Publikace detail

Grasping Point Detection Using Monocular Camera Image Processing and Knowledge of Center of Gravity

Autoři: Štursa Dominik | Doležel Petr | Honc Daniel

Rok: 2022

Druh publikace: článek ve sborníku

Název zdroje: Artificial Intelligence Trends in Systems : proceedings of 11th Computer science on-line conference 2022, Vol. 2

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 531-541

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Detekce úchopového bodu pomocí zpracování obrazu z monokulární kamery a znalosti těžiště	Schopnost uchopovat předměty je jednou ze základních funkcí moderních průmyslových robotů. V tomto článku se zaměříme na systém zpracování obrazu poskytovaného systémem vizuálního vnímání robota, který vede k detekci bodů pro uchopení předmětů. Navrhovaný systém zpracování je založen na vícekrokové metodě využívající konvoluční neuronové sítě (CNN). Prvním krokem je použití první CNN k transformaci vstupního obrazu na schematický obraz s označenými těžišti objektů, který pak slouží jako podpůrný vstup pro druhou CNN. V této druhé CNN se původní vstupní a podpůrné vstupní obrazy použijí k získání schematického obrazu obsahujícího úchopové body objektů. Toto řešení je porovnáváno se sítí poskytující uchopovací body přímo ze vstupního obrazu. Výsledkem je, že navrhovaná metoda poskytla u všech modelů zlepšení přesnosti o 0,7 % na testovací množině.
eng	Grasping Point Detection Using Monocular Camera Image Processing and Knowledge of Center of Gravity	The ability to grasp objects is one of the basic functions of modern industrial robots. In this article, the focus is placed on a system for processing the image provided by a robot visual perception system leading to the detection of objects grasping points. The proposed processing system is based on a multi-step method using convolutional neural networks (CNN). The first step is to use the first CNN to transform the input image into a schematic image with labeled objects centers of gravity, which then serves as a supporting input to the second CNN. In this second CNN, original input and supporting input images are used to obtain a schematic image containing the grasping points of the objects. This solution is further compared with a network providing grasping points directly from the input image. As a result, the proposed method provided a 0.7% improvement in the average intersection over union for all of the models.	Image processing; Grasping point detection; Convolutional neural network; Center of gravity

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte