摘 要：隨著工業(yè)機(jī)器人的快速發(fā)展，充分地降低了工人從事枯燥性以及重復(fù)性較高的勞動(dòng)的概率。除此之外，之所以工業(yè)機(jī)器人在智能工廠中的作用受到社會(huì)公眾廣泛地關(guān)注，不僅是因?yàn)樗鼡碛袦p少企業(yè)生產(chǎn)成本、提高工作效率等優(yōu)點(diǎn)，還由于我國(guó)工業(yè)自動(dòng)化趨勢(shì)導(dǎo)致的;換句話說(shuō)，如何將機(jī)器視覺(jué)技術(shù)與工業(yè)機(jī)器人分揀任務(wù)相結(jié)合，是實(shí)現(xiàn)我國(guó)工業(yè)自動(dòng)化的首要任務(wù)。本文通過(guò)深度學(xué)習(xí)技術(shù)的引入來(lái)滿足共建檢測(cè)及精確定位所需要的條件，進(jìn)而圍繞工業(yè)機(jī)器人視覺(jué)分揀方法展開研究，并提出相應(yīng)的觀點(diǎn)。

關(guān)鍵詞：深度學(xué)習(xí);工業(yè)機(jī)器人;視覺(jué)分揀;研究觀點(diǎn)

引言

如何實(shí)現(xiàn)搬運(yùn)、自動(dòng)化分揀、物體的識(shí)別分類都是工業(yè)機(jī)器人的研究重點(diǎn)，這些問(wèn)題的解決不僅能夠?qū)崿F(xiàn)物體的跟蹤，還能夠?qū)崿F(xiàn)對(duì)工業(yè)機(jī)器人的行為進(jìn)行分析，進(jìn)而為其場(chǎng)景理解等能力的構(gòu)建奠定了基礎(chǔ)。特稱提取法作為傳統(tǒng)的分類方法，能夠?qū)崿F(xiàn)圖像特征的提取，并在當(dāng)前場(chǎng)景的分類模型中得到廣泛地應(yīng)用，然而它的分類準(zhǔn)確率很容易受到圖像特征設(shè)計(jì)的影響。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)自動(dòng)學(xué)習(xí)的方式既能夠在圖像特征的獲取過(guò)程中避免手工設(shè)計(jì)特征等復(fù)雜工序，還能夠降低遮擋、圖像的變形、光照的變化等因素造成的影響。

一、工業(yè)機(jī)器人視域下的視覺(jué)問(wèn)題

在工業(yè)機(jī)器人得到廣泛應(yīng)用的今天，雖然它們能夠根據(jù)已編寫的程序進(jìn)行一定的功能執(zhí)行;但是，傳統(tǒng)的接觸測(cè)量法可能造成機(jī)器與觀測(cè)者出現(xiàn)接觸損傷。工業(yè)機(jī)器人涉及到的工作主要由組裝、分揀、放置、采集、測(cè)試、產(chǎn)品檢測(cè)等內(nèi)容，而工作效果主要由工業(yè)機(jī)器人對(duì)目標(biāo)的識(shí)別以及準(zhǔn)確檢測(cè)程度決定。換句話說(shuō)，工業(yè)機(jī)器人的視覺(jué)系統(tǒng)不僅是完成指令的基礎(chǔ)，更是識(shí)別客觀世界的重要內(nèi)容[1]。除此之外，我國(guó)大約75%的工業(yè)機(jī)器人的設(shè)局exit被使用與目標(biāo)的檢測(cè)以及人物的識(shí)別，例如：產(chǎn)品品質(zhì)的控制、生產(chǎn)效率的提高、是產(chǎn)品資料的采集。如果能夠?qū)崿F(xiàn)其視覺(jué)系統(tǒng)識(shí)別能力的強(qiáng)化以及目標(biāo)分類準(zhǔn)確性的提高，就能夠解決工業(yè)機(jī)器人視域下處理性能中的大部分問(wèn)題，進(jìn)而實(shí)現(xiàn)我國(guó)整體經(jīng)濟(jì)地提高。

二、基于深度學(xué)習(xí)的圖像特征提取技術(shù)

（一）神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)主要分為兩個(gè)部分。第一，邏輯回歸，它是由線性回歸提取出的一種能夠應(yīng)用在分類方面的計(jì)息學(xué)習(xí)算法。邏輯回歸模型與人類大腦神經(jīng)元的構(gòu)造極其相似，一個(gè)神經(jīng)元可以按照與其相連神經(jīng)元所輸入的x進(jìn)行相應(yīng)的行為，并把已激活的數(shù)值y傳遞到下一個(gè)神經(jīng)元[2]。第二，人工神經(jīng)網(wǎng)絡(luò)，它通過(guò)對(duì)動(dòng)物中樞神經(jīng)系統(tǒng)結(jié)構(gòu)的模仿實(shí)現(xiàn)數(shù)學(xué)模型的建立，也被稱作神經(jīng)網(wǎng)絡(luò)。如圖一所示為單個(gè)神經(jīng)元模型的結(jié)構(gòu)示意圖，x1、x2、x3作為神經(jīng)元的輸出，為求出神經(jīng)網(wǎng)絡(luò)最小值俗稱部分的輸出值，可以利用sigmoid函數(shù)求得其輸出值為。

（二）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)擁有相似之處，但網(wǎng)絡(luò)是擁有學(xué)習(xí)等基本元素的神經(jīng)元，換句話說(shuō)，將卷積神經(jīng)網(wǎng)絡(luò)使用到分類的過(guò)程可以視為一個(gè)可導(dǎo)的得分函數(shù)。卷積層作為圖像樣本被劃分為自然信號(hào)的范圍內(nèi);該圖像當(dāng)中勢(shì)必會(huì)存在于其他區(qū)域相同的統(tǒng)計(jì)特性，因此它能夠?qū)崿F(xiàn)所學(xué)信息的區(qū)域轉(zhuǎn)換。經(jīng)過(guò)池化層得到的圖像依舊擁有較高的維度，因此它能被直接訓(xùn)練分類器過(guò)擬合。能夠反向傳播，實(shí)現(xiàn)卷積核的學(xué)習(xí)，例如：顏色特征的學(xué)習(xí)、邊緣特征的學(xué)習(xí)、基本視覺(jué)特征的學(xué)習(xí)。除此之外，當(dāng)卷積或者池化操作結(jié)束后，會(huì)與激勵(lì)層直接相連。

二、基于深度學(xué)習(xí)的局部線性嵌入框架

（一）局部線性嵌入算法

局部線性嵌入算法作為非線性降費(fèi)方法中的代表，它可以讓降維后的數(shù)據(jù)能夠保持較為完整的流形結(jié)構(gòu)[3]。它區(qū)別于線性判別式分析以及主成分分析等關(guān)注樣本方差的降維法，它能夠在降維的過(guò)程中讓樣本的局部線性特征保持不變，進(jìn)而被使用在高維數(shù)據(jù)可視化、圖像物體識(shí)別等項(xiàng)目里。局部線性嵌入算法能夠?qū)崿F(xiàn)樣本數(shù)據(jù)與局部線性相關(guān)性的假設(shè)，利用相鄰數(shù)據(jù)樣本的相性表達(dá)方式實(shí)現(xiàn)對(duì)該數(shù)據(jù)樣本的表示。其表達(dá)式為：x1=w12x2+w13x3+w14x4。

（二）圖像的分類

圖像分類算法是解決工業(yè)機(jī)器人視覺(jué)問(wèn)題的重要問(wèn)題之一，它能夠在已存在的固定分類標(biāo)簽集合中進(jìn)行篩選，找出相應(yīng)的分類標(biāo)簽并將其分配給輸入圖像。在機(jī)器視覺(jué)中，許多與分類無(wú)關(guān)的任務(wù)都可以被轉(zhuǎn)化成圖像的分類問(wèn)題進(jìn)行解決，例如：物品的分割、檢測(cè)、定位等。除此之外，由于工業(yè)場(chǎng)景的實(shí)際拍攝受到視角、光照、前景大小等因素的限制，會(huì)讓圖像出現(xiàn)畸變;當(dāng)不同類別產(chǎn)品出現(xiàn)了不易區(qū)分的特點(diǎn)，同樣會(huì)為圖像的分類提供阻礙。圖像的分類過(guò)程可分為輸入、學(xué)習(xí)、評(píng)價(jià)[4]。針對(duì)工業(yè)機(jī)器人的視域以及物體的識(shí)別分類這一任務(wù)，技術(shù)人員讓具備魯棒性的圖像特征訓(xùn)練分類器能夠從樣本中被提取出來(lái)。

結(jié)束語(yǔ)

由于人工智能的快速發(fā)展，深度學(xué)習(xí)會(huì)對(duì)物體分類識(shí)別任務(wù)造成直接影響。為了落實(shí)對(duì)輸入數(shù)據(jù)的描述，要采取有監(jiān)督以及無(wú)監(jiān)督學(xué)習(xí)的方式獲取輸入數(shù)據(jù)相關(guān)的層次變化特征?；谏疃葘W(xué)習(xí)的圖像特征提取技術(shù)十分重要，人們甚至可以在ImageNet挑戰(zhàn)賽上發(fā)現(xiàn)它的身影。實(shí)現(xiàn)工業(yè)機(jī)器人視覺(jué)分揀方法的研究工作中，最為關(guān)鍵的一步即如何讓機(jī)器人實(shí)現(xiàn)對(duì)視域下的目標(biāo)圖片展開特征提取以及分類。想要推進(jìn)工業(yè)機(jī)器人視覺(jué)技術(shù)的發(fā)展，就要深入到特征的提取分類以及其模型的研究當(dāng)中，通過(guò)深度學(xué)習(xí)與圖像物體分類相結(jié)合的方式，最終實(shí)現(xiàn)我國(guó)自動(dòng)化技術(shù)的長(zhǎng)久發(fā)展。

參考文獻(xiàn)

[1]劉亞梅.基于深度學(xué)習(xí)的工業(yè)機(jī)器人視覺(jué)特征提取技術(shù)研究[D].安徽工程大學(xué)，2017.

[2]張超.基于視覺(jué)引導(dǎo)的工業(yè)機(jī)器人應(yīng)用研究[D].陜西科技大學(xué)，2017.

[3]徐家寶.基于視覺(jué)的機(jī)器人分揀系統(tǒng)[D].湖南大學(xué)，2017.

[4]伍錫如，黃國(guó)明，孫立寧.基于深度學(xué)習(xí)的工業(yè)分揀機(jī)器人快速視覺(jué)識(shí)別與定位算法[J].機(jī)器人，2016，3806：711-719.

作者簡(jiǎn)介：

潘才錦（1988.04）男;民族：漢族;籍貫：廣西興業(yè)縣;職稱：機(jī)器視覺(jué)工程師;學(xué)歷：本科;研究方向：工業(yè)自動(dòng)化。