本文關鍵詞：基于神經(jīng)網(wǎng)絡的碼垛機器人視覺位姿測量及伺服控制研究，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,利用視覺技術使機器人對周圍環(huán)境和操作對象的變化做出快速反應,提高機器人自動化和智能化程度,主要研究了機器人視覺系統(tǒng)的圖像采集、圖像濾波、特征提取等圖像處理技術；研究了用圖像處理中獲取的圖像特征確定環(huán)境中目標物體的三維位姿測量技術；研究了用三維空間中目標物體的位姿信息作為控制輸入,控制機器人進行搬運和碼垛作業(yè)的機器人伺服控制技術。主要研究結論如下：(1)概率神經(jīng)網(wǎng)絡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,建立基于均值絕對偏差排序的向量(ROMEAD)和基于中值絕對偏差排序的向量(ROMDAD), ROME AD向量用于計算70%以上的高斯噪聲點出現(xiàn)的位置,ROMDAD向量用于計算當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兩個特征向量作為概率神經(jīng)網(wǎng)絡的輸入,經(jīng)過網(wǎng)絡訓練,有效檢測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)絡具有優(yōu)良學習能力,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)絡進行融合,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,因此自適應性較差；Hough變換受噪聲影響小,魯棒性好,應用廣泛。故本論文選擇Hough變換方法進行圖像直線特征的提取。(3)滅點是笛卡爾空間中的一組平行線在透視投影中的交點。根據(jù)滅點屬性可知,滅點包含了攝像機的內(nèi)部參數(shù),根據(jù)單幅二維圖像求解出攝像機焦距以及光心的位置；利用匹配圖像對中的兩兩正交且不共面的三組平行線形成的滅點求解出攝像機相對于場景的位置關系矩陣中的旋轉矩陣R,然后用三角相似原理找出同一條線段在以光心為原點的坐標系和以滅點為原點的坐標系中的匹配關系,求出位置關系矩陣中的平移分量t。(4)基于對偶四元數(shù)理論同時求解出攝像機坐標系和機器人末端執(zhí)行器坐標系變換關系的旋轉矩陣R和位置向量t,消除了計算傳遞誤差。用目標物體上位置四元數(shù)和方向四元數(shù)的測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,構建拉格朗日函數(shù),基于Hopfield神經(jīng)網(wǎng)絡技術求解誤差方程的最優(yōu)解,即求得目標位姿的全局最優(yōu)解。(5)以目標物體的3D空間位姿作為機器人系統(tǒng)的控制輸入,在基于位置的視覺伺服控制方法的基礎之上,利用反演方法,設計反演控制器,選取控制律和自適應律,減小機器人結構、運動以及位姿測量結果等因素存在的誤差和其他不確定性因素對機器人控制帶來的影響,確保機器人系統(tǒng)全局漸近穩(wěn)定。利用徑向基函數(shù)神經(jīng)網(wǎng)絡,實現(xiàn)無需機器人精確模型信息的控制,設計魯棒控制律以提高機器人系統(tǒng)對誤差和干擾的抵抗能力,提高系統(tǒng)魯棒性。
【關鍵詞】：木材加工 機器人視覺 位姿測量 伺服控制
【學位授予單位】：北京林業(yè)大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：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)絡研究現(xiàn)狀12-17
• 1.3.1 基于神經(jīng)網(wǎng)絡的圖像處理研究現(xiàn)狀12-14
• 1.3.2 基于神經(jīng)網(wǎng)絡的攝像機標定研究現(xiàn)狀14-15
• 1.3.3 基于神經(jīng)網(wǎng)絡的機器人視覺伺服研究現(xiàn)狀15-17
• 1.4 本論文研究內(nèi)容17-18
• 2 理論基礎18-46
• 2.1 神經(jīng)網(wǎng)絡基礎理論18-24
• 2.1.1 RBF神經(jīng)網(wǎng)絡19-20
• 2.1.2 PNN神經(jīng)網(wǎng)絡20-22
• 2.1.3 Hopfield神經(jīng)網(wǎng)絡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 邊緣檢測算子27-32
• 2.2.4 Hough變換32-33
• 2.3 視覺位姿測量原理33-40
• 2.3.1 攝像機標定33-36
• 2.3.2 手眼標定36-38
• 2.3.3 對偶四元數(shù)理論38-40
• 2.4 機器人視覺伺服控制原理40-45
• 2.4.1 機器人模型40-43
• 2.4.2 基于位置的視覺伺服控制43-45
• 2.5 本章小結45-46
• 3 基于神經(jīng)網(wǎng)絡的圖像處理和特征提取46-63
• 3.1 基于PNN神經(jīng)網(wǎng)絡的圖像噪聲分類檢測及濾波46-49
• 3.1.1 基于均值絕對偏差排序的向量47-48
• 3.1.2 基于中值絕對偏差排序的向量48-49
• 3.1.3 算法步驟及代碼49
• 3.2 基于RBF神經(jīng)網(wǎng)絡的圖像融合49-51
• 3.3 仿真實驗及結果51-61
• 3.3.1 樣本選取51
• 3.3.2 實驗結果51-61
• 3.4 本章小結61-63
• 4 基于對偶四元數(shù)和Hopfield神經(jīng)網(wǎng)絡的位姿測量63-83
• 4.1 基于對偶四元數(shù)的目標位姿測量算法63-77
• 4.1.1 基于滅點的攝像機標定63-72
• 4.1.2 手眼標定72-75
• 4.1.3 目標位姿測量算法75-77
• 4.2 基于Hopfield神經(jīng)網(wǎng)絡的目標位姿最優(yōu)解77-78
• 4.3 仿真實驗及結果78-82
• 4.3.1 攝像機標定實驗及結果78-80
• 4.3.2 位姿測量實驗及結果80-82
• 4.4 本章小結82-83
• 5 基于反演設計的神經(jīng)網(wǎng)絡視覺伺服控制器83-98
• 5.1 基本反演控制器設計84-86
• 5.2 RBF神經(jīng)網(wǎng)絡反演控制器設計86-88
• 5.3 仿真實驗及結果88-96
• 5.4 本章小結96-98
• 6 結論與展望98-101
• 6.1 結論98-100
• 6.2 展望100-101
• 參考文獻101-110
• 個人簡介110-111
• 導師簡介111-112
• 獲得成果目錄112-113
• 致謝113

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 鄭立斌;王紅梅;顧寄南;石長華;何輝;;RBF神經(jīng)網(wǎng)絡在機器人視覺伺服控制中的應用[J];機床與液壓;2015年15期

2 朱海霞;;基于改進Hough變換和BP網(wǎng)絡的指針儀表識別[J];電測與儀表;2015年05期

3 孫曉明;周冬梅;張順;;圖像去噪方法的對比研究[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)絡的機器人視覺伺服控制研究[J];制造業(yè)自動化;2014年01期

5 延和;吳斌;;基于改進型神經(jīng)網(wǎng)絡的雙目攝像機標定[J];西南科技大學學報;2013年04期

6 朱素杰;周波;王洪遠;;基于神經(jīng)網(wǎng)絡的攝像機標定方法研究[J];工業(yè)儀表與自動化裝置;2013年06期

7 謝長貴;謝志江;;熱態(tài)重軌表面缺陷機器視覺檢測的關鍵技術[J];重慶大學學報;2013年10期

8 譚永杰;曹彥;王永亮;;圖像噪聲類型識別研究[J];周口師范學院學報;2013年05期

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

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

中國博士學位論文全文數(shù)據(jù)庫 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用研究[D];華中科技大學;2012年

2 曾俊;圖像邊緣檢測技術及其應用研究[D];華中科技大學;2011年

3 尹建川;徑向基函數(shù)神經(jīng)網(wǎng)絡及其在船舶運動控制中的應用研究[D];大連海事大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 龐振;基于徑向基函數(shù)神經(jīng)網(wǎng)絡的圖像識別研究[D];長沙理工大學;2011年

2 王曉凱;圖像椒鹽噪聲及高斯噪聲去噪方法研究[D];復旦大學;2010年

3 馬亞洲;機器視覺中邊緣檢測算法的研究[D];重慶理工大學;2010年

4 王秋勤;基于概率神經(jīng)網(wǎng)絡的發(fā)動機故障診斷研究[D];西南林業(yè)大學;2010年

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

6 金剛;自適應Canny算法研究及其在圖像邊緣檢測中的應用[D];浙江大學;2009年

7 馬運勇;概率神經(jīng)網(wǎng)絡的結構優(yōu)化研究及其應用[D];哈爾濱工業(yè)大學;2008年

8 王蘭霞;基于RBF神經(jīng)網(wǎng)絡的PM_（10）污染預測研究[D];西安建筑科技大學;2008年

9 蘇美娟;徑向基函數(shù)神經(jīng)網(wǎng)絡學習算法研究[D];蘇州大學;2007年

10 李彬;徑向基函數(shù)神經(jīng)網(wǎng)絡的學習算法研究[D];山東大學;2005年

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

，

本文編號：324496