[发明专利]工业分拣机器人的目标定位装置和方法

说明书

本发明涉及一种用于分拣机器人的目标定位装置，该装置包括摄像头，处理器和存贮器，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。所述加载卷积神经网络的训练模型是如下步骤的程序：进行网络的预训练；获取目标物体的标签数据集；对标签数据集中的目标框进行聚类分析；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；依据误差反向计算各层权值和偏置的梯度，并调整各层的权值和偏置。本发明检测速度非常快，在保证精度的同时，可以实现实时性。

技术领域

本发明涉及一种工业分拣机器人，尤其涉及工业分拣机器人的目标定位装置和方法。

背景技术

如今，自动化生产越来越普及，机器人被广泛应用到各种各样的工业流水线上，而工件机械分拣作业是工业流程中一项常见的任务。对运动目标的识别和定位是分拣作业的基础，早期的分拣机器人大多采用示教编程的方法，虽可完成一些固定的操作，但无法完成更加智能化的作业；而一般的机器视觉技术，例如单纯的边缘提取、模板匹配、图像增强等处理技术，虽然能够检测出目标物体，但很难在复杂场景中对目标物体进行精确分拣。

卷积神经网络（CNN）主要用来识别扭曲不变性的二维图形，它是能模拟动物大脑的一种数学模型，只要用已知的模式对卷积网络加以训练，它就能够学习大量的输入与输出之间的映射关系，具有输入输出对之间的映射能力。将卷积神经网络算法用于分拣机器人，虽然能够解决在复杂场景中分拣精度的需求，但当场景中干扰物较多、密度较大时，需要同时对多个目标物体进行处理，且容易受到光照等因素的影响，目标识别和定位的速度较慢，容易产生漏检和误检，无法满足机器末端的抓手分拣时对于实时性的要求。

这是现有技术的不足之处。

发明内容

针对现有技术的不足，本发明要解决的技术问题是提供一种工业分拣机器人的目标定位装置和方法，它们可助于实现对目标物体的实时检测。

本发明的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，得到若干候选的anchor boxes；

使用anchor boxes，在特征图中产生边界框；

对上述若干边界框预测出对应的宽、高、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。

所述加载卷积神经网络的训练模型是如下步骤的程序：

首先在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。

所述k=2。

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。

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。