توسعه یک مدل شبکه عصبی کانولوشنال برای بهینه سازی عملکرد بینایی ربات ها در محیطهای صنعتی با ترافیک باال

در محیطهای صنعتی با ترافیک باال، کارایی و دقت ربات ها در تشخیص و تعامل با اشیاء محیط اهمیت بسزایی دارد. در این مقاله، از شبکه های عصبی کانولوشنی عمیق بهره گرفته شده است تا عملکرد بینایی ربات های صنعتی در محیطهای با ترافیک بالا بهبود یابد. داده های تصویری جمع آوری شده از دوربین ها و سنسورهای ربات ها از طریق مدل های پیشرفته مانند GoogleNet و AlexNet پردازش می شوند. برای کارایی بیشتر، این شبکه ها با لایه های حافظه طوالنی مدت کوتاه (LSTM) ترکیب شده اند. نوآوری اصلی این پژوهش در این است که ما از ویژگیهای استخراج شده توسط شبکه های کانولوشنی برای آموزش شبکه های LSTM بهره می بریم. این فرآیند در لایه ادغام رخ می دهد، جایی که پیش بینیها از هر دو نوع شبکه ترکیب می شوند تا تصمیم نهایی اتخاذ شود. در محیطهای صنعتی با ترافیک باال، تعداد زیادی از عوامل و اشیاء موجود است که باید توسط ربات تشخیص داده شوند. به همین دلیل، شبکه ها باید به صورتی طراحی شوند که می توانند به سرعت و دقت بالا تصمیم های مناسب را اتخاذ کنند. شبکه های عصبی کانولوشنی به این منظور طراحی شده اند که دقت باالیی در تشخیص اشیاء از تصاویر داشته باشند، و با ترکیب آنها با شبکه های LSTM، قابلیت پیشبینی و تصمیم گیری در مواقع پیچیده افزایش می یابد.

کلیدواژه ها:

شبکه عصبی کانولوشنی ، رباتهای صنعتی ، بینایی ماشین ، محیطهای پرترافیک ، شبکه های LSTM