述终端，以便所述终端显示所述识 别库信息及所述仓储位置信息。所述识别库信息指的是所述目标零件特征信息在所述零件识 别模型中对应的特征信息，仓储位置信息指的是与所述目标零件信息在仓储的存放位置。通 过将匹配后的零件特征信息添加至所述零件识别模型中，以丰富所述零件识别模型中的零件 特征种类，进而提高后续零件特征匹配效率。

在示例性的实施例中，所述方法还包括：将所述目标零件信息上传至区块链中。所述区 块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。 区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的 数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和 生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。

本发明实施例提供的基于图片识别的智能仓储方法，通过将处理后的零件特征与预先训 练的零件识别模型进行匹配，当匹配失败后，通过阈值调整策略进行阈值的调整，然后重新 进行匹配，直至匹配成功或者当调整至最低识别模型匹配阈值时，仍然匹配失败，则返回异 常信息，通过人工介入。本发明在匹配失败后通过调整阈值，可极大地提升识别率，避免在 一次识别失败后，用户重新拍照或者提交图片操作，极大地提升用户体验。

基于上述实施例提供的基于图片识别的智能仓储方法，请参阅图4，示出了本发明实施 例之基于图片识别的智能仓储系统的程序模块示意图。所述基于图片识别的智能仓储系统可 以应用于服务器中。在本实施例中，基于图片识别的智能仓储系统20可以包括或被分割成 一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器 所执行，以完成本发明，并可实现上述基于图片识别的智能仓储方法。本发明实施例所称的 程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述基于 图片识别的智能仓储系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程 序模块的功能：

获取模块401，用于获取待识别零件的图片，并对所述待识别零件的图片进行预处理， 得到目标图像。

所述获取模块401可通过用户上传或者通过摄像头拍照方式获取所述目标图片。所述待 识别零件包括汽车零配件。

在示例性的实施例中，所述对所述目标图片进行预处理，具体可以包括：将所述目标图 片进行灰化处理，得到第一中间图片；利用二值化算法对所述第一中间图片进行黑白处理， 得到第二中间图片；将所述第二中间图片进行去噪、平滑、变换处理，得到所述目标图像。 通过对所述待识别零件的图片进行预处理，可以加强所述图片的重要特征。

处理模块402，用于依次利用边缘检测算法及轮廓检测算法对所述目标图像进行处理， 以获取所述待识别零件的边框，得到所述目标图像的零件特征。

通过获取所述待识别零件的边框，以得到所述待识别零件的具体形状、尺寸及种类信息， 以便进行后续的特征匹配。

匹配模块403，用于将所述零件特征分别与预先训练的零件识别模型中的多个预设零件 特征进行匹配，得到对应的多个匹配相似度。

具体地，所述匹配模块403可以具体用于：将所述零件特征与所述零件识别模型中每个 预设零件特征进行相似度计算，得到所述零件特征与所述零件识别模型中每个预设零件特征 的匹配相似度。

阈值调整模块404，用于将多个所述匹配相似度分别与预设的第一阈值进行比较，当多 个所述匹配相似度均低于所述第一阈值时，则根据预设的阈值调整策略进行阈值的调整，并 根据调整后的阈值确定匹配结果。

具体地，当所述零件特征与所述零件识别模型中的每个预设零件特征的匹配相似度均低 于所述第一阈值时，表示所述零件特征第一次匹配未成功，可能存在图片不清晰的情况，此 时所述阈值调整模块404通过调整所述第一阈值，然后根据调整后的阈值确定匹配结果，以 提升识别率，同时避免用户反复拍照或提交图片操作，为用户提供便利。例如：若所述零件 特征与所述零件识别模型中的每个预设零件特征的匹配相似度均小于第一阈值88，此时表示 无符合该阈值的零件与所述待识别零件匹配，则所述阈值调整模块404根据预设的阈值调整 策略将所述第一阈值88调整进行一次或多次的调整，并根据调整后的阈值确定匹配结果。

在示例性的实施例中，所述阈值调整模块404可以具体包括：阈值调整单元及比较单元。

所述阈值调整单元，用于：根据所述预设的阈值调整策略调整所述第一阈值至预设的第 二阈值；

所述比较单元，用于：多个所述匹配相似度分别与所述第二阈值进行比较，若存在匹配 相似度大于或等于所述第二阈值，则匹配成功；否则触发对所述第二阈值的调整操作，直至 所述匹配相似度均小于预设的第三阈值退出，匹配失败。

