当前位置: 首页 > news >正文

【康耐视国产案例】智能AI相机机器视觉精准快速实现包裹标签的智能粘贴

康耐视推出的3D-A1000是专业的、匹配物流行业各类分拣机及包裹检测应用的全功能视觉检测系统,其能够准确检测分拣机上是否有包裹、包裹是否超出边界、空车检测、是否有遗留物品等。由于搭载了专利的三维结构光技术,产品具有更强大的创新性以满足持续更新的客户需求。

本期,将聚焦3D-A1000在快递物流行业中针对包裹的智能贴标及标签验证应用,深入剖析其方案的独特特性与显著价值。

客户需求

不同于常规情况下,只需验证包裹上一个标签的粘贴是否正确,本次案例的客户,希望在包裹表面已有标签的基础上,贴上新标签来显示包裹的实际重量。然而,实现这一需求却面临四大挑战:

1、新标签不能遮挡住包裹上原先的标准运输标签条形码

2、贴标过程应尽量快速、精准,确保整体作业效率不受影响

3、方案应不对包裹的尺寸和形态进行限制,做到应贴尽贴、应检尽检

4、方案尽量小型化和轻量化,不因现场作业空间有限而难以落地

康耐视3D-A1000解决方案

针对以上需求,康耐视为客户量身定制了一套基于3D-A1000的快递物流行业包裹智能贴标及标签验证视觉解决方案——将两台3D-A1000分别安装在两台机械手臂上,其中一台负责抓取包裹,另一台负责找到位置智能贴标,两台设备组网协同完成整体作业。

图片

1

 定位原有标签

首先,利用3D-A1000的2D图案定位工具,定位原有标签位置,并引导机械臂完成包裹的抓取。由于3D-A1000配备了经过验证的康耐视嵌入式视觉工具,能够轻松应对各种包裹包括检测小件、透明件和反光材质等,以及应对多种尺寸和形态的包裹完成稳定检测。

图片

2

 重新定位新标签位置

其次,通过3D-A1000的3D表面定位工具,找寻到包裹上所有可行的三维位置坐标,并通过简单编程规划,引导机械臂在避免覆盖原有标签前提下,选择最短移动路径进行新标签的粘贴,从而提升贴标工作效率。

图片

此项目充分展现了3D-A1000在2D与3D技术结合方面的卓越能力,仅通过少量的脚本编写,就能为客户提供高效且精准的包裹智能贴标及标签验证解决方案。这款具有紧凑外形的3D-A1000智能相机,通过其独特的机械手臂部署方式,在有限的空间内就能轻松完成部署。在出厂前,3D-A1000已完成调焦和标定,系统集成如同安装般简单,用户只需通过直观的设置向导,在15分钟内即可完成安装,展现出了其高效与便捷性。

目前,康耐视所提供的3D-A1000包裹智能贴标及标签验证视觉方案已在客户端成功落地实施,不仅提升了工作效率,还保证了贴标的精准度,为客户带来了显著的价值。

图片

与市面上其他方案相比,传统一维方案提供的反馈有限,处理不同类型的分拣机、不同尺寸的包裹时缺乏灵活性;传统二维方案对整洁程度问题敏感,需要现场进行费时的对焦和打光调整;传统三维方案通常需要定制编程;传统人工操作方案更加费时且不可靠。

而3D-A1000方案则在这些方面进行了全面的优化和提升。它融合了三维和二维技术的优势,不仅作业准确度高,而且作业效率也非常出色。与此同时,该方案并不会对产线的整体作业速度产生任何影响,确保了生产线的流畅运行。

此外,3D-A1000方案对安装环境的要求相对较低,降低了部署的难度和成本。更为值得一提的是,其编程简单,开箱即用,极大地缩短了部署和调试的时间,为企业带来了显著的经济效益。

相关文章:

  • 问题排查|记录一次基于mymuduo库开发的服务器错误排查(段错误--Segmentation fault (core dumped))
  • 虚拟现实环境下的远程教育和智能评估系统(一)
  • 头歌数据结构与算法课程设计中-硬币找零
  • vue项目中markdown显示为html
  • MatLab命令行常用命令记录
  • 华为昇腾310 ATC模型转换、CPP推理案例使用
  • finetuning大模型准备(基于Mac环境)
  • SpringBoot 基于jedis实现Codis高可用访问
  • MySQL 命令总结篇-思维导图
  • 关于linux查询free内存消耗命令
  • Vue3实战笔记(55)—Vue3.4新特性揭秘:defineModel重塑v-model,拥抱高效双向数据流!
  • 【计算Nei遗传距离】
  • 东莞酷得智能 组装机械狗电子玩具方案
  • java多态——向下转型
  • Spring boot 随笔 1 DatasourceInitializer
  • 【Amaple教程】5. 插件
  • 【node学习】协程
  • 【跃迁之路】【519天】程序员高效学习方法论探索系列(实验阶段276-2018.07.09)...
  • C语言笔记(第一章:C语言编程)
  • JDK9: 集成 Jshell 和 Maven 项目.
  • Js基础知识(四) - js运行原理与机制
  • js如何打印object对象
  • Just for fun——迅速写完快速排序
  • Logstash 参考指南(目录)
  • Redis 中的布隆过滤器
  • Redis提升并发能力 | 从0开始构建SpringCloud微服务(2)
  • vue-loader 源码解析系列之 selector
  • 从 Android Sample ApiDemos 中学习 android.animation API 的用法
  • 从零开始的无人驾驶 1
  • 更好理解的面向对象的Javascript 1 —— 动态类型和多态
  • 机器学习 vs. 深度学习
  • 开源地图数据可视化库——mapnik
  • 名企6年Java程序员的工作总结,写给在迷茫中的你!
  • 前端存储 - localStorage
  • 前端面试题总结
  • 入口文件开始,分析Vue源码实现
  • 扫描识别控件Dynamic Web TWAIN v12.2发布,改进SSL证书
  • 项目实战-Api的解决方案
  • 一个普通的 5 年iOS开发者的自我总结,以及5年开发经历和感想!
  • 深度学习之轻量级神经网络在TWS蓝牙音频处理器上的部署
  • 白色的风信子
  • ​油烟净化器电源安全,保障健康餐饮生活
  • #我与Java虚拟机的故事#连载11: JVM学习之路
  • (~_~)
  • (NO.00004)iOS实现打砖块游戏(九):游戏中小球与反弹棒的碰撞
  • (PADS学习)第二章:原理图绘制 第一部分
  • (WSI分类)WSI分类文献小综述 2024
  • (动态规划)5. 最长回文子串 java解决
  • (二)Eureka服务搭建,服务注册,服务发现
  • (二十一)devops持续集成开发——使用jenkins的Docker Pipeline插件完成docker项目的pipeline流水线发布
  • (二刷)代码随想录第15天|层序遍历 226.翻转二叉树 101.对称二叉树2
  • (附源码)apringboot计算机专业大学生就业指南 毕业设计061355
  • (附源码)c#+winform实现远程开机(广域网可用)
  • (六)c52学习之旅-独立按键
  • (十六)一篇文章学会Java的常用API