基于神经网络的码垛机器人视觉位姿测量及伺服控制研究

发布时间：2017-04-24 16:02

  本文关键词：基于神经网络的码垛机器人视觉位姿测量及伺服控制研究，由笔耕文化传播整理发布。

【摘要】：本论文以机器人用于木材加工业中的木制品码垛作业为背景,利用视觉技术使机器人对周围环境和操作对象的变化做出快速反应,提高机器人自动化和智能化程度,主要研究了机器人视觉系统的图像采集、图像滤波、特征提取等图像处理技术；研究了用图像处理中获取的图像特征确定环境中目标物体的三维位姿测量技术；研究了用三维空间中目标物体的位姿信息作为控制输入,控制机器人进行搬运和码垛作业的机器人伺服控制技术。主要研究结论如下：(1)概率神经网络具有良好的分类能力。以含有噪声的图像像素灰度值为基础,建立基于均值绝对偏差排序的向量(ROMEAD)和基于中值绝对偏差排序的向量(ROMDAD), ROME AD向量用于计算70%以上的高斯噪声点出现的位置,ROMDAD向量用于计算当前像素值与其相邻像素值的接近程度,有效区分图像中的椒盐噪声和非噪声像素。利用ROMEAD和ROMDAD两个特征向量作为概率神经网络的输入,经过网络训练,有效检测并分离出高斯噪声和椒盐噪声,并分别用均值滤波和中值滤波滤除噪声。径向基函数神经网络具有优良学习能力,均值滤波和中值滤波之后的图像作为输入,用径向基函数神经网络进行融合,更多地保留图像的有用信息和边缘信息。(2)传统直线特征提取方法中,Canny算子和Hough变换的直线提取效果相对较好,但Canny算子抗噪能力较差,提取效果受限于阈值选择,因此自适应性较差；Hough变换受噪声影响小,鲁棒性好,应用广泛。故本论文选择Hough变换方法进行图像直线特征的提取。(3)灭点是笛卡尔空间中的一组平行线在透视投影中的交点。根据灭点属性可知,灭点包含了摄像机的内部参数,根据单幅二维图像求解出摄像机焦距以及光心的位置；利用匹配图像对中的两两正交且不共面的三组平行线形成的灭点求解出摄像机相对于场景的位置关系矩阵中的旋转矩阵R,然后用三角相似原理找出同一条线段在以光心为原点的坐标系和以灭点为原点的坐标系中的匹配关系,求出位置关系矩阵中的平移分量t。(4)基于对偶四元数理论同时求解出摄像机坐标系和机器人末端执行器坐标系变换关系的旋转矩阵R和位置向量t,消除了计算传递误差。用目标物体上位置四元数和方向四元数的测量值与理论值建立误差方程,将约束条件与其联立起来,利用拉格朗日乘子法,构建拉格朗日函数,基于Hopfield神经网络技术求解误差方程的最优解,即求得目标位姿的全局最优解。(5)以目标物体的3D空间位姿作为机器人系统的控制输入,在基于位置的视觉伺服控制方法的基础之上,利用反演方法,设计反演控制器,选取控制律和自适应律,减小机器人结构、运动以及位姿测量结果等因素存在的误差和其他不确定性因素对机器人控制带来的影响,确保机器人系统全局渐近稳定。利用径向基函数神经网络,实现无需机器人精确模型信息的控制,设计鲁棒控制律以提高机器人系统对误差和干扰的抵抗能力,提高系统鲁棒性。
【关键词】：木材加工 机器人视觉 位姿测量 伺服控制
【学位授予单位】：北京林业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41;TP242
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 1 绪论11-18
• 1.1 研究背景11
• 1.2 研究目的与意义11-12
• 1.3 神经网络研究现状12-17
• 1.3.1 基于神经网络的图像处理研究现状12-14
• 1.3.2 基于神经网络的摄像机标定研究现状14-15
• 1.3.3 基于神经网络的机器人视觉伺服研究现状15-17
• 1.4 本论文研究内容17-18
• 2 理论基础18-46
• 2.1 神经网络基础理论18-24
• 2.1.1 RBF神经网络19-20
• 2.1.2 PNN神经网络20-22
• 2.1.3 Hopfield神经网络22-24
• 2.2 图像滤波与特征提取24-33
• 2.2.1 图像噪声模型24-26
• 2.2.2 传统滤波算法26-27
• 2.2.3 边缘检测算子27-32
• 2.2.4 Hough变换32-33
• 2.3 视觉位姿测量原理33-40
• 2.3.1 摄像机标定33-36
• 2.3.2 手眼标定36-38
• 2.3.3 对偶四元数理论38-40
• 2.4 机器人视觉伺服控制原理40-45
• 2.4.1 机器人模型40-43
• 2.4.2 基于位置的视觉伺服控制43-45
• 2.5 本章小结45-46
• 3 基于神经网络的图像处理和特征提取46-63
• 3.1 基于PNN神经网络的图像噪声分类检测及滤波46-49
• 3.1.1 基于均值绝对偏差排序的向量47-48
• 3.1.2 基于中值绝对偏差排序的向量48-49
• 3.1.3 算法步骤及代码49
• 3.2 基于RBF神经网络的图像融合49-51
• 3.3 仿真实验及结果51-61
• 3.3.1 样本选取51
• 3.3.2 实验结果51-61
• 3.4 本章小结61-63
• 4 基于对偶四元数和Hopfield神经网络的位姿测量63-83
• 4.1 基于对偶四元数的目标位姿测量算法63-77
• 4.1.1 基于灭点的摄像机标定63-72
• 4.1.2 手眼标定72-75
• 4.1.3 目标位姿测量算法75-77
• 4.2 基于Hopfield神经网络的目标位姿最优解77-78
• 4.3 仿真实验及结果78-82
• 4.3.1 摄像机标定实验及结果78-80
• 4.3.2 位姿测量实验及结果80-82
• 4.4 本章小结82-83
• 5 基于反演设计的神经网络视觉伺服控制器83-98
• 5.1 基本反演控制器设计84-86
• 5.2 RBF神经网络反演控制器设计86-88
• 5.3 仿真实验及结果88-96
• 5.4 本章小结96-98
• 6 结论与展望98-101
• 6.1 结论98-100
• 6.2 展望100-101
• 参考文献101-110
• 个人简介110-111
• 导师简介111-112
• 获得成果目录112-113
• 致谢113

