CN116645297B - 基于人工智能的agv叉车控制方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及基于人工智能的AGV叉车控制方法，包括：根据灰度图像得到每个方向的连通域，根据连通域得到每个方向边缘连通域与初始阈值；根据边缘连通域数量与灰度差异得到偏差程度，根据初始阈值对偏差程度进行修正得到每个方向边缘连通域的修正偏差程度，根据修正偏差程度差异得到每个方向边缘连通域的置信度，根据每个方向边缘连通域的置信度与每个方向边缘连通域的修正偏差程度得到每个方向的偏移程度；根据不同方向的偏移程度得到模糊核大小与方向，并根据模糊核大小与方向进行去模糊影响，进行人工智能AGV叉车控制。本发明对复杂图像得到更加准确合适的模糊核，从而得到更清晰的还原图像。

Description

基于人工智能的AGV叉车控制方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于人工智能的AGV叉车控制方法。

背景技术

AGV叉车是指装备有电磁或光学等自动导航装置，可沿指定路径行驶、具有安全保护以及各种移载功能的运输车；而在AGV叉车行驶过程中，通过视觉系统获取的环境中的图像信息的清晰程度直接会影响导航装置对路径的规划判断，由于AGV叉车在行驶过程中采集的图像信息中会因设备抖动存在模糊现象，因此需要对视觉系统采集的图像信息进行图像增强。

盲去模糊化作为常用的图像增强方式之一，通过对不同图像获取不同的模糊核，并根据模糊核对原图像进行去模糊化，从而得到清晰图像，但由于图像信息的复杂性，导致获取的模糊核的大小与角度并不合适对应的图像，从而不能得到良好的清晰图像，为了解决这一问题，本发明提出了一种基于人工智能的AGV叉车控制方法。

发明内容

本发明提供基于人工智能的AGV叉车控制方法，以解决现有的问题。

本发明的基于人工智能的AGV叉车控制方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的AGV叉车控制方法，该方法包括以下步骤：

采集环境图像并进行预处理得到灰度图像；

对灰度图像进行边缘检测得到竖直方向边缘检测图像、水平方向边缘检测图像，分别根据竖直方向边缘检测图像、水平方向边缘检测图像上每个连通域的面积与灰度得到水平方向上的边缘连通域与竖直方向上的边缘连通域以及边缘连通域的初始阈值；

将竖直方向上的每个边缘连通域中同一竖直方向的像素点构成的连通域记为纵向连通域，将水平方向上的每个边缘连通域中同一水平方向的像素点构成的连通域记为横向连通域，根据纵向连通域数量以及灰度差异、横向连通域的数量以及灰度差异得到每个方向边缘连通域的偏差程度，根据每个方向边缘连通域的初始阈值对每个方向边缘连通域的偏差程度进行修正得到每个方向边缘连通域的修正偏差程度，根据每个方向边缘连通域之间的修正偏差程度差异得到每个方向边缘连通域的置信度，根据每个方向边缘连通域的置信度与每个方向边缘连通域的修正偏差程度得到每个方向的偏移程度；

根据不同方向的偏移程度得到模糊核大小与方向，并根据模糊核大小与方向进行去模糊影响，进行人工智能AGV叉车控制。

优选的，所述对灰度图像进行边缘检测得到竖直方向边缘检测图像、水平方向边缘检测图像，包括的具体方法为：

预设一个梯度阈值以及一个下限阈值，使用边缘检测技术从梯度阈值开始，步长为1，依次分别向下遍历阈值进行水平方向与竖直方向上的边缘检测，直至阈值达到下限阈值停止遍历，并将每次遍历得到一个水平方向上的边缘检测图像、竖直方向上的边缘检测图像，遍历完成后得到若干个水平方向上的边缘检测图像、竖直方向上的边缘检测图像，分别将若干个水平方向上的边缘检测图像、若干个竖直方向上的边缘检测图像进行叠加求和得到一个水平方向边缘检测图像、竖直方向边缘检测图像。

优选的，所述分别根据竖直方向边缘检测图像、水平方向边缘检测图像上每个连通域的面积与灰度得到水平方向上的边缘连通域与竖直方向上的边缘连通域以及边缘连通域的初始阈值，包括的具体方法为：

预设一个连通域面积阈值以及一个连通域外接矩形边长阈值，将连通域面积大于连通域面积阈值，连通域外接矩形的最大边长大于连通域外接矩形边长阈值，连通域内灰度均值不为0的连通域记为边缘连通域，将每个边缘连通域在边缘检测阈值遍历的过程中第一次出现时的阈值记为初始阈值；

获取水平方向上所有的边缘连通域与竖直方向上所有的边缘连通域以及对应边缘连通域的初始阈值。

优选的，所述根据纵向连通域数量以及灰度差异、横向连通域的数量以及灰度差异得到每个方向边缘连通域的偏差程度，包括的具体方法为：

所述每个方向边缘连通域的偏差程度包括竖直方向边缘检测图像中边缘连通域的偏差程度和水平方向边缘检测图像中边缘连通域的偏差程度；

竖直方向边缘检测图像中边缘连通域的偏差程度的获取方法为：

式中，Y表示竖直方向边缘检测图像中边缘连通域的偏差程度；n1表示竖直方向边 缘检测图像中边缘连通域中纵向连通域的数量；表示竖直方向边缘检测图像中边缘连通 域中第个纵向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的累加和； 表示竖直方向边缘检测图像中第个纵向连通域内所有像素点与灰度图像中对应位置像素 点灰度差值的均值；表示第个纵向连通域的面积；

水平方向边缘检测图像中边缘连通域的偏差程度的获取方法为：

式中，X表示水平方向边缘检测图像中边缘连通域的偏差程度；n2表示水平方向边 缘检测图像中边缘连通域中横向连通域的数量；表示水平方向边缘检测图像中边缘连 通域中第z个横向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的累加和；表示水平方向边缘检测图像中第z个横向连通域内所有像素点与灰度图像中对应位置 像素点灰度差值的均值；表示第z个横向连通域的面积。

优选的，所述根据每个方向边缘连通域的初始阈值对每个方向边缘连通域的偏差程度进行修正得到每个方向边缘连通域的修正偏差程度，包括的具体方法为：

所述每个方向边缘连通域的修正偏差程度包括竖直方向边缘检测图像中边缘连通域的修正偏差程度和水平方向边缘检测图像中边缘连通域的修正偏差程度；

竖直方向边缘检测图像中边缘连通域的修正偏差程度的获取方法为：

式中，Y1表示竖直方向边缘检测图像中边缘连通域的修正偏差程度；Y表示竖直方向边缘检测图像中边缘连通域的偏差程度；t表示竖直方向边缘检测图像中边缘连通域的初始阈值；t2表示竖直方向边缘检测图像中边缘连通域的初始阈值的最大值；

水平方向边缘检测图像中边缘连通域的修正偏差程度的获取方法为：

式中，X1表示水平方向边缘检测图像中边缘连通域的修正偏差程度；X表示水平方向边缘检测图像中边缘连通域的偏差程度；t1表示水平方向边缘检测图像中边缘连通域的初始阈值；t3表示水平方向边缘检测图像中边缘连通域的初始阈值的最大值。

优选的，所述根据每个方向边缘连通域之间的修正偏差程度差异得到每个方向边缘连通域的置信度，包括的具体方法为：

所述每个方向边缘连通域的置信度包括竖直方向边缘检测图像中边缘连通域的置信度和水平方向边缘检测图像中边缘连通域的置信度；

竖直方向边缘检测图像中边缘连通域的置信度获取方法为：

式中，P1表示竖直方向边缘检测图像中边缘连通域的置信度；表示竖直方向边 缘检测图像中距离边缘连通域最近的边缘连通域与边缘连通域修正偏差程度的差值绝对 值；表示竖直方向边缘检测图像中边缘连通域与其他边缘连通域修正偏差程度 的差值绝对值最大值；表示以自然常数为底的指数函数；

