[0035] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的AGV色带导引轨道磨损程度检测方法与系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0036] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0037] 下面结合附图具体的说明本发明所提供的一种基于人工智能的AGV色带导引轨道磨损程度检测方法与系统的具体方案。
[0038] 参照附图1和附图2，本发明实施例提供了一种基于人工智能的AGV色带导引轨道磨损程度检测方法，该方法包括具体以下步骤：
[0039] 步骤S001，获取色带分割图，根据色带分割图检测色带轨道的基准中线。
[0040] 步骤S002，将基准中线所对应的色带进行多段等分，通过将每一段色带的色度与标准色度进行比较得到色带的初始磨损程度；对色带进行磨损缺失检测得到缺失面积，在总缺失面积大于总面积阈值、最大缺失面积大于面积阈值或者初始磨损程度大于磨损阈值时，确定更换色带，否则，确定每一段色带的实际磨损程度为初始磨损程度。
[0041] 步骤S003，根据实际磨损程度更换色带。
[0042] 进一步地，在步骤S001中，本发明实施例中在以色带引导方式进行工作的AGV小车上搭载工业RGB相机，利用RGB相机获取色带轨道图像，将色带轨道图像通过语义分割网络得到色带分割图。
[0043] 优选的，本发明实施例采用编码器‑解码器结构的DNN网络获取色带分割图，且DNN网络的具体训练过程如下：
[0044] 1)将采集的色带轨道图像作为训练数据集，对训练数据集进行标注，色带标注为1，地面标注为2，其他标注为0。其中，随机选择数据集的80％作为训练集，剩余的20％作为验证集。
[0045] 2)将图像数据和标签数据输入DNN网络中，编码器抽取网络特征得到特征图，并将通道数变换为类别个数；然后通过解码器将特征图的高度和宽度变换为输入图像的尺寸，从而输出每个像素的类别。
[0046] 3)DNN网络中的损失函数使用交叉熵损失函数。
[0047] 进一步地，根据由DNN网络得到的AGV小车当前所在轨道上的色带分割图检测色带轨道的基准中线，也即AGV小车行驶时的基准线，其中检测的具体过程为：
[0048] 1)由于色带左右边缘对称，因此可根据色带左右边缘上像素点的坐标来确定中点坐标。具体为：依据纵坐标一致而横坐标分布于不同的边缘线上来确定两条边缘线上的对应像素点对，然后求得各像素点对所对应的中点坐标，最终由各中点坐标组成的集合即为色带轨道的基准中线。
[0049] 2)由于色带的磨损，色带边缘可能不会被完全检测到，甚至出现色带断裂缺失的情况，因此需要对步骤1)得到的色带轨道的基准中线进行判断，具体为：在同一方向上，基准中线上各处像素横坐标不变，而纵坐标根据AGV小车的匀速行驶速度进行匀速变化，故在当前色带轨道方向上，只要AGV小车得到视野范围内的基准中线，直线斜率一致且其上的任一点横坐标相等，则可据此继续行驶。
[0050] 需要说明的是，上述基准中线的检测过程主要针对AGV小车所在色带为直线时的场景。且为了防止理解偏差且非本发明终点，本发明实施例中不再考虑曲线转弯以及对应弧度的色带完全缺失等极端情况。
[0051] 考虑到现实生产活动中色带轨道的长度以及为了更加方便且准确的检测色带的磨损程度，故在步骤S002中，本发明实施例将基准中线所对应的色带进行多段等分，且色带的单位步长为1m，进而对每段色带进行磨损程度的检测评估。
[0052] 优选的，本发明实施例以第j段色带为例获取色带的磨损程度，具体过程如下：
[0053] 1)色度检测。当色带发生磨损甚至缺失时，色带的色度值会发生明显改变，并通过色度传感器所检测到的模拟量来反应。本发明实施例中令色带左右两边的色度传感器所检测到的模拟量分别标记为s1，s2，且设该段色带中有n个检测点，则第i个检测点的色度与标准色度st的差值分别为Δs1i，Δs2i，该差值会影响小车的导航精度；两个色度传感器获取的第i个检测点的色度的差值为|Δsi|，该差值会影响小车的平衡度。
[0054] 2)通过建立的磨损程度检测模型得到第j段色带的初始磨损程度Mj，其中，磨损程度检测模型为：
[0055]
[0056] 其中，Mj为第j段色带的初始磨损程度，且Mj越大说明该段色带磨损越厉害；为第i个检测点所对应的由左边色度传感器得到的色度与标准色度平均差值归一化后的值； 为第i个检测点所对应的由右边色度传感器得到的色度与标准色度平均差值归一化后的值； 为第i个检测点所对应的左右色度平均差值归一化后的值；α，β，γ为权重值。
[0057] 优选的，本发明实施例中α＝0.35，β＝0.35，γ＝0.3。
[0058] 3)磨损缺失检测。由于色带的色度减少主要由两个原因组成，一个是色带磨损但不缺失导致的色度减弱；另一个是色带直接磨损缺失导致的色度减弱，因此，本发明实施例根据色带磨损缺失的结果对初始磨损程度进行分类，即：若该段色带的初始磨损程度超过磨损阈值时，则说明该段色带不足以提供足够的导航精度，故令该段色带的实际磨损程度为第一磨损程度；若色带存在磨损缺失，且总缺失面积Sj，total大于总面积阈值或者任一最大缺失面积Sj，max大于面积阈值时，则同样令该段色带的实际磨损程度为第一磨损程度；其他情况下，色带的实际磨损程度依旧为初始磨损程度。具体的数学表达式为：
[0059]
[0060] 需要说明的是，本发明实施例中磨损阈值为0.3；第一磨损程度为1；总面积阈值为2平方厘米；面积阈值为1平方厘米，在其他实施例中，实施者可根据自身要求自行设定。
[0061] 4)判断该段色带内是否存在磨损缺失以及获取各磨损缺失区域面积的方法为：根据色带的宽度，在其范围内寻找标签为1的色带分割图中是否含有标签为2的地面，并根据连通域分析法计算标签为2的区域面积。
[0062] 进一步地，在步骤S003中，本发明实施例根据色带的实际磨损程度Mj′对色带进行更换。具体分为两种情况：
[0063] 第一种情况，当色带的实际磨损程度为第一磨损程度时，也即Mj′＝1时，立即对所对应的色带进行更换。
[0064] 第二种情况，当色带的实际磨损程度小于磨损阈值时，检测色带下一次使用时的预测磨损程度，具体检测过程为：
[0065] 1)使用频率检测。由于现实生产活动中，一个由色带铺设的轨道有多条线路，供多辆不同的AGV小车在特定线路上进行工作，因此色带的磨损程度也和其相应的使用频率有直接的对应关系，因此在计算每段色带的初始磨损程度时，记录该色带在相应检测周期内的使用频率。
[0066] 需要说明的是，本发明实施例中设定检测周期为3天，即当整个色带轨道铺设完毕并被投入使用后开始每3天对整个色带轨道进行一次检测。
[0067] 2)重量检测。AGV小车每次搬运货物重量的不同也会导致其对色带的磨损程度的不同，因此在计算每段色带的初始磨损程度时，同时需记录该色带在相应检测周期内AGV小车的平均载重量。
[0068] 3)磨损程度增长速度检测。根据相邻两次检测周期内色带的使用频率、AGV小车的平均载重量以及上一次检测时的磨损程度增长速度得到下一次检测时的磨损程度增长速度，即：
[0069]
[0070] 其中，Δvj，k+1为第j段色带在第k+1次检测时对应的磨损程度增长速度；Δvj，k为第j段色带在第k次检测时对应的磨损程度增长速度；fj，k+1为第j段色带在第k+1次检测时对应的使用频率；fj，k第j段色带在第k次检测时对应的使用频率；mj，k+1为第j段色带在第k+1次检测时对应的AGV小车的平均载重量；mj，k为第j段色带在第k次检测时对应的AGV小车的平均载重量；a，b，c，d为优化系数。
[0071] 需要说明的是，i.本发明实施例将色带第一次检测到的初始磨损程度作为第一次检测时对应的磨损程度增长速度。
[0072] ii.a，b，c，d均可由多次检测得到的多组相邻两个检测周期所对应的磨损程度增长速度、使用频率和AGV小车的平均载重量经过数据拟合得到。
[0073] 4)进而根据当前第j段色带的实际磨损程度和下一次检测时的磨损程度增长速度得到下一次检测时第j段色带的预测磨损程度，即：
[0074] Mj，k+1′＝Mj，k′+Δvj，k+1t
[0075] 其中，Mj，k+1′为第j段色带在第k+1次检测时对应的预测磨损程度；Mj，k′为第j段色带在第k次检测时对应的实际磨损程度；t为检测周期的相邻检测间隔，本发明实施例中令t＝1。
[0076] 进一步地，由于检测周期较短，故本发明实施例中当检测到下一次色带的预测磨损程度大于或等于第一磨损程度时，也即预测磨损程度为1时，立即将对应的色带进行更换。
[0077] 当下一次色带的预测磨损程度达不到第一磨损程度时，利用由实际磨损程度和预测磨损程度建立的磨损评分模型得到当前色带的磨损评分，进而根据磨损评分更换色带。
[0078] 由于色带造价相对低廉，因此本发明实施例中建立0‑100评分机制，具体的磨损评分模型为：
[0079]
[0080] 其中，Zj为当前第j段色带的磨损评分；ρ为第j段色带在第k次检测时对应的实际磨损程度的权重值；δ为下一次第j段色带在第k+1次检测时对应的预测磨损程度的权重值。
[0081] 优选的，本发明实施例中ρ＝0.6，δ＝0.4。
[0082] 需要说明的是，第一磨损程度所对应的磨损评分为100分。
[0083] 利用磨损评分模型能够得到每段色带的磨损评分结果，然后对色带进行k‑means聚类。本发明实施例中对色带的磨损评分进行分类，分别为0‑25，26‑50，50‑75，75‑100四类，进而根据分类结果进行聚类，且聚类的主要过程为：
[0084] 1)从数据中心随机选择4个对象作为初始聚类中心，本发明实施例中每段色带作为一个对象。
[0085] 2)计算每个聚类对象到每个初始聚类中心的欧式距离，按照距离最近的准则将聚类对象分到距离他们最近的初始聚类中心所对应的类。
[0086] 3)更新聚类中心：将每个类别中所有聚类对象所对应的均值作为该类别的聚类中心，计算目标函数的值。
[0087] 4)判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果；若改变，则返回第二步。
[0088] 进一步地，聚类后能够直观清晰的得到整个色带轨道中各区域的磨损程度，进而本发明实施例将聚类为75‑100分所对应区域的色带进行更换。
[0089] 综上，本发明实施例提供了一种基于人工智能的AGV色带导引轨道磨损程度检测方法，该方法通过获取色带分割图，根据色带分割图检测色带轨道的基准中线，将基准中线所对应的色带进行多段等分，通过将每一段色带的色度得到色带的初始磨损程度，进而对色带进行磨损缺失检测，根据色带的缺失面积和初始磨损程度以确定每一段色带的实际磨损程度，进而根据实际磨损程度更换色带。利用磨损缺失检测的缺失面积来进一步确定色带的磨损程度，能够准确判断色带是否需要更换，进而及时对色带进行更换防止AGV小车的导航精度不准确。
[0090] 基于与上述方法相同的发明构思，本发明实施例还提供了一种基于人工智能的AGV色带导引轨道磨损程度检测系统。
[0091] 参照附图3，本发明实施例提供了一种基于人工智能的AGV色带导引轨道磨损程度检测系统，该系统包括：图像处理单元10、磨损检测单元20以及色带更换单元30。
[0092] 图像处理单元10用于获取色带分割图，根据色带分割图检测色带轨道的基准中线。
[0093] 磨损检测单元20用于将基准中线所对应的色带进行多段等分，通过将每一段色带的色度与标准色度进行比较得到色带的初始磨损程度；对色带进行磨损缺失检测得到缺失面积，在总缺失面积大于总面积阈值、最大缺失面积大于面积阈值或者初始磨损程度大于磨损阈值时，确定更换色带，否则，确定每一段色带的实际磨损程度为初始磨损程度。
[0094] 色带更换单元30用于根据实际磨损程度更换色带。
[0095] 进一步地，参照附图4，色带更换单元30包括磨损预测单元31和评分获取单元32。
[0096] 磨损预测单元31用于当实际磨损程度小于磨损阈值时，根据当前小车的平均载重量、当前色带的使用频率和实际磨损程度、以及当前色带的磨损程度增长速度得到色带下一次使用时的预测磨损程度。
[0097] 评分获取单元32用于利用由实际磨损程度和预测磨损程度建立的磨损评分模型得到当前色带的磨损评分，进而根据磨损评分更换色带。
[0098] 进一步地，参照附图5，磨损检测单元31包括：增长速度检测单元311和磨损判断单元312。
[0099] 增长速度检测单元311中磨损程度增长速度与由上一次色带的使用频率和下一次色带的使用频率得到的比值、由上一次小车的平均载重量和下一次小车的平均载重量得到的比值以及上一次的磨损程度增长速度呈正相关。
[0100] 磨损判断单元312用于在得到色带下一次使用时的预测磨损程度之后，当预测磨损程度大于或等于第一磨损程度时，更换当前色带。
[0101] 进一步地，评分获取单元32还包括评分判断单元，评分判断单元用于当磨损评分到达评分阈值时，更换当前色带。
[0102] 综上所述，本发明实施例提供了一种基于人工智能的AGV色带导引轨道磨损程度检测系统，该系统在图像处理单元10获取色带分割图，根据色带分割图检测色带轨道的基准中线，然后利用磨损检测单元20将基准中线所对应的色带进行多段等分，通过将每一段色带的色度得到色带的初始磨损程度，进而对色带进行磨损缺失检测，根据色带的缺失面积和初始磨损程度以确定每一段色带的实际磨损程度，进而根据实际磨损程度在色带更换单元30更换色带。利用磨损缺失检测的缺失面积来进一步确定色带的磨损程度，能够准确判断色带是否需要更换，进而及时对色带进行更换防止AGV小车的导航精度不准确。
[0103] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0104] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0105] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