【参考文献】

中国期刊全文数据库 前10条

1 郑立斌;王红梅;顾寄南;石长华;何辉;;RBF神经网络在机器人视觉伺服控制中的应用[J];机床与液压;2015年15期

2 朱海霞;;基于改进Hough变换和BP网络的指针仪表识别[J];电测与仪表;2015年05期

3 孙晓明;周冬梅;张顺;;图像去噪方法的对比研究[J];科技视界;2014年06期

4 王红梅;顾寄南;吴倩;;基于BP神经网络的机器人视觉伺服控制研究[J];制造业自动化;2014年01期

5 延和;吴斌;;基于改进型神经网络的双目摄像机标定[J];西南科技大学学报;2013年04期

6 朱素杰;周波;王洪远;;基于神经网络的摄像机标定方法研究[J];工业仪表与自动化装置;2013年06期

7 谢长贵;谢志江;;热态重轨表面缺陷机器视觉检测的关键技术[J];重庆大学学报;2013年10期

8 谭永杰;曹彦;王永亮;;图像噪声类型识别研究[J];周口师范学院学报;2013年05期

9 赵一博;邹焕新;秦先祥;;一种基于RBF神经网络的极化SAR图像分类方法[J];现代雷达;2013年08期

10 范巧艳;;基于BP神经网络的图像混合噪声去除方法[J];知识经济;2013年15期

中国博士学位论文全文数据库 前3条

1 王常青;数字图像处理与分析及其在故障诊断中的应用研究[D];华中科技大学;2012年

2 曾俊;图像边缘检测技术及其应用研究[D];华中科技大学;2011年

3 尹建川;径向基函数神经网络及其在船舶运动控制中的应用研究[D];大连海事大学;2007年

中国硕士学位论文全文数据库 前10条

1 庞振;基于径向基函数神经网络的图像识别研究[D];长沙理工大学;2011年

2 王晓凯;图像椒盐噪声及高斯噪声去噪方法研究[D];复旦大学;2010年

3 马亚洲;机器视觉中边缘检测算法的研究[D];重庆理工大学;2010年

4 王秋勤;基于概率神经网络的发动机故障诊断研究[D];西南林业大学;2010年

5 何琨;数字图像高斯噪声和脉冲噪声处理系统的研究与实现[D];电子科技大学;2010年

6 金刚;自适应Canny算法研究及其在图像边缘检测中的应用[D];浙江大学;2009年

7 马运勇;概率神经网络的结构优化研究及其应用[D];哈尔滨工业大学;2008年

8 王兰霞;基于RBF神经网络的PM_（10）污染预测研究[D];西安建筑科技大学;2008年

9 苏美娟;径向基函数神经网络学习算法研究[D];苏州大学;2007年

10 李彬;径向基函数神经网络的学习算法研究[D];山东大学;2005年

  本文关键词：基于神经网络的码垛机器人视觉位姿测量及伺服控制研究，由笔耕文化传播整理发布。

，

本文编号：324496