[发明专利]一种智能搬运AGV的目标检测及定位方法

权利要求书

1.一种智能搬运AGV的目标检测及定位方法，其特征在于，包括：

步骤1，准备YOLOv5网络模型的输入数据集；

步骤2，设计搭建加入通道注意力机制和空间注意力机制的YOLOv5网络模型，用于智能搬运AGV的目标检测；

步骤3，训练YOLOv5网络模型；

步骤4，将智能搬运AGV在行驶过程中拍摄的视频输入到YOLOv5网络模型得到视频内目标物体的种类，再利用激光雷达测距算法得到目标物体的位置信息。

2.根据权利要求1所述的一种智能搬运AGV的目标检测及定位方法，其特征在于，步骤1包括：

在开源视频数据库中挑选出包含人、楼梯、电梯、盆栽、桌椅、沙发、AGV、货物中一者或多者的视频作为开源视频数据集；控制智能搬运AGV在室内行驶，利用自身的摄像头拍摄视频作为自建视频数据集；

对开源视频数据集和自建视频数据集进行预处理，作为YOLOv5网络模型的输入数据集。

3.根据权利要求2所述的一种智能搬运AGV的目标检测及定位方法，其特征在于，步骤1中预处理的操作包括：

把每个视频逐帧获取成图像，再用0填充单帧图像使图像变成正方形，最后把图像等比例缩放，使尺寸变为正方形。

4.根据权利要求1所述的一种智能搬运AGV的目标检测及定位方法，其特征在于，步骤2包括：

S1，YOLOv5的网络结构，由输入、主干网络、颈部网络、预测头组成；

S2，在YOLOv5的颈部网络和预测头之间增加通道和空间注意力机制。

5.根据权利要求4所述的一种智能搬运AGV的目标检测及定位方法，其特征在于，S2包括：

输入特征经过通道注意模块，在空间维度上对特征图采用平均池化和最大池化进行压缩，得到一维向量，将结果送入到一个共享的多层感知机网络中，产生最终的通道注意力特征图，数学表达式如下：

C_a＝AvgPool(F)

C_m＝MaxPool(F)

M_C＝σ(MLP(C_a)+MLP(C_m))

其中，σ是sigmoid激活函数，MLP是多层感知机，C_a和C_m分别是平均池化特征和最大池化特征；

将经过通道注意模块的结果输入到空间注意模块，在通道维度上对特征图执行平均池化和最大池化，将产生的特征图拼接，再使用卷积操作，产生最终的空间注意力特征图，数学表达式如下：

S_a＝AvgPool(F)

S_m＝MaxPool(F)

M_S＝σ(f^7×7([S_a；S_m])

其中，7×7表示卷积核大小，σ是sigmoid激活函数，S_a和S_m分别是平均池化特征和最大池化特征。

6.根据权利要求1所述的一种智能搬运AGV的目标检测及定位方法，其特征在于，步骤3包括：

将YOLOv5网络模型的输入数据集用图像标注软件进行标注，标出每个图像中目标物体的位置、类别，其中将标注好的图像分成两部分，分别作为训练集、测试集，优化训练YOLOv5网络模型，得到最终的目标检测网络模型。

7.根据权利要求1所述的一种智能搬运AGV的目标检测及定位方法，其特征在于，步骤4中激光雷达测距算法的设计方法包括：利用经验模态分解、spearman相关系数法恢复、基于复调制的FFT频谱细化对回波信号进行处理，再利用互功率频谱密度求出最大峰值对应的频率，确定激光雷达测距公式。

8.根据权利要求7所述的一种智能搬运AGV的目标检测及定位方法，其特征在于，激光雷达测距算法包括以下步骤：

H1，通过经验模态分解将回波信号分解为若干具有实际物理意义的信号分量，分解操作包含：

原始信号为

用三次样条函数法求出信号的极大值包络线和极小值包络线，将当前信号减去包络线的均值信号，重复若干次，当i＝k时满足条件，终止迭代；

得到原始信号的一阶IMF分量：

继续对剩余信号再次进行同样的分解，经过m次分解后，剩余信号是单调函数或常量，经验模态分解结束；

得到原始信号的各阶IMF分量：g₁(t)、g₂(t)…g_m(t)和残余信号

H2，采用spearman相关系数法对信号进行恢复，得到有限长度序列x(n)；

H3，基于复调制的FFT频谱细化，步骤如下：

x(n)的离散频谱为：

其中，N为采样点数。

对x(n)以进行复调制，其中，B_e为频率分辨力；

再通过一个截止频率为0.5f_s/β的低滤波器，以f_s/β重新采样，并进行FFT变换，得到频谱V(k)，其中f_s为细化前的采样频率，β为细化倍数；

将V(k)平移到实际频率处细化频谱为：

H4，将若干个周期的信号两两一组，计算每组信号的互功率频谱密度，得到每组的峰值。

H5，找到所有峰值中的最大值对应的频率f_max。

H6，计算出测量距离，距离计算公式如下：

D＝0.5Tcf_max/B

其中，B是带宽，T是周期，c是光速。