基于深度学习的物体检测和抓取技术研究
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-19页 |
1.1 课题研究的背景和意义 | 第9-11页 |
1.2 国内外研究现状 | 第11-17页 |
1.2.1 基于深度学习的图像目标检测研究现状 | 第11-13页 |
1.2.2 机器人抓取技术的研究现状 | 第13-17页 |
1.3 本文的主要研究内容 | 第17-19页 |
第2章 基于深度学习的物体检测网络的建立 | 第19-38页 |
2.1 引言 | 第19页 |
2.2 关于卷积神经网络的基本原理 | 第19-26页 |
2.2.1 卷积函数 | 第19-21页 |
2.2.2 激活函数 | 第21-23页 |
2.2.3 优化方法 | 第23-25页 |
2.2.4 训练深度学习网络的技巧 | 第25-26页 |
2.3 基于深度学习的物体检测网络模型建立与训练 | 第26-33页 |
2.3.1 建立物体检测的网络模型 | 第26-29页 |
2.3.2 从虚拟环境中收集训练数据 | 第29-32页 |
2.3.3 训练物体识别网络模型 | 第32-33页 |
2.4 实验及实验结果分析 | 第33-37页 |
2.4.1 试验平台及实验过程介绍 | 第33-34页 |
2.4.2 实验结果分析 | 第34-37页 |
2.5 本章小结 | 第37-38页 |
第3章 基于卷积神经网络的抓取网络的建立 | 第38-54页 |
3.1 引言 | 第38页 |
3.2 建立抓取物体的数学模型及其卷积网络模型 | 第38-43页 |
3.2.1 建立抓取物体的数学模型 | 第38-40页 |
3.2.2 建立抓取物体的卷积网络模型 | 第40-41页 |
3.2.3 基于主成分分析法的末端姿态调整 | 第41-43页 |
3.3 收集训练数据以及训练网络 | 第43-49页 |
3.3.1 从现实环境中获取训练数据 | 第43-48页 |
3.3.2 从虚拟环境中获取训练数据 | 第48页 |
3.3.3 数据处理与训练抓取网络模型 | 第48-49页 |
3.4 测试抓取网络准确率 | 第49-53页 |
3.4.1 虚拟环境下的实验 | 第49-51页 |
3.4.2 现实环境下的实验 | 第51-53页 |
3.5 本章小结 | 第53-54页 |
第4章 实验平台搭建及实验研究 | 第54-67页 |
4.1 引言 | 第54页 |
4.2 实验平台搭建 | 第54-62页 |
4.2.1 仿真实验平台的搭建 | 第54-56页 |
4.2.2 实体试验平台搭建 | 第56-62页 |
4.3 多物体的抓取实验 | 第62-66页 |
4.3.1 实验平台介绍 | 第63-64页 |
4.3.2 实验过程及实验结果 | 第64-66页 |
4.4 本章小结 | 第66-67页 |
结论 | 第67-69页 |
参考文献 | 第69-75页 |
致谢 | 第75页 |