Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием регрессии положения

Коротко: как написать ВКР по теме «Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием регрессии положения»

Диплом (ВКР) по теме «Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием регрессии положения» требует сочетания компьютерного зрения, нейросетей и управления роботами. Работа включает анализ существующих решений, проектирование архитектуры нейросети, реализацию регрессии 6D-позы объекта и оценку точности. Ключ — реальные данные, измеримые метрики и соответствие ГОСТ 34.602-2020 и методичке МТИ.

Нужен разбор вашей темы Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием регрессии положения? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Роботизированные манипуляторы всё чаще внедряются на производстве — от сборки до логистики. Но классические методы распознавания объектов (например, по маркерам) не работают с произвольными, повёрнутыми или частично закрытыми деталями. Здесь на помощь приходит глубокое обучение.

Согласно отчёту McKinsey (2024), компании, внедряющие ИИ-решения в робототехнику, сокращают простои на 35% и повышают точность позиционирования на 40%. Особенно это важно в условиях неструктурированной среды — например, на складах или в цехах с изменяющейся номенклатурой.

В России, по данным ФСТЭК, интерес к автономным системам растёт: в 2025 году 68% предприятий машиностроения планируют внедрение ИИ-модулей в роботизированные комплексы. Однако большинство решений — импортные, что создаёт зависимость. Разработка отечественных алгоритмов — стратегическая задача.

Цель и задачи

Цель ВКР: разработка и оценка эффективности модели глубокого обучения для распознавания объектов и регрессии их 6D-позы (3 координаты + 3 угла поворота) в задачах роботизированного манипулирования.

Задачи:

1. Проанализировать существующие подходы к 6D-позе регрессии (PoseCNN, DenseFusion, PVN3D).
2. Выбрать и адаптировать архитектуру нейросети под условия ограниченного объёма данных.
3. Разработать pipeline обработки изображений и обучения модели.
4. Провести эксперименты на открытом датасете (LINEMOD, YCB-Video).
5. Оценить метрики: ADD(-S), точность в мм, время инференса.
6. Оценить экономическую целесообразность внедрения в производственный цех.

Задачи соответствуют структуре методички МТИ: анализ → проектирование → разработка → экономика.

Объект и предмет исследования

• Объект: процесс автоматизированной сортировки деталей на складе АО «ТехноЛогистика».
• Предмет: алгоритмы распознавания объектов и определения их пространственной ориентации с использованием глубокого обучения.

Объект — реальный процесс, предмет — конкретная технология. Никакого дублирования.

Рекомендуемая структура дипломной работы

Пример введения для МТИ

В условиях роста автоматизации производственных процессов возникает потребность в точном и быстром распознавании объектов для роботизированных манипуляторов. Традиционные методы, основанные на детекции признаков, не обеспечивают достаточной устойчивости к изменению освещения, частичному перекрытию и вариативности объектов. Актуальной становится задача определения 6D-позы объекта — его положения и ориентации в пространстве.

Целью выпускной квалификационной работы является разработка и оценка эффективности модели глубокого обучения для регрессии 6D-позы объектов в задачах роботизированного манипулирования. В работе будет проведён анализ существующих решений, выбрана архитектура нейросети, реализован процесс обучения и оценки на открытом датасете.

Объектом исследования выступает процесс автоматизированной сортировки деталей на складе. Предмет — алгоритмы распознавания объектов с использованием глубокого обучения. Практическая значимость — возможность снижения времени цикла манипулирования на 25% и повышения точности позиционирования.

Этапы разработки информационной системы

graph TD
  A[Сбор и разметка данных] --> B[Выбор архитектуры сети]
  B --> C[Разработка pipeline обучения]
  C --> D[Обучение модели]
  D --> E[Оценка метрик: ADD-S, время инференса]
  E --> F[Анализ экономической эффективности]
  F --> G[Подготовка к внедрению]
  

Как написать заключение по Управление в технических системах

В ходе работы была разработана модель глубокого обучения на основе архитектуры PVN3D для определения 6D-позы объектов. Эксперименты на датасете YCB-Video показали среднюю точность ADD-S 86%, что превышает порог в 80% для практического применения. Время инференса составило 45 мс на кадр — достаточно для работы в реальном времени.

Экономический расчёт показал срок окупаемости системы в 14 месяцев при внедрении на складе АО «ТехноЛогистика». Рекомендуется дальнейшее тестирование в реальных условиях с учётом шумов и вибраций. Работа демонстрирует возможность применения отечественных решений в области робототехники.

Требования к списку литературы МТИ

Список литературы оформляется по ГОСТ Р 7.0.100-2018. Включаются:

• Научные статьи (CyberLeninka, eLibrary)
• Официальная документация (PyTorch, OpenCV)
• Учебники по машинному обучению
• Методические указания МТИ

Примеры источников:

• Wang, S. et al. (2019). DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion. IEEE CVPR.
• He, Y. et al. (2020). PVN3D: A Deep Point-wise 3D Keypoints Voting Network for 6DoF Pose Estimation. arXiv:2001.04461.
• PyTorch Documentation (2025). Official Guide.

Типичные ошибки при написании ВКР

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, можно взять архитектуру PVN3D, но изменить pipeline под свой датасет, добавить предобработку, оценить на новых метриках. Ключ — уникальность реализации и анализа. Чистое копирование — риск провала.

Сколько страниц должна быть практическая часть?

В МТИ по специальности 27.03.04 практическая часть (проектная + экономическая) — 45–60 страниц. Убедитесь, что в методичке указан объём. Если нет — ориентируйтесь на 30–40 стр. для проекта и 15–20 стр. для экономики.

Можно ли использовать open-source решения?

Да, даже рекомендуется. Например, YCB-Video dataset, код PVN3D на GitHub, PyTorch. Главное — указать источники, адаптировать под задачу и не копировать без анализа. Это показывает навыки работы с реальными инструментами.

Что проверить перед сдачей