CN112149573A - 一种基于深度学习的垃圾分类与拾取机器人 - Google Patents
一种基于深度学习的垃圾分类与拾取机器人 Download PDFInfo
- Publication number
- CN112149573A CN112149573A CN202011013621.5A CN202011013621A CN112149573A CN 112149573 A CN112149573 A CN 112149573A CN 202011013621 A CN202011013621 A CN 202011013621A CN 112149573 A CN112149573 A CN 112149573A
- Authority
- CN
- China
- Prior art keywords
- garbage
- camera
- deep learning
- classification
- mechanical arm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 128
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010408 sweeping Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002920 hazardous waste Substances 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 239000010819 recyclable waste Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002154 agricultural waste Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 239000002906 medical waste Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01H—STREET CLEANING; CLEANING OF PERMANENT WAYS; CLEANING BEACHES; DISPERSING OR PREVENTING FOG IN GENERAL CLEANING STREET OR RAILWAY FURNITURE OR TUNNEL WALLS
- E01H1/00—Removing undesirable matter from roads or like surfaces, with or without moistening of the surface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
- H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Image Analysis (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种的基于深度学习的垃圾分类与拾取机器人。所述的基于深度学习的垃圾分类与拾取机器人包括移动底座、控制室、机械臂、摄像头及垃圾箱,所述摄像头包括用于控制所述移动底座运动方向的导航摄像头,及用于垃圾分类与拾取的分类摄像头,所述导航摄像头及所述分类摄像头均与所述控制室通信连接,所述机械臂与所述控制室通信连接,所述移动底座与所述控制室通信连接,所述控制室包括用于对所述导航摄像头及所述分类摄像头获取的图片信息进行深度学习的深度学习神经网络,以及控制机械臂工作的手眼标定控制系统。本发明从生产源头上对生活垃圾进行分类存放,能更充分利用资源并有效避免二次污染。
Description
技术领域
本发明涉及基于深度学习的垃圾分类与拾取机器人技术领域,特别涉及一种的基于深度学习的垃圾分类与拾取机器人。
背景技术
随着经济社会的发展与人口的逐日递增,据不完全统计,全球每天产生550万吨生活垃圾,并且除去生活垃圾,还有各种各样其他来源的垃圾,譬如:工业垃圾、农业垃圾、建筑垃圾、医疗垃圾等等。这是一个令人惊叹的数字,但是更令人惊叹的是,据统计在生活垃圾中,大约有1/3是可回收的,在如今的时代,可持续发展是一个必然的趋势,那么资源的循环利用就是不可或缺的一环。值得一提的是,生活垃圾中还包含有一部分有害垃圾,如果不针对处理,将会对我们生活的自然环境产生不可估量的伤害,由此看来,垃圾分类存放的确是大势所趋。
