基于稳定轻量级网络的机器人抓取检测方法

利用深度学习实现视觉图像的实时检测和姿态解算是引导机器人智能抓取的重要手段.针对机器人抓取检测中对准确性、实时性和稳定性的需求问题,构建了一种基于稳定轻量级网络的新型机器人抓取检测方法.将实例归一化层用于网络的卷积层和残差块中,每次只考虑单张图片的一个通道,不仅减少了运算量,还能有效利用单张图片的每个像素信息,在提升每个图像实例之间检测稳定性的同时加快模型收敛的速度;将特征金字塔网络分层结构融入上采样,并结合多维度语义信息增加对多尺度物体检测的准确度和稳定性.所构建的轻量级模型在交并比(IOU)为0.25时准确度为94.4％,画面传输速度为40.8 frame/s,并且在IOU低于0.5时准确度仍保持在80％以上.实验证明了在轻量级网络中加入实例归一化和特征金字塔的有效性.