CN108230391A - 智能识别方法 - Google Patents
智能识别方法 Download PDFInfo
- Publication number
- CN108230391A CN108230391A CN201711324130.0A CN201711324130A CN108230391A CN 108230391 A CN108230391 A CN 108230391A CN 201711324130 A CN201711324130 A CN 201711324130A CN 108230391 A CN108230391 A CN 108230391A
- Authority
- CN
- China
- Prior art keywords
- image
- cargo
- virtual
- unstacker
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000004888 barrier function Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 37
- 238000012856 packing Methods 0.000 claims description 20
- 238000004806 packaging method and process Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 3
- 239000004575 stone Substances 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能识别方法,包括:摄像头获取货物的图像,并将所述图像传送到图像处理单元;图像处理单元根据所述图像识别出被拆垛的顶层、推拉货物路径的障碍物和可抓取的货物边角,所述识别方法为通过神经网络进行识别。本发明提供的一种智能识别方法,能够识别出被拆垛的顶层、推拉货物路径的障碍物和可抓取的货物边角,为增加拆垛机等自动化机械的通用性打下基础。
Description
技术领域
本发明涉及机械自动化技术领域,特别涉及一种智能识别方法。
背景技术
物流劳动中为了便于货物打包运输,通常会现将货物堆积在一起,随后对货物进行重新分配。拆垛、转垛、码垛属于工厂生产、物流运输必不可少的一个步骤,在传统工艺中,一般是依靠人工进行拆垛、转垛、码垛,这种工序既浪费人力又效率低下。由于劳动力成本的上升和市场竞争等,都要求企业必须提高生产效率,由人工转向自动化。
现在,虽然有一些设备可以实现拆垛、码垛等操作,但都局限在固定的地点和针对特定的货物进行操作,无法移动和通用性不高成为进一步提高物流效率的瓶颈,阻碍通用性这一实现的一个因素是,无法确定抓取机械臂的抓取位置。
发明内容
为解决以上问题,本发明提供一种智能识别方法。本发明提供的一种智能识别方法,包括:
摄像头获取货物的图像,并将所述图像传送到图像处理单元;
图像处理单元根据所述图像识别出被拆垛的顶层、推拉货物路径的障碍物和可抓取的货物边角,所述识别方法为通过神经网络进行识别。
优选的,
所述神经网络,其训练数据集,包括真实物品训练集;
所述真实物品训练集为通过摄像头获取的,常用货物包装的图像;
所述常用货物包装为预设的包装;
所述常用货物包装的图像包括放置在拆垛机上的图像;
所述常用货物包装的图像还包括不同光源环境下的图像。
优选的,
所述神经网络,其训练数据集,还包括虚拟物品训练集;
所述虚拟物品训练集为通过计算机3D建模得到的虚拟货物包装的图像;
所述虚拟货物包装的图像包括放置在虚拟拆垛机上的图像,所述虚拟拆垛机由计算机3D建模得到;
所述虚拟货物包装的图像包括不同光源和不同反光设置下的图像。
优选的,
所述神经网络,其训练数据集,还包括混合训练集;
所述混合训练集为通过计算机将摄像头获取的常用货物包装的图像和所述虚拟拆垛机进行组合得到;
所述虚拟拆垛机的光源环境设置与所述摄像头获取的常用货物包装的光源环境设置相同。
优选的,所述一种智能识别方法,还包括:
超声波测距仪获取货物的位置信息,设为第一位置信息;
图像处理单元根据摄像头获取的货物的图像计算货物的位置信息,设为第二位置信息;
当所述第一位置信息和所述第二位置信息的差别超过预设的警戒值时,图像处理单元将所识别到的图像标识为可疑图像。
优选的,
所述真实物品训练集,其标记方法包括:
通过机械臂试抓的结果进行标记。
本发明的一些有益效果可以包括:
本发明提供的一种智能识别方法,能够识别出被拆垛的顶层、推拉货物路径的障碍物和可抓取的货物边角,为增加拆垛机等自动化机械的通用性打下基础。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种智能识别方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1为本发明实施例中一种智能识别方法的流程图。如图1所示,包括:
本发明提供的一种智能识别方法,包括:
步骤S101、摄像头获取货物的图像,并将所述图像传送到图像处理单元;
步骤S102、图像处理单元根据所述图像识别出被拆垛的顶层、推拉货物路径的障碍物和可抓取的货物边角,所述识别方法为通过神经网络进行识别。
由于货物的外包装的大小和形状常常不同,因此难以通过固定的程序设计来得到可抓取的货物边角的位置,因此限制了拆垛自动化的程度,而本发明利用神经网络的通用性,可以实现多种货物的可抓取的边角的识别,同时也能识别出被拆垛的顶层和判断推拉货物路径的障碍物,从而可以确定抓取机械臂的抓取位置,为增加拆垛机等自动化机械的通用性打下基础。
为了训练神经网络,使之能够在不同的光线环境下准确的识别出被拆垛的顶层和可抓取的货物边角,需要使神经网络在不同的光线环境下进行训练,在本发明的一个实施例中,
所述神经网络,其训练数据集,包括真实物品训练集;
所述真实物品训练集为通过摄像头获取的,常用货物包装的图像;
所述常用货物包装为预设的包装;
