包裹图像处理方法、装置、计算机设备和存储介质

摘要

本申请涉及一种包裹图像处理方法、装置、计算机设备和存储介质。所述方法包括：获取包裹图像；将包裹图像输入至图像分割模型，获得包含取件编码的取件图像；将取件图像输入至文字识别模型，获得取件图像中的取件编码；将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。采用本方法能够提升包裹信息查询效率。

说明书

技术领域

本申请涉及图像处理技术领域，特别是涉及一种包裹图像处理方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，出现了电子商务(Electronic Commerce)技术，电子商务是利用计算机技术、网络技术和远程通信技术，实现整个商务(买卖)过程中的电子化、数字化和网络化。电子商务交易过程中，往往涉及到卖家将通过快递包裹的方式将商品转交至客户手中，而快递包裹达到快递驿站后，需要客户依据取件编码前往快递驿站取快递包裹。目前，快递驿站常用的派件方式是在每个派件的包裹上粘贴派件标签，然后按照派件标签上的货架号把物品分层放好，进而，再将派件标签上的取件编码发送给对应的取件客户。当客户取件的时候，根据取件编码，找到对应的货架，并依次对照货架上的每一个包裹的取件编码，取出自己的快递包裹。

然而，目前的取快递包裹的方式，客户仅有取件编码，没有更多的快递包裹信息，客户需要在众多的快递包裹中一个个对比，寻找包裹的时间比较慢。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升包裹信息查询效率的包裹图像处理方法、装置、计算机设备和存储介质。

一种包裹图像处理方法，所述方法包括：

获取包裹图像；

将所述包裹图像输入至图像分割模型，获得包含取件编码的取件图像；

将所述取件图像输入至文字识别模型，获得所述取件图像中的取件编码；

将所述取件编码作为所述取件图像的文件名，根据所述文件名将所述取件图像与对应的用户标识进行绑定。

在其中一个实施例中，所述方法还包括：

接收用户终端发送的目标用户标识；

根据所述目标用户标识查找目标取件图像；

将查找到的所述目标取件图像发送至所述用户终端。

在其中一个实施例中，所述方法还包括：

获取样本包裹图像；

确定所述样本包裹图像中的关键点，并对所述关键点进行特征标注；所述关键点是包含编码信息的点；

通过特征标注后的所述样本包裹图像训练所述图像分割模型。

在其中一个实施例中，所述方法还包括：

获取样本取件图像；

确定所述样本取件图像中的样本取件编码，并对所述样本取件编码进行特征标注；

通过特征标注后的所述样本取件图像训练所述文字识别模型。

在其中一个实施例中，所述将所述包裹图像输入至图像分割模型，获得包含取件编码的取件图像，包括：

将所述包裹图像输入至图像分割模型；

通过所述图像分割模型提取所述包裹图像的图像特征；

根据所述图像特征对所述包裹图像进行图像分割，获得包含取件编码的取件图像；其中，一个取件编码对应一张取件图像。

在其中一个实施例中，所述将所述取件图像输入至文字识别模型，获得所述取件图像中的取件编码，包括：

将所述取件图像输入至文字识别模型；

通过所述文字识别模型提取所述取件图像的文字特征；

根据所述文字特征对所述取件图像进行文字识别，获得所述取件图像中的取件编码。

在其中一个实施例中，所述根据所述文件名将所述取件图像与对应的用户标识进行绑定，包括：

获取所述取件编码与所述用户标识的映射关系表；

根据所述映射关系表，确定所述用户标识与所述文件名的对应关系；

根据所述用户标识与所述文件名的对应关系，将所述取件图像与对应的用户标识进行绑定。

一种包裹图像处理装置，所述装置包括：

获取模块，用于获取包裹图像；

分割模块，用于将所述包裹图像输入至图像分割模型，获得包含取件编码的取件图像；

识别模块，用于将所述取件图像输入至文字识别模型，获得所述取件图像中的取件编码；

绑定模块，用于将所述取件编码作为所述取件图像的文件名，根据所述文件名将所述取件图像与对应的用户标识进行绑定。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取包裹图像；

将所述包裹图像输入至图像分割模型，获得包含取件编码的取件图像；

将所述取件图像输入至文字识别模型，获得所述取件图像中的取件编码；

将所述取件编码作为所述取件图像的文件名，根据所述文件名将所述取件图像与对应的用户标识进行绑定。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取包裹图像；

将所述包裹图像输入至图像分割模型，获得包含取件编码的取件图像；

将所述取件图像输入至文字识别模型，获得所述取件图像中的取件编码；

将所述取件编码作为所述取件图像的文件名，根据所述文件名将所述取件图像与对应的用户标识进行绑定。

上述包裹图像处理方法、装置、计算机设备和存储介质，通过获取包裹图像，将包裹图像输入至图像分割模型，获得包含取件编码的取件图像，将取件图像输入至文字识别模型，获得取件图像中的取件编码，将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。这样，由于服务器中存储有用户标识与对应取件图像的绑定关系，服务器可提供快速查询包裹信息的功能。在寻找包裹时，只需要通过用户标识，即可获取到包裹对应的取件图像，进而，用户根据取件图像中的包裹信息即可快速查找到包裹。

附图说明

图1为一个实施例中包裹图像处理方法的应用场景图；

图2为一个实施例中包裹图像处理方法的流程示意图；

图3为一个实施例中包裹图像的示意图；

图4为一个实施例中取件图像的示意图；

图5为一个实施例中包裹图像处理方法的应用场景流程图；

图6为一个实施例中编码识别系统处理包裹图像的流程示意图；

图7为一个实施例中包裹图像处理装置的结构框图；

图8为另一个实施例中包裹图像处理装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的包裹图像处理方法，可以应用于如图1所示的应用环境中。该应用环境包括终端102和服务器104。终端102与服务器104通过网络进行通信。其中，终端102具体可以包括台式终端或移动终端。移动终端具体可以包括手机、平板电脑和笔记本电脑等中的至少一种。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案相关的部分场景，并不构成对本申请方案应用环境的限定。

服务器104从终端102中获取包裹图像，并将包裹图像输入至图像分割模型，获得包含取件编码的取件图像。服务器104将取件图像输入至文字识别模型，获得取件图像中的取件编码。服务器104将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。

在一个实施例中，如图2所示，提供了一种包裹图像处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

S202，获取包裹图像。

其中，包裹图像是包括至少一个包裹的图像。

具体地，快递员可将粘贴有派件标签的包裹，依次摆放至取件货架上，并将派件标签所在面朝外摆放，其中，派件标签中有对应的取件编码，取件编码是唯一标识包裹的编码。快递员可使用终端，比如手机、ipad或摄像机，对取件货架上的包裹进行拍照，得到包裹图像。终端可将包裹图像上传至服务器，服务器可获取包裹图像。

在一个实施例中，包裹图像可预先存储在第三方存储设备中，服务器可与第三方存储设备通信连接，直接从第三方存储设备中获取包裹图像。

在一个实施例中，如图3所示的包裹图像，是取件货架1的第2层所摆放的包裹的图像。该包裹图像中包括7个包裹，每一个包裹上均粘贴有对应的派件标签，每一个派件标签上包括有取件编码，比如1-2-2007，以及包括对应包裹的二维码。

S204，将包裹图像输入至图像分割模型，获得包含取件编码的取件图像。

其中，图像分割模型是用于将包裹图像分割为取件图像的模型。取件图像是每一个取件包裹对应的图像。

具体地，服务器可预先训练图像分割模型，在获取到包裹图像之后，将包裹图像输入至图像分割模型，通过图像分割模型对包裹图像进行分割，以获得包含取件编码的取件图像。

举例说明，将图3所示的包括7个包裹的包裹图像输入至图像分割模型，可获得7个取件图像，每一个取件图像均分别包含各自的取件编码。比如，如图4所示，即为包含取件编码1-2-2002的取件图像。

S206，将取件图像输入至文字识别模型，获得取件图像中的取件编码。

其中，文字识别模型是识别取件图像中的文字的模型。

具体地，服务器可预先训练文字识别模型，在获取到取件图像之后，服务器可将取件图像输入至文字识别模型，通过文字识别模型对取件图像中的文字进行识别，以获得取件图像中的取件编码。

在一个实施例中，文字识别模型具体可以是OCR(Optical CharacterRecognition，光学字符识别)文字识别模型。

S208，将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。

其中，取件图像的文件名是唯一标识取件图像的文件名称。用户标识是一种字符串，用于唯一标识用户，用户标识可包括数字、字母和特殊字符等中的至少一种。特殊字数具体可以是下划线、星号键、井号键或百分号等。

具体地，服务器从取件图像中识别出对应的取件编码后，可将对应的取件编码作为取件图像的文件名。服务器可获取取件编码与用户标识的映射关系表，进而，根据文件名和映射关系表，将取件图像与对应的用户标识进行绑定。

上述包裹图像处理方法中，通过获取包裹图像，将包裹图像输入至图像分割模型，获得包含取件编码的取件图像，将取件图像输入至文字识别模型，获得取件图像中的取件编码，将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。这样，由于服务器中存储有用户标识与对应取件图像的绑定关系，服务器可提供快速查询包裹信息的功能。在寻找包裹时，只需要通过用户标识，即可获取到包裹对应的取件图像，进而，用户根据取件图像中的包裹信息即可快速查找到包裹。

在一个实施例中，包裹图像处理方法还包括：接收用户终端发送的目标用户标识；根据目标用户标识查找目标取件图像；将查找到的目标取件图像发送至用户终端。

其中，目标用户标识是查找包裹的用户所对应的用户标识。目标取件图像是查找包裹的用户所要查找的包裹的取件图像。

具体地，取件用户可通过用户终端中的客户端应用程序或小程序，向服务器发送目标用户标识。服务器可接收用户终端发送的目标用户标识，并根据目标用户标识查找目标取件图像。服务器可将查找到的目标取件图像发送至用户终端。

可以理解，用户终端接收目标取件图像之后，取件用户可从目标取件图像中获取更多的包裹信息，比如，包裹的形状、包裹的颜色、以及包裹放置的相对位置等。进而取件用户可基于丰富的包裹信息，快速地从放置很多包裹的取件货架中找到自己的包裹。相较于传统的仅有取件编码，没有更多的快递包裹信息的情况，可有效缩短取件用户寻找包裹的时间。

上述实施例中，通过目标用户标识查找目标取件图像，将查找到的目标取件图像发送至用户终端，提升了包裹信息查询效率，也使得用户可以从目标取件图像中获取到更多的包裹信息，从而快速从放置很多包裹的取件货架上找到自己的包裹，节省了查找包裹的时间。

在一个实施例中，包裹图像处理方法还包括：获取样本包裹图像；确定样本包裹图像中的关键点，并对关键点进行特征标注；关键点是包含编码信息的点；通过特征标注后的样本包裹图像训练图像分割模型。

其中，样本包裹图像是用于训练图像分割模型的样本数据。

具体地，服务器可获取样本包裹图像，确定样本包裹图像中的关键点，并对关键点进行特征标注。其中，关键点是包含编码信息的点。服务器可将特征标注后的样本包裹图像输入至图像分割模型，得到输出的样本取件图像，进而，服务器可根据样本取件图像以及包裹图像中的关键点调整图像分割模型的模型参数，以完成对图像分割模型的训练。

在一个实施例中，样本包裹图像中的关键点具体可以包括包裹的派件标签上的二维码，以及包裹的边缘点等。

上述实施例中，通过特征标注后的样本包裹图像训练图像分割模型，使得图像分割模型具备准确分割包裹图像的能力，进一步提升包裹信息查询效率。

在一个实施例中，包裹图像处理方法还包括：获取样本取件图像；确定样本取件图像中的样本取件编码，并对样本取件编码进行特征标注；通过特征标注后的样本取件图像训练文字识别模型。

其中，样本取件图像是用于训练文字识别模型的样本数据。

具体地，服务器可获取样本取件图像，确定样本取件图像中的样本取件编码，并对样本取件编码进行特征标注。服务器可将特征标注后的样本取件图像输入至文字识别模型，得到输出的样本取件编码，进而，服务器可根据样本取件编码以及样本取件图像中的样本取件编码调整文字识别模型的模型参数，以完成对文字识别模型的训练。

上述实施例中，通过特征标注后的样本取件图像训练文字识别模型，使得文字识别模型具备准确识别取件编码的能力，进一步提升包裹信息查询效率。

在一个实施例中，步骤S202，也就是将包裹图像输入至图像分割模型，获得包含取件编码的取件图像的步骤，具体包括：将包裹图像输入至图像分割模型；通过图像分割模型提取包裹图像的图像特征；根据图像特征对包裹图像进行图像分割，获得包含取件编码的取件图像；其中，一个取件编码对应一张取件图像。

具体地，服务器可将包裹图像输入至图像分割模型。针对每一张包裹图像，包裹图像中均包含相应的图像特征，服务器可通过图像分割模型提取包裹图像的图像特征。进而，服务器可根据图像特征对包裹图像进行图像分割，获得包含取件编码的取件图像。其中，一个取件编码对应一张取件图像。

上述实施例中，通过图像分割模型提取包裹图像的图像特征，根据图像特征对包裹图像进行图像分割，进一步提升了图像分割模型的分割准确率。

在一个实施例中，步骤S206，也就是将取件图像输入至文字识别模型，获得取件图像中的取件编码的步骤，具体包括：将取件图像输入至文字识别模型；通过文字识别模型提取取件图像的文字特征；根据文字特征对取件图像进行文字识别，获得取件图像中的取件编码。

具体地，服务器可将取件图像输入至文字识别模型。针对每一张取件图像，取件图像中均包含相应的文字特征，服务器可通过文字识别模型提取取件图像的文字特征。进而，服务器可根据取件图像的文字特征对取件图像进行文字识别，获得取件图像中的取件编码。

上述实施例中，通过文字识别模型提取取件图像的文字特征，根据文字特征对取件图像进行文字识别，进一步提升了文字识别模型的识别准确率。

在一个实施例中，步骤S20中根据文件名将取件图像与对应的用户标识进行绑定的步骤，具体包括：获取取件编码与用户标识的映射关系表；根据映射关系表，确定用户标识与文件名的对应关系；根据用户标识与文件名的对应关系，将取件图像与对应的用户标识进行绑定。

具体地，针对每一个包裹，包裹对应有唯一的快递运单号，服务器可根据快递运单号和对应的用户标识生成取件编码，以及生成取件编码与用户标识的映射关系表。服务器可获取取件编码与用户标识的映射关系表，根据映射关系表，确定用户标识与文件名的对应关系。服务器可根据用户标识与文件名的对应关系，将取件图像与对应的用户标识进行绑定。

上述实施例中，通过取件编码与用户标识的映射关系表，准确确定用户标识与文件名的对应关系，提升了取件图像与对应的用户标识绑定准确率。

在一个实施例中，如图5所示，快递员可根据每个包裹的快递运单号，打印出对应的派件标签，并将派件标签粘贴在对应的包裹上。快递员可根据派件标签，将包括依次摆放在相应的取件货架上，且将派件标签朝外摆放。快递员可通过终端，比如手机，对取件货架上的包裹进行拍照，得到包裹图像，并将包裹图像上传至服务器。服务器通过编码识别系统，对包裹图像进行处理。如图6所示，服务器通过编码识别系统处理包裹图像的流程具体为：服务器可对包裹图像进行预处理，将预处理后的包裹图像输入至图像分割模型，得到包含取件编码的取件图像。进而，服务器可将取件图像输入至OCR文字识别模型，提取得到取件图像中的取件编码，并将取件编码作为取件图像的文件名。服务器可将用户标识与对应的取件图像进行绑定。由于服务中已存储用户标识与对应的取件图像的绑定关系，服务器提供了快速查询包裹信息的功能。当取件用户去包裹时，可在用户终端输入用户标识，用户终端可将用户标识发送至服务器，服务器可在本地查询与用户标识对应的取件图像，并将取件图像发送至用户终端。由于取件图像中包含丰富的包裹信息，比如包裹的形状、包裹的颜色、以及包裹放置的相对位置等，用户可快速从取件货架上找到自己的包裹，节省了找包裹的时间。

应该理解的是，虽然图2的各个步骤按照顺序依次显示，但是这些步骤并不是必然按照顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种包裹图像处理装置700，包括：获取模块701、分割模块702、识别模块703和绑定模块704，其中：

获取模块701，用于获取包裹图像。

分割模块702，用于将包裹图像输入至图像分割模型，获得包含取件编码的取件图像。

识别模块703，用于将取件图像输入至文字识别模型，获得取件图像中的取件编码。

绑定模块704，用于将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。

在一个实施例中，分割模块702还用于将包裹图像输入至图像分割模型；通过图像分割模型提取包裹图像的图像特征；根据图像特征对包裹图像进行图像分割，获得包含取件编码的取件图像；其中，一个取件编码对应一张取件图像。

在一个实施例中，识别模块703还用于将取件图像输入至文字识别模型；通过文字识别模型提取取件图像的文字特征；根据文字特征对取件图像进行文字识别，获得取件图像中的取件编码。

在一个实施例中，绑定模块704还用于获取取件编码与用户标识的映射关系表；根据映射关系表，确定用户标识与文件名的对应关系；根据用户标识与文件名的对应关系，将取件图像与对应的用户标识进行绑定。

参考图8，在一个实施例中，包裹图像处理装置700还包括：查找模块705和训练模块706，其中：

查找模块705，用于接收用户终端发送的目标用户标识；根据目标用户标识查找目标取件图像；将查找到的目标取件图像发送至用户终端。

训练模块706，用于获取样本包裹图像；确定样本包裹图像中的关键点，并对关键点进行特征标注；关键点是包含编码信息的点；通过特征标注后的样本包裹图像训练图像分割模型。

在一个实施例中，训练模块706还用于获取样本取件图像；确定样本取件图像中的样本取件编码，并对样本取件编码进行特征标注；通过特征标注后的样本取件图像训练文字识别模型。

上述包裹图像处理装置，通过获取包裹图像，将包裹图像输入至图像分割模型，获得包含取件编码的取件图像，将取件图像输入至文字识别模型，获得取件图像中的取件编码，将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。这样，由于服务器中存储有用户标识与对应取件图像的绑定关系，服务器可提供快速查询包裹信息的功能。在寻找包裹时，只需要通过用户标识，即可获取到包裹对应的取件图像，进而，用户根据取件图像中的包裹信息即可快速查找到包裹。

关于包裹图像处理装置的具体限定可以参见上文中对于包裹图像处理方法的限定，在此不再赘述。上述包裹图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是上述图1中的服务器104，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储包裹图像处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种包裹图像处理方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取包裹图像；

将包裹图像输入至图像分割模型，获得包含取件编码的取件图像；

将取件图像输入至文字识别模型，获得取件图像中的取件编码；

将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

接收用户终端发送的目标用户标识；

根据目标用户标识查找目标取件图像；

将查找到的目标取件图像发送至用户终端。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取样本包裹图像；

确定样本包裹图像中的关键点，并对关键点进行特征标注；关键点是包含编码信息的点；

通过特征标注后的样本包裹图像训练图像分割模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取样本取件图像；

确定样本取件图像中的样本取件编码，并对样本取件编码进行特征标注；

通过特征标注后的样本取件图像训练文字识别模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将包裹图像输入至图像分割模型；

通过图像分割模型提取包裹图像的图像特征；

根据图像特征对包裹图像进行图像分割，获得包含取件编码的取件图像；其中，一个取件编码对应一张取件图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将取件图像输入至文字识别模型；

通过文字识别模型提取取件图像的文字特征；

根据文字特征对取件图像进行文字识别，获得取件图像中的取件编码。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取取件编码与用户标识的映射关系表；

根据映射关系表，确定用户标识与文件名的对应关系；

根据用户标识与文件名的对应关系，将取件图像与对应的用户标识进行绑定。

在一个实施例中，提供了一种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以下步骤：

获取包裹图像；

将包裹图像输入至图像分割模型，获得包含取件编码的取件图像；

将取件图像输入至文字识别模型，获得取件图像中的取件编码；

将取件编码作为取件图像的文件名，根据文件名将取件图像与对应的用户标识进行绑定。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

接收用户终端发送的目标用户标识；

根据目标用户标识查找目标取件图像；

将查找到的目标取件图像发送至用户终端。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取样本包裹图像；

确定样本包裹图像中的关键点，并对关键点进行特征标注；关键点是包含编码信息的点；

通过特征标注后的样本包裹图像训练图像分割模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取样本取件图像；

确定样本取件图像中的样本取件编码，并对样本取件编码进行特征标注；

通过特征标注后的样本取件图像训练文字识别模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将包裹图像输入至图像分割模型；

通过图像分割模型提取包裹图像的图像特征；

根据图像特征对包裹图像进行图像分割，获得包含取件编码的取件图像；其中，一个取件编码对应一张取件图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将取件图像输入至文字识别模型；

通过文字识别模型提取取件图像的文字特征；

根据文字特征对取件图像进行文字识别，获得取件图像中的取件编码。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取取件编码与用户标识的映射关系表；

根据映射关系表，确定用户标识与文件名的对应关系；

根据用户标识与文件名的对应关系，将取件图像与对应的用户标识进行绑定。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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发明专利范围的限制。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。