目标物品识别与空间定位方法研究

发布时间：2023-02-26 04:31

　　随着科技的不断发展,机器人在多个领域中都有了应用,例如:医疗领域、工业领域、教育领域等。尤其在工业领域中,工业机器人对工业零件进行抓取,然后完成在流水线上的工件加工、零件装备等流程。在机器人工作流程中,机器人抓取技术的成熟程度至关重要。机器人的自主抓取大多数是基于视觉技术来控制,但是在复杂环境下,识别定位的效果大大下降,从而降低抓取的效率。所以,提供目标物体精确的坐标是现在急需解决的问题。在本文中,基于优化Mask R-CNN算法从RGB图片中识别出目标物体并得到其掩膜分割出目标区域。然后结合Kinect v2传感器将二维坐标转化到三维空间坐标,完成对物体的定位任务。本文具体工作如下:(1)目标物体识别算法实验比较。首先介绍了在物体识别领域中四种较为常用的卷积神经网络目标检测算法,YOLO、SSD、Faster R-CNN和Mask R-CNN。为了提高识别能力和定位的精度,经过实验选择识别精度最高的Mask RCNN。(2)优化Mask R-CNN网络进行物体识别与分割。首先使用Kinect v2传感器彩色相机采集数据,并对数据集进行预处理。接着在Mask R-CNN算法基础上进行了...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 国内外研究现状与分析
        1.2.1 物体识别方法研究现状
        1.2.2 物体定位方法研究现状
    1.3 本文研究内容
    1.4 论文章节安排
第2章 目标检测算法
    2.1 one-stage目标检测算法
        2.1.1 YOLO
        2.1.2 SSD
    2.2 two-stage目标检测算法
        2.2.1 Faster R-CNN网络
        2.2.2 Mask R-CNN
    2.3 算法比较实验
    2.4 本章小结
第3章 基于优化Mask R-CNN算法的目标识别
    3.1 数据集
        3.1.1 自采数据集
        3.1.2 自采数据集预处理
        3.1.3 公开数据集
    3.2 Mask R-CNN网络的优化
        3.2.1 模型预处理——cbn层
        3.2.2 Loss损失函数优化——加入边缘信息
        3.2.3 双向特征融合
    3.3 实验结果与分析
        3.3.1 优化的Mask R-CNN网络结构
        3.3.2 网络评估标准
        3.3.3 实验环境及实验参数选择
        3.3.4 主干网络选择
        3.3.5 加入边缘损失函数对比实验
        3.3.6 加入双向特征融合对比实验
        3.3.7 优化的Mask R-CNN对比实验
    3.4 本章小结
第4章 基于Kinect v2 的物体空间定位
    4.1 Kinect v2 标定与空间定位
        4.1.1 坐标系之间转换
        4.1.2 相机标定
    4.2 深度数据预处理
        4.2.1 3D点云数据转化
        4.2.2 结合多帧中值滤波和双边滤波
    4.3 实验与分析
        4.3.1 相机标定
        4.3.2 三维坐标计算实验
    4.4 本章小结
第5章 实验平台搭建与验证
    5.1 系统环境和设备
    5.2 实验平台设计
        5.2.1 图像采集模块
        5.2.2 图像预处理模块
        5.2.3 目标识别与分割模块
        5.2.4 空间定位模块
    5.3 实验与分析
    5.4 本章小节
结论
参考文献
致谢



本文编号：3749823