面向AGV垃圾分類清運(yùn)車托盤檢測(cè)的算法研究

張芷寧　王昶泰

摘 要：AGV即自動(dòng)導(dǎo)引車，早在上個(gè)世紀(jì)五十年代就已經(jīng)被發(fā)明出來(lái)，同時(shí)隨著科技水平的不斷發(fā)展和進(jìn)步，自動(dòng)導(dǎo)引車不僅已經(jīng)在工業(yè)生產(chǎn)車間中起到了重要的作用，同時(shí)還廣泛的出現(xiàn)了很多其他的領(lǐng)域，比如醫(yī)院、碼頭和餐廳等。對(duì)于AGV是一種智能無(wú)人駕駛運(yùn)輸車，上位機(jī)和下位機(jī)會(huì)給AGV傳送相關(guān)的指令，然后AGV會(huì)根據(jù)已經(jīng)預(yù)先制定好的路線進(jìn)行路線行走，最后完成相一系列的復(fù)雜動(dòng)作和操作。對(duì)于AGV具有很多的特點(diǎn)以及優(yōu)勢(shì)，比如較好的柔性、較高的靈活性和比較好的可靠性，同時(shí)在維護(hù)和調(diào)試方面也非常的方便，也正是因?yàn)锳GV具有以上的這些特點(diǎn)及優(yōu)勢(shì)，才可以在生產(chǎn)車間中快速的得到應(yīng)用。

關(guān)鍵詞：agv 垃圾分類清運(yùn) 托盤檢測(cè) 算法

1 引言

時(shí)代發(fā)生著前所未有的變化，最后導(dǎo)致越來(lái)越貴的人力成本出現(xiàn)，從而使得生產(chǎn)成本也開(kāi)始了逐漸升高，目前很多人都已經(jīng)非常討厭從事既危險(xiǎn)又復(fù)雜的工作，而AGV完全可以將其進(jìn)行取代。這樣一來(lái)，AGV不僅可以有效的讓人力進(jìn)行釋放，同時(shí)還可以進(jìn)行24小時(shí)連續(xù)不斷工作，也就是AGV不僅可以極大的減少人力成本，同時(shí)還可以大力提高生產(chǎn)作業(yè)效率。

最近幾年，我國(guó)的不管是勞動(dòng)力成本，還是企業(yè)運(yùn)營(yíng)成本都開(kāi)始了持續(xù)上升，以至于GDP由原來(lái)的高速增長(zhǎng)開(kāi)始變成了中高速增長(zhǎng)。根據(jù)相關(guān)數(shù)據(jù)顯示，在很多發(fā)達(dá)國(guó)家，對(duì)于每個(gè)產(chǎn)業(yè)的生產(chǎn)階段和加工階段所制造的產(chǎn)品所消耗的時(shí)間不會(huì)超過(guò)25%，也就是在產(chǎn)品的裝卸、運(yùn)輸和存儲(chǔ)過(guò)程中消耗了大量的時(shí)間。

但是最近幾年，由于人們的生活條件不斷提高，加快了物流行業(yè)的快速發(fā)展，同時(shí)隨著互聯(lián)網(wǎng)技術(shù)的興起，當(dāng)兩者進(jìn)行結(jié)合以后更加使得產(chǎn)業(yè)鏈在當(dāng)初的行業(yè)限制被打破。這樣一來(lái)，不僅可以針對(duì)整體的物流信息進(jìn)行掌握，同時(shí)還可以有效的降低成本以及提高水平。但物流行業(yè)從流程化走向信息化最后形成智能化，AGV垃圾分類清運(yùn)車可以通過(guò)其自身上的傳感器感知位置，通過(guò)算法來(lái)進(jìn)行各項(xiàng)操作的檢測(cè)。將AGV垃圾分類清運(yùn)車和其他的運(yùn)輸設(shè)備進(jìn)行比較，對(duì)于AGV垃圾分類清運(yùn)車的固定區(qū)域沒(méi)有任何限制，也無(wú)需任何軌道或者支撐架。不管是任何場(chǎng)地還是空間是如何。本文針對(duì)AGV垃圾分類清運(yùn)車在進(jìn)行垃圾裝載和卸載過(guò)程中托盤進(jìn)行檢測(cè)，此檢測(cè)過(guò)程完全采用計(jì)算機(jī)算法進(jìn)行實(shí)現(xiàn)。

