CN110853004A - 一种零担货物智能形状识别优化装箱方法及装置 - Google Patents

一种零担货物智能形状识别优化装箱方法及装置 Download PDF

Info

Publication number
CN110853004A
CN110853004A CN201911065529.0A CN201911065529A CN110853004A CN 110853004 A CN110853004 A CN 110853004A CN 201911065529 A CN201911065529 A CN 201911065529A CN 110853004 A CN110853004 A CN 110853004A
Authority
CN
China
Prior art keywords
goods
space
piece goods
container
length
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.)
Granted
Application number
CN201911065529.0A
Other languages
English (en)
Other versions
CN110853004B (zh
Inventor
徐翔斌
何世奇
韩珊珊
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN201911065529.0A priority Critical patent/CN110853004B/zh
Publication of CN110853004A publication Critical patent/CN110853004A/zh
Application granted granted Critical
Publication of CN110853004B publication Critical patent/CN110853004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)

Abstract

一种零担货物智能形状识别优化装箱方法及装置，方法包括：设置带有标定摄像头的称重采集器；进行零担货物图片采集，对图片进行特征点检测；对零担货物进行测量，从而得出长宽高的测量数据；给出每个约束描述方法，并确定三维空间与约束之间的关系；装入相关参数运用启发式算法得出最优解。所述装置包括标定摄像头（1）、支撑架（2）、称重器（3）、数据传输装置（4）和数据存储器（5）。称重器称取的重量和标定摄像头摄取的照片信息通过数据传输装置送至数据存储器储存。本发明无需使用测距工具，即可计算出货物长宽高与体积等参数并将其带入启发式算法中对装箱进行优化。

