硕士论文网第2021-01-05期，本期硕士论文写作指导老师为大家分享一篇
硕士论文文章《工程硕士视角下关于特定目标的智能识别和分拣技术研究》，供大家在写论文时进行参考。
本篇论文是一篇工程硕士论文范文，本文介绍的特定目标的智能识别和分拣技术相关研究取得了一定的进展，并针对环保行业垃圾分类的实际需求，设计了一种常见垃圾的智能识别及分拣系统。本系统融合了目标检测、识别、实例分割、深度信息测距和工业机器人等多种技术，对垃圾分拣机器人的研究进行了初步的探索，为环保等传统行业和人工智能新兴技术的进一步结合提供了一个可借鉴的思路。
第一章 绪 论
1.1 研究背景与意义
工业机器人从上世纪六十年代发展至今，我国现已成为机器人研发和应用的主要国家之一。越来越多的各种机器人被应用于各行各业极大加快了我国的工业化进程。在工业制造智能化方面，许多工业生产过程已经实现了自动化，大多数重复性劳动的生产线也逐步由机器人代替工人，这使得生产过程更加高效、安全，同时也节省了大量劳动力并大幅提高社会生产力[1]。在当前的工业生产车间中，工业机器人只是重复进行分拣、抓取、释放和跟踪目标等固定动作，或靠简单的视觉技术进行一定的指导。此外，目标的识别定位和智能分拣是机器人进一步实现智能化的前提。因此，众多科研人员一直致力于使机器人能够像人类一样能够对目标进行精确的检测、识别、定位、抓取、分拣等工作，这项工作对于制造业、服务业等行业来说具有极大的研究价值。但由于具体物体的姿态、表面材质等条件未知，实现智能化抓取和分拣仍然是该领域的一个未解决的难题。常见工业机器人应用场景如图1-1所示
1.2 相关领域国内外发展现状
随着人工智能技术在全世界迎来了发展热潮，深度学习作为人工智能最具前景的研究方向，成为了这个时代当之无愧的宠儿。这个概念于 1956 年 Dartmouth 会议上被众多领域的学者一起提出。人工智能学科的根本目的便是探寻动物和人形成智能的原因，并在此基础上模仿生物智能使用计算机来开发出具备类似智能的系统软件，现存的模拟生物大脑神经元的各种深度神经网络便是人工智能领域众多研究人员在这个方向上探索的成果。如今，随着人工智能的有效性及其对社会生产力的推动作用日益明显，人工智能普遍被世界各国加入国家发展规划战略，其中深度学习作为各种实际应用的代表技术。对它的研究和发展也被进一步推向顶峰。 早期的深度学习是指具有多层网络结构的人工神经网络（ANN）模型。1943年，Pitts 和 McCilloch 等人首次提出了人工神经网络并对其中的神经元用数学理论进行了描述；1949 年，Hebb 等提出了神经元的数学模型和 ANN 模型的学习规则；在 1957 年，Rosenblatt 提出了最早且结构最简单的 ANN 模型—感知器，随后通过硬件实现了该模型: Mark I，并用其处理简单的二分类问题；1980 年，著名的 Hinton教授提出了一种多层感知器模型，此模型使用多个隐层，为后续深度网络的发展提供了借鉴作用；1986 年，以 Rumelhart 和 McCelland 等人提出了经典的反向传播（BP）算法；1998 年，Le Cun 等人提出了最重要也是最基础的卷积神经网络模型（CNN）；2006 年，Hinton 教授等人提出了深度信念网络（DBN）模型和一种自下而上对各层特征采取贪心思想进行学习的算法；2009 年，Yoshua Bengio 等提出了采用自动编码器来代替 DBN 的基本单元—限制玻尔兹曼机。
第二章 视觉测距及三维定位技术研究
随着视觉测距技术赋予机器人越来越强大的感知能力，使其在自主移动、扫地、手术、无人驾驶、工业生产、太空探索等任务上面的应用日益成熟[44]。科研人员对测距技术进行了广泛的研究，根据采用的测距介质不同，大概有依托视觉、超声波、激光、雷达、红外线（不可见光）等不同介质进行测距的技术。其中，视觉测距技术起源于摄影测量学，这门学科认为视觉图像包含目标信息并在图像上进行目标检测，最后通过几何学计算其距离，这种思想和当今计算机视觉的目标检测识别思想如出一辙。伴随着人工智能领域的兴起，计算机视觉作为感知世界的主要分支领域也实现了快速发展。视觉测距方案由于结果精确、速度快、非接触性、成本低且性能稳定等优势已经成为当今测距领域研究的主流方向。 利用视觉测距确定物体与相机之间的距离是进行三维定位的前提。若是使用普通相机自己搭建系统，则必须通过标定获取相机的内参数和镜头畸变系数等参数，然后根据特定的算法实现三维定位。若是使用 RealSense 等深度相机，则可以根据其实现的技术方案进行相机坐标系中的三维定位。视觉定位在如今的无人驾驶，工业生产机器人、物流分拣等行业已经得到了大量的应用。 本章节主要对视觉测距领域的一些主流方案进行介绍和分析，并根据实验需求对具备测距功能的 3D 深度相机进行硬件选型。如英特尔的 RealSense 系列、微软的 Kinect 系列、奥比中光系列、苹果的 Prime Sense 系列、ZED 系列等都是行业内非常有名的产品。本文针对选定的 RealSense D435，研究其测距和定位原理并完成三维定位系统实验。
2.1 单目视觉测距原理
基于单目视觉测距技术的系统通常只使用一个相机进行测距，一般根据像机的内参和外参矩阵来估算目标的深度距离[45]。即想要利用单目相机从二维图片中获取目标在真实世界坐标系中的三维坐标，必须对系统各项条件进行一定的约束，比如摄像头载体在平面上运动、摄像头高度固定、相机与地面的视角保持水平、物体的实际尺寸已知等。为了求解相机图像坐标系与世界坐标系之间转换关系，要对相机内参和外参进行标定。此步骤会涉及大量矩阵运算，需要进行优化，才能保证单目测距系统具备一定的精度和可靠性。但由于上述各项限制条件以及市场原因，单目测距相机仍然处于研究阶段，并未出现成熟的产品。
2.2 双目视觉测距原理
双目视觉测距是指测距系统中需要使用两个相机从左右不同视角对相同场景拍摄图片，然后利用机器视觉分别提取两幅图片中的特征，并利用逐像素匹配来计算两幅图片的视差。再使用三角测量技术获取待测点的深度距离[46]。根据测距系统中使用的两个相机的位置关系，主要分为平行式双目视觉和汇聚式双目视觉；其中平行式双目视觉主要是指相机两个光轴之间保持平行，这种方案由于其结构简单、计算难度低、能满足绝大多数应用场景等优势逐渐成为该领域的研究主流。汇聚式双目视觉系统中左右相机的位置根据具体需求来决定，这也使得两相机的光轴发生相交，此方案结构复杂多变、计算难度大，故只有在很少的特定场景才会被采用。所以本文使用平行式双目视觉系统。 平行式双目视觉的测距原理如下图 2-3 所示，保持左右相机位于同一平面且光轴平行，且焦距 f 和各项内外参数均保持一致。三角测量原理如下：两个镜头光轴平行，两个像平面和待测点三者组成一个三角形。平行固定两个像机的位置，通过几何和数学知识计算公共视野内物体上每个待测点的深度信息，从而可以进一步完成目标识别定位，三维重建等工作。
第三章 目标检测和分割技术研究
3.1 引言
3.2 卷积神经网络基础
3.3 Cascade Mask R-CNN 网络模型介绍
3.4 改进 Cascade Mask R-CNN 模型
3.5 基于改进 Cascade Mask R-CNN 的目标检测实验
3.6 本章小结
第四章 机械臂及手眼标定技术研究
4.1 硬件设计选型
4.2 机械臂运动学建模
4.3 UR 机械臂运动学分析
4.4 机器人自动手眼标定
4.5 本章小结
第五章 垃圾智能识别与分拣系统实验
5.1 系统软硬件设计
