基于深度学习的目标检测及机械臂抓取

摘要：

针对非结构化环境中多目标抓取检测存在速度慢、效果差的问题,提出一种先目标检测后抓取检测的方法.在目标检测中,为了加快网络的运行速度,文中采用深度可分离卷积和坐标注意力机制对YOLOv5网络进行轻量化改进.在抓取任务中,设计了一种单阶段抓取位姿检测算法.首先,考虑到非结构化环境中存在的干扰,选用RGB-D图像作为抓取网络的输入数据,并选用GG-CNN作为主干网络;其次,为了加强抓取网络的特征提取能力,利用Inception-ResNet模块中不同大小卷积核的并联使用来拓宽网络感受野,同时无参三维注意力机制的融入使得网络更专注于抓取信息特征,抑制背景噪声信息;最后,使用抓取质量评估来对抓取框进行修正,并输出置信度和最高的抓取框.实验结果表明:轻量化的目标检测网络参数量为2 776 708,每秒帧数(frames per second,FPS)为102;改进后的抓取检测网络在公共Cornell数据集上,取得了 96.57％的准确率,FPS为54.17.这说明2个网络能部署在机械臂上并较好地实现在多目标场景下的抓取任务,可以应用到实际工业生产中.

关键词：机器人抓取检测、多目标抓取网络、深度学习、机械臂、目标检测

所属期刊栏目：38

分类号：TP242(自动化技术及设备)

资助基金：国家自然科学基金;陕西省科技厅科技成果转移与推广计划-技术转移转化项目

在线出版日期：2024-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：65-72