自電商誕生以來,快遞業(yè)務(wù)量與日俱增,快遞企業(yè)亟待提高對快遞的分揀能力。在此背景下,本文設(shè)計了一種基于視覺的機器人快遞分揀系統(tǒng),專門用于分揀貼有手寫快遞單的快遞包裹。為了實現(xiàn)系統(tǒng)的設(shè)計目標(biāo),論文主要做了以下幾項工作:(1)使用ABB IRB1410工業(yè)機器人、單雙目攝像機、主控電腦、STM32等硬件構(gòu)建了機器人分揀系統(tǒng),并在串口通信和以太網(wǎng)通信的基礎(chǔ)上,單獨設(shè)計了一套通信協(xié)議,取得了良好的控制效果。(2)將工業(yè)機器人與機器視覺相結(jié)合,使得機器人可以定位抓取快遞。通過雙目標(biāo)定、立體匹配、三角測量法,系統(tǒng)可以獲得快遞圖像的深度信息,再根據(jù)各坐標(biāo)系之間的映射關(guān)系以及手眼標(biāo)定的結(jié)果,計算出快遞中心點的圖像坐標(biāo)所對應(yīng)的機器人坐標(biāo),從而驅(qū)動機器人正確抓取。(3)從快遞圖像中提取出了手寫地址和電話。首先使用霍夫變換對快遞圖像進(jìn)行傾斜校正,再使用OTSU閾值分割、形態(tài)學(xué)處理、連通域篩選等操作提取出完整的快遞單圖像。由于手寫文本在快遞單上的位置是確定的,故可以設(shè)置固定ROI區(qū)域提取文本,并拆分成一連串字符圖片。(4)使用卷積神經(jīng)網(wǎng)絡(luò)模型對手寫字符進(jìn)行識別。對于分割出的手寫數(shù)字圖片,本文沿用了經(jīng)典的LeNe...

【文章頁數(shù)】：97 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 基于視覺的分揀機器人的研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文的研究內(nèi)容與章節(jié)安排
        1.3.1 研究內(nèi)容
        1.3.2 章節(jié)安排
2 機器人分揀系統(tǒng)設(shè)計
    2.1 引言
    2.2 系統(tǒng)整體規(guī)劃
    2.3 系統(tǒng)硬件組成
        2.3.1 相機選型
        2.3.2 光源選型
        2.3.3 六軸工業(yè)機器人
        2.3.4 機器人末端抓取設(shè)備配置
        2.3.5 STM32控制單元
    2.4 系統(tǒng)通信方式與軟件平臺
        2.4.1 系統(tǒng)組件之間的通信方式
        2.4.2 系統(tǒng)軟件平臺搭建
    2.5 本章小結(jié)
3 基于雙目視覺的快遞定位抓取
    3.1 引言
    3.2 攝像機模型
        3.2.1 針孔攝像機模型
        3.2.2 攝像機畸變模型
        3.2.3 坐標(biāo)系轉(zhuǎn)換
    3.3 雙目攝像機標(biāo)定
        3.3.1 雙目標(biāo)定方法
        3.3.2 雙目標(biāo)定步驟及結(jié)果
    3.4 快遞深度信息提取
        3.4.1 立體匹配的約束條件
        3.4.2 立體匹配的算法
        3.4.3 三角測量法
        3.4.4 快遞深度信息提取實驗
    3.5 快遞定位抓取
        3.5.1 手眼坐標(biāo)標(biāo)定
        3.5.2 機器人抓取快遞實驗
    3.6 本章小結(jié)
4 快遞單圖像分析及字符分割
    4.1 引言
    4.2 快遞圖像預(yù)處理
        4.2.1 圖像灰度化
        4.2.2 圖像濾波
        4.2.3 圖像校正
    4.3 快遞單目標(biāo)信息提取
        4.3.1 閾值分割
        4.3.2 基于OTSU的全局閾值處理
        4.3.3 快遞單信息提取
    4.4 目標(biāo)字符分割
        4.4.1 字符分割算法
        4.4.2 本文字符分割算法
    4.5 本章小結(jié)
5 基于卷積神經(jīng)網(wǎng)絡(luò)的手寫字符識別
    5.1 引言
    5.2 字符識別技術(shù)研究
        5.2.1 傳統(tǒng)字符識別算法
        5.2.2 基于深度學(xué)習(xí)的字符識別算法
        5.2.3 卷積神經(jīng)網(wǎng)絡(luò)簡介
    5.3 實驗數(shù)據(jù)集
        5.3.1 MINST手寫數(shù)字集
        5.3.2 CASIA-HWDB脫機手寫漢字集
    5.4 基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別實現(xiàn)
        5.4.1 LeNet-5網(wǎng)絡(luò)模型
        5.4.2 卷積核數(shù)目對照實驗
        5.4.3 卷積核尺寸對照實驗
        5.4.4 激活函數(shù)對網(wǎng)絡(luò)性能的影響
    5.5 基于卷積神經(jīng)網(wǎng)絡(luò)的手寫漢字識別實現(xiàn)
        5.5.1 手寫漢字識別網(wǎng)絡(luò)模型設(shè)計
        5.5.2 關(guān)于dropout的網(wǎng)絡(luò)性能優(yōu)化
        5.5.3 調(diào)整網(wǎng)絡(luò)深度對性能的影響
        5.5.4 手寫漢字的預(yù)測程序
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄 ASTM32控制板原理圖
作者簡歷



本文編號：3782847