基于RGB和IR图像的干洗机布卡的深度学习检测,用于机器人自动化系统
1Smart Manufacturing Research Group, Korea Food Research Institute, 245, Nongsaengmyeong-ro, Iseo-myeon, Wanju-gun, 55365, Jeollabuk-do, Republic of Korea.
Scientific reports
|August 28, 2025
概括
需要机器人进行分类和装载. 这项研究开发了一种使用融合RGB和红外图像的深度学习模型,用于准确地检测和分类干燥的洗机.
科学领域:
- 机器人和自动化
- 计算机视觉
- 人工智能
背景情况:
- 在Kimbugak制造中,手动分类和加载限制了可扩展性,并增加了工人的工作量.
- 目前的自动化挑战需要先进的物体检测和机器人集成的分类.
研究的目的:
- 开发一个深度学习模型来检测和分类干燥的洗布加克的物理特征.
- 通过增强的图像分析,实现Kimbugak生产中的机器人选择和放置操作.
主要方法:
- 使用你只看一次 (YOLO) 和实时检测变压器 (RT-DETR) 模型.
- 使用视觉几何组19层 (VGG19) 网络实现融合的RGB和红外 (IR) 图像,以提高输入质量.
- 确定了至少五个物理类别以实现有效的机器人处理.
主要成果:
- YOLOv11l模型的F1得分为0.94和mAP@0.5的0.95,表现优于YOLOv8s.
- 基于VGG的图像融合显著提高了干燥洗布加克的检测精度.
- 通过深度学习方法证明了自动分类和加载的可行性.
结论:
- 基于VGG的图像融合与YOLOv11l相结合,为分类和定位干布加提供了最佳解决方案.
- 这项研究强调了定义物理类,多模式图像融合和自动化检测器选择的重要性.
- 这项研究为Kimbugak制造业的高效机器人自动化铺平了道路.


