CN110751211A - 一种基于深度学习和机器视觉的包裹分类输送系统 - Google Patents

一种基于深度学习和机器视觉的包裹分类输送系统 Download PDF

Info

Publication number
CN110751211A
CN110751211A CN201910999267.9A CN201910999267A CN110751211A CN 110751211 A CN110751211 A CN 110751211A CN 201910999267 A CN201910999267 A CN 201910999267A CN 110751211 A CN110751211 A CN 110751211A
Authority
CN
China
Prior art keywords
conveying
parcel
type
package
machine vision
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
Application number
CN201910999267.9A
Other languages
English (en)
Inventor
奚之贵
杨其华
应刘巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
China University of Metrology
Original Assignee
China University of Metrology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Metrology filed Critical China University of Metrology
Priority to CN201910999267.9A priority Critical patent/CN110751211A/zh
Publication of CN110751211A publication Critical patent/CN110751211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Sorting Of Articles (AREA)

Abstract

本发明公开了一种基于深度学习和机器视觉的包裹分类输送系统，主要包括包裹图像数据集、深度学习部分、机器视觉部分、机械分类输送部分、分类输送控制部分；首先通过采集物流运输线上主要类型的包裹图像来建立包裹图像数据集；其次将包裹图像数据集传输给深度学习部分进行训练学习；然后将训练学习结果与机器视觉部分相整合，来判断当前的包裹类型；最终机器视觉部分依据当前包裹的类型来发送相应指令给分类输送控制部分，分类输送控制部分根据指令控制机械分类输送部分执行相应动作，从而实现包裹的分类输送。本发明将深度学习技术与机器视觉技术相结合，提高了物流运输线上包裹分类输送自动化程度。

Description

一种基于深度学习和机器视觉的包裹分类输送系统
技术领域
本发明属于智慧物流领域，涉及到模式识别、人工智能、机器视觉等技术，特别涉及一种基于深度学习和机器视觉的包裹分类输送系统。
背景技术
随着我国物流行业的快速发展，我国的物流包裹年总量逐年上升，而如何快速有效地进行物流包裹运输越来越成为物流企业值得思考的问题。包裹分类输送则是物流运输线上重要的一个环节，由于物流输送线上包裹类型多、数量大，这样也就对包裹分类输送提出了更高的要求，目前物流输送线上的包裹分类输送主要是依靠工人对包裹按照包裹类型进行手动分类输送的，这种分类输送方式处理能力是有限的，尤其自动化程度低、效率不高、成本较大，越来越不能适应物流行业快速发展的要求。为了有效地解决这一问题，本发明提出了一种基于深度学习和机器视觉的包裹分类输送系统，不仅可以自动提取各种类型包裹的图像特征，实现包裹类型的识别，而且可以根据包裹类型进行分类输送。
发明内容
本发明针对现有物流输送线上包裹分类输送技术的不足，提出一种基于深度学习和机器视觉的包裹分类输送系统。
本发明的一种基于深度学习和机器视觉的包裹分类输送系统，包括：
包裹图像数据集，用于深度学习部分训练学习；
深度学习部分，输出可与机器视觉部分结合的用于判断包裹类型的网络模型；
机器视觉部分，采集当前待分类的包裹图像，结合深度学习部分输出的网络模型，判断当前待分类的包裹类型，并向分类输送控制部分发送指令；
分类输送控制部分，根据机器视觉部分发送的指令对机械分类输送部分进行控制，执行分类输送；
机械分类输送部分，用于将包裹按类型不同进行分类输送。
一种基于深度学习和机器视觉的包裹分类输送系统工作流程：首先通过采集物流运输线上主要类型的包裹图像来建立包裹图像数据集；其次将包裹图像数据集传输给深度学习部分进行训练学习；然后将训练学习结果与机器视觉部分相整合，来判断当前的包裹类型；最终机器视觉部分依据包裹的类型来发送相应指令给分类输送控制部分，分类输送控制部分根据指令控制机械分类输送部分执行相应动作，从而实现包裹的分类输送。
进一步的，所述的包裹图像数据集是通过以下方式得到：首先采用LabelImg工具对收集到的不同类型、不同环境下包裹图像进行标注；其次将标注结果进行汇总，从而得到包裹图像数据集。
进一步的，所述的机械分类输送部分包括包裹输送装置、包裹类型一输送装置、包裹类型二输送装置、包裹类型三输送装置、可转向滚轮台；包裹输送装置布置于可转向滚轮台前；可转向滚轮台布置于包裹输送装置后；包裹类型一输送装置布置于可转向滚轮台的正后方；包裹类型二输送装置布置于可转向滚轮台左后方，且与包裹输送装置输送方向成45°夹角；包裹类型三输送装置布置于可转向滚轮台右后方，且与包裹输送装置输送方向成45°夹角；
进一步的，所述的包裹输送装置、包裹类型一输送装置、包裹类型二输送装置、包裹类型三输送装置它们的核心部件均是电动辊筒。
进一步的，所述的可转向滚轮台主要由多个可转向的滚轮组成；
进一步的，所述的包裹分类输送主要过程如下：
1)对于类型一包裹：可转向滚轮台的多个滚轮同时滚动，且保持多个滚轮的转向和包裹类型一输送装置输送方向一致，从而对类型一包裹进行输送；
2)对于类型二包裹：可转向滚轮台的多个滚轮同时滚动，且保持多个滚轮的转向和包裹类型二输送装置输送方向一致，从而对类型二包裹进行输送；
3)对于类型三包裹：可转向滚轮台的多个滚轮同时滚动，且保持多个滚轮的转向和包裹类型三输送装置输送方向一致，从而对类型三包裹进行输送。
进一步的，所述的深度学习部分基于Tensorflow平台(Python≥3.0)，采用Faster-RCNN网络模型实现。
进一步的，所述的机器视觉部分包括龙门架、工业相机、接近开关、光源；龙门架固定于包裹输送装置上方，龙门架顶部设置有采集当前包裹图像的工业相机、提供照明的光源；用于检测待分类输送包裹到达指定位置且触发工业相机的接近开关设于包裹输送装置两侧。
进一步的，所述的分类输送控制部分包括计算机PC、单片机MCU、控制器；首先通过计算机PC将包裹类型结果输送于单片机MCU；其次单片机MCU与可转向滚轮台的控制器进行控制通讯；最后控制器控制可转向滚轮台的滚轮转向，从而改变包裹的运输方向，实现包裹的分类输送。
本发明的可实现的功能有：
1、本系统采用的是深度学习算法进行的包裹类型识别，随着包裹图像数据集的增大、训练学习批次的增多，包裹类型的识别准确率越高；
2、可实时采集待分类输送的包裹图像，传输给包裹类型识别网络模型，针对当前待分类输送的包裹图像输出识别结果，识别结果自动传输到分类输送控制部分，进而控制机械分类输送部分实现分类输送，整个过程自动程度高。
附图说明
图1是机械分类输送部分结构俯视示意图；
图2是包裹分类输送系统结构示意图；
图3是类型一纸盒(zhihe)的包裹图像样本示意图；
图4是类型二软包(ruanbao)的包裹图像样本示意图；
图5是类型三蛇皮袋(shepidai)的包裹图像样本示意图；
图6是包裹图像标注过程样本示意图；
图7是输送类型一包裹时可转向滚轮台滚轮转向状态俯视图；
图8是输送类型二包裹时可转向滚轮台滚轮转向状态俯视图；
图9是输送类型三包裹时可转向滚轮台滚轮转向状态俯视图；
图10是Faster-RCNN网络模型架构图；
图11是包裹类型识别模型验证类型一结果示意图；
图12是包裹类型识别模型验证类型二结果示意图；
图13是包裹类型识别模型验证类型三结果示意图。
具体实施措施
以下结合实施例和附图详细叙述本发明的具体实施方式。
