[发明专利]工业分拣机器人的目标定位装置和方法在审
| 申请号： | 201810496379.8 | 申请日： | 2018-05-22 |
| 公开（公告）号： | CN108876765A | 公开（公告）日： | 2018-11-23 |
| 发明（设计）人： | 王乐;周庆华;王磊;李野华;黄武波 | 申请（专利权）人： | 塞伯睿机器人技术（长沙）有限公司 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06T7/73;G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 410000 湖南省长沙市长沙县高*** | 国省代码： | 湖南;43 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 边界框 卷积神经网络 目标定位装置 摄像头 标签数据 训练模型 权值和 加载 偏置 置信 机器人 非极大值抑制 待测目标 反向计算 工业分拣 获取目标 聚类分析 前向传播 图片信息 网络输出 中心坐标 存贮器 目标框 实时性 特征图 处理器 分拣 标签 输出 检测 预测 网络 保证 | ||
1.一种工业分拣机器人的目标定位装置，包括摄像头，处理器和存贮器，其特征是：该装置还包括执行如下步骤的程序：
通过摄像头获取待测目标的图片信息；
加载卷积神经网络框架及其训练模型；
使用若干候选的anchor boxes，在特征图中产生边界框；
预测出边界框对应的宽、高和中心坐标及置信分数；
通过非极大值抑制获得置信分数最大的边界框，其对应的中心坐标即为目标的位置。
2.如权利要求1所述的工业分拣机器人的目标定位装置，其特征是：所述加载卷积神经网络的训练模型是如下步骤的程序：
在ImageNet数据集上进行网络的预训练，得到网络的预训练模型；
通过摄像头获取目标物体的数据集，进行人工标注，获得标签数据集；
对标签数据集中的目标框的宽和高通过k-means进行聚类分析，得到几组候选的anchor boxes；
通过前向传播获取每一层的网络输出，得到输出与标签的误差；
依据误差反向依次计算各层权值和偏置的梯度，并调整各层的权值和偏置。
3.如权利要求2所述的工业分拣机器人的目标定位装置，其特征是：所述k=2。
4.如权利要求2所述的工业分拣机器人的目标定位装置，其特征是：在预训练中，采用多尺度进行训练，每隔10轮改变输入图片的尺寸。
5.如权利要求4所述的工业分拣机器人的目标定位装置，其特征是：在预训练中，以32作为下采样因子，使输入图片的大小保持在320到608之间。
6.如权利要求1~5之一所述的工业分拣机器人的目标定位装置，其特征是：所述卷积神经网络是在Darkne-19的基础上的改进，去掉了最后一个卷积层，增加了3个卷积核大小为3x3，通道数为1024的卷积层和1个卷积核大小为1x1的卷积层。
7.一种工业分拣机器人的目标定位方法，其特征是包括如下步骤：
通过摄像头获取待测目标的图片信息；
加载卷积神经网络框架及其训练模型；
使用若干候选的anchor boxes，在特征图中产生边界框；
预测出边界框的宽、高和中心坐标及置信分数；
通过非极大值抑制获得置信分数最大的边界框，其对应的中心坐标即为目标的位置。
8.如权利要求7所述的工业分拣机器人的目标定位方法，其特征是：所述加载卷积神经网络的训练模型是如下步骤：
在ImageNet数据集上进行网络的预训练，得到网络的预训练模型；
然后通过摄像头获取目标物体的数据集，进行人工标注，获得标签数据集；
对标签数据集中的目标框的宽和高通过k-means进行聚类分析，得到几组候选的anchor boxes；
通过前向传播获取每一层的网络输出，得到输出与标签的误差；
依据误差反向传播依次计算各层权值和偏置的梯度，并调整各层的权值和偏置。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于塞伯睿机器人技术（长沙）有限公司，未经塞伯睿机器人技术（长沙）有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810496379.8/1.html，转载请声明来源钻瓜专利网。
