今日要聞
-
1
第10屆視環(huán)會秋季展-環(huán)保行業(yè) 【詳細】 -
2
距開幕僅剩1天，2024視環(huán)會秋 【詳細】 -
3
倒計時不足3天！所有展商和展 【詳細】 -
4
寧波市塑料行業(yè)協(xié)會共有7家企 【詳細】 -
5
近日，科思創(chuàng)已在廣東佛山基地 【詳細】 -
6
由全國塑料制品標準化技術委員 【詳細】 -
7
《塑料制品易回收易再生設計評 【詳細】 -
8
近日，香港工業(yè)專業(yè)評審局（PV 【詳細】 -
9
10月24日，揭陽市塑膠行業(yè)協(xié)會 【詳細】 -
10
歐洲塑料協(xié)會公布了 2023 年的 【詳細】 -
11
中國經(jīng)濟將繼續(xù)面臨風險，從房 【詳細】 -
12
2024年11月26日-29日，深圳國 【詳細】
推薦展會
更多 > >
讓機器人抓蝦不抓瞎！
導讀：在食品加工領域，機器人對食品的抓取、揀選是實現(xiàn)自動化中的一個常見問題，需要實時、的圖像識別技術，但食品通常形狀不規(guī)則、特征多變，導致快速、穩(wěn)定的視覺分析與定位較為困難。
【塑料機械網(wǎng) 技術學堂】顛覆性創(chuàng)新技術不但是投資者追逐的風口，更是實業(yè)者努力創(chuàng)造的現(xiàn)實。走過130年創(chuàng)新路，ABB繼續(xù)在數(shù)字化浪潮中御風而行，通過自有實驗室實現(xiàn)了眾多技術突破，同時攜手新興科技領域翹楚，致力于開放式創(chuàng)新。
人工智能、深度學習、邊緣計算、數(shù)字孿生、Factory 2.0……熱詞頻現(xiàn)，數(shù)字化技術與各行業(yè)的交匯將產(chǎn)生什么化學反應？數(shù)據(jù)與算法將如何賦能新制造，重新定義未來工廠？近期，我們將集中介紹ABB新的科研成果和應用案例，跟我們一起來探尋這些熱詞背后的真相吧！
機器人抓蝦？
到底有多難？
在食品加工領域，機器人對食品的抓取、揀選是實現(xiàn)自動化中的一個常見問題，需要實時、的圖像識別技術，但食品通常形狀不規(guī)則、特征多變，導致快速、穩(wěn)定的視覺分析與定位較為困難。
以食物中常見的蝦為例——目前在工廠的自動剝蝦生產(chǎn)線上，有一個關鍵環(huán)節(jié)未能實現(xiàn)自動化——對于蝦身的抓取與放置，目前仍然完全由人工操作，極大地限制了生產(chǎn)線的速度、精度、穩(wěn)定性與生產(chǎn)效率，而且工作本身枯燥無味，浪費人力與時間。
在自動化方案中，核心是視覺系統(tǒng)與機器人的配合動作。視覺系統(tǒng)單元對流水線上移動的蝦身進行實時拍攝，同時內(nèi)置算法識別出目標點位置，并引導機器人進行抓取與放置，從而替代人工操作，實現(xiàn)整條生產(chǎn)線的全自動化。
▲自動化揀選方案示意圖
而在實際應用中，由于蝦的形態(tài)各異，對人來說十分簡單的識別任務，對于傳統(tǒng)的圖像特征提取算法就變得非常困難。面對形態(tài)各異、尺寸不一，紋理顏色等特征也不同的蝦，單一的圖像處理方法只能準確識別部分樣本的關節(jié)點，很難達到工業(yè)應用的高精度要求，而一個好的解決方案不僅要能滿足工業(yè)應用的精度要求，還需要將識別失敗樣本的誤差控制在穩(wěn)定范圍內(nèi)，便于工廠的后續(xù)處理。
▲待識別的目標關節(jié)點
人工智能及圖像處理領域的科研發(fā)展，例如用于圖像識別的深度學習算法，為解決這一問題提供了新的思路。但是，深度學習算法在較復雜的圖像數(shù)據(jù)、精度要求較高的識別任務上往往性能不夠高，如果直接使用，很難同時滿足工業(yè)上的實時性要求與通常超過95%的精度要求。
視覺定位難題怎么破？
ABB的研究人員提出結合深度學習與生物特征識別的目標點定位方法，并在實際數(shù)據(jù)上進行了模型訓練與性能驗證。首先將蝦的圖像進行預處理后輸入深度學習模型得到粗定位點，之后對蝦的位姿進行歸一化并提取輪廓線，基于對搜索域內(nèi)的輪廓擬合與特征點檢測以定位目標點。
