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(dòng)分揀任務(wù)復(fù)雜。工廠物品自動(dòng)分揀裝置主要包括視覺(jué)算法部分和動(dòng)力學(xué)裝置,本論文主要研究視覺(jué)算法部分。隨著深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)技術(shù)的飛速發(fā)展,國(guó)內(nèi)外企業(yè)、高校已經(jīng)非常重視以機(jī)器視覺(jué)為基礎(chǔ)的自動(dòng)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(jué)、機(jī)器人、金融和醫(yī)療等方面帶來(lái)了新的發(fā)展機(jī)遇。將深度學(xué)習(xí)應(yīng)用到工廠自動(dòng)化生產(chǎn)領(lǐng)域已成為人們相同的共識(shí)和挑戰(zhàn),也為其工作速度加快帶來(lái)了新的動(dòng)力。本文的主要研究?jī)?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(guò)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(cè)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(yǔ)義分割和二維和三維信息融合方面的應(yīng)用。針對(duì)工廠物品自動(dòng)分揀的問(wèn)題,本文詳細(xì)分析了主流語(yǔ)義分割網(wǎng)絡(luò)和基于生成對(duì)抗網(wǎng)絡(luò)的語(yǔ)義分割網(wǎng)絡(luò)的優(yōu)劣勢(shì),并最終以循環(huán)生成對(duì)抗網(wǎng)絡(luò)為基礎(chǔ),設(shè)計(jì)了針對(duì)工廠物品的語(yǔ)義分割網(wǎng)絡(luò)。針對(duì)數(shù)據(jù)信息提取,使用了成對(duì)數(shù)據(jù)以提高更多的語(yǔ)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(lái)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(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)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(dòng)分揀技術(shù)研究現(xiàn)狀
        1.2.1 國(guó)外自動(dòng)分揀技術(shù)研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)自動(dòng)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(yǔ)義分割算法設(shè)計(jì)
    3.1 算法概述
    3.2 圖像語(yǔ)義分割原理
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)義分割算法研究
        3.3.1 全卷積神經(jīng)網(wǎng)絡(luò)語(yǔ)義分割算法
        3.3.2 解碼器-編碼器語(yǔ)義分割算法
        3.3.3 DeepLab語(yǔ)義分割算法
        3.3.4 基于GAN的語(yǔ)義分割算法
        3.3.5 對(duì)比與分析
    3.4 語(yǔ)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(duì)工廠物品的自動(dòng)分揀視覺(jué)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(yǔ)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(dòng)迭代微調(diào)預(yù)測(cè)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(píng)價(jià)指標(biāo)
        5.2.1 語(yǔ)義分割結(jié)果評(píng)價(jià)指標(biāo)
        5.2.2 二維和三維圖像融合結(jié)果評(píng)價(jià)指標(biāo)
    5.3語(yǔ)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(guò)程
        5.3.3對(duì)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(duì)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(jué)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(shí)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(jué)中攝像機(jī)定標(biāo)綜述[J]. 邱茂林,馬頌德,李毅.  自動(dòng)化學(xué)報(bào). 2000(01)

博士論文
[1]面向建筑測(cè)繪的地面激光掃描模式識(shí)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(duì)距離測(cè)量技術(shù)研究[D]. 許艷.華中科技大學(xué) 2012

碩士論文
[1]我國(guó)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(yǔ)外貿(mào)大學(xué) 2018
[2]基于機(jī)器視覺(jué)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(shí)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(chǎng)景下視覺(jué)跟蹤[D]. 徐林忠.浙江大學(xué) 2008



本文編號(hào)：3184782