论文部分内容阅读
工业机器人处理商品或者零件分拣时，通常需要人工设置工作环境，实现相应零件的分拣动作。在计算机技术快速发展的今天，实现机器人自动分拣零件的基础已经成熟。通过使用机器学习，结合大规模的训练，使机械手自动抓取相应的零件，最终实现完整的自动化生产过程。机器人自动分拣零件的过程中需要解决两个问题，可概括为“识别”问题和“捡起”问题。近年来，将深度学习用于图像识别是一种新的发展趋势。在这方面有非常好的应用实例，也具有宽广的研究空间。在处理现实环境与机器人的交互问题时，近年来流行的做法是采用计算机视觉的手段。深度学习是一种特征学习方法，通过简单但非线性的模型将原始数据转换为更高级，更抽象的表达。通过足够多的转换和组合的方式，甚至可以学习到非常复杂的非线性函数。而且这种学习方式是不需要人工参与设计，学习过程是数据推动型的。受益于可用计算能力和数据量的增加，在不久的将来，深度学习方法的应用环境将更加成熟。 本文研究了一些深度学习模型，发现深度学习模型可以很好地提取数据的语义。对于建立在大数据基础上的工业标准，深度学习可以充分利用并发挥数据的特性。因此本文着重研究了深度学习模型在样本特征提取过程的工作。 主要研究工作如下： （1）利用深度学习模型的特征学习能力，提取零件图片的语义信息，通过无监督的方式从图片中学习到有效的特征描述。设计了一种深层次的神经网络模型，利用实际收集到的零件图片数据对模型效率进行评估。 （2）使用了卷积网络结合限制性玻尔兹曼机的方式改进了卷积深度置信网络，用于图像的训练和识别工作。采集了不同零件的样本数据对网络进行训练，实现零件分类的目的。并设置手写数字实验，对图像识别的准确率进行研究。 （3）本文训练了一个大型CNN网络用于实现机器人的自动抓取，模型可以自动收集数据实现自我监督学习。本文还提出了一种阶段式的学习方式，前一个阶段的实验数据成为后一阶段的改进依据。