检测物体的拾取点的方法及装置、设备、介质和机器人与流程
本公开涉及计算机技术领域，尤其涉及检测物体的拾取点的方法及装置、设备、介质和机器人。
背景技术：
随着计算机软硬件技术的发展，人工智能技术日益成熟。作为人工智能走向落地的重要应用，机器人受到了广泛的关注。机器人可被应用于国防军事、工业生产、物流等领域。在物流分拣和工业生产等过程中，多种类的多个物体或紧密、或松散地放置在容器(例如中转箱)或台面上时，如何准确地检测每个物体的拾取点，是亟待解决的问题。
技术实现要素：
本公开提供了一种检测物体的拾取点的技术方案。
根据本公开的一方面，提供了一种检测物体的拾取点的方法，包括：获取待检测图像和所述待检测图像对应的第一深度图；将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，其中，所述神经网络预先结合训练图像和所述训练图像对应的第二深度图进行训练，所述第一位置预测图用于表示所述待检测图像中的像素所在位置作为拾取点的置信度的预测值，所述第一法向量预测图用于表示所述待检测图像中的像素的切平面的法向量的预测值；根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量。
在本公开实施例中，通过结合待检测图像与深度图中的信息，能够克服深度图中常常存在大量噪声的问题，从而能够预测得到更准确的待拾取点的位置以及待拾取点对应的法向量。由此机器人或者机械臂等设备根据所述待检测图像中的物体的待拾取点的位置及待拾取点对应的法向量拾取物体，能够提高拾取物体的成功率。
在一种可能的实现方式中，所述根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，包括：将所述第一位置预测图中置信度最大的像素的坐标，确定为所述待检测图像中的物体的待拾取点的坐标；根据所述第一深度图，确定所述待拾取点对应的深度值；根据所述第一法向量预测图，确定所述待拾取点对应的法向量。
在该实现方式中，第一位置预测图中像素的置信度越大，则表明以该像素拾取物体的成功率越高。通过采用该实现方式，能够提高拾取物体的成功率。
在一种可能的实现方式中，在所述确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量之后，所述方法还包括：将所述待拾取点的坐标、所述深度值以及所述待拾取点对应的法向量，确定为拾取部件的位姿信息。
根据该实现方式确定的拾取部件的位姿信息，机器人或者机械臂等设备能够实现六自由度的拾取。
在一种可能的实现方式中，在所述将所述待检测图像和所述第一深度图输入神经网络之前，所述方法还包括：获取训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图，其中，所述真实位置图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的真实值，所述真实法向量图用于表示所述训练图像中的像素的切平面的法向量的真实值；将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络输出所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图，其中，所述第二位置预测图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的预测值，所述第二法向量预测图用于表示所述训练图像中的像素的切平面的法向量的预测值；根据所述真实位置图与所述第二位置预测图之间的差异，以及所述真实法向量图与所述第二法向量预测图之间的差异，训练所述神经网络。
该实现方式结合训练图像与深度图，充分利用训练图像和深度图中的信息，预测得到像素级的拾取点位置图和法向量图，能够克服深度图中常常存在大量噪声的问题，从而能够预测得到更准确的待拾取点的位置以及待拾取点对应的法向量。
在一种可能的实现方式中，所述训练图像为二维图像。
根据该实现方式，能够在无需预先获取待拾取物体的三维模型的前提下，结合二维的训练图像与深度图预测得到较准确的像素级的拾取点位置图和法向量图，从而能够降低硬件成本，减小计算开销。在一种可能的实现方式中，所述获取训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图，包括：根据仿真场景的图像，得到训练图像，其中，所述仿真场景中包括物体模型和背景模型；获取所述仿真场景的深度图作为所述训练图像对应的第二深度图；根据所述物体模型的参数，得到所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图。
根据该实现方式，能够利用仿真数据训练神经网络，解决真实场景中的物体的拾取点检测的问题。通过采用仿真系统采集训练图像对应的拾取点的真实位置图和训练图像对应的真实法向量图，由此能够大大降低标注成本，从而能够降低整套系统的成本。
在一种可能的实现方式中，所述根据仿真场景的图像，得到训练图像，包括：生成仿真场景；控制所述仿真场景中的至少一个物体模型从所述仿真场景中的工作台模型的上方随机掉落在所述工作台模型上，直至所述至少一个物体模型稳定；和/或，对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整，得到多个训练图像。
在该实现方式中，通过控制所述仿真场景中的多个物体模型从所述仿真场景中的工作台模型的上方随机掉落在所述工作台模型上，直至所述多个物体模型稳定，由此能够模仿真实场景中物体堆叠的情况，基于此训练神经网络，能够使神经网络学习处理真实场景中物体堆叠的情况。通过对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整，由此能够得到大量的训练图像，基于此训练得到的神经网络能够具有较高的准确性和鲁棒性。
