闫明，陶大鹏，普园媛

云南大学信息学院，昆明 650500

0 引 言

现代工业零件分拣系统大多先依赖视觉检测器对混杂目标进行检测定位，然后引导机械臂抓取期望目标完成分拣。该任务在机器人学中称为随机分拣(random bin picking)，目前有大量研究者对此研究，并提出不同的解决方案(Blank等，2019)。图1所示的SCARA(selective compliance assembly robot arm)分拣系统是一种已经运用于实际生产的方案，由SCARA、相机、工控机和震盘组成。这种系统通过相机拍摄目标的图像，然后依赖视觉检测器对平面上的目标进行识别定位，引导机械臂完成分拣。由于该系统采用了2D相机和SCARA机械臂作为主要硬件，并且使用震盘辅助识别和分拣，在成本和效率上都有显著优势，极具应用价值。

图1 SCARA分拣系统Fig.1 SCARA picking system

近年来，针对自然场景的目标检测算法有了长足发展，然而应用在上述SCARA零件分拣系统时却难以获得理想结果，这是由于该系统的特殊需求造成的，主要包括：1)工业现场需要快速部署，算法需要在少量样本情况下快速调整参数；2)待检测目标的表面通常色彩单一，没有丰富的纹理细节，称之为低纹理目标(texture-less objects)；3)工控机计算能力有限，难以部署流行的深度学习算法。以上特性给目标检测算法在分拣系统的应用带来了特殊的挑战。

基于卷积神经网络的方法,如YOLO(you only look once)(Redmon等，2016)和Faster-RCNN(faster region-based convolutional neural network)(Ren等，2017)在自然场景的目标检测中取得了很好的效果。然而，这类方法一方面需要大量数据进行训练(Zhao等，2019)，昂贵的数据收集和标注成本限制了其在工业分拣中的应用；另一方面往往依赖GPU(graphics processing unit)完成推理过程(赵永强 等，2020)，难以在运算能力有限的工控机上部署。……