The invention is applicable to the field of artificial intelligence application technology, and provides an object recognition and attitude estimation method, a device and a robotic arm grabbing system. This method includes: learning the category and attitude of the object by the multistage depth learning model, setting up the set of feature description subsets, and collecting the object's posture. State image; the feature descriptor of the target object is obtained from the object's attitude image of the target object by the multi-stage depth learning model, and the object recognition and attitude estimation are combined with the feature descriptor set, in which the feature descriptor sets include at least two feature descriptors, each of the features described. Descriptors represent an object category and an object pose. The invention can learn the object class and posture at the same time, and improve the recognition accuracy.
【技术实现步骤摘要】
物体识别和姿态估计方法、装置及机械臂抓取系统
本专利技术属于人工智能应用
,尤其涉及一种物体识别和姿态估计方法、装置及机械臂抓取系统。
技术介绍
机械臂完成对物体的抓取,需要精准的物体识别和姿态估计方法。目前物体识别和姿态估计存在着多种方法,不同的方法之间采用的传感器、特征处理方法和标定策略不尽相同,而这些方法均存在一定的局限性。例如,一些方法基于三维建模,通过数据对齐的方式估计物体的姿态等信息,这种方法建模难度大,需要处理大量的三维数据。又例如,双目视觉方法,这种方法对于光照变化等非常敏感,纹理不够则不够鲁棒。另外一些方法则基于主动投射的抓取方式,这类方法往往需要投射激光或光栅,使得末端结构复杂。还有一些方法基于二维图像信息识别,都采用手工特征的学习方法,其识别效果和精度往往不够理想。
技术实现思路
有鉴于此,本专利技术实施例提供了一种物体识别和姿态估计方法、装置及机械臂抓取系统,以解决现有技术中物体识别和姿态估计精准性较差的问题。本专利技术实施例的第一方面,提供了一种物体识别和姿态估计方法,包括:通过多级深度学习模型对图像样本进行物体的类别和姿态学习,建立特征描述子集合;其中,所述特征描述子集合包括至少两个特征描述子,每个所述特征描述子表征一种物体类别和物体姿态;采集目标物体的物体姿态图像;通过所述多级深度学习模型,从所述目标物体的物体姿态图像中获取所述目标物体的特征描述子,并结合所述特征描述子集合进行物体识别和姿态估计。本专利技术实施例的第二方面,提供了一种物体识别和姿态估计装置,包括学习单元、图像采集单元和识别单元;所述学习单元,用于通过多级深度 ...
【技术保护点】
一种物体识别和姿态估计方法,其特征在于,包括:通过多级深度学习模型对图像样本进行物体的类别和姿态学习,建立特征描述子集合;其中,所述特征描述子集合包括至少两个特征描述子,每个所述特征描述子表征一种物体类别和物体姿态;采集目标物体的物体姿态图像;通过所述多级深度学习模型,从所述目标物体的物体姿态图像中获取所述目标物体的特征描述子,并结合所述特征描述子集合进行物体识别和姿态估计。
【技术特征摘要】
1.一种物体识别和姿态估计方法,其特征在于,包括:通过多级深度学习模型对图像样本进行物体的类别和姿态学习,建立特征描述子集合;其中,所述特征描述子集合包括至少两个特征描述子,每个所述特征描述子表征一种物体类别和物体姿态;采集目标物体的物体姿态图像;通过所述多级深度学习模型,从所述目标物体的物体姿态图像中获取所述目标物体的特征描述子,并结合所述特征描述子集合进行物体识别和姿态估计。2.根据权利要求1所述的物体识别和姿态估计方法,其特征在于,所述图像样本通过对物体的角度进行调整,并采用图像采集装置采集物体多个角度的物体姿态图像;其中,所述角度包括仰角和旋转角,所述仰角为所述物体与所述图像采集装置的连线与水平面的夹角,所述旋转角为放置所述物体的转动装置的旋转角。3.根据权利要求1所述的物体识别和姿态估计方法,其特征在于,所述多级深度学习模型对图像样本进行物体的类别和姿态学习包括:对输入的图像样本进行卷积和下采样处理;将经过卷积和下采样处理的图像样本跨网络层进行两种以上的特征处理;将处理后的图像样本发送至全连接层。4.根据权利要求1所述的物体识别和姿态估计方法,其特征在于,所述建立特征描述子集合包括:将所述特征描述子集合中的各个所述特征描述子映射到欧式特征空间,通过损失函数将各个所述特征描述子进行收敛处理,并采用最近邻搜索方法将各个所述特征描述子分为至少两类。5.根据权利要求4所述的物体识别和姿态估计方法,其特征在于,将输入图像表示为x,则在距离空间的特征描述子表示为f(x)∈Rd,表示将一张图像映射到一个距离d维的距离空间;则定义训练样本集为:满足:代表某一个物体,和代表同一类物体并且距离最近;代表与不同类的物体;代表某一个物体某一个姿态,和代表同一类物体且姿态距离最近;代表与同类的物体,但姿态距离最远;根据距离空间定义得出:其中,α为一个正负样本对的分界边缘,根据极小化原则得到:最终得出所述损失函数为:其中,ω表示每个网络层除了偏差项所有的权值向量,λ表示正则化参数。6.一种物体识别和姿态估计装置,其特征在于,包括学习单元、图像采集单元和识别单元;所述学习单元,用于通过多级深度学习模型对图像样本进行物体的类别和姿态学习,建立特征描述子集合;其中,所述...
【专利技术属性】
技术研发人员:曾伟,梁国远,王灿,吴新宇,黄胜,
申请(专利权)人:中国科学院深圳先进技术研究院,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。