基于深度学习的物件识别定位系统的设计与实现

发布时间：2021-03-26 01:27

　　工业机器人是智能制造行业的关键组成部分,随着自动化水平的提高,对机器人技术的研究也越来越受到重视,而机器视觉技术毫无疑问是当前最热门的研究领域之一。通过视觉技术引导工业机器人对于提高生产过程的智能化水平、减少人工干预以及推动智能制造快速发展具有重要意义。在实际应用场景下对物件进行识别与定位是最为常见的视觉任务之一,本文针对具体生产过程中需要对物件进行自动识别与目标定位的任务,设计并实现了基于深度学习的物件识别与定位系统。针对相机标定过程中存在诸多需要用复杂数学模型表达的非线性畸变以及视觉系统中需要将二维像素坐标映射到三维坐标的任务,提出了一个端到端的BP神经网络来拟合复杂的非线性关系,无需借助单应性矩阵即可实现坐标的直接映射,实验结果表明,误差可以控制在0.5mm之内,完全可以满足实际的应用需要。针对基于卷积神经网络的RCF边缘检测模型生成的边缘过于粗糙的问题,提出了一种模型优化的方法,将每个阶段用于提升特征图分辨率的反卷积操作替换成可以生成更精细边缘、时间复杂度更低的亚像素卷积。根据对边缘图的直观感受和在标准数据集上的模型评估结果,可以证明这种优化策略可以生成更准确、更清晰的边缘预测... 

【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

针孔成像模型

基于深度学习的物件识别定位系统的设计与实现10图2.1针孔成像模型Figure2.1Pinholeimagingmodel图2.2坐标转化流程Figure2.2Coordinateconversionprocess2.2.1.1像素坐标系和图像坐标系像素坐标系和图像坐标系都是在相机的成像平面上，像素坐标系的u轴和v轴分别与图像坐标系的x轴和y轴平行，如图2.3所示。两者的区别在于各自的原点和度量单位不一样：像素坐标系的原点位于图像左上角，单位是像素，坐标值用(u,v)表示；图像坐标系原点位于镜头光心和成像平面的交点，单位是mm，

第2章相机标定算法研究11坐标用(x,y)表示。两者的转换关系可以表示为公式（2.1），其中（0，0）为像素坐标系原点在图像坐标系中的坐标表示。图2.3图像坐标系和像素坐标系Figure2.3Imagecoordinatesystemandpixelcoordinatesystem{=+0=+0...（2.1）2.2.1.2相机坐标系和世界坐标系世界坐标系是描述客观实体的三维坐标，相机坐标系也是三维坐标，因此，从世界坐标到相机坐标的转化是刚体变换，仅仅涉及到坐标系的旋转和平移。在三维空间中点的旋转矩阵通过点分别绕x轴、y轴、z轴旋转矩阵的乘积R来表达，如公式（2.2）所示。平移矩阵则可以通过计算世界坐标系的原点和相机坐标系原点对应坐标值的差值来得到，用31表示。待测物体在世界坐标系中的坐标用[,,]表示，物体在相机坐标系中的坐标用[,,]表示。于是，空间点P在相机坐标系中的坐标表示如公式（2.3）所示：=[10000][00100][00001]...（2.2）[]=33[]+31...（2.3）为了方便表示，将公式（2.3）转化为齐次坐标的形式


本文编号：3100682