所述常用货物包装的图像包括放置在拆垛机上的图像;
所述常用货物包装的图像还包括不同光源环境下的图像。
由于完全进行真实的样本试验有成本高、时间长的缺点,为了解决这一缺点,通过计算机生成虚拟货物和虚拟拆垛机,从而能够快速增加神经网络的训练样本集,在本发明的一个实施例中,
所述神经网络,其训练数据集,还包括虚拟物品训练集;
所述虚拟物品训练集为通过计算机3D建模得到的虚拟货物包装的图像;
所述虚拟货物包装的图像包括放置在虚拟拆垛机上的图像,所述虚拟拆垛机由计算机3D建模得到;
所述虚拟货物包装的图像包括不同光源和不同反光设置下的图像。
为了进一步增加训练样本集的大小,并不严重影响训练样本集的准确性,在真实物品训练集和虚拟物品训练集的基础上,该训练数据集还包括混合训练集。具体的,在本发明的一个实施例中,
所述神经网络,其训练数据集,还包括混合训练集;
所述混合训练集为通过计算机将摄像头获取的常用货物包装的图像和所述虚拟拆垛机进行组合得到;
所述虚拟拆垛机的光源环境设置与所述摄像头获取的常用货物包装的光源环境设置相同。
在一些特殊情况下,如因为某些破损或失误而出现镜面反射的情况,仅仅通过摄像头来确定的货物的位置可能是被反射的虚像的位置,为了解决这一问题,引入非光学的测量手段,在本发明的一个实施例中,所述一种智能识别方法,还包括:
超声波测距仪获取货物的位置信息,设为第一位置信息;
图像处理单元根据摄像头获取的货物的图像计算货物的位置信息,设为第二位置信息;
当所述第一位置信息和所述第二位置信息的差别超过预设的警戒值时,图像处理单元将所识别到的图像标识为可疑图像。
为了避免人工标记过于简单,还可以通过试验的结果来自动标记,得到训练数据集,在本发明的一个实施例中,
所述真实物品训练集,其标记方法包括:
人工标记,和
通过机械臂试抓的结果进行标记。
本发明提供的一种智能识别方法,能够识别出被拆垛的顶层、推拉货物路径的障碍物和可抓取的货物边角,为增加拆垛机等自动化机械的通用性打下基础。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种智能识别方法,包括:
摄像头获取货物的图像,并将所述图像传送到图像处理单元;
图像处理单元根据所述图像识别出被拆垛的顶层、推拉货物路径的障碍物和可抓取的货物边角,所述识别方法为通过神经网络进行识别。
2.如权利要求1所述的方法,其特征在于,
所述神经网络,其训练数据集,包括真实物品训练集;
所述真实物品训练集为通过摄像头获取的,常用货物包装的图像;
所述常用货物包装为预设的包装;
所述常用货物包装的图像包括放置在拆垛机上的图像;
所述常用货物包装的图像还包括不同光源环境下的图像。
3.如权利要求1所述的方法,其特征在于,
所述神经网络,其训练数据集,还包括虚拟物品训练集;
所述虚拟物品训练集为通过计算机3D建模得到的虚拟货物包装的图像;
所述虚拟货物包装的图像包括放置在虚拟拆垛机上的图像,所述虚拟拆垛机由计算机3D建模得到;
所述虚拟货物包装的图像包括不同光源和不同反光设置下的图像。
4.如权利要求3所述的方法,其特征在于,
所述神经网络,其训练数据集,还包括混合训练集;
所述混合训练集为通过计算机将摄像头获取的常用货物包装的图像和所述虚拟拆垛机进行组合得到;
所述虚拟拆垛机的光源环境设置与所述摄像头获取的常用货物包装的光源环境设置相同。
5.如权利要求1所述的方法,其特征在于,还包括:
超声波测距仪获取货物的位置信息,设为第一位置信息;
图像处理单元根据摄像头获取的货物的图像计算货物的位置信息,设为第二位置信息;
当所述第一位置信息和所述第二位置信息的差别超过预设的警戒值时,图像处理单元将所识别到的图像标识为可疑图像。
6.如权利要求2所述的方法,其特征在于,
所述真实物品训练集,其标记方法包括:
通过机械臂试抓的结果进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711324130.0A CN108230391A (zh) | 2017-12-13 | 2017-12-13 | 智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711324130.0A CN108230391A (zh) | 2017-12-13 | 2017-12-13 | 智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230391A true CN108230391A (zh) | 2018-06-29 |
Family
ID=62652076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711324130.0A Pending CN108230391A (zh) | 2017-12-13 | 2017-12-13 | 智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230391A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109353778A (zh) * | 2018-11-06 | 2019-02-19 | 深圳蓝胖子机器人有限公司 | 缓存和进给方法、装置和计算机可读储存介质 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN112978392A (zh) * | 2019-12-13 | 2021-06-18 | 上海佳万智能科技有限公司 | 一种纸板垛拆解方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006119605A1 (en) * | 2005-05-11 | 2006-11-16 | Optosecurity Inc. | Method and system for screening cargo containers |
CN106469288A (zh) * | 2015-08-12 | 2017-03-01 | 中兴通讯股份有限公司 | 一种提示方法及终端 |
CN106874914A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 |
-
2017
- 2017-12-13 CN CN201711324130.0A patent/CN108230391A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006119605A1 (en) * | 2005-05-11 | 2006-11-16 | Optosecurity Inc. | Method and system for screening cargo containers |
CN106469288A (zh) * | 2015-08-12 | 2017-03-01 | 中兴通讯股份有限公司 | 一种提示方法及终端 |
CN106874914A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109353778A (zh) * | 2018-11-06 | 2019-02-19 | 深圳蓝胖子机器人有限公司 | 缓存和进给方法、装置和计算机可读储存介质 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109615611B (zh) * | 2018-11-19 | 2023-06-27 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN112978392A (zh) * | 2019-12-13 | 2021-06-18 | 上海佳万智能科技有限公司 | 一种纸板垛拆解方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11276194B2 (en) | Learning dataset creation method and device | |
CN109870983B (zh) | 处理托盘堆垛图像的方法、装置及用于仓储拣货的系统 | |
CN108230391A (zh) | 智能识别方法 | |
CN106552772A (zh) | 视觉识别系统和使用所述视觉识别系统的分类分拣系统 | |
WO2020134102A1 (zh) | 物品识别方法、装置、售货系统和存储介质 | |
US11089175B2 (en) | Systems and methods for identifying and transferring sheets | |
JP5780083B2 (ja) | 検品装置、検品システム、検品方法及びプログラム | |
CN109522963A (zh) | 一种单机运行的特征建筑目标检测方法和系统 | |
WO2023124734A1 (zh) | 物体抓取点估计、模型训练及数据生成方法、装置及系统 | |
Rodriguez-Garavito et al. | 3D object pose estimation for robotic packing applications | |
Rieder et al. | Robot-human-learning for robotic picking processes | |
Thamer et al. | 3D-computer vision for automation of logistic processes | |
CN115205654A (zh) | 一种新型基于关键点约束的单目视觉3d目标检测方法 | |
Poss et al. | Perceptionbased intelligent materialhandling in industrial logistics environments | |
JP2017210302A (ja) | 積載手順決定装置、および積載手順決定プログラム | |
Upadhyay et al. | Real-time deep learning–based image processing for pose estimation and object localization in autonomous robot applications | |
Thamer et al. | A 3d-robot vision system for automatic unloading of containers | |
US20240173855A1 (en) | Method for Generating Training Data for a Machine Learning (ML) Model | |
Hasan et al. | 2D geometric object shapes detection and classification | |
KR102553304B1 (ko) | 딥러닝 비전 학습 기반 물류 검수 서버 및 그 동작 방법 | |
JP7434986B2 (ja) | 物品判別システム | |
US11951636B1 (en) | Methods of collecting data through test interactions | |
Jezierski et al. | Human–robot cooperation in sorting of randomly distributed objects | |
US20230241771A1 (en) | Object placement | |
US20230169324A1 (en) | Use synthetic dataset to train robotic depalletizing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240419 |