CN116187718B - 基于计算机视觉的智慧货物识别分拣方法及系统 - Google Patents
基于计算机视觉的智慧货物识别分拣方法及系统 Download PDFInfo
- Publication number
- CN116187718B CN116187718B CN202310446331.7A CN202310446331A CN116187718B CN 116187718 B CN116187718 B CN 116187718B CN 202310446331 A CN202310446331 A CN 202310446331A CN 116187718 B CN116187718 B CN 116187718B
- Authority
- CN
- China
- Prior art keywords
- sorting
- cargo
- goods
- cargoes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004380 ashing Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 241000531116 Blitum bonus-henricus Species 0.000 claims description 4
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的智慧货物识别分拣方法及系统，包括：获取预设时间内的货物待分拣订单信息，订单分割后根据相似度计算将分割后订单进行重新组合；设置重新组合后订单中货物的分拣等级，预设不同分拣区分拣设备的分拣任务；获取待分拣货物的图像信息，通过预处理获取图像的感兴趣区域，提取图像特征及点云特征；基于深度学习构建货物识别模型，根据图像特征及点云特征输入训练好货物识别模型进行识别分拣；获取不同分拣区域的各类货物的实时分拣量，根据实时分拣量对不同分拣区域的分拣任务进行更新优化。本发明保证了货物识别分拣的高效率及准确率，提高了仓库货物的智能化分拣管理，降低人力成本。
Description
技术领域
本发明涉及物流分拣技术领域，更具体的，涉及一种基于计算机视觉的智慧货物识别分拣方法及系统。
背景技术
在现代仓储物流的商业模式中，货物的分拣及装卸是仓库管理中必须要进行的作业动作。货物分拣效率直接影响企业服务质量和最终客户满意度。提高订单货物的分拣效率作为一种间接的为企业“开源”的方式，能够有效展现企业的服务能力，提升企业的竞争力。随着自动化的快速发展以及社会的不断进步，需要分拣的货物越来越多，这就要求现实的货物分拣应具有快速、实时、高精度、不接触等特点，传统叉车作为当前货物分拣及装卸的常用设备，存在柔性不高、智能化程度低、耗费人力且工作效率不高。由于现代仓库对货物的智能化管理需求越来越高，这些问题的重要性日渐凸显。
面对传统行业利用人工智能技术进行产业升级的迫切需求，工业机器人被逐步应用到物流货物分拣环境中，它们可以通过视觉技术来自动识别工件种类与位姿，结合机械抓取设备来完成物流货物的分拣工作，而仓储环境物品存放呈现出目标的多样性、相似性及复杂性特点，因此如何有效地提取出目标物体的重要特征信息，在保证分拣准确率的前提下，缩减订单分拣周期，提升机器人分拣效率是亟不可待需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了一种基于计算机视觉的智慧货物识别分拣方法及系统。
本发明第一方面提供了一种基于计算机视觉的智慧货物识别分拣方法，包括：
获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合；
设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务；
获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征；
基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣；
获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量对不同分拣区域的分拣任务进行更新优化。
本方案中，获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合，具体为：
将预设时间内的货物待分拣订单信息进行预处理，提取所述货物待分拣订单的词向量，根据所述词向量获取不同订单中的货物关键词及数量关键词，基于所述货物关键词及数量关键词确定货物品类及货物需求量；
根据货物品类及货物需求量将货物待分拣订单进行分割，生成离散的货品数据序列，并根据货物品类及货物需求量设置序列的数据标签，利用所述数据标签计算不同货品数据序列的相似度；
获取货品数据序列之间的相似度偏差，将相似度偏差小于预设偏差阈值的货品数据序列划分为同一分拣序列集，获取分拣序列集中各货物的平均需求时间，基于所述平均需求时间对各个分拣序列集进行排序。
本方案中，设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务，具体为：
获取同一分拣序列集中各个货物的货物需求量，根据所述货物需求量将货物进行排序，根据排序结果通过预设等级划分标准设置货物的分拣等级，并基于所述分拣等级设置分拣区域中对应的最高分拣设备占据数；
