[发明专利]一种基于深度学习的快速分拣方法

权利要求书

1.一种基于深度学习的快速分拣方法，其特征在于，该方法包括以下步骤：

S1、采集图像数据并制作标签，并将标签导入深度卷积神经网络训练得到深度学习目标识别与检测网络模型；

S2、利用视觉相机捕获一帧图像；

S3、基于深度学习目标识别与检测网络模型，检测用户选择的抓取物体，并获得抓取目标；

S4、利用U-Net语义分割网络对抓取目标进行分析，获得抓取区域的图像特征；

S5、利用坐标转换方法将图像特征从二维的图像坐标系下转化为三维世界坐标系下，获得机械臂的最优抓取位置；

S6、计算机器人的控制量并控制机械臂完成基于视觉的机械臂自主抓取任务。

2.根据权利要求1所述的一种基于深度学习的快速分拣方法，其特征在于，所述采集图像数据并制作标签，并将标签导入深度卷积神经网络训练得到深度学习目标识别与检测网络模型包括以下步骤：

S11、利用相机采集图像，并通过数据标注软件labelme进行标记，获得数据集，所述数据集包含图像以及相应的身份标签；

S12、将所述数据集按照预设的比例划分为训练数据集和验证数据集，并计算所述训练数据集中图像的均值图像；

S13、将所述训练数据集和所述验证数据集中的所有图像减去均值图像，得到均值化的训练数据集和验证数据集；

S14、利用所述均值化的训练数据集和验证数据集训练深度卷积神经网络，利用损失函数对训练数据集进行训练和学习网络参数，按照预设的训练步长将验证数据集放入卷积神经网络中进行测试，并观察网络的训练收敛情况，直至训练网络收敛，获得训练结果。

3.根据权利要求1所述的一种基于深度学习的快速分拣方法，其特征在于，所述基于深度学习目标识别与检测网络模型，检测用户选择的抓取物体，并获得抓取目标包括以下步骤：

S31、通过深度学习目标识别与检测网络模型训练图像数据；

S32、根据所述深度学习目标识别与检测网络模型的训练过程，不断调整训练权重，直至训练预测结果符合标记结果；

S33、根据所述预测结果生成权重数据，并通过所述权重数据对待预测图像进行推理，获得操作台上物体的位置信息。

4.根据权利要求1所述的一种基于深度学习的快速分拣方法，其特征在于，所述利用U-Net语义分割网络对抓取目标进行分析，获得抓取区域的图像特征包括以下步骤：

S41、利用U-Net语义分割网络并基于训练数据集进行训练，获得权重参数；

S42、通过所述权重参数计算待预测图像，获得抓取目标的抓取区域图像特征。

5.根据权利要求4所述的一种基于深度学习的快速分拣方法，其特征在于，所述U-Net语义分割网络采用的是U-Net网络模型，所述U-Net网络模型的整体结构包括：编码、解码及跳跃连接。

6.根据权利要求4所述的一种基于深度学习的快速分拣方法，其特征在于，所述利用U-Net语义分割网络并基于训练数据集进行训练，获得权重参数还包括：

通过添加交叉熵的Loss损失函数，增加了像素级的Loss权重，

其中，Loss损失函数计算公式为：

其中，E表示损失值；

Ω表示类别数；

x表示每一个类别；

W(x)表示一个one-hot向量，one-hot表示一项属性的特征向量；

pc_(x)表示预测样本属于类别c_(x)的概率；

其中，W(x)的计算公式如下：

其中，w_c表示对类别频率的权重；

d₁表示像素点离细胞最近的距离；

d₂表示像素点离细胞倒数第二近的距离；

W₀表示权重常量，取值为10；

σ表示标准差，其取值为5。