隨著工業(yè)機器人作為一種先進的智能制造裝備被不斷引入各種復雜工業(yè)環(huán)境,市場對機器人的智能性、精準性、穩(wěn)定性等也提出了更高的要求。機器視覺作為機器人感知環(huán)境的核心技術之一,可以提高工業(yè)機器人的自主能力,增強其靈活性,因此在研究和生產(chǎn)領域得到了極大的重視。盡管在基于工業(yè)機器人的再制造拆卸領域,機器視覺的研究已經(jīng)取得一些成果,但多數(shù)方法是基于人工特征提取的傳統(tǒng)圖像識別算法,特征的選擇仍需要依靠專業(yè)的知識背景,并且在復雜環(huán)境下魯棒性較差,難以實現(xiàn)高效率的目標檢測。本文圍繞再制造拆卸環(huán)境下的工業(yè)機器人識別與定位問題,針對待拆卸對象結構不穩(wěn)定,拆卸環(huán)境背景復雜的特點,深入研究以深度學習為核心的多目標檢測算法,為機器人的智能化拆卸提供技術支撐。主要研究內容如下:(1)基于工業(yè)小數(shù)據(jù)集的機電產(chǎn)品拆卸多目標識別與定位算法研究。對現(xiàn)有基于深度學習的目標檢測算法進行分析,比較基于候選區(qū)域的目標檢測算法和基于端到端的目標檢測算法的特點。針對拆卸過程中對小目標檢測精度不高的問題,選擇單核多目標檢測算法進行改進,提出一種融合底層細節(jié)特征和高層語義特征的輕卷積網(wǎng)絡結構。依據(jù)數(shù)據(jù)集樣本分布,豐富錨點框比例尺度來提高檢測精...

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

圖1-2機器視覺在工業(yè)機器人中的應用實例日本公司研發(fā)的binpicking視覺機器人，利用機器學習來進行散堆拾撿和故障異常檢測

4KUKA、意大利COMAU、中國SIASUN等，已被大量投入使用。機器視覺作為應用領域關注的重點方向之一，為提高機器人的智能性、規(guī)避人為主觀因素干擾提供了機會。如圖1-2所示為幾種常見的基于機器視覺引導的工業(yè)機器人應用實例。圖1-2（a）中所示為正在進行托盤分揀的分揀機器人；1....

圖2-3YOLO目標檢測系統(tǒng)[34]

15優(yōu)點：1)更高的檢測精度。在公開數(shù)據(jù)集PASCALVOC上檢測精度高達78.8%。2)生成候選區(qū)域用時更短。RPN完全從數(shù)據(jù)中學習建議區(qū)域，共享卷積計算，生成的少量候選區(qū)域也減少了區(qū)域方面的全連接層成本。因此可以從更深入和更具表達性的特征中輕松獲益。實驗證明，在測試時RPN網(wǎng)....

圖2-4交并比示意圖

16卷積網(wǎng)絡使用整個圖像的特征來預測每個邊界框，首先輸入圖像被劃分成S×S的網(wǎng)格。每個網(wǎng)格都會生成一系列的預測默認框，假設某個目標的中心存在于某一網(wǎng)格區(qū)間內，該網(wǎng)格區(qū)間即需要承擔該目標檢測任務，該任務包括對默認框的坐標位置和置信度分數(shù)進行評估。置信度分數(shù)反映了該模型對默認框是否包....

圖2-6錨點框結構

18但小邊界框的小誤差對IOU的影響要大得多。因此在對待大小物體的處理上，還有待加強。（2）SSD:SingleShotMultiBoxDetectorSSD[35]網(wǎng)絡是一個既保證檢測速度，又保證檢測精度的單次多目標檢測網(wǎng)絡。該網(wǎng)絡綜合了YOLO網(wǎng)絡的回歸理論和FasterR-....

本文編號：4015454