| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 Bin-picking系统的研究现状 | 第10页 |
| 1.3 基于特征的Bin-picking系统视觉检测关键技术研究 | 第10-15页 |
| 1.3.1 三维点云获取方法研究 | 第11-13页 |
| 1.3.2 目标位姿检测研究 | 第13-15页 |
| 1.4 主要研究内容 | 第15-17页 |
| 第2章 基于Kinect的零件点云获取 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 基于深度图像的点云获取总体方案 | 第17-18页 |
| 2.3 三维点云获取的数学模型 | 第18-19页 |
| 2.4 深度图像主要缺陷对应处理方法 | 第19-28页 |
| 2.4.1 基于引导滤波的图像去噪 | 第20-23页 |
| 2.4.2 基于联合双边滤波的图像空洞填补 | 第23-26页 |
| 2.4.3 基于卡尔曼滤波的深度数据跳变消除 | 第26-28页 |
| 2.5 数据处理和精度测试 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 散乱零件的预处理和分割 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 零件点云预处理 | 第31-36页 |
| 3.2.1 分离目标点云 | 第31-32页 |
| 3.2.2 基于体素空间的点云密度降低方法 | 第32-34页 |
| 3.2.3 离散点去除方法研究 | 第34-35页 |
| 3.2.4 坐标系矫正 | 第35-36页 |
| 3.3 散乱零件分割方法 | 第36-44页 |
| 3.3.1 基于统计距离和空间聚类的零件分割 | 第36-39页 |
| 3.3.2 基于平面特征的零件分割 | 第39-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 目标零件位姿估计 | 第45-69页 |
| 4.1 引言 | 第45页 |
| 4.2 基于Halton序列的模型点云获取 | 第45-48页 |
| 4.3 基于累加距离的法向量估计 | 第48-52页 |
| 4.4 基于随机采样一致的位姿估计算法 | 第52-59页 |
| 4.4.1 确定匹配特征 | 第52-53页 |
| 4.4.2 确定转换关系 | 第53-55页 |
| 4.4.3 评价转换关系质量 | 第55-56页 |
| 4.4.4 确定最大迭代次数 | 第56-57页 |
| 4.4.5 基于Td测试和HASH表的算法优化 | 第57-59页 |
| 4.5 位姿估算结果实验测试 | 第59-68页 |
| 4.5.1 同类算法结果对比 | 第59-61页 |
| 4.5.2 实际检测结果对比 | 第61-66页 |
| 4.5.3 参数对算法的影响 | 第66-68页 |
| 4.6 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的学术论文 | 第76-78页 |
| 致谢 | 第78页 |