正如上述所言,全球垃圾生产速度惊人,如此巨量的垃圾如果寄希望于先集中后分类,这无疑是一个让人“闻而生畏”的工作;反之,如果从垃圾的产生源头就对其分类,对于垃圾的后续处理无疑是一条“捷径”。然而,强制进行垃圾分类无疑会成为降低人们生活品质,压榨闲暇时间的沉重负担。
发明内容
本发明提供了一种的基于深度学习的垃圾分类与拾取机器人,其目的是为了解决背景技术中垃圾分类工作繁杂、给人带来沉重负担的问题,从根源上对生活垃圾进行分类存放,便于后续的回收或者其他处理。
为了达到上述目的,本发明的实施例提供的一种的基于深度学习的垃圾分类与拾取机器人,用于对垃圾的分类拾取存放,包括移动底座、控制室、机械臂、摄像头、垃圾箱,所述摄像头包括用于控制所述移动底座运动方向的导航摄像头,及用于垃圾分类与拾取的分类摄像头,所述导航摄像头及所述分类摄像头均与所述控制室通信连接,所述机械臂与所述控制室通信连接,所述移动底座与所述控制室通信连接,所述控制室包括用于对所述导航摄像头及所述分类摄像头获取的图片信息进行深度学习的深度学习神经网络,以及控制机械臂工作的手眼标定控制系统。
优选地,所述导航摄像头与地面成20°角进行拍摄,所述分类摄像头平行于地面,垂直拍摄。
优选地,所述垃圾箱包括干垃圾箱、湿垃圾箱、有害垃圾箱和可回收垃圾箱。
优选地,所述深度学习神经网络包括主干特征提取网络、特征增强提取网络和根据提取到的特征完成分类任务的分类网络。
优选地,所述深度学习神经网络的训练过程如下:
输入图像,经过数据增强之后,进入主干特征提取网络,经过数次包括卷积池化的操作,在进入特征增强提取网络,在这里把利用不同大小的池化层进行处理后的结果堆叠,并且引入特征金字塔结构,实现特征的增强提取;
通过上述的所有特征增强提取网络处理过后的有效特征层将被传到分类网络,通过卷积之后通道数会变成程序为每个点设置的先验框的数目乘上垃圾的种类数再加五,获得表示每个先验框内是否有垃圾、垃圾的种类以及先验框该如何调整的数据;
之后先通过程序事先设定好的阈值做第一步的筛选,然后再做非极大抑制找出对每一个物体而言,程序认为最合适的预测框。
优选地,所述的深度学习神经网络的输出包括用于分类存放时选择的目标垃圾的种类,以及用于所述机械臂对目标垃圾的抓取对应的预测框的坐标。
优选地,对垃圾的分类拾取存放过程包括以下几个步骤:
步骤S1:通过视觉导航摄像头,采集图像,传入视觉网络后,根据网络输出结果调整行进方向;
步骤S2:通过分类摄像头,采集图像,传入视觉网络后,根据网络输出结果,确定目标垃圾是否进入可抓取范围,未到可抓取范围则继续行进,到达进入可抓取范围,移动底座停止移动;
步骤S3:移动底座停止向前,基于分类摄像头抓取的图片,通过仿射变换,得到抓取时需要的角度信息,以便后续进行机械臂末端的位姿估计;
步骤S4:通过USB通信,将网络输出的种类、在图像坐标系中的位置以及角度信息传给机械臂;
利用手眼标定得到的矩阵,转换得到物体在机械臂坐标系中的位置;利用机械臂的逆运动求解和笛卡尔空间规划,控制机械臂移动到目标位置,再进行机械臂末端位姿估计并进行目标垃圾的抓取;
以垃圾分类准则为标准,将各种类垃圾再次划分为几大类之后,根据目标垃圾的种类,机械臂旋转到相应垃圾箱上方进行投放,完成对垃圾的分类存放;
步骤S5:将分类摄像头视野内,机械臂可及的垃圾全部完成分类抓取存放之后,移动底座进入可移动状态;
优选地,对垃圾的分类拾取存放过程还包括以下几个步骤:
步骤S6:再次通过导航摄像头,寻找垃圾并且向目标垃圾靠,对上述步骤进行循环,所述控制室还包括用于控制移动底座停滞的待机模块,在机器人长时间未找到垃圾时,认定任务完成,进入待机状态,并且等待一个唤醒信号,当按下唤醒开关,机器人再次进入步骤S1。
优选地,所述控制室还包括避障控制系统,所述避障控制系统与所述移动底座及所述导航摄像头通信连接。
优选地,还包括与控制室通信连接的可装卸式的扫地机器人。
采用本发明能达到的技术效果有两个方面:基于深度学习的垃圾分类与拾取机器人,一方面能够从垃圾的产生源头就完成对垃圾的分类存放,另一方面全自动化的拾取机器人能够让人们更多地回归本性放松身心舒缓压力。
附图说明
图1为本发明的一种的基于深度学习的垃圾分类与拾取机器人的结构示意图;
图2为本发明的一种的基于深度学习的垃圾分类与拾取机器人的工作流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的问题,提供了一种的基于深度学习的垃圾分类与拾取机器人,用于对垃圾的分类拾取存放,如图1所示,包括移动底座1、控制室2、机械臂3、摄像头、垃圾箱及与所述控制室2通信连接的可装卸式的扫地机器人。
所述摄像头包括用于控制所述移动底座1运动方向的导航摄像头4,及用于垃圾分类与拾取的分类摄像头5。所述导航摄像头4及所述分类摄像头5均与所述控制室2通信连接。所述机械臂3与所述控制室2通信连接。
