CN117583281B - 板件机器人分拣码垛优化方法、控制系统及分拣生产线 - Google Patents

板件机器人分拣码垛优化方法、控制系统及分拣生产线 Download PDF

Info

Publication number
CN117583281B
CN117583281B CN202311615210.7A CN202311615210A CN117583281B CN 117583281 B CN117583281 B CN 117583281B CN 202311615210 A CN202311615210 A CN 202311615210A CN 117583281 B CN117583281 B CN 117583281B
Authority
CN
China
Prior art keywords
stacking
parameter
target
plate
gradient
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
Application number
CN202311615210.7A
Other languages
English (en)
Other versions
CN117583281A (zh
Inventor
曾桥
刘维全
柯明波
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.)
Guangzhou Mesedge System Technology Co ltd
Original Assignee
Guangzhou Mesedge System Technology Co ltd
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 Guangzhou Mesedge System Technology Co ltd filed Critical Guangzhou Mesedge System Technology Co ltd
Priority to CN202311615210.7A priority Critical patent/CN117583281B/zh
Publication of CN117583281A publication Critical patent/CN117583281A/zh
Application granted granted Critical
Publication of CN117583281B publication Critical patent/CN117583281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/38—Collecting or arranging articles in groups
    • 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
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • 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
    • B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
    • B65G47/74—Feeding, transfer, or discharging devices of particular kinds or types
    • B65G47/90—Devices for picking-up and depositing articles or materials
    • 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
    • B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
    • B65G47/74—Feeding, transfer, or discharging devices of particular kinds or types
    • B65G47/90—Devices for picking-up and depositing articles or materials
    • B65G47/905—Control arrangements
    • 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
    • B65G61/00—Use of pick-up or transfer devices or of manipulators for stacking or de-stacking articles not otherwise provided for

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种板件机器人分拣码垛优化方法、控制系统及分拣生产线，该板件机器人分拣码垛优化方法包括：获取训练样本，调用长短期记忆网络对训练样本进行预设次数的迭代训练，根据训练结果及预设的对数似然损失函数计算损失值，当损失值不低于预设损失值时，利用求导链式法则计算长短期记忆网络中每个参数对损失值的目标梯度，利用梯度下降法更新长短期记忆网络的每个参数并进行再次训练后，得到训练好的码垛模型；在判定目标订单号的板件未完成模拟码垛时，则将目标订单号的所有板件的板件信息及码垛目标输入训练好的码垛模型，得到最优码垛方案，从而通过人工智能方式自动生成最优码垛方案，提高智能化水平及码垛准确率。

