随着生产自动化水平日益提高,人工成本不断增加,厂区运料AGV(Automatic Guided Vehicle)逐渐被各行各业广泛需求。基于视觉导航的AGV有较好的灵活性和前期投入成本低的特点,应用前景良好,但其在国内技术仍然不够成熟,难以投入生产应用。为开发一款应用于厂区的无人运料AGV,本文对基于视觉的厂区内运料AGV关键元素的检测技术展开研究,针对各元素的特点分别提出了基于视觉的检测方法。本文关注于厂区内的三类关键元素:导航标志、厂区人员、地面警示线。三类元素具有很不相同的视觉特性,相应的检测算法也面临着不同的需求和挑战:(1)导航标志通常图像占比较小,且形状、颜色、纹理特征相近,易于混淆,难以同时保证检测速度和准确率;(2)厂区人员因不同的距离、动作,导致尺度范围较大,尤其是形状特征变化范围极大,且易存在遮挡问题,难以保证检测召回率;(3)地面警示线具有较为明显和稳定的特征,因而检测准确率较易保证,但其对于检测速度的要求更高,以保证AGV的平稳循迹行驶。针对这些问题,本文在深入研究现有目标检测方法的基础上,对各元素分别设计了有效的检测方法:在导航标志检测框架中,使用YOLO v3深度学习检测框架上改进了卷积层和预测层,保证准确率的前提下提高了 40%的检测速度,然后使用更深层的CNN网络进行细分类;在厂区人员检测框架中,引入通道注意力机制并改进IOU机制以平衡各尺度的检测效果,提高了 1.7%的准确率;在警示线检测框架中,对比使用了多种传统图像处理方法,并在Hough变换的基础上加以改进,提高了检测效率。综上所述,本文针对厂区运料AGV使用环境中三种关键元素的特性提出了有效的检测方法,通过在多个数据集上的实验,验证了本文提出方法的有效性。