水平方向边缘检测图像中边缘连通域的置信度的获取方法为：

式中，P2表示水平方向边缘检测图像中边缘连通域的置信度；表示水平方向 边缘检测图像中距离边缘连通域最近的边缘连通域与边缘连通域修正偏差程度的差值绝 对值；表示水平方向边缘检测图像中边缘连通域与其他边缘连通域修正偏差程 度的差值绝对值最大值。

优选的，所述根据每个方向边缘连通域的置信度与每个方向边缘连通域的修正偏差程度得到每个方向的偏移程度，包括的具体方法为：

所述每个方向的偏移程度包括竖直方向上的偏移程度与水平方向上的偏移程度；

竖直方向上的偏移程度的获取方法为：

式中，表示灰度图像在竖直方向上的偏移程度；N表示竖直方向边缘检测图像 中包含的边缘连通域数量；表示竖直方向边缘检测图像中第i个边缘连通域的置信度；表示竖直方向边缘检测图像中第i个边缘连通域的修正偏差程度；

水平方向上的偏移程度的获取方法为：

式中，表示灰度图像在水平方向上的偏移程度；N1表示水平方向边缘检测图像 中包含的边缘连通域数量；表示水平方向边缘检测图像中第r个边缘连通域的置信度；表示水平方向边缘检测图像中第r个边缘连通域的修正偏差程度。

优选的，所述根据不同方向的偏移程度得到模糊核大小与方向，包括的具体方法为：

将灰度图像在竖直方向上的偏移程度与灰度图像在水平方向上的偏移程度的求和结果记为第一求和；将第一求和开根号结果记为灰度图像模糊核初始大小；在灰度图像模糊核初始大小向上取整的方向上，将最接近初始大小的奇数记为灰度图像的模糊核大小；

将灰度图像在竖直方向上的偏移程度与灰度图像在水平方向上的偏移程度比值记为第一比值；将第一比值的反正切函数结果记为灰度图像模糊核角度。

本发明的技术方案的有益效果是：本发明通过对图像进行不同方向的边缘检测得到对应方向的边缘连通域以及对应的初始阈值，根据边缘连通域得到偏差程度，根据偏差程度与初始阈值对进行偏差程度进行修正得到修正偏差程度，根据修正偏差程度得到置信度，根据置信度与修正偏差程度得到对应方向的偏移程度，最终确定模糊核的大小与方向，相较于现有技术，本发明可以对复杂图像得到更加准确合适的模糊核，从而得到更清晰的还原图像。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于人工智能的AGV叉车控制方法的步骤流程图；

图2为本发明的水平方向边缘检测示意图；

图3为本发明的竖直方向边缘检测示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的AGV叉车控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的AGV叉车控制方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的AGV叉车控制方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集环境图像并进行预处理得到灰度图像。

需要说明的是，盲去模糊化作为常用的图像增强方式之一，通过对不同图像获取不同的模糊核，并根据模糊核对原图像进行去模糊化，从而得到清晰图像，但由于图像信息的复杂性，导致获取的模糊核的大小与角度并不合适对应的图像，从而不能得到良好的清晰图像，为了解决这一问题，本实施例提出了一种基于人工智能的AGV叉车控制方法。

具体的，为了实现本实施例提出的基于人工智能的AGV叉车控制方法，首先需要采集环境图像，具体过程为：启动AGV叉车，使AGV叉车按照预定总路程为10米的路线以每秒0.2米的速度行驶，每2秒采集一次AGV叉车的摄像设备中所记录的环境图像，并进行线性灰度化转换得到灰度图像，其中灰度图像数量为10/0.2/2=25。本实施例以任意一张灰度图像为例进行叙述。

