- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
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
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
文档评论(0)