| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-25页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-23页 |
| 1.2.1 抓取检测的研究现状 | 第15-20页 |
| 1.2.2 深度学习的研究现状 | 第20页 |
| 1.2.3 抓取数据集研究现状 | 第20-23页 |
| 1.3 研究内容 | 第23-24页 |
| 1.4 本章小结 | 第24-25页 |
| 第2章 机器人自动抓取系统框架与基本模块 | 第25-40页 |
| 2.1 机器人自动抓取系统框架 | 第25-26页 |
| 2.2 深度相机 | 第26-29页 |
| 2.2.1 针孔相机模型 | 第27-28页 |
| 2.2.2 结构光深度测量原理 | 第28-29页 |
| 2.3 机器人与夹具 | 第29-30页 |
| 2.4 抓取检测算法 | 第30-38页 |
| 2.4.1 抓取表示 | 第30-32页 |
| 2.4.2 图像到可行抓取的映射关系 | 第32-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第3章 基于候选框生成与深度神经网络的两阶段抓取检测方法 | 第40-50页 |
| 3.1 两阶段抓取检测算法介绍 | 第40页 |
| 3.2 候选抓取框采样算法 | 第40-41页 |
| 3.3 改进的抓取质量卷积神经网络 | 第41-49页 |
| 3.3.1 深度图像归一化算法与改进的Dex-Net 2.0抓取数据集 | 第41-42页 |
| 3.3.2 神经网络结构 | 第42-45页 |
| 3.3.3 网络训练 | 第45-46页 |
| 3.3.4 网络性能验证 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于深度神经网络的单阶段抓取检测方法 | 第50-59页 |
| 4.1 单阶段抓取检测算法介绍 | 第50页 |
| 4.2 抓取检测全卷积神经网络 | 第50-58页 |
| 4.2.1 改进的Dex-Net 2.0抓取检测数据集 | 第50-51页 |
| 4.2.2 抓取检测全卷积神经网络架构 | 第51-53页 |
| 4.2.3 网络训练 | 第53-55页 |
| 4.2.4 网络性能验证 | 第55-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第5章 抓取检测算法性能的仿真与试验测试 | 第59-75页 |
| 5.1 引言 | 第59页 |
| 5.2 仿真环境下抓取检测算法测试 | 第59-66页 |
| 5.2.1 仿真实验环境搭建 | 第59-60页 |
| 5.2.2 仿真环境测试 | 第60-66页 |
| 5.3 真实环境下抓取检测算法测试 | 第66-74页 |
| 5.3.1 真实实验环境搭建 | 第66页 |
| 5.3.2 深度相机内参标定 | 第66-70页 |
| 5.3.3 系统手眼标定 | 第70-72页 |
| 5.3.4 真实环境测试 | 第72-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 参考文献 | 第77-84页 |
| 附录A 仿真环境中不同相机配置下抓取测试结果 | 第84-85页 |
