一种基于卷积神经网络的工业机器人控制系统的制作方法

1.本发明涉及机器人技术领域，特别涉及一种基于卷积神经网络的工业机器人控制系统。


背景技术：

2.目前，在现代工业生产过程中，随着工业机器人在工业领域的广泛应用，一些不适合于人工作业的危险工作环境或简单而重复的大批量工业生产操作已经逐步被机器作业替代。现有技术中，通过手势指令可以控制机器人执行相应动作，但是在现有技术中无法准确识别手势，导致确定的控制指令的错误，存在极大的安全隐患，降低了对工业机器人控制的准确性。


技术实现要素：

3.本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种基于卷积神经网络的工业机器人控制系统，准确识别用户的手部图像，确定准确的控制指令，提高对工业机器人控制的准确性。
4.为达到上述目的，本发明实施例提出了一种基于卷积神经网络的工业机器人控制系统，包括：
5.构建模块，用于：
6.获取样本手部图像，对样本手部图像进行标签标注，所述标签包括样本特征信息及样本手势信息；
7.基于标注后的样本手部图像构建卷积神经网络；
8.获取模块，用于获取用户的手部图像；
9.第一确定模块，用于将所述手部图像输入到卷积神经网络中，确定目标手势信息；
10.第二确定模块，用于根据目标手势信息查询预设的手势-控制指令数据表，确定目标控制指令并发送至工业机器人的执行模块。
11.根据本发明的一些实施例，所述构建模块，包括：
12.标注模块，用于获取样本手部图像，对样本手部图像进行特征提取，确定样本特征信息；将样本特征信息及样本手势信息作为标签进行标注；
13.训练模块，用于基于标注后的样本手部图像对构建的初始卷积神经网络进行训练，在确定输出标签与标注标签一致时，得到训练好的卷积神经网络。
14.根据本发明的一些实施例，第一确定模块，包括：
15.提取模块，用于对手部图像进行特征提取，得到特征信息；
16.卷积模块，用于将所述特征信息经过卷积神经网络中的卷积层和池化层得到卷积特征图；
17.输出模块，用于基于卷积神经网络中的感兴趣区域层处理最后一个卷积层得到特征图，再将处理最后一个卷积层得到特征图提取的向量输入到全连接层，确定最终用于确
定目标手势信息的特征并计算执行识别任务的损失，基于卷积神经网络中的输出层输出目标手势信息。
18.根据本发明的一些实施例，所述提取模块，包括：
19.分割模块，用于：
20.提取所述手部图像的纹理特征；
21.根据k-means聚类算法，分割所述手部图像的像素；
22.设置模块，用于设置目标纹理特征；
23.聚类模块，用于聚类具有目标纹理特征的像素，得到特征信息。
24.根据本发明的一些实施例，所述聚类模块，包括：
25.转化模块，用于聚类具有目标纹理特征的像素，并转化为灰度图像；
26.第三确定模块，用于：
27.基于sobel算子检测出灰度图像的边缘，根据高和宽的像素点的数量确定基于具有目标纹理特征的像素构建的区域的图像尺寸；
28.基于每个像素点的图像尺寸与实际尺寸的关联关系，确定具有目标纹理特征的像素构建的区域的实际尺寸，作为特征信息。
29.根据本发明的一些实施例，第一确定模块，还用于：
30.对手部图像的噪声点进行检测，并对检测出的噪声点进行过滤处理；
31.对过滤处理后的手部图像进行感兴趣区域检测，确定感兴趣区域并进行区域分割，确定感兴趣区域对应的手部图像，将感兴趣区域对应的手部图像输入到卷积神经网络中，确定目标手势信息。
32.根据本发明的一些实施例，还包括：报警模块，用于：
33.在工业机器人的执行模块执行目标控制指令时，获取执行模块的运动状况信息；所述运动状况信息包括运动轨迹、动力控制参数、足底控制参数、质心控制参数；
34.根据所述运动状况信息确定执行模块的平衡状态信息；
35.在确定平衡状态信息与预设平衡状态信息不一致时，发出报警提示。
36.根据本发明的一些实施例，还包括：监控模块，用于在工业机器人的执行模块执行目标控制指令时，监控执行模块的各驱动关节输出的位置角度和末端负载惯量，确定监控信息并发送至显示端进行显示。
37.根据本发明的一些实施例，还包括：图像处理模块，用于：对手部图像进行修正，得到修正后的手部图像；
38.所述图像处理模块，包括：
39.降噪模块，用于：
40.对手部图像进行高斯滤波，得到滤波图像；
41.对滤波图像进行形态学运算，得到运算图像；
42.将运算图像与滤波图像进行相减处理，得到降噪图像；
43.确定降噪图像中的背景轮廓信息，基于背景轮廓信息将降噪图像分为前景图像和背景图像；
44.修正模块，用于：
45.对背景图像进行修正，得到修正背景图像；
46.对前景图像进行修正，得到修正前景图像；
47.融合模块，用于根据修正背景图像和修正前景图像进行图像融合，确定修正后的手部图像。
48.根据本发明的一些实施例，所述修正模块，包括：
49.调节模块，用于：
50.获取背景图像中每个像素点的颜色值；所述颜色值包括r通道值、g通道值、b通道值；
51.将背景图像中每个像素点的颜色值输入预先训练好的调节模型中，输出每个像素点的修正亮度值并进行调节，得到修正背景图像；所述调节模型中包括颜色值与亮度调整的对应关系；
52.第四确定模块，用于：
53.确定前景图像中每个像素点的亮度值，并与预设亮度值进行比较，确定亮度值小于预设亮度值的像素点，作为待调整像素点；
54.以待调整像素点为中心，构建3*3的像素点矩阵；
55.确定像素点矩阵的亮度均值；
56.确定像素点矩阵中像素点的最大亮度值与最小亮度值；
57.根据亮度均值、最大亮度值及最小亮度值确定目标亮度值；
58.根据目标亮度值及待调整像素点的亮度值确定调节系数并进行调整，得到修正前景图像。
59.本发明提出了一种基于卷积神经网络的工业机器人控制系统，基于样本手部图像进行标签标注，构建卷积神经网络，基于将所述手部图像输入到卷积神经网络中，准确识别目标手势信息，查询预设的手势-控制指令数据表，准确确定目标控制指令，并发送至工业机器人的执行模块。准确识别用户的手部图像，确定准确的控制指令，提高对工业机器人控制的准确性。
60.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
61.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
62.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
63.图1是根据本发明一个实施例的一种基于卷积神经网络的工业机器人控制系统的框图；
64.图2是根据本发明一个实施例的构建模块的框图；
65.图3是根据本发明一个实施例的第一确定模块的框图。
具体实施方式
66.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实
施例仅用于说明和解释本发明，并不用于限定本发明。
67.如图1所示，本发明实施例提出了一种基于卷积神经网络的工业机器人控制系统，包括：
68.构建模块，用于：
69.获取样本手部图像，对样本手部图像进行标签标注，所述标签包括样本特征信息及样本手势信息；
70.基于标注后的样本手部图像构建卷积神经网络；
71.获取模块，用于获取用户的手部图像；
72.第一确定模块，用于将所述手部图像输入到卷积神经网络中，确定目标手势信息；
73.第二确定模块，用于根据目标手势信息查询预设的手势-控制指令数据表，确定目标控制指令并发送至工业机器人的执行模块。
74.上述技术方案的工作原理：该实施例中，确定样本特征信息的方法，包括：提取样本手部图像的纹理特征；根据k-means聚类算法，分割样本手部图像的像素；设置目标纹理特征；聚类具有目标纹理特征的像素，得到样本特征信息。样本特征信息为样本手部图像中具有目标纹理特征的像素构建的区域的实际尺寸。
75.该实施例中，样本手势信息为样本手部图像中包括的手势。
76.该实施例中，目标手势信息为手部图像中包括的手势。
