3D引导抓取
- 如何减少漏识别情况？
-
-
检查采集的数据量是否足够。
-
检查是否标注了所有需要识别的物体，禁止出现漏标注情况。
-
- 如何减少轴棒模型的误识别情况？
-
-
提高图像质量：调整相机的 2D 曝光参数。
-
提高标注质量：增加用于训练的图像数据，精确标注待识别的轴棒，禁止出现漏标注情况。
-
重新训练模型。
-
- 如何用 Mech-DLK 训练小工件的高精度实例分割模型？
-
可级联多个算法模块对复杂场景进行细分，需要根据各个模块的识别目标有针对性地进行数据采集及标注，才能保证模型效果。可参考3D视觉引导曲轴上料案例。
- 如何训练用于区分工件正反面的模型？
-
-
训练实例分割模型：分割图像中所有待识别的工件。
-
训练图像分类模型：将分割出的单个工件图像标注为正面或反面。
如果原始图像中正反面工件的区分特征明显，且数据量充足，可直接使用实例分割模型，创建正面和反面标签，分割并标注工件。
-
- 如何训练用于区分工件朝向的模型？
-
-
训练实例分割模型：分割图像中所有待识别的工件。
-
训练目标检测模型：标注工件上的明显图案或文字特征，根据特征调整机器人的抓取位姿。
-
- 模型无法区分带有接缝的单个大纸箱和紧贴放置的两个小纸箱，如何解决这个问题？
-
通常情况下，可采集识别效果不佳的图像进行模型迭代，提高模型的准确性。然而，当识别目标具有极度相似的特征时，即使通过人工也难以准确区分。在这种情况下，即使经过多次模型迭代，也可能无法保证准确性。可根据实际应用环境采取以下方法解决这一问题：
-
遮挡模糊特征。例如，使用不透明胶带覆盖大纸箱的接缝，避免单个大纸箱被误识别为两个小纸箱。
-
独立训练模型。分别采集两种箱子的图像并训练两个模型，并确保两种箱子不会同时出现。
-
统一识别标准。例如，不论实际箱子类型如何，训练模型将所有箱子识别为小箱子。但这种方法可能导致无法成功抓取大箱子。同样，也可以将所有箱子识别为大箱子，但这可能导致一次抓取到两个小箱子。
-
- 料筐抓取场景下适合使用深度学习吗？
-
深度学习适用于料筐抓取场景，因为它能够在复杂环境中有效识别和定位物体，并能适应光照、视角和背景变化。但如果训练数据与实际应用场景差异过大，模型的推理效果可能受到影响。此外，深度学习需要大量数据进行训练，对于小规模工业应用可能难以实现。
对于光照均匀、工件数量较少的场景，可以使用模板匹配或基于特征的机器视觉方法，这些方法需要的训练数据较少，甚至不需要训练数据。
无论采用哪种方法，在生产部署时都需要进行充分测试，随着环境条件的变化，还需要持续关注模型表现并迭代或重新训练模型，以确保系统在实际操作条件下的可靠性。