本发明涉及机械臂领域,尤其涉及一种基于视觉识别的辅助抓取方法。
背景技术:
多输电架空线路位于野外山区丛林内,悬挂在电线上的杂物与过长的树枝,造成输电线路对植物放电跳闸,影响电网运行。使用无人机辅助机械臂的方法清除线路飘挂物、干扰树枝等,既缩短了消缺时间,也大大降低了工作的劳动强度。而且,清理时间很短,对线路本体不造成任何损伤。本发明主要提供一种使用无人机辅助机械臂清除障碍物的方法。
技术实现要素:
本发明目的是提供一种基于视觉识别的辅助抓取方法,本发明通过无人机辅助机械臂的方法清除,清理时间很短,且通过深度学习框架,训练后,达到使得障碍物的识别抓取更精准的有益效果。
一种基于视觉识别的辅助抓取方法,包括以下步骤;
1)搭建深度学习框架及网络架构;
2)采集线路图像信息;
3)根据采集到的信息进行训练识别;
4)利用摄像头捕捉目标路段图像信息;
5)对获取的图像进行分析;
6)获取待处理线路的图像及位置信息;
7)利用超声波测距模块测算与目标物体距离;
8)向机械臂发送抓取指令;
9)机械臂的电机驱动机械臂运动;
10)抓取目标物体。
进一步的,采集线路图像信息,包括采集正常图像信息,比如采集架空线路直行处、拐弯处、交越处、终点处的图像;还包括采集异常线路信息,比如线路上面的异常物体。
进一步的,根据采集到的信息进行训练识别之后,还包括获得识别模型及抓取模型。。
进一步的,在利用摄像头捕捉目标路段图像信息之前,还包括进行GPS定位,进行航向控制。
进一步的,在机械臂的电机驱动机械臂运动之后,还包括,将机械臂的抓取关节微调至最佳抓取位置。
进一步的,在抓取目标物体之后,还包括记录本次图像识别信息,并利用该信息进行识别深度学习训练。
进一步的,记录本次图像识别信息之后,还包括记录机械臂抓取信息,并利用该抓取信息进行抓取深度学习训练。
进一步的,将机械臂的抓取关节微调至最佳抓取位置之前,还包括机械臂轨迹跟踪。
进一步的,在利用超声波测距模块测算与目标物体距离之前,还包括下达无线传输指令与处理任务指令。
本发明目的是提供一种基于视觉识别的辅助抓取方法及系统,与现有技术相比,有以下优点:
1、利用深度学习框架,并训练后,使得障碍物的识别抓取更精准;
2、每次抓取目标物体后,记录信息,可以作为查询依据,也可做为训练的依据;
附图说明
图1是本发明一种基于视觉识别的辅助抓取方法流程示意图1;
图2是本发明一种基于视觉识别的辅助抓取方法流程示意图2;
具体实施方式
为了使本发明的目的.技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施用例一
如图1所示,图1是本发明一种基于视觉识别的辅助抓取方法流程示意图1。
一种基于视觉识别的辅助抓取方法,包括以下步骤;
步骤S101,搭建深度学习框架及网络架构;
步骤S102,采集线路图像信息;
步骤S103,根据采集到的信息进行训练识别;
步骤S104,利用摄像头捕捉目标路段图像信息;
步骤S105,对获取的图像进行分析;
步骤S106,获取待处理线路的图像及位置信息;
步骤S107,利用超声波测距模块测算与目标物体距离;
步骤S108,向机械臂发送抓取指令;
步骤S109,机械臂的电机驱动机械臂运动;
步骤S110,抓取目标物体。
实施用例二
如图2所示,图2是本发明一种基于视觉识别的辅助抓取方法流程示意图2。
步骤S201,搭建深度学习框架及网络架构;
采用caffe深度学习框架和Faster-RCNN网络架构,但不限于使用此深度学习方法及此此网络架构;像加州伯克利分校的Caffe、蒙特利尔理工学院的Theano、瑞士人工智能实验室IDSIA的Brainstorm、是普林斯顿大学Marvin等任一都可以作为此深度学习的框架;像 SSD、Faster-RCNN等可以作为此建模的一个网络架构。
步骤S202,基于深度学习框架及网络架构,根据采集到的信息进行训练识别,训练得到识别模型;
采集多组不同场景下线路图像信息,包括采集正常图像信息,比如采集架空线路直行处、拐弯处、交越处、终点处的正常图像;还包括采集异常线路信息,比如线路上面的异常物体等的图像;
根据采集到的信息进行深度学习,训练识别,输出各特征点;设置各项特征点,平原、丘陵等不同环境下线路高度、形状、粗细特征点;拐弯、交越、终点不同形态下的高度、形状、粗细等特征点;训练后得到识别模型。
步骤S203,基于深度学习框架及网络架构,进行抓取训练,得到抓取模型;
根据采集到的信息进行深度学习,训练识别,输出各特征点;设置各项特征点,各机械臂关节与目的物的水平距离、垂直距离、关节水平移动距离、关节垂直移动距离、抓取的强度等;训练后得到抓取模型。
步骤S204,进行GPS定位,进行航向控制;
无人机得到指令后,根据目标任务,进行GPS定位,控制航向到达目的位置。
步骤S205,利用摄像头捕捉目标路段图像信息;
到达目的位置后,通过机械臂上的摄像头拍摄目标路段图像信息。
步骤S206,获取待处理线路的图像及位置信息。
步骤S207,对获取的图像进行分析;
通过识别模块获取图像特征信息;识别模型分析后识别出线路是正常还是异常,如果是正常的,继续下个目标任务,如果是异常的,进入下个处理流程。
步骤S208,下达无线传输指令与处理任务指令;
如果是异常信息,下达无线传输指令与处理任务指令。
步骤S209,利用超声波测距模块测算与目标物体距离;
接收到处理任务指令后,利用超声波测距模块测算与目标物体距离。
步骤S210,向机械臂发送抓取指令;
无人机向机械臂发送抓取指令。
步骤S211,机械臂的电机驱动机械臂运动;
根据采集到的距离信息进行,依据抓取模型,机械臂的电机驱动机械臂运动。
步骤S212,机械臂轨迹跟踪;
记录下机械臂关节移动轨迹。
步骤S213,将机械臂的抓取关节微调至最佳抓取位置;
将机械臂的抓取关节微调至最佳抓取位置,抓取模型通过训练可以得到在哪个位置抓取是最佳位置。
步骤S214,抓取目标物体;
依据抓取模型的结果,实施抓取,并将抓取到的物体,如树枝等异物从线路上移除。
步骤S215,记录本次抓取结果;
抓取成功,录入抓取成功信息库;抓取失败,录入抓取失败信息库;同时拍照为证。
步骤S216,记录本次图像识别信息,并利用该信息进行识别深度学习训练。
步骤S217,记录机械臂抓取信息,并利用该抓取信息进行抓取深度学习训练。
步骤S218,反馈本次抓取任务完成情况给任务发布方;
抓取任务完成后,将线路清理完成情况反馈给任务发布者,完成本次任务。
本发明目的是提供一种基于视觉识别的辅助抓取方法及系统,本发明通过无人机辅助机械臂的方法清除,清理时间很短,且通过深度学习框架,训练后,达到使得障碍物的识别抓取更精准的有益效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改.等同替换和改进等,均应包含在本发明的保护范围之内。