拣货管理前台html程序,一种仓库拣货方法、系统与流程

f136787d7f2584fc86151572caf66891.gif

本发明涉及仓库拣选作业技术领域,尤其涉及一种仓库智能拣货方法、系统。

背景技术:

现有技术对仓库货物进行拣选,一般采用人工进行,具体过程是:仓库管理系统生成订单,订单上有货架号、货物型号等信息,拣货人员根据订单上的信息,步行或者驾驶叉车到指定货架拣货。在拣货时,广为应用的是摘果式和播种式两种拣货方式,摘果是指针对每一个订单,拣货人员或设备巡回于各个货架,将所需要的货物取出,其特点是每次只处理一份订单,进行摘果式拣选。播种是指将混合了多个订单商品的货物,重新分拣到对应的个人订单。

当商品种类繁多,订单数量庞大时,采用播种式拣货方式,可以提高工作效率,缩短拣货时行走搬运的距离,增加单位时间的拣选数量。

但是,采用纯人工播种的方式,容易产生人为出错,而且工作效率也因人而异。

技术实现要素:

有鉴于此,本发明的目的在于提供一种仓库拣货方法、系统,能够提高拣货效率以及减少出错率。

本发明解决上述技术问题所采用的技术方案如下:

根据本发明的第一个方面,提供一种仓库拣货方法,适用于仓库拣货设备,所述方法包括以下步骤:

垂直三轴机器人移动托盘进入扫码通道系统;播种机器人对播种箱中的待播种货物进行识别、抓取,并将抓取的待播种货物移动到扫码通道系统内且位于托盘的正上方处;播种机器人松开抓取的货物,让待播种货物自由下落至所述托盘里,扫码通道系统内的扫码器,对自由下落的待播种货物进行扫码,并将扫码信息发送给垂直三轴机器人;垂直三轴机器人根据所述扫码信息,将托盘中的待播种货物投入到料车对应的播种框中。

根据本发明的第二个方面,提供一种仓库拣货系统,所述系统包括:机械臂抓取系统、扫码通道系统、垂直分拣系统,所述扫码通道系统位于机械臂抓取系统和垂直分拣系统之间,所述机械臂抓取系统包括播种机器人、播种箱,所述播种机器人对播种箱中的待播种货物进行识别、抓取,并将抓取的待播种货物移动到扫码通道系统进行扫码,所述垂直分拣系统根据扫码信息,对待播种货物进行投放。

本发明实施例的仓库拣货方法、系统,通过机械臂抓取系统实现货物智能识别、抓取,通过扫码通道系统实现快速准确扫码,再结合垂直分拣系统实现分拣和运送,使得拣货系统不再受限于机械臂的参数,增加了整个拣货系统的柔性和可拓展性,大大提高了分拣系统的工作效率。

附图说明

图1为本发明实施例一提供的仓库拣货系统的结构示意图;

图2为本发明实施例二提供的仓库拣货系统的结构示意图;

图3为本发明实施例三提供的仓库拣货方法的流程示意图;

图4为本发明实施例四提供的仓库拣货方法的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。

具体实施方式

应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。

在后续的描述中,如果使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。

请参阅图1,图1为本发明实施例一提供的仓库拣货系统的结构示意图。

如图1所示,仓库拣货系统包括机械臂抓取系统10、扫码通道系统20、垂直分拣系统30。所述扫码通道系统20位于机械臂抓取系统10和垂直分拣系统30之间。

所述机械臂抓取系统10包括播种机器人11、播种箱12,所述播种机器人11通过识别装置对播种箱12中的待播种货物进行识别,获取包括待播种货物的形状、大小、在播种箱内的位置、朝向等信息,再根据所述识别信息,控制机械臂到达一个抓取位置,对待播种货物进行抓取,并将抓取的待播种货物移动到扫码通道系统20进行扫码,所述垂直分拣系统30根据扫码系统20发送的扫码信息,对待播种货物进行投放。

进一步的,所述扫码通道系统20包括通道安装架21和多个扫码器22。

如图所示,所述扫码器22安装在通道安装架21的四周,如顶部、底部、左侧、右侧、前方、后方,这样可以精准全面的对进入扫码通道系统20的货物进行扫码。所述通道安装架21底部还可以安装滚轮,用于移动和调整位置。所述播种箱12可以放置在通道安装架21的底座上,方便播种机器人11抓取待播种货物。在其它实施例中,播种箱12也可以由传送结构运送到相应位置就行,比如传动带等。

所述垂直分拣系统30包括垂直三轴机器人31、托盘32、料车33、播种框34。

所述托盘32安装在垂直三轴机器人31上,所述垂直三轴机器人31可移动托盘沿水平x轴、水平y轴、垂直z轴运动。所述托盘32材质为透明材质,当托盘32进入扫码通道系统20时,所述扫码通道系统20可以对透明托盘32里的货物进行扫码。

所述料车33位于托盘32和播种框34之间,所述料车33由多个滑道331组成,所述滑道331从托盘32一侧向播种框34一侧,往下倾斜一定坡度,方便运送托盘32中的待播种货物至播种框34。每一个播种框34均对应设置一个滑道331。所述料车33底部还可以安装滚轮,方便移动和调整位置。

工作时,所述垂直三轴机器人31移动托盘32进入扫码通道系统20,等待待播种货物,所述播种机器人11将抓取的待播种货物移动到扫码通道系统内且位于托盘32的正上方处,所述播种机器人11松开抓取的待播种货物,让待播种货物自由下落至所述托盘32里,所述扫码器22对自由下落的待播种货物进行扫码,并将扫码信息发送给垂直三轴机器人31。所述待播种货物在下落过程中,扫码器22在无任何遮挡的情况下对其扫码,增加了扫码的成功率。所述垂直三轴机器人31根据收到的扫码信息,将托盘32中的待播种货物通过料车的滑道331投入到对应的播种框34中。

通过本实施例提供的仓库拣货系统,通过机械臂抓取系统实现货物智能识别、抓取,通过扫码通道系统实现快速准确扫码,再结合垂直分拣系统实现分拣和运送,使得拣货系统不再受限于机械臂的长度以及机械臂的运动范围,仅需拓展垂直分拣系统中播种框的数量,即可增加货物分拣数量,从而增加整个拣货系统的柔性和可拓展性,大大提高了分拣系统的工作效率。

再继续参阅图2,本发明实施例二提供的仓库拣货系统的结构示意图。实施例二和实施例一的仓库拣货系统的区别在于,实施例二中,一个机械臂抓取系统对应多个扫码通道系统和垂直分拣系统。

如图2所示,本实施例中,仓库拣货系统包括机械臂抓取系统100、第一扫码通道系统101和第一垂直分拣系统102、第二扫码通道系统201和第二垂直分拣系统202、第三扫码通道系统301和第三垂直分拣系统302。

三组扫码通道系统和垂直分拣系统分别设置在机械臂抓取系统的三个方向。其中,每组扫码通道系统和垂直分拣系统的具体结构和实施例一中类似,这里不再赘述。

所述机械臂抓取系统100对待播种货物进行识别、抓取,根据识别的货物信息,将抓取的待播种货物移动到对应的扫码通道系统进行扫码,扫码通道系统将扫码信息发送至对应的垂直分拣系统,所述对应的垂直分拣系统对待播种货物进行投放。

通过本实施例提供的仓库拣货系统,在实施例一的基础上进行了拓展,增加了扫码通道系统和垂直分拣系统的数量,使得识别抓取货物和扫码分拣过程可以实现并行,成倍地增加了仓库拣货系统的工作效率。

请继续参阅图3,为本发明实施例三提供的仓库拣货方法的流程示意图。

所述仓库拣货方法包括:

步骤s301、垂直三轴机器人移动托盘进入扫码通道系统;

所述垂直三轴机器人可沿水平x轴、水平y轴、垂直z轴运动。垂直三轴机器人上安装一个透明托盘,为了更准确的获得待播种货物的扫码信息,所述垂直三轴机器人沿水平x轴运动(扫码通道系统设置在垂直机器人的x轴方向处),移动托盘进入到扫码通道系统,并等待待播种货物的投放。

步骤s302、播种机器人对播种箱中的待播种货物进行识别、抓取,并将抓取的待播种货物移动到扫码通道系统内且位于托盘的正上方处;

所述播种机器人对播种箱中的待播种货物进行识别、抓取,具体包括:

通过货物识别装置对待播种货物进行识别,获取货物的形状、大小、位置、朝向等信息;

根据识别的信息,生成抓取姿态,机械臂到达抓取位置,对所述货物进行抓取。

所述将抓取的待播种货物移动到扫码通道系统内且位于托盘的正上方处,所述待播种货物底面距离托盘的距离设置在一定范围内(大约在20cm至50cm之间),所述距离由待播种货物的厚度决定,厚度越大,所述距离越大,厚度越小,所述距离越小。这样可以防止待播种货物自由落体时,由于距离太大导致货物落到托盘时,弹出托盘。

步骤s303、播种机器人松开抓取的货物,让待播种货物自由下落至所述托托盘中,同时,扫码通道系统内的扫码器对自由下落中的待播种货物进行扫码,并将扫码信息发送给垂直三轴机器人;

扫码通道系统内的扫码器安装在通道支架上的四周,可以从顶部、底部、左侧、右侧、前方、后方对下落中的货物进行扫码,提高扫码成功率。

当扫码器对自由下落中的货物扫码失败时,垂直机器人移动托盘沿z轴上下移动一段距离,扫码器对下落至托盘内的货物再次进行扫码,由于托盘采用透明材质,因此可以极大提升扫码成功率。

步骤s304、垂直三轴机器人根据所述扫码信息,将托盘中的待播种货物投入到料车对应的播种框中。

具体包括:

垂直三轴机器人根据所述扫码信息,查询仓库管理系统,确认待播种货物在对应的播种框中的指定位置;

垂直三轴机器人移动托盘到对应的投放位置,并将货物推入滑道;

待播种货物经由滑道进入播种框中的指定位置。

以上步骤中,播种机器人将第一个货物释放后,此时垂直三轴机器人根据分拣信息将货物分拣到播种框中,即当播种机器人完成识别抓取并放开物体后,可以立刻开始识别抓取第二个货物,此时,扫码分拣系统在扫码和分拣第一个货物,因此识别抓取和扫码分拣同时进行,称之为并联执行。

结合图2提供的实施例二,当拓展多组扫码通道系统和垂直分拣系统时,多个扫码步骤和分拣步骤可以与抓取步骤并联执行,成倍的提高拣货效率。

请参阅图4,为本发明实施例四提供的仓库拣货方法的流程示意图。本实施例中,设置了三组扫码通道系统和垂直分拣系统。

步骤s401、播种机器人对播种箱中的待播种货物进行识别、抓取,根据识别的货物信息,确认对应的扫码通道系统和垂直分拣系统,播种机器人将抓取的货物移动到对应的扫码通道系统内;

在播种机器人对播种箱中的待播种货物进行识别、抓取之前,各组的垂直三轴机器人移动托盘进入对应的扫码通道系统内,等待待播种货物;

步骤s402、当播种机器人抓取的货物对应第一组扫码通道系统和垂直分拣系统时,第一组的扫码通道系统对货物进行扫码,第一组的垂直分拣系统对货物进行分拣;

步骤s403、当播种机器人抓取的货物对应第二组扫码通道系统和垂直分拣系统时,第二组的扫码通道系统对货物进行扫码,第二组的垂直分拣系统对货物进行分拣;

步骤s404、当播种机器人抓取的货物对应第三组扫码通道系统和垂直分拣系统时,第三组的扫码通道系统对货物进行扫码,第三组的垂直分拣系统对货物进行分拣。

各组进行的扫码和分拣过程和实施例三中相同,这里不做赘述。

本实施例的仓库拣货方法,将智能识别抓取与无遮挡快速扫码、分拣过程并联执行,提升了整体的成功率,并提高了工作效率。

需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。

通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值