[发明专利]基于机器视觉的AGV目标识别与姿态角解算方法及系统

说明书

本发明公开了一种基于机器视觉的AGV目标识别与姿态角解算方法及系统，包括AGV运行过程中进行目标检测，确定包含目标特征点的ROI区域；采用双目立体视觉系统对目标进行实时成像；分别对投射后的椭圆锥面进行拟合，同时对法向量进行优化求解；通过最优法向量解算AGV和目标之间的方位角。通过改进YOLOV3的主干网络模型，并搭建跨层连接网络结构实现对微小目标特征的有效学习和融合，提升目标检测的准确率和稳定性。完成目标识别后，接着选定包含圆形特征点的ROI区域，分别对投射后的椭圆锥面法向量进行优化求解，保证解的唯一性，进而实现目标相对于AGV自主导航载具姿态角的精确、快速解算。

技术领域

本发明属于AGV载具方位角感知技术领域，本发明涉及一种基于机器视觉的AGV目标识别与姿态角解算方法，实现AGV(Automated Guided Vehicle)自主导航载具对目标方位角的实时量测。

背景技术

当前工业应用中的自主导航载具大多以固定的轨迹、预先设定的方式进行工作，能够胜任单一性、保准性、重复性较强的任务。然而该类运动载具缺乏对跨场景环境、目标状态、以及末端执行器实际位姿变化的自主感知能力，因此工作环境中的对象如果发生了超出预期的变化，就会影响载具末端姿态角的解算精度，导致运行状态下的载具无法进行下一步的操作，严重限制了自主导航载具功能的智能化以及可延展性。

激光雷达是AGV载具在方位角感知上技术较为成熟的一种方式，通过单线或者多线激光雷达，扫描环境空间的三维点云信息进行感知计算，精度高且实时性较强，但激光感知囿于其硬件成本和信息维度，在日常生活中无法得到广泛的应用。相比之下，通过相机成像的视觉模式可以获取目标特征信息来感知环境，其特点是成本较为低廉，传感信息也更为丰富，一般应用于移动载具的室内导航与定位。基于视觉实现目标姿态角量测的方法有多种，通过RGB-D相机获取目标点云信息的量测方式应用较为广泛，可以将RGB-D点特征和线段特征、平面特征进行结合，但由于点云信息数据量大，导致算法的效率较低。而采用面阵相机构成的视觉系统实现目标姿态角量测具有很高的实时性，同时精度也较高。但是该技术需要借助大量的人工标志点或配合目标点，这在实际应用中难以保障目标如托盘、箱体、堆垛具有较多的标志点，因此限制了机器视觉技术在实际工业场景中的应用。此外，当前采用深度学习的方式进行目标检测与定位取得了很好的实用效果。深度学习模型通过一层一层地抽象可以将原始数据变为另一种可以代表原始数据的展现形式。但是传统的卷积网络通常是自上而下的模式，随着网络层数的增加，感受野会增大，语义信息也更为丰富。这种自上而下的结构本身对于多尺度的物体检测就存在弊端，尤其是小物体，其特征可能会随着深度的增加而渐渐丢失，从而导致检测性能的降低。

公开号CN114549637A公开了一种运动目标识别以及实时定位与姿态解算方法及系统，基于包含关系的轮廓识别方法提取预处理后的图像的图像轮廓以及轮廓对应的特征点的位置坐标；基于轮廓对应的特征点的位置坐标完成动态目标的位姿解算以及ID识别。基于图像处理算法，需要计算特征点的位置坐标，计算方法复杂，无法进行快速响应，实时性不足；并且位姿解算的精度并不是很高。

为了提升AGV自主导航载具执行任务的灵活性，实现对目标的精准操作，那么关键的要素是能够实现对目标方位角的精确解算，这样AGV自主导航载具才能稳定地朝向目标移动，进而完成后续的连续操作任务。本发明因此而来。

发明内容

本发明的目的在于提供一种基于机器视觉的AGV目标识别与姿态角解算方法，通过改进YOLOV3的主干网络模型，并搭建跨层连接网络结构实现对微小目标特征的有效学习和融合，提升目标检测的准确率和稳定性。完成目标识别后，接着选定包含圆形特征点的ROI区域，分别对投射后的椭圆锥面法向量进行优化求解，保证解的唯一性，进而实现目标相对于AGV自主导航载具姿态角的精确、快速解算。

实现本发明目的的技术解决方案为：

一种基于机器视觉的AGV目标识别与姿态角解算方法，包括以下步骤：