如何将深度学习模型用于自动拾取和放置系统

高级仓库每天处理数十万份订单。满足这些数量需要大量的库存、物理空间和复杂的工作流程，以支持高数量的拣选项目。

此外， Micro Fulfillment Center 越来越流行于填写客户的当天交货订单。

高效操作这些类型的先进设施和机械以及大量资源需要熟练工人。虽然劳动力正在减少，但投资于边缘计算与人工智能会有所帮助。

劳动力萎缩

现代仓库具有强大的自动化功能。自动机器和车辆在仓库周围移动产品，输送机系统将货物移动到集装箱中，并使用提供拾取和排序系统的高级 3D 网格智能包装产品。但即使在目前的自动化水平下，现代仓库仍然是劳动密集型的。

如果包装箱的尺寸不同，则自动包装很困难，通常需要手动完成。有些物品又大又重，需要叉车和司机搬运。寻找和留住员工是一项挑战，新冠病毒加剧了这一问题。在劳动力不断减少的同时，仓储业也在迅速发展。下一代仓库需要专注于自动化才能成功。

先进工业的深度学习

深度学习和边缘计算方面的进步提供了智能并自动化了更多的仓库流程。自动化分拣和放置系统是高级仓库正在实施的操作的一个例子。在拾取和放置系统中，自动机器在箱子中的其他对象中识别一个对象，然后选择该对象并将其放置在其他地方进行打包。

为了使这个系统自动化，需要许多不同的深度学习模型。这是因为有些物体很难用计算机视觉检测，比如半透明、反光或非均匀物体。

下面的演练概述了如何将深度学习模型用于自动拾取和放置系统。

首先，需要确定对象抓取点。这是最简单的深度学习模型，但也是自动化的一个重要功能。一旦知道在哪里抓取物体，就有必要了解物体在三维空间中是如何存在的。因此，需要一个深度估计模型，使拾取和放置系统能够了解环境中对象的深度。

透明或反射对象的检测错误率较高。

拾取对象后，需要放置该对象。为此，使用方向模型确定拾取的项目在空间中的位置。

方向模型有助于我们了解对象需要如何放置或打包。

结合这些型号和其他型号，可实现有效的箱子包装。

通过仿真模型对多层料仓包装进行了测试。

拣放系统仅展示了零售商用于改进仓库自动化的模型的一些示例。

关于作者

Troy Estes 是 NVIDIA Edge 和企业计算解决方案的产品营销经理。在加入 Edge & Enterprise 业务部门之前，特洛伊曾在自主汽车业务部门和 NVIDIA 电网产品集团从事营销活动和支持产品 GTM 。

审核编辑：郭婷