在一种可能的实现方式中，所述将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，包括：将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络对所述待检测图像和所述第一深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图。
在该实现方式中，通过对待检测图像的特征和第一深度图的特征进行特征融合，由此能够充分结合待检测图像与第一深度图中的信息，克服深度图中常常存在大量噪声的问题。
在一种可能的实现方式中，所述将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络输出所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图，包括：将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络对所述训练图像和所述第二深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图。
在该实现方式中，通过对训练图像的特征和第二深度图的特征进行特征融合，由此能够充分结合训练图像与第二深度图中的信息，克服深度图中常常存在大量噪声的问题。
根据本公开的一方面，提供了一种检测物体的拾取点的装置，包括：获取模块，用于获取待检测图像和所述待检测图像对应的第一深度图；预测模块，用于将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，其中，所述神经网络预先结合训练图像和所述训练图像对应的第二深度图进行训练，所述第一位置预测图用于表示所述待检测图像中的像素所在位置作为拾取点的置信度的预测值，所述第一法向量预测图用于表示所述待检测图像中的像素的切平面的法向量的预测值；第一确定模块，用于根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量。
在一种可能的实现方式中，所述第一确定模块用于：将所述第一位置预测图中置信度最大的像素的坐标，确定为所述待检测图像中的物体的待拾取点的坐标；根据所述第一深度图，确定所述待拾取点对应的深度值；根据所述第一法向量预测图，确定所述待拾取点对应的法向量。
在一种可能的实现方式中，所述装置还包括：第二确定模块，用于将所述待拾取点的坐标、所述深度值以及所述待拾取点对应的法向量，确定为拾取部件的位姿信息。
在一种可能的实现方式中，所述装置还包括训练模块，所述训练模块用于：获取训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图，其中，所述真实位置图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的真实值，所述真实法向量图用于表示所述训练图像中的像素的切平面的法向量的真实值；将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络输出所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图，其中，所述第二位置预测图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的预测值，所述第二法向量预测图用于表示所述训练图像中的像素的切平面的法向量的预测值；根据所述真实位置图与所述第二位置预测图之间的差异，以及所述真实法向量图与所述第二法向量预测图之间的差异，训练所述神经网络。
在一种可能的实现方式中，所述训练图像为二维图像。
在一种可能的实现方式中，所述训练模块用于：根据仿真场景的图像，得到训练图像，其中，所述仿真场景中包括物体模型和背景模型；获取所述仿真场景的深度图作为所述训练图像对应的第二深度图；根据所述物体模型的参数，得到所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图。
在一种可能的实现方式中，所述训练模块用于：生成仿真场景；控制所述仿真场景中的至少一个物体模型从所述仿真场景中的工作台模型的上方随机掉落在所述工作台模型上，直至所述至少一个物体模型稳定；和/或，对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整，得到多个训练图像。
在一种可能的实现方式中，所述预测模块用于：将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络对所述待检测图像和所述第一深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图。
在一种可能的实现方式中，所述训练模块用于：将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络对所述训练图像和所述第二深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图。
根据本公开的一方面，提供了一种机器人，包括检测模块和拾取部件，其中，所述检测模块与所述拾取部件连接；所述检测模块用于实现上述方法，以得到待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量；所述拾取部件用于根据所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，拾取物体。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过获取待检测图像和所述待检测图像对应的第一深度图，将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，由此通过结合待检测图像与深度图中的信息，能够克服深度图中常常存在大量噪声的问题，从而能够预测得到更准确的待拾取点的位置以及待拾取点对应的法向量。由此机器人或者机械臂等设备根据所述待检测图像中的物体的待拾取点的位置及待拾取点对应的法向量拾取物体，能够提高拾取物体的成功率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的检测物体的拾取点的方法的流程图。
