Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts

Detalhes bibliográficos
Autor(a) principal: Niño, Luisa Torquato
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/233319
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.
id UFSC_cc4d87b4ca1ecd14b8f63ad7650064e7
oai_identifier_str oai:repositorio.ufsc.br:123456789/233319
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft partsAplicação de redes neurais convolucionais para predição de qualidade no agarre de peças aeronáuticasautomated grasping systemsobject detectionconvolutional neural networkcomputer visionelectrical engineeringTCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.Agarre automatizado de objetos por robôs têm como um de seus principais desafios a necessidade de agarrar seguramente uma grande variedade de objetos. Para vencer esse desafio, bases de dados grandes são necessárias, especialmente em sistemas que adotam modelos de aprendizagem profunda. Entretanto, gerar esses dados com medições demanda tempo e dinheiro. Pesquisas atuais mostram que é possível agarrar uma grande variedade de objetos com alta precisão utilizando redes neurais convolucionais treinadas em dados sintéticos. Assim, este trabalho apresenta a implementação e análise da capacidade de generalização de uma rede convolucional pré-treinada em dados sintéticos, a Grasp Quality Convolutional Neural Network. Essa implementação também passa pelo sistema de aquisição de nuvens de pontos e imagens coloridas através de uma câmera RGB-D, o processamento desses dados, e a avaliação da qualidade das predições de agarre. Foi feita uma comparação entre a predição utilizando somente a nuvem de pontos e outra acompanhada de uma imagem de segmentação binária, constatando-se que esta última auxilia na fase de alinhamento para o reconhecimento do objeto e consequentemente impacta positivamente nos resultados obtidos. Apesar de ser testada em objetos com geometrias distintas daquelas vistas durante seu treinamento, a rede neural conseguiu generalizar e obteve 41.46% de predições de posição de agarre corretas utilizando como entrada nuvem de pontos e segmentação binária, o que é considerado um resultado positivo dada as milhares de possibilidades para escolha de posição de agarre.Robotic grasping of objects faces the challenge of reliably grasping a wide variety of objects. In order to overcome this, large datasets are required, especially in systems that adopt deep learning models. However, generating such data with measurements demands time and capital. Recent research shows that it is possible to grasp a wide variety of objects with high accuracy using Convolutional Neural Networks trained on synthetic data. Therefore, this work presents the deployment and analysis of the generalization ability of a convolutional network pre-trained on synthetic data, the Grasp Quality Convolutional Neural Network. This deployment also goes through the acquisition system of point clouds and colour images using an RGB-D camera, the processing of this data, and the quality evaluation of the grasp predictions. A comparison between the prediction using only the cloud of points and another one accompanied by a binary segmentation image was made, finding that the latter helps in the alignment phase for the recognition of the object and consequently impacts positively on the results obtained. Despite being tested on objects with different geometries from those seen during its training, the neural network was able to generalize and obtain 41.46% of correct grasp position predictions using point clouds and binary segmentation images as input, which can be regarded as a positive result, given the amount of possible positions for grasping an object.Florianópolis, SCFröhlich, Herberth BirckGeiger, KilianMayer, JoceliUniversidade Federal de Santa CatarinaNiño, Luisa Torquato2022-03-30T15:28:34Z2022-03-30T15:28:34Z2022-03-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis103application/pdfhttps://repositorio.ufsc.br/handle/123456789/233319info:eu-repo/semantics/openAccessengreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2022-03-30T15:28:34Zoai:repositorio.ufsc.br:123456789/233319Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-03-30T15:28:34Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
Aplicação de redes neurais convolucionais para predição de qualidade no agarre de peças aeronáuticas
title Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
spellingShingle Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
Niño, Luisa Torquato
automated grasping systems
object detection
convolutional neural network
computer vision
electrical engineering
title_short Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
title_full Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
title_fullStr Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
title_full_unstemmed Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
title_sort Application of Grasp Quality Convolutional Neural Network for robotic grasping of aircraft parts
author Niño, Luisa Torquato
author_facet Niño, Luisa Torquato
author_role author
dc.contributor.none.fl_str_mv Fröhlich, Herberth Birck
Geiger, Kilian
Mayer, Joceli
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Niño, Luisa Torquato
dc.subject.por.fl_str_mv automated grasping systems
object detection
convolutional neural network
computer vision
electrical engineering
topic automated grasping systems
object detection
convolutional neural network
computer vision
electrical engineering
description TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.
publishDate 2022
dc.date.none.fl_str_mv 2022-03-30T15:28:34Z
2022-03-30T15:28:34Z
2022-03-25
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/233319
url https://repositorio.ufsc.br/handle/123456789/233319
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 103
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC
publisher.none.fl_str_mv Florianópolis, SC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652182299344896