摘要：吨袋作为一种大容量、轻质且装卸便捷的柔性运输包装容器，在散装货物装运中应用广泛。当前，吨袋装卸多依赖人工摘挂钩，自动化程度低。由于工作环境恶劣，这种方式不仅效率低下，还极大增加了工人劳动强度。实现自动化摘挂钩的关键在于对挠性吊带的精准识别与抓取，此技术对于提升装卸效率、改善工作环境及降低人力成本极为迫切且必要。该研究通过图像灰度化处理，将彩色图像转换为灰度图像，减少数据量并突出灰度特征；利用高斯滤波等方法降噪，去除图像中的噪声干扰，提升图像质量；采用Sobel算法进行边缘检测，凸显出吨袋吊带的边缘轮廓；并通过特征提取获取关键特征。随后，运用深度学习技术，构建基于神经网络的吨袋吊带识别模型。训练和测试结果显示：该模型识别准确率高达 97.73%，相较于传统方法有显著提升；F1 分数达 94%，有效平衡了精确度和召回率，在实际工程应用中，可大幅提升装卸效率，降低人工成本，为挠性构件摘挂钩自动化的实现提供了重要的实践参考与借鉴。
文章目录
1 识别方案设计
2 吨袋图像预处理
2.1图像采集
2.2图像灰度化处理
2.3图像降噪处理
2.4图像分割
2.5图像统计特征
2.5.1图像灰度直方图
2.5.2图像均值和方差
3 卷积神经网络模型的构建
4 吨袋吊带试验结果与分析
5 总结
