CN118176407A - 计量系统、支承体控制系统、计量方法以及计量程序 - Google Patents
计量系统、支承体控制系统、计量方法以及计量程序 Download PDFInfo
- Publication number
- CN118176407A CN118176407A CN202280071282.7A CN202280071282A CN118176407A CN 118176407 A CN118176407 A CN 118176407A CN 202280071282 A CN202280071282 A CN 202280071282A CN 118176407 A CN118176407 A CN 118176407A
- Authority
- CN
- China
- Prior art keywords
- amount
- separation
- voxel
- density
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 50
- 239000000463 material Substances 0.000 claims abstract description 301
- 238000000926 separation method Methods 0.000 claims abstract description 209
- 238000003780 insertion Methods 0.000 claims description 115
- 230000037431 insertion Effects 0.000 claims description 115
- 238000010801 machine learning Methods 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 36
- 238000005303 weighing Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 description 22
- 235000013305 food Nutrition 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 238000005192 partition Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G9/00—Methods of, or apparatus for, the determination of weight, not provided for in groups G01G1/00 - G01G7/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
计量系统具有:量估计部,其根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离集合而得到的材料片的部分集合的估计量;以及分离位置决定部,其根据至少一个估计量,将从集合分离规定量的材料片的位置决定为分离位置。
Description
技术领域
本公开的一个方面涉及计量系统、支承体控制系统、计量方法以及计量程序。
背景技术
专利文献1记载了根据商品的尺寸、订货个数和塑料框的尺寸将商品分类的分类装置。
现有技术文献
专利文献
专利文献1:日本特开2018-52626号公报
发明内容
发明要解决的课题
期望用于确定规定量的材料片的结构。
用于解决课题的手段
本公开的一个方面的计量系统具有:量估计部,其根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离集合而得到的材料片的部分集合的估计量;以及分离位置决定部,其根据至少一个估计量,将从集合分离规定量的材料片的位置决定为分离位置。
本公开的一个方面的计量方法由具有至少一个处理器的计量系统执行,该计量方法包含以下步骤:根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离集合而得到的材料片的部分集合的估计量;以及根据至少一个估计量,将从集合分离规定量的材料片的位置决定为分离位置。
本公开的一个方面的计量程序使计算机执行以下步骤:根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离集合而得到的材料片的部分集合的估计量;以及根据至少一个估计量,将从集合分离规定量的材料片的位置决定为分离位置。
发明效果
根据本公开的一个方面,能够确定规定量的材料片。
附图说明
图1是示出计量系统的功能结构的一例的图。
图2是示出分离位置的一例的图。
图3是示出在计量系统中使用的计算机的硬件结构的一例的图。
图4是示出计量系统中的处理的一例的流程图。
图5是用于说明体素的图。
图6是示出分离候选位置的设定的一例的图。
图7是示出估计量与实际量的关系的一例的曲线图。
图8是用于说明分离位置的决定的曲线图。
图9是示出计量系统的功能结构和应用的一例的图。
图10是示出决定插入位置的一例的流程图。
图11是示出插入候选位置的设定的一例的图。
图12是示出假想路径的一例的图。
图13是示出决定分离位置的一例的流程图。
图14是示出取出材料片并分离的一系列处理的一例的流程图。
具体实施方式
以下,参照附图详细说明本公开中的实施方式。在附图的说明中,对相同或同等要素标注相同的标号,并省略重复说明。
[第1例]
(系统的结构)
一例的计量系统1是决定从根据质量而管理的材料片的集合分离规定量的材料片的位置的计算机系统。材料片是形成得相对较小的各个材料。例如,材料片用于制造给定的产品。“根据质量而管理的材料片”是如下材料片:由于基于个数的管理非常困难或事实上不可能,因此,根据质量进行管理。作为根据质量而管理的材料片的例子,可举出粒状或粉状的材料、被较细地裁断的材料、作为熟料提供的材料,但不限于此。在一例中,该材料片是根据质量而定量地管理的食品。在本公开中,“食品”包含食品添加剂。作为材料片的管理的例子,可举出保管、测量、分离和使用,但不限于此。在本公开中,也将“根据质量而管理的材料片”简称作“材料片”。计量系统1决定从这样的材料片的集合分离规定量的材料片的位置。在本公开中,也将该位置称作“分离位置”。基于上述的材料片的性质,根据材料片的个数得到规定量的材料片是非常困难的或者事实上是不可能的。计量系统1为了分离这样的材料片,对拍摄有材料片的集合的图像即集合图像进行分析来决定分离位置。
图1是示出计量系统1的功能结构的一例的图。在一例中,作为功能模块,计量系统1具有图像处理部11、密度估计部12、量估计部13、校正部14、分离位置决定部15和学习部16。图像处理部11是对拍摄有材料片的集合的集合图像进行预处理以决定分离位置的功能模块。密度估计部12是根据该集合图像来估计材料片的集合的密度的功能模块。在一例中,密度估计部12使用受理集合图像的输入而输出密度的机器学习模型20来执行该估计。量估计部13是根据该密度来计算分离材料片的集合而得到的材料片的部分集合的估计量的功能模块。量估计部13设定作为分离位置候选的至少一个分离候选位置(例如多个分离候选位置),针对各个分离候选位置计算其估计量。校正部14是根据需要校正该估计量的功能模块。分离位置决定部15是根据估计出的密度决定分离位置的功能模块。分离位置决定部15例如根据使用该密度计算出的至少一个估计量,从至少一个分离候选位置中决定分离位置。学习部16是通过机器学习生成在密度估计部12中使用的机器学习模型20的功能模块。因此,机器学习模型20是学习完毕模型。在一例中,学习部16生成后述的两种机器学习模型20,以下根据需要将这两种与机器学习模型21、22进行区分。
图2是示出分离位置的一例的图。在该例子中,根据质量而定量地管理的食品210的集合盛装于支承体200上,计量系统1决定用于将规定量的食品210追加到规定副食品中的分离位置220。副食品例如是食物、盒饭等这样的提供给顾客的商品。食品210是副食品的材料,例如是裁断食品。
计量系统1能够通过任意种类的计算机来实现。该计算机可以是个人计算机、商业服务器等通用计算机,也可以组装于执行特定处理的专用装置。计量系统1可以通过1个计算机来实现,也可以通过具有多个计算机的分布式系统来实现。
图3是示出在计量系统1中使用的计算机100的硬件结构的一例的图。在该例子中,计算机100具有主体110、监视器120和输入设备130。
主体110是执行计算机的主要功能的装置。主体110具有电路160,电路160具有至少1个处理器161、内存162、存储器163、输入输出端口164和通信端口165。存储器163记录用于构成主体110的各功能模块的程序。存储器163是硬盘、非易失性半导体存储器、磁盘、光盘等计算机可读取的记录介质。内存162临时存储从存储器163加载的程序、处理器161的运算结果等。处理器161与内存162协作来执行程序,由此,构成各功能模块。输入输出端口164根据来自处理器161的指令,与监视器120或输入设备130之间进行电信号的输入输出。输入输出端口164也可以与其他装置之间进行电信号的输入输出。通信端口165按照来自处理器161的指令,经由通信网络N与其他装置之间进行数据通信。
监视器120是用于显示从主体110输出的信息的装置。监视器120只要能够进行图形显示,则可以是任何监视器,作为其具体例,可举出液晶面板。
输入设备130是用于向主体110输入信息的装置。输入设备130只要能够输入期望的信息,则可以是任何装置,作为其具体例,可举出小键盘、鼠标和操作控制器等操作接口。
监视器120和输入设备130也可以一体化为触摸面板。例如,可以如平板电脑那样对主体110、监视器120和输入设备130进行一体化。
计量系统1的各功能模块通过在处理器161或内存162上读入计量程序并使处理器161执行该程序来实现。计量程序包含用于实现计量系统1的各功能模块的代码。处理器161根据计量程序使输入输出端口164或通信端口165动作,执行内存162或存储器163中的数据的读出以及写入。
计量程序可以固定地记录于CD-ROM、DVD-ROM、半导体存储器等非临时性记录介质而提供。或者,计量程序也可以作为叠加于载波的数据信号经由通信网络提供。
(计量方法)
作为本公开的计量方法的一例,参照图4说明由计量系统1执行的处理过程的一例。图4是示出计量系统1中的处理的一例作为处理流程S1的流程图。即,计量系统1执行处理流程S1。
在步骤S11中,图像处理部11取得拍摄有材料片的集合的集合图像。该集合图像可以是静态图像,也可以是构成影像的一个帧图像。在一例中,图像处理部11取得拍摄有材料片的集合的深度图像。或者,图像处理部11也可以取得拍摄有材料片的集合的RGB图像和深度图像的组。图像处理部11也可以接收从摄像头或其他计算机发送来的集合图像。或者,图像处理部11也可以受理由用户输入的集合图像,还可以根据用户输入从给定的存储装置读出集合图像。
在步骤S12中,图像处理部11针对该集合图像设定多个体素。图像处理部11对集合图像中拍摄到的材料片的集合设定多个体素。在本公开中,体素是作为最小单位处理的假想三维形状。
图5是用于说明体素的图。在一例中,各个体素300是根据沿着集合图像的平面方向定义的X轴及Y轴和沿着集合图像的进深方向定义的Z轴设定的长方体。在一例中,图像处理部11针对集合图像的各个像素设定体素300。各个体素300由沿着X轴方向的长度Δx的边、沿着Y轴方向的长度Δy的边和沿着Z轴方向的长度z(x、y)的边规定。z(x、y)是配置于XY平面上的位置(x、y)的体素在Z轴方向上的长度。长度Δx和Δy在全部体素300中是共同的。另一方面,长度z(x、y)为沿着Z轴方向的从材料片的集合的下表面到上表面的距离,取决于材料片的集合的形状和放置有该集合的支承面的形状中的至少一个而在各个体素300中可能有所不同。
在一例中,图像处理部11对集合图像进行分析,确定可能存在材料片的区域,对该区域设定多个体素。在使用深度图像的情况下,图像处理部11对该深度图像进行分析,针对各个体素计算进深方向的距离,根据该距离设定各个体素的长度z(x、y)。
返回图4,在步骤S13中,密度估计部12分别针对多个体素计算体素密度和类值。体素密度是指体素中的材料片的密度。类值是表示在体素中是否存在材料片的值。在一例中,类值通过表示在体素内不存在材料片的“0”和表示在体素内存在材料片的“1”这样的二值来表现。
在一例中,密度估计部12使用受理集合图像的输入而输出体素密度的机器学习模型21,分别针对多个体素计算体素密度。机器学习模型21对集合图像进行处理,来分别针对多个体素计算体素密度dx、y(I;θ)。“dx、y(I;θ)”这样的表述是通过利用具有参数组θ的机器学习模型21对集合图像I进行处理而得到的、配置于位置(x、y)的体素的体素密度。
在一例中,密度估计部12使用受理集合图像的输入而输出类值的机器学习模型22,分别针对多个体素计算类值。机器学习模型22对集合图像进行处理,来分别针对多个体素计算类值cx、y(I;θ)。“cx、y(I;θ)”这样的表述是通过利用具有参数组θ的机器学习模型22对集合图像I进行处理而得到的、配置于位置(x、y)的体素的类值。
在步骤S14中,量估计部13根据各个体素量,分别针对多个分离候选位置计算材料片的部分集合的估计量。体素量是指体素中的材料片的量。量估计部13在设定有多个体素的区域中设定多个分离候选位置。然后,量估计部13针对各个分离候选位置,计算通过该分离候选位置处的分离而得到的材料片的部分集合的估计量。例如,量估计部13从材料片的集合的端部朝向该集合的中央按照给定的间隔设定多个分离候选位置,针对各个分离候选位置计算估计量。
在一例中,量估计部13通过式(1)计算各个分离候选位置处的估计量m(I;θ)。
式(1)是计算与存在于从可能存在材料片的集合的区域中设定的基准位置到分离候选位置的区间的多个体素对应的多个体素量的总和作为材料片的部分集合的估计量。所估计的各个体素量是体素密度dx、y(I;θ)与体素体积z(x、y)ΔxΔy之积,因此,表示质量。在一例中,量估计部13根据从深度图像得到的进深方向的距离,计算该体素体积。在类值cx、y(I;θ)是上述两个值的情况下,如果某一个体素的类值是1,则直接使用该体素的体素量,如果其类值是0,则该体素量被视为0。
如式(1)所示,量估计部13分别针对多个体素,根据体素密度计算体素量。例如,量估计部13针对各体素,根据类值和体素密度计算体素量。量估计部13根据各体素的体素量,计算估计量m(I;θ)。式(1)示出计算基于材料片的集合的密度和部分集合的体积的部分集合的估计质量作为估计量的一例。
在一例中,量估计部13在可能存在材料片的集合的区域的一端设定基准位置,从该基准位置起每隔给定的间隔设定多个分离候选位置。量估计部13可以根据体素的边的长度即Δx和Δy中的至少一方设定其间隔,例如,也可以将Δx的倍数和Δy的倍数中的至少一方设定为其间隔。图6是示出分离候选位置的设定的一例的图,将图2所示的支承体200示作可能存在材料片的集合的区域。量估计部13例如将该支承体200的一端设定为基准位置230,沿着Y轴每隔间隔(n×Δy)设定多个分离候选位置240(n为正整数)。即,量估计部13也可以沿着表示材料片的集合所处的现实空间的坐标系的一个坐标轴设定多个分离候选位置。
在一例中,在步骤S14中,校正部14分别针对多个分离候选位置校正估计量。校正部14根据过去计算出的估计量的样本组与在对应于该估计量的分离位置处过去实际分离出的材料片的实际量的样本组之间的关系,校正估计量。这些样本组的数据预先存储于给定的数据库。校正部14参照该数据库,求出估计量与实际量的关系。
图7是示出该关系的一例的曲线图。该曲线图的纵轴和横轴分别表示估计量和实际量。曲线图上的各个采样点400表示估计量与实际量的对应。校正部14执行基于这些采样点400的回归分析,来求出表示估计量mpred与实际量mact的关系的一次式即mpred=a·mact+b。表示估计量mpred与实际量mact的理想关系的一次式为mpred=mact。图7示出通过回归分析得到的一次式410和将实际量视为真值的理想的一次式420。校正部14求出用于将估计量与实际量的关系从一次式410转换为一次式420的校正系数,使用该校正系数校正针对各分离候选位置的估计量。在图7的例子中,该校正系数是一次式410的斜率的倒数1/a和用于消除一次式410的截距的-b。例如,在将由量估计部13计算出的估计量mpred′最终校正为估计量mpred *的情况下,校正部14计算mpred *=mpred′/a-b。
返回图4,在步骤S15中,分离位置决定部15从多个分离候选位置中决定分离位置。在一例中,分离位置决定部15将使估计量与规定量之间的误差最小的分离候选位置决定为分离位置。在基于质量的决定中,分离位置决定部15将使估计质量与规定质量之间的误差最小的分离候选位置决定为分离位置。估计量是根据各个体素量计算的,因此,可以说分离位置根据多个体素各自的体素量而决定。
再次参照图6对基于误差的分离位置的决定进行说明。在图6的例子中,将沿着Y轴方向的范围设为[0,ymax]。y=0与基准位置230对应,y=ymax与最远离基准位置230的分离候选位置240对应。在该情况下,分离位置决定部15将由式(2)表示的分离候选位置y*决定为分离位置。
