一种基于Yolov5-Pallet的无人叉车托盘插孔检测方法及系统技术方案

本发明专利技术公开了基于Yolov5

【技术实现步骤摘要】
一种基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法及系统


[0001]本专利技术涉及计算机视觉及物流智能装备领域，特别是一种基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法及系统。

技术介绍

[0002]在智能制造全面推进的大背景下，物流作业的智能化、无人化的趋势越来越明显。无人叉车作为无人仓储作业的主要实现方式之一，逐渐被企业所接受。相较于传统的人工叉车，无人叉车凭借其更加安全、节省成本、抗干扰能力强、节拍稳定可靠以及可以适用于特殊环境等优点，正逐步成为工业自动化物流的主要趋势。
[0003]在无人叉车的使用中，其需要大量地进行托盘插孔的检测识别工作，从而在准确的位置伸出叉齿提升托盘，保障运载货物的平稳送到。在托盘插孔的识别工作，识别过慢会严重影响无人叉车的工作效率；识别不准确则会导致货物运载不平稳，严重时甚至会致使货物倒塌，造成经济损失或安全事故。因此在无人叉车工作时，需要高效率、高精度地对托盘插孔进行视觉识别。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述和/或现有的无人叉车识别成本高、检测精度不够存在的问题，提出了本专利技术。
[0006]因此，本专利技术所要解决的问题在于使用计算机视觉中的目标检测技术实现无人叉车对托盘和插孔进行高效率、高精度地识别。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术实施例提供了基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法，其包括视频采集设备获取待检测的视频流；将检测的视频流传输到控制无人叉车的计算机终端；计算机终端对托盘和插孔进行目标检测，并结合实时目标检测结果和工作任务产生相应指令并传输给无人叉车；无人叉车根据操作指令叉取托盘。
[0009]作为本专利技术所述基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法的一种优选方案，其中：目标检测包括如下步骤：收集图像，并建立数据集；改进Yolov5网络结构，得到一种改进后的Yolov5
‑
Pallet目标检测算法；训练Yolov5
‑
Pallet目标检测模型。
[0010]作为本专利技术所述基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法的一种优选方案，其中：改进Yolov5网络结构包括如下步骤：在原Yolov5网络结构中加入一种基于BiFPN改进的特征融合PalletFPN，替换原先作为Neck结构的PANet；在原Yolov5网络结构中加入一种注意力机制。
[0011]作为本专利技术所述基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法的一种优选方案，其中：PalletFPN是根据具体输入特征的分辨率来学习不同输入特征的重要性，具体公式如下：
[0012][0013]其中，w
i
是指第i层输入特征的权重值，a
i
和b
i
分别是指第i层输入特征图在横向和纵向上的像素数，n是指输入特征总数。
[0014]作为本专利技术所述基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法的一种优选方案，其中：改进后的Yolov5
‑
Pallet目标检测算法，其中PalletFPN基于高斯分布抽取五帧图像，根据先后顺序，分别进行不同程度的下采样操作，具体公式如下：
[0015][0016][0017]其中，Conv是指卷积计算，为第n层中间特征，mid代表是中间特征，w
n
是指第n层输入特征的权重值，是指上采样或下采样操作，n代表输入特征的层级，不同层级的输入特征，in代表是输入特征，为第n层输出特征，out代表是输出特征。
[0018]作为本专利技术所述基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法的一种优选方案，其中：基于高斯分布抽取五帧图像包括以下步骤：根据视频数据的分布情况拟合出高斯分布的均值和标准差；计算每个帧的概率密度的具体公式如下：
[0019][0020]其中，μ是高斯分布的均值，σ是高斯分布的标准差，x是帧的序号，p(x)是第x帧的概率密度。
[0021]根据概率密度选择需要的帧，并按照从大到小的顺序排序，选择前五帧作为代表性帧。
[0022]作为本专利技术所述基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法的一种优选方案，其中：在原Yolov5网络结构中加入一种注意力机制包括以下步骤：对输入特征图进行最大池化，得到中间特征图f；对最大池化层的中间特征图f进行分解，使用池化内核分别沿水平坐标和垂直坐标对每个像素点进行编码；计算查询对象Q和每个特征像素点的相似度的具体公式如下：
[0023][0024]其中，s
ij
为注意力分数。
[0025]对注意力分数s
ij
进行softmax操作，具体公式如下：
[0026][0027]其中，N为注意力分数的总个数，s
ij
为注意力分数。
[0028]根据权重系数softmax(s
ij
)对特征像素点的输出z
ij
进行加权求和，得出注意力值att，具体公式如下：
[0029][0030]其中，att为注意力值，x
i
为特征像素点的横坐标，y
j
为特征像素点的纵坐标，z
ij
为坐标为(x
i
,y
j
)的特征像素点的输出值，i
max
为中间特征图f的横向像素长度，j
max
为中间特征图f的纵向像素长度。
[0031]第二方面，本专利技术实施例提供了一种无人叉车托盘插孔检测系统，其包括数据获取模块，用于获取叉车工作时现场的视频信息；数据传输模块，用于将获取到的视频流信息传输给计算机终端；目标检测模块，用于检测视频图像信息中的托盘及插孔，并输出坐标数据；任务执行模块，用于接收计算机终端发送的坐标数据并执行叉取操作。
[0032]第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本专利技术第一方面所述的基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法的步骤。
[0033]第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本专利技术第一方面所述的基于Yolov5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法，其特征在于：包括，视频采集设备获取待检测的视频流；将检测的视频流传输到控制无人叉车的计算机终端；计算机终端对托盘和插孔进行目标检测，并结合实时目标检测结果和工作任务产生相应指令并传输给无人叉车；无人叉车根据操作指令叉取托盘。2.如权利要求1所述的基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法，其特征在于：所述目标检测包括如下步骤：收集图像，并建立数据集；改进Yolov5网络结构，得到一种改进后的Yolov5
‑
Pallet目标检测算法；训练Yolov5
‑
Pallet目标检测模型。3.如权利要求2所述的基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法，其特征在于：所述改进Yolov5网络结构包括如下步骤：在原Yolov5网络结构中加入一种基于BiFPN改进的特征融合PalletFPN，替换原先作为Neck结构的PANet；在原Yolov5网络结构中加入一种注意力机制。4.如权利要求3所述的基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法，其特征在于：所述PalletFPN是根据具体输入特征的分辨率来学习不同输入特征的重要性，具体公式如下：其中，w
i
是指第i层输入特征的权重值，a
i
和b
i
分别是指第i层输入特征图在横向和纵向上的像素数，n是指输入特征总数。5.如权利要求2所述的基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法，其特征在于：所述Yolov5
‑
Pallet目标检测算法，其中PalletFPN基于高斯分布抽取五帧图像，根据先后顺序，分别进行不同程度的下采样操作，具体公式如下：后顺序，分别进行不同程度的下采样操作，具体公式如下：其中，Conv是指卷积计算，为第n层中间特征，mid代表是中间特征，w
n
是指第n层输入特征的权重值，是指上采样或下采样操作，n代表输入特征的层级，不同层级的输入特征，in代表是输入特征，为第n层输出特征，out代表是输出特征。6.如权利要求5所述的基于Yolov5
‑
Pallet的无人叉车托盘插孔检测方法，其特征在于：所述基于高斯分布抽取五帧图像包括以下步骤：根据视频数据的分布情况拟合出高斯分布的均值和标...

【专利技术属性】
技术研发人员：周尖，张旭，占升荣，孙知信，孙哲，赵学健，胡冰，徐玉华，汪胡青，宫婧，
申请(专利权)人：安徽邮谷快递智能科技有限公司，
类型：发明
国别省市：