郭睿華， 宋俊鵬， 王文旭， 楊琨

(太原理工大學(xué)信息與計算機(jī)學(xué)院， 晉中030600)

隨著全自動化時代的到來，機(jī)械臂已被應(yīng)用到越來越多的場景，如航天、深潛、工業(yè)以及殘障輔助等諸多領(lǐng)域[1-4]。在這些場景中，機(jī)械臂幫人們節(jié)省了大量的人力資源成本。但同時，人們對機(jī)械臂的要求也日益提高。

眾多研究者基于機(jī)械臂的物體分揀開展研究。視覺技術(shù)結(jié)合機(jī)械臂的發(fā)展已經(jīng)趨向于成熟，并在物體分類領(lǐng)域中已經(jīng)有了非常不錯的表現(xiàn)，將機(jī)器視覺技術(shù)應(yīng)用于分揀領(lǐng)域可減少人工分揀工作量、降低分揀差錯率，極大地提升工業(yè)生產(chǎn)效率，實現(xiàn)分揀作業(yè)的自動化和智能化[5]。Cheng等[6]針對傳統(tǒng)的圖像分類方法在工業(yè)環(huán)境中照明不均勻且存在遮擋的條件下表現(xiàn)不佳的問題設(shè)計了隨機(jī)裁剪集成神經(jīng)網(wǎng)絡(luò)(resource constrained edge-neural networks, RCE-NN)，該網(wǎng)絡(luò)對于具有重疊部分的圖像，將集成學(xué)習(xí)與隨機(jī)裁剪相結(jié)合，最終在十類包括顏色相同但輪廓不同、以及不同顏色、形狀和紋理的物體組成的數(shù)據(jù)集下進(jìn)行了測試，分類準(zhǔn)確率達(dá)到98.14%；Harel等[7]為實現(xiàn)機(jī)械臂在采摘過程中對甜椒成熟度進(jìn)行分類，使用隨機(jī)森林算法處理相機(jī)從多視點(diǎn)采集的甜椒的RGB-D圖像，并在不同成熟度的紅辣椒和黃辣椒上進(jìn)行測試，分類準(zhǔn)確率達(dá)到95%；Kaymak等[8]為使用四自由度樹莓派機(jī)械手加相機(jī)完成對工作平臺上的物體的分類，使用不同的局部特征匹配算法進(jìn)行組合，最終使用尺度不變特征轉(zhuǎn)換(scale invariant feature transform, SIFT)+SIFT的組合匹配算法對20個物體進(jìn)行了測試，分類準(zhǔn)確率達(dá)到了97%。Liong等[9]為了實現(xiàn)對特定類型小牛皮上的蜱咬缺陷進(jìn)行識別，提出了一種執(zhí)行皮革缺陷分類的自動機(jī)制，該機(jī)制通過手工制作邊緣檢測器和人工神經(jīng)網(wǎng)絡(luò)通過多個分類器(即決策樹、支持向量機(jī)、最近鄰分類器和集合分類器)對皮革上的缺陷進(jìn)行識別，最終在2 500塊400×400的皮革樣片中獲得了84%的分類準(zhǔn)確率。但單一視覺的機(jī)械臂系統(tǒng)仍然存在著缺陷，這種系統(tǒng)過度的依賴于工作環(huán)境的光線強(qiáng)度，以及對于一些外觀相近但實則分屬不同的物體缺乏感知能力。