Description

一种零担货物智能形状识别优化装箱方法及装置
技术领域
本发明涉及一种零担货物智能形状识别优化装箱方法及装置，属集装箱装运技术领域。
背景技术
零担货物的合理配载是解决降低运输成本损耗的有效途径方法之一，但是零担货物品种繁多，大小各异，配载不当容易造成资源空间利用率的浪费。目前零担运输企业采用传统的量方对零担货物进行人工尺寸测量，然后通过人工输入零担货物的质量，长宽高及体积等参数。目前传统的量方技术过程繁琐且存在容易出错等问题，造成优化计算的不准确性高，且工作效率低下等因素，直接增加了零担货物的运输成本。
公开号CN101014518公开了一种对零担货物进行分组的装置；公开号CN101486411公开了一种用于分类零担货物的装置和方法。同有技术中，都不涉及采用专用装置对零担货物装箱前进行形状和质量的同时测量，以及通过装置的自动识别传输零担货物的长、宽、高与体积，重量等相关信息于装箱优化系统中。
发明内容
本发明的目的是，为了解决目前零担运输企业采用量方时造成的优化计算准确性低，且工作效率低下导致的运输成本增加问题箱，提供一种零担货物智能形状识别优化装箱方法及装置。
本发明实现的技术方案如下，本发明通过智能形状识别测重装置采集零担货物的图片信息与质量信息；运用卷积神经网络与投影矩阵理论计算特征点的世界坐标对零担货物长宽高尺寸进行输出，同时计算出其体积等参数；通过实际尺寸确定三维空间与约束之间的关系，生成满足货物装载箱容积约束条件的装箱方案；运用三空间分割产生初始解带入模拟退火算法求解装箱最优方案，减少了装箱时人工测量和人工录入的工作量，提高货物装箱效率。
一种零担货物智能形状识别优化装箱方法，步骤如下：
(1)通过智能形状识别测重装置，采集待装箱零担货物的图片信息与质量信息；
(2)根据标定摄像头得到的内外参数，对获取的图片进行矫正，使获取的图片与理想相机模型得到的图片一致；理想相机模型指的是非标定摄像头拍摄所得的原始照片；
(3)应用深度学习中的卷积神经网络对图片进行特征点检测；
(4)通过利用投影矩阵理论计算特征点的世界坐标，对零担货物进行测量，从而得出长宽高的测量值数据；世界坐标指的是现实中零担货物测量点所在的位置,使用世界(World)坐标系来表示；
(5)根据所述货物的实际识别的尺寸、质量及体积给出每个约束描述方法，并确定三维空间与约束之间的关系；
(6)采用三空间分割与模拟退火算法，生成满足货物装载箱容积约束条件的装箱方案，完成对零担货物的智能形状识别装箱优化。
所述采集待装箱零担货物的图片信息方式为：
将零担货物放入智能形状识别测重装置；
零担货物在测重的同时，由标定摄像头拍取多角度零担货物的图片；
获取的图片与质量信息导入数据库存储。
所述内外参数包括焦距、成像仪中心的偏移量、径向畸变参数和纵向畸变参数。
所述对图片进行特征点检测步骤如下：
将待识别的零担货物图片输入预先训练的图片识别模型，获取待识别的图片的预测类别标签：
所述预先训练的图片识别模型采用卷积神经网络模型，包括输入层、卷积层、注意力分支、按元素操作层、池化层、全连接层和输出层；
训练数据为所述智能形状识别测重装置所采集的图片数据，生成训练集；
根据训练集中的图片以及各训练图片的类别，训练图片识别模型。
所述长宽高的测量值数据，是利用投影矩阵理论计算特征点的世界坐标对零担货物进行测量；再通过获得同一空间点相对应的多幅不同角度拍摄图片上的特征点，计算出相应的投影矩阵，并依据图片特征点的世界坐标以及相应的投影矩阵，求出任意空间点坐标值，从而获得货物长宽高的测量值；依据货物长宽高的测量值计算零担货物体积。
所述计算零担货物体积，是由零担货物长宽高的测量值，通过公式V＝l·d·h计算出货物体积，其中l、d、h分别为零担货物长、宽、高的测量值。
所述确定三维空间与约束之间的关系如下：
li、wi与hi分别表示第i种货物的长宽高，L、W与H分别表示装载箱的长宽高，货物总体积小于车厢体积约束条件如下：
Figure BDA0002259217970000031
mi为第i个零担货物的质量，Q为装载箱最大的承重量，货物总重量小于车厢载重约束条件如下：
Figure BDA0002259217970000041
