CN112061989A - 利用起重机系统装卸负载的方法和起重机系统 - Google Patents
利用起重机系统装卸负载的方法和起重机系统 Download PDFInfo
- Publication number
- CN112061989A CN112061989A CN202010525780.7A CN202010525780A CN112061989A CN 112061989 A CN112061989 A CN 112061989A CN 202010525780 A CN202010525780 A CN 202010525780A CN 112061989 A CN112061989 A CN 112061989A
- Authority
- CN
- China
- Prior art keywords
- image data
- marker
- data stream
- camera
- load
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G67/00—Loading or unloading vehicles
- B65G67/02—Loading or unloading land vehicles
- B65G67/04—Loading land vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
- B66C13/22—Control systems or devices for electric drives
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/04—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack
- B66C13/08—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack for depositing loads in desired attitudes or positions
- B66C13/085—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack for depositing loads in desired attitudes or positions electrical
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G63/00—Transferring or trans-shipping at storage areas, railway yards or harbours or in opening mining cuts; Marshalling yard installations
- B65G63/002—Transferring or trans-shipping at storage areas, railway yards or harbours or in opening mining cuts; Marshalling yard installations for articles
- B65G63/004—Transferring or trans-shipping at storage areas, railway yards or harbours or in opening mining cuts; Marshalling yard installations for articles for containers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/04—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack
- B66C13/08—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack for depositing loads in desired attitudes or positions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
- B66C13/46—Position indicators for suspended loads or for crane elements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
- B66C13/48—Automatic control of crane drives for producing a single or repeated working cycle; Programme control
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2201/00—Indexing codes relating to handling devices, e.g. conveyors, characterised by the type of product or load being conveyed or handled
- B65G2201/02—Articles
- B65G2201/0235—Containers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2814/00—Indexing codes relating to loading or unloading articles or bulk materials
- B65G2814/03—Loading or unloading means
- B65G2814/0301—General arrangements
- B65G2814/0302—Central control devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2814/00—Indexing codes relating to loading or unloading articles or bulk materials
- B65G2814/03—Loading or unloading means
- B65G2814/0301—General arrangements
- B65G2814/0311—Other article loading or unloading devices
