计算机应用

作者：李淦, 牛洺第, 陈路, 杨静, 闫涛, 陈斌

单位：1.山西大学 计算机与信息技术学院, 太原 030006；2.山西大学 大数据科学与产业研究院, 太原 030006；3.太原卫星发射中心 技术部, 太原 030027；4.山西大学 自动化与软件学院, 太原 030031；5.哈尔滨工业大学 重庆研究院, 重庆 401151；6.哈尔滨工业大学(深圳) 国际人工智能研究院, 深圳 518055

关键词：机器人,抓取检测,弱光成像,深度神经网络,视觉增强

基金：国家自然科学基金资助项目(62003200);山西省基础研究计划项目(202203021222010);山西省科技重大专项(202201020101006)

现有的机器人抓取操作通常在良好光照条件下开展，此时目标细节清晰、区域对比度高，而在夜间、遮挡等弱光环境下目标的视觉特征微弱，会导致现有的机器人抓取检测模型的检测准确率急剧下降。为提高弱光场景下稀疏、微弱抓取特征的表征能力，提出一种融合视觉特征增强机制的抓取检测模型，通过视觉增强子任务为抓取检测施加特征增强约束。对于抓取检测模块，采用仿U-Net框架的编码器-解码器结构实现特征的高效融合；对于弱光增强模块，从局部、全局层面分别提取纹理、颜色信息，以实现兼顾目标细节与视觉效果的特征增强。此外，分别构建弱光Cornell数据集和弱光Jacquard数据集两个新的弱光抓取基准数据集，并基于上述数据集开展对比实验。实验结果表明，所提弱光抓取检测模型在基准数据集上的准确率分别达到了95.5%和87.4%，与生成抓取卷积神经网络（GG-CNN）、生成残差卷积神经网络（GR-ConvNet）等现有抓取检测模型相比，准确率在弱光Cornell数据集提升11.1、1.2个百分点，在弱光Jacquard数据集上提升5.5、5.0个百分点，取得了较好的抓取检测效果。

来源：2023年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第8期