基于神经网络的单目机器人目标识别定位研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题研究的背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 论文的研究方法和结构 | 第15-16页 |
| 1.4 论文主要创新点 | 第16-17页 |
| 第2章 图像识别理论与图像预处理方法 | 第17-29页 |
| 2.1 图像识别相关理论 | 第17-19页 |
| 2.1.1 图像识别系统基本原理 | 第17页 |
| 2.1.2 模式识别 | 第17-19页 |
| 2.2 图像预处理 | 第19-25页 |
| 2.2.1 图像灰度化处理 | 第20页 |
| 2.2.2 图像二值化与反二值化处理 | 第20页 |
| 2.2.3 图像闭运算 | 第20-21页 |
| 2.2.4 图像边缘检测 | 第21-25页 |
| 2.3 图像特征提取 | 第25-27页 |
| 2.3.1 图像统计学特征提取 | 第26页 |
| 2.3.2 图像组合矩特征提取 | 第26-27页 |
| 2.4 改进组合矩 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 人工神经网络和SVM神经网络 | 第29-37页 |
| 3.1 人工神经网络基本概述 | 第29页 |
| 3.2 BP神经网络 | 第29-32页 |
| 3.2.1 BP网络结构 | 第30页 |
| 3.2.2 BP网络算法 | 第30-31页 |
| 3.2.3 BP网络缺点与解决办法 | 第31-32页 |
| 3.3 SVM的基本原理介绍 | 第32-35页 |
| 3.3.1 最优分类超平面 | 第32-34页 |
| 3.3.2 构造核函数SVM | 第34页 |
| 3.3.3 核函数 | 第34-35页 |
| 3.3.4 SVM多类分类方法 | 第35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 利用BP网络和SVM网络实现工件识别定位 | 第37-54页 |
| 4.1 工件图像预处理 | 第37-44页 |
| 4.1.1 图像灰度化 | 第37页 |
| 4.1.2 图像二值化与反二值化 | 第37-38页 |
| 4.1.3 图像闭操作 | 第38-39页 |
| 4.1.4 图像边缘检测 | 第39-40页 |
| 4.1.5 图像特征 | 第40-44页 |
| 4.1.5.1 统计学特征 | 第41页 |
| 4.1.5.2 组合矩特征 | 第41-42页 |
| 4.1.5.3 工件图像的旋转和缩放 | 第42-44页 |
| 4.2 BP网络对工件进行识别 | 第44-47页 |
| 4.2.1 输入节点和输出节点的确定 | 第44-45页 |
| 4.2.2 隐含层及隐含层神经元确定 | 第45页 |
| 4.2.3 网络参数的确定 | 第45-46页 |
| 4.2.4 实验结果 | 第46-47页 |
| 4.3 SVM对工件进行识别 | 第47-49页 |
| 4.3.1 核函数的确定 | 第47页 |
| 4.3.2 分类方法的确定 | 第47-49页 |
| 4.4 目标定位方法概述 | 第49-50页 |
| 4.5 基于神经网络的目标定位方法研究 | 第50-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 系统硬件实现 | 第54-61页 |
| 5.1 系统整体设计 | 第54-55页 |
| 5.2 主要芯片选型设计与介绍 | 第55-57页 |
| 5.2.1 DSP芯片的选型 | 第55-56页 |
| 5.2.2 视频编/解码芯片的选型 | 第56-57页 |
| 5.3 视频图像处理平台硬件设计 | 第57-60页 |
| 5.3.1 TMS320DM642处理器简介 | 第57-58页 |
| 5.3.2 系统电源模块设计 | 第58页 |
| 5.3.3 视频采集电路设计 | 第58-59页 |
| 5.3.4 视频输出电路设计 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间发表的学术论文目录 | 第66-67页 |
| 攻读学位期间取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |
