基于YOLOv4的车间实时目标检测

陈骞

(四川大学视觉合成图形图像技术国防重点学科实验室，成都 610065)

0 引言

工业制造的车间和仓储存在大量货物搬运，托盘码放是最主要的储货形式，拾取托盘的工业搬运车辆称为叉车，国内叉车销量从2000年不到2万台增至2018年销量接近60万台，涨幅近30倍[1]。目前国内生产车间主要采用人工操作机动或非机动叉车拾取托盘搬运货物。人工搬运除了人力和时间开销，还要面对满载货物的叉车惯性大操控难等问题，以及可能发生货物坍塌、撞伤砸伤工人等意外事故。所以实现叉车在无人操控条件下托盘取放、货物运输具有广阔前景。

拾取托盘首先要对托盘进行检测，武文汉[2]提出针对远距离场景，使用ToF(Time-of-Flight)相机采集三维点云，将全局和局部特征与托盘模板特征进行比对，检测精确但ToF相机价格不菲；Syu J L等人[3]对单目摄像头获取的图像，基于类似Haar特征算子提取轮廓，将这些轮廓分正负样本经过AdaBoost分类训练和多次迭代，组成级联分类器。检测正面朝向的托盘具有高准确度，但侧面朝向并不乐观。Kim M等人[4]根据托盘边缘对边平行，依靠检测平行线来检测托盘并确定位姿，易受遮挡影响以及到其他物体轮廓干扰。Mohamed I S等人[5]采用深度学习的方法，用Faster R-CNN网络训练数据，得到模型以检测托盘。该网络框架计算开销大，检测速度只能达到16帧每秒。

可见光摄像头部署简单，成本相比其他传感元件更低。伴随着计算机视觉技术的发展，以及近期深度学习卷积神经网络YOLOv4[6]目标检测算法的提出，文章设计了基于该算法，使用可见光相机采集车间作业场景，处理数据，训练网络模型，检测托盘的同时一并检测货物和工人便于后续拓展应用。……