3D机器视觉,物流仓储痛点的得力助手

机器视觉作为人工智能的一个分支,一个新型产业,在工厂自动化、物流、仓储行业当中起着至关重要的作用。在11月22日举办的库猫杯物流中国行活动中,康耐视作为全球工业自动化机器视觉领域的领先企业,在创新秀场环节——康耐视视觉监测系统(上海)有限公司大中华区物流销售总监郭玉喜做了关于《机器视觉技术在智慧物流中的应用》的主题演讲,主要针对物流行业的痛点及如何解决的问题进行展开。

3D机器视觉,物流仓储痛点的得力助手

郭玉喜归纳总结了机器视觉应用的四大功能:第一,条码识别;第二,检测。检测在3C类行业中的每个环节都至关重要;第三,测量。主要是非接触测量,如长度、角度、漏错装等;第四,引导。引导是机器人引导,如,拣选、形态包装设计到的三维等。康耐视是一家专注于做机器视觉的公司,其机器视觉应用于多个领域,像汽车、电子行业、制造流程、质量控制和机器人引导等。

针对康耐视他介绍道,康耐视的名字源于一位“认知专家”,他是麻省理工的博士生导师,1981年带领两位学生成立了康耐视,发展至今已有36年的历史,一直坚持“客户优先”的宗旨。于纳斯达克上市。康耐视从刚开始专注的半导体行业到慢慢扩散的其它行业,再到现在专注的机器视觉,无论技术还是市场占有率都位于全球首位。进入物流行业6年,服务客户包括国外:亚马逊、GAP、ZALANDO、韩国乐天超市;国内:菜鸟、京东、唯品会、中国烟草、邮政、九州通医药。

3D机器视觉,物流仓储痛点的得力助手

环境恶劣,空间狭小,读码痛点如何破?

针对行业,特别是物流行业来说,条码发生褶皱、反光、条码破损、缺失等问题,对于仓库运行来说是一大难题,郭玉喜对此表示,此前,亚马逊也遇到过类似问题。在亚马逊西雅图仓,日吞吐100万包裹,采用高速的夹带分拣,分拣的速度很快,但是痛点在于皮带上有些码是褶皱的,很不容易读到。在亚马逊,自动贴标环节尤为关键,相比于传统的扫描机,康耐视视觉扫码系统帮助亚马逊解决了这个问题。它可装在分拣设备上,通过设备读取物品上的条码,然后确认、转移并记录库存的消减,在环境恶劣的情况下扫描速度快,读取率高。

他认为,读码当中“算法”很重要!在现如今高吞吐量的速度下,有些产品的条码镜面反射、扭曲变形、畸变、印刷质量差、二维码背景干扰、划伤的条码,这对于机器视觉的要求尤其高,康耐视扫码系统是基于视觉的算法,针对这些问题,通过扫描可以在很短的时长内反馈信息。在服装行业有褶皱、反光到底怎么处理?传统的方式是多拍几次、装更多的设备去弥补等,但是用算法和视觉系统会让识别率更高。

机器视觉——深度学习系统

提高读取率对企业、对物流分拣中心的重要性是不言而喻的。但有些不是码出了问题,而是标签脱落了,这是操作原因,还有如条码遮挡住了,这些看似是解决不了的问题,怎么样提高到99.9%?那就要有深度学习系统,这套系统做什么?它是由RTM系统做的,会把没有处理的东西收集起来做图像处理,帮你分辨是什么原因导致的,是贴标机没有做好还是什么原因,它可以出一个完整的报告出来。如果你想去细化的了解它,它帮你存储一些图片,在你的手机上点进去就可以看到。

3D机器视觉,物流仓储痛点的得力助手

同时这套深度学习系统是可以用手机在任何有网络的地方监控分拣中心吞吐量以及出现异常的状态,并且给你一些警告。什么样的警告?就是报警。打个比方说系统连续发现有30个包裹出现相同的问题,它经过深度学习判断一下“打印机,断针了”,然后给你预警,让操作人员和技术人员管理,而不是等到大批量的堆积之后才有人处理它。

这套系统在亚马逊真的做到了改善,真的帮他做到了99.9%。作业过程中产生的问题是企业的痛点,而是标签质量下降导致的,大部分情况下不是读码器性能不好的原因。像在后端运转过程出现标签被东西粘住、脱落、位置贴不正确翘起,这些经过深度学习系统通过视觉的方式都可以把它解决。

产品亮点:1、一个偏振镜从光学上面消除一些反光;2、算法可以更好的解决褶皱、破损、反光问题;3、高读取率,运动到不同位置时拍摄的角度不一样,图像也不一样,所有的数据都是基于图像,可以保持比较高的读取率。

3D机器视觉,物流仓储痛点的得力助手

打破传统——3D视觉

3D视觉,是基于机器人引导,它是小件的拣选,跟UI和Denso机器人合作的。UI机器人自动抓取货物盒子,通过3D视觉,给它准确的三维坐标系进行工作。此项产品在亚马逊中正在使用。之前,3D应用是专注在电子和汽车行业,它的产品一致性很好,要求的精度非常高。

为什么现在才出物流行业的产品?因为物流行业有一个特点是物品大小不一、范围高低不等,康耐视对此重新做了三维图像获取算法。二维视觉检测,三维视觉,包括体积测量、机器人引导、瑕疵检测、数个数等都可以通过3D视觉系统做。

发表评论

邮箱地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据