基于深度学习的机器人盘点系统设备检测与定位方法研究

发布时间：2025-01-17 14:54

　　随着计算机和互联网技术的迅速发展,机房的应用场景越来越多,机房设备的有效管理对于企业的重要性也越来越高。而设备盘点作为机房设备管理中不可或缺的部分,它的重要性不言而喻。但是传统的人工盘点具有成本高,效率低,易出错,变更不能及时反馈,异常问题不能及时定位等问题。之后的使用手持盘点设备的方法又不够灵活,只能用于固定资产的盘点。所以我们急需一个高效强大的盘点系统来解决这些问题。因此我们提出了基于深度学习的机器人盘点系统:对于设备的固定信息,放到二维码中,之后通过摄像头采集并识别;对于设备可变的位置信息,通过双目视觉与深度学习算法相结合,进行设备检测与定位。通过对基于深度学习的目标检测算法进行性能比较,并结合实际检测需求,选择以YOLOv2算法为基础进行优化实现我们的检测任务,之后选择Kinect作为图像采集设备,通过采集深度信息实现定位任务。通过双目视觉、深度学习算法与机器人相结合,使得系统可以自主的完成设备的检测与定位功能。不仅节省人力成本,而且效率更高,并且能够适应设备变动频繁的机房盘点工作。更重要的一点是,由于使用了深度学习算法,系统检测与定位的准确度会随着使用越来越高,这就是深度学习的...

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图2.4ROI池化层Fig.2.4ROIpoolinglayer

中国石油大学（北京）硕士学位论文将得到的卷积特征图进行4*4，2*2以及1*1三种尺度的切分，对切分之后得到的小块进行max-pooling（最大池）下采样，然后将采样结果全排列，得到一个列向量，将这个列向量送入全连接层。FastR-CNN借鉴了SPP-net的....

图2.6RPN网络Fig.2.6Regionproposalnetwork

1）特征提取：将图像输入，进行整幅图像的卷积计算，获得该图的2）候选区域：用selectivesearch方法从原来的图像中提取出候选区对应投影到卷积特征图上。3）区域归一化：在卷积特征图上利用ROI（RegionofInterest）池化框的特征向量进行提取，得到大....

图2.8YOLO模型

图2.8YOLO模型Fig.2.8YOLOmodel上图为YOLO[34]模型，YOLO的整体思路如下：（1）输入图像，对这个输入的图像进行7*7的网格划分。（2）对每个划分出的网格预测两个边框。（3）通过前两步，我们共得到目标窗口7*7*2个，之后通过阈....

图2.10YOLO检测系统

我们会选择速度上更快的基于回归方法的检测算法。而机房中的设备不是小物体，因此我们会选择在VOC数据集上表现更优秀的改进后的YOLO算法。YOLO算法最突出的优点就是速度快，当然它还具有其他优点，一个是它是基于全局图像来进行预测的，视野更大，因此背景误判会减少，而且YO....

本文编号：4028213