跳到主要內容

臺灣博碩士論文加值系統

(3.236.84.188) 您好!臺灣時間:2021/08/05 01:16
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:朱永昱
研究生(外文):Chu,Yung-Yu
論文名稱:演化式深度學習及其在機器手臂視覺伺服控制之應用
論文名稱(外文):Evolutionary Deep Learning and Its Application to Visual Servo Control of Robot Arms
指導教授:黃旭志
指導教授(外文):Hsu-Chih Huang Ph.D.
口試委員:黃旭志吳德豐徐勝均
口試委員(外文):Hsu-Chih Huang Ph.D.Ter-Feng WuSheng-Dong Xu
口試日期:2020-07-27
學位類別:碩士
校院名稱:國立宜蘭大學
系所名稱:電機工程學系碩士班
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2020
畢業學年度:108
語文別:中文
論文頁數:64
中文關鍵詞:深度學習機器手臂演化式算法物件偵測
外文關鍵詞:Evolution algorithmdeep learningobject detectionrobot arm
相關次數:
  • 被引用被引用:0
  • 點閱點閱:73
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:2
此篇論文致力於演化式深度學習及其在機器手臂視覺伺服控制之應用。演化式學習主要功能為尋找最佳目標,多數演化式學習算法發展於大自然,將大自然發現的生物動態與行為觀察以數學模型描述及模擬,灰狼優化算法亦是如此。灰狼優化使用於定義YOLOv3深度學習模型中的最佳參數,參數的決定會影響收斂的速度及曲線,快速且平穩的收斂是優化最希望的結果,但迭代過程也不能完全朝同一個方向收斂,有可能會造成過度訓練或是局部最佳化,所以會進行相應的措施,取得最佳參數是YOLO深度學習訓練過程相當重要的環節。提出的演化式深度學習應用於機器手臂的視覺伺服控制,以執行抓取和放下命令。利用GWO算法和DL優點。GWO-DL解決了DL研究中的參數優化問題,此算法將移植在NVIDIA嵌入式平台Jetson TX2中執行,Jetson TX2是嵌入式圖像處理器開發板,搭配ARM架構可縮小運算設備體積,並連結多種通訊界面。圖像處理器是深度學習計算的硬體,圖像處理是大型的資料計算,一張圖片中每個像素點都是一筆資料,在這樣龐大的資料情況下,需要使用平行計算來幫助深度學習開發。使用GWO-DL執行物件辨識後,YOLO會取得座標位置並將通過RS232通訊界面傳送到控制箱以控制機器手臂。RS232是成熟穩定的通訊界面,使用UART架構進行通訊協定,以一條傳送;一條接收即可收發訊號,兩硬體裝置的通訊中使用快速且有效。在機器手臂的末端加裝電動夾爪以執行抓取與放下命令。此機器手臂系統由NVIDIA Jetson TX2平台、三菱機器臂RV-E4JM-ST、ZED鏡頭、CR-E116控制箱和電動夾爪AEG-8組成。第五章的模擬和實驗結果將會說明所提方法展示、成效、環境建置、參數設定以及資料集設定並比較差異。
This thesis contributes to the development of evolutionary deep learning (DL) and its application to visual servo control of robot arms. The grey wolf optimization (GWO) is used to determine optimal parameters in YOLOv3 deep learning model. The proposed evolutionary deep learning is applied to visual servo control of robot arms to perform pick-and-place task. Taking the advantages of GWO algorithm and DL, this GWO-DL resolves the parameter optimization problem in DL research. The proposed GWO-DL is then implemented in a NVIDIA embedded platform Jetson TX2 to control a Mitsubishi industrial robotic manipulator. After performing object recognition using GWO-DL, the coordinates information is delivered to control box to drive the robot arm via RS232 communication. An attached electric gripper is used as end-effector to achieve pick-and-place task. The robot system consists of a NVIDIA Jetson TX2 platform, Mitsubishi robot arm RV-E4J-ST, ZED camera, CR-E116 control box and Electric gripper AEG-8. Simulations and experimental results illustrate the performance and effectiveness of the proposed methods.
