[发明专利]一种基于深度学习和边缘检测的机械臂抓取目标方法

说明书

本发明公开了一种基于深度学习和边缘检测的机械臂抓取目标方法，包括采集目标物品的颜色信息和深度信息，并进行融合，得到模型目标数据，对其进行标注抓取信息，并输入至深度网络模型中进行训练，以得到优化；将待抓取的目标物品的颜色信息和深度信息进行融合，并输入至优化后的深度网络模型，以得到初步的抓取信息；提取相关点云数据；提取目标边缘信息；在该投影角度范围内统计目标边缘信息的投影信息，以得到其各个投影角度相应的投影评估参数；将投影评估参数最大值对应的角度作为最佳抓取角度，并更新初步抓取信息中原先的抓取角度。本发明提供的机械臂抓取目标方法提高了目标抓取鲁棒性和准确性，抗干扰性强，适合不同的背景环境。

技术领域

本发明涉及计算机视觉识别领域，尤其涉及一种基于深度学习和边缘检测的机械臂抓取目标方法。

背景技术

物体抓取操作是机械臂的重要任务之一，它可以辅助人类在日常生活中完成一些活动，可以对工业生产环境中的零件进行加工移动。机械臂抓取常分为人工和自动化两类：传统人工抓取方法需要注意力高度集中，劳动强度大，工作效率低；而自动化抓取技术，采用计算机视觉技术实现目标的位姿检测，然后通过自动化控制系统实现目标自动抓取。传统视觉检测方法被广泛用户抓取目标的定位，但该方法仅适合抓取特定目标，对于一些异形、非规则物体的抓取准确率不够，同时在算法设计上较为复杂，研发周期长。

随着制造业不断往自动化和智能化方向发展，各个行业对机械臂抓取的准确性和鲁棒性的要求也越来越高了。若要精确完成这些操作，仅仅依靠精确的机械臂的位置控制是远远不够，更重要的是准确计算目标的抓取位姿。

位姿估计在机器视觉领域有着十分重要的地位，对场景中物体的位姿进行准确估计是实现机器人抓取等人机交互任务的关键先决条件。随着深度学习在图像视觉领域的深入发展，传统图像检测在位姿估计方面的劣势得到弥补，同时，卷积神经网络对于目标物体检测与位姿估计的优势逐渐凸显。将深度学习应用在物体抓取与位姿估计这一领域，可以有效避免过去传统算法采用手工设计特征以及对物体三维模型的依赖性与局限性，但同时，受限于深度学习的内部结构特性，很难精确描述目标物体位姿，急需进一步改进。

发明内容

为了克服现有技术存在的不足，本发明提供一种基于深度学习和边缘检测的机械臂抓取目标方法，用于克服传统视觉检测算法局限性以及直接使用深度学习方法获取物体抓取位置信息的不精确性，具体技术方案如下：

本发明提供了一种基于深度学习和边缘检测的机械臂抓取目标方法，包括以下步骤：

S1、采集不同种类的目标物品处于不同姿态时对应的颜色信息和深度信息，并将相应的颜色信息和深度信息融合，得到模型目标数据，以作为样本数据集；

S2、对所述模型目标数据进行标注抓取信息，并输入至深度网络模型中进行训练，以得到优化后的深度网络模型；

S3、将当前待抓取的目标物品的颜色信息和深度信息进行融合，并输入至优化后的深度网络模型，以得到初步抓取信息，所述抓取信息至少包括抓取的中心坐标和抓取角度；

S4、依据所述抓取信息和相应的深度信息，以提取相关点云数据；

S5、对所述点云数据进行滤波去噪，再提取目标边缘信息；

S6、依据初步抓取信息中的抓取角度，设定投影角度范围，在该投影角度范围内统计所述目标边缘信息的投影信息，以得到其各个投影角度相应的投影评估参数；

S7、将所述投影评估参数最大值对应的角度作为最佳抓取角度，并更新初步抓取信息中原先的抓取角度，机械臂依据新的抓取信息进行目标抓取。

进一步地，所述颜色信息和深度信息进行融合包括：将采集的深度信息和颜色信息进行配准，且将匹配的深度信息归一化至0-255之间，以得到RGB-D图像格式，作为模型目标数据。