图2示出本公开实施例提供的检测物体的拾取点的方法中的神经网络的示意图。
图3示出本公开实施例提供的机器人的框图。
图4示出本公开实施例提供的检测物体的拾取点的装置的框图。
图5示出本公开实施例提供的一种电子设备800的框图。
图6示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在本公开实施例中，通过获取待检测图像和所述待检测图像对应的第一深度图，将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，由此通过结合待检测图像与深度图中的信息，能够克服深度图中常常存在大量噪声的问题，从而能够预测得到更准确的待拾取点的位置以及待拾取点对应的法向量。由此机器人或者机械臂等设备根据所述待检测图像中的物体的待拾取点的位置及待拾取点对应的法向量拾取物体，能够提高拾取物体的成功率。
图1示出本公开实施例提供的检测物体的拾取点的方法的流程图。所述检测物体的拾取点的方法的执行主体可以是检测物体的拾取点的装置。例如，所述检测物体的拾取点的方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是机器人(例如分拣机器人)、机械臂、用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述检测物体的拾取点的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述检测物体的拾取点的方法包括步骤s11至步骤s13。
在步骤s11中，获取待检测图像和所述待检测图像对应的第一深度图。
在本公开实施例中，待检测图像可以为真实场景的图像。第一深度图表示待检测图像对应的深度图。待检测图像及第一深度图可以通过图像采集设备获取，或者从存储有上述图像的数据库或其他设备中获取。
在一种可能的实现方式中，所述待检测图像为二维图像。根据该实现方式，能够在无需预先获取物体的三维模型的前提下，结合二维的待检测图像和待检测图像对应的深度图预测得到较准确的物体的待拾取点的位置以及待拾取点对应的法向量，从而能够降低硬件成本，减小计算开销。
在一种可能的实现方式中，所述待检测图像为rgb图像。
在本公开实施例中，第一深度图的像素的像素值可以表示用于采集第一深度图的图像采集模组与第一深度图对应的待检测图像中的物体表面点之间的距离。其中，第一深度图与待检测图像可以由相同的图像采集模组采集，也可以由不同的图像采集模组采集。在第一深度图与待检测图像由不同的图像采集模组采集的情况下，用于采集第一深度图的图像采集模组与用于采集待检测图像的图像采集模组可以设置在相邻的位置，以使采集第一深度图的图像采集模组与用于采集待检测图像的图像采集模组能够采集到相同视角的图像。
在步骤s12中，将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，其中，所述神经网络预先结合训练图像和所述训练图像对应的第二深度图进行训练，所述第一位置预测图用于表示所述待检测图像中的像素所在位置作为拾取点的置信度的预测值，所述第一法向量预测图用于表示所述待检测图像中的像素的切平面的法向量的预测值。
在本公开实施例中，拾取可以为抓取或者吸取，相应地，拾取点可以为抓取点或者吸取点。在本公开实施例中，待检测图像中的像素的切平面，表示所述像素所代表的物体表面点的切平面；相应地，所述像素的切平面的法向量，表示所述像素所代表的物体表面点的切平面的法向量。
在本公开实施例中，待检测图像对应的拾取点的第一位置预测图、所述待检测图像对应的第一法向量预测图与待检测图像的大小可以相同。其中，第一位置预测图表示待检测图像对应的拾取点的位置预测图，第一法向量预测图表示待检测图像对应的法向量预测图。
所述第一位置预测图中的任一像素的像素值可以体现以该像素所在位置作为拾取点能够成功拾取物体的可能性。所述第一位置预测图中的任一像素的像素值越大(即该像素所在位置作为拾取点的置信度的预测值越大)，则可以表示以该像素所在位置作为拾取点拾取物体的成功率越高。本公开实施例在像素级别上进行物体的拾取点的预测，从而能够提高所确定的物体的拾取点的准确性。
所述第一法向量预测图的任一像素可以包括三个通道的像素值，该三个通道的像素值可以分别作为三个维度的坐标值来表示待检测图像中的像素对应的预测法向量。若神经网络预测待检测图像中的某一像素不属于物体区域(例如背景区域中的像素)，则第一法向量预测图中相应的像素的三个通道的像素值可以均为0。若神经网络预测待检测图像中某一像素属于物体区域，则第一法向量预测图中相应的像素的三个通道的像素值可以分别作为三个维度的坐标值来表示待检测图像中的像素对应的预测法向量。其中，待检测图像中的任一像素对应的预测法向量，表示该像素所代表的物体表面点的切平面的预测法向量。在本公开实施例中，用于表示预测法向量的坐标系可以与待检测图像、第二深度图的图像坐标系相同。例如，待检测图像中任一像素对应的预测法向量为
在一种可能的实现方式中，所述将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，包括：将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络对所述待检测图像和所述第一深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图。在该实现方式中，通过对待检测图像的特征和第一深度图的特征进行特征融合，由此能够充分结合待检测图像与第一深度图中的信息，克服深度图中常常存在大量噪声的问题。
在步骤s13中，根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量。
