謝 斌 矯偉鵬 劉楷東 吳 競 溫昌凱 陳仲舉

(1.中國農(nóng)業(yè)大學(xué)工學(xué)院,北京 100083; 2.中國農(nóng)業(yè)大學(xué)現(xiàn)代農(nóng)業(yè)裝備優(yōu)化設(shè)計北京市重點實驗室,北京 100083;3.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心,北京 100097)

0 引言

整羊胴體深度加工的基礎(chǔ)工序是四肢分割,良好的分割效果可以為消費者帶來更高的肉質(zhì)品質(zhì),也可為供應(yīng)商提供更好的市場競爭力[1]。但是,傳統(tǒng)的羊胴體分割大多仍然采用人工輔助機械的流水線作業(yè)方式,機械化程度較低,不可避免的出現(xiàn)分割效率低、分割損耗多、工作環(huán)境差、人力成本大、衛(wèi)生安全隱患大等問題[2-4]。目前國內(nèi)家畜分割裝備在肉品切塊分割工序中已得到應(yīng)用,但還沒有實現(xiàn)智能化分割,并且不適用于去腿、肋排分割和剔骨等更為精細的肉類分割工序。為改善這種作業(yè)方式,自動化和機器人化越來越受到肉類行業(yè)公司關(guān)注。因此,自主研發(fā)羊胴體智能化分割機器人,實現(xiàn)羊胴體安全、高效、精準分割,已成為羊胴體加工業(yè)的重要研究內(nèi)容[5-7]。

羊胴體后腿分割是一種柔順交互任務(wù)[8],該任務(wù)主要通過接觸狀態(tài)感知和控制來實現(xiàn)相應(yīng)功能[9],其中力覺信息的獲取與利用是解決該問題的關(guān)鍵。MITSIONI等[10]針對多接觸操作任務(wù),提出一種基于運動學(xué)圖像的接觸分類方法,將力覺時序數(shù)據(jù)轉(zhuǎn)換為圖像并輸入到神經(jīng)網(wǎng)絡(luò),在推和切的操作任務(wù)中識別準確率最高為87%,還具有一定的提升空間。STRAI?YS等[11]針對多介質(zhì)軟組織的精確切割問題,提出一種基于二元介質(zhì)分類器的閉環(huán)控制律,在柚子分割任務(wù)中的成功率為72%。目前的研究主要集中在力覺信息的分類識別上,但受限于可見性約束、操作空間約束與接觸操作多變,僅依靠分類信息不足以確保該任務(wù)的安全和有效。

在開展羊胴體后腿自主分割機器人研究時,為實現(xiàn)智能與精準分割,需融合模仿學(xué)習(xí)、深度學(xué)習(xí)[12-13]以及機器人運動控制等技術(shù)。WU等[14]提出一種基于動態(tài)運動基元的框架,使機器人能夠?qū)W習(xí)人類演示任務(wù)并將技能轉(zhuǎn)換為人機交互。GUIRE等[15]利用力位混合控制實現(xiàn)牛胴體剖分。本文需要分割的羊胴體后腿區(qū)域組織結(jié)構(gòu)復(fù)雜,羊胴體尺寸多變,因此,上述方法在此復(fù)雜場景的適用性尚未得到驗證,需要結(jié)合實際分割特征開展系統(tǒng)的機器人分割控制研究。

針對羊胴體后腿骨肉邊界未知、尺寸多變和可見性約束限制造成的機器人自主分割精確度低與易受阻卡住的問題,本文提出一種基于接觸狀態(tài)感知的自適應(yīng)分割控制方法?；跇?gòu)建的LSTM-FCN深度時空神經(jīng)網(wǎng)絡(luò)提取接觸類型特征,深度自編碼(Deep AutoEncoder,DAE)網(wǎng)絡(luò)提取接觸異常度特征,主成分分析法(Principal component analysis,PCA)提取接觸方向特征,從而實現(xiàn)接觸狀態(tài)多模態(tài)的實時感知。機器人通過動態(tài)運動基元(Dynamic movement primitives,DMP)模仿學(xué)習(xí)人類示教軌跡,生成目標(biāo)關(guān)節(jié)運動,實現(xiàn)人機技能傳遞。基于接觸狀態(tài)感知建立自適應(yīng)分割控制方法,在不同接觸狀態(tài)下實現(xiàn)機器人關(guān)節(jié)運動的自主調(diào)節(jié)。最后對所構(gòu)建的LSTM-FCN和DAE網(wǎng)絡(luò)進行訓(xùn)練,評估網(wǎng)絡(luò)模型的性能,開展羊胴體后腿實際分割試驗,驗證自適應(yīng)分割控制方法的有效性、泛化性和準確性。

1 材料與方法

1.1 試驗平臺與數(shù)據(jù)采集

1.1.1試驗平臺

搭建羊胴體后腿自適應(yīng)分割試驗平臺如圖1所示,主要組成是羊后腿夾持固定系統(tǒng)、感知識別定位系統(tǒng)和機器人分割系統(tǒng)。

圖1 分割試驗平臺

羊后腿夾持固定系統(tǒng)包括多自由度固定臺架和雙手協(xié)調(diào)夾持機器人,多自由度固定臺架對羊胴體后腿胯骨區(qū)域進行固定,并能夠通過水平模組、垂直模組與回轉(zhuǎn)電機實現(xiàn)羊胴體在3個自由度上的任意移動;雙手協(xié)調(diào)夾持機器人用于夾持羊胴體后腿,實現(xiàn)兩條羊后腿向外側(cè)的拉扯動作,便于羊后腿的順利分割。

感知識別定位系統(tǒng)用于準確采集示教分割過程中刀具位姿數(shù)據(jù),主要包括兩個Intel Realsense D435i深度相機和ArUco標(biāo)記。機器人分割系統(tǒng)是主要的控制執(zhí)行單元,該系統(tǒng)主要包括分割機器人、六維力傳感器和普通刀具。

此外,羊胴體后腿分割任務(wù)的操作模式有兩種:示教分割模式和機器人自主分割模式,如圖2所示。在示教分割模式下,將刀具從機器人末端拆卸下來,操作員手持刀柄操作刀具完成分割任務(wù),相機通過識別定位ArUco標(biāo)記采集分割刀具位姿數(shù)據(jù),六維力傳感器采集分割過程的反饋力。在機器人自主分割模式下,刀具重新安裝在機器人末端,機器人通過學(xué)習(xí)人類示教軌跡規(guī)劃新的目標(biāo)分割軌跡,根據(jù)控制算法在線調(diào)節(jié)分割軌跡與分割力大小,最終實現(xiàn)自適應(yīng)分割。

圖2 羊胴體后腿分割操作模式

1.1.2數(shù)據(jù)采集

本文的接觸類型識別模型和接觸異常度估計模型均需要采集力覺時間序列數(shù)據(jù),采集地點為中國農(nóng)業(yè)大學(xué)工學(xué)院,采集設(shè)備為六維力傳感器,采集頻率為30 Hz,采集品種為波爾山羊。

接觸類型大致可以分為3類,分別為在空氣中、與硬介質(zhì)接觸、與軟介質(zhì)接觸。分割刀與羊胴體髖骨的接觸操作表示與硬介質(zhì)接觸,在羊胴體后腿肉上的分割操作表示與軟介質(zhì)接觸。人類手持分割刀具分別針對羊胴體髖骨和后腿肉采集六維分割力數(shù)據(jù),在數(shù)據(jù)采集過程中,以不同的姿態(tài)、軌跡和施加力在兩種對象上執(zhí)行分割操作,保證數(shù)據(jù)的多樣性,共計獲得的數(shù)據(jù)量為96 101。

接觸異常度估計模型需要采集人類示教分割羊胴體后腿數(shù)據(jù),在人類示教分割模式下,采集力覺時序數(shù)據(jù),共采集了1 880個示教分割數(shù)據(jù)樣本。

