根据2021年PitneyBowes包裹运输指数，2020年全球运送了1310亿个包裹。到2026年，这一数字预计将增加一倍以上，全球大流行和不断发展的电子商务行业将加速这一数字.随着在线零售购买的增加，自动化物流、仓库和运输流程的需求已成为当务之急。包裹测量、质量检测、条形码读取、光学字符识别/光学字符验证(OCR/OCV)和材料处理优化（目前由许多企业手动执行）是运输行业价值链自动化的关键阶段。“物流、仓储和运输公司都在努力加快运营速度。但速度意味着准确性，准确性至关重要，因为没有时间处理错误。再加上人员配备问题。”ZebraTechnologies供应链解决方案总监MarkWheeler说：“当你将这三件事放在一起时，你会得到一个非常开放的市场，可以通过以创新方式结合现有技术和新技术来尝试新事物。”视觉是中心。视觉引导机器人在仓库或配送中心，托盘装货通常标志着仓储过程的开始和结束。进入设施后，托盘货物要么被分解成单独的箱子，要么作为完整的托盘存储。卸垛应用已经从主要使用人类转变为依赖视觉引导机器人。机器视觉通过在机器人将前一个物品放在传送带上时定位下一个要拾取的包裹来加快流程。ifm机器人感知业务开发部门的GarrettPlace说：“大多数包裹以托盘负载的形式到达和离开仓库，他们穿过现代仓库的旅程是物流中大多数机器视觉应用的地方。Core.BenCarey，物流高级经理康耐视视觉产品，一致认为机器视觉在物流中的应用包括四个领域：测量、检验、引导和识别。每个领域都存在于从进货到接收过程，从拣选一直到运输检查站。问一个机器视觉解决方案开发人员将可重复性带入用例的最佳方式，他们可能会说一些关于限制变量数量的事情。毕竟，变量将在边缘创建应用程序。然而，大多数仓储和物流操作移动任何颜色的包裹、尺寸、形状和材料。这种程度的可变性使得技术选择和解决方案的创建变得极其困难。”亚马逊在2019年举办的机器人分拣挑战赛就是一个很好的例子，”Place说，“这也是物流中大多数机器视觉用例都是多摄像头和多模态的主要原因。”一台相机和一项技术不足以管理这些类型应用程序的可变性。Zivid的产品营销经理JohnLeonard对此表示赞同，“主要应用包括对进出设施的箱子进行卸垛和码垛。在这些进出操作之间主要是工件拣选操作和订单拣选以完成订单。这些都是使用不同的方法完成，这些方法因地而异。“这些方法包括由机载3D视觉引导的自主移动机器人(AMR)。例如，AMR可以自主走到仓库墙壁前寻找和选择物品。机器人还可以挑选传送带运送的物品。发货到视觉站检查货物的种类和数量。Zebra的FlexShelfGuide为货箱尺寸和间距提供了灵活的配置，扩展了可以使用AMR拣选的物品类型。对于满托盘装载存储，许多仓库部署自动导引车(AGV)来拾取和存储托盘以进行检索。在行驶过程中，AGV依靠机器视觉进行托盘姿态和障碍物检测。机器视觉代码读取在整个过程中跟踪托盘和箱子负载。满载时当托盘准备好离开设施时，AGV管理移动，而机械臂将箱子转换成满载的托盘。这些准备好装载的托盘在进入卡车之前会被称重和测量，使托盘尺寸成为物流中机器视觉的工具。另一个强大的用例。”该行业已从严格按重量计费转变为按体积重量计费，这使得准确尺寸比以往任何时候都更加重要。“智能3D传感器是包装和物流过程自动化的关键驱动力，包括检测散装尺寸、分类和表面缺陷，”LMITechnologies美洲区域开发经理DanielHowe说。“许多AMR和AGV采用ifm的O3R平台进行机器人感知。它由一个紧凑型相机（VGA相机和飞行时间传感器）和一个带有NVIDIAJetsonTX2的视觉处理单元(VPU)组成，用于评估数据。