| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-22页 |
| 1.2.1 国外关于工业机器人视觉的研究现状分析 | 第16-19页 |
| 1.2.2 国内关于工业机器人视觉的研究现状分析 | 第19-21页 |
| 1.2.3 知识工程的研究现状分析 | 第21-22页 |
| 1.3 目前研究工作中存在问题的分析 | 第22-23页 |
| 1.4 论文主要内容和章节安排 | 第23-25页 |
| 1.4.1 论文主要研究内容 | 第23-24页 |
| 1.4.2 论文章节安排 | 第24-25页 |
| 1.5 本章小结 | 第25-27页 |
| 第二章 基于知识引导的工业机器人泛化性视觉系统总体设计 | 第27-33页 |
| 2.1 引言 | 第27页 |
| 2.2 基于知识引导的工业机器人泛化性视觉系统的流程设计 | 第27-28页 |
| 2.3 基于知识引导的工业机器人泛化性视觉系统的总体框架设计 | 第28-30页 |
| 2.4 基于知识引导的工业机器人泛化性视觉系统的运行与维护方案 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 机器人视觉系统的知识引导基本理论 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 机器人视觉系统相关理论 | 第33-35页 |
| 3.2.1 机器视觉基本理论 | 第33-34页 |
| 3.2.2 机器人视觉系统的关键技术 | 第34-35页 |
| 3.3 机器人视觉知识系统的知识引导机制 | 第35-38页 |
| 3.3.1 机器人视觉知识系统的知识引导机制 | 第35-36页 |
| 3.3.2 机器人视觉知识系统的体系结构 | 第36-38页 |
| 3.4 机器人视觉知识系统的知识表示 | 第38-40页 |
| 3.4.1 知识表示方法的选择 | 第38-39页 |
| 3.4.2 机器人视觉知识系统的知识表示 | 第39-40页 |
| 3.5 机器人视觉知识系统的知识获取 | 第40-43页 |
| 3.5.1 基于粗糙集的图像形状知识获取 | 第41-42页 |
| 3.5.2 基于神经网络的标定模型学习 | 第42-43页 |
| 3.6 机器人视觉知识系统的知识推理 | 第43-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 基于知识引导的目标对象定位技术研究 | 第45-69页 |
| 4.1 引言 | 第45页 |
| 4.2 基于人工神经网络的手眼标定模型的学习 | 第45-51页 |
| 4.2.1 手眼标定原理与误差分析 | 第45-48页 |
| 4.2.2 人工神经网络在手眼标定中的适应性分析 | 第48-49页 |
| 4.2.3 人工神经网络标定结果的影响因素 | 第49-51页 |
| 4.3 人工神经网络的的改进与手眼标定模型的学习 | 第51-63页 |
| 4.3.1 基于手眼标定模型的神经网络结构的设计 | 第51-58页 |
| 4.3.2 人工神经网络标定模型的数学描述 | 第58-59页 |
| 4.3.3 人工神经网络的标定知识表示 | 第59-60页 |
| 4.3.4 手眼标定实验材料与方法 | 第60页 |
| 4.3.5 标定结果与讨论 | 第60-63页 |
| 4.4 单目二维视觉测量的摄像机标定 | 第63-66页 |
| 4.4.1 实验材料与方法 | 第63-64页 |
| 4.4.2 标定结果与讨论 | 第64-66页 |
| 4.5 本章小结 | 第66-69页 |
| 第五章 复杂工业环境下的图像自动分割方法研究 | 第69-89页 |
| 5.1 引言 | 第69页 |
| 5.2 成像问题的统计研究 | 第69-74页 |
| 5.2.1 基于无参考图像质量评价的图像质量分析 | 第69-71页 |
| 5.2.2 工业图像的质量分析与研究 | 第71-74页 |
| 5.3 基于活动轮廓模型的图像自动分割方法的研究与改进 | 第74-81页 |
| 5.3.1 活动轮廓模型选择与适应度分析 | 第74-78页 |
| 5.3.2 改进型变分水平集分割算法 | 第78-81页 |
| 5.4 基于先验知识的自适应阈值分割方法 | 第81-83页 |
| 5.4.1 原理图 | 第81-82页 |
| 5.4.2 数学计算 | 第82-83页 |
| 5.5 实验与分析 | 第83-88页 |
| 5.5.1 工业环境的特点与分析 | 第83-85页 |
| 5.5.2 分割效果与分析 | 第85-88页 |
| 5.6 本章小结 | 第88-89页 |
| 第六章 基于知识引导的目标对象语义识别技术的研究 | 第89-109页 |
| 6.1 引言 | 第89页 |
| 6.2 图像特征学习 | 第89-95页 |
| 6.2.1 图像分类特征的选择 | 第89-90页 |
| 6.2.2 形状特征的表示和描述 | 第90-94页 |
| 6.2.3 区域形状特征的选取 | 第94-95页 |
| 6.3 图像特征数据库构建 | 第95-96页 |
| 6.3.1 形状特征数据库的选择 | 第95页 |
| 6.3.2 形状特征数据库的构建 | 第95-96页 |
| 6.4 识别知识的获取机制与表示 | 第96-104页 |
| 6.4.1 形状特征数据的获取 | 第97-98页 |
| 6.4.2 特征数据的预处理 | 第98-100页 |
| 6.4.3 知识的获取机制与推理 | 第100-104页 |
| 6.5 实验与分析 | 第104-107页 |
| 6.6 本章小结 | 第107-109页 |
| 第七章 基于知识引导的泛化性视觉系统的实验与分析 | 第109-123页 |
| 7.1 引言 | 第109页 |
| 7.2 系统开发环境与运行平台 | 第109-112页 |
| 7.2.1 开发环境及运行平台 | 第109-110页 |
| 7.2.2 视觉系统的工业环境 | 第110-112页 |
| 7.3 工业机器人泛化性视觉系统的实验与分析 | 第112-117页 |
| 7.4 系统的运行与分析 | 第117-122页 |
| 7.4.1 机器人视觉知识系统的运行与分析 | 第117-121页 |
| 7.4.2 工业机器人泛化性视觉系统的运行与分析 | 第121-122页 |
| 7.5 本章小结 | 第122-123页 |
| 第八章 总结与展望 | 第123-127页 |
| 8.1 全文工作总结 | 第123-125页 |
| 8.2 论文主要创新点 | 第125页 |
| 8.3 未来工作展望 | 第125-127页 |
| 参考文献 | 第127-139页 |
| 致谢 | 第139-141页 |
| 攻读博士学位期间参加的科研项目和发表的论文 | 第141-142页 |
| 1 参加的科研项目 | 第141页 |
| 2 发表的学术论文 | 第141-142页 |
| 3 申请的专利 | 第142页 |
