CN110560372B - 一种来料预处理方法及一种机器人分拣系统 - Google Patents

Abstract

本发明公开了一种来料预处理方法，包括以下步骤：判断物料是否需要预处理；若需要，则在物料预设位置设置相应的部件，以便物料被识别或抓取。本发明首先判断物料是否需要预处理，对于不便识别或抓取的物料才需要进行预处理。预处理时，是在物料的合适位置增加合适的部件，使得物料易于识别或易于抓取。本发明没有对物料及机器人分拣系统做任何复杂改变，却能几乎适用于各种物料分拣场景及机器人分拣系统，还同时解决了物料的准确识别及易于抓取两个技术问题，具有实现方便、适用性广的特点。本发明还公开了一种机器人分拣系统。

Description

一种来料预处理方法及一种机器人分拣系统

技术领域

本发明涉及物流分拣技术领域，特别涉及一种来料预处理方法及一种机器人分拣系统。

背景技术

当前，机器人广泛应用于物流分拣领域，一般由视觉识别设备对物料进行识别，然后末端夹具(包括机械指或吸盘等)来实现物料的抓取。然而，实际应用中，物料的种类繁多，总有一些物料不便于识别或不便于抓取。比如，有些商品由于包装是透明的不易被准确识别，有些商品的形状不规则不宜被吸盘吸起，又或者商品表面材质不宜被吸盘吸起等。如何实现物料的准确识别，并且针对不同抓取环境、不同尺寸、不同物料形状均能实现高效稳定抓取，一直是行业研究的重难点。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种来料预处理方法和一种机器人分拣系统。

第一方面，本发明实施例提供一种来料预处理方法，包括以下步骤：

判断物料是否需要预处理；

若需要，则在物料预设位置设置便于物料识别或抓取的部件。

进一步的，所述判断物料是否需要预处理，包括：

将物料的图像识别结果与预先存储的图像模型进行匹配并输出匹配结果，所述预先存储的图像模型至少包括需要处理的物料模型及不需要处理的物料模型；或者，

直接接收外部输入的物料预处理判断结果。

进一步的，所述在物料预设位置设置便于物料识别或抓取的部件，包括：

在物料表面设置部件，或将物料部分或完全包覆于部件内部。

进一步的，所述在物料预设位置设置便于物料识别或抓取的部件，包括：在物料预设位置设置纸质标签、布质标签、包装袋、包装盒、绳子、钩环、粘性物质中的至少一种。

进一步的，所述判断物料是否需要预处理，还包括对物料进行分类的步骤：按预设规则将物料分为无需预处理物料、易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料；

所述在物料预设位置设置相应的便于物料识别或抓取的部件的方法还包括：对于易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料，分别在预设的位置设置相应的部件。

第二方面，基于同一发明构思，本发明实施例还提供一种机器人分拣系统，包括：控制模块及预处理模块，其中：

所述控制模块，用于判断物料是否需要预处理；若物料需要预处理时，通知预处理模块；

所述预处理模块，用于在物料预设位置设置便于物料识别或抓取的部件。

进一步的，所述控制模块包括预先存储的图像模型，所述控制模块具体用于将物料的图像识别结果与预先存储的图像模型进行匹配并输出匹配结果，所述图像模型至少包括需要处理的物料模型及不需要处理的物料模型判；或者，

所述控制模块包括指令接收单元，用于接收外部输入的物料预处理判断结果。

进一步的，所述控制模块还用于在物料需要预处理时，确定所需的相应预处理模块，包括：

当控制模块判断仅有一种预处理模块时，通知该预处理模块对物料进行预处理；或者，

当控制模块判断存在多种预处理模块时，按预设规则通知相应的一种预处理模块进行预处理。

进一步的，所述预处理模块包括贴标机、包装机、捆扎机中的至少一种。

进一步的，所述机器人分拣系统还包括视觉识别设备、抓取机器人，其中：

视觉识别设备，用于获取物料的图像识别结果，接受控制模块的控制将图像识别结果发送给预处理模块；

抓取机器人，用于在预处理模块完成预处理操作后，接受控制模块控制，实现物料的抓取。

本发明实施例提供的上述技术方案的有益效果至少包括：

为了提高物料分拣效率，本发明首先判断物料是否需要预处理，对于不便识别或抓取的物料才需要进行预处理。预处理时，主要是在物料的合适位置增加合适的部件，使得物料易于识别或易于抓取。本发明没有对物料及机器人分拣系统做任何复杂改变，却能几乎适用于各种物料分拣场景及机器人分拣系统，还同时解决了物料的准确识别及易于抓取两个技术问题，具有实现方便、适用性广的特点。

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为本发明实施例一中一种来料预处理方法的流程图；

图2为本发明实施例二中一种来料预处理方法的流程图；

图3为本发明实施例三中一种机器人分拣系统的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了解决现有技术中存在的物料分拣时存在的物料不易识别或不易抓取的问题，本发明实施例提供一种来料预处理方法。

实施例一

如图1所示，一种来料预处理方法，包括以下步骤：

S101，判断物料是否需要预处理。

具体的，为了提高物料分拣效率，对于一些外部结构规整易于识别且易于抓取的物料，比如鞋盒等，一般就直接抓取即可。而对于不好识别或不易抓取的物料，则建议进行预处理。

判断物料是否需要预处理的方法可以包括：直接接收外部输入的物料预处理判断结果，或者，将物料的图像识别结果与预先存储的图像模型进行匹配并输出匹配结果，预先存储的图像模型至少包括需要处理的物料模型及不需要处理的物料模型。

本实施例图像模型的方法可以为经验模型，也可以通过一些机器学习算法得到。机器学习的过程一般主要包括数据采集(采集部分具有典型代表性商品图像数据)、数据标注(对数据特征进行标注)、数据训练及生成模型四大步骤。深度学习是机器学习中一种基于对数据进行表征学习的方法，本发明实施例也可以先采集大量商品图像，然后利用深度学习对商品进行分类，得到对应的图像模型。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征，在本实施例中，这些特征可以为物料的平整度、反光特性、是否透光等。关于机器学习的具体算法可以参考现有文献，在此不再赘述。

将物料的图像识别结果与预先存储的图像模型进行匹配的方法可以为：从物料的图像识别结果中提取预设特征，并与预先存储的各模型中的特征进行比较，若到达预设阈值则认为该物料属于与图像模型对应的商品。当然，也可以采用其他合适的方式。

S102,若需要预处理，则在物料预设位置设置便于物料识别或抓取的部件。

若判断物料需要进行预处理，则在物料表面设置部件，或将物料部分或完全包覆于部件内部，以便物料被识别或抓取。部件可以为纸质标签、布质标签、包装袋、包装盒、绳子、钩环、粘性物质等。

具体的，比如，包装透明的商品往往难于被准确识别，可以用纸质标签遮盖在商品上，保证商品被准确识别。又比如，很多商品的使用说明书往往是套在一个未抽真空的塑料袋内，吸盘吸取时，由于塑料袋表面的塑料膜太薄会发生皱褶，无法使吸盘形成真空状态，则吸盘一般难以吸取物料。此时，可以在包装上粘贴厚度合适标签纸或布质标签，使得吸盘可以和标签纸或布质标签完全贴合，从而吸取物料。还比如，待分拣商品是床头柜，由于其包含的抽屉在分拣过程中容易掉落不便于被整体抓取，则可利用绳子将床头柜捆扎起来后，再进行物料分拣。再比如，待分拣商品为包含鞋子的鞋盒，在抓取过程中鞋子容易掉落，则可以将鞋盒整体放置于包装袋内。

为了提高物料分拣效率，本发明首先判断物料是否需要预处理，对于不便识别或抓取的物料才需要进行预处理。预处理时，主要是在物料的合适位置增加合适的部件，使得物料易于识别或易于抓取。本发明没有对物料及机器人分拣系统做任何复杂改变，却能几乎适用于各种物料分拣场景及机器人分拣系统，还同时解决了物料的准确识别及易于抓取两个技术问题，具有实现方便、适用性广的特点。

实施例二

由于物料种类广泛，如果对于所有需要处理的物料进行相同的预处理方法，一般也难于实现很好的效果。而如果每次针对不同物料都采用不同的处理方法，则物料分拣的效率较低。因此，本实施例优选对需要与处理的物料类型进行进一步划分，并采用相应的处理手段。具体的，结合图2所示，一种来料预处理方法，包括以下步骤：

S201,判断物料为不需要预处理物料，或易识别不易抓取物料，或不易识别易抓取物料，或不易识别不易抓取物料。

将物料的图像识别结果与预先存储的图像模型进行匹配并输出匹配结果，判断是否需要预处理。预先存储的图像模型包括不需要处理的物料模型,及需要处理的物料模型。需要处理的物料模型包括第一子模型、第二子模型、第三子模型，分别用于判断需要进行预处理物料的进一步类型，包括：(1)易识别不易抓取物料、(2)不易识别易抓取物料，(3)不易识别不易抓取物料。若物料为不需要预处理物料，则无需执行后续步骤，否则执行S202。

本实施例图像模型的方法可以为经验模型，也可以通过一些机器学习算法得到。机器学习的过程一般主要包括数据采集(采集部分具有典型代表性商品图像数据)、数据标注(对数据特征进行标注)、数据训练及生成模型四大步骤，很多现有文献对此进行了介绍，在此不再赘述。对于本发明实施例而言，需要理解的是，本实施例需要使用四种图像模型，分别是：

(1)不需要处理的物料模型。这个物料模型中的物料一般都有比较明显稳定的特征，视觉容易识别；有相对平整平面，机械手吸盘容易吸取。比如前文提到的盒子。

(2)第一子模型，对应易识别不易抓取物料。这个物料模型中的物料一般都有比较明显的特征易识别但是细小不易抓取，比如散乱的铅笔。

(3)第二子模型，对应不易识别易抓取物料。这个物料模型中的物料一般特征不明显，但易抓取，比如透明的塑料盒。

(4)第三子模型，对应不易识别不易抓取物料。这个物料模型中的物料一般特征不明显不易区分，表面粗糙，对于视觉识别及抓取来说挑战非常大。比如无序纯色的毛巾。

S202，对于易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料，分别在预设位置设置相应的部件。

相应的，对于易识别不易抓取物料，优选将物料装入包装盒。对于不易识别易抓取物料优选在物料表面贴标签纸，对于不易识别不易抓取物料，优选在物料表面贴标签纸。本领域技术人员可以理解的，具体在物料什么位置设置哪种部件需要根据实际情况、经验情况确定，无需穷举。

为了提高物料分拣效率，本发明首先判断物料是否需要预处理，若需要预处理，则再判断该物料属于易识别不易抓取物料，或不易识别易抓取物料，或不易识别不易抓取物料。预处理时，针对性的在物料的合适位置增加合适的部件，在实现物料易于识别或易于抓取的情况下进一步提升分拣效率。本发明没有对物料及机器人分拣系统做任何复杂改变，却能几乎适用于各种物料分拣场景及机器人分拣系统，还同时解决了物料的准确识别及易于抓取两个技术问题，具有实现方便、适用性广的特点。

实施例三

一种机器人分拣系统，如图3所示，包括控制模块12、预处理模块13、视觉识别设备11、抓取机器人14，其中：

控制模块12，用于判断物料是否需要预处理，若物料需要预处理时，通知预处理模块。控制模块12可以直接接收外部输入的物料预处理判断结果，或者将视觉识别设备11发来的物料的图像识别结果与控制模块12内预先存储的图像模型进行匹配并输出匹配结果，图像模型至少包括需要处理的物料模型及不需要处理的物料模型判。可以理解的，视觉识别设备11的基本功能为识别物料进行位置定位，引导抓取机器人抓取物料。视觉识别设备11可以为2D摄像机或3D摄像机。

预处理模块13，包括贴标机、包装机、捆扎机等，用于执行控制模块12发出的控制指令。若控制模块12判断物料无需处理，则预处理模块13无需工作，抓取机器人14直接实现物料的抓取。否则，预处理模块13在物料预设位置设置相应的部件，以便物料被识别或抓取。比如在物料表面设置部件，或将物料部分或完全包覆于部件内部。该部件可以为纸质标签、布质标签、包装袋、包装盒、绳子、钩环、粘性物质等。

抓取机器人14，在预处理模块13完成预处理操作后，控制模块12还用于控制抓取机器人14以实现物料的抓取。

在一另实施例中，控制模块12还用于在物料需要预处理时，确定所需的相应预处理模块13，包括：

当控制模块12判断仅有一种预处理模块13时，通知该预处理模块13对物料进行预处理；或者，当控制模块12判断存在多种预处理模块13时，按预设规则通知相应的一种预处理模块13进行预处理。

比如包装机的适用范围比较广，将包装机设为优选的预处理模块13，或者根据设备工作的便捷性，将贴标机作为优选的预处理模块13。又或者，由于不同的物料所需的预处理模块13不同，根据物料种类的划分选择合适的预处理模块13。

具体的，在一些实施例中，需要处理的物料模型还包括第一子模型、第二子模型、第三子模型，控制模块12还用于将物料进一步分类为易识别不易抓取物料、不宜易识别易抓取物料、不易识别不易抓取物料。

本实施例图像模型的方法可以为经验模型，也可以通过一些机器学习算法得到。机器学习的过程一般主要包括数据采集(采集部分具有典型代表性商品图像数据)、数据标注(对数据特征进行标注)、数据训练及生成模型四大步骤。深度学习是机器学习中一种基于对数据进行表征学习的方法，本发明实施例也可以先采集大量商品图像，然后利用深度学习对商品进行分类，得到对应的图像模型。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征，在本实施例中，这些特征可以为物料的平整度、反光特性、是否透光等。关于机器学习的具体算法可以参考现有文献，在此不再赘述。

将物料的图像识别结果与预先存储的图像模型进行匹配的方法可以为：从物料的图像识别结果中提取预设特征，并与预先存储的各模型中的特征进行比较，若到达预设阈值则认为该物料属于与图像模型对应的商品。当然，也可以采用其他合适的方式。

相应的，对于易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料，分别采用合适的预处理模块13在预设的位置设置相应的部件。比如若控制模块12判断物料为易识别不易抓取物料，则利用预处理模块13中的包装机将物料装入包装盒。若控制模块12判断物料为不易识别易抓取物料，则利用预处理模块13中的贴标机在物料表面贴标签纸。将物料划分为几个类型，针对不同类型的物料使用不同的预处理模块能极大提升物料分拣的效率。

关于本实施例中的机器人分拣系统的具体工作方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本实施例机器人分拣系统相比于现有机器人分拣系统而言，增加了控制模块、预处理模块，结构简单，却能几乎适用于各种物料分拣场景，还同时解决了物料的准确识别及易于抓取两个技术问题，具有实现方便、适用性广的特点。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (5)

1.一种来料预处理方法，其特征在于，包括以下步骤：

按预设规则将物料分为无需预处理物料、易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料，具体包括：将物料的图像识别结果与预先存储的图像模型进行匹配并输出匹配结果，其中，所述预先存储的图像模型至少包括易识别不易抓取物料模型、不易识别易抓取物料模型、不易识别不易抓取物料模型及无需预处理的物料模型；

在易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料的表面设置便于物料识别或抓取的部件，或将识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料的部分或完全包覆于便于物料识别或抓取的部件。

2.如权利要求1所述来料预处理方法，其特征在于，所述便于物料识别或抓取的部件包括：纸质标签、布质标签、包装袋、包装盒、绳子、钩环、粘性物质中的至少一种。

3.一种机器人分拣系统，其特征在于，包括：控制模块及预处理模块，其中：

所述控制模块，用于预先存储图像模型，所述图像模型至少包括易识别不易抓取物料模型、不易识别易抓取物料模型、不易识别不易抓取物料模型及无需预处理的物料模型；还用于按预设规则将物料分为无需预处理物料、易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料，具体包括：将物料的图像识别结果与预先存储的图像模型进行匹配并输出匹配结果；

所述预处理模块，用于根据控制模块输出的匹配结果，在易识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料的表面设置便于物料识别或抓取的部件，或将识别不易抓取物料、不易识别易抓取物料、不易识别不易抓取物料的部分或完全包覆于便于物料识别或抓取的部件。

4.如权利要求3所述的机器人分拣系统，其特征在于，所述预处理模块包括贴标机、包装机、捆扎机中的至少一种。

5.如权利要求3所述的机器人分拣系统，其特征在于，所述机器人分拣系统还包括视觉识别设备、抓取机器人，其中：

视觉识别设备，用于获取物料的图像识别结果，接受控制模块的控制将图像识别结果发送给预处理模块；

抓取机器人，用于在预处理模块完成预处理操作后，接受控制模块控制，实现物料的抓取。

Images