楊靜宜，王靜紅，崔建弘

（1.河北工程技術(shù)學(xué)院人工智能與大數(shù)據(jù)學(xué)院，河北 石家莊 050091；2.河北師范大學(xué)計(jì)算機(jī)與網(wǎng)絡(luò)空間安全學(xué)院，河北 石家莊 050091）

1 引言

我國(guó)作為世界工業(yè)產(chǎn)品的主要生產(chǎn)國(guó)家，工業(yè)品出口數(shù)量極其龐大。隨著我國(guó)工業(yè)技術(shù)［1］的不斷發(fā)展，工業(yè)機(jī)器人［2］已逐步應(yīng)用在物流、倉(cāng)儲(chǔ)、車間廠房等相關(guān)領(lǐng)域中，代替人工從事分揀工作。由此工業(yè)機(jī)器人智能化進(jìn)入人們的視野，成為人們一時(shí)間爭(zhēng)相熱議的話題。零件分揀機(jī)器人作為工業(yè)機(jī)器人類別中最常見(jiàn)種類，其生產(chǎn)結(jié)構(gòu)體現(xiàn)工業(yè)機(jī)器人的特性。當(dāng)分揀機(jī)器人的生產(chǎn)結(jié)構(gòu)越來(lái)越精密，傳統(tǒng)目標(biāo)識(shí)別方法無(wú)法有效地完成目標(biāo)識(shí)別時(shí)，提出新的機(jī)器人目標(biāo)識(shí)別方法就變得尤為重要。

文獻(xiàn)［3］方法提出農(nóng)業(yè)機(jī)器人全方位目標(biāo)識(shí)別方法。該方法依據(jù)MIMO-OFDM 信道編碼理論構(gòu)建機(jī)器人框架；通過(guò)魚(yú)眼鏡頭采集工作環(huán)境圖像，構(gòu)建機(jī)器人的全方位目標(biāo)識(shí)別系統(tǒng)；最后基于圖像處理技術(shù)以及濾波算法完成機(jī)器人的全方位目標(biāo)識(shí)別。

文獻(xiàn)［4］方法提出基于動(dòng)態(tài)雙窗口的機(jī)器人視覺(jué)特征識(shí)別方法。該方法通過(guò)導(dǎo)航匹配結(jié)果與機(jī)器人位姿設(shè)定導(dǎo)航窗口，將采集的圖像顏色轉(zhuǎn)換成色調(diào)等參數(shù)；通過(guò)對(duì)圖像灰度處理建立圖像的直線模型；最后基于最小二乘法擬合機(jī)器人移動(dòng)距離偏差識(shí)別目標(biāo)。

文獻(xiàn)［5］方法提出晶格式集群機(jī)器人矩陣成型方法及實(shí)驗(yàn)。該方法依據(jù)離散化的晶格式群體系統(tǒng)以及離散化排列方式建立對(duì)稱分布矩陣；通過(guò)該矩陣計(jì)算元素的相似性；根據(jù)二維目標(biāo)幾何算法二值化處理分布式矩陣；最后基于計(jì)算結(jié)果的映射運(yùn)算，實(shí)現(xiàn)對(duì)目標(biāo)的定位識(shí)別。由于上述方法未能詳細(xì)分析分揀機(jī)器人運(yùn)動(dòng)規(guī)律，導(dǎo)致上述方法進(jìn)行目標(biāo)識(shí)別時(shí)，平均置信度低、識(shí)別時(shí)間長(zhǎng)、識(shí)別效果差。

為解決上述機(jī)器人目標(biāo)識(shí)別方法中存在的問(wèn)題，提出深度學(xué)習(xí)的車間零件分揀機(jī)器人目標(biāo)識(shí)別方法，該方法結(jié)合深度學(xué)習(xí)，以此為基礎(chǔ)實(shí)現(xiàn)機(jī)器人目標(biāo)識(shí)別，以期為工業(yè)生產(chǎn)提供助力。

