基于数据处理的物流转运机器人运行状态检测方法

摘要

本发明涉及数据处理技术领域，具体涉及基于数据处理的物流转运机器人运行状态检测方法。该方法包括：获取货物的图像数据进行处理得到每个表面灰度图像的标签存在可能性，标签存在可能性最大的表面灰度图为标签图像；获得标签图像中每个疑似标签区域的形态指标和灰度指标；利用每个疑似标签区域的形态指标和灰度指标筛选出标签区域；标签区域中灰度值小于等于灰度偏差值的像素点的数量与模板标签区域中所有像素点的数量的比值为标签区域的信息完整度；基于标签区域的信息完整度判断物流转运机器人的运行是否异常。本发明能够避免标签因为损坏形状不规则而直接判定标签不能识别的情况，提高转运机器人的工作效率。

权利要求

1.一种基于数据处理的物流转运机器人运行状态检测方法，其特征在于，该方法包括：

获取货物每个表面的表面图像并灰度化得到表面灰度图；设定灰度偏差值，分别获得每个表面灰度图中灰度值大于最大灰度级与灰度偏差值的差值的像素点，记为第一像素点，灰度值小于等于灰度偏差值的像素点，记为第二像素点；基于一个表面灰度图中第二像素点的数量，每个第二像素点与各第一像素点的距离的最小值，以及所述距离的最小值为第一预设值的第二像素点的数量获得标签存在可能性；标签存在可能性最大的表面灰度图为标签图像；

基于标签图像中第一像素点组成的多个连通域的面积进行筛选得到疑似标签区域；对每个疑似标签区域做凸包处理得到多个凸包多边形；选择凸包多边形中任意两条边分别为第一条边和第二条边，分别获得与第一条边和第二条边长度差值最小的边分别为第一对应边和第二对应边；利用第一条边与第一对应边长度的差值、与标签图像下边缘夹角的差值，以及第二条边与第二对应边长度的差值、与标签图像下边缘夹角的差值获得疑似标签区域的形态指标；

将疑似标签区域中各像素点作为中心点，计算中心点与邻域内各像素点的最大灰度差；统计最大灰度差大于最大灰度级与灰度偏差值的差值的中心点的数量，所述中心点的数量与疑似标签区域中像素点数量的比值为灰度指标；利用每个疑似标签区域的形态指标和灰度指标筛选出标签区域；标签区域中灰度值小于等于灰度偏差值的像素点的数量与模板标签区域中所有像素点的数量的比值为标签区域的信息完整度；基于标签区域的信息完整度判断物流转运机器人的运行状态是否异常；

所述标签存在可能性为：

其中， 表示标签存在可能性； 表示表面灰度图中第二像素点的数量； 表示表面灰度图中所述距离的最小值为第一预设值的第二像素点的数量，第一预设值为1； 表示第j个第二像素点与各第一像素点之间的距离的最小值；e表示自然常数。

2.根据权利要求1所述的一种基于数据处理的物流转运机器人运行状态检测方法，其特征在于，所述最大灰度级为255。

3.根据权利要求1所述的一种基于数据处理的物流转运机器人运行状态检测方法，其特征在于，所述基于标签图像中第一像素点组成的多个连通域的面积进行筛选得到疑似标签区域，包括：设定面积阈值，其中连通域面积大于面积阈值的连通域为疑似标签区域。

4.根据权利要求1所述的一种基于数据处理的物流转运机器人运行状态检测方法，其特征在于，所述疑似标签区域的形态指标为：

其中，C表示疑似标签区域的形态指标；表示第一条边与表面灰度图下边缘的夹角，和第一对应边与表面灰度图下边缘的夹角的差值； 表示第二条边与表面灰度图下边缘的夹角，和第二对应边与表面灰度图下边缘的夹角的差值； 表示第一条边与第一对应边长度的差值； 表示第二条边与第二对应边长度的差值；e表示自然常数。

5.根据权利要求1所述的一种基于数据处理的物流转运机器人运行状态检测方法，其特征在于，所述利用每个疑似标签区域的形态指标和灰度指标筛选出标签区域，包括：每个疑似标签区域的形态指标与灰度指标的乘积为每个疑似标签区域的综合判定指标；综合判定指标最大的疑似标签区域为标签区域。

6.根据权利要求1所述的一种基于数据处理的物流转运机器人运行状态检测方法，其特征在于，所述模板标签区域为完整未损坏的标签区域。

7.根据权利要求1所述的一种基于数据处理的物流转运机器人运行状态检测方法，其特征在于，所述基于标签区域的信息完整度判断物流转运机器人的运行状态是否异常，包括：设定信息识别阈值，若标签区域的信息完整度小于等于信息识别阈值，物流转运机器人不能识别标签信息，物流转运机器人运行状态异常；若标签区域的信息完整度大于信息识别阈值，物流转运机器人进一步对标签进行识别。

说明书

基于数据处理的物流转运机器人运行状态检测方法

技术领域

[0001] 本发明涉及数据处理技术领域，具体涉及基于数据处理的物流转运机器人运行状态检测方法。

背景技术

[0002] 随着物流行业需求的增长以及相关技术的发展，转运机器人不断的应用于物流行业。机器人物流转运主要通过识别货物的信息自动规划转运方式与行驶路线，货物的信息存在于货物标签中，但是在实际中可能存在货物标签受损，导致机器人无法识别到货物信息，从而影响机器人的正常转运，即导致物流转运机器人的工作出现异常，所以在机器人在转运货物时，需要识别货物标签中的信息然后将其转运到对应的位置。

[0003] 现有的物流转运机器人通常分为两类，一类是不需要识别货物信息只进行定点转运；另外一种是需要识别货物标签上的信息自动规划路线，将货物转运到期对应的位置，其中标签上包括文字信息和条码信息，都需要被识别，在识别的过程中，由于要识别文字信息会先基于边缘检测或者直线检测识别出一个包围框，然后在包围框中对标签上文字和条码信息进行识别，例如CN110070090B一种基于手写文字识别的物流标签信息检测方法及系统，在对文字信息进行识别时需要对提取到的标签图像进行裁剪，去除标签信息区域图像边缘背景，得到一个用于识别的规则的区域。如果标签由于破损、褶皱、折角和边缘扭曲等导致标签的形状不规则，标签边缘的不规则会导致在利用常规的边缘检测或者直线检测不能识别出规则的包围框，就会将标签判定为不能识别，这样会导致漏检的情况出现，从而降低物流转运机器人的工作效率，但实际上可能标签的损坏对标签上所包含的信息并没有很大的影响，不影响信息的正常识别。

发明内容

[0004] 为了解决上述技术问题，本发明的目的在于提供基于数据处理的物流转运机器人运行状态检测方法，所采用的技术方案具体如下：

[0005] 本发明一个实施例提供了基于数据处理的物流转运机器人运行状态检测方法：

[0006] 获取货物每个表面的表面图像并灰度化得到表面灰度图；设定灰度偏差值，分别获得每个表面灰度图中灰度值大于最大灰度级与灰度偏差值的差值的像素点，记为第一像素点，灰度值小于等于灰度偏差值的像素点，记为第二像素点；基于一个表面灰度图中第二像素点的数量，每个第二像素点与各第一像素点的距离的最小值，以及所述距离的最小值为第一预设值的第二像素点的数量获得标签存在可能性；标签存在可能性最大的表面灰度图为标签图像；

[0007] 基于标签图像中第一像素点组成的多个连通域的面积进行筛选得到疑似标签区域；对每个疑似标签区域做凸包处理得到多个凸包多边形；选择凸包多边形中任意两条边分别为第一条边和第二条边，分别获得与第一条边和第二条边长度差值最小的边分别为第一对应边和第二对应边；利用第一条边与第一对应边长度的差值、与标签图像下边缘夹角的差值，以及第二条边与第二对应边长度的差值、与标签图像下边缘夹角的差值获得疑似标签区域的形态指标；

