面向AGV垃圾分類清運車托盤檢測的算法研究

張芷寧　王昶泰

摘 要：AGV即自動導引車，早在上個世紀五十年代就已經被發明出來，同時隨著科技水平的不斷發展和進步，自動導引車不僅已經在工業生產車間中起到了重要的作用，同時還廣泛的出現了很多其他的領域，比如醫院、碼頭和餐廳等。對于AGV是一種智能無人駕駛運輸車，上位機和下位機會給AGV傳送相關的指令，然后AGV會根據已經預先制定好的路線進行路線行走，最后完成相一系列的復雜動作和操作。對于AGV具有很多的特點以及優勢，比如較好的柔性、較高的靈活性和比較好的可靠性，同時在維護和調試方面也非常的方便，也正是因為AGV具有以上的這些特點及優勢，才可以在生產車間中快速的得到應用。

關鍵詞：agv 垃圾分類清運 托盤檢測 算法

1 引言

時代發生著前所未有的變化，最后導致越來越貴的人力成本出現，從而使得生產成本也開始了逐漸升高，目前很多人都已經非常討厭從事既危險又復雜的工作，而AGV完全可以將其進行取代。這樣一來，AGV不僅可以有效的讓人力進行釋放，同時還可以進行24小時連續不斷工作，也就是AGV不僅可以極大的減少人力成本，同時還可以大力提高生產作業效率。

最近幾年，我國的不管是勞動力成本，還是企業運營成本都開始了持續上升，以至于GDP由原來的高速增長開始變成了中高速增長。根據相關數據顯示，在很多發達國家，對于每個產業的生產階段和加工階段所制造的產品所消耗的時間不會超過25%，也就是在產品的裝卸、運輸和存儲過程中消耗了大量的時間。

但是最近幾年，由于人們的生活條件不斷提高，加快了物流行業的快速發展，同時隨著互聯網技術的興起，當兩者進行結合以后更加使得產業鏈在當初的行業限制被打破。這樣一來，不僅可以針對整體的物流信息進行掌握，同時還可以有效的降低成本以及提高水平。但物流行業從流程化走向信息化最后形成智能化，AGV垃圾分類清運車可以通過其自身上的傳感器感知位置，通過算法來進行各項操作的檢測。將AGV垃圾分類清運車和其他的運輸設備進行比較，對于AGV垃圾分類清運車的固定區域沒有任何限制，也無需任何軌道或者支撐架。不管是任何場地還是空間是如何。本文針對AGV垃圾分類清運車在進行垃圾裝載和卸載過程中托盤進行檢測，此檢測過程完全采用計算機算法進行實現。

2 研究的目標與內容

本課題是針對AGV垃圾分類清運車其垃圾托盤進行檢測的算法研究，通過此研究完全可以在企業從傳統模式向智能化轉化過程中的所存在的調度問題以及運動控制問題進行有效解決。通過此研究可以極大的增加AGV垃圾分類清運車的生產作業效率，具體的意義有如下幾點：

（1）在本文所搭建的AGV垃圾分類清運車垃圾托盤檢測系統會結合多種軟件，分層進行架構，條理比較清晰，具有較強的實用性。

（2）本研究分位2D托盤檢測模塊和3D垃圾托盤檢測模塊，并且使用不同的算法進行實現，從而得出每個模塊的實用性。

（3）垃圾托盤檢測算法的實現完全可以針對托盤上的垃圾進行檢測，從而得出垃圾類型，提高生產工作效率。

（4）本課題緊密和實際生產作業進行聯系，得出的垃圾檢測算法完全可以應用到真實的項目當中，從而在AGV垃圾分類清運車針對垃圾托盤檢測提供有效的參考。

本課題以AGV垃圾分類清運車托盤垃圾檢測作為研究背景，其算法的實現分為2D垃圾檢測和3D垃圾檢測，以車間的實際檢測作為相應的研究基礎，結合理論和實際針對現有的AGV垃圾分類清運車在進行垃圾托盤檢測技術的充分調研，通過和設計工作進行充分的結合，并且將此作為基礎，在其基礎之上設計出一種適用于實際工作所提出的垃圾托盤檢測算法。將此算法應用到實際的生產作業當中可以有效的滿足不同生產線，不同類型的AGV垃圾分類清運車的通用性要求。在完成算法的改進以后進行實驗的搭建：

