轻量级卷积神经网络的机器人抓取检测研究

来源：计算机工程与应用杂志2020年第10期北京时间：

作者：马倩倩，李晓娟，施智平

单位：1.首都师范大学 信息工程学院，北京 100048；2.首都师范大学 轻型工业机器人与安全验证北京市重点实验室，北京 100048；3.首都师范大学 成像技术北京市高精尖创新中心，北京 100048

摘要：卷积神经网络在基于视觉的机器人抓取检测任务上取得了较好的检测效果，但是大多数方法都有太多的计算参数，不适合资源有限的系统。针对这个问题，基于SqueezeNet轻量级神经网络，结合DenseNet多旁路连接加强特征复用的思想，提出了轻量级抓取检测回归模型SqueezeNet-RM（SqueezeNet Regression Model），并使用SqueezeNet-RM从RGB-D图像中提取多模态特征，预测二指机器人夹持器的最佳抓取位姿。在标准的康奈尔抓取数据集上，提出的轻量级抓取检测网络与经典的抓取检测方法相比，在保证检测准确率不降低的情况下，模型占用更少的存储空间，表现出更快的检测速度和更高的泛化性能，所提出的模型占用的存储空间比AlexNet模型减少86.97%，平均检测速度快3倍，适用于FPGA（Field Programmable Gate Array）或者资源受限的移动机器人抓取检测系统。

关键词：深度学习,DenseNet,SqueezeNet,机器人抓取检测,轻量级卷积神经网络