异常三元组网络：考虑遮挡的基于深度度量学习的手工装配进度识别模型
计算机视觉与模式识别
2025-01-08 v1
摘要
本文提出一种考虑遮挡的基于深度度量学习的进度识别方法，用于可视化工厂中的产品装配过程。首先，使用基于深度学习的目标检测方法从工厂固定摄像头获取的图像中检测目标装配产品。然后，从图像中裁剪检测区域。最后，在裁剪图像上使用基于深度度量学习的分类方法，将产品装配工作的进度估计为粗略的进度步骤。作为具体的进度估计模型，我们提出异常三元组网络（Anomaly Triplet-Net），它在三元组损失中添加异常样本以考虑遮挡进行进度估计。实验中，使用异常三元组网络的进度估计方法达到了82.9%的成功率。我们还对检测、裁剪和进度估计序列的实用性进行了实验，并确认了整体系统的有效性。
引用
@article{arxiv.2501.03533,
title = {Anomaly Triplet-Net: Progress Recognition Model Using Deep Metric Learning Considering Occlusion for Manual Assembly Work},
author = {Takumi Kitsukawa and Kazuma Miura and Shigeki Yumoto and Sarthak Pathak and Alessandro Moro and Kazunori Umeda},
journal= {arXiv preprint arXiv:2501.03533},
year = {2025}
}
备注
This paper has been peer-reviewed, revised, and published in Advanced Robotics