如何使用机器视觉来计算仓库中的托盘箱

作者:Tigervs    发布时间:2019-08-10    浏览量:

虽然亚马逊和安静物流等公司已经采用机器人来运营他们的仓库,但大多数批发分销商仍然依赖于手工劳动,而只是开始更密切地关注物流自动化解决方案。让机器至少完成一些仓库工作的想法很诱人,因为管理庞大的存储是一项艰巨的任务,而人类工作人员往往做不到这一点。做一些单调乏味的工作,比如在托盘上计数盒子,人们很容易感到疲倦并开始犯错误。除此之外,不幸的是,人类操作员并不完全可靠。这会导致金钱和时间的损失,这是每个人都希望避免的。

如何使用机器视觉来计算仓库中的托盘箱

那么,如果我们决定在这个过程中引入自动化并使用相机和图像分析软件计算纸箱呢?经过适当的编程,机器可以快速有效地工作。他们既不会厌倦也不会尝试作弊。他们完成工作所需的一切都是指令,可以直接编程,也可以从机器学习过程中获得。如果我们希望此指令准确,则要分析的图像应具有合理的质量并包含所需的所有信息。

可能的机器视觉解决方

在计数框的情况下,基本图像分析策略将包括几次图像分割迭代:首先,将托盘与堆叠在其上的盒子与周围场景分开(其可以包括与该特定托盘无关的其他包装) ),然后将每个盒子与托盘上的所有其他盒子和托盘本身分开。为了成功执行此任务,软件应正确找到纸箱的所有边缘,并且不要将任何其他功能的箱边误认为是错误的。

训练神经网络

今天,存在几种非常精确的边缘检测技术,例如Canny边缘检测器,Sobel算子,Marr-Hildreth算法,以及它们的修改和组合。这些和其他算法可以用作卷积神经网络(CNN)的层。深度神经网络代表了一组用于数据分析和分类的最先进技术,并且CNN在图像分析中表现出特别好的结果。神经网络使用与他们最终解释的图像类似的大量图像进行训练。该信息允许他们构建与他们学习识别的对象相对应的特征模式。

训练CNN计算托盘上的方框需要数千张图像才能使其预测与人类一样准确,并且可以不断扩展训练集以提高输出精度。

根据音量计算方框

另一种可能的方法是需要向图像添加一个轴。它假定托盘上的盒子属于同一类型并占据相同的空间。它还涉及场景的3D重建,因此需要立体摄像机和红外接近传感器。

这个想法是基于计算整个装载托盘占用的体积,然后仅计算盒子(托盘和中间体积提取),最后计算单个盒子的体积。知道所有盒子和一个盒子占用的体积,机器可以很容易地找到托盘上的盒子数量:

使用机器视觉计算盒子体积的公式

机器会受损

在完美的仓库世界中,所有托盘都按照现有的TI-HI标准进行堆叠,图像分析算法显示出最佳状态。不幸的是,并非总是如此。在现实生活中,出现了一些可能影响图像分析软件性能的挑战:

1、不准确的码垛:如果盒子堆叠的方式没有订单,即使通过顶视图和侧视图也可能无法检测到其中一些。

2、照明 条件:光量不足会产生噪音,使边缘检测更加困难。

3、阴影:它们可能被误解为框边缘。

4、包裹胶片:它反射光线并遮挡盒子形状。

5、不同类型的包装:包装的形状,大小和颜色的变化应该是最小的,以便软件识别和解释它们作为相同类型的对象。

准确性就是一切

使机器视觉成为仓库管理系统的一部分可以为自动化带来显着的投资回报。但为了最大化利润,物流公司应该以提高自动视觉检测软件效率的方式修改现有的码垛作业。标准化的仓库操作越多,机器就可以执行越多的操作。在未来,我们可以期待全自动仓库的出现,其中所有装载,分类和计数都由机器人执行。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1