基于机器视觉和深度学习的目标识别与抓取定位研究

摘要

随着工业自动化水平的提高和科技的进步，机器人的数量不断增加，应用场景越来越复杂，对机器人的自动化、智能化、精度、稳定性、灵活性的要求也不断增加。计算机技术和人工智能的发展，使得基于机器视觉技术的机器人在研究和生产领域得到很大的重视。
　　本文针对“基于机器视觉和深度学习的目标识别与抓取定位”所涉及的关键技术进行相关研究。将机器人分为手、眼、脑三部分，六自由度机械臂为机器人的手臂，负责抓取目标;双目机器视觉充当机器人的眼睛，获取外界场景;深度学习技术是机器人的大脑，负责对场景中的目标进行识别和定位。本文对机器人手、眼、脑三部分的所涉及的主要问题进行研究，研究内容主要包括以下几个方面:
　　(1)研究了摄像机标定算法，针对棋盘格标定靶角点提取精度低的缺点，使用平面圆靶标进行摄像机标定，设计了靶标识别算法，使用张正友摄像机标定法进行单目标定。针对特征点匹配所使用的极线约束方法对特征点较多时易匹配错误的问题，提出一种增加方位约束的特征点匹配方法。最后对标定方法和匹配方法进行实验验证。
　　(2)针对机械臂与视觉系统坐标系统一的问题，提出一种基于五点圆靶标的手眼标定方法，并进行手眼标定实验分析，证明所提方法的有效性。
　　(3)针对机械臂控制精度问题，提出了融合多新息理论的多变量PID神经网络改进算法，为了验证所提方法收敛速度和参数估计精度，设计了MI-MPIDNN辨识系统，通过实验对多输入多输出非线性动态系统进行辨识，验证了方法的有效性。
　　(4)针对图像预处理阶段的图像去噪任务，提出基于深度卷积神经网络的去噪方法，构造了一种卷积子网与反卷积子网对称式的网络结构，组成由噪声图像到去噪图像的非线性映射。通过对不同级别的高斯噪声以及其他类型噪声的去噪效果分析，验证了方法的有效性。
　　(5)为了让机械臂智能抓取视场范围内的物体，深入研究了SSD(Single ShotMultiBox Detector)目标检测算法，针对SSD目标检测算法对小目标识别和定位精度不高的问题，提出一种基于特征金字塔的SSD目标检测改进算法(FP-SSD)，搭建并训练网络模型。最后在图像检测大规模竞赛测试数据集上进行验证，识别精度有较大提升，并且对小物体有较高的识别和定位精度，证明改进方法的有效性。
　　综上所述，针对智能机械臂系统目标识别和抓取定位等关键技术，本文所提算法效果明显，研究的成果具有一定的理论意义和应用价值。

目录

声明

摘要

1．1．1 选题依据

1．1．2 研究背景和问题的提出

1．2 相关领域国内外发展现状

1．2．1 机器人视觉技术研究现状

1．2．2 目标识别与定位研究现状

1．3 论文主要研究内容及安排

1．3．1 主要研究内容

1．3．2 论文组织结构

1．4 本章小结

2．1 引言

2．2 基本理论

2．2．1 参考坐标系

2．2．2 线性摄像机模型

2．2．3 非线性摄像机模型

2．3 基于平面圆靶标的摄像机标定算法研究

2．3．1 平面圆靶标识别算法

2．3．2 张正友摄像机标定法

2．4 双目摄像机标定及特征点匹配改进算法研究

2．4．1 双目摄像机标定

2．4．2 增加方位约束的特征点匹配改进算法

2．5 实验及结果分析

2．5．1 摄像机标定实验及结果分析

2．5．2 特征点匹配实验及结果分析

2．6 本章小结

3．1 引言

3．2 基本理论

3．2．1 手眼标定

3．2．2 PID神经元

3．2．3 多变量PID神经网络

3．3 基于五点圆靶标的手眼标定算法

3．3．1 手眼系统坐标获取

3．3．2 手眼系统标定

3．4 基于多新息理论的多变量PID神经元网络改进算法研究

3．4．1 多新息理论

3．4．2 基于多新息理论的多变量PID神经元网络

3．4．3 MI-MPIDNN系统辨识设计

3．5 实验仿真及结果分析

3．5．1 手眼标定实验结果及分析

3．5．2 基于多新息理论的多变量PID神经元网络仿真结果及分析

3．6 本章小结

4．1 引言

4．2 基本理论

4．2．1 卷积神经网络

4．2．2 物体识别与定位基本流程

4．2．3 SSD：Single Shot MultiBox Detector

4．3 基于深度卷积神经网络的图像去噪改进算法研究

4．3．1 网路结构

4．3．2 卷积与反卷积

4．3．3 网络模型训练

4．3．4 针对RGB图像去噪的卷积神经网络

4．4 基于特征金字塔的SSD目标检测改进算法研究

4．4．1 特征金字塔

4．4．2 网络结构

4．4．3 反卷积与扩张卷积

4．4．4 训练

4．5 实验与结果分析

4．5．1 基于深度卷积神经网络的图像去噪实验与分析

4．5．2 基于特征金字塔的SSD目标检测改进算法实验与分析

4．5．3 双目视觉平台下目标识别与抓取定位实验与分析

4．6 本章小结

5．1 总结

5．2 展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