基于全卷积深度学习模型的可抓取物品识别-重庆理工大学学报.PDF

第３２卷　第２期 重 庆 理 工 大 学 学报（自然科学） ２０１８年２月 Ｖｏｌ．３２　　Ｎｏ．２ ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ） Ｆｅｂ．２０１８  ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－８４２５（ｚ）．２０１８．０２．０２３ 本文引用格式：皮思远，唐洪，肖南峰．基于全卷积深度学习模型的可抓取物品识别［Ｊ］．重庆理工大学学报（自然科学），２０１８（２）：１６６ －１７３． Ｃｉｔａｔｉｏｎｆｏｒｍａｔ：ＰＩＳｉｙｕａｎ，ＴＡＮＧＨｏｎｇ，ＸＩＡＯＮａｎｆｅｎｇ．ＦｕｌｌｙＣｏｎｖｏｌｕｔｉｏｎａｌＤｅｅｐＬｅａｒｎｉｎｇＭｏｄｅｌＢａｓｅｄＧｒａｓｐａｂｌｅＯｂｊｅｃｔｅｔｅｃｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌｏｆ ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ），２０１８（２）：１６６－１７３． 基于全卷积深度学习模型的可抓取物品识别 皮思远，唐　洪，肖南峰 （华南理工大学 计算机科学与工程学院，广州　５１０００６） 摘　　　要：目前，工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息，然 后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是， 这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差，只考虑邻近区 域、而不考虑全局信息和结构信息等问题或缺点。为此，在引入基于像素点的全卷积网络（ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓ，ＦＣＮ）的基础上，提出了基于ＦＣＮ的改进模型进行可抓取物品识别，其优 势在于该模型经过学习能够预测各个像素所属物品类别的概率，并且能将结果恢复成为背景与 前景分割的图像，从而识别作业场景中可抓取物品的位置与类别。由于ＦＣＮ模型不限制输入、 输出图像的尺寸大小，所以它克服了传统卷积深度学习模型的缺点，同时也考虑了全局信息与 结构信息。以康奈尔抓取数据集（ｃｏｒｎｅｌｌｇｒａｓｐｉｎｇｄａｔａｓｅｔ，ＣＧＤ）作为实验样本对提出的改进模 型进行验证。实验结果表明：改进后的全卷积深度学习模型的正确率较全卷积深度学习模型提 高了６．２％，同时该方法也可用于其他分割前景的感知任务。 关　键　词：深度学习模型；全卷积网络；物品识别；工业机器人 中图分类号：ＴＰ３９９　　　　文献标识码：Ａ 文章编号：１６７４－８４２５（２０１８）０２－０１６６－０８ ＦｕｌｌｙＣｏｎｖｏｌｕｔｉｏｎａｌＤｅｅｐＬｅａｒｎｉｎｇＭｏｄｅｌ ＢａｓｅｄＧｒａｓｐａｂｌｅＯｂｊｅｃｔｅｔｅｃｔｉｏｎ ＰＩＳｉｙｕａｎ，ＴＡＮＧＨｏｎｇ，ＸＩＡＯＮａｎｆｅｎｇ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ， Ｇｕａｎｇｚｈｏｕ５１０００６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｍｏｓｔｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｉｎｄｕｓｔｒｉａｌｒｏｂｏｔｓｃｏｌｌｅｃｔｅｄｅｎｖｉｒｏｎｍｅｎｔａｌｉｎｆｏｒｍａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎ ｔｈｒｏｕｇｈｔｈｅｉｍａｇｅｓｅｎｓｏｒ，ａｎｄｕｓｅｄｔｈｅｐａｒｔｉｃｌｅｆｉｌｔｅｒｏｒｔｈｅｃｏｎｄｉｔｉｏｎａｌｒａｎｄｏｍｆｉｅｌｄａｎｄｏｔｈｅｒ ａｌｇｏｒｉｔｈｍｓｔｏｅｘｔｒａｃｔｔｈｅｆｅａｔｕｒｅｏｆｔｈｅｐｉｘｅｌｂｌｏｃｋｓｆｏｒｔｈｅｇｒａｂｂｅｄｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ．Ｔｈｅｓｅｍｅｔｈｏｄｓ 　　收稿日期：２０１７－１０－２２ 基金项 目：国家 自然科学基金资助项 目；广东省公益研究与能力建设专项资金资助项 目 （２０１４Ｂ０１０１０４００１）；广东省省自然科学基金资助项目（２０１