隨著機(jī)器視覺技術(shù)的快速發(fā)展,應(yīng)用領(lǐng)域的不斷擴(kuò)大,尤其在工業(yè)上,它已然成為獲取信息的工具之一,也是一個體現(xiàn)工業(yè)4.0智能化的關(guān)鍵技術(shù)。本文將以機(jī)器視覺為主導(dǎo),研究復(fù)雜多樣的汽車小零件在非結(jié)構(gòu)環(huán)境下的定位抓取工作。內(nèi)容上,它包含目標(biāo)識別分類和定位抓取,同時,也涵蓋機(jī)器人在抓取過程中路徑規(guī)劃設(shè)計。從難度上來看,機(jī)器人在對目標(biāo)識別方面存在兩個難題:第一,當(dāng)眾多汽車小零件錯綜復(fù)雜的疊放在一起時,由于種類的復(fù)雜多樣和互相遮擋,存在大量未知信息;第二,在獲取目標(biāo)群體的三維信息時,存在目標(biāo)抓取順序混亂及碰撞等。另外,傳統(tǒng)的機(jī)器人作業(yè)是通過示教器反復(fù)示教校準(zhǔn),對已知現(xiàn)有的目標(biāo)進(jìn)行定位抓取,執(zhí)行模式比較固化,且泛化能力不夠,很難滿足工業(yè)機(jī)器人對多種類、多目標(biāo)的作業(yè)需求。因此,本文提出一種適用于汽車小零件定位抓取的方式方法,具體在以下三個方面進(jìn)行研究工作:首先針對復(fù)雜未知環(huán)境下汽車小零件的識別分類問題,本文提出一種自適應(yīng)速率的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型,該神經(jīng)網(wǎng)絡(luò)與Faster R-CNN結(jié)合,對目標(biāo)區(qū)域和建議候選區(qū)進(jìn)行IoU準(zhǔn)則判斷。同時本文在準(zhǔn)則判斷上增加約束條件,對模糊分類進(jìn)行校正。實驗表明該方法在目標(biāo)存在...

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 目標(biāo)檢測定位技術(shù)研究
        1.2.2 深度信息獲取技術(shù)研究
        1.2.3 機(jī)器人抓取路徑技術(shù)研究
    1.3 本文研究內(nèi)容與章節(jié)安排
第2章 卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.2.1 卷積和卷積層
        2.2.2 池化層
        2.2.3 激活函數(shù)和全連接層
        2.2.4 前向傳播和反向傳播
    2.3 基于ResNet殘差網(wǎng)絡(luò)模型的研究
        2.3.1 ResNet介紹
        2.3.2 基于ResNet的圖像分類特點(diǎn)
    2.4 基于候選區(qū)域的目標(biāo)檢測算法
        2.4.1 R-CNN和 Fast R-CNN目標(biāo)檢測
        2.4.2 Faster R-CNN目標(biāo)檢測
    2.5 實驗結(jié)果及分析
        2.5.1 預(yù)訓(xùn)練樣本的準(zhǔn)備
        2.5.2 卷積神經(jīng)網(wǎng)絡(luò)圖像分類實驗
    2.6 本章小結(jié)
第3章 雙目的深度獲取和抓取軌跡方法研究
    3.1 引言
    3.2 點(diǎn)云獲取技術(shù)
        3.2.1 雙目視差圖的獲取
        3.2.2 Kinect深度相機(jī)的獲取
        3.2.3 結(jié)構(gòu)光3D掃描的獲取
    3.3 三維點(diǎn)云信息特征與提取
        3.3.1 三維特征描述子
        3.3.2 點(diǎn)云法向量的計算
    3.4 抓取路徑規(guī)劃
        3.4.1 機(jī)械臂的運(yùn)動學(xué)分析和逆解
        3.4.2 關(guān)節(jié)運(yùn)動軌跡規(guī)劃方法
    3.5 實驗結(jié)果及分析
    3.6 本章小結(jié)
第4章 改進(jìn)的目標(biāo)檢測定位算法
    4.1 引言
    4.2 預(yù)處理的改進(jìn)方法
        4.2.1 圖像通道與多尺度處理
        4.2.2 改進(jìn)的圖像遮擋處理算法
    4.3 自適應(yīng)學(xué)習(xí)率的參數(shù)優(yōu)化
    4.4 實驗結(jié)果和分析
    4.5 本章小結(jié)
第5章 改進(jìn)的深度獲取以及組合函數(shù)規(guī)劃算法
    5.1 引言
    5.2 視差估計和點(diǎn)云處理的改進(jìn)算法
        5.2.1 融合導(dǎo)向濾波的視差估計
        5.2.2 基于關(guān)鍵點(diǎn)的點(diǎn)云局部特征
    5.3 基于距離的場景有序抓取算法
        5.3.1 場景可視距離的抓取規(guī)則
        5.3.2 組合函數(shù)的插值路徑規(guī)劃
    5.4 實驗結(jié)果及分析
    5.5 本章小結(jié)
第6章 基于視覺引導(dǎo)的集成定位仿真平臺
    6.1 引言
    6.2 集成實驗平臺
        6.2.1 系統(tǒng)的開發(fā)流程
        6.2.2 系統(tǒng)的軟硬件平臺
    6.3 系統(tǒng)界面與分類實驗結(jié)果
    6.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝
作者簡介



本文編號：3793717