最多6个相机可以连接到基于Linux的设备，包括来自其他公司的传感器。对提高速度和吞吐量的高需求虽然物流和仓储应用面临许多挑战，但对更高速度和更高吞吐量的需求是不变的。挑战包括用透明聚酯薄膜袋包装的物品，由于它们反射光的方式，它们提出了成像挑战。其他拣选操作可能需要颜色作为项目检测过程的一部分，这可能需要在图像3D视觉中支持颜色信息。根据Leonard的说法，校准是所有3D的一大挑战相机，因为它们设计用于在微米范围内工作，工业环境中常见的敲击、温度波动和振动很容易影响校准，从而提高3D相机的精度。一些相机，例如Zivid3D相机，专为在工业环境中运行而设计和制造，防护等级为IP65并具有自动校准功能。这意味着，如果由于大型卷帘门的打开和关闭（这在物流仓库中很常见）导致温度变化5度，则摄像机会进行调整以保持完美校准。LMI开发了超宽视场Gocator2490传感器，该传感器专门设计用于快速准确地测量运输包装尺寸。箱子可以在传送带上以2m/s的速度移动。根据Howe的说法，单个宽视场Gocator2490智能传感器可以在1mx1m的扫描区域内以800Hz的频率扫描和测量整个盒子尺寸（宽x高x深）三个维度（x、Y、Z）提供了2.5mm的分辨率。分辨率足够高，Gocator2490不仅可以测量各种包装尺寸的尺寸，甚至可以检测包装中的细微缺陷。这种在线检测功能允许在检测到有缺陷的包装时触发通过/未通过的决定。Gocator2490还提供了解决更高级包装应用的机会，例如空隙填充，它涉及扫描带有物品的打开包装并确定需要多少包装材料来填充空的空间。对于此类应用，双摄像头配置有助于避免盒子或手提袋内的遮挡。边缘深度学习随着物流领域的复杂度成倍增长，机器视觉的应用也面临着更多的挑战。例如，试图检测高速传送带上随机方向的不同类型的物体，传统的基于规则的机器视觉检测在这些情况下会遇到困难。然而，嵌入式平台中易于使用的机器学习和深度学习正在出现，以解决以前具有挑战性的应用程序。例如，康耐视最近推出的In-Sight2800具有边缘学习功能，易于设置且无需编程。它可以快速准确地对从盒子到手提箱再到塑料袋的所有物品进行分类，并且完全在智能相机上运行。“In-Sight2800上的边缘学习等技术提高了包裹检查率，从而减少了人工返工，并通过更先进的材料处理自动化实现了更高的订单准确性，”Carey说，“我们的客户受益于处理速度的提高和人为交互的减少允许这些公司在不改变员工人数的情况下管理不断变化的需求，这在当今劳动力受限的环境中仍然是一个挑战。”机器视觉的民主化，例如，现代仓库中部署的大多数技术，包括2D和3D相机以及增强的计算能力，都是先前已知方法的迭代。有点新鲜的是在多摄像头、多模态策略中利用所有这些技术，并结合ML的强大处理能力来管理应用程序。Place解释说：“我们过去在仓库中看到的是单一供应商解决方案，现在我们看到了多个供应商和技术的混合，每个供应商和技术都有自己的优势和共同的Deploy来解决挑战。这种方法将继续解锁用例“以前没有受到机器视觉的影响。将其视为机器视觉在仓储和物流中的民主化。”很难将注意力集中在一项技术进步上。当然，工业相机正在提供更好、更可重复的数据，计算速度更快，但没有改变游戏规则。最大的进步是在多技术中组件的易用性仓库问题的解决方法。“物流正在向机器人技术发展，”Place总结道。“机器人技术是一个集成问题。机器视觉及其复杂性正在从单一相机焦点转移到减少现代仓库所需所有组件的集成摩擦的焦点。这种方法将带我们进入这一旅程的下一步。”
