發(fā)布時間：2021-02-04 23:38

　　在復(fù)雜的視覺識別環(huán)境中,對目標(biāo)物體進(jìn)行抓取操作是機(jī)器人領(lǐng)域中一個基本挑戰(zhàn)。特別是在生活化場景下機(jī)器人抓取物體時,機(jī)器人對任意姿態(tài)放置的物體難以快速準(zhǔn)確地識別目標(biāo)并成功地抓取。因此,迫切需要提高機(jī)器人視覺目標(biāo)識別和目標(biāo)位姿估計能力,從而可使機(jī)器人準(zhǔn)確地操作目標(biāo)物體。傳統(tǒng)的目標(biāo)識別和位姿估計算法都依賴于人為設(shè)計特征算子提取相關(guān)特征信息,而且在復(fù)雜環(huán)境下難以針對所有情景設(shè)計出精確的特征算子。同時,基于模板匹配的傳統(tǒng)位姿估計算法僅二維圖像無法估計出物體位姿。因此,針對復(fù)雜場景下的目標(biāo)識別和基于二維圖像的位姿估計的研究對提高機(jī)器人的自主能力十分重要。與傳統(tǒng)方法不同,以深度卷積神經(jīng)網(wǎng)絡(luò)為代表的數(shù)據(jù)驅(qū)動方法,通過自主學(xué)習(xí)相關(guān)特征映射,對目標(biāo)任務(wù)的相關(guān)特征具有強(qiáng)大的表征能力。同時,卷積神經(jīng)網(wǎng)絡(luò)的同變性提高了其在復(fù)雜環(huán)境下識別目標(biāo)的準(zhǔn)確性。因此,本文基于深度卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)物體的識別及位姿估計問題展開了一系列的研究:1、基于空洞卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)分割研究。針對復(fù)雜場景中小目標(biāo)物體的識別問題,本文利用空洞卷積在特征圖中保留較為豐富的空間結(jié)構(gòu)信息,建立了基于空洞卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)分割網(wǎng)絡(luò)模型�；趌abe... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：98 頁

【學(xué)位級別】：碩士

【部分圖文】：

機(jī)器人自主抓取操作任務(wù)

法基于表現(xiàn)目標(biāo)的表現(xiàn)特征描述進(jìn)行目標(biāo)中灰度閾值、區(qū)域、輪廓等視覺特征對圖征描述[2]有方向梯度直方圖特征（Histogra特征變換（Scale-invariant feature transform信息為目標(biāo)構(gòu)建特征描述子（Descriptor），別和分割，如圖 1-3 所示。雖然傳統(tǒng)圖像分計算機(jī)視覺理解任務(wù)，但需要人為設(shè)計特求較高，僅在結(jié)構(gòu)化環(huán)境下可達(dá)到預(yù)期的目標(biāo)識別。而與傳統(tǒng)圖像分割方法相比，力，可從大量的數(shù)據(jù)中自主學(xué)習(xí)特征映射究進(jìn)展，已成為現(xiàn)今計算機(jī)視覺領(lǐng)域的基高了深度卷積神經(jīng)網(wǎng)絡(luò)的技術(shù)。

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 取不同尺度特征，增加多尺度輸入的多層網(wǎng)絡(luò)模型的訓(xùn)練難重復(fù)性較大且限制感受野的區(qū)域，使得模型訓(xùn)練效率較低。內(nèi)存較大，導(dǎo)致基于圖像塊的圖像分割算法十分依賴硬件的年，UC Berkeley 的 Lone 等人提出了全卷積神經(jīng)網(wǎng)絡(luò)al Network，F(xiàn)CN）[7]，去除了原有基于圖像分類的卷積神經(jīng)對圖像像素進(jìn)行密集預(yù)測。將全連接層轉(zhuǎn)換為卷積層，F(xiàn)CN圖，進(jìn)行有效的端到端密集學(xué)習(xí)，如圖 1-4 所示。卷積化模型自然而然地對目標(biāo)分割這類密集問題進(jìn)行推測，與基于圖像圖像輸入至 FCN，網(wǎng)絡(luò)的每個輸出單元均有可用實際值，充，對網(wǎng)絡(luò)的前向計算和反向傳播進(jìn)行積極地優(yōu)化，大大地提這之后，有關(guān)于目標(biāo)分割的絕大部分研究中都會采用 FCN 網(wǎng)

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測綜述[J]. 吳帥,徐勇,趙東寧.  模式識別與人工智能. 2018(04)



本文編號：3019119