仓库配送

1.简介

随着电子商务的出现，对产品的需求增加，公司需要大量库存并需要每天处理大量货物。这包括许多劳动密集型任务，如存储、移动、扫描、检查、交付等等。为了提高效率，越来越多的仓库和配送中心正在根据需求不同程度地转向自动化，从半自主系统到完全自主系统。

机器人搬运系统越来越多地用于仓库和配送中心，因为它们可以灵活地管理不同的需求要求，并且可以 24/7 全天候工作。

在这个项目中，机械臂用于从传送带上传送包裹，并将其装载到内部运输机器人上进行库存。

二。工作

这是一个自动拾取和运输系统，其中 2 DOF 机械臂（如图 图

2 ) 可以绕 z 轴和 x 轴旋转，并有一个夹具。运输机器人（显示在

图 1 ) 上安装了一个超声波传感器，用于检测它与扩展坞的距离。一旦接近车站，车辆就会转动 180 度，同时向手臂发送通知，告知到达。在接收时，手臂最初与 z 轴对齐，朝向传送带旋转 90 度，在抓手的帮助下从传送带上捡起货物。一旦它捡起货物，手臂就会旋转 -90 度，使其与 z 轴对齐（抓手向上）。然后，在使用 OpenCV 和 PiCamera 搜索运输车辆时，手臂开始绕 z 轴旋转。一旦它发现位于传送带对面的运输机器人，该臂将进一步旋转臂 -90 度，朝向机器人，围绕 x 将抓手放置在拾取机器人的顶部。稍后，夹具打开以将货物放置在机器人上，然后在它移回初始位置时向其发出（蓝牙）信号以指示装载。运输车辆收到此通知后，开始从停靠站向所需的库存位置移动。

三。低通滤波器

我们使用低通巴特沃斯滤波器过滤掉相机读取 x-y-z 数据中的高频变化。我们正在创建一个向量输出 x-y-z 值并将此过滤器应用于它。应用滤波器后，我们取向量的最后 20 个元素的平均值，以减少噪声并平滑图形，从而从 PiCam 获得更准确的球位置。

在图 3 ，橙色线为原始数据（噪声很大，波动很大），蓝色线为平滑的滤波bata。

四。电子产品

伺服： 项目共使用5台伺服电机。 2 用于驱动运输车辆（差速驱动）。 3 用于控制机械臂的关节。

超声波传感器： 超声波传感器使用超声波测量到物体的距离。传感器中的发射器以固定间隔发射短的高频声脉冲，这些脉冲在空气中传播，并在撞击物体时作为回波信号反射回接收器。通过测量发射信号和接收回波之间的时间跨度（称为飞行时间）来计算距离。安装在移动机器人上，用于路径规划和检测蓝牙：安装在Arduino上的HC06用于与树莓派内置的蓝牙模块进行串行通信。

Pi-Camera：安装在机械臂一个关节上的摄像头，用于跟踪停靠在停靠站某处的运输车辆。

V。电路

正如我们在图中所见 4 我们在树莓派中使用了三个舵机。

树莓派只有两个PWM管脚，所以我们自己写了PWM舵机代码让三个舵机跑起来，

Pi cam 连接到树莓派，如上图所示。相机使用OpenCV找到球并锁定手臂的位置。

如上图所示，Arduino 总共连接了四个组件。两个舵机，一个超声波传感器和一个 HC-06 蓝牙模块。哪个用于运行货物机器人？

V。 代码

VI.I. Arduino 代码：

#include

伺服左;

伺服右;

const int GNND =4; const int GNDD =35; const int echo =37; const int 触发 =39; const int VCCC =41;

浮动 invcmCosnt =(2*1000000)/(100*344.8); //cmDist=rawTime/invcmCosnt void setup() {

Serial.begin(9600); Serial3.begin(9600);

left.attach(3); // 将引脚 9 上的伺服连接到伺服对象 right.attach(5);

pinMode（触发，输出）； pinMode（回声，输入）； pinMode（GNND，输出）； pinMode（GNDD，输出）； pinMode(VCCC, OUTPUT);

数字写入（VCCC，高）；数字写入（GNND，低）；数字写入（GNDD，低）； pinMode(LED_BUILTIN, OUTPUT);

左写（114）； right.write(74);

}

void loop() {

浮动原始时间，cmDist；数字写入（触发，低）；延迟微秒（2）；数字写入（触发，高）；延迟微秒（5）；数字写入（触发，低）；原始时间 =脉冲输入（回声，高）； cmDist =100;

而(cmDist> 4){ digitalWrite(trig, LOW);延迟微秒（2）；数字写入（触发，高）；延迟微秒（5）；数字写入（触发，低）；原始时间 =脉冲输入（回声，高）； cmDist =rawTime/invcmCosnt; Serial.println(cmDist);

}

Serial.println(“出”); Serial3.println(“s”);左写（94）；正确的写（94）；延迟（1000）；左写（114）；正确的写（114）；延迟（1700）； Serial.println(“转”);左写（94）；正确的写（94）； Serial.println(“停止”);而(1){

if(Serial3.read()=='f'){ break;

}

}

左写（114）；正确的写（74）；延迟（2500）；左写（94）；正确的写（94）；而(1){

}

}

VI.II.覆盆子

在树莓派端，需要先将树莓派连接到HC-06蓝牙模块，使用以下命令先找到，

$ hcitool scan #如果蓝牙的MAC ID已知且可用，可以跳过

然后使用正确的 MAC ID 连接到所需的蓝牙：

$ sudo rfcomm 连接 hci0 xx:xx:xx:xx:xx:xx

如果执行成功，则蓝牙已连接。

从 collections import deque 导入必要的包

from imutils.video import VideoStream import numpy as np
import argparse import cv2 import imutils import time import timeit
from scipy import signal import matplotlib.pyplot as plt

将 RPi.GPIO 导入为 GPIO

导入序列

GPIO.setmode(GPIO.BCM) GPIO.setup(12, GPIO.OUT) #Gripper GPIO.setup(13, GPIO.OUT) # Rot_x GPIO.setup(16, GPIO.OUT) # Rot_z

rotz =16
rotx =GPIO.PWM(13, 50) gr =GPIO.PWM(12, 50)

blue =serial.Serial(“/dev/rfcomm0”, baudrate=9600) 打印（“蓝牙连接”）

def duty(angle):
返回角度* 5 / 90 + 2.5

def search(angle=90, add=1):servo_pwm(rotz, duty(angle), 50) ap =argparse.ArgumentParser() ap.add_argument(“-v”, “–video”,
help=“（可选）视频文件的路径”) ap.add_argument(“-b”, “–buffer”, type=int, default=64,
help=”max buffer size”) args =vars(ap .parse_args())
xn =np.zeros([500]) xm =np.zeros([1])
greenLower =(20, 20, 53)
greenUpper =(64) , 255, 255)
pts =deque(maxlen=args[“buffer”])

如果未提供视频路径，请获取网络摄像头的引用 #

如果不是 args.get(“video”, False):
vs =VideoStream(src=0).start()

否则，获取对其他视频文件的引用：

vs =cv2.VideoCapture(args[“视频”])

允许相机或视频文件预热 time.sleep(2.0)

while True:
if angle ==125:
add =-5
elif angle ==35:
add =5 angle +=add
servo_pwm(rotz,职责（角度），10）时间。睡眠（0.01）

抓取当前帧 frame =vs.read()

处理来自 VideoCapture 或 VideoStream 的帧 frame =frame[1] if args.get(“video”, False) else frame

如果我们正在观看视频并且没有抓取一帧，#那么我们已经到了视频的结尾

如果框架为无：
break

调整框架的大小，对其进行模糊处理，然后将其转换为 HSV # 颜色空间

frame =imutils.resize(frame, width=600) blurred =cv2.GaussianBlur(frame, (11, 11), 0)
hsv =cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)

为“绿色”颜色构建一个蒙版，然后执行 # 一系列膨胀和腐蚀以去除蒙版中留下的任何小 # 斑点

掩码 =cv2.inRange(hsv, greenLower, greenUpper) 掩码 =cv2.erode(掩码，无，迭代=2)
掩码 =cv2.dilate(掩码，无，迭代=2)

在mask中找到轮廓并初始化球的当前#(x,y)中心

cnts =cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts =imutils.grab_contours(cnts) center =None

