近幾年深度學習在計算機視覺領域展現出了強大的生命力且在實際應用中擁有很大的發(fā)展?jié)摿?但是在工業(yè)領域的應用相對較少。本課題研究的是基于深度學習的工業(yè)機器人目標識別、定位及位姿估計問題,目的就是將機器人視覺同深度學習結合進行算法應用嘗試,從視覺角度擴展機器人的目標檢測任務類型,以便工業(yè)機器人完成進一步的目標抓取或吸取操作。首先,針對工業(yè)機器人利用抓手進行目標抓取的視覺檢測場景,本文提出了基于Faster R-CNN的平面目標抓取位置檢測模型。將用于目標定位框的輸出轉換為兩點式抓取位置檢測,直接輸出可抓取位置點的坐標。其次,針對工業(yè)機器人利用吸盤進行目標吸取的視覺檢測場景,以Faster R-CNN為基礎提出了平面目標定位和位姿估計模型,增加了用于估計位姿的網絡輸出層,使網絡能同時完成對目標的檢測識別及位姿估計等任務,以便對機器人末端吸盤進行對應角度旋轉從而實現平面工件吸取任務。最后,搭建機器人視覺平臺并進行了單目二維視覺檢測實驗,在實驗階段對提出的兩個模型分別進行了性能測試,以Cornell物品、工業(yè)PCB、EPFL汽車數據集為例:在抓取位置檢測實驗中,利用上述前兩個數據集分別對兩點式抓取...

【文章頁數】：87 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 研究現狀及發(fā)展趨勢
        1.2.1 深度學習目標定位及位姿估計研究現狀
        1.2.2 智能機器人視覺技術研究現狀
    1.3 研究內容與方法
    1.4 論文結構安排
第2章 相關技術研究
    2.1 深度學習目標檢測模型
        2.1.1 目標識別定位模型:Faster R-CNN
    2.2 多任務學習模型
    2.3 多任務模型訓練
    2.4 圖像預處理
        2.4.1 圖像的畸變矯正
    2.5 相機及視覺系統(tǒng)標定
        2.5.1 相機內參數模型及標定實驗
    2.6 本章小結
第3章 基于深度學習的目標識別定位及位姿估計算法研究
    3.1 目標識別定位及位姿估計問題描述
    3.2 抓取場景:平面目標抓取位置檢測模型
        3.2.1 模型結構
        3.2.2 模型評估標準
        3.2.3 抓取點樣本生成
        3.2.4 抓取點檢測
        3.2.5 抓取位置檢測損失函數
    3.3 吸取場景:平面目標定位和位姿估計模型
        3.3.1 模型結構
        3.3.2 多任務結構模型壓縮
        3.3.3 模型評估標準
        3.3.4 多任務損失函數
    3.4 空間目標方位姿態(tài)檢測模型及實驗分析
        3.4.1 數據集
        3.4.2 模型評估標準
        3.4.3 空間目標方位角檢測實驗
    3.5 本章小結
第4章 單目二維視覺檢測實驗設計與驗證
    4.1 實物系統(tǒng)
        4.1.1 視覺檢測系統(tǒng)
        4.1.2 運動執(zhí)行機構
    4.2 實驗結果及分析
        4.2.1 數據集
        4.2.2 平面目標抓取位置檢測
        4.2.3 平面目標位姿估計檢測
        4.2.4 全連接層對多任務模型的影響
        4.2.5 多個檢測任務間的關系
    4.3 本章小結
第5章 總結與展望
    5.1 本文總結
    5.2 本課題工作展望
參考文獻
致謝
作者簡歷及攻讀學位期間發(fā)表的學術論文與研究成果



本文編號：3864948