基于深度学习的工件识别与姿态定位方法研究

发布时间：2021-01-15 22:28

　　解决产线工件的自动抓取问题对于工厂生产效益的提高有着重大的意义。然而由于工件形状不规则、位置不确定、姿态变化多样等原因,传统的边缘检测、特征提取等方法难以做到复杂工件的准确识别与定位。本文从两个方向分别提出了基于深度学习的工件抓取方法,一种将目标检测算法应用于工件之中,并提出了角度回归网络来实现工件三维姿态确定,得出分类、位置、姿态信息;另一种为基于单目标三维重建的方法,根据二维RGB图恢复出工件的三维模型,从而获取其空间位置、姿态信息,完成工件的识别定位工作。实验证明相比于传统的工件特征提取方法,这两种方法能够解决工件的三维姿态无法确定的难题。同时深度学习的方法扩展性更强,目标检测的速度更快。本文分别利用目标检测技术与三维重建技术获取工件位置与姿态信息,分别介绍了两种技术对应的模型在工件的信息获取中所展示的效果。论文主要内容如下:（1）实验平台的组成以及相机的标定。主要介绍了实验平台的总体硬件构成,包括机械臂、视觉实验架、相机、镜头、光源等主要硬件的选取。还介绍了摄像机模型与坐标系的建立。最后介绍相机标定原理与步骤,完成相机的标定,获取相机的内外参。（2）基于目标检测算法的工件识别与... 

【文章来源】：宁波大学浙江省

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1.绪论
    1.1 .研究的背景及意义
    1.2 .国内外研究现状
        1.2.1 .目标检测研究现状
        1.2.2 .单目标三维重建现状
    1.3 .论文主要研究内容
    1.4 .论文主要创新点
2.实验平台的组成以及相机的标定
    2.1 .实验平台
    2.2 .摄像机模型与坐标系
        2.2.1 .摄像机模型
        2.2.2 .建立坐标系
    2.3 .相机标定原理
    2.4 .本章小结
3.基于目标检测算法的工件识别与定位
    3.1 .算法系统概述
    3.2 .卷积神经网络基本原理
        3.2.1 .传统神经网络的缺点
        3.2.2 .卷积神经网络的组成
    3.3 .网络结构与损失函数
        3.3.1 .算法基本原理
        3.3.2 .网络结构
        3.3.3 .损失函数
    3.4 .训练集的制作
        3.4.1 .训练图片的获取
        3.4.2 .训练集的标注
    3.5 .训练与测试
        3.5.1 .训练
        3.5.2 .测试
    3.6.实验
        3.6.1 .对比YOLO
        3.6.2.其它实验
    3.7 .算法其它改进
        3.7.1 .Soft-NMS与 NMS
        3.7.2 .GIoU与 IoU
    3.8 .本章小结
4.基于单目标三维重建的工件定位与姿态识别
    4.1 .算法原理与系统概述
        4.1.1 .算法原理概述
        4.1.2 .算法系统概述
    4.2 .网络结构与损失函数
        4.2.1 .网络结构
        4.2.2 .损失函数
    4.3 .数据集的制作
        4.3.1 .训练图片的获取
        4.3.2 .体素模型的生成
    4.4 .训练与测试
        4.4.1 .训练
        4.4.2 .测试
    4.5 .实验方法对比
        4.5.1 .基于点云的单目标三维重建
        4.5.2 .基于网格的单目标三维重建
    4.6 .本章小结
5.结论与展望
    5.1 .结论
    5.2 .展望
参考文献
在学研究成果
致谢


【参考文献】：
期刊论文
[1]阿法狗围棋系统的简要分析[J]. 田渊栋.  自动化学报. 2016(05)
[2]机器视觉的镜头选择创造不同[J]. Timne Bilton.  软件. 2008(04)

硕士论文
[1]基于机器视觉的工件的识别和定位[D]. 潘武.北京化工大学 2012



本文编号：2979621