本发明涉及机器视觉，尤其涉及基于深度学习的物品分类搬运方法及系统。
背景技术：
1、机器视觉技术领域关注于通过计算机视觉系统模拟人眼功能，解析和理解图像和视频数据，在工业应用中，机器视觉用于自动检测、测量和执行复杂的视觉识别任务，融合图像处理、模式识别、人工智能和机器学习等多个技术，以提高机器自动化和智能化水平。
2、其中，物品分类搬运方法指的是利用深度学习技术，通过机器视觉系统对物品进行识别、分类并执行搬运任务的方法，目的是提高物品分类和搬运的自动化和准确性，减少人工干预，提升生产效率和降低错误率。通过精确地分类物品，可以在物流、制造和工业领域中实现高效的物品管理和操作流程。
3、传统的物品分类搬运方法依赖于人工操作或基本的自动化系统，在处理大规模和复杂度高的物流任务时显得力不从心，例如，人工分类容易受到操作员疲劳和判断错误的影响，导致物品分类错误率高和搬运效率低。基本的自动化系统缺乏灵活应对突发变化的能力，不能有效识别和调整由于市场需求变化引起的物品优先级，影响物流系统的整体性能和可靠性。在高压力和要求高响应速度的现代工业环境中尤为突出，导致生产延误和增加不必要的经济成本。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的基于深度学习的物品分类搬运方法及系统。
2、为实现上述目的，本发明采用如下技术方案，基于深度学习的物品分类搬运方法，包括以下步骤：
3、s1：基于物流中心的监控图像，对物流中心监控图像中的物品进行初始化识别与分类，通过卷积神经网络分析目标环境下的物品特征，生成初始物品清单；
4、s2：基于所述初始物品清单，应用卷积神经网络进行物品视觉特征的分析，包括形状、尺寸和颜色，进行物品的定位和分类物品所属的类别，生成物品特征数据；
5、s3：基于所述物品特征数据，学习物品之间的同类性，并对物品进行群组分类，实时调整群组内与群组间的同类度，生成物品群组分类结果；
6、s4：基于所述物品群组分类结果，进行物品的关键性分级，通过评估每个物品的使用频率和任务关键性，生成物品优先级排序结果；
7、s5：基于所述物品优先级排序结果，设计物品搬运路线，使用图网络优化搬运路径，对物品进行实时追踪，通过对比多个搬运方案，生成物品优化搬运路径；
8、s6：基于所述物品优化搬运路径，通过仿真技术进行物品搬运路径测试，结合实时监控数据调整路径，生成物品搬运路径验证结果。
9、作为本发明的进一步方案，所述初始物品清单包括物品编号、物品的图像特征和物品位置信息，所述物品特征数据包括物品的形状描述、尺寸参数、颜色特征和所属类别，所述物品群组分类结果包括每个物品所属的群组标签、群组内的物品列表和每个群组的主导特征，所述物品优先级排序结果包括每个物品的优先级标号、关联的使用频率数据和任务关键性评估，所述物品优化搬运路径包括搬运最优路径图、路径的时间效率和成本效率评估，所述物品搬运路径验证结果包括路径的实施可行性评估、潜在的风险点和实时调整记录。
10、作为本发明的进一步方案，基于物流中心的监控图像，对物流中心监控图像中的物品进行初始化识别与分类，通过卷积神经网络分析目标环境下的物品特征，生成初始物品清单的步骤具体为：
11、s101：基于物流中心的监控图像，进行物品形态的扫描和数据捕捉，分析监控图像中物品的形状和尺寸，进行物品量化记录，生成初始化物品形态数据；
12、s102：基于所述初始化物品形态数据，通过卷积神经网络，分析每个物品的关键颜色和色彩分布，生成物品颜色分析结果；
13、s103：基于所述物品颜色分析结果，进行物品分类，分析物品的关键特征，包括物品的形状、尺寸和颜色特征，生成初始物品清单。