Description

板件机器人分拣码垛优化方法、控制系统及分拣生产线
技术领域
本发明涉及板件分拣技术领域，尤其涉及一种板件机器人分拣码垛优化方法、控制系统及分拣生产线。
背景技术
在板件加工行业中，分拣打包是必不可少的工序，其目的主要是将成品从生产线上搬运下来并有序码垛，然后运送至仓库等待配送进入下一个生产流程。正确的码垛方法不仅提升了码垛速度，降低劳动强度，同时也保证了板件生产线后续的流畅度，大大提高了整线的生产效率。但是，在验证码垛算法这一过程中，现有技术往往通过人工方式来进行，但是在实际验证码垛算法过程中，技术工人对板材长宽、大小等参数的判断的准确程度与码垛的熟练程度不一，这些误差都会影响算法的准确性，且增加了人工劳动强度及人工成本。
在申请号为201811380042.7的技术方案中，虽然其在控制器的控制下，由拨叉机构对待叠放的板材进行承接后放至托板机构上，可以降低人工劳动强度，节约人工成本，但并未实现自动生成最优码垛方案，智能化水平较低。
发明内容
本发明提供一种板件机器人分拣码垛优化方法、控制系统及分拣生产线，以实现自动生成最优码垛方案，提高智能化水平及码垛准确率。
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机器人分拣码垛优化方法，应用于分拣生产线的控制系统，所述分拣生产线还包括扫描器及分拣机器人，所述扫描器及分拣机器人分别与所述控制系统电性连接，所述分拣机器人用于按照所述控制系统下发的最优码垛方案对板件进行分拣码垛，所述板件机器人分拣码垛优化方法包括：
获取训练样本；其中，所述训练样本的数量大于阈值，所述训练样本包括每个历史订单号中所有参考板件的参考板件信息、每个历史订单号的参考码垛目标及对应已标注的参考码垛方案，所述参考码垛目标包括堆垛数量、每个堆垛的最大层数、最大重量及最大尺寸，所述参考码垛方案包括各所述参考板件被分拣至的目标堆垛及在所述目标堆垛的板位信息、所述目标堆垛的堆垛编号及位置信息；
将所述训练样本输入预先构建的长短期记忆网络的输入层，调用所述长短期记忆网络对所述训练样本进行预设次数的迭代训练，生成每次迭代训练后的训练结果，根据每次迭代训练后的所述训练结果及预设的对数似然损失函数，计算每次迭代训练后的所述长短期记忆网络的损失值；
在所述长短期记忆网络每次迭代训练后，判断每次迭代训练后的所述损失值是否低于预设损失值，当判定所述损失值不低于所述预设损失值时，利用预设的求导链式法则计算所述长短期记忆网络中每个参数对所述损失值的目标梯度；
根据每个参数对所述损失值的目标梯度，利用预设的梯度下降法更新所述长短期记忆网络的每个参数，并利用所述训练样本对更新参数后的所述长短期记忆网络进行再次训练，直至所述损失值低于预设损失值为止，得到训练好的码垛模型；
当检测到加工后的板件经过扫描器后，接收所述扫描器扫描粘贴在所述板件上的条形码以获得的所述板件对应的条形码信息，根据所述条形码信息查询得到所述板件的板件信息；其中，所述板件信息包括所述板件的尺寸、形状、重量、材质及所属的订单号；
从所述板件的板件信息中提取出所述板件所属的目标订单号，判断所述目标订单号的板件是否已经完成模拟码垛，在判定所述目标订单号的板件未完成模拟码垛时，则获取所述目标订单号的码垛目标，将所述目标订单号的所有板件的板件信息及所述码垛目标输入训练好的所述码垛模型，得到所述目标订单号的最优码垛方案，按照所述最优码垛方案控制分拣机器人对所述目标订单号的所有板件进行码垛。
优选地，所述根据每个参数对所述损失值的目标梯度，利用预设的梯度下降法更新所述长短期记忆网络的每个参数，包括：
确定所述长短期记忆网络中每个参数的初始学习率及当前迭代次数；
根据Adam算法计算每个参数对所述损失值的目标梯度的一阶矩估计和二阶矩估计，得到每个所述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所述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0.95，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0.99，所述t为所述长短期记忆网络的当前迭代次数；
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；
获取每个参数的原始参数值，计算每个参数对应的学习率与目标梯度的乘积，得到每个参数的参数调整值，分别将每个参数的所述原始参数值减去对应的参数调整值，得到所述长短期记忆网络更新后的每个参数。
优选地，所述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，包括：
分别将每个参数对应的一阶矩与初始学习率相乘后，得到每个参数对应的第一数值；
分别对每个参数对应的二阶矩进行开根号运算并与极小值相加后，得到每个参数对应的第二数值；
计算每个参数对应的第一数值与第二数值的比值，得到每个参数对应的学习率；包括如下公式：
其中，所述learningrate'是初始学习率，所述m为一阶矩，所述v为二阶矩，所述learningrate是更新后的学习率，所述α是一个极小值，用于防止分母为0，所述α为0.00001。
优选地，所述利用预设的求导链式法则计算所述长短期记忆网络中每个参数对所述损失值的目标梯度，包括：
对于所述长短期记忆网络中的每个参数，计算预设的对数似然损失函数对每个所述参数的梯度，得到每个所述参数的初始梯度；
利用预设的激活函数计算每个参数对应中间变量对所述损失值的梯度，得到每个参数对应中间变量的中间梯度；
将每个参数的初始梯度与对应中间变量的中间梯度进行相乘并以e为底数求取对数值后，得到所述长短期记忆网络中每个参数对所述损失值的目标梯度。
优选地，所述获取训练样本，包括：
获取历史订单数据；对所述历史订单数据进行数据清洗及标准化处理后，得到目标历史订单数据；其中，所述数据清洗包括删除重复数据、填充缺失值、纠正错误数据；
从所述目标历史订单数据提取出每个历史订单号中所有参考板件的参考板件信息及参考码垛目标，并标注出每个历史订单号的参考码垛方案，生成训练样本。
进一步地，所述按照所述最优码垛方案控制分拣机器人对所述目标订单号的所有板件进行码垛之后，还包括：
统计所述目标订单号完成码垛的板件数量，判断所述目标订单号完成码垛的板件数量是否与目标板件数量一致；
在判定所述目标订单号完成码垛的板件数量与目标板件数量一致时，调用激光设备扫描所述目标订单号的每个堆垛，并生成每个堆垛的堆垛图像；
对每个堆垛的所述堆垛图像进行预处理后，得到目标堆垛图像，根据每个堆垛的所述目标堆垛图像估算每个堆垛板件之间的堆叠面积及间隙大小，根据每个堆垛板件之间的堆叠面积及间隙大小评估每个堆垛板件的码垛质量；其中，所述码垛质量包括紧密度和稳定度；
当判定每个堆垛板件的码垛质量满足要求时，则确定所述目标订单号的所有板件码垛质量检测合格。
优选地，所述对每个堆垛的所述堆垛图像进行预处理后，得到目标堆垛图像，包括：
对于每个堆垛的堆垛图像，将所述堆垛图像转换为单通道灰度图像，根据卷积运算将所述单通道灰度图像中每个像素的值替换为邻域内像素值的加权平均值，得到第一堆垛图像；
调用水平方向和垂直方向上的Sobel滤波器计算所述第一堆垛图像的中心像素周围邻域像素值的差异，对所述第一堆垛图像的中心像素周围邻域像素值的差异进行梯度计算，得到所述第一堆垛图像在水平方向和垂直方向上的梯度幅值；
计算所述第一堆垛图像在水平方向和垂直方向上的梯度幅值的平方和，对所述平方和进行开根号运算后，得到所述第一堆垛图像的总体梯度幅值；
将所述第一堆垛图像中像素值高于所述总体梯度幅值的像素点标记为边缘，对所述第一堆垛图像的边缘进行裁剪后，得到目标堆垛图像。
优选地，所述根据每个堆垛板件之间的堆叠面积及间隙大小评估每个堆垛板件的码垛质量，包括：
获取为所述堆叠面积及间隙大小预先设定的权重；
分别计算每个堆垛板件之间的堆叠面积及间隙大小与对应的标准堆叠面积及标准间隙大小的差值的绝对值；
以e为底数，以每个堆垛板件之间的堆叠面积及间隙大小与对应的标准堆叠面积及标准间隙大小的差值的绝对值为真数求取对数值后，得到每个堆垛板件之间的堆叠面积及间隙大小的第一评估值；
分别将每个堆垛板件之间的堆叠面积及间隙大小的所述第一评估值乘以对应权重并累加后，得到每个堆垛板件的综合评估值；
当确定每个堆垛板件的所述综合评估值都大于预设综合评估值时，则判定每个堆垛板件的码垛质量满足要求。
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机器人分拣码垛优化方法的步骤。
本发明还提供一种分拣生产线，包括控制系统、扫描器及分拣机器人，所述扫描器及分拣机器人分别与所述控制系统电性连接，所述分拣机器人用于按照所述控制系统下发的最优码垛方案对板件进行分拣码垛，所述分拣生产线的控制系统用于执行如上任一项所述的板件机器人分拣码垛优化方法的步骤。
