CN110443093A - 一种面向智能化的红外数字全景***及其仓库管理方法 - Google Patents
一种面向智能化的红外数字全景***及其仓库管理方法 Download PDFInfo
- Publication number
- CN110443093A CN110443093A CN201910698048.7A CN201910698048A CN110443093A CN 110443093 A CN110443093 A CN 110443093A CN 201910698048 A CN201910698048 A CN 201910698048A CN 110443093 A CN110443093 A CN 110443093A
- Authority
- CN
- China
- Prior art keywords
- cargo
- warehouse
- information
- bar code
- infrared
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
- B65G1/02—Storage devices
- B65G1/04—Storage devices mechanical
- B65G1/137—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0208—Control or detection relating to the transported articles
- B65G2203/0233—Position of the article
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
- B65G2203/041—Camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种面向智能化的红外数字全景***及其仓库管理方法,该红外数字全景***包括条码识别装置、天眼装置以及数据处理装置。条码识别装置包括支撑杆、条码识别器、多个支撑板以及分别与多个支撑板对应的多个摄像头。多个支撑板的同一端均固定在支撑杆;每个摄像头安装在对应的支撑板上,并用于拍摄货物的图像;条码识别器根据摄像头拍摄的图像信息,读取货物的条码信息。天眼装置包括多个红外测距机构,红外测距机构用于检测滑动组件到货物的堆垛顶面的距离。本发明可缩短每个巷道的长度,同时可以大幅缩短巷道间的距离,增加库位数,提高仓库的空间利用率。而且本发明减少仓库员工的总体底薪,节省人工成本,成本降低效果显著。
Description
技术领域
本发明涉及仓储管理技术领域的一种红外数字全景***,尤其涉及一种面向智能化的红外数字全景***,还涉及该***的面向智能化的红外数字全景仓库管理方法。
背景技术
仓库由贮存物品的库房、运输传送设施(如吊车、电梯、滑梯等)、出入库房的输送管道和设备以及消防设施、管理用房等组成。仓库按所贮存物品的形态可分为贮存固体物品的、液体物品的、气体物品的和粉状物品的仓库。由于仓库中货物种类、数量非常多,因此,对仓库以及仓库中货物进行管理是必不可少的工作。
目前,在货物入库出库的过程中,通常采用人工扫码技术和AGV引导技术,其中AGV引导技术有坐标导引技术、电磁导引技术、激光导引技术、图像识别导引技术、惯性导引技术等。其中,人工扫码技术存在以下缺点:仓库中货物种类多,数量大,需要投入大量人力进行盘点,盘点速度慢、周期长,并且人工计数出错率高,导致库存准确率低。而AGV引导技术也存在以下缺点:均需要对仓库进行较大改动,且成本较高,尤其坐标导引技术需要在地面铺设许多二维码供AGV扫描定位,对仓库的改动较大,成本高,大范围实施比较困难。
发明内容
针对现有的技术问题,本发明提供一种面向智能化的红外数字全景***及其仓库管理方法,解决了现有仓库出入库技术或盘点速度慢、周期长且出错率高,或需要对仓库进行较大改动,且成本较高的问题。
本发明采用以下技术方案实现:一种面向智能化的红外数字全景***,其包括:
条码识别装置,其包括支撑杆、条码识别器、多个支撑板以及分别与多个支撑板对应的多个摄像头;多个支撑板的同一端均固定在支撑杆;每个摄像头安装在对应的支撑板上,并用于拍摄货物的图像;所述条码识别器根据摄像头拍摄的图像信息,读取所述货物的条码信息;
天眼装置,其包括多个红外测距机构;每个红外测距机构包括多个红外测距传感器、平行设置的两组导轨以及沿导轨的凹槽方向移动的滑动组件;两组导轨位于所述货物的上方;红外测距传感器安装在滑动组件上,且用于通过向所述货物发射红外线以检测滑动组件到所述货物的堆垛顶面的距离;以及
数据处理装置,其包括边缘分割处理模块、数据预处理模块、高斯滤波模块、边缘检测模块以及模型建立模块;所述边缘分割处理模块用于将所述红外测距机构检测的数据按照所采集区域分块并行处理,并根据对应的高度信息查找货物的位置;所述数据预处理模块用于先根据所述货物的位置以及滑动组件到所述堆垛顶面的距离,计算出货物物理高度,再对所述货物物理高度进行像素化处理后获取所述货物的像素化图像;所述高斯滤波模块用于对所述像素化图像进行高斯滤波,获取高斯滤波图像;所述边缘检测模块用于将所述高斯滤波图像与方向模板进行卷积以获得各个像素点的像素值,并根据一个预设阈值计算出对应的图像边缘信息;所述模型建立模块用于先根据多个红外测距机构检测的数据以及所述图像边缘信息,获取所述货物的三维信息,再根据储存所述货物的仓库的高度信息以及规划的库位,获得所述货物在所述库位的三维坐标信息,最后将所述条码信息与货物信息库中的数据进行对比,提取所述货物的长度、宽度以及高度信息,并通过一定比例缩放以建立所述仓库的三维实景模型。
作为上述方案的进一步改进,所述边缘分割处理模块包括测量数据读取单元、初始坐标定义单元、边缘分割单元、特征值提取单元、货物校验单元、中心坐标计算单元以及参数值记录单元;所述测量数据读取单元用于读取所述红外测距机构检测的数据;所述初始坐标定义单元用于根据所述测量数据读取单元的读取数据以及初始化定义条件,确定所述红外测距机构所在区域的物理起始坐标,以确定所述货物的物理平面坐标;所述边缘分割单元用于通过索贝尔边缘分割方法,检测所述读取数据的边缘部分,并将对应的高度信息划分区域;所述特征值提取单元用于根据所述边缘分割单元的划分区域,读取各个划分区域的高度信息,以确定所述货物的物理空间坐标;所述货物校验单元根据模糊最优计算方法,将较大的划分区域分为货物表面的较小区域,同时将模糊计算结果与预设留存结果进行对比,检验所述货物的具体坐标以及信息;所述中心坐标计算单元用于按照计算公式Oi(xi,yi)=Oi(Xi,Yi)+o(x0,y0)表征同高度平面中心坐标的平面坐标信息;其中,Oi(Xi,Yi)表示同高度的相对中心位置坐标,o(x0,y0)表示所述红外测距机构所采集区域的初始二维位置坐标;所述参数值记录单元用于向所述中心坐标计算单元的Oi(Xi,Yi)计算结果增加对应的高度信息,获取所述货物的三维位置坐标,并将记录和输出所述三维位置坐标的参数值。
作为上述方案的进一步改进,所述货物物理高度的计算公式为:phyhight=sethight-measurehight,式中,phyhight为所述货物物理高度,sethight为红外测距传感器的架设高度,measurehight为红外测距传感器检测的距离;
对所述货物物理高度进行像素化处理的公式为:
其中,hightpix为所述货物的高度像素值,fix为取整运算符号。
作为上述方案的进一步改进,所述边缘检测模块进行卷积的计算公式为:
|G|=|Gx|+|Gy|
其中,Gx为所述方向模板中水平方向的卷积,Gy为所述方向模板中垂直方向的卷积,G为所述高斯滤波图像的梯度。
作为上述方案的进一步改进,所述红外数字全景***还包括:
库位匹配装置,其包括货位优化分配模型模块以及库位匹配模块;所述货位优化分配模型模块用于建立货位优化分配模型;所述库位匹配模块包括最优库位匹配单元、最优库位深度计算单元、排序单元以及最适库位获取单元;所述最优库位匹配单元用于根据所述货物的包装和堆垛信息,通过所述货物的可夹抱面宽度进行匹配,获取匹配度最高的最优库位;所述最优库位深度计算单元用于根据入库数量和货物的可堆高层数,获取库位用量最少时的库位深度;所述排序单元用于输出满足预设要求的库位编号,并通过所述货物的匹配程度进行排序;所述最适库位获取单元用于将所述货物与所述仓库的剩余库位进行匹配,获取当前匹配度最高的库位。
进一步地,所述货位优化分配模型的模型公式为:
式中,f(x,y,z)为所述货位优化分配模型的目标函数;
f1(x,y,z)为将相邻货物储存在相邻位置时的函数,且函数公式为:
f2(x,y,z)为考虑货物出库效率时的函数,且函数公式为:
其中,i类货物的货位坐标的坐标向量为[Xi,Yi,Zi],货位中心坐标向量为Ri(i=1,2,…,N),且计算公式为:所述仓库的第x排y列z层的货位坐标记为:(x,y,z),x={1,2,…,a},y={1,2,…,b},z={1,2,…,c};所述仓库中共有a排货架,每排货架有b列c层。
作为上述方案的进一步改进,所述天眼装置还包括数据采集机构、误差校正机构以及报警机构;所述数据采集机构用于采集多个红外测距机构检测的数据;所述误差校正机构用于先通过一个接收振荡器将红外测距传感器检测的距离信号与其振动信号输入至一个混频一中获取测距信号,再在一个混频二中通过发射振荡器与所述接收振荡器不经信道直接会合,形成中频基准信号,再通过选频放大和整形后输入至检相器中对比相位,获得相位差,最后计算出滑动组件到所述货物的堆垛顶面的校正距离;所述报警机构用于在未接收到至少一个红外测距机构的更新数据一个预设时间后,发送警报消息。
作为上述方案的进一步改进,所述条码识别器读取所述条码信息的方法包括以下步骤:
(1)判断所述条码识别装置是否进入所述仓库的扫码区;
(2)当所述条码识别装置进入所述扫码区时,通过多个摄像头拍摄所述货物的图像,直至采集到所述货物的条码区域;
(3)通过对应的摄像头拍摄所述条码区域的图像,并使所述摄像头进行自动调焦以获取所述货物的清晰图像;
(4)根据所述清晰图像,识别图像中的条码信息,并获取所述货物的信息;
(5)记录所述货物的信息。
作为上述方案的进一步改进,滑动组件包括测距板、驱动电机、驱动轮、皮带、横梁、两个定位轮以及多个滑轮;红外测距传感器安装在测距板上;多个滑轮分别转动安装在测距板的两端,并沿着导轨的凹槽方向滚动;驱动电机固定在测距板上,并通过皮带带动驱动轮转动;驱动轮固定在横梁上;横梁转动安装在测距板上,且两端分别插在两个定位轮中;两个定位轮沿着两组导轨的导向移动。
本发明还提供一种面向智能化的红外数字全景仓库管理方法,其应用于上述任意所述的面向智能化的红外数字全景***中,其包括以下步骤:
(1)拍摄仓库中货物的图像,并根据图像信息,读取所述货物的条码信息;
(2)在所述货物的上方通过向所述货物发射红外线,以检测发射点到所述货物的堆垛顶面的距离;
(3)对所述货物的条码信息以及发射点到所述货物的堆垛顶面的距离信息进行数据处理,其中,处理方法包括以下步骤:
(3.1)将所述红外测距机构检测的数据按照所采集区域分块并行处理,并根据对应的高度信息查找货物的位置;
(3.2)先根据所述货物的位置以及所述距离信息,计算出货物物理高度,再对所述货物物理高度进行像素化处理后获取所述货物的像素化图像;
(3.3)对所述像素化图像进行高斯滤波,获取高斯滤波图像;
(3.4)将所述高斯滤波图像与方向模板进行卷积以获得各个像素点的像素值,并根据一个预设阈值计算出对应的图像边缘信息;
(3.5)先根据所述距离信息以及所述图像边缘信息,获取所述货物的三维信息,再根据所述仓库的高度信息以及规划的库位,获得所述货物在所述库位的三维坐标信息,最后将所述条码信息与货物信息库中的数据进行对比,提取所述货物的长度、宽度以及高度信息,并通过一定比例缩放以建立所述仓库的三维实景模型。
相较于现有技术,本发明的面向智能化的红外数字全景***及其仓库管理方法具有以下有益效果:
1、该面向智能化的红外数字全景***通过条码识别装置对货物进行识别,多个摄像头能够准确快速地拍摄货物的多个角度图像,方便条码识别器进行扫码,进而能实时、准确地收集到仓库中货物本身的信息。同时,天眼装置的红外测距机构能够形成红外监测网,对仓库中的货物进行全面监测测距,实时掌握货物的堆垛的高度,而且通过在导轨上移动,可以使一个红外测距传感器能够移动到多处,对多个货物进行测距,从而降低测距的成本,同时也能够保证数据采集效率。而数据处理装置通过对数据进行边缘分割处理、数据预处理、高斯滤波、边缘检测,从而能够建立仓库的三维实景模型,从而方便对仓库进行全景管理,实现仓库及货物的智能化管理。
2、由于红外数字全景***无需人工盘点,库位之间只需要留出铺设红外测控导轨时一根钢材的直径长度,可缩短每个巷道的长度,同时可以大幅缩短巷道间的距离,增加库位数,从而新增仓储储存的有效面积,大幅节约土地成本,提高仓库的空间利用率。
3、该红外数字全景***可以大幅度减少仓库员工数量,从而减少仓库员工的总体底薪,节省人工成本,成本降低效果显著。而且,本发明对入库收货、库存管理、出库等流程进行集成管理和信息服务,从各方面提升生产与配送的效率和准确性,进而节省时间成本。
4、该红外数字全景***的条码识别装置、天眼装置以及数据处理装置能够随时工作,可以随时对货物进行盘点,从而实时掌握货物的状态,方便对货物进行管理,进而提高仓库的盘点效率。
5、该面向智能化的红外数字全景***能够较为轻松的获取仓库内部各方面的数据,并形成关联数据库,为仓储部门制定决策提供足量的可靠的数据支撑。例如:确定选择什么类型的水平移动的搬运设备、垂直移动的设备、货架等;以更低的成本进行仓库的改造升级;更准确的确定仓储的框架、人员的配置、能源与电力的配置、资金的配置等。
附图说明
图1为本发明实施例1的面向智能化的红外数字全景***的条码识别装置的正视图;
图2为图1中的条码识别装置的侧视图;
图3为图1中的条码识别装置的条码识别器的工作流程图;
图4为本发明实施例1的面向智能化的红外数字全景***的天眼装置的红外测距机构的原理图;
图5为图4所介绍的红外测距机构的俯视图;
图6为图5中的红外测距机构的立体图;
图7为本发明实施例1的面向智能化的红外数字全景***的数据处理装置的数据处理流程图;
图8为本发明实施例1的面向智能化的红外数字全景***的数据处理装置的数据预处理模块的像素化图;
图9为本发明实施例1的面向智能化的红外数字全景***的数据处理装置的高斯滤波后的实验结果图;
图10为本发明实施例1的面向智能化的红外数字全景***的数据处理装置的边缘分割结果图;
图11为本发明实施例1的面向智能化的红外数字全景***的三维实景3D数字化流程图;
图12为本发明实施例2的面向智能化的红外数字全景***的库位匹配装置的运算流程图;
图13为本发明实施例3的面向智能化的红外数字全景***的受力分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本发明提供了一种面向智能化的红外数字全景***,该***包括条码识别装置、天眼装置以及数据处理装置。该红外数字全景***用于在仓库对出入库的货物进行监测、管理,同时还能够监测仓库中储存的货物。
请参阅图1、图2以及图3,经本案发明人调研发现,传统的入库流程为:夹抱车卸货→暂存区人工扫码→夹抱车入库,为此,本实施例提出一种条码识别装置。条码识别装置包括支撑杆1、条码识别器、多个支撑板2以及多个摄像头3,还可包括基座14。多个支撑板2的同一端均固定在支撑杆1,而支撑杆1可以竖立在仓库的地面上。每个摄像头3安装在对应的支撑板2上,并用于拍摄仓库中货物的图像。条码识别器根据摄像头3拍摄的图像信息,对图像信息中的条形码进行扫码,以读取货物的条码信息。基座14设置在仓库中,并用于支撑支撑杆1。在包括本实施例在内的一些实施例中,条码识别装置的数量为两个,其中一个条码识别装置设置在仓库的入口处,其中另一个条码识别装置设置在仓库的出口处。这里需要说明的是,条码识别器可采用现有的二维码扫描器,也可以采用其他的扫码设备。
在本实施例中,条码识别装置的整体高度为2m,而高度设置的前提是保证所有的货物都能够得到有效的识别。同时,考虑到货物的高度较高,且条码的位置不固定,设置了多个摄像头3,实时进行处理工作。摄像头3分布在不同的高度,全方位、高效率的对条码进行识别。条码识别器的核心技术为条码识别技术,提取货物的信息,从而为其规划最优库位。另外,条码识别器为仓库实景三维模型的建立提供基础参数。考虑到减小服务器工作量和提高工作的效率,新增了较为成熟的目标识别技术。通过深度学习,对条码进行目标识别和锁定,使条码识别器是具备自我学习、自我判断的人工智能装置,所以,结合以上需求和设计,条码识别器读取条码信息的方法包括以下步骤:
(1)判断条码识别装置是否进入仓库的扫码区;
(2)当条码识别装置进入扫码区时,通过多个摄像头3拍摄货物的图像,直至采集到货物的条码区域;
(3)通过对应的摄像头3拍摄条码区域的图像,并使摄像头3进行自动调焦以获取货物的清晰图像;
(4)根据清晰图像,识别图像中的条码信息,并获取货物的信息;
(5)记录货物的信息。
请参阅图4、图5以及图6,天眼装置包括多个红外测距机构,还可包括数据采集机构、误差校正机构以及报警机构。每个红外测距机构包括多个红外测距传感器4、两组导轨5以及滑动组件6。两组导轨5位于货物的上方,并且可以相对仓库固定,即可固定在仓库的顶部框架上。红外测距传感器4安装在滑动组件6上,且用于通过向货物发射红外线以检测滑动组件6到货物的堆垛顶面的距离。红外测距传感器4具有测量范围广,响应时间短,易于安装,便于操作的特点,并应用红外测距技术。而红外测距技术利用红外线传播时的不扩散原理,发射振荡器产生一定频率的调制信号,经过功放器加到红外发射装置上,由红外发射器发出红外线;红外线经过红外反射装置(即货物)反射后的红外信号,被红外接收装置接收,然后通过信号的处理,得到高频率的测距信号。在本实施例中,红外测距传感器4的最大检测距离12m,测距性能优良,精度较高刷新频率达到100HZ反应灵敏,而且体积小,功耗低。
其中,滑动组件6包括测距板7、驱动电机8、驱动轮9、皮带10、横梁11、两个定位轮12以及多个滑轮13。红外测距传感器4安装在测距板7上,且用于通过向货物发射红外线以检测滑动组件6到货物的堆垛顶面的距离。多个滑轮13分别转动安装在测距板7的两端,并沿着导轨5的凹槽方向滚动。驱动电机8固定在测距板7上,并通过皮带10带动驱动轮9转动。驱动轮9固定在横梁11上。横梁11转动安装在测距板7上,且两端分别插在两个定位轮12中。两个定位轮12在驱动轮9的驱动作用下沿着两组导轨5的导向移动,使多个红外测距传感器4向仓库中多个区域的多个货物发射红外线。
在本实施例中通过中央处理器进行控制,而本实施例的中央处理器采用AT89S52为核心的中央处理器。AT89S52是一种低功耗、高性能CMOS8位微控制器,具有8K在***可编程Flash存储器。AT89S52具有以下标准功能:8k字节Flash,256字节RAM,32位I/O口线,看门狗定时器,2个数据指针,三个16位定时器/计数器,一个6向量2级中断结构,全双工串行口。另外,AT89S52可降至0Hz静态逻辑操作,支持2种软件可选择节电模式。
数据采集机构用于采集多个红外测距机构检测的数据,还可采集条码识别器读取的数据,并将这些数据传输至数据处理装置中。误差校正机构用于先通过一个接收振荡器(频率f'=f±Δf,其中,Δf为几千赫兹的中频。)将红外测距传感器(4)检测的距离信号与其振动信号输入至一个混频一中获取测距信号(中频为Δf,其中保留着在信道的往返中信号所形成的相位差准),再在一个混频二中通过发射振荡器与接收振荡器不经信道直接会合,形成中频基准信号,再通过选频放大和整形后输入至检相器中对比相位,获得相位差(两者通过选频放大和整形后输入到检相器对比相位,得到相位差),最后计算出滑动组件6到货物的堆垛顶面的校正距离。
报警机构用于在未接收到至少一个红外测距机构的更新数据一个预设时间后,发送警报消息。中央处理器会定时刷新逻辑输入,当红外装置某部分出现故障后,中央处理器接收不到故障位置更新后的数据,此时中央处理器将向后台服务器发送警报消息。并且,结合三维实景建模功能,数据缺失部分可以从仓库三维实景图中体现,使维修人员能尽快找到故障点并维修。
请参阅图7,数据处理装置包括边缘分割处理模块、数据预处理模块、高斯滤波模块、边缘检测模块以及模型建立模块,还可包括点云存储模块。数据处理装置能够对条码识别装置和天眼装置产生的数据进行处理,以便于形成供仓库管理人员掌握的实时信息。其中,数据处理装置通过下面的流程实现对仓库的三维实景搭建:
①点云存储:红外测距装置所采集数据汇总记录。
②边缘分割:将采集数据按照所采集区域分块并行处理,根据高度寻找货物的位置。
③在边缘分割的基础上,以基准面构建三维图像,拼接局部构建TIN,最终得到实体三维模型。
④提取货物信息,规划最优库位,建立货物三维模型。
⑤数据更新,核实货物位置,并更新仓库三维实景模型。
红外测距数据的容量较大,若按常规数据存储的粒度方式,即以单个点作为一个存储元组,则数据访问时,游标反复进行I/O寻址操作,会大大降低数据存储性能,为此,点云存储模块采用大二进制的变长方式组织数据的存储。采用大二进制进行数据存取时,存储粒度的选取是规划的重点,针对具体的数据规模,自动选取以测站为单位或以空间格网尺度为存储单位。为便于二进制数据的快速检索,元组存放时需记录点云的空间边界,即货物外包框。
边缘分割处理模块用于将红外测距机构检测的数据按照所采集区域分块并行处理,并根据对应的高度信息查找货物的位置。对于大面积仓库,红外阵列和红外扫描所测的数据量是巨大的,在本实施例中,采用分区域监测的方式,同时采用计算机并行处理的办法,从而减小数据处理和三维实景搭建的时间,达到仓库管理最有效的实时监管。其中,边缘分割处理模块包括测量数据读取单元、初始坐标定义单元、边缘分割单元、特征值提取单元、货物校验单元、中心坐标计算单元以及参数值记录单元。
测量数据读取单元用于读取红外测距机构检测的数据。初始坐标定义单元用于根据测量数据读取单元的读取数据以及初始化定义条件,确定红外测距机构所在区域的物理起始坐标,以确定货物的物理平面坐标。边缘分割单元用于通过索贝尔边缘分割方法,检测读取数据的边缘部分,并将对应的高度信息划分区域。特征值提取单元用于根据边缘分割单元的划分区域,读取各个划分区域的高度信息,以确定货物的物理空间坐标。货物校验单元根据模糊最优计算方法,将较大的划分区域分为货物表面的较小区域,同时将模糊计算结果与预设留存结果进行对比,检验货物的具体坐标以及信息。中心坐标计算单元用于按照计算公式Oi(xi,yi)=Oi(Xi,Yi)+o(x0,y0)表征同高度平面中心坐标的平面坐标信息。其中,Oi(Xi,Yi)表示同高度的相对中心位置坐标,o(x0,y0)表示红外测距机构所采集区域的初始二维位置坐标。参数值记录单元用于向中心坐标计算单元的Oi(Xi,Yi)计算结果增加对应的高度信息,获取货物的三维位置坐标,并将记录和输出三维位置坐标的参数值。
数据预处理模块用于先根据货物的位置以及滑动组件6到堆垛顶面的距离,计算出货物物理高度,再对货物物理高度进行像素化处理后获取货物的像素化图像。货物物理高度的计算公式为:phyhight=sethight-measurehight,式中,phyhight为货物物理高度,sethight为红外测距传感器4的架设高度,measurehight为红外测距传感器4检测的距离;
对货物物理高度进行像素化处理的公式为:
其中,hightpix为货物的高度像素值,fix为取整运算符号。这样,通过数据预处理模块的处理后,可以获得如图8所示的图像。
高斯滤波模块用于对像素化图像进行高斯滤波,获取高斯滤波图像。高斯滤波在图像处理概念下,将图像频域处理和时域处理相联系,作为低通滤波器使用,可以将低频能量(比如噪声)滤去,起到图像平滑作用。它是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。它就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。通常情况下,高斯模糊就是使用高斯滤波器完成的,高斯模糊是低通滤波的一种。本质上,高斯模糊就是将(灰度)图像I和一个高斯核进行卷积操作:Iσ=I*Gσ
其中*表示卷积操作,Gσ是标准差为σ的二维高斯核,其定义为:
其对于图像而言,可以用以下的矩阵表示高斯滤波后的变化。在数值上表现为平均,在图像上表现为模糊。
根据本实施例的初步试验结果,可以得到货物物理高度像素化后经过高斯滤波后的结果,如图9所示。
边缘检测模块用于将高斯滤波图像与方向模板进行卷积以获得各个像素点的像素值,并根据一个预设阈值计算出对应的图像边缘信息。本实施例中通过Sobel算子进行检测,而Sobel算子:主要是利用一阶导数,是一种常用的离散型差分算子。一般Sobel算子包含两组矩阵即有两个方向模板,大小为3*3,一般Sobel算子进行边缘检测原理是卷积即图像与方向模板进行卷积,就可得出结果,所以把方向模板又称为卷积核。常用的两个水平与垂直模板如下:
若Gx是对原图x方向上的卷积,Gy是对原图y方向上的卷积;也可用下式计算梯度的大小和方向:
这样,通过化简后,可以得到边缘检测模块进行卷积的计算公式为:
|G|=|Gx|+|Gy|
其中,Gx为方向模板中水平方向的卷积,Gy为方向模板中垂直方向的卷积,G为高斯滤波图像的梯度。根据本实施例的初步试验结果,可以得到Sobel边缘分割后的结果,如图10所示。
请参阅图11,模型建立模块用于先根据多个红外测距机构检测的数据以及图像边缘信息,获取货物的三维信息,再根据储存货物的仓库的高度信息以及规划的库位,获得货物在库位的三维坐标信息,最后将条码信息与货物信息库中的数据进行对比,提取货物的长度、宽度以及高度信息,并通过一定比例缩放以建立仓库的三维实景模型。具体而言,根据条码识别器所捕捉的条码与信息库进行对比,提取到所夹货物的长Li宽Wi高Hi信息。考虑到仓库面积较大,实施例选择了10cm:1的缩放比例,进行三维模型搭建。再根据最优库位的三维坐标信息建立相应的模型,并记录相应得货物型号等信息。同时,根据下一次测量的结果,对预先建立好的模型进行校验,判断货物是否存在,以及工人的作业操作是否规范。当区域完成3D模型的建立之后,根据其具体的物理坐标进行缩放后,进行仓库三维全景的拼接。从力学角度分析,导轨所需钢架采用三角式设计,稳定性结构较好。所以铺设钢轨,从力学角度具备高可行性。
综上所述,本实施例的面向智能化的红外数字全景***具有以下优点:
1、该面向智能化的红外数字全景***通过条码识别装置对货物进行识别,多个摄像头能够准确快速地拍摄货物的多个角度图像,方便条码识别器进行扫码,进而能实时、准确地收集到仓库中货物本身的信息。同时,天眼装置的红外测距机构能够形成红外监测网,对仓库中的货物进行全面监测测距,实时掌握货物的堆垛的高度,而且通过在导轨上移动,可以使一个红外测距传感器能够移动到多处,对多个货物进行测距,从而降低测距的成本,同时也能够保证数据采集效率。而数据处理装置通过对数据进行边缘分割处理、数据预处理、高斯滤波、边缘检测,从而能够建立仓库的三维实景模型,从而方便对仓库进行全景管理,实现仓库及货物的智能化管理。
2、由于红外数字全景***无需人工盘点,库位之间只需要留出铺设红外测控导轨时一根钢材的直径长度,可缩短每个巷道的长度,同时可以大幅缩短巷道间的距离,增加库位数,从而新增仓储储存的有效面积,大幅节约土地成本,提高仓库的空间利用率。
3、该红外数字全景***可以大幅度减少仓库员工数量,从而减少仓库员工的总体底薪,节省人工成本,成本降低效果显著。而且,本实施例对入库收货、库存管理、出库等流程进行集成管理和信息服务,从各方面提升生产与配送的效率和准确性,进而节省时间成本。
4、该红外数字全景***的条码识别装置、天眼装置以及数据处理装置能够随时工作,可以随时对货物进行盘点,从而实时掌握货物的状态,方便对货物进行管理,进而提高仓库的盘点效率。
5、该面向智能化的红外数字全景***能够较为轻松的获取仓库内部各方面的数据,并形成关联数据库,为仓储部门制定决策提供足量的可靠的数据支撑。例如:确定选择什么类型的水平移动的搬运设备、垂直移动的设备、货架等;以更低的成本进行仓库的改造升级;更准确的确定仓储的框架、人员的配置、能源与电力的配置、资金的配置等。
实施例2
请参阅图12,本实施例提供了一种面向智能化的红外数字全景***,该***在实施例1的基础上增加了库位匹配装置。其中,库位匹配装置包括货位优化分配模型模块以及库位匹配模块。
根据现在仓库管理上存在的缺陷,我们认识到仓库管理信息化技术的提高是仓库高效管理的基础和保障。因此,本实施例结合现代的信息化技术,建立库位匹配***,我们在入库环节,根据条码识别器获取此时货物的型号、规格等货物信息,对接数据库;筛选得到目前条件的下最优库位,***通过语音播报库位编号指导叉车和夹抱车司机将货物摆放至指定库位,完成入库。货物完成入库后,即可得到摆放到此库位的货物的各种信息,为后续三维成像提供参考数据。
仓库管理中,货品的入库流程以库位剩余情形进行考虑,然后对需要进行仓储的货品进行库位选择。这样有些库位的资源没有得到充分的利用。本实施例的库位匹配装置根据条码识别器获取的此时货物的型号、规格等货物信息,首先检索同类货品所在库位是否还能堆放,若可以则优先堆放在同类货品的库位,若无剩余则匹配其他合适库位。在商品的入库的时对货品进行科学的库位匹配,使得库位的资源得到充分的利用。
货位优化分配模型模块用于建立货位优化分配模型。该模型中的相关参数的说明如下:
a:立体仓库货架排数,b:立体仓库货架列数,c:立体仓库货架层数,L0:货位单元格的长度,货架的长宽高都一致,Mi:第i种货物的单位质量,Pi:第i种货物的周转率,x:某个立体仓库货位的排号,x={1,2,…,a};y:某个立体仓库货位的列号,y={1,2,…,b},z:某个立体仓库货位的层号,z={1,2,…,c},Vx:叉车x方向的平均移动速度,Vy:叉车y方向的平均移动速度,Vz:叉车z方向的平均移动速度,N:货物种类的总数。
由于三维成像需要扫码所得的货物的长宽高信息,并借此和所测高度获得堆垛的货物数量,同一货物或同类货物应该存入相邻货位。假设仓库中已有n个货位存放了i类货物,在三维空间中这i类货物的货位坐标表示的坐标向量为[Xi,Yi,Zi],那么这n个货位的坐标向量组为:
令i类货物货位中心坐标向量为:
Ri(i=1,2,…,N)
计算出仓库中已存的某类货物的中心坐标后,同类货物应该放在距离该中心坐标最近的位置,由此得:f1(x,y,z)为将相邻货物储存在相邻位置时的函数,且函数公式为:
为了提高工作效率,缩短行进距离,根据产品的周转率,出货和进货频率高即周转率高的产品应放在靠近出入口、易于作业的地方;流动性差的产品放在距离出入口稍远的地方。由此可得:f2(x,y,z)为考虑货物出库效率时的函数,且函数公式为:
综上所述,货位优化分配模型是从两个方面考虑的,本***使用权重系法将多目标优化问题转化为单目标优化问题。这样,本实施例提供的货位优化分配模型的模型公式为:
式中,f(x,y,z)为货位优化分配模型的目标函数。上述分析的仓库存储的原则可知,目标函数f(x,y,z)值越小则仓库分配的货位最优。
库位匹配模块包括最优库位匹配单元、最优库位深度计算单元、排序单元以及最适库位获取单元。最优库位匹配单元用于根据货物的包装和堆垛信息,通过货物的可夹抱面宽度进行匹配,获取匹配度最高的最优库位。最优库位深度计算单元用于根据入库数量和货物的可堆高层数,获取库位用量最少时的库位深度。排序单元用于输出满足预设要求的库位编号,并通过货物的匹配程度进行排序。最适库位获取单元用于将货物与仓库的剩余库位进行匹配,获取当前匹配度最高的库位。
实施例3
本实施例提供了一种面向智能化的红外数字全景***,该***在实施例2的基础上进行了细化。本实施例的导轨材料主要采用45号钢。内轨道(距滑轨对称面最近的轨道)上面需要采用和内轮(有条件就做成齿轮)契合的形状,采用耐磨钢;滑轨和横杆材质需要电线、电机等质量确定后方可计算。
1、在导轨5的部分:
m=m电机+m材料+m轴+m线
b1:宽h1:高
需满足:Emax≤[σ]许用应力即可。
2、在横梁11的部分:
S=dl m:电机质量d:上表长度l:下表宽度
其中:b1:外宽b2:内宽h1:外高h2:内高
需满足:Emax≤[σ]许用应力即可。
而本实施例为了满足实际需要,确定以下设计要求:
①驱动电机8需配置减速器,按照原理图将电机旋转90度放置,安装减速器,再依照原样安装即可;
②电线在导轨5中间最宽的地方,随电机卷起放下;
③摄像头3放置的材料采用薄铁皮或者硬质塑料即可;
同时,对于红外测控导轨上的引导棒,需要承接5个红外测距传感器4和一个驱动电机8。从力学角度,对其进行了受力分析,如图13所示。
由上述可知,仓库顶部钢架结构对导轨的拉力T=2TPA,电机的重力为GEM,红外测距装置本身的重力为G1=5GDE,滑竿的重力为GSL,导轨的重力为G2=2GPA,F为机械结构及材料的变形抗力。根据实际调研,结合机械受力结果,可以证明:
T=2TPA=GEM+G1+GSL+G2F
从上述力学分析可知,在工程实践的角度,铺设钢轨是可以实现对装置的安装。同时,因为整体的作业是在仓库顶部,所以不会影响到下面的仓库正常运转。
综上所述所示,本实施例的面向智能化的红外数字全景***,在实际应用中,每个巷道可缩短0.2m的距离。在库位宽度为1.6米的情况下,库位深度为5米和10米的库位各为400个时,仓库有14个主通道,主通道每侧有50个库位,49个库位间隔,800个库位共有786库位间隔,巷道间距离缩短157.2m,可增加49个宽度为1.6×5米的库位,49个1.6×10米的库位,新增有效面积为1.6×5×49+1.6×10×49=1176㎡。
另外,本实施例经过测算,本***使用寿命为十年以上,在合肥日日顺一个12000平米的仓库五年可节省成本48万元,估算全国有400多个的类似平面仓,预计五年内可为日日顺节省人工成本2.1亿,成本降低效果十分显著。另外,使用本实施例设计的***,可以缩小仓库相邻库位的巷道长度,如以日日顺合肥自建洗衣机仓为例,现设巷道为30-40cm,实现本***后无需人工盘点,则缩短每个巷道间距约0.2m,12000㎡的仓库可利用面积将增加1176㎡,进而提高仓库的利用率,大幅节约土地成本。基于本***的数字化仓库对入库收货、库存管理、出库等流程进行集成管理和信息服务,从各方面提升生产与配送的效率和准确性,进而节省时间成本。另外,以合肥日日顺仓库为例,合肥日日顺仓库单个面积为12000m2,盘点时***按照周期生成每天盘点任务,一级大仓为两周盘点仓库一次,二级仓一周一次,初步测算可知日日顺全国所有平面仓都采用本方案所设计的红外数字全景***,可实现随时对货物进行盘点。
实施例4
本实施例提供了一种面向智能化的红外数字全景仓库管理方法,该方法应用于实施例1-3中任意一种面向智能化的红外数字全景***中,该方法包括以下步骤:
(1)拍摄仓库中货物的图像,并根据图像信息,读取货物的条码信息;
(2)在货物的上方通过向货物发射红外线,以检测发射点到货物的堆垛顶面的距离;
(3)对货物的条码信息以及发射点到货物的堆垛顶面的距离信息进行数据处理,其中,处理方法包括以下步骤:
(3.1)将红外测距机构检测的数据按照所采集区域分块并行处理,并根据对应的高度信息查找货物的位置;
(3.2)先根据货物的位置以及距离信息,计算出货物物理高度,再对货物物理高度进行像素化处理后获取货物的像素化图像;
(3.3)对像素化图像进行高斯滤波,获取高斯滤波图像;
(3.4)将高斯滤波图像与方向模板进行卷积以获得各个像素点的像素值,并根据一个预设阈值计算出对应的图像边缘信息;
(3.5)先根据距离信息以及图像边缘信息,获取货物的三维信息,再根据仓库的高度信息以及规划的库位,获得货物在库位的三维坐标信息,最后将条码信息与货物信息库中的数据进行对比,提取货物的长度、宽度以及高度信息,并通过一定比例缩放以建立仓库的三维实景模型。
实施例5
本实施例提供了一种面向智能化的红外数字全景仓库,该仓库包括实施例1、实施例2以及实施例3中所提供的任意一种面向智能化的红外数字全景***。
实施例6
本实施例提供一种计算机终端,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现实施例1的面向智能化的红外数字全景仓库管理方法的步骤。
实施例1的方法在应用时,可以软件的形式进行应用,如设计成独立运行的程序,安装在计算机终端上,计算机终端可以是电脑、智能手机、控制***以及其他物联网设备等。实施例1的方法也可以设计成嵌入式运行的程序,安装在计算机终端上,如安装在单片机上。
实施例7
本实施例提供一种计算机可读存储介质,其上存储有计算机程序。程序被处理器执行时,实现实施例1的面向智能化的红外数字全景仓库管理方法的步骤。
实施例1的方法在应用时,可以软件的形式进行应用,如设计成计算机可读存储介质可独立运行的程序,计算机可读存储介质可以是U盘,设计成U盾,通过U盘设计成通过外在触发启动整个方法的程序。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向智能化的红外数字全景***,其特征在于,其包括:
条码识别装置,其包括支撑杆(1)、条码识别器、多个支撑板(2)以及分别与多个支撑板(2)对应的多个摄像头(3);多个支撑板(2)的同一端均固定在支撑杆(1);每个摄像头(3)安装在对应的支撑板(2)上,并用于拍摄货物的图像;所述条码识别器根据摄像头(3)拍摄的图像信息,读取所述货物的条码信息;
天眼装置,其包括多个红外测距机构;每个红外测距机构包括多个红外测距传感器(4)、平行设置的两组导轨(5)以及沿导轨(5)的凹槽方向移动的滑动组件(6);两组导轨(5)位于所述货物的上方;红外测距传感器(4)安装在滑动组件(6)上,且用于通过向所述货物发射红外线以检测滑动组件(6)到所述货物的堆垛顶面的距离;以及
数据处理装置,其包括边缘分割处理模块、数据预处理模块、高斯滤波模块、边缘检测模块以及模型建立模块;所述边缘分割处理模块用于将所述红外测距机构检测的数据按照所采集区域分块并行处理,并根据对应的高度信息查找货物的位置;所述数据预处理模块用于先根据所述货物的位置以及滑动组件(6)到所述堆垛顶面的距离,计算出货物物理高度,再对所述货物物理高度进行像素化处理后获取所述货物的像素化图像;所述高斯滤波模块用于对所述像素化图像进行高斯滤波,获取高斯滤波图像;所述边缘检测模块用于将所述高斯滤波图像与方向模板进行卷积以获得各个像素点的像素值,并根据一个预设阈值计算出对应的图像边缘信息;所述模型建立模块用于先根据多个红外测距机构检测的数据以及所述图像边缘信息,获取所述货物的三维信息,再根据储存所述货物的仓库的高度信息以及规划的库位,获得所述货物在所述库位的三维坐标信息,最后将所述条码信息与货物信息库中的数据进行对比,提取所述货物的长度、宽度以及高度信息,并通过一定比例缩放以建立所述仓库的三维实景模型。
2.如权利要求1所述的面向智能化的红外数字全景***,其特征在于,所述边缘分割处理模块包括测量数据读取单元、初始坐标定义单元、边缘分割单元、特征值提取单元、货物校验单元、中心坐标计算单元以及参数值记录单元;所述测量数据读取单元用于读取所述红外测距机构检测的数据;所述初始坐标定义单元用于根据所述测量数据读取单元的读取数据以及初始化定义条件,确定所述红外测距机构所在区域的物理起始坐标,以确定所述货物的物理平面坐标;所述边缘分割单元用于通过索贝尔边缘分割方法,检测所述读取数据的边缘部分,并将对应的高度信息划分区域;所述特征值提取单元用于根据所述边缘分割单元的划分区域,读取各个划分区域的高度信息,以确定所述货物的物理空间坐标;所述货物校验单元根据模糊最优计算方法,将较大的划分区域分为货物表面的较小区域,同时将模糊计算结果与预设留存结果进行对比,检验所述货物的具体坐标以及信息;所述中心坐标计算单元用于按照计算公式Oi(xi,yi)=Oi(Xi,Yi)+o(x0,y0)表征同高度平面中心坐标的平面坐标信息;其中,Oi(Xi,Yi)表示同高度的相对中心位置坐标,o(x0,y0)表示所述红外测距机构所采集区域的初始二维位置坐标;所述参数值记录单元用于向所述中心坐标计算单元的Oi(Xi,Yi)计算结果增加对应的高度信息,获取所述货物的三维位置坐标,并将记录和输出所述三维位置坐标的参数值。
3.如权利要求1所述的面向智能化的红外数字全景***,其特征在于,所述货物物理高度的计算公式为:phyhight=sethight-measurehight,式中,phyhight为所述货物物理高度,sethight为红外测距传感器(4)的架设高度,measurehight为红外测距传感器(4)检测的距离;
对所述货物物理高度进行像素化处理的公式为:
其中,hightpix为所述货物的高度像素值,fix为取整运算符号。
4.如权利要求1所述的面向智能化的红外数字全景***,其特征在于,所述边缘检测模块进行卷积的计算公式为:
|G|=|Gx|+|Gy|
其中,Gx为所述方向模板中水平方向的卷积,Gy为所述方向模板中垂直方向的卷积,G为所述高斯滤波图像的梯度。
5.如权利要求1所述的面向智能化的红外数字全景***,其特征在于,所述红外数字全景***还包括:
库位匹配装置,其包括货位优化分配模型模块以及库位匹配模块;所述货位优化分配模型模块用于建立货位优化分配模型;所述库位匹配模块包括最优库位匹配单元、最优库位深度计算单元、排序单元以及最适库位获取单元;所述最优库位匹配单元用于根据所述货物的包装和堆垛信息,通过所述货物的可夹抱面宽度进行匹配,获取匹配度最高的最优库位;所述最优库位深度计算单元用于根据入库数量和货物的可堆高层数,获取库位用量最少时的库位深度;所述排序单元用于输出满足预设要求的库位编号,并通过所述货物的匹配程度进行排序;所述最适库位获取单元用于将所述货物与所述仓库的剩余库位进行匹配,获取当前匹配度最高的库位。
6.如权利要求5所述的面向智能化的红外数字全景***,其特征在于,所述货位优化分配模型的模型公式为:
式中,f(x,y,z)为所述货位优化分配模型的目标函数;
f1(x,y,z)为将相邻货物储存在相邻位置时的函数,且函数公式为:
f2(x,y,z)为考虑货物出库效率时的函数,且函数公式为:
其中,i类货物的货位坐标的坐标向量为[Xi,Yi,Zi],货位中心坐标向量为Ri(i=1,2,…,N),且计算公式为:所述仓库的第x排y列z层的货位坐标记为:(x,y,z),x={1,2,…,a},y={1,2,…,b},z={1,2,…,c};所述仓库中共有a排货架,每排货架有b列c层。
7.如权利要求1所述的面向智能化的红外数字全景***,其特征在于,所述天眼装置还包括数据采集机构、误差校正机构以及报警机构;所述数据采集机构用于采集多个红外测距机构检测的数据;所述误差校正机构用于先通过一个接收振荡器将红外测距传感器(4)检测的距离信号与其振动信号输入至一个混频一中获取测距信号,再在一个混频二中通过发射振荡器与所述接收振荡器不经信道直接会合,形成中频基准信号,再通过选频放大和整形后输入至检相器中对比相位,获得相位差,最后计算出滑动组件(6)到所述货物的堆垛顶面的校正距离;所述报警机构用于在未接收到至少一个红外测距机构的更新数据一个预设时间后,发送警报消息。
8.如权利要求1所述的面向智能化的红外数字全景***,其特征在于,所述条码识别器读取所述条码信息的方法包括以下步骤:
(1)判断所述条码识别装置是否进入所述仓库的扫码区;
(2)当所述条码识别装置进入所述扫码区时,通过多个摄像头(3)拍摄所述货物的图像,直至采集到所述货物的条码区域;
(3)通过对应的摄像头(3)拍摄所述条码区域的图像,并使所述摄像头(3)进行自动调焦以获取所述货物的清晰图像;
(4)根据所述清晰图像,识别图像中的条码信息,并获取所述货物的信息;
(5)记录所述货物的信息。
9.如权利要求1所述的面向智能化的红外数字全景***,其特征在于,滑动组件(6)包括测距板(7)、驱动电机(8)、驱动轮(9)、皮带(10)、横梁(11)、两个定位轮(12)以及多个滑轮(13);红外测距传感器(4)安装在测距板(7)上;多个滑轮(13)分别转动安装在测距板(7)的两端,并沿着导轨(5)的凹槽方向滚动;驱动电机(8)固定在测距板(7)上,并通过皮带(10)带动驱动轮(9)转动;驱动轮(9)固定在横梁(11)上;横梁(11)转动安装在测距板(7)上,且两端分别插在两个定位轮(12)中;两个定位轮(12)沿着两组导轨(5)的导向移动。
10.一种面向智能化的红外数字全景仓库管理方法,其应用于如权利要求1-9中任意一项所述的面向智能化的红外数字全景***中,其特征在于,其包括以下步骤:
(1)拍摄仓库中货物的图像,并根据图像信息,读取所述货物的条码信息;
(2)在所述货物的上方通过向所述货物发射红外线,以检测发射点到所述货物的堆垛顶面的距离;
(3)对所述货物的条码信息以及发射点到所述货物的堆垛顶面的距离信息进行数据处理,其中,处理方法包括以下步骤:
(3.1)将所述红外测距机构检测的数据按照所采集区域分块并行处理,并根据对应的高度信息查找货物的位置;
(3.2)先根据所述货物的位置以及所述距离信息,计算出货物物理高度,再对所述货物物理高度进行像素化处理后获取所述货物的像素化图像;
(3.3)对所述像素化图像进行高斯滤波,获取高斯滤波图像;
(3.4)将所述高斯滤波图像与方向模板进行卷积以获得各个像素点的像素值,并根据一个预设阈值计算出对应的图像边缘信息;
(3.5)先根据所述距离信息以及所述图像边缘信息,获取所述货物的三维信息,再根据所述仓库的高度信息以及规划的库位,获得所述货物在所述库位的三维坐标信息,最后将所述条码信息与货物信息库中的数据进行对比,提取所述货物的长度、宽度以及高度信息,并通过一定比例缩放以建立所述仓库的三维实景模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910698048.7A CN110443093B (zh) | 2019-07-31 | 2019-07-31 | 一种面向智能化的红外数字全景***及其仓库管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910698048.7A CN110443093B (zh) | 2019-07-31 | 2019-07-31 | 一种面向智能化的红外数字全景***及其仓库管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443093A true CN110443093A (zh) | 2019-11-12 |
CN110443093B CN110443093B (zh) | 2022-07-29 |
Family
ID=68432472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910698048.7A Active CN110443093B (zh) | 2019-07-31 | 2019-07-31 | 一种面向智能化的红外数字全景***及其仓库管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443093B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110980099A (zh) * | 2019-11-29 | 2020-04-10 | 广汽丰田汽车有限公司 | 部品出入库运搬方法、***及计算机可读存储介质 |
CN111099243A (zh) * | 2019-12-25 | 2020-05-05 | 苏州罗伯特木牛流马物流技术有限公司 | Agv在倾斜地面上多层货架上取放货物的方法 |
CN111768156A (zh) * | 2020-07-02 | 2020-10-13 | 泰森日盛集团有限公司 | 一种便于数据存储管理的成品库智能仓*** |
CN112270388A (zh) * | 2020-09-28 | 2021-01-26 | 红点定位(北京)科技有限公司 | 货物定位管理***和方法 |
CN112651694A (zh) * | 2021-02-08 | 2021-04-13 | 日日顺供应链科技股份有限公司 | 仓库货物智能管理***及智能管理方法 |
CN112861561A (zh) * | 2021-03-09 | 2021-05-28 | 上海交通大学 | 一种基于屏幕调光特征的二维码安全增强方法及装置 |
CN112883958A (zh) * | 2021-01-11 | 2021-06-01 | 壹药网耀方科技(上海)股份有限公司 | 药品货位盘点方法 |
CN113409230A (zh) * | 2020-03-16 | 2021-09-17 | 顺丰科技有限公司 | 多图像匹配融合方法、装置、存储介质和物流揽收*** |
CN113562465A (zh) * | 2021-09-26 | 2021-10-29 | 成都新西旺自动化科技有限公司 | 片状物放置视觉引导方法及*** |
CN114219408A (zh) * | 2021-12-21 | 2022-03-22 | 四川启睿克科技有限公司 | 基于图像识别与tof传感器的机器人仓库盘存方法 |
CN114330615A (zh) * | 2021-12-30 | 2022-04-12 | 杭州海康机器人技术有限公司 | 读码***和读码方法 |
CN116776908A (zh) * | 2023-08-17 | 2023-09-19 | 深圳市驿格科技有限公司 | 一种大场景多码识别方法、终端及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581076A (zh) * | 2015-01-14 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 基于360度全景红外鱼眼摄像机之山火监控识别方法及装置 |
CN105203210A (zh) * | 2015-10-23 | 2015-12-30 | 国网山西省电力公司大同供电公司 | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 |
CN105678492A (zh) * | 2015-12-31 | 2016-06-15 | 天津布尔科技有限公司 | 一种基于条码的智能仓库出入库管理方法 |
CN106541944A (zh) * | 2016-11-07 | 2017-03-29 | 纵目科技(上海)股份有限公司 | 一种库位检测方法、***、及移动设备 |
CN206258139U (zh) * | 2016-12-07 | 2017-06-16 | 杭州电子科技大学 | 基于物联网的电子生产车间环境综合管理平台 |
CN106934765A (zh) * | 2017-03-14 | 2017-07-07 | 长沙全度影像科技有限公司 | 基于深度卷积神经网络与深度信息的全景图像融合方法 |
CN106960442A (zh) * | 2017-03-01 | 2017-07-18 | 东华大学 | 基于单目红外的夜间机器人视觉大视场三维构建方法 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
CN207517040U (zh) * | 2017-10-31 | 2018-06-19 | 青岛道合供应链管理有限公司 | 一种仓库管理*** |
US20190034864A1 (en) * | 2017-07-25 | 2019-01-31 | Bossa Nova Robotics Ip, Inc. | Data Reduction in a Bar Code Reading Robot Shelf Monitoring System |
US20190042900A1 (en) * | 2017-12-28 | 2019-02-07 | Ned M. Smith | Automated semantic inference of visual features and scenes |
US20190180150A1 (en) * | 2017-12-13 | 2019-06-13 | Bossa Nova Robotics Ip, Inc. | Color Haar Classifier for Retail Shelf Label Detection |
-
2019
- 2019-07-31 CN CN201910698048.7A patent/CN110443093B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581076A (zh) * | 2015-01-14 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 基于360度全景红外鱼眼摄像机之山火监控识别方法及装置 |
CN105203210A (zh) * | 2015-10-23 | 2015-12-30 | 国网山西省电力公司大同供电公司 | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 |
CN105678492A (zh) * | 2015-12-31 | 2016-06-15 | 天津布尔科技有限公司 | 一种基于条码的智能仓库出入库管理方法 |
CN106541944A (zh) * | 2016-11-07 | 2017-03-29 | 纵目科技(上海)股份有限公司 | 一种库位检测方法、***、及移动设备 |
CN206258139U (zh) * | 2016-12-07 | 2017-06-16 | 杭州电子科技大学 | 基于物联网的电子生产车间环境综合管理平台 |
CN106960442A (zh) * | 2017-03-01 | 2017-07-18 | 东华大学 | 基于单目红外的夜间机器人视觉大视场三维构建方法 |
CN106934765A (zh) * | 2017-03-14 | 2017-07-07 | 长沙全度影像科技有限公司 | 基于深度卷积神经网络与深度信息的全景图像融合方法 |
CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
US20190034864A1 (en) * | 2017-07-25 | 2019-01-31 | Bossa Nova Robotics Ip, Inc. | Data Reduction in a Bar Code Reading Robot Shelf Monitoring System |
CN207517040U (zh) * | 2017-10-31 | 2018-06-19 | 青岛道合供应链管理有限公司 | 一种仓库管理*** |
US20190180150A1 (en) * | 2017-12-13 | 2019-06-13 | Bossa Nova Robotics Ip, Inc. | Color Haar Classifier for Retail Shelf Label Detection |
US20190042900A1 (en) * | 2017-12-28 | 2019-02-07 | Ned M. Smith | Automated semantic inference of visual features and scenes |
Non-Patent Citations (4)
Title |
---|
JIAN-ZHONG XU; ZU-LIN WANG; YI-HUAN ZHAO; XU-JING GUO: "A distance estimation algorithm based on infrared imaging guided", 《2009 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
兰红等: "SIFT优化算法及其在全景拼接图像配准中的应用", 《小型微型计算机***》 * |
李之秀: "红外激光与图像复合防撞告警技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈国胜等: "基于BIRD网络的智能红外全景识别***", 《红外技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110980099A (zh) * | 2019-11-29 | 2020-04-10 | 广汽丰田汽车有限公司 | 部品出入库运搬方法、***及计算机可读存储介质 |
CN110980099B (zh) * | 2019-11-29 | 2021-08-24 | 广汽丰田汽车有限公司 | 部品出入库运搬方法、***及计算机可读存储介质 |
CN111099243A (zh) * | 2019-12-25 | 2020-05-05 | 苏州罗伯特木牛流马物流技术有限公司 | Agv在倾斜地面上多层货架上取放货物的方法 |
CN113409230A (zh) * | 2020-03-16 | 2021-09-17 | 顺丰科技有限公司 | 多图像匹配融合方法、装置、存储介质和物流揽收*** |
CN111768156A (zh) * | 2020-07-02 | 2020-10-13 | 泰森日盛集团有限公司 | 一种便于数据存储管理的成品库智能仓*** |
CN112270388A (zh) * | 2020-09-28 | 2021-01-26 | 红点定位(北京)科技有限公司 | 货物定位管理***和方法 |
CN112883958A (zh) * | 2021-01-11 | 2021-06-01 | 壹药网耀方科技(上海)股份有限公司 | 药品货位盘点方法 |
CN112883958B (zh) * | 2021-01-11 | 2023-12-05 | 壹药网科技(上海)股份有限公司 | 药品货位盘点方法 |
CN112651694A (zh) * | 2021-02-08 | 2021-04-13 | 日日顺供应链科技股份有限公司 | 仓库货物智能管理***及智能管理方法 |
CN112861561A (zh) * | 2021-03-09 | 2021-05-28 | 上海交通大学 | 一种基于屏幕调光特征的二维码安全增强方法及装置 |
CN113562465A (zh) * | 2021-09-26 | 2021-10-29 | 成都新西旺自动化科技有限公司 | 片状物放置视觉引导方法及*** |
CN114219408A (zh) * | 2021-12-21 | 2022-03-22 | 四川启睿克科技有限公司 | 基于图像识别与tof传感器的机器人仓库盘存方法 |
CN114330615A (zh) * | 2021-12-30 | 2022-04-12 | 杭州海康机器人技术有限公司 | 读码***和读码方法 |
CN114330615B (zh) * | 2021-12-30 | 2024-04-02 | 杭州海康机器人股份有限公司 | 读码***和读码方法 |
CN116776908A (zh) * | 2023-08-17 | 2023-09-19 | 深圳市驿格科技有限公司 | 一种大场景多码识别方法、终端及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110443093B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443093A (zh) | 一种面向智能化的红外数字全景***及其仓库管理方法 | |
CN102721367B (zh) | 基于动态三维激光扫描的大型不规则散粮堆体积测量方法 | |
CN102012419B (zh) | 基于视觉感知鱼类行为的生物水质监测*** | |
CN102042814B (zh) | 大型堆场三维形貌的投影辅助摄像测量方法 | |
CN108520342A (zh) | 基于bim的物联网平台管理方法及其*** | |
CN105403143B (zh) | 一种获取模拟地震振动台的位移变化的测量方法及其*** | |
CN106593534A (zh) | 一种智能隧道施工安全监控*** | |
US9898833B1 (en) | Apparatus and method for determining the dimensions of a package while in motion | |
CN201233223Y (zh) | 一种木材自动监管*** | |
CN105700525B (zh) | 基于Kinect传感器深度图机器人工作环境不确定性地图构建法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN105674908A (zh) | 测量装置和体积测量与监视*** | |
CN102930251B (zh) | 两维收藏品数据收录与甄别的装置和方法 | |
CN104281709A (zh) | 交通信息瓦片地图的生成方法和*** | |
CN101651824B (zh) | 移动物体监视装置 | |
CN108961330A (zh) | 基于图像的猪体长测算方法及*** | |
CN114047750A (zh) | 一种基于移动机器人的快递入库方法 | |
CN104464055A (zh) | Psd线阵与超声波线阵融合的客流量统计*** | |
CN110046566A (zh) | 一种基于图形识别及物联网技术的实验室智能物料柜 | |
CN106248058B (zh) | 一种对于仓储运输工具的定位方法、装置及*** | |
CN209044870U (zh) | 一种实时数据传递的交通控制*** | |
CN207249677U (zh) | 一种基于rfid与bim集成的施工现场安全监控*** | |
CN112627538B (zh) | 基于计算机视觉的钢筋网扎丝绑扎质量智能验收方法 | |
CN108537828A (zh) | 一种店铺数据分析方法及*** |
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 |