發(fā)布時(shí)間：2017-09-09 05:20

  本文關(guān)鍵詞：面向工業(yè)裝配演示編程的零件識(shí)別與位姿估計(jì)

  更多相關(guān)文章： 演示編程 識(shí)別 位姿估計(jì) SVM 隨機(jī)森林

【摘要】：目前工業(yè)機(jī)器人以其巨大的優(yōu)勢(shì)得到了廣泛應(yīng)用,但隨著現(xiàn)代制造業(yè)的發(fā)展,對(duì)機(jī)器人的智能性和靈活性提出了更高需求。演示編程技術(shù)可以讓機(jī)器人通過(guò)“觀察”人的演示而完成相應(yīng)的裝配任務(wù),從而大大簡(jiǎn)化工業(yè)機(jī)器人的開(kāi)發(fā)過(guò)程,因此工業(yè)機(jī)器人的演示編程逐漸成為研究的熱點(diǎn)。本文針對(duì)工業(yè)機(jī)器人演示編程過(guò)程中的零件識(shí)別和位姿估計(jì)問(wèn)題展開(kāi)研究。工業(yè)裝配中由于零件之間具有嚴(yán)格的裝配關(guān)系約束,對(duì)零件位姿估計(jì)提出了較高的精度要求。此外由于工業(yè)零件表面紋理不豐富,為零件的識(shí)別帶來(lái)了挑戰(zhàn)。本文的研究成果如下。1.針對(duì)不同顏色和紋理的零件,本文在利用BP神經(jīng)網(wǎng)絡(luò)完成零件的顏色判別后,提出了融合灰度共生矩陣和Tamura粗糙度描述的紋理特征,然后采用非線性SVM實(shí)現(xiàn)了不同放置狀態(tài)(正放、反放、側(cè)放)的零件識(shí)別。在紋理特征提取前,本文對(duì)每個(gè)零件的姿態(tài)做了歸一化,因此本文的基于紋理特征的識(shí)別結(jié)果不受零件旋轉(zhuǎn)的影響。實(shí)驗(yàn)結(jié)果表明本文的顏色判別與紋理識(shí)別算法取得了較高的識(shí)別正確率。2.針對(duì)多類(lèi)物體識(shí)別,本文提出了一種基于組合特征和隨機(jī)森林(Random Forest)的多類(lèi)物體識(shí)別算法。該組合特征包括顏色直方圖、旋轉(zhuǎn)不變LBP、圓形率和長(zhǎng)寬比、歸一化的Zernike矩描述,并且該組合特征具有旋轉(zhuǎn)和平移不變性。然后訓(xùn)練隨機(jī)森林作為分類(lèi)器模型。在20種物體上的實(shí)驗(yàn)結(jié)果表明本文的識(shí)別正確率達(dá)99.33%。通過(guò)與其它組合特征和分類(lèi)算法的對(duì)比,證明了本文算法的優(yōu)勢(shì)和有效性。3.針對(duì)不同的裝配任務(wù),本文設(shè)計(jì)了兩種不同的位姿估計(jì)算法：一是結(jié)合物體識(shí)別的先驗(yàn)信息,利用單目視覺(jué)和最小面積矩形(MAR)算法完成了零件的位姿估計(jì)。二是針對(duì)復(fù)雜裝配情形,采用了雙目立體視覺(jué)和概率霍夫變換算法完成了零件的位姿估計(jì)。本文的零件位姿估計(jì)算法實(shí)現(xiàn)在線估計(jì)的同時(shí),保證了裝配中精度的要求。
【關(guān)鍵詞】：演示編程 識(shí)別 位姿估計(jì) SVM 隨機(jī)森林
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41;TP242
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-11
• 第一章 緒論11-19
• 1.1 研究背景及意義11
• 1.2 研究發(fā)展綜述11-17
• 1.2.1 物體識(shí)別算法國(guó)內(nèi)外研究現(xiàn)狀11-15
• 1.2.2 物體位姿估計(jì)國(guó)內(nèi)外研究現(xiàn)狀15-17
• 1.3 本文研究?jī)?nèi)容17-18
• 1.4 本文結(jié)構(gòu)18-19
• 第二章 融合顏色和紋理信息的積木識(shí)別19-39
• 2.1 背景與概述19-20
• 2.2 結(jié)合顏色描述和神經(jīng)網(wǎng)絡(luò)的積木顏色分類(lèi)20-23
• 2.2.1 顏色空間選擇20-21
• 2.2.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法與改進(jìn)21-23
• 2.3 積木紋理特征提取與姿態(tài)歸一化23-27
• 2.3.1 基于灰度共生矩陣的紋理描述24-25
• 2.3.2 融入Tamura粗糙度的紋理描述與姿態(tài)歸一化25-27
• 2.4 基于非線性SVM的積木放置狀態(tài)識(shí)別27-30
• 2.4.1 非線性SVM與軟間隔最大化27-30
• 2.5 實(shí)驗(yàn)結(jié)果與分析30-37
• 2.6 本章小結(jié)37-39
• 第三章 基于組合特征和隨機(jī)森林(Random Forest)的多類(lèi)零件識(shí)別39-65
• 3.1 背景與概述39-40
• 3.2 算法框架40-41
• 3.3 圖像分割41-42
• 3.4 組合特征表示42-50
• 3.4.1 歸一化顏色直方圖定義43
• 3.4.2 旋轉(zhuǎn)不變局部二值模式43-45
• 3.4.3 圓形率與長(zhǎng)寬比定義45-47
• 3.4.4 歸一化Zernike矩計(jì)算47-50
• 3.5 核主成分分析(Kernel PCA)50-53
• 3.6 Random Forest算法53-57
• 3.6.1 決策樹(shù)原理53-55
• 3.6.2 Random Forest分類(lèi)過(guò)程55-56
• 3.6.3 利用袋外數(shù)據(jù)(Out-of-Bag)估計(jì)特征重要性56-57
• 3.7 實(shí)驗(yàn)結(jié)果與分析57-64
• 3.8 本章小結(jié)64-65
• 第四章 零件位姿估計(jì)65-91
• 4.1 背景與概述65-67
• 4.2 基于單目視覺(jué)的零件位姿估計(jì)67-72
• 4.2.1 相機(jī)成像模型67-69
• 4.2.2 相機(jī)畸變模型69-70
• 4.2.3 基于相機(jī)非線性成像模型的零件定位70-72
• 4.3 基于最小面積矩形(MAR)的零件位姿估計(jì)72-75
• 4.3.1 Grapham掃描法計(jì)算凸包72-74
• 4.3.2 MAR算法估計(jì)零件位姿74-75
• 4.4 基于雙目立體視覺(jué)的零件位姿估計(jì)75-82
• 4.4.1 雙目立體視覺(jué)原理76-78
• 4.4.2 體匹配與零件定位78-81
• 4.4.3 基于概率Hough變換的零件位姿估計(jì)81-82
• 4.5 實(shí)驗(yàn)結(jié)果與分析82-89
• 4.6 本章小結(jié)89-91
• 第五章 總結(jié)與展望91-95
• 5.1 總結(jié)91-92
• 5.2 展望92-95
• 參考文獻(xiàn)95-103
• 作者簡(jiǎn)歷103-105
• 攻讀學(xué)位期間取得的研究成果105

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 余翔宇,孫洪,余志雄;改進(jìn)的二維點(diǎn)集凸包快速求取方法[J];武漢理工大學(xué)學(xué)報(bào);2005年10期

2 黃桂平,李廣云,王保豐,葉聲華;單目視覺(jué)測(cè)量技術(shù)研究[J];計(jì)量學(xué)報(bào);2004年04期

3 王杰臣;2維空間數(shù)據(jù)最小凸包生成算法優(yōu)化[J];測(cè)繪學(xué)報(bào);2002年01期

，

本文編號(hào)：818522