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机器人分拣码垛优化方法、控制系统及分拣生产线，通过将含有参考板件信息、码垛目标及参考码垛方案的训练样本输入长短期记忆网络进行训练，以丰富训练样本；根据每次迭代训练后的训练结果及预设的对数似然损失函数计算损失值，当损失值不低于预设损失值时，利用预设的求导链式法则计算长短期记忆网络中每个参数对损失值的目标梯度，利用预设的梯度下降法更新长短期记忆网络的每个参数，并利用训练样本对更新参数后的长短期记忆网络进行再次训练，直至损失值低于预设损失值为止，以通过求导链式法则及梯度下降法实现精准化优化模型的参数，模型可以逐渐学习到更好的参数设置，以提高在训练样本上的预测准确性，最终得到训练效果最佳的码垛模型，利用码垛模型对未完成模拟码垛的目标订单号自动生成最优码垛方案，从而提高智能化水平及码垛准确率。
附图说明
图1为本发明板件机器人分拣码垛优化方法一种实施例流程框图；
图2为本发明板件机器人分拣码垛优化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机器人分拣码垛优化方法，应用于分拣生产线的控制系统，所述分拣生产线还包括扫描器及分拣机器人，所述扫描器及分拣机器人分别与所述控制系统电性连接，所述扫描器用于读取和解码粘贴在板件上的条形码，以得到该板件对应的条形码信息，所述分拣机器人用于按照所述控制系统下发的最优码垛方案对板件进行分拣码垛，所述板件机器人分拣码垛优化方法包括：
S11、获取训练样本；其中，所述训练样本的数量大于阈值，所述训练样本包括每个历史订单号中所有参考板件的参考板件信息、每个历史订单号的参考码垛目标及对应已标注的参考码垛方案，所述参考码垛目标包括堆垛数量、每个堆垛的最大层数、最大重量及最大尺寸，所述参考码垛方案包括各所述参考板件被分拣至的目标堆垛及在所述目标堆垛的板位信息、所述目标堆垛的堆垛编号及位置信息；
S12、将所述训练样本输入预先构建的长短期记忆网络的输入层，调用所述长短期记忆网络对所述训练样本进行预设次数的迭代训练，生成每次迭代训练后的训练结果，根据每次迭代训练后的所述训练结果及预设的对数似然损失函数，计算每次迭代训练后的所述长短期记忆网络的损失值；
S13、在所述长短期记忆网络每次迭代训练后，判断每次迭代训练后的所述损失值是否低于预设损失值，当判定所述损失值不低于所述预设损失值时，利用预设的求导链式法则计算所述长短期记忆网络中每个参数对所述损失值的目标梯度；
S14、根据每个参数对所述损失值的目标梯度，利用预设的梯度下降法更新所述长短期记忆网络的每个参数，并利用所述训练样本对更新参数后的所述长短期记忆网络进行再次训练，直至所述损失值低于预设损失值为止，得到训练好的码垛模型；
S15、当检测到加工后的板件经过扫描器后，接收所述扫描器扫描粘贴在所述板件上的条形码以获得的所述板件对应的条形码信息，根据所述条形码信息查询得到所述板件的板件信息；其中，所述板件信息包括所述板件的尺寸、形状、重量、材质及所属的订单号；
S16、从所述板件的板件信息中提取出所述板件所属的目标订单号，判断所述目标订单号的板件是否已经完成模拟码垛，在判定所述目标订单号的板件未完成模拟码垛时，则获取所述目标订单号的码垛目标，将所述目标订单号的所有板件的板件信息及所述码垛目标输入训练好的所述码垛模型，得到所述目标订单号的最优码垛方案，按照所述最优码垛方案控制分拣机器人对所述目标订单号的所有板件进行码垛。
如上述步骤S11所述，训练样本的数量需要大于阈值，该阈值可自定义设置，如设置为1000万。训练样本可以从板件的历史订单数据中提取，该历史订单数据包括历史订单号、历史订单号中所有参考板件的参考板件信息及参考码垛目标。例如，可以对该历史订单数据检查并处理数据中的缺失值、异常值，确保数据的完整性和准确性，然后从历史订单数据中提取合适的特征信息，该特征信息包括每个历史订单号中所有参考板件的参考板件信息、每个历史订单号的参考码垛目标及每个历史订单号对应已标注的参考码垛方案，以生成训练样本。还可根据现有的训练样本，对训练样本进行数据的扩增与生成，以满足训练样本的数量需求。
其中，参考码垛目标包括堆垛数量、每个堆垛的最大层数、最大重量及最大尺寸，即将参考板件分成多少个堆垛、每个堆垛最大不能超过多少层、每个堆垛最重不能超过多少吨、每个堆垛的长、宽、高最大不能超过多少米等等。
该参考码垛方案包括各参考板件被分拣至的目标堆垛及在目标堆垛的板位信息、目标堆垛的堆垛编号及目标堆垛的位置信息，板位信息包括参考板件在目标堆垛的第几层。
在一个实施例中，所述获取训练样本，可具体包括：
获取历史订单数据；对所述历史订单数据进行数据清洗及标准化处理后，得到目标历史订单数据；其中，所述数据清洗包括删除重复数据、填充缺失值、纠正错误数据；
从所述目标历史订单数据提取出每个历史订单号中所有参考板件的参考板件信息及参考码垛目标，并标注出每个历史订单号的参考码垛方案，生成训练样本。
在本实施例中，数据清洗是对历史订单数据进行预处理的一个重要步骤，用于发现、纠正和删除历史订单数据中存在的错误、不一致性以及缺失值等问题，以提高数据的质量和准确性。本实施例的数据清洗方式可以包括以下几个方面：
缺失值处理：检测和处理历史订单数据中的缺失值，处理方法包括删除含有缺失值的样本、插补缺失值(如均值、中位数、回归等方法)以及利用其他特征进行预测填补缺失值。
异常值处理：可以采用统计方法(如3σ原则)或基于模型的方法识别和处理历史订单数据中的异常值或离群点，这些异常值可能是输入失误、测量误差或数据录入错误等引起。
数据格式转换：对于历史订单数据中不同的数据类型(如文本、日期、数字等)，需要对历史订单数据进行相应的格式转换和规范化，以确保历史订单数据的一致性和可比性。
去重处理：排除历史订单数据中的重复记录，避免重复数据对分析结果的影响。
本实施例通过对历史订单数据进行数据清洗，可以提高数据质量，减少分析过程中的误差和偏差，以获得准确、可信的分析结果和决策依据。
此外，本实施例还可通过调整历史订单数据的尺度和范围，对所述历史订单数据进行标准化处理，得到目标历史订单数据，可以使得数据分布更加合理，避免了由于特征之间尺度差异过大，导致某些特征对模型训练产生过大的影响。同时，标准化也有助于提高模型的收敛速度，提高模型的稳定性和性能。其中，标准化处理方式包括Z-score标准化处理方式、小数定标标准化处理方式等等。该Z-score标准化处理方式使用特征的均值和标准差来标准化数据，将数据转换成均值为0、标准差为1的正态分布。该小数定标标准化处理方式通过移动小数点的位置来缩放数据，使所有数据都在[-1,1]之间。通常是将数据除以数据集中最大绝对值的位数。
最后从目标历史订单数据提取出每个历史订单号中所有参考板件的参考板件信息及参考码垛目标，并标注出每个历史订单号的参考码垛方案，生成训练样本。
如上述步骤S12所述，该长短期记忆网络(Long Short-Term Memory，简称LSTM)是一种递归神经网络(Recurrent Neural Network，简称RNN)的变体。长短期记忆网络用于解决传统RNN在处理长序列和长期依赖性时遇到的梯度消失和梯度爆炸等问题，能够有效地记住和提取长期的序列信息，同时减轻梯度消失和梯度爆炸的问题。
本实施例将训练样本输入预先构建的长短期记忆网络的输入层，调用长短期记忆网络对训练样本进行预设次数的迭代训练，生成每次迭代训练后的训练结果。其中，该预设次数可自定义设置，如设置为10000次，该训练结果可包括：
权重和偏置：在模型训练过程中，神经网络通过反向传播算法不断更新模型中的权重和偏置。训练完成后，这些参数会得到优化并固定下来，成为最终的训练结果。
预测结果：神经网络模型在训练数据上的预测结果也是训练结果之一。对于分类问题，模型会给出每个类别的概率分布或直接输出预测的类别标签。对于回归问题，模型会给出连续型的预测结果。
模型性能评估：训练结果还可包括对模型性能的评估。通过将训练好的模型应用于测试数据集或交叉验证数据集，可以计算一些指标，如准确率、精确率、召回率等，来评估模型在未见过的数据上的表现。
在模型训练过程中，可以根据需求保存一些训练结果，如最佳的模型参数、训练过程中的损失函数曲线、训练集和验证集上的性能指标等。这些训练结果可以用于模型的验证、调整参数和进一步分析，从而不断改进和优化神经网络模型的性能。
本实施例根据每次迭代训练后的训练结果及预设的对数似然损失函数，计算每次迭代训练后的长短期记忆网络的损失值，该对数似然损失函数是一种损失函数，使预测的概率尽可能接近真实标签的概率，即将预测的概率尽可能地向正确的类别靠拢。通过最小化对数似然损失函数，可以帮助模型学习到更准确的分类边界，提高分类任务的性能指标，如准确率、召回率等。
如上述步骤S13所述，当判定每次迭代训练后的损失值不低于预设损失值时，则利用预设的求导链式法则计算该长短期记忆网络中每个参数对损失值的目标梯度。
其中，该预设损失值可自定义设置，如设置为0.9。该目标梯度(Gradient)是一个向量，用于表示多元函数在某个点上的变化率和方向。在机器学习和优化算法中，梯度可被用于求解函数的最小值或最大值。例如，在训练神经网络模型时，梯度用于计算损失函数对模型参数的导数，并根据导数反向传播进行参数更新，同时通过不断优化梯度下降过程，可以逐步提升模型的性能和精度。
所述预设的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。
如上述步骤S14所述，本实施例可以根据每个参数对损失值的目标梯度，利用预设的梯度下降法更新长短期记忆网络的每个参数，在长短期记忆网络的每个参数更新完成后，利用训练样本对更新参数后的长短期记忆网络进行再次迭代训练，直至训练后的长短期记忆网络的损失值低于预设损失值为止，此时将训练后的长短期记忆网络作为训练好的码垛模型。
其中，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。梯度下降法是利用损失函数对参数的偏导数(梯度)来指导参数的更新。具体步骤包括如下：
初始化参数：随机或设置初值作为参数的初始值。
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。
更新参数：根据学习率和梯度方向，对每个参数进行更新。该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。
重复上述计算梯度及更新参数的步骤，直到达到停止条件，该停止条件包括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。
如上述步骤S15-S16所述，每块板件上都粘贴有条形码，该条形码具有唯一性，用于标识不同的板件，可以通过扫描器扫描粘贴在板件上的条形码，并经过解读后获得该板件对应的条形码信息，将条形码信息发送给控制系统，控制系统接收扫描器发送的条形码信息，根据条形码信息从数据库中查询得到该板件的板件信息，该板件信息包括板件的尺寸、形状、重量、材质及所属的订单号。
从板件的板件信息中提取出该板件所属的目标订单号，判断该目标订单号的板件是否已经完成模拟码垛，在判定目标订单号的板件已经完成模拟码垛时，则调取该目标订单号的最优码垛方案，按照该最优码垛方案控制分拣机器人对目标订单号的所有板件进行码垛。
在判定目标订单号的板件未完成模拟码垛时，则获取目标订单号的码垛目标，该码垛目标包括堆垛数量、每个堆垛的最大层数、最大重量及最大尺寸，将目标订单号的所有板件的板件信息及码垛目标输入训练好的码垛模型，调用码垛模型对所有板件的板件信息及码垛目标进行分析处理，输出得到该目标订单号的最优码垛方案，按照最优码垛方案控制分拣机器人对目标订单号的所有板件进行码垛，以提高智能化水平及码垛准确率。其中，该最优码垛方案包括各板件被分拣至的目标堆垛及在目标堆垛的板位信息、目标堆垛的堆垛编号及目标堆垛的位置信息等等。
本发明所提供的板件机器人分拣码垛优化方法，通过将含有参考板件信息、码垛目标及参考码垛方案的训练样本输入长短期记忆网络进行训练，以丰富训练样本；根据每次迭代训练后的训练结果及预设的对数似然损失函数计算损失值，当损失值不低于预设损失值时，利用预设的求导链式法则计算长短期记忆网络中每个参数对损失值的目标梯度，利用预设的梯度下降法更新长短期记忆网络的每个参数，并利用训练样本对更新参数后的长短期记忆网络进行再次训练，直至损失值低于预设损失值为止，以通过求导链式法则及梯度下降法实现精准化优化模型的参数，模型可以逐渐学习到更好的参数设置，以提高在训练样本上的预测准确性，最终得到训练效果最佳的码垛模型，利用码垛模型对未完成模拟码垛的目标订单号自动生成最优码垛方案，从而提高智能化水平及码垛准确率。
在一个实施例中，所述根据每个参数对所述损失值的目标梯度，利用预设的梯度下降法更新所述长短期记忆网络的每个参数，可以具体包括：
确定所述长短期记忆网络中每个参数的初始学习率及当前迭代次数；
根据Adam算法计算每个参数对所述损失值的目标梯度的一阶矩估计和二阶矩估计，得到每个所述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所述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0.95，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0.99，所述t为所述长短期记忆网络的当前迭代次数；
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；
获取每个参数的原始参数值，计算每个参数对应的学习率与目标梯度的乘积，得到每个参数的参数调整值，分别将每个参数的所述原始参数值减去对应的参数调整值，得到所述长短期记忆网络更新后的每个参数。
在本实施例中，设置长短期记忆网络中每个参数的初始学习率是优化算法中一个重要的超参数调整过程。本实施例可通过如下方式设置每个参数的初始学习率：
经验法则：根据常见经验，可以设置初始学习率为0.1、0.01、0.001等常用数值。较大的学习率可能导致训练不稳定和波动性较大的梯度更新，而较小的学习率可能导致收敛速度过慢。
网络结构：根据长短期记忆网络的网络结构的大小和层数，可以适当调整初始学习率。通常，更大的网络可能需要较小的学习率来平衡模型中的参数更新。
数据集规模：如果训练样本的数据集较小，可以考虑使用较大的初始学习率，因为在较小的数据集上更容易出现过拟合。相反，如果数据集较大，可以使用较小的初始学习率。
超参数搜索：进行超参数搜索，通过尝试不同的初始学习率值并评估它们的性能，选择效果最好的学习率。可以使用交叉验证或其他评估方法进行模型性能的比较。
然后根据Adam算法计算每个参数对损失值的目标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，该Adam算法是一种自适应学习率的优化算法，其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。
具体的，对于每个参数对应的一阶矩估计和二阶矩估计，首先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；通过反向传播计算对数似然损失函数对每个参数的梯度；使用指数加权平均更新一阶矩估计m0，该过程包括如下公式：
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0.95，gradient为目标梯度。
使用指数加权平均更新二阶矩估计v0，该过程包括如下公式：
v1＝β2*v0+(1vβ2)*(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0.99，gradient为目标梯度。
由于在初始阶段，每个参数对应的一阶矩估计m1和二阶矩估计v1的估计值会有偏差，因此还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，控制系统统计长短期记忆网络每次迭代训练后的当前迭代次数，利用预设的校正偏差函数及当前迭代次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0.95，所述β2为Adam算法中的二阶矩估计衰减率，所述β2为0.99，所述t为所述长短期记忆网络的当前迭代次数；
最后，控制系统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，得到每个参数更新后的学习率，同时获取每个参数的原始参数值，分别计算每个参数对应的学习率与目标梯度的乘积，得到每个参数的参数调整值，分别将每个参数的原始参数值减去对应的参数调整值后，得到长短期记忆网络更新后的每个参数，以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长短期记忆网络的稳定性。其中，该计算过程可包括如下公式：
parameter1＝parameter-learning_rate*gradient；
其中，所述learningrate是更新后的学习率，所述gradient为目标梯度，所述parameter是原始参数值。
在一个实施例中，所述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，可具体包括：
分别将每个参数对应的一阶矩与初始学习率相乘后，得到每个参数对应的第一数值；
分别对每个参数对应的二阶矩进行开根号运算并与极小值相加后，得到每个参数对应的第二数值；