本公开实施例通过获取待检测图像和所述待检测图像对应的第一深度图，将所述待检测图像和所述第一深度图输入所述检测物体的拾取点的方法训练得到的神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，并根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，由此机器人或者机械臂等设备能够根据所述待检测图像中的物体的待拾取点的位置及待拾取点对应的法向量拾取物体，从而能够提高拾取物体的成功率。在本公开实施例中，神经网络基于像素级别预测输入图像中的物体的拾取点及其对应的法向量，鲁棒性和准确性较高，且可解释性较强。
在一种可能的实现方式中，所述根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，包括：将所述第一位置预测图中置信度最大的像素的坐标，确定为所述待检测图像中的物体的待拾取点的坐标；根据所述第一深度图，确定所述待拾取点对应的深度值；根据所述第一法向量预测图，确定所述待拾取点对应的法向量。在该实现方式中，第一位置预测图中像素的置信度越大，则表明以该像素拾取物体的成功率越高。通过采用该实现方式，能够提高拾取物体的成功率。
例如，所述第一位置预测图中置信度最大的像素为第x行、第y列的像素，则可以将该像素确定为(x，y)确定为待拾取点的坐标，将第一深度图中第x行、第y列的像素的像素值z确定待拾取点对应的深度值，并将第一法向量预测图中第x行、第y列的像素的像素值(rx，ry，rz)确定为待拾取点对应的法向量。
在其他可能的实现方式中，可以将第一位置预测图中置信度大于或等于第五预设值的像素的坐标，确定为所述待检测图像中的物体的待拾取点的坐标，再根据第一深度图和第一法向量预测图确定相应的深度值和法向量。
在一种可能的实现方式中，在所述确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量之后，所述方法还包括：将所述待拾取点的坐标、所述深度值以及所述待拾取点对应的法向量，确定为拾取部件的位姿信息。
其中，拾取部件可以为抓取部件或者吸取部件。例如，机械臂的抓取部件可以是夹持器，吸取部件可以是吸盘。
例如，待拾取点的坐标为(x，y)，待拾取点对应的深度值为z，待拾取点对应的法向量为(rx，ry，rz)，则可以将(x，y，z，rx，ry，rz)确定为拾取部件的位姿信息。
根据该实现方式确定的拾取部件的位姿信息，机器人或者机械臂等设备能够实现六自由度的拾取。
在该实现方式中，在确定拾取部件的位姿信息之前，可以先对机器人或者机械臂等设备进行手眼标定。手眼标定后，第一位置预测图中待拾取点的坐标即为待拾取点在机器人或者机械臂等设备的坐标系下的坐标，第一深度图中待拾取点的深度值即为待拾取点在机器人或者机械臂等设备的坐标系下的深度值，第一法向量预测图中待拾取点对应的法向量即为待拾取点在机器人或者机械臂等设备的坐标系下的姿态。结合待拾取点的坐标、待拾取点对应的深度值和待拾取点对应的法向量，可以得到机器人或者机械臂等设备的拾取部件的位姿信息。
在本公开实施例中，在所述将所述待检测图像和所述第一深度图输入神经网络之前，所述方法还可以包括：获取训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图，其中，所述真实位置图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的真实值，所述真实法向量图用于表示所述训练图像中的像素的切平面的法向量的真实值；将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络输出所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图，其中，所述第二位置预测图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的预测值，所述第二法向量预测图用于表示所述训练图像中的像素的切平面的法向量的预测值；根据所述真实位置图与所述第二位置预测图之间的差异，以及所述真实法向量图与所述第二法向量预测图之间的差异，训练所述神经网络。
在本公开实施例中，训练图像中的像素的切平面，表示所述像素所代表的物体表面点的切平面；相应地，所述像素的切平面的法向量，表示所述像素所代表的物体表面点的切平面的法向量。
其中，第二深度图表示训练图像对应的深度图。第二深度图的像素的像素值可以表示用于采集第二深度图的图像采集模组与第二深度图对应的训练图像中的物体表面点之间的距离。
在本公开实施例中，训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图四者的大小可以相同。
在一种可能的实现方式中，所述训练图像为二维图像，由此能够在无需预先获取待拾取物体的三维模型的前提下，结合二维的训练图像与深度图预测得到较准确的像素级的拾取点位置图和法向量图，从而能够降低硬件成本，减小计算开销。
在一种可能的实现方式中，所述训练图像为rgb(red，红；green，绿；blue，蓝)图像。
在本公开实施例中，在所述训练图像对应的拾取点的真实位置图中，能够作为拾取点的像素的像素值与不能作为拾取点的像素的像素值不同。例如，在所述训练图像对应的拾取点的真实位置图中，能够作为拾取点的像素的像素值为1(即该像素所在位置作为拾取点的置信度的真实值为1)，不能作为拾取点的像素的像素值为0(即该像素所在位置作为拾取点的置信度的真实值为0)。在一种可能的实现方式中，在所述训练图像对应的拾取点的真实位置图中，能够作为拾取点的各个像素的像素值相同，且不能作为拾取点的各个像素的像素值相同。其中，某一像素能够作为拾取点，可以指若以该像素拾取物体，则能够成功拾取物体的可能性较大；某一像素不能作为拾取点，可以指若以该像素拾取物体，则能够成功拾取物体的可能性较小。一个物体上能够作为拾取点的像素的数量可以为一个或多个。
在本公开实施例中，所述训练图像对应的真实法向量图的任一像素可以包括三个通道的像素值，该三个通道的像素值可以分别作为三个维度的坐标值来表示训练图像中的像素对应的真实法向量。若训练图像中的某一像素不属于物体区域(例如背景区域中的像素)，则真实法向量图中相应的像素的三个通道的像素值可以均为0。若训练图像中某一像素属于物体区域，则真实法向量图中相应的像素的三个通道的像素值可以分别作为三个维度的坐标值来表示训练图像中的像素对应的真实法向量。其中，训练图像中的任一像素对应的真实法向量，表示该像素所代表的物体表面点的切平面的真实法向量。在本公开实施例中，用于表示真实法向量的坐标系可以与训练图像、第一深度图的图像坐标系相同。例如，训练图像中任一像素对应的真实法向量为
在一种可能的实现方式中，所述获取训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图，包括：根据仿真场景的图像，得到训练图像，其中，所述仿真场景中包括物体模型和背景模型；
获取所述仿真场景的深度图作为所述训练图像对应的第二深度图；根据所述物体模型的参数，得到所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图。其中，物体模型可以包括快递包裹模型、元器件模型、垃圾模型和货物模型等各种类型的物体的模型；背景模型可以包括地面、桌子、箱子、架子、台面(例如工作台)和环境光照等中的一种或多种模型。
在该实现方式中，物体模型的参数可以包括物体模型的类型参数、形状参数、尺寸参数和位置参数等中的一项或多项。其中，物体模型的位置参数可以表示物体模型在仿真场景中的位置。
根据物体模型的形状参数、尺寸参数和位置参数，可以确定训练图像中的哪些像素存在物体，并可以确定仿真场景中的哪些位置存在物体模型；根据仿真场景中深度图的图像采集装置与物体模型的表面点之间的距离，可以得到训练图像对应的第二深度图。
根据物体模型的形状参数、尺寸参数和位置参数，可以确定物体模型表面的各个点的切平面；对于物体模型表面的任一点而言，根据垂直于该点的切平面的直线所表示的向量，得到该点对应的法向量，由此可以确定训练图像中物体表面的各个像素的切平面的法向量，从而可以得到训练图像对应的真实法向量图。
根据物体模型表面的像素的切平面的法向量与该像素的邻近像素的切平面的法向量之间的差异，可以得到所述训练图像对应的拾取点的真实位置图。例如，若物体表面的某一像素的切平面的法向量与该像素的邻近像素的切平面的法向量之间的夹角较小(例如小于或等于第一预设值)，则可以确定该像素附近较为平整，从而可以确定该像素能够作为拾取点，即，可以将训练图像对应的拾取点的真实位置图中该像素的像素值确定为1；若物体模型表面的某一像素的切平面的法向量与该像素的邻近像素的切平面的法向量之间的夹角较大(例如大于第一预设值)，则可以确定该像素附近较不平整，从而可以确定该像素不能作为拾取点，即，可以将训练图像对应的拾取点的真实位置图中该像素的像素值确定为0。在一个示例中，可以将与任一像素的距离小于或等于第二预设值的像素，确定为该像素的邻近像素。例如，若像素a与像素b之间的距离小于或等于第二预设值，则可以将像素a确定为像素b的邻近像素，将像素b确定为像素a的邻近像素；若像素a与像素b之间的距离大于第二预设值，则可以不将像素a和像素b作为彼此的邻近像素。
根据该实现方式，能够利用仿真数据训练神经网络，解决真实场景中的物体的拾取点检测的问题。通过采用仿真系统采集训练图像对应的拾取点的真实位置图和训练图像对应的真实法向量图，由此能够大大降低标注成本，从而能够降低整套系统的成本。
作为该实现方式的一个示例，所述仿真场景中可以包括多个种类的物体模型，从而能够使神经网络学习到处理不同种类的物体的能力。
作为该实现方式的一个示例，所述根据仿真场景的图像，得到训练图像，包括：生成仿真场景；控制所述仿真场景中的至少一个物体模型从所述仿真场景中的工作台模型的上方随机掉落在所述工作台模型上，直至所述至少一个物体模型稳定；和/或，对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整，得到多个训练图像。
在该示例中，可以根据仿真场景的生成指令，随机选择物体模型和背景模型生成仿真场景，或者可以根据用户选择的物体模型和背景模型生成仿真场景。例如，可以生成与真实场景相似的仿真场景。
在该示例中，可以采用领域随机化(domainrandomization)方法，对仿真场景中的物体模型和/或背景模型进行随机调整。例如，可以对仿真场景中的地面的颜色和纹理、桌子模型的颜色和纹理、箱子模型的颜色和纹理、环境光照的方向和强度、物体模型摆放的位置和角度、物体模型的颜色和纹理、物体模型的大小和形状、物体模型的种类、数量和摆放方式等进行随机调整。
在该示例中，所述背景模型可以包括工作台模型，所述仿真场景中可以包括多个物体模型。其中，所述多个物体模型可以属于多个种类。在一个例子中，可以先控制所述仿真场景中的多个物体模型从所述工作台模型的上方随机掉落在所述工作台模型上，直至所述多个物体模型稳定，再对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整。在对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整之后，可以保存当前的仿真场景的图像作为训练图像，例如，可以保存当前的仿真场景的rgb图像作为训练图像。在一个例子中，还可以从不同的视角保存仿真场景的图像，从而能够获得不同视角的训练图像。
在该示例中，通过控制所述仿真场景中的多个物体模型从所述仿真场景中的工作台模型的上方随机掉落在所述工作台模型上，直至所述多个物体模型稳定，由此能够模仿真实场景中物体堆叠的情况，基于此训练神经网络，能够使神经网络学习处理真实场景中物体堆叠的情况。通过对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整，由此能够得到大量的训练图像，基于此训练得到的神经网络能够具有较高的准确性和鲁棒性。
在另一种可能的实现方式中，可以通过人工标注的方式获取所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图。