至此，通过上述方法得到灰度图像。

步骤S002：对灰度图像进行边缘检测，通过不同方向连通域分析得到水平方向上与竖直方向上的边缘连通域以及对应的初始阈值。

需要说明的是，在灰度图像发生模糊的过程中，图像中的不同物体边缘处的像素点与周围像素点之间的灰度梯度会降低，从而使原本面积较小的边缘变化为一个较大的边缘；由于在不同方向的模糊核下，对应方向下的边缘的模糊程度也会不同，因此可以根据水平与竖直方向上的边缘，来表征模糊核的特征。

具体的，预设一个梯度阈值T1以及一个下限阈值T2，其中本实施例以T1=255、T2=20为例进行叙述，本实施例不进行具体限定，其中T1、T2可根据具体实施情况而定。使用边缘检测技术从梯度阈值T1开始，步长为1，依次分别向下遍历阈值进行水平方向与竖直方向上的边缘检测，直至阈值达到下限阈值T2停止遍历，并将每次遍历得到一个水平方向上的边缘检测图像、竖直方向上的边缘检测图像，遍历完成后得到若干个水平方向上的边缘检测图像、竖直方向上的边缘检测图像，分别将若干个水平方向上的边缘检测图像、若干个竖直方向上的边缘检测图像进行叠加求和得到一个水平方向边缘检测图像、竖直方向边缘检测图像。

本实施例以水平方向上的边缘检测为例进行叙述，获取水平方向上的边缘检测图像中所有连通域，将连通域面积大于S，连通域外接矩形的最大边长大于k，连通域内灰度均值不为0的连通域记为边缘连通域。在边缘检测阈值遍历的过程中，每个边缘连通域第一次出现时的梯度阈值记为每个边缘连通域的初始阈值；获取水平方向上所有的边缘连通域；参考水平方向上所有边缘连通域以及对应初始阈值的获取方法，获取竖直方向上所有的边缘连通域以及对应的初始阈值。其中边缘检测技术是Sobel算子边缘检测，该技术是公知技术，本实施例不进行叙述；本实施例以S=20、k=10为例进行叙述，本实施例不进行具体限定，其中S、k可根据具体实施情况而定；请参阅图2，其示出了水平方向边缘检测示意图，请参阅图3，其示出了竖直方向边缘检测示意图。

至此，通过上述方法获取水平方向上所有的边缘连通域与竖直方向上所有的边缘连通域以及对应的初始阈值。

步骤S003：根据边缘连通域得到不同方向的偏差程度，根据初始阈值对偏差程度进行修正得到不同方向的修正偏差程度，根据修正偏差程度得到不同方向的置信度，根据置信度得到不同方向的偏移程度。

需要说明的是，由于水平方向上的边缘连通域与竖直方向上的边缘连通域在对应方向上的理想灰度上都存在一定的偏差程度，但偏差程度产生的实际效果并不一定能反映边缘模糊对实际观测的影响，所以需要对所有边缘连通域的偏差程度进行一定程度的修正；而修正后的偏差程度又因对应边缘连通域的模糊方向与水平或竖直方向的夹角不同，导致修正后的偏差程度有时并不能很好地表示对应模糊方向上的偏差程度，所以可以通过判断边缘连通域的模糊方向，通过结合模糊方向与边缘连通域的水平与竖直的边缘方向得到对应边缘连通域的置信度，然后可根据置信度确定图像在对应方向上实际的偏移程度。

1．获取灰度图像竖直方向上的偏移程度的获取方法为：

具体的，将竖直方向边缘检测图像中边缘连通域中同一竖直方向的像素点构成的连通域记为纵向连通域，其中每个边缘连通域中存在多个纵向连通域；本实施例以竖直方向边缘检测图像中的任意一个边缘连通域为例进行叙述，该边缘连通域的偏差程度的计算公式为：

