基于深度神经网络的RRU电源口检测技术研究

发布时间：2021-03-11 05:56

　　视觉机器人通过相机采集周围场景的图像,基于图像获取目标物体的位置和姿态信息,进而控制机械臂完成相应的操作。其中通过图像准确快速的获取目标的位姿信息是至关重要的环节,具体到本文的应用场合,目标是获取RRU产品上电源口的位姿信息。考虑到传统的目标检测技术需要人工设计提取的特征,对复杂背景环境下的目标检测准确度和效率都比较低,本文选择鲁棒性好、精度高的深度神经网络来进行目标检测。本文设计了一种神经网络和传统图像处理技术结合的方法来获取电源口的位姿信息,首先使用神经网络对电源口中的两个插针进行边界框预测,然后基于预测边界框使用大津算法阈值化和图像矩来求取两个插针中心,间接得到电源口的位姿信息。考虑到相机畸变会引起图像扭曲和插针形状失真,造成基于预测边界框中的像素信息获取中心点时会存在误差,本文中对使用的相机建立畸变模型,对采集到的图像进行去畸变处理。由于待检测物体插针为特定目标,需要自主建立数据集。本文中介绍了数据集的具体建立过程,以及网络训练过程使用的数据集增广手段。数据增广手段包括随机裁剪、偏转、缩放、颜色抖动等。实现目标检测的神经网络模型基于CornerNet进行改进得到,具体的改进有以... 

【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】：83 页

【学位级别】：硕士

【部分图文】：

机器人视觉伺服智能系统实物图

图 1-2 电源口位姿信息的获取过程络对电源口中的两个插针进行目需要保证用于目标检测的神经网插针位置检测的深度神经网络基于的训练和预测阶段的策略进行优设置策略、网络优化算法的选取对于 CornerNet 网络模型的结构进考虑到 CornerNet 模型的基础特征使用一种特征提取能力强和参数络参数和计算量的结构改进方法的同时能够增强网络特征表达的据集从AP和AR 指标、网络参数以验证改进的有效性。

a)相机畸变 b)径向畸变 c)切向畸变图 2-2 畸变影响可视化表 2-1 相机内部参数[ ]x yf f [ ]x yc c标称值 [2909.09091 2909.01091] [1024 544]标定值 [2900.50007 2897.47210] [1022.62163 543.44754]结果为：畸变系数ck = [ -0.24982 0.67097 0.00000 -0.00000 0.00000 ]，像素误差 err = [ 0.37735 0.30954 ]。2.3 图像采集与标注相比于传统的基于人工设计特征提取的目标检测技术，卷积神经网络更能利用大数据的优势，并且能够将原始图像直接作为网络的输入来完成目标分类和定位的任务。神经网络能够自动的从数据集中学习到对物体检测任务有用的特征，提取到的特征种类取决于网络层的参数。输入图像和相应标签

【参考文献】：
硕士论文
[1]基于深度学习的快速目标检测算法研究[D]. 王海龙.哈尔滨工业大学 2018



本文编号：3075978