[0008] 将疑似标签区域中各像素点作为中心点，计算中心点与邻域内各像素点的最大灰度差；统计最大灰度差大于最大灰度级与灰度偏差值的差值的中心点的数量，所述中心点的数量与疑似标签区域中像素点数量的比值为灰度指标；利用每个疑似标签区域的形态指标和灰度指标筛选出标签区域；标签区域中灰度值小于等于灰度偏差值的像素点的数量与模板标签区域中所有像素点的数量的比值为标签区域的信息完整度；基于标签区域的信息完整度判断物流转运机器人的运行状态是否异常。

[0009] 优选地，最大灰度级为255。

[0010] 优选地，标签存在可能性为：

[0011]

[0012] 其中， 表示标签存在可能性； 表示表面灰度图中第二像素点的数量； 表示表面灰度图中所述距离的最小值为第一预设值的第二像素点的数量，第一预设值为1； 表示第j个第二像素点与各第一像素点之间的距离的最小值；e表示自然常数。

[0013] 优选地，基于标签图像中第一像素点组成的多个连通域的面积进行筛选得到疑似标签区域，包括：设定面积阈值，其中连通域面积大于面积阈值的连通域为疑似标签区域。

[0014] 优选地，疑似标签区域的形态指标为：

[0015]

[0016] 其中，C表示疑似标签区域的形态指标； 表示第一条边与表面灰度图下边缘的夹角，和第一对应边与表面灰度图下边缘的夹角的差值； 表示第二条边与表面灰度图下边缘的夹角，和第二对应边与表面灰度图下边缘的夹角的差值； 表示第一条边与第一对应边长度的差值； 表示第二条边与第二对应边长度的差值；e表示自然常数。

[0017] 优选地，利用每个疑似标签区域的形态指标和灰度指标筛选出标签区域，包括：每个疑似标签区域的形态指标与灰度指标的乘积为每个疑似标签区域的综合判定指标；综合判定指标最大的疑似标签区域为标签区域。

[0018] 优选地，模板标签区域为完整未损坏的标签区域。

[0019] 优选地，基于标签区域的信息完整度判断物流转运机器人的工作是否异常，包括：设定信息识别阈值，若标签区域的信息完整度小于等于信息识别阈值，物流转运机器人不能识别标签信息，物流转运机器人运行状态异常；若标签区域的信息完整度大于信息识别阈值，物流转运机器人进一步对标签进行识别。

[0020] 本发明实施例至少具有如下有益效果：本发明通过对运转机器人对拍摄的货物的每个表面的表面图像灰度化得到每个表面的表面灰度图，通过对表面灰度图中的像素点的灰度信息和不同像素点之间的距离信息进行分析获得包含标签的标签图像，能够方便转运机器人对货物上标签的识别；同时，本发明能够对标签图像中的疑似标签连通域的形状和像素点灰度值分析筛选得到标签区域，依据对标签区域中近黑色的像素点的数量分析获得标签区域的信息完整度，一些由于标签损坏严重导致的信息完整度很低的标签是不能够被识别的，同时更重要的是避免了一些标签虽然被损坏，但是损坏的程度很小没有影响到信息完整度却被漏检的情况，能够提高物流转运机器人的工作效率，准确的判断出标签是否能够识别，保障了物流运转机器人的正常工作。

附图说明

[0021] 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和优点，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的介绍，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它附图。

[0022] 图1为本发明实施例提供的基于数据处理的物流转运机器人运行状态检测方法的方法流程图。

具体实施方式

[0023] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于数据处理的物流转运机器人运行状态检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

[0024] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0025] 下面结合附图具体的说明本发明所提供的基于数据处理的物流转运机器人运行状态检测方法的具体方案。

[0026] 实施例：

[0027] 本发明的主要应用场景为：物流转运机器人在转运过程中，需要对货物的标签进行识别，然后生成物流转运机器人的工作指令。一般货物的信息都存储于货物的标签信息中，包括条码信息和文字信息，由于标签可能遭到损坏，导致机器人识别标签时出现漏检的情况，但实际上标签上的信息损坏并不严重，是可以识别的。另外需要说明的是本发明不考虑货物上包装上的logo和喷码等的影响，只关注于标签本身，且本发明场景中的货物是一批一批的货物，同一批货物上标签上的内容基本相同。

[0028] 请参阅图1，其示出了本发明实施例提供的基于数据处理的物流转运机器人运行状态检测方法的方法流程图，该方法包括以下步骤：

[0029] 步骤S1，获取货物每个表面的表面图像并灰度化得到表面灰度图；设定灰度偏差值，分别获得每个表面灰度图中灰度值大于最大灰度级与灰度偏差值的差值的像素点，记为第一像素点，灰度值小于等于灰度偏差值的像素点，记为第二像素点；基于一个表面灰度图中第二像素点的数量，每个第二像素点与各第一像素点的距离的最小值，以及所述距离的最小值为第一预设值的第二像素点的数量获得标签存在可能性；标签存在可能性最大的表面灰度图为标签图像。

[0030] 首先，用于物流转运的机器人的工作原理为所有机器人由统一的控制器进行控制，控制器对机器人下达指令，机器人根据指令运行，将货物搬运到指定位置，机器人的运行基本实现自动化，即在机器人可以通过相机辅助机械手臂进行货物的自动抓取，同时根据自身的位置规划行驶路线，最后到达目的地点，自动卸下货物，完成一次物流转运；对于实际的物流转运，由于货物的多次转运可能导致货物表面的标签遭到破坏，影响标签的识别，从而使得机器人无法执行转运工作，导致机器人的运行状态异常。所以本发明通过机器人自带的相机拍摄获得货物每个表面的表面图像，然后首先需要从一个货物的多个表面图像中找到包含标签的表面图像。

[0031] 进一步的，在标签识别中，主要根据标签表面的颜色和货物包裹表面颜色的差异，以及标签中的特征信息。首先对于标签的颜色的差异，标签表面都是白色的背景中印有黑色的信息，所以根据标签的白色的背景进行识别。

[0032] 对货物每个表面的表面图像灰度化得到表面灰度图，优选地，本实施例采用加权平均法进行灰度化。标签中背景区域的灰度值最高，根据背景区域中像素点的灰度值的浮动范围去设定一个灰度偏差值 ，优选地，本实施例中 ，在实施者实际操作过程中，可以根据具体的背景区域中像素点的灰度值的浮动范围去调整灰度偏差值的取值。在表面灰度中寻找灰度值大于 的像素点，记为第一像素点，其中255表示最大灰度级，第一像素点可能表示标签中的背景区域中的像素点；同时由于标签还存在印刷上去的黑色的文字和条码信息，所以获得灰度表面图中灰度值小于等于灰度偏差值 的像素点，记为第二像素点，第二像素点可能表示的是标签中的印刷信息的区域。

[0033] 另外，在标签中背景区域和印刷信息的区域是交叉重合在一起的，所以还需要对第一像素点和第二像素点之间的位置关系进行分析判断表面灰度图中是否存在标签。获得一个第二像素点与各第一像素点之间的距离，其中距离的最小值记为 ，表示第j个 表示第j个第二像素点与第一像素点之间的距离的最小值，因为标签中背景区域和印刷信息的区域是交叉重合在一起的，所以 的值应该是很小的，由此可以得到货物每个表面对应的表面灰度图的标签存在可能性：

[0034]

[0035] 其中， 表示标签存在可能性； 表示表面灰度图中第二像素点的数量； 表示表面灰度图中统计的第二像素点与第一像素点之间的距离的最小值为第一预设值的第二像素点的数量，其中第一预设值为1，距离的最小值为1说明第一像素点与第二像素点相邻，越大说明第一像素点和第二像素点位置交叉重合的程度越大，即表示表面灰度图中存在标签的可能性越大； 表示第j个第二像素点与第一像素点之间的距离的最小值，表示所有第二像素点与第一像素点之间的距离的最小值的平均值，标签中背景区域和印刷信息的区域像素点之间的距离都是很小的，所以该值越小说明该表面灰度图中存在标签的可能性越大；e表示自然常数， 是为了使得 的值在0到1的范围内。