在一示例性的实施例中，根据阈值与通过率及误识率映射关系预设有阈值与通过率及误 识率映射关系表，在所述映射关系表中，阈值越小，通过率越高，误识率也就越高，识别结 果越不准确。例如：阈值为68时，通过率为98％，误识率为千分之一；阈值为78时，通过 率为92％，误识率为万分之一；阈值为88时，通过率为85％，误识率为十万分之一。需要说明的是，为了保证通过率和误识率，可以将阈值68设置为最小阈值。在实际应用中，所 述第三阈值为映射关系表中的最小阈值68。在匹配过程中，可能由于待识别零件图片的不清晰或者由于同一零件尺寸或形状的复杂多样，导致识别不精准，此时可通过降低阈值，以实现零件匹配的智能纠错。所述预设的阈值调整策略可以为：按照阈值从大到小的顺序进行调 整、按照通过率从大到小的顺序进行调整和/或按照误识率从小到大的顺序进行调整。当然， 所述预设的阈值调整策略还可以是根据人为设定的阈值、通过率和/或误识率，并根据所述 阈值、通过率及误识率的映射关系进行阈值的选择，以实现阈值的调整。

具体地，在一示例性的实施例中，当将所述零件特征与预先训练的零件识别模型进行匹 配时，优先将最大阈值设置为第一阈值，当匹配相似度均低于所述最大阈值时，根据所述预 设的阈值调整策略进行阈值的调整，从而降低误识率。

需要说明的是，当所述预设的阈值调整策略为根据通过率和/或误识率进行调整时，通 过查找所述阈值与通过率及误识率的映射关系表，根据通过率和/或误识率确定需要调整的 阈值。本发明实施例中所述存在匹配相似度大于或等于所述第二阈值，表示存在一个或多个 匹配相似度大于或等于所述第二阈值。

示例性地，当所述阈值由第一阈值88调整到第二阈值78后，所述匹配相似度均小于所 述第二阈值，继续调整所述阈值至最小阈值68，若所述匹配相似度还是均小于所述最小阈值 68，则判断匹配失败。当然，在实际应用中，当所述阈值由第一阈值88调整到第二阈值78 后，存在一个或者多个匹配相似度高于所述第二阈值，均判断匹配成功。

本发明实施例通过对阈值的调整，极大地提高了后续零件识别的效率和精确度。

在示例性的实施例中，所述阈值调整模块404还可以包括获取单元。

所述获取单元，用于：获取多个第一实时零件特征输入至所述零件识别模型的识别数据， 所述识别数据包括：通过率和误识率。

所述阈值调整单元，还用于：根据多个所述第一实时零件的通过率和误识率对所述阈值 进行调整，得到调整后的目标阈值；

所述比较单元，还用于：将多个所述匹配相似度分别与所述目标阈值进行比较，若存在 一个或多个所述匹配相似度大于或等于所述目标阈值，则匹配成功；否则触发对多个第二实 时零件特征的识别数据的获取操作，并根据多个所述第二实时零件特征的识别数据进行阈值 的调整，直至多个所述匹配相似度均小于预设的第四阈值退出，匹配失败。

本发明实施例根据实时零件数据的匹配结果自动进行阈值的调整，而无需人为进行阈值 的调整，能够极大地提高后续识别的效率和精确度。且，当所述匹配相似度均小于所述目标 阈值时，该次的匹配结果也会被纳入到下次的目标阈值调整过程，实现实时阈值的调整，从 而提高后续识别的精确度。

在示例性的实施例中，所述基于图片识别的智能仓储系统20还可以包括发送单元，用 于：当存在匹配相似度高于所述第一阈值时，则将与所述零件特征对应的识别库信息及对应 的仓储位置信息发送至用户所在的终端，以便所述终端显示所述识别库信息及所述仓储位置 信息。

需要说明的是，本发明实施例的存在匹配相似度高于所述第一阈值，指的是当存在至少 一个所述匹配度高于所述第一阈值，也即存在一个或多个所述匹配度高于所述第一阈值。

具体地，当存在匹配相似度高于所述第一阈值时，则表示所述零件特征第一次匹配成功。 例如：当将所述零件特征与预先训练的零件识别模型进行匹配时，设置所述第一阈值为88， 若计算出的所述零件特征与所述零件识别模型中一预设零件特征的匹配相似度大于或等于 88，则匹配成功。通过将与所述零件特征对应的仓储位置信息发送至所述终端，然后所述终 端显示所述仓储位置信息，使得零件仓储更安全、更方便。例如：若所述待识别零件为易碎 品，通过将易碎品仓储位置发送至所述终端，然后所述终端显示所述仓储位置信息，极大地 提高了所述待识别零件在存放搬运过程中的安全等级，同时为用户带来便利。

发送模块405，用于当存在一个或多个所述匹配结果为匹配成功时，则将与所述匹配相 似度对应的零件信息发送至用户所在的终端，以供所述用户进行确认。

具体地，在对阈值调整后，可能会存在所述多个零件信息的零件特征均与所述零件特征 的匹配成功，此时需要人工进行确认，以确保匹配结果仅为所述多个零件信息其中的一个。

在示例性的实施例中，所述发送模块405还可以用于：当所述匹配结果为匹配失败时， 发送异常信息至所述终端。

具体地，当确定匹配失败后，则表示所述智能仓储系统20中不存在所述待识别零件或 者由于所述智能仓储系统20原因，未识别出所述待识别零件，此时所述发送模块405通过 发送异常信息至所述用户，以便人工介入，并根据人工介入结果执行后续操作。

在示例性的实施例中，所述获取模块401还用于：获取所述用户确认出的目标零件信息。

在示例性的实施例中，所述基于图片识别的智能仓储系统20还包括添加单元。所述添 加单元用于将与所述目标零件信息对应的目标零件特征信息添加至所述零件识别模型中；所 述发送单元用于将所述目标零件特征信息对应的识别库信息及对应的仓储位置信息发送至 所述终端，以便所述终端显示所述识别库信息及所述仓储位置信息。所述识别库信息指的是 所述目标零件特征信息在所述零件识别模型中对应的特征信息，仓储位置信息指的是与所述 目标零件信息在仓储的存放位置。通过将匹配后的零件特征信息添加至所述零件识别模型中， 以丰富所述零件识别模型中的零件特征种类，进而提高后续零件特征匹配效率。

在示例性的实施例中，所述基于图片识别的智能仓储系统20还包括上传单元，用于： 将所述目标零件信息上传至区块链中。所述区块链是分布式数据存储、点对点传输、共识机 制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的 数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交 易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层 平台、平台产品服务层以及应用服务层。

本发明实施例提供的基于图片识别的智能仓储方法，通过将处理后的零件特征与预先训 练的零件识别模型进行匹配，当匹配失败后，通过阈值调整策略进行阈值的调整，然后重新 进行匹配，直至匹配成功或者当调整至最低识别模型匹配阈值时，仍然匹配失败，则返回异 常信息，通过人工介入。本发明在匹配失败后通过调整阈值，可极大地提升识别率，避免在 一次识别失败后，用户重新拍照或者提交图片操作，极大地提升用户体验。

请参阅图5，示出了本发明实施例三之计算机设备的硬件架构示意图。计算机设备2包 括，但不仅限于，可通过系统总线相互通信连接存储器21、处理22以及网络接口23，图5仅示出了具有组件21-23的计算机设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。例如，可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服 务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。

所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、 多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可 编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21 可以是所述计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实 施例中，所述存储器也可以是所述计算机设备2的外部存储设备，例如该计算机设备2上配 备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡， 闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述计算机设备2的内部存储 单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述计算机 设备2的操作系统和各类应用软件，例如基于图片识别的智能仓储系统20的程序代码等。 此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控 制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述计算机 设备2的总体操作。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码 或者处理数据，例如运行所述基于图片识别的智能仓储系统20等。

所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所 述计算机设备2与其他电子设备之间建立通信连接。例如，所述网络接口23用于通过网络 将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输 通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通 讯系统(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线 或有线网络。

需要指出的是，图5仅示出了具有部件21-23的计算机设备2，但是应理解的是，并不 要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

本实施例还提供一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序， 计算机程序被处理器执行时实现实施例中的基于图片识别的智能仓储方法的步骤。

本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD 或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存 储器、磁盘、光盘、服务器、App应用商城等等，在另一些实施例中，计算机可读存储介质 也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡 (SmartMedia Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外 部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统 和各类应用软件，例如实施例中的基于图片识别的智能仓储方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。

显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用 的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的 网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在 存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或 描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制 作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明 书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域， 均同理包括在本发明的专利保护范围内。