基于视觉引导的汽车小零件定位抓取技术研究

发布时间：2023-04-19 04:31

　　随着机器视觉技术的快速发展,应用领域的不断扩大,尤其在工业上,它已然成为获取信息的工具之一,也是一个体现工业4.0智能化的关键技术。本文将以机器视觉为主导,研究复杂多样的汽车小零件在非结构环境下的定位抓取工作。内容上,它包含目标识别分类和定位抓取,同时,也涵盖机器人在抓取过程中路径规划设计。从难度上来看,机器人在对目标识别方面存在两个难题:第一,当众多汽车小零件错综复杂的叠放在一起时,由于种类的复杂多样和互相遮挡,存在大量未知信息;第二,在获取目标群体的三维信息时,存在目标抓取顺序混乱及碰撞等。另外,传统的机器人作业是通过示教器反复示教校准,对已知现有的目标进行定位抓取,执行模式比较固化,且泛化能力不够,很难满足工业机器人对多种类、多目标的作业需求。因此,本文提出一种适用于汽车小零件定位抓取的方式方法,具体在以下三个方面进行研究工作:首先针对复杂未知环境下汽车小零件的识别分类问题,本文提出一种自适应速率的卷积神经网络训练模型,该神经网络与Faster R-CNN结合,对目标区域和建议候选区进行IoU准则判断。同时本文在准则判断上增加约束条件,对模糊分类进行校正。实验表明该方法在目标存在...

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 目标检测定位技术研究
        1.2.2 深度信息获取技术研究
        1.2.3 机器人抓取路径技术研究
    1.3 本文研究内容与章节安排
第2章 卷积神经网络的图像分类算法研究
    2.1 引言
    2.2 卷积神经网络基础
        2.2.1 卷积和卷积层
        2.2.2 池化层
        2.2.3 激活函数和全连接层
        2.2.4 前向传播和反向传播
    2.3 基于ResNet残差网络模型的研究
        2.3.1 ResNet介绍
        2.3.2 基于ResNet的图像分类特点
    2.4 基于候选区域的目标检测算法
        2.4.1 R-CNN和 Fast R-CNN目标检测
        2.4.2 Faster R-CNN目标检测
    2.5 实验结果及分析
        2.5.1 预训练样本的准备
        2.5.2 卷积神经网络图像分类实验
    2.6 本章小结
第3章 双目的深度获取和抓取轨迹方法研究
    3.1 引言
    3.2 点云获取技术
        3.2.1 双目视差图的获取
        3.2.2 Kinect深度相机的获取
        3.2.3 结构光3D扫描的获取
    3.3 三维点云信息特征与提取
        3.3.1 三维特征描述子
        3.3.2 点云法向量的计算
    3.4 抓取路径规划
        3.4.1 机械臂的运动学分析和逆解
        3.4.2 关节运动轨迹规划方法
    3.5 实验结果及分析
    3.6 本章小结
第4章 改进的目标检测定位算法
    4.1 引言
    4.2 预处理的改进方法
        4.2.1 图像通道与多尺度处理
        4.2.2 改进的图像遮挡处理算法
    4.3 自适应学习率的参数优化
    4.4 实验结果和分析
    4.5 本章小结
第5章 改进的深度获取以及组合函数规划算法
    5.1 引言
    5.2 视差估计和点云处理的改进算法
        5.2.1 融合导向滤波的视差估计
        5.2.2 基于关键点的点云局部特征
    5.3 基于距离的场景有序抓取算法
        5.3.1 场景可视距离的抓取规则
        5.3.2 组合函数的插值路径规划
    5.4 实验结果及分析
    5.5 本章小结
第6章 基于视觉引导的集成定位仿真平台
    6.1 引言
    6.2 集成实验平台
        6.2.1 系统的开发流程
        6.2.2 系统的软硬件平台
    6.3 系统界面与分类实验结果
    6.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢
作者简介



本文编号：3793717