摘 要：隨著工業(yè)機器人的快速發(fā)展，充分地降低了工人從事枯燥性以及重復性較高的勞動的概率。除此之外，之所以工業(yè)機器人在智能工廠中的作用受到社會公眾廣泛地關注，不僅是因為它擁有減少企業(yè)生產(chǎn)成本、提高工作效率等優(yōu)點，還由于我國工業(yè)自動化趨勢導致的;換句話說，如何將機器視覺技術與工業(yè)機器人分揀任務相結(jié)合，是實現(xiàn)我國工業(yè)自動化的首要任務。本文通過深度學習技術的引入來滿足共建檢測及精確定位所需要的條件，進而圍繞工業(yè)機器人視覺分揀方法展開研究，并提出相應的觀點。

關鍵詞：深度學習;工業(yè)機器人;視覺分揀;研究觀點

引言

如何實現(xiàn)搬運、自動化分揀、物體的識別分類都是工業(yè)機器人的研究重點，這些問題的解決不僅能夠?qū)崿F(xiàn)物體的跟蹤，還能夠?qū)崿F(xiàn)對工業(yè)機器人的行為進行分析，進而為其場景理解等能力的構建奠定了基礎。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，并在當前場景的分類模型中得到廣泛地應用，然而它的分類準確率很容易受到圖像特征設計的影響。卷積神經(jīng)網(wǎng)絡通過自動學習的方式既能夠在圖像特征的獲取過程中避免手工設計特征等復雜工序，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)機器人視域下的視覺問題

在工業(yè)機器人得到廣泛應用的今天，雖然它們能夠根據(jù)已編寫的程序進行一定的功能執(zhí)行;但是，傳統(tǒng)的接觸測量法可能造成機器與觀測者出現(xiàn)接觸損傷。工業(yè)機器人涉及到的工作主要由組裝、分揀、放置、采集、測試、產(chǎn)品檢測等內(nèi)容，而工作效果主要由工業(yè)機器人對目標的識別以及準確檢測程度決定。換句話說，工業(yè)機器人的視覺系統(tǒng)不僅是完成指令的基礎，更是識別客觀世界的重要內(nèi)容[1]。除此之外，我國大約75%的工業(yè)機器人的設局exit被使用與目標的檢測以及人物的識別，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)其視覺系統(tǒng)識別能力的強化以及目標分類準確性的提高，就能夠解決工業(yè)機器人視域下處理性能中的大部分問題，進而實現(xiàn)我國整體經(jīng)濟地提高。

二、基于深度學習的圖像特征提取技術

（一）神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡主要分為兩個部分。第一，邏輯回歸，它是由線性回歸提取出的一種能夠應用在分類方面的計息學習算法。邏輯回歸模型與人類大腦神經(jīng)元的構造極其相似，一個神經(jīng)元可以按照與其相連神經(jīng)元所輸入的x進行相應的行為，并把已激活的數(shù)值y傳遞到下一個神經(jīng)元[2]。第二，人工神經(jīng)網(wǎng)絡，它通過對動物中樞神經(jīng)系統(tǒng)結(jié)構的模仿實現(xiàn)數(shù)學模型的建立，也被稱作神經(jīng)網(wǎng)絡。如圖一所示為單個神經(jīng)元模型的結(jié)構示意圖，x1、x2、x3作為神經(jīng)元的輸出，為求出神經(jīng)網(wǎng)絡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

卷積神經(jīng)網(wǎng)絡與傳統(tǒng)的神經(jīng)網(wǎng)絡擁有相似之處，但網(wǎng)絡是擁有學習等基本元素的神經(jīng)元，換句話說，將卷積神經(jīng)網(wǎng)絡使用到分類的過程可以視為一個可導的得分函數(shù)。卷積層作為圖像樣本被劃分為自然信號的范圍內(nèi);該圖像當中勢必會存在于其他區(qū)域相同的統(tǒng)計特性，因此它能夠?qū)崿F(xiàn)所學信息的區(qū)域轉(zhuǎn)換。經(jīng)過池化層得到的圖像依舊擁有較高的維度，因此它能被直接訓練分類器過擬合。能夠反向傳播，實現(xiàn)卷積核的學習，例如：顏色特征的學習、邊緣特征的學習、基本視覺特征的學習。除此之外，當卷積或者池化操作結(jié)束后，會與激勵層直接相連。

二、基于深度學習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[3]。它區(qū)別于線性判別式分析以及主成分分析等關注樣本方差的降維法，它能夠在降維的過程中讓樣本的局部線性特征保持不變，進而被使用在高維數(shù)據(jù)可視化、圖像物體識別等項目里。局部線性嵌入算法能夠?qū)崿F(xiàn)樣本數(shù)據(jù)與局部線性相關性的假設，利用相鄰數(shù)據(jù)樣本的相性表達方式實現(xiàn)對該數(shù)據(jù)樣本的表示。其表達式為：x1=w12x2+w13x3+w14x4。

（二）圖像的分類

圖像分類算法是解決工業(yè)機器人視覺問題的重要問題之一，它能夠在已存在的固定分類標簽集合中進行篩選，找出相應的分類標簽并將其分配給輸入圖像。在機器視覺中，許多與分類無關的任務都可以被轉(zhuǎn)化成圖像的分類問題進行解決，例如：物品的分割、檢測、定位等。除此之外，由于工業(yè)場景的實際拍攝受到視角、光照、前景大小等因素的限制，會讓圖像出現(xiàn)畸變;當不同類別產(chǎn)品出現(xiàn)了不易區(qū)分的特點，同樣會為圖像的分類提供阻礙。圖像的分類過程可分為輸入、學習、評價[4]。針對工業(yè)機器人的視域以及物體的識別分類這一任務，技術人員讓具備魯棒性的圖像特征訓練分類器能夠從樣本中被提取出來。

結(jié)束語

由于人工智能的快速發(fā)展，深度學習會對物體分類識別任務造成直接影響。為了落實對輸入數(shù)據(jù)的描述，要采取有監(jiān)督以及無監(jiān)督學習的方式獲取輸入數(shù)據(jù)相關的層次變化特征?；谏疃葘W習的圖像特征提取技術十分重要，人們甚至可以在ImageNet挑戰(zhàn)賽上發(fā)現(xiàn)它的身影。實現(xiàn)工業(yè)機器人視覺分揀方法的研究工作中，最為關鍵的一步即如何讓機器人實現(xiàn)對視域下的目標圖片展開特征提取以及分類。想要推進工業(yè)機器人視覺技術的發(fā)展，就要深入到特征的提取分類以及其模型的研究當中，通過深度學習與圖像物體分類相結(jié)合的方式，最終實現(xiàn)我國自動化技術的長久發(fā)展。

參考文獻

[1]劉亞梅.基于深度學習的工業(yè)機器人視覺特征提取技術研究[D].安徽工程大學，2017.

[2]張超.基于視覺引導的工業(yè)機器人應用研究[D].陜西科技大學，2017.

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

[4]伍錫如，黃國明，孫立寧.基于深度學習的工業(yè)分揀機器人快速視覺識別與定位算法[J].機器人，2016，3806：711-719.

作者簡介：

潘才錦（1988.04）男;民族：漢族;籍貫：廣西興業(yè)縣;職稱：機器視覺工程師;學歷：本科;研究方向：工業(yè)自動化。