CN117852683A - 一种生鲜配送的智能分拣及多退少补的通用方法 - Google Patents

一种生鲜配送的智能分拣及多退少补的通用方法 Download PDF

Info

Publication number
CN117852683A
CN117852683A CN202311436577.2A CN202311436577A CN117852683A CN 117852683 A CN117852683 A CN 117852683A CN 202311436577 A CN202311436577 A CN 202311436577A CN 117852683 A CN117852683 A CN 117852683A
Authority
CN
China
Prior art keywords
data
sorting
product
fresh
mechanical arm
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
Application number
CN202311436577.2A
Other languages
English (en)
Inventor
唐仕良
容柏清
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.)
Hunan Shudongpo Technology Co ltd
Original Assignee
Hunan Shudongpo 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 Hunan Shudongpo Technology Co ltd filed Critical Hunan Shudongpo Technology Co ltd
Priority to CN202311436577.2A priority Critical patent/CN117852683A/zh
Publication of CN117852683A publication Critical patent/CN117852683A/zh
Pending legal-status Critical Current

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及在线交易优化技术领域,尤其涉及一种生鲜配送的智能分拣及多退少补的通用方法。所述方法包括以下步骤:利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集及自动化识别匹配,生成产品类别匹配数据;对机械臂仿真分拣数据进行分拣路径优化处理,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业;根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。本发明通过智能化识别生鲜产品及其重量,实现更精准及自动化地智能分拣及多退少补。

Description

一种生鲜配送的智能分拣及多退少补的通用方法
技术领域
本发明涉及在线交易优化技术领域,尤其涉及一种生鲜配送的智能分拣及多退少补的通用方法。
背景技术
随着互联网购物的发展,越来越多的人在线上进行生鲜购物,配送系统需要对大量订单进行分拣和高效配送,成了刚需,目前存在分拣效率慢成本高。生鲜每次称重不可能完全和下单匹配,多给了商家亏损,少了用户不愿意,以此需要一种高效分拣,并且对生效产品进行多退少补的高效方法。然而,传统的生鲜配送的分拣及多退少补方法通常依赖于人工分拣,缺乏实时数据采集和智能优化,增加了人为因素造成的多退少补误差影响,导致商家与用户不满意。
发明内容
基于此,本发明提供一种生鲜配送的智能分拣及多退少补的通用方法,以解决至少一个上述技术问题。
为实现上述目的,一种生鲜配送的智能分拣及多退少补的通用方法,包括以下步骤:
步骤S1:获取生鲜产品分析样本;利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;利用卷积神经网络算法对产品样本图像数据进行产品类别的初步匹配处理,生成初始产品类别匹配数据;对初始产品类别匹配数据进行产品图像纹理的类别匹配优化处理,生成产品类别匹配数据;
步骤S2:利用智能电子秤的负载传感器对生鲜产品分析样本进行生鲜产品重量数据实时采集,生成生鲜产品重量数据;根据生鲜产品重量数据与产品类别匹配数据进行生鲜产品的关联矩阵建立,生成产品类别-重量关联矩阵;
步骤S3:获取生鲜产品分析样本的存储坐标数据;根据存储坐标数据进行机械臂的分拣拓扑图映射处理,并利用产品类别-重量关联矩阵进行拓扑节点数据填充处理,生成产品分拣拓扑图;
步骤S4:获取机械臂参数数据;根据机械臂参数数据对产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化以及机械臂分拣仿真运行,生成机械臂仿真分拣数据;利用强化学习模型对机械臂仿真分拣数据进行分拣路径优化处理,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业;
步骤S5:获取用户订单信息;根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;对订单分拣差异数据进行分拣差异异常优化处理,再进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
本发明利用智能电子秤的监控设备,系统能够实时获取生鲜产品的图像数据,确保系统始终处于对生鲜产品的实时监测状态,从而提高了数据的准确性和及时性;卷积神经网络算法自动识别产品类别,减轻了人工干预的压力,实现了高效的生鲜产品分类,从而为后续的处理流程奠定了基础;通过对初始产品类别匹配数据进行图像纹理的类别匹配优化,能够更准确地将生鲜产品分类,尤其是对于外观相似但纹理不同的产品,提高了分类的精准性。结合产品的类别信息和重量数据,能够更精细地将产品进行关联,为后续的分拣和配送过程提供更全面的信息,从而提高了处理的准确性;关联矩阵可以准确地确定不同类别产品的重量范围,从而使系统在分拣和配送时能够更灵活地适应不同重量的产品组合,提高了适应性和灵活性。利用存储坐标数据构建机械臂的分拣拓扑图,使得机械臂能够按照优选路径进行分拣任务,减少不必要的移动,提高了分拣的效率;通过产品类别-重量关联矩阵的拓扑节点数据填充,能够根据不同产品的类别和重量特点,定制化地生成适应性强的分拣拓扑图,实现了分拣任务的个性化处理。通过以机械臂坐标为中心节点的拓扑图优化,能够更加智能地规划机械臂的分拣路径,减少不必要的等待和移动,最大程度地提高了分拣效率;,并且引入强化学习模型对仿真分拣数据进行路径优化,使得机械臂能够根据不同情境和策略,自动学习和调整分拣路径,逐步提高分拣作业的智能化水平,例如对于障碍物可以不断优化机械臂以能够识别障碍进行躲避,以及寻找最近的分拣路径,提高分拣的效率。基于用户订单信息计算优化仿真分拣数据的差异,确保每个订单的生鲜产品被准确分拣和分配,提高了订单处理的精确性和满足度,并且对于生鲜产品的漏发以及错发也可以对这些订单进行及时的补充,通过对分拣差异数据进行异常处理和二次计算,能够更好地处理多退少补情况,最小化分拣错误带来的不便,提高了配送效率和客户满意度。因此,本发明的生鲜配送的智能分拣及多退少补的通用方法通过对机械臂分拣路径的智能迭代优化,有助于减少机械臂的分拣运动时间,提高分拣速度和效率,实时采集生鲜产品相关数据,并与用户订单进行自动化比对,减少了人为因素造成的多退少补误差影响,提高用户与商家的满意度。
优选地,步骤S1包括以下步骤:
步骤S11:获取生鲜产品分析样本;
步骤S12:利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;
步骤S13:获取历史生鲜产品图像数据;
步骤S14:利用卷积神经网络算法对产品样本图像数据进行生鲜产品类别的初步匹配处理,生成初始产品类别匹配数据;
步骤S15:对产品样本图像数据进行图像块分割处理,生成样本图像块数据;
步骤S16:利用灰度共生矩阵技术对样本图像块数据进行图像纹理提取,生成图像块纹理数据;
步骤S17:利用图像纹理相似度算法对图像块纹理数据与历史生鲜产品图像数据进行图像纹理相似度计算,生成纹理相似度数据;
步骤S18:基于纹理相似度数据进行优选相似度选取,以获取优选纹理相似度数据,利用优选纹理相似度数据对初始产品类别匹配数据进行产品类别匹配优化处理,生成产品类别匹配数据。
本发明获取生鲜产品分析样本,确保了能够使用实际的产品数据进行分析和匹配,提高了数据的准确性和实用性,并且可以不断实时更新数据,适应新的产品种类和特征,具有更高的适应性和灵活性。实时采集产品图像数据,确保能够对最新的产品进行分类和匹配,提高了及时性,并且图像数据具有更丰富的信息,包括外观、形状、颜色等特征,有助于提高后续分类和匹配的精确性。获取历史生鲜产品图像数据,可能包含与当前样本相似的特征,通过对比历史数据,能够更好地识别和匹配类似的产品。利用卷积神经网络作为预测模型,能够自动学习图像特征,实现了自动分类,减少了人工干预的成本,有效地从图像中提取高级特征,这些特征在后续的匹配和优化过程中发挥了关键作用。图像块分割可以将图像分解为更小的部分,从而能够更精细地捕捉产品的细微特征,提高分类和匹配的精度,图像块分割能够关注于图像中的局部特征,提供更多信息,增加了系统对不同产品部分的识别能力。灰度共生矩阵技术可以捕捉图像中的纹理信息,为产品的区分提供了更多细节特征,提高了分类的准确性和鲁棒性,并且通过纹理特征能够揭示产品表面的微小差异,能够更好地识别相似外观但不同纹理的产品,进一步提高了分类的可靠性。图像纹理相似度计算能够量化不同产品之间的纹理相似程度,更准确地识别和匹配相似的产品,利用历史生鲜产品图像数据进行纹理相似度计算,能够将当前样本与过去数据进行对比,从而更好地确定其在整体生鲜产品中的具体类别。利用优选纹理相似度数据进行分类匹配优化,能够更加准确地判断产品的类别,提高了分类的精度,通过优选相似度选取使得精准调整生鲜产品的匹配结果,有助于消除不同纹理对分类的影响,提升了匹配的可靠性。
优选地,步骤S14包括以下步骤:
步骤S141:利用卷积神经网络算法建立生鲜产品类别匹配的映射关系,生成初始生鲜产品类别匹配模型;
步骤S142:利用历史生鲜产品图像数据对初始生鲜产品类别匹配模型进行模型训练,生成生鲜产品类别匹配模型;
步骤S143:将产品样本图像数据传输至生鲜产品类别匹配模型进行生鲜产品类别的初步匹配处理,生成初始产品类别匹配数据。
本发明利用卷积神经网络算法建立生鲜产品类别匹配的映射关系,卷积神经网络能够自动从图像数据中提取特征,无需手动设计特征提取器,使得模型能够更准确地捕捉生鲜产品的关键特征,通过卷积神经网络建立的模型可以根据不同的产品特点进行适应和调整,从而更好地适应不同产品类别的变化。利用历史数据进行模型训练,模型能够从大量实际样本中学习到更丰富的特征和模式,提高了模型的分类能力,通过模型训练,模型可以学习到更广泛的特征表示,使得模型在面对新的生鲜产品时也能有较好的分类表现。通过将产品样本图像数据传输至模型进行初步匹配,能够在实时性要求下快速获得产品的初步类别匹配结果,自动的类别匹配处理减轻了人工操作的负担,提高了处理效率,同时降低了错误率。
优选地,步骤S17中的图像纹理相似度算法如下所示:
式中,表示为纹理相似度数据,/>表示为图像块的横坐标,/>表示为图像块的纵坐标,/>表示为横坐标与纵坐标分别为/>与/>的纹理相似度的重要性权重,/>表示为横坐标与纵坐标分别为/>与/>的产品样本图像块,/>表示为产品样本图像块的纹理数据,/>表示为与产品样本图像块对应的横坐标与纵坐标分别为/>与/>历史生鲜产品图像块,/>表示为历史生鲜产品图像块的纹理数据,/>表示为纹理相似度加权指数,/>表示为纹理对比度的积分上限,表示为纹理对比度阈值,/>表示为纹理相似度数据的异常调整值。
本发明利用一种图像纹理相似度算法,该算法充分考虑了图像块的横坐标、图像块的纵坐标/>、横坐标与纵坐标分别为/>与/>的纹理相似度的重要性权重/>、横坐标与纵坐标分别为/>与/>的产品样本图像块/>、产品样本图像块的纹理数据/>、与产品样本图像块对应的横坐标与纵坐标分别为/>与/>历史生鲜产品图像块/>、历史生鲜产品图像块的纹理数据/>、纹理相似度加权指数/>、纹理对比度的积分上限/>、纹理对比度阈值/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式分析样本的图像块纹理与历史生鲜产品图像对应部分图像块的纹理,进一步对生鲜产品分析样本进行准确分类。图像块的横纵坐标,用于遍历所有图像块,以计算它们之间的纹理相似度;横坐标与纵坐标分别为/>与/>的纹理相似度的重要性权重,用于调整不同位置的图像块对纹理相似度的贡献,反映了图像块位置的影响。通过/>判断产品样本图像块与历史生鲜产品图像块的纹理特征,以及用于计算图像块与历史生鲜产品图像块的纹理相似度,衡量产品样本图像块与历史数据的初步纹理相似性;纹理对比度的积分上限和纹理对比度阈值,用于计算纹理对比度项,考虑图像块之间的纹理差异。通过综合考虑图像块的位置、纹理对比度以及历史数据,函数关系式能够更准确地评估产品样本图像块与历史生鲜产品图像块之间的纹理相似度,有助于确定产品样本图像块是否与历史数据相似,从而提高产品分类和分拣的准确性。利用纹理相似度数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成纹理相似度数据/>,提高了对图像块纹理数据与历史生鲜产品图像数据进行图像纹理相似度计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的图像块纹理数据与历史生鲜产品图像数据中,提高了算法的灵活性与适用性。
优选地,步骤S2包括以下步骤:
步骤S21:利用智能电子秤的负载传感器对生鲜产品分析样本进行负载数据实时采集,生成生鲜产品负载数据;
步骤S22:利用生鲜产品重量校正算法对生鲜产品负载数据进行生鲜产品重量计算,生成生鲜产品重量数据;
步骤S23:根据生鲜产品重量数据与产品类别匹配数据进行生鲜产品的关联矩阵建立,生成产品类别-重量关联矩阵。
本发明利用负载传感器实时采集负载数据,能够在分拣过程中不断获取产品的重量信息,及时了解当前的重量变化情况,以此对生鲜产品的具体重量的计算提供了初始的数据集。生鲜产品重量校正算法可以针对负载数据中的误差进行修正,提高了生鲜产品重量数据的准确性和可靠性,负载传感器可能由于外界误差等原因使得测量生鲜产品的压力有些许变化,通过生鲜产品重量校正算法可以对重量进行精确评估,避免了误差累积和数据失真,确保了分拣过程的精确性。结合产品重量和类别信息,关联矩阵能够提供更全面的数据,使系统能够更好地了解产品特征,从而优化分拣策略,并且根据产品类别-重量关联矩阵能够准确分拣具体的生鲜产品以及产品所需重量。
