[发明专利]一种分拣方法、装置、设备和存储介质

权利要求书

1.一种分拣方法，其特征在于，包括：

获取目标图像，并通过图像识别模型获取所述目标图像中目标物品的类型信息、位置信息和轮廓信息；所述位置信息包括中心点坐标和至少一个识别标识点坐标；

根据所述中心点坐标和至少一个所述识别标识点坐标，确定所述目标物品的倾斜角度；

根据所述目标物品的所述类型信息、所述位置信息、所述轮廓信息和所述倾斜角度，控制分拣设备对所述目标物品进行分拣。

2.根据权利要求1所述的方法，其特征在于，所述识别标识点坐标包括商标中心点坐标、名称中心点坐标、条形码中心点坐标和商标注册标记中心点坐标中的至少一个。

3.根据权利要求1或2所述的方法，其特征在于，根据所述中心点坐标和至少一个所述识别标识点坐标，确定所述目标物品的倾斜角度，包括：

根据所述中心点坐标到至少一个所述识别标识点坐标的有向线段，确定所述目标物品的倾斜角度。

4.根据权利要求3所述的方法，其特征在于，若所述位置信息包括多个识别标识点坐标，则在获取目标图像，并通过图像识别模型获取所述目标图像中目标物品的类型信息、位置信息和轮廓信息后，还包括：

根据各所述识别标点坐标的优先级，确定优先级最高的识别标识点坐标；

相应的，根据所述中心点坐标到至少一个所述识别标识点坐标的有向线段，确定所述目标物品的倾斜角度，包括：

根据所述中心点坐标到所述优先级最高的识别标识点坐标的有向线段，确定所述目标物品的倾斜角度。

5.根据权利要求4所述的方法，其特征在于，若所述优先级最高的识别标识点坐标为条形码中心点坐标，则控制分拣设备对所述目标物品进行分拣，包括：

控制分拣设备将所述目标物品翻转180度。

6.根据权利要求1所述的方法，其特征在于，所述图像识别模型包括深度卷积神经网络模型。

7.根据权利要求6所述的方法，其特征在于，在获取目标图像前，还包括：

获取训练样本，并对深度卷积神经网络模型进行训练，以获取训练后的所述深度卷积神经网络模型；

通过测试样本，对训练后的所述深度卷积神经网络模型进行图像识别测试，并获取所述深度卷积神经网络模型输出结果的可靠性；

判断所述可靠性是否大于等于第一预设阈值；

若所述可靠性大于等于所述第一预设阈值，则将训练后的所述深度卷积神经网络模型作为图像识别模型；

若所述可靠性小于所述第一预设阈值，则对所述深度卷积神经网络模型继续进行训练，直至训练后的所述深度卷积神经网络模型对所述测试样本输出结果的可靠性大于等于所述第一预设阈值为止。

8.一种分拣装置，其特征在于，包括：

图形识别执行模块，用于获取目标图像，并通过图像识别模型获取所述目标图像中目标物品的类型信息、位置信息和轮廓信息；所述位置信息包括中心点坐标和至少一个识别标识点坐标；

倾斜角度获取模块，用于根据所述中心点坐标和至少一个所述识别标识点坐标，确定所述目标物品的倾斜角度；

分拣执行模块，用于根据所述目标物品的所述类型信息、所述位置信息、所述轮廓信息和所述倾斜角度，控制分拣设备对所述目标物品进行分拣。

9.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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权利要求1-7中任一所述的分拣方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的分拣方法。