根據2021年Pitney Bowes包裹運輸指數顯示，2020年全球共運輸了1310億個包裹。全球疫情和不斷增長的電子商務行業加速了這一趨勢，預計到2026年這一數字將增加一倍以上。隨著在線零售量的大幅增加，自動化物流、倉庫和運輸過程的需求已成為當務之急。

包裝測量、質量檢查、條形碼讀取、光學字符識別/光學字符驗證（OCR/OCV）和材料處理優化（目前許多公司都是手動進行的），是運輸業價值鏈的關鍵部分，有助于實現自動化。

“物流、倉儲和航運組織正在努力加快運營速度。但提速意味著準確性和精確性至關重要，因為沒有時間來處理錯誤。此外還有人員配置問題。”斑馬技術公司供應鏈解決方案總監Mark Wheeler表示，“當你把這三樣東西放在一起時，你得到的是一個非常開放的市場，可以以創新的方式結合現有技術和新技術來嘗試新事物。”這些創新大多圍繞機器視覺展開。

01

視覺引導機器人

在倉庫或配送中心，托盤裝載通常標志著倉儲過程的開始和結束。進入設施后，托盤貨物要么卸下托盤，裝入單獨的箱子，要么作為完整的托盤儲存。卸載托盤已經從主要由人工完成，轉變為依賴視覺引導機器人。在機器人將一個物品放置到輸送機上時，機器視覺定位下一個需要拾取的包裹，從而加速這一過程。

“大多數包裹以托盤裝載的形式到達和離開倉庫，在現代化倉庫中這是大多數機器視覺應用的核心。”易福門公司的業務開發、機器人感知部門的Garrett Place表示。

康耐視公司的物流視覺產品高級經理Ben Carey表示， “在物流應用中，機器視覺涉及四個環節：測量、檢查、引導和識別。從接收、分揀到離開檢查點，都會經歷這四個環節。”

02

自主移動機器人

向機器視覺解決方案的開發人員詢問，如何才能為用例實現可重復性方法，他們可能會說一些關于限制變量數量的問題。但是，大多數倉儲和物流操作所移動的包裹可能是任何顏色、大小、形狀和材料。這些可變性使得技術選擇和解決方案的創建變得極其困難。

Place介紹道，“在過去幾年，亞馬遜的Pick挑戰就是一個完美的例子。這也是在物流領域中大多數機器視覺的應用案例使用多攝像頭和多模式的主要原因。一個攝像頭和一種技術不足以管理這類應用的可變性。”

Zivid產品營銷經理John Leonard對此表示贊同。他解釋道：“主要的應用是對進入和離開設施的箱子進行拆垛和碼垛。在這些進/出操作之間，主要是單件揀貨操作和訂單揀貨以完成訂單。有很多不同的方法可以實現這些任務。”

這些方法包括由機載3D視覺引導的自主移動機器人（AMR）。例如，AMR可以自主移動到箱柜，以查找和選擇物品。機器人還可以拾取由輸送機輸送的物品。其它移動機器人則可以將物品運送到視覺站，以便檢查貨物的類型和數量。

03

自動導引車輛

或者，對于滿載托盤的存儲，許多倉庫部署自動引導車輛（AGV）來拾取和存儲托盤以供檢索。在行駛過程中，AGV依靠機器視覺進行托盤姿態和障礙物檢測。在整個過程中，機器視覺代碼讀取并跟蹤托盤和箱子負載。

當滿載托盤準備離開設施時，AGV管理移動，同時機器人手臂將箱子貨物轉換為滿載托盤。在進入卡車之前，對這些準備裝運的托盤進行稱重和測量，使托盤尺寸成為物流機器視覺的另一個強大用例。

LMI Technologies公司美洲區域開發經理Daniel Howe表示：“該行業已經發生變化，從嚴格按重量評估運費轉向按尺寸重量收費，這使得準確的尺寸測量比以往任何時候都更重要。智能3D傳感器是包裝和物流過程自動化的關鍵驅動因素，包括體積尺寸、規格、分類和表面缺陷檢測。”

許多AMR和AGV依靠易福門O3R平臺進行機器人感知。它由小型攝像機頭（VGA攝像機和運行時間傳感器）和帶有NVIDIA Jetson TX2的視覺處理單元（VPU）組成，用于評估數據。最多可以將6個攝像頭連接到基于Linux的設備，包括來自其它公司的傳感器。

04

對提高速度和吞吐量的需求

雖然在物流和倉儲應用中存在許多挑戰，但對更高速度和更高吞吐量的需求是不變的。挑戰包括裝在透明塑料袋中的物品，由于其會反射光線，這些物品會帶來成像挑戰。其它工件拾取操作可能需要將顏色作為物料檢測過程的一部分，這可能需要支持識別圖像顏色信息的3D視覺。

所有3D相機的校準都是一個巨大的挑戰，因為它們的設計工作范圍為微米，但工業環境中常見的敲擊聲、溫度波動和振動很容易影響校準，從而影響3D相機的精度。Leonard表示，“有些相機（如Zivid 3D相機）是專門為工業環境設計和制造的，防護等級為IP65，具有自動校準功能。這意味著，如果由于大型卷簾門的打開和關閉而導致溫度變化5度（這在物流倉庫中很常見），那么攝像頭就會進行調整，以保持完美校準。”

05

箱體體積尺寸和空隙填充

LMI開發了超寬視野（FOV）Gocator 2490傳感器，旨在為傳輸提供快速準確的包裹尺寸測量。例如，它可以用于測量箱體，以提供用于確定尺寸重量的精確體積。箱子可能以2 m/s的速度在輸送機上移動。據Howe介紹，單個寬視場Gocator 2490智能傳感器，可以以800Hz的速率掃描和測量掃描區域內1米x 1米的完整盒子尺寸，并在所有三個維度（X、Y、Z）上提供2.5mm的分辨率。

“競爭對手基于攝像頭的系統，通常在X、Y和Z軸上只能提供3到5毫米的分辨率。然而，每個傳感器的測量范圍和分辨率都不同，因此必須為您的應用選擇合適的傳感器。”Howe說。Gocator 2490具有足夠高的分辨率，不僅可以測量各種規格的尺寸，甚至可以檢測包裝中的細微缺陷。如果檢測到有缺陷的包裹，這種在線檢查功能可以觸發通過/失敗決定。

Gocator 2490還為解決更先進的包裝應用提供了機會，如空隙填充，這涉及掃描打開的包裝中的物品，并確定需要多少包裝材料來填充空白空間。對于該應用，雙攝像頭配置有助于避免盒子或手提箱內的遮擋。

06

邊緣深度學習

由于應用的復雜性不斷增加，機器視覺在物流領域也面臨挑戰。例如，試圖在高速輸送機上隨機檢測不同類型和不同規格的物體。在這種情況下，傳統基于規則的機器視覺檢測/檢查將舉步維艱。

然而，嵌入式平臺中易于使用的機器學習（ML）和深度學習（DL）正在出現，以幫助用戶解決以前具有挑戰性的應用。例如，康耐視最近推出了具有邊緣學習功能的In-Sight 2800視覺系統，無需編程即可輕松設置。根據Carey的說法，In-Sight 2800可以對從箱子、手提包到塑料袋的所有物品進行快速準確的分類，這一切都是在智能相機上完成的。

通過引入邊緣學習等先進技術，In-Sight 2800提高了包裹檢測率，減少了人工返工，并通過更先進的材料處理自動化，更精確的處理訂單。“我們的客戶正受益于處理速度的提高和更少的人工交互，使這些公司能夠應對勞動力缺乏，在不改變員工人數的情況下管理波動需求。” Carey表示。

07

機器視覺的民主化

現代倉庫中部署的大多數技術，包括2D和3D相機以及增強的計算能力，都是先前方法的迭代。即使有些不同，也是將所有這些技術應用于具有強大處理能力的多幀、多模式策略中，并結合ML來管理應用。

“過去，我們常常在倉庫中看到單一供應商的解決方案。”Place解釋道：“現在則是多個供應商和技術的結合，通過其各自優勢共同部署以解決這一挑戰。這種方法將繼續解鎖以前未被機器視覺觸及的用例。可以把它看作是倉儲和物流中機器視覺的民主化。”

很難說有哪一項技術進步為倉儲和物流中的機器視覺開啟了新的用例。當然，相機正在提供更好、更可重復的數據，計算速度也更快，但并沒有改變游戲規則。最大的進步，可能是在多技術方法中，組件在解決倉庫問題中使用起來更容易。

“物流正朝著機器人技術發展，將其作為管理行業大規模增長的主要方法。”Place總結道：“機器人是一個集成問題。機器視覺及其所有的復雜性，正從單一的攝像頭，轉向減少現代倉庫所需的組件集成問題。這種方法將我們帶入下一段旅程。”

關鍵概念： 

■ 制造商正在加強自動化，以滿足激增的需求并應對日益嚴重的勞動力短缺。

■ AMR和AGV使用機器視覺和傳感技術來自由移動。

■ 嵌入式平臺中的機器學習和深度學習正被用來解決曾經非常具有挑戰性的應用。