[发明专利]一种机器人目标物体抓取位置检测的方法

权利要求书

1.一种机器人目标物体抓取位置检测的方法，其特征在于，包括：

采集目标物体在不同视角下的目标RGB图像和目标Depth图像，其中，所述目标RGB图像和目标Depth图像中的像素点一一对应；

将每一所述目标RGB图像输入至目标物体分割网络进行计算，得到所述目标RGB图像中目标物体的RGB像素区域及所述目标Depth图像中目标物体的Depth像素区域；

将所述目标物体的RGB像素区域输入至最优抓取位置生成网络，得到所述目标物体抓取的最优抓取位置；

将所述目标物体的Depth像素区域及所述最优抓取位置输入至抓取位置质量评估网络，计算所述最优抓取位置的得分；

选择最高得分对应的最优抓取位置作为机器人全局最优抓取位置。

2.根据权利要求1所述的方法，其特征在于，

所述目标物体分割网络是使用卷积神经网络模型训练出来的网络，具体包括：

获取包含目标物体的RGB图像；

将所述RGB图像缩放至预设第一像素大小，得到第一训练集；

标注所述第一训练集中的目标物体对应的像素区域；

将所述第一训练集和所述目标物体对应的像素区域作为所述卷积神经网络模型输入进行训练，得到所述目标物体分割网络；

将所述目标物体分割网络得到的目标物体对应的RGB像素区域与标注的目标物体对应的像素区域做重叠对比；

根据所述重叠对比的结果调整所述目标物体分割网络的权值。

3.根据权利要求1所述的方法，其特征在于，所述最优抓取位置生成网络是使用卷积神经网络模型训练出来的网络，具体包括：

将所述目标物体分割网络得到的目标物体对应的RGB像素区域缩放至预设第二像素大小，得到第二训练集；

将所述第二训练集中的图像标记最优抓取位置坐标；

将所述第二训练集中的图像和其对应的最优抓取位置坐标作为输入，使用卷积神经网络模型进行训练，得到最优抓取位置生成网络。

4.根据权利要求1所述的方法，其特征在于，所述抓取位置质量评估网络是使用卷积神经网络模型训练出来的网络，具体包括：

获取包含目标物体的Depth图像；

将所述Depth图像缩放至预设第三像素大小，得到第三训练集；

从所述第三训练集中的Depth图像上随机采取一对抓取点位置，并使用预设评分算法得到对应评分；

将所述Depth图像、抓取点位置以及抓取点位置对应的评分作为输入，使用卷积神经网络模型进行训练，得到抓取位置质量评估网络。

5.一种机器人目标物体抓取位置检测装置，其特征在于，包括：

采集模块：用于采集目标物体在不同视角下的目标RGB图像和目标Depth图像，其中，所述目标RGB图像和目标Depth图像中的像素点一一对应；

分割模块：用于将每一所述目标RGB图像输入至目标物体分割网络进行计算，得到所述目标RGB图像中目标物体的RGB像素区域及所述目标Depth图像中目标物体的Depth像素区域；

抓取模块：用于将所述目标物体的RGB像素区域输入至最优抓取位置生成网络，得到所述目标物体抓取的最优抓取位置；

评估模块：用于将所述目标物体的Depth像素区域及所述最优抓取位置输入至抓取位置质量评估网络，计算所述最优抓取位置的得分；

选择模块：用于选择最高得分对应的最优抓取位置作为机器人全局最优抓取位置。

6.根据权利要求5所述的装置，其特征在于，所述分割模块中目标物体分割网络是使用卷积神经网络模型训练出来的网络，具体包括：

获取包含目标物体的RGB图像；

将所述RGB图像缩放至预设第一像素大小，得到第一训练集；

标注所述第一训练集中的目标物体对应的像素区域；

将所述第一训练集和所述目标物体对应的像素区域作为所述卷积神经网络模型输入进行训练，得到所述目标物体分割网络；

将所述目标物体分割网络得到的目标物体对应的RGB像素区域与标注的目标物体对应的像素区域做重叠对比；

根据所述重叠对比的结果调整所述目标物体分割网络的权值。