每个货物平行或正交装载于箱内，其中(p,q,r)为货物b的在车箱中的左后下角坐标，(u,s,t)为其右前上角坐标：
Figure BDA0002259217970000042
i＝1,2,...,K
集装箱装满货物后的重心范围约束如下：
Figure BDA0002259217970000043
集装箱装满货物后的重心范围约束Xi,Yi,Zi为货物重心坐标，[0,αx],[0,αy],[0,αz]为重心安全区间；
放置规则的综合性评价规则约束条件如下：
f(bi，Sj)＝-(l(Sj)-l(bi)+α)(w(Sj)-w(bi)+α)
其中，l(Sj)、w(Sj)分别表示放置空间的长和宽，l(bi)和w(bi)表示箱子放入时底面积的长和宽，α是被赋值为0.1的修正参数，当bi被放入到子空间Sj时f(bi,Sj)越大越好。
所述装箱方案如下：
根据前述数据与车厢体积，利用三维空间分割启发式算法得到初始解，将初始解元素进行置换、与互换位置产生新解的邻域结构；
目标函数，空间填充率最大为；
Figure BDA0002259217970000044
L、W与H分别表示装载箱的长宽高，VF为所有放入车厢容器中零担货物体积的集合；f为空间填充率。
计算与新解所对应的目标函数差；
Δf＝f(w')-f(w)
Δf为目标函数差，f(w')为原解，f(w)为新解。
判断新解是否被接受,判断的依据Metropolis准则:若ΔT＜0则接受S'作为新的当前解S，否则以概率exp(-ΔT/T)接受S'作为新的当前解S；
当新解被确定接受时，用新解代替当前解，实现了一次迭代；如果满足终止条件则输出当前解作为最优解，结束程序，求得最优装箱布局结果。
所述三维空间分割启发式算法实现步骤如下：
(1)导入集装箱与货物基本数据，通过函数变量定义货物种类数、货物数量总数、集装箱序号，根据空间编码规则，初始化集装箱剩余空间；
(2)对货物的摆放位置进行编码：i，j，x，y，z，l，w，h＝()其中：i为集装箱的箱号；j为货物的种类号；x,y,z为货物放置的起始坐标点；l,w,h为货物的长、宽、高的测量值；
(3)对待放入集装箱货物的尺寸与集装箱最大承载量进行判断，货物的长、宽、高小于集装箱剩余空间的长、宽、高，货物重量之和小于集装箱的最大承载量；
(4)当货物满足上述装箱要求时，按照上述的编码方式进行装箱。装箱完毕后，根据空间分割规则产生三个子空间，分别为前空间、右空间和上空间。每次生成剩余空间集合后，都要根据空间合并规则对空间进行合并操作；
(5)对剩余空间中的z坐标进行排序，进而确定空间的高低，确保货物是从下往上进行装箱；
(6)返回步骤(3)，依次加载后续货物，直至货物序列集合为空；
(7)当集装箱剩余空间不能满足货物装箱，就要用下一个集装箱；
(8)最后得出装箱结果和剩余空间的数据。
所述模拟退火算法实现步骤如下：
(1)通过输入的相关数据，利用三空间分割启发式算法得到初始解，通过将初始解元素进行置换、与互换位置的方法操作，产生新解的邻域结构，其方法的不同对冷却进度表的选取有一定的影响。
(2)计算与新解所对应的目标函数差，因为目标函数差仅由变换部分产生，所以目标函数差的计算最好按增量计算；事实表明，对大多数应用而言，这是计算目标函数差的最快方法。
(3)判断新解是否被接受,判断的依据是一个接受准则，最常用的接受准则是Metropolis准则:若ΔT＜0则接受S'作为新的当前解S，否则以概率exp(-ΔT/T)接受S'作为新的当前解S。
(4)当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可；此时，当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。
(5)模拟退火算法与初始值无关，算法求得的解与初始解状态S(是算法迭代的起点)无关；模拟退火算法具有渐近收敛性，已在理论上被证明是一种以概率1收敛于全局最优解的全局优化算法；模拟退火算法具有并行性。
