隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展,機(jī)房的應(yīng)用場景越來越多,機(jī)房設(shè)備的有效管理對于企業(yè)的重要性也越來越高。而設(shè)備盤點(diǎn)作為機(jī)房設(shè)備管理中不可或缺的部分,它的重要性不言而喻。但是傳統(tǒng)的人工盤點(diǎn)具有成本高,效率低,易出錯(cuò),變更不能及時(shí)反饋,異常問題不能及時(shí)定位等問題。之后的使用手持盤點(diǎn)設(shè)備的方法又不夠靈活,只能用于固定資產(chǎn)的盤點(diǎn)。所以我們急需一個(gè)高效強(qiáng)大的盤點(diǎn)系統(tǒng)來解決這些問題。因此我們提出了基于深度學(xué)習(xí)的機(jī)器人盤點(diǎn)系統(tǒng):對于設(shè)備的固定信息,放到二維碼中,之后通過攝像頭采集并識別;對于設(shè)備可變的位置信息,通過雙目視覺與深度學(xué)習(xí)算法相結(jié)合,進(jìn)行設(shè)備檢測與定位。通過對基于深度學(xué)習(xí)的目標(biāo)檢測算法進(jìn)行性能比較,并結(jié)合實(shí)際檢測需求,選擇以YOLOv2算法為基礎(chǔ)進(jìn)行優(yōu)化實(shí)現(xiàn)我們的檢測任務(wù),之后選擇Kinect作為圖像采集設(shè)備,通過采集深度信息實(shí)現(xiàn)定位任務(wù)。通過雙目視覺、深度學(xué)習(xí)算法與機(jī)器人相結(jié)合,使得系統(tǒng)可以自主的完成設(shè)備的檢測與定位功能。不僅節(jié)省人力成本,而且效率更高,并且能夠適應(yīng)設(shè)備變動(dòng)頻繁的機(jī)房盤點(diǎn)工作。更重要的一點(diǎn)是,由于使用了深度學(xué)習(xí)算法,系統(tǒng)檢測與定位的準(zhǔn)確度會(huì)隨著使用越來越高,這就是深度學(xué)習(xí)的...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.4ROI池化層Fig.2.4ROIpoolinglayer

中國石油大學(xué)（北京）碩士學(xué)位論文將得到的卷積特征圖進(jìn)行4*4，2*2以及1*1三種尺度的切分，對切分之后得到的小塊進(jìn)行max-pooling（最大池）下采樣，然后將采樣結(jié)果全排列，得到一個(gè)列向量，將這個(gè)列向量送入全連接層。FastR-CNN借鑒了SPP-net的....

圖2.6RPN網(wǎng)絡(luò)Fig.2.6Regionproposalnetwork

1）特征提�。簩D像輸入，進(jìn)行整幅圖像的卷積計(jì)算，獲得該圖的2）候選區(qū)域：用selectivesearch方法從原來的圖像中提取出候選區(qū)對應(yīng)投影到卷積特征圖上。3）區(qū)域歸一化：在卷積特征圖上利用ROI（RegionofInterest）池化框的特征向量進(jìn)行提取，得到大....

圖2.8YOLO模型

圖2.8YOLO模型Fig.2.8YOLOmodel上圖為YOLO[34]模型，YOLO的整體思路如下：（1）輸入圖像，對這個(gè)輸入的圖像進(jìn)行7*7的網(wǎng)格劃分。（2）對每個(gè)劃分出的網(wǎng)格預(yù)測兩個(gè)邊框。（3）通過前兩步，我們共得到目標(biāo)窗口7*7*2個(gè)，之后通過閾....

圖2.10YOLO檢測系統(tǒng)

我們會(huì)選擇速度上更快的基于回歸方法的檢測算法。而機(jī)房中的設(shè)備不是小物體，因此我們會(huì)選擇在VOC數(shù)據(jù)集上表現(xiàn)更優(yōu)秀的改進(jìn)后的YOLO算法。YOLO算法最突出的優(yōu)點(diǎn)就是速度快，當(dāng)然它還具有其他優(yōu)點(diǎn)，一個(gè)是它是基于全局圖像來進(jìn)行預(yù)測的，視野更大，因此背景誤判會(huì)減少，而且YO....

本文編號：4028213