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

摘要:針對傳統(tǒng)物料識別、跟蹤技術無法實施在線跟蹤的問題，提出一種基于深度學習的有色金屬加工物料跟蹤技術，該技術先采用Yolov3識別物料，然后采用DeepSort跟蹤物料，最后通過二維和三維坐標轉換獲取現(xiàn)實物料庫的定位信息。通過pycharm平臺實驗驗證，該方案能夠應用到實際應用中，滿足物料識別和跟蹤的準確性。

關鍵詞:智慧工廠;物料識別;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。有色金屬加工企業(yè)已經(jīng)進入了數(shù)字化轉型的新階段，在工廠具有高度自動化和信息化以后，利用物聯(lián)網(wǎng)、深度學習、人工智能等高新技術，提高生產(chǎn)效率，降低運營成本，解放人力，已成為行業(yè)需求。工廠物料的運輸存儲過程是工廠物流的重要一環(huán)［1，2］，傳統(tǒng)的物料運輸和統(tǒng)計多采用人工紙質統(tǒng)計的方式，日常統(tǒng)計比較繁雜，耗費大量人力。為了提升生產(chǎn)效率，我們提出一種基于機器視覺［3－5］的物料識別跟蹤方法，能夠自動識別物料數(shù)量、實現(xiàn)物料跟蹤和定位。圖像識別與跟蹤流程如圖1所示。

1系統(tǒng)組成

該系統(tǒng)硬件由高分辨率攝像機、光源、服務器和顯示器組成，如圖2所示。通過攝像機采集現(xiàn)場圖像數(shù)據(jù)，通過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識別、跟蹤算法，確定物料的個數(shù)和實時位置信息。

2基于Yolov3的物料識別

傳統(tǒng)的數(shù)字圖像處理技術一般基于物料的顏色、紋理、形狀或相互融合的特征來進行識別。隨著時間的推移，機器學習技術發(fā)展，基于圖像分割和分類器的圖像識別技術應用廣泛，包括基于K－means聚類、KNN聚類、支持向量機SVM等算法。同時，深度學習的識別方法也發(fā)展迅速，包括卷積神經(jīng)網(wǎng)絡(CNN)、循環(huán)神經(jīng)網(wǎng)絡、對抗神經(jīng)網(wǎng)絡、Yolo、FastＲ－CNN等模型?；趐ython的tensorflow和pytorch兩種機器學習框架不斷發(fā)展，已經(jīng)能夠深入結合實際應用，滿足工廠應用程序開發(fā)。采用Yolov3進行物料識別［6］，能夠滿足物料識別的實時性和準確性。通過Yolov3識別物料的流程如圖3所示。

3基于DeepSort的物料跟蹤

在工廠環(huán)境下，存在多個物料同時移動和部分遮擋的情況，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問題。該算法跟蹤的準確性基于目標檢測結果(圖4)。DeepSort算法使用了八個維度來定義了目標跟蹤的場景，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box的橫縱比，h為目標box的高度。通過卡爾曼濾波器預測當前運動軌跡，輸出目標的運動信息(u，v，r，h)。采用馬氏距離和表觀特征余弦距離來更新卡爾曼濾波參數(shù)，預測下一幀目標運動狀態(tài)，最后輸出跟蹤結果。該算法流程為，系統(tǒng)通過馬氏距離判定數(shù)據(jù)關聯(lián)是否成功。其中馬氏距離為:d(1)(i，j)=(dj－yj)TS－1i(dj－yi)當馬氏距離小于指定閾值為9．4877時，則關聯(lián)成功。為解決遮擋問題，引入表觀特征余弦距離來判定是否關聯(lián)。

4物料定位

物料定位的難點在于如何將二維圖像坐標和三維世界坐標一一對應起來。涉及到攝像機成像原理。為確定空間物體表面的三維幾何位置信息與圖像中對應點之間的相互關系，需要建立相機成像幾何模型，得到相機的內參、外參和畸變參數(shù)，最終通過坐標轉換得到實際物體三維坐標信息。圖像坐標系、相機坐標系、世界坐標系之間的相互轉換如圖5所示。相機坐標系是以光心為相機坐標系的原點，以平行于圖像的x和y方向為Xc軸和Yc軸，Zc軸和光軸平行，Xc軸、Yc軸、Zc軸互相垂直，單位是長度單位。圖像物理坐標系以主光軸和圖像平面交點為坐標原點，x和y方向如圖5所示，單位是長度單位。圖像像素坐標系，以圖像的頂點為坐標原點，u和v方向平行于x和y方向，單位是以像素計。從世界坐標系到圖像坐標系的轉換過程為，世界坐標系通過外參矩陣轉換到相機坐標系，相機坐標系通過內參矩陣轉換到圖像像素坐標系，轉換過程和公式如下:Zcuv

5試驗結果及分析

采用pycharm為IDE，pytorch深度學習框架，識別對象為鋁卷，試驗結果如圖6所示。通過試驗驗證，使用Yolov3能夠快速且準確的識別鋁卷，采用deepsort算法能夠在無遮擋或半遮擋狀態(tài)下持續(xù)跟蹤鋁卷，建立物料平面庫，通過幾何標定，最終能夠確定物料所處平面區(qū)域。

6結束語

機器視覺技術已經(jīng)在很多行業(yè)中得到應用，識別車牌、人員、汽車等任務表現(xiàn)良好，為各行業(yè)帶來了價值。而有色金屬加工行業(yè)想要實現(xiàn)智能化倉儲、物流，需要結合現(xiàn)有的高新技術，通過深度學習和機器視覺實現(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支持。隨著工業(yè)互聯(lián)網(wǎng)的建立，廠區(qū)各個生產(chǎn)環(huán)境互聯(lián)互通，信息化與自動化高度結合，物料從來料、轉運到倉儲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 洛陽師范學院