式中，Y表示竖直方向边缘检测图像中该边缘连通域的偏差程度；n1表示竖直方向 边缘检测图像中该边缘连通域中纵向连通域的数量；表示竖直方向边缘检测图像中该边 缘连通域中第个纵向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的累加 和，记为第个纵向连通域的第一灰度差，若第一灰度差越大，则该边缘连通域的偏差程度 越小；表示竖直方向边缘检测图像中第个纵向连通域内所有像素点与灰度图像中对应 位置像素点灰度差值的均值，若均值越大，则该边缘连通域的偏差程度越大；表示第个 纵向连通域的面积。

获取竖直方向边缘检测图像中其他边缘连通域的偏差程度；获取竖直方向边缘检测图像中所有边缘连通域的偏差程度。

进一步的，对竖直方向边缘检测图像中所有边缘连通域的偏差程度进行修正，得到修正后的偏差程度，记为修正偏差程度；竖直方向边缘检测图像中该边缘连通域的修正偏差程度的计算公式为：

式中，Y1表示竖直方向边缘检测图像中该边缘连通域的修正偏差程度；Y表示竖直方向边缘检测图像中该边缘连通域的偏差程度；t表示竖直方向边缘检测图像中该边缘连通域的初始阈值；t2表示竖直方向边缘检测图像中该边缘连通域的初始阈值的最大值。

获取竖直方向边缘检测图像中其他边缘连通域的修正偏差程度；获取竖直方向边缘检测图像中所有边缘连通域的修正偏差程度。

进一步的，竖直方向边缘检测图像中该边缘连通域的置信度的计算公式为：

式中，P1表示竖直方向边缘检测图像中该边缘连通域的置信度；表示竖直方向 边缘检测图像中距离该边缘连通域最近的边缘连通域与该边缘连通域修正偏差程度的差 值绝对值；表示竖直方向边缘检测图像中该边缘连通域与其他边缘连通域修正 偏差程度的差值绝对值最大值；表示以自然常数为底的指数函数，本实施例采用函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归 一化函数。

获取竖直方向边缘检测图像中其他边缘连通域的置信度；获取竖直方向边缘检测图像中所有边缘连通域的置信度。

进一步的，灰度图像在竖直方向上偏移程度的计算公式为：

式中，表示灰度图像在竖直方向上的偏移程度；N表示竖直方向边缘检测图像 中包含的边缘连通域数量；表示竖直方向边缘检测图像中第i个边缘连通域的置信度；表示竖直方向边缘检测图像中第i个边缘连通域的修正偏差程度。

获取灰度图像在竖直方向上的偏移程度。

至此，获取灰度图像在竖直方向上的偏移程度。

2. 获取水平方向边缘检测图像中边缘连通域的偏移程度的获取方法为：

具体的，将水平方向边缘检测图像中边缘连通域中同一水平方向的像素点构成的连通域记为横向连通域，其中每个边缘连通域中存在多个横向连通域；本实施例以水平方向边缘检测图像中的任意一个边缘连通域为例进行叙述，该边缘连通域的偏差程度的计算公式为：

式中，X表示水平方向边缘检测图像中该边缘连通域的偏差程度；n2表示水平方向 边缘检测图像中该边缘连通域中横向连通域的数量；表示水平方向边缘检测图像中该 边缘连通域中第z个横向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的累 加和，记为第z个横向连通域的第一灰度差，若第一灰度差越大，则该边缘连通域的偏差程 度越小；表示水平方向边缘检测图像中该边缘连通域中第z个横向连通域内所有像素点 与灰度图像中对应位置像素点灰度差值的均值，若均值越大，则该边缘连通域的偏差程度 越大；表示第z个横向连通域的面积。

获取水平方向边缘检测图像中其他边缘连通域的偏差程度；获取水平方向边缘检测图像中所有边缘连通域的偏差程度。

进一步的，对水平方向边缘检测图像中所有边缘连通域的偏差程度进行修正，得到修正后的偏差程度，记为修正偏差程度；水平方向边缘检测图像中该边缘连通域的修正偏差程度的计算公式为：

式中，X1表示水平方向边缘检测图像中该边缘连通域的修正偏差程度；X表示水平方向边缘检测图像中该边缘连通域的偏差程度；t1表示水平方向边缘检测图像中该边缘连通域的初始阈值；t3表示水平方向边缘检测图像中该边缘连通域的初始阈值的最大值。

获取水平方向边缘检测图像中其他边缘连通域的修正偏差程度；获取水平方向边缘检测图像中所有边缘连通域的修正偏差程度。

进一步的，水平方向边缘检测图像中该边缘连通域的置信度的计算公式为：

式中，P2表示水平方向边缘检测图像中该边缘连通域的置信度；表示水平方 向边缘检测图像中距离该边缘连通域最近的边缘连通域与该边缘连通域修正偏差程度的 差值绝对值；表示水平方向边缘检测图像中该边缘连通域与其他边缘连通域修 正偏差程度的差值绝对值最大值；表示以自然常数为底的指数函数，本实施例采用函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归 一化函数。

获取水平方向边缘检测图像中其他边缘连通域的置信度；获取水平方向边缘检测图像中所有边缘连通域的置信度。

进一步的，灰度图像在水平方向上偏移程度的计算公式为：

式中，表示灰度图像在水平方向上的偏移程度；N1表示水平方向边缘检测图像 中包含的边缘连通域数量；表示水平方向边缘检测图像中第r个边缘连通域的置信度；表示水平方向边缘检测图像中第r个边缘连通域的修正偏差程度。

获取灰度图像在水平方向上的偏移程度。

至此，获取灰度图像在水平方向上的偏移程度。

至此，获取灰度图像在竖直方向上的偏移程度与灰度图像在水平方向上的偏移程度。

步骤S004：根据不同方向的偏移程度得到模糊核大小与方向，并根据模糊核大小与方向进行反卷积运算去模糊影响，进行人工智能AGV叉车控制。

具体的，模糊核大小的获取方法为：

式中，M表示灰度图像模糊核初始大小；表示灰度图像在竖直方向上的偏移程 度；表示灰度图像在水平方向上的偏移程度。

在灰度图像模糊核初始大小向上取整的方向上，将最接近初始大小的奇数记为灰度图像的模糊核大小。

获取灰度图像模糊核大小。

进一步的，以模糊核中心的水平线为起始线，逆时针记录度数，将记录的度数作为模糊核角度，模糊核角度的计算公式为：

式中，表示灰度图像模糊核角度；表示灰度图像在竖直方向上的偏移程度； 表示灰度图像在水平方向上的偏移程度。

获取灰度图像模糊核角度。

将灰度图像以及灰度图像中模糊核的大小与角度输入反卷积算法，输出得到去模糊的清晰图像，将清晰图像后，将其作为初始图像输入YOLOv3算法，对于输入图像进行多次下采样处理，分别检测不同尺度的物体；损失函数由目标物体置信度损失，目标物体类别损失，置信度背景损失以及边界框坐标损失加权平均，作为YOLOv3算法的总损失函数，其中目标物体类别损失函数采用交叉熵作为度量标准，其他三类采用均方误差作为度量标准；输出集为边界框，目标类别以及每个边界框的置信度得分。通过检测结果的物体进行跟踪，帮助车辆确定它们的位置和运动状态，以达到规划车辆的行进路线的目的。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于人工智能的AGV叉车控制方法，其特征在于，该方法包括以下步骤：

采集环境图像并进行预处理得到灰度图像；

对灰度图像进行边缘检测得到竖直方向边缘检测图像、水平方向边缘检测图像，分别根据竖直方向边缘检测图像、水平方向边缘检测图像上每个连通域的面积与灰度得到水平方向上的边缘连通域与竖直方向上的边缘连通域以及边缘连通域的初始阈值；

将竖直方向上的每个边缘连通域中同一竖直方向的像素点构成的连通域记为纵向连通域，将水平方向上的每个边缘连通域中同一水平方向的像素点构成的连通域记为横向连通域，根据纵向连通域数量以及灰度差异、横向连通域的数量以及灰度差异得到每个方向边缘连通域的偏差程度，根据每个方向边缘连通域的初始阈值对每个方向边缘连通域的偏差程度进行修正得到每个方向边缘连通域的修正偏差程度，根据每个方向边缘连通域之间的修正偏差程度差异得到每个方向边缘连通域的置信度，根据每个方向边缘连通域的置信度与每个方向边缘连通域的修正偏差程度得到每个方向的偏移程度；

根据不同方向的偏移程度得到模糊核大小与方向，并根据模糊核大小与方向进行去模糊影响，进行人工智能AGV叉车控制。

2.根据权利要求1所述基于人工智能的AGV叉车控制方法，其特征在于，所述对灰度图像进行边缘检测得到竖直方向边缘检测图像、水平方向边缘检测图像，包括的具体方法为：

预设一个梯度阈值以及一个下限阈值，使用边缘检测技术从梯度阈值开始，步长为1，依次分别向下遍历阈值进行水平方向与竖直方向上的边缘检测，直至阈值达到下限阈值停止遍历，并将每次遍历得到一个水平方向上的边缘检测图像、竖直方向上的边缘检测图像，遍历完成后得到若干个水平方向上的边缘检测图像、竖直方向上的边缘检测图像，分别将若干个水平方向上的边缘检测图像、若干个竖直方向上的边缘检测图像进行叠加求和得到一个水平方向边缘检测图像、竖直方向边缘检测图像。

3.根据权利要求1所述基于人工智能的AGV叉车控制方法，其特征在于，所述分别根据竖直方向边缘检测图像、水平方向边缘检测图像上每个连通域的面积与灰度得到水平方向上的边缘连通域与竖直方向上的边缘连通域以及边缘连通域的初始阈值，包括的具体方法为：

预设一个连通域面积阈值以及一个连通域外接矩形边长阈值，将连通域面积大于连通域面积阈值，连通域外接矩形的最大边长大于连通域外接矩形边长阈值，连通域内灰度均值不为0的连通域记为边缘连通域，将每个边缘连通域在边缘检测阈值遍历的过程中第一次出现时的阈值记为初始阈值；

获取水平方向上所有的边缘连通域与竖直方向上所有的边缘连通域以及对应边缘连通域的初始阈值。

4.根据权利要求1所述基于人工智能的AGV叉车控制方法，其特征在于，所述根据纵向连通域数量以及灰度差异、横向连通域的数量以及灰度差异得到每个方向边缘连通域的偏差程度，包括的具体方法为：

所述每个方向边缘连通域的偏差程度包括竖直方向边缘检测图像中边缘连通域的偏差程度和水平方向边缘检测图像中边缘连通域的偏差程度；

竖直方向边缘检测图像中边缘连通域的偏差程度的获取方法为：

式中，Y表示竖直方向边缘检测图像中边缘连通域的偏差程度；n1表示竖直方向边缘检测图像中边缘连通域中纵向连通域的数量；表示竖直方向边缘检测图像中边缘连通域中第/>个纵向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的累加和；/>表示竖直方向边缘检测图像中第/>个纵向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的均值；/>表示第/>个纵向连通域的面积；

水平方向边缘检测图像中边缘连通域的偏差程度的获取方法为：

式中，X表示水平方向边缘检测图像中边缘连通域的偏差程度；n2表示水平方向边缘检测图像中边缘连通域中横向连通域的数量；表示水平方向边缘检测图像中边缘连通域中第z个横向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的累加和；/>表示水平方向边缘检测图像中第z个横向连通域内所有像素点与灰度图像中对应位置像素点灰度差值的均值；/>表示第z个横向连通域的面积。

5.根据权利要求1所述基于人工智能的AGV叉车控制方法，其特征在于，所述根据每个方向边缘连通域的初始阈值对每个方向边缘连通域的偏差程度进行修正得到每个方向边缘连通域的修正偏差程度，包括的具体方法为：

所述每个方向边缘连通域的修正偏差程度包括竖直方向边缘检测图像中边缘连通域的修正偏差程度和水平方向边缘检测图像中边缘连通域的修正偏差程度；

竖直方向边缘检测图像中边缘连通域的修正偏差程度的获取方法为：

式中，Y1表示竖直方向边缘检测图像中边缘连通域的修正偏差程度；Y表示竖直方向边缘检测图像中边缘连通域的偏差程度；t表示竖直方向边缘检测图像中边缘连通域的初始阈值；t2表示竖直方向边缘检测图像中边缘连通域的初始阈值的最大值；

水平方向边缘检测图像中边缘连通域的修正偏差程度的获取方法为：

式中，X1表示水平方向边缘检测图像中边缘连通域的修正偏差程度；X表示水平方向边缘检测图像中边缘连通域的偏差程度；t1表示水平方向边缘检测图像中边缘连通域的初始阈值；t3表示水平方向边缘检测图像中边缘连通域的初始阈值的最大值。

6.根据权利要求1所述基于人工智能的AGV叉车控制方法，其特征在于，所述根据每个方向边缘连通域之间的修正偏差程度差异得到每个方向边缘连通域的置信度，包括的具体方法为：

所述每个方向边缘连通域的置信度包括竖直方向边缘检测图像中边缘连通域的置信度和水平方向边缘检测图像中边缘连通域的置信度；

竖直方向边缘检测图像中边缘连通域的置信度获取方法为：

式中，P1表示竖直方向边缘检测图像中边缘连通域的置信度；表示竖直方向边缘检测图像中距离边缘连通域最近的边缘连通域与边缘连通域修正偏差程度的差值绝对值；表示竖直方向边缘检测图像中边缘连通域与其他边缘连通域修正偏差程度的差值绝对值最大值；/>表示以自然常数为底的指数函数；

水平方向边缘检测图像中边缘连通域的置信度的获取方法为：

式中，P2表示水平方向边缘检测图像中边缘连通域的置信度；表示水平方向边缘检测图像中距离边缘连通域最近的边缘连通域与边缘连通域修正偏差程度的差值绝对值；表示水平方向边缘检测图像中边缘连通域与其他边缘连通域修正偏差程度的差值绝对值最大值。

7.根据权利要求1所述基于人工智能的AGV叉车控制方法，其特征在于，所述根据每个方向边缘连通域的置信度与每个方向边缘连通域的修正偏差程度得到每个方向的偏移程度，包括的具体方法为：

所述每个方向的偏移程度包括竖直方向上的偏移程度与水平方向上的偏移程度；

竖直方向上的偏移程度的获取方法为：

式中，表示灰度图像在竖直方向上的偏移程度；N表示竖直方向边缘检测图像中包含的边缘连通域数量；/>表示竖直方向边缘检测图像中第i个边缘连通域的置信度；/>表示竖直方向边缘检测图像中第i个边缘连通域的修正偏差程度；

水平方向上的偏移程度的获取方法为：

式中，表示灰度图像在水平方向上的偏移程度；N1表示水平方向边缘检测图像中包含的边缘连通域数量；/>表示水平方向边缘检测图像中第r个边缘连通域的置信度；/>表示水平方向边缘检测图像中第r个边缘连通域的修正偏差程度。

8.根据权利要求1所述基于人工智能的AGV叉车控制方法，其特征在于，所述根据不同方向的偏移程度得到模糊核大小与方向，包括的具体方法为：

将灰度图像在竖直方向上的偏移程度与灰度图像在水平方向上的偏移程度的求和结果记为第一求和；将第一求和开根号结果记为灰度图像模糊核初始大小；在灰度图像模糊核初始大小向上取整的方向上，将最接近初始大小的奇数记为灰度图像的模糊核大小；

将灰度图像在竖直方向上的偏移程度与灰度图像在水平方向上的偏移程度比值记为第一比值；将第一比值的反正切函数结果记为灰度图像模糊核角度。