面向工业料箱拣选的鲁棒部件感知实例分割

工业料箱拣选是一项具有挑战性的任务，需要准确且鲁棒的单个物体实例分割。特别地，工业物体可能具有不规则形状，即细长且凹陷，而在料箱拣选场景中，物体常紧密堆叠并伴随严重遮挡。为应对这些挑战，我们构建了一种新颖的部件感知实例分割流程。其核心思想是将工业物体分解为相关的近似凸部件，并以部件级分割增强物体级分割。我们设计了一个部件感知网络来预测部件掩码与部件间偏移，随后通过部件聚合模块将识别出的部件组装为实例。为引导网络学习，我们还提出了一种自动标签解耦方案，从实例级标签生成真值部件级标签。最后，我们贡献了首个实例分割数据集，其包含多种细长和具有复杂形状的工业物体。在各种工业物体上的大量实验结果表明，与最先进的方法相比，我们的方法能取得最佳的分割结果。