所述智能形状识别测重装置包括标定摄像头、支撑架、称重器、数据传输装置和数据存储器。所述支撑架为一回字形立式框架结构；所述支撑架下部中央安装固定有称重器；两台标定摄像头垂直于称重器周边安放，一台标定摄像头在平行于称重器的最上方安放；所述称重器的下部安装有数据传输装置；所述称重器的底部设置有数据存储器；称重器称取的重量直接通过数据传输装置送至数据存储器储存；标定摄像头摄取的照片信息通过数据传输装置送至数据存储器储存。
本发明的有益效果在于，本发明采用零担货物智能形状识别优化装箱方法及装置，得出零担货物长宽高的测量数据；运用相应的标准公式计算出零担货物的真实体积直接存储于优化模型数据系统中，并采用三空间分割启发式算法得到初始解，将初始解元素进行置换，与互换位置产生新解的邻域结构同构模拟退火启发式算完成装箱优化方案。通过运用零担货物图象识别优化装箱方法及装置，解决目前零担运输企业采用对货物量方时时造成的优化计算的不准确性低高，且工作效率低下导致的运输成本增加问题。箱箱箱
附图说明
图1为本发明实施例提供的智能形状识别测重装置结构示意图；
图2为零担货物尺寸识别步骤示意图；
图3为本发明智能形状识别测重装置三维表达示意图；
图4为零担货物装箱优化方案流程图；
图5为三维空间分割启发式算法流程图；
图6为模拟退火算法流程图；
图7为本发明实施例整体实施流程图。
其中，1是标定摄像头；2是支撑架；3是称重器；4是数据传输装置；5是数据存储器。
具体实施方式
为了更清楚地通过本发明实施例说明现有技术方案，以下将结合附图和具体实施例，对本发明提供的一种零担货物图片识别优化装箱方法及装置作进一步详细说明，应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，他们可以被相互组合从而达到更好的技术效果。
本实施例一种零担货物智能形状识别优化装箱方法，步骤如下：
(1)通过智能形状识别测重装置，采集待装箱零担货物的图片信息与质量信息。
(2)根据标定摄像头得到的内外参数，对获取的图片进行矫正，使获取的图片与理想相机模型得到的图片一致。
(3)应用深度学习中的卷积神经网络对图片进行特征点检测。
(4)通过利用投影矩阵理论计算特征点的世界坐标，对零担货物进行测量，从而得出长宽高的测量数据。
(5)根据所述货物的实际识别的尺寸、质量及体积给出每个约束描述方法，并确定三维空间与约束之间的关系。
(6)采用三空间分割与模拟退火算法，生成满足货物装载箱容积约束条件的装箱方案，完成装箱优化。
图1为本发明实施例提供的智能形状识别测重装置结构示意图。
如图1所示，本实施例一种智能形状识别测重装置，包括标定摄像头1、支撑架2、称重器3、数据传输装置4和数据存储器5。
所述支撑架2为一回字形立式框架结构；所述支撑架下部中央安装固定有称重器3；两台标定摄像头垂直于称重器周边安放，一台标定摄像头在平行于称重器的最上方安放；所述称重器3的下部安装有数据传输装置4；所述称重器的底部设置有数据存储器5；称重器称取的重量直接通过数据传输装置送至数据存储器储存；标定摄像头摄取的照片信息通过数据传输装置送至数据存储器储存。
如图2所示，本实施例零担货物尺寸识别步骤如下：
S100，零担货物智能形状识别测重装置获取货物重量并发送图片识别请求，发送的识别图片是通过多角度的标定摄像头获取，且经过标定摄像头内外参数进行矫正的图片；其中内外参数包括焦距、成像仪中心的偏移量、径向畸变参数以及向畸变参数。
S110，服务器接收智能形状识别测重装置发送识别请求，并确定目标图片。
S120，服务器识别所述目标图片，将待识别的零担货物图片输入预先训练的图片识别模型，获取待识别的图片的预测类别标签。
预先训练的图片识别模型采用卷积神经网络模型，包括输入层、卷积层、注意力分支、按元素操作层、池化层、全连接层和输出层。
训练数据为智能形状识别测重装置所采集的图片数据，生成训练集。
根据训练集中的图片以及各训练图片的类别，训练图片识别模型。
S130，服务器识别所述目标图片的特征信息确定所述目标图片关联信息。
获取关联信息在于：通过利用投影矩阵理论计算图片特征点的世界坐标对零担货物进行测量，从而得出长宽高的测量数据。
获得同一空间点相对应的多幅不同角度拍摄图片上的特征点，计算出相应的投影矩阵。
S140，通过利用投影矩阵理论计算特征点的世界坐标对零担货物进行尺寸输出，并计算出货物体积信息。
S150，服务器将所述目标图片的质量，长宽高，体积等信息反馈至存储端。