2 零件分揀機(jī)器人目標(biāo)特征分析

在對(duì)零件分揀機(jī)器人［6］開(kāi)展目標(biāo)識(shí)別前，需要分析機(jī)器人運(yùn)動(dòng)規(guī)律提取目標(biāo)特征值向量。

2.1 分揀機(jī)器人運(yùn)動(dòng)規(guī)律分析

零件分揀機(jī)器人在工作時(shí)，設(shè)定機(jī)器人關(guān)節(jié)配置系數(shù)為p=(p1，p2，…，pa)，機(jī)器人關(guān)節(jié)的自由度數(shù)量用a標(biāo)記。

當(dāng)零件分揀機(jī)器人開(kāi)展第i項(xiàng)任務(wù)時(shí)，設(shè)定機(jī)器人的笛卡爾位置為mi，引用標(biāo)記mi*形式，以此獲取該分揀機(jī)器人的任務(wù)誤差值，過(guò)程如下式所示：

式中：σi—獲取的分揀機(jī)器人的任務(wù)誤差值。機(jī)器人笛卡爾位置是由動(dòng)力學(xué)函數(shù)fi以及機(jī)器人關(guān)節(jié)空間函數(shù)mi=fi(p) 決定，因此，需要計(jì)算任務(wù)誤差值與機(jī)器人機(jī)械臂關(guān)節(jié)角速度之間的關(guān)聯(lián)關(guān)系，結(jié)果如下式所示：

式中：Yi—機(jī)器人的任務(wù)雅可比系數(shù)，且Yi=αfi/αp；α—常數(shù)向量；關(guān)節(jié)角速度。

引入任務(wù)加權(quán)算法，設(shè)定機(jī)器人任務(wù)數(shù)量為a，以此定義關(guān)節(jié)角的表述形式，過(guò)程如下式所示：

式中：ωi—關(guān)節(jié)角速度的關(guān)聯(lián)權(quán)重向量；機(jī)器人關(guān)節(jié)的最小

配置系數(shù)。

由于機(jī)器人控制時(shí)間［7］變化無(wú)明顯波動(dòng)，因此，在計(jì)算時(shí)，將上述設(shè)定成忽略項(xiàng)，并對(duì)關(guān)節(jié)角速度二次規(guī)劃，過(guò)程如下式所示：

式中：T—迭代函數(shù)；A—機(jī)器人任務(wù)數(shù)量集；β—規(guī)劃向量。為規(guī)避機(jī)器人運(yùn)動(dòng)時(shí)遭受機(jī)械損傷，需要制定機(jī)器人的關(guān)節(jié)約束條件，制定過(guò)程如下式所示：

式中：ps—分揀機(jī)器人關(guān)節(jié)角的上限標(biāo)記；px—分揀機(jī)器人關(guān)節(jié)角的下限標(biāo)記；關(guān)節(jié)角速度上限；關(guān)節(jié)角速度下限；Δt—關(guān)節(jié)臂的控制時(shí)間。

2.2 分揀機(jī)器人目標(biāo)特征提取方法

依據(jù)上述機(jī)器人運(yùn)動(dòng)規(guī)律分析結(jié)果，使用SIFT算法完成分揀機(jī)器人的目標(biāo)特征提取。具體流程如下：

（1）獲取機(jī)器人尺度空間極值點(diǎn)

設(shè)定零件分揀機(jī)器人工作環(huán)境的二維圖像為B(m)，n，以此獲取機(jī)器人的尺度空間表述形式，過(guò)程如下式所示：

式中：(mi，ni)—二維圖像的像素空間位置；*—卷積運(yùn)算符號(hào)；C(m，n，δ)—尺度空間；B(m，n)—圖像函數(shù)；G(mi，ni，δ)—可變高斯函數(shù)；δ—坐標(biāo)尺度；exp—指數(shù)函數(shù)。依據(jù)上述計(jì)算結(jié)果建立圖像的高斯差分空間，過(guò)程如下式所示：

式中：E( )m，n，δ—獲取的高斯差分空間；k—常數(shù)。確定圖像空間極值點(diǎn)。

（2）分揀目標(biāo)的關(guān)鍵點(diǎn)定位

將確定的空間極值點(diǎn)作為機(jī)器人分揀目標(biāo)［8］的特征關(guān)鍵點(diǎn)，依據(jù)泰勒公式對(duì)其展開(kāi)，過(guò)程如下式所示：

式中：m—機(jī)器人的尺度空間坐標(biāo)位置；ε—展開(kāi)系數(shù)；E(m) —泰勒展開(kāi)結(jié)果。求導(dǎo)運(yùn)算上述泰勒展開(kāi)結(jié)果，并依據(jù)確定的極值點(diǎn)剔除圖像中對(duì)比度低的邊緣點(diǎn)。

（3）匹配圖像關(guān)鍵點(diǎn)

使用像素梯度幅值算法確定機(jī)器人移動(dòng)的主要方向，依據(jù)確定結(jié)果實(shí)現(xiàn)圖像的特征點(diǎn)匹配，提取目標(biāo)的特征點(diǎn)，過(guò)程如下式所示：

式中：?(m，n)—機(jī)器人的目標(biāo)關(guān)鍵點(diǎn)匹配結(jié)果；λ(m，n)—特征提取結(jié)果；γ—特征匹配系數(shù)；tan—正切函數(shù)。

（4）生成特征向量

依據(jù)上述獲取的圖像關(guān)鍵點(diǎn)為中心，在二維圖像中選定一個(gè)（8 × 8）窗口，通過(guò)計(jì)算圖像塊的梯度直方圖，獲取圖像的多維數(shù)據(jù)特征向量。

3 深度學(xué)習(xí)的機(jī)器人目標(biāo)識(shí)別方法

依據(jù)上述獲取的機(jī)器人目標(biāo)特征向量，明確識(shí)別目標(biāo)，建立基于深度學(xué)習(xí)［9］的目標(biāo)識(shí)別模型以及優(yōu)化模型，并且基于優(yōu)化模型完成機(jī)器人的目標(biāo)識(shí)別檢測(cè)。

3.1 確定編碼形式

基礎(chǔ)編碼器通常分成輸入層、隱含層以及重構(gòu)層三層架構(gòu)，并將其大致分為數(shù)據(jù)編碼以及數(shù)據(jù)解碼兩部分。

設(shè)定數(shù)據(jù)編碼的映射函數(shù)為f，輸入數(shù)據(jù)標(biāo)記f(m) 形式，以此計(jì)算編碼器的隱含層輸出數(shù)據(jù)，過(guò)程如下式所示：

式中：gf—激活函數(shù)用；η—權(quán)值矩陣；bn—偏置項(xiàng)。數(shù)據(jù)解碼時(shí)，通過(guò)逆映射函數(shù)重構(gòu)隱含層數(shù)據(jù)，完成編碼數(shù)據(jù)的重構(gòu)，過(guò)程如下式所示：

式中：ηTn—編碼器的權(quán)值轉(zhuǎn)置系數(shù)；θ—訓(xùn)練參數(shù)；m'—編碼的重構(gòu)數(shù)據(jù)；h(n) —重構(gòu)向量；bm'—偏置系數(shù)；Dx—訓(xùn)練數(shù)據(jù)集；σ—重構(gòu)誤差；?AE(θ) —數(shù)據(jù)的最小化表現(xiàn)。

3.2 車間零件分揀機(jī)器人目標(biāo)識(shí)別

基于上述確定的編碼器編碼形式，結(jié)合深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)，構(gòu)建零件分揀機(jī)器人的目標(biāo)識(shí)別模型。

3.2.1 模型結(jié)構(gòu)

目標(biāo)檢測(cè)模型的具體結(jié)構(gòu)，如圖1所示。

圖1 機(jī)器人目標(biāo)識(shí)別模型Fig.1 Robot Target Recognition Model

分析圖1可知，機(jī)器人目標(biāo)識(shí)別模型主要依據(jù)棧式壓縮自動(dòng)編碼器堆疊而成。

由于該模型在識(shí)別目標(biāo)時(shí)，模型快速進(jìn)入擬合情況，因此，需要通過(guò)模型訓(xùn)練尋找模型最優(yōu)參數(shù)。

3.2.2 模型訓(xùn)練

使用自動(dòng)編碼器訓(xùn)練模型時(shí)，模型會(huì)提前進(jìn)入擬合情況，從而降低模型的識(shí)別能力。因此，在自動(dòng)編碼器中加入規(guī)則項(xiàng)，對(duì)模型實(shí)施權(quán)重懲罰。設(shè)定模型的權(quán)值衰減函數(shù)如下式所示：

式中：?AE(θ)—模型的權(quán)值衰減函數(shù)；τ‖W‖—規(guī)則項(xiàng)權(quán)重。

為增強(qiáng)輸入數(shù)據(jù)的魯棒性，需計(jì)算編碼的映射函數(shù)［10］與雅克比矩陣?f(m) 的范數(shù)平方根以及目標(biāo)函數(shù)，過(guò)程如下式所示：

式中：?cae(θ)—編碼器目標(biāo)函數(shù)；范數(shù)平方根。

模型訓(xùn)練時(shí)，目標(biāo)的隱含層輸入數(shù)據(jù)m偏導(dǎo)數(shù)為0，說(shuō)明訓(xùn)練目標(biāo)與偏導(dǎo)數(shù)之間存在相關(guān)，模型隱含層不發(fā)生變化。最后通過(guò)上述目標(biāo)函數(shù)計(jì)算結(jié)果完成模型的訓(xùn)練。

分揀機(jī)器人的目標(biāo)識(shí)別流程如下：

（1）分析機(jī)器人相關(guān)運(yùn)動(dòng)規(guī)律，提取目標(biāo)特征向量。

（2）訓(xùn)練目標(biāo)特征，建立目標(biāo)識(shí)別模型，并在編碼器底部引入模態(tài)規(guī)則項(xiàng)。

（3）開(kāi)展模型訓(xùn)練，還原數(shù)據(jù)輸入特征，完成樣本分類，通過(guò)傳播算法完成模型的參數(shù)尋優(yōu)。

（4）通過(guò)監(jiān)督學(xué)習(xí)方式，微調(diào)模型隱含層權(quán)重參數(shù)，獲取目標(biāo)最大似然函數(shù)，結(jié)果如下式所示：

ρ= arg maxρ

式中：ρ—目標(biāo)識(shí)別模型最佳參數(shù)；n—分類器輸入數(shù)據(jù)預(yù)測(cè)值；實(shí)際值；B—數(shù)據(jù)維度；f—規(guī)則化懲罰函數(shù)；μc—權(quán)重；

(Wc)—權(quán)重矩陣。

（5）通過(guò)目標(biāo)數(shù)據(jù)建立目標(biāo)的測(cè)試數(shù)據(jù)集，并將其放入模型中訓(xùn)練，依據(jù)輸出結(jié)果完成目標(biāo)的類型識(shí)別。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證上述目標(biāo)識(shí)別方法的整體有效性，設(shè)置對(duì)比分析實(shí)驗(yàn)。分別采用深度學(xué)習(xí)的車間零件分揀機(jī)器人目標(biāo)識(shí)別方法、文獻(xiàn)［3］方法、文獻(xiàn)［4］方法進(jìn)行測(cè)試。實(shí)驗(yàn)的操作系統(tǒng)為Ubuntu Server 16.04 LTS；開(kāi)發(fā)框架為Tensorflow-gpu 1.3.0。

實(shí)驗(yàn)檢測(cè)過(guò)程除機(jī)器人外，還主要涉及視覺(jué)設(shè)備和定位裝置，分別采用工業(yè)相機(jī)和位置傳感器。