77.上述技术方案的有益效果：基于样本手部图像进行标签标注，构建卷积神经网络，基于将所述手部图像输入到卷积神经网络中，准确识别目标手势信息，查询预设的手势-控制指令数据表，准确确定目标控制指令，并发送至工业机器人的执行模块。准确识别用户的手部图像，确定准确的控制指令，提高对工业机器人控制的准确性。
78.如图2所示，根据本发明的一些实施例，所述构建模块，包括：
79.标注模块，用于获取样本手部图像，对样本手部图像进行特征提取，确定样本特征信息；将样本特征信息及样本手势信息作为标签进行标注；
80.训练模块，用于基于标注后的样本手部图像对构建的初始卷积神经网络进行训练，在确定输出标签与标注标签一致时，得到训练好的卷积神经网络。
81.上述技术方案的工作原理及有益效果：输出标签包括输出的实际样本特征信息及实际样本手势信息。标注模块，用于获取样本手部图像，对样本手部图像进行特征提取，确定样本特征信息；将样本特征信息及样本手势信息作为标签进行标注；训练模块，用于基于标注后的样本手部图像对构建的初始卷积神经网络进行训练，在确定输出标签与标注标签一致时，得到训练好的卷积神经网络。实际样本特征信息属于中间特征向量、实际样本手势信息属于最终输出的特征结果。本技术中基于输出标签与标注标签进行比较，即对中间特征向量，实际样本特征信息及样本特征信息进行比较，及对特征结果，实际样本手势信息及样本手势信息进行比较，实现对将整个训练过程中的重要参数进行比较，便于提高训练的准确性，及时发现训练过程中的待优化参数，提高训练的效率及准确性。
82.如图3所示，根据本发明的一些实施例，第一确定模块，包括：
83.提取模块，用于对手部图像进行特征提取，得到特征信息；
84.卷积模块，用于将所述特征信息经过卷积神经网络中的卷积层和池化层得到卷积特征图；
85.输出模块，用于基于卷积神经网络中的感兴趣区域层处理最后一个卷积层得到特征图，再将处理最后一个卷积层得到特征图提取的向量输入到全连接层，确定最终用于确定目标手势信息的特征并计算执行识别任务的损失，基于卷积神经网络中的输出层输出目标手势信息。
86.上述技术方案的工作原理及有益效果：提取模块，用于对手部图像进行特征提取，得到特征信息；卷积模块，用于将所述特征信息经过卷积神经网络中的卷积层和池化层得到卷积特征图；输出模块，用于基于卷积神经网络中的感兴趣区域层处理最后一个卷积层得到特征图，再将处理最后一个卷积层得到特征图提取的向量输入到全连接层，确定最终用于确定目标手势信息的特征并计算执行识别任务的损失，基于卷积神经网络中的输出层输出目标手势信息。便于基于卷积神经网络实现对手部图像的准确识别，确定准确的目标手势信息。
87.根据本发明的一些实施例，所述提取模块，包括：
88.分割模块，用于：
89.提取所述手部图像的纹理特征；
90.根据k-means聚类算法，分割所述手部图像的像素；
91.设置模块，用于设置目标纹理特征；
92.聚类模块，用于聚类具有目标纹理特征的像素，得到特征信息。
93.上述技术方案的工作原理及有益效果：该实施例中，目标纹理特征为手部对应的纹理特征。分割模块，提取所述手部图像的纹理特征；根据k-means聚类算法，分割所述手部图像的像素；设置模块，用于设置目标纹理特征；聚类模块，用于聚类具有目标纹理特征的像素，得到特征信息。便于剔除非目标纹理特征的像素，减少了数据处理量，聚类具有目标纹理特征的像素提高了数据处理速率，同时也便于提高确定特征信息的准确性。
94.根据本发明的一些实施例，所述聚类模块，包括：
95.转化模块，用于聚类具有目标纹理特征的像素，并转化为灰度图像；
96.第三确定模块，用于：
97.基于sobel算子检测出灰度图像的边缘，根据高和宽的像素点的数量确定基于具有目标纹理特征的像素构建的区域的图像尺寸；
98.基于每个像素点的图像尺寸与实际尺寸的关联关系，确定具有目标纹理特征的像素构建的区域的实际尺寸，作为特征信息。
99.上述技术方案的工作原理及有益效果：转化模块，用于聚类具有目标纹理特征的像素，并转化为灰度图像；第三确定模块，用于：基于sobel算子检测出灰度图像的边缘，根据高和宽的像素点的数量确定基于具有目标纹理特征的像素构建的区域的图像尺寸；基于每个像素点的图像尺寸与实际尺寸的关联关系，确定具有目标纹理特征的像素构建的区域的实际尺寸，作为特征信息。便于准确确定目标纹理特征的像素构建的区域的实际尺寸，进而准确确定特征信息。
100.根据本发明的一些实施例，第一确定模块，还用于：
101.对手部图像的噪声点进行检测，并对检测出的噪声点进行过滤处理；
102.对过滤处理后的手部图像进行感兴趣区域检测，确定感兴趣区域并进行区域分割，确定感兴趣区域对应的手部图像，将感兴趣区域对应的手部图像输入到卷积神经网络
中，确定目标手势信息。
103.上述技术方案的工作原理及有益效果：对手部图像的噪声点进行检测，并对检测出的噪声点进行过滤处理；消除噪声点对识别的影响，提高识别的准确性。对过滤处理后的手部图像进行感兴趣区域检测，确定感兴趣区域并进行区域分割，确定感兴趣区域对应的手部图像，将感兴趣区域对应的手部图像输入到卷积神经网络中，确定目标手势信息。便于剔除非感应趣的区域，减少无效的区域图像，提高了卷积神经网络对感兴趣区域对应的手部图像的识别速率，避免无效区域对识别的影响，提高了识别准确性。
104.根据本发明的一些实施例，还包括：报警模块，用于：
105.在工业机器人的执行模块执行目标控制指令时，获取执行模块的运动状况信息；所述运动状况信息包括运动轨迹、动力控制参数、足底控制参数、质心控制参数；
106.根据所述运动状况信息确定执行模块的平衡状态信息；
107.在确定平衡状态信息与预设平衡状态信息不一致时，发出报警提示。
108.上述技术方案的工作原理及有益效果：报警模块，用于：在工业机器人的执行模块执行目标控制指令时，获取执行模块的运动状况信息；所述运动状况信息包括运动轨迹、动力控制参数、足底控制参数、质心控制参数；根据所述运动状况信息确定执行模块的平衡状态信息；在确定平衡状态信息与预设平衡状态信息不一致时，发出报警提示。便于对执行模块的平衡状态信息进行监控，在确定平衡状态信息与预设平衡状态信息不一致，且表示存在异常时，发出报警提示，便于及时处理，避免工业机器人因处于非平衡状态导致的损失。
109.根据本发明的一些实施例，还包括：监控模块，用于在工业机器人的执行模块执行目标控制指令时，监控执行模块的各驱动关节输出的位置角度和末端负载惯量，确定监控信息并发送至显示端进行显示。
110.上述技术方案的工作原理及有益效果：监控模块，用于在工业机器人的执行模块执行目标控制指令时，监控执行模块的各驱动关节输出的位置角度和末端负载惯量，确定监控信息并发送至显示端进行显示。便于对执行模块的各驱动关节输出的位置角度和末端负载惯量进行监控，便于及时发现异常，便于工业机器人的执行模块安全的执行目标控制指令。
111.根据本发明的一些实施例，还包括：图像处理模块，用于：对手部图像进行修正，得到修正后的手部图像；
112.所述图像处理模块，包括：
113.降噪模块，用于：
114.对手部图像进行高斯滤波，得到滤波图像；
115.对滤波图像进行形态学运算，得到运算图像；
116.将运算图像与滤波图像进行相减处理，得到降噪图像；
117.确定降噪图像中的背景轮廓信息，基于背景轮廓信息将降噪图像分为前景图像和背景图像；
118.修正模块，用于：
119.对背景图像进行修正，得到修正背景图像；
120.对前景图像进行修正，得到修正前景图像；
121.融合模块，用于根据修正背景图像和修正前景图像进行图像融合，确定修正后的
手部图像。
122.上述技术方案的工作原理：该实施例中，对手部图像进行高斯滤波，去除高斯噪声。对滤波图像进行形态学运算，进行几次卷积核逐次增大的形态学开运算和闭运算，进一步消除噪声。基于将运算图像与滤波图像进行相减处理，进行第三次降噪处理，得到降噪图像。更加准确的消除手部图像中的多种噪声。
123.该实施例中，确定降噪图像中的背景轮廓信息，基于背景轮廓信息将降噪图像分为前景图像和背景图像；修正模块，用对背景图像进行修正，得到修正背景图像；对前景图像进行修正，得到修正前景图像；融合模块，用于根据修正背景图像和修正前景图像进行图像融合，确定修正后的手部图像。对前景图像和背景图像分别进行修正，实现了对修正后的手部图像的图像增强，提高了清晰度，便于更准确的进行识别。
124.上述技术方案的有益效果：对手部图像进行准确降噪，消除噪声对分割前景图像和背景图像的影响，提高图像分割的准确性。基于对前景图像和背景图像分别进行修正，实现了对修正后的手部图像的图像增强，提高了清晰度，便于更准确的进行识别。
125.根据本发明的一些实施例，所述修正模块，包括：
126.调节模块，用于：
127.获取背景图像中每个像素点的颜色值；所述颜色值包括r通道值、g通道值、b通道值；
128.将背景图像中每个像素点的颜色值输入预先训练好的调节模型中，输出每个像素点的修正亮度值并进行调节，得到修正背景图像；所述调节模型中包括颜色值与亮度调整的对应关系；
129.第四确定模块，用于：
130.确定前景图像中每个像素点的亮度值，并与预设亮度值进行比较，确定亮度值小于预设亮度值的像素点，作为待调整像素点；
131.以待调整像素点为中心，构建3*3的像素点矩阵；
132.确定像素点矩阵的亮度均值；
133.确定像素点矩阵中像素点的最大亮度值与最小亮度值；
134.根据亮度均值、最大亮度值及最小亮度值确定目标亮度值；
135.根据目标亮度值及待调整像素点的亮度值确定调节系数并进行调整，得到修正前景图像。
136.上述技术方案的工作原理：该实施例中，调节模型中涉及u-net网络，全卷积神经网络的一种变形，训练过程中加入了颜色值与亮度调整的对应关系。基于预先训练好的调节模型中，输出每个像素点的修正亮度值并进行调节，实现对背景图像的准确修正，得到修正背景图像。
137.该实施例中，预设亮度值为多次实验获取的。
138.该实施例中，目标亮度值为亮度均值加上1/2*(最大亮度值-最小亮度值)。
139.该实施例中，调节系数为目标亮度值与待调整像素点的亮度值的差值。
140.上述技术方案的有益效果：实现对背景图像中各个像素点进行亮度修正，对于前景图像中确定亮度值小于预设亮度值的像素点，作为待调整像素点，进行亮度调整。便于得到准确的修正背景图像及修正前景图像，便于在根据修正背景图像和修正前景图像进行图
像融合，确定修正后的手部图像，细节特征更加清晰，差异化更加明显，便于进行准确识别。
141.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于卷积神经网络的工业机器人控制系统，其特征在于，包括：构建模块，用于：获取样本手部图像，对样本手部图像进行标签标注，所述标签包括样本特征信息及样本手势信息；基于标注后的样本手部图像构建卷积神经网络；获取模块，用于获取用户的手部图像；第一确定模块，用于将所述手部图像输入到卷积神经网络中，确定目标手势信息；第二确定模块，用于根据目标手势信息查询预设的手势-控制指令数据表，确定目标控制指令并发送至工业机器人的执行模块。2.如权利要求1所述的基于卷积神经网络的工业机器人控制系统，其特征在于，所述构建模块，包括：标注模块，用于获取样本手部图像，对样本手部图像进行特征提取，确定样本特征信息；将样本特征信息及样本手势信息作为标签进行标注；训练模块，用于基于标注后的样本手部图像对构建的初始卷积神经网络进行训练，在确定输出标签与标注标签一致时，得到训练好的卷积神经网络。3.如权利要求1所述的基于卷积神经网络的工业机器人控制系统，其特征在于，第一确定模块，包括：提取模块，用于对手部图像进行特征提取，得到特征信息；卷积模块，用于将所述特征信息经过卷积神经网络中的卷积层和池化层得到卷积特征图；输出模块，用于基于卷积神经网络中的感兴趣区域层处理最后一个卷积层得到特征图，再将处理最后一个卷积层得到特征图提取的向量输入到全连接层，确定最终用于确定目标手势信息的特征并计算执行识别任务的损失，基于卷积神经网络中的输出层输出目标手势信息。4.如权利要求3所述的基于卷积神经网络的工业机器人控制系统，其特征在于，所述提取模块，包括：分割模块，用于：提取所述手部图像的纹理特征；根据k-means聚类算法，分割所述手部图像的像素；设置模块，用于设置目标纹理特征；聚类模块，用于聚类具有目标纹理特征的像素，得到特征信息。5.如权利要求4所述的基于卷积神经网络的工业机器人控制系统，其特征在于，所述聚类模块，包括：转化模块，用于聚类具有目标纹理特征的像素，并转化为灰度图像；第三确定模块，用于：基于sobel算子检测出灰度图像的边缘，根据高和宽的像素点的数量确定基于具有目标纹理特征的像素构建的区域的图像尺寸；基于每个像素点的图像尺寸与实际尺寸的关联关系，确定具有目标纹理特征的像素构建的区域的实际尺寸，作为特征信息。
6.如权利要求1所述的基于卷积神经网络的工业机器人控制系统，其特征在于，第一确定模块，还用于：对手部图像的噪声点进行检测，并对检测出的噪声点进行过滤处理；对过滤处理后的手部图像进行感兴趣区域检测，确定感兴趣区域并进行区域分割，确定感兴趣区域对应的手部图像，将感兴趣区域对应的手部图像输入到卷积神经网络中，确定目标手势信息。7.如权利要求1所述的基于卷积神经网络的工业机器人控制系统，其特征在于，还包括：报警模块，用于：在工业机器人的执行模块执行目标控制指令时，获取执行模块的运动状况信息；所述运动状况信息包括运动轨迹、动力控制参数、足底控制参数、质心控制参数；根据所述运动状况信息确定执行模块的平衡状态信息；在确定平衡状态信息与预设平衡状态信息不一致时，发出报警提示。8.如权利要求1所述的基于卷积神经网络的工业机器人控制系统，其特征在于，还包括：监控模块，用于在工业机器人的执行模块执行目标控制指令时，监控执行模块的各驱动关节输出的位置角度和末端负载惯量，确定监控信息并发送至显示端进行显示。9.如权利要求1所述的基于卷积神经网络的工业机器人控制系统，其特征在于，还包括：图像处理模块，用于：对手部图像进行修正，得到修正后的手部图像；所述图像处理模块，包括：降噪模块，用于：对手部图像进行高斯滤波，得到滤波图像；对滤波图像进行形态学运算，得到运算图像；将运算图像与滤波图像进行相减处理，得到降噪图像；确定降噪图像中的背景轮廓信息，基于背景轮廓信息将降噪图像分为前景图像和背景图像；修正模块，用于：对背景图像进行修正，得到修正背景图像；对前景图像进行修正，得到修正前景图像；融合模块，用于根据修正背景图像和修正前景图像进行图像融合，确定修正后的手部图像。10.如权利要求9所述的基于卷积神经网络的工业机器人控制系统，其特征在于，所述修正模块，包括：调节模块，用于：获取背景图像中每个像素点的颜色值；所述颜色值包括r通道值、g通道值、b通道值；将背景图像中每个像素点的颜色值输入预先训练好的调节模型中，输出每个像素点的修正亮度值并进行调节，得到修正背景图像；所述调节模型中包括颜色值与亮度调整的对应关系；第四确定模块，用于：确定前景图像中每个像素点的亮度值，并与预设亮度值进行比较，确定亮度值小于预设亮度值的像素点，作为待调整像素点；
以待调整像素点为中心，构建3*3的像素点矩阵；确定像素点矩阵的亮度均值；确定像素点矩阵中像素点的最大亮度值与最小亮度值；根据亮度均值、最大亮度值及最小亮度值确定目标亮度值；根据目标亮度值及待调整像素点的亮度值确定调节系数并进行调整，得到修正前景图像。

技术总结
本发明公开了一种基于卷积神经网络的工业机器人控制系统，包括：构建模块，用于：获取样本手部图像，对样本手部图像进行标签标注，所述标签包括样本特征信息及样本手势信息；基于标注后的样本手部图像构建卷积神经网络；获取模块，用于获取用户的手部图像；第一确定模块，用于将所述手部图像输入到卷积神经网络中，确定目标手势信息；第二确定模块，用于根据目标手势信息查询预设的手势-控制指令数据表，确定目标控制指令并发送至工业机器人的执行模块。准确识别用户的手部图像，确定准确的控制指令，提高对工业机器人控制的准确性。提高对工业机器人控制的准确性。提高对工业机器人控制的准确性。


技术研发人员：巫飞彪 林毅旺
受保护的技术使用者：广州东焊智能装备有限公司
技术研发日：2023.06.25
技术公布日：2023/9/13