CN117383126B - 板件分拣缓存库位调度方法、控制系统及智能分拣生产线 - Google Patents
板件分拣缓存库位调度方法、控制系统及智能分拣生产线 Download PDFInfo
- Publication number
- CN117383126B CN117383126B CN202311615209.4A CN202311615209A CN117383126B CN 117383126 B CN117383126 B CN 117383126B CN 202311615209 A CN202311615209 A CN 202311615209A CN 117383126 B CN117383126 B CN 117383126B
- Authority
- CN
- China
- Prior art keywords
- sorting
- value
- plate
- target
- 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 60
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims description 54
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000003708 edge detection Methods 0.000 claims description 26
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000007723 transport mechanism Effects 0.000 claims 3
- 238000000151 deposition Methods 0.000 claims 2
- 230000003139 buffering effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
- B65G1/02—Storage devices
- B65G1/04—Storage devices mechanical
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
- B65G1/02—Storage devices
- B65G1/04—Storage devices mechanical
- B65G1/137—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed
- B65G1/1373—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed for fulfilling orders in warehouses
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明提供了一种板件分拣缓存库位调度方法、控制系统及智能分拣生产线,该板件分拣缓存库位调度方法包括:筛选出空闲度及板件库存量都较大的分拣机器人作为目标分拣机器人,将板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到目标库位,控制目标分拣机器人将抓取位置的板件分拣至目标库位;当检测到目标订单的目标包裹的所有板件都已完成上架时,从数据库中读取目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的目标库位信息及下架顺序控制目标分拣通道的所有分拣机器人将目标包裹的所有板件进行下架,以实现板件的自动分拣出库,同时实现了精准调度空闲库位,提高智能化水平。
Description
技术领域
本发明涉及板件分拣技术领域,尤其涉及一种板件分拣缓存库位调度方法、控制系统及智能分拣生产线。
背景技术
在板件加工行业中,分拣打包是必不可少的工序,而传统的板件分拣打包方式,工人通过预先打印好的产品板件清单,在不同的传送通道中收集各种板件,集齐后搬运到对应的人工码垛区域进行码垛,进而完成对板件的出库,但这种方式工作效率低,且人工成本高。
在申请号为201910952360.4的技术方案中,虽然其通过扫描板件上的特征信息,而后上位机自动生成入库指令,在入库前对板件进行防错检测,分拣装置计算板件的抓取位置进行存储,在出库时,根据出库指令将板件转移至输送装置上,完成出库任务,以实现智能分拣和自动存取板件,提高了订单的分拣效率,但并未实现精准调度空闲库位,智能化水平较低。
发明内容
本发明提供一种板件分拣缓存库位调度方法、控制系统及智能分拣生产线,以实现板件的自动分拣出库,同时实现了精准调度空闲库位,提高智能分拣生产线的智能化水平。
为解决上述问题,本发明采用如下技术方案:
本发明提供一种板件分拣缓存库位调度方法,应用于智能分拣生产线的控制系统,所述智能分拣生产线还包括链式缓存架、立式缓存架、分拣机器人、传输机构,所述链式缓存架、立式缓存架、分拣机器人、传输机构分别与所述控制系统电性连接,所述链式缓存架和立式缓存架均用于临时存放板件,所述链式缓存架用于板件传送拥堵时的临时疏通存放,所述立式缓存架用于板件分拣时等待齐套的临时存放,所述分拣机器人用于按照所述控制系统下发的分拣程序对板件进行分拣,所述板件分拣缓存库位调度方法包括:
当检测到板件被运送至所述链式缓存架对应的分拣通道后,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,筛选出空闲度大于预设空闲度且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人作为目标分拣机器人,控制传输机构将所述板件输送至所述目标分拣机器人的抓取位置;其中,每台分拣机器人都对应指定有用于存放板件的立式缓存架,所述板件库存量为每台分拣机器人指定立式缓存架的剩余空闲库位的数量;
获取所述板件的板件数据及当前空闲库位的库位信息,将所述板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到所述板件被分拣至的目标库位,并对所述目标库位进行锁定;其中,所述板件数据包括所述板件所属的包裹及尺寸、重量、形状,所述库位信息包括所述空闲库位的尺寸及最大荷载,所述目标库位包括所述板件被分拣至的目标立式缓存架及在所述目标立式缓存架的目标层;
控制所述目标分拣机器人将所述抓取位置的板件分拣至所述目标库位,完成所述板件的上架,并将上架后的所述板件对应的目标库位信息存储到数据库中;
当检测到目标订单的目标包裹的所有板件都已完成上架时,确定所述目标包裹被分配的目标分拣通道,从所述数据库中读取所述目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的所述目标库位信息及下架顺序控制所述目标分拣通道的所有分拣机器人将所述目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放。
优选地,所述智能分拣生产线设置有多条分拣通道,每条分拣通道的前面分别设置有一个十五层的链式缓存架,所述链式缓存架的不同层之间按照先入后出规则、同一层之间按照先入先出规则,且每层存放的板件数量低于最大预设值。
进一步地,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量之前,还包括:
统计当前每台分拣机器人在预设时间段内所需分拣的板件数量;
确定当前每台分拣机器人的分拣效率;
将每台分拣机器人在预设时间段内所需分拣的板件数量除以对应的分拣效率后,得到每台分拣机器人的分拣时长;
将每台分拣机器人的分拣时长进行累加后,得到总分拣时长;
分别计算总分拣时长与每台分拣机器人对应的分拣时长的差值,分别将每台分拣机器人的对应差值除以所述总分拣时长后,得到每台分拣机器人的空闲度。
进一步地,将所述板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型之前,还包括:
获取训练数据集;其中,所述训练数据集包括参考板件数据及所述参考板件数据对应已标注的参考库位;
将所述训练数据集输入预先构建的决策树模型,调用所述决策树模型对所述训练数据集进行迭代训练;
根据预设的交叉熵损失函数计算每次迭代训练后的所述决策树模型的交叉熵损失值;
判断所述交叉熵损失值是否低于预设交叉熵损失值;
当判定所述交叉熵损失值不低于所述预设交叉熵损失值时,利用求导链式法则计算所述决策树模型中每个参数对所述交叉熵损失值的梯度;
根据每个参数对所述交叉熵损失值的梯度,利用梯度下降法更新所述决策树模型的每个参数,利用所述训练数据集对更新参数后的所述决策树模型进行再次训练,直至所述交叉熵损失值低于预设交叉熵损失值为止。
优选地,利用求导链式法则计算所述决策树模型中每个参数对所述交叉熵损失值的梯度,包括:
对于所述决策树模型中的每个参数,计算预设的交叉熵损失函数对每个参数的梯度,得到每个参数的第一梯度;
利用预设的激活函数计算每个参数对应中间变量对所述交叉熵损失值的梯度,得到每个参数的第二梯度;
将每个参数的第一梯度与对应的第二梯度进行相乘并以e为底数求取对数值后,得到所述决策树模型中每个参数对所述交叉熵损失值的梯度。
优选地,根据每个参数对所述交叉熵损失值的梯度,利用梯度下降法更新所述决策树模型的每个参数,包括:
确定所述决策树模型中每个参数的初始学习率;
根据Adam算法计算每个参数对所述交叉熵损失值的梯度的一阶矩估计和二阶矩估计,得到每个参数对应的一阶矩估计和二阶矩估计;
利用预设的校正偏差函数对每个参数对应的一阶矩估计和二阶矩估计进行校正,得到每个参数对应的一阶矩和二阶矩;其中,所述预设的校正偏差函数包括:
m=m1/(1-β1 t);
v=v1/(1-β2 t);
其中,所述m1为一阶矩估计,所述β1为Adam算法中的一阶矩估计衰减率,所述β1为0.9,所述v1为二阶矩估计,所述β2为Adam算法中的二阶矩估计衰减率,所述β2为0.999,所述t为所述决策树模型的当前迭代次数;
根据每个参数对应的一阶矩和二阶矩更新每个参数的初始学习率,得到每个参数的学习率;
分别将每个参数的原始参数值减去对应的学习率与梯度的乘积,得到所述决策树模型更新后的每个参数。
进一步地,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量之前,还包括:
控制所述智能分拣生产线的摄像装置拍摄所述板件的纹理面,得到板件图像;
对所述板件图像进行图像预处理后,得到第一板件图像;
利用Canny边缘检测算法对所述第一板件图像进行边缘检测,得到所述第一板件图像的边缘检测结果;
根据所述边缘检测结果遍历所述第一板件图像的每个像素,并寻找所述第一板件图像中未被访问过的边缘像素;
当找到未被访问的边缘像素时,利用深度优先搜索算法标记所述第一板件图像中连通区域内的像素,并记录连通区域的连通信息,继续遍历剩余未被访问的边缘像素,直到所有边缘像素都被访问;
当所有边缘像素都被访问时,根据所述连通区域的连通信息,利用最小外接矩形在所述第一板件图像上绘制矩形边界框,以将所述第一板件图像的图像区域进行标记,并截取出所述第一板件图像的图像区域,得到第二板件图像;
利用预设的加权平均法将所述第二板件图像转换为灰度图像;
计算所述灰度图像的灰度级别;其中,所述灰度级别表示所述灰度图像中像素的灰度值;
根据所述灰度图像的灰度级别确定灰度共生矩阵的大小,并将所述灰度图像中每个像素与对应像素邻域的像素值进行比较,计算得到灰度共生矩阵中的元素值;
根据所述灰度共生矩阵的大小及元素值生成目标灰度共生矩阵;
计算所述目标灰度共生矩阵中元素值的平方和,得到纹理的总体强度;
判断所述纹理的总体强度是否满足要求;
在判定所述纹理的总体强度满足要求时,则确定所述板件的纹理检测质量合格。
进一步地,对所述板件图像进行图像预处理后,得到第一板件图像之后,还包括:
将所述第一板件图像分割成多个非重叠的第一图像区域,计算每个所述第一图像区域中像素的平均值、标准差及协方差,得到每个所述第一图像区域的第一亮度值、第一对比度值及第一结构值;
将预设的标准板件图像分割成多个非重叠的第二图像区域,计算每个所述第二图像区域中像素的平均值、标准差及协方差,得到每个所述第二图像区域的第二亮度值、第二对比度值及第二结构值;其中,所述标准板件图像为图像质量满足要求的图像;
根据每个所述第一图像区域的第一亮度值、第一对比度值及第一结构值,利用预设的SSIM指数计算公式计算得到每个所述第一图像区域的SSIM指数,计算所有所述第一图像区域的SSIM指数的平均值,得到所述第一板件图像的第一SSIM值;
根据每个所述第二图像区域的第二亮度值、第二对比度值及第二结构值,利用预设的SSIM指数计算公式计算得到每个所述第二图像区域的SSIM指数,计算所有所述第二图像区域的SSIM指数的平均值,得到所述标准板件图像的第二SSIM值;
计算所述第一SSIM值与第二SSIM值的误差值;
判断所述第一SSIM值与第二SSIM值的误差值是否小于预设误差值;
在判定所述第一SSIM值与第二SSIM值的误差值小于预设误差值时,则确定所述第一板件图像的图像质量满足要求;
在判定所述第一SSIM值与第二SSIM值的误差值不小于预设误差值时,则对所述第一板件图像依次进行高斯平滑处理、锐化滤波处理及直方图均衡化处理,直至所述第一SSIM值与第二SSIM值的误差值小于预设误差值;
其中,所述SSIM指数计算公式包括:
其中,所述L为亮度值,所述C为对比度值,所述S为结构值,所述C1和C2为常数,用于稳定分母,并避免分母为零。
本发明提供一种控制系统,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上任一项所述的板件分拣缓存库位调度方法的步骤。
本发明还提供一种智能分拣生产线,包括控制系统、链式缓存架、立式缓存架、分拣机器人、传输机构,所述链式缓存架、立式缓存架、分拣机器人、传输机构分别与所述控制系统电性连接,所述链式缓存架和立式缓存架均用于临时存放板件,所述链式缓存架用于板件传送拥堵时的临时疏通存放,所述立式缓存架用于板件分拣时等待齐套的临时存放,所述分拣机器人用于按照所述控制系统下发的分拣程序对板件进行分拣,所述智能分拣生产线的控制系统用于执行如上任一项所述的板件分拣缓存库位调度方法的步骤。
相对于现有技术,本发明的技术方案至少具备如下优点:
本发明所提供的板件分拣缓存库位调度方法、控制系统及智能分拣生产线,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,筛选出空闲度大于预设空闲度且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人作为目标分拣机器人,以合理调度分拣机器人,实现分拣机器人的负载均衡,同时确保有足够的板件库存量存储板件;通过将板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到板件被分拣至的目标库位,并对目标库位进行锁定,控制目标分拣机器人将抓取位置的板件分拣至目标库位,完成板件的上架,并将上架后的板件对应的目标库位信息存储到数据库中,当检测到目标订单的目标包裹的所有板件都已完成上架时,确定目标包裹被分配的目标分拣通道,从数据库中读取目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的目标库位信息及下架顺序控制目标分拣通道的所有分拣机器人将目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放,从而实现板件的自动分拣出库,同时通过人工智能方式实现了精准调度空闲库位,提高智能分拣生产线的智能化水平。
附图说明
图1为本发明板件分拣缓存库位调度方法一种实施例流程框图;
图2为本发明板件分拣缓存库位调度装置一种实施例模块框图;
图3为本发明一个实施例中控制系统的内部结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S11、S12等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域普通技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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,都属于本发明保护的范围。
请参阅图1,本发明提供一种板件分拣缓存库位调度方法,应用于智能分拣生产线的控制系统,所述智能分拣生产线还包括链式缓存架、立式缓存架、分拣机器人、传输机构,所述链式缓存架、立式缓存架、分拣机器人、传输机构分别与所述控制系统电性连接,所述链式缓存架和立式缓存架均用于临时存放板件,所述链式缓存架用于板件传送拥堵时的临时疏通存放,所述立式缓存架用于板件分拣时等待齐套的临时存放,例如,相同订单的相同包裹的所有板件都已完成上架时,所述分拣机器人用于按照所述控制系统下发的分拣程序对板件进行分拣,所述板件分拣缓存库位调度方法包括:
S11、当检测到板件被运送至所述链式缓存架对应的分拣通道后,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,筛选出空闲度大于预设空闲度且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人作为目标分拣机器人,控制传输机构将所述板件输送至所述目标分拣机器人的抓取位置;其中,每台分拣机器人都对应指定有用于存放板件的立式缓存架,所述板件库存量为每台分拣机器人指定立式缓存架的剩余空闲库位的数量;
S12、获取所述板件的板件数据及当前空闲库位的库位信息,将所述板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到所述板件被分拣至的目标库位,并对所述目标库位进行锁定;其中,所述板件数据包括所述板件所属的包裹及尺寸、重量、形状,所述库位信息包括所述空闲库位的尺寸及最大荷载,所述目标库位包括所述板件被分拣至的目标立式缓存架及在所述目标立式缓存架的目标层;
S13、控制所述目标分拣机器人将所述抓取位置的板件分拣至所述目标库位,完成所述板件的上架,并将上架后的所述板件对应的目标库位信息存储到数据库中;
S14、当检测到目标订单的目标包裹的所有板件都已完成上架时,确定所述目标包裹被分配的目标分拣通道,从所述数据库中读取所述目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的所述目标库位信息及下架顺序控制所述目标分拣通道的所有分拣机器人将所述目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放。
如上述步骤S11所述,本实施例可获取每台分拣机器人的工作量,根据工作量计算每台分拣机器人的空闲度,同时,每台分拣机器人都对应指定有用于存放板件的预设数量的立式缓存架,当板件运送至分拣机器人的抓取位置后,分拣机器人将该板件分拣至指定的立式缓存架。具体的,控制系统获取每台分拣机器人对应立式缓存架的板件库存量,该板件库存量为每台分拣机器人指定的立式缓存架的剩余空闲库位的数量,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,从多台分拣机器人中筛选出空闲度大于预设空闲度,且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人,得到目标分拣机器人,以合理调度分拣机器人,实现分拣机器人的负载均衡,同时确保有足够的板件库存量存储板件。
在一个实施例中,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量之前,还可包括:
统计当前每台分拣机器人在预设时间段内所需分拣的板件数量;
确定当前每台分拣机器人的分拣效率;
将每台分拣机器人在预设时间段内所需分拣的板件数量除以对应的分拣效率后,得到每台分拣机器人的分拣时长;
将每台分拣机器人的分拣时长进行累加后,得到总分拣时长;
分别计算总分拣时长与每台分拣机器人对应的分拣时长的差值,分别将每台分拣机器人的对应差值除以所述总分拣时长后,得到每台分拣机器人的空闲度。
例如,本实施例可统计分拣机器人A、B、C在一小时内所需分拣的板件数量,分拣机器人A所需分拣的板件数量为500块,分拣机器人B所需分拣的板件数量为600块,分拣机器人C所需分拣的板件数量为800块;同时确定当前每台分拣机器人的分拣效率,分拣机器人A的分拣效率为100块/小时,分拣机器人B的分拣效率为200块/小时,分拣机器人C的分拣效率为400块/小时,然后将每台分拣机器人在一小时内所需分拣的板件数量除以对应的分拣效率后,得到每台分拣机器人的分拣时长,分拣机器人A的分拣时长为5小时,分拣机器人B的分拣时长为3小时,分拣机器人C的分拣时长为2小时,将每台分拣机器人的分拣时长进行累加后,得到总分拣时长为5+3+2=10小时,最后分别计算总分拣时长与每台分拣机器人对应的分拣时长的差值,分别将每台分拣机器人的对应差值除以所述总分拣时长后,得到每台分拣机器人的空闲度,即分拣机器人A的空闲度为(10-5)/10=50%,分拣机器人B的空闲度为(10-3)/10=70%,分拣机器人C的空闲度为(10-2)/10=80%,最后筛选出空闲度最大的分拣机器人为C,以精准地确定每台分拣机器人的空闲度。
如上述步骤S12所述,该上下架模型为预先通过训练数据集训练好的神经网络模型,用于基于板件数据及库位信息自动匹配得到最合适的库位。该板件数据可包括板件所属的包裹及该板件的参数信息,如尺寸、重量、形状,该库位信息包括空闲库位的尺寸及最大荷载,即可存放的最大尺寸及可承载的最大重量。本实施例获取板件的板件数据及当前空闲库位的库位信息,将板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型后,输出得到该板件被分拣至的目标库位,并对该目标库位进行锁定,以避免其他板件占用,导致分拣出错。该目标库位指示了该板件需派往哪个立式缓存架的哪一层的哪一个板位(每台分拣机器人负责6个立式缓存架,同一个包裹的板件被派送至同一个立式缓存架,每个立式缓存架有上中下3层,每层有20个板位)。
如上述步骤S13-S14所述,在确定板件的目标库位后,控制系统控制目标分拣机器人将位于抓取位置的该板件分拣至目标库位,完成板件的上架,并将上架后的板件对应的目标库位信息存储到数据库中,该目标库位信息可包括目标库位的编号、位置、尺寸及最大荷载等信息。
判断该板件是否为所属目标订单的目标包裹的最后一块所需分拣的板件,若是,则检测到目标订单的目标包裹的所有板件都已完成上架,此时,确定该目标包裹被分配的目标分拣通道,如从所有分拣通道中筛选出最空闲的分拣通道作为目标分拣通道,从数据库中读取目标包裹的所有板件对应的目标库位信息及下架顺序,该下架顺序可自定义设置,根据所有板件对应的目标库位信息及下架顺序控制目标分拣通道的所有分拣机器人将目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放,避免长期占用空闲库位。
本发明所提供的板件分拣缓存库位调度方法,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,筛选出空闲度大于预设空闲度且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人作为目标分拣机器人,以合理调度分拣机器人,实现分拣机器人的负载均衡,同时确保有足够的板件库存量存储板件;通过将板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到板件被分拣至的目标库位,并对目标库位进行锁定,控制目标分拣机器人将抓取位置的板件分拣至目标库位,完成板件的上架,并将上架后的板件对应的目标库位信息存储到数据库中,当检测到目标订单的目标包裹的所有板件都已完成上架时,确定目标包裹被分配的目标分拣通道,从数据库中读取目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的目标库位信息及下架顺序控制目标分拣通道的所有分拣机器人将目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放,从而实现板件的自动分拣出库,同时通过人工智能方式实现了精准调度空闲库位,提高智能分拣生产线的智能化水平。
在一个实施例中,智能分拣生产线设置有多条分拣通道,每条分拣通道的前面分别设置有一个十五层的链式缓存架,在链式缓存架的不同层之间可按照先入后出规则、在链式缓存架的同一层之间可按照先入先出规则,且该在链式缓存架的每层存放的板件数量低于最大预设值,以避免荷载过大。
在一个实施例中,将所述板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型之前,还可包括:
获取训练数据集;其中,所述训练数据集包括参考板件数据及所述参考板件数据对应已标注的参考库位;
将所述训练数据集输入预先构建的决策树模型,调用所述决策树模型对所述训练数据集进行迭代训练;
根据预设的交叉熵损失函数计算每次迭代训练后的所述决策树模型的交叉熵损失值;
判断所述交叉熵损失值是否低于预设交叉熵损失值;
当判定所述交叉熵损失值不低于所述预设交叉熵损失值时,利用求导链式法则计算所述决策树模型中每个参数对所述交叉熵损失值的梯度;
根据每个参数对所述交叉熵损失值的梯度,利用梯度下降法更新所述决策树模型的每个参数,利用所述训练数据集对更新参数后的所述决策树模型进行再次训练,直至所述交叉熵损失值低于预设交叉熵损失值为止。
本实施例的训练数据集包括多组参考板件数据及每组参考板件数据对应已标注的参考库位,训练数据集的数据量需大于阈值,以提高模型的训练效果。训练时,将训练数据集输入预先构建的决策树模型,调用决策树模型对训练数据集进行迭代训练,且在每次迭代训练后,根据预设的交叉熵损失函数计算每次迭代训练后的决策树模型的交叉熵损失值。
其中,该交叉熵损失函数是一种损失函数,也被称为logistic损失函数。它用于衡量预测值与实际值之间的差异。交叉熵损失函数可以被视为描述两个概率分布之间的距离,当预测值与实际值越接近时,损失函数的值越小。交叉熵损失函数对预测值较大的误差给予更高的惩罚,有助于模型更加关注于正确分类。
该决策树模型是一种基于树状结构进行分类和回归的机器学习模型。它模拟人类在做决策时的思考过程,通过一系列的问题和条件判断来对数据进行分类或预测。决策树模型由节点(Node)和边(Edge)组成,根据不同的特征对数据进行切分并逐层构建。每个节点表示一个特征,并具有相应的条件判断。从根节点开始,根据数据的特征值,沿着不同的边向下遍历,最终到达叶子节点,叶子节点给出了分类或回归的预测结果。
当判定交叉熵损失值不低于预设交叉熵损失值时,利用求导链式法则计算决策树模型中每个参数对交叉熵损失值的梯度。求导链式法则用于计算复合函数的导数,当一个函数由多个函数组合而成时,通过链式法则可以逐步推导出整个函数的导数,从而适用于梯度下降算法、神经网络的反向传播等涉及复合函数求导的场景。
最后根据每个参数对交叉熵损失值的梯度,利用梯度下降法更新决策树模型的每个参数,利用训练数据集对更新参数后的决策树模型进行再次训练,直至交叉熵损失值低于预设交叉熵损失值为止。梯度下降法是一种优化算法,用于求解最小化损失函数。它是一种迭代的优化算法,通过不断更新参数的方式来逐步接近损失函数的最小值。
梯度下降是利用损失函数对参数的偏导数(梯度)来指导参数的更新。
具体步骤如下:
1.初始化参数:随机或设置初值作为参数的初始值。
2.计算梯度:计算损失函数对于每个参数的偏导数(梯度)。这可以使用反向传播算法来计算。
3.更新参数:根据学习率和梯度方向,对每个参数进行更新。
学习率决定了每次迭代中参数更新的步幅,较大的学习率可能导致参数震荡不收敛,较小的学习率可能导致收敛速度过慢。
4.重复步骤2和步骤3直到达到停止条件,如达到预定的迭代次数、损失函数的变化很小或梯度的大小很小等。
本实施例可通过梯度下降法逐步更新参数,不断迭代地寻找到损失函数的局部最小值,以通过求解模型的参数以最小化损失函数。
在一个实施例中,利用求导链式法则计算所述决策树模型中每个参数对所述交叉熵损失值的梯度,包括:
对于所述决策树模型中的每个参数,计算预设的交叉熵损失函数对每个参数的梯度,得到每个参数的第一梯度;
利用预设的激活函数计算每个参数对应中间变量对所述交叉熵损失值的梯度,得到每个参数的第二梯度;
将每个参数的第一梯度与对应的第二梯度进行相乘并以e为底数求取对数值后,得到所述决策树模型中每个参数对所述交叉熵损失值的梯度。
本实施例对于决策树模型中的每个参数,计算预设的交叉熵损失函数对每个参数的梯度,然后可根据每个参数的计算方式,利用矩阵乘法或激活函数计算每个参数对应的中间变量对交叉熵损失值的梯度,将每个参数的梯度与对应的中间变量的梯度相乘并以e为底数求取对数值后作为最终梯度,该e为无理数,如某个参数的梯度与对应的中间变量的梯度相乘后为10,则以e为底数求取对数值后为ln10,得到最终梯度,以最小化损失函数。其中,该梯度(gradient)是指损失函数对于参数的偏导数。它表示了损失函数随着参数变化的速率和方向。
在反向传播过程中,该中间变量指的是在计算参数梯度时出现的一些临时变量。这些中间变量表示某个参数对应的中间计算结果,根据求导链式法则,它们对损失的梯度将被乘以该参数对应的梯度。通常情况下,中间变量是通过前向传播过程中的计算步骤得到的。具体来说,在每层神经网络模型中,向前传播从输入层开始逐层计算输出,而反向传播将从输出层开始逐层计算梯度。在反向传播的过程中,每个参数的梯度都与其对应的中间变量相乘。
例如,考虑一个简单的神经网络,该网络包含两个隐藏层(第一隐藏层和第二隐藏层),以及一个输出层。在计算第一隐藏层参数梯度时,需要使用第一隐藏层输出对损失的梯度与该参数对应的中间变量相乘。所以,中间变量通常是指在前向传播过程中计算得到的中间结果,这些中间结果在后续的反向传播中用于计算梯度信息,并根据求导链式法则完成参数梯度的计算。这样的中间变量的使用使得反向传播更加高效并且可以自动计算梯度。
在一个实施例中,根据每个参数对所述交叉熵损失值的梯度,利用梯度下降法更新所述决策树模型的每个参数,包括:
确定所述决策树模型中每个参数的初始学习率;
根据Adam算法计算每个参数对所述交叉熵损失值的梯度的一阶矩估计和二阶矩估计,得到每个参数对应的一阶矩估计和二阶矩估计;
利用预设的校正偏差函数对每个参数对应的一阶矩估计和二阶矩估计进行校正,得到每个参数对应的一阶矩和二阶矩;其中,所述预设的校正偏差函数包括:
m=m1/(1-β1 t);
v=v1/(1-β2 t);
其中,所述m1为一阶矩估计,所述β1为Adam算法中的一阶矩估计衰减率,所述β1为0.9,所述m为一阶矩,所述v1为二阶矩估计,所述β2为Adam算法中的二阶矩估计衰减率,所述β2为0.999,所述v为二阶矩,所述t为所述决策树模型的当前迭代次数;
根据每个参数对应的一阶矩和二阶矩更新每个参数的初始学习率,得到每个参数的学习率;
分别将每个参数的原始参数值减去对应的学习率与梯度的乘积,得到所述决策树模型更新后的每个参数。
在本实施例中,Adam算法是一种自适应学习率的优化算法,它结合了梯度的一阶矩估计和二阶矩估计,可以用来调整每个参数的学习率。下面是使用Adam算法计算每个参数对所述交叉熵损失值的梯度的一阶矩估计和二阶矩估计的具体步骤:
初始化变量:初始化一阶矩估计的变量m0为0,二阶矩估计的变量v0为0。这些变量的维度与模型的参数维度相同。
计算梯度:通过反向传播计算交叉熵损失函数对每个参数的梯度。
更新一阶矩估计:使用指数加权平均更新一阶矩估计m0,包括如下公式:
m1=β1*m0+(1-β1)*gradient;
其中,m0为一阶矩估计的初始变量,β1是Adam算法中的一阶矩估计衰减率,通常设置为较小的值,如0.9,gradient为梯度。
更新二阶矩估计:使用指数加权平均更新二阶矩估计v0,包括如下公式:
v1=β2*v0+(1-β2)*(gradient*gradient);
其中,v0为二阶矩估计的初始变量,β2是Adam算法中的二阶矩估计衰减率,通常设置为较小的值,如0.999,gradient为梯度。
由于在初始阶段,m1和v1的估计值会有偏差,所以需要对每个参数对应的一阶矩估计和二阶矩估计进行校正。具体的,利用预设的校正偏差函数对每个参数对应的一阶矩估计和二阶矩估计进行校正,得到每个参数对应的一阶矩和二阶矩;其中,所述预设的校正偏差函数包括:
m=m1/(1-β1 t);
v=v1/(1-β2 t);
其中,所述m1为一阶矩估计,所述β1为Adam算法中的一阶矩估计衰减率,所述β1为0.9,所述m为一阶矩,所述v1为二阶矩估计,所述β2为Adam算法中的二阶矩估计衰减率,所述β2为0.999,所述v为二阶矩,所述t为所述决策树模型的当前迭代次数;
最后根据每个参数对应的一阶矩和二阶矩更新每个参数的初始学习率,得到每个参数的学习率,分别将每个参数的原始参数值减去对应的学习率与梯度的乘积,得到决策树模型更新后的每个参数,包括如下公式:
parameter1=parameter-learning_rate*gradient;
其中,learningrate′是初始学习率,m为一阶矩,v为二阶矩,learningrate是更新后的学习率,α是一个极小值,用于防止分母为0,parameter是原始参数值,gradient为梯度。
本实施例的Adam算法通过综合利用梯度的一阶矩估计和二阶矩估计,既考虑了梯度方向的信息又考虑了梯度大小的信息,从而能够自适应地调整学习率,并能够在训练初期快速收敛,然后逐渐减小学习率以保证稳定性。
在一个实施例中,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量之前,还可包括:
控制所述智能分拣生产线的摄像装置拍摄所述板件的纹理面,得到板件图像;
对所述板件图像进行图像预处理后,得到第一板件图像;
利用Canny边缘检测算法对所述第一板件图像进行边缘检测,得到所述第一板件图像的边缘检测结果;
根据所述边缘检测结果遍历所述第一板件图像的每个像素,并寻找所述第一板件图像中未被访问过的边缘像素;
当找到未被访问的边缘像素时,利用深度优先搜索算法标记所述第一板件图像中连通区域内的像素,并记录连通区域的连通信息,继续遍历剩余未被访问的边缘像素,直到所有边缘像素都被访问;
当所有边缘像素都被访问时,根据所述连通区域的连通信息,利用最小外接矩形在所述第一板件图像上绘制矩形边界框,以将所述第一板件图像的图像区域进行标记,并截取出所述第一板件图像的图像区域,得到第二板件图像;
利用预设的加权平均法将所述第二板件图像转换为灰度图像;
计算所述灰度图像的灰度级别;其中,所述灰度级别表示所述灰度图像中像素的灰度值;
根据所述灰度图像的灰度级别确定灰度共生矩阵的大小,并将所述灰度图像中每个像素与对应像素邻域的像素值进行比较,计算得到灰度共生矩阵中的元素值;
根据所述灰度共生矩阵的大小及元素值生成目标灰度共生矩阵;
计算所述目标灰度共生矩阵中元素值的平方和,得到纹理的总体强度;
判断所述纹理的总体强度是否满足要求;
在判定所述纹理的总体强度满足要求时,则确定所述板件的纹理检测质量合格。
在本实施例中,智能分拣生产线上设置有摄像装置,控制系统控制该摄像装置拍摄板材的纹理面(一般为正反面),得到多张板件图像,控制系统接收摄像装置发送的该多张板件图像,对每张板件图像进行图像预处理后,得到第一板件图像。其中,该图像预处理方式包括图像去噪、图像增强及图像尺寸调整等等。
然后利用Canny边缘检测算法对第一板件图像进行边缘检测,得到第一板件图像的边缘检测结果。其中,Canny边缘检测算法是一种计算机视觉和图像处理算法,用于检测图像中的边缘。在利用Canny边缘检测算法对第一板件图像进行边缘检测,得到第一板件图像的边缘检测结果时,可通过应用高斯滤波器来平滑第一板件图像,以减少噪声对边缘检测的影响。然后使用一阶偏导数来计算第一板件图像中每个像素点的梯度幅值和方向。梯度的幅值表示第一板件图像中灰度变化的强度,方向表示边缘的法线方向。对第一板件图像中的每个像素点,根据其梯度方向确定邻域内是否存在更明显的边缘。如果该像素点不是局部最大梯度值,则将其抑制为0,以达到细化边缘的目的。根据预设的两个阈值(高阈值和低阈值),将第一板件图像中的边缘分为强边缘和弱边缘。强边缘被保留,而弱边缘则通过连通性来确定是否为真正的边缘。对于弱边缘,如果其与强边缘相连接,则将其标记为最终的边缘,以得到第一板件图像的边缘检测结果,以通过Canny边缘检测算法,能够有效地检测出第一板件图像中的边缘,并具有抗噪声能力较强、定位准确等优点。
根据边缘检测结果遍历第一板件图像的每个像素,以通过Canny边缘检测算法得到的边缘检测结果对第一板件图像的边缘进行初步检测,寻找第一板件图像中未被访问过的边缘像素,当找到未被访问的边缘像素时,可以使用深度优先搜索(DFS)或广度优先搜索(BFS)等遍历算法来标记该连通区域内的像素,并记录连通区域的连通信息(如区域的大小、位置等)。连通区域分析是一种将相邻的像素组成连通区域的过程,对每个连通区域进行标记。
继续遍历其他未被访问的边缘像素,重复上述操作,直到所有边缘像素都被访问,当所有边缘像素都被访问时,可以选择不同的方式来标记图像区域。例如,可以根据所述连通区域的连通信息,利用最小外接矩形在第一板件图像上绘制矩形边界框,以将所述第一板件图像的图像区域进行标记,并截取出第一板件图像的图像区域,得到第二板件图像,以突出显示纹理区域,从而利用边缘检测和连通区域分析法有效、准确地标记出第一板件图像的纹理区域,从而方便后续的纹理分析和处理任务。
此外,本实施例可利用加权平均法将第二板件图像转换为灰度图像,会涉及到将RGB彩色图像中的红色(R)、绿色(G)和蓝色(B)分量进行加权平均。对于每个像素点(x,y)处的RGB分量(R,G,B),假设其范围在0到255之间,可使用以下公式计算灰度值(gray):
gray=(R*0.2989+G*0.5870+B*0.1140);
其中,权重0.2989、0.5870和0.1140可以基于经验进行选择,以符合人类视觉系统对不同颜色强度的感知。
最后将灰度值作为像素(x,y)的新强度值,生成灰度图像,以通过加权平均法将RGB图像转换为灰度图像,能够较好地保留所述第二板件图像的结构信息。
本实施例可确定计算灰度共生矩阵所需的像素邻域,通常选择4个固定的方向,如水平、垂直、45度对角线和135度对角线。遍历整个灰度图像,记录每个灰度值的出现次数,计算出现的不同灰度数值的数量,将灰度数值的数量作为所述灰度图像的灰度级别。
其中,该灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)用于图像纹理分析,其通过计算图像中不同像素之间的关系和分布来提取图像的纹理特征。灰度共生矩阵基于邻域像素对的概念,它描述了不同灰度级别像素出现在给定位置的概率。具体而言,灰度共生矩阵统计了在特定距离和特定方向上,两个像素具有特定灰度值(灰度级别)的次数。
灰度共生矩阵的大小由灰度级别的数量决定。因此,可根据图像的灰度级别确定灰度共生矩阵的大小,该灰度级别表示灰度图像中像素的灰度值,如灰度级别为256。对于每个像素,通过比较其与相应邻域的像素值,计算灰度共生矩阵中的元素值。该元素表示像素对出现在那些邻域中的频次,根据灰度共生矩阵的大小及元素值生成目标灰度共生矩阵,同时为了使不同图像具有相似比例的纹理特征,归一化所述目标灰度共生矩阵,基于归一化的目标灰度共生矩阵,可以计算多个纹理特征。该纹理特征包括:
纹理强度:矩阵元素值的平方和,表示纹理的总体强度。
对比度:灰度级别之间差异的加权总和,表示纹理的对比程度。
相关性:衡量灰度共生矩阵中像素之间的线性相关性。
熵:矩阵元素的信息熵,表示纹理的复杂程度。
聚集度:衡量灰度共生矩阵中不同灰度值对应像素的接近程度。
本实施例可判断纹理的总体强度是否满足要求,在判定纹理的总体强度满足要求时,则确定板件的纹理检测质量合格,以通过计算第二板件图像的灰度共生矩阵,可以提取出第二板件图像中不同方向和距离上的纹理信息,用于描述和区分不同的图像纹理特征,从而可以准确地揭示第二板件图像的纹理特征,实现纹理质量的精准检测。
在一个实施例中,对所述板件图像进行图像预处理后,得到第一板件图像之后,还可包括:
将所述第一板件图像分割成多个非重叠的第一图像区域,计算每个所述第一图像区域中像素的平均值、标准差及协方差,得到每个所述第一图像区域的第一亮度值、第一对比度值及第一结构值;
将预设的标准板件图像分割成多个非重叠的第二图像区域,计算每个所述第二图像区域中像素的平均值、标准差及协方差,得到每个所述第二图像区域的第二亮度值、第二对比度值及第二结构值;其中,所述标准板件图像为图像质量满足要求的图像;
根据每个所述第一图像区域的第一亮度值、第一对比度值及第一结构值,利用预设的SSIM指数计算公式计算得到每个所述第一图像区域的SSIM指数,计算所有所述第一图像区域的SSIM指数的平均值,得到所述第一板件图像的第一SSIM值;
根据每个所述第二图像区域的第二亮度值、第二对比度值及第二结构值,利用预设的SSIM指数计算公式计算得到每个所述第二图像区域的SSIM指数,计算所有所述第二图像区域的SSIM指数的平均值,得到所述标准板件图像的第二SSIM值;
计算所述第一SSIM值与第二SSIM值的误差值;
判断所述第一SSIM值与第二SSIM值的误差值是否小于预设误差值;
在判定所述第一SSIM值与第二SSIM值的误差值小于预设误差值时,则确定所述第一板件图像的图像质量满足要求;
在判定所述第一SSIM值与第二SSIM值的误差值不小于预设误差值时,则对所述第一板件图像依次进行高斯平滑处理、锐化滤波处理及直方图均衡化处理,直至所述第一SSIM值与第二SSIM值的误差值小于预设误差值;
其中,所述SSIM指数计算公式包括:
其中,所述L为亮度值,所述C为对比度值,所述S为结构值,所述C1和C2为常数,用于稳定分母,并避免分母为零。
在本实施例中,SSIM(Structural Similarity Index)是一种用于测量两幅图像之间结构相似性的指标。SSIM通过比较两幅图像的亮度、对比度和结构信息来计算相似性指数。具体而言,它测量图像之间的三个因素:
亮度相似度:衡量图像亮度分布的相似程度。
对比度相似度:衡量图像对比度的相似程度。
结构相似度:衡量图像结构的相似程度,即图像层次结构和纹理的相似性。
本实施例可将第一板件图像及标准板件图像都分割成很多个非重叠的图像区域,每个图像区域的大小由用户定义,然后分别计算每个第一图像区域、第二图像区域中像素的平均值,分别得到第一图像区域的第一亮度值、第二图像区域的第二亮度值;分别计算每个第一图像区域、第二图像区域中像素的标准差,分别得到第一图像区域的第一对比度值、第二图像区域的第二对比度值;最后分别计算每个第一图像区域、第二图像区域中像素的协方差,分别得到第一图像区域的第一结构值、第二图像区域的第二结构值,基于SSIM指数计算公式计算得到每个第一图像区域的SSIM指数、每个第二图像区域的SSIM指数,该SSIM指数计算公式包括:
其中,所述L为亮度值,所述C为对比度值,所述S为结构值,所述C1和C2为常数,用于稳定分母,并避免分母为零。
最后计算所有所述第一图像区域的SSIM指数的平均值,得到第一板件图像的第一SSIM值,计算所有所述第二图像区域的SSIM指数的平均值,得到标准板件图像的第二SSIM值,将第一SSIM值与第二SSIM值进行比较,计算第一SSIM值与第二SSIM值的误差值,在第一SSIM值与第二SSIM值的第二误差值小于预设误差值时,则表示第一板件图像的图像质量满足要求,从而通过比较SSIM值,可以精准地评估两幅图像之间的结构相似性,实现精准评估图像质量。
在判定第一SSIM值与第二SSIM值的误差值不小于预设误差值时,则对第一板件图像依次进行高斯平滑处理、锐化滤波处理及直方图均衡化处理,直至第一SSIM值与第二SSIM值的误差值小于预设误差值。
请参考图2,本发明的实施例还提供一种板件分拣缓存库位调度装置,包括:
检测模块21,用于当检测到板件被运送至所述链式缓存架对应的分拣通道后,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,筛选出空闲度大于预设空闲度且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人作为目标分拣机器人,控制传输机构将所述板件输送至所述目标分拣机器人的抓取位置;其中,每台分拣机器人都对应指定有用于存放板件的立式缓存架,所述板件库存量为每台分拣机器人指定立式缓存架的剩余空闲库位的数量;
输入模块22,用于获取所述板件的板件数据及当前空闲库位的库位信息,将所述板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到所述板件被分拣至的目标库位,并对所述目标库位进行锁定;其中,所述板件数据包括所述板件所属的包裹及尺寸、重量、形状,所述库位信息包括所述空闲库位的尺寸及最大荷载,所述目标库位包括所述板件被分拣至的目标立式缓存架及在所述目标立式缓存架的目标层;
控制模块23,用于控制所述目标分拣机器人将所述抓取位置的板件分拣至所述目标库位,完成所述板件的上架,并将上架后的所述板件对应的目标库位信息存储到数据库中;
确定模块24,用于当检测到目标订单的目标包裹的所有板件都已完成上架时,确定所述目标包裹被分配的目标分拣通道,从所述数据库中读取所述目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的所述目标库位信息及下架顺序控制所述目标分拣通道的所有分拣机器人将所述目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明提供一种控制系统,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上任一项所述的板件分拣缓存库位调度方法的步骤。
在一个实施例中,本申请一个实施例中提供的控制系统,参照图3,该控制系统可以是计算机设备,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设计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、计算机程序和数据库。该内存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。该计算机设备的数据库用于存储板件分拣缓存库位调度方法的相关数据。该计算机设备的网络接口用于与外部的控制系统通过网络连接通信。该计算机程序被处理器执行时以实现以上实施例所述的板件分拣缓存库位调度方法。
在一个实施例中,本发明还提供一种智能分拣生产线,包括控制系统、链式缓存架、立式缓存架、分拣机器人、传输机构,所述链式缓存架、立式缓存架、分拣机器人、传输机构分别与所述控制系统电性连接,所述链式缓存架和立式缓存架均用于临时存放板件,所述链式缓存架用于板件传送拥堵时的临时疏通存放,所述立式缓存架用于板件分拣时等待齐套的临时存放,所述分拣机器人用于按照所述控制系统下发的分拣程序对板件进行分拣,所述智能分拣生产线的控制系统用于执行如上任一项所述的板件分拣缓存库位调度方法的步骤。
在一个实施例中,本发明还提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述板件分拣缓存库位调度方法。其中,所述存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
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,该计算机程序可存储于一存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(RandomAccess Memory,RAM)等。
综合上述实施例可知,本发明最大的有益效果在于:
本发明所提供的板件分拣缓存库位调度方法、控制系统及智能分拣生产线,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,筛选出空闲度大于预设空闲度且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人作为目标分拣机器人,以合理调度分拣机器人,实现分拣机器人的负载均衡,同时确保有足够的板件库存量存储板件;通过将板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到板件被分拣至的目标库位,并对目标库位进行锁定,控制目标分拣机器人将抓取位置的板件分拣至目标库位,完成板件的上架,并将上架后的板件对应的目标库位信息存储到数据库中,当检测到目标订单的目标包裹的所有板件都已完成上架时,确定目标包裹被分配的目标分拣通道,从数据库中读取目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的目标库位信息及下架顺序控制目标分拣通道的所有分拣机器人将目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放,从而实现板件的自动分拣出库,同时通过人工智能方式实现了精准调度空闲库位,提高智能分拣生产线的智能化水平。
以上所述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。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种板件分拣缓存库位调度方法,其特征在于,应用于智能分拣生产线的控制系统,所述智能分拣生产线还包括链式缓存架、立式缓存架、分拣机器人、传输机构,所述链式缓存架、立式缓存架、分拣机器人、传输机构分别与所述控制系统电性连接,所述链式缓存架和立式缓存架均用于临时存放板件,所述链式缓存架用于板件传送拥堵时的临时疏通存放,所述立式缓存架用于板件分拣时等待齐套的临时存放,所述分拣机器人用于按照所述控制系统下发的分拣程序对板件进行分拣,所述板件分拣缓存库位调度方法包括:
当检测到板件被运送至所述链式缓存架对应的分拣通道后,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量,筛选出空闲度大于预设空闲度且对应立式缓存架的板件库存量大于预设板件库存量的分拣机器人作为目标分拣机器人,控制传输机构将所述板件输送至所述目标分拣机器人的抓取位置;其中,每台分拣机器人都对应指定有用于存放板件的立式缓存架,所述板件库存量为每台分拣机器人指定立式缓存架的剩余空闲库位的数量;
获取所述板件的板件数据及当前空闲库位的库位信息,将所述板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型,得到所述板件被分拣至的目标库位,并对所述目标库位进行锁定;其中,所述板件数据包括所述板件所属的包裹及尺寸、重量、形状,所述库位信息包括所述空闲库位的尺寸及最大荷载,所述目标库位包括所述板件被分拣至的目标立式缓存架及在所述目标立式缓存架的目标层;
控制所述目标分拣机器人将所述抓取位置的板件分拣至所述目标库位,完成所述板件的上架,并将上架后的所述板件对应的目标库位信息存储到数据库中;
当检测到目标订单的目标包裹的所有板件都已完成上架时,确定所述目标包裹被分配的目标分拣通道,从所述数据库中读取所述目标包裹的所有板件对应的目标库位信息及下架顺序,根据所有板件对应的所述目标库位信息及下架顺序控制所述目标分拣通道的所有分拣机器人将所述目标包裹的所有板件进行下架,并将下架后的所有板件的目标库位进行释放。
2.根据权利要求1所述的板件分拣缓存库位调度方法,其特征在于,所述智能分拣生产线设置有多条分拣通道,每条分拣通道的前面分别设置有一个十五层的链式缓存架,所述链式缓存架的不同层之间按照先入后出规则、同一层之间按照先入先出规则,且每层存放的板件数量低于最大预设值。
3.根据权利要求1所述的板件分拣缓存库位调度方法,其特征在于,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量之前,还包括:
统计当前每台分拣机器人在预设时间段内所需分拣的板件数量;
确定当前每台分拣机器人的分拣效率;
将每台分拣机器人在预设时间段内所需分拣的板件数量除以对应的分拣效率后,得到每台分拣机器人的分拣时长;
将每台分拣机器人的分拣时长进行累加后,得到总分拣时长;
分别计算总分拣时长与每台分拣机器人对应的分拣时长的差值,分别将每台分拣机器人的对应差值除以所述总分拣时长后,得到每台分拣机器人的空闲度。
4.根据权利要求1所述的板件分拣缓存库位调度方法,其特征在于,将所述板件的板件数据及当前空闲库位的库位信息输入预设的上下架模型之前,还包括:
获取训练数据集;其中,所述训练数据集包括参考板件数据及所述参考板件数据对应已标注的参考库位;
将所述训练数据集输入预先构建的决策树模型,调用所述决策树模型对所述训练数据集进行迭代训练;
根据预设的交叉熵损失函数计算每次迭代训练后的所述决策树模型的交叉熵损失值;
判断所述交叉熵损失值是否低于预设交叉熵损失值;
当判定所述交叉熵损失值不低于所述预设交叉熵损失值时,利用求导链式法则计算所述决策树模型中每个参数对所述交叉熵损失值的梯度;
根据每个参数对所述交叉熵损失值的梯度,利用梯度下降法更新所述决策树模型的每个参数,利用所述训练数据集对更新参数后的所述决策树模型进行再次训练,直至所述交叉熵损失值低于预设交叉熵损失值为止。
5.根据权利要求4所述的板件分拣缓存库位调度方法,其特征在于,利用求导链式法则计算所述决策树模型中每个参数对所述交叉熵损失值的梯度,包括:
对于所述决策树模型中的每个参数,计算预设的交叉熵损失函数对每个参数的梯度,得到每个参数的第一梯度;
利用预设的激活函数计算每个参数对应中间变量对所述交叉熵损失值的梯度,得到每个参数的第二梯度;
将每个参数的第一梯度与对应的第二梯度进行相乘并以e为底数求取对数值后,得到所述决策树模型中每个参数对所述交叉熵损失值的梯度。
6.根据权利要求4所述的板件分拣缓存库位调度方法,其特征在于,根据每个参数对所述交叉熵损失值的梯度,利用梯度下降法更新所述决策树模型的每个参数,包括:
确定所述决策树模型中每个参数的初始学习率;
根据Adam算法计算每个参数对所述交叉熵损失值的梯度的一阶矩估计和二阶矩估计,得到每个参数对应的一阶矩估计和二阶矩估计;
利用预设的校正偏差函数对每个参数对应的一阶矩估计和二阶矩估计进行校正,得到每个参数对应的一阶矩和二阶矩;其中,所述预设的校正偏差函数包括:
m=m1/(1-β1t);
v=v1/(1-β2t);
其中,所述m1为一阶矩估计,所述β1为Adam算法中的一阶矩估计衰减率,所述β1为0.9,所述m为一阶矩,所述v1为二阶矩估计,所述β2为Adam算法中的二阶矩估计衰减率,所述β2为0.999,所述v为二阶矩,所述t为所述决策树模型的当前迭代次数;
根据每个参数对应的一阶矩和二阶矩更新每个参数的初始学习率,得到每个参数的学习率;
分别将每个参数的原始参数值减去对应的学习率与梯度的乘积,得到所述决策树模型更新后的每个参数。
7.根据权利要求1所述的板件分拣缓存库位调度方法,其特征在于,根据当前每台分拣机器人的空闲度及对应立式缓存架的板件库存量之前,还包括:
控制所述智能分拣生产线的摄像装置拍摄所述板件的纹理面,得到板件图像;
对所述板件图像进行图像预处理后,得到第一板件图像;
利用Canny边缘检测算法对所述第一板件图像进行边缘检测,得到所述第一板件图像的边缘检测结果;
根据所述边缘检测结果遍历所述第一板件图像的每个像素,并寻找所述第一板件图像中未被访问过的边缘像素;
当找到未被访问的边缘像素时,利用深度优先搜索算法标记所述第一板件图像中连通区域内的像素,并记录连通区域的连通信息,继续遍历剩余未被访问的边缘像素,直到所有边缘像素都被访问;
当所有边缘像素都被访问时,根据所述连通区域的连通信息,利用最小外接矩形在所述第一板件图像上绘制矩形边界框,以将所述第一板件图像的图像区域进行标记,并截取出所述第一板件图像的图像区域,得到第二板件图像;
利用预设的加权平均法将所述第二板件图像转换为灰度图像;
计算所述灰度图像的灰度级别;其中,所述灰度级别表示所述灰度图像中像素的灰度值;
根据所述灰度图像的灰度级别确定灰度共生矩阵的大小,并将所述灰度图像中每个像素与对应像素邻域的像素值进行比较,计算得到灰度共生矩阵中的元素值;
根据所述灰度共生矩阵的大小及元素值生成目标灰度共生矩阵;
计算所述目标灰度共生矩阵中元素值的平方和,得到纹理的总体强度;
判断所述纹理的总体强度是否满足要求;
在判定所述纹理的总体强度满足要求时,则确定所述板件的纹理检测质量合格。
8.根据权利要求7所述的板件分拣缓存库位调度方法,其特征在于,对所述板件图像进行图像预处理后,得到第一板件图像之后,还包括:
将所述第一板件图像分割成多个非重叠的第一图像区域,计算每个所述第一图像区域中像素的平均值、标准差及协方差,得到每个所述第一图像区域的第一亮度值、第一对比度值及第一结构值;
将预设的标准板件图像分割成多个非重叠的第二图像区域,计算每个所述第二图像区域中像素的平均值、标准差及协方差,得到每个所述第二图像区域的第二亮度值、第二对比度值及第二结构值;其中,所述标准板件图像为图像质量满足要求的图像;
根据每个所述第一图像区域的第一亮度值、第一对比度值及第一结构值,利用预设的SSIM指数计算公式计算得到每个所述第一图像区域的SSIM指数,计算所有所述第一图像区域的SSIM指数的平均值,得到所述第一板件图像的第一SSIM值;
根据每个所述第二图像区域的第二亮度值、第二对比度值及第二结构值,利用预设的SSIM指数计算公式计算得到每个所述第二图像区域的SSIM指数,计算所有所述第二图像区域的SSIM指数的平均值,得到所述标准板件图像的第二SSIM值;
计算所述第一SSIM值与第二SSIM值的误差值;
判断所述第一SSIM值与第二SSIM值的误差值是否小于预设误差值;
在判定所述第一SSIM值与第二SSIM值的误差值小于预设误差值时,则确定所述第一板件图像的图像质量满足要求;
在判定所述第一SSIM值与第二SSIM值的误差值不小于预设误差值时,则对所述第一板件图像依次进行高斯平滑处理、锐化滤波处理及直方图均衡化处理,直至所述第一SSIM值与第二SSIM值的误差值小于预设误差值;
其中,所述SSIM指数计算公式包括:
其中,所述L为亮度值,所述C为对比度值,所述S为结构值,所述C1和C2为常数,用于稳定分母,并避免分母为零。
9.一种控制系统,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述的板件分拣缓存库位调度方法的步骤。
10.一种智能分拣生产线,其特征在于,包括控制系统、链式缓存架、立式缓存架、分拣机器人、传输机构,所述链式缓存架、立式缓存架、分拣机器人、传输机构分别与所述控制系统电性连接,所述链式缓存架和立式缓存架均用于临时存放板件,所述链式缓存架用于板件传送拥堵时的临时疏通存放,所述立式缓存架用于板件分拣时等待齐套的临时存放,所述分拣机器人用于按照所述控制系统下发的分拣程序对板件进行分拣,所述智能分拣生产线的控制系统用于执行如权利要求1至8中任一项所述的板件分拣缓存库位调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311615209.4A CN117383126B (zh) | 2023-11-29 | 2023-11-29 | 板件分拣缓存库位调度方法、控制系统及智能分拣生产线 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311615209.4A CN117383126B (zh) | 2023-11-29 | 2023-11-29 | 板件分拣缓存库位调度方法、控制系统及智能分拣生产线 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117383126A CN117383126A (zh) | 2024-01-12 |
CN117383126B true CN117383126B (zh) | 2024-04-09 |
Family
ID=89465082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311615209.4A Active CN117383126B (zh) | 2023-11-29 | 2023-11-29 | 板件分拣缓存库位调度方法、控制系统及智能分拣生产线 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117383126B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2956506A1 (en) * | 2016-01-29 | 2017-07-29 | Keuro Besitz Gmbh & Co. Edv-Dienstleistungs Kg | Honeycomb storage system and commissioning device for a honeycomb storage system |
CN111754176A (zh) * | 2020-06-28 | 2020-10-09 | 北京理工大学 | 一种面向多移动货架的两阶段智能订单分拣方法 |
CN111768133A (zh) * | 2019-06-10 | 2020-10-13 | 北京京东乾石科技有限公司 | 物品入库方法和装置 |
CN113978993A (zh) * | 2021-11-19 | 2022-01-28 | 深圳市库宝软件有限公司 | 料箱调度方法、装置、调度设备、仓储系统及存储介质 |
CN114282577A (zh) * | 2021-12-24 | 2022-04-05 | 上海机器人产业技术研究院有限公司 | 电流信号分析的工业机器人故障诊断方法 |
CN114378815A (zh) * | 2021-12-25 | 2022-04-22 | 客来福家居股份有限公司 | 基于机器人分拣的板件出库方法、系统、设备和介质 |
CN218023495U (zh) * | 2022-02-28 | 2022-12-13 | 北京极智嘉科技股份有限公司 | 一种仓储系统 |
CN115676194A (zh) * | 2021-07-23 | 2023-02-03 | 深圳市库宝软件有限公司 | 货物处理方法、装置、机器人、分拣装置及仓储系统 |
CN115744014A (zh) * | 2022-11-29 | 2023-03-07 | 杭州海康机器人股份有限公司 | 一种巷道仓储管理方法、系统及设备 |
CN116277025A (zh) * | 2023-04-13 | 2023-06-23 | 黄冈师范学院 | 一种智能制造用机器人的物件分拣控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762468B2 (en) * | 2016-09-22 | 2020-09-01 | Amazon Technologies, Inc. | Adaptive process for guiding human-performed inventory tasks |
-
2023
- 2023-11-29 CN CN202311615209.4A patent/CN117383126B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2956506A1 (en) * | 2016-01-29 | 2017-07-29 | Keuro Besitz Gmbh & Co. Edv-Dienstleistungs Kg | Honeycomb storage system and commissioning device for a honeycomb storage system |
CN111768133A (zh) * | 2019-06-10 | 2020-10-13 | 北京京东乾石科技有限公司 | 物品入库方法和装置 |
CN111754176A (zh) * | 2020-06-28 | 2020-10-09 | 北京理工大学 | 一种面向多移动货架的两阶段智能订单分拣方法 |
CN115676194A (zh) * | 2021-07-23 | 2023-02-03 | 深圳市库宝软件有限公司 | 货物处理方法、装置、机器人、分拣装置及仓储系统 |
CN113978993A (zh) * | 2021-11-19 | 2022-01-28 | 深圳市库宝软件有限公司 | 料箱调度方法、装置、调度设备、仓储系统及存储介质 |
CN114282577A (zh) * | 2021-12-24 | 2022-04-05 | 上海机器人产业技术研究院有限公司 | 电流信号分析的工业机器人故障诊断方法 |
CN114378815A (zh) * | 2021-12-25 | 2022-04-22 | 客来福家居股份有限公司 | 基于机器人分拣的板件出库方法、系统、设备和介质 |
CN218023495U (zh) * | 2022-02-28 | 2022-12-13 | 北京极智嘉科技股份有限公司 | 一种仓储系统 |
CN115744014A (zh) * | 2022-11-29 | 2023-03-07 | 杭州海康机器人股份有限公司 | 一种巷道仓储管理方法、系统及设备 |
CN116277025A (zh) * | 2023-04-13 | 2023-06-23 | 黄冈师范学院 | 一种智能制造用机器人的物件分拣控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
一种局部受限的规则聚类超像素算法;汪云飞;毕笃彦;刘华伟;刘凌;赵晓林;;西安电子科技大学学报;20150727(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117383126A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415106A (zh) | 货车装载率识别方法、装置、设备及存储介质 | |
CN112132852B (zh) | 基于多背景色统计的自动抠图方法及装置 | |
CN110046570B (zh) | 一种粮仓粮食库存动态监管方法和装置 | |
CN113111979B (zh) | 模型训练方法、图像检测方法及检测装置 | |
CN114897773B (zh) | 一种基于图像处理的扭曲木材检测方法及系统 | |
CN112007865B (zh) | 入库分拣方法、入库分拣装置、电子设备及存储介质 | |
CN114842323B (zh) | 基于分类识别的智能机器人分拣优化方法 | |
CN111598918A (zh) | 一种基于参考帧优选和前后景分离的视频稳像运动估计方法 | |
CN101625722B (zh) | 载物识别图像的分类方法 | |
CN109508621A (zh) | 装卸口状态监控方法、装置、设备及其存储介质 | |
CN117037127B (zh) | 一种基于行李类型的托盘分配方法 | |
US11335018B1 (en) | Volumetric measuring method and apparatus based on time-of-flight depth camera | |
CN117383126B (zh) | 板件分拣缓存库位调度方法、控制系统及智能分拣生产线 | |
CN111626983A (zh) | 识别待检测货物数量的方法和装置 | |
CN109993728A (zh) | 一种热转印胶水偏位自动检测方法和系统 | |
CN105590140A (zh) | 电力系统短期负荷的预测方法和装置 | |
CN111860265A (zh) | 一种基于样本损失的多检测框损失均衡道路场景理解算法 | |
CN112686340B (zh) | 一种基于深度神经网络的密集小目标检测方法 | |
CN115810001A (zh) | 一种基于条件随机场的包裹检测系统及方法 | |
CN115171011A (zh) | 一种多类别建材视频计数方法及系统、计数设备 | |
CN107316313A (zh) | 场景分割方法及设备 | |
CN111260657A (zh) | 一种自动初始轮廓生成的水平集高原鼠兔图像分割方法 | |
CN112288345A (zh) | 装卸口状态检测方法、装置、服务器及存储介质 | |
CN117583281B (zh) | 板件机器人分拣码垛优化方法、控制系统及分拣生产线 | |
CN109359677A (zh) | 一种耐噪在线多分类核学习算法 |
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 |