2 研究的目標(biāo)與內(nèi)容

本課題是針對(duì)AGV垃圾分類清運(yùn)車其垃圾托盤進(jìn)行檢測(cè)的算法研究，通過(guò)此研究完全可以在企業(yè)從傳統(tǒng)模式向智能化轉(zhuǎn)化過(guò)程中的所存在的調(diào)度問(wèn)題以及運(yùn)動(dòng)控制問(wèn)題進(jìn)行有效解決。通過(guò)此研究可以極大的增加AGV垃圾分類清運(yùn)車的生產(chǎn)作業(yè)效率，具體的意義有如下幾點(diǎn)：

（1）在本文所搭建的AGV垃圾分類清運(yùn)車?yán)斜P檢測(cè)系統(tǒng)會(huì)結(jié)合多種軟件，分層進(jìn)行架構(gòu)，條理比較清晰，具有較強(qiáng)的實(shí)用性。

（2）本研究分位2D托盤檢測(cè)模塊和3D垃圾托盤檢測(cè)模塊，并且使用不同的算法進(jìn)行實(shí)現(xiàn)，從而得出每個(gè)模塊的實(shí)用性。

（3）垃圾托盤檢測(cè)算法的實(shí)現(xiàn)完全可以針對(duì)托盤上的垃圾進(jìn)行檢測(cè)，從而得出垃圾類型，提高生產(chǎn)工作效率。

（4）本課題緊密和實(shí)際生產(chǎn)作業(yè)進(jìn)行聯(lián)系，得出的垃圾檢測(cè)算法完全可以應(yīng)用到真實(shí)的項(xiàng)目當(dāng)中，從而在AGV垃圾分類清運(yùn)車針對(duì)垃圾托盤檢測(cè)提供有效的參考。

本課題以AGV垃圾分類清運(yùn)車托盤垃圾檢測(cè)作為研究背景，其算法的實(shí)現(xiàn)分為2D垃圾檢測(cè)和3D垃圾檢測(cè)，以車間的實(shí)際檢測(cè)作為相應(yīng)的研究基礎(chǔ)，結(jié)合理論和實(shí)際針對(duì)現(xiàn)有的AGV垃圾分類清運(yùn)車在進(jìn)行垃圾托盤檢測(cè)技術(shù)的充分調(diào)研，通過(guò)和設(shè)計(jì)工作進(jìn)行充分的結(jié)合，并且將此作為基礎(chǔ)，在其基礎(chǔ)之上設(shè)計(jì)出一種適用于實(shí)際工作所提出的垃圾托盤檢測(cè)算法。將此算法應(yīng)用到實(shí)際的生產(chǎn)作業(yè)當(dāng)中可以有效的滿足不同生產(chǎn)線，不同類型的AGV垃圾分類清運(yùn)車的通用性要求。在完成算法的改進(jìn)以后進(jìn)行實(shí)驗(yàn)的搭建：

（1）AGV垃圾分類清運(yùn)車?yán)斜P檢測(cè)系統(tǒng)的總體設(shè)計(jì)，通過(guò)對(duì)真實(shí)場(chǎng)景的實(shí)地調(diào)研，經(jīng)過(guò)需求分析和總體方案的配置，從而完成AGV垃圾分類清運(yùn)車?yán)斜P檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。分別針對(duì)2D垃圾和3D垃圾進(jìn)行檢測(cè)的研究現(xiàn)狀進(jìn)行分析，確立AGV垃圾分類清運(yùn)車?yán)斜P檢測(cè)系統(tǒng)的總體架構(gòu)。

（2）基于區(qū)域采樣和加權(quán)的目標(biāo)檢測(cè)算法針對(duì)2D垃圾進(jìn)行檢測(cè)，從而經(jīng)過(guò)實(shí)驗(yàn)進(jìn)行驗(yàn)證此算法的可行性。

（3）確定方法，以及針對(duì)傳統(tǒng)算法進(jìn)行改進(jìn)，并且進(jìn)行模塊的建立，從而經(jīng)過(guò)實(shí)驗(yàn)加以進(jìn)行驗(yàn)證。

（4）在完成整個(gè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)以后，將AGV垃圾分類清運(yùn)車的垃圾托盤檢測(cè)算法作為基礎(chǔ)，在此基礎(chǔ)上結(jié)合實(shí)際情況進(jìn)行實(shí)現(xiàn)。實(shí)現(xiàn)系統(tǒng)的垃圾檢測(cè)功能模塊，分別進(jìn)行2D垃圾托盤的檢測(cè)和3D垃圾托盤的檢測(cè)。從而驗(yàn)證面向AGV垃圾分類清運(yùn)車?yán)斜P檢測(cè)算法的實(shí)用性。

3 2D目標(biāo)檢測(cè)的技術(shù)內(nèi)容及進(jìn)展

對(duì)于2D目標(biāo)檢測(cè)最為主要的任務(wù)就是在將預(yù)先的感興趣的目標(biāo)進(jìn)行定義從而在給定的區(qū)域內(nèi)進(jìn)行檢測(cè)，并且對(duì)于感興趣的目標(biāo)進(jìn)行分類，從而以邊界框進(jìn)行定位。

（1）基于手工特征的目標(biāo)檢測(cè)算法

Viola-Jones檢測(cè)器被提出用于2D目標(biāo)檢測(cè)，后來(lái)他們進(jìn)一步改進(jìn)了算法。為了解決行人檢測(cè)問(wèn)題，提出了方向梯度直方圖特征與支持向量機(jī)分類相結(jié)合的方法。使用級(jí)聯(lián)決策分類器的HOG檢測(cè)器進(jìn)一步提高了檢測(cè)速度?；贖OG檢測(cè)器，擴(kuò)展了可變形部件模型。首先，將目標(biāo)檢測(cè)結(jié)果的整體問(wèn)題轉(zhuǎn)化為模塊不同組件的檢測(cè)問(wèn)題，通過(guò)組合每個(gè)組件的檢測(cè)結(jié)果獲得最終檢測(cè)結(jié)果。

（2）基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法

對(duì)于基于深度學(xué)習(xí)的目標(biāo)轎車算法還可以分為兩種，其中一種為基于候選區(qū)方法，另一種為端對(duì)端的回歸算法。

林速等人為了解決此問(wèn)題提出了Feature Pyramin Networks，使用FPN在進(jìn)行小目標(biāo)檢測(cè)的時(shí)候以及當(dāng)尺度分布比較大目標(biāo)的時(shí)候會(huì)更加具有優(yōu)勢(shì)，針對(duì)基于候選區(qū)的目標(biāo)檢測(cè)框架如下圖1所示：

將目標(biāo)檢測(cè)作為回歸問(wèn)題，可以直接使用獨(dú)立網(wǎng)絡(luò)，然后使用卷積運(yùn)算直接預(yù)測(cè)目標(biāo)邊界框和目標(biāo)類別的位置，如圖1-2所示。該算法與基于候選區(qū)域的算法進(jìn)行了比較。由于該算法根本不需要計(jì)算額外的候選區(qū)域，因此在使用該方法時(shí)可以有效地提高速度。然而，YOLO也存在一些缺陷，如召回率低，這使得很難檢測(cè)到小目標(biāo)。YOLOv2對(duì)上述缺陷進(jìn)行了相應(yīng)的改進(jìn)。YOLOv2將針對(duì)每個(gè)輸入級(jí)別進(jìn)行標(biāo)準(zhǔn)化。同時(shí)，它還使用FasterR CNN錨盒來(lái)提高平均準(zhǔn)確庫(kù)存和召回率。而針對(duì)檢測(cè)速度想要快速的進(jìn)行提升，雷蒙等人就針對(duì)此問(wèn)題提出了YOLOv3，到目前為止，YOLOv2是檢測(cè)速度最快的檢測(cè)框架。

