基于深度学习的工业机器人目标定位及位姿估计研究

发布时间：2023-11-18 08:45

　　近几年深度学习在计算机视觉领域展现出了强大的生命力且在实际应用中拥有很大的发展潜力,但是在工业领域的应用相对较少。本课题研究的是基于深度学习的工业机器人目标识别、定位及位姿估计问题,目的就是将机器人视觉同深度学习结合进行算法应用尝试,从视觉角度扩展机器人的目标检测任务类型,以便工业机器人完成进一步的目标抓取或吸取操作。首先,针对工业机器人利用抓手进行目标抓取的视觉检测场景,本文提出了基于Faster R-CNN的平面目标抓取位置检测模型。将用于目标定位框的输出转换为两点式抓取位置检测,直接输出可抓取位置点的坐标。其次,针对工业机器人利用吸盘进行目标吸取的视觉检测场景,以Faster R-CNN为基础提出了平面目标定位和位姿估计模型,增加了用于估计位姿的网络输出层,使网络能同时完成对目标的检测识别及位姿估计等任务,以便对机器人末端吸盘进行对应角度旋转从而实现平面工件吸取任务。最后,搭建机器人视觉平台并进行了单目二维视觉检测实验,在实验阶段对提出的两个模型分别进行了性能测试,以Cornell物品、工业PCB、EPFL汽车数据集为例:在抓取位置检测实验中,利用上述前两个数据集分别对两点式抓取...

【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 研究背景和意义
    1.2 研究现状及发展趋势
        1.2.1 深度学习目标定位及位姿估计研究现状
        1.2.2 智能机器人视觉技术研究现状
    1.3 研究内容与方法
    1.4 论文结构安排
第2章 相关技术研究
    2.1 深度学习目标检测模型
        2.1.1 目标识别定位模型:Faster R-CNN
    2.2 多任务学习模型
    2.3 多任务模型训练
    2.4 图像预处理
        2.4.1 图像的畸变矫正
    2.5 相机及视觉系统标定
        2.5.1 相机内参数模型及标定实验
    2.6 本章小结
第3章 基于深度学习的目标识别定位及位姿估计算法研究
    3.1 目标识别定位及位姿估计问题描述
    3.2 抓取场景:平面目标抓取位置检测模型
        3.2.1 模型结构
        3.2.2 模型评估标准
        3.2.3 抓取点样本生成
        3.2.4 抓取点检测
        3.2.5 抓取位置检测损失函数
    3.3 吸取场景:平面目标定位和位姿估计模型
        3.3.1 模型结构
        3.3.2 多任务结构模型压缩
        3.3.3 模型评估标准
        3.3.4 多任务损失函数
    3.4 空间目标方位姿态检测模型及实验分析
        3.4.1 数据集
        3.4.2 模型评估标准
        3.4.3 空间目标方位角检测实验
    3.5 本章小结
第4章 单目二维视觉检测实验设计与验证
    4.1 实物系统
        4.1.1 视觉检测系统
        4.1.2 运动执行机构
    4.2 实验结果及分析
        4.2.1 数据集
        4.2.2 平面目标抓取位置检测
        4.2.3 平面目标位姿估计检测
        4.2.4 全连接层对多任务模型的影响
        4.2.5 多个检测任务间的关系
    4.3 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 本课题工作展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3864948