论文部分内容阅读
摘 要：随着工业机器人的快速发展，充分地降低了工人从事枯燥性以及重复性较高的劳动的概率。除此之外，之所以工业机器人在智能工厂中的作用受到社会公众广泛地关注，不仅是因为它拥有减少企业生产成本、提高工作效率等优点，还由于我国工业自动化趋势导致的;换句话说，如何将机器视觉技术与工业机器人分拣任务相结合，是实现我国工业自动化的首要任务。本文通过深度学习技术的引入来满足共建检测及精确定位所需要的条件，进而围绕工业机器人视觉分拣方法展开研究，并提出相应的观点。
关键词：深度学习;工业机器人;视觉分拣;研究观点
引言
如何实现搬运、自动化分拣、物体的识别分类都是工业机器人的研究重点，这些问题的解决不仅能够实现物体的跟踪，还能够实现对工业机器人的行为进行分析，进而为其场景理解等能力的构建奠定了基础。特称提取法作为传统的分类方法，能够实现图像特征的提取，并在当前场景的分类模型中得到广泛地应用，然而它的分类准确率很容易受到图像特征设计的影响。卷积神经网络通过自动学习的方式既能够在图像特征的获取过程中避免手工设计特征等复杂工序，还能够降低遮挡、图像的变形、光照的变化等因素造成的影响。
一、工业机器人视域下的视觉问题
在工业机器人得到广泛应用的今天，虽然它们能够根据已编写的程序进行一定的功能执行;但是，传统的接触测量法可能造成机器与观测者出现接触损伤。工业机器人涉及到的工作主要由组装、分拣、放置、采集、测试、产品检测等内容，而工作效果主要由工业机器人对目标的识别以及准确检测程度决定。换句话说，工业机器人的视觉系统不仅是完成指令的基础，更是识别客观世界的重要内容[1]。除此之外，我国大约75%的工业机器人的设局exit被使用与目标的检测以及人物的识别，例如：产品品质的控制、生产效率的提高、是产品资料的采集。如果能够实现其视觉系统识别能力的强化以及目标分类准确性的提高，就能够解决工业机器人视域下处理性能中的大部分问题，进而实现我国整体经济地提高。
二、基于深度学习的图像特征提取技术
（一）神经网络
神经网络主要分为两个部分。第一，逻辑回归，它是由线性回归提取出的一种能够应用在分类方面的计息学习算法。逻辑回归模型与人类大脑神经元的构造极其相似，一个神经元可以按照与其相连神经元所输入的x进行相应的行为，并把已激活的数值y传递到下一个神经元[2]。第二，人工神经网络，它通过对动物中枢神经系统结构的模仿实现数学模型的建立，也被称作神经网络。如图一所示为单个神经元模型的结构示意图，x1、x2、x3作为神经元的输出，为求出神经网络最小值俗称部分的输出值，可以利用sigmoid函数求得其输出值为。
（二）卷积神经网络
卷积神经网络与传统的神经网络拥有相似之处，但网络是拥有学习等基本元素的神经元，换句话说，将卷积神经网络使用到分类的过程可以视为一个可导的得分函数。卷积层作为图像样本被划分为自然信号的范围内;该图像当中势必会存在于其他区域相同的统计特性，因此它能够实现所学信息的区域转换。经过池化层得到的图像依旧拥有较高的维度，因此它能被直接训练分类器过拟合。能够反向传播，实现卷积核的学习，例如：颜色特征的学习、边缘特征的学习、基本视觉特征的学习。除此之外，当卷积或者池化操作结束后，会与激励层直接相连。
二、基于深度学习的局部线性嵌入框架
（一）局部线性嵌入算法
局部线性嵌入算法作为非线性降费方法中的代表，它可以让降维后的数据能够保持较为完整的流形结构[3]。它区别于线性判别式分析以及主成分分析等关注样本方差的降维法，它能够在降维的过程中让样本的局部线性特征保持不变，进而被使用在高维数据可视化、图像物体识别等项目里。局部线性嵌入算法能够实现样本数据与局部线性相关性的假设，利用相邻数据样本的相性表达方式实现对该数据样本的表示。其表达式为：x1=w12x2+w13x3+w14x4。
（二）图像的分类
图像分类算法是解决工业机器人视觉问题的重要问题之一，它能够在已存在的固定分类标签集合中进行筛选，找出相应的分类标签并将其分配给输入图像。在机器视觉中，许多与分类无关的任务都可以被转化成图像的分类问题进行解决，例如：物品的分割、检测、定位等。除此之外，由于工业场景的实际拍摄受到视角、光照、前景大小等因素的限制，会让图像出现畸变;当不同类别产品出现了不易区分的特点，同样会为图像的分类提供阻碍。图像的分类过程可分为输入、学习、评价[4]。针对工业机器人的视域以及物体的识别分类这一任务，技术人员让具备鲁棒性的图像特征训练分类器能够从样本中被提取出来。
结束语
由于人工智能的快速发展，深度学习会对物体分类识别任务造成直接影响。为了落实对输入数据的描述，要采取有监督以及无监督学习的方式获取输入数据相关的层次变化特征。基于深度学习的图像特征提取技术十分重要，人们甚至可以在ImageNet挑战赛上发现它的身影。实现工业机器人视觉分拣方法的研究工作中，最为关键的一步即如何让机器人实现对视域下的目标图片展开特征提取以及分类。想要推进工业机器人视觉技术的发展，就要深入到特征的提取分类以及其模型的研究当中，通过深度学习与图像物体分类相结合的方式，最终实现我国自动化技术的长久发展。
参考文献
[1]刘亚梅.基于深度学习的工业机器人视觉特征提取技术研究[D].安徽工程大学，2017.
[2]张超.基于视觉引导的工业机器人应用研究[D].陕西科技大学，2017.
[3]徐家宝.基于视觉的机器人分拣系统[D].湖南大学，2017.
[4]伍锡如，黄国明，孙立宁.基于深度学习的工业分拣机器人快速视觉识别与定位算法[J].机器人，2016，3806：711-719.
作者簡介：
潘才锦（1988.04）男;民族：汉族;籍贯：广西兴业县;职称：机器视觉工程师;学历：本科;研究方向：工业自动化。
关键词：深度学习;工业机器人;视觉分拣;研究观点
引言
如何实现搬运、自动化分拣、物体的识别分类都是工业机器人的研究重点，这些问题的解决不仅能够实现物体的跟踪，还能够实现对工业机器人的行为进行分析，进而为其场景理解等能力的构建奠定了基础。特称提取法作为传统的分类方法，能够实现图像特征的提取，并在当前场景的分类模型中得到广泛地应用，然而它的分类准确率很容易受到图像特征设计的影响。卷积神经网络通过自动学习的方式既能够在图像特征的获取过程中避免手工设计特征等复杂工序，还能够降低遮挡、图像的变形、光照的变化等因素造成的影响。
一、工业机器人视域下的视觉问题
在工业机器人得到广泛应用的今天，虽然它们能够根据已编写的程序进行一定的功能执行;但是，传统的接触测量法可能造成机器与观测者出现接触损伤。工业机器人涉及到的工作主要由组装、分拣、放置、采集、测试、产品检测等内容，而工作效果主要由工业机器人对目标的识别以及准确检测程度决定。换句话说，工业机器人的视觉系统不仅是完成指令的基础，更是识别客观世界的重要内容[1]。除此之外，我国大约75%的工业机器人的设局exit被使用与目标的检测以及人物的识别，例如：产品品质的控制、生产效率的提高、是产品资料的采集。如果能够实现其视觉系统识别能力的强化以及目标分类准确性的提高，就能够解决工业机器人视域下处理性能中的大部分问题，进而实现我国整体经济地提高。
二、基于深度学习的图像特征提取技术
（一）神经网络
神经网络主要分为两个部分。第一，逻辑回归，它是由线性回归提取出的一种能够应用在分类方面的计息学习算法。逻辑回归模型与人类大脑神经元的构造极其相似，一个神经元可以按照与其相连神经元所输入的x进行相应的行为，并把已激活的数值y传递到下一个神经元[2]。第二，人工神经网络，它通过对动物中枢神经系统结构的模仿实现数学模型的建立，也被称作神经网络。如图一所示为单个神经元模型的结构示意图，x1、x2、x3作为神经元的输出，为求出神经网络最小值俗称部分的输出值，可以利用sigmoid函数求得其输出值为。
（二）卷积神经网络
卷积神经网络与传统的神经网络拥有相似之处，但网络是拥有学习等基本元素的神经元，换句话说，将卷积神经网络使用到分类的过程可以视为一个可导的得分函数。卷积层作为图像样本被划分为自然信号的范围内;该图像当中势必会存在于其他区域相同的统计特性，因此它能够实现所学信息的区域转换。经过池化层得到的图像依旧拥有较高的维度，因此它能被直接训练分类器过拟合。能够反向传播，实现卷积核的学习，例如：颜色特征的学习、边缘特征的学习、基本视觉特征的学习。除此之外，当卷积或者池化操作结束后，会与激励层直接相连。
二、基于深度学习的局部线性嵌入框架
（一）局部线性嵌入算法
局部线性嵌入算法作为非线性降费方法中的代表，它可以让降维后的数据能够保持较为完整的流形结构[3]。它区别于线性判别式分析以及主成分分析等关注样本方差的降维法，它能够在降维的过程中让样本的局部线性特征保持不变，进而被使用在高维数据可视化、图像物体识别等项目里。局部线性嵌入算法能够实现样本数据与局部线性相关性的假设，利用相邻数据样本的相性表达方式实现对该数据样本的表示。其表达式为：x1=w12x2+w13x3+w14x4。
（二）图像的分类
图像分类算法是解决工业机器人视觉问题的重要问题之一，它能够在已存在的固定分类标签集合中进行筛选，找出相应的分类标签并将其分配给输入图像。在机器视觉中，许多与分类无关的任务都可以被转化成图像的分类问题进行解决，例如：物品的分割、检测、定位等。除此之外，由于工业场景的实际拍摄受到视角、光照、前景大小等因素的限制，会让图像出现畸变;当不同类别产品出现了不易区分的特点，同样会为图像的分类提供阻碍。图像的分类过程可分为输入、学习、评价[4]。针对工业机器人的视域以及物体的识别分类这一任务，技术人员让具备鲁棒性的图像特征训练分类器能够从样本中被提取出来。
结束语
由于人工智能的快速发展，深度学习会对物体分类识别任务造成直接影响。为了落实对输入数据的描述，要采取有监督以及无监督学习的方式获取输入数据相关的层次变化特征。基于深度学习的图像特征提取技术十分重要，人们甚至可以在ImageNet挑战赛上发现它的身影。实现工业机器人视觉分拣方法的研究工作中，最为关键的一步即如何让机器人实现对视域下的目标图片展开特征提取以及分类。想要推进工业机器人视觉技术的发展，就要深入到特征的提取分类以及其模型的研究当中，通过深度学习与图像物体分类相结合的方式，最终实现我国自动化技术的长久发展。
参考文献
[1]刘亚梅.基于深度学习的工业机器人视觉特征提取技术研究[D].安徽工程大学，2017.
[2]张超.基于视觉引导的工业机器人应用研究[D].陕西科技大学，2017.
[3]徐家宝.基于视觉的机器人分拣系统[D].湖南大学，2017.
[4]伍锡如，黄国明，孙立宁.基于深度学习的工业分拣机器人快速视觉识别与定位算法[J].机器人，2016，3806：711-719.
作者簡介：
潘才锦（1988.04）男;民族：汉族;籍贯：广西兴业县;职称：机器视觉工程师;学历：本科;研究方向：工业自动化。