[发明专利]一种基于深度学习的料框内散乱多物体机器人分拣方法

权利要求书

1.一种基于深度学习的料框内散乱多物体机器人分拣方法，包括RGB-D摄像头和具有六自由度机械臂的机器人，所述六自由度机械臂的末端设有吸盘手爪，其特征在于，所述分拣方法包括：

步骤S1：将包含若干种散乱堆放物体的料框放置于所述RGB-D摄像头的视野范围内，所述RGB-D摄像头对所述料框的边缘进行视觉检测以确定所述料框的范围；

步骤S2：在所述料框的范围内选取若干可分拣候选区域，将每一所述可分拣候选区域的图像和深度图输入CNN分拣预测网络以判断是否为可分拣区域，并将所述可分拣区域的中心标记为可分拣点；

步骤S3：记录所有的所述可分拣点，通过聚类算法选取较优的所述可分拣点，计算较优的所述可分拣点的法向量，并结合所述法向量、所述机器人的可达位置、所述料框的防碰撞剔除不合格的所述可分拣点；

步骤S4：从剩余的所述可分拣点中随机选择一所述可分拣点，通过所选择的所述可分拣点的坐标和法向量控制所述六自由度机械臂和所述吸盘手爪分拣所述可分拣点的物体；

步骤S5：重复所述步骤S2至所述步骤S4，直至所述料框内的物体分拣完成；

在所述步骤S1中，所述RGB-D摄像头与所述六自由度机械臂进行外参数坐标标定，从所述RGB-D摄像头获取的RGB图像中检测所述料框的边缘以确定所述料框的范围。

2.根据权利要求1所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，在所述步骤S2中，选取若干可分拣候选区域的方法为逐行逐列获取，通过步幅设置覆盖所述料框的所有范围。

3.根据权利要求1所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，在所述步骤S2中，所述可分拣区域为正方形，所述可分拣区域的边长为所述物体中的最大物体的尺寸的60～80％。

4.根据权利要求1所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，在所述步骤S3中，所述聚类算法通过判断连续分拣点，选取行列连续的可分拣点的中间值作为较优的所述可分拣点。

5.根据权利要求1所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，所述CNN分拣预测网络包括CNN网络构建、训练数据库的搜集、CNN网络权重的学习和CNN网络预测。

6.根据权利要求5所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，所述CNN分拣预测网络还包括：池化层、全连接层、Relu层和softmax输出层，其中输入层的大小和所述可分拣候选区域的大小相同，所述输入层为RGB三通道图像或者RGB-D四通道图像。

7.根据权利要求5所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，所述训练数据库的建立方法包括：

拍摄所述料框内的待分拣物体散堆状态照片，人工选择出若干所述可分拣候选区域；

以所述自由度机械臂和所述吸盘手爪的实际分拣结果将人工选择出的若干所述可分拣候选区域的RGB图像和深度图分别标记为可分拣或不可分拣，并以此建立一个独立样本，搜集若干独立样本作为数据集。

8.根据权利要求6所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，所述训练数据库的建立方法还包括数据增多方法：

以所述可分拣候选区域的中心为圆心，每10°采样一次，分拣标签不变。

9.根据权利要求5所述的基于深度学习的料框内散乱多物体机器人分拣方法，其特征在于，所述CNN网络权重的学习方法包括：

将采集的数据集分为训练集和测试集，对所述训练集的数据采用随机梯度下降法优化所述CNN网络权重，用所述测试集的数据测试CNN网络准确率。