14、作为本发明的进一步方案，基于所述初始物品清单，应用卷积神经网络进行物品视觉特征的分析，包括形状、尺寸和颜色，进行物品的定位和分类物品所属的类别，生成物品特征数据的步骤具体为：
15、s201：基于所述初始物品清单，利用卷积神经网络，进行物品形状的量化，记录每个物品的三维尺寸和轮廓数据，获取物品形状参数；
16、s202：基于所述物品形状参数，进行物品颜色的分析，识别并记录每个物品的主导色彩和分布比例，获取物品颜色特征数据；
17、s203：基于所述物品颜色特征数据，进行物品的空间定位和分类，追踪每个物品的位置和分析物品的所属类别，建立物品特征数据。
18、作为本发明的进一步方案，基于所述物品特征数据，学习物品之间的同类性，并对物品进行群组分类，实时调整群组内与群组间的同类度，生成物品群组分类结果的步骤具体为：
19、s301：基于所述物品特征数据，进行物品形状和尺寸的测量，整合多个物品的关键特征，记录并分析多个物品的同类性，生成物品关键特征数据集；
20、s302：基于所述物品关键特征数据集，进行同类物品的归纳归类，通过测量每个物品与多个物品之间的特征差异，生成初始化物品群组；
21、s303：基于所述初始化物品群组，调整群组划分，优化并对比群组内与群组间的同类度，重新调整物品分配，生成物品群组分类结果。
22、作为本发明的进一步方案，基于所述物品群组分类结果，进行物品的关键性分级，通过评估每个物品的使用频率和任务关键性，生成物品优先级排序结果的步骤具体为：
23、s401：基于所述物品群组分类结果，提取每个物品的使用数据记录，包括使用频率和上次使用时间，获取物品使用频率数据；
24、s402：基于所述物品使用频率数据，对每个物品进行任务关键性分析，评估物品在实时物流任务中的关键性，获取任务关键性评级；
25、s403：基于所述任务关键性评级，为每个物品制定优先级，按照物品的优先级进行排序，优化物品的资源配置，建立物品优先级排序结果。
26、作为本发明的进一步方案，基于所述物品优先级排序结果，设计物品搬运路线，使用图网络优化搬运路径，对物品进行实时追踪，通过对比多个搬运方案，生成物品优化搬运路径的步骤具体为：
27、s501：基于所述物品优先级排序结果，使用图网络，若物品的优先级高于目标阈值，则优先安排物品搬运路径，生成初始化物品搬运路径；
28、所述图网络按照公式
29、f＝(1-α)·g+α·h+β·d
30、其中，f为总路径代价，g为起始点到实时节点的代价，h为实时节点到目标点的估计代价，d为实时节点到目标点的最短路径的长度，α为确认系数，β为权重系数；
31、s502：基于所述初始化物品搬运路径，对每条路径进行实时追踪，若物品搬运路径拥堵和延误，则通过选择替代路线并重新计算路径，生成实时调整搬运路径；
32、s503：基于所述实时调整搬运路径，比较并评估多个物品搬运方案，循环遍历物品搬运方案，对物品进行实时追踪和监控，生成物品优化搬运路径。
33、作为本发明的进一步方案，基于所述物品优化搬运路径，通过仿真技术进行物品搬运路径测试，结合实时监控数据调整路径，生成物品搬运路径验证结果的步骤具体为：
34、s601：基于所述物品优化搬运路径，利用仿真技术，进行物品搬运路线测试，若仿真结果显示路径冲突和效率低下，则重新计算路径消除冲突和优化效率，生成仿真测试路径；
35、s602：基于所述仿真测试路径，整合物品的实时监控数据，对每条路径进行效率和安全性分析，若监控数据提示路径存在实时障碍和延误风险，则调整路径规避障碍和减少延误，生成监测调整路径；
36、s603：基于所述监测调整路径，评估物品的搬运方案，通过循环比较差异化方案的时间成本和资源使用，选择最优的物品搬运路径方案，生成物品搬运路径验证结果。
37、基于深度学习的物品分类搬运系统，所述基于深度学习的物品分类搬运系统用于执行上述基于深度学习的物品分类搬运方法，所述系统包括：
38、监控图像分析模块基于物流中心的监控图像，进行物品的形态扫描和数据捕捉，分析物品的形状和尺寸，进行物品量化记录，得到初始物品清单；
39、物品颜色分析模块基于所述初始物品清单，进行每个物品的关键颜色和色彩分布的分析，通过物品的空间定位和分类，得到物品特征数据；
40、物品分类优化模块基于所述物品特征数据，进行物品形状和尺寸的测量，记录并分析多个物品的同类性，优化并对比群组内与群组间的同类度，得到同类群组分类数据；
41、关键性分级模块基于所述同类群组分类数据，提取每个物品的使用数据记录，对物品进行任务关键性分析，优化物品的资源配置，得到物品优先级排序结果；
42、路径测试模块基于所述物品优先级排序结果，使用图网络设计初始化的物品搬运路径，对每条路径进行实时追踪，并评估多个物品搬运方案，对物品进行实时追踪和监控，得到物品搬运路径验证结果。
43、与现有技术相比，本发明的优点和积极效果在于：
44、本发明中，通过实时调整群组内与群组间的同类度，显著提高物品管理的灵活性和响应速度，使得相似物品可以快速聚类，优化存储和检索过程，提升物流和生产线的操作效率，物品优先级排序根据使用频率和任务关键性进行，使得紧急或常用物品可以优先处理，显著降低等待时间和提高整个物流系统的响应能力，不仅减少对人工干预的需求，还确保搬运任务的高准确性和效率。
1.基于深度学习的物品分类搬运方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的物品分类搬运方法，其特征在于，所述初始物品清单包括物品编号、物品的图像特征和物品位置信息，所述物品特征数据包括物品的形状描述、尺寸参数、颜色特征和所属类别，所述物品群组分类结果包括每个物品所属的群组标签、群组内的物品列表和每个群组的主导特征，所述物品优先级排序结果包括每个物品的优先级标号、关联的使用频率数据和任务关键性评估，所述物品优化搬运路径包括搬运最优路径图、路径的时间效率和成本效率评估，所述物品搬运路径验证结果包括路径的实施可行性评估、潜在的风险点和实时调整记录。
3.根据权利要求1所述的基于深度学习的物品分类搬运方法，其特征在于，
4.根据权利要求1所述的基于深度学习的物品分类搬运方法，其特征在于，基于所述初始物品清单，应用卷积神经网络进行物品视觉特征的分析，包括形状、尺寸和颜色，进行物品的定位和分类物品所属的类别，生成物品特征数据的步骤具体为：
5.根据权利要求1所述的基于深度学习的物品分类搬运方法，其特征在于，基于所述物品特征数据，学习物品之间的同类性，并对物品进行群组分类，实时调整群组内与群组间的同类度，生成物品群组分类结果的步骤具体为：
6.根据权利要求1所述的基于深度学习的物品分类搬运方法，其特征在于，基于所述物品群组分类结果，进行物品的关键性分级，通过评估每个物品的使用频率和任务关键性，生成物品优先级排序结果的步骤具体为：
7.根据权利要求1所述的基于深度学习的物品分类搬运方法，其特征在于，基于所述物品优先级排序结果，设计物品搬运路线，使用图网络优化搬运路径，对物品进行实时追踪，通过对比多个搬运方案，生成物品优化搬运路径的步骤具体为：
8.根据权利要求1所述的基于深度学习的物品分类搬运方法，其特征在于，基于所述物品优化搬运路径，通过仿真技术进行物品搬运路径测试，结合实时监控数据调整路径，生成物品搬运路径验证结果的步骤具体为：
9.基于深度学习的物品分类搬运系统，其特征在于，根据权利要求1-8任一项所述的基于深度学习的物品分类搬运方法，所述系统包括：
