| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 课题研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-17页 |
| 1.2.1 物体的识别分类 | 第10-14页 |
| 1.2.2 抓取参数的获取 | 第14-17页 |
| 1.3 主要研究内容 | 第17-19页 |
| 第2章 基于卷积神经网络的物体识别 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 卷积神经网络的迁移学习 | 第19-23页 |
| 2.2.1 卷积神经网络的理论基础 | 第19-21页 |
| 2.2.2 迁移学习的理论基础 | 第21-22页 |
| 2.2.3 神经网络的优化 | 第22-23页 |
| 2.3 数据集的制作 | 第23-24页 |
| 2.4 卷积神经网络的训练与测试 | 第24-30页 |
| 2.4.1 VGG16的迁移学习 | 第24-26页 |
| 2.4.2 Inception-v3的迁移学习 | 第26-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于卷积神经网络的抓取分类器 | 第31-47页 |
| 3.1 引言 | 第31-32页 |
| 3.2 康奈尔抓取数据集的介绍 | 第32-34页 |
| 3.3 抓取矩形的预处理 | 第34-36页 |
| 3.4 基于卷积神经网络建立抓取分类模型 | 第36-43页 |
| 3.4.2 基于卷积神经网络的图像矩形分类模型 | 第37-38页 |
| 3.4.3 基于卷积神经网络的深度矩形分类模型 | 第38-39页 |
| 3.4.4 基于卷积神经网络的四通道RGB-D矩形分类模型 | 第39-41页 |
| 3.4.5 基于多模态卷积神经网络的RGB-D矩形分类模型 | 第41-42页 |
| 3.4.6 抓取分类模型在测试数据集上的测试 | 第42-43页 |
| 3.5 抓取分类模型在数据集上的检测评估 | 第43-46页 |
| 3.5.1 抓取分类模型在数据集上的预测 | 第43-45页 |
| 3.5.2 抓取分类模型在数据集中五个物体上的预测 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 机器人抓取技术及实验 | 第47-62页 |
| 4.1 引言 | 第47页 |
| 4.2 实验平台的搭建 | 第47-49页 |
| 4.2.1 Baxter机器人的介绍 | 第47-48页 |
| 4.2.2 Kinect相机的介绍 | 第48页 |
| 4.2.3 实验平台的总体规划 | 第48-49页 |
| 4.3 Kinect相机标定 | 第49-54页 |
| 4.3.1 Kinect相机彩色图与点云的对准 | 第49-51页 |
| 4.3.2 Kinect相机与机器人坐标系的标定 | 第51-53页 |
| 4.3.3 机器人自身的标定 | 第53-54页 |
| 4.4 矩形框到抓取参数的映射准则 | 第54-55页 |
| 4.5 抓取及分类实验 | 第55-60页 |
| 4.6 本章小结 | 第60-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |
