典型文献
基于深度学习的并联机器人定位检测技术研究
文献摘要：
针对机器视觉领域中并联机器人存在目标识别模糊,分类效率差以及反应速度过慢的问题,提出了一种基于深度学习的并联机器人定位检测技术.首先对目标识别物进行图像采集,改进图像数据集,将处理前后图像放入训练集提高网络效率,搭建YOLOX目标检测分类识别算法提高并联机器人检测精度;其次改进训练方式,通过预训练与实际训练提高可靠性,改进损失策略;然后建立并联机器人主体基坐标系与相机坐标系,结合手眼标定与相机标定方法,求得目标实际坐标与机器人基坐标系的转换关系;最后在并联机器人实验平台验证目标标定结果,对比主流深度学习算法YOLOv3、YOLOv4、Faster-RCNN得出的并联机构网络定位与实际定位的相对误差,结果表明YOLOX的定位精度误差为3.992～5.061 mm之间,平均精确度达到了 91％左右.该方法可为并联机器人结合深度学习实现检测定位提供一定参考价值.
文献关键词：
深度学习;YOLOX算法;并联机器人;视觉标定;定位识别
中图分类号：
作者姓名：
张宇廷;王宗彦;范浩东;王曦
作者机构：
中北大学机械工程学院 太原030051;山西省起重机数字化工程技术研究中心 太原030051
文献出处：
引用格式：
[1]张宇廷;王宗彦;范浩东;王曦-.基于深度学习的并联机器人定位检测技术研究)[J].电子测量技术,2022(11):147-153
A类：
B类：
并联机器人,机器人定位,定位检测,机器视觉,目标识别,反应速度,过慢,图像采集,图像数据集,后图,放入,训练集,网络效率,YOLOX,目标检测,检测分类,分类识别,识别算法,检测精度,训练方式,预训练,高可靠性,失策,基坐标,坐标系,手眼标定,相机标定,标定方法,转换关系,实验平台,目标标定,标定结果,深度学习算法,YOLOv3,YOLOv4,Faster,RCNN,并联机构,网络定位,定位精度误差,检测定位,视觉标定,定位识别
AB值：
0.414877
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
