張芷寧　王昶泰

摘 要：AGV即自動導(dǎo)引車，早在上個世紀(jì)五十年代就已經(jīng)被發(fā)明出來，同時隨著科技水平的不斷發(fā)展和進步，自動導(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(guān)的指令，然后AGV會根據(jù)已經(jīng)預(yù)先制定好的路線進行路線行走，最后完成相一系列的復(fù)雜動作和操作。對于AGV具有很多的特點以及優(yōu)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(diào)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(yōu)勢，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 托盤檢測 算法

1 引言

時代發(fā)生著前所未有的變化，最后導(dǎo)致越來越貴的人力成本出現(xiàn)，從而使得生產(chǎn)成本也開始了逐漸升高，目前很多人都已經(jīng)非常討厭從事既危險又復(fù)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(xù)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(chǎn)作業(yè)效率。

最近幾年，我國的不管是勞動力成本，還是企業(yè)運營成本都開始了持續(xù)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(jù)相關(guān)數(shù)據(jù)顯示，在很多發(fā)達國家，對于每個產(chǎn)業(yè)的生產(chǎn)階段和加工階段所制造的產(chǎn)品所消耗的時間不會超過25%，也就是在產(chǎn)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(yè)的快速發(fā)展，同時隨著互聯(lián)網(wǎng)技術(shù)的興起，當(dāng)兩者進行結(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，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(yè)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(shè)備進行比較，對于AGV垃圾分類清運車的固定區(qū)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(xiàn)。

2 研究的目標(biāo)與內(nèi)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(yè)從傳統(tǒng)模式向智能化轉(zhuǎn)化過程中的所存在的調(diào)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(chǎn)作業(yè)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?yán)斜P檢測系統(tǒng)會結(jié)合多種軟件，分層進行架構(gòu)，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(xiàn)，從而得出每個模塊的實用性。

（3）垃圾托盤檢測算法的實現(xiàn)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(chǎn)工作效率。

（4）本課題緊密和實際生產(chǎn)作業(yè)進行聯(lián)系，得出的垃圾檢測算法完全可以應(yīng)用到真實的項目當(dāng)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(xiàn)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(yīng)的研究基礎(chǔ)，結(jié)合理論和實際針對現(xiàn)有的AGV垃圾分類清運車在進行垃圾托盤檢測技術(shù)的充分調(diào)研，通過和設(shè)計工作進行充分的結(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(yīng)用到實際的生產(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?yán)斜P檢測系統(tǒng)的總體設(shè)計，通過對真實場景的實地調(diào)研，經(jīng)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?yán)斜P檢測系統(tǒng)的設(shè)計與實現(xiàn)。分別針對2D垃圾和3D垃圾進行檢測的研究現(xiàn)狀進行分析，確立AGV垃圾分類清運車?yán)斜P檢測系統(tǒng)的總體架構(gòu)。

（2）基于區(qū)域采樣和加權(quán)的目標(biāo)檢測算法針對2D垃圾進行檢測，從而經(jīng)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(tǒng)算法進行改進，并且進行模塊的建立，從而經(jīng)過實驗加以進行驗證。

（4）在完成整個系統(tǒng)的設(shè)計與實現(xiàn)以后，將AGV垃圾分類清運車的垃圾托盤檢測算法作為基礎(chǔ)，在此基礎(chǔ)上結(jié)合實際情況進行實現(xiàn)。實現(xiàn)系統(tǒng)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?yán)斜P檢測算法的實用性。

3 2D目標(biāo)檢測的技術(shù)內(nèi)容及進展

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

（1）基于手工特征的目標(biāo)檢測算法

Viola-Jones檢測器被提出用于2D目標(biāo)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(jié)合的方法。使用級聯(lián)決策分類器的HOG檢測器進一步提高了檢測速度?；贖OG檢測器，擴展了可變形部件模型。首先，將目標(biāo)檢測結(jié)果的整體問題轉(zhuǎn)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(jié)果獲得最終檢測結(jié)果。

（2）基于深度學(xué)習(xí)的目標(biāo)檢測算法

對于基于深度學(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(biāo)檢測的時候以及當(dāng)尺度分布比較大目標(biāo)的時候會更加具有優(yōu)勢，針對基于候選區(qū)的目標(biāo)檢測框架如下圖1所示：

