基于機器人視覺的鋼板件檢測、位姿估計與抓取
發(fā)布時間:2021-05-22 04:55
三維物體檢測與位姿估計是機器人感知環(huán)境的基礎(chǔ),它賦予機器人一定的“智能”,在無人干擾的情況下實現(xiàn)物體上下料、裝配、搬運等任務(wù)。然而,當(dāng)機器人處在非結(jié)構(gòu)環(huán)境下時,同種或不同種物體之間的無序交錯堆疊、相互遮擋,給物體檢測和位姿估計帶來了非常大的困難。因此,本課題研究一種三維物體檢測、位姿估計與抓取的方法,可使機器人在上述復(fù)雜的情況下仍能完成任務(wù),并針對鋼板抓取這一實際應(yīng)用展開研究。本文的主要工作包括以下幾個方面:1)針對SSD網(wǎng)絡(luò)中小物體檢測性能的缺失,提出了一種改進特征融合的SSD物體檢測算法,有效的提升了小物體的檢測性能。文章通過使用反卷積將具有強語義信息的高層特征添加到低層特征層中,并結(jié)合跳躍連接加速網(wǎng)絡(luò)訓(xùn)練,提升物體檢測能力;且在各特征層融合處,利用神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)的特點,提出自適應(yīng)加權(quán)連接。2)為降低模板匹配中的重復(fù)識別和誤識別結(jié)果,提出了一種目標(biāo)物體感興趣區(qū)域的模板匹配算法。本文利用改進的SSD獲取物體的感興趣區(qū)域,且只在感興趣區(qū)域內(nèi)使用模板匹配,實現(xiàn)了物體誤識別率的降低。為進一步去除物體局部誤識別,通過改進模板聚類的方法,提出了一種基于相似空間位置的模板聚類方法。3)針對三維...
【文章來源】:廣東工業(yè)大學(xué)廣東省
【文章頁數(shù)】:82 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 課題背景與研究意義
1.2 國內(nèi)外研究現(xiàn)狀
1.3 主要研究內(nèi)容
第二章 基于深度學(xué)習(xí)的物體檢測
2.1 概述
2.2 基本理論
2.2.1 物體檢測基本流程
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.3 SSD:單發(fā)多框檢測器
2.3 基于深度學(xué)習(xí)的改進特征融合SSD物體檢測方法
2.3.1 SSD網(wǎng)絡(luò)改進研究
2.3.2 反卷積與跳躍連接
2.3.3 網(wǎng)絡(luò)改進結(jié)構(gòu)
2.3.4 網(wǎng)絡(luò)訓(xùn)練步驟
2.4 實驗結(jié)果與分析
2.4.1 不同層融合效果對比
2.4.2 物體檢測精度對比
2.4.3 運行時間
2.4.4 檢測結(jié)果可視化
2.5 本章小結(jié)
第三章 基于模板匹配的精確物體檢測
3.1 概述
3.2 改進特征融合SSD物體檢測預(yù)處理
3.3 LineMOD算法原理與模板采集
3.4 LineMOD算法實現(xiàn)與改進
3.4.1 基于相似空間的模板聚類
3.4.2 非極大值抑制
3.5 本章小結(jié)
第四章 物體位姿估計
4.1 概述
4.2 一種平面物體的粗糙位姿估計方法
4.3 基于LineMOD算法的精細位姿估計
4.3.1 初始位姿估計
4.3.2 點云預(yù)處理
4.3.3 ICP方法原理
4.3.4 基于ICP算法從粗到精的位姿修正
4.4 位姿驗證
4.5 實驗與結(jié)果分析
4.5.1 模型訓(xùn)練與評價指標(biāo)
4.5.2 目標(biāo)物體識別率分析
4.5.3 與主流方法對比實驗
4.5.4 檢測與位姿估計可視化
4.6 本章小結(jié)
第五章 視覺引導(dǎo)下的機器人鋼板抓取
5.1 概述
5.2 機器人抓取系統(tǒng)的硬件組成
5.3 機器人抓取系統(tǒng)的軟件框架
5.3.1 軟件平臺
5.3.2 圖像采集模塊
5.3.3 物體檢測與位姿估計模塊
5.3.4 軌跡規(guī)劃與執(zhí)行模塊
5.4 機器人抓取位姿的生成
5.5 鋼板抓取策略
5.5.1 第一次拍攝處理
5.5.2 第二次拍攝處理
5.6 鋼板抓取實驗
5.6.1 四種鋼板抓取實驗截圖
5.6.2 四種鋼板抓取成功率分析
5.6.3 鋼板位姿估計誤差分析
5.7 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀學(xué)位期間發(fā)表的論文
致謝
本文編號:3201023
【文章來源】:廣東工業(yè)大學(xué)廣東省
【文章頁數(shù)】:82 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 課題背景與研究意義
1.2 國內(nèi)外研究現(xiàn)狀
1.3 主要研究內(nèi)容
第二章 基于深度學(xué)習(xí)的物體檢測
2.1 概述
2.2 基本理論
2.2.1 物體檢測基本流程
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.3 SSD:單發(fā)多框檢測器
2.3 基于深度學(xué)習(xí)的改進特征融合SSD物體檢測方法
2.3.1 SSD網(wǎng)絡(luò)改進研究
2.3.2 反卷積與跳躍連接
2.3.3 網(wǎng)絡(luò)改進結(jié)構(gòu)
2.3.4 網(wǎng)絡(luò)訓(xùn)練步驟
2.4 實驗結(jié)果與分析
2.4.1 不同層融合效果對比
2.4.2 物體檢測精度對比
2.4.3 運行時間
2.4.4 檢測結(jié)果可視化
2.5 本章小結(jié)
第三章 基于模板匹配的精確物體檢測
3.1 概述
3.2 改進特征融合SSD物體檢測預(yù)處理
3.3 LineMOD算法原理與模板采集
3.4 LineMOD算法實現(xiàn)與改進
3.4.1 基于相似空間的模板聚類
3.4.2 非極大值抑制
3.5 本章小結(jié)
第四章 物體位姿估計
4.1 概述
4.2 一種平面物體的粗糙位姿估計方法
4.3 基于LineMOD算法的精細位姿估計
4.3.1 初始位姿估計
4.3.2 點云預(yù)處理
4.3.3 ICP方法原理
4.3.4 基于ICP算法從粗到精的位姿修正
4.4 位姿驗證
4.5 實驗與結(jié)果分析
4.5.1 模型訓(xùn)練與評價指標(biāo)
4.5.2 目標(biāo)物體識別率分析
4.5.3 與主流方法對比實驗
4.5.4 檢測與位姿估計可視化
4.6 本章小結(jié)
第五章 視覺引導(dǎo)下的機器人鋼板抓取
5.1 概述
5.2 機器人抓取系統(tǒng)的硬件組成
5.3 機器人抓取系統(tǒng)的軟件框架
5.3.1 軟件平臺
5.3.2 圖像采集模塊
5.3.3 物體檢測與位姿估計模塊
5.3.4 軌跡規(guī)劃與執(zhí)行模塊
5.4 機器人抓取位姿的生成
5.5 鋼板抓取策略
5.5.1 第一次拍攝處理
5.5.2 第二次拍攝處理
5.6 鋼板抓取實驗
5.6.1 四種鋼板抓取實驗截圖
5.6.2 四種鋼板抓取成功率分析
5.6.3 鋼板位姿估計誤差分析
5.7 本章小結(jié)
總結(jié)與展望
參考文獻
攻讀學(xué)位期間發(fā)表的論文
致謝
本文編號:3201023
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3201023.html
最近更新
教材專著