本发明系统的一种结构示意图如附图2所示，主要包括包裹图像数据集、机械分类输送部分、深度学习部分、机器视觉部分、分类输送控制部分五个部分。基于深度学习和机器视觉的包裹分类输送系统工作流程：首先通过采集物流运输线上主要类型的包裹图像来建立包裹图像数据集；其次将包裹图像数据集传输给深度学习部分进行训练学习；然后将训练学习结果与机器视觉部分相整合，来判断当前的包裹类型；最终机器视觉部分依据包裹的类型来发送相应指令给分类输送控制部分，分类输送控制部分根据指令控制机械分类输送部分中的可转向滚轮台的滚轮转向，从而改变包裹的运输方向，实现包裹的分类输送。整个系统是一个开环的智能控制系统。
所述的包裹图像数据集的不同类型、不同环境下包裹图像样本示意图如附图3-5所示，三种包裹类型分别命名为纸盒(zhihe)、软包(ruanbao)、蛇皮袋(shepidai)，利用标注工具LabelImg工具对收集到的包裹图像进行标注，输出XML文件，所有被标注图像输出的XML文件构建成包裹图像数据集，包裹图像标注过程样本示意图如附图6所示；XML文件主要包含图像名称、图像尺寸、标注的包裹类型及标注框的左上角与右下角坐标等信息。
所述的机械分类输送部分主要包括包裹输送装置1、包裹类型一输送装置2、包裹类型二输送装置3、包裹类型三输送装置4、可转向滚轮台5，共五个装置；如附图1所示，包裹输送装置1布置于可转向滚轮台5前；可转向滚轮台5布置于包裹输送装置1后；包裹类型一输送装置2布置于可转向滚轮台5的正后方；包裹类型二输送装置3布置于可转向滚轮台5左后方，且与包裹输送装置1输送方向成45°夹角；包裹类型三输送装置4布置于可转向滚轮台5右后方，且与包裹输送装置1输送方向成45°夹角。
所述的包裹输送装置1、包裹类型一输送装置2、包裹类型二输送装置3、包裹类型三输送装置4分别用于输送待分类输送待分类包裹、类型一的包裹、类型二的包裹、类型三的包裹；包裹输送装置1、包裹类型一输送装置2、包裹类型二输送装置3、包裹类型三输送装置4均由多个可转动的电动辊筒6平行布置于型材两侧构成。
所述的可转向滚轮台5主要由多个可转向的滚轮13组成；
所述的包裹分类输送主要过程如下：
1)对于类型一包裹：可转向滚轮台5的多个滚轮13同时滚动，且保持多个滚轮13的转向和包裹类型一输送装置2输送方向一致，此时滚轮转向状态俯视图如附图7所示，从而对类型一包裹进行输送；
2)对于类型二包裹：可转向滚轮台5的多个滚轮13同时滚动，且保持多个滚轮13的转向和包裹类型二输送装置3输送方向一致，此时滚轮转向状态俯视图如附图8所示，从而对类型二包裹进行输送；
3)对于类型三包裹：可转向滚轮台5的多个滚轮13同时滚动，且保持多个滚轮13的转向和包裹类型三输送装置4输送方向一致，此时滚轮转向状态俯视图如附图9所示，从而对类型三包裹进行输送。
所述的深度学习部分基于Tensorflow平台(Python≥3.0)，采用Faster-RCNN网络模型，Faster-RCNN网络模型架构图如附图10所示。
对于Faster-RCNN网络模型，具体工作步骤如下:
1)VGG-16卷积神经网络对包裹的图像数据集提取图像特征，输出不同类型包裹的图像特征图；图像特征图输入到RPN网络，RPN网络分类层采用soft max函数获得检测目标和图像背景；RPN网络回归层获得目标候选区域；
2)ROI Pooling网络根据目标候选区域和图像特征图，判别目标候选区域内包裹类型，并输出包裹精确位置；
3)VGG-16卷积神经网络对包裹的图像数据集提取图像特征，输出不同类型包裹的图像特征图；图像特征图输入到RPN网络，RPN网络分类层采用soft max函数获得检测目标和图像背景；RPN网络回归层获得目标候选区域；
4)ROI Pooling网络根据目标候选区域和图像特征图，判别目标候选区域内包裹类型，并输出包裹精确位置。
对于深度学习，具体实施步骤如下：
1)将包裹图像数据集中的XML文件数量按7:3的比例划分为训练集和测试集；其中训练集用于模型训练，测试集用于结果验证；
2)本训练采用Faster-RCNN网络模型进行训练学习，其中设置训练次数(numbers)为3000；学习率(learning rate)设置为0.002，而其衰减因子(decay factor)设置为0.1。训练过程中的最小批(mini-batch)设置为32。
迭代训练3000次，结束训练学习，输出包裹类型识别模型和训练评价参数。本次模型训练评价参数如附表1所示，包裹类型识别模型验证样本示意图如附图11-13所示。
表1迭代训练3000次结果
Figure BDA0002240761160000051
其中平均准确率越高、总损失越小则训练结果越好。
所述的机器视觉部分包括龙门架7、工业相机8、接近开关9、光源10；龙门架7固定于包裹输送装置1上方，龙门架7顶部设置有采集当前包裹图像的工业相机8、提供照明的光源10，用于检测待分类输送包裹到达指定位置且触发工业相机8的接近开关9设于包裹输送装置1两侧。
所述的分类输送控制部分包括计算机PC11、单片机MCU12、控制器14；首先通过计算机PC11将包裹类型结果输送于单片机MCU12；其次单片机MCU12与可转向滚轮台5的控制器14进行控制通讯；最后控制器14控制可转向滚轮台5的滚轮13转向，从而改变包裹的运输方向，实现包裹的分类输送。该部分利用电气元件对机械分类输送部分中的可转向滚轮台5的滚轮13转动的方向进行控制，可以采用PLC作为控制器14。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (9)

