工廠物品本身種類繁多、材質(zhì)不同、顏色多樣以及和背景之間存在的空間位置關(guān)系,自動分揀任務(wù)復(fù)雜。工廠物品自動分揀裝置主要包括視覺算法部分和動力學(xué)裝置,本論文主要研究視覺算法部分。隨著深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)的飛速發(fā)展,國內(nèi)外企業(yè)、高校已經(jīng)非常重視以機(jī)器視覺為基礎(chǔ)的自動分揀技術(shù),并且在工廠生產(chǎn)中得到了極大的應(yīng)用。深度學(xué)習(xí)能有力的進(jìn)行特征選擇和表征,為計(jì)算機(jī)視覺、機(jī)器人、金融和醫(yī)療等方面帶來了新的發(fā)展機(jī)遇。將深度學(xué)習(xí)應(yīng)用到工廠自動化生產(chǎn)領(lǐng)域已成為人們相同的共識和挑戰(zhàn),也為其工作速度加快帶來了新的動力。本文的主要研究內(nèi)容如下:首先,介紹了深度學(xué)習(xí)的發(fā)展歷史和特點(diǎn),其通過構(gòu)建深層模型和大量數(shù)據(jù)學(xué)習(xí)更有用的特征進(jìn)而得到很高的分類或預(yù)測的準(zhǔn)確性。重點(diǎn)闡述了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展、結(jié)構(gòu)和性質(zhì),以及其在語義分割和二維和三維信息融合方面的應(yīng)用。針對工廠物品自動分揀的問題,本文詳細(xì)分析了主流語義分割網(wǎng)絡(luò)和基于生成對抗網(wǎng)絡(luò)的語義分割網(wǎng)絡(luò)的優(yōu)劣勢,并最終以循環(huán)生成對抗網(wǎng)絡(luò)為基礎(chǔ),設(shè)計(jì)了針對工廠物品的語義分割網(wǎng)絡(luò)。針對數(shù)據(jù)信息提取,使用了成對數(shù)據(jù)以提高更多的語義分割信息,同時(shí)增加了特征提取網(wǎng)絡(luò)增強(qiáng)網(wǎng)絡(luò)的特征提取和學(xué)習(xí)能... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究意義
    1.2 工業(yè)自動分揀技術(shù)研究現(xiàn)狀
        1.2.1 國外自動分揀技術(shù)研究現(xiàn)狀
        1.2.2 國內(nèi)自動分揀技術(shù)研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 本文的工作與貢獻(xiàn)
    1.4 本文的組織與結(jié)構(gòu)
第2章 二維和三維圖像融合算法設(shè)計(jì)
    2.1 算法概述
    2.2 卷積神經(jīng)網(wǎng)絡(luò)原理
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)造
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)性質(zhì)
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        2.2.4 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用
    2.3 二維和三維圖像融合技術(shù)
        2.3.1 傳統(tǒng)二維和三維圖像融合算法
        2.3.2 SPLATNet算法研究
        2.3.3 Frustrum PointNet算法研究
        2.3.4 DenseFusion算法研究
    2.4 二維和三維圖像融合算法設(shè)計(jì)
    2.5 本章小結(jié)
第3章 圖像語義分割算法設(shè)計(jì)
    3.1 算法概述
    3.2 圖像語義分割原理
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割算法研究
        3.3.1 全卷積神經(jīng)網(wǎng)絡(luò)語義分割算法
        3.3.2 解碼器-編碼器語義分割算法
        3.3.3 DeepLab語義分割算法
        3.3.4 基于GAN的語義分割算法
        3.3.5 對比與分析
    3.4 語義分割網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    3.5 本章小結(jié)
第4章 針對工廠物品的自動分揀視覺算法研究
    4.1 算法概述
    4.2 樣本集收集及預(yù)處理方法
        4.2.1 樣本集收集
        4.2.2 樣本集預(yù)處理方法
    4.3 CycleGAN語義分割算法研究
        4.3.1 改變數(shù)據(jù)形式
        4.3.2 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 優(yōu)化損失函數(shù)
    4.4 二維和三維圖像融合算法研究
        4.4.1 二維和三維圖像融合網(wǎng)絡(luò)
        4.4.2 自動迭代微調(diào)預(yù)測結(jié)果
    4.5 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)
        5.1.1 實(shí)驗(yàn)環(huán)境
        5.1.2 實(shí)驗(yàn)數(shù)據(jù)
    5.2 結(jié)果評價(jià)指標(biāo)
        5.2.1 語義分割結(jié)果評價(jià)指標(biāo)
        5.2.2 二維和三維圖像融合結(jié)果評價(jià)指標(biāo)
    5.3語義分割實(shí)驗(yàn)
        5.3.1 訓(xùn)練細(xì)節(jié)
        5.3.2 網(wǎng)絡(luò)訓(xùn)練過程
        5.3.3對比實(shí)驗(yàn)
        5.3.4 網(wǎng)絡(luò)訓(xùn)練結(jié)果與分析
    5.4 二維和三維圖像融合實(shí)驗(yàn)
        5.4.1 訓(xùn)練細(xì)節(jié)
        5.4.2 對比實(shí)驗(yàn)
        5.4.3 網(wǎng)絡(luò)訓(xùn)練結(jié)果與分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]安防監(jiān)控系統(tǒng)技術(shù)的發(fā)展綜述[J]. 周躍峰,郭杰榮.  湖南文理學(xué)院學(xué)報(bào)(自然科學(xué)版). 2014(02)
[2]高速機(jī)器人分揀系統(tǒng)機(jī)器視覺技術(shù)的研究[J]. 晏祖根,李明,徐克非,孫小華,閆志鵬,孫智慧.  包裝與食品機(jī)械. 2014(01)
[3]零件圖像識別特征的研究[J]. 張洛平,權(quán)歡歡,周英梅.  河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(06)
[4]工業(yè)機(jī)器人產(chǎn)業(yè)現(xiàn)狀與發(fā)展[J]. 徐方.  機(jī)器人技術(shù)與應(yīng)用. 2007(05)
[5]計(jì)算機(jī)視覺中攝像機(jī)定標(biāo)綜述[J]. 邱茂林,馬頌德,李毅.  自動化學(xué)報(bào). 2000(01)

博士論文
[1]面向建筑測繪的地面激光掃描模式識別方法研究[D]. 梁玉斌.武漢大學(xué) 2013
[2]基于飛秒光頻梳的絕對距離測量技術(shù)研究[D]. 許艷.華中科技大學(xué) 2012

碩士論文
[1]我國人工智能概念股上市公司盈利能力及其影響因素分析[D]. 蔡新霞.廣東外語外貿(mào)大學(xué) 2018
[2]基于機(jī)器視覺的工業(yè)機(jī)器人分揀系統(tǒng)的研究[D]. 杜榮.南京林業(yè)大學(xué) 2009
[3]基于SIFT和NDLT的目標(biāo)識別技術(shù)研究[D]. 郭佳欣.中北大學(xué) 2009
[4]基于粒子濾波和卡爾曼濾波的復(fù)雜場景下視覺跟蹤[D]. 徐林忠.浙江大學(xué) 2008



本文編號：3184782