针对在厢式货车中的弱光环境下,对自动装箱系统的箱体识别精度低的问题,提出一种基于优化的Kindling the Darkness(KinD)网络与You Only Look Once 11(YOLO 11)目标检测的视觉识别方法。对KinD网络进行结构优化,引入双边滤波降噪和Sobe...针对在厢式货车中的弱光环境下,对自动装箱系统的箱体识别精度低的问题,提出一种基于优化的Kindling the Darkness(KinD)网络与You Only Look Once 11(YOLO 11)目标检测的视觉识别方法。对KinD网络进行结构优化,引入双边滤波降噪和Sobel边缘增强模块,实现图像亮度与细节的有效提升;通过YOLO 11算法检测瓦楞纸箱,进行三维定位与姿态估计。结果表明,优化的KinD网络经图像增强后,平均峰值信噪比达到15.04 dB,结构相似性指数为0.72,图像处理时间为0.338 s;YOLO 11算法对增强图像的目标检测匹配度达到完全匹配26.7%、高匹配42.7%,整体平均位置误差归一化值为0.0143。研究为物流行业的自动装卸工作提供技术支撑。展开更多
文摘针对在厢式货车中的弱光环境下,对自动装箱系统的箱体识别精度低的问题,提出一种基于优化的Kindling the Darkness(KinD)网络与You Only Look Once 11(YOLO 11)目标检测的视觉识别方法。对KinD网络进行结构优化,引入双边滤波降噪和Sobel边缘增强模块,实现图像亮度与细节的有效提升;通过YOLO 11算法检测瓦楞纸箱,进行三维定位与姿态估计。结果表明,优化的KinD网络经图像增强后,平均峰值信噪比达到15.04 dB,结构相似性指数为0.72,图像处理时间为0.338 s;YOLO 11算法对增强图像的目标检测匹配度达到完全匹配26.7%、高匹配42.7%,整体平均位置误差归一化值为0.0143。研究为物流行业的自动装卸工作提供技术支撑。