所述控制室2包括用于对所述导航摄像头4及所述分类摄像头5获取的图片信息进行深度学习的深度学习神经网络,以及控制机械臂工作的手眼标定控制系统,以及避障控制系统。所述避障控制系统与所述移动底座1及所述导航摄像头4通信连接。
所述导航摄像头4与地面成20°角进行拍摄,所述分类摄像头5平行于地面,垂直拍摄。
所述垃圾箱包括干垃圾箱6、湿垃圾箱7、有害垃圾箱8和可回收垃圾箱9。
所述深度学习神经网络包括主干特征提取网络、特征增强提取网络和根据提取到的特征完成分类任务的分类网络。
参考图2所示的本发明的一种的基于深度学习的垃圾分类与拾取机器人的工作流程图。所述深度学习神经网络的训练过程如下:
输入图像,经过数据增强之后,进入主干特征提取网络,经过数次包括卷积池化的操作,在进入特征增强提取网络,在这里把利用不同大小的池化层进行处理后的结果堆叠,并且引入特征金字塔结构,实现特征的增强提取;
通过上述的所有特征增强提取网络处理过后的有效特征层将被传到分类网络,通过卷积之后通道数会变成程序为每个点设置的先验框的数目乘上垃圾的种类数再加五,获得表示每个先验框内是否有垃圾、垃圾的种类以及先验框该如何调整的数据;
之后先通过程序事先设定好的阈值做第一步的筛选,然后再做非极大抑制找出对每一个物体而言,程序认为最合适的预测框。
所述的深度学习神经网络的输出包括用于分类存放时选择的目标垃圾的种类,以及用于所述机械臂3对目标垃圾的抓取对应的预测框的坐标。
所述的深度学习神经网络的输出不仅包括目标垃圾的种类,还有其对应的预测框的相关坐标,输出的坐标结合原始图片再通过最小外接矩阵的方法,我们可以得到目标垃圾的中心点,进一步得到去抓取这个垃圾的角度信息。最后将这些信息传入机械臂3的控制程序,完成对垃圾的拾取与分类存放。
对垃圾的分类拾取存放过程包括以下几个步骤:
步骤S1:通过视觉导航摄像头4,采集图像,传入视觉网络后,根据网络输出结果调整行进方向;
步骤S2:通过分类摄像头5,采集图像,传入视觉网络后,根据网络输出结果,确定目标垃圾是否进入可抓取范围,未到可抓取范围则继续行进,到达进入可抓取范围,移动底座1停止移动;
步骤S3:移动底座1停止向前,基于分类摄像头5抓取的图片,通过仿射变换,得到抓取时需要的角度信息,以便后续进行机械臂3末端的位姿估计;
步骤S4:通过USB通信,将网络输出的种类、在图像坐标系中的位置以及角度信息传给机械臂3;
利用手眼标定得到的矩阵,转换得到物体在机械臂3坐标系中的位置;利用机械臂3的逆运动求解和笛卡尔空间规划,控制机械臂3移动到目标位置,再进行机械臂3末端位姿估计并进行目标垃圾的抓取;
以垃圾分类准则为标准,将各种类垃圾再次划分为几大类之后,根据目标垃圾的种类,机械臂3旋转到相应垃圾箱上方进行投放,完成对垃圾的分类存放;
步骤S5:将分类摄像头5视野内,机械臂3可及的垃圾全部完成分类抓取存放之后,移动底座1进入可移动状态;
步骤S6:再次通过导航摄像头4,寻找垃圾并且向目标垃圾靠,对上述步骤进行循环,所述控制室还包括用于控制移动底座1停滞的待机模块,在机器人长时间未找到垃圾时,认定任务完成,进入待机状态,并且等待一个唤醒信号,当按下唤醒开关,机器人再次进入步骤S1。
采用本发明所提供的一种的基于深度学习的垃圾分类与拾取机器人,其技术优点体现如下:
基于深度学习的垃圾分类与拾取机器人,一方面能够从垃圾的产生源头就完成对垃圾的分类存放,另一方面全自动化的拾取机器人能够让人们更多地回归本性放松身心舒缓压力。对垃圾的分类方法,不再是传统的分类方法,而是使用了深度学习神经网络,较之传统的分类方法,加入深度学习的思想后,垃圾分类过程中的漏识别率和误识别率要更低,通过实际测试,精度平均可高达94%。
可以进一步和扫地机器人联动,把扫地机器人对于浮沉毛发的优势和所述垃圾分类拾取机器人对于固态垃圾的清理优势结合起来,弥补各自的缺陷,将加快实现家居环境的清洁自动化甚至是智能家居的进程。
为了验证本发明所述的垃圾分类拾取机器人的精确度,在实际环境中,使用实例机器人完成了一系列的测试,得出如下结论:“拾宝”机器人的误差由三部分组成:2%的机械臂抓取失误率、5%的平均误识别概率和3%的平均漏识别概率,工作准确率为94.1%。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,用于对垃圾的分类拾取存放,包括移动底座(1)、控制室(2)、机械臂(3)、摄像头及垃圾箱,所述摄像头包括用于控制所述移动底座(1)运动方向的导航摄像头(4),及用于垃圾分类与拾取的分类摄像头(5),所述导航摄像头(4)及所述分类摄像头(5)均与所述控制室(2)通信连接,所述机械臂(3)与所述控制室(2)通信连接,所述移动底座(1)与所述控制室(2)通信连接,所述控制室(2)包括用于对所述导航摄像头(4)及所述分类摄像头(5)获取的图片信息进行深度学习的深度学习神经网络,以及控制机械臂工作的手眼标定控制系统。
2.根据权利要求1所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,所述导航摄像头(4)与地面成20°角进行拍摄,所述分类摄像头(5)平行于地面,垂直拍摄。
3.根据权利要求1所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,所述垃圾箱包括干垃圾箱(6)、湿垃圾箱(7)、有害垃圾箱(8)和可回收垃圾箱(9)。
4.根据权利要求1所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,所述深度学习神经网络包括主干特征提取网络、特征增强提取网络和根据提取到的特征完成分类任务的分类网络。
5.根据权利要求4所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,所述深度学习神经网络的训练过程如下:
输入图像,经过数据增强之后,进入主干特征提取网络,经过数次包括卷积池化的操作,再进入特征增强提取网络,在这里把利用不同大小的池化层进行处理后的结果堆叠,并且引入特征金字塔结构,实现特征的增强提取;
通过上述的所有特征增强提取网络处理过后的有效特征层将被传到分类网络,通过卷积之后通道数会变成程序为每个点设置的先验框的数目乘上垃圾的种类数再加五,获得表示每个先验框内是否有垃圾、垃圾的种类以及先验框该如何调整的数据;
之后先通过程序事先设定好的阈值做第一步的筛选,然后再做非极大抑制找出对每一个物体而言,程序认为最合适的预测框。
6.根据权利要求1所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,所述的深度学习神经网络的输出包括用于分类存放时选择的目标垃圾的种类,以及用于所述机械臂(3)对目标垃圾的抓取对应的预测框的坐标。
7.根据权利要求1所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,对垃圾的分类拾取存放过程包括以下几个步骤:
步骤S1:通过视觉导航摄像头(4),采集图像,传入视觉网络后,根据网络输出结果调整行进方向;
步骤S2:通过分类摄像头(5),采集图像,传入视觉网络后,根据网络输出结果,确定目标垃圾是否进入可抓取范围,未到可抓取范围则继续行进,到达进入可抓取范围,移动底座(1)停止移动;
步骤S3:移动底座(1)停止向前,基于分类摄像头(5)抓取的图片,通过仿射变换,得到抓取时需要的角度信息,以便后续进行机械臂(3)末端的位姿估计;
步骤S4:通过USB通信,将网络输出的种类、在图像坐标系中的位置以及角度信息传给机械臂(3);
利用手眼标定得到的矩阵,转换得到物体在机械臂(3)坐标系中的位置;利用机械臂(3)的逆运动求解和笛卡尔空间规划,控制机械臂(3)移动到目标位置,再进行机械臂(3)末端位姿估计并进行目标垃圾的抓取;
以垃圾分类准则为标准,将各种类垃圾再次划分为几大类之后,根据目标垃圾的种类,机械臂(3)旋转到相应垃圾箱上方进行投放,完成对垃圾的分类存放;
步骤S5:将分类摄像头(5)视野内,机械臂(3)可及的垃圾全部完成分类抓取存放之后,移动底座(1)进入可移动状态。
8.根据权利要求7所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,对垃圾的分类拾取存放过程还包括以下几个步骤:
步骤S6:再次通过导航摄像头(4),寻找垃圾并且向目标垃圾靠拢,对上述步骤进行循环,所述控制室还包括用于控制移动底座(1)停滞的待机模块,在机器人长时间未找到垃圾时,认定任务完成,进入待机状态,并且等待一个唤醒信号,当按下唤醒开关,机器人再次进入步骤S1。
9.根据权利要求1所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,所述控制室(2)还包括避障控制系统,所述避障控制系统与所述移动底座(1)及所述导航摄像头(4)通信连接。
10.根据权利要求1所述的一种的基于深度学习的垃圾分类与拾取机器人,其特征在于,还包括与控制室(2)通信连接的可装卸式的扫地机器人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011013621.5A CN112149573A (zh) | 2020-09-24 | 2020-09-24 | 一种基于深度学习的垃圾分类与拾取机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011013621.5A CN112149573A (zh) | 2020-09-24 | 2020-09-24 | 一种基于深度学习的垃圾分类与拾取机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149573A true CN112149573A (zh) | 2020-12-29 |
