Grasping Point Detection Using Monocular Camera Image Processing and Knowledge of Center of Gravity

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25530%2F22%3A39919571" target="_blank" >RIV/00216275:25530/22:39919571 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-031-09076-9_48" target="_blank" >http://dx.doi.org/10.1007/978-3-031-09076-9_48</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-09076-9_48" target="_blank" >10.1007/978-3-031-09076-9_48</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Grasping Point Detection Using Monocular Camera Image Processing and Knowledge of Center of Gravity

Popis výsledku v původním jazyce

The ability to grasp objects is one of the basic functions of modern industrial robots. In this article, the focus is placed on a system for processing the image provided by a robot visual perception system leading to the detection of objects grasping points. The proposed processing system is based on a multi-step method using convolutional neural networks (CNN). The first step is to use the first CNN to transform the input image into a schematic image with labeled objects centers of gravity, which then serves as a supporting input to the second CNN. In this second CNN, original input and supporting input images are used to obtain a schematic image containing the grasping points of the objects. This solution is further compared with a network providing grasping points directly from the input image. As a result, the proposed method provided a 0.7% improvement in the average intersection over union for all of the models.

Název v anglickém jazyce

Grasping Point Detection Using Monocular Camera Image Processing and Knowledge of Center of Gravity

Popis výsledku anglicky

The ability to grasp objects is one of the basic functions of modern industrial robots. In this article, the focus is placed on a system for processing the image provided by a robot visual perception system leading to the detection of objects grasping points. The proposed processing system is based on a multi-step method using convolutional neural networks (CNN). The first step is to use the first CNN to transform the input image into a schematic image with labeled objects centers of gravity, which then serves as a supporting input to the second CNN. In this second CNN, original input and supporting input images are used to obtain a schematic image containing the grasping points of the objects. This solution is further compared with a network providing grasping points directly from the input image. As a result, the proposed method provided a 0.7% improvement in the average intersection over union for all of the models.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/EF17_049%2F0008394" target="_blank" >EF17_049/0008394: Spolupráce Univerzity Pardubice a aplikační sféry v aplikačně orientovaném výzkumu lokačních, detekčních a simulačních systémů pro dopravní a přepravní procesy (PosiTrans)</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Artificial Intelligence Trends in Systems : proceedings of 11th Computer science on-line conference 2022, Vol. 2

ISBN

978-3-031-09075-2

ISSN

2367-3370

e-ISSN

2367-3389

Počet stran výsledku

11

Strana od-do

531-541

Název nakladatele

Springer Nature Switzerland AG

Místo vydání

Cham

Místo konání akce

ONLINE

Datum konání akce

26. 4. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000893642100048