因此，如果机器人连续3次在同一物体上发生故障，我们就将该次实验定义为失败，而如果机器人成功抓取场景中的前10个物体，我们就将该次实验定义为成功。我们使用经过主动探索优化后的AffordanceMap与只使用AffordanceMap系统进行了20个不同场景的抓取实验。记录每次操作的结果。实验结果表明，在主动探索优化后，系统在抓取成功率和实验成功率方面均表现得更好。与仅用AffordanceMap相比，增加主动探索降低了重复无效操作出现的可能性，使得系统对环境的适应能力更强。主动探索前主动探索后4.结论在这项工作中，我们提出了一种新型的机器人抓取系统，该系统包括一个吸盘和一个平行手爪的复合机械手。同时，系统采用了基于DQN的主动探索方法，实现了在复杂环境下对目标的智能抓取。通过机器人主动探索和改变环境，能够得到一个更好的AffordanceMap。实验结果说明，使用复合机械手进行抓取效率更高。
视觉项目前期需求分析阶段，我们会得到一系列样品进行测试，那么，这些样品的测试，我们是***性的进行测试，这些样品是客户认为的缺陷，那么这些缺陷是有专人进行挑选的，那么我们在前期光学实验，进行打光测试，在实验室是可以得到较好的效果，但是一去现场调试，你会发现很多“工程问题”，那就是当前光学环境下成像会把很多OK产品误判成NG产品，或者是一些产品上带的油污或者其他影像视觉检测的外部原因，或者是当前产品上的前序工艺造成的不可避免的印记，但这些客户又不认为的缺陷的产品。NG吗，不是的，这是OK品这在前期需求评估方面，你是不知道会存在这种情况的，在实际运行中，就会出现这种问题，那么我们该如何解决呢？光学系这是靠谱的方式，改变光学系统，比如，某种缺陷，只在暗场照明（低角度）解决，另一种，只是用直射照明，比如同轴，90度光，在上面图中，如果使用漫射板环光，那么图像就是一坨黑色，但是使用同轴光，那么这个问题就可以很好地解决。
当前，随着视觉可视化技术的快速发展，传统依赖于人来完成的产品缺陷检测过程正在逐步被更加***的智能化视觉系统所替代。同时，作为推进工厂智能化的重要手段，视觉检测技术应用的逐步落地，也在引发制造企业对视觉检测技术的关注。制造业传统质检手段面临的挑战在制造业，传统的产品质检过程基本都是依赖于人来完成，依据人员的经验来检测和判断产品是否合格或能进入到下一道工序。但随着业务量的增多，依赖人员的产品质检方式正在面临巨大的挑战。首先，业务量的不断增加需要企业招聘更多的质检人员参与进来才能保证产品的终质量。但这会极大的增加人力成本投入，通常情况下，由于质检岗位价值体现度不高，职位的吸引力比较低，招工异常困难。其次，由于人工质检容易受到个人情绪、态度以及经验的影响，很难保证很高的产品合格率，而且传统质检设备存在准确率低、误报率高和灵活性差等问题。第三，数据价值无法得到充分的发挥。由于传统质检大多依赖于人工来完成，很多有价值的数据无法及时进行采集，数据没有被记录，就无法对检测过程的数据进行有效分析，影响工艺的改进。因为传统的依赖人工的质检进程存在诸多问题，即影响功率也提高了成本，更无法经过对检测进程数据的收集来改善产品设计工艺和质量，严重制约了企业市场竞争力的提高。
版权所有©2025 产品网
