[发明专利]基于深度学习的3D零部件吸取方法

说明书

技术领域

本发明涉及机器人技术领域，具体涉及一种基于深度学习的3D零部件吸取方法。

背景技术

3D零部件的吸取是智能制造领域的一个典型技术难题。工厂里的零部件出库时，不仅形状不统一，而且很多时候处于杂乱无章的状态。目前，使用机器人进行3D零部件的吸取，主要依靠3D机器视觉定位技术，但是该技术有两个不足点：

第一，不同形状的零部件需要用到不同的算法进行匹配，零部件变化时需要更改算法；

第二，参数的调试依赖于视觉工程师的熟练程度，而且更换工作环境时还需要进行新的调试，加大了技术应用的难度。

有鉴于此，急需提供一种新的方式进行3D零部件的吸取，克服现有3D机器视觉定位技术中存在的不足，提高机器人的智能性。

发明内容

本发明所要解决的技术问题是现有3D零部件的吸取方式存在机器视觉定位不足的问题。

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于深度学习的3D零部件吸取方法，包括自主训练和吸取两大步骤，其中：

自主训练步骤包括多次重复的以下步骤：

针对要吸取的3D零部件，随机生成平面坐标为XY的吸取点，并利用激光位移传感器获取该吸取点的深度坐标Z；

利用相机采集以吸取点的XY坐标为中心点的矩形区域二维图像信息，并结合吸取点的深度坐标Z，指挥机器人利用空压吸盘对准矩形区域吸取3D零部件；

利用空压吸盘上的空气压力传感器采集机器人吸取零部件成功或失败的吸取结果标签；

把矩形区域的二维图像信息和吸取结果标签输入深层卷积神经网络进行训练；

吸取步骤包括：

利用相机采集要吸取的3D零部件的二维图像信息；

将二维图像信息随机生成多个矩形区域图像；

根据深层卷积神经网络训练结果，获取吸取结果标签中成功标签概率最高的矩形区域图像中心点坐标；

根据矩形区域图像中心点坐标，利用激光位移传感器获取该矩形区域图像中心点深度坐标，指挥机器人吸取零部件。

在上述方法中，将二维矩形区域图像信息输入神经网络前，进行图像的旋转增量，旋转的计算公式如下：

其中，X1,Y1为旋转后的坐标值，X0,Y0为旋转前的坐标值，a,b是旋转前的矩形区域中心坐标，c,d是旋转后的矩形区域中心坐标，θ是旋转角度。

在上述方法中，每张矩形区域图像增量至360张，每次旋转角度增加1度。

在上述方法中，利用深层卷积神经网络进行训练的方法如下：

将100×100的二维图像信息输入到输入层,通过32×5×5的滤波器进入第一卷积层进行最大值池化,然后通过64×5×5的滤波器进入第二卷积层进行最大值池化,再通过两层深度为50的全连接层进行数据分类,最后输出吸取零部件成功和失败标签的概率。

在上述方法中，利用相机确定3D零部件的轮廓，在3D零部件的轮廓范围内，机器人控制器随机生成一个XY坐标作为吸取点，结合利用激光位移传感器获取的3D零部件的深度坐标Z，指挥机器人吸取3D零部件。

本发明，通过相机和激光位移传感器获取3D零部件的空间位置信息，让机器人进行自主训练来实现3D零部件吸取，有效地克服现有3D机器视觉定位技术中存在的不足。不仅可以灵活应对不同形状的零部件，而且参数的调试可以摆脱对视觉工程师和环境条件的依赖，大大降低了技术应用的难度性。

附图说明

图1为本发明方法的流程图；

图2为本发明中自主训练采用的系统的示意图；

图3为本发明中深层卷积神经网络的示意图。

具体实施方式

本发明提供了一种基于深度学习的3D零部件吸取方法，有效克服了现有3D机器视觉定位技术中存在的不足，可以灵活应对不同形状的零部件，而且参数的调试可以摆脱对视觉工程师和环境条件的依赖。下面结合说明书附图和具体实施方式对本发明做出详细说明。

本发明实施例中的基于深度学习的3D零部件吸取方法，包括以下步骤：

S1.自主训练：

自主训练采用了如图2所示的系统进行，该系统包括主计算机101、相机102、机器人控制器103、机器人104、带传感器的空压吸盘105以及激光位移传感器106。

其中：主计算机101与相机102和机器人控制器103连接，机器人控制器103与机器人104、空压吸盘105和激光位移传感器106连接。