摘要 i
Abstract ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 viii
第一章 緒論 1
1-1 研究背景 1
1-2 研究動機 2
1-3 論文架構 3
第二章 研究探討 5
2-1 研究方法 5
2-2 硬體介紹 7
2-2-1 機器手臂 7
2-2-2 嵌入式GPU開發板 10
2-2-3 電動夾爪 11
2-2-4 3D攝像鏡頭 12
2-3 軟體介紹 13
第三章 機器手臂運動學 15
3-1 座標系統 15
3-1-1 位置與方向 15
3-1-2 齊次座標 16
3-2 正向運動學 17
3-3 逆向運動學 20
第四章 深度學習與演化式算法 23
4-1 類神經網路 23
4-2 卷積神經網路 25
4-3 YOLO (You Only Look Once) 27
4-3-1 YOLO網路架構 27
4-3-2 損失函數(loss function) 29
4-4 YOLOv2 30
4-4-1 批次標準化(batch normalization, BN) 30
4-4-3 預選框卷積(convolutional with anchor boxes) 31
4-4-4 維度集群(dimension clusters) 33
4-4-5 位置的直接預測(direct location prediction) 33
4-5 YOLOv3 36
4-6 灰狼演算法 37
4-6-1 灰狼演算法數學模型 37
4-6-2 YOLO fitness function 43
第五章 研究成果 44
5-1 運動學模擬 44
5-2 通訊協定 47
5-2-1 RS232介紹 47
5-2-2 RS232訊號傳送 49
5-3 夾爪控制 50
5-4 資料集設定 51
5-5 影像辨識結果 53
第六章 結論與未來展望 62
參考文獻 63
[1]Unimate機器手臂,https://robotics.kawasaki.com/en1/anniversary/history/history_01.html
[2]K. K. Delgado, M. Long and H. Seraji, “ Kinematic Analysis of 7 DOF Anthropomorphic Arms”, Proceedings of IEEE International Conference on Robotics and Automation, pp. 824-830, 1990.
[3]K. D. Jong, “Adaptive System Design: A Genetic Approach”, IEEE Transactions on Systems, vol. SMC-10, no. 9, pp. 566-574, 1980.
[4]M. Dorigo, M. Birattari and T. Stiitzle, “Ant Colony Optimization”, IEEE Computational Intelligence Magazine, pp. 28-39, 2006.
[5]NVIDIA GPU, https://benchlife.info/nvidia-ampere-a100-gpu-with-40gb-hbm2-and-7nm-node/
[6]Kinect, https://zh.wikipedia.org/wiki/Kinect
[7]CUDA, https://zh.wikipedia.org/wiki/CUDA
[8]黃進平, 大華技術學院機電工程研究所碩士論文“五軸機器人之運動學分析”,pp 1-166,2008,五月
[9]許哲誌, 南台科技大學電機工程研究所碩士學位論文 “關節型機器臂系統整合晶片之研製”, pp1-118,2005,七月
[10]人工神經元架構圖, https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5%9E %E7% BB%8F%E7%BD%91%E7%BB%9C
[11]Ms. S. B. Maind and MS. P. Wankar, “Research Paper on Basic of Artificial Neural Network”, International journal on recent and innovation trends in computing and communication, vol. 2, iss. 1, pp. 96-100, 2014.
[12]S. Lawrence, C. L. Giles, A. C. Tsoi, and A. D. Back, “Face Recognition: A Convolutional Neural-Network Approach”, IEEE transactions on neural networks, vol. 8, NO. 1, pp. 98-113, 1997.
[13]池化層架構圖, https://medium.com/%E9%9B%9E%E9%9B%9E%E8%88%87%E5%85%94%E5%85%94%E7%9A%84%E5%B7%A5%E7%A8%8B%E4%B8%96%E7%95%8C/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-ml-note-convolution-neural-network-%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF-bfa8566744e9
[14]T. Huang, 2018, “卷積神經網路(Convolutional neural network, CNN) — CNN運算流程”, Retrieved from https://medium.com/@chih.sheng.huang821/%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF-convolutional-neural-network-cnn-cnn%E9%81%8B%E7%AE%97%E6%B5%81%E7%A8%8B-ecaec240a631, (July 17, 2020)
[15]J. Redmon, S. Divvala, R. Girshick and A. Farhadi “You Only Look Once:Unified, Real-Time Object Detection”, Computer, pp. 1-10, 2016.
[16]J. Redmon and A. Farhadi, “YOLO9000:Better, Faster, Stronger”, Computer, pp. 1-9, 2016.
[17]S. Ioffe and C. Szegedy, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift”, Computer, pp. 1-11, 2015.
[18]J. Hui, 2018, “Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3”, Retrieved from https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088, (July 10, 2020).
[19]T. Huang, 2018, “機器學習: 集群分析 K-means Clustering”, Retrieved from https://medium.com/@chih.sheng.huang821/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E9%9B%86%E7%BE%A4%E5%88%86%E6%9E%90-k-means-clustering-e608a7fe1b43, (July 19, 2020).
[20]J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement”, Computer, pp. 1-6, 2018.
[21]M. Opengate, 2018, “Yolo:基於深度學習的物件偵測 (含YoloV3)”, Retrieved from https://mropengate.blogspot.com/2018/06/yolo-yolov3.html, (July 19, 2020)
[22]S. Mirjalili, S. M. Mirjalili and A. Lewis, “Grey Wolf Optimizer”, Advances in Engineering Software, vol. 69, pp. 46-61, 2014.
[23]【實作實驗室】最原始的通訊介面 — RS232與UART的差別(2019年8月18), https://makerpro.com.tw/2019/08/the-difference-between-rs232-and-uart/ (July 22, 2020)
[24]Mitsubishi 技術文件
電子全文 電子全文(網際網路公開日期:20250824)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top