在本公开实施例中，第二位置预测图表示训练图像对应的拾取点的位置预测图，第二法向量预测图表示训练图像对应的法向量预测图。所述第二位置预测图中的任一像素的像素值可以体现以该像素所在位置作为拾取点能够成功拾取物体的可能性。所述第二位置预测图中的任一像素的像素值越大(即该像素所在位置作为拾取点的置信度的预测值越大)，则可以表示以该像素所在位置作为拾取点拾取物体的成功率越高。本公开实施例在像素级别上进行物体的拾取点的预测，从而能够提高所确定的物体的拾取点的准确性。
所述第二法向量预测图的任一像素可以包括三个通道的像素值，该三个通道的像素值可以分别作为三个维度的坐标值来表示训练图像中的像素对应的预测法向量。若神经网络预测训练图像中的某一像素不属于物体区域(例如背景区域中的像素)，则第二法向量预测图中相应的像素的三个通道的像素值可以均为0。若神经网络预测训练图像中某一像素属于物体区域，则第二法向量预测图中相应的像素的三个通道的像素值可以分别作为三个维度的坐标值来表示训练图像中的像素对应的预测法向量。其中，训练图像中的任一像素对应的预测法向量，表示该像素所代表的物体表面点的切平面的预测法向量。在本公开实施例中，用于表示预测法向量的坐标系可以与训练图像、第二深度图的图像坐标系相同。例如，训练图像中任一像素对应的预测法向量为
在本公开实施例中，所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图与所述训练图像的大小可以相同。
图2示出本公开实施例提供的检测物体的拾取点的方法中的神经网络的示意图。所述神经网络可以为端到端的模型。在神经网络的训练过程中，输入图像可以为训练图像和训练图像对应的深度图(例如第二深度图)；在神经网络的实际使用过程中，输入图像可以为待检测图像和待检测图像对应的深度图(例如第一深度图)。在一个示例中，训练图像和待检测图像可以为rgb图像，神经网络可以分别从rgb图像和深度图中学习场景信息，并可以通过特征融合，将不同来源(rgb图像和深度图)、不同层级的信息进行充分融合，从而更准确的预测结果。
所述神经网络可以是全卷积的神经网络，从而有助于减少运算量和网络参数量。所述神经网络可以包括编码器和解码器两个部分，并可以在编码器的卷积层和解码器的卷积层之间有多个跳跃连接。编码器可以对rgb图像和深度图进行编码，将rgb图像和深度图分别压缩成一个较小的特征图，该特征图蕴含了输入图像中的重要信息，例如物体的拾取点的位置信息和法向量。解码器可以根据该特征图，通过上采样，逐步生成像素级别的拾取点的位置预测图法向量预测图，以清楚准确地表示物体的拾取点的位置信息和对应的法向量的信息。
所述神经网络可以由多个卷积核大小为3×3的卷积层组成，每个卷积层后可以跟有批标准化(batchnormalization)处理。神经网络在最后一层之前的各层均可以使用relu(rectifiedlinearunit，修正线性单元)函数作为激活函数。在神经网络的训练、测试和使用时，均可以先将输入图像进行归一化处理。
在一种可能的实现方式中，所述将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络输出所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图，包括：将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络对所述训练图像和所述第二深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图。在该实现方式中，通过对训练图像的特征和第二深度图的特征进行特征融合，由此能够充分结合训练图像与第二深度图中的信息，克服深度图中常常存在大量噪声的问题。
在图2所示的示例中，输入图像为rgb图像和深度图。通过编码器中的卷积层对rgb图像处理，依次得到特征图s1_1、特征图s2_1、特征图s3_1和特征图s4_1；通过编码器中的卷积层对深度图进行处理，依次得到特征图s1_2、特征图s2_2、特征图s3_2和特征图s4_2。通过解码器的卷积层对特征图s4_1和特征图s4_2进行特征融合，得到特征图u4；对特征图u4、特征图s3_1和特征图s3_2进行特征融合，得到特征图u3；对特征图u3、特征图s2_1和特征图s2_2进行特征融合，得到特征图u2；特征图u2、特征图s1_1和特征图s1_2进行特征融合，得到特征图u1。通过卷积层对特征图u1进行卷积处理，得到拾取点的位置预测图和法向量预测图。例如，可以通过concat等方式进行特征融合。
在本公开实施例中，神经网络输出的位置预测图中像素的像素值的取值范围可以为大于或等于0且小于或等于1。即，训练图像或待检测图像中的像素所在位置作为拾取点的置信度的预测值的取值范围可以为大于或等于0且小于或等于1。在位置预测图中，某一像素的像素值较大可以表明，若以该像素所在位置作为拾取点拾取物体，则能够成功拾取物体的可能性较大；某一像素的像素值较小可以表明，若以该像素所在位置作为拾取点拾取物体，则能够成功拾取物体的可能性较小。
在一种可能的实现方式中，可以根据所述真实位置图与所述第二位置预测图中相应像素的像素值的差值，得到第一差值图；根据所述真实法向量与所述第二法向量预测图中相应像素的像素值的差值，得到第二差值图；根据所述第一差值图和所述第二差值图，得到所述神经网络的损失函数的值；根据所述损失函数的值，训练所述神经网络。
作为该实现方式的一个示例，可以将所述真实位置图与所述第二位置预测图中相应像素的像素值的差值的平方，确定为所述第一差值图中相应像素的像素值；将所述真实法向量与所述第二法向量预测图中相应像素的像素值的差值的平方，确定为所述第二差值图中相应像素的像素值。在任一像素包括三个通道的像素值的情况下，可以分别计算相应像素的相应通道的像素值的差值。
作为该实现方式的另一个示例，可以将所述真实位置图与所述第二位置预测图中相应像素的像素值的差值的绝对值，确定为所述第一差值图中相应像素的像素值；将所述真实法向量与所述第二法向量预测图中相应像素的像素值的差值的绝对值，确定为所述第二差值图中相应像素的像素值。
