革命性的机器人脱:人工智能增强的包裹检测与自适应3D机器视觉和RGB-D成像用于自动卸载
Seongje Kim1,2, Van-Doi Truong1,2, Kwang-Hee Lee3
1Department of Mechanical Design Engineering, Hanyang University, 222 Wangsimni-ro, Seongdong-gu, Seoul 04763, Republic of Korea.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
本研究引入了深度学习和图像处理方法,用于在卸载过程中准确检测包裹. 该系统有效地识别了包裹边界,提高了多样化和无序包裹的效率.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 自动化包裹卸货面临的挑战是由于不同的包裹堆叠,形状和表面图案.
- 传统方法缺乏分类无序包裹所需的速度和准确性.
- 有效地检测包裹边界对于自动化物流运营至关重要.
研究的目的:
- 开发一个系统的图像处理算法,用于准确地检测包裹边界.
- 为了提高从卡车卸载多样化和无序的包裹到输送带的效率.
- 克服传统方法在分类复杂的地块形状和表面图案方面的局限性.
主要方法:
- 采用RGB-D技术用于初级边界线检测,对表面障碍物具有坚固的性能.
- 实施基于深度学习的边界线检测,使用You Only Look at Coefficients (YOLACT) 模型来挑战差距.
- 采用图像细分技术,以精确地预测边界,并使用深度值提取旋转地块的边缘.
主要成果:
- 在检测随机大小和旋转覆盖的不同外观的盒子中实现了高精度.
- 证明了强大的性能,随机尺寸的平均精度 (mAP) 为93.8%,旋转盒的平均精度为90.8%.
- 通过各种案例研究验证了该方法的准确性和实时性能.
结论:
- 拟议的深度学习和图像处理方法显著提高了包裹检测的准确性和效率.
- 该系统有效地处理各种各样的包裹形状,表面图案和方向,这对于自动卸货至关重要.
- 这种方法为处理包裹的复杂物流挑战提供了可靠的解决方案.
