基于RGB-D深度学习的假手抓取模式识别及控制研究
RESEARCH ON GRAP PATTERNRECOGNITION AND CONTROL OF PROSTHETICHAND BASED ON RGB-D DEEP LEARNING
摘 要
Abstract
目 录
第 1 章 绪 论
1.1 课题的研究背景与意义
1.2 国内外研究现状及分析
1.2.1 仿人假手EMG控制研究现状
1.2.2 假手抓取模式分类简述
1.2.3 RGB-D图像数据集现状简述
1.2.4 基于深度学习的RGB-D物品识别研究现状
1.2.5 国内外文献综述简析
1.3 课题来源及主要研究内容
1.3.1 适用于假手抓取模式识别的RGB-D图像数据集的建立
1.3.2 构建适宜的深度网络,完成假手抓取模式的可靠、实时识别
1.3.3 基于RGB-D-EMG信息的假手控制系统
1.3.4 主要研究内容的创新性
第 2 章 假手抓取模式识别的RGB-D数据集研究
2.1 引言
2.2 假手的抓取模式与物品库
2.2.1 假手的抓取模式
2.2.2 数据集所用物品集合
2.3 RGB-D图像及Kinect2.0传感器
2.3.1 RGB图像、深度图像
2.3.2 Kinect2.0与其深度图像噪声
2.3.3 Kinect2.0的RGB-D图像对齐原理
2.4 RGB-D数据采集平台搭建
2.4.1 数据采集平台硬件组成
2.4.2 数据采集平台软件编制
2.5 RGB-D数据集
2.5.1 数据集组织设计
2.5.2 数据集
2.6 本章小结
第 3 章 学习模型及输入数据类型验证实验
3.1 引言
3.2 数据对比实验卷积网络
3.2.1 Cifar-10卷积网络
3.2.2 卷积网络
3.3 RGB-D数据预处理
3.3.1 深度图像(Depth)零值噪点与中值滤波
3.3.2 深度图像像素值压缩
3.3.3 RGB-D数据尺寸标准化与缩放
3.4 基于5折交叉验证原则的预实验
3.4.1 K折交叉验证原则与样本分组
3.4.2 相同网络下的不同类型数据抓取模式识别实验
3.5 本章小结
第 4 章 模型优化与双模态数据融合识别实验
4.1 引言
4.2 单模态卷积网络模型
4.2.1 RGB数据卷积模型
4.2.2 Gray数据卷积模型
4.2.3 Depth数据卷积模型
4.3 多模态卷积网络模型
4.3.1 RGB-Depth数据卷积模型
4.3.2 Gray-Depth数据卷积模型
4.4 模型训练方法及算法实现
4.5 多表征输入下的对比实验
4.6 本章小结
第 5 章 基于RGB-D抓取模式识别的假手控制实验
5.1 引言
5.2 系统框架与控制策略
5.2.1 系统框架
5.2.2 控制策略
5.3 假手抓取模式识别策略
5.3.1 物品检测与分割
5.3.2 数据增强与假手抓取模式识别
5.4 人体肌电(EMG)控制策略
5.4.1 单电极控制策略
5.4.2 双电极控制策略
5.4.3 肌电电极配置
5.5 假手本体运动控制策略
5.5.1 HIT-V灵巧假手及其佩戴策略
5.5.2 假手运动控制策略
5.6 抓取实验
5.7 本章小结
结 论
参考文献
哈尔滨工业大学学位论文原创性声明和使用权限
致 谢