Family
ID=73896435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011013621.5A Pending CN112149573A (zh) | 2020-09-24 | 2020-09-24 | 一种基于深度学习的垃圾分类与拾取机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149573A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113334368A (zh) * | 2021-06-29 | 2021-09-03 | 西安理工大学 | 一种垃圾分类装置及分类方法 |
CN113524194A (zh) * | 2021-04-28 | 2021-10-22 | 重庆理工大学 | 基于多模特征深度学习的机器人视觉抓取系统的目标抓取方法 |
CN113591741A (zh) * | 2021-08-04 | 2021-11-02 | 上海英粤汽车科技有限公司 | 一种垃圾自动分类系统及方法 |
CN113680695A (zh) * | 2021-08-24 | 2021-11-23 | 武昌工学院 | 基于机器人的机器视觉垃圾分拣系统 |
CN114193425A (zh) * | 2022-02-18 | 2022-03-18 | 浙江博城机器人科技有限公司 | 一种基于视觉检测的巡检装置及方法 |
CN117649518A (zh) * | 2024-01-29 | 2024-03-05 | 天津同创云科技术股份有限公司 | 一种基于计算机视觉的厨余垃圾分类分拣方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977774A (zh) * | 2019-02-25 | 2019-07-05 | 中国科学技术大学 | 一种基于自适应卷积的快速目标检测方法 |
CN110604518A (zh) * | 2019-10-30 | 2019-12-24 | 浙江智玲机器人科技有限公司 | 扫地机器人及扫地机器人的控制方法 |
CN110626662A (zh) * | 2019-10-12 | 2019-12-31 | 张颢宸 | 一种基于图像识别的垃圾自分类方法及设备 |
CN210161172U (zh) * | 2019-06-12 | 2020-03-20 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN111360780A (zh) * | 2020-03-20 | 2020-07-03 | 北京工业大学 | 一种基于视觉语义slam的垃圾捡拾机器人 |
-
2020
- 2020-09-24 CN CN202011013621.5A patent/CN112149573A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977774A (zh) * | 2019-02-25 | 2019-07-05 | 中国科学技术大学 | 一种基于自适应卷积的快速目标检测方法 |
CN210161172U (zh) * | 2019-06-12 | 2020-03-20 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN110626662A (zh) * | 2019-10-12 | 2019-12-31 | 张颢宸 | 一种基于图像识别的垃圾自分类方法及设备 |
CN110604518A (zh) * | 2019-10-30 | 2019-12-24 | 浙江智玲机器人科技有限公司 | 扫地机器人及扫地机器人的控制方法 |
CN111360780A (zh) * | 2020-03-20 | 2020-07-03 | 北京工业大学 | 一种基于视觉语义slam的垃圾捡拾机器人 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113524194A (zh) * | 2021-04-28 | 2021-10-22 | 重庆理工大学 | 基于多模特征深度学习的机器人视觉抓取系统的目标抓取方法 |
CN113524194B (zh) * | 2021-04-28 | 2023-03-21 | 重庆理工大学 | 基于多模特征深度学习的机器人视觉抓取系统的目标抓取方法 |
CN113334368A (zh) * | 2021-06-29 | 2021-09-03 | 西安理工大学 | 一种垃圾分类装置及分类方法 |
CN113591741A (zh) * | 2021-08-04 | 2021-11-02 | 上海英粤汽车科技有限公司 | 一种垃圾自动分类系统及方法 |
CN113680695A (zh) * | 2021-08-24 | 2021-11-23 | 武昌工学院 | 基于机器人的机器视觉垃圾分拣系统 |
CN114193425A (zh) * | 2022-02-18 | 2022-03-18 | 浙江博城机器人科技有限公司 | 一种基于视觉检测的巡检装置及方法 |
CN117649518A (zh) * | 2024-01-29 | 2024-03-05 | 天津同创云科技术股份有限公司 | 一种基于计算机视觉的厨余垃圾分类分拣方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149573A (zh) | 一种基于深度学习的垃圾分类与拾取机器人 | |
CN111523486B (zh) | 一种基于改进CenterNet的机械臂抓取检测方法 | |
CN111445368B (zh) | 基于机器视觉与深度学习的垃圾分类方法、装置及设备 | |
CN108921218B (zh) | 一种目标物体检测方法及装置 | |
CN111844101B (zh) | 一种多指灵巧手分拣规划方法 | |
CN112845143A (zh) | 一种生活垃圾分类智能分拣系统及方法 | |
WO2021008339A1 (zh) | 机器人、基于机器人的清洁方法和计算机可读存储介质 | |
CN113696178B (zh) | 一种机器人智能抓取的控制方法及系统、介质、设备 | |
CN111590611A (zh) | 一种基于多模态主动感知的物品分类回收方法 | |
CN111715559A (zh) | 一种基于机器视觉的垃圾分拣系统 | |
KR20230013498A (ko) | 재활용품을 선별하는 시스템 및 방법 | |
CN113971746B (zh) | 基于单次人手示教的垃圾分类方法、装置及分拣智能系统 | |
Feng et al. | Garbage disposal of complex background based on deep learning with limited hardware resources | |
CN115147488A (zh) | 一种基于密集预测的工件位姿估计方法与抓取系统 | |
CN101184235B (zh) | 一种从运动图像中提取背景图像的实现方法及装置 | |
Meng et al. | X-DenseNet: deep learning for garbage classification based on visual images | |
Yu | A computer vision based detection system for trash bins identification during trash classification | |
CN110796090A (zh) | 基于循环神经网络的人机协作人体行为意图判别方法 | |
CN112288809B (zh) | 一种用于多物体复杂场景的机器人抓取检测方法 | |
CN117036798A (zh) | 一种基于深度学习的输配电线路图像识别方法及系统 | |
Li et al. | Learning target-oriented push-grasping synergy in clutter with action space decoupling | |
CN115470880A (zh) | 一种基于蚁群算法的机器人清理优化方法 | |
Puthussery et al. | Green dream: A deep learning based real-time model for automatic waste segregation from video streams | |
CN115026015A (zh) | 一种基于图像处理的地面垃圾检测系统 | |
CN113894779A (zh) | 一种应用于机器人交互的多模态数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |