葡京线路检测3522_葡京线路检测中心网址|首页

针对激光导航叉车AGV定位取卸货过程，发生的货物位置偏差大而导致的取卸货不成功的情况，本方案给出一种解决方法，即采用视觉轮廓识别，提取感兴趣区域，利用边缘检测提取轮廓找中心点来检测货物托盘所在的位置，再通过数据通信转换，将视觉检测结果传输给叉车AGV，从而可保证其能够连续稳定地进行取卸货。

目前叉车AGV导航定位使用中较为普遍的技术是激光定位技术。激光传感器被固定在AGV顶部，扫描与其在一个固定平面上的反光板与叉车AGV的距离，并依据反馈的距离数据构建成导航地图。在导航过程中，叉车AGV根据上位机调度系统下发的任务,到相应的找点执行搬运任务,同时AGV实时反馈位置信息和任务执行情况。

过程中由于货物的存放可能存在人为改变，或是叉车AGV某一次存放位置偏差较大等，这会造成下一次叉车AGV装配过程的失败，执行效率降低的同时存在一定不安全性。

本方案提出在实际应用中利用激光导航定位的同时，结合视觉传感器获取信息丰富的特点，对视觉信息进行基于灰度值的模版匹配算法与轮廓边缘检测算法找出待取货物下托盘的中心位置，来保证叉车AGV能够进行正常的任务操作。

一、视觉轮廓识别

1.1 相机选择及安装

采用3D摄相机，能够提供352×264的RGB图像及深度图像，每次测量输出 23000 个距离和灰度值，可进行距离、液位或体积的视觉评估，这里主要用于距离视觉评估，孔径角为60×45，有效深度范围0.3～8.0m，通过以太网接口进行通信。其在车体上安装，如图1。

图1 叉车AGV相机安装示意图

1.2 通信

叉车AGV与相机的通信采用USB或以太网进行通信，以保障数据通信的速度和可靠性。

1.3 第三方工具包选择

    视觉库采用比较可靠的OpenCV工具包，OpenCV 是一个开源的代码部分用C/C++编写的计算机视觉库，能够运行在 Windows、Mac、Linux等操作系统上，其对 Python、Ruby、Java 等语言均具有良好兼容性，具有相应接口，OpenCV采用通用的计算机视觉框架帮助程序开发人员高效地开发出相关的程序。

二、图像处理

2.1 模板匹配

模板匹配是一个在一幅图像中寻找与另一幅模板图像最匹配部分的技术，这种方法原理简单，具有较高匹配精度，遍历图像中的每一个位置，比较模板与各位置相似程度，当匹配度量值足够高时，就认为在搜索图中找到了目标。模板匹配的实现函数：matchTemplate(srcImage ,templateImage , result , MatchMethod );

其实现流程图与模板和搜索结果如图2所示，MatchMethod采用标准相关性系数匹配，其采用相关系数（标准化的协方差）作为相似性度量。

 图2 基于匹配的轮廓提取

2.2 边缘检测与定位中心点识别

基于模板匹配出的最佳匹配区域，将其从搜索结果图中单独提取出来进行边缘检测，边缘检测系统由加载感兴趣区域、模糊化降噪、Canny算子边缘检测、寻找轮廓、绘制轮廓、定位轮廓中心点组成。对于寻找到的所有轮廓，通过设定阈值移除过大或过小轮廓，最终得到矩形轮廓，进而对矩形区域寻找中心点，提取绘制的轮廓，如图3。

图3边缘检测与定位中心点识别流程

三、结论

方案通过在叉车AGV上加装视觉轮廓定位套件，高了叉车AGV叉取货物的准确性，提高了叉车AGV的工作效率，增强货物存卸位置的灵活性，视觉轮廓识别套件使得叉车AGV可以快速准确地完成货物叉取任务，为任务快速高效完成提供保障。