孙雄峰,林 浒,王诗宇,郑飂默

1(中国科学院大学,北京 100049)

2(中国科学院 沈阳计算技术研究所 高档数控国家工程研究中心,沈阳 110168)

分拣机器人作为一种专用机器人的形式,通常只能完成特定的工件分拣任务.在目前实际应用中,很多机器人是通过示教或是离线编程方式完成一些固定的操作[1].近年来,随着机器视觉的发展,在机器人中引入视觉模块,在机器人视觉系统中利用图像处理技术[2]对工件图像进行预处理,利用特征工程技术[3]抽象出特征向量,进而由具体的像素坐标框定出目标位置并对目标进行分类.这种方法虽快速然精度不足,难以满足更加智能化场景的需求.

随着深度学习的发展,物体检测的相关研究呈现出从具体目标到泛化目标,从特征工程到深度学习的发展趋势.检测的目标从特定的几种物体到任意物体,检测算法采用的特征从简单的像素,到统计型描述子,再到卷积神经网络中间层,并且特征从稀疏到稠密、从主观设计的人工特征到可以抽象高层语义信息的自动生成特征.在物体检测中,特征是核心.更具表达力的特征往往带来更优良的结果.而在工业生产中,并无成熟的深度学习算法应用,究其原因,就是深度学习算法尚且无法满足工业的实时性要求.

面向实时的Faster RCNN[4]算法在检测速度上的提升给工业机器人带来了新的变化,它基本满足了工业实时性要求.同时,Faster RCNN 作为一种通用算法框架,不同于特征……