由计算机实现的装箱方法、装置和电子设备制造方法及图纸

本公开提供了一种由计算机实现的装箱方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及计算机技术领域，尤其涉及物联网、工业互联网、工业安全生产技术领域。实现方案为：利用溢装判断模型确定将多个待装对象装入目标箱是否会溢装；以及响应于确定将多个待装对象装入目标箱会溢装，确定目标分装信息。息。息。

【技术实现步骤摘要】
由计算机实现的装箱方法、装置和电子设备


[0001]本公开涉及计算机
，尤其涉及物联网、工业互联网、工业安全生产
，具体涉及一种由计算机实现的装箱方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

技术介绍

[0002]在工业生产中，通常需要将多个货物装入集装箱。按照装箱物体的形状分为规则物体的装箱以及不规则物体的装箱。规则物体是指具有规则外形的物体,例如圆柱体、矩形体等。相关技术中研究较多的是规则物体的装箱问题。不规则物体是指具有任意几何形状的物体。不规则物体的装箱问题在工业生产中大量存在,但同时也是难度最大的装箱问题。因此，亟需一种有效的不规则物体的装箱方法
[0003]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现思路

[0004]本公开提供了一种由计算机实现的装箱方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
[0005]根据本公开的一方面，提供了一种由计算机实现的装箱方法，包括：利用溢装判断模型确定将多个待装对象装入目标箱是否会溢装；以及响应于确定将多个待装对象装入目标箱会溢装，确定用于分装所述多个待装对象的目标分装信息，目标分装信息包括目标数量的目标箱以及每一目标箱相应的目标子分装信息。
[0006]根据本公开的另一方面，提供了一种用于实现装箱的神经网络模型的训练方法，所述神经网络模型包括溢装判断模型和体积计算模型，其中，所述方法包括：针对至少一个对象类别所包括的多个样本对象，标记每一对象类别所包括的样本对象的样本数量，以及所述多个样本对象装入样本箱中的真实溢装分类结果和真实装箱体积，溢装分类结果包括溢装和未溢装；对所述溢装判断模型进行训练；以及对所述体积计算模型进行训练，其中，所述溢装判断模型的训练方法包括：将所述多个样本对象相应的至少一个对象类别、每一对象类别的样本数量以及真实溢装分类结果输入所述溢装判断模型，获取所述溢装判断模型所输出的预测溢装分类结果；基于所述真实溢装分类结果和预测溢装分类结果，计算第一损失值；以及基于所述损失值调整所述溢装判断模型的参数，其中，所述体积计算模型的训练方法包括：将所述多个样本对象相应的至少一个对象类别、每一对象类别的样本数量以及真实装箱体积输入所述体积计算模型，获取所述体积计算模型所输出的预测装箱体积；基于所述真实装箱体积和预测装箱体积，计算第二损失值；以及基于所述损失值调整所述体积计算模型的参数。
[0007]根据本公开的另一方面，提供了一种装箱装置，包括：第一确定模块，被配置用于
利用溢装判断模型确定将多个待装对象装入目标箱是否会溢装；以及第二确定模块，被配置用于响应于确定将多个待装对象装入目标箱会溢装，确定用于分装所述多个待装对象的目标分装信息，目标分装信息包括目标数量的目标箱以及每一目标箱相应的目标子分装信息。
[0008]根据本公开的另一方面，提供了一种用于实现装箱的神经网络模型的训练装置，所述神经网络模型包括溢装判断模型和体积计算模型，其中，所述装置包括：标记模块，被配置用于针对至少一个对象类别所包括的多个样本对象，标记每一对象类别所包括的样本对象的样本数量，以及所述多个样本对象装入样本箱中的真实溢装分类结果和真实装箱体积，溢装分类结果包括溢装和未溢装；第一子训练模块，被配置用于训练所述溢装判断模型；以及第二子训练模块，被配置用于训练体积计算模型，其中，所述第一子训练模块包括：第一输入单元，被配置用于将所述多个样本对象相应的至少一个对象类别、每一对象类别的样本数量以及真实溢装分类结果输入所述溢装判断模型，获取所述溢装判断模型所输出的预测溢装分类结果；第一计算单元，被配置用于基于所述真实溢装分类结果和预测溢装分类结果，计算第一损失值；以及第一调参单元，被配置用于基于所述损失值调整所述溢装判断模型的参数，其中，所述第二子训练模块包括：第二输入单元，被配置用于将所述多个样本对象相应的至少一个对象类别、每一对象类别的样本数量以及真实装箱体积输入所述体积计算模型，获取所述体积计算模型所输出的预测装箱体积；第二计算单元，被配置用于基于所述真实装箱体积和预测装箱体积，计算第二损失值；以及第二调参单元，被配置用于基于所述损失值调整所述体积计算模型的参数。
