| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及研究的意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 自主抓取研究现状 | 第10-15页 |
| 1.2.2 基于RGB-D数据的多模态深度学习研究现状 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17-19页 |
| 第2章 基于卷积神经网络的抓取分类模型的建立 | 第19-34页 |
| 2.1 引言 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-22页 |
| 2.3 抓取特征选择与预处理 | 第22-26页 |
| 2.3.1 抓取特征选择 | 第22-25页 |
| 2.3.2 抓取特征预处理 | 第25-26页 |
| 2.3.3 抓取样本扩充 | 第26页 |
| 2.4 基于卷积神经网络建立抓取分类模型 | 第26-33页 |
| 2.4.1 基于卷积神经网络的图像矩形分类模型 | 第26-30页 |
| 2.4.2 基于卷积神经网络的深度矩形分类模型 | 第30-31页 |
| 2.4.3 基于多模态卷积神经网络的抓取矩形分类模型 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 机器人自主抓取检测系统 | 第34-51页 |
| 3.1 引言 | 第34页 |
| 3.2 场景数据获取 | 第34-41页 |
| 3.2.1 Kinect简介 | 第35-36页 |
| 3.2.2 深度图像滤波 | 第36页 |
| 3.2.3 Kinect图像数据与点云数据对齐 | 第36-40页 |
| 3.2.4 Kinect红外相机坐标系位姿标定 | 第40-41页 |
| 3.3 抓取矩形采样与排序 | 第41-47页 |
| 3.3.1 抓取矩形采样排序算法 | 第41-43页 |
| 3.3.2 基于点云的目标分割 | 第43-45页 |
| 3.3.3 基于Sobel算子的目标主方向检测 | 第45-47页 |
| 3.4 抓取参数映射 | 第47-50页 |
| 3.4.1 抓取表达与抓取参数的映射准则 | 第47-48页 |
| 3.4.2 点云滤波与法向量估计 | 第48-50页 |
| 3.5 机器人抓取 | 第50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 自主抓取系统验证实验 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 抓取分类模型在数据集上的检测评估 | 第51-56页 |
| 4.2.1 抓取分类模型在几个数据集物体上的检测评估 | 第51-54页 |
| 4.2.2 抓取分类模型在数据集上的整体检测评估 | 第54-56页 |
| 4.3 Kinect位姿标定实验 | 第56-58页 |
| 4.4 自主抓取实验 | 第58-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72页 |
