CN116229131A - 一种货件分拣方法、装置、系统及存储介质 - Google Patents
一种货件分拣方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN116229131A CN116229131A CN202111454879.3A CN202111454879A CN116229131A CN 116229131 A CN116229131 A CN 116229131A CN 202111454879 A CN202111454879 A CN 202111454879A CN 116229131 A CN116229131 A CN 116229131A
- Authority
- CN
- China
- Prior art keywords
- goods
- sorting
- cargo
- sorted
- data
- 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 title claims abstract description 58
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism 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
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
Abstract
本申请公开了一种货件分拣方法、装置、系统及存储介质。该货件分拣方法包括:获取待分拣货件的货件图像数据;根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;获取待分拣货件的货件参数信息;根据预设的货件信息与货件分拣方式的映射关系确定分拣所述待分拣货件的目标分拣方式,所述货件信息包括货件类别信息和货件参数信息;按照所述目标分拣方式对所述待分拣货件进行分拣。本申请实施例通过对待分拣货件进行智能分类,减少人力投入,提高分拣效率,减少货件与运输设备损坏。
Description
技术领域
本申请涉及仓储物流技术领域,尤其涉及物流货物分拣技术领域,具体涉及一种货件分拣方法、装置、系统及存储介质。
背景技术
随着网购的兴起以及物流行业的发展,物流行业的业务量越来越大,运输的货件的数量也是逐年递增。在快递行业转运中心,货件分拣是人员与设备投入量最高的环节,但是由于当前仅通过人工对货件分类及相应的分拣方式进行粗放型区分与控制管理,具有不同特征属性的货件通常混合以同一种方式进行分拣操作,这样带来的后果是人工凭经验区分货件类型易出错且人力投入高、不同类型的货件不能以合适的方式处理易造成货件损坏且整体分拣效率低、不兼容的货件类型上到分拣设备易造成设备故障。
发明内容
本申请实施例提供一种货件分拣方法、装置、系统及存储介质,通过对待分拣货件进行智能分类,减少人力投入,提高分拣效率,减少货件与运输设备损坏。
第一方面,本申请实施例提供一种货件分拣方法,包括:
获取待分拣货件的货件图像数据;
根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
获取待分拣货件的货件参数信息;
根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式;
按照所述目标分拣方式对所述待分拣货件进行分拣。
在一些实施例中,所述根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息,包括:
根据三维轮廓尺寸数据得到第一特征数据,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;
根据所述货件彩色图片数据得到第二特征数据;
根据所述第一特征数据和所述第二特征数据,得到所述货件类别信息。
在一些实施例中,所述根据所述三维轮廓尺寸数据得到第一特征数据,包括:通过长短期记忆人工神经网络对所述三维轮廓尺寸数据进行特征提取,得到所述第一特征数据;
所述根据所述货件彩色图片数据得到第二特征数据,包括:通过卷积神经网络对所述货件彩色图片数据进行特征提取,得到所述第二特征数据;
所述根据所述货件彩色图片数据得到第二特征数据,包括:将所述第一特征数据和所述第二特征数据输入回归神经网络,得到所述货件类别信息。
在一些实施例中,所述获取待分拣货件的货件图像数据,包括:
获取待分拣货件的所述货件彩色图片数据;
获取待分拣货件的三维点云图;
根据所述三维点云图获取所述三维轮廓尺寸数据。
在一些实施例中,所述按照所述目标分拣方式对所述待分拣货件进行分拣,包括:
根据预设的分拣方式与传输设备和分拣区的映射关系、及所述目标分拣方式确定分拣传输设备和目标分拣区;
控制所述分拣传输设备将所述待分拣货件分拣至所述目标分拣区。
在一些实施例中,所述根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式之后,包括:
获取所述待分拣货件的货件运输信息;
根据所述货件运输信息确定目标装车区,将所述待分拣货件分拣至所述目标装车区。
第二方面,本申请实施例提供一种货件分拣装置,包括:
数据获取模块,用于获取待分拣货件的货件图像数据和货件参数信息;
货件分类模块,与所述数据获取模块通讯连接,用于根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
货件分配模块,与所述货件分类模块通讯连接,用于根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式;
货件分拣模块,与所述货件分配模块通讯连接,用于按照所述目标分拣方式对所述待分拣货件进行分拣。
在一些实施例中,货件分类模块还用于根据三维轮廓尺寸数据得到第一特征数据,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;根据所述货件彩色图片数据得到第二特征数据;根据所述第一特征数据和所述第二特征数据,得到所述货件类别信息。
在一些实施例中,货件分类模块还用于通过长短期记忆人工神经网络对所述三维轮廓尺寸数据进行特征提取,得到所述第一特征数据;通过卷积神经网络对所述货件彩色图片数据进行特征提取,得到所述第二特征数据;将所述第一特征数据和所述第二特征数据输入回归神经网络,得到所述货件类别信息。
在一些实施例中,数据获取模块还用于获取待分拣货件的所述货件彩色图片数据;获取待分拣货件的三维点云图;根据所述三维点云图获取所述三维轮廓尺寸数据。
在一些实施例中,货件分拣模块还用于根据预设的分拣方式与传输设备和分拣区的映射关系、及所述目标分拣方式确定分拣传输设备和目标分拣区;控制所述分拣传输设备将所述待分拣货件分拣至所述目标分拣区。
在一些实施例中,货件分拣模块还用于获取所述待分拣货件的货件运输信息;根据所述货件运输信息确定目标装车区,将所述待分拣货件分拣至所述目标装车区。
第三方面,本申请实施例提供一种货件分拣系统,包括:
数据采集设备,用于获取待分拣货件的货件图像数据和货件参数信息;
智能分类设备,用于根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
控制器,用于根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式;
分拣传输设备,用于按照所述目标分拣方式对所述待分拣货件进行分拣。
在一些实施例中,所述控制器包括:
下位控制器,用于获取所述货件类别信息、货件运输信息及重量体积信息,配合时间戳按照预设格式生成货件数据;
上位机控制器,用于接收所述货件数据,根据预设的货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定目标分拣方式,根据所述目标分拣方式生成分拣指令,所述目标分拣方式包括分拣传输设备和目标分拣区。
在一些实施例中,智能分类设备还用于根据三维轮廓尺寸数据得到第一特征数据,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;根据所述货件彩色图片数据得到第二特征数据;根据所述第一特征数据和所述第二特征数据,得到所述货件类别信息。
在一些实施例中,智能分类设备还用于通过长短期记忆人工神经网络对所述三维轮廓尺寸数据进行特征提取,得到所述第一特征数据;通过卷积神经网络对所述货件彩色图片数据进行特征提取,得到所述第二特征数据;将所述第一特征数据和所述第二特征数据输入回归神经网络,得到所述货件类别信息。
在一些实施例中,数据采集设备还用于获取待分拣货件的所述货件彩色图片数据;获取待分拣货件的三维点云图;根据所述三维点云图获取所述三维轮廓尺寸数据。
在一些实施例中,分拣传输设备还用于根据预设的分拣方式与传输设备和分拣区的映射关系、及所述目标分拣方式确定分拣传输设备和目标分拣区;控制所述分拣传输设备将所述待分拣货件分拣至所述目标分拣区。
在一些实施例中,分拣传输设备还用于获取所述待分拣货件的货件运输信息;根据所述货件运输信息确定目标装车区,将所述待分拣货件分拣至所述目标装车区。
第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的货件分拣方法中的步骤。
本申请实施例提供的货件分拣方法、装置、系统及存储介质,根据货件图像数据对待分拣货件进行智能分类,分类的准确率更高,此外,根据货件类别信息确定分拣待分拣货件的目标分拣方式,选择更加合适的分拣方式,避免货件和运输设备等装置的损坏,整个奋进过程减少人力投入,提升货件分拣效率。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例中货件分拣方法的流程示意图。
图2为本申请实施例中神经网络融合模型的结构示意图。
图3为本申请实施例中货件分拣方法的另一个流程示意图。
图4为本申请实施例中货件分拣装置的结构示意图。
图5为本申请实施例中货件分拣系统的结构示意图。
图6为本申请实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,术语“例如”一词仅用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
在本申请实施例中,本申请提供的货件分拣方法由于是在计算机设备中执行,各计算机设备的处理对象均以数据或信息的形式存在,例如时间,实质为时间信息,可以理解的是,后续实施例中若提及指令、图像等,均为对应的数据存在,以便计算机设备进行处理,具体此处不作赘述。
参阅图1,本申请实施例提供了一种货件分拣方法,该方法包括步骤S100至S400,具体如下:
S100、获取待分拣货件的货件图像数据。
其中,待分拣货件可以是指物流中转场内待分拣后分发的货物,货件图像数据为待分拣货件的外包装的图像信息,可以通过货件图像数据得到例如外包装材质、外包装易碎标识、包装内货物类别信息等。
在一个实施例中,本步骤包括:获取待分拣货件的所述货件彩色图片数据;获取待分拣货件的三维点云图;根据所述三维点云图获取所述三维轮廓尺寸数据。
其中,货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据,获取待分拣货件的三维点云图可以是:通过动态3D相机获取待分拣货件基于三维点云图的三维轮廓尺寸数据(时间序列数值数据),通过智能相机获取待分拣货件的货件彩色图片数据(时间序列图片数据),从而快速获取到待分拣货件有效的货件图像数据。
S200、根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息。
其中,货件类别信息包括但不限于家电类、生鲜类、家居用品类、易碎品类、服装类、日化用品类等。不同类别的货件采用不同的包装方式,尤其是运输过程中需要特别注意的类别,例如,生鲜类一般使用泡沫材质的包装进行包裹。此外,对运输过程有特殊要求的货件还会在外包装上进行相应的标注或者贴标签,例如,易碎品类一般会在外包装标识易碎,家电类则一般会在外包装标识不可翻转、轻拿轻放等信息。因此,根据货件图像数据提取相应的数据,然后对待分拣货件进行分类,以便得到待分拣货件的货件类别信息。
在一个实施例中,本步骤包括:根据三维轮廓尺寸数据得到第一特征数据,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;根据所述货件彩色图片数据得到第二特征数据;根据所述第一特征数据和所述第二特征数据,得到所述货件类别信息。
其中,货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据,针对三维轮廓尺寸数据(三维数据)和货件彩色图片数据(二维数据)两类数据的不同特性,分别采取适用于数据流信息与图像信息的手段进行数据处理和特征提取。根据三维轮廓尺寸数据得到第一特征数据,根据货件彩色图片数据得到第二特征数据,最后根据第一特征数据和第二特征数据得到货件类别信息,其中第一特征数据和第二特征数据为货件类别特征数据,货件类别特征数据包括但不限于外包装材质特征、外包装易碎标识特征、包装内货物类别标识特征。基于不同数据的特点选择不同的手段进行处理,提高数据处理的速度以及准确度,从而提升分类的效率及准确率。
在一个实施例中,本步骤所述根据所述三维轮廓尺寸数据得到第一特征数据,包括:通过长短期记忆人工神经网络对所述三维轮廓尺寸数据进行特征提取,得到所述第一特征数据;所述根据所述货件彩色图片数据得到第二特征数据,包括:通过卷积神经网络对所述货件彩色图片数据进行特征提取,得到所述第二特征数据;所述根据所述货件彩色图片数据得到第二特征数据,包括:将所述第一特征数据和所述第二特征数据输入回归神经网络,得到所述货件类别信息。
其中,神经网络融合模型如图2所示,通过长短期记忆人工神经网络(Long-ShortTerm Memory,LSTM)对三维轮廓尺寸数据进行特征提取,将三维轮廓尺寸数据(高维数值型输入数据)输入到长短期记忆人工神经网络的输入层(X1、X2、…、Xn),经过隐含层(H1、H2、…、Hn)输入到输出层(Y1、Y2、…、Yn)得到第一特征数据。在长短期记忆人工神经网络中,输入层到隐藏层的权重、隐藏层到隐藏层的权重、隐藏层到输出层的权重、以及其余的相关参数在模型训练过程中可以进行调整更新。
通过卷积神经网络(Convolutional Neural Network,CNN)对货件彩色图片数据进行特征提取,将货件彩色图片数据(高维数值型输入数据)输入到卷积神经网络,经过卷积层(Convolutional Layers)得到第一激活图(X1、X2、…、Xn),然后第一激活图经过池化层(Pooling Layers)得到第二激活图(X1、X2、…、Xn),最后根据第二激活图得到第二特征数据(Y1、Y2、…、Yn)。本实施例描述的卷积神经网络一个卷积层和一个化池层的简单情况,如果要达到更高的准确度,还是需要许多层的,本实施例为了便于说明进行举例,但实际并不仅限于此。
最后,将第一特征数据和第二特征数据作为回归神经网络的输入数据输入到回归神经网络的输入层,经过隐含层,然后从输出层输出货件类别信息。
S300、获取待分拣货件的货件参数信息。
其中,货件参数信息包括但不仅限于货件的条码信息、重量信息、体积信息、类别信息、RFID标签信息,可以通过DWS(Dimension weight system,体积重量系统)模块收集条码与重量体积信息,RFID读取模块收集RFID标签信息。
S400、根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式。
其中,货件信息与货件分拣方式的映射关系中不同类别的货件对应不同的货件分拣方式,例如对于判定为易碎件的货件,在运输过程中需要保持平面传输,不允许产生高度方向落差,以避免货件在运输过程中颠簸损坏。对于判定为不可翻转的货件,则需要选择倾斜角度较小、速度较低且摩擦系数较大的运输设备进行运输,避免在运输过程中货件翻转。此外不同体积与重量的货件适用不同类型的运输设备,例如,体积较大的货件适用大型设备进行运输,从而更加合理地分配运输资源。因此需要综合货件参数信息和货件类别信息选取对应的目标分拣方式。映射关系为预先标定的数据,但在实际使用过程中可以获取各个类别的货件的运输过程数据,然后根据运输过程数据的反馈进行调整,以便各种货件分拣方式更加贴合。例如当某一类别的货件运输中容易滑移时,则调整摩擦系数更大的运输设备。
S500、按照所述目标分拣方式对所述待分拣货件进行分拣。
其中,不同类型货件在分拣区的操作需区分具体分拣方式,按照目标分拣方式对待分拣货件进行分拣,将同一类型的货件按照同样的分拣方式集中放置在同一分拣区域,统一同一类型的运输设备的运输路线,以提高运输设备的使用率。
在一个实施例中,本步骤包括:根据预设的分拣方式与传输设备和分拣区的映射关系、及所述目标分拣方式确定分拣传输设备和目标分拣区;控制所述分拣传输设备将所述待分拣货件分拣至所述目标分拣区。
具体地,预设的分拣方式与传输设备和分拣区的映射关系中传输设备、分拣区及分拣方式一一对应,然后结合目标分拣方式可以确定分拣传输设备和目标分拣区。其中,基于倾斜角度、摩擦系数、驱动方式等参数对分拣传输设备进行区分,对于运输有特殊要求的货件使用差异化传输设备,例如对于判定为易碎件的货件,传输设备需保持平面传输,不允许产生高度方向落差,无特殊要求的货件则均使用标准化传输设备,例如服装类货件。对于目标分拣区的分配,统一类型的货件可以分配为同一分拣区,减少分拣传输设备的移动,甚至可以将分拣传输设备进行固定,通过机械手或其它操纵机构将货件转移至分拣传输设备,减少运输过程中对空间的需求。不同类型货件通过相应的分拣传输设备进入对应的目标分拣区。
在一个实施例中,本步骤之后包括:获取所述待分拣货件的货件运输信息;根据所述货件运输信息确定目标装车区,将所述待分拣货件分拣至所述目标装车区。
其中,获取待分拣货件的货件运输信息,货件运输信息包括货件的运输目的地或者运输过程中的下一目的地。根据货件运输信息确定目标装车区,将待分拣货件分拣至目标装车区,从而将运往同一下一目的地的货件集中装车转运。此外,还可以将货件信息和货件运输信息配合时间戳按照预设格式进行存储从而便于整个运输过程的追踪监控以及后期追溯。
上述实施例所述的货件分拣方法,根据货件图像数据对待分拣货件进行智能分类,分类的准确率更高,此外,根据货件类别信息确定分拣待分拣货件的目标分拣方式,选择更加合适的分拣方式,避免货件和运输设备等装置的损坏,整个奋进过程减少人力投入,提升货件分拣效率。
参阅图3,本申请另一实施例提供了一种货件分拣方法,其方法包括:货件信息收集与分类、货件分类分拣指令下发及动作完成、货件分类传输、货件装车分拣。
(1)货件信息收集与分类:货件经卸车操作后进入分拣区,依次通过DWS(Dimension weight system,体积重量系统)模块收集条码与重量体积信息、AI分类模块生成货件类别信息、RFID读取模块收集RFID标签信息,以上三个信息收集模块的触发方式均采用传输系统的光电判断,特别地,AI分类模块主要包括货件特征提取与深度学习融合模型特征分类两步操作,三维轮廓尺寸数据采用长短期记忆人工神经网络进行数据降维与特征处理、彩色图片数据采用卷积神经网络进行数据降维与特征处理,针对同一货件多个维度的特征提取完成,再输入回归神经网络进行特征融合并完成货件类别信息输出。以上,完成两种深度学习算法在数据处理层面的融合,特别地,此模型至少融合2种深度学习算法,分别适用于数据流信息与图像信息的学习分类。
(2)货件分类分拣指令下发及动作完成:货件的条码信息、重量信息、体积信息、类别信息、RFID标签信息配合时间戳上传到下位机控制器,下位机控制器将各类信息进行整合处理及货件匹配,并将每票货件的整合信息以预设格式上传给上位机控制器,上位机控制器将货件下一步的流向信息(目标分拣方式)以指令形式下发至分拣动作执行模块,分类分拣动作完成。其中,下位机控制器负责对接动作执行设备,包括正向货件信息获取与逆向分拣指令下发,上位机控制器负责处理货件信息、通过内嵌算法分析输出分拣指令。两者共同完成控制器的功能,可根据需要进行细化描述或者合并简化描述。
(3)货件分类传输:不同类型货件通过相应的分拣传输设备进入对应的目标分拣区,根据该票货件的特性,分配到倾斜角度、摩擦系数、驱动方式等各有区分的标准化传输设备或差异化传输设备,例如对于判定为易碎件的货件,传输设备需保持平面传输,不允许产生高度方向落差。
(4)货件装车分拣:分类分拣后进入同一个区域的货件属性类似,比如全部是大件电器、生鲜件等等,装车分拣根据巴枪扫描条码得到的流向信息(货件运输信息)、对相同装车流向的货件进行分区码放,以便传输至对应的装车区,结束分拣环节的全部操作。
本实施例提供的货件分拣方法节省人力、分类更准确:深度学习融合模型对货件特征进行多维提取与输出类别信息,一方面节省了特殊件分类拣选需要的人力,另一方面相较于传统单一深度学习图像分类模型,本技术针对货件不同维度的特征配合适宜的深度学习算法进行特征降维与分类,并将多个子模型的结果进行融合以提升分类算法准确度及泛化性能。此外,还能够提升效率、降低货件与设备损坏:依据货件多维度信息及AI分类结果,可以针对性地区分分拣传输设备及分拣方式,一方面,同一类型的货件集中处理相较于不同类型快件混合处理可以提升分拣效率,另一方面,精细化分拣避免了不兼容的货件流转到设备,可以降低货件的损坏率及自动化设备的故障率。
为了更好实施本申请实施例中的货件分拣方法,在货件分拣方法基础之上,本申请实施例中还提供一种货件分拣装置,如图4所示,所述货件分拣装置100包括:
数据获取模块110,用于获取待分拣货件的货件图像数据和货件参数信息;
货件分类模块120,与所述数据获取模块110通讯连接,用于根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
货件分配模块130,与所述货件分类模块120通讯连接,用于根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式,所述货件信息包括货件类别信息和货件参数信息;
货件分拣模块140,与所述货件分配模块130通讯连接,用于按照所述目标分拣方式对所述待分拣货件进行分拣。
在本申请一些实施例中,货件分类模块120还用于根据三维轮廓尺寸数据得到第一特征数据,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;根据所述货件彩色图片数据得到第二特征数据;根据所述第一特征数据和所述第二特征数据,得到所述货件类别信息。
在本申请一些实施例中,货件分类模块120还用于通过长短期记忆人工神经网络对所述三维轮廓尺寸数据进行特征提取,得到所述第一特征数据;通过卷积神经网络对所述货件彩色图片数据进行特征提取,得到所述第二特征数据;将所述第一特征数据和所述第二特征数据输入回归神经网络,得到所述货件类别信息。
在本申请一些实施例中,数据获取模块110还用于获取待分拣货件的所述货件彩色图片数据;获取待分拣货件的三维点云图;根据所述三维点云图获取所述三维轮廓尺寸数据。
在本申请一些实施例中,货件分拣模块140还用于根据预设的分拣方式与传输设备和分拣区的映射关系、及所述目标分拣方式确定分拣传输设备和目标分拣区;控制所述分拣传输设备将所述待分拣货件分拣至所述目标分拣区。
在本申请一些实施例中,货件分拣模块140还用于获取所述待分拣货件的货件运输信息;根据所述货件运输信息确定目标装车区,将所述待分拣货件分拣至所述目标装车区。
上述实施例中,根据货件图像数据对待分拣货件进行智能分类,分类的准确率更高,此外,根据货件类别信息确定分拣待分拣货件的目标分拣方式,选择更加合适的分拣方式,避免货件和运输设备等装置的损坏,整个奋进过程减少人力投入,提升货件分拣效率。
为了更好实施本申请实施例中的货件分拣方法,在货件分拣方法基础之上,本申请实施例中还提供一种货件分拣系统,如图5所示,所述货件分拣系统200包括:
数据采集设备210,用于获取待分拣货件的货件图像数据和货件参数信息;
智能分类设备220,用于根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
控制器230,用于根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式,所述货件信息包括货件类别信息和货件参数信息;
分拣传输设备240,用于按照所述目标分拣方式对所述待分拣货件进行分拣。
在本申请一些实施例中,所述控制器230包括:下位控制器231,用于获取所述货件类别信息、货件运输信息及重量体积信息,配合时间戳按照预设格式生成货件数据;上位机控制器232,用于接收所述货件数据,根据预设的货件分拣方式的映射关系和所述货件类别信息确定目标分拣方式,根据所述目标分拣方式生成分拣指令。
在本申请一些实施例中,智能分类设备220还用于根据三维轮廓尺寸数据得到第一特征数据,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;根据所述货件彩色图片数据得到第二特征数据;根据所述第一特征数据和所述第二特征数据,得到所述货件类别信息。
在本申请一些实施例中,智能分类设备220还用于通过长短期记忆人工神经网络对所述三维轮廓尺寸数据进行特征提取,得到所述第一特征数据;通过卷积神经网络对所述货件彩色图片数据进行特征提取,得到所述第二特征数据;将所述第一特征数据和所述第二特征数据输入回归神经网络,得到所述货件类别信息。
在本申请一些实施例中,数据采集设备210还用于获取待分拣货件的所述货件彩色图片数据;获取待分拣货件的三维点云图;根据所述三维点云图获取所述三维轮廓尺寸数据。
在本申请一些实施例中,分拣传输设备240还用于根据预设的分拣方式与传输设备和分拣区的映射关系、及所述目标分拣方式确定所述分拣传输设备240和目标分拣区;控制所述分拣传输设备240将所述待分拣货件分拣至所述目标分拣区。
在本申请一些实施例中,分拣传输设备240还用于获取所述待分拣货件的货件运输信息;根据所述货件运输信息确定目标装车区,将所述待分拣货件分拣至所述目标装车区。
上述实施例中,根据货件图像数据对待分拣货件进行智能分类,分类的准确率更高,此外,根据货件类别信息确定分拣待分拣货件的目标分拣方式,选择更加合适的分拣方式,避免货件和运输设备等装置的损坏,整个奋进过程减少人力投入,提升货件分拣效率。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请一些实施例中,货件分拣装置100可以实现为一种计算机程序的形式,计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该货件分拣装置100的各个程序模块,比如,图4所示的数据获取模块110、货件分类模块120、货件分配模块130以及货件分拣模块140。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的货件分拣方法中的步骤。
例如,图6所示的计算机设备可以通过如图4所示的货件分拣装置100中的数据获取模块110执行步骤S100。计算机设备可通过货件分类模块120执行步骤S200。计算机设备可通过货件分配模块130执行步骤S300。计算机设备可通过货件分拣模块140执行步骤S400。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。
其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WI-FI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种物流货物分拣导航方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一些实施例中,提供了一种计算机设备,包括一个或多个处理器;存储器;以及一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述货件分拣方法的步骤。此处货件分拣方法的步骤可以是上述各个实施例的货件分拣方法中的步骤。
在本申请一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器进行加载,使得处理器执行上述货件分拣方法的步骤。此处货件分拣方法的步骤可以是上述各个实施例的货件分拣方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种货件分拣方法、装置、系统及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,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申请各实施例的技术方案的范围,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种货件分拣方法,其特征在于,包括:
获取待分拣货件的货件图像数据;
根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
获取待分拣货件的货件参数信息;
根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式,所述货件信息包括货件类别信息和货件参数信息;
按照所述目标分拣方式对所述待分拣货件进行分拣。
2.如权利要求1所述的货件分拣方法,其特征在于,所述根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息,包括:
根据三维轮廓尺寸数据得到第一特征数据,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;
根据所述货件彩色图片数据得到第二特征数据;
根据所述第一特征数据和所述第二特征数据,得到所述货件类别信息。
3.如权利要求2所述的货件分拣方法,其特征在于:
所述根据所述三维轮廓尺寸数据得到第一特征数据,包括:通过长短期记忆人工神经网络对所述三维轮廓尺寸数据进行特征提取,得到所述第一特征数据;
所述根据所述货件彩色图片数据得到第二特征数据,包括:通过卷积神经网络对所述货件彩色图片数据进行特征提取,得到所述第二特征数据;
所述根据所述货件彩色图片数据得到第二特征数据,包括:将所述第一特征数据和所述第二特征数据输入回归神经网络,得到所述货件类别信息。
4.如权利要求1所述的货件分拣方法,其特征在于,所述货件图像数据包括三维轮廓尺寸数据和货件彩色图片数据;
所述获取待分拣货件的货件图像数据,包括:
获取待分拣货件的所述货件彩色图片数据;
获取待分拣货件的三维点云图;
根据所述三维点云图获取所述三维轮廓尺寸数据。
5.如权利要求1所述的货件分拣方法,其特征在于,所述按照所述目标分拣方式对所述待分拣货件进行分拣,包括:
根据预设的分拣方式与传输设备和分拣区的映射关系、及所述目标分拣方式确定分拣传输设备和目标分拣区;
控制所述分拣传输设备将所述待分拣货件分拣至所述目标分拣区。
6.如权利要求1所述的货件分拣方法,其特征在于,所述根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式之后,包括:
获取所述待分拣货件的货件运输信息;
根据所述货件运输信息确定目标装车区;
将所述待分拣货件分拣至所述目标装车区。
7.一种货件分拣装置,其特征在于,包括:
数据获取模块,用于获取待分拣货件的货件图像数据和货件参数信息;
货件分类模块,与所述数据获取模块通讯连接,用于根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
货件分配模块,与所述货件分类模块通讯连接,用于根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式,所述货件信息包括货件类别信息和货件参数信息;
货件分拣模块,与所述货件分配模块通讯连接,用于按照所述目标分拣方式对所述待分拣货件进行分拣。
8.一种货件分拣系统,其特征在于,包括:
数据采集设备,用于获取待分拣货件的货件图像数据和货件参数信息;
智能分类设备,用于根据所述货件图像数据对所述待分拣货件进行分类,得到所述待分拣货件的货件类别信息;
控制器,用于根据预设的货件信息与货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定分拣所述待分拣货件的目标分拣方式;
分拣传输设备,用于按照所述目标分拣方式对所述待分拣货件进行分拣。
9.如权利要求8所述的货件分拣系统,其特征在于,所述控制器包括:
下位控制器,用于获取所述货件类别信息、货件运输信息及重量体积信息,配合时间戳按照预设格式生成货件数据;
上位机控制器,用于接收所述货件数据,根据预设的货件分拣方式的映射关系、所述货件类别信息及所述货件参数信息确定目标分拣方式,根据所述目标分拣方式生成分拣指令。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至6任一项所述的货件分拣方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454879.3A CN116229131A (zh) | 2021-12-01 | 2021-12-01 | 一种货件分拣方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454879.3A CN116229131A (zh) | 2021-12-01 | 2021-12-01 | 一种货件分拣方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116229131A true CN116229131A (zh) | 2023-06-06 |
Family
ID=86587755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111454879.3A Pending CN116229131A (zh) | 2021-12-01 | 2021-12-01 | 一种货件分拣方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229131A (zh) |
-
2021
- 2021-12-01 CN CN202111454879.3A patent/CN116229131A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Custodio et al. | Flexible automated warehouse: a literature review and an innovative framework | |
KR20210008857A (ko) | 오더 처리 방법 및 장치, 서버 및 저장 매체 | |
CN108764783B (zh) | 一种电商自动化仓储配货的货找人管理方法 | |
KR102328081B1 (ko) | 물류 서비스 관리 시스템 및 방법 | |
CN103049838B (zh) | 基于有限状态机的包裹运输状态监控方法 | |
KR102382268B1 (ko) | 복수의 물류 디바이스에 대한 통합 관리 방법 및 통합 관리 디바이스 | |
CN111709608B (zh) | 拣货任务确定方法、装置、计算机设备及存储介质 | |
CN115600941B (zh) | 一种装配式预制件工厂的物料管理系统 | |
CN111754182A (zh) | 理库方法、装置、服务器、机器人、系统及存储介质 | |
Marchuk et al. | World trends in warehousing logistics | |
CN113506055A (zh) | 物品入库方法及装置 | |
CN112824990A (zh) | 一种货物信息的检测方法及其系统、机器人及处理终端 | |
US11537977B1 (en) | Method and system for optimizing delivery of consignments | |
CN114291482B (zh) | 在物料搬运环境中的基于LiDAR的监测 | |
Schoepflin et al. | Smart material delivery unit for the production supplying logistics of aircraft | |
CN116229131A (zh) | 一种货件分拣方法、装置、系统及存储介质 | |
KR20140014522A (ko) | Rfid 기반의 창고 관리 시스템 및 방법 | |
Ng et al. | SFlex-WMS: a novel multi-expert system for flexible logistics and warehouse operation in the context of Industry 4.0 | |
JP6486784B2 (ja) | 物流支援装置、物流支援システム、および物流支援プログラム | |
CN111736540A (zh) | 货物分拣控制方法、装置、电子设备及存储介质 | |
CN114987996B (zh) | 一种动态储物空间控制方法和系统 | |
Hristov et al. | Artificial Intelligence Systems for Warehouses Stocks Control | |
JP6659927B2 (ja) | 情報把握管理装置、情報把握管理装置の端末機および情報把握管理装置のプログラム | |
JP2024030102A (ja) | 情報処理方法、情報処理プログラムおよび情報処理装置 | |
CN110980099B (zh) | 部品出入库运搬方法、系统及计算机可读存储介质 |
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 |