Para melhorar a eficiência da carga e descarga de contêineres e alcançar a automação dessas operações, com base na visão monocular, combinando aprendizado profundo e algoritmos de processamento de imagem, foi proposta uma técnica de alinhamento automático entre o dispositivo de içamento e o contêiner. As imagens das condições de içamento dos contêineres capturadas por uma câmera monocular foram usadas como objeto de estudo, analisando as características da área das cantoneiras. Diante do problema da baixa proporção de pixels das cantoneiras em imagens de alta resolução, foi proposta uma abordagem de processamento "localização bruta - segmentação precisa". Em seguida, com base nos resultados da segmentação, foram detectados pontos característicos-chave, construídas pares de pontos 2D-3D, e a estimação de pose foi realizada por meio do algoritmo L-M. Por fim, experimentos de alinhamento automático foram realizados na plataforma de posicionamento do braço robótico AUBO-i10 no laboratório para validar a eficácia do algoritmo proposto. Os resultados experimentais mostram que, tanto em ambiente de laboratório quanto em cenários reais, a precisão na detecção das cantoneiras dos contêineres atingiu valores de mAP acima de 95%, a precisão da segmentação das cantoneiras (mIoU) alcançou 98,15% e 93,89%, respectivamente, apresentando melhorias de 1,24% e 1,64% em comparação ao modelo original SegFormer-B0, enquanto a carga computacional do modelo reduziu cerca de 23,2%; quando a câmera está a aproximadamente 2 m das cantoneiras do contêiner, o erro de mira na posição de alinhamento é inferior a 1,0 mm, o erro absoluto de translação no autoalinhamento nos eixos X, Y, Z é inferior a 5,0 mm, e o erro absoluto de rotação é inferior a 0,5°. Os resultados comprovam que o algoritmo proposto neste artigo é preciso, confiável e atende aos requisitos de alinhamento automático de cantoneiras individuais.

visão monocular;contêiner;alinhamento automático;reconhecimento de objetivo;estimação de pose