基于深度學習的分揀機器人目標智能定位仿真研究

黎明

（廣東理工學院，廣東 肇慶 526100）

0 引言

機器人通過圖像識別技術，可以準確定位視覺系統，屬于高科技發展成果。在工業化生產中，機器人屬于重要智能設備，目標定位為重點運行部分。當工件輪廓簡單時，工業生產朝著復雜化、多樣化方向發展，研究面臨問題多。基于智能技術支持，可以獲取較多新成果[1]。在過程應用中，通過地圖好特征、機器人系統狀態地圖，建設動態化模型，以此實現數據預測、更新與關聯。在更新信息時，注重傳輸目標狀態量均值，簡化計算復雜度。按照相關實驗結果顯示，此種方法具備較強穩定性，然而應用效率低下。上位系統主要是應用可編輯邏輯控制器和高性能的觸摸屏，控制中間層的機器人控制系統和外圍包裝輔助系統，下層為近期奇人系統控制方式，主要是應用一拖二方式實現。其中一套系統當中具備工業機器視覺系統，能夠對兩臺機器人系統實施控制，確保工作高精度和高速。伺服系統主要是應用CAT網絡，全面確保運行高效性[2]。針對機器人目標定位，屬于重要運行操作，且研究成果面臨準確性不足問題。按照深度學習機制，掌握分揀機器人定位方法。

1 基于深度學習的分揀機器人目標智能定位

1.1 分割工作環境

為了準確定位機器人，注重分割機器人工作環境。機器人運行期間，獲取環境圖像。通過圖像分割法，能夠對機器人工作環境予以分割。當前，在選用分割方式時，以單色圖像為主，應用到灰度圖像分割處理中，劃分不同顏色空間與分量。通過標準方法，注重組合結果優化，獲取分割結果。

工作環境分割操作時，通過冪次變換法，可以加強圖像對比度。以冪次變換方法，能夠拉伸圖像暗灰位置，增加圖像細節度，價錢圖像亮度[3]。按照亮度分量均值，合理選擇數值。當均值較低時，則表示圖像亮度越低，此時可以拉伸圖像。

圖像序列分割流程中，應當明確閾值。利用最大類間方差法，在分割圖像時，將其作為閾值分割依據。最大類間方差法，能夠強化圖像分割效果。通過圖像灰度直方圖、目標、類間方差比值，掌握圖像分割閾值。通常而言，在獲取閾值時，需要應用最大化類間方差，在分割操作時，遵循以下步驟：機器人運行期間，工作環境圖像灰度為[1，2，…，L]，灰度級i像素數量為ni；總數量N=n1+n2+…n3+nL，表達式如下：

以圖像灰度值為閾值，劃分為A0、A1類別，則A0灰度范圍為[1，2，…，t]；A1灰度級范圍為[1，2，…，L]。通過上述分析可知，A0、A1概率表達式如下：

通過（4）式，計算最佳分割閾值，以此分割機器人工作環境圖像，確保目標定位準確性。

1.2 分揀機器人目標定位

按照上文分析，在目標定位時，能夠他準確參考依據。深度學習，是一種多層次結構模型，針對初始化模型權值，能夠開展逐層監督訓練，同時在訓練過程中，可以避免出現局部最優，改進整個模型訓練結果。深度學習中，首層：輸入指紋向量，最終層次：輸出坐標向量。中間層為隱藏層。針對第m'層、第m'+1層參數，需要應用(Wm',bm')描述。其中，Wm'—連接權值，bm'—偏移量。

假設第m'層激活向量為：

在（6）式中，f—sigmoid函數。

由于分揀機器人工作環境干擾因子多，極易受到噪聲影響。為了降低噪聲影響，需要提升定位效率。深度學習網絡中，針對訓練部分，應當注重降噪處理。對于目標樣本，在統一位置進行采樣，合理劃分樣本集合組別，簡化采樣過程。為了確保不同采樣點具備不同直方圖，應當確保采樣點間距大于預設最小閾值。對隨機對應點間剛體變換矩陣進行計算，確保其達到迭代次數。當滿足設定次數時，則結束粗配準；若沒有滿足設定次數，則計算隨機對應點間剛體變換矩陣。當采樣數量相同時，選取參考點較少，使采樣難度降低[4]。指紋樣本內，包含較多噪聲因子。在相同參考點，多采樣測量，可以確保定位結構準確性。將Si,j，作為第i組、第j個樣本，通過平均值，掌握第i組樣本估計值。

在（7）式中，s—樣本指紋向量。選取指紋樣本均值，作為樣本噪音處理結果。

根據稀疏自動編碼器，進行深度學習網絡訓練，通過3層神經網絡法，獲取層次權值、偏移量。將訓練權值、偏移量，作為不同層次參數初始值。

通過稀疏自動編碼器訓練時，可以發揮出結構降噪作用，保留指紋特征信息。

針對其他層，目標函數表達：

在分揀機器人運行期間，也面臨較多現實問題。按照隱藏層節點，限制處理稀疏因素。對于稀疏性限制，即隱藏層節點激活占比，可以防止訓練結果出現恒等情況。利用激活率，表達隱藏層節點激活比例。

開展逐層監督訓練時，無法劃分輸入樣本。為了保障樣本分類效果，確保目標定位準確性。應用自動編碼器時，需要應用softmax分類器。針對頂層編碼層，圍繞輸出數據，進行softmax回歸處理。利用法向傳播器，可以實現深度學習，開展網絡參數訓練，確保定位結果輸出準確性。

注重分類層權重值、隱藏層權重值調整，訓練目標函數表達：

在（11）公式中，—函數最大時，深度學習網絡參數取值；y—分類器的輸入數據預測值；β1…βh—懲罰函數權重值；F1…Fh—懲罰函數。

采用（11）公式計算，可以掌握網絡最佳參數，利用分類器，對各類輸入數據信息預測，獲得目標定位結果，保障分揀機器人運行效益。

2 實驗結果與分析

基于深度學習，分揀機器人進行智能定位時，為了保證定位方法效果，開展一系列實驗操作。實驗計算配置如下：中央處理器內存為12G。選擇某加工廠分揀機器人，聯合計算機系統[5]。基于實驗指標，對技術方法進行驗證。第一，定位準確性；第二，定位耗時。圖1為實驗結果圖：

圖1 實驗結果準確性

定位準確率，能夠對機器人定位精度進行判斷。基于圖1內容可知，分揀機器人智能定位方法準確率比較高，均超過89%。機器人運行過程中，注重目標定位，利用彩色圖像、空間序列、類間方差法，確保機器人工作環境分隔合理性，以此加強機器人定位精度。

通過分析結果可知，隨著實驗次數持續增加，相應加大定位耗時波動，此種方法的可靠性不足。按照深度學習機制，在分揀機器人運行期間，應當注重智能定位處理，對工作環境影響因素進行分析，全面提升定位效率。基于深度學習網絡，選擇適宜訓練內容，合理融入降噪訓練，規避定位噪聲，控制定位時間消耗。采用以上操作方法，對分揀機器人定位效率、精度予以驗證，應用優勢顯著[6]。

3 結語

綜上所述，機器人目標定位，屬于基礎性能指標，也成為了基礎功能。在當前研究成果中，性能不足與缺陷比較常見，采用深度學習機制，準確定位分揀機器人，推廣應用智能定位方法。機器人運行期間，注重工作環境圖像分割，在目標定位時，可以提供準確化參考依據。通過深度學習算法、逐層訓練方式，掌握最佳訓練參數。頂層設置分類器，確保目標定位準備。利用試驗結果可以看出，本文所提出的方法具備可實踐性、魯棒性優勢。