我们设计了一个图形用户界面（GUI摄像头干扰器）。当用户通过单击GUI所需的对象时，机器人使用DBNN方法识别出请求的对象。机器人根据对象中心找到抓握位置。机器人生成了从初始位置到物体抓握位置的轨迹。到达目标位置后，机器人会根据目标方向调整其抓手方向。然后，机器人抓住目标物体，生成到预定目标位置的另一条路径轨迹，放置该物体，然后返回到初始位置。以相同的方式，可以识别监控屏蔽器剩余的对象，并且机器人可以执行拾放操作。

 

    我们提出了一种基于遗传算法的摄像头屏蔽器DBNN参数优化方法，用于机器人目标的识别和掌握。所提出的方法优化了三个隐藏层的隐藏单元数，历元数和学习率。我们将优化的方法应用于实时目标识别和机器人抓取任务。通过使用优化的DBNN方法识别物体，然后机器人抓住物体并将其放置在预定位置。实验结果表明，该方法对于机器人目标的识别和抓取任务具有足够的效率。未来工作中最重要的部分是将多种群遗传算法（MPGA）与DBNN方法集成在一起。因此，我们计划调查监控干扰器具有不同数量的亚群和其他遗传参数的MPGA的性能。

 

    1. B. Akay，B。Karaboga，R。Akay，R。关于通过元启发式算法优化深度学习模型的综合调查。人工智能评论，2021。doi：10.1007 / s10462-021-09992-0 2. Sun，J.，Wu，L.，Yang，X.基于改进遗传算法的AVR系统最优分数阶PID控制器设计。 2020. doi：10.1109 / AEECA49918.2020.9213473 3. Li，D.，Li，Z.无人耕作的系统分析和发展前景| [无人农场系统分析与发展展望]。农冶机械鞋学报/中国农业机械学报，2020，51（7）：1-12。 doi：10.6041 / j.issn.1000-1298.2020.07.001 4. Yu，T.，Dong，P.，Yu，Y.等。基于GA-BP优化的长距离热原油管道油温预测2020. doi：10.1115 / IPC2020-9634 5. Mohammed，M.Q.，Chung，K.L.，Chyi，C.S.深入学习基于强化学习的物体抓取：技术，公开挑战和建议。 IEEE Access，2020。doi：10.1109 / ACCESS.2020.3027923 6. D. Hossain，D.，Nilwong，S.，Tran，D.D.等。一种用于部分遮挡的机器人对象识别的快速R-CNN方法。 2019. doi：10.1109 / IRC.2019.00116 7. Qureshi，S.，Karrila，S.，Vanichayobon，S. GACNN SleepTunenet：一种遗传算法，用于设计摄像头干扰器卷积神经网络体系结构，以便从单个EEG通道对睡眠阶段进行最佳分类。土耳其电气工程与计算机科学学报，2019，27（6）：4203-4219。 doi：10.3906 / ELK-1903-186 8.Tian，H.，Pouyanfar，S.，Chen，J。等。使用遗传算法对图像分类的自动卷积神经网络选择。 2018. doi：10.1109 / IRI.2018.00071