5.2 系统实验与结果分析
5.3 本章小结
第六章 总结与展望
本文以传统行业智能化发展需求为引导，针对不同行业中特定任务中目标的智能识别与机器人分拣技术中所涉及的视觉深度测距、基于深度学习的目标检测和实例分割、工业机器人控制等三种关键技术进行了系统的研究，完成了相应子系统的开发，并通过实验对各个子系统的性能进行了验证，证明本文设计思路的可行性。并在实践环节提出并实现了一套常见垃圾的智能识别及分拣系统，并仔细阐述了该系统的设计思路和实现过程。然后在实验室内搭建了一个模拟现实中生活垃圾分拣丢弃场景以作为本系统的测试环境，一方面验证了目标识别和实例分割Cascade Mask R-CNN 模型算法的正确性和有效性，并且结合深度相机测距技术验证了目标定位的精确性；另一方面通过实际运行系统，验证了本技术方案的可行性。
本文主要完成了如下三部分工作：
（1）在目标检测识别和实例分割任务的研究方面，针对通用场景下实例分割模型算法进行了一定的研究，改进了一种基于 Cascade Mask R-CNN 实例分割模型的算法。主要工作便是使用 GA-RNP 网络对原始 RPN 网络进行替换，并把级联网络的三个阶段对应的 mask 分支进行连接融合从而逐渐提升分割效果，并证明了在COCO2017 公开数据集上改进后的模型的准确率有所提升。此外，根据模型输出的目标对应的 mask 信息结合深度相机输入时一同采集的深度图进行目标测距实验，并结合 Realsense 提供的 SDK 实现目标在相机坐标系中的定位，并且通过对目标mask 覆盖的深度像素值进行过滤处理可以提高特殊形状目标定位的精度。
（2）在目标抓取和分拣控制研究方面，硬件选型阶段确定了实验使用的机械臂和机械夹爪及其各项技术指标，首先就本文使用的 UR3 基于 D-H 参数表示法完成了运动学模型的构建，并对其正、逆运动学数学模型完成了详细的数学推导。然后对手眼标定的原理及理论模型做了详细分析，并使用 UR3 机械臂完成了手眼分离方案的自动标定实验。实验结果证明本文设计搭建的手眼标定系统的精度满足需求。
（3）针对我国现阶段民众垃圾分类意识薄弱的现状，本文在实践应用环节提出并实现了一种常见垃圾智能识别和机器人分拣系统。本系统分别由基于视觉的目标检测识别及定位、机械臂分拣控制、主控和嵌入式控制等四个主要子系统构成。主要流程如下：首先采集 600 张室内场所的常见垃圾图片并制作数据集对模型进行训练和测试。然后通过 Realsense D435 同时采集 RGB 图片和深度图作为系统输入，同时运行本文改进后的模型进行垃圾目标的识别和实例分割，并结合深度相机测距技术进行垃圾目标定位。最后通过自动手眼标定把垃圾目标的坐标转换到机械臂基坐标系下，主控程序控制机械臂向目的坐标运动，到位后通知嵌入式系统控制机械夹进行抓取操作。并搭建垃圾分类场景来模拟实际工作环境，实现了对常见垃圾中既定类别目标的分类识别和有效分拣，证实了本系统技术方案的有效性。
综上所述，本文介绍的特定目标的智能识别和分拣技术相关研究取得了一定的进展，并针对环保行业垃圾分类的实际需求，设计了一种常见垃圾的智能识别及分拣系统。本系统融合了目标检测、识别、实例分割、深度信息测距和工业机器人等多种技术，对垃圾分拣机器人的研究进行了初步的探索，为环保等传统行业和人工智能新兴技术的进一步结合提供了一个可借鉴的思路。
该论文为收费论文，请扫描二维码添加客服人员购买全文。
以上论文内容是由
硕士论文网为您提供的关于《工程硕士视角下关于特定目标的智能识别和分拣技术研究》的内容，如需查看更多硕士毕业论文范文，查找硕士论文、博士论文、研究生论文参考资料，欢迎访问硕士论文网硕士论文栏目。
首页
毕业论文
硕士论文
博士论文
学位论文
在职硕士
职称论文
研究生论文
留学生论文