摘要
随着人工智能、物联网技术的快速发展，先进的机器人技术被广泛的应用到医疗的各个领域。医疗机器人的身影逐渐出现在医院和其他诊疗服务场所中，辅助医生或自主完成医疗任务。手术器械机器人是二十一世纪出现的一种新型外科手术机器人。人们希望它可以在外科手术过程中分担或替代器械护士的工作，提升手术效率保证患者的生命健康。本文研究了基于深度学习的目标检测算法和夹爪抓取6D姿态估计算法，对手术器械机器人的视觉识别部分进行创新。搭建手术器械抓取系统，自主完成手术器械的检测和抓取。具体工作和创新点如下: （1）通过目标检测算法确定当前相机视角下手术器械的种类和位置。本文借鉴PVNet制作手术器械目标检测数据集。直接使用算法合成图片，自动完成数据标注工作，减少人力的消耗。为了遵循网络轻量化原则，本文选择anchor-free的单阶段目标检测算法Nanodet作为基本框架，并进行一系列改进，达到速度与精度的平衡。在仅牺牲一点速度性能，依旧保证实时的要求，精度得到很大提升。在数据输入前，引入Mosaic数据增强，对数据集进行扩充。对Backbone模块进行改进，引入通道注意力机制SE模块。对Neck模块进行改进，引入CSP模块。对Head模块进行改进，增加一个输出预测层。改进的网络经过训练mAP可以达到0.9579,约提升10％，依旧保证实时要求。 （2）通过夹爪抓取6D姿态估计算法确定抓取指定类别手术器械时，夹爪在相机视角下的旋转平移矩阵。使用筛选采样替换均匀采样改进传统的GraspNet算法。使用ResUNet14对点云数据进行编码，对每个点评估抓取得分。去掉得分小于阈值的点然后再采样。之后对每个预设的接近向量评估抓取得分，确定夹爪接近向量。将坐标统一回归平面内夹爪的旋转角度和抓取深度。实现机械臂抓取手术器械时旋转四元数和平移矩阵的计算。 （3）为了验证本文算法的有效性，搭建手术器械抓取系统。控制机械臂实现手术器械的检测和抓取工作，实际抓取成功率达到85％以上。
NETL