基于深度学习的视觉拣选系统的设计与实现

发布时间：2023-04-22 16:24

　　随着人力成本的大幅度上升,机器人代替人工已经逐渐成为一种趋势。加上提高生产力的迫切需求,工业领域的自动化程度越来越高。在电商物流行业,机器人视觉分拣十分普及。如今,网购已经成为人们的一种生活习惯,退换货给电商带来大量的工作。那些不影响二次销售的退换商品,需要再次分类上架。面对这样的应用场景,如果让机器人分拣系统来完成,就需要视觉传感器能逐个识别商品。电商商品种类繁多,传统的循环匹配搜索的方式,已经不能适应。本文设计了一套基于深度学习的视觉拣选系统,解决该类视觉混拣分类问题。本文的主要工作:1、本文在深入分析三维模型重建算法和目标识别算法的基础上,将二者融合,提出一种基于三维模型重建的多视图获取方法。利用重建获取的多视图,通过不同视角下的渲染,生成用于深度学习的训练数据集和姿态估计模板数据集。2、利用生成的数据集训练了一个基于YOLOv3的目标检测与识别模型。本文制作了目标物体的VOC数据集,在完成标注和配置后,利用darknet53的预训练模型进行网络训练。为了尽量接近真实场景,从增加目标物体的背景、采用多尺度变换和多目标物体参与训练,三个方面改进训练数据集。训练后的检测模型对不同光线...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
缩略词表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 视觉拣选系统的发展状况
        1.2.2 目标检测算法研究现状
    1.3 论文主要内容
    1.4 论文组织结构
第二章 基于三维重建和模型渲染的数据集生成
    2.1 三维重建平台的设计
    2.2 OpenGL模型渲染环境
        2.2.1 OpenGL中的几种变换
        2.2.2 DAE三维模型
    2.3 物体数据集生成
        2.3.1 深度学习训练数据集
        2.3.2 位姿估计模板数据集
    2.4 本章小结
第三章 基于深度学习的目标检测与识别
    3.1 卷积神经网络
    3.2 YOLOV3算法分析
        3.2.1 基本思想
        3.2.2 类别信息预测
        3.2.3 多尺度特征融合
        3.2.4 残差结构
        3.2.5 YOLOv3网络结构
    3.3 目标识别实验
        3.3.1 制作数据集
        3.3.2配置YOLOv3
        3.3.3 训练识别模型
        3.3.4 测试分析
        3.3.5 改进数据集后测试
    3.4 本章小结
第四章 基于改进的LINEMOD算法的物体位姿估计
    4.1 位姿求解基础
        4.1.1 位置表示
        4.1.2 姿态表示
        4.1.3 位姿表示
        4.1.4 矢量的一般变换
    4.2 Linemod算法分析
        4.2.1 特征提取方法
        4.2.2 相似性评价
        4.2.3 梯度扩散
        4.2.4 预处理响应图
        4.2.5 线性存储
    4.3 位姿估计
        4.3.1 姿态粗配
        4.3.2 姿态精配
        4.3.3 时间复杂度分析
    4.4 本章小结
第五章 视觉拣选系统的设计与实现
    5.1 系统需求分析
    5.2 系统总体设计
        5.2.1 平面布局
        5.2.2 软件框架
    5.3 测试平台搭建
    5.4 视觉系统标定
        5.4.1 双目相机标定
        5.4.2 手眼标定
        5.4.3 平台校准
    5.5 视觉拣选系统工作流程
    5.6 系统测试
        5.6.1 拣选测试
        5.6.2 模型微调测试
    5.7 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献



本文编号：3797995