【技术实现步骤摘要】
一种基于全局方向上下文特征的机器人抓取检测方法
[0001]本说明书涉及计算机
,特别涉及一种基于全局方向上下文特征的机器人抓取检测方法
。
技术介绍
[0002]抓取任务是工业生产中的一种常见任务,且部分场景中的危险系数较高
。
近年来,越来越多的机器人应用于抓取检测任务中,通过在待抓取物体上生成抓取区域,规划抓取路径实现对物体的抓取检测
。
但因为环境的复杂性,机器人需要对大量数据进行处理,来提高抓取区域的准确率,但处理时间大大增加;机器人通过对局部特征进行处理,从而减少了处理时间,同时抓取检测准确率也会降低
。
[0003]为了解决以上问题,提出了一种基于全局方向上下文特征的机器人抓取检测方法
。
技术实现思路
[0004]本说明书一个或多个实施例提供一种基于全局方向上下文特征的机器人抓取检测方法
。
所述基于全局方向上下文特征的机器人抓取检测方法包括:
S1
:对抓取数据集进行预处理,获取网络训练集;
S2
:将所述网络训练集作为输入,训练初始抓取检测网络,得到抓取检测网络模型;
S3
:基于所述网络训练集,通过所述抓取检测网络的全局方向上下文特征提取模块,获取全局方向的特征图像;所述全局方向上下文特征提取模块用于提取输入数据的全局方向特征;
S4
:基于所述全局方向的特征图像,通过所述抓取检测网络,获取有效抓取框;
S5
:通过
【技术保护点】
【技术特征摘要】
1.
一种基于全局方向上下文特征的机器人抓取检测方法,其特征在于,包括:
S1
:对抓取数据集进行预处理,获取网络训练集;
S2
:将所述网络训练集作为输入,训练初始抓取检测网络,得到抓取检测网络模型;
S3
:基于所述网络训练集,通过所述抓取检测网络的全局方向上下文特征提取模块,获取全局方向的特征图像;所述全局方向上下文特征提取模块用于提取输入数据的全局方向特征;
S4
:基于所述全局方向的特征图像,通过所述抓取检测网络,获取有效抓取框;
S5
:通过对所述有效抓取框进行坐标转换,获取抓取指令,使工业机器人完成抓取检测任务
。2.
根据权利要求1所述的一种基于全局方向上下文特征的机器人抓取检测方法,其特征在于,步骤
S1
具体包括:
S11
:对所述抓取数据集进行排序和遍历,获取多个无结构文件;所述抓取数据集是康奈尔数据集;
S12
:基于所述无结构的文件,通过预设算法,获取对应尺寸的深度图像;
S13
:对所述深度图像进行数据修复,获取浮点数类型的
TIFF
图像文件,作为所述网络训练集
。3.
根据权利要求2所述的一种基于全局方向上下文特征的机器人抓取检测方法,其特征在于,所述步骤
S12
具体包括:获取初始深度图像;所述初始深度图像是初始值为0矩阵的图像;读取所述无结构文件的每一行的文件内容,获取有效行数据;所述有效行数据是列表长度为5且第一个位置数据转换的浮点数为有效值的行的数据;基于有效行数据,通过计算,获取对应的行号
r
和列号
c
:
r
=
i/shape[1]、c
=
i
%
shape[1]
;基于有效行数据中的第二
、
第三和第四位置的值,计算欧氏距离,将结果存储于所述矩阵的对应位置
(r,c)
上,获取所述深度图像
。4.
根据权利要求2所述的一种基于全局方向上下文特征的机器人抓取检测方法,其特征在于,所述步骤
S13
具体包括:对所述深度图像的边界进行复制扩展,获取扩展图像;创建与所述扩展图像大小相同的掩膜;所述掩膜中缺失值对应的像素为1,其余像素为0;对所述扩展图像进行缩放,获取取值范围在
[
‑
1,1]
之间的扩展图像;基于
OpenCV
的
inpaint
函数,修复所述扩展图像,通过所述掩膜填充将缺失的像素,获取修复后的扩展图像;将所述修复后的扩展图像恢复到原始大小和取值范围,获取修复后的深度图像;对所述修复后的深度图像进行数据转换,获取所述浮点数类型的
TIFF
图像文件
。5.
根据权利要求1所述的一种基于全局方向上下文特征的机器人抓取检测方法,其特征在于,所述步骤
S2
具体包括:基于
Smooth L1
损失函数,调整初始抓取检测网络模型的参数;所述
Smooth L1
损失函
数为:其中,所述
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。