[发明专利]一种基于深度学习的快速分拣方法

说明书

本发明公开了一种基于深度学习的快速分拣方法，包括以下步骤：采集图像数据并制作标签，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；利用视觉相机捕获一帧图像；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；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；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；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抓取任务。本发明基于深度学习的目标识别与检测技术应用到抓取目标最优位置确定中，在复杂多变环境下检测到目标，提高了机械臂抓取的鲁棒性。

技术领域

本发明涉及物料识别分拣领域，具体来说，涉及一种基于深度学习的快速分拣方法。

背景技术

目前，视觉传感器已经广泛引入机械臂抓取系统，将图像处理与机械手控制相结合，利用先进的图像处理技术获取抓取目标的最优位姿，在此基础上设计视觉控制器，对于提高机械臂抓取的智能化水平、扩展其应用范围具有重要的理论研究意义和广阔的实际应用前景。

与传统的特征提取方法相比较，经过深度学习得到的特征具有更好的鲁棒性，其能够较好的适应训练集中未曾出现的新物体。近几年，深度学习得到了迅速的发展，提出了很多分类性能优秀的网络模型，例如，r-cnn、fastr-cnn、faster及r-cnn等。上述算法可以针对不同的目标，利用训练好的网络结构使用相同的模型参数，同时完成对多个目标的识别及检测任务。这对于提高机械臂对环境的智能感知能力，进而提高整个机械臂对未知物体自主抓取的鲁棒性和准确性具有重要的意义。然而上述现有技术不能很好的解决现在非结构化环境下机械臂对未知目标的高鲁棒、自主抓取问题。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于深度学习的快速分拣方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种基于深度学习的快速分拣方法，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。

进一步的，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。