基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

源码下载地址

点击这里下载源码文章来源地址https://www.toymoban.com/news/detail-753260.html

项目介绍

基于Pytorch深度学习框架进行整体环境搭建，包括数据集制作，模型训练，模型测试，模型优化；基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征。

一、针对机器人多物体抓取检测研究问题，选用Cascade R-CNN为基础网络框架，Cascade R-CNN是通用目标检测中表现较好的一种级联算法，其特点是速度快，检测精度高。

二、首先构建一个由三十二类对象组成的多目标抓取数据集( MOGD )。解决当前多物体抓取数据集较为缺乏的问题，并便于对多目标抓取检测模型进行评估。

三、由于平行夹持器的对称性，角度参数的取值不大于180°，我们的取向角θ被量化为R个部分( 每一部分相对于抓取矩形的中心进行划分 )。在我们的工作中，设R = 19。

四、多物体抓取数据集采用的标注方式与康奈尔抓取数据集基本一致，因此多物体检测与单物体检测方法相似，将抓取检测转化为目标定位加上角度分类问题，将各物体抓取框与水平方向的夹角转化成19个类别，包括一个背景类以提供负样本，采用Json格式存储训练和测试样本，对每一个标签都注明对应图像ID，抓取框的中心点坐标和宽高以及角度分类ID，这种存储格式符合COCO目标检测数据集规范。
检测图

界面预览

基于kinova机器人搭建实际抓取环境；采用级联网络Cascade R-CNN提取特征,机器学习,机器人,cnn,人工智能

项目备注

1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！
2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。
3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可用于毕设、课设、作业等。
下载后请首先打开README.md文件（如有），仅供学习参考, 切勿用于商业用途。