基于深度学习的机器人分拣三维场景点云分割

目录

第一章 绪论

1.1课题研究背景与意义

1.2国内外研究应用现状

1.2.1工业场景中的零件分割与识别技术研究现状

1.2.2点云分割技术研究现状

1.3本文的研究内容和章节安排

第二章 基于深度学习的点云分割方法

2.1引言

2.2深度卷积神经网络

2.2.1卷积层

2.2.2激活层

2.2.3池化层

2.2.4Batch Normalization（BN）操作

2.3PointNet++和PointSIFT算法的特性分析

2.3.1空间变换网络

2.3.2PointNet特性分析

2.3.3PointNet++特性分析

2.3.4PointSIFT算法特性分析

2.4本章小结

第三章 基于SIFT-PointNet++的三维场景点云分割算法

3.1引言

3.2 基于PointSIFT算法的PointNet++神经网络（SIFT-PointNet++）

3.2.1PointSIFT算法描述点云局部特征

3.2.2层级点云特征学习

3.2.3点集分割中的特征传播

3.2.4基于PointSIFT算法的PointNet++神经网络（SIFT-PointNet++）结构设计总图

3.3基于SIFT-PointNet++的机器人分拣三维场景点云分割方法应用

3.3.1三维模型构建与点云数据采集

3.3.2点云数据预处理与场景构建

3.3.3评价指标

3.3.4超参数设定及优化方法选择

3.3.5应用SIFT-PointNet++分割点云总体流程图

3.4本章小结

第四章 基于SIFT-PointNet++的仿真应用及噪声分析

4.1引言

4.2实验环境简介

4.3 Scannet实验结果与分析对比

4.4千斤顶零件实验方案设计及其测试结果

4.4.1千斤顶零件三维模型的构建及点云数据的采集

4.4.2千斤顶零件数据集的训练和测试效果

4.4.3加噪声数据集的训练和测试结果

4.4.4SIFT-PointNet++在不同噪声样本的测试效果

4.4.5噪声对SIFT-PointNet++训练结果的影响

4.4.6SIFT-PointNet++对于同类型物体的测试效果

4.4.7SIFT-PointNet++对于物体重叠状态的测试效果

4.4.8物体相隔的距离对预测准确率的影响

4.5本章小结

总结与展望

论文小结

论文展望

参考文献

攻读硕士学位期间取得的研究成果

声明

致谢