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

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)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(jī)器人國(guó)內(nèi)外研究進(jìn)展
        1.2.1 國(guó)外研究進(jìn)展
        1.2.2 國(guó)內(nèi)研究進(jìn)展
    1.3 機(jī)器視覺(jué)國(guó)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(cè)發(fā)展現(xiàn)狀
    1.4 論文主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)
第2章 自動(dòng)摘鉤機(jī)器人結(jié)構(gòu)設(shè)計(jì)
    2.1 引言
        2.1.1 貨運(yùn)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(jī)器人結(jié)構(gòu)設(shè)計(jì)
        2.2.1 車鉤的連掛與解鎖原理
        2.2.2 自動(dòng)摘鉤機(jī)器人基本參數(shù)確定
        2.2.3 自動(dòng)摘鉤機(jī)器人驅(qū)動(dòng)器
        2.2.4 自動(dòng)摘鉤機(jī)器人傳動(dòng)部件
        2.2.5 自動(dòng)摘鉤機(jī)器人末端執(zhí)行機(jī)構(gòu)
    2.3 自動(dòng)摘鉤機(jī)器人組成系統(tǒng)及工作原理
    2.4 小結(jié)
第3章 自動(dòng)摘鉤機(jī)器人運(yùn)動(dòng)學(xué)分析
    3.1 引言基于ADAMS的運(yùn)動(dòng)仿真分析
        3.1.1 虛擬樣機(jī)技術(shù)
        3.1.2 自動(dòng)摘鉤機(jī)器人ADAMS運(yùn)動(dòng)仿真
    3.2 ADAMS運(yùn)動(dòng)學(xué)仿真
        3.2.1 建立三維模型
        3.2.2 載荷對(duì)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(dòng)
        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(shí)別算法
    4.1 深度學(xué)習(xí)
    4.2 車鉤識(shí)別
    4.3 基于深度學(xué)習(xí)車鉤識(shí)別算法設(shè)計(jì)步驟
        4.3.1 車鉤圖片數(shù)據(jù)集設(shè)計(jì)
        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(jì)
        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(cè)算法評(píng)價(jià)標(biāo)準(zhǔn)
    4.7 小結(jié)
第5章 車鉤識(shí)別實(shí)驗(yàn)
    5.1 車鉤識(shí)別實(shí)驗(yàn)平臺(tái)搭建
    5.2 目標(biāo)檢測(cè)算法評(píng)價(jià)標(biāo)準(zhǔn)
        5.2.1 損失函數(shù)性能對(duì)比
        5.2.2 Mean Average Precision(m AP)性能對(duì)比
        5.2.3 實(shí)時(shí)檢測(cè)速率FPS和P-R曲線
    5.3 實(shí)驗(yàn)結(jié)果
        5.3.1 算法魯棒性測(cè)試
        5.3.2 車鉤手柄識(shí)別實(shí)驗(yàn)對(duì)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(hào)：3803025