[0009]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
[0010]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。
[0011]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
[0012]根据本公开的一个或多个实施例，首先通过溢装判断模型确定将多个待装对象装入目标箱是否会溢装，只有会溢装的情况才进行分装，而在未溢装的情况下直接装箱，从而能够实现装箱的半自动化，提升装箱效率。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
[0015]图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
[0016]图2a示出了根据本公开的实施例的由计算机实现的装箱方法的流程图；
[0017]图2b示出了根据本公开的实施例的确定用于分装所述多个待装对象的目标分装信息的方法流程图；
[0018]图3示出了根据本公开的实施例的基于多个候选分装信息确定目标分装信息的方法的流程图；
[0019]图4示出了根据本公开的另一实施例的基于多个候选分装信息确定目标分装信息的流程图；
[0020]图5示出了根据本公开的实施例的神经网络模型的训练方法的流程图；
[0021]图6示出了根据本公开的实施例的装箱装置的结构框图；
[0022]图7示出了根据本公开的实施例的神经网络模型的训练装置的结构框图；
[0023]图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
[0024]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种由计算机实现的装箱方法，包括：利用溢装判断模型确定将多个待装对象装入目标箱是否会溢装；以及响应于确定将所述多个待装对象装入目标箱会溢装，确定用于分装所述多个待装对象的目标分装信息，所述目标分装信息包括目标数量的目标箱以及每一目标箱相应的目标子分装信息。2.根据权利要求1所述的方法，其中，所述确定用于分装所述多个待装对象的目标分装信息包括：确定初始分装信息，所述初始分装信息包括初始数量的目标箱以及每一目标箱相应的初始子分装信息；至少基于所述初始分装信息，根据预设规则确定多个候选分装信息，其中，每一候选分装信息各自相应的各目标箱的装箱体积为利用体积计算模型来确定的；以及至少基于所述多个候选分装信息及其各自相应的各目标箱的装箱体积，确定目标分装信息。3.根据权利要求1所述的方法，其中，利用溢装判断模型确定将多个待装对象装入目标箱是否会溢装包括：将所述多个待装对象划分为至少一类对象；获取所述多个待装对象中每一类对象的相关参数，所述相关参数包括该类对象的数量和/或该类对象的包装信息；以及将所述至少一类对象的相关参数输入所述溢装判断模型，并获取所述溢装判断模型所输出的溢装分类结果，所述溢装分类结果包括溢装和未溢装。4.根据权利要求2或3所述的方法，其中，所述体积计算模型和所述溢装判断模型为同一目标模型的不同模块，该目标模型的输出包括目标箱的溢装分类结果和目标箱的装箱体积。5.根据权利要求2所述的方法，其中，至少基于所述初始分装信息，根据预设规则确定多个候选分装信息包括：至少基于所述初始分装信息，利用临近域搜索算法确定所述多个候选分装信息。6.根据权利要求5所述的方法，其中，所述多个候选分装信息包括所述初始数量的目标箱中每一目标箱相应的多个候选子分装信息。7.根据权利要求6所述的方法，其中，至少基于所述初始分装信息，利用临近域搜索算法确定所述多个候选分装信息包括：确定初始分装信息中装箱体积最小的第一目标箱；针对初始分装信息中除所述第一目标箱以外的其它目标箱中的第二目标箱，基于所述第一目标箱和第二目标箱各自相应的初始子分装信息，利用邻域移动确定所述第二目标箱相应的多个第一候选子分装信息；利用体积计算模型确定每一第一候选子分装信息相应的第二目标箱的装箱体积；基于所述多个第一候选子分装信息各自相应的第二目标箱的装箱体积，从所述多个第一候选子分装信息中确定所述第二目标箱相应的第一局部最优子分装信息；以及基于所述第二目标箱相应的第一局部最优子分装信息，利用邻域移动确定所述第二目标箱相应的多个第二候选子分装信息。
