3D打印网-中国3D打印门户移动版

基于Mask R-CNN的目标检测模块示例。估计的边界框和零件分割用不同的颜色描绘，并用识别建议和置信度标记。我们拒绝置信度低于95％的检测。
      研究人员写道：“首先，基于Mask R-CNN的深度神经网络对RGB图像中的对象进行分类，并执行实例分割，从而提供按像素的对象分类。”将转移学习应用于预先训练的模型，因此网络可以以较高的检测率对垃圾箱中的新一类物体进行分类。第二，通过估计边界框并计算分段点云的质心来完成零件的姿态估计。每个对象的点云都经过了优化（例如，统计上的异常值去除，法线平滑等），并用于验证是否可以通过吸力拾取对象（即，暴露的表面必须大于吸盘面积）。”
        拾取和清洁模块由多个运动原语组成，其中第一个是拾取或抽吸。机器人通过在零件上移动吸盘来拾取表面几乎平坦且裸露的零件，并通过顺应的力控制指示何时停止向下运动。它会检查吸盘停止在其上的高度是否与预期高度相符，然后提起吸盘，同时系统会“不断检查力扭矩传感器”以确保没有碰撞。清洁运动原语可清除几乎平坦的3D打印零件中的残留碎屑和粉末。零件位于刷架上方，顺应的力控制使机器人移动直到它们接触为止。为了保持零件和电刷之间的接触，使用了混合位置/力控制方案。研究人员解释说：“清洁轨迹的计划遵循两种模式：螺旋形和直线形。” “尽管螺旋运动非常适合于清洁几乎平坦的表面，但直线运动有助于去除凹入区域中的粉末。”

       螺旋路径和直线路径的组合用于清洁运动。螺旋路径为红色。黄点表示运动开始时各部分的质心。修改了螺旋路径，以使它们在达到最大半径后继续使点成圆。视网膜路径为蓝色，参数包括XY平面中的宽度，高度和方向。
          团队使用十种3D打印的鞋垫测试了他们的系统。通过在清洁前后对部件进行称重来评估其清洁质量，并且与熟练的操作员相比，研究人员报告了该系统在真实环境下的运行时间。在清洁质量方面，该机器人系统的性能几乎降低了两倍，这“引发了人们如何进一步提高任务效率的疑问。”人类在刷牙上花费了超过95％的执行时间，而系统仅执行了40％的刷牙动作；这是由于一个人的“在执行感测和灵巧操作方面的高级技能”。但是，如果将刷牙时间限制为20秒，则会降低清洁质量，这可能意味着通过升级清洁台和“延长刷牙时间”可以提高清洁质量。此外，人类可以根据需要调整动作，因此获得了更加一致的结果。研究人员认为，将清洁度评估模块与第二个3D相机一起添加到他们的系统中将对此有所改善。

用于清洗的动作的平均时间线表示。
     中国3D打印网原创文章！