对于任何入库或出库的仓储物流流程，效率和盈利能力都依赖于在最短的时间内将物品运送到正确的目的地。标签有助于实现这一点，但如果它们不能被阅读呢？在过去,“未读取”后的手动干预是不可避免的。然而，由人工智能(AI)支持的光学字符识别(OCR)提供了一种现代化的自动化解决方案。Prime Vision专门研究这项技术，其定制的文本视觉系统非常适合复杂的大批量物流。
“不读书”的解决方案在望
标签上包含大量数据，如地址、条形码、有效期、生产日期、库存单位(SKU)编号、批次代码等。根据仓库操作的不同，所有这些信息对于分拣过程都是至关重要的。
作为检查程序的一部分，标签通常在物品通过摄像头隧道时被读取，提供可操作的信息，如物品需要去哪里以及物流过程的其他关键数据。然而，期望每次都能完美阅读是不现实的。标签可能会模糊或损坏，从而导致“无法读取”。虽然这些可能只占少数，但在高容量仓库操作中，它们会很快堆积起来。
直到最近，标签不可读通常导致缓慢、昂贵的人工干预，以将物品移回正确的路径。OCR提供了一个解决方案。通过增强来自相机的图像并利用客户信息来重建和识别受损或模糊标签上的关键数据串，该技术极大地提高了读取率。此外，它可以足够快地实现全自动流程。
深度学习提高阅读率
自从20年前开始为邮政服务读取损坏的标签以来，Prime Vision已经开发了它的OCR技术。其当前的文本视觉解决方案因深度学习人工智能的创新使用而与众不同。尽管许多OCR解决方案将读取率提高到95%左右，但在现实世界的应用中，文本视觉可以将读取率提高到98%或99%。
文本视觉通过拍摄标签图像、在预处理中增强它们、然后找到需要读取的适当文本块或数据串来操作。然后，人工智能提取并评估文本，使用逻辑找到最佳结果。根据这一推理，实现了成功的读取，使得能够在不中断自动化过程的情况下采取相关动作。
为了实现这一点，必须通过深度学习来训练人工智能，以识别包含标签上相关字段或数据字符串的正确感兴趣区域。该系统使用客户标签的真实世界示例来教授，因此它专注于正确的区域。人工智能还可以将提取的信息与数据库进行交叉引用，以帮助重建。最终，OCR可以针对每个操作进行优化，确保它适用于任何自动分拣系统。