机器人工件识别关键技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究背景和意义 | 第13-15页 |
| 1.1.1 机器人视觉 | 第13-14页 |
| 1.1.2 机器人视觉的发展历程 | 第14-15页 |
| 1.2 基于机器人视觉的工件检测 | 第15-17页 |
| 1.2.1 基于机器人视觉的工件检测研究现状 | 第16页 |
| 1.2.2 机器人工件识别面临的问题和发展趋势 | 第16-17页 |
| 1.3 本文主要研究内容与章节安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 特征提取技术 | 第19-31页 |
| 2.1 图像预处理 | 第19-23页 |
| 2.1.1 彩色图像灰度化 | 第19页 |
| 2.1.2 图像去噪 | 第19-20页 |
| 2.1.3 增强图像对比度 | 第20-22页 |
| 2.1.4 图像数据归一化 | 第22-23页 |
| 2.2 图像特征提取方法 | 第23-29页 |
| 2.2.1 颜色特征提取 | 第23-24页 |
| 2.2.2 纹理特征提取 | 第24-28页 |
| 2.2.3 形状特征提取 | 第28-29页 |
| 2.2.4 空间关系特征 | 第29页 |
| 2.3 工件图像的预处理与特征提取 | 第29-30页 |
| 2.3.1 预处理方法选择 | 第29-30页 |
| 2.3.2 特征提取方法选择 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于HOG与LBP的特征提取 | 第31-41页 |
| 3.1 HOG特征提取 | 第31-34页 |
| 3.1.1 HOG算法相关概念 | 第31-32页 |
| 3.1.2 HOG算法基本原理 | 第32-33页 |
| 3.1.3 本文HOG算子模式设计 | 第33-34页 |
| 3.2 LBP特征提取 | 第34-38页 |
| 3.2.1 LBP基本算子 | 第35页 |
| 3.2.2 LBP等价模式算子 | 第35-36页 |
| 3.2.3 LBP旋转不变模式算子 | 第36-37页 |
| 3.2.4 LBP模式选取及处理模式 | 第37-38页 |
| 3.3 特征融合 | 第38-40页 |
| 3.3.1 本文特征融合思想 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 图像分类 | 第41-55页 |
| 4.1 图像分类相关概述 | 第41页 |
| 4.2 SVM图像分类模型 | 第41-50页 |
| 4.2.1 SVM优点 | 第42-43页 |
| 4.2.2 SVM线性分类器 | 第43-47页 |
| 4.2.3 SVM核函数 | 第47页 |
| 4.2.4 SVM多分类问题 | 第47-50页 |
| 4.3 ELM分类模型 | 第50-52页 |
| 4.3.1 ELM算法原理 | 第50-52页 |
| 4.4 分类模型参数选择与优化 | 第52-54页 |
| 4.4.1 模型参数选择问题 | 第52-53页 |
| 4.4.2 布谷鸟优化模型参数 | 第53页 |
| 4.4.3 布谷鸟算法优化分类模型的设计 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 实验设计与验证 | 第55-67页 |
| 5.1 基于特征融合与参数择优的图片分类实验 | 第55-64页 |
| 5.1.1 图像预处理 | 第57-58页 |
| 5.1.2 特征提取 | 第58-59页 |
| 5.1.3 基于融合特征的图片分类 | 第59-60页 |
| 5.1.4 结果与分析 | 第60-64页 |
| 5.2 基于ELM的图片分类实验 | 第64-65页 |
| 5.3 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文工作的总结与分析 | 第67页 |
| 6.2 本课题工作的展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间发表的学术论文目录 | 第74-75页 |
| 攻读学位期间取得的科研成果目录 | 第75-76页 |
| 致谢 | 第76页 |