作为该实现方式的一个示例，可以计算所述第一差值图中所有像素的像素值之和，得到第一和值；计算所述第二差值图中所有像素的像素值之和，得到第二和值；根据所述第一和值和所述第二和值，确定所述神经网络的损失函数的值。例如，可以计算第一和值与第三预设值的第一乘积，计算第二和值与第四预设值的第二乘积，将第一乘积与第二乘积之和，确定为所述神经网络的损失函数的值。其中，第一乘积表示第一和值与第三预设值的乘积，第二乘积表示第二和值与第四预设值的乘积。第三预设值表示第一和值的权重，第四预设值表示第二和值的权重。例如，第三预设值和第四预设值均等于1；又如，第三预设值等于0.8，第四预设值等于1.1。
在一种可能的实现方式中，可以采用随机梯度下降法训练神经网络，批大小可以为64，神经网络的所有参数均可以随机初始化。
在本公开实施例中，通过结合训练图像与深度图进行拾取点及其对应的法向量的预测，能够充分利用训练图像和深度图中的信息，预测得到像素级的拾取点位置图和法向量图，能够克服深度图中常常存在大量噪声的问题，从而能够预测得到更准确的待拾取点的位置以及待拾取点对应的法向量。
本公开实施例提供的检测物体的拾取点的方法可以应用于各种场景中。例如，在物流分拣场景中，物体可以是快递包裹，根据本公开实施例确定的物体的待拾取点的位置信息以及待拾取点对应的法向量，机器人或者机械臂等设备能够准确地拾取快递包裹；在工业装配场景中，物体可以是元器件，根据本公开实施例确定的物体的待拾取点的位置信息以及待拾取点对应的法向量，机器人或者机械臂等能够准确地拾取元器件放到另一个部件上；在垃圾分类场景中，物体可以是垃圾，根据本公开实施例确定的物体的待拾取点的位置信息以及待拾取点对应的法向量，机器人或者机械臂等能够准确地把垃圾拾起来，放到对应的分类箱中；在无人售货场景中，物体可以是货物，根据本公开实施例确定的物体的待拾取点的位置信息以及待拾取点对应的法向量，机器人或者机械臂等能够准确地把指定的货物拾起来递给客户；在货物识别场景中，物体可以是货物，根据本公开实施例确定的物体的待拾取点的位置信息以及待拾取点对应的法向量，机器人或者机械臂等能够准确地将货物拾起来扫描二维码。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了检测物体的拾取点的装置、机器人、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种检测物体的拾取点的方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出本公开实施例提供的机器人的框图。如图3所示，所述机器人包括检测模块31和拾取部件32，其中，所述检测模块31与所述拾取部件32连接；所述检测模块31用于将待检测图像和所述待检测图像对应的第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，并根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，其中，所述神经网络预先结合训练图像和所述训练图像对应的第二深度图进行训练，所述第一位置预测图用于表示所述待检测图像中的像素所在位置作为拾取点的置信度的预测值，所述第一法向量预测图用于表示所述待检测图像中的像素的切平面的法向量的预测值；所述拾取部件32用于根据所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，拾取物体。
在一种可能的实现方式中，所述机器人还包括图像采集模组，所述图像采集模组用于采集待检测图像和所述待检测图像对应的第一深度图。
在另一种可能的实现方式中，机器人可以从数据库或者外部设备中获取待检测图像和所述待检测图像对应的第一深度图。
在一种可能的实现方式中，所述检测模块31用于：将所述第一位置预测图中置信度最大的像素的坐标，确定为所述待检测图像中的物体的待拾取点的坐标；根据所述第一深度图，确定所述待拾取点对应的深度值；根据所述第一法向量预测图，确定所述待拾取点对应的法向量。
在一种可能的实现方式中，所述检测模块31还用于：将所述待拾取点的坐标、所述深度值以及所述待拾取点对应的法向量，确定为拾取部件32的位姿信息。
在一种可能的实现方式中，所述检测模块31还用于：获取训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图，其中，所述真实位置图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的真实值，所述真实法向量图用于表示所述训练图像中的像素的切平面的法向量的真实值；将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络输出所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图，其中，所述第二位置预测图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的预测值，所述第二法向量预测图用于表示所述训练图像中的像素的切平面的法向量的预测值；根据所述真实位置图与所述第二位置预测图之间的差异，以及所述真实法向量图与所述第二法向量预测图之间的差异，训练所述神经网络。
在一种可能的实现方式中，所述训练图像为二维图像。
在一种可能的实现方式中，所述检测模块31用于：根据仿真场景的图像，得到训练图像，其中，所述仿真场景中包括物体模型和背景模型；获取所述仿真场景的深度图作为所述训练图像对应的第二深度图；根据所述物体模型的参数，得到所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图。
在一种可能的实现方式中，所述检测模块31用于：生成仿真场景；控制所述仿真场景中的至少一个物体模型从所述仿真场景中的工作台模型的上方随机掉落在所述工作台模型上，直至所述至少一个物体模型稳定；和/或，对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整，得到多个训练图像。
在一种可能的实现方式中，所述检测模块31用于：将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络对所述待检测图像和所述第一深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图。
在一种可能的实现方式中，所述检测模块31用于：将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络对所述训练图像和所述第二深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图。
在本公开实施例中，机器人通过检测模块将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，并通过拾取部件根据所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，拾取物体，由此能够提高机器人拾取物体的成功率。
图4示出本公开实施例提供的检测物体的拾取点的装置的框图。如图4所示，所述检测物体的拾取点的装置包括：获取模块41，用于获取待检测图像和所述待检测图像对应的第一深度图；预测模块42，用于将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，其中，所述神经网络预先结合训练图像和所述训练图像对应的第二深度图进行训练，所述第一位置预测图用于表示所述待检测图像中的像素所在位置作为拾取点的置信度的预测值，所述第一法向量预测图用于表示所述待检测图像中的像素的切平面的法向量的预测值；第一确定模块43，用于根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量。
在一种可能的实现方式中，所述第一确定模块43用于：将所述第一位置预测图中置信度最大的像素的坐标，确定为所述待检测图像中的物体的待拾取点的坐标；根据所述第一深度图，确定所述待拾取点对应的深度值；根据所述第一法向量预测图，确定所述待拾取点对应的法向量。
在一种可能的实现方式中，所述装置还包括：第二确定模块，用于将所述待拾取点的坐标、所述深度值以及所述待拾取点对应的法向量，确定为拾取部件的位姿信息。
在一种可能的实现方式中，所述装置还包括训练模块，所述训练模块用于：获取训练图像、所述训练图像对应的第二深度图、所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图，其中，所述真实位置图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的真实值，所述真实法向量图用于表示所述训练图像中的像素的切平面的法向量的真实值；将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络输出所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图，其中，所述第二位置预测图用于表示所述训练图像中的像素所在位置作为拾取点的置信度的预测值，所述第二法向量预测图用于表示所述训练图像中的像素的切平面的法向量的预测值；根据所述真实位置图与所述第二位置预测图之间的差异，以及所述真实法向量图与所述第二法向量预测图之间的差异，训练所述神经网络。
在一种可能的实现方式中，所述训练图像为二维图像。
在一种可能的实现方式中，所述训练模块用于：根据仿真场景的图像，得到训练图像，其中，所述仿真场景中包括物体模型和背景模型；获取所述仿真场景的深度图作为所述训练图像对应的第二深度图；根据所述物体模型的参数，得到所述训练图像对应的拾取点的真实位置图和所述训练图像对应的真实法向量图。
在一种可能的实现方式中，所述训练模块用于：生成仿真场景；控制所述仿真场景中的至少一个物体模型从所述仿真场景中的工作台模型的上方随机掉落在所述工作台模型上，直至所述至少一个物体模型稳定；和/或，对所述仿真场景中的所述物体模型和/或所述背景模型进行随机调整，得到多个训练图像。
在一种可能的实现方式中，所述预测模块42用于：将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络对所述待检测图像和所述第一深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图。
在一种可能的实现方式中，所述训练模块用于：将所述训练图像和所述第二深度图输入神经网络，经由所述神经网络对所述训练图像和所述第二深度图分别进行特征提取，并对提取的特征进行特征融合，根据特征融合结果得到所述训练图像对应的拾取点的第二位置预测图和所述训练图像对应的第二法向量预测图。
在本公开实施例中，通过获取待检测图像和所述待检测图像对应的第一深度图，将所述待检测图像和所述第一深度图输入神经网络，经由所述神经网络输出所述待检测图像对应的拾取点的第一位置预测图和所述待检测图像对应的第一法向量预测图，根据所述第一位置预测图、所述第一深度图和所述第一法向量预测图，确定所述待检测图像中的物体的待拾取点的位置信息以及所述待拾取点对应的法向量，由此通过结合待检测图像与深度图中的信息，能够克服深度图中常常存在大量噪声的问题，从而能够预测得到更准确的待拾取点的位置以及待拾取点对应的法向量。由此机器人或者机械臂等设备根据所述待检测图像中的物体的待拾取点的位置及待拾取点对应的法向量拾取物体，能够提高拾取物体的成功率。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的检测物体的拾取点的方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的检测物体的拾取点的方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wi-fi、2g、3g、4g/lte、5g或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(softwaredevelopmentkit，sdk)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
- 还没有人留言评论。精彩留言会获得点赞！