摘 要：重工機械設備組裝中定制化零件具有形狀復雜、尺寸跨度廣的特點，實際生產中，吸附零件的準確性與實時性仍有較大的優(yōu)化空間。為此本文提出了基于深度判別的零件吸附位姿搜索算法。通過DenseNet-121模型對合成的圖像進行判斷，并對判為非規(guī)則類型的零件使用GWO搜索吸附位姿，同時引入了基于重心點的高斯分布或均勻分布抽樣初始化種群。試驗表明，本文提出的判斷模型平均準確率為99.3%，推理時間降低了487倍。而提出的改進GWO在非規(guī)則型零件集上的吸附得分提升了7.7%，整體時間開銷降低了39.42%，證明了本文方法具有更好的快速性與準確性。

關鍵詞：形狀分類；GWO；神經網絡；吸附優(yōu)化

中圖分類號：TP 391" " " " " " " 文獻標志碼：A

2022年我國工程機械產業(yè)規(guī)模突破9 000億元，位居全球第一。而隨著國際經濟形勢的復雜化，加快產業(yè)轉型升級并構建新的競爭優(yōu)勢尤為迫切[1]。在工程機械裝備組裝中，使用拼接式電磁吸盤吸附定制化零件是一個必要的程序，其本質為在一定約束下不同圖像中目標區(qū)域的重合面積最大化問題。然而目前的研究[2]對非規(guī)則型零件的吸附成功率低且吸附位姿搜索耗時。

值得注意的是，對非規(guī)則型零件的外形尚無明確的幾何定義。文獻[2]最早嘗試做出文字描述（參見1.2.1節(jié)），并進一步對非規(guī)則型零件使用PSO搜索吸附位姿。然而其成果還不能完全勝任實際生產，原因主要有2點。1）識別非規(guī)則型零件過于耗時。2）PSO搜索耗時較高。目前基于深度學習的圖像分類模型取得了較好發(fā)展，且進行模型前向推理時在計算速度上具有一定優(yōu)勢[3]。受此啟發(fā)，本文嘗試使用深度神經網絡識別非規(guī)則型零件。為此，本文收集并建立了一批零件圖像數據集，提出的神經網絡模型在測試集上的分類準確率接近100%且推理速度快，提出的改進型GWO搜索在試驗中也取得了更高的吸附得分。

1 本文算法

1.1 問題描述

機器人在工程機械場景中作業(yè)時，零件是相對靜止的，并通過端拾器與零件的貼合部分產生磁力。因此吸附位姿主要指吸盤貼合零件時的平面位置坐標與自身旋轉角度，記為pose=[x，y，angle]。磁塊的開閉由貼合面積與磁塊面積的比值決定，在實際的工程經驗中，比值一般設為0.9以上。上述優(yōu)化問題可形式化定義為公式（1）。

（1）

式中：i為端拾器中的第i個磁塊；I為指示函數，當I為1，代表磁塊被打開，反之則代表磁塊關閉；Si為第i個磁塊的面積；Sr為第i個磁塊與零件的貼合面積；Fi為第i個磁塊的額定吸力；G為被搜索零件的重力。

優(yōu)化目標為提高吸盤在指定吸附位姿下產生的吸力與零件重力的比值分數。比值越大，代表吸附位姿越好，實際的吸附也會更穩(wěn)定、安全。

1.2 零件類別判斷

1.2.1 工業(yè)零件數據集標注

文獻[2]將吸盤圖像與零件圖像在彼此重心點處水平重合后，按一定角度間隔進行順時針旋轉。如果吸盤產生的最大吸力不小于零件重力的1.3倍，則零件為規(guī)則型，否則為非規(guī)則型。記此定義為Φ，其數學化定義如公式（2）所示。

（2）

式中：1為規(guī)則；0為非規(guī)則。

本文收集了一批工業(yè)零件的等比例圖像數據集，使用重心旋轉搜索法對零件圖像進行判斷，并給予標簽。最后通過隨機抽樣劃分訓練集與測試集。

1.2.2 網絡模型與訓練

將神經網絡模型代表的函數定義為F'（θ），希望在網絡參數Φ的更新過程中將F'盡可能逼近Φ，如公式（3）所示。

（3）

式中：n為訓練迭代的步數。

本文將DenseNet作為最后的零件類別判斷模型?？紤]平衡精度與時間開銷，本文將DenseNet-121作為最終分類器，具體參見文獻[3]。為了進一步提升網絡的分類表現，本文還使用遷移學習和圖像合成方法。其中遷移學習將基于ImageNet數據集預訓練出的模型作為初始權重。輸入圖像合成方法如下：將零件的二值化圖像作為第一個通道，拼接式吸盤的二值化圖像作為第二個通道，第三個通道的構建則包括優(yōu)化問題的相關關鍵信息，此處參考了文獻[4]的做法。但不同的是，本文為強化相關數據，將第三個通道中每行數據均設置相同，每列則為8個關鍵數據的重復循環(huán)，其中8個關鍵數據的排列與含義見表1。

1.3 位姿搜索加速與優(yōu)化

本文引入GWO算法對pose進行搜索，同時為了對GWO搜索過程進行加速，分別探索了高斯分布與均勻分布抽樣初始化技術。GWO模擬了自然界灰狼的社會層級和狩獵機制，狼群通過狩獵不斷逼近理想中的最優(yōu)位姿，具體細節(jié)參見文獻[5]。

GWO算法屬于迭代優(yōu)化，實時性不高，而理想的初始化群體有助于過程的快速收斂并獲得較好的結果，較差的初始化可能導致過程收斂較慢或陷入局部最優(yōu)。因此本文嘗試使用高斯分布抽樣初始化與均勻分布抽樣初始化技術對GWO的搜索過程進行加速與優(yōu)化，具體描述如下。

1.3.1 基于重心的高斯分布抽樣初始化

本文嘗試使用高斯分布抽樣來初始化吸附位姿（灰狼）。同時鑒于重心旋轉搜索法可以較好地處理規(guī)則型零件，此處將零件的重心（記為（centerx，centery））與旋轉角水平0度作為位置參數的一部分。以吸附位姿的第一個分量抽樣為例進行說明，其他分量的抽樣原理相同，僅位置參數有所變化。假設隨機變量Y服從一個位置參數為centerx、尺度參數為σ的高斯分布（試驗中設置σ2=100，為經驗參數），如公式（4）所示，其概率密度函數如公式（5）所示，吸附位姿的第一個分量將從此分布中隨機抽樣獲得。

Y～N（centerx，σ2） （4）

（5）

1.3.2 基于均勻分布的抽樣初始化

本文嘗試使用均勻分布抽樣來初始化吸附位姿，同樣以吸附位姿的第一個分量抽樣為例進行說明。假設隨機變量U服從均勻分布，如公式（6）所示，width為零件圖像的寬度，其概率密度函數如公式（7）所示，吸附位姿的第一個分量將從此分布中抽樣獲得。

U～（0，width） （6）

（7）

2 試驗

2.1 試驗說明

本文的硬件平臺為11th Gen Intel（R） Core（TM） i5-11300H@

3.10GHz 3.11GHz，運行內存16G，無GPU加速。操作系統(tǒng)為Windows 10，編程語言為Python 3.8，使用Pytorch框架實現零件圖像分類模型。在零件圖像分類數據集中，訓練集包括2201張圖片，其中不規(guī)則型零件圖像731張；測試集包括549張圖片，其中不規(guī)則型零件圖像182張。

本試驗選擇9個具有代表性的神經網絡分類模型進行比較，包括DenseNet、VGGNet、ResNet、MobileNet_V2、ShuffleNet_V2、DenseNet、EfficientNet_V1、RegNet、Vit和GoogleNet。而在吸附位姿搜索中，比較了本文的算法與其他算法（PSO-Levy[2]與重心旋轉搜索）的平均吸附得分與時間開銷。

2.2 零件類別判斷

本文將平均準確率作為模型的評價指標，同時比較了DenseNet-121模型推理與重心旋轉搜索判斷的時間開銷。在原始的零件圖像訓練集上，本文訓練了9種神經網絡模型并進行了測試，每個模型在訓練中還使用了遷移學習，其中DenseNet-121取得了最高的平均準確率95.6%。為進一步提升模型表現，本文使用DenseNet-121在合成圖像數據集上進行訓練。圖1（a）展示了DenseNet-121在合成圖像測試集上的混淆矩陣，由圖可知，準確率為（182+363）/（182+4+363+0）≈99.3%，比未使用合成數據的最好表現提升了3.7%。由此可以推斷，在原始零件圖片的基礎上加入拼接吸盤、零件尺寸和問題實際約束等信息，有助于神經網絡模型提升分類準確率。此外，不規(guī)則型零件的召回率為182/（182+0）=100%，完全實現了精準發(fā)現不規(guī)則型零件的目標。

2.3 吸附位姿搜索

運行GWO算法前，需要確定GWO算法中的關鍵超參數，即狼群數量與迭代總次數?；谛阅芘c時間開銷的平衡，并結合大量實際測試與結果，本文推薦在狼群數量為30，迭代次數為30。本節(jié)試驗比較了本文的位姿搜索算法和其他方法的優(yōu)劣。圖1（b）展示了對比試驗數據，包括平均吸附得分與時間開銷。由圖可知，重心旋轉搜索法平均吸附得分僅0.624，縱使其平均時間開銷僅為144.45s，但完全無法保障抓取的安全性。PSO-Levy[2]方法為1.11，可以對不規(guī)則零件進行初步抓取。然而更高的吸附分數1.196由均勻分布抽樣初始化的GWO獲得，提升了（1.196-1.11）/1.11≈7.7%，充分證明了本文算法的優(yōu)勢。而在時間開銷上，改進GWO算法的平均搜索耗時為894.2s，也低于PSO-Levy[2]的1332.18s。因此，本文的搜索算法在性能與時間開銷取得了一定的平衡。

2.4 整體耗時分析

表2展示了本文方法（DenseNet-121判斷+改進的GWO算法）與文獻[2]（使用重心旋轉搜索判斷+PSO-Levy）在時間開銷上的比較見表2。每個數據均為運行10次后的平均值。由表2可知，由于DenseNet-121前向推理在時間開銷上僅為0.296s，比重心旋轉搜索的144.45s降低了487倍。而從整體時間開銷上來看，本文所提方法的時間開銷為894.496s，比文獻[2]的1476.63s降低了39.42%。

2.5 實例展示

不同非規(guī)則型零件在同一端拾器與不同算法下的抓取實例如圖2所示。由重合區(qū)域的對比可知，本文算法給出的吸附位姿能產生更大的重合面積與吸附磁力。

3 結論

本文提出的吸附位姿搜索算法使用DenseNet-121模型快速篩選非規(guī)則型零件，同時首創(chuàng)的圖像數據合成方法可使模型的平均準確率接近100%，并使用改進的GWO搜索非規(guī)則型零件的吸附位姿。零件圖像數據集上的試驗表明，本文算法的平均吸附得分比其他算法有明顯提升。綜上所述，本文吸附方法基本滿足了工程機械場景下的實時性要求，對智能化生產改造有一定的借鑒意義。

參考文獻

[1]袁振.世界級工程機械產業(yè)集群的發(fā)展探索[J].金屬加工：冷加工，2022（12）：4-6.

[2]Zeng D，Shi J，Zhan J，et al.A fast and global search method for grasping pose optimization in manufacturing[J].Journal of Intelligent amp; Fuzzy Systems， 2021，41（1）：1713-1726.

[3]高新聞，李帥青，金邦洋.基于DenseNet分類的隧道裂縫檢測研究[J].計算機測量與控制，2020，28（8）：58-61.

[4]李凱文，張濤，王銳，等.基于深度強化學習的組合優(yōu)化研究進展[J].自動化學報，2021，47（11）：2521-2537.

[5]張曉鳳，王秀英.灰狼優(yōu)化算法研究綜述[J].計算機科學，2019，46（3）：30-38.