實(shí)驗(yàn)指標(biāo)為分揀目標(biāo)的關(guān)鍵點(diǎn)定位測(cè)試、識(shí)別準(zhǔn)確率、平均置信度以及識(shí)別時(shí)間。測(cè)以某企業(yè)車間內(nèi)的fanuc r-2000ic分揀機(jī)器人為實(shí)驗(yàn)用的分揀機(jī)器人，機(jī)器人、控制參數(shù)和檢測(cè)設(shè)備參數(shù)，如表1～表3所示。

表1 車間零件分揀機(jī)器人參數(shù)Tab.1 Parameters of Workshop Parts Sorting Robot

表2 控制參數(shù)設(shè)定Tab.2 Control Parameter Settings

表3 實(shí)驗(yàn)檢測(cè)設(shè)備Tab.3 Experimental Testing Equipment

4.2 實(shí)驗(yàn)識(shí)別目標(biāo)

設(shè)計(jì)的實(shí)驗(yàn)以某車間生產(chǎn)的汽車零件為實(shí)驗(yàn)識(shí)別目標(biāo)，該目標(biāo)包含三類，分別是齒輪、彎管接頭、法蘭盤、濾芯和平衡軸，實(shí)驗(yàn)過(guò)程是識(shí)別所有零件，并且分揀出接管彎頭。實(shí)驗(yàn)場(chǎng)景，如圖2所示。

圖2 實(shí)驗(yàn)場(chǎng)景Fig.2 Experimental Scene

通過(guò)在分揀機(jī)器人上應(yīng)用深度學(xué)習(xí)的車間零件分揀機(jī)器人目標(biāo)識(shí)別方法，對(duì)上述多個(gè)目標(biāo)進(jìn)行識(shí)別，并且分揀出設(shè)定的目標(biāo)彎管接頭，分揀結(jié)構(gòu)，如圖3、圖4所示。由圖3和圖4的分揀結(jié)果可知，應(yīng)用深度學(xué)習(xí)的車間零件分揀機(jī)器人目標(biāo)識(shí)別方法后，分揀機(jī)器人成功在多個(gè)目標(biāo)中分揀出了彎管接頭。

圖3 分揀機(jī)器人分揀結(jié)果圖Fig.3 Sorting Robot Sorting Results Diagram

圖4 分揀出的目標(biāo)Fig.4 Sorted out Targets

4.3 實(shí)驗(yàn)標(biāo)定

實(shí)驗(yàn)通過(guò)黑白棋盤的形式進(jìn)行標(biāo)定，標(biāo)定板棋盤格為（9×9），方格邊長(zhǎng)2mm，圖案尺寸為（36×36）mm，外形尺寸為（50×50）mm，精度為±0.01mm。通過(guò)Auto CAD（AUTO COMPUTER AIDED DESIGN，自動(dòng)計(jì)算機(jī)輔助軟件）繪制和激光打印機(jī)打印黑白棋盤，黑白格的交叉點(diǎn)為標(biāo)定點(diǎn)，設(shè)計(jì)的標(biāo)定樣板，如圖5所示。

圖5 標(biāo)定樣板Fig.5 Calibration Model

4.4 實(shí)驗(yàn)性能測(cè)試

4.4.1 分揀目標(biāo)的關(guān)鍵點(diǎn)定位測(cè)試

車間零件分揀機(jī)器人想要精準(zhǔn)的分揀目標(biāo)，需要對(duì)目標(biāo)進(jìn)行關(guān)鍵點(diǎn)定位，如果定位準(zhǔn)確，可以快速完成分揀，因此，測(cè)試分揀目標(biāo)的關(guān)鍵點(diǎn)定位準(zhǔn)確性，將深度學(xué)習(xí)的車間零件分揀機(jī)器人目標(biāo)識(shí)別方法應(yīng)用后的定位結(jié)果和實(shí)際結(jié)果進(jìn)行對(duì)比分析，其與實(shí)際結(jié)果越接近，表示定位準(zhǔn)確性越高，X軸坐標(biāo)固定不變，測(cè)試以Y軸變化為研究對(duì)象，測(cè)試結(jié)果，如圖6所示。

圖6 分揀目標(biāo)的關(guān)鍵點(diǎn)定位測(cè)試Fig.6 Keypoint Location Test for Sorting Targets

根據(jù)圖6可知，所提方法的分揀目標(biāo)關(guān)鍵點(diǎn)定位結(jié)果基本與實(shí)際結(jié)果一致，僅在測(cè)試數(shù)為990個(gè)左右時(shí)，出現(xiàn)了小誤差，其他測(cè)試目標(biāo)定位結(jié)構(gòu)均與實(shí)際一致，因此，所提方法設(shè)計(jì)的關(guān)鍵點(diǎn)定位可以有效定位分揀目標(biāo)，有效提高分揀效果。

4.4.2 識(shí)別準(zhǔn)確率測(cè)試

目標(biāo)識(shí)別準(zhǔn)確率是分揀機(jī)器人的硬性指標(biāo)，該指標(biāo)值的高低直接影響機(jī)器人的應(yīng)用價(jià)值。因此，選定機(jī)器人分揀目標(biāo)為1000組，分析識(shí)別準(zhǔn)確率，實(shí)驗(yàn)結(jié)果，如圖7所示。

圖7 不同識(shí)別方法的識(shí)別準(zhǔn)確率測(cè)試Fig.7 Identification Accuracy Test of Different Identification Methods

根據(jù)圖7可知，所提方法的分揀機(jī)器人分揀目標(biāo)識(shí)別準(zhǔn)確率均在97.5%以上，文獻(xiàn)［3］方法的識(shí)別準(zhǔn)確率最高為91.3%，文獻(xiàn)［4］方法的識(shí)別準(zhǔn)確率最高值為94.2%，雖然文獻(xiàn)［4］方法的最高準(zhǔn)確率較高，但是其運(yùn)行不穩(wěn)定，識(shí)別準(zhǔn)確率曲線波動(dòng)大，三者相比，所提方法的識(shí)別準(zhǔn)確率明顯高于文獻(xiàn)方法，因此，所提方法有效提高了識(shí)別準(zhǔn)確率，識(shí)別效果更佳。

4.4.3 識(shí)別效果測(cè)試

識(shí)別零件分揀機(jī)器人分揀目標(biāo)時(shí)，設(shè)定平均置信度、所需識(shí)別時(shí)間為識(shí)別方法的識(shí)別效果檢測(cè)指標(biāo)，以此檢測(cè)所提方法、文獻(xiàn)［3］方法以及文獻(xiàn)［4］方法的目標(biāo)識(shí)別效果。

平均置信度是驗(yàn)證識(shí)別方法識(shí)別效果的重要參考指標(biāo)。設(shè)定識(shí)別方法的平均置信度為?，最佳置信區(qū)間為[ ]0，1，在該區(qū)間內(nèi)，識(shí)別方法的平均置信度越高說(shuō)明識(shí)別方法的識(shí)別效果越好，基于上述三種識(shí)別方法識(shí)別分揀目標(biāo)時(shí)，測(cè)試三種方法的平均置信度，如圖8所示。

圖8 不同識(shí)別方法的平均置信度測(cè)試Fig.8 Average Confidence Test of Different Recognition Methods

分析圖8 實(shí)驗(yàn)數(shù)據(jù)可知，所提方法的平均置信度在0.81 以上，但是文獻(xiàn)方法均低于0.75，因此，所提方法測(cè)試出的平均置信度結(jié)果高于文獻(xiàn)［3］方法以及文獻(xiàn)［4］方法平均置信度測(cè)試結(jié)果，其主要因?yàn)樗岱椒ㄔ谀繕?biāo)識(shí)別前詳細(xì)分析了分揀機(jī)器人運(yùn)動(dòng)規(guī)律，所以該方法識(shí)別分揀目標(biāo)時(shí)的平均置信度高。

4.4.4 識(shí)別時(shí)間測(cè)試

識(shí)別時(shí)間是檢測(cè)識(shí)別效果的重要檢測(cè)指標(biāo)，采用所提方法、文獻(xiàn)［3］方法以及文獻(xiàn)［4］方法識(shí)別機(jī)器人分揀目標(biāo)時(shí)，測(cè)試識(shí)別時(shí)間，如圖9 所示。識(shí)別時(shí)間是檢驗(yàn)識(shí)別方法識(shí)別性能的重要依據(jù)。識(shí)別方法在識(shí)別目標(biāo)時(shí)，識(shí)別時(shí)間越長(zhǎng)說(shuō)明識(shí)別性能越差，識(shí)別時(shí)間越短說(shuō)明識(shí)別性能越好。分析圖9可知，識(shí)別目標(biāo)數(shù)量越多，文獻(xiàn)方法的識(shí)別時(shí)間呈上升趨勢(shì)，并且文獻(xiàn)［3］方法的最低識(shí)別時(shí)間達(dá)到了100s，文獻(xiàn)［4］方法最低識(shí)別時(shí)間為78s，文獻(xiàn)方法的耗時(shí)均高于75s，而所提方法最高耗時(shí)僅為63s，并且其識(shí)別曲線波動(dòng)小，未出現(xiàn)上升趨勢(shì)，因此，所提方法有效降低了識(shí)別時(shí)間，其識(shí)別性能高。

圖9 不同識(shí)別方法的識(shí)別時(shí)間測(cè)試Fig.9 Identification Time Test of Different Identification Methods

5 結(jié)束語(yǔ)

隨著工業(yè)機(jī)器人使用范圍的擴(kuò)大，機(jī)器人的目標(biāo)識(shí)別方法愈加多樣。針對(duì)傳統(tǒng)機(jī)器人目標(biāo)識(shí)別方法中存在的問(wèn)題，提出深度學(xué)習(xí)的車間零件分揀機(jī)器人目標(biāo)識(shí)別方法。

（1）所提方法引入了深度學(xué)習(xí)算法，并且結(jié)合了其他算法，通過(guò)機(jī)器人目標(biāo)特征的提取，建立了目標(biāo)識(shí)別模型，從而通過(guò)模型的訓(xùn)練結(jié)果輸出實(shí)現(xiàn)機(jī)器人的目標(biāo)識(shí)別。

（2）通過(guò)實(shí)驗(yàn)分析了所提方法的定位精度，以分揀目標(biāo)的關(guān)鍵點(diǎn)定位位置反映精度。所提方法的分揀目標(biāo)關(guān)鍵點(diǎn)定位結(jié)果基本與實(shí)際結(jié)果一致，僅在測(cè)試數(shù)為990個(gè)左右時(shí)，出現(xiàn)了小誤差，該方法可以有效定位分揀目標(biāo)的位置。

（3）分析了所提方法識(shí)別目標(biāo)的準(zhǔn)確率，該方法的分揀機(jī)器人分揀目標(biāo)識(shí)別準(zhǔn)確率均在97.5%以上，高出對(duì)比方法6.2%和3.3%，并且所提方法的識(shí)別準(zhǔn)確率波動(dòng)小，因此，所提方法提高了識(shí)別準(zhǔn)確率，具備可行性。

（4）在驗(yàn)證識(shí)別準(zhǔn)確率后，分析了所提方法的平均置信度，所提方法的平均置信度在0.81以上，但是文獻(xiàn)方法均低于0.75，因此，該方法識(shí)別分揀目標(biāo)時(shí)的平均置信度高。

（5）為了進(jìn)一步分析方法的有效性和應(yīng)用價(jià)值，驗(yàn)證了所提方法識(shí)別目標(biāo)的時(shí)間，因此識(shí)別時(shí)間長(zhǎng)，則說(shuō)明該方法不具備應(yīng)用價(jià)值，實(shí)驗(yàn)結(jié)果可知，該方法的最高識(shí)別時(shí)間僅為63s，其具備應(yīng)用價(jià)值和可行性。

（6）由于該方法在確定編碼器時(shí)還存在不足，今后將針對(duì)該項(xiàng)問(wèn)題繼續(xù)優(yōu)化完善識(shí)別方法。