李 慶，龔遠(yuǎn)強(qiáng)，張 瑋，張 洋，劉 超，李 軍，韓 丹，劉德峰，梅文豪，董 雪

1.上海交通大學(xué) 中英國際低碳學(xué)院，上海 200240

2.海安上海交通大學(xué)智能裝備研究院，江蘇 海安 226600

3.中國天楹股份有限公司，江蘇 海安 226600

隨著經(jīng)濟(jì)的不斷發(fā)展和人民生活水平的提高，我國生活生產(chǎn)垃圾清運(yùn)總量逐年上漲，給市民的生活和生態(tài)環(huán)境保護(hù)都帶來了一定壓力，因此垃圾處理問題迫切需要得到有效的解決。目前垃圾處理主要包括填埋、焚燒發(fā)電、生物處理及資源化利用四種手段，其中垃圾填埋占用大量土地資源，垃圾焚燒則造成嚴(yán)重的空氣污染。因此對垃圾進(jìn)行資源化利用已成為趨勢，其中智能可回收垃圾分揀系統(tǒng)因能高效地完成分揀任務(wù)、加快資源的回收利用而受到廣泛關(guān)注。

世界上第一個機(jī)器人垃圾分揀系統(tǒng)由芬蘭的ZenRobotics公司研發(fā)，該系統(tǒng)從眾多建筑垃圾中識別出可回收利用的物料，并通過機(jī)械臂分揀出需要的建筑垃圾。ZenRobotics垃圾分揀系統(tǒng)中傳感器包括：三維激光掃描儀、金屬探測器、NIR-近紅外光譜傳感器、可見光譜傳感器、高分辨率RGB攝像頭等。種類豐富的傳感器為ZenRobotics提供了完善的感知信息。ZenRobotics分揀系統(tǒng)在24小時持續(xù)工作的情況下一天能夠處理約1 000噸建筑垃圾，極大地提高了垃圾分揀和回收利用的效率。而針對建筑垃圾研發(fā)的ZenRobotics分揀系統(tǒng)無法用于分揀我國種類繁雜的生活可回收垃圾，且ZenRobotics分揀系統(tǒng)豐富的傳感器配置也大大提高了它的成本，限制了它的大規(guī)模應(yīng)用。英國的威立雅環(huán)境服務(wù)公司研發(fā)了一款名叫magpie的垃圾分揀機(jī)器人，該款垃圾分揀機(jī)器人使用紅外線掃描識別垃圾種類，并通過噴射高壓氣體對垃圾進(jìn)行分揀回收，這種方法分揀操作簡單，但其分揀功能單一且分類結(jié)果混亂，難以進(jìn)行產(chǎn)業(yè)化的推廣應(yīng)用。

近年來基于深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）的視覺目標(biāo)檢測算法發(fā)展迅猛，在自動駕駛、遙感、工業(yè)檢測等領(lǐng)域均得到了普遍應(yīng)用。主流的視覺目標(biāo)檢測算法分為一階段和二階段兩大類，其中二階段網(wǎng)絡(luò)主要以Faster RCNN及其變種為主，這類網(wǎng)絡(luò)通常使用RPN（region proposal network）初步生成目標(biāo)框，以供最終分類及定位。相比之下，一階段視覺目標(biāo)檢測模型結(jié)構(gòu)簡潔，在工業(yè)界得到了廣泛的應(yīng)用。比較著名的一階段目標(biāo)檢測算法有SSD[1]、YOLO[2]、RetinaNet[3]，其中，RetinaNet提出的Focal Loss解決了一階段網(wǎng)絡(luò)正負(fù)樣本不均衡的問題，提高了一階段網(wǎng)絡(luò)的精度。YOLOv4[4]網(wǎng)絡(luò)從網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)、損失函數(shù)及數(shù)據(jù)增強(qiáng)等諸多方面對YOLO網(wǎng)絡(luò)做出了改進(jìn)，極大地提高了原網(wǎng)絡(luò)的精度。

當(dāng)前，學(xué)術(shù)界在垃圾檢測領(lǐng)域已開展了一系列研究，例如Mikami等人[5]使用SSD算法對垃圾袋進(jìn)行檢測，算法取得的垃圾袋識別平均精度（average precision，AP）為62%。Awe等人[6]應(yīng)用Faster R-CNN模型對紙張、可回收垃圾及填埋垃圾進(jìn)行分類，Awe等人使用的數(shù)據(jù)集為2 500張垃圾圖片，數(shù)據(jù)集中的標(biāo)注信息為垃圾種類，最終算法取得的平均精度為68%。Yang等人[7]提出了一種基于GoogLeNet的深度學(xué)習(xí)算法來定位和分類城市垃圾，研究表明算法針對不同類別的垃圾有63%到77%的平均精度。Donovan等人[8]提出了一個使用Tensorflow深度學(xué)習(xí)框架及攝像頭來自動分類垃圾進(jìn)行回收的系統(tǒng)，遺憾的是，作為一個概念上的項目，Donovan等人并沒有給出實(shí)驗(yàn)性的結(jié)果。Zhang等人[9]收集了681張街道的垃圾圖片作為數(shù)據(jù)集，使用Faster-RCNN模型基于該數(shù)據(jù)集進(jìn)行訓(xùn)練，其模型平均精確度為82%。Liang等人[10]建立了一個含有57 000幀圖片的垃圾目標(biāo)檢測數(shù)據(jù)集，基于該并數(shù)據(jù)集提出了一個多任務(wù)學(xué)習(xí)模型，在IoU為0.5閾值下模型平均精確度達(dá)到了81.5%。遺憾的是，Liang等人提出的數(shù)據(jù)集中四個類別分別為有機(jī)垃圾、可回收垃圾、有害垃圾和其他垃圾，數(shù)據(jù)集并未對可回收垃圾進(jìn)行進(jìn)一步的細(xì)分類別。袁建野等人[11]基于ResNet18模型開發(fā)了輕量的注意力目標(biāo)檢測網(wǎng)絡(luò)，在2 340張的可回收垃圾數(shù)據(jù)集上進(jìn)行訓(xùn)練及驗(yàn)證，最后模型精度在單類別最高達(dá)到了89.73%。Ma等人[12]介紹了一種LSSD算法，以克服SSD[1]算法小目標(biāo)丟失及尺度不一的檢測框同時檢測單一目標(biāo)的缺點(diǎn)，建立了一個在多尺度上檢測性能更強(qiáng)的特征金字塔，且用Focal Loss函數(shù)解決了單階段目標(biāo)檢測方法正負(fù)樣本比例嚴(yán)重失衡的問題。然而，該工作所用數(shù)據(jù)集缺乏遮擋及多目標(biāo)場景，且網(wǎng)絡(luò)參數(shù)量大，因此離實(shí)際應(yīng)用還有一定距離。Kumar等人[13]建立了一個含6 317張圖片的數(shù)據(jù)集，基于此數(shù)據(jù)集訓(xùn)練其YoLov4網(wǎng)絡(luò)，模型平均精度達(dá)到94.99%。然而此項研究建立的數(shù)據(jù)集同樣存在場景簡單及單張訓(xùn)練圖片目標(biāo)數(shù)量少的問題，模型在遮擋及多目標(biāo)場景下的具體表現(xiàn)還有待考量?？偠灾?，基于CNN的目標(biāo)檢測算法在可回收垃圾檢測領(lǐng)域的研究尚不夠充分，且存在數(shù)據(jù)集規(guī)模小、數(shù)據(jù)集中類別少、算法泛化性能差[5-7，9，11-13]以及對垃圾的視覺特征研究不充分[5-10]等缺點(diǎn)。針對數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)算法，為了提高算法本身的泛化能力及識別性能，亟需建立一個大規(guī)模的可回收垃圾目標(biāo)檢測數(shù)據(jù)集以滿足算法的研究和實(shí)際可回收垃圾識別的需求。

為了解決可回收垃圾數(shù)據(jù)規(guī)模小、算法泛化性能及垃圾視覺特征研究不充分的問題，本研究建立了一個大規(guī)模的可回收垃圾目標(biāo)檢測數(shù)據(jù)集，并基于YOLOv4算法提出了Attn-YoLov4模型，在模型骨干網(wǎng)絡(luò)后加入注意力模塊，對特征圖從通道及空間上進(jìn)行重新加權(quán)，提高了模型的檢測精度，Attn-YOLOv4模型在速度及參數(shù)量和YOLOv4模型相當(dāng)，而其在可回收垃圾數(shù)據(jù)集上的表現(xiàn)則超過了YOLOv4原網(wǎng)絡(luò)。

然而，基于CNN的目標(biāo)檢測算法雖然能夠獲得較好的檢測精度與速度[5-6，14-15]，但其也存在檢測不穩(wěn)定的現(xiàn)象，時有漏檢和誤檢的出現(xiàn)。而一旦出現(xiàn)漏檢及誤檢，系統(tǒng)的實(shí)際分揀效果將大打折扣。為此，本研究借鑒了計算機(jī)視覺中的目標(biāo)跟蹤算法，與傳統(tǒng)單目標(biāo)跟蹤及多目標(biāo)跟蹤算法的應(yīng)用場景不同，垃圾分揀流水線上目標(biāo)稠密且時刻運(yùn)動，這給跟蹤算法的設(shè)計帶來了很大的困難。SORT[16]和DEEPSORT[17]是當(dāng)前主流的多目標(biāo)跟蹤算法，它們都基于卡爾曼濾波對物體運(yùn)動進(jìn)行預(yù)測，這類算法比較依賴目標(biāo)檢測的性能，一旦檢測中出現(xiàn)漏檢，跟蹤算法就很容易出現(xiàn)ID切換，從而導(dǎo)致機(jī)械臂抓取目標(biāo)物體時候重復(fù)抓取，嚴(yán)重影響抓取效率?？紤]到傳送帶上物體運(yùn)動簡單，物體本身形變少，基于視覺特征的單目標(biāo)跟蹤方法更為適合當(dāng)前應(yīng)用場景。

基于視覺特征的單目標(biāo)跟蹤算法自身能夠維持對跟蹤框的預(yù)測與更新，它只需要目標(biāo)檢測提供一幀的邊界框信息進(jìn)行初始化，即便目標(biāo)檢測算法表現(xiàn)不穩(wěn)定，它也能保持一個較好的跟蹤效果。近年來，MOSSE[18]、KCF[19]及CN[20]等相關(guān)濾波類算法表現(xiàn)突出，在速度及精度方面都獲得了很好的表現(xiàn)。其中，KCF算法針對MOSSE算法中特征通道為單通道的缺點(diǎn)，使用HOG特征進(jìn)行跟蹤，并使用循環(huán)矩陣生成樣本訓(xùn)練回歸器，提高了訓(xùn)練樣本量，并利用循環(huán)矩陣傅里葉變換對角化的性質(zhì)大大降低了計算量，使跟蹤速度達(dá)到實(shí)時。然而，學(xué)術(shù)界僅僅提出了單目標(biāo)跟蹤相關(guān)濾波類算法，對跟蹤多個目標(biāo)、目標(biāo)刪除以及跟蹤失敗如何處理等問題并沒有后續(xù)研究。本研究設(shè)計了一套基于相關(guān)濾波類算法的跟蹤框架，對多目標(biāo)的跟蹤、預(yù)測、更新及刪除策略做了細(xì)致的討論，實(shí)現(xiàn)了基于相關(guān)濾波類算法的穩(wěn)定跟蹤并評估了其跟蹤效果。

本文對垃圾分揀系統(tǒng)的視覺處理算法做了細(xì)致的討論，并給出了相關(guān)的實(shí)驗(yàn)驗(yàn)證及評估。最終，本研究建立了一套完整的針對可回收垃圾的計算機(jī)視覺處理方案，通過整合檢測、跟蹤、標(biāo)定和定位等多個模塊，以單目相機(jī)作為信息輸入，實(shí)現(xiàn)了對物體的精確識別及視覺定位以及對分揀流水線上可回收垃圾的智能化處理，相比人工大大提高了垃圾分揀的效率。

1 系統(tǒng)構(gòu)建

1.1 系統(tǒng)整體框架

可回收垃圾智能分揀系統(tǒng)由物料傳送裝置、視覺信息采集、視覺信息處理、末端執(zhí)行等模塊組成。其中視覺信息采集模塊使用單目相機(jī)獲取傳送帶上的物料信息，該模塊由相機(jī)硬件及相應(yīng)驅(qū)動軟件實(shí)現(xiàn)，獲取清晰穩(wěn)定的圖像信息是視覺信息處理的必需條件。綜合考慮相機(jī)成本、成像質(zhì)量及使用場景需求，本研究選用英特爾RealSense D435相機(jī)實(shí)現(xiàn)整個系統(tǒng)的視覺感知。視覺信息處理模塊功能框架如圖1所示，該模塊由目標(biāo)檢測、目標(biāo)跟蹤及后處理部分組成，其中目標(biāo)檢測算法為端到端的深度卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出為邊界框的四個坐標(biāo)，輸出值分別是像素平面中的l x、l y、r x及r y。深度卷積神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)數(shù)據(jù)分布來獲得數(shù)據(jù)特征的表征，其泛化能力及檢測性能依賴于所采用的數(shù)據(jù)集質(zhì)量。因此，想要獲得較強(qiáng)的網(wǎng)絡(luò)泛化能力，不僅需要合理的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，還需要進(jìn)行超參數(shù)優(yōu)化和數(shù)據(jù)增強(qiáng)，更重要的是建立豐富且完備的可回收垃圾數(shù)據(jù)集。數(shù)據(jù)集的建立需要考慮實(shí)際生產(chǎn)中會遇到的困難樣本，對遮擋、破損、垃圾污漬、低光照等垃圾數(shù)據(jù)進(jìn)行全面的采集。目標(biāo)跟蹤模塊對多幀目標(biāo)檢測輸出的邊界框進(jìn)行關(guān)聯(lián)，確定相鄰幀間目標(biāo)ID，防止因漏檢和誤檢導(dǎo)致執(zhí)行階段的漏抓和誤抓。視覺信息后處理對跟蹤的邊界框進(jìn)行角度計算，為末端執(zhí)行模塊的夾爪式執(zhí)行器提供位置和角度信息。

圖1 分揀系統(tǒng)框架示意圖Fig.1 Schematic diagram of sorting system

上述視覺信息處理模塊所做的檢測及跟蹤均為像素層面的視覺處理，末端執(zhí)行模塊中機(jī)械臂對垃圾的分揀操作則需要進(jìn)行姿態(tài)解算以獲取垃圾在世界坐標(biāo)系的定位。像素平面坐標(biāo)系到機(jī)器人基座坐標(biāo)系的坐標(biāo)變換矩陣通過兩次標(biāo)定獲得，首先需要對相機(jī)進(jìn)行標(biāo)定以獲取相機(jī)內(nèi)參數(shù)，相機(jī)內(nèi)參數(shù)表示了像素坐標(biāo)系和相機(jī)坐標(biāo)系間的坐標(biāo)變換關(guān)系；其次需要對機(jī)械臂和相機(jī)進(jìn)行手眼標(biāo)定獲得相機(jī)坐標(biāo)系和機(jī)器人基座坐標(biāo)系間的坐標(biāo)變換關(guān)系。最后通過傳送帶為平面的基本假設(shè)求解PnP（perspective n points）問題，以獲得傳送帶到相機(jī)的坐標(biāo)關(guān)系，進(jìn)而通過垃圾在像素平面中的坐標(biāo)計算出垃圾在機(jī)器人基座坐標(biāo)系下的實(shí)際坐標(biāo)。本研究通過ROS（robot operating system）搭建了上述各個功能模塊，實(shí)現(xiàn)了模塊間的實(shí)時通信，最終工控機(jī)將垃圾位置通過網(wǎng)絡(luò)通信發(fā)送給機(jī)械臂，由機(jī)械臂完成對垃圾的分揀。

1.2 可回收垃圾數(shù)據(jù)集的建立

為提高基于機(jī)器視覺的垃圾識別算法的精度，并增強(qiáng)識別模型在實(shí)際垃圾分揀場景中的適應(yīng)能力，本研究在中國多個垃圾分揀廠的流水線上安放了攝像頭，拍攝并標(biāo)注了分揀流水線上的可回收垃圾實(shí)景圖片36 572幀。為了保證模型的泛化能力，確保檢測算法識別精度，本研究采集了不同光照下的可回收垃圾圖片，且涵蓋的垃圾種類豐富，包括各種顏色的PET、HDPE、PP、PVC、金屬可回收垃圾、織物、玻璃、紙類等。數(shù)據(jù)集中的圖片分辨率為1 920×1 080，白天及夜晚兩種不同光照條件下的數(shù)據(jù)各占50%。數(shù)據(jù)集劃分了訓(xùn)練集和測試集，訓(xùn)練集和測試集的圖片數(shù)量比例為4∶1，數(shù)據(jù)集中可回收垃圾類別為13類，分別是Plastic_PET_White、

Plastic_PET_Blue、Plastic_PET_Green、Plastic_HDPE_White、Plastic_HDPE_Blue、Metal_Al_Can、Metal_Fe_Can、Glass_Bottle_White、Plastic_PP_Green、Plastic_PP_White、Plastic_PP_Red、Paper及Textile。數(shù)據(jù)集類別分布如圖2。

圖2 可回收垃圾數(shù)據(jù)集構(gòu)成Fig.2 Composition of recyclable garbage dataset

數(shù)據(jù)集中圖片上每個物體都有對應(yīng)的精確標(biāo)注信息，標(biāo)注格式同COCO數(shù)據(jù)集格式相同，數(shù)據(jù)集中標(biāo)注圖片樣例見圖3，標(biāo)注信息有垃圾的邊界框及垃圾類別。數(shù)據(jù)集中所有垃圾類別均為分揀流水線上的采集的生活類小型可回收垃圾，不包含大型的金屬及塑料制品如電器、工廠廢鐵等。圖4展示了數(shù)據(jù)集中部分圖片示例。

圖3 數(shù)據(jù)集中部分標(biāo)注樣例Fig.3 Sample annotations in dataset

圖4 數(shù)據(jù)集中圖片示例Fig.4 Samples in dataset

1.3 視覺處理方法

1.3.1 垃圾識別深度學(xué)習(xí)模型的構(gòu)建及訓(xùn)練

為了提高模型識別效果，本研究對一階段模型YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)做出改進(jìn)，提出了Attn-YOLOv4，即在YOLOv4網(wǎng)絡(luò)的分支網(wǎng)絡(luò)中添加注意力機(jī)制以進(jìn)行信息整合。本文在算法中加入了兩種注意力模塊并進(jìn)行了實(shí)驗(yàn)驗(yàn)證，其中SENet[21]（squeeze-and-excitation networks）注意力網(wǎng)絡(luò)結(jié)構(gòu)如圖5，該網(wǎng)絡(luò)通過全局平均池化、全連接層及激活函數(shù)獲取每個特征通道的權(quán)重，從而提高重要特征通道權(quán)重并抑制無關(guān)特征，由此提高目標(biāo)檢測網(wǎng)絡(luò)精度。CBAM[22]（convolutional block attention module）注意力網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，該網(wǎng)絡(luò)通過Sigmoid激活函數(shù)對不同通道層進(jìn)行相應(yīng)的權(quán)重計算，對重要程度不同的單通道特征圖乘以不同的權(quán)重，使模型更注重于一些特定的通道，提高模型提取特征及信息整合的能力。CBAM方法綜合考慮了通道和空間層面的注意力機(jī)制，CBAM的channel attention module對通道進(jìn)行重新加權(quán)，而其spatial attention module則針對特征圖上每個像素進(jìn)行了加權(quán)，從而使得網(wǎng)絡(luò)特征圖中有物體的區(qū)域權(quán)重提高，進(jìn)而提高了網(wǎng)絡(luò)的檢測精度。

圖5 SENet模型示意圖Fig.5 Schematic diagram of SENet

圖6 CBAM模型示意圖Fig.6 Schematic diagram of CBAM

圖7說明了注意力模塊添加的位置以及最終的網(wǎng)絡(luò)結(jié)構(gòu)，本文通過在YOLOv4骨干網(wǎng)絡(luò)輸出的不同分支添加注意力模塊，使網(wǎng)絡(luò)具備對不同級別特征圖進(jìn)行信息整合的能力。并且本文將CBAM模塊放置在CSPDarknet53網(wǎng)絡(luò)后避免了對主干網(wǎng)絡(luò)結(jié)構(gòu)的修改，通過遷移學(xué)習(xí)使用預(yù)訓(xùn)練權(quán)重進(jìn)行訓(xùn)練，省去了在ImageNet等數(shù)據(jù)集上進(jìn)行大規(guī)模數(shù)據(jù)預(yù)訓(xùn)練的時間，大大提高了訓(xùn)練效率，進(jìn)而加快了模型部署的流程。

圖7 Attn-YOLOv4網(wǎng)絡(luò)架構(gòu)Fig.7 Network architecture of Attn-YOLOv4

本文中深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練環(huán)境為CentOS 7.4，使用Pytorch框架進(jìn)行訓(xùn)練；算力為8塊NVIDIA Ge-Force GTX 2080Ti GPU顯卡。網(wǎng)絡(luò)訓(xùn)練使用標(biāo)準(zhǔn)的隨機(jī)梯度（stochastic gradient descent，SGD）訓(xùn)練模型，批量大?。╞atch size）設(shè)置為64，基礎(chǔ)學(xué)習(xí)率為1.25×10-5，動量（momentum）為0.95，重量衰減（weight decay）為0.000 5，訓(xùn)練50個epoch。為了處理數(shù)據(jù)集中樣本不均衡問題，本研究在訓(xùn)練中對少樣本類別做了重采樣處理，此外為了增強(qiáng)模型魯棒性及泛化能力。本文采用多種數(shù)據(jù)增強(qiáng)策略隨機(jī)組合+Mosaic[4]的方式進(jìn)行數(shù)據(jù)擴(kuò)充。針對流水線上可回收垃圾的污損、變形、運(yùn)動模糊、亮度變換等場景，本研究引入了以下數(shù)據(jù)增強(qiáng)策略：水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、裁剪、仿射變換、高斯模糊、中值濾波、自適應(yīng)高斯噪聲、Dropout（隨機(jī)移除一定比例像素）、亮度變換、HSV通道變換等。將上述數(shù)據(jù)增強(qiáng)策略隨機(jī)組合后對訓(xùn)練樣本進(jìn)行處理。圖8展示了數(shù)據(jù)集中原始樣本圖片及標(biāo)注邊界框的可視化結(jié)果。

圖8 數(shù)據(jù)集中原始圖片及邊界框可視化結(jié)果Fig.8 Original image in dataset and bounding box visualization results

如圖9展示了隨機(jī)組合的數(shù)據(jù)增強(qiáng)策略生成的多個訓(xùn)練樣本。

圖9 隨機(jī)數(shù)據(jù)增強(qiáng)示意圖Fig.9 Diagrams of random data augumentation

最后本研究引入Mosaic數(shù)據(jù)增強(qiáng)，隨機(jī)選取四張經(jīng)上述隨機(jī)數(shù)據(jù)增強(qiáng)策略處理后的圖片進(jìn)行裁剪和拼接，將生成的圖片及標(biāo)簽作為訓(xùn)練集供模型訓(xùn)練。如圖10為馬賽克數(shù)據(jù)增強(qiáng)示意圖[4]。

圖10 Mosaic數(shù)據(jù)增強(qiáng)示意圖Fig.10 Mosaic data augmentation

如圖11為訓(xùn)練過程中整體的數(shù)據(jù)增強(qiáng)策略，每個batch的訓(xùn)練數(shù)據(jù)經(jīng)數(shù)據(jù)增強(qiáng)后可以得到4×batch size個訓(xùn)練樣本，相當(dāng)于原有數(shù)據(jù)集規(guī)模的四倍，極大提高了模型的泛化能力。

圖11 整體數(shù)據(jù)增強(qiáng)策略Fig.11 Overall data augmentation strategy

1.3.2 目標(biāo)跟蹤

對傳送帶上多個目標(biāo)物體的跟蹤可由基于多線程的單目標(biāo)跟蹤或者多目標(biāo)跟蹤實(shí)現(xiàn)，本研究中末端執(zhí)行模塊對于目標(biāo)跟蹤的要求為邊界框跟蹤穩(wěn)定、ID切換少。部分多目標(biāo)跟蹤算法如SORT[16]和DEEPSORT[17]使用卡爾曼濾波對物體運(yùn)動進(jìn)行預(yù)測，并對跟蹤框和目標(biāo)檢測框進(jìn)行相似度計算以匹配。SORT和DEEPSORT算法比較依賴目標(biāo)檢測算法的性能，目標(biāo)檢測出現(xiàn)的連續(xù)漏檢及誤檢很容易導(dǎo)致跟蹤算法出現(xiàn)ID切換，從而導(dǎo)致機(jī)械臂抓取目標(biāo)物體時候重復(fù)抓取，嚴(yán)重影響抓取效率。

基于視覺特征的單目標(biāo)跟蹤較為簡單且不依賴于目標(biāo)檢測的性能，只要有一幀圖像被檢測到，跟蹤器便能初始化并隨時間不斷更新跟蹤框位置。作為單目標(biāo)跟蹤算法的一種，KCF算法跟蹤穩(wěn)定性高，速度快[19]，因此本研究采用基于多線程的單目標(biāo)跟蹤算法KCF。本研究使用線程池[23]來管理線程，保證了線程的可復(fù)用性，減少了系統(tǒng)開銷。

基于多線程的KCF跟蹤算法流程如圖12，首先使用檢測物體和跟蹤物體間的IoU作為度量，通過匈牙利算法對跟蹤邊界框和檢測邊界框進(jìn)行匹配，跟蹤算法更新匹配后的跟蹤框位置并進(jìn)行后續(xù)處理。

圖12 跟蹤流程框圖Fig.12 Object tracking process

本研究使跟蹤器維持一個表征“跟蹤器壽命”的變量Tracker Age，該變量定義及更新策略如下：變量初始值為0，當(dāng)跟蹤框匹配上了檢測框，KCF更新跟蹤框位置并將該變量置0。當(dāng)跟蹤框未匹配檢測框，KCF更新跟蹤框位置并將該變量加1，當(dāng)該變量值大于預(yù)設(shè)定閾值時，則視為跟蹤失敗，從而將該跟蹤器刪除。這種策略可以有效減少目標(biāo)檢測漏檢導(dǎo)致的ID切換。

1.3.3 角度計算

在部分應(yīng)用場景下需要使用夾爪對垃圾進(jìn)行分揀操作，Ku等人[24]使用深度學(xué)習(xí)算法來搜索可供抓取的物體矩形框，他們對RCNN和auto-encoder兩種算法的表現(xiàn)進(jìn)行了評估，結(jié)果表明兩種算法分別獲得了96%及94%的抓取精度。然而Ku等人使用的深度學(xué)習(xí)算法需要人工標(biāo)注大量的抓取矩形框供算法訓(xùn)練，這極大提高了研發(fā)成本，且基于深度學(xué)習(xí)算法的抓取角度計算勢必會帶來一定程度的時延，降低系統(tǒng)的分揀效率。

本研究提出了一種高效、快速的可回收垃圾角度計算方法如圖13，角度計算步驟如下：（1）對跟蹤框框出的圖像進(jìn)行裁剪。（2）得到裁剪后的灰度圖，對灰度圖進(jìn)行中值濾波，消除圖像噪點(diǎn)。（3）隨后對灰度圖進(jìn)行圖像二值化處理，圖像二值化可以對垃圾和單色傳送帶背景做出初步區(qū)分。（4）對圖像做形態(tài)學(xué)處理，先進(jìn)行膨脹操作隨后進(jìn)行腐蝕，用以使被黑色分割開的白色感興趣區(qū)域聯(lián)通。（5）一個裁剪后的灰度圖上可能存在多個區(qū)域的最小外接矩形。求解不同最小外接矩形和跟蹤框的IoU，選取IoU最大的外接矩形框?yàn)榘鼑可淼淖钚⊥饨泳匦?。?）求解得出包圍瓶身的最小外接矩形的角度信息后，通過坐標(biāo)變換可獲得機(jī)器人基座下的角度。

圖13 角度計算流程Fig.13 Angle calculation process

1.4 執(zhí)行系統(tǒng)搭建

為了實(shí)現(xiàn)對可回收垃圾的快速高效分揀，本系統(tǒng)采用了兩個分揀工位分別使用不同型號的機(jī)器人與執(zhí)行器進(jìn)行垃圾的分揀工作。其中分揀流水線前端機(jī)械臂為ABB公司的IRB 360機(jī)器人，該款機(jī)器人采用并聯(lián)結(jié)構(gòu)，執(zhí)行時間短。本系統(tǒng)使用ABB公司的IRB 1600六軸機(jī)器人搭配夾爪對傳送帶上剩余的小部分瓶狀垃圾進(jìn)行補(bǔ)抓。兩款機(jī)器人實(shí)際分揀場景如圖14所示。

圖14 機(jī)器人實(shí)際分揀場景Fig.14 Actual robot sorting scenario

本研究使用ROS搭建了整個系統(tǒng)的消息通信框架，各節(jié)點(diǎn)間消息傳遞關(guān)系及消息內(nèi)容如圖15所示。目標(biāo)檢測節(jié)點(diǎn)接受相機(jī)節(jié)點(diǎn)發(fā)布的RGB圖像，圖像通過Attn-YOLOv4網(wǎng)絡(luò)進(jìn)行前向推理得到目標(biāo)置信度、邊界框的像素坐標(biāo)及物體的類別信息。跟蹤節(jié)點(diǎn)通過1.3.2節(jié)所述跟蹤過程得到邊界框坐標(biāo)、物體ID及物體類別信息，并將它們發(fā)送給后處理節(jié)點(diǎn)。后處理節(jié)點(diǎn)進(jìn)行角度計算及坐標(biāo)變換，并將相應(yīng)消息發(fā)送給機(jī)器人控制器，最終由機(jī)器人通過垃圾的角度及位置信息執(zhí)行分揀操作。

圖15 ROS節(jié)點(diǎn)示意圖Fig.15 Diagram about ROS nodes

2 結(jié)果與討論

表1展示了兩種Attn-YOLOv4神經(jīng)網(wǎng)絡(luò)及原始版本的YOLOv4在測試集上的表現(xiàn)，測試使用的IoU閾值為0.5，不同類別的AP在表1中已列出。結(jié)果表明YOLOv4模型的mAP為98.82%，使用SENet模塊的Attn-YOLOv4算法相比YOLOv4算法在多個類別上取得了更好的識別精度，模型的mAP為98.88%，而使用了CBAM模塊的Attn-YOLOv4算法在絕大多數(shù)類別下相比其他算法都取得了更好的表現(xiàn)，模型mAP為98.98%。三類目標(biāo)檢測模型的參數(shù)量、浮點(diǎn)計算量及在RTX 2080Ti工控機(jī)上計算速度對比見表2。由表可知，由于注意力模塊參數(shù)量很少，引入的額外計算量少，使得模型推理速度幾乎不受影響?；谧⒁饬C(jī)制的YOLOv4神經(jīng)網(wǎng)絡(luò)在RTX 2080Ti上的運(yùn)行速度為38 frame/s，滿足了分揀系統(tǒng)的實(shí)時檢測需求。

表1 模型評估結(jié)果Table 1 Module evaluation results %

表2 模型復(fù)雜度量化結(jié)果Table 2 Model complexity measurement results

為了量化基于KCF的目標(biāo)跟蹤效果，本研究使用單目標(biāo)跟蹤領(lǐng)域常用的精確度曲線[19，25-27]來表征跟蹤的誤差與精度。準(zhǔn)確度曲線顯示了一個距離閾值范圍內(nèi)正確跟蹤幀的百分比，低閾值下的更高精度意味著跟蹤器更精確，而跟蹤丟失的目標(biāo)將降低它在較大的閾值范圍內(nèi)的精度。為了評估KCF跟蹤算法在傳送帶上的實(shí)際誤差及精度，本研究將精確度曲線橫軸設(shè)置為經(jīng)過坐標(biāo)變換后的傳送帶上實(shí)際誤差閾值，單位為毫米。通過在傳送帶速度為2 m/s的實(shí)際分揀流水線上對時長為30 min的跟蹤誤差進(jìn)行統(tǒng)計，繪制出如圖16的精確度曲線。本研究提出的基于多線程的KCF跟蹤算法平均速度達(dá)到了120 frame/s，滿足了實(shí)時跟蹤的需求，且在20 mm誤差范圍內(nèi)達(dá)到了0.945的精確度，滿足了分揀系統(tǒng)的分揀精度需求。

圖16 KCF跟蹤精確度曲線Fig.16 KCF tracking accuracy curve

對于大部分可回收垃圾而言，垃圾分揀系統(tǒng)使用吸盤分揀Attn-YOLOv4檢測到的物體，對于表面易出現(xiàn)凹凸不平的易拉罐等物體，則使用第1.3.1節(jié)所述基于最小外接矩形的角度計算方法，為夾爪式末端執(zhí)行器提供角度信息。本研究選取兩個類別的物體各10個，每個物體旋轉(zhuǎn)角度及放置區(qū)域隨機(jī)，每次測量20次，計算角度誤差并分類別計算平均值。經(jīng)實(shí)驗(yàn)測量，產(chǎn)線所用夾爪夾取垃圾所需角度誤差應(yīng)小于30°。對實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計后發(fā)現(xiàn)各類別的角度誤差平均在10°以內(nèi)，完全滿足夾爪夾取的精度需求，結(jié)果見表3。此外，目標(biāo)角度計算的精度還受標(biāo)定矩陣準(zhǔn)確性影響。

表3 角度誤差統(tǒng)計結(jié)果Table 3 Results of angle error

最后，本研究在傳送帶上連續(xù)投放高密度垃圾以測試可回收垃圾分揀系統(tǒng)整體效果，表4給出了可回收垃圾分揀系統(tǒng)實(shí)際運(yùn)行時的性能表現(xiàn)。IRB 360機(jī)器人執(zhí)行速度快、使用吸盤進(jìn)行吸附，造成分揀失敗的主要原因?yàn)槲矬w表面凹凸、吸盤無法吸附，IRB 1600分揀速度較慢但工作穩(wěn)定，可以實(shí)現(xiàn)對可回收垃圾的穩(wěn)定夾取。值得指出的是本文的分揀系統(tǒng)前端進(jìn)料處機(jī)械裝置可將垃圾均勻地鋪在傳送帶上，較好地防止了重疊目標(biāo)的出現(xiàn)。因此本文中的跟蹤及抓取結(jié)果不包含重疊目標(biāo)。

表4 機(jī)械臂實(shí)際分揀測試Table 4 Robot sorting test results

本研究提出的基于計算機(jī)視覺的可回收垃圾分揀系統(tǒng)分揀準(zhǔn)確率達(dá)到了90%以上，Delta機(jī)器人的分揀速度可達(dá)5 700次/h，六軸機(jī)器人的分揀速度達(dá)到了1 600次/h，分揀系統(tǒng)具備了在復(fù)雜環(huán)境下高效、穩(wěn)定進(jìn)行可回收垃圾的識別及檢測能力。此外，本研究構(gòu)建的可回收垃圾分揀系統(tǒng)對快遞物流、工廠流水線等生產(chǎn)環(huán)境中的無人分揀系統(tǒng)也有一定的借鑒意義。

3 結(jié)論

本研究建立了一個含36 572幀圖片的可回收生活垃圾目標(biāo)檢測數(shù)據(jù)集，涵蓋了可回收生活垃圾的常見類別，包括PET塑料、HDPE塑料、PP塑料、鐵制品可回收垃圾、鋁制品可回收垃圾、紙張類可回收垃圾及織物類可回收垃圾等?；诖藬?shù)據(jù)集，本文對一階段深度視覺檢測方法進(jìn)行注意力相關(guān)機(jī)制研究，研究結(jié)果表明，Attn-YOLOv4通過在其骨干網(wǎng)絡(luò)的三個分支添加注意力模塊，相比YOLOv4模型取得了更好的性能，多個類別的可回收垃圾識別精度提高幅度在0.2%到0.9%之間，且?guī)淼乃俣扔绊懞苄?。最?yōu)化的模型在各類別中的識別精度在測試集上的表現(xiàn)接近了100%的AP。此外，本研究還建立了一套針對動態(tài)環(huán)境和稠密目標(biāo)的視覺識別和跟蹤系統(tǒng)，通過目標(biāo)檢測、跟蹤與匹配及相機(jī)標(biāo)定，實(shí)現(xiàn)了對傳送帶上物體的精確定位及角度計算，跟蹤的精確度在20 mm的誤差范圍內(nèi)達(dá)到了0.945，角度計算誤差在10°以內(nèi)。最后，本研究在連續(xù)、高密度進(jìn)料的傳送帶上測試了整個可回收垃圾分揀系統(tǒng)的分揀速度及分揀準(zhǔn)確率，結(jié)果表明本文提出的分揀系統(tǒng)的最大分揀速度達(dá)到了5 700次/h，且分揀精度在90%以上，達(dá)到了學(xué)術(shù)界領(lǐng)先水平。