對采集到的力覺時序數(shù)據(jù)進行預(yù)處理,為消除六維力傳感器的高頻信號噪聲,采用卡爾曼濾波算法[16]處理數(shù)據(jù)。為提高模型的精度、收斂速度并增強其穩(wěn)定性,對數(shù)據(jù)作歸一化處理。設(shè)置滑動窗口的時間步長為20,窗口重疊率為50%,采用半重疊滑動窗口重采樣分割數(shù)據(jù),將重采樣后的力覺時序數(shù)據(jù)堆疊為三維數(shù)組。

構(gòu)建接觸類型識別網(wǎng)絡(luò)數(shù)據(jù)集,對3種接觸類型的分類標(biāo)簽采用One-Hot編碼,最終得到的數(shù)據(jù)集尺寸為(9 610,20,6)。構(gòu)建接觸異常度估計網(wǎng)絡(luò)數(shù)據(jù)集,不需要進行數(shù)據(jù)標(biāo)注,最終得到的數(shù)據(jù)集尺寸為(188,20,6)。

1.2 分割接觸狀態(tài)感知

羊胴體后腿分割接觸狀態(tài)是基于力覺信息感知得到的,接觸狀態(tài)包括3種特征:接觸類型、接觸異常度和接觸方向,本文通過LSTM-FCN網(wǎng)絡(luò)、DAE網(wǎng)絡(luò)和PCA方法提取3種接觸特征,實現(xiàn)接觸狀態(tài)多模態(tài)的實時感知。

1.2.1接觸類型識別模型

受到可見性約束的嚴重限制以及軟組織變形的不確定性,分割接觸類型無明顯的區(qū)分界限并且是高度可變的。由于該任務(wù)構(gòu)型空間維度高、操作多變、接觸豐富,很難對接觸動力學(xué)用解析的方法進行描述與建模[17-18]。

為解決以上問題并使網(wǎng)絡(luò)模型適用于分割接觸類型特征的識別任務(wù),將長短期記憶網(wǎng)絡(luò)(LSTM)[19]和全卷積神經(jīng)網(wǎng)絡(luò)(FCN)[20]相結(jié)合,構(gòu)建一種并行LSTM-FCN深度時空神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

該網(wǎng)絡(luò)有效結(jié)合了FCN模型提取時序數(shù)據(jù)局部特征的優(yōu)勢和LSTM模型善于學(xué)習(xí)時序數(shù)據(jù)長期依賴性的特點。LSTM-FCN模型一個顯著優(yōu)勢是不需要復(fù)雜的特征工程和大量的數(shù)據(jù)預(yù)處理,避免手動提取特征。該網(wǎng)絡(luò)模型設(shè)計為并行結(jié)構(gòu),LSTM通道模塊能夠?qū)W習(xí)長期的時間動態(tài)信息,FCN通道模塊可以提取空間維度上的深層特征,因此LSTM-FCN模型能在兩個不同的視野中感知相同的時序數(shù)據(jù)輸入,在相同的訓(xùn)練條件下提取雙倍的特征參數(shù),從而有效獲取分割接觸過程的時空特征。

其中,全卷積模塊由3個堆疊的時序卷積塊組成,每個時序卷積塊都由1個一維卷積層、1個批量歸一化(動量為0.99,學(xué)習(xí)率為0.001)和1個ReLU激活函數(shù)組成,每個卷積層的濾波器大小分別為128、256、128,卷積核大小分別為8、5、3,最后在卷積塊后面使用全局平均池化以減少參數(shù)數(shù)量。

在長短期記憶通道模塊中,時序數(shù)據(jù)首先輸入到維度混洗層,經(jīng)過維度混洗轉(zhuǎn)換后,數(shù)據(jù)集的隨機性增加,隨后經(jīng)過具有10個隱藏層LSTM的處理,并采用Dropout避免模型出現(xiàn)過擬合,其參數(shù)設(shè)置為0.6。

最后通過Concat層將LSTM與FCN的輸出合并拼接,將拼接后的特征輸入到Softmax進行分類。

1.2.2接觸異常度估計模型

為了精準地調(diào)節(jié)分割力大小,需要獲取當(dāng)前分割力與示教分割力之間的接觸異常度,機器人再根據(jù)接觸異常度來決定調(diào)節(jié)量。由于輸入數(shù)據(jù)與參數(shù)變化會影響簡單的有監(jiān)督學(xué)習(xí)模型的性能,所以為了更深入地挖掘數(shù)據(jù)本身的特征與規(guī)律,提出一種深度自編碼網(wǎng)絡(luò),用于接觸異常度的估計,這是一種無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

本文提出的DAE網(wǎng)絡(luò)是以編碼解碼網(wǎng)絡(luò)為總體框架,將LSTM與一維卷積相結(jié)合,左側(cè)為編碼階段,右側(cè)為解碼階段。DAE網(wǎng)絡(luò)可以挖掘數(shù)據(jù)內(nèi)部更抽象的特征,通過在編碼器中加入多個LSTM單元,增強模型的長期記憶能力,深度編碼與解碼器能有效提取數(shù)據(jù)更深層次的特征。

該網(wǎng)絡(luò)通過學(xué)習(xí)重構(gòu)人類示教分割的輸入數(shù)據(jù),探索能夠簡要表征該數(shù)據(jù)的深層規(guī)律,最終計算得到重構(gòu)誤差來表示接觸異常度,重構(gòu)誤差是度量觀測數(shù)據(jù)和訓(xùn)練數(shù)據(jù)偏離程度的評價指標(biāo),重構(gòu)誤差的計算公式為

(1)

式中Re——重構(gòu)誤差

M——一次訓(xùn)練的總樣本數(shù)

yi——真實值

DAE網(wǎng)絡(luò)的工作原理如下:編碼器和解碼器網(wǎng)絡(luò)一共包括2個LSTM層、8個一維卷積層和10個Dropout層,Dropout層的丟棄率設(shè)置為0.2。數(shù)據(jù)集首先輸入到編碼器的LSTM層,學(xué)習(xí)輸入時間序列的向量表示,輸出維度依次變?yōu)?和1,然后再經(jīng)過1個卷積層的升維和3個卷積層的逐層學(xué)習(xí)降維,得到一維的隱藏層。解碼器采用4次一維卷積操作,學(xué)習(xí)重構(gòu)得到6維輸出數(shù)據(jù),網(wǎng)絡(luò)具體結(jié)構(gòu)參數(shù)如表1所示。

表1 DAE具體結(jié)構(gòu)參數(shù)

其中,batch_size為批量大小,Conv1D Block表示卷積塊層,內(nèi)部包含1個一維卷積和1個Dropout,總參數(shù)量為2 803,網(wǎng)絡(luò)模型小,運行速度快。

1.2.3接觸方向主成分分析

由于分割過程中六維力多變量之間的相關(guān)性,采用PCA對高維數(shù)據(jù)降維[21],對刀具坐標(biāo)軸X、Y、Z的權(quán)重進行分配,根據(jù)權(quán)重決定機器人分割刀具的主要調(diào)節(jié)方向,本文PCA算法的實現(xiàn)流程如圖5所示。

圖5 PCA算法流程圖

(1)數(shù)據(jù)標(biāo)準化。假設(shè)原始數(shù)據(jù)可以用m×n矩陣Am×n表示,表示為

(2)

式中m——對象個數(shù)

n——數(shù)據(jù)特征的維度

本文實時采集20個時間序列數(shù)據(jù),即m=20,舍棄X、Y、Z坐標(biāo)軸方向上的力矩數(shù)據(jù),選取X、Y、Z方向上的力組成滑動窗口,即n=3。采用半重疊滑動窗口不斷地對輸入數(shù)據(jù)進行重采樣。然后對數(shù)據(jù)進行標(biāo)準化處理得到矩陣B的元素,計算式為

(3)

sj——矩陣A的列向量方差

eij——矩陣A的元素

aij——矩陣B的元素

(2)計算相關(guān)系數(shù)矩陣C,并計算該矩陣的特征值λ1、λ2、…、λn及其對應(yīng)的特征向量μ1、μ2、…、μn。

C=BTB/(m-1)

(4)

(3)計算累計方差貢獻率S,選取貢獻率最大的成分,方差貢獻率越大,該主成分越能表征原始數(shù)據(jù)信息。最后求得最大貢獻率成分的特征向量,并通過特征向量與原始數(shù)據(jù)計算得到3個坐標(biāo)軸的權(quán)重ωj。貢獻率S和權(quán)重ωj的計算公式為

(5)

(6)

式中uj——矩陣C中第j列的特征向量

1.3 自適應(yīng)分割控制

1.3.1羊胴體后腿分割步驟

羊胴體后腿分割實際上是將后腿與髖骨分離開,羊胴體髖骨結(jié)構(gòu)如圖6所示,羊胴體髖骨由坐骨、恥骨和骼骨組成,左右兩側(cè)幾乎對稱,所以羊胴體左右后腿的分割工序是相似的。

圖6 羊胴體髖骨結(jié)構(gòu)

考慮到羊胴體加工企業(yè)對羊胴體后腿分割工藝的實際需求,根據(jù)國家分割標(biāo)準規(guī)劃羊胴體后腿分割軌跡,包括3個分割工序,分割工序1為分割刀沿著坐骨腹側(cè)面與恥骨切開肌肉與骨面的粘連;分割工序2為分割刀沿著坐骨結(jié)節(jié)、恥骨與關(guān)節(jié)連接處進行分割;分割工序3為分割刀沿著關(guān)節(jié)和骼骨向下分割,將羊后腿與髖骨分離開。

1.3.2示教分割軌跡學(xué)習(xí)

本文采用DMP模仿學(xué)習(xí)人類示教軌跡,泛化生成適用于任務(wù)需要的目標(biāo)軌跡[22-23],通過逆向運動學(xué)生成機器人目標(biāo)關(guān)節(jié)運動[24-25]。

根據(jù)DMP的原理進行示教軌跡學(xué)習(xí)和泛化試驗,該試驗的目的主要是為了驗證DMP在羊胴體后腿示教分割軌跡上的有效性和泛化性。

首先需要獲取人類示教分割軌跡,在人類示教分割模式下,根據(jù)上文中規(guī)劃的羊胴體后腿分割步驟執(zhí)行分割操作,采集分割工序1、2、3的示教數(shù)據(jù)。然后運用DMP對采集的分割軌跡數(shù)據(jù)進行迭代學(xué)習(xí),復(fù)現(xiàn)生成目標(biāo)分割軌跡,再通過改變示教軌跡的起始位置和終點位置生成不同的軌跡。

比較不同分割工序下的示教、復(fù)現(xiàn)和泛化軌跡變化曲線,結(jié)果如圖7所示。通過對比發(fā)現(xiàn),人類示教軌跡和DMP學(xué)習(xí)復(fù)現(xiàn)軌跡誤差很小,兩者幾乎擬合,并且DMP學(xué)習(xí)復(fù)現(xiàn)軌跡的變化曲線較平滑,表明DMP能夠有效學(xué)習(xí)人類示教軌跡,復(fù)現(xiàn)生成目標(biāo)軌跡。從圖中看出,泛化軌跡的形狀、變化趨勢與示教軌跡相似,其能充分地表征示教軌跡信息,DMP可以根據(jù)不同的起終點位置得到符合不同任務(wù)需要的目標(biāo)軌跡,驗證了DMP在羊胴體后腿示教分割軌跡上具有較好的泛化性能。

圖7 不同分割工序下的示教、復(fù)現(xiàn)和泛化軌跡

1.3.3自適應(yīng)分割控制方法

基于接觸狀態(tài)感知的自適應(yīng)分割控制方法有效結(jié)合了接觸類型、接觸異常度和接觸方向3因素特征,根據(jù)不同的接觸狀態(tài)自主調(diào)節(jié)機器人關(guān)節(jié)運動,確保機器人始終以合適的分割力和分割軌跡運動,基于接觸狀態(tài)感知的自適應(yīng)分割控制流程圖如圖8所示。