Fishel等[10]使用BioTac傳感器對117種不同的材料進(jìn)行分類，在具有精確控制接觸力和牽引力的測試臺設(shè)置中，針對牽引力，粗糙度和細(xì)度3個特征使用貝葉斯分類，準(zhǔn)確率為達(dá)到了95.4%；Xu等[11]使用安裝在Shadow Hand上的BioTac基于貝葉斯探索框架執(zhí)行多個探索運(yùn)動，針對10種不同的材料可以達(dá)到99%的分類精度；Omarali等[12]為了實現(xiàn)遠(yuǎn)程操作材料觸覺分類，使用基于光纖的觸覺和接近傳感器的遠(yuǎn)程控制機(jī)器人操縱器來掃描遠(yuǎn)程環(huán)境中物體的表面，并采用隨機(jī)森林、卷積神經(jīng)和多模態(tài)卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)技術(shù)進(jìn)行材料分類，最后在5種不同材料上進(jìn)行了測試，分類精度達(dá)到了90%；Zhang等[13]為了用安裝觸覺傳感器的機(jī)械手實現(xiàn)對目標(biāo)的準(zhǔn)確分類，提出了一種新的模型，即將卷積神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)相結(jié)合，并優(yōu)化了模型的卷積核、超參數(shù)和損失函數(shù)通過K均值聚類方法進(jìn)一步提高目標(biāo)分類的準(zhǔn)確性，最終將分類效果最佳的目標(biāo)的準(zhǔn)確率提高到80.098%，將分類結(jié)果較好的3個類的準(zhǔn)確率提高到92.72%。僅憑觸覺實現(xiàn)對物體的分類面臨著諸如傳感器成本高，特征提取不全面等問題，從而存在著一定的局限性。

由此可見，實現(xiàn)一個具有優(yōu)良性能的機(jī)械臂分揀系統(tǒng)顯然不是一個輕松的工作。復(fù)雜的工作環(huán)境，各種各樣的物品對于這項工作都是巨大的挑戰(zhàn)。單一感官的機(jī)械臂分揀系統(tǒng)總是存在著各種各樣的局限性，并不能勝任復(fù)雜的分類環(huán)境。因此研究者開展了多傳感信息融合的相關(guān)研究。Watkins-Valls等[14]研究了機(jī)械臂在光線不足且物體存在部分遮擋的環(huán)境下的機(jī)械臂分類任務(wù)，通過構(gòu)建三維卷積神經(jīng)網(wǎng)絡(luò)融合視覺與觸覺信息對10個具有不同幾何形狀的物體進(jìn)行分類，分類準(zhǔn)確率達(dá)到95%比單一視覺的分類準(zhǔn)確率提高了25%。Wang等[15]為了使機(jī)械臂能夠識別3D物體的形狀，提出了一種3D感知的新模型，該模型綜合物體的視覺觸覺信息，在對14種不同物體的測試中，物體形狀3D復(fù)現(xiàn)的匹配準(zhǔn)確率達(dá)到了91%。但這些研究都比較側(cè)重于對物體形狀的識別，觸覺信息則作為視覺分析的輔助數(shù)據(jù)，當(dāng)環(huán)境中出現(xiàn)外觀相似但材質(zhì)不同的物體時分類工作則會面臨巨大的挑戰(zhàn)。

為此，提出一種基于視覺-觸覺數(shù)據(jù)融合的機(jī)械臂細(xì)分類系統(tǒng)。系統(tǒng)通過OpenCV進(jìn)行目標(biāo)定位并通過快速搜索隨機(jī)樹(rapid-exploration random tree，RRT)路徑規(guī)劃算法實現(xiàn)對物體的抓取進(jìn)而獲取觸覺信息，利用雙輸入的卷積神經(jīng)網(wǎng)絡(luò)將兩類不同種類的數(shù)據(jù)分別提取特征，最后在連接層進(jìn)行融合，完成綜合物體視覺觸覺信息的分類任務(wù)。

1 系統(tǒng)構(gòu)成

搭建系統(tǒng)開展算法驗證。系統(tǒng)采用Kinova公司生產(chǎn)的JACO系列機(jī)械臂完成運(yùn)動及抓取功能，同時依靠深度相機(jī)及壓敏傳感器實現(xiàn)目標(biāo)的定位及觸覺感知。系統(tǒng)結(jié)構(gòu)如圖1所示。

JACO2-j2n6s200機(jī)械臂具有6個自由度，本體重量4.4 kg，負(fù)載能力為2.6 kg，最大臂展為984 mm，平均功耗為25 W。機(jī)械臂末端抓手為2指，抓手總重量為556 g，每個抓手都安裝一個執(zhí)行器，其抓取力為25 N，抓手打開或關(guān)閉的行程時間為1.2 s。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 System structure diagram

視覺模塊相機(jī)使用的是Intel RealSense Depth Camera D435i深度相機(jī)，相機(jī)被固定于機(jī)械臂的側(cè)上方用于獲取目標(biāo)的距離信息以及獲取用于模型預(yù)測的輸入圖像；物體定位模塊使用OpenCV現(xiàn)對物體的目標(biāo)檢測和目標(biāo)定位；運(yùn)動規(guī)劃模塊分為兩部分，一部分完成機(jī)械臂主體的運(yùn)動規(guī)劃，另一部分完成機(jī)械臂抓手的運(yùn)動規(guī)劃，采用機(jī)器人操作系統(tǒng) (robot operating system, ROS)運(yùn)動規(guī)劃庫結(jié)合目標(biāo)檢測的位置信息控制機(jī)械臂到達(dá)目標(biāo)位置并進(jìn)行抓取。

觸覺模塊將RP-C10-LT壓敏傳感器粘貼于機(jī)械臂手指用于獲取抓取物體時的壓力數(shù)據(jù)，RP-C電阻式壓敏傳感器具有靜態(tài)/動態(tài)壓力感應(yīng)特性，響應(yīng)速度快，耐久性壽命長等優(yōu)點(diǎn)，隨著壓力增大，電阻呈現(xiàn)變小的趨勢。整個實驗系統(tǒng)場景設(shè)置如圖2所示。

圖2 實驗場景示意圖Fig.2 Overview of the experimental scene

2 機(jī)械臂目標(biāo)定位與數(shù)據(jù)采集

2.1 目標(biāo)定位

機(jī)械臂在運(yùn)動時，需要依據(jù)視覺信息進(jìn)行目標(biāo)的定位，將相機(jī)坐標(biāo)系下的物體轉(zhuǎn)換到機(jī)械臂自身的坐標(biāo)系下就顯得尤為重要，相機(jī)與機(jī)械臂的結(jié)合有兩種形式，一種為相機(jī)安裝于機(jī)械臂上，一種為相機(jī)在機(jī)械臂外，為了獲得更好的全局視野，采用相機(jī)固定在機(jī)械臂的外部(上方)的方式，如圖3所示。

B為基底；E為末端執(zhí)行器；P為標(biāo)定靶；C為相機(jī)圖3 相機(jī)標(biāo)定示意圖Fig.3 Schematic diagram of camera calibration

(1)

(2)

(3)

RARX=RXRD

(4)

RAtX+tA=RXtD+tX

(5)

(6)

獲取物體圖像后，使用Canny邊緣檢測算子將相機(jī)捕獲到的圖像進(jìn)行邊緣處理，并尋找到物體在像素坐標(biāo)系下的中心點(diǎn)，如圖4所示。

根據(jù)式(6)，像素坐標(biāo)系與相機(jī)坐標(biāo)系的轉(zhuǎn)換關(guān)系可以得到物體在相機(jī)坐標(biāo)系下的位置CQ。

(7)

式(6)中：(x,y)為中心點(diǎn)的像素坐標(biāo)；CQ(xc,yc,zc)為相機(jī)坐標(biāo)系下的坐標(biāo)；zc為深度值；f為相機(jī)的焦距。

由此獲得物體中心在機(jī)械臂坐標(biāo)系下的坐標(biāo)BQ為

(8)

B為基底；E為末端執(zhí)行器；P為標(biāo)定靶；C為相機(jī)圖4 提取圖像的輪廓與中心點(diǎn)Fig.4 Extract the contour and center point of the image

2.2 機(jī)械臂運(yùn)動規(guī)劃

抓取物體時為增加抓取的穩(wěn)定性，統(tǒng)一按照圖5所示從物體上方進(jìn)行抓取。

過程中使用增加了概率導(dǎo)向的RRT算法進(jìn)行路徑規(guī)劃使機(jī)械臂運(yùn)動到抓取點(diǎn)。相比于傳統(tǒng)的RRT算法，增加了概率導(dǎo)向的RRT算法在路徑尋找過程中的收斂速度更快。算法的偽代碼如下。其中，M為機(jī)械臂工作的空間邊界(包含障礙物位置信息)，Ei為從qnear到qnew的連接邊。

圖5 機(jī)械臂抓取物體Fig.5 Robotic arm grabs objects

RRT-P(M, qinit, qgoal)1 T = {?};i=0;2 while (i

算法輸入為工作空間M，機(jī)械臂起始狀態(tài)qinit、機(jī)械臂目標(biāo)狀態(tài)qgoal。首先初始化路徑T，?為空集；i為循環(huán)變量；N為算法終止門限值。采用ChooseTarget函數(shù)從起始狀態(tài)開始依據(jù)概率P選擇下一組機(jī)械臂關(guān)節(jié)狀態(tài)qrand是朝向目標(biāo)狀態(tài)還是隨機(jī)；運(yùn)用Near函數(shù)從路徑中選取最接近qrand的一點(diǎn)qnear；在Steer函數(shù)中，依據(jù)StepSize，向qrand進(jìn)行移動得到新的一組關(guān)節(jié)狀態(tài)qnew；使用Edge函數(shù)建立qnear到qnew的連接邊Eedges；通過CollisionFree函數(shù)檢測是否與環(huán)境發(fā)生碰撞，如果不發(fā)生碰撞則通過addNode和addEdge兩個函數(shù)把qnew和Eedges加入路徑集合T中。最后，通過AreaDectect函數(shù)檢測qnew是否到達(dá)了qgoal的附近，誤差區(qū)間半徑為ε，如果返回TRUE則返回整條路徑。采用ROS中的Rviz軟件進(jìn)行運(yùn)動規(guī)劃過程中各關(guān)節(jié)角度與角速度變化。

2.3 觸覺數(shù)據(jù)采集

將壓敏傳感器集成于機(jī)械臂手爪上采集對不同物體抓取過程中的力的變化，采樣頻率為10 Hz。機(jī)械臂到達(dá)抓取點(diǎn)后開始記錄壓力數(shù)值，為使數(shù)據(jù)具有范圍統(tǒng)一性，對物體進(jìn)行恒速抓握，抓住物體后保持一秒間隔，然后松開。一次抓取中木質(zhì)球，橡膠球，海綿球的典型壓力曲線如圖6所示。

為使圖像更加平滑使用3次樣條插值算法對壓力曲線進(jìn)行平滑處理，在每兩個采樣點(diǎn)中插入10個點(diǎn)。平滑后的曲線如圖7所示。

圖6 不同物品的抓取壓力曲線Fig.6 Grasping pressure curves of different objects

圖7 經(jīng)平滑處理的壓力曲線Fig.7 Smoothed rasping pressure curves

3 融合模型

針對視覺數(shù)據(jù)與壓力圖像數(shù)據(jù)的特點(diǎn)設(shè)計了具有雙輸入的卷積神經(jīng)網(wǎng)絡(luò)模型，先對兩類數(shù)據(jù)分別進(jìn)行特征提取，然后通過全連接層進(jìn)行連接進(jìn)行同步學(xué)習(xí)，視覺觸覺融合神經(jīng)網(wǎng)絡(luò)模型如圖8所示。

3.1 視覺圖像處理

視覺圖像處理共包含4層卷積層與4層池化層，并在卷積層與池化層中間加入標(biāo)準(zhǔn)歸一化層。卷積層的主要作用為提取輸入視覺圖像數(shù)據(jù)的特征信息，池化層采用最大池化主要作用為降低上層輸入數(shù)據(jù)的數(shù)據(jù)規(guī)模以便于在最后用全連接層進(jìn)行處理。

(1)輸入層。輸入圖像為經(jīng)過處理的224×224×3 的RGB圖像。

(2)視覺模型第1層。用16個大小為3×3的卷積核對RGB圖像進(jìn)行same卷積，卷積后的特征矩陣大小為224×224×16，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為112×112×16。

Conv2d為二維卷積；ReLU為激活函數(shù)； MaxPooling為最大值池化； Flatten為展平； Fc為全連接； Output為輸出圖8 視覺觸覺融合神經(jīng)網(wǎng)絡(luò)模型Fig.8 Visual and haptic fusion neural network model

(3)第2層。用16個大小為3×3的卷積核對第1層傳入的112×112×16的特征矩陣進(jìn)行same卷積，卷積后的特征矩陣大小為112×112×16，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為56×56×16。

(4)第3層。用32個大小為3×3的卷積核對第2層傳入的56×56×16的特征矩陣進(jìn)行same卷積，卷積后的特征矩陣大小為56×56×32，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為28×28×32。

(5)第4層。用32個大小為3×3的卷積核對第3層傳入的28×28×32的特征矩陣進(jìn)行same卷積，卷積后的特征矩陣大小為28×28×32，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為14×14×32。

將卷積完成的14×14×32視覺特征矩陣展平為大小為1×6 272的特征向量。

3.2 觸覺圖像處理

觸覺圖像處理共有4層卷積層與4層池化層，并在卷積層與池化層中間加入標(biāo)準(zhǔn)歸一化層。卷積層的主要作用為提取觸覺圖像輸入數(shù)據(jù)的特征信息，池化層采用最大池化主要作用為降低上層輸入數(shù)據(jù)的數(shù)據(jù)規(guī)模以便于在最后用全連接層進(jìn)行處理。

(1)輸入層：輸入圖像為經(jīng)過處理的64×64的灰度圖像。

(2)視覺模型第1層。用8個大小為3×3的卷積核對灰度圖像進(jìn)行same卷積，卷積后的特征矩陣大小為64×64×8，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為32×32×16。

(3)第2層。用8個大小為3×3的卷積核對第1層傳入的32×32×16的特征矩陣進(jìn)行same卷積，卷積后的特征矩陣大小為32×32×16，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為16×16×16。

(4)第3層。用16個大小為3×3的卷積核對第2層傳入的16×16×16的特征矩陣進(jìn)行same卷積，卷積后的特征矩陣大小為16×16×16，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為8×8×16。

(5)視覺模型第4層。用16個大小為3×3的卷積核對第3層傳入的8×8×16的特征矩陣進(jìn)行same卷積，卷積后的特征矩陣大小為8×8×16，卷積完成后進(jìn)行標(biāo)準(zhǔn)歸一化處理并使用ReLU函數(shù)激活，然后進(jìn)行2×2的最大池化，步長為2。池化后的特征矩陣大小為4×4×16。

將卷積完成的大小為4×4×16的觸覺特征矩陣展平為大小為1×256的特征向量。

3.3 連接層

將分別提取到的特征向量進(jìn)行拼接組成大小為(6 272+256=6 528)的視覺觸覺特征向量輸入第一層全連接層，全連接層第1層由1 000個神經(jīng)元組成，使用ReLU進(jìn)行激活，全連接層第2層由50個神經(jīng)元組成，ReLU函數(shù)進(jìn)行激活，輸出層有21個神經(jīng)元組成代表要區(qū)分的21種物體，使用Softmax函數(shù)進(jìn)行激活。

4 算法驗證

4.1 數(shù)據(jù)準(zhǔn)備

實驗所用待分類物體包含不同形狀(球形、正方體、長方體、圓柱、半球、半圓柱和圓臺)與不同材質(zhì)(木質(zhì)，橡膠，海綿)的21種實心物體(木球、橡膠球、海綿球、木質(zhì)正方體塊、橡膠正方體塊、海綿正方體塊、木質(zhì)長方體塊、橡膠長方體塊、海綿長方體塊、木質(zhì)半球、橡膠半球、海綿半球、木質(zhì)半圓柱、橡膠半圓柱、海綿半圓柱、木質(zhì)圓臺、橡膠圓臺和海綿圓臺)各3個(不同顏色尺寸)，共計實驗物品63個，其中44個用于采集數(shù)據(jù)，剩余21個用于最后實際測試。對44個實驗物體以不同角度(正上方、正面、正側(cè)面、正斜側(cè)面和側(cè)斜側(cè)面)、不同亮暗程度(采用夜間打光的方式，設(shè)置3個等級，調(diào)節(jié)光源為100%、50%和20%)及不同遮擋(無遮擋以及30%遮擋)進(jìn)行拍照，將圖片的分辨率處理為224×224，由此組建成由3960張圖片組成原始數(shù)據(jù)集，再對原始圖片進(jìn)行翻轉(zhuǎn)、伸縮變換，最終組建成由7 920張圖片組成的視覺數(shù)據(jù)集。

