Convolutional neural network for discrimination of tools for assistance robotics
Fecha
Autores
Jiménez Moreno, Robinson
Avilés, Oscar
Ovalle, Diana Marcela
Autor corporativo
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Distrital Francisco José de Caldas
Compartir
Director
Altmetric
Resumen
Descripción
In the present article, the training of a Convolutional Neuronal Network (CNN) for discrimination of tools commonly used in mechanical, electrical, carpentry and similar tasks, is exposed. For this purpose, training objectives include nippers, screwdrivers, scissors and pliers, in order to be classified by the network, allowing a robotic arm to identify a desired tool for its possible delivery to a user. The CNN architecture used for the network presents a 96% success rate in the identification of tools
En el presente artículo se expone el entrenamiento de una Red Neuronal Convolucional (RNC) para discriminación de herramientas de uso común en tareas de mecánica, electricidad, carpintería y similares. Para el caso, se toman como objetivos de entrenamiento pinzas, destornilladores, tijeras y alicates, los cuales puedan ser identificados por la red, y permite dotarle a un brazo robótico la facultad de identificar una herramienta deseada - de entre las anteriores - para su posible entrega a un usuario. La arquitectura neuro convolucional empleada para la red presenta un porcentaje de acierto del 96% en la identificación de las herramientas entrenadas.
En el presente artículo se expone el entrenamiento de una Red Neuronal Convolucional (RNC) para discriminación de herramientas de uso común en tareas de mecánica, electricidad, carpintería y similares. Para el caso, se toman como objetivos de entrenamiento pinzas, destornilladores, tijeras y alicates, los cuales puedan ser identificados por la red, y permite dotarle a un brazo robótico la facultad de identificar una herramienta deseada - de entre las anteriores - para su posible entrega a un usuario. La arquitectura neuro convolucional empleada para la red presenta un porcentaje de acierto del 96% en la identificación de las herramientas entrenadas.
Palabras clave
machine learning, deep learning, pattern recognition, CNN, assisted robotics, machine vision, aprendizaje de máquina, aprendizaje profundo, reconocimiento de patrones, RNC, robótica asistencial, visión de máquina