如果 len(cnts)> 0，则仅在找到至少一个轮廓时才继续：

找到掩码中最大的轮廓，然后使用

它计算最小封闭圆和#centroid

c =max(cnts, key=cv2.contourArea)
((x, y), radius) =cv2.minEnclosureCircle(c) M =cv2.moments(c)
center =(int(M) [“m10”] / M[“m00”]), int(M[“m01”] / M[“m00”])) # 只有在半径满足最小尺寸时才继续
如果半径> 10：

在框架上绘制圆和质心，#然后更新跟踪点列表 cv2.circle(frame, (int(x), int(y)), int(radius),

(0, 255, 255), 2)
cv2.circle(frame, center, 5, (0, 0, 255), -1)

xn =np.delete(xn, 0) xn =np.append(xn, x) fs =300
fc =1 x_old =x
w =fc / (fs / 2)
b, a =signal.butter(5, w, 'low') output =signal.filtfilt(b, a, xn) x =np.average(xn[480:500]) print(x, x_old)
xm =np.append(xm, x) if abs(x – 300) <20:
break

更新点队列 pts.appendleft(center)

对于范围内的 i(1, len(pts)):

如果任何一个跟踪点都为 None，则忽略 # 他们

如果 pts[i – 1] 为 None 或 pts[i] 为 None：
continue

否则，计算线的粗细并#绘制连接线

厚度 =int(np.sqrt(args[“buffer”] / float(i + 1)) * 2.5) cv2.line(frame, pts[i – 1], pts[i], (0, 0, 255) , 厚度)

将框架显示到我们的屏幕上 cv2.imshow(“Frame”, frame) key =cv2.waitKey(1) &0xFF

如果按下“q”键，则停止循环 if key ==ord(“q”):

打印(xn) 打印(xn.shape) plt.plot(xm, label='x') plt.show()
break

如果不是 args.get(“video”, False):vs.stop()

否则，松开相机否则：

vs.release()

关闭所有窗口 cv2.destroyAllWindows() return x, add

defservo_pwm(pin, duty, pulse):on =20 * duty / 100000
off =-on + 20 / 1000 for i in range(pulse):
GPIO.output(pin, GPIO.HIGH ) time.sleep(on) GPIO.output(pin, GPIO.LOW) time.sleep(off)

def 抓地力(角度=90):
servo_pwm(rotz, duty(angle), 100) rotx.start(duty(90)) gr.start(duty(100))
time.sleep(1) ) rotx.ChangeDutyCycle(duty(0)) time.sleep(1) gr.ChangeDutyCycle(duty(180)) time.sleep(0.5) rotx.ChangeDutyCycle(duty(90)) time.sleep(0.5)

def drop():rotx.ChangeDutyCycle(duty(180))

time.sleep(1) gr.ChangeDutyCycle(duty(100)) time.sleep(1) rotx.ChangeDutyCycle(duty(90)) time.sleep(0.5)

def done():
done =“f”
done =done.encode() blue.write(done)

try:
while True:
data =blue.readline() # data =data.decode()

打印（类型（数据），数据）#如果数据！=“s”：

打印（“没有”）#继续

否则：打印（“发现 s”）抓地力（80）

x, add =search(80, 5) drop()
done()

除了键盘中断：GPIO.cleanup() 打印(“退出”)

七。结论

在这个项目中，我们为仓库自动化实施了一个货物处理系统。机械臂从传送带上拾取物品，使用安装在其上的摄像头搜索运输车辆，将订单加载到车辆上，然后运输车辆将货物带到所需位置进行进一步处理。由于客户需求的增长和电子商务的发展，仓库自动化在大小公司中变得越来越普遍。货到人 (GTP) 是一种较新的趋势，其中货物被转移到工人手中，而不是工人到物品。根据 Bastian Solutions Inc. 的助理咨询工程师 Nathan Busch 的说法，“GTP 系统的吞吐率通常比传统的手动操作高很多。这使公司能够降低整体运营和订单履行成本，同时提高吞吐量和服务水平。”随着物品被搜索、拾取，然后被带到各自的处理地点，移动机器人现在已成为其中的关键部分。该项目的未来范围被广泛考虑用于完全自主的仓库系统，其中要储存的物品可以由另一个系统分开，并且上述系统可以将货物从输送机转移到储存机器人，这进一步发现到达所需库存位置和库存货物的最佳路径。该演示表明，为了小型企业的利益，可以部分实施上述系统；因此，结合手动和机器人操作以提高吞吐量和性能。

资料来源：仓库分销