黎明

（廣東理工學(xué)院，廣東 肇慶 526100）

0 引言

機器人通過圖像識別技術(shù)，可以準確定位視覺系統(tǒng)，屬于高科技發(fā)展成果。在工業(yè)化生產(chǎn)中，機器人屬于重要智能設(shè)備，目標定位為重點運行部分。當工件輪廓簡單時，工業(yè)生產(chǎn)朝著復(fù)雜化、多樣化方向發(fā)展，研究面臨問題多?；谥悄芗夹g(shù)支持，可以獲取較多新成果[1]。在過程應(yīng)用中，通過地圖好特征、機器人系統(tǒng)狀態(tài)地圖，建設(shè)動態(tài)化模型，以此實現(xiàn)數(shù)據(jù)預(yù)測、更新與關(guān)聯(lián)。在更新信息時，注重傳輸目標狀態(tài)量均值，簡化計算復(fù)雜度。按照相關(guān)實驗結(jié)果顯示，此種方法具備較強穩(wěn)定性，然而應(yīng)用效率低下。上位系統(tǒng)主要是應(yīng)用可編輯邏輯控制器和高性能的觸摸屏，控制中間層的機器人控制系統(tǒng)和外圍包裝輔助系統(tǒng)，下層為近期奇人系統(tǒng)控制方式，主要是應(yīng)用一拖二方式實現(xiàn)。其中一套系統(tǒng)當中具備工業(yè)機器視覺系統(tǒng)，能夠?qū)膳_機器人系統(tǒng)實施控制，確保工作高精度和高速。伺服系統(tǒng)主要是應(yīng)用CAT網(wǎng)絡(luò)，全面確保運行高效性[2]。針對機器人目標定位，屬于重要運行操作，且研究成果面臨準確性不足問題。按照深度學(xué)習(xí)機制，掌握分揀機器人定位方法。

1 基于深度學(xué)習(xí)的分揀機器人目標智能定位

1.1 分割工作環(huán)境

為了準確定位機器人，注重分割機器人工作環(huán)境。機器人運行期間，獲取環(huán)境圖像。通過圖像分割法，能夠?qū)C器人工作環(huán)境予以分割。當前，在選用分割方式時，以單色圖像為主，應(yīng)用到灰度圖像分割處理中，劃分不同顏色空間與分量。通過標準方法，注重組合結(jié)果優(yōu)化，獲取分割結(jié)果。

工作環(huán)境分割操作時，通過冪次變換法，可以加強圖像對比度。以冪次變換方法，能夠拉伸圖像暗灰位置，增加圖像細節(jié)度，價錢圖像亮度[3]。按照亮度分量均值，合理選擇數(shù)值。當均值較低時，則表示圖像亮度越低，此時可以拉伸圖像。

圖像序列分割流程中，應(yīng)當明確閾值。利用最大類間方差法，在分割圖像時，將其作為閾值分割依據(jù)。最大類間方差法，能夠強化圖像分割效果。通過圖像灰度直方圖、目標、類間方差比值，掌握圖像分割閾值。通常而言，在獲取閾值時，需要應(yīng)用最大化類間方差，在分割操作時，遵循以下步驟：機器人運行期間，工作環(huán)境圖像灰度為[1，2，…，L]，灰度級i像素數(shù)量為ni；總數(shù)量N=n1+n2+…n3+nL，表達式如下：

以圖像灰度值為閾值，劃分為A0、A1類別，則A0灰度范圍為[1，2，…，t]；A1灰度級范圍為[1，2，…，L]。通過上述分析可知，A0、A1概率表達式如下：

通過（4）式，計算最佳分割閾值，以此分割機器人工作環(huán)境圖像，確保目標定位準確性。

1.2 分揀機器人目標定位

按照上文分析，在目標定位時，能夠他準確參考依據(jù)。深度學(xué)習(xí)，是一種多層次結(jié)構(gòu)模型，針對初始化模型權(quán)值，能夠開展逐層監(jiān)督訓(xùn)練，同時在訓(xùn)練過程中，可以避免出現(xiàn)局部最優(yōu)，改進整個模型訓(xùn)練結(jié)果。深度學(xué)習(xí)中，首層：輸入指紋向量，最終層次：輸出坐標向量。中間層為隱藏層。針對第m'層、第m'+1層參數(shù)，需要應(yīng)用(Wm',bm')描述。其中，Wm'—連接權(quán)值，bm'—偏移量。

假設(shè)第m'層激活向量為：

在（6）式中，f—sigmoid函數(shù)。

由于分揀機器人工作環(huán)境干擾因子多，極易受到噪聲影響。為了降低噪聲影響，需要提升定位效率。深度學(xué)習(xí)網(wǎng)絡(luò)中，針對訓(xùn)練部分，應(yīng)當注重降噪處理。對于目標樣本，在統(tǒng)一位置進行采樣，合理劃分樣本集合組別，簡化采樣過程。為了確保不同采樣點具備不同直方圖，應(yīng)當確保采樣點間距大于預(yù)設(shè)最小閾值。對隨機對應(yīng)點間剛體變換矩陣進行計算，確保其達到迭代次數(shù)。當滿足設(shè)定次數(shù)時，則結(jié)束粗配準；若沒有滿足設(shè)定次數(shù)，則計算隨機對應(yīng)點間剛體變換矩陣。當采樣數(shù)量相同時，選取參考點較少，使采樣難度降低[4]。指紋樣本內(nèi)，包含較多噪聲因子。在相同參考點，多采樣測量，可以確保定位結(jié)構(gòu)準確性。將Si,j，作為第i組、第j個樣本，通過平均值，掌握第i組樣本估計值。

在（7）式中，s—樣本指紋向量。選取指紋樣本均值，作為樣本噪音處理結(jié)果。

根據(jù)稀疏自動編碼器，進行深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練，通過3層神經(jīng)網(wǎng)絡(luò)法，獲取層次權(quán)值、偏移量。將訓(xùn)練權(quán)值、偏移量，作為不同層次參數(shù)初始值。

通過稀疏自動編碼器訓(xùn)練時，可以發(fā)揮出結(jié)構(gòu)降噪作用，保留指紋特征信息。

針對其他層，目標函數(shù)表達：

在分揀機器人運行期間，也面臨較多現(xiàn)實問題。按照隱藏層節(jié)點，限制處理稀疏因素。對于稀疏性限制，即隱藏層節(jié)點激活占比，可以防止訓(xùn)練結(jié)果出現(xiàn)恒等情況。利用激活率，表達隱藏層節(jié)點激活比例。

開展逐層監(jiān)督訓(xùn)練時，無法劃分輸入樣本。為了保障樣本分類效果，確保目標定位準確性。應(yīng)用自動編碼器時，需要應(yīng)用softmax分類器。針對頂層編碼層，圍繞輸出數(shù)據(jù)，進行softmax回歸處理。利用法向傳播器，可以實現(xiàn)深度學(xué)習(xí)，開展網(wǎng)絡(luò)參數(shù)訓(xùn)練，確保定位結(jié)果輸出準確性。

注重分類層權(quán)重值、隱藏層權(quán)重值調(diào)整，訓(xùn)練目標函數(shù)表達：

在（11）公式中，—函數(shù)最大時，深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)取值；y—分類器的輸入數(shù)據(jù)預(yù)測值；β1…βh—懲罰函數(shù)權(quán)重值；F1…Fh—懲罰函數(shù)。

采用（11）公式計算，可以掌握網(wǎng)絡(luò)最佳參數(shù)，利用分類器，對各類輸入數(shù)據(jù)信息預(yù)測，獲得目標定位結(jié)果，保障分揀機器人運行效益。

2 實驗結(jié)果與分析

基于深度學(xué)習(xí)，分揀機器人進行智能定位時，為了保證定位方法效果，開展一系列實驗操作。實驗計算配置如下：中央處理器內(nèi)存為12G。選擇某加工廠分揀機器人，聯(lián)合計算機系統(tǒng)[5]?；趯嶒炛笜?，對技術(shù)方法進行驗證。第一，定位準確性；第二，定位耗時。圖1為實驗結(jié)果圖：

圖1 實驗結(jié)果準確性

定位準確率，能夠?qū)C器人定位精度進行判斷?；趫D1內(nèi)容可知，分揀機器人智能定位方法準確率比較高，均超過89%。機器人運行過程中，注重目標定位，利用彩色圖像、空間序列、類間方差法，確保機器人工作環(huán)境分隔合理性，以此加強機器人定位精度。

通過分析結(jié)果可知，隨著實驗次數(shù)持續(xù)增加，相應(yīng)加大定位耗時波動，此種方法的可靠性不足。按照深度學(xué)習(xí)機制，在分揀機器人運行期間，應(yīng)當注重智能定位處理，對工作環(huán)境影響因素進行分析，全面提升定位效率?；谏疃葘W(xué)習(xí)網(wǎng)絡(luò)，選擇適宜訓(xùn)練內(nèi)容，合理融入降噪訓(xùn)練，規(guī)避定位噪聲，控制定位時間消耗。采用以上操作方法，對分揀機器人定位效率、精度予以驗證，應(yīng)用優(yōu)勢顯著[6]。

3 結(jié)語

綜上所述，機器人目標定位，屬于基礎(chǔ)性能指標，也成為了基礎(chǔ)功能。在當前研究成果中，性能不足與缺陷比較常見，采用深度學(xué)習(xí)機制，準確定位分揀機器人，推廣應(yīng)用智能定位方法。機器人運行期間，注重工作環(huán)境圖像分割，在目標定位時，可以提供準確化參考依據(jù)。通過深度學(xué)習(xí)算法、逐層訓(xùn)練方式，掌握最佳訓(xùn)練參數(shù)。頂層設(shè)置分類器，確保目標定位準備。利用試驗結(jié)果可以看出，本文所提出的方法具備可實踐性、魯棒性優(yōu)勢。