CN116078680A - 一种基于深度学习的物流分拣系统 - Google Patents

一种基于深度学习的物流分拣系统 Download PDF

Info

Publication number
CN116078680A
CN116078680A CN202310229544.4A CN202310229544A CN116078680A CN 116078680 A CN116078680 A CN 116078680A CN 202310229544 A CN202310229544 A CN 202310229544A CN 116078680 A CN116078680 A CN 116078680A
Authority
CN
China
Prior art keywords
logistics
package
image
sorting
packages
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.)
Withdrawn
Application number
CN202310229544.4A
Other languages
English (en)
Inventor
方超
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.)
Bengbu College
Original Assignee
Bengbu College
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 Bengbu College filed Critical Bengbu College
Priority to CN202310229544.4A priority Critical patent/CN116078680A/zh
Publication of CN116078680A publication Critical patent/CN116078680A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • B07C1/00—Measures preceding sorting according to destination
    • B07C1/02—Forming articles into a stream; Arranging articles in a stream, e.g. spacing, orientating
    • 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
    • B07C3/02—Apparatus characterised by the means used for distribution
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Sorting Of Articles (AREA)

Abstract

本发明公开了一种基于深度学习的物流分拣系统，涉及物流运输技术领域，解决了现有技术在物流分拣时，难以在短时间内准确识别出多个物流包裹的物流编码，影响物流分拣效率的技术问题；本发明基于图像数据识别出物流包裹的包裹特征；按照物流包裹在传送带上的顺序对物流编码进行排序，根据编码序列完成物流包裹的分拣；本发明提前对物流包裹进行多视角识别，确定物流包裹的分拣顺序，能够提高物流分拣效率；本发明结合全局图像和包裹特征验证物流包裹的顺序是否变化；是，则调整编码序列，并转换为分拣指令；否，则直接将编码序列转换为分拣指令；本发明通过全局图像分析物流包裹在传送带上的位置是否变化，以便及时调整编码序列，保证分拣准确性。

Description

一种基于深度学习的物流分拣系统
技术领域
本发明属于物流运输领域，涉及基于深度学习的物流分拣技术，具体是一种基于深度学习的物流分拣系统。
背景技术
物流作业中最为核心的操作是物流包裹出库/入库和配送中心货物的自动识别和分拣，物流包裹外观信息的实时采集是实现物流自动化和智能化的重要前提。因此，深度学习和图像识别技术结合在物流分拣领域具有很好的扩展价值。
目前在物流分拣过程中，将到达的物流包裹放置在传送带上，通过传送带末端的图像采集设备采集物流包裹对应的物流编码，基于物流编码判断物流包裹对应的仓库，实现对物流包裹的分拣。物流编码在物流包裹的任意一面，当物流包裹较多且物流编码并未直接对着图像采集设备时，会给物流编码的识别带来一定难度，影响物流分拣效率；因此，亟须一种基于深度学习的物流分拣系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于深度学习的物流分拣系统，用于解决现有技术在物流分拣时，难以在短时间内准确识别出多个物流包裹的物流编码，影响物流分拣效率的技术问题。
为实现上述目的，本发明的第一方面提供了一种基于深度学习的物流分拣系统，包括中枢控制模块，以及与之相连接的数据采集模块和分拣控制模块；且所述数据采集模块与图像设备组一和图像设备组二相连接；
中枢控制模块通过图像设备组一联合采集传送带上各物流包裹的图像数据，以及基于图像数据识别出物流包裹的包裹特征；其中，包裹特征包括物流编码、包裹形状以及包裹颜色，图像设备组一包括若干不同视角的图像采集设备；
中枢控制模块从物流包裹的包裹特征中提取物流编码，按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列；以及
通过图像设备组二采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化；是，则调整编码序列，并转换为分拣指令；否，则直接将编码序列转换为分拣指令；其中，图像设备组二至少包括一个图像采集设备；
中枢控制模块基于分拣指令生成分拣控制信号，并发送至分拣控制模块；分拣控制模块基于分拣控制信号对各物流包裹进行分拣。
优选的，所述中枢控制模块通过图像设备组一联合采集传送带上各物流包裹的图像数据，包括：
在物流包裹通过传送带经过图像设备组一覆盖的区域时，通过图像设备组一中的若干图像采集设备分别进行数据采集，获取若干原始图像；
按照图像采集设备的安装位置对预处理之后的若干原始图像进行整合，获取图像数据；其中，预处理包括图像分割、图像去噪和灰度变换。
优选的，所述基于图像数据识别出物流包裹的包裹特征，包括：
获取物流包裹的图像数据；其中，图像数据包括物流包裹各侧面的原始图像；
基于图像数据识别物流编码，以及识别物流包裹各侧面的包裹形状和包裹颜色，并整合成包裹特征。
优选的，所述按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列，包括：
识别各物流包裹对应的物流编码，与物流包裹进行关联；以及通过图像数据确定物流包裹在传送带上的先后顺序；其中，物流包裹的先后顺序可控；
根据各物流包裹的先后顺序对关联的物流编码进行排序，获取编码序列。
优选的，所述通过图像设备组二采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化，包括：
通过图像设备组二采集传送上各物流包裹的全局图像；其中，图像设备组二中的图像采集设备至少采集两个视角的原始数据；
基于全局图像提取各物流包裹的颜色特征和形状特征，与图像设备组一提取的包裹特征进行匹配对比，判断物流包裹的顺序是否变化。
优选的，所述基于全局图像提取各物流包裹的颜色特征和形状特征，与图像设备组一提取的包裹特征进行匹配对比，包括：
从全局图像中提取物流包裹的原始图像，基于预处理之后的原始图像提取形状特征，以及特征图案和对应的颜色特征；
与物流包裹对应的包裹特征进行对比匹配，确定对应物流包裹的位置。
优选的，所述分拣控制模块基于分拣控制信号对各物流包裹进行分拣，包括：
基于分拣指令生成分拣控制信号；其中，分拣控制信号包括按照传送带上物流包裹的顺序以及物流编码对应设置的分拣控制逻辑；
基于分拣控制信号将各物流包裹依次分拣至对应区域。
优选的，所述中枢控制模块分别与数据采集模块和分拣控制模块通信和/或电气连接；所述分拣控制模块用于根据分拣控制信号控制智能分拣设备；
所述数据采集模块分别与图像设备组一和图像设备组二通信和/或电气连接；其中，图像设备组一在传送带上的设置位置在图像设备组二之前。
与现有技术相比，本发明的有益效果是：
1.本发明通过图像设备组一联合采集传送带上各物流包裹的图像数据，以及基于图像数据识别出物流包裹的包裹特征；从物流包裹的包裹特征中提取物流编码，按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列，根据编码序列完成物流包裹的分拣；本发明提前对各物流包裹进行多视角识别，确定物流包裹的分拣顺序，能够提高物流分拣效率。
2.本发明通过图像设备组二采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化；是，则调整编码序列，并转换为分拣指令；否，则直接将编码序列转换为分拣指令；本发明通过全局图像分析物流包裹在传送带上的位置是否变化，以便及时调整编码序列，保证分拣准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的系统原理示意图；
图2为本发明的方法步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明第一方面实施例提供了一种基于深度学习的物流分拣系统，包括中枢控制模块，以及与之相连接的数据采集模块和分拣控制模块；且数据采集模块与图像设备组一和图像设备组二相连接；中枢控制模块通过图像设备组一联合采集传送带上各物流包裹的图像数据，以及基于图像数据识别出物流包裹的包裹特征；中枢控制模块从物流包裹的包裹特征中提取物流编码，按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列；以及通过图像设备组二采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化；是，则调整编码序列，并转换为分拣指令；否，则直接将编码序列转换为分拣指令；中枢控制模块基于分拣指令生成分拣控制信号，并发送至分拣控制模块；分拣控制模块基于分拣控制信号对各物流包裹进行分拣。
对传送带上的物流包裹进行分拣时，多数还是人工分拣，少数会采用图像识别技术来对物流包裹进行自动化分拣。基于图像识别技术进行物流分拣时，需要基于深度学习算法来处理大量图像数据，需要一定的时间。而当传送带上的物流包裹累积时，会影响图像数据的采集，导致遗漏物流包裹，进而影响分拣效率。
本发明通过图像设备组一和图像设备组二将传送带划分为两个部分，在保证物流包裹识别不发生遗漏的同时，还能够提高识别效率。
本发明中的中枢控制模块分别与数据采集模块和分拣控制模块通信和/或电气连接；分拣控制模块用于根据分拣控制信号控制智能分拣设备；数据采集模块分别与图像设备组一和图像设备组二通信和/或电气连接。
中枢控制模块统筹进行数据分析，通过图像设备组一采集的图像数据识别到物流包裹，结合图像设备组二采集的图像数据验证各物流包裹在传送带上的位置，进而快速实现分拣操作。数据采集模块与图像设备组一和图像设备组二连接；图像设备组一在传送带上的设置位置在图像设备组二之前。分拣控制模块用于控制智能分拣设备，如分拣机器人等。
图像设备组一需要采集到物流包裹的物流编码，因此图像设备组一需要物流包裹不同角度的原始图像(无法明确物流包裹的物流编码在正面还是侧面)，如上方角度以及两侧角度；图像设备组二采集的是全局图像，能够从全局图像中识别出颜色特征和形状特征即可，因此设置一个图像采集设备即可，但最好将该图像采集设备俯视45°对准传送带，可以采集到两个平面，提高颜色特征匹配精度和效率。
在一个优选的实施例中，中枢控制模块通过图像设备组一联合采集传送带上各物流包裹的图像数据，包括：在物流包裹通过传送带经过图像设备组一覆盖的区域时，通过图像设备组一中的若干图像采集设备分别进行数据采集，获取若干原始图像；按照图像采集设备的安装位置对预处理之后的若干原始图像进行整合，获取图像数据。
物流包裹放置在传送带上，此时随着传送带的运行图像设备组一中的各图像采集设备持续采集各物流包裹的原始图像。每个物流包裹对应多张原始图像，如物流包裹的上表面原始图像、两侧表面的原始图像等，将这些原始图像进行预处理之后，整合成图像数据并与对应的物流包裹关联。需要说明的是，物流包裹放置在传送带上时，至少应该避免物流编码(物流标签)所在面不应该与传送带直接接触，以免采集不到包含物流编码的原始图像。在物流包裹发生堆积时，应及时分开物流包裹，以免其他物流包裹的遮挡影响原始图像的采集。
在获取物流包裹的图像数据之后，紧接着中枢控制模块需要从图像数据中提取物流包裹的必要特征。基于图像数据识别出物流包裹的包裹特征，包括：获取物流包裹的图像数据；基于图像数据识别物流编码，以及识别物流包裹各侧面的包裹形状和包裹颜色，并整合成包裹特征。
没有对图像数据进行分析之前，并不确定物流编码在哪一个面上，因此物流包裹图像数据中的各原始数据进行遍历识别，提取物流编码，识别到物流编码之后理论上就可以判定该物流包裹应该被分拣到哪个区域中。接着，还需要识别出图像数据中的其他包裹特征，如颜色特征、形状特征，这些特征是为了能够准确识别物流包裹在接下来的运输过程中位置变化，避免位置变化影响的分拣错误。
按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列，包括：识别各物流包裹对应的物流编码，与物流包裹进行关联；以及通过图像数据确定物流包裹在传送带上的先后顺序；根据各物流包裹的先后顺序对关联的物流编码进行排序，获取编码序列。
识别出物流包裹的物流编码之后，也就识别出了该物流包裹的唯一标识，建立物流编码与物流包裹的关联关系。按照当前物流包裹在传送带上的先后顺序对物流编码进行排序，在最前方的物流编码所对应的物流包裹理论上最先到达分拣位置。在另外一些优选的实施例中，可以为物流编码设置唯一标识，将这个唯一标识与物流包裹关联。
接下来物流包裹会在传送带上接着传送，但是在接下来的传送过程中可能会出现个别物流包裹的位置变化，如前后物流包裹的位置对调或者某个物流包裹划出了传送带等，在分拣之前需要来验证各编码序列的顺序是否正确。
通过图像设备组二采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化，包括：通过图像设备组二采集传送上各物流包裹的全局图像；基于全局图像提取各物流包裹的颜色特征和形状特征，与图像设备组一提取的包裹特征进行匹配对比，判断物流包裹的顺序是否变化。
图像设备组二中的图像采集设备至少采集两个视角的原始数据，这里的两个视角的原始数据可以通过一个图像采集设备(高清摄像头)采集获取。物流包裹依次被传送到图像设备组二的覆盖区域中，图像设备组二采集各物流包裹的全局图像，这里的全局图像指的是同一幅原始图像中包含多个物流包裹。从全局图像中依次提取各物流包裹的颜色特征和形状特征，将其与包裹特征中的颜色特征和形状特征进行匹配，判断物流包裹当前所在位置是否与编码序列中的位置对应。在颜色特征和形状特征进行匹配时，可以从全局图像中提取物流包裹某个面的形状特征和颜色特征，与包裹特征中的颜色特征和形状特征同时匹配，二者均匹配成功时可以定位到物流包裹，进而可以识别出物流包裹的位置是否发生变化。在另外一些优选的实施例中，也可以仅以颜色特征或者形状特征来匹配。
需要说明的是，本发明中的颜色特征主要是指灰度值，如灰度均值、灰度最大值或者灰度最小值等；形状特征主要是物流包裹某个面的形状以及形状尺寸。
在一个可选的实施例中，基于全局图像提取各物流包裹的颜色特征和形状特征，与图像设备组一提取的包裹特征进行匹配对比，包括：从全局图像中提取物流包裹的原始图像，基于预处理之后的原始图像提取形状特征，以及特征图案和对应的颜色特征；与物流包裹对应的包裹特征进行对比匹配，确定对应物流包裹的位置。
在通过深度学习算法提取颜色特征时，应尽可能识别特征图案以及图案颜色，即识别全局图像以及图像数据中具有唯一性的图案来提取颜色特征。唯一的图案相对于其他物流包裹而言，如同批次物流包裹中有一家是A公司发的物流包裹，其余全部都是B公司的物流包裹，物流包裹上均有公司标记，则A公司物流包裹上的公司标记可以作为特征图案，提取该特征图案的颜色特征可以直接定位到该物流包裹。
通过全局图像识别定位物流包裹，对比前后物流包裹的物流编码来判断位置是否发生变化，若发生变化则根据最新的位置调整编码序列中各物流编码的顺序，这样保证在分拣时编码序列与各物流包裹的先后顺序一致。
根据编码序列即可完成传送带上各物流包裹的分拣。分拣控制模块基于分拣控制信号对各物流包裹进行分拣，包括：基于分拣指令生成分拣控制信号；基于分拣控制信号将各物流包裹依次分拣至对应区域。
分拣控制信号包括按照传送带上物流包裹的顺序以及物流编码对应设置的分拣控制逻辑，具体是依次识别编码序列中物流编码，然后分析物流编码应该分拣到哪一个区域，接着生成分拣控制信号。智能分拣设备根据分拣控制信号依次完成物流包裹的分拣，这一步基本不存在数据分析，只需要根据分拣控制信号做出分拣动作即可，提高了物流包裹的分拣效率。
本发明的工作原理：采集传送带上各物流包裹的图像数据，以及基于图像数据识别出物流包裹的包裹特征；从物流包裹的包裹特征中提取物流编码，按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列。采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化；是，则调整编码序列，并转换为分拣指令；否，则直接将编码序列转换为分拣指令。基于分拣指令生成分拣控制信号，并发送至分拣控制模块；分拣控制模块基于分拣控制信号对各物流包裹进行分拣。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.一种基于深度学习的物流分拣系统，包括中枢控制模块，以及与之相连接的数据采集模块和分拣控制模块；且所述数据采集模块与图像设备组一和图像设备组二相连接；其特征在于：
中枢控制模块通过图像设备组一联合采集传送带上各物流包裹的图像数据，以及基于图像数据识别出物流包裹的包裹特征；其中，包裹特征包括物流编码、包裹形状以及包裹颜色，图像设备组一包括若干不同视角的图像采集设备；
中枢控制模块从物流包裹的包裹特征中提取物流编码，按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列；以及
通过图像设备组二采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化；是，则调整编码序列，并转换为分拣指令；否，则直接将编码序列转换为分拣指令；其中，图像设备组二至少包括一个图像采集设备；
中枢控制模块基于分拣指令生成分拣控制信号，并发送至分拣控制模块；分拣控制模块基于分拣控制信号对各物流包裹进行分拣。
2.根据权利要求1所述的一种基于深度学习的物流分拣系统，其特征在于，所述中枢控制模块通过图像设备组一联合采集传送带上各物流包裹的图像数据，包括：
在物流包裹通过传送带经过图像设备组一覆盖的区域时，通过图像设备组一中的若干图像采集设备分别进行数据采集，获取若干原始图像；
按照图像采集设备的安装位置对预处理之后的若干原始图像进行整合，获取图像数据；其中，预处理包括图像分割、图像去噪和灰度变换。
3.根据权利要求1所述的一种基于深度学习的物流分拣系统，其特征在于，所述基于图像数据识别出物流包裹的包裹特征，包括：
获取物流包裹的图像数据；其中，图像数据包括物流包裹各侧面的原始图像；
基于图像数据识别物流编码，以及识别物流包裹各侧面的包裹形状和包裹颜色，并整合成包裹特征。
4.根据权利要求1所述的一种基于深度学习的物流分拣系统，其特征在于，所述按照物流包裹在传送带上的顺序对物流编码进行排序，获取编码序列，包括：
识别各物流包裹对应的物流编码，与物流包裹进行关联；以及通过图像数据确定物流包裹在传送带上的先后顺序；其中，物流包裹的先后顺序可控；
根据各物流包裹的先后顺序对关联的物流编码进行排序，获取编码序列。
5.根据权利要求1所述的一种基于深度学习的物流分拣系统，其特征在于，所述通过图像设备组二采集传送带上物流包裹的全局图像，结合包裹特征验证物流包裹的顺序是否变化，包括：
通过图像设备组二采集传送上各物流包裹的全局图像；其中，图像设备组二中的图像采集设备至少采集两个视角的原始数据；
基于全局图像提取各物流包裹的颜色特征和形状特征，与图像设备组一提取的包裹特征进行匹配对比，判断物流包裹的顺序是否变化。
6.根据权利要求5所述的一种基于深度学习的物流分拣系统，其特征在于，所述基于全局图像提取各物流包裹的颜色特征和形状特征，与图像设备组一提取的包裹特征进行匹配对比，包括：
从全局图像中提取物流包裹的原始图像，基于预处理之后的原始图像提取形状特征，以及特征图案和对应的颜色特征；
与物流包裹对应的包裹特征进行对比匹配，确定对应物流包裹的位置。
7.根据权利要求1所述的一种基于深度学习的物流分拣系统，其特征在于，所述分拣控制模块基于分拣控制信号对各物流包裹进行分拣，包括：
基于分拣指令生成分拣控制信号；其中，分拣控制信号包括按照传送带上物流包裹的顺序以及物流编码对应设置的分拣控制逻辑；
基于分拣控制信号将各物流包裹依次分拣至对应区域。
8.根据权利要求1所述的一种基于深度学习的物流分拣系统，其特征在于，所述中枢控制模块分别与数据采集模块和分拣控制模块通信和/或电气连接；所述分拣控制模块用于根据分拣控制信号控制智能分拣设备；
所述数据采集模块分别与图像设备组一和图像设备组二通信和/或电气连接；其中，图像设备组一在传送带上的设置位置在图像设备组二之前。
CN202310229544.4A 2023-03-10 2023-03-10 一种基于深度学习的物流分拣系统 Withdrawn CN116078680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310229544.4A CN116078680A (zh) 2023-03-10 2023-03-10 一种基于深度学习的物流分拣系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310229544.4A CN116078680A (zh) 2023-03-10 2023-03-10 一种基于深度学习的物流分拣系统

Publications (1)

Publication Number Publication Date
CN116078680A true CN116078680A (zh) 2023-05-09

Family

ID=86200914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310229544.4A Withdrawn CN116078680A (zh) 2023-03-10 2023-03-10 一种基于深度学习的物流分拣系统

Country Status (1)

Country Link
CN (1) CN116078680A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291206A (zh) * 2023-10-09 2023-12-26 广州市西克传感器有限公司 一种基于深度学习ocr识别的补码系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291206A (zh) * 2023-10-09 2023-12-26 广州市西克传感器有限公司 一种基于深度学习ocr识别的补码系统

Similar Documents

Publication Publication Date Title
CN102184405B (zh) 图像采集分析方法
CN109550712A (zh) 一种化纤丝尾丝外观缺陷检测系统及方法
CN106733675A (zh) 一种多通道智能货物分拣装置
CN116078680A (zh) 一种基于深度学习的物流分拣系统
WO2014198315A1 (en) Image based object classification
CN113877836B (zh) 一种基于视觉检测系统的智能识别分拣系统
CN103776841A (zh) 合成革缺陷自动检测装置及检测方法
CN112893159B (zh) 一种基于图像识别的煤矸石分拣方法
CN212597224U (zh) 一种快递包裹检测预警系统
CN111597857B (zh) 一种物流包裹检测方法、装置、设备及可读存储介质
CN110328971A (zh) 一种赋码识别系统及赋码识别方法
CN103785622A (zh) 基于机器视觉的零件分拣装置及方法
CN109693140A (zh) 一种智能化柔性生产线及其工作方法
CN112150439A (zh) 注塑件的自动分拣设备及分拣方法
CN111242057A (zh) 产品分拣系统、方法、计算机设备和存储介质
CN115424057A (zh) 一种基于拍照识别使用的物联网物流分类管理识别装置
CN116681979A (zh) 一种复杂环境下的电力设备目标检测方法
CN106599894A (zh) 一种基于图像识别的接触网杆号识别方法
CN116451727B (zh) 一种基于人工智能对rfid标签连续赋码的方法
CN108176603A (zh) 发动机连杆多代号识别方法及其自动分拣设备
CN108332665A (zh) 一种用于球泡灯芯柱位置检测的视觉检测系统及检测方法
CN106540886A (zh) 一种轮胎自动分拣系统
CN115860605A (zh) 一种基于视觉识别的仓储物流检测系统
US20220080465A1 (en) Method for recovering a posteriori information about the operation of a plant for automatic classification and sorting of fruit
CN113231319A (zh) 一种基于agv小车的智能分拣系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230509