y*=argminy||mtarget-m(I;θ)|,subject to y∈[0,ymax]...(2)
式(2)是从范围[0,ymax]取得估计量m(I;θ)与规定量mtarget之间的误差最小的分离候选位置y*。
图8是用于说明使用式(2)的分离位置决定的曲线图。曲线图501的纵轴表示估计量,横轴表示沿着Y方向的分离候选位置。曲线图502的纵轴表示估计量与规定量的误差,横轴表示沿着Y方向的分离候选位置。横轴的0表示基准位置230,y*表示目标位置。在从基准位置230起依次求出估计量和误差的情况下,随着分离候选位置发生变化,估计量变大,因此,误差变小。当越过某个分离候选位置时,此次,该误差变大。最小误差可以是大于0的值。
返回图4,在步骤S16中,分离位置决定部15输出所决定的分离位置。例如,分离位置决定部15也可以朝向从材料片的集合中分离规定量的材料片的装置输出该分离位置。或者,分离位置决定部15也可以将该分离位置存储于存储器163等存储部。或者,分离位置决定部15也可以以基于文本、计算机图形(CG)的动态图像或静态图像等形式将该分离位置显示于监视器120上。
[机器学习]
如上所述,密度估计部12也可以使用机器学习模型20来计算体素密度或者类值。在一例中,为了执行处理流程S1,学习部16预先生成机器学习模型20,密度估计部12使用该机器学习模型20来计算体素密度或者类值。学习部16对机器学习模型20的生成相当于学习阶段。密度估计部12对机器学习模型20的利用相当于运用阶段。
如上所述,学习部16通过机器学习生成机器学习模型20。机器学习是通过根据给定的信息反复地学习来自主地找出法则或规则的方法。机器学习模型20是使用算法和数据构造而构建的。在一例中,机器学习模型20是由卷积神经网络(CNN)等神经网络构建的计算模型。
在一例中,学习部16执行基于图像中设定的各个像素(体素)的类值的估计结果与对应于该估计结果的正解之间的误差的机器学习,来生成机器学习模型22。为了进行该机器学习,准备掩模图像Imask作为训练数据,该掩模图像Imask将类值的正解cgt_x、y(I)与拍摄有材料片的集合的原图像Iorg的各像素关联起来。学习部16例如访问将多个掩模图像Imask作为训练数据存储的给定的数据库,对各个掩模图像Imask执行以下的处理。即,学习部16将掩模图像Imask输入到给定的机器学习模型,得到从该机器学习模型输出的各个像素的类值的估计结果。学习部16执行基于该估计结果与各类值的正解之间的误差的反向传播(误差反向传播法),更新机器学习模型内的参数组。学习部16反复进行该学习直到满足给定的结束条件为止,来得到机器学习模型22。
在一例中,学习部16执行基于部分集合的估计量与对应于该估计量的正解之间的误差的机器学习,来生成机器学习模型21。为了进行机器学习,准备包含掩模图像Imask、分离位置yobs、与该分离位置对应的材料片的部分集合的量的正解mobs、各像素中的进深方向的距离的正解zobs(x、y)在内的记录作为训练数据。学习部16例如访问将多个该记录作为训练数据存储的给定的数据库,对各个记录执行以下的处理。即,学习部16将掩模图像输入到给定的机器学习模型,得到从该机器学习模型输出的各个像素的体素密度的估计结果。学习部分16根据该估计结果计算与分离位置yobs对应的部分集合的估计量。然后,学习部16执行基于该估计量与正解mobs的误差的反向传播(误差反向传播法),来更新机器学习模型内的参数组。学习部16反复进行该学习直到满足给定的结束条件为止,来得到机器学习模型21。
需注意所生成的机器学习模型20是被估计为最佳的计算模型,不一定是“现实中最佳的计算模型”。
机器学习模型20能够在计算机系统之间移植。因此,密度估计部12也可以使用由其他计算机系统生成的机器学习模型20。
[第2例]
(系统的结构)
一例的计量系统2是决定用于从堆积于给定的区域的材料片组取出材料片的集合的支承体的插入位置并决定用于从该集合分离规定量的材料片的分离位置的计算机系统。插入位置是支承体插入到材料片组的位置。在一例中,插入位置是将支承体插入到材料片组以从该材料片组取出规定量以上的材料片的集合的位置。支承体是用于支承材料片的集合的构造体。例如,支承体可以是具有铲子(schop)、勺、铲(shovel)等这样的形状的工具。
图9是示出计量系统2的功能结构和应用的一例的图。在一例中,计量系统2经由通信网络与第1机器人3、第2机器人4、摄像头5及计量器6连接。通信网络中的至少一部分可以是有线网络,也可以是无线网络。通信网络中的至少一部分可以构成为包含互联网和内部网中的至少一方。或者,通信网络中的至少一部分也可以单纯地通过1根通信线缆来实现。在计量器6上配置收纳材料片组90的第1容器81。即,材料片组90堆积于第1容器81这样的规定区域。在第1容器81的附近,配置用于接收所计量的材料片、即规定量的材料片的第2容器82。
第1机器人3是从第1容器81内的材料片组90取出材料片的集合并将从该集合得到的规定量的材料片转移至第2容器82的机械。第1机器人3具有支承体3a作为用于进行该作业的末端执行器,该支承体3a具有铲这样的形状。
第2机器人4是从支承体3a上的材料片的集合分离规定量的材料片的机械。在一例中,第2机器人4在该分隔之前使材料片的集合平整。第2机器人4具有分隔板4a作为用于进行这些作业的末端执行器。
在一例中,分隔板4a的外缘形成为与支承体3a的内侧面的形状对应。例如,与支承体3a具有平坦的底面相应地,分隔板4a的下端沿着水平方向呈直线状延伸。在该情况下,该下端也能够用于使材料片的集合平整。
摄像头5是拍摄作为拍摄有材料片组90的图像的区域图像和作为拍摄有材料片的集合的图像的集合图像的摄像装置。摄像头5也可以是输出彩色图像(RGB)和深度(D)双方的RGB-D摄像头。
计量器6是测量收纳材料片组90的第1容器81的质量的设备。计量器6具有能够测量由支承体3a从材料片组90抬起材料片的集合时的材料片组90的质量的减少量的精度。
作为功能性结构要素,计量系统2具有取出功能30、分离功能40和机器人控制部50。取出功能30是用于从材料片组90取出材料片的集合的功能模块组。分离功能40是用于从该集合分离规定量的材料片的功能模块组。机器人控制部50是控制第1机器人3和第2机器人4的功能模块。
取出功能30包含插入位置决定部31、形状确定部32、路径设定部33和量计算部34。插入位置决定部31是根据区域图像决定用于从材料片组90取出材料片的集合的支承体3a的插入位置的功能模块。形状确定部32是根据区域图像确定材料片组90的上表面的形状的功能模块。路径设定部33是设定通过材料片组90中的支承体3a的假想路径的功能模块。量计算部34是将由通过该假想路径的支承体3a取出的材料片的集合的量计算为取出量的功能模块。插入位置决定部31与形状确定部32、路径设定部33及量计算部34中的至少一个协作来决定插入位置。例如,插入位置决定部31也可以设定作为插入位置候选的至少一个插入候选位置(例如多个插入候选位置),根据各个插入候选位置的取出量决定插入位置。或者,插入位置决定部31也可以根据材料片组90的上表面的形状决定插入位置。在图9所示的例子中,插入位置决定部31具有形状确定部32、路径设定部33和量计算部34,作为子模块。这4个功能模块之间的层级关系没有限定,例如,插入位置决定部31、形状确定部32、路径设定部33和量计算部34可以彼此独立地相互协作。总之,取出功能30是支承体控制系统的一例。
分离功能40包含密度估计部41、量估计部42、校正部43和分离位置决定部44。密度估计部41是估计材料片的集合的密度的功能模块。量估计部42是根据该密度计算分离材料片的集合而得到的材料片的部分集合的估计量的功能模块。量估计部42设定作为分离位置的候选的至少一个分离候选位置(例如多个分离候选位置),针对各个分离候选位置计算其估计量。校正部43是根据需要校正其估计量的功能模块。分离位置决定部44是根据估计出的密度决定分离位置的功能模块。分离位置决定部44例如根据使用该密度而计算出的至少一个估计量,从至少一个分离候选位置中决定分离位置。
机器人控制部50根据来自取出功能30或者分离功能40的输出,控制第1机器人3或者第2机器人4。机器人控制部50根据由插入位置决定部31决定的插入位置控制第1机器人3,第1机器人3利用支承体3a从材料片组90抬起材料片的集合。机器人控制部50也可以控制第2机器人4来使第2机器人4执行使材料片的集合的上表面平整的处理。机器人控制部50根据由分离位置决定部44决定的分离位置控制第2机器人4,第2机器人4利用分隔板4a从材料片的集合分离规定量的材料片。机器人控制部50控制第1机器人3来使第1机器人3执行将规定量的材料片转移至第2容器82内的处理。
计量系统2的各功能模块通过在处理器161或内存162上读入计量程序并使处理器161执行该程序来实现。计量程序包含用于实现计量系统2的各功能模块的代码。处理器161根据计量程序使输入输出端口164或通信端口165动作,执行内存162或存储器163中的数据的读出以及写入。
计量程序也可以以划分为用于实现取出功能30的第1程序(支承体控制程序)和用于实现分离功能40的第2程序的形式提供。第1程序和第2程序都可以由记录介质或经由通信网络提供。
(支承体控制方法)
作为本公开的支承体控制方法的一例,参照图10对支承体插入到材料片组90的插入位置的决定进行说明。图10是示出计量系统2的该处理的一例作为处理流程S2的流程图。即,计量系统2执行处理流程S2。
在步骤S21中,插入位置决定部31从摄像头5取得拍摄有材料片组90的区域图像。该区域图像至少拍摄材料片组90的上表面(上侧的露出面)。区域图像可以是静态图像,也可以是构成影像的一个帧图像。在一例中,插入位置决定部31取得拍摄有材料片组90的深度图像。或者,插入位置决定部31也可以取得拍摄有材料片组90的RGB图像和深度图像的组。在摄像头5拍摄区域图像时,机器人控制部50控制第1机器人3和第2机器人4各自的姿势,以使材料片组90不会被第1机器人3和第2机器人4遮挡。
在步骤S22中,插入位置决定部31根据该区域图像,分别针对多个插入候选位置计算取出量。在一例中,路径设定部33针对由区域图像表示的材料片组90设定多个插入候选位置,针对各个插入候选位置通过模拟来设定假想路径。假想路径的起点为插入候选位置,假想路径的终点为支承体3a从材料片组90拔出的时刻的该支承体3a的位置。路径量计算部34分别针对多个假想路径,计算由在该假想路径上行进的支承体3a得到的取出量。
图11是示出插入候选位置的设定的一例的图。例如,路径设定部33沿着与水平方向上的支承体3a的行进方向对应的坐标轴(在图11中为Y轴)设定多个插入候选位置600。或者,路径设定部33也可以沿着水平方向上的两个坐标轴(在图11中为X轴和Y轴)设定多个插入候选位置600。在一例中,路径设定部33在准备有材料片组90的区域中的能够插入支承体3a来取出材料片的集合的范围内,设定多个插入候选位置600。例如,路径设定部33在能够不与第1容器81干扰地将支承体3a插入到材料片组90来取出材料片的集合的范围内设定多个插入候选位置600。路径设定部33也可以每隔规定的间隔设定插入候选位置600。或者,也可以是形状确定部32根据区域图像确定材料片组90的上表面91的形状,路径设定部33根据该形状设定多个插入候选位置600。例如,路径设定部33可以在上表面91中的隆起部分的底部附近设定插入候选位置600,也可以在上表面91中的凹陷部位设定插入候选位置600。即,路径设定部33也可以根据上表面91的凹凸设定多个插入候选位置600。
图12是示出虚拟路径的一例的图。该图示出从插入候选位置600插入到材料片组90而之后从该材料片组90取出的支承体3a的假想路径。在状态S101,倾斜的支承体3a的底面的前端在插入候选位置600与材料片组90相接。在状态S102,该支承体3a沿着铅垂方向插入到材料片组90。接着,在状态S103~状态S104,所插入的支承体3a维持铅垂方向上的底面的前端的位置,并旋转直到底面成为水平为止。在状态S105,使成为水平的支承体3a向前方移动规定的距离。在状态S106,移动的支承体3a被抬起至材料片组90之上。在所抬起的支承体3a上载置有材料片的集合95。在一例中,路径设定部33通过几何学计算来计算遍及状态S101~S106地移动的支承体3a的路径。路径设定部33能够执行考虑了支承体3a的尺寸、插入时的支承体3a的倾斜角度、第1容器81的尺寸、第1容器81的内周面与支承体3a的外周面的间隔中的至少一个的几何学计算。支承体3a的尺寸包含长度、宽度和深度中的至少一个。第1容器81的尺寸包含长度、宽度和深度(高度)中的至少一个。
量计算部34分别针对多个假想路径,计算由在该假想路径上行进的支承体3a得到的取出量。该取出量与作为假想路径的起点的插入候选位置对应。在一例中,量计算部34计算假想路径上的从支承体3a的底面到材料片组90的上表面的距离的平均值(即,以支承体3a的底面为基准的材料片组90的上表面的平均高度),作为取出量。或者,量计算部34也可以计算在假想路径上位于比支承体3a的底面靠上方的材料片的总体积,作为取出量。或者,量计算部34也可以计算根据该总体积和预先设定的材料片组的密度得到的质量,作为取出量。在根据质量决定分离位置的情况下,取出量也可以通过体积或平均高度来表示。例如,根据与支承体3a的容积的关系,预先设定能够期待最终得到规定量的材料片的体积或平均高度的范围。量计算部34能够根据该设定范围,将总体积或平均高度用作取出量。
返回图10,在步骤S23中,插入位置决定部31根据计算出的多个取出量,从多个插入候选位置中决定插入位置。在一例中,插入位置决定部31将与最终能够分离规定量的材料片的取出量对应的一个插入候选位置决定为插入位置。即,插入位置决定部31可以将与规定量以上的取出量对应的一个插入候选位置决定为插入位置。例如,插入位置决定部31也可以将与计算出的多个取出量中的最大值对应的插入候选位置决定为插入位置。或者,插入位置决定部31还可以根据计算出的多个取出量与规定量之差决定插入位置,例如,也可以将该差最小的插入候选位置决定为插入位置。
在步骤S24中,插入位置决定部31输出所决定的插入位置。在一例中,插入位置决定部31将该插入位置输出到机器人控制部50。
(计量方法)
作为本公开的计量方法的一例,参照图13对用于得到规定量的材料片的分离位置的决定进行说明。图13是示出该处理的一例作为处理流程S3的流程图。计量系统2在第1机器人3根据由处理流程S2决定的插入位置利用支承体3a从第1容器81取出材料片的集合之后,执行处理流程S3。
在步骤S31中,密度估计部41取得材料片组90的质量的减少量。密度估计部41从计量器6取得取出材料片的集合之前的第1容器81的质量和取出该集合之后的第1容器81的质量。然后,密度估计部41得到这两个质量之差作为减少量。
在步骤S32中,密度估计部41估计所取出的材料片的集合的体积。在一例中,密度估计部41取得由摄像头5拍摄到的集合图像,与上述的步骤S12同样地,针对该集合图像中拍摄到的材料片的集合设定多个体素。然后,密度估计部41分别针对多个体素计算体积(即体素体积)。如在第1例中说明的那样,体素体积表示为z(x、y)ΔxΔy。密度估计部41计算多个体素体积之和作为材料片的集合的体积。
在步骤S33中,密度估计部41根据减少量和体积估计材料片的集合的密度。
在步骤S34中,量估计部42分别针对多个分离候选位置计算材料片的部分集合的估计量。在一例中,与上述的步骤S14同样地,量估计部42针对各分离候选位置计算估计量(例如估计质量)。即,量估计部42设定多个分离候选位置,根据与多个体素对应的多个体素量,针对各分离候选位置计算估计量。量估计部42也可以将用于设定分离候选位置的基准位置设定为支承体3a的前端或者后端。量估计部42使用在步骤S33中估计出的密度作为体素密度,因此,体素密度在多个体素之间相同。量估计部42也可以在不使用类值的情况下,计算体素密度与体素体积之积作为体素量。在步骤S34中,校正部43也可以分别针对多个分离候选位置计算估计量。该校正也与步骤S14相同。
在步骤S35中,分离位置决定部44从多个分离候选位置中决定分离位置。该处理与上述的步骤S15相同。分离位置决定部44也可以将使估计量与规定量之间的误差最小的分离候选位置决定为分离位置。在基于质量的决定中,分离位置决定部44也可以将使估计质量与规定质量之间的误差最小的分离候选位置决定为分离位置。
在步骤S36中,分离位置决定部44输出所决定的分离位置。在一例中,插入位置决定部31将该分离位置输出到机器人控制部50。
(包含支承体控制方法的计量方法)
参照图14对从材料片组90取出材料片的集合来从该集合得到规定量的材料片这样的一系列处理进行说明。图14是示出该处理的一例作为处理流程S4的流程图。即,计量系统2执行处理流程S4。
在步骤S41中,计量系统2的取出功能30决定支承体3a插入到材料片组90的插入位置。该处理与上述的处理流程S2对应。
在步骤S42中,机器人控制部50根据该插入位置控制第1机器人3来从材料片组90取出材料片的集合。在一例中,机器人控制部50生成表示用于将支承体3a从插入位置插入到材料片组90来取出材料片的集合的第1机器人3的轨道的路径。机器人控制部50也可以采用与所决定的插入位置对应的假想路径作为该路径。机器人控制部50生成基于该路径的指示信号,将该指示信号发送到第1机器人3。第1机器人3根据该指示信号,将支承体3a插入到材料片组90上的插入位置,(例如,如图12所示)使支承体3a在材料片组90中前进,从材料片组90抬起材料片的集合。在一例中,在取出材料片的集合之后,机器人控制部50控制第2机器人4来使该集合的上表面平整。例如,机器人控制部50根据从摄像头5得到的集合图像,生成表示用于利用分隔板4a使材料片的集合的上表面平整的第2机器人4的轨道的路径。机器人控制部50生成基于该路径的指示信号,将该指示信号发送到第2机器人4。第2机器人4根据该指示信号,利用分隔板4a使材料片的集合的上表面平整。
在步骤S43中,计量系统2的分离功能40决定用于得到规定量的材料片的分离位置。该处理与上述的处理流程S3对应。
在步骤S44中,机器人控制部50根据该分离位置控制第2机器人4来从材料片的集合分离规定量的材料片。在一例中,机器人控制部50生成表示用于在分离位置将分隔板4a插入到材料片的集合来将该集合分离为规定量的部分(以下将其称为“指定部分”)和残存部分的第2机器人4的轨道的路径。机器人控制部50生成基于该路径的指示信号,将该指示信号发送到第2机器人4。第2机器人4根据该指示信号,将分隔板4a插入到材料片的集合上的分离位置,将该分隔板4a降低至支承体3a的底面。机器人控制部50还生成表示第1机器人3的轨道的第1路径和表示第2机器人4的轨道的第2路径,以将规定量的材料片转移至第2容器82。例如,机器人控制部50也可以生成第1路径和第2路径,以实现如下一系列作业:利用分隔板4a使残存部分返回第1容器81而在支承体3a上留下指定部分,将该指定部分转移至第2容器82。或者,例如,机器人控制部50也可以生成第1路径和第2路径,以实现如下一系列作业:利用分隔板4a将指定部分转移至第2容器82,接着使支承体3a上的残存部分返回第1容器81。机器人控制部50生成基于第1路径的第1指示信号,将该第1指示信号发送到第1机器人3。此外,机器人控制部50生成基于第2路径的第2指示信号,将该第2指示信号发送到第2机器人4。第1机器人3和第2机器人4根据这些指示信号协作地将规定量的材料片转移至第2容器82。
也可以针对材料片组90反复执行处理流程S4。在该情况下,从第1容器81向第2容器82每次转移规定量的材料片。
[变形例]
以上根据各种例子详细说明了本公开。但是,本公开不限于上述的例子。本公开能够在不脱离其主旨的范围内进行各种变形。
计量系统也可以在不对集合图像设定体素的情况下估计材料片的集合的密度,根据该密度决定分离位置。
计量系统也可以分别针对多个体素,在不计算体素密度的情况下,直接求出体素量。
计量系统也可以在不设定多个分离候选位置的情况下,根据材料片的集合的密度决定分离位置。或者,计量系统也可以设定一个分离候选位置,计算与该分离候选位置对应的材料片的集合的估计量,根据该估计量决定分离位置。
如上所述,由计量系统或者支承体控制系统处理的材料片的密度可以是均匀的,也可以根据材料片的集合内的场所而不同。一般而言,可举出颗粒或粉体的食品作为密度均匀的材料片的例子,可举出裁断食品作为密度不同的材料片的例子。无论材料片的种类如何,计量系统都可以通过上述的第1例中的方法和第2例中的方法中的任意一种来估计材料片的密度。在以材料片的密度均匀为前提的情况下,计量系统也可以在不估计密度的情况下,根据预先设定的密度决定分离位置。
插入位置决定部也可以设定一个插入候选位置,计算与该插入候选位置对应的取出量,根据该取出量决定插入位置。或者,插入位置决定部也可以在不进行插入候选位置的设定和取出量的估计的情况下,根据区域图像确定材料片组的上表面的形状,根据该形状决定插入位置。例如,插入位置决定部可以将材料片组的上表面中的隆起部分的底部附近的位置决定为插入位置,也可以将该上表面中的凹陷部位设定为插入位置。即,插入位置决定部也可以根据上表面的凹凸决定插入位置。
也可以独立地提供第2例中的取出功能30和分离功能40。例如,也可以提供取出功能30作为支承体控制系统。或者,也可以在不具有取出功能30的情况下,提供分离功能40作为计量系统。
计量系统也可以不具有分离位置决定部。在该情况下,计量系统如上述的第1例或第2例那样估计材料片的部分集合的估计量,输出该估计量。
计量系统的硬件结构不限于通过程序的执行来实现各功能模块的方式。例如,上述的功能模块组中的至少一部分可以由专用于该功能的逻辑电路构成,也可以由集成有该逻辑电路的ASIC(Application Specific Integrated Circuit:专用集成电路)构成。
由至少一个处理器执行的方法的处理过程不限于上述的例子。例如,可以省略上述的步骤或处理的一部分,也可以按照其他顺序执行各步骤。此外,可以组合上述步骤中的2个以上的步骤,或者也可以修改或删除步骤的一部分。或者,也可以在上述各步骤的基础上执行其他步骤。
在计算机系统或计算机内比较两个数值的大小关系时,可以使用“以上”和“大于”这样的两个基准中的任意一个,也可以使用“以下”和“小于”这样的两个基准中的任意一个。
[第1附记]
根据上述的各种例子可知,本公开包含以下所示的方式。
(附记1)
一种计量系统,其具有:
量估计部,其根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离所述集合而得到的所述材料片的部分集合的估计量;以及
分离位置决定部,其根据至少一个所述估计量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
(附记2)
根据附记1所述的计量系统,其中,
所述计量系统还具有插入位置决定部,所述插入位置决定部根据拍摄有堆积于给定的区域的材料片组的区域图像,决定用于从该材料片组取出所述规定量以上的所述集合的支承体的插入位置,
所述量估计部根据拍摄有由从所述插入位置插入到所述材料片组的所述支承体取出的所述集合的所述集合图像,分别针对所述至少一个分离候选位置计算所述估计量。
(附记3)
根据附记2所述的计量系统,其中,
所述插入位置决定部设定在所述材料片组中通过的所述支承体的假想路径,
所述插入位置决定部计算由通过所述假想路径的所述支承体取出的所述集合的量作为取出量,
所述插入位置决定部根据所述取出量决定所述插入位置。
(附记4)
根据附记2或3所述的计量系统,其中,
所述插入位置决定部根据所述区域图像确定所述材料片组的上表面的形状,
所述插入位置决定部根据所述上表面的形状决定所述插入位置。
(附记5)
根据附记1~4中的任意一项所述的计量系统,其中,
所述计量系统还具有图像处理部,所述图像处理部对所述集合图像中拍摄到的所述集合设定多个体素,
所述量估计部分别针对所述多个体素估计与该体素对应的所述材料片的量作为体素量,
所述量估计部根据多个所述体素量计算所述估计量。
(附记6)
根据附记1~5中的任意一项所述的计量系统,其中,
所述至少一个分离候选位置包含多个分离候选位置,
所述分离位置决定部从所述多个分离候选位置中将使所述估计量与所述规定量之间的误差最小的所述分离候选位置决定为所述分离位置。
(附记7)
根据附记6所述的计量系统,其中,
所述量估计部沿着表示所述集合所处的现实空间的坐标系的一个坐标轴,设定所述多个分离候选位置,
所述分离位置决定部从所述多个分离候选位置中决定所述分离位置。
(附记8)
根据附记1~7中的任意一项所述的计量系统,其中,
所述计量系统还具有密度估计部,所述密度估计部根据所述集合图像估计所述集合的密度,
所述量估计部根据所述密度和所述部分集合的体积计算所述估计量。
(附记9)
根据附记8所述的计量系统,其中,
所述集合图像是深度图像,
所述量估计部根据从所述深度图像得到的进深方向的距离计算所述体积,
(附记10)
根据附记8或9所述的计量系统,其中,
所述密度估计部根据从堆积于给定的区域的材料片组取出所述集合时的该材料片组的质量的减少量和该取出的集合的体积,估计所述密度。
(附记11)
根据附记8所述的计量系统,其中,
所述计量系统还具有图像处理部,所述图像处理部对所述集合图像中拍摄到的所述集合设定多个体素,
所述密度估计部分别针对所述多个体素,计算该体素中的所述材料片的密度作为体素密度,
所述量估计部分别针对所述多个体素,根据所述体素密度计算该体素中的所述材料片的量作为体素量,
所述量估计部根据多个所述体素量计算所述估计量。
(附记12)
根据附记11所述的计量系统,其中,
所述密度估计部使用受理所述集合图像的输入而输出所述体素密度的机器学习模型,分别针对所述多个体素计算所述体素密度。
(附记13)
根据附记12所述的计量系统,其中,
所述计量系统还具有学习部,所述学习部执行基于所述部分集合的估计量与对应于该估计量的正解之间的误差的机器学习来生成所述机器学习模型。
(附记14)
根据附记11所述的计量系统,其中,
所述密度估计部分别针对所述多个体素,估计表示在该体素中是否存在所述材料片的类值,
所述量估计部分别针对所述多个体素,根据所述类值和所述体素密度计算所述体素量。
(附记15)
根据附记14所述的计量系统,其中,
所述密度估计部使用受理所述集合图像的输入而输出所述类值的机器学习模型,分别针对所述多个体素计算所述类值。
(附记16)
根据附记1~15中的任意一项所述的计量系统,其中,
所述计量系统还具有校正部,所述校正部根据由所述量估计部过去计算出的所述估计量的样本组与在对应于该估计量的所述分离位置处过去实际分离出的所述材料片的实际量的样本组之间的关系,校正所述估计量,
所述分离位置决定部根据所述校正后的多个估计量决定所述分离位置。
(附记17)
一种支承体控制系统,其具有:
路径设定部,其根据拍摄有堆积于给定的区域的根据质量而管理的材料片组的区域图像,设定在该材料片组中通过的支承体的假想路径;以及
插入位置决定部,其根据所述假想路径,决定用于从所述材料片组取出根据质量而管理的材料片的集合的所述支承体的插入位置。
(附记18)
一种计量系统,其具有:
图像处理部,其根据拍摄有根据质量而管理的材料片的集合的集合图像,针对该集合设定多个体素;
密度估计部,其分别针对所述多个体素,计算该体素中的所述材料片的密度作为体素密度;
体素量计算部,其分别针对所述多个体素,根据所述体素密度计算该体素中的所述材料片的量作为体素量;以及
量估计部,其根据多个所述体素量计算分离所述集合而得到的所述材料片的部分集合的估计量。
(附记19)
一种计量方法,由具有至少一个处理器的计量系统执行,该计量方法包含以下步骤:
根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离所述集合而得到的所述材料片的部分集合的估计量;以及
根据至少一个所述估计量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
(附记20)
一种计量程序,使计算机执行以下步骤:
根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离所述集合而得到的所述材料片的部分集合的估计量;以及
根据至少一个所述估计量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
根据附记1、19、20,根据集合图像计算各个分离候选位置处的估计量,根据该估计量决定分离位置。因此,能够确定规定量的材料片。
根据附记2,根据拍摄有材料片组的区域图像,决定用于从该材料片组取出规定量以上的材料片的集合的支承体的插入位置。通过该处理,能够可靠地从材料片组取出最终能够得到规定量的材料片的集合。
根据附记3,由于考虑材料片组中的支承体的路径以及与该路径对应的取出量来决定插入位置,因此,能够更可靠地从材料片组取出规定量以上的材料片的集合。
根据附记4,由于根据材料片组的上表面的形状决定插入位置,因此,能够根据材料片组的状况适当地决定插入位置。
根据附记5,针对集合图像设定多个体素,估计各个体素中的量。通过该处理,即使在集合内的材料片的分布不均匀的情况下,也能够确定规定量的材料片。
根据附记6,分别针对多个分离候选位置,将想要分类的材料片的估计量与规定量进行比较,将双方的误差最小的分离候选位置决定为分离位置。因此,能够更可靠地确定规定量的材料片。
根据附记7,沿着一个坐标轴设定多个分离候选位置,因此,分离候选位置的设定变得简单,相应地能够简单地决定分离位置。
根据附记8,根据集合图像估计材料片的集合的密度,根据该密度和部分集合的体积计算估计量。因此,能够更准确地计算部分集合的估计量。
根据附记9,能够通过使用深度图像来高精度地计算体积,因此,相应地能够提高估计量的计算精度。
根据附记10,通过将取出材料片的集合时的材料片组的质量的减少量用作该集合的质量,不需要实际上测量该集合的质量。相应地,能够简单地求出材料片的集合的估计量。
根据附记11,通过对集合图像设定多个体素,求出各个体素中的材料片的密度和量,即使在集合内的材料片的密度不均匀的情况下,也能够高精度地决定分离位置。
根据附记12,通过利用机器学习,能够适应于材料片的各种分布而高精度地求出体素密度。
根据附记13,通过根据部分集合的估计量而不是关于各个体素的值,使输出体素密度的机器学习模型进行学习,能够降低学习的负荷。
根据附记14,通过考虑各个体素中的材料片的有无,能够排除不应被考虑的体素,高精度地计算想要分离的材料片的估计量。因此,能够进一步提高分离位置的精度。
根据附记15,通过利用机器学习,能够针对材料片的多种分布高精度地求出类值。
根据附记16,根据过去得到的估计量与实际量之间的关系校正计算出的估计量,因此,能够进一步提高分离位置的精度。
根据附记17,由于考虑材料片组中的支承体的路径来决定插入位置,因此,能够适当地决定用于取出材料片的集合的支承体的插入位置。
根据附记18,针对集合图像设定多个体素,计算各个体素中的材料片的密度和量。通过该处理,即使在材料片的集合内的密度不均匀的情况下,也能够准确地计算该集合的估计量。
[第2附记]
根据上述的各种例子可知,本公开还包含以下所示的方式。
(附记1)
一种计量系统,其具有:
密度估计部,其根据拍摄有根据质量而管理的材料片的集合的图像,估计该集合的密度;以及
决定部,其根据所述密度,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
(附记2)
根据附记1所述的计量系统,其中,
所述计量系统还具有量估计部,所述量估计部根据所述密度,分别针对作为所述分离位置的候选的多个候选位置,计算在该候选位置处分离所述集合而得到的所述材料片的部分集合的估计量,
所述决定部从所述多个候选位置中将使所述估计量与所述规定量之间的误差最小的所述候选位置决定为所述分离位置。
(附记3)
根据附记2所述的计量系统,其中,
所述量估计部沿着表示所述集合所处的现实空间的坐标系的一个坐标轴,设定所述多个候选位置,
所述决定部从所述多个候选位置中决定所述分离位置。
(附记4)
根据附记2或3所述的计量系统,其中,
所述量估计部计算基于所述密度与所述部分集合的体积的所述部分集合的估计质量作为所述估计量,
所述决定部将使所述估计质量与规定质量的所述误差最小的所述候选位置决定为所述分离位置。
(附记5)
根据附记4所述的计量系统,其中,
所述图像是深度图像,
所述量估计部根据从所述深度图像得到的进深方向的距离计算所述体积。
(附记6)
根据附记2~5中的任意一项所述的计量系统,其中,
所述计量系统还具有图像处理部,该图像处理部对所述图像中拍摄到的所述集合设定多个体素,
所述量估计部分别针对所述多个体素,计算该体素中的所述材料片的量作为体素量,
所述量估计部根据所述多个体素各自的所述体素量,计算所述部分集合的所述估计量。
(附记7)
根据附记6所述的计量系统,其中,
所述密度估计部分别针对所述多个体素,计算该体素中的所述材料片的密度作为体素密度,
所述量估计部分别针对所述多个体素,根据所述体素密度计算所述体素量。
(附记8)
根据附记7所述的计量系统,其中,
所述密度估计部使用受理所述图像的输入而输出所述体素密度的机器学习模型,分别针对所述多个体素计算所述体素密度。
(附记9)
根据附记8所述的计量系统,其中,
所述计量系统还具有学习部,该学习部执行基于所述部分集合的估计量与对应于该估计量的正解之间的误差的机器学习来生成所述机器学习模型。
(附记10)
根据附记7~9中的任意一项所述的计量系统,其中,
所述密度估计部分别针对所述多个体素,估计表示在该体素中是否存在所述材料片的类值,
所述量估计部分别针对所述多个体素,根据所述类值和所述体素密度计算所述体素量。
(附记11)
根据附记10所述的计量系统,其中,
所述密度估计部使用受理所述图像的输入而输出所述类值的机器学习模型,分别针对所述多个体素计算所述类值。
(附记12)
根据附记2~11中的任意一项所述的计量系统,其中,
所述计量系统还具有校正部,所述校正部根据由所述量估计部过去计算出的所述估计量的样本组与在对应于该估计量的所述分离位置处过去实际分离出的所述材料片的实际量的样本组之间的关系,校正所述估计量,
所述决定部将使所述校正后的估计量与所述规定量之间的误差最小的所述候选位置决定为所述分离位置。
(附记13)
一种计量系统,其具有:
图像处理部,其根据拍摄有根据质量而管理的材料片的集合的图像,针对该集合设定多个体素;
量估计部,其分别针对所述多个体素,估计与该体素对应的所述材料片的量;以及
决定部,其根据所述多个体素各自的所述估计出的量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
(附记14)
根据附记1~13中的任意一项所述的计量系统,其中,
所述材料片是定量地管理的食品,
所述决定部决定用于将所述规定量的所述食品追加到规定的副食品的所述分离位置。
(附记15)
一种计量方法,由具有至少一个处理器的计量系统执行,该计量方法包含以下步骤:
基于拍摄有根据质量而管理的材料片的集合的图像,估计该集合的密度;以及
根据所述密度,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
(附记16)
一种计量程序,使计算机执行以下步骤:
根据拍摄有根据质量而管理的材料片的集合的图像,估计该集合的密度;以及
根据所述密度,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
(附记17)
一种计量方法,由具有至少一个处理器的计量系统执行,该计量方法包含以下步骤:
基于根据质量而管理的材料片的集合的图像,针对该集合设定多个体素;
分别针对所述多个体素,估计与该体素对应的所述材料片的量;以及
根据所述多个体素各自的所述估计出的量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
(附记18)
一种计量程序,使计算机执行以下步骤:
基于根据质量而管理的材料片的集合的图像,针对该集合设定多个体素;
分别针对所述多个体素,估计与该体素对应的所述材料片的量;以及
根据所述多个体素各自的所述估计出的量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
根据附记1、15、16,根据图像估计材料片的集合的密度,根据该密度决定分离位置。因此,能够确定规定量的材料片。
根据附记2,分别针对多个候选位置,将想要分离的材料片的估计量与规定量进行比较,将双方的误差最小的候选位置决定为分离位置。因此,能够更可靠地确定规定量的材料片。
根据附记3,沿着一个坐标轴设定多个候选位置,因此,候选位置的设定变得简单,相应地能够简单地决定分离位置。
根据附记4,根据质量设定分离位置,因此,能够根据材料片的性质高精度地决定分离位置。
根据附记5,通过使用深度图像能够高精度地计算体积,因此,相应地也能够提高质量的计算精度。
根据附记6,通过对图像设定多个体素,求出各个体素中的体素量,即使在集合内的材料片的分布不均匀的情况下,也能够高精度地决定分离位置。
根据附记7,通过考虑体素密度,能够高精度地计算体素量,相应地能够高精度地决定分离位置。
根据附记8,通过利用机器学习,能够适应于材料片的多种分布而高精度地求出体素密度。
根据附记9,通过根据部分集合的估计量而不是关于各个体素的值,使输出体素密度的机器学习模型进行学习,能够降低学习的负荷。
根据附记10,通过考虑各个体素中的材料片的有无,能够排除不应考虑的体素来高精度地计算想要分离的材料片的估计量。因此,能够进一步提高分离位置的精度。
根据附记11,通过利用机器学习,能够针对材料片的多种分布高精度地求出类值。
根据附记12,根据过去得到的估计量与实际量之间的关系校正计算出的估计量,因此,能够进一步提高分离位置的精度。
根据附记13、17、18,针对图像设定多个体素,估计各个体素中的量,根据这些量决定分离位置。通过该处理,即使在集合内的材料片的分布不均匀的情况下,也能够确定规定量的材料片。
根据附记14,能够确定规定量的食品,进而能够更容易地制造副食品。
标号说明
1、2:计量系统;3:第1机器人;3a:支承体;4:第2机器人;4a:分隔板;5:摄像头;6:计量器;11:图像处理部;12:密度估计部;13:量估计部;14:校正部;15:分离位置决定部;16:学习部;20~22:机器学习模型;30:取出功能;31:插入位置决定部;32:形状确定部;33:路径设定部;34:量计算部;40:分离功能;41:密度估计部;42:量估计部;43:校正部;44:分离位置决定部;50:机器人控制部;81:第1容器;82:第2容器;90:材料片组;210:食品;200:支承体;220:分离位置;230:基准位置;240:分离候选位置;300:体素;600:插入候选位置。
Claims (20)
1.一种计量系统,其具有:
量估计部,其根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离所述集合而得到的所述材料片的部分集合的估计量;以及
分离位置决定部,其根据至少一个所述估计量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
2.根据权利要求1所述的计量系统,其中,
所述计量系统还具有插入位置决定部,所述插入位置决定部根据拍摄有堆积于给定的区域的材料片组的区域图像,决定用于从该材料片组取出所述规定量以上的所述集合的支承体的插入位置,
所述量估计部根据拍摄有由从所述插入位置插入到所述材料片组的所述支承体取出的所述集合的所述集合图像,分别针对所述至少一个分离候选位置计算所述估计量。
3.根据权利要求2所述的计量系统,其中,
所述插入位置决定部设定在所述材料片组中通过的所述支承体的假想路径,
所述插入位置决定部计算由通过所述假想路径的所述支承体取出的所述集合的量作为取出量,
所述插入位置决定部根据所述取出量决定所述插入位置。
4.根据权利要求2所述的计量系统,其中,
所述插入位置决定部根据所述区域图像确定所述材料片组的上表面的形状,
所述插入位置决定部根据所述上表面的形状决定所述插入位置。
5.根据权利要求1~4中的任意一项所述的计量系统,其中,
所述计量系统还具有图像处理部,所述图像处理部对所述集合图像中拍摄到的所述集合设定多个体素,
所述量估计部分别针对所述多个体素,估计与该体素对应的所述材料片的量作为体素量,
所述量估计部根据多个所述体素量计算所述估计量。
6.根据权利要求1~4中的任意一项所述的计量系统,其中,
所述至少一个分离候选位置包含多个分离候选位置,
所述分离位置决定部从所述多个分离候选位置中将使所述估计量与所述规定量之间的误差最小的所述分离候选位置决定为所述分离位置。
7.根据权利要求6所述的计量系统,其中,
所述量估计部沿着表示所述集合所处的现实空间的坐标系的一个坐标轴设定所述多个分离候选位置,
所述分离位置决定部从所述多个分离候选位置中决定所述分离位置。
8.根据权利要求1~4中的任意一项所述的计量系统,其中,
所述计量系统还具有密度估计部,所述密度估计部根据所述集合图像估计所述集合的密度,
所述量估计部根据所述密度和所述部分集合的体积计算所述估计量。
9.根据权利要求8所述的计量系统,其中,
所述集合图像是深度图像,
所述量估计部根据从所述深度图像得到的进深方向的距离计算所述体积。
10.根据权利要求8所述的计量系统,其中,
所述密度估计部根据从堆积于给定的区域的材料片组取出所述集合时的该材料片组的质量的减少量和该取出的集合的体积,估计所述密度。
11.根据权利要求8所述的计量系统,其中,
所述计量系统还具有图像处理部,所述图像处理部对所述集合图像中拍摄到的所述集合设定多个体素,
所述密度估计部分别针对所述多个体素,计算该体素中的所述材料片的密度作为体素密度,
所述量估计部分别针对所述多个体素,根据所述体素密度计算该体素中的所述材料片的量作为体素量,
所述量估计部根据多个所述体素量计算所述估计量。
12.根据权利要求11所述的计量系统,其中,
所述密度估计部使用受理所述集合图像的输入而输出所述体素密度的机器学习模型,分别针对所述多个体素计算所述体素密度。
13.根据权利要求12所述的计量系统,其中,
所述计量系统还具有学习部,所述学习部执行基于所述部分集合的估计量与对应于该估计量的正解之间的误差的机器学习来生成所述机器学习模型。
14.根据权利要求11所述的计量系统,其中,
所述密度估计部分别针对所述多个体素,估计表示在该体素中是否存在所述材料片的类值,
所述量估计部分别针对所述多个体素,根据所述类值和所述体素密度计算所述体素量。
15.根据权利要求14所述的计量系统,其中,
所述密度估计部使用受理所述集合图像的输入而输出所述类值的机器学习模型,分别针对所述多个体素计算所述类值。
16.根据权利要求1~4中的任意一项所述的计量系统,其中,
所述计量系统还具有校正部,所述校正部根据由所述量估计部过去计算出的所述估计量的样本组与在对应于该估计量的所述分离位置处过去实际分离出的所述材料片的实际量的样本组之间的关系,校正所述估计量,
所述分离位置决定部根据所述校正后的多个估计量,决定所述分离位置。
17.一种支承体控制系统,其具有:
路径设定部,其根据拍摄有堆积于给定的区域的根据质量而管理的材料片组的区域图像,设定在该材料片组中通过的支承体的假想路径;以及
插入位置决定部,其根据所述假想路径,决定用于从所述材料片组取出根据质量而管理的材料片的集合的所述支承体的插入位置。
18.一种计量系统,其具有:
图像处理部,其根据拍摄有根据质量而管理的材料片的集合的集合图像,针对该集合设定多个体素;
密度估计部,其分别针对所述多个体素,计算该体素中的所述材料片的密度作为体素密度;
体素量计算部,其分别针对所述多个体素,根据所述体素密度计算该体素中的所述材料片的量作为体素量;以及
量估计部,其根据多个所述体素量,计算分离所述集合而得到的所述材料片的部分集合的估计量。
19.一种计量方法,由具有至少一个处理器的计量系统执行,该计量方法包含以下步骤:
根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离所述集合而得到的所述材料片的部分集合的估计量;以及
根据至少一个所述估计量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
20.一种计量程序,使计算机执行以下步骤:
根据拍摄有根据质量而管理的材料片的集合的集合图像,分别针对至少一个分离候选位置,计算在该分离候选位置分离所述集合而得到的所述材料片的部分集合的估计量;以及
根据至少一个所述估计量,将从所述集合分离规定量的所述材料片的位置决定为分离位置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-175346 | 2021-10-27 | ||
JP2021175346 | 2021-10-27 | ||
PCT/JP2022/040228 WO2023074818A1 (ja) | 2021-10-27 | 2022-10-27 | 計量システム、支持体制御システム、計量方法、および計量プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118176407A true CN118176407A (zh) | 2024-06-11 |
Family
ID=86159484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280071282.7A Pending CN118176407A (zh) | 2021-10-27 | 2022-10-27 | 计量系统、支承体控制系统、计量方法以及计量程序 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JPWO2023074818A1 (zh) |
CN (1) | CN118176407A (zh) |
WO (1) | WO2023074818A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3637960B2 (ja) * | 2000-06-22 | 2005-04-13 | 住友金属鉱山株式会社 | 高温状態にある粒状物集合体の体積若しくは重量測定法 |
JP5346748B2 (ja) * | 2009-09-01 | 2013-11-20 | 勝三 川西 | 切断位置指示装置及び方法 |
CN203177944U (zh) * | 2013-04-08 | 2013-09-04 | 贵州茅台酒股份有限公司 | 一种颗粒物计数装置 |
WO2020044510A1 (ja) * | 2018-08-30 | 2020-03-05 | 株式会社オプティム | コンピュータシステム、物体検知方法及びプログラム |
KR102234533B1 (ko) * | 2020-05-11 | 2021-03-31 | 주식회사 보고넷 | 전기로 전력 투입제어를 위한 인공지능 장입 고철 분류를 이용한 인공지능 원재료 분석 서비스 제공 방법 |
-
2022
- 2022-10-27 CN CN202280071282.7A patent/CN118176407A/zh active Pending
- 2022-10-27 JP JP2023556650A patent/JPWO2023074818A1/ja active Pending
- 2022-10-27 WO PCT/JP2022/040228 patent/WO2023074818A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JPWO2023074818A1 (zh) | 2023-05-04 |
WO2023074818A1 (ja) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436238B (zh) | 点云配准精度的评估方法、装置和电子设备 | |
US7881917B2 (en) | Apparatus simulating operations between a robot and workpiece models | |
JP5671281B2 (ja) | 位置姿勢計測装置、位置姿勢計測装置の制御方法及びプログラム | |
CN110176075A (zh) | 通过视觉系统同时考虑图像特征中边缘和法线的系统和方法 | |
US11094082B2 (en) | Information processing apparatus, information processing method, robot system, and non-transitory computer-readable storage medium | |
US11546506B2 (en) | Imaging apparatus, imaging method, imaging program, and imaging system | |
CN113065810B (zh) | 检测包裹的方法、装置、计算设备、物流系统及存储介质 | |
CN108120391A (zh) | 信息处理设备和方法、存储介质和物品制造方法 | |
US9360966B2 (en) | Method for generally continuously calibrating an interactive input system | |
CN112513563B (zh) | 作业机械的搬运物确定装置、作业机械、作业机械的搬运物确定方法、补全模型的生产方法以及学习用数据集 | |
CN103703341B (zh) | 图案测量装置以及图案测量方法 | |
EP4317910A1 (en) | Computer program, model generation method, estimation method and estimation device | |
CN118176407A (zh) | 计量系统、支承体控制系统、计量方法以及计量程序 | |
US11494889B2 (en) | Imaging evaluation map, imaging evaluation map generating device, imaging evaluation map generating method, and imaging evaluation map generating program | |
CN111739164A (zh) | 箱体建模方法、装置、机器人拣选系统、电子设备及介质 | |
Blomqvist et al. | Semi-automatic 3D object keypoint annotation and detection for the masses | |
CN114556385A (zh) | 信息处理装置以及信息处理方法 | |
CN112101145A (zh) | 基于svm分类器的移动机器人位姿估计方法 | |
EP4174788A1 (en) | Learning program, learning method, and information processing apparatus | |
CN113345023B (zh) | 箱体的定位方法、装置、介质和电子设备 | |
JP2013053920A (ja) | 3次元物体位置検出装置、そのプログラム | |
EP3467764A1 (en) | Image processing method and image processing apparatus | |
Murray et al. | Environment modeling with stereo vision | |
CN110595363A (zh) | 一种三维虚拟建模方法、系统、装置及存储介质 | |
JP6819810B1 (ja) | 物体検出システム、及び物体検出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |