[發(fā)明專利]一種用于并聯(lián)機器人的基于主果梗深度的堆疊串類水果抓取優(yōu)先級確定方法有效
| 申請?zhí)枺?/td> | 201910011311.0 | 申請日： | 2019-01-07 |
| 公開（公告）號： | CN109829387B | 公開（公告）日： | 2023-06-16 |
| 發(fā)明（設(shè)計）人： | 高國琴;張千 | 申請（專利權(quán)）人： | 江蘇大學(xué) |
| 主分類號： | G06V20/68 | 分類號： | G06V20/68;G06V10/774;G06V10/764;G06V10/82 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 212013 江*** | 國省代碼： | 江蘇;32 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 用于 并聯(lián) 機器人 基于 主果梗 深度 堆疊 水果 抓取 優(yōu)先級 確定 方法 | ||
1.一種用于并聯(lián)機器人的基于主果梗深度的堆疊串類水果抓取優(yōu)先級確定方法，其特征在于，包括如下步驟：
步驟1，基于Kinect傳感器和并聯(lián)機器人水果分揀系統(tǒng)共同構(gòu)建堆疊串類水果的立體視覺檢測系統(tǒng)；
步驟2，對堆疊串類水果抓取優(yōu)先級確定的深度數(shù)據(jù)集構(gòu)建與擴充，通過設(shè)計深度參照物構(gòu)建了深度級別分布均勻的預(yù)訓(xùn)練數(shù)據(jù)集；
步驟3，基于少池化多全連接層的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的主果梗深度集分級模型構(gòu)建,包括圖像輸入、特征提取和分類三部分；
所述步驟3具體如下：
步驟3.1，圖像輸入部分：在圖像輸入部分需要設(shè)計輸入圖像尺寸，基于實際主果梗深度圖像的原始感興趣區(qū)域大小的均值進行網(wǎng)絡(luò)輸入層的設(shè)計，首先統(tǒng)計在感興趣區(qū)域剪切之后，尺度變換之前的獲取到的區(qū)域大小，計算其高度和寬度均值，并取其整數(shù)作為網(wǎng)絡(luò)輸入圖像尺寸；
步驟3.2，特征提取部分：主要包括了卷積結(jié)構(gòu)和全連接結(jié)構(gòu)，
卷積結(jié)構(gòu)包括了無圖像尺度變化的卷積層、具有圖像尺度變化的最大池化層和平均池化層、ReLu激活函數(shù)，通過三次無圖像尺度變化的卷積和具有圖像尺度變化的池化，獲取原始圖像上表針主果梗深度信息的特征圖；
對于卷積層，基于式(1)計算卷積層初始參數(shù)，使得卷積層的輸入和輸出特征圖尺度一致，其中osc為卷積層輸出特征圖的長或?qū)挘琲sc為卷積層輸入特征圖的長或?qū)挘琭s為卷積層濾波器的大小，pc為填充大小，sc為步長，對圖像進行邊緣填充，降低卷積過程中邊緣信息的丟失；
對于池化層，包括了最大池化層和平均池化層，均基于式(2)計算池化層初始參數(shù)，使得池化層的輸出特征圖以2倍下采樣輸入特征圖，其中osp為池化層輸出特征圖的長或?qū)挘琲sp為池化層輸入特征圖的長或?qū)挘琾s為池化大小，pp為填充大小，sp為步長；
對于ReLu激活函數(shù)，基于式(3)對輸入的每個元素執(zhí)行閾值操作，所有小于0的值均設(shè)置為0，用以減少數(shù)據(jù)冗余，保留重要特征；
對于全連接結(jié)構(gòu)，主要包括了ReLu激活函數(shù)、全連接層和丟棄層，為防止過擬合，將網(wǎng)絡(luò)中加入了丟棄層，在訓(xùn)練時隨機設(shè)置某些元素權(quán)值為0；
步驟3.3，分類部分：主要包括了Softmax層和分類輸出層，基于檢測平面到Kinect傳感器的深度相機之間的距離離散化后的深度級別的數(shù)量，設(shè)計Softmax層和分類輸出層尺寸；
步驟4，對主果梗深度集分級模型進行多遷移學(xué)習(xí)策略的網(wǎng)絡(luò)訓(xùn)練和可視化分析的網(wǎng)絡(luò)精度測試；
步驟5，在構(gòu)建的網(wǎng)絡(luò)模型基礎(chǔ)上對在線主果梗深度集分級和抓取優(yōu)先級確定。
2.根據(jù)權(quán)利要求1所述的一種用于并聯(lián)機器人的基于主果梗深度的堆疊串類水果抓取優(yōu)先級確定方法，其特征在于：所述步驟1具體如下：
將Kinect傳感器置于分揀系統(tǒng)的檢測平臺上方，檢測平臺中心軸線處，為減少硬件帶來的測量誤差，選擇Kinect傳感器的物距500～2000mm之間，靠近光軸中心，深度檢測誤差2mm的位置作為視覺檢測范圍，根據(jù)并聯(lián)機器人水果分揀系統(tǒng)中，檢測平面大小900*860mm2，水果串堆疊的高度范圍0～200mm，選擇檢測平臺到Kinect傳感器的距離為550～750mm根據(jù)三角公式求得傳感器在550mm和750mm時分別的視場平面大小為770.2*635.1mm2和1050.3*866.1mm2，因此選擇物距為750mm的平面作為檢測平面，構(gòu)建堆疊串類水果的立體視覺檢測系統(tǒng)。
3.根據(jù)權(quán)利要求1所述的一種用于并聯(lián)機器人的基于主果梗深度的堆疊串類水果抓取優(yōu)先級確定方法，其特征在于：所述步驟2中，構(gòu)建深度級別分布均勻的參照物深度數(shù)據(jù)集，采用圖像處理方法對數(shù)據(jù)集進行變換和擴充，對參照物深度圖像進行感興趣區(qū)域提取，得到僅包含參照物深度信息的參照物深度數(shù)據(jù)集，構(gòu)建堆疊串類水果的主果梗深度數(shù)據(jù)集。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于江蘇大學(xué)，未經(jīng)江蘇大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910011311.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
