结合深度学习和Softmax的零件瑕疵识别

摘要

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,前提是生产流程中合格与瑕疵品的检测识别,是后续分拣抓取的关键步骤。因此论文提出一种结合深度学习和Softmax的区域识别方法,通过分别提取抓取区域的方向梯度直方图HOG特征和中心局部二进制模式特征CS-LBP特征,对融合后的特征采用主成分分析法PCA进行降维处理,以此来训练Softmax分类器进行分类。为此训练了Unet神经网络完成抓取区域的分割操作。然后采用Softmax分类器对Unet识别出的区域进行了二次分类,剔除了干扰区域。最后一步计算掩码,达到对瑕疵区域的精准识别。论文通过对比单一的Unet算法以及多特征融合的Softmax算法,在漏检率、错检率、识别准确率等三个指标上的对比,表明了论文算法的鲁棒性。