梅卡曼德深度学习

一、概述

梅卡曼德深度学习模块主要用于3D视觉引导机器人抓取领域，当传统3D匹配/聚类方法效果不佳时，可采用深度学习辅助识别。

二、适用场景

场景 传统方法痛点 深度学习效果
高反光工件 点云质量差 辅助识别
特征点少的工件 匹配失败 提取图像特征
紧密贴合工件 聚类不准确 实例分割
纯2D特征工件 点云特征丢失 仅用彩色图识别
高节拍要求 匹配时间长 深度学习预筛选加速

三、工作流程

1
准备 → 训练 → 配置使用 → 迭代

1. 准备工作

  • 工控机要求：
    • Pro-Run：Win10+，i7-6700+，8GB+内存，GTX1660+
    • Pro-Train：i7+，16GB+，RTX3060+
  • 图像采集：使用实际业务工程，开启数据保存功能
  • 图像数量要求：
    • 刚性工件：40-120张（根据单品/多品/散乱等）
    • 麻袋：20-30张
    • 纸箱：30-70张

2. 训练模型（Mech-DLK）

  • 新建工程 → 选择算法 → 导入图像 → 标注 → 训练 → 验证 → 导出模型包

3. 配置使用（Mech-Vision）

  • 在 Mech-Vision 中配置模型包，通过推理步骤使用

4. 迭代模型

  • 推荐使用”模型微调”方式迭代，保持准确率且节省时间

四、算法模块

实例分割（Instance Segmentation）：可分割紧密排布的纸箱/麻袋，分离每个目标物体轮廓并输出类别标签。

适用场景：

  • 拆码垛：纸箱、周转箱、麻袋
  • 上下料：复杂工件、转子、链轨节