基于深度学习的目标识别与抓取研究

针对机械臂抓取在工业生产中的复杂作业环境、不同零件之间存在干扰的问题，文章提出了一种基于深度学习的目标识别及抓取方法，以此来减少抓取场景中物体位置的不确定性，提高检测和抓取成功率。采用卷积注意力机制模块（convolutional block attention module,CBAM）对YOLO-V5进行改进，加强卷积网络对图像特征的关注和提取能力，提高检测精度。改进之后的网络平均识别率提高了5.26%，证明了改进是有效且成功的。通过AUBO-i5机械臂、电动夹爪、相机以及六轴力传感器等设备搭建了一套机械臂抓取系统，实验结果表明所提出的方法在实际抓取中可以适应不同的抓取场景，减少外界干扰，提高抓取成功率，具有良好的应用前景。