CN114298198A - 一种货物智能存储库房 - Google Patents
一种货物智能存储库房 Download PDFInfo
- Publication number
- CN114298198A CN114298198A CN202111588070.XA CN202111588070A CN114298198A CN 114298198 A CN114298198 A CN 114298198A CN 202111588070 A CN202111588070 A CN 202111588070A CN 114298198 A CN114298198 A CN 114298198A
- Authority
- CN
- China
- Prior art keywords
- goods
- cargo
- image
- stored
- category
- 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
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000032258 transport Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 42
- 238000003062 neural network model Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- XKJMBINCVNINCA-UHFFFAOYSA-N Alfalone Chemical compound CON(C)C(=O)NC1=CC=C(Cl)C(Cl)=C1 XKJMBINCVNINCA-UHFFFAOYSA-N 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000969 carrier Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Stacking Of Articles And Auxiliary Devices (AREA)
Abstract
本发明涉及货物存储的技术领域,公开了一种货物智能存储库房,所述货物智能存储库房包括货架,码垛机器人,码垛区,所述货物智能存储库房利用货物智能存储方法进行货物存储,货物智能存储方法包括:采集待存储货物的货物图像,并对所采集的货物图像进行预处理;利用货物识别算法对货物图像中的货物类别进行识别;码垛机器人抓取货物类别识别后的待存储货物;利用路径规划算法确定码垛机器人的运输路线,码垛机器人按照所计算的运输路线进行货物运输,将待存储货物放置于码垛区。本发明所述方法通过利用基于图像的货物类别识别算法对货物种类进行识别,并根据所识别的货物种类,利用对应的码垛机器人进行货物运输,将待存储货物存储在货架上。
Description
技术领域
本发明涉及货物存储的技术领域,尤其涉及一种货物智能存储库房。
背景技术
货物信息采集是自动化货物存储系统中必不可少的一个环节。目前,货物存储系统中大多采用人工录入、条码或射频识别等方法采集货物信息,但是,在一些食品、医药等行业,货物种类有限,且外表面没有张贴条码或射频卡等信息载体,如何实现货物的自动识别成为当前研究的热门话题。
鉴于此,本发明提出一种货物智能存储库房,通过利用基于图像的货物类别识别算法对货物种类进行识别,并根据所识别的货物种类,利用对应的码垛机器人进行货物运输,将待存储货物放置于货架上。
发明内容
本发明提供一种货物智能存储库房,目的在于(1)实现货物的自动识别;(2)实现码垛机器人的运输路径自动规划。
实现上述目的,本发明提供的一种货物智能存储库房,包括以下步骤:
S1:采集待存储货物的货物图像,并对所采集的货物图像进行预处理,得到预处理完成的货物图像;
S2:利用货物识别算法对货物图像中的货物类别进行识别;
S3:码垛机器人抓取货物类别识别后的待存储货物;
S4:根据预先设定的货物类别与码垛区位置的对应规则,利用路径规划算法确定码垛机器人的运输路线,码垛机器人按照所计算的运输路线进行货物运输,将待存储货物放置于码垛区,并将码垛后的货物集中存储在货架上。
作为本发明的进一步改进方法:
所述S1步骤中对采集的货物图像进行灰度化和灰度拉伸的预处理,包括:
在本发明一个具体实施例中,货车将待存储的货物堆放在货物智能存储库房的待存储货物区域,待存储货物区域内安置摄像头,利用摄像头获取待存储货物的货物图像,并将所获取的货物图像传输到服务器,服务器对货物图像进行预处理以及货物类别识别,所述货物图像的尺寸为M×N像素;
所述图像灰度化以及灰度拉伸的预处理流程为:
1)对所采集货物图像中每一个像素的RGB分量求最大值,并将该最大值设置为该像素点的灰度值,得到货物图像的灰度图,所述灰度化处理的公式为:
G(i,j)=max{R(i,j),G(i,j),B(i,j)}
其中:
(i,j)为货物图像中的一个像素点;
R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B颜色通道中的值;
G(i,j)为像素点(i,j)的灰度值;
2)对于所述灰度图f(x,y),利用分段线性变换的方式对图像的灰度进行线性拉伸,所述的公式为:
其中:
g(i,j)表示灰度拉伸后像素点(i,j)的灰度值;
MAXf(x,y),MINf(x,y)分别为灰度图f(x,y)的最大灰度值和最小灰度值。
所述S1步骤中对灰度拉伸后的货物图像进行二值化的预处理,包括:
对灰度拉伸后的灰度图进行二值化的预处理,所述二值化预处理的流程为:
1)计算灰度图的平均灰度μ:
其中:
M×N像素为货物图像的大小;
k表示灰度图的灰度级;
ρ(k)为灰度级为k的像素出现的概率;
n(k)为灰度级为k的像素出现的个数;
2)以灰度级m为分割阈值,小于此阈值为背景,大于等于此阈值为前景,从而将灰度图分成前景和背景,则背景灰度值μb为:
背景数比例wb为:
前景灰度值μf为:
前景数比例wf为:
3)计算前景和背景的标准差σ:
σ=wb×(μb-μ)2+wf×(μf-μ)2
通过对分割阈值m进行修改,使得前景和背景的标准差σ达到最大,此时的分割阈值为最佳分割阈值,并以最佳分割阈值进行灰度图的二值化分割处理,得到预处理完成的货物图像。
所述S2步骤中利用货物识别算法识别货物图像中的货物类别,包括:
所述货物识别算法为利用神经网络模型进行货物类别识别,其货物类别识别流程为:
1)将预处理完成的货物图像作为货物识别算法的输入;
2)隐藏层对输入的货物图像进行特征映射,并输出识别得到的货物类别:
y=σ(wF+b)
其中:
σ(·)表示激活函数;在本发明一个具体实施例中,所选择的激活函数为ReLU激活函数;
w表示隐藏层中的权重矩阵;
b表示隐藏层中的偏置量;
F表示输入的货物图像;
y表示识别得到的货物类别;
所述神经网络模型的训练流程为:
采集训练数据,形成神经网络模型训练集:
data={(F1,y1),(F2,y2),...,(Fi,yi),...,(Fv,yv)}
其中:
Fi表示训练集中第i个货物图像;
yi表示训练集中第i个货物图像对应的货物类别;
v表示神经网络模型训练集data中的训练样本数据数量;
构建神经网络模型的损失函数Loss,并将神经网络模型训练集输入到神经网络模型中训练,所述损失函数为:
其中:
yi为第i个训练样本数据的真实货物类别输出值;
随机生成神经网络模型隐藏层初始参数w0,b0,并设置参数更新次数为Max,利用梯度下降算法对隐藏层中的参数进行更新,参数更新公式如下:
其中:
∈为学习率,将其设置为0.6;
wt,bt表示第t次更新得到的隐藏层参数值,t的初始值为0;
重复上述更新步骤,直到损失函数值Loss达到最小或达到Max次参数更新停止训练,将固定参数以及训练得到的参数作为最终模型训练参数。
所述S3步骤中设置不同码垛机器人负责运输的货物类别,码垛机器人抓取所负责运输的货物,包括:
所识别的货物类别包括{y1,y2,...,yL},其中L表示货物智能存储库房中所存储的货物类别总数;
在待存储货物区域内布置个码垛机器人,每个码垛机器人负责三种类别的货物运输,则码垛机器人集合为{(y1,y2,y3),(y4,y5,y6),...,(yL-2,yL-1,yL)},其中(yL-2,yL-1,yL)表示第个码垛机器人负责运输的货物类别;
完成货物类别识别后,码垛机器人抓取所负责运输的货物,将待存储货物区域内的货物运输到码垛区。
所述S4步骤中货物类别与码垛区位置的对应规则,包括:
将码垛区划分为L个区域,其中L表示货物智能存储库房中所存储的货物类别总数,则第s种货物ys所对应的码垛区区域为Rs;所构建的货物类别与码垛区位置的对应规则为:
{(y1,R1),(y2,R2),...,(ys,Rs),...,(yL,RL)}
其中:
(ys,Rs)表示第s种货物对应码垛区区域Rs;
在本发明一个具体实施例中,码垛机器人从待存储货物区域内抓取所负责运输的货物,并将所抓取的货物运输到码垛区进行码垛。
所述S4步骤中利用路径规划算法确定码垛机器人的运输路线,包括:
所述路径规划算法流程为:
1)将货物智能存储库房区域转换为栅格地图,对于任意货物类别的货物ys,码垛机器人的起始位置为货物ys在待存储货物区域的位置,码垛机器人的终点位置为货物ys对应的码垛区区域Rs,其中ys表示货物类别为ys的货物;
2)码垛机器人在起始位置启动后,实时判断周围8个栅格点是否存在障碍物,若不存在障碍物则转向步骤4),若存在障碍物则转向步骤3);
3)创建Open列表和Closed列表,Open列表用来放置所有路径规划过程中扩展出的待检查的栅格点,Closed列表用来放置所有路径规划过程中已经检查过的栅格点;
码垛机器人的起始位置存储在Open列表,而Closed列表为空,起始位置周围可移动到的8个栅格点位置则会存入Open列表中,对Open列表中所存储的8个栅格点位置进行评价计算,选取评价值h(n)最小的栅格点作为下一个路径点,所述评价计算的公式为:
h(n)=max(|nx-rx|,|ny-ry|)
其中:
(nx,ny)表示待评价栅格点的位置坐标;
(rx,ry)表示码垛机器人终点位置的坐标;
将起始位置存储到Closed列表,并清空Open列表,将所选择的下一个路径点的邻近可移动到的8个栅格点存储到Open列表,重复进行评价计算,直到到达终点位置或没有遇到障碍物;
4)若码垛机器人在移动时没有遇到障碍物,则沿着直线向终点位置(rx,ry)移动,直到到达终点位置或遇到障碍物;
相对于现有技术,本发明提出一种货物智能存储库房,该技术具有以下优势:
首先,本方案提出一种货物智能存储方法,通过设计一种货物智能存储库房,所述货物智能存储库房包括货架,码垛机器人,码垛区,货车将待存储的货物堆放在货物智能存储库房的待存储货物区域,待存储货物区域内安置摄像头,利用摄像头获取待存储货物的货物图像,并将所获取的货物图像传输到服务器,服务器对货物图像进行预处理以及货物类别识别,所述货物类别识别算法为基于神经网络模型的货物类别识别方法,所识别的货物类别包括{y1,y2,...,yL},其中L表示货物智能存储库房中所存储的货物类别总数;通过在待存储货物区域内布置个码垛机器人,每个码垛机器人负责三种类别的货物运输,则码垛机器人集合为{(y1,y2,y3),(y4,y5,y6),...,(yL-2,yL-1,yL)},其中(yL-2,yL-1,yL)表示第个码垛机器人负责运输的货物类别;完成货物类别识别后,码垛机器人抓取所负责运输的货物,将待存储货物区域内的货物运输到码垛区。将码垛区划分为L个区域,其中L表示货物智能存储库房中所存储的货物类别总数,则第s种货物ys所对应的码垛区区域为Rs;所构建的货物类别与码垛区位置的对应规则为:
{(y1,R1),(y2,R2),...,(ys,Rs),...,(yL,RL)}
其中:(ys,Rs)表示第s种货物对应码垛区区域Rs;码垛机器人从待存储货物区域内抓取所负责运输的货物,将所抓取的货物运输到码垛区进行码垛,并设定时间间隔为每隔时间,将码垛区中码垛后的货物集中存储在货架上,从而实现货物的自动码垛存储。
同时,本方案提出一种码垛机器人的路径规划算法,所述路径规划算法流程为:1)将货物智能存储库房区域转换为栅格地图,对于任意货物类别的货物ys,码垛机器人的起始位置为货物ys在待存储货物区域的位置,码垛机器人的终点位置为货物ys对应的码垛区区域Rs,其中ys表示货物类别为ys的货物;2)码垛机器人在起始位置启动后,实时判断周围8个栅格点是否存在障碍物,若不存在障碍物则转向步骤4),若存在障碍物则转向步骤3);3)创建Open列表和Closed列表,Open列表用来放置所有路径规划过程中扩展出的待检查的栅格点,Closed列表用来放置所有路径规划过程中已经检查过的栅格点;码垛机器人的起始位置存储在Open列表,而Closed列表为空,起始位置周围可移动到的8个栅格点位置则会存入Open列表中,对Open列表中所存储的8个栅格点位置进行评价计算,选取评价值h(n)最小的栅格点作为下一个路径点,所述评价计算的公式为:
h(n)=max(|nx-rx|,|ny-ry|)
其中:(nx,ny)表示待评价栅格点的位置坐标;(rx,ry)表示码垛机器人终点位置的坐标;将起始位置存储到Closed列表,并清空Open列表,将所选择的下一个路径点的邻近可移动到的8个栅格点存储到Open列表,重复进行评价计算,直到到达终点位置或没有遇到障碍物;4)若码垛机器人在移动时没有遇到障碍物,则沿着直线向终点位置(rx,ry)移动,直到到达终点位置或遇到障碍物。相较于传统方案,本方案提出一种条件式的路径规划方案,分为遇到障碍物情况以及未遇到障碍物情况,通过在遇到障碍物时采用启发式算法进行全局搜索,得到在遇到障碍物时可以到达目标地点的规划路线,而在未遇到障碍物时,利用最短直线方案进行路径规划,保证了码垛机器人运输的效率。
附图说明
图1为本发明一实施例提供的一种货物智能存储库房的流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
S1:采集待存储货物的货物图像,并对所采集的货物图像进行预处理,得到预处理完成的货物图像。
所述S1步骤中对采集的货物图像进行灰度化和灰度拉伸的预处理,包括:
在本发明一个具体实施例中,货车将待存储的货物堆放在货物智能存储库房的待存储货物区域,待存储货物区域内安置摄像头,利用摄像头获取待存储货物的货物图像,并将所获取的货物图像传输到服务器,服务器对货物图像进行预处理以及货物类别识别,所述货物图像的尺寸为M×N像素;
所述图像灰度化以及灰度拉伸的预处理流程为:
1)对所采集货物图像中每一个像素的RGB分量求最大值,并将该最大值设置为该像素点的灰度值,得到货物图像的灰度图,所述灰度化处理的公式为:
G(i,j)=max{R(i,j),G(i,j),B(i,j)}
其中:
(i,j)为货物图像中的一个像素点;
R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B颜色通道中的值;
G(i,j)为像素点(i,j)的灰度值;
2)对于所述灰度图f(x,y),利用分段线性变换的方式对图像的灰度进行线性拉伸,所述的公式为:
其中:
g(i,j)表示灰度拉伸后像素点(i,j)的灰度值;
MAXf(x,y),MINf(x,y)分别为灰度图f(x,y)的最大灰度值和最小灰度值。
所述S1步骤中对灰度拉伸后的货物图像进行二值化的预处理,包括:
对灰度拉伸后的灰度图进行二值化的预处理,所述二值化预处理的流程为:
1)计算灰度图的平均灰度μ:
其中:
M×N像素为货物图像的大小;
k表示灰度图的灰度级;
ρ(k)为灰度级为k的像素出现的概率;
n(k)为灰度级为k的像素出现的个数;
2)以灰度级m为分割阈值,小于此阈值为背景,大于等于此阈值为前景,从而将灰度图分成前景和背景,则背景灰度值μb为:
背景数比例wb为:
前景灰度值μf为:
前景数比例wf为:
3)计算前景和背景的标准差σ:
σ=wb×(μb-μ)2+wf×(μf-μ)2
通过对分割阈值m进行修改,使得前景和背景的标准差σ达到最大,此时的分割阈值为最佳分割阈值,并以最佳分割阈值进行灰度图的二值化分割处理,得到预处理完成的货物图像。
S2:利用货物识别算法对货物图像中的货物类别进行识别。
所述S2步骤中利用货物识别算法识别货物图像中的货物类别,包括:
所述货物识别算法为利用神经网络模型进行货物类别识别,其货物类别识别流程为:
1)将预处理完成的货物图像作为货物识别算法的输入;
2)隐藏层对输入的货物图像进行特征映射,并输出识别得到的货物类别:
y=σ(wF+b)
其中:
σ(·)表示激活函数;在本发明一个具体实施例中,所选择的激活函数为ReLU激活函数;
w表示隐藏层中的权重矩阵;
b表示隐藏层中的偏置量;
F表示输入的货物图像;
y表示识别得到的货物类别;
所述神经网络模型的训练流程为:
采集训练数据,形成神经网络模型训练集:
data={(F1,y1),(F2,y2),...,(Fi,yi),...,(Fv,yv)}
其中:
Fi表示训练集中第i个货物图像;
yi表示训练集中第i个货物图像对应的货物类别;
v表示神经网络模型训练集data中的训练样本数据数量;
构建神经网络模型的损失函数Loss,并将神经网络模型训练集输入到神经网络模型中训练,所述损失函数为:
其中:
yi为第i个训练样本数据的真实货物类别输出值;
随机生成神经网络模型隐藏层初始参数w0,b0,并设置参数更新次数为Max,利用梯度下降算法对隐藏层中的参数进行更新,参数更新公式如下:
其中:
∈为学习率,将其设置为0.6;
wt,bt表示第t次更新得到的隐藏层参数值,t的初始值为0;
重复上述更新步骤,直到损失函数值Loss达到最小或达到Max次参数更新停止训练,将固定参数以及训练得到的参数作为最终模型训练参数。
S3:码垛机器人抓取货物类别识别后的待存储货物。
所述S3步骤中设置不同码垛机器人负责运输的货物类别,码垛机器人抓取所负责运输的货物,包括:
所识别的货物类别包括{y1,y2,...,yL},其中L表示货物智能存储库房中所存储的货物类别总数;
在待存储货物区域内布置个码垛机器人,每个码垛机器人负责三种类别的货物运输,则码垛机器人集合为{(y1,y2,y3),(y4,y5,y6),...,(yL-2,yL-1,yL)},其中(yL-2,yL-1,yL)表示第个码垛机器人负责运输的货物类别;
完成货物类别识别后,码垛机器人抓取所负责运输的货物,将待存储货物区域内的货物运输到码垛区。
S4:根据预先设定的货物类别与码垛区位置的对应规则,利用路径规划算法确定码垛机器人的运输路线,码垛机器人按照所计算的运输路线进行货物运输,将待存储货物放置于码垛区,并将码垛后的货物集中存储在货架上。
所述S4步骤中货物类别与码垛区位置的对应规则,包括:
将码垛区划分为L个区域,其中L表示货物智能存储库房中所存储的货物类别总数,则第s种货物ys所对应的码垛区区域为Rs;所构建的货物类别与码垛区位置的对应规则为:
{(y1,R1),(y2,R2),...,(ys,Rs),...,(yL,RL)}
其中:
(ys,Rs)表示第s种货物对应码垛区区域Rs;
在本发明一个具体实施例中,码垛机器人从待存储货物区域内抓取所负责运输的货物,并将所抓取的货物运输到码垛区进行码垛。
所述S4步骤中利用路径规划算法确定码垛机器人的运输路线,包括:
所述路径规划算法流程为:
1)将货物智能存储库房区域转换为栅格地图,对于任意货物类别的货物ys,码垛机器人的起始位置为货物ys在待存储货物区域的位置,码垛机器人的终点位置为货物ys对应的码垛区区域Rs,其中ys表示货物类别为ys的货物;
2)码垛机器人在起始位置启动后,实时判断周围8个栅格点是否存在障碍物,若不存在障碍物则转向步骤4),若存在障碍物则转向步骤3);
3)创建Open列表和Closed列表,Open列表用来放置所有路径规划过程中扩展出的待检查的栅格点,Closed列表用来放置所有路径规划过程中已经检查过的栅格点;
码垛机器人的起始位置存储在Open列表,而Closed列表为空,起始位置周围可移动到的8个栅格点位置则会存入Open列表中,对Open列表中所存储的8个栅格点位置进行评价计算,选取评价值h(n)最小的栅格点作为下一个路径点,所述评价计算的公式为:
h(n)=max(|nx-rx|,|ny-ry|)
其中:
(nx,ny)表示待评价栅格点的位置坐标;
(rx,ry)表示码垛机器人终点位置的坐标;
将起始位置存储到Closed列表,并清空Open列表,将所选择的下一个路径点的邻近可移动到的8个栅格点存储到Open列表,重复进行评价计算,直到到达终点位置或没有遇到障碍物;
4)若码垛机器人在移动时没有遇到障碍物,则沿着直线向终点位置(rx,ry)移动,直到到达终点位置或遇到障碍物;
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种货物智能存储库房,所述货物智能存储库房包括货架,码垛机器人,码垛区,所述货物智能存储库房利用货物智能存储方法进行货物存储,其特征在于,所述货物智能存储方法包括:
S1:采集待存储货物的货物图像,并对所采集的货物图像进行预处理,得到预处理完成的货物图像;
S2:利用货物识别算法对货物图像中的货物类别进行识别;
S3:码垛机器人抓取货物类别识别后的待存储货物;
S4:根据预先设定的货物类别与码垛区位置的对应规则,利用路径规划算法确定码垛机器人的运输路线,码垛机器人按照所计算的运输路线进行货物运输,将待存储货物放置于码垛区,并将码垛后的货物集中存储在货架上。
2.如权利要求1所述的一种货物智能存储库房,其特征在于,所述S1步骤中对采集的货物图像进行灰度化和灰度拉伸的预处理,包括:
所述图像灰度化以及灰度拉伸的预处理流程为:
1)对所采集货物图像中每一个像素的RGB分量求最大值,并将该最大值设置为该像素点的灰度值,得到货物图像的灰度图,所述灰度化处理的公式为:
G(i,j)=max{R(i,j),G(i,j),B(i,j)}
其中:
(i,j)为货物图像中的一个像素点;
R(i,j),G(i,j),B(i,j)分别为像素点(i,j)在R、G、B颜色通道中的值;
G(i,j)为像素点(i,j)的灰度值;
2)对于所述灰度图f(x,y),利用分段线性变换的方式对图像的灰度进行线性拉伸,所述的公式为:
其中:
g(i,j)表示灰度拉伸后像素点(i,j)的灰度值;
MAXf(x,y),MINf(x,y)分别为灰度图f(x,y)的最大灰度值和最小灰度值。
3.如权利要求2所述的一种货物智能存储库房,其特征在于,所述S1步骤中对灰度拉伸后的货物图像进行二值化的预处理,包括:
对灰度拉伸后的灰度图进行二值化的预处理,所述二值化预处理的流程为:
1)计算灰度图的平均灰度μ:
其中:
M×N像素为货物图像的大小;
k表示灰度图的灰度级;
ρ(k)为灰度级为k的像素出现的概率;
n(k)为灰度级为k的像素出现的个数;
2)以灰度级m为分割阈值,小于此阈值为背景,大于等于此阈值为前景,从而将灰度图分成前景和背景,则背景灰度值μb为:
背景数比例wb为:
前景灰度值μf为:
前景数比例wf为:
3)计算前景和背景的标准差σ:
σ=wb×(μb-μ)2+wf×(μf-μ)2
通过对分割阈值m进行修改,使得前景和背景的标准差σ达到最大,此时的分割阈值为最佳分割阈值,并以最佳分割阈值进行灰度图的二值化分割处理,得到预处理完成的货物图像。
4.如权利要求1所述的一种货物智能存储库房,其特征在于,所述S2步骤中利用货物识别算法识别货物图像中的货物类别,包括:
所述货物识别算法为利用神经网络模型进行货物类别识别,其货物类别识别流程为:
1)将预处理完成的货物图像作为货物识别算法的输入;
2)隐藏层对输入的货物图像进行特征映射,并输出识别得到的货物类别:
y=σ(wF+b)
其中:
σ(·)表示激活函数;
w表示隐藏层中的权重矩阵;
b表示隐藏层中的偏置量;
F表示输入的货物图像;
y表示识别得到的货物类别;
所述神经网络模型的训练流程为:
采集训练数据,形成神经网络模型训练集:
data={(F1,y1),(F2,y2),…,(Fi,yi),…,(Fv,yv)}
其中:
Fi表示训练集中第i个货物图像;
yi表示训练集中第i个货物图像对应的货物类别;
v表示神经网络模型训练集data中的训练样本数据数量;
构建神经网络模型的损失函数Loss,并将神经网络模型训练集输入到神经网络模型中训练,所述损失函数为:
其中:
yi为第i个训练样本数据的真实货物类别输出值;
随机生成神经网络模型隐藏层初始参数w0,b0,并设置参数更新次数为Max,利用梯度下降算法对隐藏层中的参数进行更新,参数更新公式如下:
其中:
∈为学习率,将其设置为0.6;
wt,bt表示第t次更新得到的隐藏层参数值,t的初始值为0;
重复上述更新步骤,直到损失函数值Loss达到最小或达到Max次参数更新停止训练,将固定参数以及训练得到的参数作为最终模型训练参数。
6.如权利要求1所述的一种货物智能存储库房,其特征在于,所述S4步骤中货物类别与码垛区位置的对应规则,包括:
将码垛区划分为L个区域,其中L表示货物智能存储库房中所存储的货物类别总数,则第s种货物ys所对应的码垛区区域为Rs;所构建的货物类别与码垛区位置的对应规则为:
{(y1,R1),(y2,R2),…,(ys,Rs),…,(yL,RL)}
其中:
(ys,Rs)表示第s种货物对应码垛区区域Rs。
7.如权利要求1所述的一种货物智能存储库房,其特征在于,所述S4步骤中利用路径规划算法确定码垛机器人的运输路线,包括:
所述路径规划算法流程为:
1)将货物智能存储库房区域转换为栅格地图,对于任意货物类别的货物ys,码垛机器人的起始位置为货物ys在待存储货物区域的位置,码垛机器人的终点位置为货物ys对应的码垛区区域Rs,其中ys表示货物类别为ys的货物;
2)码垛机器人在起始位置启动后,实时判断周围8个栅格点是否存在障碍物,若不存在障碍物则转向步骤4),若存在障碍物则转向步骤3);
3)创建Open列表和Closed列表,Open列表用来放置所有路径规划过程中扩展出的待检查的栅格点,Closed列表用来放置所有路径规划过程中已经检查过的栅格点;
码垛机器人的起始位置存储在Open列表,而Closed列表为空,起始位置周围可移动到的8个栅格点位置则会存入Open列表中,对Open列表中所存储的8个栅格点位置进行评价计算,选取评价值h(n)最小的栅格点作为下一个路径点,所述评价计算的公式为:
h(n)=max(|nx-rx|,|ny-ry|)
其中:
(nx,ny)表示待评价栅格点的位置坐标;
(rx,ry)表示码垛机器人终点位置的坐标;
将起始位置存储到Closed列表,并清空Open列表,将所选择的下一个路径点的邻近可移动到的8个栅格点存储到Open列表,重复进行评价计算,直到到达终点位置或没有遇到障碍物;
4)若码垛机器人在移动时没有遇到障碍物,则沿着直线向终点位置(rx,ry)移动,直到到达终点位置或遇到障碍物;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111588070.XA CN114298198A (zh) | 2021-12-23 | 2021-12-23 | 一种货物智能存储库房 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111588070.XA CN114298198A (zh) | 2021-12-23 | 2021-12-23 | 一种货物智能存储库房 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298198A true CN114298198A (zh) | 2022-04-08 |
Family
ID=80969947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111588070.XA Pending CN114298198A (zh) | 2021-12-23 | 2021-12-23 | 一种货物智能存储库房 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298198A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972931A (zh) * | 2022-08-03 | 2022-08-30 | 国连科技(浙江)有限公司 | 一种基于知识蒸馏的货物存放方法及装置 |
CN115907600A (zh) * | 2022-12-29 | 2023-04-04 | 广州捷世通物流股份有限公司 | 一种基于物联网的逆向物流运输方法及系统 |
CN117022971A (zh) * | 2023-10-09 | 2023-11-10 | 南通知力机械科技有限公司 | 一种智能物流码垛机器人控制系统 |
-
2021
- 2021-12-23 CN CN202111588070.XA patent/CN114298198A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972931A (zh) * | 2022-08-03 | 2022-08-30 | 国连科技(浙江)有限公司 | 一种基于知识蒸馏的货物存放方法及装置 |
CN114972931B (zh) * | 2022-08-03 | 2022-12-30 | 国连科技(浙江)有限公司 | 一种基于知识蒸馏的货物存放方法及装置 |
CN115907600A (zh) * | 2022-12-29 | 2023-04-04 | 广州捷世通物流股份有限公司 | 一种基于物联网的逆向物流运输方法及系统 |
CN115907600B (zh) * | 2022-12-29 | 2023-08-25 | 广州捷世通物流股份有限公司 | 一种基于物联网的逆向物流运输方法及系统 |
CN117022971A (zh) * | 2023-10-09 | 2023-11-10 | 南通知力机械科技有限公司 | 一种智能物流码垛机器人控制系统 |
CN117022971B (zh) * | 2023-10-09 | 2023-12-22 | 南通知力机械科技有限公司 | 一种智能物流码垛机器人控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298198A (zh) | 一种货物智能存储库房 | |
CN108416412B (zh) | 一种基于多任务深度学习的物流复合码识别方法 | |
CN108942946B (zh) | 一种智慧物流环境机器人装载方法与装置 | |
US11144787B2 (en) | Object location method, device and storage medium based on image segmentation | |
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 | |
US11676085B2 (en) | System for detecting and classifying consumer packaged goods | |
CN112295933B (zh) | 一种机器人快速分拣货物的方法 | |
Cai et al. | Multi-feature fusion-guided multiscale bidirectional attention networks for logistics pallet segmentation | |
CN104851183A (zh) | 纸币面向识别方法及装置 | |
CN113313688B (zh) | 一种含能材料药桶识别方法、系统、电子设备及存储介质 | |
CN115562276A (zh) | 路径规划方法、装置、设备及计算机可读存储介质 | |
CN114627160A (zh) | 一种水下环境探测的方法 | |
CN107016364A (zh) | 一种基于图像识别的快递位置获取方法 | |
CN114022837A (zh) | 车站遗留物品检测方法、装置、电子设备及存储介质 | |
CN114819821A (zh) | 货物出库校验方法、装置、计算机设备和存储介质 | |
CN116071653A (zh) | 基于自然图像的树木多级枝干结构自动提取方法 | |
CN114882423A (zh) | 一种基于改进Yolov5m模型和DeepSort的货车入库货物识别方法 | |
KR102436943B1 (ko) | Rgb-d 영상에서의 기계학습 기반 물류박스 자동인식 방법 | |
CN114435828A (zh) | 货品存储方法、装置、搬运设备及存储介质 | |
CN108534788A (zh) | 一种基于kinect视觉的AGV导航方法 | |
CN110837762B (zh) | 基于GoogLeNet的卷积神经网络行人识别方法 | |
CN117152728A (zh) | 一种物流仓储自动分拣方法 | |
CN115856917B (zh) | 一种基于激光雷达和摄像头的物体识别系统及方法 | |
CN116588573B (zh) | 一种仓储智能起重系统的散料抓取控制方法及系统 | |
Lenskiy et al. | Rugged terrain segmentation based on salient features |
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 |