[0036] 最后，设定阈值T，基于经验设置阈值T的取值为0.93，若一个表面灰度图的标签存在可能性大于阈值T，则该表面灰度图中存在标签，需要说明的是阈值T的取值需要实施者根据实际情况进行设定，另外因为对于一个货物来说只会有一个表面有标签，所以也可以说是标签存在可能性最大的表面灰度图中存在标签，设置阈值T的目的是为了方便机器人能够实时的对一个表面进行判断，当判断获取一个表面的表面灰度图中没有标签，也即是表面灰度图的标签存在可能性小于等于阈值T，机器人会利用机械臂将货物进行翻转判断其他表面中是否有标签；至此可以获得一个货物的包含标签的表面灰度图，记为标签图像；获得包含标签的标签图像，能够方便转运机器人对货物上标签的识别。

[0037] 步骤S2，基于标签图像中第一像素点组成的多个连通域的面积进行筛选得到疑似标签区域；对每个疑似标签区域做凸包处理得到多个凸包多边形；选择凸包多边形中任意两条边分别为第一条边和第二条边，分别获得与第一条边和第二条边长度差值最小的边分别为第一对应边和第二对应边；利用第一条边与第一对应边长度的差值、与标签图像下边缘夹角的差值，以及第二条边与第二对应边长度的差值、与标签图像下边缘夹角的差值获得疑似标签区域的形态指标。

[0038] 在步骤S1中获得了包含标签的标签图像，进一步的需要在标签图像中获得标签区域，主要利用标签的背景区域的特征进行分割获得标签区域。对于标签的分割主要根据标签背景的连通性，因为在标签中背景区域是一个互相连通的区域，即背景区域为一个连通域。所以获得标签图像中第一像素点组成的多个连通域，并计算每个连通域的面积 ， 表示第t个连通域的面积，其中每个连通域的面积为连通域的像素点的数量。又因为标签的背景区域具有一定的大小，由实施者根据具体的实施场景设定面积阈值SY，其中连通域面积大于面积阈值的连通域可能为标签背景区域，此时标签背景区域即代表标签区域，所以连通域面积大于面积阈值的连通域为疑似标签区域。

[0039] 还需要对疑似标签区域进一步分析筛选出标签区域，为了筛选出标签区域，需要获得每个疑似标签区域的形状特征，也可以说是形态特征；对所有的疑似标签区域中的像素点做凸包处理，每个疑似标签区域得到一个凸包多边形，需要说明的是凸包处理为现有技术，在此对处理过程不再进行详细叙述。每个疑似标签区域的凸包多边形包含整个疑似标签区域，反映的是疑似标签区域的形状。

[0040] 在实际应用中，整个标签的形状为固定的矩形，所以需要根据标签的形状进一步分析获得标签区域。在物流转运过程中，可能存在标签粘贴不牢靠，或者包裹之间互相摩擦挤压，导致标签破损或者折角等破坏标签的矩形形状特征，所以在进行标签区域识别时，需要考虑标签形状的差异性；在获得的凸包多边形中，进行直线检测，对于同一个凸包多边形中检测到的直线分别表示为 ， ， 表示一个凸包多边形的第i条边，此时所检测到的直线为凸包多边形的外部轮廓，如果标签没被破坏，所获的直线为一个矩形的四条边，但是在标签破损或者边缘扭曲时，会破坏矩形的边缘，即所检测的直线不能构成一个矩形，此时需要根据实际的凸包多边形的边，判断凸包多边形趋近于矩形的程度。

[0041] 对于凸包多边形的直线的长度进行分析，直线的长度分别表示为 ，按照直线长度从大到小排列，选择凸包多边形中任意两条边分别为第一条边 和第二条边 ，分别获得与第一条边和第二条边长度差值最小的边分别为第一对应边 和第二对应边 ；需要说明的是，其中在获得第一条边 后，获得第一对应边 时是在除第一条边外其他多个边中获取的，选择第二条边 时是在除第一条边和第一对应边外其他多个边中选择的，获得第二对应边 时是在除第一条边、第一对应边和第二条边外其他多个边中获得的。

[0042] 第一条边 与第一对应边 长度的差值为 ，第一条边 与标签图像下边缘的夹角，和第一对应边 与标签图像下边缘的夹角的差值为 ；第二条边 和第二对应边 长度的差值为 ，第二条边 与标签图像下边缘的夹角，和第一对应边 与标签图像下边缘的夹角的差值为 ，由此可以计算出疑似标签区域的形态指标：

[0043]

[0044] 其中，C表示疑似标签区域的形态指标； 表示第一条边与表面灰度图下边缘的夹角，和第一对应边与表面灰度图下边缘的夹角的差值； 表示第二条边与表面灰度图下边缘的夹角，和第二对应边与表面灰度图下边缘的夹角的差值； 表示第一条边与第一对应边长度的差值； 表示第二条边与第二对应边长度的差值；e表示自然常数。反映是第一边长和第一对应边长、第二边长和第二对应边长两对边长在方向上的统一性，即反映第一边长和第一对应边长、第二边长和第二对应边长两对边长分别平行的程度，越小，反映第一边长和第一对应边长、第二边长和第二对应边长两对边长互相平行的程度越大，该凸包多边形与矩形形状就越相似； 反映的是两对边长长度的统一性， 越小说明两对边长的各自的长度差异越小，该凸包多边形与矩形形状就越相似；综合进行分析获得了疑似标签区域趋近于矩形的程度。通过疑似标签区域的凸包多边形计算的疑似标签区域的形态指标越大，说明该疑似标签区域越可能是标签区域。

[0045] 步骤S3，将疑似标签区域中各像素点作为中心点，计算中心点与邻域内各像素点的最大灰度差；统计最大灰度差大于最大灰度级与灰度偏差值的差值的中心点的数量，所述中心点的数量与疑似标签区域中像素点数量的比值为灰度指标；利用每个疑似标签区域的形态指标和灰度指标筛选出标签区域；标签区域中灰度值小于等于灰度偏差值的像素点的数量与模板标签区域中所有像素点的数量的比值为标签区域的信息完整度；基于标签区域的信息完整度判断物流转运机器人的运行状态是否异常。

[0046] 在步骤S2中，基于疑似标签区域的形态进行了分析，作为判断疑似标签区域是否为标签的一个判断指标，进一步的还需要根据标签上文字信息、条码信息和背景区域的分布进一步的进行分析，也即是根据其像素点的灰度变化情况进行分析来判断疑似标签区域是否为标签区域。

[0047] 具体的，将一个疑似标签区域中的每个像素点作为中心点，获得中心点与其邻域内像素点的灰度值的差值的最大值，记为最大灰度差，统计最大灰度差大于最大灰度级与灰度偏差值的差值 的中心点的数量记为 ，表示第t个疑似标签区域中统计的最大灰度差大于最大灰度级与灰度偏差值的差值的中心点的数量，优选地，在本实施例中选取中心点8邻域内的像素点计算灰度差。标签区域中，文字信息和条码信息组成的印刷信息的区域，与背景区域内像素点的灰度值有较大的差异，此时筛选出高灰度差的像素点，这些筛选出的像素点可能表示印刷信息的区域与背景区域相邻的像素点，也可以被当作两个区域边界处的像素点，这样的像素点越多说明疑似标签区域中，背景区域和印刷的信息区域交叉程度越大，也即是疑似标签区域中出现黑色和白色交叉的程度越大。由此可以获得每个疑似标签区域的灰度指标：

[0048]

