| 致谢 | 第4-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 论文研究背景及意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 目标检测算法研究现状 | 第15-17页 |
| 1.2.2 基于视觉的自动分拣系统及云平台研究现状 | 第17-20页 |
| 1.3 论文研究内容与架构 | 第20-23页 |
| 1.3.1 论文研究内容 | 第20-22页 |
| 1.3.2 论文架构 | 第22-23页 |
| 1.4 本章小结 | 第23-25页 |
| 第2章 基于深度学习目标检测的机械臂自动分拣系统设计 | 第25-43页 |
| 2.1 系统整体架构 | 第25-26页 |
| 2.2 系统硬件选型 | 第26-33页 |
| 2.2.1 目标检测模型训练用服务器 | 第27-28页 |
| 2.2.2 目标检测运行硬件平台 | 第28-30页 |
| 2.2.3 摄像头 | 第30页 |
| 2.2.4 机械臂选型 | 第30-31页 |
| 2.2.5 系统硬件架构 | 第31-33页 |
| 2.3 系统模块间通信机制 | 第33-36页 |
| 2.3.1 USB通信 | 第33-34页 |
| 2.3.2 ROS通信 | 第34-36页 |
| 2.3.3 串口通信 | 第36页 |
| 2.4 目标检测算法选型 | 第36-39页 |
| 2.5 手眼标定及机械臂控制模块设计与实现 | 第39-41页 |
| 2.6 本章小结 | 第41-43页 |
| 第3章 基于深度学习的自动分拣系统图像处理模块设计与实现 | 第43-59页 |
| 3.1 图像算法理论 | 第43-49页 |
| 3.1.1 感知哈希算法 | 第44-45页 |
| 3.1.2 YOLO | 第45-47页 |
| 3.1.3 模型训练算法选择 | 第47-49页 |
| 3.2 图像采集和数据获取 | 第49-50页 |
| 3.3 数据标注 | 第50-51页 |
| 3.4 目标检测模型训练与评估 | 第51-58页 |
| 3.4.1 模型评估方法 | 第51页 |
| 3.4.2 迁移学习 | 第51-54页 |
| 3.4.3 模型训练与选择 | 第54-58页 |
| 3.5 目标检测模型部署 | 第58页 |
| 3.6 本章小结 | 第58-59页 |
| 第4章 基于深度学习目标检测的云平台设计与实现 | 第59-71页 |
| 4.1 深度学习云平台方案设计 | 第59-62页 |
| 4.1.1 云平台整体架构 | 第59-61页 |
| 4.1.2 基于Http协议的通信方法分析 | 第61页 |
| 4.1.3 云平台性能需求分析 | 第61-62页 |
| 4.2 基于Flask的Web服务端设计与实现 | 第62-66页 |
| 4.2.1 云平台服务端架构 | 第62-63页 |
| 4.2.2 云平台数据库设计 | 第63-65页 |
| 4.2.3 基于Linux的Shell脚本实现云平台模型训练 | 第65-66页 |
| 4.3 基于Web前端的客户端系统设计 | 第66-70页 |
| 4.3.1 客户端网页需求分析 | 第66-67页 |
| 4.3.2 客户端页面设计与实现 | 第67-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第5章 实验研究 | 第71-83页 |
| 5.1 机械臂分拣系统性能实验 | 第71-76页 |
| 5.1.1 自动分拣系统图像处理模块算法性能试验 | 第72-74页 |
| 5.1.2 自动分拣系统分拣性能实验 | 第74-76页 |
| 5.2 基于深度学习的目标检测模型云平台性能测试 | 第76-81页 |
| 5.2.1 Web前端性能测试实验 | 第76-77页 |
| 5.2.2 服务器端性能测试实验 | 第77-81页 |
| 5.3 本章小结 | 第81-83页 |
| 第6章 总结与展望 | 第83-87页 |
| 6.1 总结 | 第83-85页 |
| 6.2 展望 | 第85-87页 |
| 参考文献 | 第87-90页 |
