• Top
    歡迎登錄 立即注冊
    忘記密碼?
    ABB機器人抓蝦不抓瞎!
    來源: ABB機器人 作者: 瀏覽次數:0
    微博 微信

    分享到 - 微信

    QQ空間 0評論
     
      炎炎夏日眼看就要來了,還有什么比小龍蝦更適合夏天的美食嗎?話說回來,你有沒有想過,有一天,也許機器人能幫你……剝蝦?這不是在做美夢,ABB機器人真的能抓蝦!不瞎抓,也不抓瞎!繞暈了沒?哈哈,快和小編一起來看看!
     
     
    機器人抓蝦?
    到底有多難?
     
      在食品加工領域,機器人對食品的抓取、揀選是實現自動化中的一個常見問題,需要實時、精確的圖像識別技術,但食品通常形狀不規則、特征多變,導致快速、穩定的視覺分析與定位較為困難。
     
      以食物中常見的蝦為例——目前在工廠的自動剝蝦生產線上,有一個關鍵環節未能實現自動化——對于蝦身的抓取與精確放置,目前仍然完全由人工操作,極大地限制了生產線的速度、精度、穩定性與生產效率,而且工作本身枯燥無味,浪費人力與時間。
     
      在自動化方案中,核心是視覺系統與機器人的配合動作。視覺系統單元對流水線上移動的蝦身進行實時拍攝,同時內置算法識別出目標點位置,并引導機器人進行抓取與放置,從而替代人工操作,實現整條生產線的全自動化。
     

     
     
      ▲自動化揀選方案示意圖
     
      而在實際應用中,由于蝦的形態各異,對人來說十分簡單的識別任務,對于傳統的圖像特征提取算法就變得非常困難。面對形態各異、尺寸不一,紋理顏色等特征也不同的蝦,單一的圖像處理方法只能準確識別部分樣本的關節點,很難達到工業應用的高精度要求,而一個好的解決方案不僅要能滿足工業應用的精度要求,還需要將識別失敗樣本的誤差控制在穩定范圍內,便于工廠的后續處理。
     

     
      ▲待識別的目標關節點
     
      人工智能及圖像處理領域的科研發展,例如用于圖像識別的深度學習算法,為解決這一問題提供了新的思路。但是,深度學習算法在較復雜的圖像數據、精度要求較高的識別任務上往往性能不夠高,如果直接使用,很難同時滿足工業上的實時性要求與通常超過95%的精度要求。
     
     
      視覺定位難題怎么破?
     
      ABB的研究人員提出結合深度學習與生物特征識別的目標點定位方法,并在實際數據上進行了模型訓練與性能驗證。首先將蝦的圖像進行預處理后輸入深度學習模型得到粗定位點,之后q對蝦的位姿進行歸一化并提取輪廓線,基于對搜索域內的輪廓擬合與特征點檢測以精確定位目標點。
     
     
      ▲基于深度學習與生物特征的目標點識別方法
     
      通過在蝦的實測數據上進行建模與測試,發現深度學習模型較難直接給出精確的目標點位置,但可以提供與目標點較接近的粗定位點,從而得到能涵蓋目標點的搜索域。之后利用生物特征識別,基于輪廓線提取與擬合,可以在此搜索域內精準地定位目標點。
     

     
      實驗結果證明了該方法的有效性:在包含1000張實測樣本的測試集上,整體方案的識別率達到97.2%,可初步滿足實際工業應用的要求。
     
     
      高頻詞匯解析之「深度學習」
     
      深度學習是一種可以自動學習到不同尺度的數據特征的方法。這些特征可以用于模式識別或數據分類等任務。譬如下圖,顯示了來自深度學習網絡各層的特征樣例——隨著網絡深度的增加,各層的特征圖呈現了越來越高尺度的圖像特征。較深的網絡層可以學習到人眼可識別的特征,如一張臉。為了提取到合適的數據特征,深度網絡可能需要含有數十個甚至上百個隱含層。
     
     
     
      出現的圖像越來越有意義——所示只是深度網絡所提取的一小部分特征圖,它們展示了如何通過深度學習收集有意義的視覺信息。
     
     
      深度學習的本質是深層的人工神經網絡(一種機器學習算法)。傳統上,由于神經網絡算法的缺點、訓練數據不足或缺乏計算能力,神經網絡只有淺層學習能力。但最近這種情況實現了完全逆轉,使更多層網絡的訓練變得可行。連續的隱含層越多,網絡便越深入。因此,稱之為“深度學習”。
     
      在大多數傳統的機器學習方法中,原始數據不會被自動處理。通常,其處理過程需要基于大量的行業知識來手動設計某些特征提取方法。
     
      相反地,深度學習將原始數據作為輸入,并自動查找進行模式識別或分類所需的特征。這種自動學習特征的能力使深度學習方法在各種普遍情況下非常有用。
     
      找到適當的神經網絡結構和識別決定網絡訓練性能的參數仍然是一個挑戰。此外,理解深度學習模型學習了哪些特征并不容易。另外,與所有機器學習模型一樣,深度學習模型也容易受到精心設計的輸入的影響,它們可能導致模型產生錯誤推論。這些主題是當前深度學習研究工作的重點。
     
      最近,深度學習在執行圖像和語音識別等任務方面已取得巨大成功。深度學習的潛在影響不可低估,因為它將影響許多行業,并將為整個社會帶來顯著變化。
     
     
      深度學習增強了圖像識別功能,使工業機器人(如圖中所示的ABB YuMi)能夠執行更復雜的任務。
     
     
     
    ABB機器人
     
    全球領先的工業機器人技術提供商
     
    長按識別二維碼關注

     
     
    相關閱讀
    滾動鼠標加載更多~~
    編輯專欄
    排行榜
    Top 免费无码H肉动漫在线观看