[發明專利]一種基于RP-ResNet網絡的抓取檢測方法

在審

• 申請號: 202010535619.8
• 申請日: 2020-06-12
• 公開（公告）號: CN111783772A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 趙景波;邱騰飛;朱敬旭輝;劉信潮;張曉寒;張文彬
• 申請（專利權）人: 青島理工大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 北京匯捷知識產權代理事務所(普通合伙) 11531
• 代理人: 馬金華

本發明屬于計算機視覺領域，具體涉及機械臂抓取點的識別定位。基于PR?ResNet網絡的抓取檢測方法，包括：目標物圖像輸入，數據預處理，RP?ResNet網絡模型進行數據處理，最終生成抓取目標的抓取框圖。以模型ResNet?50為基礎,在網絡的第30層使用區域建議網絡，模糊定位抓取點位置，充分融合高低層的特征信息加強對底層次信息的利用，網絡第40層加入SENet結構，進一步增加了抓取點檢測的準確性。本發明的基于ResNet?50的抓取檢測框架，將殘差網絡、區域建議思想、SENet相結合，確保在實現目標快速檢測的同時，進一步升目標檢測的準確率。

技術領域

本發明屬于計算機視覺領域，具體涉及目標物抓取點的識別定位。

背景技術

機器人抓取包括感知、計劃和控制。作為起點，準確而多樣地檢測機器人對目標的抓取候選對象，將有助于更好地規劃抓取路徑，提高基于抓取的操作任務的整體性能。

隨著深度學習理論的發展，出現很多深層神經網絡模型，每一種網絡可通過設計不同的權重層數建立不同深度的網絡模型。雖然更深的網絡可能帶來更高的精度，但會導致網絡訓練及檢測的速度降低。由于殘差結構并不增加模型參數，可有效地緩解深層網絡訓練的梯度消失和訓練退化的問題，從而提升網絡收斂性能。

發明內容

本發明的目的在于提供一種高精度目標檢測識別框架，本發明的有益效果是具有充分融合深度神經網絡高底層信息的特點，另外，它還在數據處理速度和檢測精度上有明顯的提高。

本發明所采用的技術方案是分階段處理、融合ResNet-50網絡數據。

第一階，區域建議網絡(RPN)的輸入為一個卷積特征圖，卷積響應圖像按RPN的結果分割出感興趣區域，對部分通道(每類的每個相對空間位置通道中)的感興趣區域分成k×k個網格，每個網格平均池化，然后所有通道再平均池化。對1個大小為w×h的ROI，每個區域的大小為W/h×W/h，，最后1個卷積層為每類產生k2個分數圖，ROI第(i,j)個子區域(0≤i,j≤k-1)：

其中，r_c(i,j)為第c類第(i,j)個bin的池化響應；z_i,j,c為k²(C+1)個分數圖中的輸出；(x₀,y₀)為ROI的左上角坐標；n為bin里的像素總數；Θ為網絡參數。

第二階段，SENet模塊增強抓取檢測任務中關鍵通道的注意力，以提升檢測準確度：

s＝F_ex(z,W)＝σ(W₂δ(W₁,z)) (3)

其中，F_sq表示對特征圖技能壓縮，W×H表示二維特征圖的大小，F_ex表示對特征圖濟寧特征提取操作，z為輸入的二維特征圖轉化的壓縮特征向量，W₁，W₂為全連接層的權重，σ為sigmoid激活函數，為最終輸出，并作為下一階段的輸入。

附圖說明

圖1是根據本發明實施例的RP-ResNet基本原理圖。

圖2是根據本發明實施例的區域建議網絡原理圖。

圖3是根據本發明實施例的SENet增強模塊原理圖。

具體實施方式

下面結合附圖和實施例對本發明的基于RP-ResNet網絡抓取檢測方法的原理步做出詳細的闡述和介紹，以便本領域技術人員更好的理解本發明的技術思路和內涵，本領域的技術方案并不限于實施例所訴的具體內容。