（1）AGV垃圾分類清運車垃圾托盤檢測系統的總體設計，通過對真實場景的實地調研，經過需求分析和總體方案的配置，從而完成AGV垃圾分類清運車垃圾托盤檢測系統的設計與實現。分別針對2D垃圾和3D垃圾進行檢測的研究現狀進行分析，確立AGV垃圾分類清運車垃圾托盤檢測系統的總體架構。

（2）基于區域采樣和加權的目標檢測算法針對2D垃圾進行檢測，從而經過實驗進行驗證此算法的可行性。

（3）確定方法，以及針對傳統算法進行改進，并且進行模塊的建立，從而經過實驗加以進行驗證。

（4）在完成整個系統的設計與實現以后，將AGV垃圾分類清運車的垃圾托盤檢測算法作為基礎，在此基礎上結合實際情況進行實現。實現系統的垃圾檢測功能模塊，分別進行2D垃圾托盤的檢測和3D垃圾托盤的檢測。從而驗證面向AGV垃圾分類清運車垃圾托盤檢測算法的實用性。

3 2D目標檢測的技術內容及進展

對于2D目標檢測最為主要的任務就是在將預先的感興趣的目標進行定義從而在給定的區域內進行檢測，并且對于感興趣的目標進行分類，從而以邊界框進行定位。

（1）基于手工特征的目標檢測算法

Viola-Jones檢測器被提出用于2D目標檢測，后來他們進一步改進了算法。為了解決行人檢測問題，提出了方向梯度直方圖特征與支持向量機分類相結合的方法。使用級聯決策分類器的HOG檢測器進一步提高了檢測速度。基于HOG檢測器，擴展了可變形部件模型。首先，將目標檢測結果的整體問題轉化為模塊不同組件的檢測問題，通過組合每個組件的檢測結果獲得最終檢測結果。

（2）基于深度學習的目標檢測算法

對于基于深度學習的目標轎車算法還可以分為兩種，其中一種為基于候選區方法，另一種為端對端的回歸算法。

林速等人為了解決此問題提出了Feature Pyramin Networks，使用FPN在進行小目標檢測的時候以及當尺度分布比較大目標的時候會更加具有優勢，針對基于候選區的目標檢測框架如下圖1所示：

將目標檢測作為回歸問題，可以直接使用獨立網絡，然后使用卷積運算直接預測目標邊界框和目標類別的位置，如圖1-2所示。該算法與基于候選區域的算法進行了比較。由于該算法根本不需要計算額外的候選區域，因此在使用該方法時可以有效地提高速度。然而，YOLO也存在一些缺陷，如召回率低，這使得很難檢測到小目標。YOLOv2對上述缺陷進行了相應的改進。YOLOv2將針對每個輸入級別進行標準化。同時，它還使用FasterR CNN錨盒來提高平均準確庫存和召回率。而針對檢測速度想要快速的進行提升，雷蒙等人就針對此問題提出了YOLOv3，到目前為止，YOLOv2是檢測速度最快的檢測框架。

在實時檢測中想要使得基于候選區的檢測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中的一些優點進行結合，針對一些候選框進行了生成，接下來會通過Softmax分類和邊界框回歸的方式針對最優目標位置進行獲取。和YOLO進行比較，所不同的是YOLO只是針對最后一個特征圖中進行檢測，而SSD可以在多個不同尺寸的特征圖上進行檢測。

根據相關的數據顯示，對于2D目標檢測算法進行對比，其結果如下表1所示：

4 3D目標檢測的技術內容及進展

在目前，二維目標檢測算法已經非常成熟，無論在精度還是檢測速度上都達到了比較高的水平，并在工業上得到了廣泛應用。然而，在許多其他領域，2D對象檢測無法應用，例如機器人導航和自動駕駛儀。原因是二維目標檢測不能提供目標空間位置和目標距離，這在許多領域都非常重要。與2D對象檢測相比，3D對象檢測具有很大的挑戰性。使用3D對象檢測時，不僅應使用2D提供的RGB圖像信息，還應返回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獲得RGB-D；第二種方法是使用激光雷達獲取點云圖像。而在實際的應用中為了保證更加準確的結果，經常將多種模式進行混合從而得到的方式進行檢測。

（1）基于RGB-D的3D目標檢測

深度R-CNN使用深度CNN和RGB神經網絡分別提取編碼深度圖和RGB圖的特征，從而使用SVM分類器對提取的特征進行分類，最終獲得目標的實例和語義分割。結構圖如下圖3所示：

對于RGB-D中的對象場景輸入，用于3D邊界框輸出。該方法不僅包括三維區域推薦網絡，還包括聯合目標識別網絡。建議3D區域網絡的輸入是深度圖，從而可以生成3D候選區域中的所有目標。對于每個3D候選區域，深度圖將輸入到ORN中的3DCNN中，并提取幾何特征。同時，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特征，使用Softmax分類器對候選區域中的目標進行分類，并使用回歸預測3D邊界框。

（2） 基于點云的目標檢測

通常，基于點云的目標檢測可以分為兩個步驟，第一步是生成候選區域，第二步是目標分類。對于候選區域的生成，一種簡單的方法是基于特定的聚合生成潛在的候選區域。通過研究移除地面，將剩余部分聚集成潛在候選區域。

首先，使用點云數據構建圖，然后使用類似的最近鄰聚類算法對點云進行聚類以生成候選區域。

在許多早期工作中，RGB-D圖像被用作CNN三維目標檢測中深度網絡的輸入。因為RGB-D圖像也由2D圖像表示，2D CNN網絡可以直接在RGB-B數據中執行目標檢測和其他相關任務。李林首先提出，2DCNN的輸入數據也可以使用點云數據來檢測3D對象。也就是說，首先，將點云數據映射到與RGBD中類似的2D深度圖，從而使用全滾動網絡進行目標檢測。該方法最基本的方法是將3D點云數據轉換為2D數據，從而使用2D目標檢測網絡進行檢測。該方法充分利用了2DCNN的良好性能，實現相對簡單。

5 總結

對于目標檢測，一直以來是機器視覺領域中的研究熱點。在當前，2D目標檢測已經非常的成熟，因此，人們更多的將3D目標檢測作為接下來重點的研究目標。特別是近幾年，3D目標檢測呈現出了大量算法，并且在很多領域都有應用。雖然，對于3D目標檢測其發展一直以來總是得到突破，但是目前的3D目標檢測還仍然處于發展的初期，還有很多的地方需要進行完善，比如對于3D目標檢測算法不僅要在檢測速度上有所提高，同時還要進行檢測精度的提升。周圍的環境不管如果進行變化，使用3D目標檢測還可以進行較高可靠性的保持。與此同時，雖然目前的3D目標檢測主要應用在無人汽車的自動駕駛中，但是真正的3D目標檢測還可以應用在很多其他的領域，比如工業、軍事和醫療，同樣會產生非常重要的意義。

參考文獻：

[1]周啟蕾，朱國寶，蕭漢梁.我國垃圾分類清運車研究的現狀與未來[J].中國環保技術，2000， （2）.

[2]翁心剛.2D目標檢測技術的發展前景報告[C].中國區域國際物流技術高峰會論文集，2000， 6.

[3]李輝民.3D檢測技術的發展與前景[J].集裝箱化，2000， （4）.