| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 本论文所用符号 | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状和发展动态 | 第10-13页 |
| 1.2.1 基于深度学习的目标识别研究现状 | 第10-12页 |
| 1.2.2 目标物品三维定位研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 论文章节安排 | 第13-15页 |
| 第2章 深度学习的目标识别算法研究 | 第15-47页 |
| 2.1 卷积神经网络 | 第15-19页 |
| 2.1.1 卷积神经网络理论分析 | 第15-17页 |
| 2.1.2 特征图的感受野 | 第17-19页 |
| 2.2 深度学习经典算法理论分析 | 第19-28页 |
| 2.2.1 YOLO算法 | 第19-22页 |
| 2.2.2 Faster R-CNN算法 | 第22-24页 |
| 2.2.3 SSD算法 | 第24-26页 |
| 2.2.4 算法对比实验 | 第26-28页 |
| 2.3 快速SSD算法理论分析 | 第28-31页 |
| 2.4 快速SSD算法识别水果实验 | 第31-46页 |
| 2.4.1 手工标记数据集 | 第31-34页 |
| 2.4.2 训练网络的调参策略 | 第34-39页 |
| 2.4.3 改进算法前后的对比实验 | 第39-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第3章 基于Kinect的定位算法研究 | 第47-62页 |
| 3.1 Kinect相机的标定 | 第47-54页 |
| 3.1.1 Kinect深度图渲染 | 第47-50页 |
| 3.1.2 相机标定理论分析 | 第50-52页 |
| 3.1.3 相机标定实验 | 第52-54页 |
| 3.2 Kinect三维坐标测量模型 | 第54-58页 |
| 3.2.1 三维坐标的理论分析 | 第54-57页 |
| 3.2.2 计算三维坐标实验 | 第57-58页 |
| 3.3 获取快速SSD算法定位框中物体的三维信息 | 第58-61页 |
| 3.4 本章小结 | 第61-62页 |
| 第4章 机器人抓取实验研究 | 第62-76页 |
| 4.1 Nao机器人实验平台 | 第62-63页 |
| 4.2 机器人手臂运动学分析 | 第63-71页 |
| 4.2.1 手臂建模与正运动学分析 | 第65-67页 |
| 4.2.2 手臂逆运动学分析及仿真实验 | 第67-71页 |
| 4.3 快速SSD算法结合Kinect的机器人抓取实验 | 第71-75页 |
| 4.4 本章小结 | 第75-76页 |
| 第5章 总结与展望 | 第76-78页 |
| 5.1 总结 | 第76页 |
| 5.2 展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录1 攻读硕士学位期间发表的论文 | 第83-84页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第84页 |