基于改进YOLOv11s-pose架构的无人叉车托盘高精度定位算法研究

为解决复杂堆叠遮挡场景下托盘定位精度与效率的难题，研究人员创新性地将迁移学习与优化星型操作融入YOLOv11s-pose架构，通过双域边缘特征增强模块实现多尺度特征高效提取，结合区域聚焦拓扑注意力机制使托盘E型截面12关键点检测精度显著提升。实验显示该模型在服务器端实现95.1%检测准确率与105.6 FPS处理速度，嵌入式部署仍保持44.1 FPS实时性，水平误差<19 mm，为工业自动化物流提供了高稳定性解决方案。

　　

在工业自动化物流场景中，托盘精准定位长期受堆叠遮挡问题的困扰。这项研究提出了一种革命性的解决方案——通过改进的YOLOv11s-pose架构，巧妙融合迁移学习(transfer learning)和优化星型操作，配合双域边缘特征增强模块，实现了多尺度特征的高效提取与融合。研究团队在核尺寸为2的跨阶段局部模块(C3k2)中创新性引入区域聚焦拓扑注意力机制，使托盘E型截面的12个关键点检测精度获得突破性提升。

更令人振奋的是，结合视觉权重与拓扑约束优化的高效透视n点算法(efficient perspective-n-point algorithm)，能够精确计算托盘空间姿态。实验数据亮眼：服务器端模型以95.1%的目标检测精度和94.2%的关键点定位精度，达到105.6帧/秒(FPS)的处理速度；在RK3568开发板嵌入式部署时，仍保持44.1 FPS的实时性能，倾斜角误差<2.9°，水平误差控制在19毫米以内。这项将姿态估计与迁移学习相结合的技术，为复杂工业环境下的物流自动化提供了高精度、高稳定性的全新解决方案。