结合深度学习与支持向量机的金属零件识别

摘要：

目的 在视觉引导的工业机器人自动拾取研究中,关键技术难点之一是机器人抓取目标区域的识别问题.特别是金属零件,其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战.因此,本文提出一种结合深度学习和支持向量机的抓取区域识别方法.方法 分别提取抓取区域的方向梯度直方图(HOG)和局部二进制模式(LBP)特征,利用主成分分析法(PCA)对融合后的特征进行降维,以此来训练支持向量机(SVM)分类器.通过训练Mask R-CNN(regions with convolutional neural network)神经网络完成抓取区域的初步分割.然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类,完成对干扰区域的剔除.最后计算掩码完成实例分割,以此达到对抓取区域的精确识别.结果 对于随机摆放的铜质金属零件,本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较,结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7％和25％,同时有效降低了错检率与漏检率.结论 本文算法结合了Mask R-CNN与SVM两种方法,对于反光和遮挡情况具有一定的鲁棒性,同时有效地提升了目标识别的准确率.

关键词：目标识别、多特征融合、支持向量机、深度学习、实例分割

所属期刊栏目：24

分类号：TP391(计算技术、计算机技术)

资助基金：NSFC-浙江省两化融合联合基金项目;浙江省基金公益研究计划项目

在线出版日期：2020-03-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2233-2242