| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 机械臂视觉系统标定国内外研究现状 | 第13-17页 |
| 1.2.2 面向机械臂抓取的视觉算法国内外研究现状 | 第17-20页 |
| 1.3 本文的研究内容 | 第20-21页 |
| 1.4 本文的组织框架 | 第21-22页 |
| 1.5 本章小结 | 第22-23页 |
| 第2章 基于ArUco marker的机械臂视觉系统标定 | 第23-36页 |
| 2.1 引言 | 第23-24页 |
| 2.2 Kinect传感器的参数标定与图像配准 | 第24-27页 |
| 2.2.1 Kinect传感器的内参标定 | 第24-26页 |
| 2.2.2 深度图像和彩色图像的配准 | 第26-27页 |
| 2.3 机械臂“眼到手”手眼标定方程及求解 | 第27-30页 |
| 2.4 基于ArUco marker的机械臂与Kinect手眼标定 | 第30-35页 |
| 2.4.1 基于ArUco marker的相机位姿估计 | 第30-32页 |
| 2.4.2 机械臂与Kinect视觉系统标定实验 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于卷积神经网络的目标物栅格化抓取位置检测 | 第36-49页 |
| 3.1 引言 | 第36-37页 |
| 3.2 目标物抓取位置在图像空间的表达与评估 | 第37-39页 |
| 3.3 基于残差网络的栅格化抓取位置检测 | 第39-44页 |
| 3.3.1 基于栅格化思想的网络输出设计 | 第39-41页 |
| 3.3.2 利用残差结构的多尺度输出网络模型 | 第41-44页 |
| 3.4 用于抓取位置检测网络训练的数据处理 | 第44-48页 |
| 3.4.1 模型训练数据转换及真值标签的生成 | 第44-46页 |
| 3.4.2 基于K-means++聚类算法的抓取预选框生成 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 机械臂抓取位姿映射与工具标定 | 第49-62页 |
| 4.1 引言 | 第49页 |
| 4.2 低纹理目标物的RGB-D图像抓取位置检测 | 第49-52页 |
| 4.3 图像空间抓取位置到机械臂抓取位姿的映射 | 第52-58页 |
| 4.3.1 球形腕机械臂运动建模与分析 | 第52-54页 |
| 4.3.2 机械臂抓取位姿映射与逆运动求解 | 第54-58页 |
| 4.4 基于最小二乘法的机械臂工具坐标设定 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 基于Kinect的机械臂抓取系统开发与实验验证 | 第62-82页 |
| 5.1 引言 | 第62页 |
| 5.2 系统总体架构及开发工具 | 第62-67页 |
| 5.2.1 系统开发平台及工具介绍 | 第62-63页 |
| 5.2.2 工业机器人控制平台分层架构 | 第63-67页 |
| 5.3 机械臂控制平台关键功能实现 | 第67-78页 |
| 5.3.1 机械臂工具坐标设定功能实现 | 第67-68页 |
| 5.3.2 机械臂工件坐标设定功能实现 | 第68-70页 |
| 5.3.3 机械臂I/O控制功能实现 | 第70-75页 |
| 5.3.4 机械臂手动示教功能实现 | 第75-78页 |
| 5.4 基于Kinect传感器的机械臂抓取实验 | 第78-81页 |
| 5.5 本章小结 | 第81-82页 |
| 第6章 总结与展望 | 第82-84页 |
| 6.1 全文总结 | 第82-83页 |
| 6.2 工作展望 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 作者简介 | 第89页 |
| 攻读硕士学位期间参与的科研项目 | 第89页 |
