李青青，李陈斌，李镇宇，陆可

（1.安徽工业大学管理科学与工程学院，马鞍山243000；2.哈尔滨工业大学计算学部，哈尔滨150013；3.上海应用技术大学经济与管理学院，上海200235）

0 引言

机器视觉被越来越广泛的应用于无人工厂、智能控制等场景中。在工业物流系统中，叉车在搬运和存储环节中扮演着重要角色。然而，大部分工厂内部叉车数量大、运送路线复杂，并且对搬运的货物采用人工统计、纸质保存等传统方式进行管理，难以对叉车的工作效率进行有效评估。因此，本文提出一种基于机器视觉统计装卸货物次数的方法，对叉车工作效率进行分析和记录。

近年来，许多学者在不同领域对机器视觉进行深入研究。物体检测是机器视觉领域的基础性研究，对后续能效管理、自动识别等任务起着至关重要的作用。传统的检测是通过传感器判断托盘货物的状态。文献[1]使用传感器与激光雷达结合，通过联合标定和配准来实现对叉车托盘的检测，但是价格昂贵，无法普及使用。文献[2-3]基于颜色和几何要素生成特征信息，应用具有针对性，但是易受光照与噪声的影响。随着深度学习的发展以及硬件水平的提高，基于深度学习的目标检测技术，取得了划时代的发展。从最初的R-CNN[4]、OverFeat[5]、到后来的Fast R-CNN[6]、进阶版的Faster R-CNN[7]、SSD[8]以及YOLO系列，网络架构实现从双阶段到单阶段的革新。从面向PC端R-CNN到手机端MobileNet[10]，目标检测技术在不同终端上展现了出色的检测效果和性能。文献[11]利用托盘孔位置的焦点特征进行托盘识别，要求存在托盘孔，限制因素较高。……