| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 视觉分拣机器人的研究目的及意义 | 第9-10页 |
| 1.2 视觉分拣机器人的国内外研究现状 | 第10-13页 |
| 1.3 视觉分拣系统的关键问题概述 | 第13-17页 |
| 1.3.1 目标跟踪相关理论概述 | 第13-14页 |
| 1.3.2 目标识别相关理论概述 | 第14-15页 |
| 1.3.3 视觉伺服相关理论概述 | 第15-17页 |
| 1.4 本课题主要研究内容 | 第17-18页 |
| 第2章 视觉分拣系统构建 | 第18-29页 |
| 2.1 视觉分拣系统方案设计 | 第18-19页 |
| 2.2 SCARA机器人系统介绍 | 第19-22页 |
| 2.2.1 SCARA机器人 | 第19-20页 |
| 2.2.2 SCARA控制器 | 第20-22页 |
| 2.3 图像采集系统部件选型 | 第22-26页 |
| 2.3.1 工业相机的选择 | 第22-24页 |
| 2.3.2 光学镜头的选择 | 第24-26页 |
| 2.4 摄像机标定实验 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于均值偏移的目标工件跟踪 | 第29-45页 |
| 3.1 颜色特征 | 第29-33页 |
| 3.1.1 颜色模型 | 第29-31页 |
| 3.1.2 颜色直方图 | 第31-32页 |
| 3.1.3 直方图后向投影 | 第32-33页 |
| 3.2 均值偏移算法基本原理 | 第33-37页 |
| 3.2.1 核密度估计法 | 第33-34页 |
| 3.2.2 均值偏移迭代算法 | 第34-37页 |
| 3.3 基于均值偏移迭代算法的跟踪框架 | 第37-43页 |
| 3.3.1 基于Mean-Shift目标跟踪算法 | 第38-41页 |
| 3.3.2 基于Cam Shift目标跟踪算法 | 第41-43页 |
| 3.4 目标工件跟踪实验 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于神经网络的目标工件识别 | 第45-59页 |
| 4.1 不变矩特征 | 第45-46页 |
| 4.2 基于BP神经网络的目标识别 | 第46-53页 |
| 4.2.1 人工神经网络概述 | 第46-48页 |
| 4.2.2 BP神经网络结构 | 第48-49页 |
| 4.2.3 BP神经网络学习算法 | 第49-51页 |
| 4.2.4 基于BP神经网络的目标识别流程 | 第51-53页 |
| 4.3 BP神经网络识别算法优化 | 第53-56页 |
| 4.3.1 Adaboost基本原理 | 第53页 |
| 4.3.2 Adaboost算法实现及算例分析 | 第53-54页 |
| 4.3.3 基于Adaboost的BP神经网路识别算法优化 | 第54-56页 |
| 4.4 目标工件识别实验 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 基于SCARA机器人的目标工件分拣 | 第59-73页 |
| 5.1 SCARA机器人的D-H参数建模 | 第59-63页 |
| 5.2 SCARA机器人的运动学逆解分析 | 第63-66页 |
| 5.2.1 运动学逆解的求取方法 | 第63-65页 |
| 5.2.2 运动学逆解的选取标准 | 第65-66页 |
| 5.3 基于最优抓取点的分拣策略 | 第66-69页 |
| 5.4 目标工件分拣实验 | 第69-72页 |
| 5.5 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80页 |