當(dāng)前國內(nèi)貨運列車編組站主要采用人工作業(yè)方式實現(xiàn)駝峰摘鉤,但是隨著鐵路貨運的日益增長,人工摘鉤的效率低、安全性差等缺點越發(fā)突出,為了克服這些缺點,在分析了國內(nèi)外現(xiàn)有的摘鉤機器人基礎(chǔ)上提出了新的設(shè)計方案。該方案通過添加計算機視覺模塊實現(xiàn)摘鉤機器人對車鉤的識別分類問題,相較于傳統(tǒng)車鉤識別方法具有自動化程度低、識別準(zhǔn)確率低、環(huán)境適應(yīng)性差等缺點,利用卷積神經(jīng)網(wǎng)絡(luò)算法對車鉤進(jìn)行識別分類能夠完全滿足設(shè)計要求,經(jīng)過對算法的一系列優(yōu)化調(diào)試,在車鉤識別分類的準(zhǔn)確率、反應(yīng)速度以及容錯率方面都達(dá)到了很高的實用性。本次論文的主要研究內(nèi)容為:結(jié)構(gòu)設(shè)計部分。根據(jù)駝峰摘鉤站臺的實際情況,設(shè)計出軌道式摘鉤機器人機械結(jié)構(gòu)部分,該部分包括運動行走模塊、車鉤視覺檢測、位姿調(diào)整模塊和末端執(zhí)行模塊。該部分采用SolidWorks軟件實體建模,然后導(dǎo)入ADAMS中通過添加相關(guān)約束和驅(qū)動條件進(jìn)行運動學(xué)分析,特別是摘鉤機械手模塊的運動特性分析,得到關(guān)鍵研究部件的運動仿真結(jié)果并繪制運動特性曲線圖,分析在摘鉤過程中自動摘鉤機器人的運動狀態(tài)穩(wěn)定性和摘鉤機械手結(jié)構(gòu)設(shè)計的可行性。車鉤識別檢測部分。首先介紹了當(dāng)前應(yīng)用廣泛的幾種目標(biāo)檢測算法,選取了...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的選題背景及意義
    1.2 火車摘鉤機器人國內(nèi)外研究進(jìn)展
        1.2.1 國外研究進(jìn)展
        1.2.2 國內(nèi)研究進(jìn)展
    1.3 機器視覺國內(nèi)外研究發(fā)展現(xiàn)狀
        1.3.1 深度學(xué)習(xí)研究現(xiàn)狀
        1.3.2 目標(biāo)檢測發(fā)展現(xiàn)狀
    1.4 論文主要研究內(nèi)容和創(chuàng)新點
第2章 自動摘鉤機器人結(jié)構(gòu)設(shè)計
    2.1 引言
        2.1.1 貨運列車車鉤結(jié)構(gòu)
        2.1.2 車鉤的連掛與解鎖原理
    2.2 火車摘鉤機器人結(jié)構(gòu)設(shè)計
        2.2.1 車鉤的連掛與解鎖原理
        2.2.2 自動摘鉤機器人基本參數(shù)確定
        2.2.3 自動摘鉤機器人驅(qū)動器
        2.2.4 自動摘鉤機器人傳動部件
        2.2.5 自動摘鉤機器人末端執(zhí)行機構(gòu)
    2.3 自動摘鉤機器人組成系統(tǒng)及工作原理
    2.4 小結(jié)
第3章 自動摘鉤機器人運動學(xué)分析
    3.1 引言基于ADAMS的運動仿真分析
        3.1.1 虛擬樣機技術(shù)
        3.1.2 自動摘鉤機器人ADAMS運動仿真
    3.2 ADAMS運動學(xué)仿真
        3.2.1 建立三維模型
        3.2.2 載荷對混合油承載能力的影響
        3.2.3 添加約束
        3.2.4 添加載荷驅(qū)動
        3.2.5 結(jié)果分析
    3.3 小結(jié)
第4章 基于深度學(xué)習(xí)的改進(jìn)YOLO車鉤識別算法
    4.1 深度學(xué)習(xí)
    4.2 車鉤識別
    4.3 基于深度學(xué)習(xí)車鉤識別算法設(shè)計步驟
        4.3.1 車鉤圖片數(shù)據(jù)集設(shè)計
        4.3.2 數(shù)據(jù)預(yù)處理
        4.3.3 車鉤標(biāo)注
        4.3.4 ancher預(yù)設(shè)
    4.4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        4.4.1 基于VGG-16的Faster R-CNN卷積神經(jīng)網(wǎng)絡(luò)模型
        4.4.2 基于Darknet-19的YOLO_v2 卷積神經(jīng)網(wǎng)絡(luò)模型
        4.4.3 增加殘差模塊后的改進(jìn)YOLO_v2卷積神經(jīng)網(wǎng)絡(luò)模型
    4.5 損失函數(shù)
    4.6 目標(biāo)檢測算法評價標(biāo)準(zhǔn)
    4.7 小結(jié)
第5章 車鉤識別實驗
    5.1 車鉤識別實驗平臺搭建
    5.2 目標(biāo)檢測算法評價標(biāo)準(zhǔn)
        5.2.1 損失函數(shù)性能對比
        5.2.2 Mean Average Precision(m AP)性能對比
        5.2.3 實時檢測速率FPS和P-R曲線
    5.3 實驗結(jié)果
        5.3.1 算法魯棒性測試
        5.3.2 車鉤手柄識別實驗對比
    5.4 小結(jié)
第6章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
在學(xué)研究成果
致謝



本文編號：3803025