原文传递
基于机器视觉的电动叉车辅助驾驶分析研究
| 论文题名： | 基于机器视觉的电动叉车辅助驾驶分析研究 |
| 关键词： | 电动叉车;辅助驾驶;仓储环境检测系统;机器视觉;卷积神经网络 |
| 摘要： | 人工智能技术随着科技的进步不断发展，卷积神经网络作为一种人工智能手段在无人驾驶、面部检测以及智能医疗等领域中逐渐得到广泛应用。其发展至今，研究主要涉及在自然语言处理、行人检测和标识检测等方面，但关于仓储环境检测的研究偏少。以往的仓储环境检测研究都是基于物理传感器和图像传感器的，但是物理传感器价格昂贵，而图像传感器价格低廉。图像传感器的相关算法对仓储环境检测速度慢，光照鲁棒性差，人为干扰因素多。因此本文针对仓储环境检测系统开展部分研究工作，主要工作包括： 1）针对无法精准识别小目标物体和低像素目标的问题，本文将DenseNet模型与原始的YOLOv3网络结合，并根据卷积神经网络架构设计的实用指南提出YOLOv3-D新模型。 2）对于仓储环境数据集，本文使用无监督学习算法K-means++替代K-means算法，并对本文仓储环境数据集的边界框的宽度和高度以及边界框的数量进行重新聚类。 3）针对仓储环境下的托盘目标物体检测精度不高的问题，根据托盘在图像坐标系中成像的分布规律，本文提出了（2S,S）的网格设计，对损失函数进行优化。同时为了避免进行错误的分类，提升对于仓储环境中其他物体的检测精度，引入权重矩阵。 4）鉴于有关仓储环境的研究样本数量较少，本文进行采集仓储环境样本，由于在复杂的仓储环境存在着光线的影响，会导致训练过后的模型不精准，结合图像预处理技术，对人工采集好的数据进行优化处理。其次，训练需要足够大的数据量，本文结合数据扩充的方法来增加数据量，解决因数据量不足而导致的问题。 5）将训练好的模型移植到服务器上，并根据实际需要，设计出一套叉车辅助驾驶系统，对界面设计进行优化，辅助驾驶员进行避让与前进。 综上所述，本文将提出的YOLOv3-D模型在制作好的仓储环境数据集上进行试验，并在该数据集上对其它的目标检测算法进行训练，对各个模型进行对比实验。另外，采取了多种评价标准对模型的检测结果进行了对比分析和总结。 |
| 作者： | 孙光泽 |
| 专业： | 机械工程 |
| 导师： | 王平凯 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长春工业大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
