护士被躁在线观看69,国产精品自拍视频网站,久草av一区,成人嘿咻视频免费看,成人在线观看免费视频,一级片在线免费视频,**毛片免费

讓機器人抓蝦不抓瞎！

2019-07-16 08:39:20 來源：ABB中國 閱讀量：13703 評論
分享：
　　【塑料機械網(wǎng) 技術(shù)學(xué)堂】顛覆性創(chuàng)新技術(shù)不但是投資者追逐的風(fēng)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(fēng)而行，通過自有實驗室實現(xiàn)了眾多技術(shù)突破，同時攜手新興科技領(lǐng)域翹楚，致力于開放式創(chuàng)新。
 
　　人工智能、深度學(xué)習(xí)、邊緣計算、數(shù)字孿生、Factory 2.0……熱詞頻現(xiàn)，數(shù)字化技術(shù)與各行業(yè)的交匯將產(chǎn)生什么化學(xué)反應(yīng)？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(yīng)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(lǐng)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(shù)，但食品通常形狀不規(guī)則、特征多變，導(dǎo)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(guān)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(jìn)行實時拍攝，同時內(nèi)置算法識別出目標(biāo)點位置，并引導(dǎo)機器人進(jìn)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(yīng)用中，由于蝦的形態(tài)各異，對人來說十分簡單的識別任務(wù)，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(zhǔn)確識別部分樣本的關(guān)節(jié)點，很難達(dá)到工業(yè)應(yīng)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(yīng)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(biāo)關(guān)節(jié)點
 
　　人工智能及圖像處理領(lǐng)域的科研發(fā)展，例如用于圖像識別的深度學(xué)習(xí)算法，為解決這一問題提供了新的思路。但是，深度學(xué)習(xí)算法在較復(fù)雜的圖像數(shù)據(jù)、精度要求較高的識別任務(wù)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(jié)合深度學(xué)習(xí)與生物特征識別的目標(biāo)點定位方法，并在實際數(shù)據(jù)上進(jìn)行了模型訓(xùn)練與性能驗證。首先將蝦的圖像進(jìn)行預(yù)處理后輸入深度學(xué)習(xí)模型得到粗定位點，之后對蝦的位姿進(jìn)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(biāo)點。

▲基于深度學(xué)習(xí)與生物特征的目標(biāo)點識別方法
 
　　通過在蝦的實測數(shù)據(jù)上進(jìn)行建模與測試，發(fā)現(xiàn)深度學(xué)習(xí)模型較難直接給出的目標(biāo)點位置，但可以提供與目標(biāo)點較接近的粗定位點，從而得到能涵蓋目標(biāo)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(biāo)點。

　　實驗結(jié)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(dá)到97.2%，可初步滿足實際工業(yè)應(yīng)用的要求。
 
　　熱詞解析之「深度學(xué)習(xí)」
 
　　深度學(xué)習(xí)是一種可以自動學(xué)習(xí)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(wù)。譬如下圖，顯示了來自深度學(xué)習(xí)網(wǎng)絡(luò)各層的特征樣例——隨著網(wǎng)絡(luò)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(luò)層可以學(xué)習(xí)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(luò)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(luò)所提取的一小部分特征圖，它們展示了如何通過深度學(xué)習(xí)收集有意義的視覺信息
 
　　深度學(xué)習(xí)的本質(zhì)是深層的人工神經(jīng)網(wǎng)絡(luò)(一種機器學(xué)習(xí)算法)。傳統(tǒng)上，由于神經(jīng)網(wǎng)絡(luò)算法的缺點、訓(xùn)練數(shù)據(jù)不足或缺乏計算能力，神經(jīng)網(wǎng)絡(luò)只有淺層學(xué)習(xí)能力。但近這種情況實現(xiàn)了完全逆轉(zhuǎn)，使更多層網(wǎng)絡(luò)的訓(xùn)練變得可行。連續(xù)的隱含層越多，網(wǎng)絡(luò)便越深入。因此，稱之為“深度學(xué)習(xí)”。
 
　　在大多數(shù)傳統(tǒng)的機器學(xué)習(xí)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(shè)計某些特征提取方法。
 
　　相反地，深度學(xué)習(xí)將原始數(shù)據(jù)作為輸入，并自動查找進(jìn)行模式識別或分類所需的特征。這種自動學(xué)習(xí)特征的能力使深度學(xué)習(xí)方法在各種普遍情況下非常有用。
 
　　找到適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)和識別決定網(wǎng)絡(luò)訓(xùn)練性能的參數(shù)仍然是一個挑戰(zhàn)。此外，理解深度學(xué)習(xí)模型學(xué)習(xí)了哪些特征并不容易。另外，與所有機器學(xué)習(xí)模型一樣，深度學(xué)習(xí)模型也容易受到精心設(shè)計的輸入的影響，它們可能導(dǎo)致模型產(chǎn)生錯誤推論。這些主題是當(dāng)前深度學(xué)習(xí)研究工作的重點。
 
　　近，深度學(xué)習(xí)在執(zhí)行圖像和語音識別等任務(wù)方面已取得巨大成功。深度學(xué)習(xí)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(xué)習(xí)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(fù)雜的任務(wù)
 
　　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

上一篇： 搭上垃圾分類的快車，注塑機也要火一把

下一篇：機器人「視覺伺服」控制的新方法

我要評論
文明上網(wǎng)，理性發(fā)言。（您還可以輸入200個字符)

所有評論僅代表網(wǎng)友意見，與本站立場無關(guān)。

產(chǎn)品推薦 更多