發(fā)布時(shí)間：2022-01-25 00:43

　　近些年來,深度學(xué)習(xí)以及工業(yè)自動(dòng)化技術(shù)的飛速發(fā)展使機(jī)器視覺在現(xiàn)代工業(yè)生產(chǎn)中被廣泛應(yīng)用。機(jī)器視覺可以獲取場景內(nèi)物體的各種信息,增強(qiáng)機(jī)器人對于周圍環(huán)境的感知能力和對突變情況的反應(yīng)能力,大大提高生產(chǎn)的效率。針對工業(yè)生產(chǎn)線上的工件實(shí)時(shí)檢測與定位問題,本文提出了基于深度學(xué)習(xí)技術(shù)和雙目IR結(jié)構(gòu)光深度相機(jī)相結(jié)合的工件檢測和定位方法,可以實(shí)現(xiàn)對目標(biāo)工件的實(shí)時(shí)類別檢測和三維坐標(biāo)獲取。論文將圍繞目標(biāo)檢測算法、RGB-D深度相機(jī)以及三維視覺測量進(jìn)行研究。隨著深度學(xué)習(xí)的迅速發(fā)展和逐漸成熟,使用深度學(xué)習(xí)算法來解決目標(biāo)檢測問題是當(dāng)下的主流�；谏窠�(jīng)網(wǎng)絡(luò)的各種目標(biāo)檢測算法接連問世,并且經(jīng)過不斷完善和改進(jìn)在標(biāo)準(zhǔn)數(shù)據(jù)集上顯示出了更好的性能。本文搭建了Google的Tensor Flow Object＿detection API架構(gòu),采用SSD與Mobilenet網(wǎng)絡(luò)相結(jié)合的SSD-Mobilenet網(wǎng)絡(luò)實(shí)現(xiàn)對相機(jī)捕獲的視頻流中工件的實(shí)時(shí)檢測。SSD網(wǎng)絡(luò)將YOLO的回歸理念和Faster RCNN的Anchor機(jī)制相結(jié)合,既保證了檢測的速度,也達(dá)到了很高的準(zhǔn)確度。Mobilenet模型是一種專門為嵌入式移動(dòng)設(shè)備設(shè)計(jì)的輕量級(jí)... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid函數(shù)圖

基于SSD-Mobilenet網(wǎng)絡(luò)和RGB-D相機(jī)的工件檢測與定位系統(tǒng)研究16Sigmoid函數(shù)數(shù)學(xué)公式如下：f(x)=11+ex(2-8)圖2-6Sigmoid函數(shù)圖如圖2-7是Tanh函數(shù)圖，它解決了Sigmoid函數(shù)的輸出不是以零為中心的問題，然而梯度彌散和冪運(yùn)算的問題依舊存在。當(dāng)輸入非常大以及非常小時(shí)，輸出也是幾乎平滑，梯度很校Tanh函數(shù)的數(shù)學(xué)公式如下：tnh(x)=exexex+ex(2-9)圖2-7Tanh函數(shù)圖如圖2-8所示是ReLU函數(shù)圖，它是一個(gè)取最大值函數(shù)，具有單側(cè)抑制的作用。在輸入小于零時(shí)，輸出為零；在輸入信號(hào)比零大時(shí)，輸出與輸入相等。因此該函數(shù)線性不飽和，收斂速度更快，很好地解決了Sigmod函數(shù)梯度消失的問題，而且僅僅只要一個(gè)閾值就能獲得激活值，減少了大量復(fù)雜的計(jì)算，但是也存在訓(xùn)練過程中因下降太快神經(jīng)元不被激活的情況。

第2章工件檢測與定位系統(tǒng)設(shè)計(jì)與理論基礎(chǔ)17ReLU函數(shù)數(shù)學(xué)公式如下：fx=mx0x(2-10)圖2-8Relu函數(shù)圖如圖2-9所示是LeakyReLU函數(shù)圖，LeakyReLU解決了ReLU中出現(xiàn)的問題。橫向正軸是斜率為一的線性函數(shù)，負(fù)軸是一個(gè)斜率較小的函數(shù)，這樣在調(diào)整了數(shù)據(jù)分布的同時(shí)又能保證負(fù)軸信息的完整性。LeakyReLU函數(shù)數(shù)學(xué)公式如下：fx={xix≤0xix>0(2-11)——比1小很多的負(fù)數(shù)梯度值圖2-9LeakyReLU函數(shù)圖（2）池化層在卷積層進(jìn)行卷積運(yùn)算提取特征后，輸出的特征圖會(huì)輸入到池化層進(jìn)行篩選或融合，選取適當(dāng)?shù)挠写硇缘狞c(diǎn)來表示一個(gè)區(qū)域。這能進(jìn)行泛化和降維，有效地減少計(jì)算量，在一定程度上防止過擬合。常用的有最大池化(Maxpooling)、平均池化(Average

【參考文獻(xiàn)】：
期刊論文
[1]3D真的來了嗎？——三維結(jié)構(gòu)光傳感器漫談[J]. 左超,張曉磊,胡巖,尹維,沈德同,鐘錦鑫,鄭晶,陳錢.  紅外與激光工程. 2020(03)
[2]基于結(jié)構(gòu)光的三維測量技術(shù)研究[J]. 宋少哲,牛金星,張濤.  河南科技. 2019(22)
[3]基于Intel RealSense的膠印機(jī)感知展示系統(tǒng)設(shè)計(jì)[J]. 董春俠,司占軍,劉建東.  包裝工程. 2017(11)
[4]基于Kinect v2的實(shí)時(shí)精確三維重建系統(tǒng)[J]. 李詩銳,李琪,李海洋,侯沛宏,曹偉國,王向東,李華.  軟件學(xué)報(bào). 2016(10)
[5]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)
[6]結(jié)構(gòu)光編碼方法綜述[J]. 陳彥軍,左旺孟,王寬全,吳秋峰.  小型微型計(jì)算機(jī)系統(tǒng). 2010(09)
[7]結(jié)構(gòu)光三維視覺測量關(guān)鍵技術(shù)的研究[J]. 呂乃光,孫鵬,婁小平,韓建棟.  北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(01)
[8]基于調(diào)制度分析的快速三維物體識(shí)別方法[J]. 王瑩,蘇顯渝.  光學(xué)學(xué)報(bào). 2010(03)
[9]一種自適應(yīng)的Harris角點(diǎn)檢測算法[J]. 趙萬金,龔聲蓉,劉純平,沈項(xiàng)軍.  計(jì)算機(jī)工程. 2008(10)
[10]基于雙目計(jì)算機(jī)視覺的自適應(yīng)識(shí)別算法及其監(jiān)控應(yīng)用[J]. 丁謹(jǐn),王新.  中國圖象圖形學(xué)報(bào). 2006(11)

博士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的文本特征表示關(guān)鍵技術(shù)研究[D]. 韓旭.北京郵電大學(xué) 2019
[2]結(jié)構(gòu)光深度圖像獲取和處理與三維重建研究[D]. 范劍英.哈爾濱理工大學(xué) 2010

碩士論文
[1]基于結(jié)構(gòu)光視覺的非合作目標(biāo)位姿估計(jì)與三維重構(gòu)研究[D]. 祝寧宇.哈爾濱工業(yè)大學(xué) 2019
[2]基于結(jié)構(gòu)光和立體視覺的主被動(dòng)結(jié)合深度獲取方法[D]. 竇平方.西安電子科技大學(xué) 2017
[3]雙目結(jié)構(gòu)光視覺系統(tǒng)及三維重建方法實(shí)現(xiàn)[D]. 王良丹.浙江工業(yè)大學(xué) 2017
[4]基于雙目立體視覺的三維重建技術(shù)研究及實(shí)現(xiàn)[D]. 譚健勝.華南理工大學(xué) 2017
[5]雙目結(jié)構(gòu)光三維成像系統(tǒng)研究[D]. 馮云.湖南大學(xué) 2017
[6]基于計(jì)算機(jī)視覺中雙目立體匹配技術(shù)研究[D]. 裴聰.江蘇大學(xué) 2010
[7]快速中距離三維掃描儀設(shè)計(jì)和實(shí)現(xiàn)的研究[D]. 陳玉林.首都師范大學(xué) 2008
[8]基于傅里葉變換的點(diǎn)衍射干涉術(shù)的研究[D]. 王惠臨.四川大學(xué) 2007



本文編號(hào)：3607593