基于深度學習模型的零件分類與抓取研究.pdf

1、工業(yè)機器人處理商品或者零件分揀時，通常需要人工設(shè)置工作環(huán)境，實現(xiàn)相應零件的分揀動作。在計算機技術(shù)快速發(fā)展的今天，實現(xiàn)機器人自動分揀零件的基礎(chǔ)已經(jīng)成熟。通過使用機器學習，結(jié)合大規(guī)模的訓練，使機械手自動抓取相應的零件，最終實現(xiàn)完整的自動化生產(chǎn)過程。機器人自動分揀零件的過程中需要解決兩個問題，可概括為“識別”問題和“撿起”問題。近年來，將深度學習用于圖像識別是一種新的發(fā)展趨勢。在這方面有非常好的應用實例，也具有寬廣的研究空間。在處理現(xiàn)實環(huán)境與

2、機器人的交互問題時，近年來流行的做法是采用計算機視覺的手段。深度學習是一種特征學習方法，通過簡單但非線性的模型將原始數(shù)據(jù)轉(zhuǎn)換為更高級，更抽象的表達。通過足夠多的轉(zhuǎn)換和組合的方式，甚至可以學習到非常復雜的非線性函數(shù)。而且這種學習方式是不需要人工參與設(shè)計，學習過程是數(shù)據(jù)推動型的。受益于可用計算能力和數(shù)據(jù)量的增加，在不久的將來，深度學習方法的應用環(huán)境將更加成熟。
　　本文研究了一些深度學習模型，發(fā)現(xiàn)深度學習模型可以很好地提取數(shù)據(jù)的語義。

3、對于建立在大數(shù)據(jù)基礎(chǔ)上的工業(yè)標準，深度學習可以充分利用并發(fā)揮數(shù)據(jù)的特性。因此本文著重研究了深度學習模型在樣本特征提取過程的工作。
　　主要研究工作如下：
　　（1）利用深度學習模型的特征學習能力，提取零件圖片的語義信息，通過無監(jiān)督的方式從圖片中學習到有效的特征描述。設(shè)計了一種深層次的神經(jīng)網(wǎng)絡模型，利用實際收集到的零件圖片數(shù)據(jù)對模型效率進行評估。
　　（2）使用了卷積網(wǎng)絡結(jié)合限制性玻爾茲曼機的方式改進了卷積深度置信網(wǎng)絡，