| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 机器人视觉在国内外发展现状 | 第11-14页 |
| 1.2.2 国外机器人视觉技术研究发展 | 第12-13页 |
| 1.2.3 国内机器人视觉技术研究发展 | 第13-14页 |
| 1.3 机器人视觉技术在生产线流水线上的应用现状 | 第14-16页 |
| 1.4 论文的主要研究内容及结构安排 | 第16-18页 |
| 1.4.1 主要研究内容 | 第16-17页 |
| 1.4.2 结构安排 | 第17-18页 |
| 第2章 基于视觉的机器人分拣系统设计 | 第18-29页 |
| 2.1 分拣系统整体方案设计 | 第18-19页 |
| 2.2 系统硬件选型 | 第19-26页 |
| 2.2.1 光源选择 | 第19-21页 |
| 2.2.2 工业相机的选型 | 第21-23页 |
| 2.2.3 分拣机器人选型 | 第23-26页 |
| 2.3 软件框架设计 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 工件图像识别与匹配 | 第29-40页 |
| 3.1 图像预处理 | 第29-31页 |
| 3.1.1 图像滤波 | 第29-30页 |
| 3.1.2 二值化 | 第30页 |
| 3.1.3 形态学处理 | 第30-31页 |
| 3.2 图像特征的提取与识别 | 第31-36页 |
| 3.2.1 角点检测 | 第32-33页 |
| 3.2.2 工件边缘提取 | 第33-35页 |
| 3.2.3 工件轮廓提取 | 第35-36页 |
| 3.3 基于模板匹配的工件识别与定位 | 第36-39页 |
| 3.3.1 基于灰度的模板匹配 | 第37-38页 |
| 3.3.2 基于轮廓的几何模板匹配 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于支持向量机工件分类识别算法 | 第40-53页 |
| 4.1 图像HOG的提取 | 第40-42页 |
| 4.1.1 图像HOG特征提取 | 第40-41页 |
| 4.1.2 旋转不变的HOG特征 | 第41-42页 |
| 4.2 统计学习理论 | 第42-44页 |
| 4.2.1 VC维理论 | 第42页 |
| 4.2.2 推广的界 | 第42-43页 |
| 4.2.3 结构风险最小化 | 第43-44页 |
| 4.3 支持向量机原理 | 第44-47页 |
| 4.3.1 最优分类超平面 | 第44-45页 |
| 4.3.2 支持向量分类机 | 第45-47页 |
| 4.4 基于HOG特征的SVM分类检测器设计与实验验证 | 第47-51页 |
| 4.4.1 HOG+SVM分类器设计 | 第47-50页 |
| 4.4.2 SVM分类检测实验验证 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 流水线动态工件跟踪与抓取实验 | 第53-66页 |
| 5.1 运动目标跟踪算法及验证 | 第53-57页 |
| 5.1.1 Mean Shift算法原理 | 第53-55页 |
| 5.1.2 CamShift目标跟踪算法 | 第55-57页 |
| 5.2 基于视觉的分拣系统搭建 | 第57-62页 |
| 5.2.1 系统硬件平台搭建 | 第58-59页 |
| 5.2.2 系统软件结构 | 第59-62页 |
| 5.3 动态工件抓取实验 | 第62-64页 |
| 5.4 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 论文总结 | 第66-67页 |
| 论文不足及展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 附录A 攻读学位期间所发表的学术成果 | 第73页 |