基于视觉技术的机器人抓取目标识别与定位

王丽荣

(北京信息职业技术学院电子信息学院，北京 100015)

随着人工智能、图像识别等技术的快速发展，工业机器人被广泛应用于各个领域，如工业零件分拣、加工包装、产品检测、目标识别等。机器视觉技术在工业机器人领域的应用，进一步提高了工业机器人的自主能力。谭子会[1]、朱文龙[2]、马红卫[3]等分别将双目视觉技术应用到包装分拣、机器人搬运和机器人抓取物件中，取得良好的试验效果。然而光线、背景、遮挡等因素给机器视觉的稳定性和准确性带来一定的影响，如何解决该问题是当前机器视觉在工业机器人中应用的难点。现有的机器人抓取目标识别与定位通常采用传统的SIFT(尺度不变特征转换)、HOG(方向梯度直方图)特征提取结合SVM(支持向量机)等方法，识别的精度有待进一步提高。基于识别与定位精度要求，本文以零部件拆卸件为研究对象，提出了一种改进单次多边框检测(single shot multibox detector，SSD)的目标识别与定位方法，以提高机器人抓取过程中目标识别与定位的准确性，从而提高工业机器人的自主控制能力。

1 SSD卷积神经网络结构与原理

SSD卷积神经网络为单次多目标检测网络，综合了传统YOLO网络和 Faster R-CNN网络的优点，在保证算法实时性的情况下，可在不同分辨率的特征图上生成大小、长宽比各异的默认框，检测时SSD网络会为每个默认框内的物体生成一个得分，并通过调整默认框，使其更好地匹配目标物体形状，以提高对不同尺度目标检测的鲁棒性[3]。SSD网络结构如图1所示，其包括基础网络层和特征映射层两部分[4]，基础网络层为深度卷积神经网络VGG-16，用于高质量图像特征的提取；……