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Robotics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Control And Safety Of Cranes (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及利用起重机系统装卸负载的方法和起重机系统。为了借助于起重机系统(8)自动地装卸负载(28),借助于起重机系统(8)的相机系统(9、10、11、12)产生至少一个图像数据流并且借助于计算单元(13)利用人工神经网络分析图像数据流。基于该分析,借助于计算单元(13)识别至少一个图像数据流的相应的单独图像(22、23)中的第一标记和第二标记(14、15、18、19)。确定标记(14、15、18、19)的位置并且根据标记(14、15、18、29)的位置借助于起重机系统(8)的升降装置(27)自动地装卸负载(28)。
Description
技术领域
本发明涉及利用起重机系统装卸负载的方法、用于装卸负载的起重机系统和计算机程序。
背景技术
在集装箱装卸区中对货运列车和载重汽车进行装卸,尤其进行装载和卸载。在此,起重机操作员手动控制起重机的升降装置。为了尽量高效、低成本和安全地实现装卸,期望自动地执行尽可能多的过程。
发明内容
因此,本发明的目的是,提供利用起重机系统装卸负载的改进方案,该改进方案实现负载的自动装卸。
改进方案基于以下构思,即借助于相机系统将应被装载和卸载的运输交通工具成像并且借助于人工神经网络分析相机数据。根据预设的标记驱控用于自动地装卸负载的升降装置,其中为了识别该标记而专门训练神经网络。
根据改进方案的第一单独方面,提出一种利用起重机系统装卸负载的方法。在此,借助于起重机系统的相机系统产生至少一个图像数据流。根据特别是训练过的人工神经网络借助于起重机系统的计算单元分析(特别是连续地、周期性地和/或重复地分析)至少一个图像数据流。基于该分析,借助于计算单元识别至少一个图像数据流的第一单独图像中的第一标记和至少一个图像数据流的第二单独图像中的第二标记。借助于计算单元确定第一标记的位置和第二标记的位置,并且根据标记的位置借助于起重机系统的升降装置自动地装卸负载。
在此并且在下文中,“图像数据流”能够被理解为多个单独图像的时间方面的序列,单独图像也能够被称为帧。特别地,能够以预先限定的扫描速率拍摄单独图像,其中,扫描速率例如能够位于10m至10s的范围中,例如能够位于100ms的数量级中或者能够为近似100ms。换言之,至少一个图像数据流例如为至少一个视频流。
相机系统尤其通过对相机系统的在起重机系统周围的一个或多个目标区域成像来产生至少一个图像数据流。特别地,目标范围位于借助本方法应被装载或卸载的运输交通工具为了装卸所在的区域中。
特别地,人工神经网络是为了图像数据中的图案识别而被训练的神经网络。其例如能是卷积神经网络(convolutional neural net,CNN)。
“利用神经网络分析至少一个图像数据流”例如能被理解为,分析至少一个图像数据流中的每个图像数据流,其中,为了该分析而分析相应的图像数据流的每个单独图像,因此对每个单独图像专门实施图案识别。
第一标记和第二标记尤其位于运输交通工具处或运输交通工具上。标记尤其能够是与运输交通工具固定安装的或固定在运输交通工具处的部件,例如是功能部件。替代地或附加地,图案也能专门被设置用于图案识别目的。
“借助分析识别相应的单独图像中的第一标记和第二标记”能被理解为,根据通过神经网络进行的分析来确认在相应的单独图像中存在预设的和/或已学习的图案,其中特别通过神经网络的训练来预设或学习该图案。
特别地,第一标记和第二标记位于运输交通工具的不同位置处,尤其在运输交通工具的相对置的端部处。在此,术语“运输交通工具的端部”涉及运输交通工具的纵向方向或纵轴线。特别地,第一标记位于运输交通工具的第一纵向端部处并且第二标记位于运输交通工具的、与第一纵向端部相对置的第二纵向端部处。
“运输交通工具的纵向方向”例如能被理解为如下方向,即运输交通工具如果适用则特别在运输交通工具的转向系统处于中间位置时能够沿该方向移动。
运输交通工具例如能够是载重汽车、载重汽车挂车或载重汽车半挂车或者火车车厢。在火车车厢的情况下例如能够设有轨道,火车车厢在该轨道上能够移动到目标区域中或从目标区域中移出。在该情况下,运输交通工具的纵轴线特别对应于轨道的纵向方向或定向。
负载尤其能够包括容器,容器特别是集装箱,例如是海运集装箱,例如是根据标准ISO 668(2013年第六版)的海运集装箱。
运输交通工具特别是如下车辆,该车辆应由起重机或起重机系统装载或卸载,并且车辆尤其在卸载之前或在装载之后运输负载。
神经网络特别是存储在计算单元上的软件模块。
第一标记的和第二标记的位置特别是由参照于预设坐标系的对应坐标得出的、相应的真实位置,即绝对位置,该预设坐标系特别地与起重机系统的框架或运输交通工具所在的地面相关联。特别地,通过相机系统的参照于预设坐标系的位置和标记在单独图像之内的相对位置或布置能够明确地得出相应标记的位置。能够单独通过相机系统的相应位置近似地得出标记的位置。
升降装置特别地包括集装箱索具并且也能被称为负载容纳件或支杆。特别地,升降装置包括夹持装置,借助该夹持装置能够夹持负载(特别是集装箱)并且能够将其从运输交通工具提起或放置在运输交通工具上。
升降装置例如包括框架,尤其包括伸缩框架,该伸缩框架能够根据集装箱的长度移出或调整。升降装置的夹持元件例如能够嵌入到集装箱的相应的包角中并且被锁定。
特别地,“借助于升降装置自动地装卸负载”能被理解为,在没有人工干预的情况下自动地通过起重机系统根据标记的位置来设置升降装置或起重机系统的至少一个工作参数,以装卸负载。例如,装卸能够全自动地实现,即没有操作员的干预。
根据该改进方案,能够半自动或全自动地设置起重机系统、特别是升降装置的用于装卸负载的配置。特别地,能够全自动地从至少一个图像数据流确定标记的位置。因此,能够至少半自动地或必要时全自动地并且因此特别高效、特别节约时间和节约成本地以及以更高的安全性来实现负载的装卸。
通过使用神经网络,能够以高可靠性对标记进行识别和位置确定,从而能够实现高的自动化程度。通过使用神经网络得到的其他优点是其专用训练性(即其对标记或预设图案的光学表现的特定匹配)和其在图案识别时的高速度。
根据方法的至少一个实施方式,基于分析单元,借助于计算单元识别至少一个图像数据流的第三单独图像中的第三标记和第四单独图像中的第四标记。借助于计算单元确定第三标记和第四标记的位置。借助于升降装置根据第一标记、第二标记、第三标记和第四标记的位置来装卸负载。
通过附加识别和评估第三标记和第四标记,能够提高该方法的可靠性、速度或者实现冗余并且因此提高安全性。第一标记和第二标记的上述实施方案类似地适用于第三标记和第四标记。
根据至少一个实施方式,在产生至少一个图像数据流期间沿运输交通工具的纵向方向移动相机系统。当识别到第一标记时,根据相机系统的第一瞬时位置借助于计算单元确定第一标记的位置。当识别到第二标记时,根据相机系统的第二瞬时位置借助于计算单元确定第二标记的位置。
起重机系统尤其能够包括控制装置和驱动系统,其中,控制装置能驱控用于移动相机系统的驱动系统。在此,计算单元特别地与控制装置耦合连接。
在相机系统沿纵向方向移动以产生至少一个图像数据流期间,运输交通工具例如保持静止,尤其相对于预设坐标系静止。
“相机系统的瞬时位置”尤其能被理解为,相机系统在识别到相应标记的时间点尤其相对于预设坐标系的位置。
例如,至少一个图像数据流的每个单独图像能够分配有时间标记(time stamp(时间戳))。因此,瞬时位置例如对应于在由识别到相应标记的相应单独图像的时间标记给出的时间点的相机系统的位置。
第一瞬时位置和第二瞬时位置例如能够对应于相机系统的不同的部件或组成部分的相应位置。
特别地,相机系统例如针对至少一个图像数据流中的每个图像数据流分别具有一个相机。因此,相机系统的第一瞬时位置例如对应于用于识别第一标记的相机的瞬时位置。相应地,第二瞬时位置例如由用于识别第二标记的相机的瞬时位置给出。
因此,在该实施方式中借助于相机系统扫描运输交通工具。有利地,能够以该方式查找标记,从而不必在该方式开始时识别运输交通工具的精确位置或在该方式开始时识别运输交通工具的类型或长度或负载的范围。由此实现更高的自动化程度。
此外,在一些实施方式中,仅通过相机系统的相应的瞬时位置实现标记的位置确定。如果位置确定的相应精度对于具体应用够用,则例如能够放弃用于确定标记位置的、在相应的单独图像之内对相应标记的布置的确定。
根据至少一个实施方式,借助于相机系统的、布置在升降装置的第一端部处的第一相机产生至少一个图像数据流的第一图像数据流。为了分析至少一个图像数据流,利用神经网络借助于计算单元分析第一图像数据流。基于第一单独图像中的第一图像数据流分析借助于计算单元识别第一标记。在此,第一瞬时位置对应于第一相机的瞬时位置。
升降装置的第一端部特别是第一纵向端部,即关于升降装置的纵向方向的第一端部。升降装置的纵向方向尤其在移动期间或在扫描期间例如能够对应于或近似对应于运输交通工具的纵向方向。
特别地,第一单独图像是第一图像数据流的单独图像。
根据至少一个实施方式,借助于相机系统的、布置在升降装置的与第一端部相对置的第二端部处的第二相机产生第二图像数据流。为了分析至少一个图像数据流,利用神经网络借助于计算单元分析第二图像数据流。基于第二单独图像中的第二图像数据流分析借助于计算单元识别第二标记。在此,第二瞬时位置对应于第二相机的瞬时位置。
特别地,第二单独图像是第二图像数据流的单独图像。
通过为了识别标记而相应设置专用相机,加速了扫描过程,因为不必扫描整个运输交通工具,相机系统因此不必在运输交通工具的整个长度上移动。
根据至少一个实施方式,借助于相机系统的、布置在升降装置的第一端部处的第三相机产生至少一个图像数据流的第三图像数据流。利用神经网络借助于计算单元分析第三图像数据流。基于第三单独图像中的第三图像数据流分析借助于计算单元识别第三标记。当识别到第三标记时,根据相机系统的第三瞬时位置借助于计算单元确定第三标记的位置,第三瞬时位置对应于第三相机的瞬时位置。
根据至少一个实施方式,借助于相机系统的、布置在升降装置的第二端部处的第四相机产生至少一个图像数据流的第四图像数据流。利用神经网络借助于计算单元分析第四图像数据流,并且基于第四单独图像中的第四图像数据流分析借助于计算单元识别第一标记。当识别到第四标记时,借助于计算单元根据相机系统的第四瞬时位置确定第四标记的位置,第四瞬时位置对应于第四相机的瞬时位置。
因此,在这种实施方式中,在运输交通工具的每个纵向端部处分别识别两个标记。在此,能够将第三标记和第四标记的识别视为第一标记或第二标记的识别的冗余。由此能够提高方法的稳定性和可靠性。
根据至少一个实施方式,尤其当运输交通工具被设计为或具有火车车厢时,第一标记包括运输交通工具的缓冲器或缓冲盘。替代地或附加地,第一标记能够包括负载固定器,利用负载固定器例如能够固定或定位卸在运输交通工具上的集装箱。这种负载固定器也能够被称为销钉。
根据至少一个实施方式,基于至少一个图像数据流、特别第一图像数据流的分析,利用神经网络将缓冲器和/或负载固定器识别为第一标记。
根据至少一个实施方式,第二标记包括运输交通工具的另外的缓冲器和/或运输交通工具的另外的负载固定器。
根据至少一个实施方式,基于至少一个图像数据流、特别第二图像数据流的分析,利用神经网络,将运输交通工具的另外的缓冲器和/或另外的负载固定器识别为第二标记。
相应的实施方式也直接用于第三标记和/或第四标记。
各个标记因此特别地能够包括缓冲器或负载固定器、或由缓冲器和负载固定器构成的组合。
将缓冲器用于标记特别地具有以下优点,即火车车厢作为运输交通工具在各种情况下都具有这种缓冲器。此外,缓冲器总是布置在火车车厢的相应的纵向端部处,使得其特别良好地适合作为标记。此外,火车车厢的缓冲器的几何形状相对统一。此外显示,神经网络良好地适合于识别图像数据流中的缓冲器。
将负载固定器用于缓冲器特别具有如下优点,即运输交通工具为了运输集装箱通常具有这种负载固定器,以能够固定或限定地定位集装箱。负载固定器也有利地通常位于火车车厢或载重汽车挂车的相应的纵向端部处。利用神经网络也能够可靠地识别负载固定器。
特别地,为了识别图像数据流中的缓冲器和/或负载固定器而训练神经网络。
根据至少一个实施方式,根据第一标记在第一单独图像中的布置借助于计算单元确定第一标记的位置。
根据至少一个实施方式,根据第二标记在第二单独图像中的布置借助于计算单元确定第二标记的位置。
根据至少一个实施方式,根据第三标记在第三单独图像中的布置借助于计算单元确定第三标记的位置,和/或根据第四标记在第四单独图像中的布置借助于计算单元确定第四标记的位置。
“标记之一在相应的单独图像中的布置”能被理解为相应的标记在相应的单独图像中的相应的成像。能够在识别到标记时或之后例如利用神经网络或根据计算单元的另一软件模块来确定标记在单独图像中的成像的位置或布置。
特别有利地,根据相应标记在单独图像中的布置确定相应标记的位置的实施方式与将相机系统的相应的瞬时位置用于标记的位置确定的实施方式组合。通过相机系统的瞬时位置与相应标记在相应的单独图像中的布置的组合,尤其能以高精度确定相应的标记相对于预设坐标系的位置。
根据至少一个实施方式,基于第一标记和第二标记的位置,借助于计算单元确定第一标记和第二标记的相互间距或第一间距。根据该间距,借助于升降装置来装卸负载。
该间距特别地对应于沿运输交通工具的纵轴线的间距。
如果标记之一包括多个物体,例如包括缓冲器和负载固定器,那么能够同样明确地限定标记的位置。例如,其在此能够是两个物体之一的位置或多个物体的平均位置。
根据至少一个实施方式,基于第三标记和第四标记的位置,借助于计算单元确定第三标记和第四标记彼此间的另一间距或第二间距。借助于升降装置根据该间距和该另一间距来装卸负载。
对另一间距的确定例如能够被视为对间距的确定的冗余。
根据至少一个实施方式,基于第一标记和第四标记的位置确定第一标记和第四标记彼此的第三间距,和/或基于第二标记和第三标记的位置确定第二标记和第三标记彼此的第四间距。借助于升降装置根据第一间距、第二间距、第三间距和/或第四间距来确定负载。
尤其只用四个间距之一就足够了,以借助于升降装置自动地装卸负载。由此能够进一步提高方法的可靠性,即在没有识别到个别标记的情况下还确定间距中的至少一个并且能够将其考虑用于自动装卸。
根据至少一个实施方式,计算单元被设置用于基于间距中的至少一个确定运输交通工具和/或负载的类型、特别是运输交通工具和/或负载的长度。此外,还能从间距确定负载的或由运输交通工具和负载构成的组合的高度。
基于相应的预设标准,能够根据确定的间距明确地确定相应的车厢类型或负载类型。必要时,为了明确的确定还能考虑至少一个图像数据流的分析中的其他信息,例如负载固定器在运输交通工具上的布置。
根据至少一个实施方式,根据第一标记、第二标记、第三标记和/或第四标记,和/或根据第一间距、第二间距、第三间距和/或第三间距,借助于起重机系统的控制装置设置升降装置、驱动系统、控制装置和/或起重机系统的至少一个工作参数,以自动地装卸负载。
计算单元尤其能够涉及运输交通工具的类型、例如运输交通工具的长度,或涉及传输至控制装置的、标记的位置或间距的信息。控制装置随后能够由此将根据所设的工作参数限定的任务传输至驱动系统,从而装卸负载。
至少一个工作参数特别地包括升降装置的移出长度和/或升降装置的下降高度。至少一个工作参数还能包括下降速度或提升速度和/或驱动器的转速。
根据该改进方案的另一个单独方面,还能提出一种用于装卸负载的起重机系统。该起重机系统具有相机系统、具有人工神经网络的计算单元、控制装置以及升降装置。相机系统被设置用于产生至少一个图像数据流。计算单元被设置用于利用神经网络分析至少一个图像数据流。计算单元被设置用于基于至少一个图像数据流的分析来识别至少一个图像数据流的第一单独图像中的第一标记和至少一个图像数据流的第二单独图像中的第二标记。计算单元被设置用于确定第一标记的位置和第二标记的位置。例如,包括控制单元或控制设备的控制装置被设置用于根据标记的位置驱控升降装置,以自动地装卸负载。
特别地,控制装置例如经由因特网协议(IP)连接与计算单元耦联。
控制装置能够完全或部分地包括计算单元,或者相反。
根据至少一个实施方式,起重机系统具有驱动系统并且控制装置能够驱控驱动系统,以移动升降装置。驱动系统特别地包括马达和变速器。
根据起重机系统的至少一个实施方式,控制装置被设置用于,在产生至少一个图像数据流期间沿运输交通工具的纵向方向移动相机系统。计算单元被设置用于,当识别到第一标记时根据相机系统的第一瞬时位置来确定第一标记的位置。计算单元被设置用于,当识别到第二标记时根据相机系统的第二瞬时位置来确定第二标记的位置。根据起重机系统的至少一个实施方式,控制装置被设置用于驱控起重机系统的该驱动系统或另一驱动系统,以沿运输交通工具的纵向方向移动相机系统。
根据起重机系统的至少一个实施方式,相机系统具有布置在升降装置的第一端部处的第一相机,以产生至少一个图像数据流的第一图像数据流。计算单元被设置用于,为了分析至少一个图像数据流,利用神经网络分析第一图像数据流并且基于第一图像数据流的分析识别第一标记。在此,第一瞬时位置对应于第一相机的瞬时位置。
根据至少一个实施方式,相机系统具有布置在升降装置的与第一端部相对置的第二端部处的第二相机,以产生至少一个图像数据流的第二图像数据流。计算单元被设置用于,利用神经网络来分析第二图像数据流的至少一个图像数据流,并且基于第二图像数据流的分析来识别第二标记。在此,第二瞬时位置对应于第二相机的瞬时位置。
根据至少一个实施方式,相机系统具有布置在升降装置的第一端部处的第三相机,以产生第三图像数据流,还具有布置在升降装置的第二端部处的第四相机,以产生第四图像数据流。计算单元被设置用于利用神经网络来分析第三图像数据流和第四图像数据流。计算单元被设置用于,基于第三图像数据流的分析来识别第三图像数据流的第三单独图像中的第三标记,并且基于第四图像数据流的分析来识别第四图像数据流的第四单独图像中的第四标记。计算单元被设置用于,当识别到第三标记时根据第三相机的第三瞬时位置来确定第三标记的位置,并且当识别到第四标记时根据第四相机的第四瞬时位置来确定第四标记的位置。控制装置被设置用于根据第一标记、第二标记、第三标记和第四标记的位置来驱控起重机系统的升降装置,以自动地装卸负载。
根据至少一个实施方式,升降装置具有矩形的或大致为矩形的基本形状,并且第一相机和第二相机布置在矩形的基本形状的相应的角处。
根据至少一个实施方式,第三和第四相机布置在矩形的基本形状的另外的相应的角处。四个相机因此布置在矩形的基本形状的四个不同的角处。
升降装置例如能够设计为集装箱索具。升降装置例如能够具有H形或大致为矩形的伸缩框架,其中,伸缩框架例如限定升降装置的矩形的基本形状。
根据至少一个实施方式,起重机系统被设计为集装箱起重机或集装箱装卸桥,尤其用于转运或装卸国际标准ISO的集装箱。
根据改进方案的起重机系统的其他实施方式直接从根据改进方案的用于装卸负载的方法的已阐述的设计方案中得出,并且反之亦然。特别地,能够将关于针对根据改进方案的方法的各种实施方式的各个特征和相应说明类似地转用于根据改进方案的起重机系统的相应实施方式。例如,根据改进方案的起重机系统能够被设置或编程用于执行根据改进方案的方法,或者起重机系统执行根据改进方案的方法。
根据改进方案的另一个单独方面,提出训练用于装卸负载的起重机系统、特别是训练根据改进方案的起重机系统的训练方法,或者提出训练用于这种起重机系统或方法的人工神经网络的训练方法。为此,借助于起重机系统的相机系统产生至少一个训练图像数据流,并且借助于未训练的或预先训练的人工神经网络对其进行分析。特别地,借助于操作员从至少一个图像数据流中选出参考单独图像,预设类型的标记分别成像到该参考单独图像上。将选择出的单独图像预设为用于神经网络的参考、特别是正参考,以训练神经网络。
按照根据改进方案的用于装卸负载的方法的至少一个实施方式,起重机系统或人工神经网络按照根据改进方案的训练方法来训练。
按照根据改进方案的用于装卸负载的方法的至少一个实施方式,该方法包括训练根据改进方案的起重机系统的训练方法的实施方式的方法步骤,该起重机系统用于装卸负载。在此,将图像数据流用作为训练图像数据流。由此,能够有利地在生产运行期间进一步训练神经网络,从而在正常运行时能够连续地提高分析的精度。
按照根据改进方案的起重机系统的至少一个实施方式,起重机系统或起重机系统的神经网络按照根据改进方案的训练方法来训练。
根据改进方案的另一个单独方面,提出一种具有指令的计算机程序。在由根据改进方案的起重机系统、尤其由起重机系统的计算单元执行计算机程序时,指令使起重机系统实施根据改进方案的用于装卸负载的方法。
根据改进方案的另一个单独方面,提出一种计算机可读的存储介质,在存储介质上存储有根据改进方案的计算机程序。
附图说明
下面,根据具体的实施例和所属的示意图详细阐述本发明。在附图中,相同的或功能相同的元件具有相同的附图标记。相同的或功能相同的元件的说明必要时不一定针对各个附图重复进行。
附图示出:
图1示出根据改进方案的起重机系统的示例性实施方式的示意图;
图2示出根据改进方案的用于装卸负载的方法的示例性实施方式的示意性的流程图;并且
图3示出根据改进方案的方法的另外的示例性实施方式中的示例性的单独图像。
具体实施方式
图1示出根据改进方案的起重机系统8的示例性实施方式。起重机系统8例如被设计为集装箱起重机并且特别地具有框架7。起重机系统8还具有集装箱索具27,该集装箱索具例如经由起重小车31与框架7可移动地连接。
起重机系统8还具有控制装置26,该控制装置被设置用于驱控起重小车31以移动集装箱索具27。此外,控制装置26例如能够驱控集装箱索具27,从而能够设置集装箱索具27的伸缩框架32的移出长度。此外,控制装置26例如能够控制集装箱索具27的高度。
集装箱索具27的伸缩框架32例如具有矩形的基本形状。集装箱系统8例如在伸缩框架32的每个角处具有相机9、10、11、12,其中分别布置和定向相机9、10、11、12以使其观察方向朝下,尤其沿运输交通工具30的方向布置,运输交通工具在图1中示例性地被设计为火车车厢。
相机9、10、11、12例如能够安置在相应的钢壳体中,以尽量减小由雨水或污物引起的损害。例如,相机9、10、11、12各自以例如20度至25度、尤其是大致22度的角度配备镜头。
运输交通工具30在第一端部处具有第一缓冲器14和第三缓冲器16,并且在相对置的第二端部处具有第二缓冲器15和第四缓冲器17。运输交通工具30例如能够沿运输交通工具30的纵向方向29移动,该纵向方向例如对应于轨道定向。
运输交通工具30例如承载集装箱28,尤其承载标准化的国际标准ISO的集装箱。为了将集装箱28固定或定位在运输交通工具30上,运输交通工具30可选地在第一端部处具有第一负载固定器18和第三负载固定器20,并且在运输交通工具30的第二端部处具有第二负载固定器19和第四负载固定器21。
起重机系统8还具有计算单元13,该计算单元例如与控制装置26耦合连接。人工神经网络存储在计算单元13上。为了进行图像数据、例如相机图像中的图案识别而训练神经网络。特别地,神经网络被训练用于在相机9、10、11、12的相应的图像数据流中识别缓冲器14、15、16、17的成像和/或负载固定器18、19、20、21的成像。
此外,计算单元33能够具有根据改进方案的计算机可读的存储介质34,在该存储介质上存储根据改进方案的计算机程序。
下面参考图2和图3详细阐述起重机系统8的工作方式。
图2示出根据改进方案的用于装卸负载的方法的示例性流程图。
在该方法的步骤1中,借助于相机9、10、11、12产生相应的图像数据流。为此,集装箱索具27移动经过运输交通工具30,尤其沿纵向方向29移动。例如,能够根据相应的相机信号将图像数据流作为直播流传输至计算单元13。计算单元13能够以数字或模拟的方式读取并且在该方法的步骤2中利用神经网络分析该图像数据流。
例如能够由起重机的控制装置26或自动化单元启动步骤1中的扫描过程,自动化单元与计算单元13以及控制装置26耦联。在此,例如能够确保的是,运输交通工具30尤其在整个扫描过程期间位于固定位置并且在开始时就不再移动。
在扫描过程期间,计算单元13例如从控制装置26或自动化单元接收集装箱索具27的相应的中间位置。特别地,计算单元13针对图像数据流的单独图像或对于单独图像的预设部分获得集装箱索具27的中间位置。
根据以多大速率提供中间位置,也能够将多个单独图像分配给同一个中间位置。例如,用于提供中间位置的速率能够根据扫描速度、即集装箱索具27的移动速度来选择。
作为实例,当集装箱索具27的速度或扫描速度为每秒0.3米时,则能够大约每100ms提供一次中间位置。这被证明对于方法的精度是有利的。
计算单元在该方法的步骤2中分析相机9、10、11、12的图像数据流。
在特定的时间点,第一缓冲器14例如位于第一相机9的观察区域中。神经网络在所属的图像数据流的相应的单独图像中识别出预设的标记已成像。类似地,在相应的时间点,第二缓冲器15位于第二相机10的观察区域中,第三缓冲器16位于第三相机11的观察区域中,并且第四缓冲器17位于第四相机12的观察区域中。神经网络在相应的图像数据流中分别识别出存在预设的标记。
在该方法的步骤3中,借助于计算单元13确定缓冲器14、15、16、17的参照由框架7确定的参考坐标系的相应位置。为此,尤其能够根据集装箱索具27的分别设置的移出长度和集装箱索具27的当前的中间位置来计算缓冲器14、15、16、17的相应的中间位置。可选地,在缓冲器14、15、16、17的中间位置的计算中还能考虑标记在相应的单独图像内的布置,以提高精度。
在该方法的步骤4中,从缓冲器14、15、16、17的特定位置确定第一缓冲器14与第二缓冲器15之间或第三缓冲器16与第四缓冲器17之间的相应的间距。通过考虑由第一相机9和第二相机10构成的相机对以及由第三相机11和第四相机12构成的相机对的探测结果,实现方法的特别高的稳定性。
在该方法的步骤5中,借助于计算单元13或借助于自动化单元能够从特定的间距确定运输交通工具30的准确长度,并且基于此确定运输交通工具30的准确类型,例如经由存储在计算单元13或自动化单元中的数据库中的数据来确定。
在该方法的步骤6中,使用关于准确的交通工具类型的信息,以借助于集装箱索具27自动地装卸负载28。为此,例如能够根据集装箱类型设置集装箱索具27或起重机系统8的工作配置。替代地或附加地,能够根据车辆类型进行装卸的逻辑协调。
用于自动化装卸的相应的信息例如能够借助于控制装置26、计算单元13或自动化单元来提供,或者由上级的起重机管理系统来提供。
代替缓冲器14、15、16、17或作为其附加物,能够将负载固定器18、19、20、21用作为用于由神经网络识别的、预设的标记或图案。
图3示出相机9、10、11、12的示例性的单独图像22、23、24、25,其中,第一单独图像22对应于相机9的单独图像,第二单独图像23对应于第二相机10的单独图像,第三单独图像24对应于第三相机11的单独图像,并且第四单独图像25对应于第四相机12的单独图像。
图3例如示出没有负载28的运输交通工具30。
单独图像22、23、24、25例如能够是用于在使用根据改进方案的训练方法期间训练神经网络的训练图像。
为了建立用于训练神经网络的训练数据,将相应的标签信息(即关于所期望的被查询图案在图像中的位置的相应信息)分配给单独图像22、23、24、25。
为了训练目的,例如能够直接地从视频序列(即相应的训练图像数据流)中提取并存储单独图像22、23、24、25。为此,操作员例如能够将边界框定位在缓冲器14、15、16、17或负载固定器18、19、20、21的相应的位置处,以匹配神经网络的相应的权重。
例如能够借助于CPU(中央处理单元)或GPU(图形处理单元)进行神经网络的训练。因为神经网络为了训练会需要大的计算能力,例如能够基于云计算机或其他计算系统在起重机系统外部进行训练。
根据改进方案,能够实现借助于起重机系统部分或完全自动地装卸负载。通过使用神经网络实现该方法的特别高的可靠性、安全性和速度。尤其表明的是,根据改进方案能够以1cm至2cm的精度确定标记位置。
当提供来自起重机自动化系统的附加信息(例如运输交通工具的期望的类型或运输交通工具的期望的高度或运输交通工具上的负载)时,能够进一步减小干扰影响。借助于可信度测试,能够丢弃例如因污物或气候影响引起的错误识别的位置,以提高评估的稳定性。这例如能够通过设置冗余的相机对来实现。
例如能够使用模拟相机或网络相机(IP相机)作为相机。该相机能够例如为了远程控制而一直安装在起重机上,从而对于该相机不产生用于硬件和安装的附加成本。
改进方案的其他优点是相对低的购置成本和在系统投入运行和校准时的小的时间开销。维护开销由于使用相机和可能的相应的保护壳体而也是小的。通过使用神经网络,实现了特别高的探测速率和可靠性。
Claims (15)
1.一种利用起重机系统(8)装卸负载(28)的方法,其特征在于,
借助于所述起重机系统(8)的相机系统(9、10、11、12)产生至少一个图像数据流;
利用人工的神经网络借助于所述起重机系统(8)的计算单元(13)分析至少一个所述图像数据流;
基于所述分析,借助于所述计算单元(13)识别至少一个所述图像数据流的第一单独图像(22)中的第一标记(14、18)和至少一个所述图像数据流的第二单独图像(23)中的第二标记(15、19);
借助于所述计算单元(13)确定所述第一标记(14、18)的位置和所述第二标记(15、19)的位置;并且
根据标记(14、15、18、19)的位置,借助于所述起重机系统(8)的升降装置(27)自动地装卸所述负载(28)。
2.根据权利要求1所述的方法,其特征在于,
在产生至少一个所述图像数据流期间沿运输交通工具(30)的纵向方向(29)移动所述相机系统(9、10、11、12);并且
当识别到所述第一标记(14、18)时,根据所述相机系统(9、10、11、12)的第一瞬时位置借助于所述计算单元(13)确定所述第一标记(14、18)的位置;并且
当识别到所述第二标记(15、19)时,根据所述相机系统(9、10、11、12)的第二瞬时位置借助于所述计算单元(13)确定所述第二标记(15、19)的位置。
3.根据权利要求2所述的方法,其特征在于,
借助于所述相机系统(9、10、11、12)的、布置在所述升降装置(27)的第一端部处的第一相机(9)产生第一图像数据流;
利用所述神经网络借助于所述计算单元(13)分析所述第一图像数据流;
基于所述第一图像数据流的分析借助于所述计算单元(13)识别所述第一标记(14、15);并且
所述第一瞬时位置对应于所述第一相机(9)的瞬时位置。
4.根据权利要求3所述的方法,其特征在于,
借助于所述相机系统(9、10、11、12)的、布置在所述升降装置(27)的与所述第一端部相对置的第二端部处的第二相机(10)产生第二图像数据流;
利用所述神经网络借助于所述计算单元(13)分析所述第二图像数据流;
基于所述第二图像数据流的分析借助于所述计算单元(13)识别所述第二标记(15、19);并且
所述第二瞬时位置对应于所述第二相机(10)的瞬时位置。
5.根据权利要求2至4中任一项所述的方法,其特征在于,
基于至少一个所述图像数据流的分析,利用所述神经网络:
将所述运输交通工具(30)的缓冲器(14)和/或负载固定器(18)识别为所述第一标记(14、18);并且
将所述运输交通工具(30)的另外的缓冲器(15)和/或另外的负载固定器(19)识别为所述第二标记(15、19)。
6.根据权利要求1至5中任一项所述的方法,其特征在于,
根据所述第一标记(14、18)在所述第一单独图像(22)中的布置借助于所述计算单元(13)确定所述第一标记(15、19)的位置;并且
根据所述第二标记(15、19)在所述第二单独图像(23)中的布置借助于所述计算单元(13)确定所述第二标记(15、19)的位置。
7.根据权利要求1至6中任一项所述的方法,其特征在于,
基于标记(14、15、18、19)的位置,借助于所述计算单元(13)确定标记(14、15、18、19)的相互间距;并且
根据所述间距借助于所述升降装置(27)装卸所述负载(28)。
8.根据权利要求1至7中任一项所述的方法,其特征在于,
根据标记(14、15、18、19)的位置,借助于所述起重机系统(8)的控制装置(26)设置所述起重机系统(8)的或所述升降装置(27)的至少一个工作参数,以自动地装卸所述负载(28)。
9.一种用于装卸负载(28)的起重机系统,其特征在于,
所述起重机系统(8)具有相机系统(9、10、11、12),所述相机系统被设置用于产生至少一个图像数据流;
所述起重机系统具有计算单元(13),所述计算单元具有人工的神经网络,所述计算单元(13)被设置用于利用所述神经网络分析至少一个所述图像数据流;
所述计算单元(13)被设置用于,基于所述分析来识别至少一个所述图像数据流的第一单独图像(22)中的第一标记(14、18)和至少一个所述图像数据流的第二单独图像(23)中的第二标记(15、19);
所述计算单元(13)被设置用于确定所述第一标记(14、18)的位置和所述第二标记(15、19)的位置;并且
所述起重机系统(8)具有控制装置(26),所述控制装置被设置用于根据标记(14、15、18、19)的位置驱控所述起重机系统(8)的升降装置(27),以自动地装卸所述负载(28)。
10.根据权利要求9所述的起重机系统,其特征在于,
所述控制装置(26)被设置用于,在产生至少一个所述图像数据流期间沿运输交通工具(30)的纵向方向(29)移动所述相机系统(9、10、11、12);并且
所述计算单元(13)被设置用于,当识别到所述第一标记(14、18)时根据所述相机系统(9、10、11、12)的第一瞬时位置来确定所述第一标记(14、18)的位置;并且
所述计算单元(13)被设置用于,当识别到所述第二标记(15、19)时根据所述相机系统(9、10、11、12)的第二瞬时位置来确定所述第二标记(15、19)的位置。
11.根据权利要求10所述的起重机系统,其特征在于,
所述相机系统(9、10、11、12)具有布置在所述升降装置(27)的第一端部处的第一相机(9),以产生第一图像数据流;
所述计算单元(13)被设置用于利用所述神经网络来分析所述第一图像数据流;
所述计算单元(13)被设置用于基于所述第一图像数据流的分析来识别所述第一标记(14、15);并且
所述第一瞬时位置对应于所述第一相机(9)的瞬时位置。
12.根据权利要求11所述的起重机系统,其特征在于,
所述相机系统(9、10、11、12)具有布置在所述升降装置(27)的、与所述第一端部相对置的第二端部处的第二相机(10),以产生第二图像数据流;
所述计算单元(13)被设置用于利用所述神经网络来分析所述第二图像数据流;
所述计算单元(13)被设置用于基于所述第二图像数据流的分析来识别所述第二标记(15、19);并且
所述第二瞬时位置对应于所述第二相机(10)的瞬时位置。
13.根据权利要求12所述的起重机系统,其特征在于,
所述相机系统(9、10、11、12)具有布置在所述升降装置的所述第一端部处的第三相机(11),以产生第三图像数据流,所述相机系统还具有布置在所述升降装置的所述第二端部处的第四相机(12),以产生第四图像数据流;
所述计算单元(13)被设置用于利用所述神经网络来分析所述第三图像数据流和所述第四图像数据流;
所述计算单元(13)被设置用于,基于所述第三图像数据流的分析来识别所述第三图像数据流的第三单独图像(24)中的第三标记(16、20),并且基于所述第四图像数据流的分析来识别所述第四图像数据流的第四单独图像(25)中的第四标记(17、21);
所述计算单元(13)被设置用于,当识别到所述第三标记(16、20)时根据所述第三相机(11)的第三瞬时位置来确定所述第三标记(16、20)的位置,并且当识别到所述第四标记(17、21)时根据所述第四相机(12)的第四瞬时位置来确定所述第四标记(17、21)的位置;并且
所述控制装置(26)被设置用于根据所述第三标记和所述第四标记(16、17、20、21)的位置来驱控所述起重机系统(8)的所述升降装置(27),以自动地装卸所述负载(28)。
14.根据权利要求12或13所述的起重机系统,其特征在于,
所述升降装置(27)具有大致为矩形的基本形状;并且
所述第一相机和所述第二相机(9、10)布置在矩形的基本形状的角处。
15.一种具有指令的计算机程序,在由根据权利要求9至14中任一项所述的起重机系统(8)执行所述计算机程序时,所述指令使所述起重机系统(8)实施根据权利要求1至8中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19179438.7A EP3750842B1 (de) | 2019-06-11 | 2019-06-11 | Verladen einer last mit einem kransystem |
EP19179438.7 | 2019-06-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112061989A true CN112061989A (zh) | 2020-12-11 |
Family
ID=66821087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010525780.7A Pending CN112061989A (zh) | 2019-06-11 | 2020-06-10 | 利用起重机系统装卸负载的方法和起重机系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11584622B2 (zh) |
EP (1) | EP3750842B1 (zh) |
KR (1) | KR102444041B1 (zh) |
CN (1) | CN112061989A (zh) |
SG (1) | SG10202003697XA (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4046955A1 (de) | 2021-02-23 | 2022-08-24 | Siemens Aktiengesellschaft | Verfahren zur kollisionsfreien bewegung eines krans |
CN113044736B (zh) * | 2021-06-01 | 2021-08-13 | 新乡职业技术学院 | 一种具有吊索稳定控制的起重机 |
CN113763369B (zh) * | 2021-09-13 | 2023-06-02 | 杭州大杰智能传动科技有限公司 | 基于图像特征分析的塔吊夹具物料匹配性识别方法和装置 |
CN114604766B (zh) * | 2022-01-24 | 2023-06-02 | 杭州大杰智能传动科技有限公司 | 用于智能塔吊的物料堆码空间图像识别分析方法和装置 |
WO2023186316A1 (en) * | 2022-03-31 | 2023-10-05 | Siemens Aktiengesellschaft | Method and system for quality assessment of objects in an industrial environment |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215367A1 (en) * | 2000-08-04 | 2004-10-28 | King Henry S. | Method and apparatus supporting container identification for multiple quay cranes |
JP2008168952A (ja) * | 2007-01-05 | 2008-07-24 | Mitsubishi Heavy Ind Ltd | 位置ずれ量算出方法およびクレーン並びに搬送台車 |
CN102115010A (zh) * | 2010-09-27 | 2011-07-06 | 成都西部泰力起重机有限公司 | 一种带有机器视觉、定位系统的智能起重机 |
CN105431370A (zh) * | 2013-08-12 | 2016-03-23 | Abb技术有限公司 | 用于使用集装箱起重机将集装箱自动地卸货在卸货目标上的方法和系统 |
CN105438993A (zh) * | 2014-09-24 | 2016-03-30 | 西门子公司 | 自动地光学确定集装箱吊具的目标位置的方法和系统 |
CN106966298A (zh) * | 2017-04-17 | 2017-07-21 | 山东建筑大学 | 基于机器视觉的装配式建筑智能吊装方法与系统 |
JP2018080054A (ja) * | 2017-10-02 | 2018-05-24 | 株式会社Nttファシリティーズ | 作業支援装置、及び作業支援方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7181312B2 (en) | 2002-04-09 | 2007-02-20 | Paceco Corp. | Method and apparatus for quay container crane-based automated optical container code recognition with positional identification |
US9852511B2 (en) | 2013-01-22 | 2017-12-26 | Qualcomm Incoporated | Systems and methods for tracking and detecting a target object |
KR101861203B1 (ko) * | 2016-08-25 | 2018-05-28 | 주식회사 베셀 | 무인 자동화 후크 체결 장치 |
US10899586B2 (en) * | 2017-08-17 | 2021-01-26 | Richard A. Cranney, III | Crane position indicator |
EP3450384A3 (en) * | 2017-08-28 | 2019-05-08 | Manitowoc Crane Companies, LLC | Crane control system configured to generate a working range diagram, working range diagram for a crane, and method for generating a working range diagram for a crane. |
JP6907892B2 (ja) * | 2017-11-07 | 2021-07-21 | 村田機械株式会社 | 搬送装置 |
JP2021504262A (ja) | 2017-11-24 | 2021-02-15 | ティーエムイーアイシー コーポレーション | 着地面上のコンテナのための着地ソリューションを生成するための方法およびシステム背景 |
-
2019
- 2019-06-11 EP EP19179438.7A patent/EP3750842B1/de active Active
-
2020
- 2020-04-23 SG SG10202003697XA patent/SG10202003697XA/en unknown
- 2020-06-09 KR KR1020200069651A patent/KR102444041B1/ko active IP Right Grant
- 2020-06-10 CN CN202010525780.7A patent/CN112061989A/zh active Pending
- 2020-06-10 US US16/898,042 patent/US11584622B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215367A1 (en) * | 2000-08-04 | 2004-10-28 | King Henry S. | Method and apparatus supporting container identification for multiple quay cranes |
JP2008168952A (ja) * | 2007-01-05 | 2008-07-24 | Mitsubishi Heavy Ind Ltd | 位置ずれ量算出方法およびクレーン並びに搬送台車 |
CN102115010A (zh) * | 2010-09-27 | 2011-07-06 | 成都西部泰力起重机有限公司 | 一种带有机器视觉、定位系统的智能起重机 |
CN105431370A (zh) * | 2013-08-12 | 2016-03-23 | Abb技术有限公司 | 用于使用集装箱起重机将集装箱自动地卸货在卸货目标上的方法和系统 |
CN105438993A (zh) * | 2014-09-24 | 2016-03-30 | 西门子公司 | 自动地光学确定集装箱吊具的目标位置的方法和系统 |
CN106966298A (zh) * | 2017-04-17 | 2017-07-21 | 山东建筑大学 | 基于机器视觉的装配式建筑智能吊装方法与系统 |
JP2018080054A (ja) * | 2017-10-02 | 2018-05-24 | 株式会社Nttファシリティーズ | 作業支援装置、及び作業支援方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
Non-Patent Citations (1)
Title |
---|
邱刚等: "基于边缘特征和神经网络的汽车牌照定位算法", 《微机发展》 * |
Also Published As
Publication number | Publication date |
---|---|
US20200391981A1 (en) | 2020-12-17 |
US11584622B2 (en) | 2023-02-21 |
EP3750842B1 (de) | 2021-10-20 |
KR20200141944A (ko) | 2020-12-21 |
KR102444041B1 (ko) | 2022-09-15 |
SG10202003697XA (en) | 2021-01-28 |
EP3750842A1 (de) | 2020-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112061989A (zh) | 利用起重机系统装卸负载的方法和起重机系统 | |
US7013026B2 (en) | Method and apparatus of automated optical container code recognition with positional identification for a transfer container crane | |
CN111284502B (zh) | 一种牵引车组位姿检测方法及系统 | |
EP2998927B1 (en) | Method for detecting the bad positioning and the surface defects of specific components and associated detection device | |
CN112528721B (zh) | 一种桥吊集卡安全定位方法和系统 | |
US10136106B2 (en) | Train asset tracking based on captured images | |
EP3475210B1 (de) | Detektion von verriegelungsvorrichtungen | |
CN111767780B (zh) | 一种ai与视觉结合的智能集卡定位方法和系统 | |
CN110562292B (zh) | 一种铁路车辆轮对直径动态检测系统 | |
CN113448333B (zh) | 基于传感器组合的底部巡检定位方法、装置及电子设备 | |
JP2017228198A (ja) | 半自動トレーラとコンテナターミナルシステム | |
CN111784627A (zh) | 一种车辆的集装箱对位方法 | |
CN109993788B (zh) | 一种轮胎吊的纠偏方法、装置及系统 | |
CN114119741A (zh) | 一种基于机器视觉的岸桥控制方法和装置 | |
CN112907532B (zh) | 基于Faster RCNN改进的货车车门脱落检测方法 | |
CN114170252A (zh) | 一种基于机器视觉的集卡车头防砸保护系统及方法 | |
CN115244585A (zh) | 用于控制货场上的车辆的方法、行驶控制单元和车辆 | |
CN115410399A (zh) | 一种货车停车方法、装置及电子设备 | |
CN114119742A (zh) | 一种基于机器视觉的集卡定位方法和装置 | |
CN112551195B (zh) | 车辆与登车桥对接的方法及月台管理系统 | |
CN112580517A (zh) | 集卡车头防砸保护系统及方法、计算机存储介质、龙门吊 | |
CN112819894A (zh) | 一种集卡引导定位系统及方法、计算机存储介质、龙门吊 | |
CN114714360B (zh) | 一种基于距离值序列约束的转向架轮对定位系统和方法 | |
CN115601429A (zh) | 一种基于机器视觉的自动化铁路集装箱堆场火车首车定位方法 | |
US20050131574A1 (en) | Method and apparatus for quay container crane-based automated optical container code recognition with positional identification |
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 |