1.一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，包括：
包裹图像数据集，用于深度学习部分训练学习；
深度学习部分，输出可与机器视觉部分结合的用于判断包裹类型的网络模型；
机器视觉部分，采集当前待分类的包裹图像，结合深度学习部分输出的网络模型，判断当前待分类的包裹类型，并向分类输送控制部分发送指令；
分类输送控制部分，根据机器视觉部分发送的指令对机械分类输送部分进行控制，执行分类输送；
机械分类输送部分，用于将包裹按类型不同进行分类输送。
一种基于深度学习和机器视觉的包裹分类输送系统工作流程：首先通过采集物流运输线上主要类型的包裹图像来建立包裹图像数据集；其次将包裹图像数据集传输给深度学习部分进行训练学习；然后将训练学习结果与机器视觉部分相整合，来判断当前的包裹类型；最终机器视觉部分依据当前包裹的类型来发送相应指令给分类输送控制部分，分类输送控制部分根据指令控制机械分类输送部分执行相应动作，从而实现包裹的分类输送。
2.根据权利要求1所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的包裹图像数据集是通过以下方式得到：首先采用LabelImg工具对收集到的不同类型、不同环境下包裹图像进行标注；其次将标注结果进行汇总，从而得到包裹图像数据集。
3.根据权利要求1所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的机械分类输送部分包括包裹输送装置(1)、包裹类型一输送装置(2)、包裹类型二输送装置(3)、包裹类型三输送装置(4)、可转向滚轮台(5)；包裹输送装置(1)布置于可转向滚轮台(5)前；可转向滚轮台(5)布置于包裹输送装置(1)后；包裹类型一输送装置(2)布置于可转向滚轮台(5)的正后方；包裹类型二输送装置(3)布置于可转向滚轮台(5)左后方，且与包裹输送装置(1)输送方向成45°夹角；包裹类型三输送装置(4)布置于可转向滚轮台(5)右后方，且与包裹输送装置(1)输送方向成45°夹角。
4.根据权利要求3所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的包裹输送装置(1)、包裹类型一输送装置(2)、包裹类型二输送装置(3)、包裹类型三输送装置(4)，它们的核心部件均是电动辊筒(6)。
5.根据权利要求3所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的可转向滚轮台(5)主要由多个可转向的滚轮(13)组成。
6.根据权利要求1所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的包裹分类输送主要过程如下：
1)对于类型一包裹：可转向滚轮台(5)的多个滚轮(13)同时滚动，且保持多个滚轮(13)的转向和包裹类型一输送装置(2)输送方向一致，从而对类型一包裹进行输送；
2)对于类型二包裹：可转向滚轮台(5)的多个滚轮(13)同时滚动，且保持多个滚轮(13)的转向和包裹类型二输送装置(3)输送方向一致，从而对类型二包裹进行输送；
3)对于类型三包裹：可转向滚轮台(5)的多个滚轮(13)同时滚动，且保持多个滚轮(13)的转向和包裹类型三输送装置(4)输送方向一致，从而对类型三包裹进行输送。
7.根据权利要求1所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的深度学习部分基于Tensorflow平台，采用Faster-RCNN网络模型实现。
8.根据权利要求1所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的机器视觉部分包括龙门架(7)、工业相机(8)、接近开关(9)、光源(10)；龙门架(7)固定于包裹输送装置(1)上方，龙门架(7)顶部设置有采集当前包裹图像的工业相机(8)和提供照明的光源(10)；其中接近开关(9)的功能是检测待分类输送包裹到达指定位置同时触发工业相机(8)进行拍照，其安装于包裹输送装置(1)两侧。
9.根据权利要求1所述的一种基于深度学习和机器视觉的包裹分类输送系统，其特征在于，所述的分类输送控制部分包括计算机PC(11)、单片机MCU(12)、控制器(14)；首先通过计算机PC(11)将包裹类型结果输送于单片机MCU(12)；其次单片机MCU(12)与可转向滚轮台(5)的控制器(14)进行控制通讯；最后控制器(14)控制可转向滚轮台(5)的滚轮(13)转向，从而改变包裹的运输方向，实现包裹的分类输送。
CN201910999267.9A 2019-10-21 2019-10-21 一种基于深度学习和机器视觉的包裹分类输送系统 Pending CN110751211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910999267.9A CN110751211A (zh) 2019-10-21 2019-10-21 一种基于深度学习和机器视觉的包裹分类输送系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910999267.9A CN110751211A (zh) 2019-10-21 2019-10-21 一种基于深度学习和机器视觉的包裹分类输送系统

