Para melhorar a eficiência de carregamento e descarregamento de contêineres e alcançar a automação de carregamento, com base em visão monocular, combinada com algoritmos de aprendizado profundo e processamento de imagem, analisamos imagens de condições de levantamento de contêineres e analisamos as características da região angular. Para resolver o problema da baixa taxa de pixels da região angular em imagens de alta resolução, propomos um método de "posicionamento grosseiro-segmentação fina". Em seguida, com base no resultado da segmentação, detectamos pontos característicos importantes, construímos pares de pontos 2D-3D e concluímos a estimativa de pose usando o algoritmo L-M. Por fim, realizamos experimentos de posicionamento automático na plataforma de posicionamento do braço robótico AUBO-i10 em laboratório e verificamos a eficácia do algoritmo proposto. Os resultados experimentais mostram que, em ambiente de laboratório e cenário real, a precisão da detecção de cantos do contêiner, representada pela mAP, atinge mais de 95%, e a precisão da segmentação de cantos, representada pelo mIoU, atinge respectivamente 98,15% e 93,89%, que são 1,24% e 1,64% superiores ao modelo original SegFormer-B0, com uma redução de cerca de 23,2% na computação do modelo; a uma distância de cerca de 2m do contêiner, o erro de alinhamento é inferior a 1,0mm, e o erro absoluto de alinhamento de translação automática nos eixos X, Y, Z é inferior a 5,0mm, e o erro absoluto de rotação é inferior a 0,5°. Os resultados demonstram que a precisão do algoritmo proposto neste artigo é confiável e atende aos requisitos de posicionamento automático de peça única.

Visão monocular; Contêiner; Posicionamento automático; Reconhecimento de alvos; Estimativa de pose