基于深度学习的RRU模块物体位姿检测研究

发布时间：2021-01-04 04:55

　　一般来说,同时检测物体的类别和位姿是非常困难的,很多的经典图像处理算法无法达到足够的精度。目前,深度学习技术的不断发展,使用深度神经网络进行物体检测能够获得更高的准确率。基于深度学习方法构建的网络结构不完全相同,一些方法使用两阶段的网络结构,其中第一段是用来检测物体的位置,第二段用以检测物体的旋转方向。但是,这样就会增加物体检测的时间,效率较低。另一些方法则使用单通道的网络结构,实现直接获取物体位姿的目的。本文主要以RRU模块中电源口和光口为检测对象,并且当检测物体的旋转方向时,本文通过检测物体的方向性关键点来获取物体的旋转角度。针对电源口和光口的这种四边形物体,本文使用从左上角到右下角的逆时针方向的四个角作为关键检测点。之后,根据关键点的个数设计了一个单通道结构的深度神经网络,用以检测方向性关键点的位置,该网络称为Single Shot Directional Points Detector,简称为SSPD。同时,为了便于四个角点的检测,本文使用八个参数用于表示SSPD网络结构中的边界框信息。此外为了包含检测过程的方向性信息以及提高关键点位置的检测精度,本文提出一种旋转先验边界框。并... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及研究意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 主要研究内容及章节安排
        1.3.1 主要研究内容
        1.3.2 本文章节安排
第2章 单通道方向性关键点检测器SSPD
    2.1 引言
    2.2 方向性关键特征点
    2.3 网络结构设计
    2.4 边界框编码方式
    2.5 旋转先验边界框
    2.6 匹配准则
    2.7 旋转角度估计
    2.8 多边形扩展
    2.9 本章小结
第3章 数据采集与深度神经网络训练
    3.1 引言
    3.2 图像标注程序
    3.3 数据采集与增广
    3.4 损失函数
    3.5 训练策略
    3.6 检测结果
    3.7 本章小结
第4章 基于Caffe框架的深度神经网络编写
    4.1 引言
    4.2 深度学习框架Caffe
    4.3 自定义网络层
    4.4 数据采集
    4.5 预训练深度网络模型读取
    4.6 深度网络结构编写
    4.7 获取深度网络输出
    4.8 本章小结
第5章 RRU模块光口与电源口位姿检测实验
    5.1 引言
    5.2 训练选项
        5.2.1 输入图像分辨率
        5.2.2 旋转先验框间隔角度
        5.2.3 普通版本还是快速版本
    5.3 对比试验
        5.3.1 二值化
        5.3.2 霍夫变换（HT）
        5.3.3 最小外接矩（MBR）
        5.3.4 检测效果对比
    5.4 本章小结
结论
参考文献
致谢



本文编号：2956191