文献类型：期刊文章

作　　者：王勇[1] 陈荟西[2] 冯雨齐[1]

WANG Yong;Chen Huixi;Feng Yuqi(School of Artificial Intelligence,Liangjiang,Chongqing University of Technology,Chongqing 400054,China;College of Computer Science and Engineering,Chongqing University of Technology,Chongqing 400054,China)

机构地区：[1]重庆理工大学两江人工智能学院,重庆400054 [2]重庆理工大学计算机科学与工程学院,重庆400054

出　　处：《中南大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(61502065);重庆市科学技术委员会基础与前沿研究重点项目(cstc2015jcyjBX0127)资助;重庆市巴南区技术合作项目(2016TJ08)。

年　　份：2021

卷　　号：52

期　　号：9

起止页码：3242-3250

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在机械臂的抓取检测中,基于Anchor-based的方法需要考虑很多超参数的选择和设计,难以有效提高算法整体性能。针对该问题,本文将抓取检测转换为关键点检测问题,基于CenterNet提出一种改进的抓取检测模型。首先,该模型重点解决寻找抓取框中心点的问题,其本质是对中心点进行关键点估计,从而降低抓取检测的复杂程度;其次,采用HourglassNet神经网络提取深层特征;然后,为了使模型能聚焦抓取检测中物体的重要特征,设计一种视觉注意力机制;最后,生成关键点的高斯热力图和嵌入式向量,并将抓取框的中心点设置为检测出的关键点位置,将抓取框的中心点偏移量,长,宽以及旋转角分别设置为嵌入式向量中的值,从而有效解决了这些超参数的设置问题。研究结果表明:在康奈尔抓取数据集上进行图像分割和对象分割实验,准确率分别达到了98.3%和96.7%;本文方法通过计算获得一些较优的参数而不是采用先验参数,与其他基于Anchor-free的方法相比,提高了检测精度,而且其计算精度超过一些常用的基于Anchor based的模型的精度。

关 键 词：抓取检测  关键点检测  CenterNet  Anchor-free  

分 类 号：TP391]