基于深度学习的分拣机器人目标智能定位仿真研究

黎明

（广东理工学院，广东 肇庆 526100）

0 引言

机器人通过图像识别技术，可以准确定位视觉系统，属于高科技发展成果。在工业化生产中，机器人属于重要智能设备，目标定位为重点运行部分。当工件轮廓简单时，工业生产朝着复杂化、多样化方向发展，研究面临问题多。基于智能技术支持，可以获取较多新成果[1]。在过程应用中，通过地图好特征、机器人系统状态地图，建设动态化模型，以此实现数据预测、更新与关联。在更新信息时，注重传输目标状态量均值，简化计算复杂度。按照相关实验结果显示，此种方法具备较强稳定性，然而应用效率低下。上位系统主要是应用可编辑逻辑控制器和高性能的触摸屏，控制中间层的机器人控制系统和外围包装辅助系统，下层为近期奇人系统控制方式，主要是应用一拖二方式实现。其中一套系统当中具备工业机器视觉系统，能够对两台机器人系统实施控制，确保工作高精度和高速。伺服系统主要是应用CAT网络，全面确保运行高效性[2]。针对机器人目标定位，属于重要运行操作，且研究成果面临准确性不足问题。按照深度学习机制，掌握分拣机器人定位方法。

1 基于深度学习的分拣机器人目标智能定位

1.1 分割工作环境

为了准确定位机器人，注重分割机器人工作环境。机器人运行期间，获取环境图像。通过图像分割法，能够对机器人工作环境予以分割。当前，在选用分割方式时，以单色图像为主，应用到灰度图像分割处理中，划分不同颜色空间与分量。通过标准方法，注重组合结果优化，获取分割结果。

工作环境分割操作时，通过幂次变换法，可以加强图像对比度。以幂次变换方法，能够拉伸图像暗灰位置，增加图像细节度，价钱图像亮度[3]。按照亮度分量均值，合理选择数值。当均值较低时，则表示图像亮度越低，此时可以拉伸图像。

图像序列分割流程中，应当明确阈值。利用最大类间方差法，在分割图像时，将其作为阈值分割依据。最大类间方差法，能够强化图像分割效果。通过图像灰度直方图、目标、类间方差比值，掌握图像分割阈值。通常而言，在获取阈值时，需要应用最大化类间方差，在分割操作时，遵循以下步骤：机器人运行期间，工作环境图像灰度为[1，2，…，L]，灰度级i像素数量为ni；总数量N=n1+n2+…n3+nL，表达式如下：

以图像灰度值为阈值，划分为A0、A1类别，则A0灰度范围为[1，2，…，t]；A1灰度级范围为[1，2，…，L]。通过上述分析可知，A0、A1概率表达式如下：

通过（4）式，计算最佳分割阈值，以此分割机器人工作环境图像，确保目标定位准确性。

1.2 分拣机器人目标定位

按照上文分析，在目标定位时，能够他准确参考依据。深度学习，是一种多层次结构模型，针对初始化模型权值，能够开展逐层监督训练，同时在训练过程中，可以避免出现局部最优，改进整个模型训练结果。深度学习中，首层：输入指纹向量，最终层次：输出坐标向量。中间层为隐藏层。针对第m'层、第m'+1层参数，需要应用(Wm',bm')描述。其中，Wm'—连接权值，bm'—偏移量。

假设第m'层激活向量为：

在（6）式中，f—sigmoid函数。

由于分拣机器人工作环境干扰因子多，极易受到噪声影响。为了降低噪声影响，需要提升定位效率。深度学习网络中，针对训练部分，应当注重降噪处理。对于目标样本，在统一位置进行采样，合理划分样本集合组别，简化采样过程。为了确保不同采样点具备不同直方图，应当确保采样点间距大于预设最小阈值。对随机对应点间刚体变换矩阵进行计算，确保其达到迭代次数。当满足设定次数时，则结束粗配准；若没有满足设定次数，则计算随机对应点间刚体变换矩阵。当采样数量相同时，选取参考点较少，使采样难度降低[4]。指纹样本内，包含较多噪声因子。在相同参考点，多采样测量，可以确保定位结构准确性。将Si,j，作为第i组、第j个样本，通过平均值，掌握第i组样本估计值。

在（7）式中，s—样本指纹向量。选取指纹样本均值，作为样本噪音处理结果。

根据稀疏自动编码器，进行深度学习网络训练，通过3层神经网络法，获取层次权值、偏移量。将训练权值、偏移量，作为不同层次参数初始值。

通过稀疏自动编码器训练时，可以发挥出结构降噪作用，保留指纹特征信息。

针对其他层，目标函数表达：

在分拣机器人运行期间，也面临较多现实问题。按照隐藏层节点，限制处理稀疏因素。对于稀疏性限制，即隐藏层节点激活占比，可以防止训练结果出现恒等情况。利用激活率，表达隐藏层节点激活比例。

开展逐层监督训练时，无法划分输入样本。为了保障样本分类效果，确保目标定位准确性。应用自动编码器时，需要应用softmax分类器。针对顶层编码层，围绕输出数据，进行softmax回归处理。利用法向传播器，可以实现深度学习，开展网络参数训练，确保定位结果输出准确性。

注重分类层权重值、隐藏层权重值调整，训练目标函数表达：

在（11）公式中，—函数最大时，深度学习网络参数取值；y—分类器的输入数据预测值；β1…βh—惩罚函数权重值；F1…Fh—惩罚函数。

采用（11）公式计算，可以掌握网络最佳参数，利用分类器，对各类输入数据信息预测，获得目标定位结果，保障分拣机器人运行效益。

2 实验结果与分析

基于深度学习，分拣机器人进行智能定位时，为了保证定位方法效果，开展一系列实验操作。实验计算配置如下：中央处理器内存为12G。选择某加工厂分拣机器人，联合计算机系统[5]。基于实验指标，对技术方法进行验证。第一，定位准确性；第二，定位耗时。图1为实验结果图：

图1 实验结果准确性

定位准确率，能够对机器人定位精度进行判断。基于图1内容可知，分拣机器人智能定位方法准确率比较高，均超过89%。机器人运行过程中，注重目标定位，利用彩色图像、空间序列、类间方差法，确保机器人工作环境分隔合理性，以此加强机器人定位精度。

通过分析结果可知，随着实验次数持续增加，相应加大定位耗时波动，此种方法的可靠性不足。按照深度学习机制，在分拣机器人运行期间，应当注重智能定位处理，对工作环境影响因素进行分析，全面提升定位效率。基于深度学习网络，选择适宜训练内容，合理融入降噪训练，规避定位噪声，控制定位时间消耗。采用以上操作方法，对分拣机器人定位效率、精度予以验证，应用优势显著[6]。

3 结语

综上所述，机器人目标定位，属于基础性能指标，也成为了基础功能。在当前研究成果中，性能不足与缺陷比较常见，采用深度学习机制，准确定位分拣机器人，推广应用智能定位方法。机器人运行期间，注重工作环境图像分割，在目标定位时，可以提供准确化参考依据。通过深度学习算法、逐层训练方式，掌握最佳训练参数。顶层设置分类器，确保目标定位准备。利用试验结果可以看出，本文所提出的方法具备可实践性、鲁棒性优势。