使機(jī)械臂從不同角度進(jìn)行抓取，抓取過程中為勻速抓取并勻速釋放，每個物體抓取20次，最終構(gòu)建成由880個壓力圖像組成的原始數(shù)據(jù)集。

由于視覺圖像數(shù)據(jù)與觸覺數(shù)據(jù)并無強(qiáng)關(guān)聯(lián)性，因此采用在同材質(zhì)物體中隨機(jī)組合視覺數(shù)據(jù)與觸覺數(shù)據(jù)，即對于同材質(zhì)物體的圖像隨機(jī)選擇兩個同材質(zhì)物體的壓力圖像構(gòu)成視覺觸覺數(shù)據(jù)對，最終形成由15 840個數(shù)據(jù)對組成的視覺觸覺數(shù)據(jù)集。

4.2 算法對比

為了驗證本文模型在實際環(huán)境中的有效性，對模型進(jìn)行了訓(xùn)練以及調(diào)整優(yōu)化，所用電腦的配置信息如表1所示。

數(shù)據(jù)集按照1∶1∶6的比例分別劃分為測試集，驗證集以及訓(xùn)練集。其中通過訓(xùn)練集與驗證集訓(xùn)練獲得模型的參數(shù)并對模型的超參數(shù)進(jìn)行調(diào)整，測試集用來評估模型的真實有效性。經(jīng)過100輪訓(xùn)練后，最終獲得模型的訓(xùn)練集準(zhǔn)確率達(dá)到97.8%，測試集的準(zhǔn)確率達(dá)到98.5%。訓(xùn)練曲線如圖9所示。

為驗證模型在此分類任務(wù)中的優(yōu)勢，設(shè)置了兩個單一視覺卷積神經(jīng)網(wǎng)絡(luò)AlexNet與VGG16進(jìn)行了對比實驗，用相同的數(shù)據(jù)集各自進(jìn)行了100輪的訓(xùn)練。實驗結(jié)果表明，兩種方法對于不同物品的檢測準(zhǔn)確率僅為62.8%和74.5%。例如，兩類網(wǎng)絡(luò)分別有47.5%和39.6%的概率把木質(zhì)玩具球識別成為橡膠彈力球?？梢妴我灰曈X在具有較多相似物體的分類場景中并不適用。

表1 模型訓(xùn)練設(shè)備參數(shù)Table 1 The parameters of the model training equipment

圖9 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練曲線Fig.9 Neural network model training curve

5 結(jié)論

針對基于視觸數(shù)據(jù)融合的多模態(tài)細(xì)分類系統(tǒng)進(jìn)行研究，得出如下結(jié)論。

(1)搭建了用于機(jī)械臂細(xì)分類的硬件模塊，包括機(jī)械臂的配置、深度相機(jī)標(biāo)定以及傳感器的部署；基于OpenCV與ROS系統(tǒng)進(jìn)行了目標(biāo)的定位以及路徑規(guī)劃。

(2)提出了一種有效的視覺觸覺卷積神經(jīng)網(wǎng)絡(luò)模型，使用較少層數(shù)的卷積層完成了數(shù)據(jù)的融合分類。并通過實驗驗證了在具有較多具有相似外觀不同材質(zhì)物體的工作環(huán)境下，分類準(zhǔn)確率達(dá)到98.5%，相較于傳統(tǒng)的單視覺模型準(zhǔn)確率有較大提升。

實驗仍然存在可以改進(jìn)的地方，今后可以對傳感器的使用部署進(jìn)行優(yōu)化，并進(jìn)一步提升算法效能，使系統(tǒng)具有更好的普適性。