[0049] 其中， 表示第t个疑似标签区域的灰度指标； 表示第t个疑似标签区域中统计的最大灰度差大于最大灰度级与灰度偏差值的差值 的中心点的数量； 表示第t个疑似标签区域像素点的数量； 反映了第t个疑似标签区域中最大灰度差大于最大灰度级与灰度偏差值的差值 的中心点所占的比例，该比例越大则第t个疑似标签区域为标签区域的可能性越大。

[0050] 此时，对于判断一个疑似标签区域是否为标签区域，需要综合考虑疑似标签区域的形状和疑似标签区域中像素点灰度差的特点，即需要同时考虑步骤S2中计算出的形态指标和步骤S3中计算出的灰度指标，因为这两个特征是在标签区域中共同存在的，所以进一步的获得疑似标签区域的综合判定指标：

[0051]

[0052] 其中， 表示第t个疑似标签区域的综合判定指标， 表示第t个疑似标签区域的形态指标， 表示第t个疑似标签区域的灰度指标，疑似标签区域形状越接近于矩形，且最大灰度差大于 的中心点的数量越多，越可能是标签区域，因此也即是 的值越大时，第t个疑似标签区域越可能是标签区域，所以获得综合判定指标最大的疑似标签区域作为标签区域。

[0053] 在获得了标签区域后，还需要计算标签区域中信息的完整度，看是否标签区域中信息缺失的多少，也即是需要判断标签的破损或者折角对标签有用信息的影响；统计标签区域中近黑色像素点的数量，即灰度值小于等于灰度偏差值 的像素点的数量 ，这部分像素点为标签区域中包含信息的像素点，由于此时还并未到达识别标签中具体内容的一步，所以利用近黑色的像素点的数量来代表标签区域中有用信息的含量，同一物流的标签大小应该是相同的，标签面积相同，在拍摄条件相同的情况下在图像中显示的面积应该也是相同的，将未损坏的标签区域称为模板标签区域，统计模板标签区域中像素点的数量 ，相同大小的标签，不管是否印刷信息，如果没有损坏，其标签区域中像素点的数量都应该是相同的。

[0054] 进一步的分析，假设标签区域中者折角或者破损区域的像素点的数量为 ，其中有用信息的所占比例为 ，另外同一批货物上标签中近黑色像素点的数量基本一致，获得标签未损坏的货物上的标签中近黑色像素点的数量 ，则标签区域的信息完整度可以表示为：

[0055]

[0056] 其中， 越大说明信息丢失的越多，表示折角和破损中有用信息的比例越多，又等于 所以标签区域的信息完整度为：

[0057]

[0058] 其中， 表示灰度值小于等于灰度偏差值 的像素点的数量，也即是标签区域中有用信息的含量， 表示模板标签区域中像素点的数量，不同大小的标签 的取值不同，表示信息完整度， 越大表示标签区域中有用信息的含量越大， 越小表示有用信息丢失程度越严重。该式子能够反映标签区域中有用信息的丢失的程度。

[0059] 进一步的设置信息识别阈值XS，其中信息识别阈值需要实施者根据货物的具体情况进行设定，需要说明的是不同批的货物信息识别阈值的取值可能是不相同的，这是要根据货物自身的信息进行决定的。

[0060] 若标签区域的信息完整度小于等于信息识别阈值，此时转运机器人就不能识别标签的信息，运行状态就会发生异常，直接将此标签判定为异常标签，此时需要对此货物的标签做进一步的处理，例如重贴，当标签区域的信息完整度大于信息识别阈值，转运机器人识别可以进一步识别标签信息，与已知的有用信息模板作对比，如果缺少有用信息则表示当前标签信息不完整，如果标签信息不完整也需要工作人员对标签进行检查或者重贴。需要说明的是，有用信息模板同一批货物是一样的，基于那些没有损坏的标签获得。如果标签的拥有信息完整，物流转运机器人对标签识别后自动规划路线，将货物转运到相应的位置，此时标签机器人能够正常运行。同时，可以防止由于标签损坏，在利用边缘检测或者直线检测的时候对标签检测时直接将标签判定为不可识别的标签问题，避免了一部分标签的漏检。

[0061] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0062] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

[0063] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。