[发明专利]一种面向拆垛分拣的包装箱快速识别分割方法

说明书

本发明属于物流分拣技术领域，公开了一种面向拆垛分拣的包装箱快速识别分割方法；Maskrcnn网络设计结构；改进的Maskrcnn网络设计结构；数据增强与处理；错误数据收集和模型的迭代增强；对错误数据进行收集，采用人工标注的方式对真实采集的错误图片进行处理，处理后的图片作为后续模型增强的训练数据。本发明基于目前最新的目标检测网络Maskrcnn进行的改进，为了适应实际的包装箱的拆跺分拆场景，在Maskrcnn检测网络中加入depth的通道，融合了深度的信息；同时对网络层的特征进行进一步的融合增强；本发明能够对包装箱的进行精确地定位和分割，准确率大大得到了提升。

技术领域

本发明属于物流分拣技术领域，尤其涉及一种面向拆垛分拣的包装箱快速识别分割方法。

背景技术

目前，业内常用的现有技术是这样的：

在现代物流行业中，拆跺分拣包装箱耗费大量人力，人们一直尝试用机器人取代人进行这一繁重而又重复的工作。由机器人替代人来进行拆跺分拣的首要问题在于：如何对密集的包装箱进行准确的分割和识别，从而引导机器人进行精确地抓取。实际中包装箱的尺寸变化范围很大，摆放的角度和姿态不定，而且可能出现在图片的任何地方，因此对包装箱的检测失败率很高。而现有的对包装箱的分割和识别方法，在实际的应用场景还有很大的局限。目前算法大多根据经典的图像处理方法对包装箱进行检测，比如主流的边缘检测算法和sift特征匹配算法等等。然而这些方法受场景中的光照和遮挡等因素影响很大，鲁棒性不高，很难在实际产品中得到应用。

近年来，深度学习在物体分割和识别领域崭露头角，逐渐取代传统视觉方法而成为目标检测领域的主流算法。深度学习模型由于其强大的表示能力，对图像中的不同种类和姿态物体检测效果显著，加之计算力的进步，计算检测时间接近甚至少于传统算法。但是简单地移植现有的深度学习模型到包装箱的检测问题中来，效果却差强人意，主要原因在于：包装箱拆跺分拣相比于一般的目标检测问题，其物品过于密集，尺寸大小以及高度参差不齐，箱子纹理图案也千差万别，而现有目标检测模型大多都是根据2d的RGB图片进行识别和分割，很容易混淆箱子纹理与箱子边缘，导致对该场景的分割准确率很低。

综上所述，现有技术存在的问题是：

现有技术中，简单地移植现有的深度学习模型到包装箱的检测问题中来，效果差强人意，包装箱拆跺分拣相比于一般的目标检测问题，其物品过于密集，尺寸大小以及高度参差不齐，箱子纹理图案也千差万别；现有目标检测模型大多都是根据2d的RGB图片进行识别和分割，很容易混淆箱子纹理与箱子边缘，导致对该场景的分割准确率很低。

解决上述技术问题的难度和意义：

难度：相比于一般的目标检测问题，拆跺分拣场景下包装箱的识别分割更为复杂和困难。其难度在于首先包装箱是密集摆放堆叠，使得包装箱之间的间隙很小，分界边线很难区分；其次包装箱纹理图案千差万别，色彩的差异性对分割识别干扰性巨大，很容易混淆箱子间的边界线和纹理线；再者箱子的尺寸大小各异，摆放不定，对箱子朝向和抓取面估计十分困难。

意义：因此，解决包装箱的识别分割问题，是物流装卸自动化技术的首要基础，为机器人的准确抓取提供有力保证，极大地降低了机器人对货物毁坏的几率，提高了装卸的成功率和效率。

发明内容

针对现有技术存在的问题，本发明提供了一种面向拆垛分拣的包装箱快速识别分割方法。

本发明是这样实现的，一种面向拆垛分拣的包装箱快速识别分割方法，具体包括以下步骤：

本发明的分割步骤具体为：通过kinect图像拍摄得到一组颜色(rgb)和深度(depth)图片，首先对深度图进行过滤和增强处理，然后将这一组颜色和深度图片输入给改进的Maskrcnn网络，网络通过运算，输出得到箱子的分割和检测结果。网络的结构如第二部分所述。

步骤一：Maskrcnn网络设计结构：包括主干特征提取网络，特征金字塔网络，区域提取网络，预测网络；