將目標(biāo)檢測作為回歸問題，可以直接使用獨立網(wǎng)絡(luò)，然后使用卷積運算直接預(yù)測目標(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)域的算法進行了比較。由于該算法根本不需要計算額外的候選區(qū)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(biāo)。YOLOv2對上述缺陷進行了相應(yīng)的改進。YOLOv2將針對每個輸入級別進行標(biāo)準(zhǔn)化。同時，它還使用FasterR CNN錨盒來提高平均準(zhǔn)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(qū)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(yōu)點進行結(jié)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(yōu)目標(biāo)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(jù)相關(guān)的數(shù)據(jù)顯示，對于2D目標(biāo)檢測算法進行對比，其結(jié)果如下表1所示：

4 3D目標(biāo)檢測的技術(shù)內(nèi)容及進展

在目前，二維目標(biāo)檢測算法已經(jīng)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(yè)上得到了廣泛應(yīng)用。然而，在許多其他領(lǐng)域，2D對象檢測無法應(yīng)用，例如機器人導(dǎo)航和自動駕駛儀。原因是二維目標(biāo)檢測不能提供目標(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對象檢測相比，3D對象檢測具有很大的挑戰(zhàn)性。使用3D對象檢測時，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(yīng)用中為了保證更加準(zhǔn)確的結(jié)果，經(jīng)常將多種模式進行混合從而得到的方式進行檢測。

（1）基于RGB-D的3D目標(biāo)檢測

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分類器對提取的特征進行分類，最終獲得目標(biāo)的實例和語義分割。結(jié)構(gòu)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(qū)域推薦網(wǎng)絡(luò)，還包括聯(lián)合目標(biāo)識別網(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)。對于每個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，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(qū)域中的目標(biāo)進行分類，并使用回歸預(yù)測3D邊界框。

（2） 基于點云的目標(biāo)檢測

通常，基于點云的目標(biāo)檢測可以分為兩個步驟，第一步是生成候選區(qū)域，第二步是目標(biāo)分類。對于候選區(qū)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(qū)域。通過研究移除地面，將剩余部分聚集成潛在候選區(qū)域。

首先，使用點云數(shù)據(jù)構(gòu)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(qū)域。

在許多早期工作中，RGB-D圖像被用作CNN三維目標(biāo)檢測中深度網(wǎng)絡(luò)的輸入。因為RGB-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)也可以使用點云數(shù)據(jù)來檢測3D對象。也就是說，首先，將點云數(shù)據(jù)映射到與RGBD中類似的2D深度圖，從而使用全滾動網(wǎng)絡(luò)進行目標(biāo)檢測。該方法最基本的方法是將3D點云數(shù)據(jù)轉(zhuǎn)換為2D數(shù)據(jù)，從而使用2D目標(biāo)檢測網(wǎng)絡(luò)進行檢測。該方法充分利用了2DCNN的良好性能，實現(xiàn)相對簡單。

5 總結(jié)

對于目標(biāo)檢測，一直以來是機器視覺領(lǐng)域中的研究熱點。在當(dāng)前，2D目標(biāo)檢測已經(jīng)非常的成熟，因此，人們更多的將3D目標(biāo)檢測作為接下來重點的研究目標(biāo)。特別是近幾年，3D目標(biāo)檢測呈現(xiàn)出了大量算法，并且在很多領(lǐng)域都有應(yīng)用。雖然，對于3D目標(biāo)檢測其發(fā)展一直以來總是得到突破，但是目前的3D目標(biāo)檢測還仍然處于發(fā)展的初期，還有很多的地方需要進行完善，比如對于3D目標(biāo)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(huán)境不管如果進行變化，使用3D目標(biāo)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(biāo)檢測主要應(yīng)用在無人汽車的自動駕駛中，但是真正的3D目標(biāo)檢測還可以應(yīng)用在很多其他的領(lǐng)域，比如工業(yè)、軍事和醫(yī)療，同樣會產(chǎn)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(xiàn)狀與未來[J].中國環(huán)保技術(shù)，2000， （2）.

[2]翁心剛.2D目標(biāo)檢測技術(shù)的發(fā)展前景報告[C].中國區(qū)域國際物流技術(shù)高峰會論文集，2000， 6.

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