圖8 自適應(yīng)分割控制流程圖

(1)控制方法

本文提出一種機器人自適應(yīng)分割控制方法,構(gòu)造機器人關(guān)節(jié)力矩與反饋力、示教分割力之間的關(guān)系,計算式為

τ=JT(α1Fb-α2Ff)

(7)

式中τ——關(guān)節(jié)力矩

J——雅可比矩陣

Fb——六維力傳感器獲取的反饋力

Ff——示教分割力

α1——反饋力的調(diào)節(jié)因子

α2——示教分割力的調(diào)節(jié)因子

這兩個調(diào)節(jié)因子是由接觸類型、接觸異常度和接觸方向3因素構(gòu)造組成,α1越小,機器人柔順性降低,系統(tǒng)剛性越強,α2越小,示教目標(biāo)力作用越小,對外施加力越小,機器人更加柔順。

根據(jù)調(diào)整后的關(guān)節(jié)角速度和力矩的關(guān)系式,進一步計算得到經(jīng)過調(diào)整后的機器人關(guān)節(jié)角,計算式為

(8)

(9)

θ1=θ+θ1dt

(10)

式中F——分割力D——阻尼矩陣

v——機器人末端速度

θ1——調(diào)整后的機器人目標(biāo)關(guān)節(jié)角

θ是由已知的機器人末端位姿通過逆向運動學(xué)得到的關(guān)節(jié)角位置,然后再經(jīng)過感知調(diào)節(jié)得到最終目標(biāo)關(guān)節(jié)角位置θ1。隨后采用正向運動學(xué)獲取當(dāng)前的機器人末端位姿,并將位姿信息重新輸入到動態(tài)運動基元中,不斷地更新動態(tài)運動基元中的參數(shù)。

(2)調(diào)節(jié)因子

在提出的自適應(yīng)分割控制方法中,α1和α2兩個調(diào)節(jié)因子的求解和優(yōu)化尤為重要。首先,采用LSTM-FCN模型實時檢測當(dāng)前的接觸類型,根據(jù)接觸類型的不同識別結(jié)果,設(shè)置不同的控制策略。當(dāng)在空氣中時,機器人不采用任何分割控制策略,只需按照規(guī)劃的分割軌跡運行即可,不需要施加額外的分割力。

當(dāng)分割刀與硬介質(zhì)接觸時,需要根據(jù)接觸異常度和接觸方向?qū)崟r改變調(diào)節(jié)因子的值,適當(dāng)減小分割力,從而避免分割刀受阻卡住或發(fā)生碰撞,其調(diào)節(jié)因子控制策略計算式為

(11)

α1中Re設(shè)置為定值-0.05,α2中Re為變量,γ為常量,設(shè)置為0.05,保證分割刀在檢測到硬介質(zhì)接觸時能夠快速回調(diào)。

當(dāng)分割刀與軟介質(zhì)接觸時,為了最大限度地將羊髖骨上粘連的后腿肉分割下來,需要施加更大的分割力,從而減少分割殘留的羊后腿肉,其調(diào)節(jié)因子控制策略計算式為

(12)

由于在與軟介質(zhì)接觸時,接觸異常度較小,重構(gòu)誤差較小,所以將Re設(shè)置為固定值以提高調(diào)節(jié)速度。最后將α1和α2代入到式(7)中,即構(gòu)成了完整的自適應(yīng)分割控制方法。

2 結(jié)果與分析

2.1 網(wǎng)絡(luò)訓(xùn)練與分析

本文的實驗是在Tensorflow深度學(xué)習(xí)框架下完成的,操作系統(tǒng)為Ubuntu 20.04.2 LTS,處理器為Intel Core i7-9850H,采用NVIDIA GEFORCE GTX 3060顯卡。在網(wǎng)絡(luò)訓(xùn)練過程中,設(shè)置批量大小為32,學(xué)習(xí)率為0.001,選擇Adam算法作為優(yōu)化器。

(1)LSTM-FCN網(wǎng)絡(luò)

