本发明专利技术公开一种基于边缘计算的单件分离方法及装置，分拣方法及系统，其中单件分离方法包括步骤：S1:获取当前传输线上的RGB图像和深度图像；S2:对RGB图像和深度图像进行对齐；S3:分别对RGB图像和深度图像进行目标检测，得到RGB图像检测结果和深度图像检测结果；S4:将RGB图像检测结果和深度图像检测结果进行融合，得到传输线上物件的布局和形态；S5:根据物件的布局形态与阵列皮带的位置关系，调整阵列皮带的分离顺序及速度。本发明专利技术采集RGB图像和深度图像，并进行对齐和融合，得到物件的布局和形态及与阵列皮带的关系，能够大幅度提高分离的准确率，并部署在分离现场，能够大大提高分拣的速度和效率。分拣的速度和效率。分拣的速度和效率。
【技术实现步骤摘要】
基于边缘计算的单件分离方法及装置、分拣方法及系统
[0001]本专利技术涉及自动化处理
，特别是涉及单件分离方法及装置、分拣方法及系统。
技术介绍
[0002]电商产业的迅猛发展，网络购物已经成为人们主要的购物方式，为了提高效率，网络购物通常都是将物品打包成物件或者物件存放在仓库，由仓库将用户购买的物品通过物流发送到用户，在用户终点所在地，也会有集中的仓库，将来自各地的物件集中放在仓库，并进行分拣，再送至具体客户地址。
[0003]面对每天数以亿计的物件快递物件，对物件的自动化处理提出越来越高的要求。近些年来，以交叉带分拣机、矩阵式分拣、AGV机器人分拣为主要形式的快递分拣系统已经大量部署，极大的提升了快递物件分拣的自动化水平，但分拣系统前端的单件分离还主要依靠人工完成，物件处理能力及场地流转率都受到很大限制，而制约分拣效率的主要原因主要是在物件分离环节上。
[0004]为此，基于图像处理的人工智能技术和云计算开始应用在分拣上，大大提高了分拣的自动化水平和智能化水平，但由于分拣场景复杂，导致采集的图像数据庞大，从而带来了高昂的计算成本以及网络传输滞后等，难以进一步提高分拣效率。
技术实现思路
[0005]为克服上述现有技术存在的不足，专利技术提出一种基于边缘计算的单件分离方法，包括步骤：
[0006]S1:获取当前传输线上的RGB图像和深度图像；
[0007]S2:对RGB图像和深度图像进行对齐；
[0008]S3:分别对RGB图像和深度图像进行目标检测，得到RGB图像检测结果和深度图像检测结果；
[0009]S4:将RGB图像检测结果和深度图像检测结果进行融合，得到传输线上物件的布局和形态；
[0010]S5:根据物件的布局形态与阵列皮带的位置关系，调整阵列皮带的分离顺序及速度。
[0011]进一步地，步骤S2包括：
[0012]S20:获取RGB摄像头的内参矩阵深度摄像头的内参矩阵和RGB摄像头与深度摄像头的外参旋转矩阵和偏
移矩阵
[0013]S21：遍历深度图像中的每个像素点坐标，计算深度图像中像素点对应RGB图像中的像素点的坐标，包括：
[0014]根据深度图像的像素坐标计算世界坐标，其公式为：
[0015][0016]将外参矩阵把深度图像的世界坐标和RGB图像的世界坐标对齐，其公式为：
[0017][0018]根据RGB图像的世界坐标计算RGB图像的像素坐标，实现深度图像像素坐标和RGB图像像素坐标的对齐，其公式为：
[0019][0020]进一步地，对RGB图像进行目标检测为：使用YOLACT深度网络进行训练得到的模型进行检测。
[0021]进一步地，对深度图像进行目标检测包括：
[0022]将深度图像转换为灰度图像，其转换公式为：
[0023][0024]根据灰度图像直方图将灰度图像分层；
[0025]将分层之后的灰度图像转换为二值图像；
[0026]对二值图像进行分割，获得物件数量。
[0027]进一步地，S4包括：
[0028]S40:分别对RGB图像检测到的目标RGBDObject
i
(i＝1，...，N)和深度图像检测到的目标DEPTHObject
j
(j＝1，...，M)进行排序；
[0029]S41:搜索排序后的RGBObject
i
(i＝1，...，N)和DEPTHObject
j
(j＝1，...，M)相互重叠的目标，若RGBObject
i
与DEPTHObject
j
相互重叠，且重叠面积大于两个目标中面积较小的面积的1/2，则把两个目标合并，并记为RGBDObject
k
；
[0030]S42:对没有被合并的RGBObject
i
和DEPTHOject
j
，若目标的面积大于预设的物件的面积，则保留并标为RGBDObject
k
，否则丢弃；
[0031]S43：得到所有的目标检测结果RGBDObject
k
(k＝1，...，K)，K为检测到的所有目标，并对目标进行排序。
[0032]进一步地，S5中调整阵列皮带的分离顺序及速度包括:
[0033]S50:预先固定的值；
[0034]S51：输入物件位置信息；
[0035]S52:当传输线无物件，则将每个小皮带设为低速运转，若传输线上有物件，则执行步骤S53:
[0036]S53:计算每个物件最小外接矩形的X最大值、X最小值、Y最大值和Y最小值；
[0037]S54:根据每个物件的最小外接矩形，计算每个物件所压小皮带的范围；
[0038]S55:根据物件所压的小皮带的情况，以及上一帧图像计算出来的分离区中每个小型传输带的速度，计算出当前图像中每个物件的运行速度；
[0039]S56:设定物件的速度；
[0040]S57:根据步骤S56计算出来的结果，给每个小型传输带赋予一个速度值。
[0041]本专利技术还公开一种基于边缘计算的单件分离装置，包括图像处理模块和控制模块，其中：
[0042]图像处理模块用以采集RGB图像和深度图像并进行处理，获得传输线上物件的布局和形态；
[0043]控制模块根据物件的布局和形态，调整阵列皮带的分离顺序及速度。
[0044]本专利技术还公开一种分拣方法，包括步骤：
[0045]将物件导入到传输带上；
[0046]对导入的物件进行分散处理；
[0047]对物件进行分离；
[0048]对物件进行居中或靠边处理，实现物件的单列传输；
[0049]将单列传输的物件传输到后续处理设备，
[0050]对物件进行分离的方法为所述的单件分离方法。
[0051]本专利技术还公开一种分拣系统，包括传输装置，传输装置包括：
[0052]导入单元：将物件导入到传输带上；
[0053]分散单元：对导入的物件进行分散处理；
[0054]分离单元：对物件进行分离，所述分离单元为所述的基于边缘计算的单件分离装置；
[0055]居中单元：对物件进行居中或靠边处理，实现物件的单列传输；
[0056]导出单元：将单列传输的物件传输到后续处理设备。
[0057]与现有技术相比，本专利技术同时采集RGB图像和深度图像，并对RGB图像和深度图像进行分析，然后对齐并融合，得到物件的布局和形态及与阵列皮带的位置关系，能够大幅度提高分离的准确率，并将算法部署在分离现场，能够大大提高了分离的速度和效率。
附图说明
[0058]图1为本专利技术一种基于边缘计算的单件分离方法的流程示意图；
[0059]图2为本申请实施例在某帧图像物件检测的示意图；
[0060]图3为本申请基本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于边缘计算的单件分离方法，其特征在于，包括步骤：S1:获取当前传输线上的RGB图像和深度图像；S2:对RGB图像和深度图像进行对齐；S3:分别对RGB图像和深度图像进行目标检测，得到RGB图像检测结果和深度图像检测结果；S4:将RGB图像检测结果和深度图像检测结果进行融合，得到传输线上物件的布局和形态；S5:根据物件的布局形态与阵列皮带的位置关系，调整阵列皮带的分离顺序及速度。2.如权利要求1所述的单件分离方法，其特征在于：步骤S2包括：S20:获取RGB摄像头的内参矩阵深度摄像头的内参矩阵和RGB摄像头与深度摄像头的外参旋转矩阵和偏移矩阵S21：遍历深度图像中的每个像素点坐标，计算深度图像中像素点对应RGB图像中的像素点的坐标，包括：根据深度图像的像素坐标计算世界坐标，其公式为：将外参矩阵把深度图像的世界坐标和RGB图像的世界坐标对齐，其公式为：根据RGB图像的世界坐标计算RGB图像的像素坐标，实现深度图像像素坐标和RGB图像像素坐标的对齐，其公式为：3.如权利要求1所述的单件分离方法，其特征在于，对RGB图像进行目标检测为：使用YOLACT深度网络进行训练得到的模型进行检测。4.如权利要求1所述的单件分离方法，其特征在于：对深度图像进行目标检测包括：将深度图像转换为灰度图像，其转换公式为：根据灰度图像直方图将灰度图像分层；
将分层之后的灰度图像转换为二值图像；对二值图像进行分割，获得物件数量。5.如权利要求1所述的单件分离方法，其特征在于：S4包括：S40:分别对RGB图像检测到的目标RGBObject
i
(i＝1，...，N)和深度图像检测到的目标DEPTHObject
j
(j＝1，...，M)进行排序；S41:搜索排序后的RGBObject
i
(i＝1，...，N)和DEPTHObject
j
(j＝1，...，M)相互重叠的目标，若RGBDObject
i
与DEPTHObject
j
相互重叠，且重叠面积大于两个目标中面积较小的面积的1/2...
【专利技术属性】
技术研发人员：吕岳，吕淑静，娄鹏杰，运子葳，陆虎，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。