Publications (1)

Publication Number Publication Date
CN110751211A true CN110751211A (zh) 2020-02-04

Family

ID=69279048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910999267.9A Pending CN110751211A (zh) 2019-10-21 2019-10-21 一种基于深度学习和机器视觉的包裹分类输送系统

Country Status (1)

Country Link
CN (1) CN110751211A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128502A (zh) * 2021-04-22 2021-07-16 杭州电子科技大学 基于深度学习和机器视觉的单件分离系统、方法及其装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128502A (zh) * 2021-04-22 2021-07-16 杭州电子科技大学 基于深度学习和机器视觉的单件分离系统、方法及其装置

Similar Documents

Publication Publication Date Title
DE102019130046B4 (de) Robotersytem mit verbessertem Abtastmechanismus
CN107617573B (zh) 一种基于多任务深度学习的物流编码识别和分拣方法
CN111144322A (zh) 一种分拣方法、装置、设备和存储介质
CN205650478U (zh) 交换机外观检测设备及系统
CN113139559B (zh) 一种目标检测模型的训练方法、数据的标注方法和装置
CN112079154B (zh) 基于视觉定位的纸塑复合袋差速纠偏方法及系统
CN106672345B (zh) 一种工业机器人自动分拣的方法及系统
CN110633738B (zh) 一种用于工业零件图像的快速分类方法
CN111266304A (zh) 一种煤块识别检测分选系统
Wang et al. Research on image recognition of insulators based on YOLO algorithm
CN106845894A (zh) 一种快递包裹分拣方法及其装置
CN113877836B (zh) 一种基于视觉检测系统的智能识别分拣系统
CN109034694B (zh) 基于智能制造的生产原料智能存储方法及系统
CN113127666A (zh) 一种连续帧数据的标注系统、方法和装置
CN110415238A (zh) 基于反向瓶颈结构深度卷积网络的膜片瑕点检测方法
CN111438064B (zh) 一种图书自动分拣机
CN111597857A (zh) 一种物流包裹检测方法、装置、设备及可读存储介质
CN110751211A (zh) 一种基于深度学习和机器视觉的包裹分类输送系统
CN112659651A (zh) 一种食品包装袋生产用自动化控制系统
CN115319739A (zh) 一种基于视觉机械臂抓取工件方法
CN113128502A (zh) 基于深度学习和机器视觉的单件分离系统、方法及其装置
TW202328672A (zh) 皮革瑕疵檢測系統
CN111375563A (zh) 一种智能化图书自动分拣机
Athari et al. Design and Implementation of a Parcel Sorter Using Deep Learning
Li Application research of vision sensor in material sorting automation control system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication