CN112561882A - 物流的分拣方法、系统、设备及存储介质 - Google Patents

物流的分拣方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN112561882A
CN112561882A CN202011492862.2A CN202011492862A CN112561882A CN 112561882 A CN112561882 A CN 112561882A CN 202011492862 A CN202011492862 A CN 202011492862A CN 112561882 A CN112561882 A CN 112561882A
Authority
CN
China
Prior art keywords
preset
logistics
sorting
information
image
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
CN202011492862.2A
Other languages
English (en)
Other versions
CN112561882B (zh
Inventor
丁孟嘉
夏兴邦
李毅锋
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.)
Shenzhen Liuhe Intelligent Perception System Technology Co ltd
Original Assignee
Shenzhen Liuhe Intelligent Perception System Technology Co ltd
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 Shenzhen Liuhe Intelligent Perception System Technology Co ltd filed Critical Shenzhen Liuhe Intelligent Perception System Technology Co ltd
Priority to CN202011492862.2A priority Critical patent/CN112561882B/zh
Publication of CN112561882A publication Critical patent/CN112561882A/zh
Application granted granted Critical
Publication of CN112561882B publication Critical patent/CN112561882B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C3/00—Sorting according to destination
    • B07C3/10—Apparatus characterised by the means used for detection ofthe destination
    • B07C3/14—Apparatus characterised by the means used for detection ofthe destination using light-responsive detecting means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • 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
    • G06T5/70—
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20024—Filtering details
    • 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]
    • 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
    • G06T2207/30108—Industrial image inspection

Abstract

本发明涉及图像识别领域，公开了一种物流的分拣方法、系统、设备及存储介质。该方法包括：货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断目标货物是否遮挡激光射线；若遮挡激光射线，则目标货物的到达信息发送至图像采集系统；图像采集系统接收到达信息，并根据预置测量高度和预置测量宽度，对目标货物进行图像抓取处理，得到目标货物的形状信息和物流信息；将形状信息和物流信息发送至货物抓取系统；货物抓取系统接收形状信息和物流信息，判断形状信息是否为预置规则形状；若为预置规则形状，则根据物流信息，生成分拣指令，根据分拣指令，对目标货物进行抓取分拣处理。

Description

物流的分拣方法、系统、设备及存储介质
技术领域
本发明涉及图像识别领域，尤其涉及一种物流的分拣方法、系统、设备及存储介质。
背景技术
在目前的分拣领域上，越来越多自动化分拣系统正在帮助人们提升快递的分拣效率，随着国内人工成本的急速上涨和物流产业的大幅扩大，物流分拣系统自动化、智能化的需求日益提升，用于替代人工物流分拣系统也在逐步地实现人工工序。现有市场上输送线式的物流分拣系统包括智能相机辅助的人工分拣线、六面扫描仪搭配滚珠分流系统、移动滑块分拣系统、转向皮带分流系统、机械臂静态抓取大件物品以及蜘蛛爪动态抓取小件包裹等，以上系统基本实现对包裹物体的部分分拣功能。
但是，目前物流分拣系统还存在一些问题无法解决，由于相机具有固定有限的视场、景深、一定的工作距离等限制，常常需要多数量、多角度覆盖视场，不仅造成成本较高，也增加了错拣率。因此，需要一种能保证机械臂可以准确地识别目标而且降低错拣率的技术。
发明内容
本发明的主要目的在于解决现有相机识别的容错率较低的技术问题。
本发明第一方面提供了一种物流的分拣方法，所述物流的分拣方法应用于物流的分拣系统，所述物流的分拣系统包括：货物运输检测系统，图像采集系统，货物抓取系统，所述物流的分拣方法包括：
所述货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断所述目标货物是否遮挡所述激光射线；
若遮挡所述第一激光射线，则所述目标货物的到达信息发送至所述图像采集系统；
所述图像采集系统接收所述到达信息，并根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息；
将所述形状信息和所述物流信息发送至所述货物抓取系统；
所述货物抓取系统接收所述形状信息和所述物流信息，判断所述形状信息是否为预置规则形状；
若为预置规则形状，则根据所述物流信息，生成分拣指令，以及基于预置第二激光射线，判断所述目标货物是否遮挡所述第二激光射线；
若遮挡所述第二激光射线，则根据所述分拣指令，对所述目标货物进行抓取分拣处理。
可选的，在本发明第一方面的第一种实现方式中，所述根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息包括：
根据预置测量高度和预置测量宽度调整图像抓取焦距，得到拍摄焦距；
根据所述拍摄焦距，抓取所述目标货物的图像，得到第一采集图像；
根据预置二维高斯去噪算法，对所述第一采集图像进行去噪处理，得到第二采集图像；
根据预置中值去噪算法，对所述第二采集图像进行峰值滤波处理，得到第三采集图像；
根据预置YOLO识别算法，对所述第三采集图像进行图像识别处理，得到所述目标货物的形状信息和物流信息。
可选的，在本发明第一方面的第二种实现方式中，所述根据预置二维高斯去噪算法，对所述第一采集图像进行去噪处理，得到第二采集图像包括：
获取所述第一采集图像的灰度化坐标数据，得到二维坐标数据矩阵；
根据预置去噪窗口长度，将所述二维坐标数据矩阵横向通过高斯函数映射处理，得到第一向量；
根据所述去噪窗口长度，将所述二维坐标数据矩阵纵向通过高斯函数映射处理，得到第二向量；
将所述第一向量和所述第二向量进行卷积计算，得到第二采集图像。
可选的，在本发明第一方面的第三种实现方式中，所述根据预置中值去噪算法，对所述第二采集图像进行峰值滤波处理，得到第三采集图像包括：
根据预置窗口截取矩阵，对所述第二采集图像进行灰度采样处理，得到去噪数值集；
对所述去噪数值集中的数据进行排序处理，得到排序数列，以及根据所述排序数列，提取出所述去噪数值集中的中位数；
根据所述窗口截取矩阵的中心元素定位编号，将所述第二采集图像中所述中心元素定位编号对应的像素灰度值修改为所述中位数，基于移动歩长循环调整所述第二采集图像，得到第三采集图像。
可选的，在本发明第一方面的第四种实现方式中，所述根据预置YOLO识别算法，对所述第三采集图像进行图像识别处理，得到所述目标货物的形状信息和物流信息包括：
根据预置分割框架，对所述第三采集图像进行分割处理，得到解析图像集，以及对所述解析图像集进行像素提取处理，得到图像像素矩阵集；
根据预置卷积向量和卷积歩长，对所述图像像素矩阵集中的矩阵进行卷积处理，得到所述目标物体的锁定结果矩阵；
根据预置激活函数，对所述锁定结果矩阵进行激活处理，得到所述目标货物的形状信息和物流信息。
可选的，在本发明第一方面的第五种实现方式中，所述根据预置激活函数，对所述锁定结果矩阵进行激活处理，得到所述目标货物的形状信息和物流信息包括：
根据预置激活函数，对所述锁定结果矩阵进行结果预测处理，得到结果预测集；
基于预置概率阈值，对所述结果预测集进行剔除处理，得到精准预测集；
对所述精准预测集的判定分析，确定所述目标货物的形状信息，以及得到所述目标货物的面单定位信息的物流信息。
可选的，在本发明第一方面的第六种实现方式中，所述货物抓取系统包括：N个抓取执行端口，N为正整数，所述根据所述分拣指令，对所述目标货物进行抓取分拣处理包括：
分析所述分拣指令中的指令值；
根据预置指令转换表，查询出所述指令值对应的抓取执行端口，并将所述分拣指令发送至所述抓取执行端口；
根据所述形状信息，对所述目标货物抓取，并基于所述物流信息将所述目标货物放置于设定位置。
本发明第二方面提供了一种物流的分拣系统，所述物流的分拣系统包括：
货物运输检测系统，图像采集系统，货物抓取系统，
所述货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断所述目标货物是否遮挡所述激光射线；
若遮挡所述第一激光射线，则所述目标货物的到达信息发送至所述图像采集系统；
所述图像采集系统接收所述到达信息，并根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息；
将所述形状信息和所述物流信息发送至所述货物抓取系统；
所述货物抓取系统接收所述形状信息和所述物流信息，判断所述形状信息是否为预置规则形状；
若为预置规则形状，则根据所述物流信息，生成分拣指令，以及基于预置第二激光射线，判断所述目标货物是否遮挡所述第二激光射线；
若遮挡所述第二激光射线，则根据所述分拣指令，对所述目标货物进行抓取分拣处理。
本发明第三方面提供了一种物流的分拣设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流的分拣设备执行上述的物流的分拣方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的物流的分拣方法。
附图说明
图1为本发明实施例中物流的分拣方法的第一个实施例示意图；
图2为本发明实施例中物流的分拣方法的第二个实施例示意图；
图3为本发明实施例中物流的分拣方法的第三个实施例示意图；
图4为本发明实施例中物流的分拣系统的一个实施例示意图；
图5为本发明实施例中物流的分拣系统的另一个实施例示意图；
图6为本发明实施例中物流的分拣设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种物流的分拣方法、系统、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中物流的分拣方法的第一个实施例包括：
101、货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断目标货物是否遮挡激光射线；
在本实施例中，货物运输检测系统是由一条传输带和两个激光射线判断模块组成的一个整体，传输带匀速带动目标货物，而激光射线则用来判断目标货物的运输地点状态，目标货物遮挡第一激光射线，则说明可以进行图像扫描，分析目标货物的形状和物流信息，不是标准规则形状则不进行抓取。第二激光射线则是指令机械臂或其他实际抓取设备对目标货物进行抓取，在图像检测时，已经得出目标货物的形状与旋转状态，根据形状与旋转状态进行抓取。
102、若遮挡第一激光射线，则目标货物的到达信息发送至图像采集系统；
在本实施例中，激光射线是发出射线并在对面方向接收，若货物到达设置第一激光射线的地点，则会遮挡激光，而直接触发到达信息的发送。
103、图像采集系统接收到达信息，并根据预置测量高度和预置测量宽度，对目标货物进行图像抓取处理，得到目标货物的形状信息和物流信息；
在本实施例中，接收到达到指令，则将预先设置好运输带的高度差距作为测量高度，而运输带的运输宽度设置为测量宽度，先使用高斯去噪算法，对采集图像进行第一次去噪，然后再使用中值去噪去除过大的峰值，然后再基于YOLO算法，对去噪后的图像进行识别，锁定目标图像的位置、旋转情况、在目标货物上面单的数据信息，基于数据信息得到物流信息。
104、将形状信息和物流信息发送至货物抓取系统；
在本实施例中，物流信息可以是{目的地：A地}，形状信息：正方形86*86cm，则A地的抓取由6号机器进行抓取，而正方形的物体采取吸盘抓取方案，此处为一种对应举例，并不是限定物流信息只能存在一种，可以相应增加后续机械手抓取的方案。
105、货物抓取系统接收形状信息和物流信息，判断形状信息是否为预置规则形状；
在本实施例中，抓取系统可以是N个机械手，接收形状信息和物流信息，先对形状进行判断，若是不规则形状，则认为不可以抓取，若为规则物体，则认为是可以抓取的物体。而预置规则形状可以是正多边形、菱形、梯形、圆形等形状，而若不在这些形状中，则说明不为预设的规则形状，不能进行抓取。
106、若为预置规则形状，则根据物流信息，生成分拣指令，以及基于预置第二激光射线，判断目标货物是否遮挡第二激光射线；
在本实施例中，若可抓取，则将物流信息进行分析，A地则对应1号机械手，B地则对应2号机械手，C地则对应3号机械手，根据物流信息产生相应机械手的抓取指令，并通过机械手定位前的第二激光射线，确定的目标货物的位置并进行抓取。
107、若遮挡第二激光射线，则根据分拣指令，对目标货物进行抓取分拣处理。
在本实施例中，目标货物遮挡了第二激光射线，传感器的电压发生变化，则根据分拣指令中指定的机械手抓取目标货物，并将目标货物基于预设的扭转抓取放置物体。
本发明实施例中，基于整个运输系统，通过图像数据去噪后，通过YOLO框架算法，进行图像识别，基于识别结果对目标货物进行抓取，解决了现有物流领域上图像识别的容错率较低的情况。
请参阅图2，本发明实施例中物流的分拣方法的第二个实施例包括：
201、货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断目标货物是否遮挡激光射线；
202、若遮挡第一激光射线，则目标货物的到达信息发送至图像采集系统；
203、图像采集系统接收到达信息；
201-203的实施例，具体内容与第一个实施例类似，在此不做赘述。
204、根据预置测量高度和预置测量宽度调整图像抓取焦距，得到拍摄焦距；
在本实施例中，测量高度和测量宽度与焦距关系是通过实验写入对应表格中，通过对应表格进行调取焦距。
205、根据拍摄焦距，抓取目标货物的图像，得到第一采集图像；
在本实施例中，基于查询的拍摄焦距获取目标货物的图像，对目标货物进行抓取得到第一采集图像。
206、获取第一采集图像的灰度化坐标数据，得到二维坐标数据矩阵；
在本实施例中，对第一采集图像的像素进行灰度化，灰度化后的数据在整个图像排列方式，生成二维坐标数据矩阵。
207、根据预置去噪窗口长度，将二维坐标数据矩阵横向通过高斯函数映射处理，得到第一向量；
在本实施例中，去噪窗口长度为1000*1000，通过高斯函数
Figure BDA0002841222170000061
其中，a为去噪窗口样本的最大值，b为平均值，c为方差值，对去噪窗口横向过滤处理。
208、根据去噪窗口长度，将二维坐标数据矩阵纵向通过高斯函数映射处理，得到第二向量；
在本实施例中，通过高斯
Figure BDA0002841222170000062
进行纵向处理，得到第二向量。
209、将第一向量和第二向量进行卷积计算，得到第二采集图像；
在本实施例中，第一向量与第二向量形状为1*7和7*1，进行乘积得到7*7的图像，依次对所有的第一采集图像进行过滤处理得到第二采集图像，也可以直接对整个图像进行调整，卷积得到结果。
210、根据预置窗口截取矩阵，对第二采集图像进行灰度采样处理，得到去噪数值集；
在本实施例中，窗口截取矩阵为3*3的形状，依次对第二采集图像进行采样，得到3*3的矩阵数据。
211、对去噪数值集中的数据进行排序处理，得到排序数列，以及根据排序数列，提取出去噪数值集中的中位数；
在本实施例中，对3*3的9个元素排序，找到其中第五位数据。
212、根据窗口截取矩阵的中心元素定位编号，将第二采集图像中中心元素定位编号对应的像素灰度值修改为中位数，基于移动歩长循环调整第二采集图像，得到第三采集图像；
在本实施例中，对3*3中的元素的像素灰度大小替换为第五位数据，依次调整整个采集图像，得到第三采集图像。
213、根据预置分割框架，对第三采集图像进行分割处理，得到解析图像集，以及对解析图像集进行像素提取处理，得到图像像素矩阵集；
在本实施例中，分割框架为40*40紧密排布的正方形，对第三采集图像进行分割处理处理，得到1600个解析图，对解析图的像素进行灰度化提取，得到1600个矩阵组成的图像像素矩阵集，其中每个矩阵包含1800*1800个像素值。
214、根据预置卷积向量和卷积歩长，对图像像素矩阵集中的矩阵进行卷积处理，得到目标物体的锁定结果矩阵；
在本实施例中，卷积向量是训练得到的5*5的卷积向量，卷积步长是5，对600个矩阵组成的图像像素矩阵集中的矩阵进行卷积，再基于n层权重矩阵乘积，得到锁定结果矩阵。
215、根据预置激活函数，对锁定结果矩阵进行结果预测处理，得到结果预测集；
在本实施例中，激活函数为Re-Lu函数
Figure BDA0002841222170000071
其中，a为常数参数取值为0-1之间，对整个锁定结果矩阵进行激活判断，得到m个参数，通过对m个参数判定，得到结果预测集。
216、基于预置概率阈值，对结果预测集进行剔除处理，得到精准预测集；
在本实施例中，对概率小于0.4的结果进行剔除，得到精准预测的数据值，各类锁定框中形状概率分布，各类锁定框中物体的种类。
217、对精准预测集的判定分析，确定目标货物的形状信息，以及得到目标货物的面单定位信息的物流信息；
在本实施例中，对预测集中得到目标货物的物体种类之形状的最大概率进行读取，得到形状信息。以及在目标货物上锁定的面单信息的物流信息情况的最大概率进行读取，得到物流信息。
218、将形状信息和物流信息发送至货物抓取系统；
219、货物抓取系统接收形状信息和物流信息，判断形状信息是否为预置规则形状；
220、若为预置规则形状，则根据物流信息，生成分拣指令，以及基于预置第二激光射线，判断目标货物是否遮挡第二激光射线；
221、若遮挡激光射线，则根据分拣指令，对目标货物进行抓取分拣处理。
218-221的实施例，具体内容与第一个实施例类似，在此不做赘述。
本发明实施例中，基于整个运输系统，通过图像数据去噪后，通过YOLO框架算法，进行图像识别，基于识别结果对目标货物进行抓取，解决了现有物流领域上图像识别的容错率较低的情况。
请参阅图3，本发明实施例中物流的分拣方法的第三个实施例包括：
301、货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断目标货物是否遮挡激光射线；
302、若遮挡激光射线，则目标货物的到达信息发送至图像采集系统；
303、图像采集系统接收到达信息，并根据预置测量高度和预置测量宽度，对目标货物进行图像抓取处理，得到目标货物的形状信息和物流信息；
304、将形状信息和物流信息发送至货物抓取系统；
305、货物抓取系统接收形状信息和物流信息，判断形状信息是否为预置规则形状；
306、若为预置规则形状，则根据物流信息，生成分拣指令，以及基于预置第二激光射线，判断目标货物是否遮挡第二激光射线；
301-306的实施例，具体内容与第一个实施例类似，在此不做赘述。
307、若遮挡激光射线，则分析分拣指令中的指令值；
在本实施例中，分拣指令中带有指令值，115代表第一机械臂，116代表第二机械臂，119代表第三机械臂。
308、根据预置指令转换表，查询出指令值对应的抓取执行端口，并将分拣指令发送至抓取执行端口；
在本实施例中，基于转换表，查询115代表第一机械臂的端口信息，基于TCP/IP协议通信，将抓取信息发送到第一机械臂的对外端口，这里对外端口可以是有线端口也可以是无线端口。
309、根据形状信息，对目标货物抓取，并基于物流信息将目标货物放置于设定位置。
在本实施例中，基于形状信息中目标货物的旋转状态和形状大小，对目标货物进行抓取，并可以基于旋转180度将物体放下，再次回归初始状态等待下一个目标货物。
本发明实施例中，基于整个运输系统，通过图像数据去噪后，通过YOLO框架算法，进行图像识别，基于识别结果对目标货物进行抓取，解决了现有物流领域上图像识别的容错率较低的情况。
上面对本发明实施例中物流的分拣方法进行了描述，下面对本发明实施例中物流的分拣系统进行描述，请参阅图4，本发明实施例中物流的分拣系统一个实施例，所述物流的分拣系统包括：
货物运输检测系统401，图像采集系统402，货物抓取系统403，
所述货物运输检测系统401用于带动待分拣的目标货物，基于预置第一激光射线，判断所述目标货物是否遮挡所述激光射线；
若遮挡所述激光射线，则所述目标货物的到达信息发送至所述图像采集系统；
所述图像采集系统402用于接收所述到达信息，并根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息；
将所述形状信息和所述物流信息发送至所述货物抓取系统；
所述货物抓取系统接收403用于所述形状信息和所述物流信息，判断所述形状信息是否为预置规则形状；
若为预置规则形状，则根据所述物流信息，生成分拣指令，以及基于预置第二激光射线，判断所述目标货物是否遮挡所述第二激光射线；
若遮挡所述激光射线，则根据所述分拣指令，对所述目标货物进行抓取分拣处理。
本发明实施例中，基于整个运输系统，通过图像数据去噪后，通过YOLO框架算法，进行图像识别，基于识别结果对目标货物进行抓取，解决了现有物流领域上图像识别的容错率较低的情况。
请参阅图4，本发明实施例中物流的分拣系统的另一个实施例，所述物流的分拣系统包括：
货物运输检测系统401，图像采集系统402，货物抓取系统403，
所述货物运输检测系统401用于带动待分拣的目标货物，基于预置第一激光射线，判断所述目标货物是否遮挡所述激光射线；
若遮挡所述激光射线，则所述目标货物的到达信息发送至所述图像采集系统；
所述图像采集系统402用于接收所述到达信息，并根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息；
将所述形状信息和所述物流信息发送至所述货物抓取系统；
所述货物抓取系统接收403用于所述形状信息和所述物流信息，判断所述形状信息是否为预置规则形状；
若为预置规则形状，则根据所述物流信息，生成分拣指令，以及基于预置第二激光射线，判断所述目标货物是否遮挡所述第二激光射线；
若遮挡所述激光射线，则根据所述分拣指令，对所述目标货物进行抓取分拣处理。
其中，所述图像采集系统402包括：
对焦单元4021，用于根据预置测量高度和预置测量宽度调整图像抓取焦距，得到拍摄焦距；
抓取单元4022，用根据所述拍摄焦距，抓取所述目标货物的图像，得到第一采集图像；
去噪单元4023，用于根据预置二维高斯去噪算法，对所述第一采集图像进行去噪处理，得到第二采集图像；
滤波处理单元4024，用于根据预置中值去噪算法，对所述第二采集图像进行峰值滤波处理，得到第三采集图像；
识别单元4025，用于根据预置YOLO识别算法，对所述第三采集图像进行图像识别处理，得到所述目标货物的形状信息和物流信息。
其中，所述去噪单元4023具体用于：
获取所述第一采集图像的灰度化坐标数据，得到二维坐标数据矩阵；
根据预置去噪窗口长度，将所述二维坐标数据矩阵横向通过高斯函数映射处理，得到第一向量；
根据所述去噪窗口长度，将所述二维坐标数据矩阵纵向通过高斯函数映射处理，得到第二向量；
将所述第一向量和所述第二向量进行卷积计算，得到第二采集图像。
其中，所述滤波处理单元4024具体用于：
根据预置窗口截取矩阵，对所述第二采集图像进行灰度采样处理，得到去噪数值集；
对所述去噪数值集中的数据进行排序处理，得到排序数列，以及根据所述排序数列，提取出所述去噪数值集中的中位数；
根据所述窗口截取矩阵的中心元素定位编号，将所述第二采集图像中所述中心元素定位编号对应的像素灰度值修改为所述中位数，基于移动歩长循环调整所述第二采集图像，得到第三采集图像。
其中，所述识别单元4025具体用于：
根据预置分割框架，对所述第三采集图像进行分割处理，得到解析图像集，以及对所述解析图像集进行像素提取处理，得到图像像素矩阵集；
根据预置卷积向量和卷积歩长，对所述图像像素矩阵集中的矩阵进行卷积处理，得到所述目标物体的锁定结果矩阵；
根据预置激活函数，对所述锁定结果矩阵进行激活处理，得到所述目标货物的形状信息和物流信息。
其中，所述识别单元4025还可以具体用于：
根据预置激活函数，对所述锁定结果矩阵进行结果预测处理，得到结果预测集；
基于预置概率阈值，对所述结果预测集进行剔除处理，得到精准预测集；
对所述精准预测集的判定分析，确定所述目标货物的形状信息，以及得到所述目标货物的面单定位信息的物流信息。
其中，所述货物抓取系统接收403具体用于：
分析所述分拣指令中的指令值；
根据预置指令转换表，查询出所述指令值对应的抓取执行端口，并将所述分拣指令发送至所述抓取执行端口；
根据所述形状信息，对所述目标货物抓取，并基于所述物流信息将所述目标货物放置于设定位置。
本发明实施例中，基于整个运输系统，通过图像数据去噪后，通过YOLO框架算法，进行图像识别，基于识别结果对目标货物进行抓取，解决了现有物流领域上图像识别的容错率较低的情况。
上面图4和图5从模块化功能实体的角度对本发明实施例中的物流的分拣系统进行详细描述，下面从硬件处理的角度对本发明实施例中物流的分拣设备进行详细描述。
图6是本发明实施例提供的一种物流的分拣设备的结构示意图，该物流的分拣设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对物流的分拣设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在物流的分拣设备600上执行存储介质630中的一系列指令操作。
基于物流的分拣设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的物流的分拣设备结构并不构成对基于物流的分拣设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述物流的分拣方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或系统、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种物流的分拣方法，其特征在于，所述物流的分拣方法应用于物流的分拣系统，所述物流的分拣系统包括：货物运输检测系统，图像采集系统，货物抓取系统，所述物流的分拣方法包括：
