基于智能无人机的自主库存数据检查框架

《Intelligent Systems with Applications》:Intelligent Drone-Based Framework for Autonomous Inventory Data Inspection

【字体: 大 中 小 】 时间:2026年03月04日 来源:Intelligent Systems with Applications 5.5

编辑推荐:

  本研究引入了一种创新的基于无人机的框架,用于自主库存检查,旨在解决传统库存管理实践中固有的低效和局限性。所提出的系统独特地结合了室内无人机导航与基于深度学习的先进条形码检测和解码,并通过创建直接从仓库环境无人机图像中获取的人工标注条形码数据集进一步增强。与先前

  
本研究引入了一种创新的基于无人机的框架,用于自主库存检查,旨在解决传统库存管理实践中固有的低效和局限性。所提出的系统独特地结合了室内无人机导航与基于深度学习的先进条形码检测和解码,并通过创建直接从仓库环境无人机图像中获取的人工标注条形码数据集进一步增强。与先前通常孤立研究这些技术组件的研究不同,本研究提出了一种全面且统一的方法,促进了高效、非接触且可靠的库存数据收集。利用最先进的深度学习模型,具体为EfficientDet、Faster R-CNN和YOLO,精准识别并解码一维和二维条形码,从而简化了库存识别和数据采集过程。在受控仓库条件下进行的实验评估展示了稳健的性能,条形码检测率高达100%,最低为74.1%,解码准确率介于81.3%至98.6%之间。本研究的主要贡献包括:(1) 开发了首个集成室内无人机导航与基于深度学习(DL)的条形码读取的统一框架,并在真实场景中应用;(2) 创建了一个专为仓库环境定制的全新标注条形码数据集。这些结果突显了该方法在转变库存管理实践以及为工业和商业应用实现可扩展、高效且自主操作方面的巨大潜力。
论文解读文章

**研究背景与问题**

库存管理是物流与供应链管理(Supply Chain Management, SCM)体系中的关键环节,其中库存审计(inventory auditing)是最核心的功能,用于核实实际库存数量与系统记录是否一致。然而,传统的人工盘点方法耗时、耗力、精度低,且存在安全风险。自动化技术如条形码扫描虽提高了效率,但其仍需操作人员近距离手动操作,面临视角受限、光照变化等制约。近年来,无人机(Unmanned Aerial Vehicle, UAV)技术因其高机动性和航拍能力,被探索用于加速库存盘点(速度提升可达50至119倍)。结合计算机视觉(Computer Vision, CV)和深度学习(Deep Learning, DL)的无人机可在GPS信号缺失的室内环境中执行物体检测与识别。然而,现有研究多集中于室外场景,或仅孤立地研究导航、条形码检测或解码中的某一环节。此外,缺乏来自无人机视角的高逼真度、公开可用的条形码数据集,限制了模型验证与跨研究可比性。因此,研究人员提出并验证了一个将室内无人机导航、基于DL的条形码检测与解码集成的统一框架,以应对上述挑战。该论文发表在《Intelligent Systems with Applications》。

**主要关键技术方法**

研究人员采用了以下关键技术:
1. **室内导航模块**:通过融合多个传感器(两个LiDAR V3传感器、超声波传感器、惯性测量单元(IMU))实现无GPS(Global Positioning System, GPS)环境下的精确定位。使用卡尔曼滤波器(Kalman Filter)融合传感器数据,并采用比例-积分-微分(PID)控制器进行航向纠正和漂移抑制。
2. **深度学习条形码检测模型**:采用三种主流的深度卷积神经网络(Deep Convolutional Neural Network, D-CNN)架构——EfficientDet、Faster R-CNN和YOLO(You Only Look Once),分别代表单阶段和双阶段检测范式,用于检测一维(EAN-13)和二维(QR Code)条形码。
3. **数据集构建**:在模拟仓库环境中,通过无人机搭载GoPro HERO 5 Black相机采集视频,自动提取帧并手工标注,创建了两个新的条形码数据集:DroneviewBar_1D(68张图像,含108个带遮挡或损坏的实例)和DroneviewBar_2D(约400个标注实例)。数据集包含2K(2704×1520像素)和Full HD(1920×1080像素)两种分辨率,以及两种飞行速度(0.10 m/s和0.15 m/s)的图像。
4. **条形码解码**:使用Zxing和Zbar两种开源解码软件对检测到的条形码进行解码。

**研究结果**

**1. 无人机操作评估**
在模拟仓库(约120平方米,20个货架,三排排列)中,改进后的无人机(配备额外传感器和嵌入式软件)能够在室内稳定飞行,完成预定的扫描路径。通过卡尔曼滤波融合LiDAR与IMU数据,将横向位置误差控制在±2 cm以内(原始误差可达±10 cm),验证了导航模块的有效性。

**2. 数据集统计**
DroneviewBar_1D和DroneviewBar_2D数据集均通过无人机在受控仓库环境中采集,包含了不同飞行速度和分辨率下的真实条形码图像,且包含背景噪声、遮挡等实际挑战。

**3. 条形码检测与解码性能**
- **检测精度**:在mAP@0.5指标上,所有模型在1D条形码检测中几乎均达到100%。在更严格的mAP@[.5:.95]指标下,YOLO在1D条形码上表现最佳(高达0.995);对于2D条形码,Faster R-CNN表现最优(最高0.992)。EfficientDet在2D条形码检测中最低为0.741。
- **运行时间**:YOLO实现最快的检测速度(最优运行时间1.3–2.4分钟/数据集),优于EfficientDet(约2.2–4.1分钟)和Faster R-CNN(约5.4–6.6分钟)。
- **解码准确率**:使用Zxing解码时,1D条形码解码准确率最高达98.6%(EfficientDet),2D条形码最高达98.2%(Faster R-CNN)。YOLO虽然检测数量最多,但解码准确率略低(1D: 96.7%, 2D: 81.3%)。
- **失败模式分析**:检测失效主要归因于运动模糊(超过50%)、光照不良(22.31%),以及无人机定位偏差(9.52%)。2D条形码的检测错误率是1D条形码的5倍。解码失效中,94.21%源于低噪声评分,98.35%源于低模糊评分。

**总结讨论与结论**

研究人员开发了首个真正统一的无人机框架,集成了室内导航、深度学习条形码检测与解码,并在现实仓库条件下验证了其高准确率和可靠性。系统在受控环境下可实现100%的检测率和最高98.6%的解码准确率,展现出满足工业与商业应用的潜力。然而,系统在未修改仓库或极端光照条件下仍需改进,建议未来通过优化飞行参数、扩充数据集、集成更强健的深度学习模型,以及探索分布式监控系统等方法提升鲁棒性和成本效益。研究结论部分翻译如下:

**结论**
本研究提出了一种开创性的完全集成式无人机框架,用于自主库存检查,标志着对传统库存管理技术的重大进步。该方法的独特性在于将智能室内无人机导航、先进的基于深度学习的条形码检测与稳健的解码集成在一个统一系统中,专为缺乏GNSS(Global Navigation Satellite System, 全球导航卫星系统)信号的环境设计。与先前孤立研究各技术组件的研究不同,本研究首次系统地将它们综合成一个可操作的平台,并在现实仓库条件下严格验证其性能。该框架的创新性体现在硬件层面的传感器融合(LiDAR、超声波、陀螺仪)、自动飞行控制算法(卡尔曼滤波、PID控制),以及基于Arduino的高层级控制架构。此外,对EfficientDet、Faster R-CNN和YOLO三种领先深度学习模型在无人机采集仓库图像上的全面评价,以及创建的新颖手动标注条形码数据集,为该领域的评估提供了独特资源。整个框架成功展示了准确的条形码定位和解码可行性,为端到端自主库存检查设立了新基准。在性能方面,改进后的无人机在室内仓库中可靠稳定运行,无碰撞或操作事故。条形码检测实验结果表明,使用YOLO检测1D条形码和Faster R-CNN检测2D条形码时,系统在受控环境下可获得高至接近完美(100%)的检测和解码准确率。平均检测精度(mAP@[.5-.95])从最高99.5%(YOLO检测1D条形码)到最低74.1%(EfficientDet检测2D条形码);解码准确率YOLO最低(1D: 96.7%, 2D: 81.2%)。这些结果凸显了所提方法满足工业和商业需求的效力与潜力。尽管系统在部分条件下仍存在局限性(如运动模糊和光照不良),但本研究为无人机在仓库库存管理中的实际部署和未来开发提供了坚实基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号