本发明涉及自动分拣,具体涉及一种应用大数据分析的智能分拣方法及系统。
背景技术:
1、在物流和仓储领域,分拣是一个重要的环节。传统的分拣方法通常依赖人工操作,效率较低且容易出错。随着大数据和人工智能的发展,利用数据分析和深度学习算法可以提高分拣的效率和准确性。然而,现有的智能分拣方法在处理大规模数据时仍然存在一些问题,如处理时间长、算法准确性有待提高等。
技术实现思路
1、针对现有技术中提到的上述问题,为解决上述技术问题,本发明提供了一种应用大数据分析的智能分拣方法及系统,通过深度学习算法与蚂蚁算法相结合,实现高效准确的分拣过程。该方法结合了大规模数据的分析和深度学习算法的优势,以提高分拣效率和准确性。本发明的一种应用大数据分析的智能分拣方法,包括步骤:
2、s1:通过传感器、扫描仪设备采集待分拣物品的信息数据,信息数据包括尺寸、形状、重量、颜色信息,对采集的信息数据进行预处理;
3、s2:采用卷积神经网络算法模型对预处理后的数据进行特征提取,根据物品特征与数据库中的物品特征相似性值s将物品进行分类;其中,相似性值s计算采用余弦相似度与曼哈顿距离结合算法进行计算:
4、
5、其中,cosθ表示待分类物品的特征向量a和数据库中物品的特征向量b的夹角,d为曼哈顿距离,x1,x2,…,xn是待分类物品的特征向量,y1,y2,…,yn是数据库中物品的特征向量;α,β分别为余玄相似度与曼哈顿距离的权重值;
6、s3:根据物品特征与数据库中的物品特征相似性值和分拣目标,通过蚁群算法确定最佳分拣路径,并对卷积神经网络算法模型进行训练和优化;
7、s4:待分拣的物品通过传送带方式进入分拣区域,系统根据训练和优化后的卷积神经网络算法模型对物品的特征进行分类和定位,并控制机械臂、传送带设备进行准确的分拣操作;
8、s5:结束。
9、优选地,在权利要求1所述的s1:采集的信息数据进行预处理,包括采用均值滤波去噪、归一化。
10、优选地,在权利要求1所述的s2:采用卷积神经网络算法模型对预处理后的数据进行特征提取,包括:输入数据:将预处理后的物品数据输入神经网络模型;卷积层:通过卷积层提取物品的局部特征;池化层:在卷积层之后,使用池化层对提取的特征进行下采样,减少数据维度并保留特征信息;全连接层:将池化层输出的特征进行扁平化,并通过全连接层进行特征的组合和学习,以获得更高级别的特征表示;输出层:使用softmax函数进行多类别分类进行数值预测;通过反向传播算法更新模型参数,以最小化预测结果与真实类别之间的误差。
11、优选地,所述根据物品特征与数据库中的物品特征相似性值和分拣目标,通过蚁群算法确定最佳分拣路径,并对卷积神经网络算法模型进行训练和优化,包括:初始时,为每个路径上的边初始化信息素浓度;每只蚂蚁根据当前所处位置和信息素浓度,选择下一个要移动的位置;每只蚂蚁根据其所选择的路径,计算相应的路径长度或目标函数值,然后更新路径上的信息素浓度;重复执行蚂蚁的移动和信息素浓度的更新步骤,直到满足停止条件。
12、本申请还提供一种应用大数据分析的智能分拣系统,包括:
13、信息采集模块,通过传感器、扫描仪设备采集待分拣物品的信息数据,信息数据包括尺寸、形状、重量、颜色信息,对采集的信息数据进行预处理;
14、特征提取模块,采用卷积神经网络算法模型对预处理后的数据进行特征提取,根据物品特征与数据库中的物品特征相似性值s将物品进行分类;其中,相似性值s计算采用余弦相似度与曼哈顿距离结合算法进行计算:
15、
16、其中,cosθ表示待分类物品的特征向量a和数据库中物品的特征向量b的夹角,d为曼哈顿距离,x1,x2,…,xn是待分类物品的特征向量,y1,y2,…,yn是数据库中物品的特征向量;α,β分别为余玄相似度与曼哈顿距离的权重值;
17、蚁群优化模块,根据物品特征与数据库中的物品特征相似性值和分拣目标,通过蚁群算法确定最佳分拣路径,并对卷积神经网络算法模型进行训练和优化;
18、分拣模块,待分拣的物品通过传送带方式进入分拣区域,系统根据训练和优化后的卷积神经网络算法模型对物品的特征进行分类和定位,并控制机械臂、传送带设备进行准确的分拣操作;
19、结束模块,结束。
20、优选地,在权利要求5所述的采集的信息数据进行预处理,包括采用均值滤波去噪、归一化。
21、优选地,在权利要求5所述的采用卷积神经网络算法模型对预处理后的数据进行特征提取,包括:输入数据:将预处理后的物品数据输入神经网络模型;卷积层:通过卷积层提取物品的局部特征;池化层:在卷积层之后,使用池化层对提取的特征进行下采样,减少数据维度并保留特征信息;全连接层:将池化层输出的特征进行扁平化,并通过全连接层进行特征的组合和学习,以获得更高级别的特征表示;输出层:使用softmax函数进行多类别分类进行数值预测;通过反向传播算法更新模型参数,以最小化预测结果与真实类别之间的误差。
22、优选地,所述根据物品特征与数据库中的物品特征相似性值和分拣目标,通过蚁群算法确定最佳分拣路径,并对卷积神经网络算法模型进行训练和优化,包括:初始时,为每个路径上的边初始化信息素浓度;每只蚂蚁根据当前所处位置和信息素浓度,选择下一个要移动的位置;每只蚂蚁根据其所选择的路径,计算相应的路径长度或目标函数值,然后更新路径上的信息素浓度;重复执行蚂蚁的移动和信息素浓度的更新步骤,直到满足停止条件。
23、本发明提供了一种应用大数据分析的智能分拣系统,所能实现的有益技术效果如下:
24、1、本申请通过相似性值s计算采用余弦相似度与曼哈顿距离结合算法进行计算,设置的α,β分别为余玄相似度与曼哈顿距离的权重值,能够大大增强相似性计算的效果,实现分拣系统的准确分类;
25、2、本发明将蚁群算法与卷积神经网络算法结合应用到分拣系统,大大增强了系统学习分拣效果。
1.一种应用大数据分析的智能分拣方法,其特征在于,包括步骤:
2.如权利要求1所述的一种应用大数据分析的智能分拣方法,其特征在于,在权利要求1所述的s1:采集的信息数据进行预处理,包括采用均值滤波去噪、归一化。
3.如权利要求2所述的一种应用大数据分析的智能分拣方法,其特征在于,在权利要求1所述的s2:采用卷积神经网络算法模型对预处理后的数据进行特征提取,包括:输入数据:将预处理后的物品数据输入神经网络模型;卷积层:通过卷积层提取物品的局部特征;池化层:在卷积层之后,使用池化层对提取的特征进行下采样,减少数据维度并保留特征信息;全连接层:将池化层输出的特征进行扁平化,并通过全连接层进行特征的组合和学习,以获得更高级别的特征表示;输出层:使用softmax函数进行多类别分类进行数值预测;通过反向传播算法更新模型参数,以最小化预测结果与真实类别之间的误差。
4.如权利要求2所述的一种应用大数据分析的智能分拣方法,其特征在于,所述根据物品特征与数据库中的物品特征相似性值和分拣目标,通过蚁群算法确定最佳分拣路径,并对卷积神经网络算法模型进行训练和优化,包括:初始时,为每个路径上的边初始化信息素浓度;每只蚂蚁根据当前所处位置和信息素浓度,选择下一个要移动的位置;每只蚂蚁根据其所选择的路径,计算相应的路径长度或目标函数值,然后更新路径上的信息素浓度;重复执行蚂蚁的移动和信息素浓度的更新步骤,直到满足停止条件。
5.一种应用大数据分析的智能分拣系统,其特征在于,包括:
6.如权利要求5所述的一种应用大数据分析的智能分拣系统,其特征在于,在权利要求5所述的采集的信息数据进行预处理,包括采用均值滤波去噪、归一化。
7.如权利要求5所述的一种应用大数据分析的智能分拣系统,其特征在于,在权利要求5所述的采用卷积神经网络算法模型对预处理后的数据进行特征提取,包括:输入数据:将预处理后的物品数据输入神经网络模型;卷积层:通过卷积层提取物品的局部特征;池化层:在卷积层之后,使用池化层对提取的特征进行下采样,减少数据维度并保留特征信息;全连接层:将池化层输出的特征进行扁平化,并通过全连接层进行特征的组合和学习,以获得更高级别的特征表示;输出层:使用softmax函数进行多类别分类进行数值预测;通过反向传播算法更新模型参数,以最小化预测结果与真实类别之间的误差。
8.如权利要求5所述的一种应用大数据分析的智能分拣系统,其特征在于,所述根据物品特征与数据库中的物品特征相似性值和分拣目标,通过蚁群算法确定最佳分拣路径,并对卷积神经网络算法模型进行训练和优化,包括:初始时,为每个路径上的边初始化信息素浓度;每只蚂蚁根据当前所处位置和信息素浓度,选择下一个要移动的位置;每只蚂蚁根据其所选择的路径,计算相应的路径长度或目标函数值,然后更新路径上的信息素浓度;重复执行蚂蚁的移动和信息素浓度的更新步骤,直到满足停止条件。