S160，将以上信息传入优化系统数据存储器。
本实施例中订单零担货物的数据信息通过智能形状识别测重装置收集，并存储于服务数据库当中。然后，通过优化系统对订单零担货物数据进行仿真计算得出最优装箱方案。
图3所示为本实施例智能形状识别测重装置三维表达示意图。
如图3所示，零担货物智能形状识别优化系统，包括测重装置、数据传输装置、数据储存和输出优化方案。测重装置将零担货物的参数信息存储于数据库，优化系统直接调用相关装箱数据，从而进行优化，获得最优装箱布局结果。
图4为零担货物装箱优化方案流程。
本实施例中，首先对零担货物装入中产生的三维剩余空间给出满足稳定约束的表示方法、划分和合并的方法；继而计算每个在装箱过程中产生的剩余空间的承载能力，随后将模拟退火算法与装入启发算法相结合，再计算重量限定和重量平衡，实现最佳的三维装箱方案。本发明再保障求得全局最优解得前提下在较短得时间内满足装箱约束得条件下计算出最优货物装箱位置。
图5所示为三维空间分割启发式算法流程。本实施例三维空间分割启发式算法如下：
零担货物装入车箱中，为实现装箱的目标最大化容器的空间填充率，使用立方体的三维剩余空间描述：给定一个长方体车箱容器C和一个箱子的集合B中包含零担货物bi；每一个bi又包含有6个参数公式，其中li、wi与hi分别表示第i种货物的长宽高，L、W与H分别表示装载箱的长宽高。
C＝(L,W,H)
B＝{b1,b2,…bi,…,bn}
bi＝(li,wi,hi)
对于一次完整的装箱，设F为所有已放入车厢容器C中零担货物体积的集合；
Figure BDA0002259217970000111
本发明中用最大空间填充率来表示最终的容器装载效果，装箱的目标是最大化容器的空间填充率：
Figure BDA0002259217970000112
图3为三维空间算法具体应用，其流程从装箱开始，导入零担货物与车箱信息，初始化空间。
搜索空间，判断零担货物是否可装入当前空间，不可行则选用其它车箱，可行则放置为待装箱货物。
将待装箱零担货物通过空间分割与合并求解完成货物装箱。
本实施例涉及车箱问题，其目标是保证多约束条件下获得最大的空间利用率，该问题的基本约束是所有货物可以装到集装箱中，稳定性约束指每个货物的底面被货物或车厢底部100％支撑。与此同时还得保证有重量约束，重量平衡约束，体积约束等。
(1)重量限定约束；
重量限定约束指的是车箱所能承受的最大载重，每个装载车都有重量限制，甚至道路也有重量限制，因此，重量约束是必不可少的。
其中，mi为第i个零担货物的质量，Q为装载箱最大的承重量。
(2)重量平衡约束
重量平衡约束指的是车箱中全部零担货物的总重心，分别从X,Y,Z三个方向计算整个货物的总体重心其计算公式如下：
Figure BDA0002259217970000121
集装箱装满货物后的重心范围约束Xi,Yi,Zi为货物重心坐标，[0,αx],[0,αy],[0,αz]为重心安全区间。
(3)货物总体积小于车厢体积约束条件
它指的是零担货物的总体积小于装载车厢的最大装载体积量：
Figure BDA0002259217970000122
其中，li、wi与hi分别表示第i种货物的长宽高，L、W与H分别表示装载箱的长宽高。
(4)放置规则的综合性评价规则约束条件
f(bi，Sj)＝-(l(Sj)-l(bi)+α)(w(Sj)-w(bi)+α)
l(Sj)、w(Sj)分别表示放置空间的长和宽，l(bi)和w(bi)表示箱子放入时底面积的长和宽，α是被赋值为0.1的修正参数，当bi可被放入到子空间Sj时f(bi,Sj)越大越好。
(5)每个货物平行或正交装载于箱内约束条件
Figure BDA0002259217970000131
i＝1,2,...,K
其中(p,q,r)为货物b的在车箱中的左后下角坐标，(u,s,t)为其右前上角坐标。
本实施例零担货物装箱优化的具体步骤如下：
(1)导入集装箱与货物基本数据，通过函数变量定义货物种类数、货物数量总数、集装箱序号，根据空间编码规则，初始化集装箱剩余空间。
(2)对货物的摆放位置进行编码：i,j,x,y,z,l,w,h＝()，其中：i为集装箱的箱号；j为货物的种类号；x,y,z为货物放置的起始坐标定；l,w,h为货物的长、宽、高。