获取各个货物从存储区域到分拣区域的运输时间及单件货物分拣时间，生成单种货物的总分拣时间，计算最高分拣等级货物的总分拣时间与其他分拣等级货物总分拣时间的时间差；
预设时间差阈值，通过所述时间差与时间差阈值的对比进行初步筛选，保留时间差小于时间差阈值的其他分拣等级货物；
将最高分拣等级货物需求量与最高分拣设备占据数的比值及其他分拣等级货物需求量与剩余分拣设备数的比值进行对比，选取经过初筛货物中与最高分拣货物等级对应比值偏差符合预设标准的其他分拣等级货物；
通过最高分拣等级货物与符合预设标准的其他分拣等级货物根据分拣设备占据数分配确定分拣组合设置分拣区域的分拣任务，同时，依次重新设置最高分拣等级确定不同的分拣组合设置剩余分拣区域的分拣任务。
本方案中，获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征，具体为：
通过双目系统获取待分拣货物的图像信息，将所述待分拣货物的图像信息进行灰化处理，利用均值滤波对灰化图像进行滤波去噪；
将滤波后图像进行光照补偿及二值化处理，获取货物的轮廓信息，根据所述轮廓信息进行框选获取感兴趣区域，根据感兴趣区域图像信息进行特征提取货物图像特征；
将感兴趣区域图像信息进行做坐标变换，对双目系统进行标定，根据左目图像及右目图像中的同一边缘目标点的成像点计算视差，获取目标点的深度信息；
将左目图像与右目图像的相似点进行匹配进行图像配准，根据双目系统的左右视差，目标点深度信息及双目相机的内外参数获取边缘目标点的空间坐标，生成点云特征。
本方案中，基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣，具体为：
基于深度学习构建货物识别模型，根据待分拣订单信息中货物品类关键词设置检索标签获取货物的图像信息，根据所述图像信息生成训练数据，通过不同分拣区域对应分拣任务的分拣组合设置训练数据的配置比例；
将图像特征和点云特征导入所述货物识别模型，通过自注意力机制表征特征重要性，根据特征的自注意力权重结合双向特征金字塔进行不同尺度特征之间的特征融合，得到货物识别融合特征；
通过通道注意力对货物识别融合特征进行进一步标定，将货物识别融合特征输入全连接层，根据Softmax函数输出货物的识别结果，将所述识别结果反馈至分拣设备进行分拣。
本方案中，还包括：获取货物待分拣订单信息中货物识别分拣的准确率，将准确率小于预设准确率阈值的货物品类进行标注，在货物识别模型中利用图片旋转进行对应训练数据的数据增强，并在模型训练中设置自适应参数进行训练补偿；
根据货物识别分拣的准确率变化对自适应参数进行调整，直到满足货物品类的预设准确率，确定最优训练数据最优配置比例。
本发明第二方面还提供了一种基于计算机视觉的智慧货物识别分拣系统，该系统包括：存储器、处理器，所述存储器中包括一种基于计算机视觉的智慧货物识别分拣方法程序，所述一种基于计算机视觉的智慧货物识别分拣方法程序被所述处理器执行时实现如下步骤：
获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合；
设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区分拣设备的分拣任务；
获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征；
基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣；
获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量对不同分拣区域的分拣任务进行更新优化。
本发明公开了一种基于计算机视觉的智慧货物识别分拣方法及系统，包括：获取预设时间内的货物待分拣订单信息，订单分割后根据相似度计算将分割后订单进行重新组合；设置重新组合后订单中货物的分拣等级，预设不同分拣区分拣设备的分拣任务；获取待分拣货物的图像信息，通过预处理获取图像的感兴趣区域，提取图像特征及点云特征；基于深度学习构建货物识别模型，根据图像特征及点云特征输入训练好货物识别模型进行识别分拣；获取不同分拣区域的各类货物的实时分拣量，根据实时分拣量对不同分拣区域的分拣任务进行更新优化。本发明通过多特征匹配验证对货物进行识别，并通过优化订单分拣时差减少货物分拣周期，保证了货物识别分拣的高效率及准确率，提高了仓库货物的智能化分拣管理，降低人力成本。
附图说明
图1示出了本发明一种基于计算机视觉的智慧货物识别分拣方法的流程图；
图2示出了本发明获取货物的分拣等级及分拣任务的方法流程图；
图3示出了本发明构建货物识别模型进行货物识别的方法流程图；
图4示出了本发明一种基于计算机视觉的智慧货物识别分拣系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于计算机视觉的智慧货物识别分拣方法的流程图。
如图1所示，本发明第一方面提供了一种基于计算机视觉的智慧货物识别分拣方法，包括：
S102，获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合；
S104，设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务；
