基于改进YOLOv8-Pose的码垛快速识别与抓取点检测

针对码垛场景中在仓库内对米袋和面袋的识别与抓取点检测的任务,提出了一种基于改进的YOLOv8-Pose的轻量化快速检测算法模型。其基于YOLOv8-Pose,使用若干个ShuffleNetv2模块取代原Darknet主干网络,降低模型大小;添加SimAM注意力机制,提升目标特征提取能力。通过对比实验表明,该模型在不牺牲准确性的前提下可提升模型的识别速度。模型在自制数据集中的平均精度达到了93.7%,检测速度达到了62 fps,优于常见模型。证明该模型能够实现复杂场景下的抓取点识别,且该轻量化模型能够适用于嵌入式硬件,降低设备成本。

基于VGG16-RGBD的散乱件抓取场景下分拣点检测

针对在密集环境下的散乱件抓取(Bin Picking)问题,由于存在大量的遮挡,所以要求机器人能够在有遮挡情况、物体杂乱放置的环境中对未定义物体进行可靠的抓取点检测。本文提岀了一种新颖的基于VGG16-RGBD网络的抓取点检测方法,在密集环境下提高了机器人抓取的准确率和精度。通过在真实机器人上实现抓取动作,证明了此方法的有效性,表明了此方法可以准确检测物体的抓取点,并且在复杂环境中达到了 94%的成功率。