基于单目视觉的工业机器人分拣技术研究
这是一篇关于单目视觉,工业机器人,分拣系统,新型手眼标定,识别定位的论文, 主要内容为机器视觉与工业机器人在工件分拣领域中发挥着重要作用,基于机器视觉的工业机器人分拣技术已成为当前热点研究方向。传统机器人分拣系统智能化程度低、分拣准确率低,难以根据工程现场情况进行实时调整。融入机器视觉技术后的机器人分拣系统能实现工程现场对多种工件的智能化识别,替代传统的人工操作,释放劳动力。本文以自建实验平台为基础,对单目视觉机器人分拣系统进行研究与开发,实现了对多种工件的准确识别与分拣。本文主要研究内容与创新工作如下:首先,对基于单目视觉的工业机器人分拣系统方案进行设计。根据系统设计功能,确定系统各功能单元模块,同时选择了合适的硬件与软件开发平台,完成对机器人视觉分拣实验平台的布局。其次,研究了各坐标系之间的转换关系,针对所选的视觉引导方式,提出一种更便捷、精准的新型手眼标定方法。测试结果表明,新型手眼标定方法能克服传统标定方法的弊端,标定精度控制在1.0mm以内,符合分拣机器人的抓取精度要求。再次,研究并实现图像预处理与模板匹配算法,实现对多种形状工件的识别定位。分析了几种识别定位算法的运算效率与抗干扰性,根据工程中待分拣工件特性,确定了基于形状的模板匹配方法并进行改进。提出多种优化策略提升算法运算效率与匹配准确率,同时为了进一步提高优化策略的运算效率,提出一种改进粒子群算法结合高斯金字塔的搜索策略。通过大量实验,确定了最佳的匹配优化参数,验证了匹配算法的准确性与优化算法的时效性。最后,完成视觉分拣系统的软件开发与实验验证。选择Socket通信方式并对视觉模块与机器人模块的软件部分进行设计与开发,同时借助联合编程设计了人机交互界面。通过多组实验对系统进行集成性测试与分析,实验结果验证了系统的可行性和准确性。
南京邮政航空快递物流集散中心分拣系统建模与仿真分析
这是一篇关于航空快递,分拣系统,Petri网,Flexsim仿真的论文, 主要内容为近几年,我国经济实现持续健康发展,电商以及网络购物的快速普及,为快递业带来了可观增量。航空快递集散中心作为快递行业的一个重要节点,在快递的集散、中转等货物运输衔接流程中起着至关重要的作用。而集散中心分拣系统的分拣效率又在整个快递集散业务中发挥着主导作用。目前,南京邮政航空快递物流集散中心分拣系统在快递分拣的作业流程中仍存在分拣效率低、设施设备利用率低等问题。针对南京邮政航空快递物流集散中心分拣系统现存问题进行研究分析,对于提升集散中心服务速度和质量,满足航空快递增长的需要具有重要的实际应用价值。本文在调研分析南京邮政航空快递物流集散中心现状和总体业务流程后,系统梳理了集散中心分拣系统的构成和分拣作业流程。之后,使用Petri网建模方法对分拣系统作业流程建模,并用关联矩阵分析Petri网模型的特性,验证了模型的有效性。根据Petri网模型中各资源之间的逻辑关系,利用Flexsim仿真软件进行仿真,找出集散中心分拣系统现存问题和不足之处,针对出现的问题,提出改进建议和优化方案,并验证了优化效果,达到了提高集散中心分拣效率,缩短快件处理时间的目的。本文是基于南京邮政航空快递物流集散中心的普通物品类快件在分拣系统中的分拣作业进行的研究,研究内容和方法对于大部分快递企业都有一定的实际参考价值。
电商促销期仓储中心订单分配与人员调度的联合优化研究
这是一篇关于仓储中心,分拣系统,B2C电商促销,人因工程学,混合整数非线性规划的论文, 主要内容为我国幅员辽阔,人口众多,传统的购物模式顾客只限于本地区的购物中心进行购物。随着互联网的兴起,打破传统地域的局限,使处于不同区域的顾客都可以通过购物平台进行商品的选购。与传统购物模式相比,网络购物平台突破商品实体展示的局限性,可以极大丰富顾客选购商品的种类。与此同时,网络购物不需要占据实体门店,直接从仓储中心或商家仓库中直接发货,减少中间商差价,其商品具有价格优势。网络购物的发展使人们可以享受足不出户的购物体验,极大提高了人们生活的便捷程度。因此,网络购物成为人们购物消费的首选方式。过去十几年是电商飞速发展的黄金期,其高速的发展离不开引人瞩目的促销活动,各大电商平台通过造节疯狂的吸引顾客购物,“双十一”、“618”成为全民购物的狂欢节,电商平台在这一天推出极具吸引力的促销活动,吸引顾客大量购物,庞大的交易额和数亿级的包裹量不断刷新的记录。巨大的订单交易量也带来了一些新问题,其中最主要的就是物流问题。短时间快速增长的购物需求给物流系统带来了巨大的压力,尤其是对于自建仓储中心的大型购物平台,商品是由仓储中心或生产企业直接配送到消费者,物流的快慢直接影响顾客的消费体验。由于商品种类的多样性,物流中心的分拣系统成为决定物流快慢的重要因素,分拣作业占据整个物流时间的大部分。因此,提高分拣效率成为各大自建物流中心电商平台最关心的问题。本文对大型B2C电商企业仓储中心分拣系统在促销期间需求量急剧增加的情况下的订单拣选过程进行分析,并结合人因工程学相关理论,考虑分拣人员与工作环境之间的关系,采用优化建模和仿真模拟的方式对自建物流仓储中心分拣系统的订单分拣过程进行研究。通过实地调研,分析现有自建物流仓储中心在促销期分拣系统的运营现状。查阅专家学者的相关研究,结合调研结果,分析现有分拣系统在促销期缓冲区积压严重、分拣人员分配不合理、工作强度过高导致分拣效率低下等原因。通过布局优化、人员的分批调度,以最小化分拣完成时间为目标函数,建立混合整数非线性规划模型,对人员分配、订单分配进行优化。并通过Arena仿真现实场景对优化结果加以验证,最后得出结论并对仓储中心现有分拣系统给出合理建议。论文中的重点研究内容如下:对高峰期网络购物流程进行梳理。网络购物在我国经历了飞跃式的发展,其发展进程具有中国特色,不论是技术还是模式都具有处于领先于世界的水平,也形成自己独特的购物模式、物流模式。本文对电商的发展、电商物流的发展进行全面的整理介绍,尤其是促销期的物流进行全面重点的介绍:通过相关研究以及实地调研,影响顾客满意度的主要因素是物流速度,而分拣流程占据整个物流时间的较大比例。因此,本文主要聚焦在自建物流仓储中心的分拣系统,主要对现有分拣系统的订单分批模式、人员分拣模式进行重点介绍,并根据物流高峰期的订单特点,人员特点进行改进,设计优化方案;根据优化方案,设置假设条件、参数变量,以最小分拣时间为目标,设置约束,建立模型,通过Benders算法进行求解;通过Arena对优化后的模型结果进行仿真验证其有效性。设计数值实验,验证模型收敛性、以及参数变化对优化后方案分拣时间的影响。
基于深度学习目标检测的机械臂分拣系统研发
这是一篇关于深度学习,目标检测,分拣系统,云平台,机械臂的论文, 主要内容为分拣作业是制造业中非常常见的一种作业场景,由于其重复性强、作业场景单一的任务特性,分拣作业成为工业机器人的重要应用场景之一。传统的自动分拣系统使用传统图像方法,针对特定的检测工件,人工构造特征,使用模板匹配工件位置,再进行分类。该方法准确率不高,鲁棒性差,可移植性不强。同时,国内制造业从业者中缺乏图像方面的人才,提高了基于视觉的自动分拣系统在制造业中的应用门槛。因此,针对基于视觉的自动分拣系统的算法效果及其应用门槛问题,本文设计并实现了基于深度学习的自动分拣系统及用于自动分拣系统目标检测算法训练的云平台。首先,基于深度学习计算量大的情况及自动分拣系统的具体场景,设计出基于深度学习的自动分拣系统的整体架构,将自动分拣系统的表现层面(抓取工件与获取图像)、控制层面(图像处理和机械臂控制)以及后台层面(目标检测算法训练与选择)有机地分离开来,使得自动分拣系统的各模块呈现出松耦合的关系,方便后续深度学习云平台的开发;同时,结合自动分拣系统使用基于深度学习的目标检测算法的情况,针对性地进行了硬件选型、模型选型和通信方式选择。针对摄像头和机械臂,进行了手眼标定和机械臂控制指令方案的设计与实现。其次,设计自动分拣系统图像处理模块,针对深度学习算法耗时较久的问题,将传统图像处理算法和深度学习目标检测算法进行有机结合,以降低自动分拣系统图像处理模块的使用延时。同时,由于深度学习模型的训练需要大量数据集,结合制造业工厂中数据量少,且数据标注费时费力的具体情况,使用迁移学习技术提高了少量标注数据集下训练模型的表现。然后结合自动分拣系统的实际硬件配置情况,选择YOLOv3-tiny作为自动分拣系统的目标检测算法模型配置。其三,设计并实现了用于训练深度学习目标检测算法的云平台。结合云平台实际使用场景和用户需求,设计出Web-服务器的开发方案。完成了 Web前端页面和服务器驻留程序的开发。用户通过简单的Web页面的操作,即可获取定制化的深度学习目标检测模型。最后,针对自动分拣系统的图像处理模块,设计实验验证了目标检测模型配置选择的优越性,收集了自动分拣系统对于工件的抓取成功率和分拣成功率,验证了自动分拣系统的实用性与稳定性。对深度学习云平台的Web前端页面和服务器后台进行了性能测试,实验结果证明了深度学习云平台具备良好的稳定性。本文设计的基于深度学习的自动分拣系统,在改进传统自动分拣系统目标检测算法不足的同时,也针对性地进行了硬件选型、模型训练等方面的优化,同时提出的深度学习云平台大大降低了本系统在制造业中的应用门槛。
基于深度学习目标检测的机械臂分拣系统研发
这是一篇关于深度学习,目标检测,分拣系统,云平台,机械臂的论文, 主要内容为分拣作业是制造业中非常常见的一种作业场景,由于其重复性强、作业场景单一的任务特性,分拣作业成为工业机器人的重要应用场景之一。传统的自动分拣系统使用传统图像方法,针对特定的检测工件,人工构造特征,使用模板匹配工件位置,再进行分类。该方法准确率不高,鲁棒性差,可移植性不强。同时,国内制造业从业者中缺乏图像方面的人才,提高了基于视觉的自动分拣系统在制造业中的应用门槛。因此,针对基于视觉的自动分拣系统的算法效果及其应用门槛问题,本文设计并实现了基于深度学习的自动分拣系统及用于自动分拣系统目标检测算法训练的云平台。首先,基于深度学习计算量大的情况及自动分拣系统的具体场景,设计出基于深度学习的自动分拣系统的整体架构,将自动分拣系统的表现层面(抓取工件与获取图像)、控制层面(图像处理和机械臂控制)以及后台层面(目标检测算法训练与选择)有机地分离开来,使得自动分拣系统的各模块呈现出松耦合的关系,方便后续深度学习云平台的开发;同时,结合自动分拣系统使用基于深度学习的目标检测算法的情况,针对性地进行了硬件选型、模型选型和通信方式选择。针对摄像头和机械臂,进行了手眼标定和机械臂控制指令方案的设计与实现。其次,设计自动分拣系统图像处理模块,针对深度学习算法耗时较久的问题,将传统图像处理算法和深度学习目标检测算法进行有机结合,以降低自动分拣系统图像处理模块的使用延时。同时,由于深度学习模型的训练需要大量数据集,结合制造业工厂中数据量少,且数据标注费时费力的具体情况,使用迁移学习技术提高了少量标注数据集下训练模型的表现。然后结合自动分拣系统的实际硬件配置情况,选择YOLOv3-tiny作为自动分拣系统的目标检测算法模型配置。其三,设计并实现了用于训练深度学习目标检测算法的云平台。结合云平台实际使用场景和用户需求,设计出Web-服务器的开发方案。完成了 Web前端页面和服务器驻留程序的开发。用户通过简单的Web页面的操作,即可获取定制化的深度学习目标检测模型。最后,针对自动分拣系统的图像处理模块,设计实验验证了目标检测模型配置选择的优越性,收集了自动分拣系统对于工件的抓取成功率和分拣成功率,验证了自动分拣系统的实用性与稳定性。对深度学习云平台的Web前端页面和服务器后台进行了性能测试,实验结果证明了深度学习云平台具备良好的稳定性。本文设计的基于深度学习的自动分拣系统,在改进传统自动分拣系统目标检测算法不足的同时,也针对性地进行了硬件选型、模型训练等方面的优化,同时提出的深度学习云平台大大降低了本系统在制造业中的应用门槛。
L电气照明公司智能分拣中心优化管理设计
这是一篇关于智能分拣,分拣系统,智慧物流,Autostore的论文, 主要内容为近年来,中国互联网用户的爆发式增长,电商网购包括平台电商、微商井喷式发展,巨大的业务量给物流快速响应提出了更高的要求,特别是仓储分拣的需求。电子商务网上商城业务订单商品种类逐渐呈现多品种、少批量的特点,而顾客对从订单下达到收到货的时间要求越来越短,顾客网购体验感要求越来越来高,拣货次数多、拣选频率高、拣选时间短,这就要求企业进行电子商务业务的拣选和配送的速度更快、准确。随着中国人工成本大幅增加,传统的仓库人工分拣模式的低效率、易出错,已经制约了企业的电商业务发展,影响了企业的效益。由此,合理的进行规划分拣中心的仓储拣选作业,如何提高仓库货物分拣运行效率,从而降低仓库运营成本,进一步降低物流成本,是电商运营,分拣中心运营的一个重要课题。L电气照明公司是一家经营和代理销售各类电气照明产品的企业,公司经营模块分为国外订单、国内实体店销售、线上销售、工程建设等。线上销售有各大电商平台包括天猫京东等,还建有自己的垂直电商平台,电商业务量近年维持着近50%的年增长率。目前公司在苏州、北京建有自己的综合性仓储和配货中心,但目前仓库配货和拣选和国内大部分仓库一样还主要停留在第一阶段--传统仓库,即主要以人工作业为主,使用运输机、堆高机等辅助运输设备来节省人力,分拣主要以人工分拣为主。这导致了人工成本高、差错率高、分拣操作效率低等问题,使得公司物流环节效益低下,制约了公司正大力发展的电商业务的增长。为解决上述问题,公司急需要对L公司分拣中心现有的仓库布局进行静态优化;对现有的业务流程进行动态优化,构建一个电子商务仓库智能分拣系统--实现第二三阶段的仓库,利用自动化分拣来提高效率。本文是一份针对L电气照明公司的智能分拣系统的优化设计方案,本文首先分析了L电气照明公司分拣中心的业务流程现状,仓库布局及分拣存储现状,指出其业务流程、仓库布局、仓储分拣流程及面临的问题,提出L电气照明公司构建智能分拣系统的必要性和可行性。通过对L电气照明公司订单EIQ分析,仓库布局分析,仓储分拣流程,业务流程等问题分析,对L电气照明公司分拣中心给出了静态优化—仓库布局优化;也给出了动态优化,也就是业务流程优化:包括增加订单处理系统,仓库管理系统和增加密集存储智能分拣系统。接着结合公司的现状和L电气照明公司仓储分拣的目标有针对性的给出了L电气照明公司智能分拣系统方案优化设计:Autostore高密度存储魔方+智能分拣系统;最后是L电气照明公司Autostore高密度存储魔方+智能分拣系统方案的运营实施和财务分析,方案如何落地,以及L电气照明公司智能分拣中心优化效果分析。本文的研究表明为促进业务增长,提高分拣效率,需要对L电气照明公司分拣中心布局和业务流程进行静态和动态优化。本文针对L电气照明公司实施的Autostore高密度存储+智能分拣系统的方案是完全必要的,并且可行的,方案是可以实施的,有价值的。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/55488.html
