基于YOLOv4-tiny模型的工件类别与位姿估计方法.pdf
a是****澜吖
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于YOLOv4-tiny模型的工件类别与位姿估计方法.pdf
本发明公开了一种基于YOLOv4‑tiny模型的工件类别与位姿估计方法,包括以下步骤:S1、对YOLOv4‑tiny模型的特征提取网络进行轻量化,特征提取网络对输入图像进行特征提取并输出不同尺度的特征图;S2、设置多组不同宽高和旋转角度的锚框,并分派到不同尺度的特征图上,根据模型输出的预测结果生成相应的预测框;S3、采集目标工件的图像数据,使用旋转边界框对目标工件的类别和位姿进行标注,通过数据增广预处理后获得数据集;S4、利用数据集对YOLOv4‑tiny模型进行迭代训练,训练至损失函数不再下降,获取检测
基于EIV模型的点线位姿估计研究的综述报告.docx
基于EIV模型的点线位姿估计研究的综述报告随着计算机视觉技术的不断发展,点线位姿估计在工业、机器人、军事领域等方面得到了广泛的应用。点线位姿估计是指在二维或三维空间中通过检测点、线等基本几何元素,估计目标物体的姿态信息。在工业中,点线位姿估计被广泛应用于计算机视觉导航、自适应机器人等领域。在军事领域中,点线位姿估计被用于目标检测、目标跟踪等方面。在本综述报告中,将针对基于EIV模型的点线位姿估计研究进行分析和总结。1.EIV模型的基本理论EIV(Errors-In-Variables)模型是指在估计过程中
面向无序堆叠工件抓取的位姿估计方法研究的开题报告.docx
面向无序堆叠工件抓取的位姿估计方法研究的开题报告一、研究背景随着智能制造的不断发展,自动化生产线的普及,机器人技术得到了广泛的应用。而在现实生产中,机器人抓取工件是非常重要的一个环节。然而,对于无序堆叠的物品,传统的机器人抓取技术存在着一定的局限性,这给机器人的抓取带来了一定的困难。在无序堆叠工件抓取中,机器人需要实时感知堆叠工件的位姿信息,以便实现精准的抓取。因此,需要对位姿估计方法进行研究。目前,深度学习技术被广泛应用于位姿估计方面,具有较高的精度和实时性。因此,本文基于深度学习技术,研究面向无序堆叠
基于特征点对的位姿估计方法研究的综述报告.docx
基于特征点对的位姿估计方法研究的综述报告特征点对是计算机视觉中广泛使用的一种简单而有效的方法,用于位姿估计、目标检测、匹配等领域。在本篇综述中,我们将主要探讨基于特征点对的位姿估计方法的研究进展和应用。一、特征点对的定义和分类特征点对是指从图像中提取出来的具有独特性质和描述性特征的图像点对,通常被用于描述图像中的目标物体。常见的特征点对包括图像中的角点、边缘、斑块等。特征点对的分类可以按照特征点的类别、选择和匹配的方式等多种角度进行。按照特征点的类别来看,可分为SIFT、SURF、ORB等几种类型。按照选
位姿估计方法、装置、设备及介质.pdf
本公开涉及一种位姿估计方法、装置、设备及介质,该方法包括:获取车辆在T时刻和T+1时刻之间的轮速计观测数据;根据预设轮速计模型和车辆运动学模型,获取轮速计观测数据表征的车辆名义状态的时间导数;对轮速计观测数据表征的车辆名义状态的时间导数进行数值积分,基于积分结果获取车辆在T时刻和T+1时刻之间的名义位姿增量;根据误差传播算法、轮速计模型、车辆运动学模型以及车辆名义状态的时间导数,得到T时刻和T+1时刻之间对应的轮速计误差置信度;根据指定传感器在T时刻观测数据和T+1时刻观测数据、轮速计观测数据对应的名义位