所述货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断所述目标货物是否遮挡所述激光射线；
若遮挡所述第一激光射线，则所述目标货物的到达信息发送至所述图像采集系统；
所述图像采集系统接收所述到达信息，并根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息；
将所述形状信息和所述物流信息发送至所述货物抓取系统；
所述货物抓取系统接收所述形状信息和所述物流信息，判断所述形状信息是否为预置规则形状；
若为预置规则形状，则根据所述物流信息，生成分拣指令，以及基于预置第二激光射线，判断所述目标货物是否遮挡所述第二激光射线；
若遮挡所述第二激光射线，则根据所述分拣指令，对所述目标货物进行抓取分拣处理。
2.根据权利要求1所述的物流的分拣方法，其特征在于，所述根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息包括：
根据预置测量高度和预置测量宽度调整图像抓取焦距，得到拍摄焦距；
根据所述拍摄焦距，抓取所述目标货物的图像，得到第一采集图像；
根据预置二维高斯去噪算法，对所述第一采集图像进行去噪处理，得到第二采集图像；
根据预置中值去噪算法，对所述第二采集图像进行峰值滤波处理，得到第三采集图像；
根据预置YOLO识别算法，对所述第三采集图像进行图像识别处理，得到所述目标货物的形状信息和物流信息。
3.根据权利要求2所述的物流的分拣方法，其特征在于，所述根据预置二维高斯去噪算法，对所述第一采集图像进行去噪处理，得到第二采集图像包括：
获取所述第一采集图像的灰度化坐标数据，得到二维坐标数据矩阵；
根据预置去噪窗口长度，将所述二维坐标数据矩阵横向通过高斯函数映射处理，得到第一向量；
根据所述去噪窗口长度，将所述二维坐标数据矩阵纵向通过高斯函数映射处理，得到第二向量；
将所述第一向量和所述第二向量进行卷积计算，得到第二采集图像。
4.根据权利要求2所述的物流的分拣方法，其特征在于，所述根据预置中值去噪算法，对所述第二采集图像进行峰值滤波处理，得到第三采集图像包括：
根据预置窗口截取矩阵，对所述第二采集图像进行灰度采样处理，得到去噪数值集；
对所述去噪数值集中的数据进行排序处理，得到排序数列，以及根据所述排序数列，提取出所述去噪数值集中的中位数；
根据所述窗口截取矩阵的中心元素定位编号，将所述第二采集图像中所述中心元素定位编号对应的像素灰度值修改为所述中位数，基于移动歩长循环调整所述第二采集图像，得到第三采集图像。
5.根据权利要求2所述的物流的分拣方法，其特征在于，所述根据预置YOLO识别算法，对所述第三采集图像进行图像识别处理，得到所述目标货物的形状信息和物流信息包括：
根据预置分割框架，对所述第三采集图像进行分割处理，得到解析图像集，以及对所述解析图像集进行像素提取处理，得到图像像素矩阵集；
根据预置卷积向量和卷积歩长，对所述图像像素矩阵集中的矩阵进行卷积处理，得到所述目标物体的锁定结果矩阵；
根据预置激活函数，对所述锁定结果矩阵进行激活处理，得到所述目标货物的形状信息和物流信息。
6.根据权利要求5所述的物流的分拣方法，其特征在于，所述根据预置激活函数，对所述锁定结果矩阵进行激活处理，得到所述目标货物的形状信息和物流信息包括：
根据预置激活函数，对所述锁定结果矩阵进行结果预测处理，得到结果预测集；
基于预置概率阈值，对所述结果预测集进行剔除处理，得到精准预测集；
对所述精准预测集的判定分析，确定所述目标货物的形状信息，以及得到所述目标货物的面单定位信息的物流信息。
7.根据权利要求1所述的物流的分拣方法，其特征在于，所述货物抓取系统包括：N个抓取执行端口，N为正整数，所述根据所述分拣指令，对所述目标货物进行抓取分拣处理包括：
分析所述分拣指令中的指令值；
根据预置指令转换表，查询出所述指令值对应的抓取执行端口，并将所述分拣指令发送至所述抓取执行端口；
根据所述形状信息，对所述目标货物抓取，并基于所述物流信息将所述目标货物放置于设定位置。
8.一种物流的分拣系统，其特征在于，所述物流的分拣系统包括：
货物运输检测系统，图像采集系统，货物抓取系统，
所述货物运输检测系统带动待分拣的目标货物，基于预置第一激光射线，判断所述目标货物是否遮挡所述激光射线；
若遮挡所述第一激光射线，则所述目标货物的到达信息发送至所述图像采集系统；
所述图像采集系统接收所述到达信息，并根据预置测量高度和预置测量宽度，对所述目标货物进行图像抓取处理，得到所述目标货物的形状信息和物流信息；
将所述形状信息和所述物流信息发送至所述货物抓取系统；
所述货物抓取系统接收所述形状信息和所述物流信息，判断所述形状信息是否为预置规则形状；
若为预置规则形状，则根据所述物流信息，生成分拣指令，以及基于预置第二激光射线，判断所述目标货物是否遮挡所述第二激光射线；
若遮挡所述第二激光射线，则根据所述分拣指令，对所述目标货物进行抓取分拣处理。
9.一种物流的分拣设备，其特征在于，所述物流的分拣设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流的分拣设备执行如权利要求1-7中任一项所述的物流的分拣方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的物流的分拣方法。
CN202011492862.2A 2020-12-16 2020-12-16 物流的分拣方法、系统、设备及存储介质 Active CN112561882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011492862.2A CN112561882B (zh) 2020-12-16 2020-12-16 物流的分拣方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011492862.2A CN112561882B (zh) 2020-12-16 2020-12-16 物流的分拣方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112561882A true CN112561882A (zh) 2021-03-26
CN112561882B CN112561882B (zh) 2023-05-12

Family

ID=75064303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011492862.2A Active CN112561882B (zh) 2020-12-16 2020-12-16 物流的分拣方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112561882B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298866A (zh) * 2021-06-11 2021-08-24 梅卡曼德（北京）机器人科技有限公司 物体分类方法及装置
CN113877827A (zh) * 2021-09-14 2022-01-04 深圳玩智商科技有限公司 物流件抓取方法、抓取设备及存储介质
CN114130673A (zh) * 2021-10-14 2022-03-04 浙江菜鸟供应链管理有限公司 分拣设备的控制方法、装置、设备和存储介质
CN114758250A (zh) * 2022-06-15 2022-07-15 山东青岛烟草有限公司 基于人工智能的全品规柔性自动分拣控制方法及装置
CN115239253A (zh) * 2022-09-21 2022-10-25 广州翼辉信息技术有限公司 一种智能分拣提示方法和装置
CN115376242A (zh) * 2022-08-22 2022-11-22 广东便捷神科技股份有限公司 一种售货机的智能储物架的货物自动分配方法
CN116957444A (zh) * 2023-09-20 2023-10-27 中国邮电器材集团有限公司 一种基于签收单的物流管理方法、装置、介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0796671A1 (fr) * 1996-03-22 1997-09-24 Alcatel Postal Automation Systems Système d'acquisition d'images pour le tri de paquets
US20140305850A1 (en) * 2013-02-07 2014-10-16 Logical Turn Consulting, Inc. Package vision sort system and method
CN107597600A (zh) * 2017-09-26 2018-01-19 北京京东尚科信息技术有限公司 分拣系统和分拣方法
CN109454003A (zh) * 2018-11-08 2019-03-12 深圳蓝胖子机器人有限公司 货物分拣方法、装置和计算机可读存储介质
US20190220990A1 (en) * 2018-01-12 2019-07-18 United Parcel Service Of America, Inc. Systems and methods for mobile parcel dimension calculation and predictive condition analysis
CN111814735A (zh) * 2020-07-24 2020-10-23 深圳市爱深盈通信息技术有限公司 基于人脸识别的取票方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0796671A1 (fr) * 1996-03-22 1997-09-24 Alcatel Postal Automation Systems Système d'acquisition d'images pour le tri de paquets
US20140305850A1 (en) * 2013-02-07 2014-10-16 Logical Turn Consulting, Inc. Package vision sort system and method
CN107597600A (zh) * 2017-09-26 2018-01-19 北京京东尚科信息技术有限公司 分拣系统和分拣方法
US20190220990A1 (en) * 2018-01-12 2019-07-18 United Parcel Service Of America, Inc. Systems and methods for mobile parcel dimension calculation and predictive condition analysis
CN109454003A (zh) * 2018-11-08 2019-03-12 深圳蓝胖子机器人有限公司 货物分拣方法、装置和计算机可读存储介质
CN111814735A (zh) * 2020-07-24 2020-10-23 深圳市爱深盈通信息技术有限公司 基于人脸识别的取票方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王鹏飞: "医药灌装封口机器人视觉定位技术研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *
陈思润 等: "基于ARM 架构的滤波函数优化", 《计算机应用与软件》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298866A (zh) * 2021-06-11 2021-08-24 梅卡曼德（北京）机器人科技有限公司 物体分类方法及装置
CN113298866B (zh) * 2021-06-11 2024-01-23 梅卡曼德（北京）机器人科技有限公司 物体分类方法及装置
CN113877827A (zh) * 2021-09-14 2022-01-04 深圳玩智商科技有限公司 物流件抓取方法、抓取设备及存储介质
CN113877827B (zh) * 2021-09-14 2023-06-16 深圳玩智商科技有限公司 物流件抓取方法、抓取设备及存储介质
CN114130673A (zh) * 2021-10-14 2022-03-04 浙江菜鸟供应链管理有限公司 分拣设备的控制方法、装置、设备和存储介质
CN114758250A (zh) * 2022-06-15 2022-07-15 山东青岛烟草有限公司 基于人工智能的全品规柔性自动分拣控制方法及装置
CN115376242A (zh) * 2022-08-22 2022-11-22 广东便捷神科技股份有限公司 一种售货机的智能储物架的货物自动分配方法
CN115376242B (zh) * 2022-08-22 2023-08-08 广东便捷神科技股份有限公司 一种售货机的智能储物架的货物自动分配方法
CN115239253A (zh) * 2022-09-21 2022-10-25 广州翼辉信息技术有限公司 一种智能分拣提示方法和装置
CN116957444A (zh) * 2023-09-20 2023-10-27 中国邮电器材集团有限公司 一种基于签收单的物流管理方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN112561882B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN112561882A (zh) 物流的分拣方法、系统、设备及存储介质
EP3683721B1 (en) A material handling method, apparatus, and system for identification of a region-of-interest
JP4356371B2 (ja) 情報処理装置
CN109785317B (zh) 自动码垛桁架机器人的视觉系统
CN110660104A (zh) 工业机器人视觉识别定位抓取方法、计算机装置以及计算机可读存储介质
CN110315525A (zh) 一种基于视觉引导的机器人工件抓取方法
CN109949331B (zh) 货箱边缘检测方法及装置
KR20060100376A (ko) 물체 윤곽 이미지를 분석하기 위한 방법 및 이미지 처리장치, 물체를 검출하기 위한 방법 및 이미지 처리 장치,산업용 비전 장치, 스마트 카메라, 이미지 디스플레이,보안 시스템, 및 컴퓨터 프로그램 제품
CN113420746B (zh) 机器人视觉分拣方法、装置、电子设备和存储介质
US11350024B1 (en) High speed continuously adaptive focus and deblur
CN112828892A (zh) 一种工件抓取方法、装置、计算机设备及存储介质
CN103824275A (zh) 在图像中搜寻鞍点状结构并测定其信息的系统和方法
CN110852265B (zh) 一种应用在工业流水线上的快速目标检测和定位方法
CN112699734A (zh) 门槛检测方法、移动机器人及存储介质
CN112936257A (zh) 一种工件抓取方法、装置、计算机设备及存储介质
US6934413B2 (en) Segmentation of text lines in digitized images
CN115511875A (zh) 货物堆积的检测方法、装置、设备及存储介质
CN109454004B (zh) 机器人扫描分拣系统及方法
Holz et al. Fast edge-based detection and localization of transport boxes and pallets in rgb-d images for mobile robot bin picking
Strachan et al. Image analysis in the fish and food industries
CN112418242B (zh) 一种适用于大规模目标的彩色标识系统及其识别方法
CN114241037A (zh) 混合尺寸卸盘
CN111461260A (zh) 基于特征融合的目标检测方法、装置、设备及存储介质
CN109205327B (zh) 一种基于多尺度轮廓直角检测的拆垛方法
CN111386533B (zh) 使用对称定位的空白区域检测和识别图像数据中图形字符表示的方法和装置

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