S106，获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征；
S108，基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣；
S110，获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量对不同分拣区域的分拣任务进行更新优化。
需要说明的是，将预设时间内的货物待分拣订单信息进行预处理，通过Word2vec模型提取词向量提取所述货物待分拣订单的词向量，根据所述词向量获取不同订单中的货物关键词及数量关键词，基于所述货物关键词及数量关键词确定货物品类及货物需求量；根据货物品类及货物需求量将货物待分拣订单进行分割，生成离散的货品数据序列，并根据货物品类及货物需求量设置序列的数据标签，利用所述数据标签计算不同货品数据序列的相似度，常用的相似度计算方法为欧氏距离相似度、余弦相似度等；获取货品数据序列之间的相似度偏差，将相似度偏差小于预设偏差阈值的货品数据序列划分为同一分拣序列集，获取分拣序列集中各货物的平均需求时间，基于所述平均需求时间对各个分拣序列集进行排序，根据排序结果依次安排分拣。
图2示出了本发明获取货物的分拣等级及分拣任务的方法流程图。
根据本发明实施例，设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务，具体为：
S202，获取同一分拣序列集中各个货物的货物需求量，根据所述货物需求量将货物进行排序，根据排序结果通过预设等级划分标准设置货物的分拣等级，并基于所述分拣等级设置分拣区域中对应的最高分拣设备占据数；
S204，获取各个货物从存储区域到分拣区域的运输时间及单件货物分拣时间，生成单种货物的总分拣时间，计算最高分拣等级货物的总分拣时间与其他分拣等级货物总分拣时间的时间差；
S206，预设时间差阈值，通过所述时间差与时间差阈值的对比进行初步筛选，保留时间差小于时间差阈值的其他分拣等级货物；
S208，将最高分拣等级货物需求量与最高分拣设备占据数的比值及其他分拣等级货物需求量与剩余分拣设备数的比值进行对比，选取经过初筛货物中与最高分拣货物等级对应比值偏差符合预设标准的其他分拣等级货物；
S210，通过最高分拣等级货物与符合预设标准的其他分拣等级货物根据分拣设备占据数分配确定分拣组合设置分拣区域的分拣任务，同时，依次重新设置最高分拣等级确定不同的分拣组合设置剩余分拣区域的分拣任务。
需要说明的是，对一分拣序列集中各个货物进行分级后如果用传统分拣区分会导致每个分拣设备的严重不均衡，因此为分级后的货物设置分拣组合使得同一分拣设备负责分拣一个分拣组合，大大提高了货物分拣的效率。获取各个货物从存储区域到分拣区域的运输时间，不同的分拣区域对应不同的运输时间，通过分拣时间的进行初步筛选，将不同货物的运输时间及分拣时间控制在一定范围内，方便后续货物合流，缩短分拣时间，并保证分拣任务的均衡化；另外根据不同货物需求量与对应分拣设备占据数的比值之间的对比获取货物的关联程度，获取货物最优的匹配方案生成最优分拣组合。
需要说明的是，通过双目系统获取待分拣货物的图像信息，将所述待分拣货物的图像信息进行灰化处理，利用均值滤波对灰化图像进行滤波去噪；将滤波后图像进行光照补偿及二值化处理，获取货物的轮廓信息，根据所述轮廓信息进行框选获取感兴趣区域，根据感兴趣区域图像信息进行特征提取货物图像特征，优先的通过卷积神经网络进行图像特征的提取；将感兴趣区域图像信息进行做坐标变换，对双目系统进行标定，根据左目图像及右目图像中的同一边缘目标点的成像点计算视差，获取目标点的深度信息；将左目图像与右目图像的相似点进行匹配进行图像配准，根据双目系统的左右视差，目标点深度信息及双目相机的内外参数获取边缘目标点的空间坐标，生成点云特征。
图3示出了本发明构建货物识别模型进行货物识别的方法流程图。
根据本发明实施例，基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣，具体为：
S302，基于深度学习构建货物识别模型，根据待分拣订单信息中货物品类关键词设置检索标签获取货物的图像信息，根据所述图像信息生成训练数据，通过不同分拣区域对应分拣任务的分拣组合设置训练数据的配置比例；
S304，将图像特征和点云特征导入所述货物识别模型，通过自注意力机制表征特征重要性，根据特征的自注意力权重结合双向特征金字塔进行不同尺度特征之间的特征融合，得到货物识别融合特征；
S306，通过通道注意力对货物识别融合特征进行进一步标定，将货物识别融合特征输入全连接层，根据Softmax函数输出货物的识别结果，将所述识别结果反馈至分拣设备进行分拣。
需要说明的是，通过卷积神经网络、双向特征金字塔及通道注意力残差块构建货物识别模型，所述卷积神经网络提取特征信息，将图像特征和点云特征利用自注意力机制进行设置，当某项特征存在缺失时，设置另一项特征进行特征补充，增大重要特征的占比，双向特征金字塔是在FPN中加入了跳跃连接,并将FPN中自上而下特征融合替换为自上而下和自下到上的特征融合,使网络不增加额外参数的同时融合更多相同尺度的特征,使不同尺度特征更充分融合；通道注意力层通过残差网络进行连接，在经过将特征图进行压缩、激励后利用全连接层进行生维获取通道权重，将通道特征与通道权重相乘完成通道注意力的标定，最大程度保留了特征的完整性。
需要说明的是，获取货物待分拣订单信息中货物识别分拣的准确率，将准确率小于预设准确率阈值的货物品类进行标注，在货物识别模型中利用图片旋转进行对应训练数据的数据增强，并在模型训练中设置自适应参数进行训练补偿；根据货物识别分拣的准确率变化对自适应参数进行调整，直到满足货物品类的预设准确率，确定最优训练数据最优配置比例。
根据本发明实施例，获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量对不同分拣区域的分拣任务进行更新优化，具体为：
获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量获取不同分拣区域的平均分拣量，将各分拣区域的分拣量与所述平均分拣量进行对比筛选分拣量偏差大于预设阈值的分拣区域；
提取筛选的分拣区域的分拣组合，将提取的分拣组合进行拆分，确定拆分后货物的分拣等级，根据分拣区域分拣设备的数量及不同分拣等级对应最高分拣设备占据数生成约束信息；
将最高分拣等级货物需求量与最高分拣设备占据数的比值及其他分拣等级货物需求量与剩余分拣设备数的比值进行对比，生成对比偏差，设置参数因子结合对比偏差获取匹配系数，匹配系数公式为/>，/>为参数因子，/>，/>分别表示最高分拣等级货物z的需求量与其他分拣等级货物b的需求量，/>表示最高分拣等级货物z对应的最高分拣设备占据数，/>表示分拣区域内分拣设备总数；
通过粒子群算法所述参数因子进行优化，采用积分性能指标作为优化适应度函数，所述积分性能指标,/>为时间，e(t)为分拣量偏差；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置参数因子，进行分拣区域分拣组合的分配及分拣任务的更新。
图4示出了本发明一种基于计算机视觉的智慧货物识别分拣系统的框图。
本发明第二方面还提供了一种基于计算机视觉的智慧货物识别分拣系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于计算机视觉的智慧货物识别分拣方法程序，所述一种基于计算机视觉的智慧货物识别分拣方法程序被所述处理器执行时实现如下步骤：
获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合；
设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务；
获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征；
基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣；
获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量对不同分拣区域的分拣任务进行更新优化。
需要说明的是，将预设时间内的货物待分拣订单信息进行预处理，通过Word2vec模型提取词向量提取所述货物待分拣订单的词向量，根据所述词向量获取不同订单中的货物关键词及数量关键词，基于所述货物关键词及数量关键词确定货物品类及货物需求量；根据货物品类及货物需求量将货物待分拣订单进行分割，生成离散的货品数据序列，并根据货物品类及货物需求量设置序列的数据标签，利用所述数据标签计算不同货品数据序列的相似度，常用的相似度计算方法为欧氏距离相似度、余弦相似度等；获取货品数据序列之间的相似度偏差，将相似度偏差小于预设偏差阈值的货品数据序列划分为同一分拣序列集，获取分拣序列集中各货物的平均需求时间，基于所述平均需求时间对各个分拣序列集进行排序，根据排序结果依次安排分拣。
根据本发明实施例，设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务，具体为：
获取同一分拣序列集中各个货物的货物需求量，根据所述货物需求量将货物进行排序，根据排序结果通过预设等级划分标准设置货物的分拣等级，并基于所述分拣等级设置分拣区域中对应的最高分拣设备占据数；
获取各个货物从存储区域到分拣区域的运输时间及单件货物分拣时间，生成单种货物的总分拣时间，计算最高分拣等级货物的总分拣时间与其他分拣等级货物总分拣时间的时间差；
预设时间差阈值，通过所述时间差与时间差阈值的对比进行初步筛选，保留时间差小于时间差阈值的其他分拣等级货物；
获取对比最高分拣等级货物需求量与最高分拣设备占据数的比值及其他分拣等级货物需求量与剩余分拣设备数的比值，选取经过初筛货物中与最高分拣货物等级对应比值偏差符合预设标准的其他分拣等级货物；
通过最高分拣等级货物与符合预设标准的其他分拣等级货物根据分拣设备占据数分配确定分拣组合设置分拣区域的分拣任务，同时，依次重新设置最高分拣等级确定不同的分拣组合设置剩余分拣区域的分拣任务。
需要说明的是，对一分拣序列集中各个货物进行分级后如果用传统分拣区分会导致每个分拣设备的严重不均衡，因此为分级后的货物设置分拣组合使得同一分拣设备负责分拣一个分拣组合，大大提高了货物分拣的效率。获取各个货物从存储区域到分拣区域的运输时间，不同的分拣区域对应不同的运输时间，通过分拣时间的进行初步筛选，将不同货物的运输时间及分拣时间控制在一定范围内，方便后续货物合流，缩短分拣时间，并保证分拣任务的均衡化；另外根据不同货物需求量与对应分拣设备占据数的比值之间的对比获取货物的关联程度，获取货物最优的匹配方案生成最优分拣组合。
需要说明的是，通过双目系统获取待分拣货物的图像信息，将所述待分拣货物的图像信息进行灰化处理，利用均值滤波对灰化图像进行滤波去噪；将滤波后图像进行光照补偿及二值化处理，获取货物的轮廓信息，根据所述轮廓信息进行框选获取感兴趣区域，根据感兴趣区域图像信息进行特征提取货物图像特征，优先的通过卷积神经网络进行图像特征的提取；将感兴趣区域图像信息进行做坐标变换，对双目系统进行标定，根据左目图像及右目图像中的同一边缘目标点的成像点计算视差，获取目标点的深度信息；将左目图像与右目图像的相似点进行匹配进行图像配准，根据双目系统的左右视差，目标点深度信息及双目相机的内外参数获取边缘目标点的空间坐标，生成点云特征。
根据本发明实施例，基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣，具体为：
基于深度学习构建货物识别模型，根据待分拣订单信息中货物品类关键词设置检索标签获取货物的图像信息，根据所述图像信息生成训练数据，通过不同分拣区域对应分拣任务的分拣组合设置训练数据的配置比例；
将图像特征和点云特征导入所述货物识别模型，通过自注意力机制表征特征重要性，根据特征的自注意力权重结合双向特征金字塔进行不同尺度特征之间的特征融合，得到货物识别融合特征；
通过通道注意力对货物识别融合特征进行进一步标定，将货物识别融合特征输入全连接层，根据Softmax函数输出货物的识别结果，将所述识别结果反馈至分拣设备进行分拣。
需要说明的是，通过卷积神经网络、双向特征金字塔及通道注意力残差块构建货物识别模型，所述卷积神经网络提取特征信息，将图像特征和点云特征利用自注意力机制进行设置，当某项特征存在缺失时，设置另一项特征进行特征补充，增大重要特征的占比，双向特征金字塔是在FPN中加入了跳跃连接,并将FPN中自上而下特征融合替换为自上而下和自下到上的特征融合,使网络不增加额外参数的同时融合更多相同尺度的特征,使不同尺度特征更充分融合；通道注意力层通过残差网络进行连接，在经过将特征图进行压缩、激励后利用全连接层进行生维获取通道权重，将通道特征与通道权重相乘完成通道注意力的标定，最大程度保留了特征的完整性。
需要说明的是，获取货物待分拣订单信息中货物识别分拣的准确率，将准确率小于预设准确率阈值的货物品类进行标注，在货物识别模型中利用图片旋转进行对应训练数据的数据增强，并在模型训练中设置自适应参数进行训练补偿；根据货物识别分拣的准确率变化对自适应参数进行调整，直到满足货物品类的预设准确率，确定最优训练数据最优配置比例。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于计算机视觉的智慧货物识别分拣方法程序，所述一种基于计算机视觉的智慧货物识别分拣方法程序被处理器执行时，实现如上述任一项所述的一种基于计算机视觉的智慧货物识别分拣方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例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。而前述的存储介质包括：移动存储设备、ROM、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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于计算机视觉的智慧货物识别分拣方法，其特征在于，包括以下步骤：
获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合；
设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务；
获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征；
基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣；
获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量对不同分拣区域的分拣任务进行更新优化；
设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务，具体为：
获取同一分拣序列集中各个货物的货物需求量，根据所述货物需求量将货物进行排序，根据排序结果通过预设等级划分标准设置货物的分拣等级，并基于所述分拣等级设置分拣区域中对应的最高分拣设备占据数；
获取各个货物从存储区域到分拣区域的运输时间及单件货物分拣时间，生成单种货物的总分拣时间，计算最高分拣等级货物的总分拣时间与其他分拣等级货物总分拣时间的时间差；
预设时间差阈值，通过所述时间差与时间差阈值的对比进行初步筛选，保留时间差小于时间差阈值的其他分拣等级货物；
将最高分拣等级货物需求量与最高分拣设备占据数的比值及其他分拣等级货物需求量与剩余分拣设备数的比值进行对比，选取经过初筛货物中与最高分拣货物等级对应比值偏差符合预设标准的其他分拣等级货物；
将最高分拣等级货物与符合预设标准的其他分拣等级货物根据最高分拣设备占据数确定分拣组合，设置分拣区域的分拣任务，同时，依次重新设置最高分拣等级确定不同的分拣组合设置剩余分拣区域的分拣任务。
2.根据权利要求1所述的一种基于计算机视觉的智慧货物识别分拣方法，其特征在于，获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合，具体为：
将预设时间内的货物待分拣订单信息进行预处理，提取所述货物待分拣订单的词向量，根据所述词向量获取不同订单中的货物关键词及数量关键词，基于所述货物关键词及数量关键词确定货物品类及货物需求量；
根据货物品类及货物需求量将货物待分拣订单进行分割，生成离散的货品数据序列，并根据货物品类及货物需求量设置序列的数据标签，利用所述数据标签计算不同货品数据序列的相似度；
获取货品数据序列之间的相似度偏差，将相似度偏差小于预设偏差阈值的货品数据序列划分为同一分拣序列集，获取分拣序列集中各货物的平均需求时间，基于所述平均需求时间对各个分拣序列集进行排序。
3.根据权利要求1所述的一种基于计算机视觉的智慧货物识别分拣方法，其特征在于，获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征，具体为：
通过双目系统获取待分拣货物的图像信息，将所述待分拣货物的图像信息进行灰化处理，利用均值滤波对灰化图像进行滤波去噪；
将滤波后图像进行光照补偿及二值化处理，获取货物的轮廓信息，根据所述轮廓信息进行框选获取感兴趣区域，根据感兴趣区域图像信息进行特征提取货物图像特征；
将感兴趣区域图像信息进行坐标变换，对双目系统进行标定，根据左目图像及右目图像中的同一边缘目标点的成像点计算视差，获取目标点的深度信息；
将左目图像与右目图像的相似点进行匹配进行图像配准，根据双目系统的左右视差，目标点深度信息及双目相机的内外参数获取边缘目标点的空间坐标，生成点云特征。
4.根据权利要求1所述的一种基于计算机视觉的智慧货物识别分拣方法，其特征在于，基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣，具体为：
基于深度学习构建货物识别模型，根据待分拣订单信息中货物品类关键词设置检索标签获取货物的图像信息，根据所述图像信息生成训练数据，通过不同分拣区域对应分拣任务的分拣组合设置训练数据的配置比例；
将图像特征和点云特征导入所述货物识别模型，通过自注意力机制表征特征重要性，根据特征的自注意力权重结合双向特征金字塔进行不同尺度特征之间的特征融合，得到货物识别融合特征；
通过通道注意力对货物识别融合特征进行进一步标定，将货物识别融合特征输入全连接层，根据Softmax函数输出货物的识别结果，将所述识别结果反馈至分拣设备进行分拣。
5.根据权利要求1所述的一种基于计算机视觉的智慧货物识别分拣方法，其特征在于，还包括：
获取货物待分拣订单信息中货物识别分拣的准确率，将准确率小于预设准确率阈值的货物品类进行标注，在货物识别模型中利用图片旋转进行对应训练数据的数据增强，并在模型训练中设置自适应参数进行训练补偿；
根据货物识别分拣的准确率变化对自适应参数进行调整，直到满足货物品类的预设准确率，确定最优训练数据最优配置比例。
6.一种基于计算机视觉的智慧货物识别分拣系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于计算机视觉的智慧货物识别分拣方法程序，所述一种基于计算机视觉的智慧货物识别分拣方法程序被所述处理器执行时实现如下步骤：
获取预设时间内的货物待分拣订单信息，将所述货物待分拣订单进行订单分割，根据相似度计算将分割后订单进行重新组合；
设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区分拣设备的分拣任务；
获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征；
基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣；
获取不同分拣区域的各类货物的实时分拣量，根据所述实时分拣量对不同分拣区域的分拣任务进行更新优化；
设置重新组合后订单中货物的分拣等级，根据所述货物的分拣等级进行分配，预设不同分拣区域分拣设备的分拣任务，具体为：
获取同一分拣序列集中各个货物的货物需求量，根据所述货物需求量将货物进行排序，根据排序结果通过预设等级划分标准设置货物的分拣等级，并基于所述分拣等级设置分拣区域中对应的最高分拣设备占据数；
获取各个货物从存储区域到分拣区域的运输时间及单件货物分拣时间，生成单种货物的总分拣时间，计算最高分拣等级货物的总分拣时间与其他分拣等级货物总分拣时间的时间差；
预设时间差阈值，通过所述时间差与时间差阈值的对比进行初步筛选，保留时间差小于时间差阈值的其他分拣等级货物；
将最高分拣等级货物需求量与最高分拣设备占据数的比值及其他分拣等级货物需求量与剩余分拣设备数的比值进行对比，选取经过初筛货物中与最高分拣货物等级对应比值偏差符合预设标准的其他分拣等级货物；
将最高分拣等级货物与符合预设标准的其他分拣等级货物根据最高分拣设备占据数确定分拣组合，设置分拣区域的分拣任务，同时，依次重新设置最高分拣等级确定不同的分拣组合设置剩余分拣区域的分拣任务。
7.根据权利要求6所述的一种基于计算机视觉的智慧货物识别分拣系统，其特征在于，获取待分拣货物的图像信息，通过预处理后获取图像的感兴趣区域，获取所述感兴趣区域的图像特征及点云特征，具体为：
通过双目系统获取待分拣货物的图像信息，将所述待分拣货物的图像信息进行灰化处理，利用均值滤波对灰化图像进行滤波去噪；
将滤波后图像进行光照补偿及二值化处理，获取货物的轮廓信息，根据所述轮廓信息进行框选获取感兴趣区域，根据感兴趣区域图像信息进行特征提取货物图像特征；
将感兴趣区域图像信息进行坐标变换，对双目系统进行标定，根据左目图像及右目图像中的同一边缘目标点的成像点计算视差，获取目标点的深度信息；
将左目图像与右目图像的相似点进行匹配进行图像配准，根据双目系统的左右视差，目标点深度信息及双目相机的内外参数获取边缘目标点的空间坐标，生成点云特征。
8.根据权利要求6所述的一种基于计算机视觉的智慧货物识别分拣系统，其特征在于，基于深度学习构建货物识别模型，根据不同的分拣任务对货物识别模型进行训练，将所述图像特征及点云特征输入训练好货物识别模型进行识别分拣，具体为：
基于深度学习构建货物识别模型，根据待分拣订单信息中货物品类关键词设置检索标签获取货物的图像信息，根据所述图像信息生成训练数据，通过不同分拣区域对应分拣任务的分拣组合设置训练数据的配置比例；
将图像特征和点云特征导入所述货物识别模型，通过自注意力机制表征特征重要性，根据特征的自注意力权重结合双向特征金字塔进行不同尺度特征之间的特征融合，得到货物识别融合特征；
通过通道注意力对货物识别融合特征进行进一步标定，将货物识别融合特征输入全连接层，根据Softmax函数输出货物的识别结果，将所述识别结果反馈至分拣设备进行分拣。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446331.7A CN116187718B (zh) | 2023-04-24 | 2023-04-24 | 基于计算机视觉的智慧货物识别分拣方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446331.7A CN116187718B (zh) | 2023-04-24 | 2023-04-24 | 基于计算机视觉的智慧货物识别分拣方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187718A CN116187718A (zh) | 2023-05-30 |
| CN116187718B true CN116187718B (zh) | 2023-08-04 |
Family
ID=86449292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310446331.7A Active CN116187718B (zh) | 2023-04-24 | 2023-04-24 | 基于计算机视觉的智慧货物识别分拣方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187718B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977998B (zh) * | 2023-07-27 | 2024-07-05 | 江苏苏力机械股份有限公司 | 涂装生产线工件上件视觉识别系统及识别方法 |
| CN117657666B (zh) * | 2023-12-14 | 2024-05-03 | 浙江惠利玛产业互联网有限公司 | 应用于鞋履产品的图像数据管理方法及系统 |
| CN117974667B (zh) * | 2024-04-01 | 2024-06-11 | 深圳市东方鼎盛科技有限公司 | 一种全自动视觉分拣控制方法及系统 |
| CN118658129B (zh) * | 2024-08-21 | 2024-10-15 | 浪潮智慧供应链科技(山东)有限公司 | 基于计算机视觉的智慧货物识别方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071930A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 用于分拣货物的方法和装置 |
| CN110280487A (zh) * | 2019-05-20 | 2019-09-27 | 北京旷视机器人技术有限公司 | 物品分拣控制方法、设备及介质 |
| CN111368852A (zh) * | 2018-12-26 | 2020-07-03 | 沈阳新松机器人自动化股份有限公司 | 基于深度学习的物品识别预分拣系统、方法及机器人 |
| CN112017665A (zh) * | 2020-08-20 | 2020-12-01 | 武汉理工大学 | 基于ld3320语音芯片的语音拣选系统及拣选方法 |
| CN112295949A (zh) * | 2020-10-13 | 2021-02-02 | 广州纳诺科技股份有限公司 | 一种基于深度神经网络的视觉智能分拣方法及系统 |
| CN113525987A (zh) * | 2021-07-29 | 2021-10-22 | 华清科盛(北京)信息技术有限公司 | 一种基于物联网技术的轻量级物流货物分拣运送方法、装置及电子设备 |
-
2023
- 2023-04-24 CN CN202310446331.7A patent/CN116187718B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071930A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京京东尚科信息技术有限公司 | 用于分拣货物的方法和装置 |
| CN111368852A (zh) * | 2018-12-26 | 2020-07-03 | 沈阳新松机器人自动化股份有限公司 | 基于深度学习的物品识别预分拣系统、方法及机器人 |
| CN110280487A (zh) * | 2019-05-20 | 2019-09-27 | 北京旷视机器人技术有限公司 | 物品分拣控制方法、设备及介质 |
| CN112017665A (zh) * | 2020-08-20 | 2020-12-01 | 武汉理工大学 | 基于ld3320语音芯片的语音拣选系统及拣选方法 |
| CN112295949A (zh) * | 2020-10-13 | 2021-02-02 | 广州纳诺科技股份有限公司 | 一种基于深度神经网络的视觉智能分拣方法及系统 |
| CN113525987A (zh) * | 2021-07-29 | 2021-10-22 | 华清科盛(北京)信息技术有限公司 | 一种基于物联网技术的轻量级物流货物分拣运送方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187718A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116187718B (zh) | 基于计算机视觉的智慧货物识别分拣方法及系统 | |
| US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
| CN110569701B (zh) | 计算机执行的车辆定损方法及装置 | |
| CN111415106A (zh) | 货车装载率识别方法、装置、设备及存储介质 | |
| CN110705666A (zh) | 人工智能云计算展示架货架货物和标签监控与存储货物方法 | |
| CN112435215A (zh) | 一种基于图像的车辆定损方法、移动终端、服务器 | |
| CN114553927B (zh) | 一种基于大数据的印刷设备远程控制方法、系统及介质 | |
| CN111881958A (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
| CN111275381A (zh) | 核电站备件盘点方法、装置、设备及存储介质 | |
| CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
| CN114187120A (zh) | 一种车险理赔欺诈风险识别方法及装置 | |
| CN113239862A (zh) | 一种基于人工智能的商品识别方法及装置 | |
| CN118097316B (zh) | 一种基于货物转移进度及用户行为监控的货物分类方法 | |
| CN116777354B (zh) | 一种基于纺织的仓储管理方法、系统及介质 | |
| CN117275011B (zh) | 一种商品识别与商品价签匹配方法、系统、终端及介质 | |
| CN116740473B (zh) | 一种基于机器视觉的渔获物自动分拣方法及系统 | |
| CN113011961A (zh) | 公司关联信息风险监测方法、装置、设备及存储介质 | |
| CN111680941A (zh) | 保价推荐方法、装置、设备及存储介质 | |
| CN116166842A (zh) | 一种基于ai技术的快速筛选与属性比对的方法及系统 | |
| CN114842198A (zh) | 车辆智能定损方法、装置、设备及存储介质 | |
| CN111325242A (zh) | 一种图像的分类方法、终端及计算机存储介质 | |
| CN112734337B (zh) | 基于信息采集的物品监控管理方法及装置 | |
| CN118379747B (zh) | 一种搭载工业相机的票据分拣设备 | |
| CN117636007A (zh) | 快件爆仓预警方法、装置、设备及存储介质 | |
| CN115690790A (zh) | 一种仓储钢卷喷码检测方法、终端设备及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240517 Address after: Shop 105, Building 8, Luowan Town (North District), No. 20 Yinjiang Road, Ganhechen Street, Yuanhui District, Luohe City, Henan Province, 450000 Patentee after: Henan Jiuyu Plastic Technology Co.,Ltd. Country or region after: China Address before: 518000 Room 2705, Baofa Building, Shatoujiao Bonded Zone, Yantian District, Shenzhen, Guangdong Province Patentee before: SHENZHEN HONGDA SUPPLY CHAIN SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |