李 翀，付文杰，王 浩，孫曉騰，李 兵

（國(guó)網(wǎng)河北省電力有限公司營(yíng)銷(xiāo)服務(wù)中心，石家莊 050000）

0 引言

在工業(yè)生產(chǎn)的流水線中，自動(dòng)碼垛作業(yè)大部分是由機(jī)械式碼垛機(jī)完成或人工搬運(yùn)。在一些實(shí)際場(chǎng)景中，碼垛機(jī)器人一次能搬運(yùn)一整層箱子，典型的碼垛機(jī)器人工作狀態(tài)圖如下所示：

然而，在實(shí)際生產(chǎn)中，碼垛的的多層箱體會(huì)出現(xiàn)錯(cuò)位堆疊的情況，導(dǎo)致碼垛機(jī)器人和后續(xù)的生產(chǎn)流水線過(guò)程出現(xiàn)抓取和流水線錯(cuò)誤的情況，現(xiàn)有的方案是人工對(duì)流水線上的碼垛箱體排列情況進(jìn)行監(jiān)控，工作強(qiáng)度高，也會(huì)出現(xiàn)漏檢的情況。針對(duì)該問(wèn)題，業(yè)界先后有提出基于紅外、激光、視覺(jué)的方法，但都不能很好的解決該問(wèn)題。

本文借助計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)和大數(shù)據(jù)分析技術(shù)，提出并實(shí)現(xiàn)了一種碼垛錯(cuò)位智能檢測(cè)和閉環(huán)反饋系統(tǒng)，在本文提出的系統(tǒng)和方法中，首次提出并實(shí)現(xiàn)了基于端、邊、云協(xié)同的檢測(cè)、反饋及大數(shù)據(jù)分析方法，并引入了一種新的IOU Loss損失函數(shù)的深度學(xué)習(xí)網(wǎng)絡(luò)模型，有效的解決了碼垛錯(cuò)位視覺(jué)檢測(cè)問(wèn)題[1]。

圖1 智能碼垛機(jī)器人工作示意圖

1 基于視覺(jué)的智能碼垛檢測(cè)和閉環(huán)反饋系統(tǒng)

1.1 系統(tǒng)結(jié)構(gòu)

本文首次提出并實(shí)現(xiàn)了基于端、邊、云協(xié)同的檢測(cè)、反饋及大數(shù)據(jù)分析方法，整個(gè)系統(tǒng)結(jié)構(gòu)如圖2所示：

圖2 碼垛錯(cuò)位視覺(jué)檢測(cè)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

本系統(tǒng)通過(guò)端、邊、云協(xié)同工作，實(shí)現(xiàn)了一套檢測(cè)和閉環(huán)反饋工作機(jī)制，主要分為三大模塊：

端模塊：主要由視覺(jué)采集相機(jī)和擋板控制機(jī)構(gòu)組成，實(shí)現(xiàn)前端圖像視頻數(shù)據(jù)的實(shí)時(shí)采集的及時(shí)控制。

邊模塊：由部署在邊緣計(jì)算機(jī)系統(tǒng)上的檢測(cè)算法和報(bào)警輸出模塊構(gòu)成，負(fù)責(zé)邊緣側(cè)實(shí)時(shí)計(jì)算和控制輸出。

云模塊：主要由數(shù)據(jù)分析和工單下發(fā)模塊構(gòu)成，實(shí)現(xiàn)大數(shù)據(jù)的關(guān)聯(lián)分析，工單關(guān)聯(lián)下發(fā)等工作。

端、邊、云三大模塊通過(guò)協(xié)同工作，前向過(guò)程通過(guò)數(shù)據(jù)采集、算法檢測(cè)和數(shù)據(jù)分析實(shí)現(xiàn)了圖像視覺(jué)信息到任務(wù)的抽象，反向過(guò)程通過(guò)工單下發(fā)、報(bào)警輸出、擋板控制實(shí)現(xiàn)任務(wù)到執(zhí)行的閉環(huán)反饋。

1.2 閉環(huán)反饋機(jī)制與方法

工業(yè)檢測(cè)系統(tǒng)中，往往只包括檢測(cè)的前向過(guò)程，而忽視了有效的反饋機(jī)制，本文提出的系統(tǒng)和方法提出了一套兩級(jí)反饋機(jī)制來(lái)實(shí)現(xiàn)整個(gè)系統(tǒng)的閉環(huán)控制[2]。

一級(jí)反饋是通過(guò)檢測(cè)算法檢測(cè)到碼垛錯(cuò)位異常后直接反饋輸出到報(bào)警和擋板控制模塊，通過(guò)一種智能擋板控制方法，阻斷出錯(cuò)碼垛進(jìn)行后續(xù)的流水作業(yè)，從而實(shí)現(xiàn)問(wèn)題的及時(shí)控制。

二級(jí)反饋是通過(guò)大數(shù)據(jù)分析，結(jié)合云端工作人員日程和信息，實(shí)現(xiàn)碼垛錯(cuò)位問(wèn)題的相關(guān)工單下發(fā)，協(xié)調(diào)工作人員及時(shí)進(jìn)行處理。同時(shí)，結(jié)合產(chǎn)線相關(guān)其他傳感器數(shù)據(jù)進(jìn)行大數(shù)據(jù)關(guān)聯(lián)分析，尋找碼垛錯(cuò)位問(wèn)題的相關(guān)影響因素。

1.3 智能擋板控制方法

碼垛被運(yùn)送到生產(chǎn)線某固定位置將停滯片刻時(shí)，檢測(cè)系統(tǒng)將判斷其錯(cuò)位情況并將檢測(cè)結(jié)果反饋給中央控制系統(tǒng)，一旦發(fā)現(xiàn)錯(cuò)位則立即觸發(fā)擋板控制器[3]。為保證錯(cuò)位碼垛被及時(shí)阻擋，從觸發(fā)到擋板完全擋住的延時(shí)必須嚴(yán)格保證，產(chǎn)線流程如圖3所示：

圖3 智能擋板控制圖

上圖模型中，假設(shè)碼垛從靜止即初速度V0勻加速到產(chǎn)線正常傳輸速度V1時(shí)運(yùn)動(dòng)的路程為S1，后勻速運(yùn)動(dòng)至擋板處的路程為S2，則通過(guò)以下公式可求解出臨界時(shí)間（即：碼垛輸送到擋板的同時(shí)擋板剛完成擋住的操作）。運(yùn)動(dòng)期間，假設(shè)勻加速階段加速度為a，勻加速階段的時(shí)間為T(mén)1，勻速運(yùn)動(dòng)的時(shí)間為T(mén)2，則各變量關(guān)系滿足以下四個(gè)公式：

由上述式(1)、式(2)和式(3)可計(jì)算出勻加速所用時(shí)間T1和勻速運(yùn)動(dòng)時(shí)間T2，而臨界時(shí)間為兩者之和T，即擋板反應(yīng)時(shí)間要小于ΔT。

1.4 大數(shù)據(jù)關(guān)聯(lián)分析

導(dǎo)致碼垛錯(cuò)位發(fā)生的影響因素很多，例如機(jī)器人狀態(tài)、值班人員、箱體批次等，本文使用大數(shù)據(jù)關(guān)聯(lián)分析的方法，來(lái)實(shí)現(xiàn)主要因素的關(guān)聯(lián)挖掘，如下表所示：

表1 關(guān)聯(lián)規(guī)則的簡(jiǎn)單示例

通過(guò)關(guān)聯(lián)數(shù)據(jù)挖掘方法，本文在河北電表生產(chǎn)線上分析的結(jié)果如下：

圖4 不同因素個(gè)體概率差異圖

上圖中，每種因素的不同個(gè)體概率差異越大，表示和碼垛錯(cuò)位的相關(guān)性越高，可以看出其中發(fā)生碼垛錯(cuò)位的一個(gè)很重要的相關(guān)因素是箱體編號(hào)有關(guān)，從而可以實(shí)現(xiàn)工單下發(fā)，提示替換更新某編號(hào)的箱體。

2 碼垛錯(cuò)位檢測(cè)算法

在本系統(tǒng)中，即電力生產(chǎn)線末端的碼垛系統(tǒng)中，常見(jiàn)的典型碼垛錯(cuò)位情況如圖5所示，即上下層垛體在堆垛的過(guò)程中發(fā)生橫向軸上的偏移。

圖5 碼垛正常和異常狀態(tài)圖

在接收到預(yù)處理的圖像后，將其輸入給預(yù)先訓(xùn)練好的深度學(xué)習(xí)檢測(cè)網(wǎng)絡(luò)，從而檢測(cè)出碼垛中所有箱體的種類(lèi)和位置。但在實(shí)際場(chǎng)景中，由于多個(gè)電表物料框箱體的堆疊非常密集，并且箱體的形狀十分類(lèi)似，容易出現(xiàn)錯(cuò)誤檢測(cè)的情況，傳統(tǒng)的非極大值抑制的方法無(wú)法解決該問(wèn)題，如圖6所示。

圖6 普通網(wǎng)絡(luò)模型的檢測(cè)效果

為了解決這個(gè)問(wèn)題，從調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)的角度,通過(guò)在檢測(cè)模型中引入IOU Loss損失函數(shù)的約束來(lái)抑制上圖中在第一、二層物料框箱體連接處多檢測(cè)出一個(gè)箱體的錯(cuò)誤情況[4]。

以堆疊的電表物料箱的側(cè)面箱體檢測(cè)為例，由于在這種在密集場(chǎng)景中，NMS不能夠充分區(qū)分重疊檢測(cè)或者抑制部分檢測(cè)，因此考慮增加一個(gè)分支預(yù)測(cè)Jaccard index,產(chǎn)生Soft-IOU Layer。本系統(tǒng)中引入了IOU Loss損失函數(shù)深度學(xué)習(xí)網(wǎng)絡(luò)模型全局架構(gòu)如下：

圖7 網(wǎng)絡(luò)全局架構(gòu)圖

上圖中公式部分即為IOU Loss的定義,其中，n為每個(gè)batch的樣本數(shù)。

上圖中左上部分模塊，即網(wǎng)絡(luò)的Backbone采用ResNet50,同時(shí)模型為每個(gè)RPN提供了三個(gè)全卷積輸出Head，分別是：Bounding-box regression head、Classification head、Soft-Iou Layer，其結(jié)構(gòu)關(guān)系如圖8所示：

圖8 網(wǎng)絡(luò)基礎(chǔ)模塊組成圖

通過(guò)上述方法檢測(cè)堆疊的物料箱，每個(gè)箱體的被檢測(cè)出的位置如下（用長(zhǎng)方形框在圖中畫(huà)出），在圖中可以看出，網(wǎng)絡(luò)能夠較為準(zhǔn)確地檢測(cè)出圖中三層電表物料框。

圖9 本文網(wǎng)絡(luò)模型的檢測(cè)效果

引入IOU Loss損失函數(shù)的網(wǎng)絡(luò)模型在檢測(cè)準(zhǔn)確率上明顯高于普通模型，其與幾大主流檢測(cè)模型地準(zhǔn)確率對(duì)比如下表：

表2 各模型對(duì)物料框的檢測(cè)效果

由上表可以看出，本網(wǎng)絡(luò)有針對(duì)性地解決了密集物料框檢測(cè)問(wèn)題，該網(wǎng)絡(luò)在實(shí)際碼垛檢測(cè)中表現(xiàn)如下：

表3 實(shí)驗(yàn)環(huán)境和耗時(shí)

碼垛原圖和經(jīng)過(guò)檢測(cè)網(wǎng)絡(luò)后的每個(gè)垛體的位置如下所示，在圖中可以看出，網(wǎng)絡(luò)能夠較為準(zhǔn)確地檢測(cè)出圖中所有垛體，也就是圖中框出來(lái)的電表物料框。

圖10 堆疊箱體原圖和箱體檢測(cè)圖

得到每層垛體的大致位置后，為了準(zhǔn)確判斷碼垛是否錯(cuò)位，可通過(guò)檢測(cè)出相鄰箱體在橫向（x軸）的偏移程度來(lái)判斷是否屬于錯(cuò)位異常[5]。如圖11所示，分別為每個(gè)檢測(cè)出的箱體左右側(cè)豎直邊緣圖和邊緣點(diǎn)坐標(biāo)分布圖：

圖11 碼垛錯(cuò)位分析圖

根據(jù)上圖中的每層垛體兩側(cè)邊緣點(diǎn)集的坐標(biāo)分布可以分析出相鄰箱體偏移的程度，從而讓高效準(zhǔn)確地判斷該碼垛是否錯(cuò)位。其中，判斷是否錯(cuò)位的具體閾值選擇需根據(jù)產(chǎn)線需求和車(chē)間實(shí)際情況而定。目前，該方法已在實(shí)際生產(chǎn)中使用，并能準(zhǔn)確快速識(shí)別出錯(cuò)位碼垛并給出信號(hào)。

3 結(jié)語(yǔ)

本文提出了一種基于視覺(jué)的智能檢測(cè)和閉環(huán)反饋系統(tǒng)，同時(shí)提出了一種新的碼垛錯(cuò)位檢測(cè)算法。該系統(tǒng)和方法能高效解決生產(chǎn)過(guò)程中碼垛錯(cuò)位問(wèn)題，滿足生產(chǎn)過(guò)程對(duì)實(shí)時(shí)、快速、高精度的要求，并且已經(jīng)部署在電力實(shí)際生產(chǎn)線系統(tǒng)中。后續(xù)將會(huì)對(duì)如何增加智能裝置來(lái)自動(dòng)調(diào)整碼垛的錯(cuò)位細(xì)節(jié)，例如實(shí)現(xiàn)機(jī)器人自主調(diào)整錯(cuò)位擺放進(jìn)行研究和實(shí)踐，以徹底實(shí)現(xiàn)無(wú)人化。