王 杨，李东年，陈成军，赵正旭

(青岛理工大学机械与汽车工程学院，山东 青岛 266520)

0 引言

工业机器人应用于分拣、搬运和装配等工业环境中，极大提升了生产的效率。其中分拣作业是一个十分重要的环节，在分拣作业中，零件分割的结果直接影响着零件分拣能否顺利地进行。

对于零件识别分割，目前研究已经取得了一些进展。刘学平等[1]为了准确识别出图像中的目标零件,提出一种自适应边缘优化的改进YOLOv3目标识别算法。李庆利等[2]通过计算颜色间的灰色关联度来确定像素点间隶属关系，求得特征颜色，完成零件图像分割。这些方法依赖于零件的轮廓和纹理等特征，在工业环境下，存在油渍污染，导致零件的纹理信息缺失。

在深度学习方面，陈廷炯等[3]为完成机器人抓取零件的任务，利用语义分割模型对彩色图进行分割。黄海松等[4]利用卷积神经网络对零件图像提取特征，通过Mask RCNN对零件进行实例分割。卷积神经网络需要大量的图片进行训练，但这些方法采用的数据集大多是通过人工完成，人工采集、标注图像浪费了大量的时间和精力，且人工标注存在主观因素，使得标签图标注不准确，影响网络的训练结果。

本文利用三维仿真技术，通过三维渲染引擎OSG和物理引擎Bullet建立了杂乱场景零件训练集合成系统，该系统可以自动完成图像的采集、标注工作。本文首先利用杂乱场景零件训练集合成系统，构建了三种合成训练集，然后通过迁移学习中的微调(fine tune)方法，对Mask RCNN网络模型进行训练，最后通过Kinect视觉传感器采集不同零件数目的真实图像，对训练好的模型进行测试，分析模型对零件的分割结果。……