基于机器视觉的智能搬运小车

卓越 赖志芳 张铭 王悦新

摘要：随着机器人技术的发展，移动机器人在仓储物流中辅助分拣已成为重要的研究方向。提出一种基于机器视觉的智能搬运小车，主要研究麦克纳姆轮平台的控制及通过机器视觉技术辅助作业。针对复杂场景中对目标的搜索和跟随，采用基于YOLOv3 的目标检测算法来保证对目标的自主搜索以及解决在移动过程中目标物丢失的问题。为了使搬运车能区分搬运目标的种类，使用以MobileNetV2 为主干网络的神经网络模型，经实验检测可以获得可靠的正确率。相较于传统的方案，基于机器视觉的智能搬运车展示了较好的鲁棒性，能够自主完成分拣搬运工作，为视觉搬运车的研究提供了可行的思路。

关键词：轮式机器人；麦克纳姆轮；目标检测；YOLOv3；MobileNetV2；分类检测

中图分类号：TP242；TP391.41 文献标识码：A

0 引言

随着物流行业的发展，如何减少在仓储中的周转时间成为物流行业的挑战之一。自20 世纪60 年代第一个移动机器人Shakey 诞生之后，移动机器人在酒店、安防和医疗等领域广泛应用，移动机器人集成了智能感知、传感技术、动态决策与规划、行为控制和执行功能[1]。近年来，各类型的机器人已运用到仓储物流中。在机器人运動方面，能够全向运行的轮式机器人是现今及未来物流机器人的主力军，与一般的轮式差速移动机器人相比，基于麦克纳姆轮的移动机器人在狭窄空间内位置调整能力较强、定位精度更加准确，可以在平面内无约束且快速地全向移动[2]。

随着机器视觉技术的发展，其已广泛应用于各个行业，其中，视觉定位技术一直是机器视觉领域的重要研究方向。王壮飞等[3] 通过Canny 边缘检测算法与K-means 聚类算法实现了对水果的定位和采摘。张兴华[4] 通过颜色识别，完成了指定区域的自动搬运。但这些方法无法解决传统视觉技术受光线强度和图像成像质量影响等缺陷。2006 年，卷积神经网络（convolutional neural networks，CNN）被提出，深度学习技术开始应用在视觉领域，而YOLO（you onlylook once）等目标检测算法的诞生，则标志着机器视觉迎来了新的春天。曹月花等[5] 使用目标检测技术完成了在道路上对车道线、道路标识的检测，但对于复杂场景中目标被部分遮挡、形变造成的目标丢失等问题，未能提出有效的解决方案。万琴等[6] 提出了YOLOX 的移动机器人目标跟随方法，通过目标检测算法，实现了较好的实时性和鲁棒性。