优选地,步骤S22中的生鲜产品重量校正算法如下所示:
式中,表示为生鲜产品重量数据,/>表示为生鲜产品的面积大小,/>表示为生鲜产品负载数据的压力数值,/>表示为重力加速度,/>表示为根据历史生鲜产品得到的生鲜产品密度数据,/>表示为负载传感器的异常偏移量,/>表示为生鲜产品面积大小的积分变量,/>表示为负载传感器摆放位置生成的测量误差值,/>表示为根据历史生鲜产品误差生成的修正偏移量,/>表示为生鲜产品重量数据的异常调整值。
本发明利用一种生鲜产品重量校正算法,该算法综合考虑了生鲜产品的面积大小、生鲜产品负载数据的压力数值/>、重力加速度/>、根据历史生鲜产品得到的生鲜产品密度数据/>、负载传感器的异常偏移量/>、生鲜产品面积大小的积分变量/>、负载传感器摆放位置生成的测量误差值/>、根据历史生鲜产品误差生成的修正偏移量/>以及函数之间的相互作用关系,以形成函数关系式:
,通过函数关系式对负债传感器的测量进行进一步优化,使得生鲜产品的重量更为精准,减少因测量误差给用户及商家带来的损失。生鲜产品的面积大小,用于确定积分的上限,从而计算出生鲜产品的重量;生鲜产品负载数据的压力数值,反映了负载传感器测得的压力值,是校正的重要依据;重力加速度,作为常数,用于考虑重力对重量的影响;根据历史生鲜产品得到的生鲜产品密度数据,密度对重量的影响很大,可以通过密度校正重量的误差,通过历史数据可以更准确地估计密度,示负载传感器的异常偏移量,用于考虑负载传感器的测量误差,通过校正该偏移量可以减少误差;负载传感器摆放位置生成的测量误差值,反映了传感器位置对测量误差的影响,如负债传感器测量时角度发生误差,导致重力的偏移等问题;根据历史生鲜产品误差生成的修正偏移量,通过考虑历史误差更精准地校正负载传感器的测量。通过考虑生鲜产品的面积、压力、密度、重力加速度等因素,算法能够更精准地校正生鲜产品的重量数据,有助于消除不同因素带来的测量误差,从而提高重量测量的准确性。利用生鲜产品重量数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成生鲜产品重量数据/>,提高了对生鲜产品负载数据进行生鲜产品重量计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的生鲜产品负载数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:获取生鲜产品分析样本的存储坐标数据;
步骤S32:根据存储坐标数据进行机械臂的分拣拓扑图映射处理,生成分拣拓扑图;
步骤S33:利用产品类别-重量关联矩阵对分拣拓扑图进行拓扑节点数据填充处理,生成产品分拣拓扑图。
本发明存储坐标数据能够精确描述产品在存储中的位置,为后续的机械臂分拣提供准确的定位信息,避免了位置误差,通过存储坐标数据优化分拣路径,将相邻或相近的产品进行分组,从而减少机械臂的移动距离,提高了分拣效率。根据存储坐标数据进行机械臂的分拣拓扑图映射处理,生成分拣拓扑图,能够为机械臂规划优选路径,确保在分拣过程中机械臂的移动更加合理和高效,分拣拓扑图的映射处理能够将存储空间的约束反映在机械臂的路径规划中,避免了碰撞和阻塞等问题。基于产品类别-重量关联矩阵的填充,生成的拓扑图能够根据不同产品的特点进行定制化设计,提高了分拣的个性化处理能力,通过产品类别-重量关联矩阵,可以根据产品的重量和特点,对不同拓扑节点进行填充,使得机械臂在分拣过程中能够更加均衡地分配任务。
优选地,步骤S4包括以下步骤:
步骤S41:获取机械臂参数数据;
步骤S42:利用三维建模技术对机械臂参数数据进行机械臂的三维建模,生成机械臂模型;
步骤S43:对机械臂参数数据进行机械臂坐标数据提取,生成机械臂坐标数据,并将机械臂坐标数据传输至产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化处理,生成机械臂分拣拓扑图;
步骤S44:将机械臂模型传输至机械臂分拣拓扑图进行机械臂分拣仿真运行处理,生成机械臂仿真分拣数据;
步骤S45:根据机械臂仿真分拣数据进行分拣路径的奖惩函数设计,生成分拣路径奖惩函数;
步骤S46:利用强化学习模型与分拣路径奖惩函数建立机械臂分拣路径优化的映射关系,生成机械臂分拣路径优化模型;
步骤S47:将机械臂仿真分拣数据传输至机械臂分拣路径优化模型中,并根据分拣路径奖惩函数进行机械臂分拣路径的迭代优化,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业。
本发明获取机械臂参数数据,提供了机械臂的关键参数信息,为后续的三维建模和仿真分拣提供了基础,并且机械臂参数能够针对具体机械臂进行个性化设置,提高了分拣的适应性。三维建模技术能够精确地将机械臂的结构、关节和运动范围等信息进行表示,为仿真和路径规划提供准确的模型,机械臂模型能够通过可视化呈现,使系统运营人员能够更清晰地了解机械臂的运动方式和结构特点。机械臂坐标数据能够与产品分拣拓扑图进行匹配,确保机械臂与分拣拓扑图的关系一致,将机械臂的位置与分拣拓扑图映射至同一数据维度中,减少了分拣误差,通过将机械臂坐标数据传输至拓扑图,能够根据机械臂的位置优化分拣路径,提高了分拣效率。通过机械臂分拣仿真运行,可以在虚拟环境中模拟实际分拣过程,预测机械臂的动作和路径,仿真分拣数据能够帮助系统检测潜在的错误和问题,提前发现并修复可能的分拣失误,分拣路径奖惩函数能够为分拣路径规划提供指导,根据优化目标制定路径规划策略,奖惩函数的设计能够引导机械臂选择更快、更节省能量的路径,提高了分拣的效率。强化学习模型能够智能地根据奖惩函数选择分拣路径,逐步优化分拣策略,提高了机械臂的智能化程度,通过学习分拣路径优化模型,可以根据不同情况自动调整路径选择,适应不同的分拣任务。将机械臂仿真分拣数据与优化模型相结合,能够实现智能的路径优化,使机械臂的分拣过程更加高效和智能化,优化机械臂仿真分拣数据能够用于实际分拣作业,提高了整体效率和准确性。
优选地,步骤S5包括以下步骤:
步骤S51:获取用户订单信息;
步骤S52:根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;
步骤S53:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据大于订单分拣差异阈值时,生成差异异常订单数据;
步骤S54:对差异异常订单数据进行订单分拣优化处理,生成优化差异订单数据;
步骤S55:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据不大于订单分拣差异阈值时,生成差异常规订单数据;
步骤S56:将优化差异订单数据与差异常规订单数据进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
本发明用户订单数据提供了用户所需生鲜产品的具体种类、数量和要求等细节,为后续分拣作业的执行提供了必要的数据基础。将订单信息与优化仿真数据进行对比,可以计算出每个订单与实际分拣情况的差异,帮助系统了解分拣的准确度,通过订单分拣差异数据能够分析哪些订单存在差异,从而进行进一步的处理和优化。比较能够识别出分拣差异数据中的异常情况,帮助系统及时发现分拣失误或问题,一旦差异异常订单数据生成,系统可以及时采取措施,如对于遗漏产品或者分拣错误产品可以进行修正。对差异异常订单数据进行优化处理,可以尝试修复分拣失误,减少错误分拣对订单准确性的影响,通过优化差异订单数据,能够更好地满足客户的要求,提高客户的满意度。对于分拣差异较小的订单,可以认为分拣基本准确,无需进一步处理,节省了额外的人力和时间,通过跳过分拣差异小的订单,可以更专注地处理那些需要重点处理的订单,提高了分拣的效率。通过分拣差异二次计算,由于第一次对差异较大的订单进行修复,因此第二次的差异计算得出的用户订单与实际分拣产品差异特别小,以提高用户与商家之间的满意度,并且能够更准确地确定哪些订单需要进行多退少补操作,避免了不必要的误操作,通过传输分拣分配数据至配送系统,多退少补操作可以自动进行,减少人工干预,提高了操作效率。
优选地,步骤S54包括以下步骤:
步骤S541:对差异异常订单数据进行余出以及缺失的订单数据划分,分别生成余出异常订单数据以及缺失异常订单数据;
步骤S542:对余出异常订单数据进行余出产品数据剔除处理,生成修正余出订单数据;
步骤S543:对填充异常订单数据进行产品数据填充处理,生成修正填充订单数据;
步骤S544:将修正余出订单数据与修正填充订单数据进行数据整合,生成优化差异订单数据。
本发明将差异异常订单数据分为余出和缺失两类,能够更清晰地识别问题的性质,为后续处理提供指导,针对不同类型的问题,可以采取针对性的处理策略,提高了问题解决的效率。剔除余出产品数据能够修复分拣误差,使订单的分拣情况更接近实际情况,提高订单的准确性,修正余出订单数据使得多退少补操作更加精确,避免了不必要的退补操作,降低了配送成本。通过填充缺失的产品数据可以修复分拣错误,使订单数据完整和准确,提高了订单的质量,修正填充订单数据能够满足客户的订单要求,提高客户满意度,增强品牌信誉。整合修正数据能够将余出和填充的问题综合处理,为订单的多退少补操作提供全面的数据支持,优化差异订单数据能够更准确地反映订单的分拣情况,确保多退少补操作的准确性和可靠性。
本申请有益效果在于,本发明通过卷积神经网络(CNN)对生鲜产品样本图像进行初步匹配,结合实时负载数据建立产品类别-重量关联矩阵,能够将生鲜产品按照类别和重量准确地分拣和分类,并且根据生鲜产品的具体图像纹理与历史图像纹理进行比对,更加精准匹配了具体的生鲜产品类别,不仅提高了分拣效率,还确保了每个订单中的产品符合客户的要求。利用强化学习模型对机械臂仿真分拣数据进行路径优化处理,能够为机械臂提供更智能的分拣路径,从而减少机械臂的移动时间,优化了分拣效率。通过仿真分拣,可以在真实操作之前预测和优化分拣结果,降低了实际操作中的错误率。通过分析优化差异订单数据,能够自动判定哪些订单需要多退少补操作,减少了人工干预的需求,这种自动化过程不仅提高了效率,还减少了人为错误的发生。基于用户订单信息可以根据不同的订单要求进行个性化处理,如产品多退少补的具体数值,并且可以根据用户订单信息与具体的分拣差异进行分拣产品的优化,使得分拣产品与用户订单相匹配。将差异异常订单数据细分为余出和缺失两种情况,并针对不同情况进行修正处理,通过剔除余出产品数据和填充缺失产品数据,能够修复分拣过程中的误差,提高订单的准确性和完整性。通过优化差异异常订单数据,可以避免不必要的多退少补操作,降低了配送成本,此外精准分拣和自动化多退少补也提高了分拣和配送的效率,进一步降低了运营成本。通过分析优化机械臂仿真分拣数据能够基于实际数据做出决策,从而降低主观判断路径长短的风险,随着不断积累的数据,以进行不断改进算法和模型,提高分拣的智能水平以及效率。
附图说明
图1为本发明一种生鲜配送的智能分拣及多退少补的通用方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供一种生鲜配送的智能分拣及多退少补的通用方法,包括以下步骤:
步骤S1:获取生鲜产品分析样本;利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;利用卷积神经网络算法对产品样本图像数据进行产品类别的初步匹配处理,生成初始产品类别匹配数据;对初始产品类别匹配数据进行产品图像纹理的类别匹配优化处理,生成产品类别匹配数据;
步骤S2:利用智能电子秤的负载传感器对生鲜产品分析样本进行生鲜产品重量数据实时采集,生成生鲜产品重量数据;根据生鲜产品重量数据与产品类别匹配数据进行生鲜产品的关联矩阵建立,生成产品类别-重量关联矩阵;
步骤S3:获取生鲜产品分析样本的存储坐标数据;根据存储坐标数据进行机械臂的分拣拓扑图映射处理,并利用产品类别-重量关联矩阵进行拓扑节点数据填充处理,生成产品分拣拓扑图;
步骤S4:获取机械臂参数数据;根据机械臂参数数据对产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化以及机械臂分拣仿真运行,生成机械臂仿真分拣数据;利用强化学习模型对机械臂仿真分拣数据进行分拣路径优化处理,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业;
步骤S5:获取用户订单信息;根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;对订单分拣差异数据进行分拣差异异常优化处理,再进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
本发明利用智能电子秤的监控设备,系统能够实时获取生鲜产品的图像数据,确保系统始终处于对生鲜产品的实时监测状态,从而提高了数据的准确性和及时性;卷积神经网络算法自动识别产品类别,减轻了人工干预的压力,实现了高效的生鲜产品分类,从而为后续的处理流程奠定了基础;通过对初始产品类别匹配数据进行图像纹理的类别匹配优化,能够更准确地将生鲜产品分类,尤其是对于外观相似但纹理不同的产品,提高了分类的精准性。结合产品的类别信息和重量数据,能够更精细地将产品进行关联,为后续的分拣和配送过程提供更全面的信息,从而提高了处理的准确性;关联矩阵可以准确地确定不同类别产品的重量范围,从而使系统在分拣和配送时能够更灵活地适应不同重量的产品组合,提高了适应性和灵活性。利用存储坐标数据构建机械臂的分拣拓扑图,使得机械臂能够按照优选路径进行分拣任务,减少不必要的移动,提高了分拣的效率;通过产品类别-重量关联矩阵的拓扑节点数据填充,能够根据不同产品的类别和重量特点,定制化地生成适应性强的分拣拓扑图,实现了分拣任务的个性化处理。通过以机械臂坐标为中心节点的拓扑图优化,能够更加智能地规划机械臂的分拣路径,减少不必要的等待和移动,最大程度地提高了分拣效率;,并且引入强化学习模型对仿真分拣数据进行路径优化,使得机械臂能够根据不同情境和策略,自动学习和调整分拣路径,逐步提高分拣作业的智能化水平,例如对于障碍物可以不断优化机械臂以能够识别障碍进行躲避,以及寻找最近的分拣路径,提高分拣的效率。基于用户订单信息计算优化仿真分拣数据的差异,确保每个订单的生鲜产品被准确分拣和分配,提高了订单处理的精确性和满足度,并且对于生鲜产品的漏发以及错发也可以对这些订单进行及时的补充,通过对分拣差异数据进行异常处理和二次计算,能够更好地处理多退少补情况,最小化分拣错误带来的不便,提高了配送效率和客户满意度。因此,本发明的生鲜配送的智能分拣及多退少补的通用方法通过对机械臂分拣路径的智能迭代优化,有助于减少机械臂的分拣运动时间,提高分拣速度和效率,实时采集生鲜产品相关数据,并与用户订单进行自动化比对,减少了人为因素造成的多退少补误差影响,提高用户与商家的满意度。
本发明实施例中,参考图1所述,为本发明一种生鲜配送的智能分拣及多退少补的通用方法的步骤流程示意图,在本实施例中,所述生鲜配送的智能分拣及多退少补的通用方法包括以下步骤:
步骤S1:获取生鲜产品分析样本;利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;利用卷积神经网络算法对产品样本图像数据进行产品类别的初步匹配处理,生成初始产品类别匹配数据;对初始产品类别匹配数据进行产品图像纹理的类别匹配优化处理,生成产品类别匹配数据;
本发明实施例中,将各类生鲜产品放置在配送区域的智能电子秤上,所述智能电子厂由传感器、监控设备、控制终端等组成,并启动智能电子秤的监控设备,例如一颗苹果被放置在电子秤上,此时监控设备开始实时采集苹果的图像,苹果的样本图像数据被生成。在初步匹配处理中,通过使用卷积神经网络(CNN)算法,对苹果样本图像数据进行分析,CNN识别出图像中的特征并将其与预先训练的模型进行匹配,CNN识别出图像中的特征与苹果类别相关,初始产品类别匹配数据被标记为“苹果”。 在类别匹配优化处理中,进一步考虑了产品的图像纹理特征,针对苹果的样本图像,系统分析其纹理,发现它属于“红富士苹果”这个更具体的类别,通过优化类别匹配,最终的产品类别匹配数据被确定为“红富士苹果”。
步骤S2:利用智能电子秤的负载传感器对生鲜产品分析样本进行生鲜产品重量数据实时采集,生成生鲜产品重量数据;根据生鲜产品重量数据与产品类别匹配数据进行生鲜产品的关联矩阵建立,生成产品类别-重量关联矩阵;
本发明实施例中,智能电子秤内置负载传感器,它实时监测生鲜产品的重量,例如一颗橙子被放置在电子秤上,负载传感器即刻采集橙子的压力负载数据,生成橙子的生鲜产品的负债数据,由于测量压力时可能存在误差,使得转化为具体重量时不够精准,则通过算法进行精准校正,得到精准的生鲜产品重量数据。根据生鲜产品重量数据和产品类别匹配数据,建立了产品类别-重量关联矩阵,例如对于之前识别出的“红富士苹果”,与其相关的重量为150克的数据被记录在关联矩阵中。
步骤S3:获取生鲜产品分析样本的存储坐标数据;根据存储坐标数据进行机械臂的分拣拓扑图映射处理,并利用产品类别-重量关联矩阵进行拓扑节点数据填充处理,生成产品分拣拓扑图;
本发明实施例中,每个生鲜产品分析样本都与存储内的特定坐标相关联,假设一个桔子的分析样本被放置在存储的第二排第四列,获取该坐标信息。根据存储坐标数据进行了机械臂分拣拓扑图的映射处理,例如存储中的第二排第四列被映射到了计算机构建的坐标特定位置,并根据该坐标特定位置建立拓扑矩阵的节点。同时,利用产品类别-重量关联矩阵,填充了拓扑节点数据,根据关联矩阵中的信息,确定了对应节点上的重量范围和类别。
步骤S4:获取机械臂参数数据;根据机械臂参数数据对产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化以及机械臂分拣仿真运行,生成机械臂仿真分拣数据;利用强化学习模型对机械臂仿真分拣数据进行分拣路径优化处理,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业;
本发明实施例中,获取机械臂的参数数据,如长度、角度限制等,假设机械臂需要在特定范围内进行移动和旋转,这些参数数据被获取。根据机械臂参数数据,对产品分拣拓扑图进行优化,以机械臂的坐标作为中心节点,优化拓扑图以适应机械臂的移动范围,并进行机械臂分拣的仿真运行,例如,对于一个位于机械臂范围内的桔子,模拟了机械臂的抓取动作,并生成了机械臂仿真分拣数据。在分拣路径优化处理中,利用强化学习模型对机械臂仿真分拣数据进行分析,根据分拣路径的效率、稳定性等因素,选取优选的分拣路径,优化机械臂的抓取和放置动作,生成了优化的机械臂仿真分拣数据。
步骤S5:获取用户订单信息;根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;对订单分拣差异数据进行分拣差异异常优化处理,再进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
本发明实施例中,首先获取来自用户的订单信息,例如一个用户订购了500克苹果和300克桔子,这些订单信息被获取。根据用户订单信息与优化机械臂仿真分拣数据进行对比,计算分拣订单差异数据。例如,在仿真数据中,优化的机械臂分拣了400克苹果和400克橘子,与用户订单信息的差异被计算出来。对分拣差异数据进行异常优化处理,分析差异数据中可能存在的异常情况,例如,分拣数量超过或不足用户订单,订单分拣差异数据中的差异较大,则需要进行优化,例如一个苹果大约90克,一个橘子大约50克,都大于订单分拣差异数据中的差异,则将订单分拣差异数据标记为订单差异异常数据,可以对原先的分拣数据增加一个苹果以及去掉两个橘子,从而对订单分拣差异数据,再重新计算分拣数据与订单数据的差异,生成订单分拣分配数据,该订单分拣分配数据是分拣的产品与用户订单基本满足,以及分拣产品与用户订单的微小差异的具体数值,根据分拣产品与用户订单的微小差异的具体数额进行多退少补,对于缺货的产品,可以记录并触发退款或补发流程,对于多发的产品,也可以记录并进行相应的处理,如与客户协商退回或补收。
优选地,步骤S1包括以下步骤:
步骤S11:获取生鲜产品分析样本;
步骤S12:利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;
步骤S13:获取历史生鲜产品图像数据;
步骤S14:利用卷积神经网络算法对产品样本图像数据进行生鲜产品类别的初步匹配处理,生成初始产品类别匹配数据;
步骤S15:对产品样本图像数据进行图像块分割处理,生成样本图像块数据;
步骤S16:利用灰度共生矩阵技术对样本图像块数据进行图像纹理提取,生成图像块纹理数据;
步骤S17:利用图像纹理相似度算法对图像块纹理数据与历史生鲜产品图像数据进行图像纹理相似度计算,生成纹理相似度数据;
步骤S18:基于纹理相似度数据进行优选相似度选取,以获取优选纹理相似度数据,利用优选纹理相似度数据对初始产品类别匹配数据进行产品类别匹配优化处理,生成产品类别匹配数据。
本发明获取生鲜产品分析样本,确保了能够使用实际的产品数据进行分析和匹配,提高了数据的准确性和实用性,并且可以不断实时更新数据,适应新的产品种类和特征,具有更高的适应性和灵活性。实时采集产品图像数据,确保能够对最新的产品进行分类和匹配,提高了及时性,并且图像数据具有更丰富的信息,包括外观、形状、颜色等特征,有助于提高后续分类和匹配的精确性。获取历史生鲜产品图像数据,可能包含与当前样本相似的特征,通过对比历史数据,能够更好地识别和匹配类似的产品。利用卷积神经网络作为预测模型,能够自动学习图像特征,实现了自动分类,减少了人工干预的成本,有效地从图像中提取高级特征,这些特征在后续的匹配和优化过程中发挥了关键作用。图像块分割可以将图像分解为更小的部分,从而能够更精细地捕捉产品的细微特征,提高分类和匹配的精度,图像块分割能够关注于图像中的局部特征,提供更多信息,增加了系统对不同产品部分的识别能力。灰度共生矩阵技术可以捕捉图像中的纹理信息,为产品的区分提供了更多细节特征,提高了分类的准确性和鲁棒性,并且通过纹理特征能够揭示产品表面的微小差异,能够更好地识别相似外观但不同纹理的产品,进一步提高了分类的可靠性。图像纹理相似度计算能够量化不同产品之间的纹理相似程度,更准确地识别和匹配相似的产品,利用历史生鲜产品图像数据进行纹理相似度计算,能够将当前样本与过去数据进行对比,从而更好地确定其在整体生鲜产品中的具体类别。利用优选纹理相似度数据进行分类匹配优化,能够更加准确地判断产品的类别,提高了分类的精度,通过优选相似度选取使得精准调整生鲜产品的匹配结果,有助于消除不同纹理对分类的影响,提升了匹配的可靠性。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:获取生鲜产品分析样本;
本发明实施例中,从生鲜配送中心中获取一组不同种类的生鲜产品作为分析样本,这些样本可以包括苹果、香蕉、橙子等各种水果。
步骤S12:利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;
本发明实施例中,利用智能电子秤的监控设备,将每个生鲜产品分析样本放置在秤上进行称重,并同时实时采集样本的图像。例如,我们将一个橙子放在电子秤上,监控设备会捕捉橙子的图像。
步骤S13:获取历史生鲜产品图像数据;
本发明实施例中,收集之前分拣任务中使用过的历史生鲜产品图像数据,这些历史图像可以包括之前分拣过的各类水果的图像,如苹果、香蕉、橙子等
步骤S14:利用卷积神经网络算法对产品样本图像数据进行生鲜产品类别的初步匹配处理,生成初始产品类别匹配数据;
本发明实施例中,将采集到的产品样本图像数据传递给卷积神经网络(CNN)算法进行处理,以苹果为例,CNN可以识别出苹果的特征,比如颜色、形状等,并将其初步匹配到“苹果”类别。
步骤S15:对产品样本图像数据进行图像块分割处理,生成样本图像块数据;
本发明实施例中,对于一个采集到的生鲜苹果图像,我们将图像进行块状分割,将图像划分成多个小的图像块,每个块包含了苹果的不同部分。
步骤S16:利用灰度共生矩阵技术对样本图像块数据进行图像纹理提取,生成图像块纹理数据;
本发明实施例中,对这些图像块数据应用灰度共生矩阵技术,提取图像纹理信息。例如,对于一个图像块,我们计算出其灰度共生矩阵,从中获得纹理特征,比如对比度、能量、熵等。
步骤S17:利用图像纹理相似度算法对图像块纹理数据与历史生鲜产品图像数据进行图像纹理相似度计算,生成纹理相似度数据;
本发明实施例中,利用图像纹理相似度算法,比如计算两个图像块之间的欧氏距离或相关系数,将图像块纹理数据对标到历史生鲜产品图像数据的同一维度以及相似位置,对图像块纹理数据与历史生鲜产品图像数据进行纹理相似度计算,例如可以比较一个苹果图像块与历史苹果图像的纹理相似度。
步骤S18:基于纹理相似度数据进行优选相似度选取,以获取优选纹理相似度数据,利用优选纹理相似度数据对初始产品类别匹配数据进行产品类别匹配优化处理,生成产品类别匹配数据。
本发明实施例中,基于计算得到的纹理相似度数据,选取具有优选相似度的历史生鲜产品图像作为参考,例如从历史图像中选取与当前图像块最相似的苹果图像,利用这些优选纹理相似度数据,对初始产品类别匹配数据进行优化处理,提高了匹配的准确性和可靠性,以此得到拍摄的生鲜产品的具体品类。
优选地,步骤S14包括以下步骤:
步骤S141:利用卷积神经网络算法建立生鲜产品类别匹配的映射关系,生成初始生鲜产品类别匹配模型;
步骤S142:利用历史生鲜产品图像数据对初始生鲜产品类别匹配模型进行模型训练,生成生鲜产品类别匹配模型;
步骤S143:将产品样本图像数据传输至生鲜产品类别匹配模型进行生鲜产品类别的初步匹配处理,生成初始产品类别匹配数据。
本发明利用卷积神经网络算法建立生鲜产品类别匹配的映射关系,卷积神经网络能够自动从图像数据中提取特征,无需手动设计特征提取器,使得模型能够更准确地捕捉生鲜产品的关键特征,通过卷积神经网络建立的模型可以根据不同的产品特点进行适应和调整,从而更好地适应不同产品类别的变化。利用历史数据进行模型训练,模型能够从大量实际样本中学习到更丰富的特征和模式,提高了模型的分类能力,通过模型训练,模型可以学习到更广泛的特征表示,使得模型在面对新的生鲜产品时也能有较好的分类表现。通过将产品样本图像数据传输至模型进行初步匹配,能够在实时性要求下快速获得产品的初步类别匹配结果,自动的类别匹配处理减轻了人工操作的负担,提高了处理效率,同时降低了错误率。
本发明实施例中,使用卷积神经网络构建一个初始的生鲜产品类别匹配模型,例如可以使用一个预训练的CNN模型,如ResNet或VGG,作为基础网络,然后添加自定义的全连接层用于分类任务,这个模型将输入生鲜产品图像,输出预测的产品类别。使用历史生鲜产品图像数据对初始生鲜产品类别匹配模型进行模型训练,将历史图像作为训练集,利用反向传播算法和优化器(如Adam)来调整模型的权重,以使其能够更准确地分类生鲜产品图像。将新的产品样本图像数据传输至已训练好的生鲜产品类别匹配模型,进行生鲜产品类别的初步匹配处理,例如对于一张新的橙子图像,模型会预测它属于橙子类别。这样生成的初始产品类别匹配数据会指示每个产品图像的预测类别。
优选地,步骤S17中的图像纹理相似度算法如下所示:
式中,表示为纹理相似度数据,/>表示为图像块的横坐标,/>表示为图像块的纵坐标,/>表示为横坐标与纵坐标分别为/>与/>的纹理相似度的重要性权重,/>表示为横坐标与纵坐标分别为/>与/>的产品样本图像块,/>表示为产品样本图像块的纹理数据,/>表示为与产品样本图像块对应的横坐标与纵坐标分别为/>与/>历史生鲜产品图像块,/>表示为历史生鲜产品图像块的纹理数据,/>表示为纹理相似度加权指数,/>表示为纹理对比度的积分上限,表示为纹理对比度阈值,/>表示为纹理相似度数据的异常调整值。
本发明利用一种图像纹理相似度算法,该算法充分考虑了图像块的横坐标、图像块的纵坐标/>、横坐标与纵坐标分别为/>与/>的纹理相似度的重要性权重/>、横坐标与纵坐标分别为/>与/>的产品样本图像块/>、产品样本图像块的纹理数据/>、与产品样本图像块对应的横坐标与纵坐标分别为/>与/>历史生鲜产品图像块/>、历史生鲜产品图像块的纹理数据/>、纹理相似度加权指数/>、纹理对比度的积分上限/>、纹理对比度阈值/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式分析样本的图像块纹理与历史生鲜产品图像对应部分图像块的纹理,进一步对生鲜产品分析样本进行准确分类。图像块的横纵坐标,用于遍历所有图像块,以计算它们之间的纹理相似度;横坐标与纵坐标分别为/>与/>的纹理相似度的重要性权重,用于调整不同位置的图像块对纹理相似度的贡献,反映了图像块位置的影响。通过/>判断产品样本图像块与历史生鲜产品图像块的纹理特征,以及用于计算图像块与历史生鲜产品图像块的纹理相似度,衡量产品样本图像块与历史数据的初步纹理相似性;纹理对比度的积分上限和纹理对比度阈值,用于计算纹理对比度项,考虑图像块之间的纹理差异。通过综合考虑图像块的位置、纹理对比度以及历史数据,函数关系式能够更准确地评估产品样本图像块与历史生鲜产品图像块之间的纹理相似度,有助于确定产品样本图像块是否与历史数据相似,从而提高产品分类和分拣的准确性。利用纹理相似度数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成纹理相似度数据/>,提高了对图像块纹理数据与历史生鲜产品图像数据进行图像纹理相似度计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的图像块纹理数据与历史生鲜产品图像数据中,提高了算法的灵活性与适用性。
优选地,步骤S2包括以下步骤:
步骤S21:利用智能电子秤的负载传感器对生鲜产品分析样本进行负载数据实时采集,生成生鲜产品负载数据;
步骤S22:利用生鲜产品重量校正算法对生鲜产品负载数据进行生鲜产品重量计算,生成生鲜产品重量数据;
步骤S23:根据生鲜产品重量数据与产品类别匹配数据进行生鲜产品的关联矩阵建立,生成产品类别-重量关联矩阵。
本发明利用负载传感器实时采集负载数据,能够在分拣过程中不断获取产品的重量信息,及时了解当前的重量变化情况,以此对生鲜产品的具体重量的计算提供了初始的数据集。生鲜产品重量校正算法可以针对负载数据中的误差进行修正,提高了生鲜产品重量数据的准确性和可靠性,负载传感器可能由于外界误差等原因使得测量生鲜产品的压力有些许变化,通过生鲜产品重量校正算法可以对重量进行精确评估,避免了误差累积和数据失真,确保了分拣过程的精确性。结合产品重量和类别信息,关联矩阵能够提供更全面的数据,使系统能够更好地了解产品特征,从而优化分拣策略,并且根据产品类别-重量关联矩阵能够准确分拣具体的生鲜产品以及产品所需重量。
本发明实施例中,利用智能电子秤的负载传感器对生鲜产品分析样本进行负载数据实时采集,生成生鲜产品负载数据,例如对于一个装有多个苹果的容器,负载传感器可以测量容器的重量变化,从而获取装载的苹果总重量,尽管在实际测量中可能存在一些误差。使用生鲜产品重量校正算法对生鲜产品负载数据进行生鲜产品重量计算,以消除负载测量中可能存在的误差,例如可以根据苹果的负载压力以及历史相同品类的重量以及大小,计算出实际装载的生鲜产品的重量。这样,可以获得更准确的生鲜产品重量数据。根据生鲜产品重量数据与之前生成的产品类别匹配数据进行关联矩阵的建立,生成产品类别-重量关联矩阵,例如一个装有苹果的容器的重量为500克,并且之前的类别匹配数据指示这些图像属于“苹果”产品,那么在产品类别-重量关联矩阵中会有一个对应的条目,将“苹果”产品与500克的重量关联起来。
优选地,步骤S22中的生鲜产品重量校正算法如下所示:
式中,表示为生鲜产品重量数据,/>表示为生鲜产品的面积大小,/>表示为生鲜产品负载数据的压力数值,/>表示为重力加速度,/>表示为根据历史生鲜产品得到的生鲜产品密度数据,/>表示为负载传感器的异常偏移量,/>表示为生鲜产品面积大小的积分变量,/>表示为负载传感器摆放位置生成的测量误差值,/>表示为根据历史生鲜产品误差生成的修正偏移量,/>表示为生鲜产品重量数据的异常调整值。
本发明利用一种生鲜产品重量校正算法,该算法综合考虑了生鲜产品的面积大小、生鲜产品负载数据的压力数值/>、重力加速度/>、根据历史生鲜产品得到的生鲜产品密度数据/>、负载传感器的异常偏移量/>、生鲜产品面积大小的积分变量/>、负载传感器摆放位置生成的测量误差值/>、根据历史生鲜产品误差生成的修正偏移量/>以及函数之间的相互作用关系,以形成函数关系式:
,通过函数关系式对负债传感器的测量进行进一步优化,使得生鲜产品的重量更为精准,减少因测量误差给用户及商家带来的损失。生鲜产品的面积大小,用于确定积分的上限,从而计算出生鲜产品的重量;生鲜产品负载数据的压力数值,反映了负载传感器测得的压力值,是校正的重要依据;重力加速度,作为常数,用于考虑重力对重量的影响;根据历史生鲜产品得到的生鲜产品密度数据,密度对重量的影响很大,可以通过密度校正重量的误差,通过历史数据可以更准确地估计密度,示负载传感器的异常偏移量,用于考虑负载传感器的测量误差,通过校正该偏移量可以减少误差;负载传感器摆放位置生成的测量误差值,反映了传感器位置对测量误差的影响,如负债传感器测量时角度发生误差,导致重力的偏移等问题;根据历史生鲜产品误差生成的修正偏移量,通过考虑历史误差更精准地校正负载传感器的测量。通过考虑生鲜产品的面积、压力、密度、重力加速度等因素,算法能够更精准地校正生鲜产品的重量数据,有助于消除不同因素带来的测量误差,从而提高重量测量的准确性。利用生鲜产品重量数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成生鲜产品重量数据/>,提高了对生鲜产品负载数据进行生鲜产品重量计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的生鲜产品负载数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:获取生鲜产品分析样本的存储坐标数据;
步骤S32:根据存储坐标数据进行机械臂的分拣拓扑图映射处理,生成分拣拓扑图;
步骤S33:利用产品类别-重量关联矩阵对分拣拓扑图进行拓扑节点数据填充处理,生成产品分拣拓扑图。
本发明存储坐标数据能够精确描述产品在存储中的位置,为后续的机械臂分拣提供准确的定位信息,避免了位置误差,通过存储坐标数据优化分拣路径,将相邻或相近的产品进行分组,从而减少机械臂的移动距离,提高了分拣效率。根据存储坐标数据进行机械臂的分拣拓扑图映射处理,生成分拣拓扑图,能够为机械臂规划优选路径,确保在分拣过程中机械臂的移动更加合理和高效,分拣拓扑图的映射处理能够将存储空间的约束反映在机械臂的路径规划中,避免了碰撞和阻塞等问题。基于产品类别-重量关联矩阵的填充,生成的拓扑图能够根据不同产品的特点进行定制化设计,提高了分拣的个性化处理能力,通过产品类别-重量关联矩阵,可以根据产品的重量和特点,对不同拓扑节点进行填充,使得机械臂在分拣过程中能够更加均衡地分配任务。
本发明实施例中,获取生鲜产品分析样本的存储坐标数据,例如对于一个存储,可以获取每个存储货架、货物堆放区域以及机械臂的坐标数据,以准确描述存储内的空间布局。根据存储坐标数据进行机械臂的分拣拓扑图映射处理,生成分拣拓扑图,假设我们的存储有多个货架和拣选区,我们可以根据实际的存储布局映射到计算机建立的坐标空间中,并设计机械臂移动的路径和拣选顺序,以确保高效的拣选过程。利用之前生成的产品类别-重量关联矩阵,对分拣拓扑图进行拓扑节点数据填充处理,生成产品分拣拓扑图,例如需要在一个货架上放置一些水果和蔬菜,可以根据产品类别-重量关联矩阵决定每个节点所对应的产品类别和重量范围,从而在拓扑图中标记出每个节点的属性。
优选地,步骤S4包括以下步骤:
步骤S41:获取机械臂参数数据;
步骤S42:利用三维建模技术对机械臂参数数据进行机械臂的三维建模,生成机械臂模型;
步骤S43:对机械臂参数数据进行机械臂坐标数据提取,生成机械臂坐标数据,并将机械臂坐标数据传输至产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化处理,生成机械臂分拣拓扑图;
步骤S44:将机械臂模型传输至机械臂分拣拓扑图进行机械臂分拣仿真运行处理,生成机械臂仿真分拣数据;
步骤S45:根据机械臂仿真分拣数据进行分拣路径的奖惩函数设计,生成分拣路径奖惩函数;
步骤S46:利用强化学习模型与分拣路径奖惩函数建立机械臂分拣路径优化的映射关系,生成机械臂分拣路径优化模型;
步骤S47:将机械臂仿真分拣数据传输至机械臂分拣路径优化模型中,并根据分拣路径奖惩函数进行机械臂分拣路径的迭代优化,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业。
本发明获取机械臂参数数据,提供了机械臂的关键参数信息,为后续的三维建模和仿真分拣提供了基础,并且机械臂参数能够针对具体机械臂进行个性化设置,提高了分拣的适应性。三维建模技术能够精确地将机械臂的结构、关节和运动范围等信息进行表示,为仿真和路径规划提供准确的模型,机械臂模型能够通过可视化呈现,使系统运营人员能够更清晰地了解机械臂的运动方式和结构特点。机械臂坐标数据能够与产品分拣拓扑图进行匹配,确保机械臂与分拣拓扑图的关系一致,将机械臂的位置与分拣拓扑图映射至同一数据维度中,减少了分拣误差,通过将机械臂坐标数据传输至拓扑图,能够根据机械臂的位置优化分拣路径,提高了分拣效率。通过机械臂分拣仿真运行,可以在虚拟环境中模拟实际分拣过程,预测机械臂的动作和路径,仿真分拣数据能够帮助系统检测潜在的错误和问题,提前发现并修复可能的分拣失误,分拣路径奖惩函数能够为分拣路径规划提供指导,根据优化目标制定路径规划策略,奖惩函数的设计能够引导机械臂选择更快、更节省能量的路径,提高了分拣的效率。强化学习模型能够智能地根据奖惩函数选择分拣路径,逐步优化分拣策略,提高了机械臂的智能化程度,通过学习分拣路径优化模型,可以根据不同情况自动调整路径选择,适应不同的分拣任务。将机械臂仿真分拣数据与优化模型相结合,能够实现智能的路径优化,使机械臂的分拣过程更加高效和智能化,优化机械臂仿真分拣数据能够用于实际分拣作业,提高了整体效率和准确性。
作为本发明的一个实例,参考图3所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:获取机械臂参数数据;
本发明实施例中,获取机械臂参数数据,如机械臂的长度、关节角度范围、负载能力等,例如获取机械臂的长度为1.5米,关节1的角度范围为-90°到90°,关节2的角度范围为0°到180°等。
步骤S42:利用三维建模技术对机械臂参数数据进行机械臂的三维建模,生成机械臂模型;
本发明实施例中,利用三维建模技术对机械臂参数数据进行三维建模,生成机械臂模型,例如将机械臂的各个关节按照实际参数进行建模,生成一个准确的三维机械臂模型,并可在计算机通过调节参数进行机械臂的仿真运行。
步骤S43:对机械臂参数数据进行机械臂坐标数据提取,生成机械臂坐标数据,并将机械臂坐标数据传输至产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化处理,生成机械臂分拣拓扑图;
本发明实施例中,对机械臂参数数据进行机械臂坐标数据提取,生成机械臂坐标数据,并将机械臂坐标数据传输至产品分拣拓扑图进行拓扑图优化处理,生成机械臂分拣拓扑图,例如将机械臂坐标作为拓扑图的中心节点,对调整分拣拓扑图进行相应的调整,根据机械臂模型的几何属性,提取机械臂各个操作到达的坐标信息,然后将这些坐标数据传输到之前生成的产品分拣拓扑图中,以此生成机械臂分拣拓扑图。
步骤S44:将机械臂模型传输至机械臂分拣拓扑图进行机械臂分拣仿真运行处理,生成机械臂仿真分拣数据;
本发明实施例中,将之前生成的机械臂模型传输至机械臂分拣拓扑图,进行机械臂分拣的仿真运行处理,以生成机械臂仿真分拣数据,例如将机械臂模型按照拓扑图中的坐标信息进行定位,模拟机械臂在分拣过程中的运动轨迹,从而获得仿真的分拣数据。
步骤S45:根据机械臂仿真分拣数据进行分拣路径的奖惩函数设计,生成分拣路径奖惩函数;
本发明实施例中,基于机械臂仿真分拣数据,设计分拣路径的奖惩函数,例如如果机械臂在分拣过程中能够准确抓取产品并放置到指定位置,就给予正向奖励;如果机械臂发生碰撞或抓取失败,就给予负向奖励,通过这样的奖惩函数,可以为机械臂的分拣路径设计提供指导。
步骤S46:利用强化学习模型与分拣路径奖惩函数建立机械臂分拣路径优化的映射关系,生成机械臂分拣路径优化模型;
本发明实施例中,利用强化学习模型与分拣路径奖惩函数建立机械臂分拣路径优化的映射关系。例如,利用强化学习算法,并根据机械臂的行动和奖惩情况,逐步调整机械臂的分拣路径,以实现更优的分拣效果,例如机械臂的分拣距离优化、分拣抓取的成功率提高,以及降低分拣路径碰到障碍物的概率等等。
步骤S47:将机械臂仿真分拣数据传输至机械臂分拣路径优化模型中,并根据分拣路径奖惩函数进行机械臂分拣路径的迭代优化,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业。
本发明实施例中,将机械臂仿真分拣数据传输至机械臂分拣路径优化模型中,并根据分拣路径奖惩函数进行迭代优化,例如通过多次仿真分拣数据的输入与优化,逐步调整机械臂的路径规划,使其在实际分拣中表现更加优越。
优选地,步骤S5包括以下步骤:
步骤S51:获取用户订单信息;
步骤S52:根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;
步骤S53:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据大于订单分拣差异阈值时,生成差异异常订单数据;
步骤S54:对差异异常订单数据进行订单分拣优化处理,生成优化差异订单数据;
步骤S55:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据不大于订单分拣差异阈值时,生成差异常规订单数据;
步骤S56:将优化差异订单数据与差异常规订单数据进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
本发明用户订单数据提供了用户所需生鲜产品的具体种类、数量和要求等细节,为后续分拣作业的执行提供了必要的数据基础。将订单信息与优化仿真数据进行对比,可以计算出每个订单与实际分拣情况的差异,帮助系统了解分拣的准确度,通过订单分拣差异数据能够分析哪些订单存在差异,从而进行进一步的处理和优化。比较能够识别出分拣差异数据中的异常情况,帮助系统及时发现分拣失误或问题,一旦差异异常订单数据生成,系统可以及时采取措施,如对于遗漏产品或者分拣错误产品可以进行修正。对差异异常订单数据进行优化处理,可以尝试修复分拣失误,减少错误分拣对订单准确性的影响,通过优化差异订单数据,能够更好地满足客户的要求,提高客户的满意度。对于分拣差异较小的订单,可以认为分拣基本准确,无需进一步处理,节省了额外的人力和时间,通过跳过分拣差异小的订单,可以更专注地处理那些需要重点处理的订单,提高了分拣的效率。通过分拣差异二次计算,由于第一次对差异较大的订单进行修复,因此第二次的差异计算得出的用户订单与实际分拣产品差异特别小,以提高用户与商家之间的满意度,并且能够更准确地确定哪些订单需要进行多退少补操作,避免了不必要的误操作,通过传输分拣分配数据至配送系统,多退少补操作可以自动进行,减少人工干预,提高了操作效率。
作为本发明的一个实例,参考图4所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:获取用户订单信息;
本发明实施例中,通过与用户进行交互或从系统数据库中获取用户的生鲜产品订单信息。例如,获取用户A的订单信息,其中包括鸡胸肉、牛肉和鱼类。
步骤S52:根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;
本发明实施例中,根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算。例如,对于用户A的订单,根据之前优化后的仿真分拣数据,计算出每个产品类别的分拣数量与用户实际订单中的数量之间的差异。
步骤S53:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据大于订单分拣差异阈值时,生成差异异常订单数据;
本发明实施例中,利用预设的订单分拣差异阈值对订单分拣差异数据进行比较。例如,预设的差异阈值为10%,恰好大致为一份具体的生鲜产品的重量,如果某个产品类别的分拣差异超过了10%,则视为差异异常订单数据。
步骤S54:对差异异常订单数据进行订单分拣优化处理,生成优化差异订单数据;
本发明实施例中,对差异异常订单数据进行订单分拣优化处理,以减少分拣差异。例如,对于某产品类别的分拣数量与用户订单中的数量存在差异的情况,可以调整分拣策略,如果分拣的产品超过用户A的订单数量,则减少一份具体的生鲜产品,如果分拣的产品少于用户A的订单数量,则增加一份具体的生鲜产品,使其更接近用户订单中的需求,从而生成优化差异订单数据。
步骤S55:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据不大于订单分拣差异阈值时,生成差异常规订单数据;
本发明实施例中,利用预设的订单分拣差异阈值对订单分拣差异数据进行比较。例如,预设的差异阈值为10%,恰好大致为一份具体的生鲜产品的重量,如果某个产品类别的分拣差异为超过10%,则不能通过增加具体生鲜产品的重量来补齐,则因此智能给用户退钱或者请求用户补钱,则生成差异常规订单数据。
步骤S56:将优化差异订单数据与差异常规订单数据进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
本发明实施例中,将优化差异订单数据与差异常规订单数据进行分拣订单差异二次计算,生成订单分拣分配数据。例如,如果在优化差异订单数据与差异常规订单数据中发现某个产品类别的分拣数量与用户订单数量存在较小差异,在可接受的范围内,这些数据将被用于进一步计算分拣分配,以确保订单的准确性和满足用户需求,最终生成订单分拣分配数据,该订单分拣分配数据是分拣的产品与用户订单基本满足,以及分拣产品与用户订单的微小差异的具体数值,根据分拣产品与用户订单的微小差异的具体数额进行多退少补,对于缺货的产品,可以记录并触发退款或补发流程,对于多发的产品,也可以记录并进行相应的处理,如与客户协商退回或补收。
优选地,步骤S54包括以下步骤:
步骤S541:对差异异常订单数据进行余出以及缺失的订单数据划分,分别生成余出异常订单数据以及缺失异常订单数据;
步骤S542:对余出异常订单数据进行余出产品数据剔除处理,生成修正余出订单数据;
步骤S543:对填充异常订单数据进行产品数据填充处理,生成修正填充订单数据;
步骤S544:将修正余出订单数据与修正填充订单数据进行数据整合,生成优化差异订单数据。
本发明将差异异常订单数据分为余出和缺失两类,能够更清晰地识别问题的性质,为后续处理提供指导,针对不同类型的问题,可以采取针对性的处理策略,提高了问题解决的效率。剔除余出产品数据能够修复分拣误差,使订单的分拣情况更接近实际情况,提高订单的准确性,修正余出订单数据使得多退少补操作更加精确,避免了不必要的退补操作,降低了配送成本。通过填充缺失的产品数据可以修复分拣错误,使订单数据完整和准确,提高了订单的质量,修正填充订单数据能够满足客户的订单要求,提高客户满意度,增强品牌信誉。整合修正数据能够将余出和填充的问题综合处理,为订单的多退少补操作提供全面的数据支持,优化差异订单数据能够更准确地反映订单的分拣情况,确保多退少补操作的准确性和可靠性。
本发明实施例中,将差异异常订单数据进行划分,分别生成余出异常订单数据和缺失异常订单数据。例如,假设某产品类别的分拣数量超过了用户订单中的数量,产生了余出差异,同时另一产品类别的分拣数量不足,产生了缺失差异。对余出异常订单数据进行处理,剔除余出产品数据,生成修正余出订单数据,例如某产品类别的分拣数量超过了用户订单中的数量,而超出的部分被认定为余出,剔除这些余出产品数据,生成修正余出订单数据。对缺失异常订单数据进行处理,进行产品数据填充,生成修正填充订单数据,例如某产品类别的分拣数量不足以满足用户订单中的数量,进行产品数据填充,补足缺失的部分,生成修正填充订单数据。将修正余出订单数据与修正填充订单数据进行数据整合,生成优化差异订单数据,例如将经过修正的余出订单数据和修正的填充订单数据整合在一起,生成最终的优化差异订单数据,这些数据将用于后续的分拣分配处理。
本申请有益效果在于,本发明通过卷积神经网络(CNN)对生鲜产品样本图像进行初步匹配,结合实时负载数据建立产品类别-重量关联矩阵,能够将生鲜产品按照类别和重量准确地分拣和分类,并且根据生鲜产品的具体图像纹理与历史图像纹理进行比对,更加精准匹配了具体的生鲜产品类别,不仅提高了分拣效率,还确保了每个订单中的产品符合客户的要求。利用强化学习模型对机械臂仿真分拣数据进行路径优化处理,能够为机械臂提供更智能的分拣路径,从而减少机械臂的移动时间,优化了分拣效率。通过仿真分拣,可以在真实操作之前预测和优化分拣结果,降低了实际操作中的错误率。通过分析优化差异订单数据,能够自动判定哪些订单需要多退少补操作,减少了人工干预的需求,这种自动化过程不仅提高了效率,还减少了人为错误的发生。基于用户订单信息可以根据不同的订单要求进行个性化处理,如产品多退少补的具体数值,并且可以根据用户订单信息与具体的分拣差异进行分拣产品的优化,使得分拣产品与用户订单相匹配。将差异异常订单数据细分为余出和缺失两种情况,并针对不同情况进行修正处理,通过剔除余出产品数据和填充缺失产品数据,能够修复分拣过程中的误差,提高订单的准确性和完整性。通过优化差异异常订单数据,可以避免不必要的多退少补操作,降低了配送成本,此外精准分拣和自动化多退少补也提高了分拣和配送的效率,进一步降低了运营成本。通过分析优化机械臂仿真分拣数据能够基于实际数据做出决策,从而降低主观判断路径长短的风险,随着不断积累的数据,以进行不断改进算法和模型,提高分拣的智能水平以及效率。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种生鲜配送的智能分拣及多退少补的通用方法,其特征在于,包括以下步骤:
步骤S1:获取生鲜产品分析样本;利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;利用卷积神经网络算法对产品样本图像数据进行产品类别的初步匹配处理,生成初始产品类别匹配数据;对初始产品类别匹配数据进行产品图像纹理的类别匹配优化处理,生成产品类别匹配数据;
步骤S2:利用智能电子秤的负载传感器对生鲜产品分析样本进行生鲜产品重量数据实时采集,生成生鲜产品重量数据;根据生鲜产品重量数据与产品类别匹配数据进行生鲜产品的关联矩阵建立,生成产品类别-重量关联矩阵;
步骤S3:获取生鲜产品分析样本的存储坐标数据;根据存储坐标数据进行机械臂的分拣拓扑图映射处理,并利用产品类别-重量关联矩阵进行拓扑节点数据填充处理,生成产品分拣拓扑图;
步骤S4:获取机械臂参数数据;根据机械臂参数数据对产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化以及机械臂分拣仿真运行,生成机械臂仿真分拣数据;利用强化学习模型对机械臂仿真分拣数据进行分拣路径优化处理,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业;
步骤S5:获取用户订单信息;根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;对订单分拣差异数据进行分拣差异异常优化处理,再进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
2.根据权利要求1所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取生鲜产品分析样本;
步骤S12:利用智能电子秤的监控设备对生鲜产品分析样本进行样本图像实时采集,生成产品样本图像数据;
步骤S13:获取历史生鲜产品图像数据;
步骤S14:利用卷积神经网络算法对产品样本图像数据进行生鲜产品类别的初步匹配处理,生成初始产品类别匹配数据;
步骤S15:对产品样本图像数据进行图像块分割处理,生成样本图像块数据;
步骤S16:利用灰度共生矩阵技术对样本图像块数据进行图像纹理提取,生成图像块纹理数据;
步骤S17:利用图像纹理相似度算法对图像块纹理数据与历史生鲜产品图像数据进行图像纹理相似度计算,生成纹理相似度数据;
步骤S18:基于纹理相似度数据进行优选相似度选取,以获取优选纹理相似度数据,利用优选纹理相似度数据对初始产品类别匹配数据进行产品类别匹配优化处理,生成产品类别匹配数据。
3.根据权利要求2所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S14包括以下步骤:
步骤S141:利用卷积神经网络算法建立生鲜产品类别匹配的映射关系,生成初始生鲜产品类别匹配模型;
步骤S142:利用历史生鲜产品图像数据对初始生鲜产品类别匹配模型进行模型训练,生成生鲜产品类别匹配模型;
步骤S143:将产品样本图像数据传输至生鲜产品类别匹配模型进行生鲜产品类别的初步匹配处理,生成初始产品类别匹配数据。
4.根据权利要求3所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S17中的图像纹理相似度算法如下所示:
式中,表示为纹理相似度数据,/>表示为图像块的横坐标,/>表示为图像块的纵坐标,表示为横坐标与纵坐标分别为/>与/>的纹理相似度的重要性权重,/>表示为横坐标与纵坐标分别为/>与/>的产品样本图像块,/>表示为产品样本图像块的纹理数据,/>表示为与产品样本图像块对应的横坐标与纵坐标分别为/>与/>历史生鲜产品图像块,/>表示为历史生鲜产品图像块的纹理数据,/>表示为纹理相似度加权指数,/>表示为纹理对比度的积分上限,/>表示为纹理对比度阈值,/>表示为纹理相似度数据的异常调整值。
5.根据权利要求1所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用智能电子秤的负载传感器对生鲜产品分析样本进行负载数据实时采集,生成生鲜产品负载数据;
步骤S22:利用生鲜产品重量校正算法对生鲜产品负载数据进行生鲜产品重量计算,生成生鲜产品重量数据;
步骤S23:根据生鲜产品重量数据与产品类别匹配数据进行生鲜产品的关联矩阵建立,生成产品类别-重量关联矩阵。
6.根据权利要求5所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S22中的生鲜产品重量校正算法如下所示:
式中,表示为生鲜产品重量数据,/>表示为生鲜产品的面积大小,/>表示为生鲜产品负载数据的压力数值,/>表示为重力加速度,/>表示为根据历史生鲜产品得到的生鲜产品密度数据,/>表示为负载传感器的异常偏移量,/>表示为生鲜产品面积大小的积分变量,/>表示为负载传感器摆放位置生成的测量误差值,/>表示为根据历史生鲜产品误差生成的修正偏移量,/>表示为生鲜产品重量数据的异常调整值。
7.根据权利要求1所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S3包括以下步骤:
步骤S31:获取生鲜产品分析样本的存储坐标数据;
步骤S32:根据存储坐标数据进行机械臂的分拣拓扑图映射处理,生成分拣拓扑图;
步骤S33:利用产品类别-重量关联矩阵对分拣拓扑图进行拓扑节点数据填充处理,生成产品分拣拓扑图。
8.根据权利要求1所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S4包括以下步骤:
步骤S41:获取机械臂参数数据;
步骤S42:利用三维建模技术对机械臂参数数据进行机械臂的三维建模,生成机械臂模型;
步骤S43:对机械臂参数数据进行机械臂坐标数据提取,生成机械臂坐标数据,并将机械臂坐标数据传输至产品分拣拓扑图进行以机械臂坐标为中心节点的拓扑图优化处理,生成机械臂分拣拓扑图;
步骤S44:将机械臂模型传输至机械臂分拣拓扑图进行机械臂分拣仿真运行处理,生成机械臂仿真分拣数据;
步骤S45:根据机械臂仿真分拣数据进行分拣路径的奖惩函数设计,生成分拣路径奖惩函数;
步骤S46:利用强化学习模型与分拣路径奖惩函数建立机械臂分拣路径优化的映射关系,生成机械臂分拣路径优化模型;
步骤S47:将机械臂仿真分拣数据传输至机械臂分拣路径优化模型中,并根据分拣路径奖惩函数进行机械臂分拣路径的迭代优化,生成优化机械臂仿真分拣数据,根据优化机械臂仿真分拣数据执行生鲜配送的智能分拣作业。
9.根据权利要求1所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S5包括以下步骤:
步骤S51:获取用户订单信息;
步骤S52:根据用户订单信息对优化机械臂仿真分拣数据进行分拣订单差异数据计算,生成订单分拣差异数据;
步骤S53:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据大于订单分拣差异阈值时,生成差异异常订单数据;
步骤S54:对差异异常订单数据进行订单分拣优化处理,生成优化差异订单数据;
步骤S55:利用预设的订单分拣差异阈值对订单分拣差异数据进行比较,当订单分拣差异数据不大于订单分拣差异阈值时,生成差异常规订单数据;
步骤S56:将优化差异订单数据与差异常规订单数据进行分拣订单差异二次计算,生成订单分拣分配数据,根据订单分拣分配数据执行生鲜配送的多退少补作业。
10.根据权利要求9所述的生鲜配送的智能分拣及多退少补的通用方法,其特征在于,步骤S54包括以下步骤:
步骤S541:对差异异常订单数据进行余出以及缺失的订单数据划分,分别生成余出异常订单数据以及缺失异常订单数据;
步骤S542:对余出异常订单数据进行余出产品数据剔除处理,生成修正余出订单数据;
步骤S543:对填充异常订单数据进行产品数据填充处理,生成修正填充订单数据;
步骤S544:将修正余出订单数据与修正填充订单数据进行数据整合,生成优化差异订单数据。
CN202311436577.2A 2023-11-01 2023-11-01 一种生鲜配送的智能分拣及多退少补的通用方法 Pending CN117852683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311436577.2A CN117852683A (zh) 2023-11-01 2023-11-01 一种生鲜配送的智能分拣及多退少补的通用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311436577.2A CN117852683A (zh) 2023-11-01 2023-11-01 一种生鲜配送的智能分拣及多退少补的通用方法

Publications (1)

Publication Number Publication Date
CN117852683A true CN117852683A (zh) 2024-04-09

Family

ID=90547032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311436577.2A Pending CN117852683A (zh) 2023-11-01 2023-11-01 一种生鲜配送的智能分拣及多退少补的通用方法

Country Status (1)

Country Link
CN (1) CN117852683A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006036478A (ja) * 2004-07-28 2006-02-09 Kubota Corp 農産物の出荷管理システム
US20130248425A1 (en) * 2010-09-14 2013-09-26 Sven Kunnen Fish-sorting device and method
CN111445197A (zh) * 2020-06-17 2020-07-24 北京每日优鲜电子商务有限公司 一种生鲜食品配送方法
CN111724006A (zh) * 2019-03-18 2020-09-29 北京京东尚科信息技术有限公司 一种任务组合方法、数据处理方法和装置
CN115846219A (zh) * 2022-11-30 2023-03-28 深圳进化动力数码科技有限公司 生鲜分拣机器人的分拣抓取方法、系统、设备及存储介质
CN116786431A (zh) * 2023-08-04 2023-09-22 北京德诚科技有限责任公司 货品分拣方法及货品分拣设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006036478A (ja) * 2004-07-28 2006-02-09 Kubota Corp 農産物の出荷管理システム
US20130248425A1 (en) * 2010-09-14 2013-09-26 Sven Kunnen Fish-sorting device and method
CN111724006A (zh) * 2019-03-18 2020-09-29 北京京东尚科信息技术有限公司 一种任务组合方法、数据处理方法和装置
CN111445197A (zh) * 2020-06-17 2020-07-24 北京每日优鲜电子商务有限公司 一种生鲜食品配送方法
CN115846219A (zh) * 2022-11-30 2023-03-28 深圳进化动力数码科技有限公司 生鲜分拣机器人的分拣抓取方法、系统、设备及存储介质
CN116786431A (zh) * 2023-08-04 2023-09-22 北京德诚科技有限责任公司 货品分拣方法及货品分拣设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯晓春;胡祥培;: "蔬菜B2C直销中基于批配送模式的拣货方案序贯求解方法", 运筹与管理, no. 11, 25 November 2018 (2018-11-25) *

Similar Documents

Publication Publication Date Title
CN111369016B (zh) 一种基于图像识别的现场运维方法及系统
CN101315670B (zh) 特定被摄体检测装置及其学习装置和学习方法
CN116629577A (zh) 一种基于大数据的智能化供应链管理系统
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
CN109670546B (zh) 一种基于预设模板的商品匹配及数量回归识别算法
CN111160469A (zh) 一种目标检测系统的主动学习方法
WO2023084543A1 (en) System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis
CN111881958A (zh) 车牌分类识别方法、装置、设备及存储介质
CN113902710A (zh) 基于异常检测算法进行工业零件表面缺陷检测方法及系统
CN114140013A (zh) 一种基于xgboost的评分卡生成方法、装置及设备
CN115752683A (zh) 一种基于深度相机的体重预估方法、系统及终端
CN117315380B (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
CN111126264A (zh) 图像处理方法、装置、设备及存储介质
CN114255377A (zh) 一种智能货柜的差异商品检测分类方法
CN117852683A (zh) 一种生鲜配送的智能分拣及多退少补的通用方法
CN110543805A (zh) 基于图像识别和智能调配的电力应急物资需求提报平台
Tanamal et al. House price prediction model using random forest in surabaya city
Kumari et al. CertiMart: Use Computer Vision to Digitize and Automate Supermarket with Fruit Quality Measuring and Maintaining
CN111428698A (zh) 一种模型样本采集方法、更新方法、电子设备及存储介质
Hu et al. Fast-Speed Image Recognition System on Retail Commodity Image
CN111898417B (zh) 货柜系统、货品检测装置及方法
KR102532197B1 (ko) 객체탐지모형을 적용한 주가등락 예측장치
Maesya et al. Mobile Phone Price Prediction Based on Supervised Learning Algorithms
CN117152258B (zh) 一种管道生产智慧车间的产品定位方法及系统
KR102496501B1 (ko) 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치

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