發(fā)布時(shí)間：2017-04-24 16:02

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的碼垛機(jī)器人視覺位姿測(cè)量及伺服控制研究，由筆耕文化傳播整理發(fā)布。

【摘要】：本論文以機(jī)器人用于木材加工業(yè)中的木制品碼垛作業(yè)為背景,利用視覺技術(shù)使機(jī)器人對(duì)周圍環(huán)境和操作對(duì)象的變化做出快速反應(yīng),提高機(jī)器人自動(dòng)化和智能化程度,主要研究了機(jī)器人視覺系統(tǒng)的圖像采集、圖像濾波、特征提取等圖像處理技術(shù)；研究了用圖像處理中獲取的圖像特征確定環(huán)境中目標(biāo)物體的三維位姿測(cè)量技術(shù)；研究了用三維空間中目標(biāo)物體的位姿信息作為控制輸入,控制機(jī)器人進(jìn)行搬運(yùn)和碼垛作業(yè)的機(jī)器人伺服控制技術(shù)。主要研究結(jié)論如下：(1)概率神經(jīng)網(wǎng)絡(luò)具有良好的分類能力。以含有噪聲的圖像像素灰度值為基礎(chǔ),建立基于均值絕對(duì)偏差排序的向量(ROMEAD)和基于中值絕對(duì)偏差排序的向量(ROMDAD), ROME AD向量用于計(jì)算70%以上的高斯噪聲點(diǎn)出現(xiàn)的位置,ROMDAD向量用于計(jì)算當(dāng)前像素值與其相鄰像素值的接近程度,有效區(qū)分圖像中的椒鹽噪聲和非噪聲像素。利用ROMEAD和ROMDAD兩個(gè)特征向量作為概率神經(jīng)網(wǎng)絡(luò)的輸入,經(jīng)過網(wǎng)絡(luò)訓(xùn)練,有效檢測(cè)并分離出高斯噪聲和椒鹽噪聲,并分別用均值濾波和中值濾波濾除噪聲。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)具有優(yōu)良學(xué)習(xí)能力,均值濾波和中值濾波之后的圖像作為輸入,用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行融合,更多地保留圖像的有用信息和邊緣信息。(2)傳統(tǒng)直線特征提取方法中,Canny算子和Hough變換的直線提取效果相對(duì)較好,但Canny算子抗噪能力較差,提取效果受限于閾值選擇,因此自適應(yīng)性較差；Hough變換受噪聲影響小,魯棒性好,應(yīng)用廣泛。故本論文選擇Hough變換方法進(jìn)行圖像直線特征的提取。(3)滅點(diǎn)是笛卡爾空間中的一組平行線在透視投影中的交點(diǎn)。根據(jù)滅點(diǎn)屬性可知,滅點(diǎn)包含了攝像機(jī)的內(nèi)部參數(shù),根據(jù)單幅二維圖像求解出攝像機(jī)焦距以及光心的位置；利用匹配圖像對(duì)中的兩兩正交且不共面的三組平行線形成的滅點(diǎn)求解出攝像機(jī)相對(duì)于場(chǎng)景的位置關(guān)系矩陣中的旋轉(zhuǎn)矩陣R,然后用三角相似原理找出同一條線段在以光心為原點(diǎn)的坐標(biāo)系和以滅點(diǎn)為原點(diǎn)的坐標(biāo)系中的匹配關(guān)系,求出位置關(guān)系矩陣中的平移分量t。(4)基于對(duì)偶四元數(shù)理論同時(shí)求解出攝像機(jī)坐標(biāo)系和機(jī)器人末端執(zhí)行器坐標(biāo)系變換關(guān)系的旋轉(zhuǎn)矩陣R和位置向量t,消除了計(jì)算傳遞誤差。用目標(biāo)物體上位置四元數(shù)和方向四元數(shù)的測(cè)量值與理論值建立誤差方程,將約束條件與其聯(lián)立起來,利用拉格朗日乘子法,構(gòu)建拉格朗日函數(shù),基于Hopfield神經(jīng)網(wǎng)絡(luò)技術(shù)求解誤差方程的最優(yōu)解,即求得目標(biāo)位姿的全局最優(yōu)解。(5)以目標(biāo)物體的3D空間位姿作為機(jī)器人系統(tǒng)的控制輸入,在基于位置的視覺伺服控制方法的基礎(chǔ)之上,利用反演方法,設(shè)計(jì)反演控制器,選取控制律和自適應(yīng)律,減小機(jī)器人結(jié)構(gòu)、運(yùn)動(dòng)以及位姿測(cè)量結(jié)果等因素存在的誤差和其他不確定性因素對(duì)機(jī)器人控制帶來的影響,確保機(jī)器人系統(tǒng)全局漸近穩(wěn)定。利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)無需機(jī)器人精確模型信息的控制,設(shè)計(jì)魯棒控制律以提高機(jī)器人系統(tǒng)對(duì)誤差和干擾的抵抗能力,提高系統(tǒng)魯棒性。
【關(guān)鍵詞】：木材加工 機(jī)器人視覺 位姿測(cè)量 伺服控制
【學(xué)位授予單位】：北京林業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;TP242
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 1 緒論11-18
• 1.1 研究背景11
• 1.2 研究目的與意義11-12
• 1.3 神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀12-17
• 1.3.1 基于神經(jīng)網(wǎng)絡(luò)的圖像處理研究現(xiàn)狀12-14
• 1.3.2 基于神經(jīng)網(wǎng)絡(luò)的攝像機(jī)標(biāo)定研究現(xiàn)狀14-15
• 1.3.3 基于神經(jīng)網(wǎng)絡(luò)的機(jī)器人視覺伺服研究現(xiàn)狀15-17
• 1.4 本論文研究?jī)?nèi)容17-18
• 2 理論基礎(chǔ)18-46
• 2.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論18-24
• 2.1.1 RBF神經(jīng)網(wǎng)絡(luò)19-20
• 2.1.2 PNN神經(jīng)網(wǎng)絡(luò)20-22
• 2.1.3 Hopfield神經(jīng)網(wǎng)絡(luò)22-24
• 2.2 圖像濾波與特征提取24-33
• 2.2.1 圖像噪聲模型24-26
• 2.2.2 傳統(tǒng)濾波算法26-27
• 2.2.3 邊緣檢測(cè)算子27-32
• 2.2.4 Hough變換32-33
• 2.3 視覺位姿測(cè)量原理33-40
• 2.3.1 攝像機(jī)標(biāo)定33-36
• 2.3.2 手眼標(biāo)定36-38
• 2.3.3 對(duì)偶四元數(shù)理論38-40
• 2.4 機(jī)器人視覺伺服控制原理40-45
• 2.4.1 機(jī)器人模型40-43
• 2.4.2 基于位置的視覺伺服控制43-45
• 2.5 本章小結(jié)45-46
• 3 基于神經(jīng)網(wǎng)絡(luò)的圖像處理和特征提取46-63
• 3.1 基于PNN神經(jīng)網(wǎng)絡(luò)的圖像噪聲分類檢測(cè)及濾波46-49
• 3.1.1 基于均值絕對(duì)偏差排序的向量47-48
• 3.1.2 基于中值絕對(duì)偏差排序的向量48-49
• 3.1.3 算法步驟及代碼49
• 3.2 基于RBF神經(jīng)網(wǎng)絡(luò)的圖像融合49-51
• 3.3 仿真實(shí)驗(yàn)及結(jié)果51-61
• 3.3.1 樣本選取51
• 3.3.2 實(shí)驗(yàn)結(jié)果51-61
• 3.4 本章小結(jié)61-63
• 4 基于對(duì)偶四元數(shù)和Hopfield神經(jīng)網(wǎng)絡(luò)的位姿測(cè)量63-83
• 4.1 基于對(duì)偶四元數(shù)的目標(biāo)位姿測(cè)量算法63-77
• 4.1.1 基于滅點(diǎn)的攝像機(jī)標(biāo)定63-72
• 4.1.2 手眼標(biāo)定72-75
• 4.1.3 目標(biāo)位姿測(cè)量算法75-77
• 4.2 基于Hopfield神經(jīng)網(wǎng)絡(luò)的目標(biāo)位姿最優(yōu)解77-78
• 4.3 仿真實(shí)驗(yàn)及結(jié)果78-82
• 4.3.1 攝像機(jī)標(biāo)定實(shí)驗(yàn)及結(jié)果78-80
• 4.3.2 位姿測(cè)量實(shí)驗(yàn)及結(jié)果80-82
• 4.4 本章小結(jié)82-83
• 5 基于反演設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)視覺伺服控制器83-98
• 5.1 基本反演控制器設(shè)計(jì)84-86
• 5.2 RBF神經(jīng)網(wǎng)絡(luò)反演控制器設(shè)計(jì)86-88
• 5.3 仿真實(shí)驗(yàn)及結(jié)果88-96
• 5.4 本章小結(jié)96-98
• 6 結(jié)論與展望98-101
• 6.1 結(jié)論98-100
• 6.2 展望100-101
• 參考文獻(xiàn)101-110
• 個(gè)人簡(jiǎn)介110-111
• 導(dǎo)師簡(jiǎn)介111-112
• 獲得成果目錄112-113
• 致謝113

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 鄭立斌;王紅梅;顧寄南;石長(zhǎng)華;何輝;;RBF神經(jīng)網(wǎng)絡(luò)在機(jī)器人視覺伺服控制中的應(yīng)用[J];機(jī)床與液壓;2015年15期

2 朱海霞;;基于改進(jìn)Hough變換和BP網(wǎng)絡(luò)的指針儀表識(shí)別[J];電測(cè)與儀表;2015年05期

3 孫曉明;周冬梅;張順;;圖像去噪方法的對(duì)比研究[J];科技視界;2014年06期

4 王紅梅;顧寄南;吳倩;;基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)器人視覺伺服控制研究[J];制造業(yè)自動(dòng)化;2014年01期

5 延和;吳斌;;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的雙目攝像機(jī)標(biāo)定[J];西南科技大學(xué)學(xué)報(bào);2013年04期

6 朱素杰;周波;王洪遠(yuǎn);;基于神經(jīng)網(wǎng)絡(luò)的攝像機(jī)標(biāo)定方法研究[J];工業(yè)儀表與自動(dòng)化裝置;2013年06期

7 謝長(zhǎng)貴;謝志江;;熱態(tài)重軌表面缺陷機(jī)器視覺檢測(cè)的關(guān)鍵技術(shù)[J];重慶大學(xué)學(xué)報(bào);2013年10期

8 譚永杰;曹彥;王永亮;;圖像噪聲類型識(shí)別研究[J];周口師范學(xué)院學(xué)報(bào);2013年05期

9 趙一博;鄒煥新;秦先祥;;一種基于RBF神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法[J];現(xiàn)代雷達(dá);2013年08期

10 范巧艷;;基于BP神經(jīng)網(wǎng)絡(luò)的圖像混合噪聲去除方法[J];知識(shí)經(jīng)濟(jì);2013年15期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 王常青;數(shù)字圖像處理與分析及其在故障診斷中的應(yīng)用研究[D];華中科技大學(xué);2012年

2 曾俊;圖像邊緣檢測(cè)技術(shù)及其應(yīng)用研究[D];華中科技大學(xué);2011年

3 尹建川;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)及其在船舶運(yùn)動(dòng)控制中的應(yīng)用研究[D];大連海事大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 龐振;基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別研究[D];長(zhǎng)沙理工大學(xué);2011年

2 王曉凱;圖像椒鹽噪聲及高斯噪聲去噪方法研究[D];復(fù)旦大學(xué);2010年

3 馬亞洲;機(jī)器視覺中邊緣檢測(cè)算法的研究[D];重慶理工大學(xué);2010年

4 王秋勤;基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷研究[D];西南林業(yè)大學(xué);2010年

5 何琨;數(shù)字圖像高斯噪聲和脈沖噪聲處理系統(tǒng)的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2010年

6 金剛;自適應(yīng)Canny算法研究及其在圖像邊緣檢測(cè)中的應(yīng)用[D];浙江大學(xué);2009年

7 馬運(yùn)勇;概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化研究及其應(yīng)用[D];哈爾濱工業(yè)大學(xué);2008年

8 王蘭霞;基于RBF神經(jīng)網(wǎng)絡(luò)的PM_（10）污染預(yù)測(cè)研究[D];西安建筑科技大學(xué);2008年

9 蘇美娟;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法研究[D];蘇州大學(xué);2007年

10 李彬;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法研究[D];山東大學(xué);2005年

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的碼垛機(jī)器人視覺位姿測(cè)量及伺服控制研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：324496