计算每个参数对应的第一数值与第二数值的比值，得到每个参数对应的学习率；包括如下公式：
其中，所述learningrate′是初始学习率，所述m为一阶矩，所述v为二阶矩，所述learningrate是更新后的学习率，所述α是一个极小值，用于防止分母为0，所述α为0.00001。
本实施例可以分别将每个参数对应的一阶矩与其初始学习率相乘后，得到每个参数对应的第一数值，同时分别对每个参数对应的二阶矩进行开根号运算并与极小值相加后，得到每个参数对应的第二数值，最后分别计算每个参数对应的第一数值与第二数值的比值，得到每个参数对应的学习率，以精准调整每个参数对应的初始学习率。其中，该计算过程可包括如下公式：
其中，所述learningrate′是初始学习率，所述m为一阶矩，所述v为二阶矩，所述learningrate是更新后的学习率，所述α是一个极小值，用于防止分母为0，所述α可以设置为0.00001。
例如，假设初始学习率为2，一阶矩m为5，二阶矩v为4，则计算得到的学习率
在一个实施例中，所述利用预设的求导链式法则计算所述长短期记忆网络中每个参数对所述损失值的目标梯度，可具体包括：
对于所述长短期记忆网络中的每个参数，计算预设的对数似然损失函数对每个所述参数的梯度，得到每个所述参数的初始梯度；
利用预设的激活函数计算每个参数对应中间变量对所述损失值的梯度，得到每个参数对应中间变量的中间梯度；
将每个参数的初始梯度与对应中间变量的中间梯度进行相乘并以e为底数求取对数值后，得到所述长短期记忆网络中每个参数对所述损失值的目标梯度。
在本实施例中，对于长短期记忆网络中的每个参数，可首先计算预设的对数似然损失函数对每个参数的梯度，得到每个参数的初始梯度，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损失值的梯度，得到每个参数对应中间变量的中间梯度。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，它们对损失值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。因此，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。
最后计算每个参数的初始梯度与对应中间变量的中间梯度的乘积，并以e为底数、以每个参数的初始梯度与对应中间变量的中间梯度的乘积为真数，求取其对数值后作为最终梯度。其中，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ln10，以最小化损失函数。
在一个实施例中，所述按照所述最优码垛方案控制分拣机器人对所述目标订单号的所有板件进行码垛之后，还可包括：
统计所述目标订单号完成码垛的板件数量，判断所述目标订单号完成码垛的板件数量是否与目标板件数量一致；
在判定所述目标订单号完成码垛的板件数量与目标板件数量一致时，调用激光设备扫描所述目标订单号的每个堆垛，并生成每个堆垛的堆垛图像；
对每个堆垛的所述堆垛图像进行预处理后，得到目标堆垛图像，根据每个堆垛的所述目标堆垛图像估算每个堆垛板件之间的堆叠面积及间隙大小，根据每个堆垛板件之间的堆叠面积及间隙大小评估每个堆垛板件的码垛质量；其中，所述码垛质量包括紧密度和稳定度；
当判定每个堆垛板件的码垛质量满足要求时，则确定所述目标订单号的所有板件码垛质量检测合格。
本实施例在目标订单号的所有板件完成码垛之后，还需对码垛质量进行检测。具体的，首先统计该目标订单号中完成码垛的所有板件的板件数量，将该目标订单号中完成码垛的所有板件的板件数量与目标板件数量进行比对，判断该目标订单号完成码垛的板件数量是否与目标板件数量一致，以避免板件在码垛过程中丢失。
在判定目标订单号完成码垛的板件数量与目标板件数量不一致时，则校对确定所缺失的板件，向工作人员所在终端发出板件缺失预警，并向工作人员所在终端发送所缺失板件的板件信息，以及时提示工作人员寻找缺失的板件。
在判定目标订单号完成码垛的板件数量与目标板件数量一致时，则调用激光设备扫描该目标订单号的每个堆垛，该激光设备可以检测并生成每个堆垛的三维图像，从而帮助判断稳定性和紧密度。
对每个堆垛的堆垛图像进行预处理后，得到目标堆垛图像，该预处理方式包括：
重采样：调整图像的尺寸大小，可以放大或缩小图像。
剪裁：裁剪图像的部分区域，可去除不感兴趣的区域或调整图像组合。
调整亮度和对比度：增加或减少图像的亮度和对比度，以改善图像的视觉效果和可读性。
灰度化：将彩色图像转换为灰度图像，以降低计算复杂度或提取灰度特征。
直方图均衡化：通过调整图像的直方图分布来增强图像的对比度。
去噪：减少图像中的噪声，包括但不限于高斯噪声、椒盐噪声等。
锐化：增强图像的边缘和细节，使图像更加清晰和锐利。
旋转和翻转：对图像进行旋转或水平/垂直翻转，以改变图像的方向或视角。
形态学操作：应用形态学滤波器，例如腐蚀(Erosion)和膨胀(Dilation)，以改善图像的形状或去除噪声。
需要说明的是，这些图像预处理方式可以根据具体任务和应用需求进行组合和调整。本实施例通过对每个堆垛的堆垛图像进行预处理后，使图像数据符合后续分析算法的要求，提高图像分析任务的准确性和稳定性。
本实施例基于目标堆垛图像选择适当的量化指标来评估每个堆垛的稳定性和紧密度，例如根据三维图像中的板件位置信息，分析板件的堆叠情况。观察板件之间是否存在重叠、错位、倾斜等问题。
本实施例可根据板件之间的堆叠面积及间隙大小精准分析堆垛的紧密度和稳定度，该堆叠面积为相邻两块板件之间的重叠面积的占比，可用于识别板件是否存在明显偏移，如果存在明显的偏移或不匹配现象，可能表明稳定性较差。此外，通过测量三维图像中板件之间的间隙大小，以判断紧密度。较小的间隙和较大的堆叠面积通常表示紧密度较好，因此可根据每个堆垛板件之间的堆叠面积及间隙大小评估每个堆垛板件的码垛质量，即评估每个堆垛板件之间的紧密度和稳定度。例如，在三维图像中，两个相邻的木板之间的间隙大小为10mm，并且堆叠面积为95％。如果预期的间隙大小应小于15mm，并且堆叠面积应大于90％，则可以判断该堆垛板件之间的紧密度和稳定度较好。
在一个实施例中，在根据每个堆垛的目标堆垛图像估算每个堆垛板件之间的堆叠面积及间隙大小时，可以通过图像处理算法或深度学习方法，将三维图像中的板件分割出来，得到每个板件的位置和形状信息；对于相邻的板件，计算它们之间的最短距离。例如，可以通过迭代比较每个板件与其他板件之间的距离，找到最小距离来估算间隙大小。对于有重叠的板件，可以采用不同方法进行堆叠面积的计算。例如，对于平面板件，可以计算重叠区域的面积占比；对于非平面板件，可以将板件投影成平面后再计算重叠区域的面积占比，将计算得到的间隙大小和堆叠面积作为结果输出。
在一个实施例中，所述对每个堆垛的所述堆垛图像进行预处理后，得到目标堆垛图像，可具体包括：
对于每个堆垛的堆垛图像，将所述堆垛图像转换为单通道灰度图像，根据卷积运算将所述单通道灰度图像中每个像素的值替换为邻域内像素值的加权平均值，得到第一堆垛图像；
调用水平方向和垂直方向上的Sobel滤波器计算所述第一堆垛图像的中心像素周围邻域像素值的差异，对所述第一堆垛图像的中心像素周围邻域像素值的差异进行梯度计算，得到所述第一堆垛图像在水平方向和垂直方向上的梯度幅值；
计算所述第一堆垛图像在水平方向和垂直方向上的梯度幅值的平方和，对所述平方和进行开根号运算后，得到所述第一堆垛图像的总体梯度幅值；
将所述第一堆垛图像中像素值高于所述总体梯度幅值的像素点标记为边缘，对所述第一堆垛图像的边缘进行裁剪后，得到目标堆垛图像。
在数字图像处理中，单通道灰度图像是一种只包含灰度信息的图像，与彩色图像相比，灰度图像只包含一个通道(即灰度通道)，每个像素点的取值范围代表灰度级的强度，通常在0到255之间，其中0代表黑色，255代表白色。
单通道灰度图像可以看作是将彩色图像的红、绿和蓝三个颜色通道进行加权平均得到的结果。它只记录了图像的亮度信息，而不包含颜色信息。每个像素点的灰度值反映了该点的亮度强度，较大的灰度值表示较高的亮度，较小的灰度值表示较低的亮度。
由于单通道灰度图像只有一个通道，因此它在存储和处理上相对于彩色图像更加简单和高效。对于单通道灰度图像，每个像素点仅包含一个灰度值，这使得灰度图像处理相对直观且易于理解。
卷积运算可以用于将单通道灰度图像中每个像素的值替换为邻域内像素值的加权平均值，得到第一堆垛图像。具体的，选择合适的卷积核来定义加权平均的权重，该卷积核通常是一个小的二维矩阵，其大小和权重根据需求确定。例如，可以使用3×3的卷积核。使用该卷积核，遍历单通道灰度图像中的每个像素。对于每个像素，将卷积核与它的邻域像素进行逐元素乘法，并将乘积的和作为加权平均值。乘积的和可以通过卷积操作来实现，即将卷积核和邻域像素进行逐元素相乘，然后将结果求和；最后将每个像素的原始值替换为计算得到的加权平均值，得到第一堆垛图像，以通过卷积运算，可以将单通道灰度图像中每个像素的值替换为邻域像素的加权平均值，从而实现局部平滑或模糊化效果。当权重接近均匀分布时，加权平均值可以在一定程度上消除图像中的噪声。
其中，Sobel滤波器是图像边缘检测滤波器，用于识别图像中的边缘。它是一种基于卷积的操作，基本原理是通过对图像应用两个卷积核(水平和垂直方向)来计算每个像素点的梯度近似值，以增强和突出图像中的边缘特征，从而辅助识别图像中的重要边界。
对于给定的图像，分别对其应用水平和垂直方向的Sobel滤波器，可以得到两个结果图像。然后可以根据这两个结果图像计算每个像素点的梯度大小和方向，以及相应的边缘强度，最后可以根据梯度大小或边缘强度进行阈值处理，将边缘部分提取出来。
具体的，调用水平方向和垂直方向上的Sobel滤波器计算第一堆垛图像的中心像素周围邻域像素值的差异，对第一堆垛图像的中心像素周围邻域像素值的差异进行梯度计算，得到第一堆垛图像在水平方向和垂直方向上的梯度幅值，最后计算第一堆垛图像在水平方向和垂直方向上的梯度幅值的平方和，对所述平方和进行开根号运算后，得到所述第一堆垛图像的总体梯度幅值，将所述第一堆垛图像中像素值高于所述总体梯度幅值的像素点标记为边缘，对所述第一堆垛图像的边缘进行裁剪后，得到目标堆垛图像，以精准地剔除图像中的无效图像区域。
其中，在调用水平方向和垂直方向上的Sobel滤波器计算第一堆垛图像的中心像素周围邻域像素值的差异时，对于第一堆垛图像的每个像素，将Sobel滤波器分别应用于其周围的邻域像素。在这里，将水平方向和垂直方向的Sobel滤波器与第一堆垛图像进行卷积操作。具体做法是将核矩阵与像素周围邻域像素进行逐元素乘法，并将乘积相加，得到中心像素的Sobel滤波器响应值，使用中心像素处的水平方向和垂直方向的Sobel滤波器响应值之差，得到中心像素周围邻域像素值的差异。例如，可以简单地用水平方向的Sobel响应减去垂直方向的Sobel响应，或者计算两个响应值的欧几里德距离，以获得有关图像边缘特征的相关信息。
在对所述第一堆垛图像的中心像素周围邻域像素值的差异进行梯度计算，得到所述第一堆垛图像在水平方向和垂直方向上的梯度幅值时，该第一堆垛图像的中心像素周围邻域像素值的差异包括中心像素周围邻域像素值在水平方向上的差异、中心像素周围邻域像素值在垂直方向上的差异，分别对中心像素周围邻域像素值在水平方向及垂直方向上的差异乘以对应的衰减系数后，得到第一堆垛图像在水平方向和垂直方向上的梯度幅值。其中，该衰减系数为常数。
在计算第一堆垛图像在水平方向和垂直方向上的梯度幅值的平方和，对平方和进行开根号运算后，得到第一堆垛图像的总体梯度幅值时，可使用第一堆垛图像在水平方向和垂直方向上的梯度幅值，并根据下述公式计算得到所述第一堆垛图像的总体梯度幅值：
其中，所述x为第一堆垛图像在水平方向上的梯度幅值，所述y为第一堆垛图像在垂直方向上的梯度幅值。
本实施例通过计算第一堆垛图像的总体梯度幅值，该总体梯度幅值能够精确反映图像中边缘的强度和方向信息，以用于边缘检测。
在一个实施例中，所述根据每个堆垛板件之间的堆叠面积及间隙大小评估每个堆垛板件的码垛质量，可具体包括：
获取为所述堆叠面积及间隙大小预先设定的权重；
分别计算每个堆垛板件之间的堆叠面积及间隙大小与对应的标准堆叠面积及标准间隙大小的差值的绝对值；
以e为底数，以每个堆垛板件之间的堆叠面积及间隙大小与对应的标准堆叠面积及标准间隙大小的差值的绝对值为真数求取对数值后，得到每个堆垛板件之间的堆叠面积及间隙大小的第一评估值；
分别将每个堆垛板件之间的堆叠面积及间隙大小的所述第一评估值乘以对应权重并累加后，得到每个堆垛板件的综合评估值；
当确定每个堆垛板件的所述综合评估值都大于预设综合评估值时，则判定每个堆垛板件的码垛质量满足要求。
本实施例预先为堆叠面积及间隙大小这两个参数设定权重，如将堆叠面积的权重设定为0.95，将间隙大小的权重设定为0.98，然后分别计算每个堆垛板件之间的堆叠面积与对应标准堆叠面积的差值的绝对值、每个堆垛板件之间的间隙大小与对应标准间隙大小的差值的绝对值，以e为底数，分别以每个堆垛板件之间的堆叠面积与对应标准堆叠面积的差值的绝对值为真数、每个堆垛板件之间的间隙大小与对应标准间隙大小的差值的绝对值为真数，分别求取对数值后，得到每个堆垛板件之间的堆叠面积的第一评估值、每个堆垛板件之间的间隙大小的第一评估值，分别将每个堆垛板件之间的堆叠面积的第一评估值、每个堆垛板件之间的间隙大小的第一评估值乘以对应的权重并累加后，得到每个堆垛板件的综合评估值。
当确定任意一个堆垛板件的综合评估值小于预设综合评估值时，则调整该堆垛板件的码垛位置；当确定每个堆垛板件的综合评估值都大于预设综合评估值时，则判定每个堆垛板件的码垛质量满足要求，从而实现精细化评估堆垛板件的码垛质量。
请参考图2，本发明的实施例还提供一种板件机器人分拣码垛优化装置，包括：
获取模块21，用于获取训练样本；其中，所述训练样本的数量大于阈值，所述训练样本包括每个历史订单号中所有参考板件的参考板件信息、每个历史订单号的参考码垛目标及对应已标注的参考码垛方案，所述参考码垛目标包括堆垛数量、每个堆垛的最大层数、最大重量及最大尺寸，所述参考码垛方案包括各所述参考板件被分拣至的目标堆垛及在所述目标堆垛的板位信息、所述目标堆垛的堆垛编号及位置信息；
训练模块22，用于将所述训练样本输入预先构建的长短期记忆网络的输入层，调用所述长短期记忆网络对所述训练样本进行预设次数的迭代训练，生成每次迭代训练后的训练结果，根据每次迭代训练后的所述训练结果及预设的对数似然损失函数，计算每次迭代训练后的所述长短期记忆网络的损失值；
计算模块23，用于在所述长短期记忆网络每次迭代训练后，判断每次迭代训练后的所述损失值是否低于预设损失值，当判定所述损失值不低于所述预设损失值时，利用预设的求导链式法则计算所述长短期记忆网络中每个参数对所述损失值的目标梯度；
更新模块24，用于根据每个参数对所述损失值的目标梯度，利用预设的梯度下降法更新所述长短期记忆网络的每个参数，并利用所述训练样本对更新参数后的所述长短期记忆网络进行再次训练，直至所述损失值低于预设损失值为止，得到训练好的码垛模型；
接收模块25，用于当检测到加工后的板件经过扫描器后，接收所述扫描器扫描粘贴在所述板件上的条形码以获得的所述板件对应的条形码信息，根据所述条形码信息查询得到所述板件的板件信息；其中，所述板件信息包括所述板件的尺寸、形状、重量、材质及所属的订单号；
码垛模块26，用于从所述板件的板件信息中提取出所述板件所属的目标订单号，判断所述目标订单号的板件是否已经完成模拟码垛，在判定所述目标订单号的板件未完成模拟码垛时，则获取所述目标订单号的码垛目标，将所述目标订单号的所有板件的板件信息及所述码垛目标输入训练好的所述码垛模型，得到所述目标订单号的最优码垛方案，按照所述最优码垛方案控制分拣机器人对所述目标订单号的所有板件进行码垛。
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机器人分拣码垛优化方法的步骤。
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机器人分拣码垛优化方法的相关数据。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机器人分拣码垛优化方法。
在一个实施例中，本发明还提供一种分拣生产线，包括控制系统、扫描器及分拣机器人，所述扫描器及分拣机器人分别与所述控制系统电性连接，所述分拣机器人用于按照所述控制系统下发的最优码垛方案对板件进行分拣码垛，所述分拣生产线的控制系统用于执行如上任一项所述的板件机器人分拣码垛优化方法的步骤。
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机器人分拣码垛优化方法。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机器人分拣码垛优化方法、控制系统及分拣生产线，通过将含有参考板件信息、码垛目标及参考码垛方案的训练样本输入长短期记忆网络进行训练，以丰富训练样本；根据每次迭代训练后的训练结果及预设的对数似然损失函数计算损失值，当损失值不低于预设损失值时，利用预设的求导链式法则计算长短期记忆网络中每个参数对损失值的目标梯度，利用预设的梯度下降法更新长短期记忆网络的每个参数，并利用训练样本对更新参数后的长短期记忆网络进行再次训练，直至损失值低于预设损失值为止，以通过求导链式法则及梯度下降法实现精准化优化模型的参数，模型可以逐渐学习到更好的参数设置，以提高在训练样本上的预测准确性，最终得到训练效果最佳的码垛模型，利用码垛模型对未完成模拟码垛的目标订单号自动生成最优码垛方案，从而提高智能化水平及码垛准确率。
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)

1.一种板件机器人分拣码垛优化方法，其特征在于，应用于分拣生产线的控制系统，所述分拣生产线还包括扫描器及分拣机器人，所述扫描器及分拣机器人分别与所述控制系统电性连接，所述分拣机器人用于按照所述控制系统下发的最优码垛方案对板件进行分拣码垛，所述板件机器人分拣码垛优化方法包括：
获取训练样本；其中，所述训练样本的数量大于阈值，所述训练样本包括每个历史订单号中所有参考板件的参考板件信息、每个历史订单号的参考码垛目标及对应已标注的参考码垛方案，所述参考码垛目标包括堆垛数量、每个堆垛的最大层数、最大重量及最大尺寸，所述参考码垛方案包括各所述参考板件被分拣至的目标堆垛及在所述目标堆垛的板位信息、所述目标堆垛的堆垛编号及位置信息；
将所述训练样本输入预先构建的长短期记忆网络的输入层，调用所述长短期记忆网络对所述训练样本进行预设次数的迭代训练，生成每次迭代训练后的训练结果，根据每次迭代训练后的所述训练结果及预设的对数似然损失函数，计算每次迭代训练后的所述长短期记忆网络的损失值；
在所述长短期记忆网络每次迭代训练后，判断每次迭代训练后的所述损失值是否低于预设损失值，当判定所述损失值不低于所述预设损失值时，利用预设的求导链式法则计算所述长短期记忆网络中每个参数对所述损失值的目标梯度；
根据每个参数对所述损失值的目标梯度，利用预设的梯度下降法更新所述长短期记忆网络的每个参数，并利用所述训练样本对更新参数后的所述长短期记忆网络进行再次训练，直至所述损失值低于预设损失值为止，得到训练好的码垛模型；
当检测到加工后的板件经过扫描器后，接收所述扫描器扫描粘贴在所述板件上的条形码以获得的所述板件对应的条形码信息，根据所述条形码信息查询得到所述板件的板件信息；其中，所述板件信息包括所述板件的尺寸、形状、重量、材质及所属的订单号；
从所述板件的板件信息中提取出所述板件所属的目标订单号，判断所述目标订单号的板件是否已经完成模拟码垛，在判定所述目标订单号的板件未完成模拟码垛时，则获取所述目标订单号的码垛目标，将所述目标订单号的所有板件的板件信息及所述码垛目标输入训练好的所述码垛模型，得到所述目标订单号的最优码垛方案，按照所述最优码垛方案控制分拣机器人对所述目标订单号的所有板件进行码垛。
2.根据权利要求1所述的板件机器人分拣码垛优化方法，其特征在于，所述根据每个参数对所述损失值的目标梯度，利用预设的梯度下降法更新所述长短期记忆网络的每个参数，包括：
确定所述长短期记忆网络中每个参数的初始学习率及当前迭代次数；
根据Adam算法计算每个参数对所述损失值的目标梯度的一阶矩估计和二阶矩估计，得到每个所述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所述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m为一阶矩，所述v为二阶矩，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0.95，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0.99，所述t为所述长短期记忆网络的当前迭代次数；
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；
获取每个参数的原始参数值，计算每个参数对应的学习率与目标梯度的乘积，得到每个参数的参数调整值，分别将每个参数的所述原始参数值减去对应的参数调整值，得到所述长短期记忆网络更新后的每个参数。
3.根据权利要求2所述的板件机器人分拣码垛优化方法，其特征在于，所述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，包括：
分别将每个参数对应的一阶矩与初始学习率相乘后，得到每个参数对应的第一数值；
分别对每个参数对应的二阶矩进行开根号运算并与极小值相加后，得到每个参数对应的第二数值；
计算每个参数对应的第一数值与第二数值的比值，得到每个参数对应的学习率；包括如下公式：
其中，所述learningrate′是初始学习率，所述m为一阶矩，所述v为二阶矩，所述learningrate是更新后的学习率，所述α是一个极小值，用于防止分母为0，所述α为0.00001。
4.根据权利要求1所述的板件机器人分拣码垛优化方法，其特征在于，所述利用预设的求导链式法则计算所述长短期记忆网络中每个参数对所述损失值的目标梯度，包括：
对于所述长短期记忆网络中的每个参数，计算预设的对数似然损失函数对每个所述参数的梯度，得到每个所述参数的初始梯度；
利用预设的激活函数计算每个参数对应中间变量对所述损失值的梯度，得到每个参数对应中间变量的中间梯度；
将每个参数的初始梯度与对应中间变量的中间梯度进行相乘并以e为底数求取对数值后，得到所述长短期记忆网络中每个参数对所述损失值的目标梯度。
5.根据权利要求1所述的板件机器人分拣码垛优化方法，其特征在于，所述获取训练样本，包括：
获取历史订单数据；对所述历史订单数据进行数据清洗及标准化处理后，得到目标历史订单数据；其中，所述数据清洗包括删除重复数据、填充缺失值、纠正错误数据；
从所述目标历史订单数据提取出每个历史订单号中所有参考板件的参考板件信息及参考码垛目标，并标注出每个历史订单号的参考码垛方案，生成训练样本。
6.根据权利要求1所述的板件机器人分拣码垛优化方法，其特征在于，所述按照所述最优码垛方案控制分拣机器人对所述目标订单号的所有板件进行码垛之后，还包括：
统计所述目标订单号完成码垛的板件数量，判断所述目标订单号完成码垛的板件数量是否与目标板件数量一致；
在判定所述目标订单号完成码垛的板件数量与目标板件数量一致时，调用激光设备扫描所述目标订单号的每个堆垛，并生成每个堆垛的堆垛图像；
对每个堆垛的所述堆垛图像进行预处理后，得到目标堆垛图像，根据每个堆垛的所述目标堆垛图像估算每个堆垛板件之间的堆叠面积及间隙大小，根据每个堆垛板件之间的堆叠面积及间隙大小评估每个堆垛板件的码垛质量；其中，所述码垛质量包括紧密度和稳定度；
当判定每个堆垛板件的码垛质量满足要求时，则确定所述目标订单号的所有板件码垛质量检测合格。
7.根据权利要求6所述的板件机器人分拣码垛优化方法，其特征在于，所述对每个堆垛的所述堆垛图像进行预处理后，得到目标堆垛图像，包括：
对于每个堆垛的堆垛图像，将所述堆垛图像转换为单通道灰度图像，根据卷积运算将所述单通道灰度图像中每个像素的值替换为邻域内像素值的加权平均值，得到第一堆垛图像；
调用水平方向和垂直方向上的Sobel滤波器计算所述第一堆垛图像的中心像素周围邻域像素值的差异，对所述第一堆垛图像的中心像素周围邻域像素值的差异进行梯度计算，得到所述第一堆垛图像在水平方向和垂直方向上的梯度幅值；
计算所述第一堆垛图像在水平方向和垂直方向上的梯度幅值的平方和，对所述平方和进行开根号运算后，得到所述第一堆垛图像的总体梯度幅值；
将所述第一堆垛图像中像素值高于所述总体梯度幅值的像素点标记为边缘，对所述第一堆垛图像的边缘进行裁剪后，得到目标堆垛图像。
8.根据权利要求6所述的板件机器人分拣码垛优化方法，其特征在于，所述根据每个堆垛板件之间的堆叠面积及间隙大小评估每个堆垛板件的码垛质量，包括：
获取为所述堆叠面积及间隙大小预先设定的权重；
分别计算每个堆垛板件之间的堆叠面积及间隙大小与对应的标准堆叠面积及标准间隙大小的差值的绝对值；
以e为底数，以每个堆垛板件之间的堆叠面积及间隙大小与对应的标准堆叠面积及标准间隙大小的差值的绝对值为真数求取对数值后，得到每个堆垛板件之间的堆叠面积及间隙大小的第一评估值；
分别将每个堆垛板件之间的堆叠面积及间隙大小的所述第一评估值乘以对应权重并累加后，得到每个堆垛板件的综合评估值；
当确定每个堆垛板件的所述综合评估值都大于预设综合评估值时，则判定每个堆垛板件的码垛质量满足要求。
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机器人分拣码垛优化方法的步骤。
10.一种分拣生产线，其特征在于，包括控制系统、扫描器及分拣机器人，所述扫描器及分拣机器人分别与所述控制系统电性连接，所述分拣机器人用于按照所述控制系统下发的最优码垛方案对板件进行分拣码垛，所述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机器人分拣码垛优化方法的步骤。
CN202311615210.7A 2023-11-29 2023-11-29 板件机器人分拣码垛优化方法、控制系统及分拣生产线 Active CN117583281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311615210.7A CN117583281B (zh) 2023-11-29 2023-11-29 板件机器人分拣码垛优化方法、控制系统及分拣生产线