▲基于深度學習與生物特征的目標點識別方法
通過在蝦的實測數(shù)據(jù)上進行建模與測試，發(fā)現(xiàn)深度學習模型較難直接給出的目標點位置，但可以提供與目標點較接近的粗定位點，從而得到能涵蓋目標點的搜索域。之后利用生物特征識別，基于輪廓線提取與擬合，可以在此搜索域內(nèi)地定位目標點。
實驗結果證明了該方法的有效性：在包含1000張實測樣本的測試集上，整體方案的識別率達到97.2%，可初步滿足實際工業(yè)應用的要求。
熱詞解析之「深度學習」
深度學習是一種可以自動學習到不同尺度的數(shù)據(jù)特征的方法。這些特征可以用于模式識別或數(shù)據(jù)分類等任務。譬如下圖，顯示了來自深度學習網(wǎng)絡各層的特征樣例——隨著網(wǎng)絡深度的增加，各層的特征圖呈現(xiàn)了越來越高尺度的圖像特征。較深的網(wǎng)絡層可以學習到人眼可識別的特征，如一張臉。為了提取到合適的數(shù)據(jù)特征，深度網(wǎng)絡可能需要含有數(shù)十個甚至上百個隱含層。
出現(xiàn)的圖像越來越有意義——所示只是深度網(wǎng)絡所提取的一小部分特征圖，它們展示了如何通過深度學習收集有意義的視覺信息
深度學習的本質(zhì)是深層的人工神經(jīng)網(wǎng)絡(一種機器學習算法)。傳統(tǒng)上，由于神經(jīng)網(wǎng)絡算法的缺點、訓練數(shù)據(jù)不足或缺乏計算能力，神經(jīng)網(wǎng)絡只有淺層學習能力。但近這種情況實現(xiàn)了完全逆轉(zhuǎn)，使更多層網(wǎng)絡的訓練變得可行。連續(xù)的隱含層越多，網(wǎng)絡便越深入。因此，稱之為“深度學習”。
在大多數(shù)傳統(tǒng)的機器學習方法中，原始數(shù)據(jù)不會被自動處理。通常，其處理過程需要基于大量的行業(yè)知識來手動設計某些特征提取方法。
相反地，深度學習將原始數(shù)據(jù)作為輸入，并自動查找進行模式識別或分類所需的特征。這種自動學習特征的能力使深度學習方法在各種普遍情況下非常有用。
找到適當?shù)纳窠?jīng)網(wǎng)絡結構和識別決定網(wǎng)絡訓練性能的參數(shù)仍然是一個挑戰(zhàn)。此外，理解深度學習模型學習了哪些特征并不容易。另外，與所有機器學習模型一樣，深度學習模型也容易受到精心設計的輸入的影響，它們可能導致模型產(chǎn)生錯誤推論。這些主題是當前深度學習研究工作的重點。
近，深度學習在執(zhí)行圖像和語音識別等任務方面已取得巨大成功。深度學習的潛在影響不可低估，因為它將影響許多行業(yè)，并將為整個社會帶來顯著變化。
深度學習增強了圖像識別功能，使工業(yè)機器人(如圖中所示的ABB YuMi)能夠執(zhí)行更復雜的任務
案例作者
ABB未來實驗室陳妮亞、阮佳陽、黃金苗
上海ABB工程有限公司楊偉
熱詞作者
ABB集團研究中心 Divya Shee
版權與免責聲明： 凡本網(wǎng)注明"來源:塑料機械網(wǎng)”的所有作品，均為浙江興旺寶明通網(wǎng)絡有限公司-塑料機械網(wǎng)合法擁有版權或有權使用的作品，未經(jīng)本網(wǎng)授權不得轉(zhuǎn)載、摘編或利用其它方式使用上述作品。已經(jīng)本網(wǎng)授權使用作品的，應在授權范圍內(nèi)使用,并注明“來源:塑料機械網(wǎng)www.eye-p2p.com" 。違反上述聲明者，本網(wǎng)將追究其相關法律責任。
本網(wǎng)轉(zhuǎn)載并注明自其它來源(非塑料機械網(wǎng)www.eye-p2p.com)的作品，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點或和對其真實性負責,不承擔此類作品侵權行為的直接責任及連帶責任。其他媒體、網(wǎng)站或個人從本網(wǎng)轉(zhuǎn)載時，必須保留本網(wǎng)注明的作品第一來源，負版權等法律責任。
上一篇： 機器人「視覺伺服」控制的新方法
猜你喜歡
所有評論僅代表網(wǎng)友意見，與本站立場無關。