李永泮 張維忠 羅桂富

摘要： ?針對(duì)傳統(tǒng)的物體體積計(jì)算方法難以準(zhǔn)確計(jì)算實(shí)際郵寄中非規(guī)則包裹（簡稱異形件）體積的問題，本文提出了一種新的基于深度相機(jī)的異形件體積計(jì)算方法。通過深度相機(jī)獲取深度圖像，利用計(jì)算機(jī)視覺中的膨脹及腐蝕等圖像處理方法對(duì)深度圖像進(jìn)行形態(tài)學(xué)處理，去除實(shí)驗(yàn)場景中存在的大量噪聲，利用體積與深度值的關(guān)系計(jì)算出包裹的體積，最后將該算法在青島郵區(qū)中心局及威海郵政進(jìn)行大量的測(cè)試實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該算法的計(jì)算精度達(dá)97%以上，有效解決了郵局中大量異形件無法準(zhǔn)確計(jì)算體積的問題，為計(jì)算貨車實(shí)際裝載率提供了重要的理論依據(jù)。該研究能夠滿足包裹實(shí)時(shí)精準(zhǔn)的體積測(cè)量要求，具有一定的工程應(yīng)用價(jià)值。

關(guān)鍵詞： ?深度相機(jī); 深度圖像; 異形件; 體積計(jì)算

中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A

3 體積計(jì)算

深度圖像中每個(gè)像素所代表的實(shí)際長度不一樣，深度示意圖如圖3所示。圖中，A表示鏡頭所在的點(diǎn)，深度圖像中物體距離鏡頭越近，其所在像素代表的實(shí)際長度越小。設(shè)某個(gè)點(diǎn)所在深度值為h，實(shí)際長度為L，該像素鏡頭的連線與豎直方向夾角為α，則實(shí)際長度為L=2htan α。

3.1 確定包裹所在區(qū)域

將用背景圖處理后的圖像二值化，遍歷檢測(cè)區(qū)域，根據(jù)深度值找到區(qū)域中第一個(gè)物體上的點(diǎn)，再采用類似深度搜索的思想尋找物體上當(dāng)前點(diǎn)周圍的點(diǎn)，依次將這些點(diǎn)存入表示包裹點(diǎn)的vector中。為避免重復(fù)選點(diǎn)，引入一個(gè)500×500的數(shù)組，對(duì)應(yīng)每個(gè)點(diǎn)是否被選取做好標(biāo)記，最終vector中的點(diǎn)即為組成包裹的點(diǎn)。

3.2 判斷包裹是否處于靜止?fàn)顟B(tài)

若靜止檢測(cè)得出貨物為靜止?fàn)顟B(tài)，則不進(jìn)行體積操作;若為運(yùn)動(dòng)狀態(tài)，則計(jì)算獲取兩張圖像中的第一張圖像中貨物的體積。找到貨物上的每個(gè)點(diǎn)，計(jì)算其面積與高度，從而得出體積，然后將貨物上每個(gè)點(diǎn)的體積累加，即為貨物的總體積。

傳送帶速度會(huì)影響體積測(cè)量算法的精度，算法流程圖如圖4所示。當(dāng)傳送帶的實(shí)際速度大于算法運(yùn)行速度時(shí)，某個(gè)貨物實(shí)際計(jì)算的次數(shù)少于程序認(rèn)為應(yīng)該計(jì)算的次數(shù)，即程序認(rèn)為會(huì)捕捉該貨物K次，但由于實(shí)際速度過快，只捕捉了M（M

當(dāng)傳送帶的實(shí)際速度小于算法運(yùn)行速度時(shí)，某個(gè)貨物實(shí)際計(jì)算的次數(shù)多于程序認(rèn)為應(yīng)該計(jì)算的次數(shù)，即程序認(rèn)為捕捉這個(gè)貨物K次，但由于實(shí)際速度過慢，包裹被捕捉到M（M>K）次，導(dǎo)致累加的體積增多，相當(dāng)于重復(fù)計(jì)算了一部分體積，導(dǎo)致最終測(cè)得的體積偏大。特殊情況下，當(dāng)貨物靜止不動(dòng)時(shí)，程序會(huì)重復(fù)計(jì)算當(dāng)前幀下的包裹體積，導(dǎo)致MK，因此計(jì)算得出的實(shí)際體積結(jié)果也會(huì)遠(yuǎn)大于真實(shí)體積值。

4 結(jié)果與分析

將該算法應(yīng)用于青島郵區(qū)中心局和威海郵政進(jìn)行大量的實(shí)驗(yàn)驗(yàn)證。通過在郵局實(shí)地搭建深度相機(jī)，模擬郵局進(jìn)行裝車時(shí)的場景，利用相機(jī)實(shí)時(shí)進(jìn)行體積計(jì)算，實(shí)驗(yàn)中包含大量規(guī)則包裹及異形件，數(shù)據(jù)樣本量充足。

首先對(duì)規(guī)則包裹進(jìn)行模擬體積計(jì)算，規(guī)則包裹體積計(jì)算準(zhǔn)確率如表1所示，表1中，準(zhǔn)確率=（abs（包裹真實(shí)體積算法測(cè)量結(jié)果）/包裹真實(shí)體積）×100%，

然后模擬異形件體積計(jì)算。因?yàn)楫愋渭膶?shí)際體積不方便測(cè)量，本文采用選取固定體積大小的籠箱（青島郵區(qū)中心局的籠箱容積是09 m3），把異形件裝在籠箱內(nèi)，且盡量裝滿不留空隙，然后用算法計(jì)算該籠箱內(nèi)全部包裹的總體積，以此作為算法準(zhǔn)確率的依據(jù)。非規(guī)則包裹體積測(cè)量準(zhǔn)確率如表2所示。由上述實(shí)驗(yàn)結(jié)果可以看出，與傳統(tǒng)的物流包裹體積計(jì)算算法相比，本文提出的算法不僅對(duì)規(guī)則包裹的體積計(jì)算準(zhǔn)確率較高，而且異形件體積的計(jì)算準(zhǔn)確率也達(dá)97%以上。因此，該算法適用于郵局實(shí)際場景中各種情況下包裹的體積計(jì)算，擁有較好的魯棒性。

5 結(jié)束語

針對(duì)計(jì)算物體體積的傳統(tǒng)方法難以解決實(shí)際郵寄中非規(guī)則包裹（簡稱異形件）的體積計(jì)算問題，本文提出了一種新的基于深度相機(jī)的非規(guī)則包裹體積計(jì)算方法。該算法利用形態(tài)學(xué)處理去除噪聲，通過計(jì)算機(jī)視覺方法對(duì)包裹進(jìn)行精準(zhǔn)定位，并對(duì)包裹在深度圖像下每個(gè)像素點(diǎn)體積的累加得到總體積，最后在青島郵區(qū)中心局和威海郵政進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該算法具有較高的準(zhǔn)確率，滿足郵局對(duì)車輛裝載率精確計(jì)算的要求。該研究為智慧物流的建設(shè)提供了一種精準(zhǔn)實(shí)時(shí)的體積計(jì)算手段，不僅能對(duì)規(guī)則包裹的準(zhǔn)確率有很好的延伸，并且針對(duì)非規(guī)則包裹的體積計(jì)算提出了新的思路。下一步的研究重點(diǎn)是當(dāng)若干包裹堆疊或包裹底部有空隙等情況的包裹體積計(jì)算問題。本算法還可結(jié)合動(dòng)態(tài)秤及掃碼相機(jī)對(duì)每個(gè)包裹的信息準(zhǔn)確匹配，從而實(shí)現(xiàn)包裹信息的統(tǒng)一化，便于郵局和用戶準(zhǔn)確掌握包裹動(dòng)向。

參考文獻(xiàn)：

[1] 馮相如. 基于二維圖像規(guī)則物品體積計(jì)算方法研究[D]. 合肥： 中國科學(xué)技術(shù)大學(xué)， 2020.

[2] 馮相如， 朱明. 基于單視圖3D重建的快遞紙箱體積測(cè)量算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2020， 29（10）： 192198.

[3] 邵寶峰. 基于點(diǎn)激光和雙目視覺的貨物尺寸測(cè)量的研究[D]. 大連： 大連理工大學(xué)， 2016.

[4] 張巍， 楊忠根. 基于模型的單視圖線性自標(biāo)定及三維重建算法[J]. 電腦知識(shí)與技術(shù)， 2008（15）： 10651067.

[5] 張葆成. 攝像機(jī)自標(biāo)定及三維重建算法研究[D]. 上海： 上海海事大學(xué)， 2006.

[6] 宓逸舟. 基于雙目視覺的快遞包裹體積計(jì)量系統(tǒng)[D]. 合肥： 合肥工業(yè)大學(xué)， 2017.

[7] 劉翔. 多閾值OTSU快速算法的研究[D]. 長春： 吉林大學(xué)， 2017.

[8] 王安， 王芳榮， 郭柏蒼， 等. 基于邊緣檢測(cè)的視差圖效果優(yōu)化[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2019， 36（7）： 236241.

[9] 孫鵬， 馬鵬博， 郎宇博， 等. 結(jié)合SURF算法的雙目視覺測(cè)距方法[J]. 中國刑警學(xué)院學(xué)報(bào)， 2020（5）： 110116.

[10] 張志剛， 霍曉麗， 周冰. 基于雙目立體視覺的物流包裝箱尺寸測(cè)量研究[J]. 包裝工程， 2020， 41（19）： 230236.

[11] Chen C L Z， Wei J P， Peng C， et al. Improved saliency detection in RGBD images using twophase depth estimation and selective deep fusion[J]. ?IEEE Transactions on Image Processing， 2020， 29： 42964307.

[12] Du Z C， Wu Z Y， Yang J G. Point cloud uncertainty analysis for laser radar measurement system based on error ellipsoid model[J]. Optics & Lasers in Engineering， 2016， 79： 7884.

[13] 韓倩. 基于雙目視覺的攝像頭測(cè)距系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 石家莊： 河北科技大學(xué)， 2019.

[14] 王玉偉， 尹顏朋. 基于RCF邊緣檢測(cè)和雙目視覺的箱體體積測(cè)量算法[J]. 現(xiàn)代計(jì)算機(jī)： 專業(yè)版， 2017（35）： 7174.

[15] 毛琳琳. 基于雙目立體視覺的大堆物料體積測(cè)量方法研究[D]. 杭州： 中國計(jì)量學(xué)院， 2015.

[16] 劉星明， 劉曉利， 張平安， 等. 基于計(jì)算機(jī)視覺的三維重建技術(shù)研究[J]. 深圳信息職業(yè)技術(shù)學(xué)院學(xué)報(bào)， 2013， 11（3）： 1319.

[17] 呂聯(lián)林. 物流包裹動(dòng)態(tài)測(cè)量與分揀系統(tǒng)[D]. 福州： 福州大學(xué)， 2018.

[18] Hsueh J T， Lin C Y. Constructing a network model to rank the optimal strategy for implementing the sorting process in reverse logistics： case study of photovoltaic industry[J]. Clean Technologies and Environmental Policy， 2015， 17（1）： 155174.

[19] Wang X H， Li S， Chen C L Z， et al. Datalevel recombination and lightweight fusion scheme for RGBD salient object detection[J]. ?IEEE Transactions on Image Processing， 2020， 30： 458471.

[20] 李文. 計(jì)算機(jī)視覺中運(yùn)動(dòng)目標(biāo)檢測(cè)算法探究[J]. 數(shù)碼世界， 2019（6）： 5051.