在訓(xùn)練LSTM-FCN網(wǎng)絡(luò)過程中,采用固定步長訓(xùn)練迭代100輪,將上述經(jīng)過預(yù)處理的9 610個數(shù)據(jù)樣本按照8∶1∶1的比例劃分為訓(xùn)練集、測試集與驗證集,損失函數(shù)選用交叉熵損失函數(shù)。

將構(gòu)建的羊胴體后腿分割接觸數(shù)據(jù)集輸入到LSTM-FCN網(wǎng)絡(luò)中訓(xùn)練,訓(xùn)練集與測試集的損失值變化曲線如圖9所示。隨著迭代次數(shù)的增加,訓(xùn)練集和測試集的損失值都在下降,訓(xùn)練集下降更快,最終均趨于穩(wěn)定。

圖9 損失值變化曲線

經(jīng)過100輪的迭代訓(xùn)練,得到網(wǎng)絡(luò)模型在訓(xùn)練集上預(yù)測的準確率為98.52%,在測試集上預(yù)測的準確率為97.36%,再用訓(xùn)練好的網(wǎng)絡(luò)模型預(yù)測驗證集,得到其混淆矩陣,如圖10所示。

圖10 測試集的混淆矩陣

從混淆矩陣中可以看出,在驗證集上預(yù)測的準確率為98.44%,只有極少數(shù)識別錯誤的接觸類型,說明LSTM-FCN模型在羊胴體后腿分割數(shù)據(jù)集上具有較好的識別性能,識別準確性高。

(2)DAE網(wǎng)絡(luò)

在訓(xùn)練DAE網(wǎng)絡(luò)過程中,采用固定步長訓(xùn)練迭代200輪,損失函數(shù)選用均方誤差。

為驗證DAE模型的有效性,選擇多組不同的羊胴體后腿分割接觸類型數(shù)據(jù),構(gòu)建DAE網(wǎng)絡(luò)模型的驗證數(shù)據(jù)集,輸入到訓(xùn)練好的模型中,計算得到其重構(gòu)誤差,如圖11所示。

圖11 驗證集重構(gòu)誤差

重構(gòu)誤差最小為0,在400～600之間和700～800之間有3段重構(gòu)誤差為0,說明其與示教訓(xùn)練數(shù)據(jù)差異程度小,接觸異常度最小,其余部分的重構(gòu)誤差變化明顯,重構(gòu)誤差越大說明其與示教訓(xùn)練數(shù)據(jù)差異越大,接觸異常度則越高。說明DAE模型能夠較好地估計接觸異常度,區(qū)分不同的接觸狀態(tài)。

2.2 自適應(yīng)分割控制方法試驗驗證

為驗證自適應(yīng)分割控制方法的有效性,在羊胴體后腿完整的分割過程中,對比有無自適應(yīng)分割控制方法的分割效果,六維力與力矩變化曲線如圖12所示。

圖12 六維力與力矩變化曲線

與對照組相比,機器人在加入自適應(yīng)分割控制方法后,每一個分割工序的六維力與力矩均減小,其中以Fy、Fz、Mx、Mz下降最為明顯,最大分割力下降幅度為29 N,最大力矩下降幅度為7 N·m,有效減小了分割過程阻力,修正效果顯著。

在整個羊胴體后腿的分割過程中,當(dāng)實際任務(wù)軌跡或?qū)嶋H分割對象與任務(wù)規(guī)劃不相符時,自適應(yīng)分割控制方法都在進行穩(wěn)定有效的修正。試驗證明自適應(yīng)分割控制方法作用于每一個分割工序,在完整的羊胴體后腿分割過程中是有效的。

2.3 羊胴體后腿分割結(jié)果

為驗證本文所提出的羊胴體后腿自適應(yīng)分割控制方法的有效性,準備了7只羊胴體帶臀后腿,質(zhì)量分別在5～6 kg、6～7 kg和7～8 kg區(qū)間內(nèi),每個區(qū)間分別有2、3、2個試驗樣本,其中一只6～7 kg羊胴體帶臀后腿用作人類示教分割樣本。

機器人首先采集人類示教分割軌跡和分割力,再根據(jù)示教軌跡規(guī)劃新的目標(biāo)軌跡,然后機器人運動到分割工序1的起點,沿著規(guī)劃的分割軌跡進行分割,實時調(diào)節(jié)分割刀的位姿與受力,直到運動到終點位置,再依次執(zhí)行分割工序2與分割工序3的分割任務(wù),從而完成羊胴體左后腿的分割工序,羊胴體左右后腿的分割工序是對稱的,每個分割工序的分割效果和羊胴體后腿最終分割效果如圖13和圖14所示。

圖13 每個分割工序的分割效果

圖14 最終的分割效果

從圖13、14中可以看出,經(jīng)過6次分割工序后,羊胴體髖骨與后腿已基本分離開,分割后的羊胴體后腿較完整,羊胴體髖骨上殘留的肉較少,大部分殘留肉的厚度小于3 mm,并且髖骨表面輪廓完整,分割過程中沒有骨屑殘留,并且沒有發(fā)生分割刀具與骨頭的碰撞事故,表明機器人規(guī)劃與調(diào)整后的目標(biāo)分割軌跡與分割力合適且準確。

本文試驗選擇分割殘留率、最大殘留肉厚度作為羊胴體后腿分割的評價標(biāo)準,分割殘留率定義為羊胴體髖骨殘留后腿肉的質(zhì)量占分割后的兩只羊后腿總質(zhì)量的比率,計算式為

(13)

式中r——分割殘留率

g——羊胴體髖骨上殘留后腿肉的質(zhì)量

g1、g2——分割后羊胴體左、右后腿的質(zhì)量

表2中的1～3組分別對應(yīng)質(zhì)量區(qū)間5～6 kg、6～7 kg、7～8 kg,質(zhì)量由小到大排列,分析表2可知,平均最大殘留肉厚度為3.6 mm,隨著羊胴體質(zhì)量增大,最大殘留肉厚度也變大,兩者呈現(xiàn)正相關(guān)的變化趨勢,1、2、3組分割殘留率的平均值分別為5.4%、4.9%、4.3%,分割殘留率與羊胴體質(zhì)量呈現(xiàn)負相關(guān)。羊胴體每只后腿的分割時間為30 s,與項目前期調(diào)研中人工分割效率相近,但機器人可以在惡劣環(huán)境與大負載下長時間工作。

表2 分割結(jié)果

試驗結(jié)果表明,本文提出的自適應(yīng)分割控制方法在不同尺寸羊胴體上的分割效果均較好,具有良好的泛化性和有效性,此外,試驗得到的最大殘留肉厚度與分割殘留率均較小,說明分割準確性較高,滿足羊胴體后腿分割要求。

3 結(jié)論

(1)針對羊胴體后腿自主分割精確度低與易受阻卡住的問題,提出了一種基于接觸狀態(tài)感知的羊后腿自適應(yīng)分割控制方法,該方法通過LSTM-FCN網(wǎng)絡(luò)、DAE網(wǎng)絡(luò)和PCA方法提取3種分割接觸特征,實現(xiàn)接觸狀態(tài)多模態(tài)的實時感知。

(2)采集羊胴體后腿分割力覺時序數(shù)據(jù),構(gòu)建網(wǎng)絡(luò)訓(xùn)練與驗證數(shù)據(jù)集,LSTM-FCN模型在驗證集上的識別準確率為98.44%,識別準確率較高,DAE模型能夠較好地估計驗證集樣本的接觸異常度,區(qū)分不同的接觸狀態(tài)。

(3)機器人基于自適應(yīng)分割控制方法開展實際分割試驗,與對照組相比,最大分割力下降幅度為29 N,最大力矩下降幅度為7 N·m,證明本文方法的有效性;平均最大殘留肉厚度為3.6 mm,平均分割殘留率為4.9%,分割殘留率與羊胴體質(zhì)量呈現(xiàn)負相關(guān),證明本文方法具有良好的泛化性和準確性,并且整體分割效果較好,滿足羊胴體后腿分割要求。