物料分揀是智能制造/智能物流的重要環(huán)節(jié),利用機(jī)器人實(shí)現(xiàn)物料自動(dòng)化分揀是重要技術(shù)。聯(lián)合視覺技術(shù)和機(jī)器人技術(shù)的方案,使得機(jī)器人將取代人眼的智能識(shí)別功能,從而使機(jī)器人能夠高精化和智能化的進(jìn)行物料無序分揀,對(duì)能夠降低工業(yè)的生產(chǎn)成本、確保產(chǎn)品的高質(zhì)量、提高生產(chǎn)效率等具有重要意義。本文針對(duì)生產(chǎn)線物料無序的分揀需求,利用機(jī)器視覺,采集物料無序狀態(tài)圖像,結(jié)合2D圖像和3D Depth圖像特點(diǎn),提出融合2D圖像SIFT特征和3D Depth圖像的NARF特征物料三維識(shí)別與定位技術(shù)。首先,介紹項(xiàng)目的研究背景,立體視覺技術(shù)的研究現(xiàn)狀以及討論本文的研究內(nèi)容與工作的安排;其次,設(shè)計(jì)物料視覺系統(tǒng)。先描述物料無序分揀的需求,在此需求的基礎(chǔ),確定視覺系統(tǒng)各個(gè)硬件的選型,并設(shè)計(jì)物料無序分揀系統(tǒng)的視覺系統(tǒng)及對(duì)主要模塊進(jìn)行描述。第三,物料的圖像預(yù)處理。采集物料圖像的預(yù)處理包括兩個(gè)部分:2D圖像預(yù)處理和3D Depth圖像的預(yù)處理。在2D圖像預(yù)處理中,首先對(duì)圖像增強(qiáng),其次進(jìn)行圖像濾波,最后進(jìn)行圖像分割,提取物料區(qū)域。在深度圖像處理中,介紹研究引起3D Depth物料圖像產(chǎn)生畸變的原因,并提出降低噪聲誤差、提高測(cè)量精度的方法。... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景
    1.2 立體視覺技術(shù)國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作內(nèi)容與結(jié)構(gòu)安排
第二章 物料無序分揀視覺系統(tǒng)設(shè)計(jì)
    2.1 物料分揀視覺系統(tǒng)需求分析
    2.2 物料分揀的視覺系統(tǒng)設(shè)計(jì)
        2.2.1 照明設(shè)計(jì)
        2.2.2 光學(xué)成像模塊
    2.3 本章小結(jié)
第三章 物料的圖像預(yù)處理
    3.1 物料的2D圖像預(yù)處理
        3.1.1 圖像增強(qiáng)
        3.1.2 圖像濾波
        3.1.3 圖像分割
    3.2 物料的3D Depth圖像預(yù)處理
    3.3 本章小結(jié)
第四章 物料特征的識(shí)別與定位
    4.1 相機(jī)標(biāo)定
        4.1.1 相機(jī)畸變參數(shù)
        4.1.2 九點(diǎn)標(biāo)定
    4.2 二維圖像SIFT特征
        4.2.1 SIFT的概述
        4.2.2 SIFT尺度空間
        4.2.3 DoG空間極值檢測(cè)
        4.2.4 刪除冗余特征點(diǎn)
        4.2.5 特征點(diǎn)的主方向
        4.2.6 特征描述子的生成
    4.3 3D圖像的NARF特征
        4.3.1 NARF 特征邊緣檢測(cè)
        4.3.2 NARF特征點(diǎn)提取
    4.4 物料特征選擇與提取
        4.4.1 三維模型重建
        4.4.2 計(jì)算質(zhì)心三維坐標(biāo)
    4.5 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)硬件平臺(tái)的搭建
    5.2 相機(jī)標(biāo)定
    5.3 物料特征選擇提取
    5.4 基于3D模型的識(shí)別與定位
    5.5 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表專利
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種視點(diǎn)直方圖特征優(yōu)化的點(diǎn)云目標(biāo)識(shí)別算法[J]. 杜靖遠(yuǎn),鄧計(jì)才.  河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[2]改進(jìn)的基于FPFH特征配準(zhǔn)點(diǎn)云的方法[J]. 馬大賀,劉國柱.  計(jì)算機(jī)與現(xiàn)代化. 2017(11)
[3]基于FPFH特征的點(diǎn)云配準(zhǔn)技術(shù)[J]. 陳學(xué)偉,萬韜阮,王祖全.  電腦知識(shí)與技術(shù). 2017(04)
[4]基于圖像分割評(píng)估運(yùn)行絕緣子自然覆冰程度[J]. 郝艷捧,蔣曉藍(lán),陽林,李昊,李銳海.  高電壓技術(shù). 2017(01)
[5]用于三維點(diǎn)云表示的擴(kuò)展點(diǎn)特征直方圖算法[J]. 莊祉昀,張軍,孫廣富.  國防科技大學(xué)學(xué)報(bào). 2016(06)
[6]基于2維照片構(gòu)建建筑物三維模型的研究[J]. 王保云,周文,潘良波,劉煥煥.  電子技術(shù)與軟件工程. 2016(24)
[7]基于深度學(xué)習(xí)的工業(yè)分揀機(jī)器人快速視覺識(shí)別與定位算法[J]. 伍錫如,黃國明,孫立寧.  機(jī)器人. 2016(06)
[8]結(jié)合近鄰傳播聚類的自適應(yīng)圖像分割[J]. 戴珊,李廣軍.  計(jì)算機(jī)科學(xué). 2016(S1)
[9]基于Hessian矩陣和區(qū)域生長的脈絡(luò)膜血管自動(dòng)檢測(cè)[J]. 邢琳,張旭,葉雨靜,秦磊,沙雨純,朱偉芳,石霏.  軟件導(dǎo)刊. 2016(06)
[10]一種基于2D和3D SIFT特征級(jí)融合的一般物體識(shí)別算法[J]. 李新德,劉苗苗,徐葉帆,雒超民.  電子學(xué)報(bào). 2015(11)

博士論文
[1]基于RGB-D相機(jī)的運(yùn)動(dòng)平臺(tái)實(shí)時(shí)導(dǎo)航定位模型與方法研究[D]. 趙強(qiáng).中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所) 2017
[2]田間葉片圖像分割與單幅三維重建的機(jī)器視覺算法研究[D]. 王建侖.中國農(nóng)業(yè)大學(xué) 2013

碩士論文
[1]融合深度學(xué)習(xí)的圖像分類算法研究[D]. 張婉.南京郵電大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究[D]. 高鈺.北京交通大學(xué) 2018
[3]電機(jī)換向器外觀質(zhì)量在線視覺檢測(cè)系統(tǒng)[D]. 羅立浩.廣東工業(yè)大學(xué) 2016
[4]視頻運(yùn)動(dòng)對(duì)象提取與行為識(shí)別算法研究[D]. 張燕芬.湖南大學(xué) 2015
[5]基于視網(wǎng)膜圖像中微小動(dòng)脈瘤的檢測(cè)算法的研究[D]. 劉海瑞.東北大學(xué) 2013
[6]基于機(jī)器視覺的指針式儀表自動(dòng)讀數(shù)系統(tǒng)研究[D]. 范鵬發(fā).燕山大學(xué) 2013
[7]基于點(diǎn)群特征和線點(diǎn)不變量的目標(biāo)識(shí)別算法研究[D]. 王剛.廣西師范大學(xué) 2013
[8]刀口儀數(shù)字化技術(shù)的研究[D]. 楊斌.南京理工大學(xué) 2011
[9]農(nóng)業(yè)信息終端設(shè)計(jì)及作物葉片參數(shù)測(cè)量技術(shù)的研究與實(shí)現(xiàn)[D]. 任天江.南京理工大學(xué) 2011
[10]面向某半導(dǎo)體企業(yè)的芯片引腳檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 湯曉燕.蘇州大學(xué) 2010



本文編號(hào)：3019646