CN109034694B - 基于智能制造的生产原料智能存储方法及*** - Google Patents

基于智能制造的生产原料智能存储方法及*** Download PDF

Info

Publication number
CN109034694B
CN109034694B CN201810761717.6A CN201810761717A CN109034694B CN 109034694 B CN109034694 B CN 109034694B CN 201810761717 A CN201810761717 A CN 201810761717A CN 109034694 B CN109034694 B CN 109034694B
Authority
CN
China
Prior art keywords
production raw
raw materials
intelligent
raw material
processing sequence
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.)
Expired - Fee Related
Application number
CN201810761717.6A
Other languages
English (en)
Other versions
CN109034694A (zh
Inventor
陈宇
黄其湘
段鑫
何德辉
邹兵
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.)
Guangdong Renli Intelligent Engineering Co ltd
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
Guangdong Renli Intelligent Engineering Co ltd
Guangdong Institute of Intelligent Manufacturing
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 Guangdong Renli Intelligent Engineering Co ltd, Guangdong Institute of Intelligent Manufacturing filed Critical Guangdong Renli Intelligent Engineering Co ltd
Priority to CN201810761717.6A priority Critical patent/CN109034694B/zh
Publication of CN109034694A publication Critical patent/CN109034694A/zh
Application granted granted Critical
Publication of CN109034694B publication Critical patent/CN109034694B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于智能制造的生产原料智能存储方法及***，其中所述生产原料智能存储方法包括：获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；基于双目视觉***对进库的生产原料进行识别；根据识别的生产原料在仓储数据库中，获取识别的生产原料对应的数量和加工顺序；根据识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；将标签粘贴在识别的生产原料上，并基于智能传送平台将识别的生产原料传送至指定仓储位置。在本发明实施例中，通过双目视觉***对到来的生产原料识别，生成标签，在智能传送平台上对标签的信息进行读取、仓储位置分配和传送至仓储位置。

Description

基于智能制造的生产原料智能存储方法及***
技术领域
本发明涉及智能制造的仓储技术领域，尤其涉及一种基于智能制造的生产原料智能存储方法及***。
背景技术
智能仓储技术现在已非常成熟的应用在物流存储中，保证了货物仓库管理各个环节数据输入的速度和准确性，确保企业及时准确地掌握库存的真实数据，合理保持和控制企业库存；通过科学的编码，还可方便地对库存货物的批次、保质期等进行管理；利用SNHGES***的库位管理功能，更可以及时掌握所有库存货物当前所在位置，有利于提高仓库管理的工作效率。
但是在智能制造过程中，还没有较好的对生产原料进行智能存储，这样不方便在智能制造过程中对生产原料的传送和控制；将会在不同程度上影响智能制造的制造效率。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于智能制造的生产原料智能存储方法及***，通过根据生产原料的数量和加工顺序进行存储，优化生产原料的存储位置。
为了解决上述技术问题，本发明实施例提供了一种基于智能制造的生产原料智能存储方法，所述生产原料智能仓储方法，包括：
获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；
基于双目视觉***对进库的生产原料进行识别；
根据识别的生产原料在所述仓储数据库中，获取识别的生产原料对应的数量和加工顺序；
根据所述识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；
将所述标签粘贴在所述识别的生产原料上，并基于智能传送平台将所述识别的生产原料传送至指定仓储位置。
可选的，所述标签为电子标签或二维码标签。
可选的，所述基于双目视觉***对进库的生产原料进行识别，包括：
通过所述双目视觉***获取进库的生产原料的图像；
对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息；
根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；
采用SVM算法对所述三维立体图像进行分类识别，获取识别结果。
可选的，所述基于智能传送平台将所述识别的生产原料传送至指定仓储位置，包括：
所述智能传送平台通过读取所述识别的生产原料上的标签，获得所述标签上的数量和加工顺序的信息；
所述智能传送平台获取当前仓库的空闲仓储位置；
根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，获取匹配的空闲仓储位置；
所述智能传送平台将所述识别的生产原料传送至所述匹配的空闲仓储位置。
可选的，所述根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，包括：
根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置的大小和距离出口的距离进行匹配。
另外，本发明实施例还提供了一种基于智能制造的生产原料智能仓储***，所述生产原料智能仓储***，包括：
第一获取模块：用于获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；
识别模块：用于基于双目视觉***对进库的生产原料进行识别；
第二获取模块：用于根据识别的生产原料在所述仓储数据库中，获取识别的生产原料对应的数量和加工顺序；
标签生成模块：用于根据所述识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；
仓储模块：用于将所述标签粘贴在所述识别的生产原料上，并基于智能传送平台将所述识别的生产原料传送至指定仓储位置。
可选的，所述标签为电子标签或二维码标签。
可选的，所述识别模块包括：
图像获取单元：用于通过所述双目视觉***获取进库的生产原料的图像；
图像处理单元：用于对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息；
三维重构单元：用于根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；
分类识别单元：用于采用SVM算法对所述三维立体图像进行分类识别，获取识别结果。
可选的，所述仓储模块包括：
信息读取单元：用于所述智能传送平台通过读取所述识别的生产原料上的标签，获得所述标签上的数量和加工顺序的信息；
获取单元：用于所述智能传送平台获取当前仓库的空闲仓储位置；
匹配单元：用于根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，获取匹配的空闲仓储位置；
传送单元：用于所述智能传送平台将所述识别的生产原料传送至所述匹配的空闲仓储位置。
可选的，所述匹配单元：
用于根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置的大小和距离出口的距离进行匹配。
在本发明实施例中，通过获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；基于双目视觉***对进库的生产原料进行识别；根据识别的生产原料在仓储数据库中，获取识别的生产原料对应的数量和加工顺序；根据识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；将标签粘贴在识别的生产原料上，并基于智能传送平台将识别的生产原料传送至指定仓储位置；从而实现生产原料的优化存储，方便后续对生产原料进行加工时，在仓库中提取生产原料，加快生产原料的加工速度，提供生产效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于智能制造的生产原料智能存储方法的流程示意图；
图2是本发明实施例中的基于智能制造的生产原料智能存储***的结构组成示意图。
具体实施方式
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，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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参详图1，图1是本发明实施例中的基于智能制造的生产原料智能存储方法的流程示意图。
如图1所示，一种基于智能制造的生产原料智能仓储方法，所述生产原料智能仓储方法，包括：
S11：获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；
在具体实施过程中，在智能制造中，首先通过将要生产的产品和生产的数量，通过该产品和所需要生产的数量来获得生产该数量的该产品所需要的生产原料的种类、每种生产原料对应的数量和每种生产原料的在生产产品时候的加工顺序，在获取这些数据之后，将这些数据存储到生产原料将要存储的仓库中的仓储数据库中。
上述的数据就是基于所需要生产的产品和数量，根据生产每件该产品所需要各种原材料的数量，和生产过程中的合格率计算得到。
S12：基于双目视觉***对进库的生产原料进行识别；
在具体实施过程中，通过双目视觉***来对生产原料种类来进行识别，其中双目视觉***是模拟人的双目，通过双目视觉***中的两个不同的摄像***采集进库生产原料同一时间两个摄像头的两张图像，两张图像之间存在重叠区域，根据这两张图像进行三维重构，构建成三维图像，然后采用SVM算法进行分类识别，获得最终的识别结果。
具体的，通过所述双目视觉***获取进库的生产原料的图像；对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息；根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；采用SVM算法对所述三维立体图像进行分类识别，获取识别结果。
通过所述双目视觉***获取进库的生产原料的图像，是通过双目视觉***中的左右两个摄像机在实时拍摄进库的生产原料时，截取统一时间的分别左右两个摄像机的左右两张图像；其中双目视觉***图像截取是通过 OpenCV中的图像解码函数模块实现，该函数模块为用户提供简单易用的用户接口，其中，可以利用cvGabFrame、cvRetrieveFrame、cvCreateCameraCap-tuer函数截取需要获取的图像。
对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息其实是先对图像进行预处理，其中就包括了进行边缘检测处理，其中，该边缘检测处理是对获取到的两张图像进行的，因为这两张图像的边缘、角点是目标区域识别和区域形状提取中十分重要的特征信息；因此提取边缘和角点的特征信息是保证后续分类识别准确性；由于边缘是图像上灰度化最激烈的地方，因而传统的边缘检测就是领用灰度变化激烈这一特点，对图像各个像素点进行微分或求二阶微分来确定边缘像素点；在本发明实施例中，采用Sobel算子进行边缘检测处理，从而检测图像的边缘和角点的特征信息。
根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；是通过将上述边缘检测获取边缘和角点的特征信息的两张图像进行空间点三维坐标用投影矩阵进行表示，具体如下表示公式：
SLPL＝MLXw；
SRPR＝MRXw；
其中，PL和PR分别为双目视觉***中的左右摄像机中的图像坐标；ML和 MR分别为双目视觉***中的左右摄像机中的投影矩阵；Xw为空间点在坐标系中的三维坐标。
在双目视觉***中，数据是两个摄像机获得的图像，PL和PR是空间同一点P在两个图像上的投影点，PL和PR互为对应点。
双目视觉***经过参数标定后，左右两个摄像机的内部参数以及视觉***的结构参数为已知，可通过已知参数计算出基本矩阵，即可获得该双目视觉***的极线约束关系如下：
Figure BDA0001728008280000061
Figure BDA0001728008280000062
其中，F为基本矩阵，
Figure BDA0001728008280000063
为右极线，
Figure BDA0001728008280000064
左极线。
通过左右极线即可计算出空间点P在坐标系中的坐标，实现三维重构。
采用SVM算法对所述三维立体图像进行分类识别，获取识别结果； SVM算法为一种针对小样本数据进行学习、分类和预测的方法；能解决神经网络不能解决的过学习问题；在采用SVM算法分类识别之前，首先进行训练，SVM算法的训练过程为二次优化过程，SVM算法能够自适应地确定中心点的位置和个数，权值和阈值；在对SVM算法优化后，进行三维立体图像分类识别，从而获得分类识别结果。
S13：根据识别的生产原料在所述仓储数据库中，获取识别的生产原料对应的数量和加工顺序；
在通过基于双目视觉***对入库的生产原料进行识别之后，获得该进库生产原料为具体的哪种生产原料，根据该生产原料名称在仓储数据库中进行查询，根据预先仓储在仓库数据库中进行提取该生产原料的数量和加工顺序。
S14：根据所述识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；
在具体实施过程中，根据所述识别的生产原料和对应的数量、加工顺序等信息，通过标签生产设备进行标签生成；生成的标签可以为二维码标签，也可以为电子标签；具体是仓库中的标签识别设备是二维码识别设备的，则生成二维码标签，若是读写器的，则生成电子标签。
S15：将所述标签粘贴在所述识别的生产原料上，并基于智能传送平台将所述识别的生产原料传送至指定仓储位置。
在具体实施过程中，将生成的标签粘贴在对应的生产原料上，并采用智能传送平台将粘贴了标签的生产原料传送至仓库中进行存储；智能传送平台在传送之前，首先读取标签上的信息，然后获取仓库中当前空闲的仓储位置；根据标签上的信息与当前空闲仓储位置进行匹配，获取较为合适的仓储位置，智能传送平台再将生产原料传送至该较为合适的仓储位置上存储。
具体的，所述智能传送平台获取当前仓库的空闲仓储位置；根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，获取匹配的空闲仓储位置；所述智能传送平台将所述识别的生产原料传送至所述匹配的空闲仓储位置。
其中，根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配为根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置的大小和距离出口的距离进行匹配。
在本发明实施例中，通过双目视觉***对到来的生产原料识别，生成标签，在智能传送平台上对标签的信息进行读取、仓储位置分配和传送至仓储位置。
实施例：
请参详图2，图2是本发明实施例中的基于智能制造的生产原料智能存储***的结构组成示意图。
如图2所示，一种基于智能制造的生产原料智能仓储***所述生产原料智能仓储***，包括：
第一获取模块11：用于获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；
在具体实施过程中，在智能制造中，首先通过将要生产的产品和生产的数量，通过该产品和所需要生产的数量来获得生产该数量的该产品所需要的生产原料的种类、每种生产原料对应的数量和每种生产原料的在生产产品时候的加工顺序，在获取这些数据之后，将这些数据存储到生产原料将要存储的仓库中的仓储数据库中。
上述的数据就是基于所需要生产的产品和数量，根据生产每件该产品所需要各种原材料的数量，和生产过程中的合格率计算得到。
识别模块12：用于基于双目视觉***对进库的生产原料进行识别；
在具体实施过程中，通过双目视觉***来对生产原料种类来进行识别，其中双目视觉***是模拟人的双目，通过双目视觉***中的两个不同的摄像***采集进库生产原料同一时间两个摄像头的两张图像，两张图像之间存在重叠区域，根据这两张图像进行三维重构，构建成三维图像，然后采用SVM算法进行分类识别，获得最终的识别结果。
具体的，所述识别模块12包括：图像获取单元：用于通过所述双目视觉***获取进库的生产原料的图像；图像处理单元：用于对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息；三维重构单元：用于根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；分类识别单元：用于采用SVM算法对所述三维立体图像进行分类识别，获取识别结果。
图像获取单元：用于通过所述双目视觉***获取进库的生产原料的图像；是通过双目视觉***中的左右两个摄像机在实时拍摄进库的生产原料时，截取统一时间的分别左右两个摄像机的左右两张图像；其中双目视觉***图像截取是通过OpenCV中的图像解码函数模块实现，该函数模块为用户提供简单易用的用户接口，其中，可以利用cvGabFrame、cvRetrieveFrame、cvCreateCameraCap-tuer函数截取需要获取的图像。
图像处理单元：用于对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息；其中就包括了进行边缘检测处理，其中，该边缘检测处理是对获取到的两张图像进行的，因为这两张图像的边缘、角点是目标区域识别和区域形状提取中十分重要的特征信息；因此提取边缘和角点的特征信息是保证后续分类识别准确性；由于边缘是图像上灰度化最激烈的地方，因而传统的边缘检测就是领用灰度变化激烈这一特点，对图像各个像素点进行微分或求二阶微分来确定边缘像素点；在本发明实施例中，采用Sobel算子进行边缘检测处理，从而检测图像的边缘和角点的特征信息。
三维重构单元：用于根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；是通过将上述边缘检测获取边缘和角点的特征信息的两张图像进行空间点三维坐标用投影矩阵进行表示，具体如下表示公式：
SLPL＝MLXw；
SRPR＝MRXw；
其中，PL和PR分别为双目视觉***中的左右摄像机中的图像坐标；ML和 MR分别为双目视觉***中的左右摄像机中的投影矩阵；Xw为空间点在坐标系中的三维坐标。
在双目视觉***中，数据是两个摄像机获得的图像，PL和PR是空间同一点P在两个图像上的投影点，PL和PR互为对应点。
双目视觉***经过参数标定后，左右两个摄像机的内部参数以及视觉***的结构参数为已知，可通过已知参数计算出基本矩阵，即可获得该双目视觉***的极线约束关系如下：
Figure BDA0001728008280000091
Figure BDA0001728008280000092
其中，F为基本矩阵，
Figure BDA0001728008280000093
为右极线，
Figure BDA0001728008280000094
左极线。
通过左右极线即可计算出空间点P在坐标系中的坐标，实现三维重构。
分类识别单元：用于采用SVM算法对所述三维立体图像进行分类识别，获取识别结果；SVM算法为一种针对小样本数据进行学习、分类和预测的方法；能解决神经网络不能解决的过学习问题；在采用SVM算法分类识别之前，首先进行训练，SVM算法的训练过程为二次优化过程，SVM算法能够自适应地确定中心点的位置和个数，权值和阈值；在对SVM算法优化后，进行三维立体图像分类识别，从而获得分类识别结果。
第二获取模块13：用于根据识别的生产原料在所述仓储数据库中，获取识别的生产原料对应的数量和加工顺序；
在通过基于双目视觉***对入库的生产原料进行识别之后，获得该进库生产原料为具体的哪种生产原料，根据该生产原料名称在仓储数据库中进行查询，根据预先仓储在仓库数据库中进行提取该生产原料的数量和加工顺序。
标签生成模块14：用于根据所述识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；
在具体实施过程中，根据所述识别的生产原料和对应的数量、加工顺序等信息，通过标签生产设备进行标签生成；生成的标签可以为二维码标签，也可以为电子标签；具体是仓库中的标签识别设备是二维码识别设备的，则生成二维码标签，若是读写器的，则生成电子标签。
仓储模块15：用于将所述标签粘贴在所述识别的生产原料上，并基于智能传送平台将所述识别的生产原料传送至指定仓储位置。
在具体实施过程中，将生成的标签粘贴在对应的生产原料上，并采用智能传送平台将粘贴了标签的生产原料传送至仓库中进行存储；智能传送平台在传送之前，首先读取标签上的信息，然后获取仓库中当前空闲的仓储位置；根据标签上的信息与当前空闲仓储位置进行匹配，获取较为合适的仓储位置，智能传送平台再将生产原料传送至该较为合适的仓储位置上存储。
具体的，所述仓储模块15包括：信息读取单元：用于所述智能传送平台通过读取所述识别的生产原料上的标签，获得所述标签上的数量和加工顺序的信息；获取单元：用于所述智能传送平台获取当前仓库的空闲仓储位置；匹配单元：用于根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，获取匹配的空闲仓储位置；传送单元：用于所述智能传送平台将所述识别的生产原料传送至所述匹配的空闲仓储位置。
其中，所述匹配单元：用于根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置的大小和距离出口的距离进行匹配。
在本发明实施例中，通过双目视觉***对到来的生产原料识别，生成标签，在智能传送平台上对标签的信息进行读取、仓储位置分配和传送至仓储位置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于智能制造的生产原料智能存储方法及***进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于智能制造的生产原料智能仓储方法，其特征在于，所述生产原料智能仓储方法，包括：
获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；
基于双目视觉***对进库的生产原料进行识别；
根据识别的生产原料在所述仓储数据库中，获取识别的生产原料对应的数量和加工顺序；
根据所述识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；
将所述标签粘贴在所述识别的生产原料上，并基于智能传送平台将所述识别的生产原料传送至指定仓储位置；
所述基于双目视觉***对进库的生产原料进行识别，包括：
通过所述双目视觉***获取进库的生产原料的图像；
对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息；
根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；
采用SVM算法对所述三维立体图像进行分类识别，获取识别结果；
在采用SVM算法分类识别之前，首先进行训练，SVM算法的训练过程为二次优化过程，SVM算法能够自适应地确定中心点的位置和个数，权值和阈值；在对SVM算法优化后，进行三维立体图像分类识别，从而获得分类识别结果。
2.根据权利要求1所述的生产原料智能仓储方法，其特征在于，所述标签为电子标签或二维码标签。
3.根据权利要求1所述的生产原料智能仓储方法，其特征在于，所述基于智能传送平台将所述识别的生产原料传送至指定仓储位置，包括：
所述智能传送平台通过读取所述识别的生产原料上的标签，获得所述标签上的数量和加工顺序的信息；
所述智能传送平台获取当前仓库的空闲仓储位置；
根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，获取匹配的空闲仓储位置；
所述智能传送平台将所述识别的生产原料传送至所述匹配的空闲仓储位置。
4.根据权利要求3所述的生产原料智能仓储方法，其特征在于，所述根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，包括：
根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置的大小和距离出口的距离进行匹配。
5.一种基于智能制造的生产原料智能仓储***，其特征在于，所述生产原料智能仓储***，包括：
第一获取模块：用于获取生产对应产品所需要的生产原料种类、每种生产原料对应的数量和加工顺序，并存储于仓储数据库中；
识别模块：用于基于双目视觉***对进库的生产原料进行识别；
第二获取模块：用于根据识别的生产原料在所述仓储数据库中，获取识别的生产原料对应的数量和加工顺序；
标签生成模块：用于根据所述识别的生产原料、数量和加工顺序进行标签生成处理，获取生成的标签；
仓储模块：用于将所述标签粘贴在所述识别的生产原料上，并基于智能传送平台将所述识别的生产原料传送至指定仓储位置；
所述识别模块包括：
图像获取单元：用于通过所述双目视觉***获取进库的生产原料的图像；
图像处理单元：用于对所述图像的边缘检测处理，提取所述图像的边缘和角点的特征信息；
三维重构单元：用于根据所述图像的边缘和角点的特征信息进行三维重构处理，获得三维立体图像；
分类识别单元：用于采用SVM算法对所述三维立体图像进行分类识别，获取识别结果；
在采用SVM算法分类识别之前，首先进行训练，SVM算法的训练过程为二次优化过程，SVM算法能够自适应地确定中心点的位置和个数，权值和阈值；在对SVM算法优化后，进行三维立体图像分类识别，从而获得分类识别结果。
6.根据权利要求5所述的生产原料智能仓储***，其特征在于，所述标签为电子标签或二维码标签。
7.根据权利要求5所述的生产原料智能仓储***，其特征在于，所述仓储模块包括：
信息读取单元：用于所述智能传送平台通过读取所述识别的生产原料上的标签，获得所述标签上的数量和加工顺序的信息；
获取单元：用于所述智能传送平台获取当前仓库的空闲仓储位置；
匹配单元：用于根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置进行匹配，获取匹配的空闲仓储位置；
传送单元：用于所述智能传送平台将所述识别的生产原料传送至所述匹配的空闲仓储位置。
8.根据权利要求7所述的生产原料智能仓储***，其特征在于，所述匹配单元：
用于根据所述标签上的数量和加工顺序的信息，与所述空闲仓储位置的大小和距离出口的距离进行匹配。
CN201810761717.6A 2018-07-12 2018-07-12 基于智能制造的生产原料智能存储方法及*** Expired - Fee Related CN109034694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810761717.6A CN109034694B (zh) 2018-07-12 2018-07-12 基于智能制造的生产原料智能存储方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810761717.6A CN109034694B (zh) 2018-07-12 2018-07-12 基于智能制造的生产原料智能存储方法及***

Publications (2)

Publication Number Publication Date
CN109034694A CN109034694A (zh) 2018-12-18
CN109034694B true CN109034694B (zh) 2021-02-12

Family

ID=64641343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810761717.6A Expired - Fee Related CN109034694B (zh) 2018-07-12 2018-07-12 基于智能制造的生产原料智能存储方法及***

Country Status (1)

Country Link
CN (1) CN109034694B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709913A (zh) * 2018-12-20 2019-05-03 北京动力机械研究所 智能车间物流调度***
CN109740981A (zh) * 2018-12-25 2019-05-10 华南智能机器人创新研究院 一种日化产品智能化生产的管理方法及***
CN112193716A (zh) * 2020-10-14 2021-01-08 安徽尚佰智能家居有限公司 一种油漆板材的质检及补标***
CN113283848B (zh) * 2021-07-21 2021-09-28 湖北浩蓝智造科技有限公司 一种货物入库检测方法、仓储入库***及存储介质
CN113554135A (zh) * 2021-07-28 2021-10-26 浙江百世技术有限公司 一种集备货和拣选为一体的库存区域、库存管理***及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101936761A (zh) * 2009-06-30 2011-01-05 宝山钢铁股份有限公司 大型料场料堆视觉测量方法
CN103870948A (zh) * 2014-03-20 2014-06-18 苏州佳世达电通有限公司 一种智能货架、智能仓储***及智能仓储***的控制方法
CN105600263A (zh) * 2016-02-19 2016-05-25 苏州艾斯达克智能科技有限公司 一种电子元器件存取方法及智能仓储设备
CN105974895A (zh) * 2016-05-07 2016-09-28 浙江思平智能科技有限公司 一种smd物料配送和管理***
CN107527115A (zh) * 2017-08-14 2017-12-29 震坤行工业超市(上海)有限公司 智能仓储管理方法、装置、***、及无人智能仓储设备
CN108062077A (zh) * 2017-12-08 2018-05-22 四川爱联科技有限公司 智能生产***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105338343B (zh) * 2015-10-20 2017-05-31 北京理工大学 一种基于双目感知的无参考立体图像质量评价方法
TWI666598B (zh) * 2016-12-01 2019-07-21 財團法人資訊工業策進會 存貨管理系統與存貨管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101936761A (zh) * 2009-06-30 2011-01-05 宝山钢铁股份有限公司 大型料场料堆视觉测量方法
CN103870948A (zh) * 2014-03-20 2014-06-18 苏州佳世达电通有限公司 一种智能货架、智能仓储***及智能仓储***的控制方法
CN105600263A (zh) * 2016-02-19 2016-05-25 苏州艾斯达克智能科技有限公司 一种电子元器件存取方法及智能仓储设备
CN105974895A (zh) * 2016-05-07 2016-09-28 浙江思平智能科技有限公司 一种smd物料配送和管理***
CN107527115A (zh) * 2017-08-14 2017-12-29 震坤行工业超市(上海)有限公司 智能仓储管理方法、装置、***、及无人智能仓储设备
CN108062077A (zh) * 2017-12-08 2018-05-22 四川爱联科技有限公司 智能生产***

Also Published As

Publication number Publication date
CN109034694A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109034694B (zh) 基于智能制造的生产原料智能存储方法及***
Wei et al. Deep learning for retail product recognition: Challenges and techniques
CN109685141B (zh) 一种基于深度神经网络的机器人物品分拣视觉检测方法
CN108734162B (zh) 商品图像中目标识别方法、***、设备及存储介质
CN108921061B (zh) 一种表情识别方法、装置和设备
US20210166477A1 (en) Synthesizing images from 3d models
EP3499414B1 (en) Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification
CN109446889B (zh) 基于孪生匹配网络的物体追踪方法及装置
KR102124568B1 (ko) 인공지능과 빅데이터를 이용한 이미지 인식 기반 무인 결제 시스템
Wang et al. YOLOv3‐Litchi Detection Method of Densely Distributed Litchi in Large Vision Scenes
US11907339B1 (en) Re-identification of agents using image analysis and machine learning
WO2020134102A1 (zh) 物品识别方法、装置、售货***和存储介质
CN111144284B (zh) 深度人脸图像的生成方法、装置、电子设备及介质
CN113516146A (zh) 一种数据分类方法、计算机及可读存储介质
CN112149690A (zh) 一种基于生物图像特征识别的溯源方法和溯源***
Hussain et al. A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition
CN115050080A (zh) 多无人机协同配送中基于人脸融合的目标识别方法及***
Xiao et al. Fast recognition method for citrus under complex environments based on improved YOLOv3
CN111428743B (zh) 商品识别方法、商品处理方法、装置及电子设备
CN113392747A (zh) 一种用于立体仓库的货物包装箱识别方法及***
CN110705363B (zh) 一种商品规格的识别方法与装置
CN116664857A (zh) 图像细粒度识别方法及装置、存储介质、计算机设备
US20230196558A1 (en) Medicine image recognition method, electronic device and readable storage medium
Bakhshayeshi et al. An intelligence cattle re-identification system over transport by siamese neural networks and YOLO
CN112819953B (zh) 三维重建方法、网络模型训练方法、装置及电子设备

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
CP01 Change in the name or title of a patent holder

Address after: Card 1120, 11th floor, South Ji building, No.6 Xiangxing Road, Torch Development Zone, Zhongshan City, Guangdong Province, 528437

Patentee after: GUANGDONG RENLI INTELLIGENT ENGINEERING Co.,Ltd.

Patentee after: Institute of intelligent manufacturing, Guangdong Academy of Sciences

Address before: Card 1120, 11th floor, South Ji building, No.6 Xiangxing Road, Torch Development Zone, Zhongshan City, Guangdong Province, 528437

Patentee before: GUANGDONG RENLI INTELLIGENT ENGINEERING Co.,Ltd.

Patentee before: GUANGDONG INSTITUTE OF INTELLIGENT MANUFACTURING

CP01 Change in the name or title of a patent holder
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210212