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311615210.7A CN117583281B (zh) 2023-11-29 2023-11-29 板件机器人分拣码垛优化方法、控制系统及分拣生产线

Publications (2)

Publication Number Publication Date
CN117583281A CN117583281A (zh) 2024-02-23
CN117583281B true CN117583281B (zh) 2024-04-19

Family

ID=89911307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311615210.7A Active CN117583281B (zh) 2023-11-29 2023-11-29 板件机器人分拣码垛优化方法、控制系统及分拣生产线

Country Status (1)

Country Link
CN (1) CN117583281B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109906470A (zh) * 2016-08-26 2019-06-18 医科达有限公司 使用神经网络方法的图像分割
CN110232341A (zh) * 2019-05-30 2019-09-13 重庆邮电大学 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN113086659A (zh) * 2021-04-01 2021-07-09 广东鑫光智能系统有限公司 包件码垛方法及终端
WO2022150280A1 (en) * 2021-01-05 2022-07-14 Liberty Reach, Inc. Machine vision-based method and system to facilitate the unloading of a pile of cartons in a carton handling system
CN114798495A (zh) * 2022-07-01 2022-07-29 深圳市信润富联数字科技有限公司 基于质量检测的钣金冲压件分拣方法、装置、设备及介质
CN115231205A (zh) * 2022-08-31 2022-10-25 天津美腾科技股份有限公司 一种刮板运输机的故障监测方法及系统
CN115330227A (zh) * 2022-08-19 2022-11-11 清华大学深圳国际研究生院 集装箱堆场的箱位分配方法、装置、设备及介质
CN115924557A (zh) * 2022-12-16 2023-04-07 广州赛志系统科技有限公司 一种定制家居板件机器人码垛优化方法及码垛系统
CN116460931A (zh) * 2023-04-25 2023-07-21 广州赛志系统科技有限公司 机器人智能钻孔方法、终端及板材生产线

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11416622B2 (en) * 2018-08-20 2022-08-16 Veracode, Inc. Open source vulnerability prediction with machine learning ensemble

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109906470A (zh) * 2016-08-26 2019-06-18 医科达有限公司 使用神经网络方法的图像分割
CN110232341A (zh) * 2019-05-30 2019-09-13 重庆邮电大学 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
WO2022150280A1 (en) * 2021-01-05 2022-07-14 Liberty Reach, Inc. Machine vision-based method and system to facilitate the unloading of a pile of cartons in a carton handling system
CN113086659A (zh) * 2021-04-01 2021-07-09 广东鑫光智能系统有限公司 包件码垛方法及终端
CN114798495A (zh) * 2022-07-01 2022-07-29 深圳市信润富联数字科技有限公司 基于质量检测的钣金冲压件分拣方法、装置、设备及介质
CN115330227A (zh) * 2022-08-19 2022-11-11 清华大学深圳国际研究生院 集装箱堆场的箱位分配方法、装置、设备及介质
CN115231205A (zh) * 2022-08-31 2022-10-25 天津美腾科技股份有限公司 一种刮板运输机的故障监测方法及系统
CN115924557A (zh) * 2022-12-16 2023-04-07 广州赛志系统科技有限公司 一种定制家居板件机器人码垛优化方法及码垛系统
CN116460931A (zh) * 2023-04-25 2023-07-21 广州赛志系统科技有限公司 机器人智能钻孔方法、终端及板材生产线

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
同步辐射技术在无序合金结构与性能研究中的应用;王晓东;曾桥石;蒋建中;;物理;20090712(第07期);第489-495页 *
基于多任务强化学习的堆垛机调度与库位推荐;饶东宁 等;计算机工程;20230228;第49卷(第2期);第279-295页 *
基于弹性动力学仿真的码垛机器人动态优化;李瑞峰 等;华中科技大学学报（自然科学版）;20151031;第43卷;第23-26页 *

Also Published As

Publication number Publication date
CN117583281A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
US20200167594A1 (en) Method and apparatus for vehicle damage identification
CN110598761A (zh) 一种点胶检测方法、装置及计算机可读存储介质
JP2019035626A (ja) タイヤ画像の認識方法及びタイヤ画像の認識装置
CN109214470B (zh) 一种基于编码网络微调的图像能见度检测方法
CN111783772A (zh) 一种基于RP-ResNet网络的抓取检测方法
CN104008538A (zh) 基于单张图像超分辨率方法
JP4728444B2 (ja) 異常領域検出装置および異常領域検出方法
CN110427933A (zh) 一种基于深度学习的水尺识别方法
CN108320306A (zh) 融合tld和kcf的视频目标跟踪方法
CN105095913A (zh) 基于近邻正则联合稀疏表示的遥感图像分类方法及系统
WO2023084543A1 (en) System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN109242141B (zh) 一种商品库存数量的预测方法及装置
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
CN114049627A (zh) 可智能选择缩放尺度的船牌检测方法、装置及系统
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和系统
CN114972931A (zh) 一种基于知识蒸馏的货物存放方法及装置
CN111627018B (zh) 一种基于双流神经网络模型的钢板表面缺陷分类方法
CN110633679B (zh) 一种基于遗传算法的指针式仪表示数自动识别方法及系统
CN110874600B (zh) 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN116310276B (zh) 目标检测方法、装置、电子设备及存储介质
CN116754467B (zh) 一种天然橡胶老化性能的测评方法
CN110728222A (zh) 一种用于机械臂抓取系统中目标物体的位姿估计方法
CN113808079B (zh) 基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法

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