单件分离的特征包括哪些？

随着我国物流业的快速发展，对智能物流的要求也越来越高，单件分离系统物品信息的采集和分析是整个智能物流的基础。采集到的信息主要依靠工业相机读取物品表面的条码信息，然后反馈给系统，形成下一步的智能分拣动作。然而，随着快递业的快速发展，日包裹量已突破1亿件，给快递分拣中心带来了巨大压力。尽管自动化设备已大规模使用以提高他的效率，但自动化分拣是单件操作，这意味着需要将已分拣的包裹分成单件并提供给分拣机。目前这个环节主要是人工完成。 .这种人工上料（送料）方式有利于将面片统一向上放置，实现条码阅读器的流畅读取，但人工容易疲劳，效率有限。包裹和散件的流转急需自动化设备提高他的效率，否则会严重制约后端分拣机的效率。同时，称重装置、扫描仪等自动化处理设备也需要将包裹分离成单件。因此，效率高的的单件分离技术对于提高快递枢纽转运中心的效率，减少人工操作至关重要。

单件分离

为了有效解决这一问题，本发明提出了一种基于深度学习和机器视觉的单件分离系统，可以快速分离大波快递。

单件分离目的是针对现有技术的缺陷，提供一种基于深度学习和机器视觉的单片分离系统、方法和装置。

单件分离为实现上述目的，本发明采用以下技术方案：

基于深度学习和机器视觉的单片分离系统，包括：

采集模块用于采集放置在传送带上的包裹的图像，并将采集到的图像输入深度学习模块；

深度学习模块用于接收采集模块输入的图像，将接收到的图像输入神经网络模型进行训练，得到位置识别模型；

识别模块用于采集当前放置在传送带上的包裹的图像，并将采集到的当前包裹的图像输入到位置识别模型中，位置识别模型输出当前包裹的位置，并发送将位置信息打包到控制模块；

控制模块，用于接收识别模块发送的包裹位置信息，并根据包裹位置信息向执行模块发送控制指令；

执行模块用于接收控制模块发送的控制指令，通过传送带将包裹单独分开。

采集模块和识别模块还包括通过labelimg工具对采集到的包裹图像进行标注。

深度学习模块具体包括：

头一个处理模块用于将标记的包图像输入到vgg中

单件分离在卷积神经网络中进行特征提取，输出包裹图像的特征图；

二处理模块，用于将包裹后图像的输出特征图输入rpn网络进行处理，输出特征图的目标候选区域；

三处理模块用于将输出的目标候选区域和图像特征图输入roi pooling网络进行处理，输出包在目标候选区域中的准确位置。

控制模块接收识别模块发送的包裹位置信息，并根据包裹位置信息向执行模块发送控制指令。信息通过 PLC 接收和发送。

执行模块中的传送带由伺服电机控制，伺服电机由PLC控制。

相应地，还提供了基于深度学习和机器视觉的单片分离方法，包括：

注意，以上仅为优选实施例和应用技术原理。单件分离领域技术人员将理解，本发明不限于本文所述的具体实施例，本领域技术人员可以在不脱离保护范围的情况下进行各种明显的变化、调整和替换。因此，虽然本发明已通过以上详细描述实施例，本发明不限于上述实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，其范围由所附权利要求书确定范围。