基于计算机视觉的物体抓取识别算法研究

在人工智能发展过程中,运用物体抓取的方式是未来发展的方向,基于数据处理和计算机视觉模式的抓取方式是研究的重点内容。根据不同数据资源叠加的方式,识别物体的基本运动情况,并在检测算法的模式下实现卷积网络和神经网络的数据分析,不仅能够有效改善识别率较低的情况,还能进一步提高物体抓取识别算法效能。基于此,笔者重点分析了基于计算机视觉的物体抓取识别算法。

局部自主遥操作中的抓取构型识别研究

针对局部自主遥操作过程中识别目标准确率低的问题,提出了一种基于改进快速区域卷积神经网络的抓取构型识别方法,通过对其区域生成网络中锚点尺度、前景特征区域、候选框的线性回归和分类网络分别进行改进,以提高抓取构型识别的准确率。首先将抓取构型参数化,然后在目标区域中利用锚点法对抓取构型参数进行识别,结合视觉传感器采集到的深度信息确定目标高度,并通过线性回归方法对抓取区域进行修正。通过搭建机器人试验平台,利用Cornell Grasp Dataset进行训练与测试进行验证。试验结果表明,提出的方法在简单网络识别准确率为96.4%,并成功实现机器人对目标的抓取。

基于改进的YOLOv3算法在目标识别与抓取中的应用

针对目标识别与抓取领域中CNN、Faster-RCNN等传统神经网络系列算法的识别准确率不高,实时性较差的问题,提出一种基于YOLOv3的改进神经网络算法。改进的YOLOv3算法主要是引用Inception网络思想,通过不同尺度的卷积核对目标进行多尺度特征提取,在增加网络宽度的同时减少YOLOv3网络的循环次数。同时,YOLOv3算法对于anchor box的选取方式使用Meanshift(均值漂移)聚类算法与K-means聚类算法相结合的方式进行改进,解决了K值需要人为测定的问题。改进的YOLOv3算法在自制数据集进行对比实验,实验结果表明:改进YOLOv3算法的mAP(Mean Average Precision)值要高于YOLOv3算法10%,在识别速度上提高了9%,在充分满足实时识别的同时提高了对中小目标识别的准确率。

一种面向机器人抓取的铆钉视觉识别与定位测量方法

视觉引导机器人定位抓取研究和应用逐渐广泛,其关键问题是基于视觉的被测对象高精度测量定位。以抽芯铆钉作为研究对象,研究一种面向机器人抓取的抽芯铆钉视觉识别与定位测量方法,研制一种融合视觉系统的抓取末端。设计一种基于多重腐蚀和膨胀算子的抽芯铆钉钉头图像分割方法,可有效实现抽芯铆钉钉头和钉杆的分离。基于PCA算法对抓取角度进行主方向分析,根据抓取要求对主方向进行校正。基于单应矩阵变换,实现图像坐标系和机器人末端夹爪坐标系标定。通过实验验证了抽芯铆钉视觉识别的效果。

基于改进Faster RCNN的机器人运动控制与视觉抓取研究

智能机器人执行高精度目标抓取操作的关键是目标视觉识别,且目标视觉识别亦是影响智能机器人工业化应用的核心问题之一。为提升物品抓取机器人的运动控制效果和物体抓取精度,对机器人运动控制和物品视觉抓取进行研究,提出了基于改进Faster RCNN的机器人运动控制与物品视觉识别新方法。为保证智能机器人对物品的识别和抓取精度,该方法通过最小二乘法对机器人本体零位进行标定;采用公开数据集多标签图像对Faster RCNN的卷积层和池化层进行改进,提高目标图像检测识别的准确率和效率;通过基于多目标、多类检测深度学习框架的抓取算法,实现机器人手臂的运动控制建模和求解,提高物品抓取机器人的运动控制效果。为验证所提出的基于改进Faster RCNN的机器人运动控制与物品视觉识别新方法的有效性,对其开展了实际环境中物体的视觉识别和抓取实验。实验结果表明,基于改进Faster RCNN的机器人运动控制与物品视觉识别新方法大大提升了对物品的识别精度,可有效提高机器人对物品的抓取效率。

基于图像处理技术的车牌识别方法研究

近几年,智能化在我国各行各业中都应用极广,在交通系统中应用也非常多,车牌识别技术则是其中之一,如何在车辆正常行使状态下完成车牌自动识别?本文将从车牌识别现状入手进行分析,找到现有识别方式的一些问题,再吸取经验,从车牌定位、车牌字符分割、车牌字符识别几方面对基于图像处理技术的车牌识别方法进行探讨。

ROS环境下机械臂物体抓取技术研究

针对机械臂在非结构环境中物体识别与抓取的不确定性问题,对机械臂运动规划方法和物体识别抓取在ROS环境下开展仿真研究。在工作空间中,运用RRT-Connect算法对机械臂夹爪进行路径规划。基于Rviz、Gazebo联合仿真,采用Kinect V2视觉传感器对场景内的信息进行实时检测,传感器的点云数据传输在Rviz中可视化。通过设计一套识别抓取仿真系统,在Gazebo中对机械臂非结构环境进行仿真,完成目标的抓取,可以成功验证此方法的有效性。

仿人灵巧手的稳定抓取方法研究综述

作为引领新一轮科技革命和产业变革的重要抓手,人形机器人通过集成具有类人抓取能力的仿人灵巧手,有望在工业生产、家庭服务、反恐排爆等不同应用场景中辅助或代替人类进行精细、复杂的作业。针对不同应用场景下的仿人灵巧手稳定抓取方法研究展开综述,梳理不同结构仿人灵巧手稳定抓取构型的实现形式,总结仿人灵巧手基于外部传感/本体传感的接触状态分析与估计方法,归纳仿人灵巧手在与物体发生全局相对运动/局部相对运动下的抓取状态检测与识别方法,给出常用的仿人灵巧手稳定抓取控制策略。分析仿人灵巧手在接触、抓取过程中上述方法的应用优势及不足,讨论软体材料、动态场景等因素影响下仿人灵巧手稳定抓取方法研究面临的挑战,并展望了其研究趋势及在人形机器人上的应用。

基于机器视觉的工业零件智能分拣系统设计

针对工业生产中机器视觉与机器人结合广泛的应用需求,该文设计了一种智能分拣系统,该系统基于机器视觉技术,能够识别并定位传送带上运动的目标物体。该系统通过对相机和坐标系的标定来保证机器人识别抓取的定位精度,利用YOLOv5检测算法识别传送带上的目标物体,并采用形心坐标法来确定目标物体的中心像素坐标,然后运用仿射变换方法来实现对目标物体的精确定位。实验结果表明,本智能分拣系统在工业分拣零件的过程中特定目标工件识别的准确率可以达到98%以上,而机器人定位抓取目标工件的精度误差保持在1 mm以内。因此设计的智能分拣系统能够对工业生产中的零件进行高精度的识别定位及抓取,该系统能够有效地满足工业生产中对于零件自动分拣的精确要求,显示出其在工业自动化领域的广泛应用潜力。

基于抓取模式识别的欠驱动灵巧手抓取方法

针对桌面上单个物体场景的抓取任务,提出一种基于抓取模式识别的欠驱动灵巧手自主抓取方法.受人类抓取策略启发,基于四种典型抓取模式建立物体的抓取模式数据集,并通过深度学习预测物体的抓取模式和抓取区域,利用图像处理获得抓取角度,从而简化欠驱动灵巧手的抓取规划.深度学习算法在测试集中的识别准确率达98.70%,对未知物体的识别准确率达82.70%,具有较好的泛化能力.当执行自主抓取时,深度学习方法的不准确性通过欠驱动手的自适应性得到了一定的补偿.通过UR3e机械臂搭载欠驱动灵巧手对24个物体进行抓取实验,在120次抓取中平均成功率为90.80%.实验结果表明所提方法能适应不同形状大小的物体,具备抓取实用性.

基于机器视觉的可回收垃圾智能分拣系统设计

以优傲机器人UR10与深度相机Intel RealSense D435为基础,设计了一种基于机器视觉的可回收垃圾智能分拣系统。系统采用张正友标定法对深度相机进行高精度标定,保证了机器人识别抓取的定位精度;采用基于深度学习的YOLO v4目标检测算法和KCF目标跟踪算法,实现了对可回收垃圾的姿态估计与精准识别抓取;基于ROS系统,实现了智能分拣系统的模块化,完成了智能识别分拣系统的整体构建。以常见可回收垃圾为实验对象对系统可靠性与稳定性进行了验证。结果表明:机器人对目标的抓取成功率达97.6%,分拣成功率为96.4%。因此,本系统能够实现对常见可回收垃圾的高精度识别定位及抓取,分拣成功率高、自动化程度高,可应用于实际生产场景。

基于优化ICP算法的机器人双目相机点云配准

为了高效求解机器人在复杂工况下对物体的抓取位姿,在传统点云精配准基础上,基于KD-Tree优化ICP点云精配准。介绍机器人双目视觉生成视差图和深度图的算法,阐述点云配准的流程,论述以数据结构层面优化ICP算法的原理。采用双目相机作为视觉输入,重建场景点云,与物体三维模型精配准后,得到机器人末端执行器抓取位姿。结果表明:与优化ICP算法之前相比,该方法得到的物体目标点云在保证配准精度的同时能以更快的速度收敛至最优解。