前言：本站為你精心整理了有色金屬加工物料識(shí)別跟蹤技術(shù)研究范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

摘要:針對(duì)傳統(tǒng)物料識(shí)別、跟蹤技術(shù)無(wú)法實(shí)施在線跟蹤的問(wèn)題，提出一種基于深度學(xué)習(xí)的有色金屬加工物料跟蹤技術(shù)，該技術(shù)先采用Yolov3識(shí)別物料，然后采用DeepSort跟蹤物料，最后通過(guò)二維和三維坐標(biāo)轉(zhuǎn)換獲取現(xiàn)實(shí)物料庫(kù)的定位信息。通過(guò)pycharm平臺(tái)實(shí)驗(yàn)驗(yàn)證，該方案能夠應(yīng)用到實(shí)際應(yīng)用中，滿足物料識(shí)別和跟蹤的準(zhǔn)確性。

關(guān)鍵詞:智慧工廠;物料識(shí)別;物料跟蹤;Yolov3

隨著智慧工廠的概念提出，提升工廠智能化水平成為重要任務(wù)。有色金屬加工企業(yè)已經(jīng)進(jìn)入了數(shù)字化轉(zhuǎn)型的新階段，在工廠具有高度自動(dòng)化和信息化以后，利用物聯(lián)網(wǎng)、深度學(xué)習(xí)、人工智能等高新技術(shù)，提高生產(chǎn)效率，降低運(yùn)營(yíng)成本，解放人力，已成為行業(yè)需求。工廠物料的運(yùn)輸存儲(chǔ)過(guò)程是工廠物流的重要一環(huán)［1，2］，傳統(tǒng)的物料運(yùn)輸和統(tǒng)計(jì)多采用人工紙質(zhì)統(tǒng)計(jì)的方式，日常統(tǒng)計(jì)比較繁雜，耗費(fèi)大量人力。為了提升生產(chǎn)效率，我們提出一種基于機(jī)器視覺(jué)［3－5］的物料識(shí)別跟蹤方法，能夠自動(dòng)識(shí)別物料數(shù)量、實(shí)現(xiàn)物料跟蹤和定位。圖像識(shí)別與跟蹤流程如圖1所示。

1系統(tǒng)組成

該系統(tǒng)硬件由高分辨率攝像機(jī)、光源、服務(wù)器和顯示器組成，如圖2所示。通過(guò)攝像機(jī)采集現(xiàn)場(chǎng)圖像數(shù)據(jù)，通過(guò)server將camera1、camera2、camera3、camera4的視頻圖像合成為一張全景圖像，將合并后的圖像采用目標(biāo)識(shí)別、跟蹤算法，確定物料的個(gè)數(shù)和實(shí)時(shí)位置信息。

2基于Yolov3的物料識(shí)別

傳統(tǒng)的數(shù)字圖像處理技術(shù)一般基于物料的顏色、紋理、形狀或相互融合的特征來(lái)進(jìn)行識(shí)別。隨著時(shí)間的推移，機(jī)器學(xué)習(xí)技術(shù)發(fā)展，基于圖像分割和分類器的圖像識(shí)別技術(shù)應(yīng)用廣泛，包括基于K－means聚類、KNN聚類、支持向量機(jī)SVM等算法。同時(shí)，深度學(xué)習(xí)的識(shí)別方法也發(fā)展迅速，包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)、對(duì)抗神經(jīng)網(wǎng)絡(luò)、Yolo、FastＲ－CNN等模型?；趐ython的tensorflow和pytorch兩種機(jī)器學(xué)習(xí)框架不斷發(fā)展，已經(jīng)能夠深入結(jié)合實(shí)際應(yīng)用，滿足工廠應(yīng)用程序開(kāi)發(fā)。采用Yolov3進(jìn)行物料識(shí)別［6］，能夠滿足物料識(shí)別的實(shí)時(shí)性和準(zhǔn)確性。通過(guò)Yolov3識(shí)別物料的流程如圖3所示。

3基于DeepSort的物料跟蹤

在工廠環(huán)境下，存在多個(gè)物料同時(shí)移動(dòng)和部分遮擋的情況，所以選擇基于多物料跟蹤和能夠解決部分遮擋DeepSort［7，8］的跟蹤算法能夠解決相關(guān)問(wèn)題。該算法跟蹤的準(zhǔn)確性基于目標(biāo)檢測(cè)結(jié)果(圖4)。DeepSort算法使用了八個(gè)維度來(lái)定義了目標(biāo)跟蹤的場(chǎng)景，分別為(u，v，r，h，u?，v?，r?，h?)，其中(u，v)為BoundingBox為中心位置，r為跟蹤目標(biāo)box的橫縱比，h為目標(biāo)box的高度。通過(guò)卡爾曼濾波器預(yù)測(cè)當(dāng)前運(yùn)動(dòng)軌跡，輸出目標(biāo)的運(yùn)動(dòng)信息(u，v，r，h)。采用馬氏距離和表觀特征余弦距離來(lái)更新卡爾曼濾波參數(shù)，預(yù)測(cè)下一幀目標(biāo)運(yùn)動(dòng)狀態(tài)，最后輸出跟蹤結(jié)果。該算法流程為，系統(tǒng)通過(guò)馬氏距離判定數(shù)據(jù)關(guān)聯(lián)是否成功。其中馬氏距離為:d(1)(i，j)=(dj－yj)TS－1i(dj－yi)當(dāng)馬氏距離小于指定閾值為9．4877時(shí)，則關(guān)聯(lián)成功。為解決遮擋問(wèn)題，引入表觀特征余弦距離來(lái)判定是否關(guān)聯(lián)。

4物料定位

物料定位的難點(diǎn)在于如何將二維圖像坐標(biāo)和三維世界坐標(biāo)一一對(duì)應(yīng)起來(lái)。涉及到攝像機(jī)成像原理。為確定空間物體表面的三維幾何位置信息與圖像中對(duì)應(yīng)點(diǎn)之間的相互關(guān)系，需要建立相機(jī)成像幾何模型，得到相機(jī)的內(nèi)參、外參和畸變參數(shù)，最終通過(guò)坐標(biāo)轉(zhuǎn)換得到實(shí)際物體三維坐標(biāo)信息。圖像坐標(biāo)系、相機(jī)坐標(biāo)系、世界坐標(biāo)系之間的相互轉(zhuǎn)換如圖5所示。相機(jī)坐標(biāo)系是以光心為相機(jī)坐標(biāo)系的原點(diǎn)，以平行于圖像的x和y方向?yàn)閄c軸和Yc軸，Zc軸和光軸平行，Xc軸、Yc軸、Zc軸互相垂直，單位是長(zhǎng)度單位。圖像物理坐標(biāo)系以主光軸和圖像平面交點(diǎn)為坐標(biāo)原點(diǎn)，x和y方向如圖5所示，單位是長(zhǎng)度單位。圖像像素坐標(biāo)系，以圖像的頂點(diǎn)為坐標(biāo)原點(diǎn)，u和v方向平行于x和y方向，單位是以像素計(jì)。從世界坐標(biāo)系到圖像坐標(biāo)系的轉(zhuǎn)換過(guò)程為，世界坐標(biāo)系通過(guò)外參矩陣轉(zhuǎn)換到相機(jī)坐標(biāo)系，相機(jī)坐標(biāo)系通過(guò)內(nèi)參矩陣轉(zhuǎn)換到圖像像素坐標(biāo)系，轉(zhuǎn)換過(guò)程和公式如下:Zcuv

5試驗(yàn)結(jié)果及分析

采用pycharm為IDE，pytorch深度學(xué)習(xí)框架，識(shí)別對(duì)象為鋁卷，試驗(yàn)結(jié)果如圖6所示。通過(guò)試驗(yàn)驗(yàn)證，使用Yolov3能夠快速且準(zhǔn)確的識(shí)別鋁卷，采用deepsort算法能夠在無(wú)遮擋或半遮擋狀態(tài)下持續(xù)跟蹤鋁卷，建立物料平面庫(kù)，通過(guò)幾何標(biāo)定，最終能夠確定物料所處平面區(qū)域。

6結(jié)束語(yǔ)

機(jī)器視覺(jué)技術(shù)已經(jīng)在很多行業(yè)中得到應(yīng)用，識(shí)別車(chē)牌、人員、汽車(chē)等任務(wù)表現(xiàn)良好，為各行業(yè)帶來(lái)了價(jià)值。而有色金屬加工行業(yè)想要實(shí)現(xiàn)智能化倉(cāng)儲(chǔ)、物流，需要結(jié)合現(xiàn)有的高新技術(shù)，通過(guò)深度學(xué)習(xí)和機(jī)器視覺(jué)實(shí)現(xiàn)物流跟蹤，能夠大幅度降低成本，并給物流智能化提供更多的技術(shù)支持。隨著工業(yè)互聯(lián)網(wǎng)的建立，廠區(qū)各個(gè)生產(chǎn)環(huán)境互聯(lián)互通，信息化與自動(dòng)化高度結(jié)合，物料從來(lái)料、轉(zhuǎn)運(yùn)到倉(cāng)儲(chǔ)形成一整套的智能化管理流程，提升生產(chǎn)效率。

作者:劉興剛 劉為超 單位:中色科技股份有限公司 洛陽(yáng)師范學(xué)院