| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 管片拼装机国内外研究现状 | 第12-14页 |
| 1.3 物体识别与双目定位国内外研究现状 | 第14-16页 |
| 1.4 主要研究内容 | 第16-18页 |
| 第二章 管片拼装机器人结构设计与运动控制系统研究 | 第18-37页 |
| 2.1 引言 | 第18-19页 |
| 2.2 管片类型与安装方式分析 | 第19-21页 |
| 2.3 基于双目视觉系统的管片拼装机器人结构设计及建模 | 第21-27页 |
| 2.3.1 周向回转机构 | 第22-23页 |
| 2.3.2 径向升降机构 | 第23页 |
| 2.3.3 轴向平移机构 | 第23-24页 |
| 2.3.4 抓取机构 | 第24-25页 |
| 2.3.5 双目视觉平台 | 第25-27页 |
| 2.4 管片拼装机拼装机器人运动学仿真及改进 | 第27-30页 |
| 2.5 管片拼装机器人运动控制系统研究 | 第30-36页 |
| 2.5.1 四通阀控液压马达数学建模 | 第31-32页 |
| 2.5.2 四通阀控非对称缸数学建模 | 第32-34页 |
| 2.5.3 管片拼装机器人运动控制系统仿真 | 第34-36页 |
| 本章小结 | 第36-37页 |
| 第三章 基于YOLO的快速管片识别研究 | 第37-50页 |
| 3.1 引言 | 第37-38页 |
| 3.2 基于YOLO的管片识别算法 | 第38-46页 |
| 3.2.1 基于YOLO的管片识别流程设计 | 第38-40页 |
| 3.2.2 基于深度学习的卷积网络选取 | 第40-41页 |
| 3.2.3 基于维度聚类的边界框预测 | 第41-45页 |
| 3.2.4 管片识别模型的评估 | 第45-46页 |
| 3.3 试验结果及分析 | 第46-49页 |
| 3.3.1 基于YOLO识别算法的网络训练 | 第47-48页 |
| 3.3.2 基于YOLO识别算法的识别实验 | 第48-49页 |
| 本章小结 | 第49-50页 |
| 第四章 基于螺栓特征匹配的管片抓取位置研究 | 第50-62页 |
| 4.1 引言 | 第50页 |
| 4.2 管片螺栓位置分析 | 第50-51页 |
| 4.3 管片螺栓视觉定位流程分析 | 第51-53页 |
| 4.4 基于SIFT的特征点提取 | 第53-58页 |
| 4.4.1 基于SIFT特征匹配流程 | 第53-54页 |
| 4.4.2 多尺度特征提取和描述算子确定 | 第54-57页 |
| 4.4.3 基于SIFT匹配流程 | 第57-58页 |
| 4.5 基于逻辑回归的特征分类 | 第58-59页 |
| 4.6 实验结果与分析 | 第59-61页 |
| 4.6.1 基于SIFT特征提取 | 第59-60页 |
| 4.6.2 基于SIFT特征提取匹配实验 | 第60-61页 |
| 4.6.3 运用基于视觉系统的抓取方法与传统方法的对比 | 第61页 |
| 本章小结 | 第61-62页 |
| 第五章 基于双目视觉的管片螺栓三维坐标获取 | 第62-77页 |
| 5.1 引言 | 第62-64页 |
| 5.2 摄像机成像原理及标定 | 第64-67页 |
| 5.3 双目立体标定 | 第67-68页 |
| 5.4 螺栓三维坐标求取 | 第68-69页 |
| 5.5 摄像机和管片拼装机器人转换关系 | 第69-73页 |
| 5.6 实验结果与分析 | 第73-76页 |
| 本章小结 | 第76-77页 |
| 全文总结与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-84页 |
| 致谢 | 第84-85页 |
| 附件 | 第85页 |