一种基于视觉的方法,用于检测自动化存储和检索系统中堆叠货物的位置
Chuanjun Chen1,2, Junjie Liu2, Haonan Yin1
1Department of Automation, Tsinghua University, Beijing 100084, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
本研究介绍了STEGNet,一种新的机器视觉算法,用于在自动化存储和检索系统 (AS/RS) 中监控货物. 它提高了检测准确性和效率,以改善物流运营.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 物流 技术 技术 物流 技术
背景情况:
- 自动化存储和检索系统 (AS/RS) 在现代物流中至关重要.
- 在AS/RS中监控货物堆叠模式是一个重大挑战.
- 现有的计算机视觉和深度学习方法在准确性,效率和适应性方面存在局限性.
研究的目的:
- 开发一种基于机器视觉的新型检测算法,用于自动化货物堆监控.
- 为了提高货物检测的准确性和效率,并在AS/RS中估计位.
- 为复杂的仓库环境提供强大的解决方案.
主要方法:
- 将托盘表面物体检测网络 (STEGNet) 与盒边检测算法集成.
- STEGNet使用一个高效的门式金字塔特征网络 (EG-FPN) 带有门式特征融合和轻量级注意力机制.
- 纳入几何约束方法用于盒边检测和视角-n-点 (PnP) 方法用于2D到3D姿势估计.
主要成果:
- 在GY-WSBW-4D数据集上,STEGNet实现了93.49%的mAP,在WSGID-B数据集上实现了83.2%的mAP.
- 一个轻量级的STEGNet变体减少了34%的模型大小,并增加了68%的推断速度,具有竞争力的准确性.
- 实际应用证明了与平均绝对误差<4厘米和旋转角度误差<2°的姿势估计.
结论:
- 拟议的机器视觉算法为AS/RS中自动化货物堆监控提供了可靠和高效的解决方案.
- 与现有基准相比,STEGNet在检测准确性和计算效率方面表现优越.
- 该系统在复杂环境中的强大性能解决了现代物流运营中的关键挑战.
