Resumen

La detección de defectos en paredes es una función importante para los robots autónomos de decoración. Los métodos de detección de objetos basados en redes neuronales profundas requieren un gran número de imágenes con cuadros delimitadores hechos a mano para el entrenamiento. Sin embargo, construir grandes conjuntos de datos de forma manual es poco práctico, ya que es un proceso que consume mucho tiempo y mano de obra. En este trabajo, resolvemos este problema proponiendo un algoritmo de detección de defectos en paredes de baja cantidad de disparos utilizando aprendizaje profundo por refuerzo (DRL) para robots autónomos de decoración. Nuestro algoritmo primero utiliza la red de propuesta de atención (APN) para generar regiones de atención y aplica AlexNet para extraer las características de los parches de atención para reducir aún más la computación. Finalmente, entrenamos nuestro método con aprendizaje profundo por refuerzo para aprender la política de detección óptima. Los experimentos se implementan en un conjunto de datos de baja cantidad de disparos en el que las imágenes se

• Materias:Trituradora robótica Análisis cinemático Robots de articulación flexible Robot autónomo Articulación robótica
• Subjects:Robotic shredder Kinematic analysis Flexible joint robots Robot autonomous Robotic articulation
• Palabras claves:Detección de defectos en paredes; Aprendizaje profundo por refuerzo; Métodos de detección de objetos; Red de propuesta de atención; Robots autónomos de decoración; Conjunto de datos de baja intensidad de disparo
• Keywords:Wall defect detection; Deep reinforcement learning; Object detection methods; Attention proposal network; Autonomous decoration robots; Low-shot dataset