随着电子交易技术的不断发展,智能仓储的需求日趋扩大,目前实现智能仓储的传统计数方法主要是机械式计数和RFID计数。传统的智能计数方式存在着成本高昂、不够准确等各种局限性。而在人工智能迅猛发展的当今时代,机器视觉技术的地位日趋提升,越发地展现出其优势,由于机器视觉方法的优越性,打破了许多其他方法无法解决的技术壁垒。鉴于以上原因,本文开发出了基于机器视觉的堆垛信息实时识别系统,通过对货物堆垛信息的识别来完成仓储计数的目标。由此,本文主要围绕堆垛信息实时识别系统进行了探讨。系统运行前,首先搭建了图像采集框架,以此来获得堆垛的图像信息。系统启动后,针对搭载堆垛货物的叉车进行目标检测功能,选取最优位置的图像后进入图像分割部分,系统将图像进行相应区域的划分,划分好区域后,再根据设计的计算方法来计算出货物箱子的尺寸和数量信息。在系统运行过程中,叉车只需要输运货物经过图像采集框架,并不需要专门停下来完成后续的操作,系统达到了实时的需求。另外,允许叉车在经过框架时有20度的倾斜,一定程度上保证了系统的鲁棒性。同时,本系统提供了进出仓状态判别和信息记录的功能,界面清晰明了,可以完整地完成堆垛信息实时识别以及仓储记录的过程。考虑到货物堆垛的规格可能会多种多样,不同尺寸、多层堆积的形式也偶有发生,但由于目前的技术问题,无法准确地对堆垛复杂内部结构进行识别检测,因此,在调研了工厂实际运行情况后,本文只针对相同规格的单层堆垛信息,而面对极少数发生的规格不同的堆垛或者是多层堆垛,则需要人工进行部分调整后再进行识别计数。机器视觉技术经过多年的发展,各类深度学习网络已经能很好地完成目标检测和图像分割的功能,而如何选择网络来兼顾实时性、鲁棒性的同时,具有良好的性能成为本文的核心思想。本系统对于硬件设备要求不高,仅需要一个框架搭载两台深度相机即可完成图像采集的搭建,简单易操作,极大地解决了人力成本昂贵的难题,这对于工厂仓储应用具有很大的实用价值。