在實(shí)時(shí)檢測(cè)中想要使得基于候選區(qū)的檢測(cè)算法能夠包吃住更高的精度，就有了SSD算法的概念，并且他們還將此算法和YOLO中的一些優(yōu)點(diǎn)進(jìn)行結(jié)合，針對(duì)一些候選框進(jìn)行了生成，接下來(lái)會(huì)通過(guò)Softmax分類和邊界框回歸的方式針對(duì)最優(yōu)目標(biāo)位置進(jìn)行獲取。和YOLO進(jìn)行比較，所不同的是YOLO只是針對(duì)最后一個(gè)特征圖中進(jìn)行檢測(cè)，而SSD可以在多個(gè)不同尺寸的特征圖上進(jìn)行檢測(cè)。

根據(jù)相關(guān)的數(shù)據(jù)顯示，對(duì)于2D目標(biāo)檢測(cè)算法進(jìn)行對(duì)比，其結(jié)果如下表1所示：

4 3D目標(biāo)檢測(cè)的技術(shù)內(nèi)容及進(jìn)展

在目前，二維目標(biāo)檢測(cè)算法已經(jīng)非常成熟，無(wú)論在精度還是檢測(cè)速度上都達(dá)到了比較高的水平，并在工業(yè)上得到了廣泛應(yīng)用。然而，在許多其他領(lǐng)域，2D對(duì)象檢測(cè)無(wú)法應(yīng)用，例如機(jī)器人導(dǎo)航和自動(dòng)駕駛儀。原因是二維目標(biāo)檢測(cè)不能提供目標(biāo)空間位置和目標(biāo)距離，這在許多領(lǐng)域都非常重要。與2D對(duì)象檢測(cè)相比，3D對(duì)象檢測(cè)具有很大的挑戰(zhàn)性。使用3D對(duì)象檢測(cè)時(shí)，不僅應(yīng)使用2D提供的RGB圖像信息，還應(yīng)返回3D邊界框。3D邊界框的生成不僅需要RGB圖像信息，還需要深度信息。目前，有兩種獲取深度信息的方法。第一種是使用深度相機(jī)獲得RGB-D；第二種方法是使用激光雷達(dá)獲取點(diǎn)云圖像。而在實(shí)際的應(yīng)用中為了保證更加準(zhǔn)確的結(jié)果，經(jīng)常將多種模式進(jìn)行混合從而得到的方式進(jìn)行檢測(cè)。

（1）基于RGB-D的3D目標(biāo)檢測(cè)

深度R-CNN使用深度CNN和RGB神經(jīng)網(wǎng)絡(luò)分別提取編碼深度圖和RGB圖的特征，從而使用SVM分類器對(duì)提取的特征進(jìn)行分類，最終獲得目標(biāo)的實(shí)例和語(yǔ)義分割。結(jié)構(gòu)圖如下圖3所示：

對(duì)于RGB-D中的對(duì)象場(chǎng)景輸入，用于3D邊界框輸出。該方法不僅包括三維區(qū)域推薦網(wǎng)絡(luò)，還包括聯(lián)合目標(biāo)識(shí)別網(wǎng)絡(luò)。建議3D區(qū)域網(wǎng)絡(luò)的輸入是深度圖，從而可以生成3D候選區(qū)域中的所有目標(biāo)。對(duì)于每個(gè)3D候選區(qū)域，深度圖將輸入到ORN中的3DCNN中，并提取幾何特征。同時(shí)，將RGB圖像輸入到ORN中的2DCNN中，以提取圖像特征。最后，收集上述提取的兩個(gè)特征，使用Softmax分類器對(duì)候選區(qū)域中的目標(biāo)進(jìn)行分類，并使用回歸預(yù)測(cè)3D邊界框。

（2） 基于點(diǎn)云的目標(biāo)檢測(cè)

通常，基于點(diǎn)云的目標(biāo)檢測(cè)可以分為兩個(gè)步驟，第一步是生成候選區(qū)域，第二步是目標(biāo)分類。對(duì)于候選區(qū)域的生成，一種簡(jiǎn)單的方法是基于特定的聚合生成潛在的候選區(qū)域。通過(guò)研究移除地面，將剩余部分聚集成潛在候選區(qū)域。

首先，使用點(diǎn)云數(shù)據(jù)構(gòu)建圖，然后使用類似的最近鄰聚類算法對(duì)點(diǎn)云進(jìn)行聚類以生成候選區(qū)域。

在許多早期工作中，RGB-D圖像被用作CNN三維目標(biāo)檢測(cè)中深度網(wǎng)絡(luò)的輸入。因?yàn)镽GB-D圖像也由2D圖像表示，2D CNN網(wǎng)絡(luò)可以直接在RGB-B數(shù)據(jù)中執(zhí)行目標(biāo)檢測(cè)和其他相關(guān)任務(wù)。李林首先提出，2DCNN的輸入數(shù)據(jù)也可以使用點(diǎn)云數(shù)據(jù)來(lái)檢測(cè)3D對(duì)象。也就是說(shuō)，首先，將點(diǎn)云數(shù)據(jù)映射到與RGBD中類似的2D深度圖，從而使用全滾動(dòng)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)。該方法最基本的方法是將3D點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為2D數(shù)據(jù)，從而使用2D目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行檢測(cè)。該方法充分利用了2DCNN的良好性能，實(shí)現(xiàn)相對(duì)簡(jiǎn)單。

5 總結(jié)

對(duì)于目標(biāo)檢測(cè)，一直以來(lái)是機(jī)器視覺(jué)領(lǐng)域中的研究熱點(diǎn)。在當(dāng)前，2D目標(biāo)檢測(cè)已經(jīng)非常的成熟，因此，人們更多的將3D目標(biāo)檢測(cè)作為接下來(lái)重點(diǎn)的研究目標(biāo)。特別是近幾年，3D目標(biāo)檢測(cè)呈現(xiàn)出了大量算法，并且在很多領(lǐng)域都有應(yīng)用。雖然，對(duì)于3D目標(biāo)檢測(cè)其發(fā)展一直以來(lái)總是得到突破，但是目前的3D目標(biāo)檢測(cè)還仍然處于發(fā)展的初期，還有很多的地方需要進(jìn)行完善，比如對(duì)于3D目標(biāo)檢測(cè)算法不僅要在檢測(cè)速度上有所提高，同時(shí)還要進(jìn)行檢測(cè)精度的提升。周圍的環(huán)境不管如果進(jìn)行變化，使用3D目標(biāo)檢測(cè)還可以進(jìn)行較高可靠性的保持。與此同時(shí)，雖然目前的3D目標(biāo)檢測(cè)主要應(yīng)用在無(wú)人汽車的自動(dòng)駕駛中，但是真正的3D目標(biāo)檢測(cè)還可以應(yīng)用在很多其他的領(lǐng)域，比如工業(yè)、軍事和醫(yī)療，同樣會(huì)產(chǎn)生非常重要的意義。

參考文獻(xiàn)：

[1]周啟蕾，朱國(guó)寶，蕭漢梁.我國(guó)垃圾分類清運(yùn)車研究的現(xiàn)狀與未來(lái)[J].中國(guó)環(huán)保技術(shù)，2000， （2）.

[2]翁心剛.2D目標(biāo)檢測(cè)技術(shù)的發(fā)展前景報(bào)告[C].中國(guó)區(qū)域國(guó)際物流技術(shù)高峰會(huì)論文集，2000， 6.

[3]李輝民.3D檢測(cè)技術(shù)的發(fā)展與前景[J].集裝箱化，2000， （4）.