(3)对待放入集装箱货物的尺寸与集装箱最大承载量进行判断，货物的长、宽、高小于集装箱剩余空间的长、宽、高，货物重量之和小于集装箱的最大承载量。
(4)当货物满足上述装箱要求时，按照上述的编码方式进行装箱。装箱完毕后，根据空间分割规则产生三个子空间，分别为前空间、右空间和上空间。每次生成剩余空间集合后，都要根据空间合并规则对空间进行合并操作。
(5)对剩余空间中的z坐标进行排序，进而确定空间的高低，确保货物是从下往上进行装箱。
(6)返回步骤(3)，依次加箱后续货物，直至货物序列集合为空。
(7)当集装箱剩余空间不能满足货物装箱，就要用下一个集装箱。
(8)最后得出装箱结果和剩余空间的数据。
图6所示为模拟退火算法流程。
本实施例模拟退火是一种Greedy算法，但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。
根据Metropolis准则，粒子在温度T时趋于平衡的概率为exp(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变数,k为常数。Metropolis准则常表示为；
Figure BDA0002259217970000141
通过输入的相关数据利用三空间分割启发式算法的到初始解，将初始解元素进行置换、与互换位置的方法操作，产生新解的邻域结构，其方法的不同对冷却进度表的选取有一定的影响。
计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生，所以目标函数差的计算最好按增量计算。事实表明，对大多数应用而言，这是计算目标函数差的最快方法。
判断新解是否被接受,判断的依据是一个接受准则，最常用的接受准则是Metropolis准则:若ΔT＜0则接受S'作为新的当前解S，否则以概率exp(-ΔT/T)接受S'作为新的当前解S。
当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可。此时，当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。
模拟退火算法与初始值无关，算法求得的解与初始解状态S(是算法迭代的起点)无关；模拟退火算法具有渐近收敛性，已在理论上被证明是一种以概率1收敛于全局最优解的全局优化算法，且模拟退火算法具有并行性。
模拟算法运行之后生成满足货物装载箱容积约束条件的装箱方案。
图7为整体实施流程图。
本实施例对零担货物的智能形状识别装箱优化步骤的完整实施步骤如图7所示：
步骤一，标定摄像头得到内外参数，设置成带有标定摄像头的称重采集器；
步骤二，进行零担货物图片采集，应用深度学习中的卷积神经网络对图片进行特征点检测；
步骤三，通过利用投影矩阵理论计算特征点的世界坐标对零担货物进行测量，从而得出长宽高的测量数据；
步骤四，给出每个约束描述方法，并确定三维空间与约束之间的关系；
步骤五，装入相关参数运用启发式算法得出最优解。
本方法无需使用测距工具即可计算出货物长宽高与体积等参数并将其带入启发式算法中对装箱进行优化。解决零担运输企业采用传统的量方方法带来的过程繁琐、准确度低、效率低下以及成本高等问题。
本实施例提供一种带有标定摄像头的称重仪器获取零担货物的质量，图片等信息并通过深度学习中的卷积神经网络对标定物体进行学习测量，利用投影矩阵理论计算特征点的世界坐标对零担货物进行测量，从而得出长宽高数据，接着运用标准体积公式计算出货物的真实体积直接存储于优化模型数据系统中。
通过运用相应的标准公式计算出货物的真实体积，直接存储于优化模型数据系统中，并采用三空间分割启发式算法得到初始解，将初始解元素进行置换、与互换位置产生新解的邻域结构同构模拟退火启发式算完成装箱优化方案，从而使得车箱的容积利用率或装载质量利用率最大，降低零担货物装箱成本。
本实施例只需将零担货物放入零担货物图片识别优化装置，就能直接输出装箱优化所需要的长宽高、体积、质量等参数，并通过优化系统获得装箱最优方案，从而有效解决零担运输企业采用传统的量方方法带来的过程繁琐、准确度低、效率低下以及成本高等问题。

Claims (10)

1.一种零担货物智能形状识别优化装箱方法，其特征在于，所述方法步骤如下：
(1)通过智能形状识别测重装置，采集待装箱零担货物的图片信息与质量信息；
(2)根据标定摄像头得到的内外参数，对获取的图片进行矫正，使获取的图片与理想相机模型得到的图片一致；
(3)应用深度学习中的卷积神经网络对图片进行特征点检测；
(4)通过利用投影矩阵理论计算特征点的世界坐标，对零担货物进行测量，从而得出长宽高的测量值数据；
(5)根据所述货物的实际识别的尺寸、质量及体积给出每个约束描述方法，并确定三维空间与约束之间的关系；
(6)采用三空间分割与模拟退火算法，生成满足货物装载箱容积约束条件的装箱方案，完成装箱优化。
2.根据权利要求1所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述采集待装箱零担货物的图片信息方式为：
将零担货物放入智能形状识别测重装置；
零担货物在测重的同时，由标定摄像头拍取多角度零担货物的图片；
获取的图片与质量信息导入数据库存储。
3.根据权利要求1所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述内外参数包括焦距、成像仪中心的偏移量、径向畸变参数和纵向畸变参数。
4.根据权利要求1所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述对图片进行特征点检测步骤如下：
将待识别的零担货物图片输入预先训练的图片识别模型，获取待识别的图片的预测类别标签：
所述预先训练的图片识别模型采用卷积神经网络模型，包括输入层、卷积层、注意力分支、按元素操作层、池化层、全连接层和输出层；
训练数据为所述智能形状识别测重装置所采集的图片数据，生成训练集；
根据训练集中的图片以及各训练图片的类别，训练图片识别模型。
5.根据权利要求1所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述长宽高的测量值数据，是利用投影矩阵理论计算特征点的世界坐标对零担货物进行测量；再通过获得同一空间点相对应的多幅不同角度拍摄图片上的特征点，计算出相应的投影矩阵，并依据图片特征点的世界坐标以及相应的投影矩阵，求出任意空间点坐标值，从而获得货物长宽高的测量值；依据货物长宽高的测量值计算零担货物体积。
6.根据权利要求5所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述计算零担货物体积，是由零担货物长宽高的测量值，通过公式V＝l·d·h计算出货物体积，其中l、d、h分别为零担货物长、宽、高的测量值。
7.根据权利要求1所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述确定三维空间与约束之间的关系如下：
li、wi与hi分别表示第i种货物的长宽高，L、W与H分别表示装载箱的长宽高，货物总体积小于车厢体积约束条件如下：
Figure FDA0002259217960000021
mi为第i个零担货物的质量，Q为装载箱最大的承重量，货物总重量小于车厢载重约束条件如下：
Figure FDA0002259217960000022
每个货物平行或正交装载于箱内，其中(p,q,r)为货物b的在车箱中的左后下角坐标，(u,s,t)为其右前上角坐标：
集装箱装满货物后的重心范围约束如下：
Figure FDA0002259217960000032
集装箱装满货物后的重心范围约束Xi,Yi,Zi为货物重心坐标，[0,αx],[0,αy],[0,αz]为重心安全区间；
放置规则的综合性评价规则约束条件如下：
f(bi，Sj)＝-(l(Sj)-l(bi)+α)(w(Sj)-w(bi)+α)
其中，l(Sj)、w(Sj)分别表示放置空间的长和宽，l(bi)和w(bi)表示箱子放入时底面积的长和宽，α是被赋值为0.1的修正参数，当bi被放入到子空间Sj时f(bi,Sj)越大越好。
8.根据权利要求1所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述装载方案如下：
根据前述数据与车厢体积，利用三维空间分割启发式算法得到初始解，将初始解元素进行置换、与互换位置产生新解的邻域结构；
目标函数，空间填充率最大为；
Figure FDA0002259217960000033
L、W与H分别表示装载箱的长宽高，VF为所有放入车厢容器中零担货物体积的集合；
计算与新解所对应的目标函数差；
Δf＝f(w')-f(w)
Δf为目标函数差，f(w')为原解，f(w)为新解；
判断新解是否被接受,判断的依据Metropolis准则:若ΔT＜0则接受S'作为新的当前解S，否则以概率exp(-ΔT/T)接受S'作为新的当前解S；
当新解被确定接受时，用新解代替当前解，实现了一次迭代；如果满足终止条件则输出当前解作为最优解，结束程序，求得最优装载布局结果。
9.根据权利要求1所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述智能形状识别测重装置包括标定摄像头、支撑架、称重器、数据传输装置和数据存储器；所述支撑架为一回字形立式框架结构；所述支撑架下部中央安装固定有称重器；两台标定摄像头垂直于称重器周边安放，一台标定摄像头在平行于称重器的最上方安放；所述称重器的下部安装有数据传输装置；所述称重器的底部设置有数据存储器；称重器称取的重量直接通过数据传输装置送至数据存储器储存；标定摄像头摄取的照片信息通过数据传输装置送至数据存储器储存。
10.根据权利要求8所述的一种零担货物智能形状识别优化装箱方法，其特征在于，所述三维空间分割启发式算法实现步骤如下：
(1)导入集装箱与货物基本数据，通过函数变量定义货物种类数、货物数量总数、集装箱序号，根据空间编码规则，初始化集装箱剩余空间；
(2)对货物的摆放位置进行编码：i，j，x，y，z，l，w，h＝()其中：i为集装箱的箱号；j为货物的种类号；x,y,z为货物放置的起始坐标点；l,w,h为货物的长、宽、高的测量值；
(3)对待放入集装箱货物的尺寸与集装箱最大承载量进行判断，货物的长、宽、高小于集装箱剩余空间的长、宽、高，货物重量之和小于集装箱的最大承载量；
(4)当货物满足上述装载要求时，按照上述的编码方式进行装载；装载完毕后，根据空间分割规则产生三个子空间，分别为前空间、右空间和上空间；每次生成剩余空间集合后，都要根据空间合并规则对空间进行合并操作；
(5)对剩余空间中的z坐标进行排序，进而确定空间的高低，确保货物是从下往上进行装载；
(6)返回步骤(3)，依次加载后续货物，直至货物序列集合为空；
(7)当集装箱剩余空间不能满足货物装载，就要用下一个集装箱；
(8)最后得出装载结果和剩余空间的数据。
CN201911065529.0A 2019-11-04 2019-11-04 一种零担货物智能形状识别优化装箱方法及装置 Active CN110853004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911065529.0A CN110853004B (zh) 2019-11-04 2019-11-04 一种零担货物智能形状识别优化装箱方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911065529.0A CN110853004B (zh) 2019-11-04 2019-11-04 一种零担货物智能形状识别优化装箱方法及装置

Publications (2)

Publication Number Publication Date
CN110853004A true CN110853004A (zh) 2020-02-28
CN110853004B CN110853004B (zh) 2023-04-18

Family

ID=69599509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911065529.0A Active CN110853004B (zh) 2019-11-04 2019-11-04 一种零担货物智能形状识别优化装箱方法及装置

Country Status (1)

Country Link
CN (1) CN110853004B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113277341A (zh) * 2021-05-11 2021-08-20 齐品(杭州)网络科技有限公司 一种基于物体真实轮廓和体积的装箱优化装置
CN114013751A (zh) * 2022-01-05 2022-02-08 季华实验室 长方体状物品装箱方法、装置、电子设备及存储介质
CN114013988A (zh) * 2021-10-28 2022-02-08 惠州佰维存储科技有限公司 一种ssd的转移方法、装置、可读存储介质及电子设备
CN114154863A (zh) * 2021-12-03 2022-03-08 深圳蓝胖子机器智能有限公司 集装箱货物装载质量检测方法、服务器、终端及存储介质
CN115147054A (zh) * 2022-09-05 2022-10-04 创新奇智(青岛)科技有限公司 货物装箱规划方法及装置
CN115271618A (zh) * 2022-09-28 2022-11-01 创新奇智(南京)科技有限公司 货物装载规划方法及装置
CN115587675A (zh) * 2022-11-25 2023-01-10 中国外运股份有限公司 装载方式的确定方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870893A (zh) * 2014-04-09 2014-06-18 沈阳工业大学 基于三维空间求解具有多重量约束装箱的优化方法
CN104703150A (zh) * 2013-12-06 2015-06-10 大连灵动科技发展有限公司 实现短信形式对货物情况通知的方法
CN110297845A (zh) * 2019-06-20 2019-10-01 吉旗物联科技（上海）有限公司 基于货物装载率加速度的装卸点识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104703150A (zh) * 2013-12-06 2015-06-10 大连灵动科技发展有限公司 实现短信形式对货物情况通知的方法
CN103870893A (zh) * 2014-04-09 2014-06-18 沈阳工业大学 基于三维空间求解具有多重量约束装箱的优化方法
CN110297845A (zh) * 2019-06-20 2019-10-01 吉旗物联科技（上海）有限公司 基于货物装载率加速度的装卸点识别方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JORIS VAN DE KLUNDERT: "Improving LTL truck load utilization on line" *
XIANGBIN XU: "An Efficient Quality Assessment Metric for 3D Video" *
卜雷: "零担货物序贯装箱优化问题的遗传模拟退火算法" *
杜颖: "动态货位指派与拣货路径系统优化研究" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113277341A (zh) * 2021-05-11 2021-08-20 齐品(杭州)网络科技有限公司 一种基于物体真实轮廓和体积的装箱优化装置
CN114013988A (zh) * 2021-10-28 2022-02-08 惠州佰维存储科技有限公司 一种ssd的转移方法、装置、可读存储介质及电子设备
CN114154863A (zh) * 2021-12-03 2022-03-08 深圳蓝胖子机器智能有限公司 集装箱货物装载质量检测方法、服务器、终端及存储介质
CN114013751A (zh) * 2022-01-05 2022-02-08 季华实验室 长方体状物品装箱方法、装置、电子设备及存储介质
CN115147054A (zh) * 2022-09-05 2022-10-04 创新奇智(青岛)科技有限公司 货物装箱规划方法及装置
CN115271618A (zh) * 2022-09-28 2022-11-01 创新奇智(南京)科技有限公司 货物装载规划方法及装置
CN115587675A (zh) * 2022-11-25 2023-01-10 中国外运股份有限公司 装载方式的确定方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110853004B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110853004B (zh) 一种零担货物智能形状识别优化装箱方法及装置
CN110443549B (zh) 一种物流仓库中物品的装箱方案生成方法及系统
WO2020034943A1 (zh) 拣选设备、拣货方法和拣选控制装置
CN112418568B (zh) 一种半在线垛型规划方法及机器人
KR101384739B1 (ko) 컨테이너에서의 무게중심을 고려한 박스 적재 방법
CN114511203A (zh) 一种基于bim模型快速出工程量清单的方法和系统
CN114648267A (zh) 一种自动化立体仓库调度路径的优化方法及系统
CN110175404A (zh) 货物装载调整方法及装置
CN111339615A (zh) 一种基于两步插值的飞机油箱重心计算与补偿方法
CN115147054B (zh) 货物装箱规划方法及装置
CN115545608A (zh) 基于不确定需求下的绿色物流车辆路径优化方法及应用
CN116611594A (zh) 同时取送货车辆路径与三维货物平衡装载的耦合优化方法
CN115271596A (zh) 一种货物装载方法、装置、设备和存储介质
CN117670257B (zh) 一种订单分配方法、装置、电子设备及介质
CN112874927B (zh) 物流包装箱箱型推荐方法
CN106446538A (zh) 基于动态时间规整的车辆终点及行程时间计算方法
CN116307985B (zh) 建筑材料节能运输方法、计算机设备与介质
CN116957459A (zh) 基于货运场景的智能匹配方法、系统、设备及存储介质
CN117213392A (zh) 一种基于光学扫描法的干散货载货量测量方法
CN116882887A (zh) 物资装载策略生成方法、装置、电子设备及存储介质
CN115810001A (zh) 一种基于条件随机场的包裹检测系统及方法
CN111160831B (zh) 密集仓储的任务生成方法、装置和电子设备
CN114993604A (zh) 一种基于深度学习的风洞天平静态校测方法
CN113776632A (zh) 称重偏载补偿方法、装置、计算机设备和存储介质
CN116625473B (zh) 测量搅拌车装载不同密度货物的重量的方法及系统

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
GR01 Patent grant
GR01 Patent grant