任朝东，张得礼

(南京航空航天大学机电学院,江苏 南京 210000)

0 引 言

随着社会的快速发展，新能源汽车逐渐进入人们的生活，电动汽车是应用最为广泛的一种。在电动汽车的实际使用中，如何安全高效地为电动汽车充电问题一直困扰着人们。人工操作的电动汽车充电过程存在线路不安全、作业效率低下等问题，因此，一些由机器人代替人工完成充电作业的自动化解决方案应运而生。在这些解决方案中，通常使用视觉或者激光雷达等手段[1]引导机器人实现充电枪的抓取以及与充电插口的插拔对接，所以对于一个机器人自动化充电系统，充电口的检测和识别是其中最重要的部分之一，具有较高的研究价值和意义。

目前的充电口检测算法主要利用充电口自身颜色、形状方面的特性，使用传统手工特征结合机器学习的方式进行检测和识别，而使用基于深度学习的方法进行充电口检测的相关研究较少。

随着硬件算力的提升，基于深度学习的目标检测算法快速发展，相比于传统手工特征，卷积神经网络可以提取目标的高层级语义特征，在自然场景下具有更高的鲁棒性和准确率。

因此，本文提出一种基于Faster-RCNN的充电口检测算法，在自建的充电口数据集上进行训练和测试；设计一种结合显著图像的RPN网络和适用于充电口检测的多尺度MB-LBP特征与Faster-RCNN框架相结合，以获得更高的候选区域召回率和检测准确率。

1 研究现状

目前，应用在充电口的检测和识别方法以传统方法为主。……