8.根据权利要求7所述的方法，其中，确定所述第二目标箱相应的目标子分装信息包括：利用体积计算模型确定每一第二候选子分装信息相应的第二目标箱的装箱体积；基于所述多个第二候选子分装信息各自相应的第二目标箱的装箱体积，从多个第二候选子分装信息中确定所述第二目标箱相应的第二局部最优子分装信息；以及至少基于所述第二目标箱相应的第一局部最优子分装信息和第二局部最优子分装信息，确定所述第二目标箱相应的全局最优子分装信息；基于所述第二目标箱相应的全局最优子分装信息，确定所述第二目标箱相应的目标子分装信息。9.根据权利要求8所述的方法，其中，至少基于所述初始分装信息，利用临近域搜索算法确定所述多个候选分装信息包括：基于所述第二目标箱相应的全局最优子分装信息，利用邻域移动确定所述第二目标箱相应的多个第三候选子分装信息。10.根据权利要求9所述的方法，其中，所述基于所述第二目标箱相应的全局最优子分装信息，确定所述第二目标箱相应的目标子分装信息，包括：利用体积计算模型确定每一第三候选子分装信息相应的第二目标箱的装箱体积；基于所述多个第三候选子分装信息各自相应的第二目标箱的装箱体积，从多个第三候选子分装信息中确定所述第二目标箱相应的第三局部最优子分装信息；至少基于所述第二目标箱相应的全局最优子分装信息和所述第三局部最优子分装信息，更新所述第二目标箱相应的全局最优子分装信息；以及响应于确定满足预设条件，将所述第二目标箱相应的最新更新得到的全局最优子分装信息确定为所述第二目标箱相应的目标子分装信息。11.根据权利要求8所述的方法，其中，至少基于所述初始分装信息，利用临近域搜索算法确定所述多个候选分装信息包括：初始化禁忌表；将所述多个第一候选子分装信息中除去所述第一局部最优子分装信息以外的其它第一候选子分装信息及其相应的邻域移动操作更新至所述禁忌表；并且其中，确定所述第二目标箱相应的全局最优子分装信息包括：响应于确定所述第二局部最优子分装信息相应的第二目标箱的装箱体积不大于所述第一局部最优子分装信息相应的第二目标箱的装箱体积，基于所述禁忌表和所述多个第二候选子分装信息中确定所述全局最优子分装信息；以及响应于确定所述第二局部最优子分装信息相应的第二目标箱的装箱体积大于所述第一局部最优子分装信息相应的第二目标箱的装箱体积，将所述第二局部最优子分装信息确定为所述全局最优子分装信息。12.根据权利要求7
‑
11中任一项所述的方法，其中，至少基于所述初始分装信息，利用临近域搜索算法确定所述多个候选分装信息还包括：在确定第二目标箱相应的目标子分装信息之后，基于所述初始分装信息、所述第二目标箱相应的目标子分装信息，确定所述第一目标箱的子分装信息；利用体积计算模型确定所述第一目标箱的子分装信息相应的装箱体积；
响应于确定所述第一目标箱的装箱体积大于零，针对所述初始分装信息中除所述第一目标箱和第二目标箱以外的其它目标箱中的第三目标箱，基于所述第一目标箱的子分装信息和第三目标箱的初始子分装信息，利用邻域移动确定所述第三目标箱相应的多个第四候选子分装信息；利用体积计算模型确定每一第四候选子分装信息相应的第三目标箱的装箱体积；基于所述多个第四候选子分装信息各自相应的第三目标箱的装箱体积，从所述多个第四候选子分装信息中确定所述第三目标箱相应的第四局部最优子分装信息；基于所述第三目标箱相应的第四局部最优子分装信息，利用邻域移动确定所述第三目标箱相应的多个第五候选子分装信息。13.根据权利要求12所述的方法，其中，确定所述第三目标箱相应的目标子分装信息，包括：利用体积计算模型确定每一第五候选子分装信息相应的第三目标箱的装箱体积；基于所述多个第五候选子分装信息各自相应的第三目标箱的装箱体积，从所述多个第五候选子分装信息中确定所述第三目标箱相应的第五局部最优子分装信息；至少基于所述第三目标箱相应的第四局部最优子分装信息和所述第五局部最优子分装信息，确定所述第三目标箱相应的全局最优子分装信息；根据所述第三目标箱相应的全局最优子分装信息，确定所述第三目标箱相应的目标子分装信息。1...

【专利技术属性】
技术研发人员：李飞，解鑫，刘颖，徐进，刘建林，许铭，袁晓敏，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：