Login for students

Login for employees

Publication detail

Rapid 2D Positioning of Multiple Complex Objects for Pick and Place Application Using Convolutional Neural Network
Year: 2020
Type of publication: článek ve sborníku
Name of source: 24th international conference on system theory, control and computing, ICSTCC 2020 : proceedings
Publisher name: IEEE (Institute of Electrical and Electronics Engineers)
Place: New York
Page from-to: 213-217
Titles:
Language Name Abstract Keywords
cze Rychlá 2D lokalizace složitých objektů pro "pick and place" aplikace pomocí konvoluční neuronové sítě Vedení robotů v průmyslovém prostředí je důležitým úkolem, který je třeba vyřešit v moderních výrobních zařízeních. Úkol typu „vyzvednout a umístit“ je rozhodně jedním z nejčastějších problémů navádění robota, které je třeba vyřešit. Na začátku úkolu pro výběr a umístění musíme provést přesné umístění objektů zájmu. V tomto příspěvku je navržen inovativní inženýrský přístup k umístění více objektů. Přístup se skládá ze dvou po sobě jdoucích kroků. Nejprve se původní scéna s objekty zájmu transformuje pomocí neuronové sítě. Výstupem této transformace je schematický obrázek, který představuje polohy objektů s přechodovými kruhy různých barev. Poté jsou polohy přechodových kruhů určeny vyhledáním lokálních maxim v transformovaném obrazu. Navrhovaný přístup je testován na legitimním problému s určováním polohy s přesností přes 99,8%. Strojové učení; pick and place; konvoluční síť; U-Net
eng Rapid 2D Positioning of Multiple Complex Objects for Pick and Place Application Using Convolutional Neural Network Robot guidance in an industrial environment is an important task to be solved in modern production facilities. A pick and place task is definitely one of the most common robot guidance issues to solve. In the beginning of the pick and place task, we need to perform a precise positioning of the objects of interest. In this contribution, an innovative engineering approach to multiple object positioning is proposed. The approach consists of two consecutive steps. At first, the original scene with objects of interest is transformed using a neural network. The output of this transformation is a schematic image, which represents the positions of the objects with gradient circles of various colors. Then, the positions of the gradient circles are determined by finding local maxima in the transformed image. The proposed approach is tested on a legitimate positioning problem with more than 99.8 % accuracy. Machine Vision; Pick and Place; Convolutional Neural Network; U-Net

Department

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives