基于卷积神经网络的机器人控制目标位姿识别方法技术

本发明专利技术公开了一种基于卷积神经网络的机器人控制目标位姿识别方法，包括：(1)利用双目摄像机采集控制目标不同位姿的图像数据组成样本数据集；(2)对样本数据集进行标签标注；(3)构建深层卷积神经网络模型；(4)采集新的图像样本，利用所述深层卷积神经网络模型求取新的图像样本的特征点像素坐标；(5)求取双目摄像机对应的投影矩阵；(6)求取特征点像素坐标对应的特征点三维坐标；(7)将特征点三维坐标变换映射至机器人控制坐标系，得到控制目标的位姿信息。本发明专利技术既充分利用物体特征信息，又充分考虑到外界干扰的影响，同时避免了普通深度神经网络对位置，姿态信息难以标定的问题，对机器人控制目标姿态检测技术实现了提升。

【技术实现步骤摘要】
基于卷积神经网络的机器人控制目标位姿识别方法
本专利技术属于机器人控制
，具体是涉及一种基于卷积神经网络的机器人控制目标位姿识别方法。
技术介绍
在现代工业生产过程中，随着工业机器人在工业领域的广泛应用，一些不适合于人工作业的危险工作环境或简单而重复的大批量工业生产操作已经逐步被机器作业替代。在工业制造现场，工业机器人能够实现对产品实行高效的抓取、分拣操作，但是机器操作精度受机器视觉系统对产品识别定位，姿态估计等各方面检测精度限制而较难满足于工业生产应用，从而限制了工业机器人的普及应用，对于满足工业生产的视觉检测方法的研究是一种挑战。同时，随着基于物体特征的机器视觉技术和图像处理算法的不断进步，具有优越性能的机器视觉系统在工业生产领域得到广泛应用。其中，基于提取颜色特征的算法简单且具有缩放旋转以及平移不变性，但颜色信息不足之处在于忽略了图像中的空间位置关系，并且颜色特征受外界光照因素干扰大。基于纹理特征物体检测方法能够很好的获取物体结构和空间信息，但对于某些工业产品其表面纹理特征不明显，基于纹理特征的检测方法适用性不高。而基于卷积神经网络的分类方法具有自适应性，能够自学习的提取本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的机器人控制目标位姿识别方法，其特征在于，包括：(1)利用双目摄像机采集正常运行过程中机器人控制目标不同位姿的图像数据作为样本图像，组成数据建模用的样本数据集；(2)对样本数据集内的样本图像进行标签标注，所述标签由姿态类别和特征点像素坐标组成；(3)利用标注后的样本数据集构建深层卷积神经网络模型；(4)采集控制目标新的图像样本，利用构建得到的深层卷积神经网络模型求取新的图像样本的姿态类别与特征点像素坐标；(5)求取双目摄像机对应的投影矩阵，建立像素坐标与空间坐标之间的变换关系；(6)根据像素坐标与空间坐标之间的变换关系，求取步骤(4)中所述特征点像素坐标对应的特征点三维...

【技术特征摘要】
1.一种基于卷积神经网络的机器人控制目标位姿识别方法，其特征在于，包括：(1)利用双目摄像机采集正常运行过程中机器人控制目标不同位姿的图像数据作为样本图像，组成数据建模用的样本数据集；(2)对样本数据集内的样本图像进行标签标注，所述标签由姿态类别和特征点像素坐标组成；(3)利用标注后的样本数据集构建深层卷积神经网络模型；(4)采集控制目标新的图像样本，利用构建得到的深层卷积神经网络模型求取新的图像样本的姿态类别与特征点像素坐标；(5)求取双目摄像机对应的投影矩阵，建立像素坐标与空间坐标之间的变换关系；(6)根据像素坐标与空间坐标之间的变换关系，求取步骤(4)中所述特征点像素坐标对应的特征点三维坐标；(7)将求得的特征点三维坐标变换映射至机器人控制坐标系，得到机器人控制坐标系下控制目标的位姿信息。2.根据权利要求1所述的基于卷积神经网络的机器人控制目标位姿识别方法，其特征在于，步骤(2)进行标签标注前，先对得到的样本图像进行预处理，得到设定大小的样本图像，然后再进行标签标注。3.根据权利要求1所述的基于卷积神经网络的机器人控制目标位姿识别方法，其特征在于，步骤(2)进行标签标注时，某一类姿态下的特征点为该类姿态下能观...

【专利技术属性】
技术研发人员：周乐，戴世请，李正刚，侯北平，陈立，冯玖强，介婧，郑慧，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江,33