基于深度学习的杂乱场景下零件实例分割

为了检测和分割箱盒内杂乱摆放的零件,同时针对卷积神经网络需要大量和高质量图像进行训练的问题,提出了一种基于零件合成训练集对Mask RCNN网络进行训练的方法。首先,利用三维仿真技术,通过OpenSceneGraph(OSG)和Bullet建立了杂乱场景零件训练集合成系统,生成大量的合成图像;其次,建立了三种不同的训练集,分别对Mask RCNN网络训练;最后,利用Kinect视觉传感器采集真实图像进行测试。实验证明,该方法的准确率为97%,可以对杂乱场景下的零件有效地进行检测和分割。