Um die Effizienz beim Beladen und Entladen von Containern zu verbessern und die Automatisierung von Beladung und Entladung zu erreichen, wurde eine Technologie zur automatischen Ausrichtung von Hebezeugen und Containern auf der Basis von Monovision, kombiniert mit Tiefenlernen und Bildverarbeitungsalgorithmen, vorgeschlagen. Es werden Bilder der Bedingungen für das Anheben und Beladen von Containern, aufgenommen mit einer Monovisionskamera, studiert und die Merkmale des Eckenbereichs analysiert. Um das Problem des geringen Anteils von Eckenpixeln in hochauflösenden Bildern zu lösen, wird eine Methode des 'groben Positionierens - feinen Segmentierens' vorgeschlagen. Anschließend werden auf der Grundlage der Segmentierungsergebnisse Schlüsselpunkte erkannt, 2D-3D-Punkte erstellt und die Pose-Schätzung mit dem L-M-Algorithmus abgeschlossen. Schließlich wurde ein Experiment zur automatischen Ausrichtung auf der AUBO-i10-Positionierplattform im Labor durchgeführt, um die Wirksamkeit der vorgeschlagenen Algorithmen zu überprüfen. Die Ergebnisse des Experiments zeigten, dass die Genauigkeit bei der Erkennung von Container-Ecken in Laborumgebungen und realen Szenarien jeweils über 95% erreicht, die Genauigkeit bei der Eckensegmentierung mIoU erreicht jeweils 98,15% und 93,89% im Vergleich zum ursprünglichen Modell SegFormer-B0, was zu einer Steigerung von 1,24% und 1,64% führte, und das Modellvolumen um etwa 23,2% reduziert wurde; für eine Kamera in einer Entfernung von etwa 2 m von den Ecken der Container ist die Ausrichtungsfehler kleiner als 1,0 mm, der absolute Translationsfehler der automatischen Ausrichtung auf den Achsen X, Y und Z ist kleiner als 5,0 mm und der absolute Rotationsfehler ist kleiner als 0,5°. Die Ergebnisse bestätigen, dass die Genauigkeit der vorgeschlagenen Algorithmen zuverlässig ist und den Bedarf an automatischer Ausrichtung einzelner Ecken erfüllt.

Monovision; Container; automatische Ausrichtung; Zielerkennung; Pose-Schätzung