基于YOLOv3算法的工业分拣目标检测

在工业机器人视觉导引系统中,对于不规则的工业零部件,基于模板匹配的目标检测算法难以取得较好的定位效果和识别精度。在结构化环境下,对于传统视觉目标检测算法,利用YOLOv3算法开展视觉目标检测的实践。实验结果表明,该算法的定位精度和识别精度均取得了较高的水平,可以在工业现场进行部署。

浅谈基于视觉分析的工业分拣机器人的发展

伴随着我国经济的迅速发展,市场模式正在逐渐发生变化,我国的人工智能技术正在逐渐趋于成熟,这既符合时代的发展也可以满足日益发展的市场需求。我国的工业发展技术随着改革开放的进程得到了快速的提高,因此人工智能技术的研究与生产已成为当代发展的核心追求,我国的智能机器行业正面临着新的机遇和挑战。我国在20世纪60年代的时候通过引进和学习国外的自动分拣技术以不断研发和创造符合我国要求的人工智能技术,提高我国在这个方面的技术能力。本文对工业分拣机器人的发展前景进行了分析,并分析了国内外的发展状况。

基于深度学习的工业分拣机器人快速视觉识别与定位算法

针对工业分拣机器人识别复杂工件慢、精确度低以及定位不准等问题,提出一种基于深度学习的快速识别定位算法.通过工业高精度相机获取目标图像信息,经过图像灰度化、图像滤波、Otsu二值化处理,再经边界像素检测算法定位并分割目标图像.运用已训练的深度卷积神经网络(CNN)对目标进行识别,得到目标所在的位置坐标以及所属类别,实现工业机器人分拣.实验测试中以纹路复杂的象棋为例进行定位识别,结果表明定位算法误差小于0.8 mm,最快识别速度达0.049秒/个,在实验环境中识别精度能保持在98%以上,表明算法具备良好的准确性和稳定性.

基于机器视觉的分拣工业机器人关键技术研究

工业机器人在各类大型企业生产车间的大量使用,节省了巨大的人力成本。相对于某些危险的工作环境,工作人员的人身安全也得到了保障。近年来,分拣工业机器人在快递和物流行业中得到了广泛的应用,从而节省了此类企业大量的人力、物力和财力。文章主要以基于机器视觉的分拣工业机器人为研究对象,分析其在分拣工作过程的一些关键性技术,旨在为研究基于机器视觉的分拣工业机器人同仁们提供一些参考的依据。

基于IdeaVR工业机器人分拣系统的虚拟仿真系统开发

工业机器人自动化分拣系统在实训中存在资金成本高、资源场地少、操作过程复杂、具有危险性等问题。基于此,本课题小组开发了基于IdeaVR的机器人分拣虚拟仿真系统,实现了虚拟环境下机械臂的运动分析、运动控制和产品分拣的完整工艺流程,通过仿真和实训联动使得学生实训效果得到了极大提高。

基于单片机的工业废料分拣系统研究

本文分析了工业废料分拣研究背景及现实意义,提出了系统硬件和软件设计方案。根据硬件设计方案,在分析Y L-236型单片机安装与调试实训考核装置上各模块功能的基础上,选用功能合适模块模拟实现工业废料分拣系统的硬件结构。根据软件设计规划,使用MedWinV3集成开发环境编写、调试有关应用程序编写、调试,通过YL-236配置的ME-52HU仿真器模块进行调试实验,使工业废料分拣系统实现具有自检以及对工业废料的识别、分拣、状态显示、报警和查询等一系列功能。

深度可分离卷积神经网络在自动分拣中的应用

针对传统的花卉分类算法在工业自动化分拣应用中出现模型参数过大、分拣精度不高的问题,提出一种基于深度学习的花卉识别算法。介绍了花卉分类算法在工业花卉包装分拣系统中的应用;根据实际需求,采用一种深度可分离卷积神经网络提取花卉特征,并详细分析了网络的模型结构;为了提高模型训练速度,提出了一种微调的模型训练方法。实验结果表明,所采用的花卉分类算法在工业花卉自动分拣的应用中相比传统算法,准确率更高、稳定性更好、应用更加广泛。

统计学与图像技术结合在工业生产制造中的应用

智能机器视觉技术是一项新兴的检测技术。将统计学应用与图像技术结合应用于工业生产生产制造中,通过视觉技术测量出工业生产零件的属性,如尺寸、位置、类别等,以及对生产的产品进行分拣。通过统计学方法与图像技术结合的方法,可以对零件进行类别识别,将零件进行分类、定位、分拣;使用统计方法还可以对生产的质量进行分析,对工业生产的质量进行合格性判断,对生产的批量数据进行抽样检查,采用图像识别的方法对一定时间段生成的产品进行产品合格数量判断,判断产品的总体质量是否合格。

基于机器视觉系统的机械手设计

为解决机器人手爪在夹持各种不同形状零件时存在的问题,课题组以机器视觉系统中分拣机械手为研究对象,并以常见的典型零件为夹持案例,运用NX12.0软件建立了夹持机械手三维模型,对机器人识别零件、切换机械手爪、夹持过程以及搬运过程进行了运动仿真。仿真结果表明:机械手能够在视觉识别零件特征之后,快速切换所需要的手爪,并抓取零件完成搬运工作,从而节省更换手爪的时间,提高生产效率。

基于机器视觉的Delta机器人分拣系统算法

针对分拣过程中视觉系统对工件的重复拍摄问题,提出一种基于时间与工件位置的图像去重复算法,以实时分拣系统的系统运行时刻作为各单元的时间基准,将预测的工件到达某一固定参考位置的时刻与工件当前位置组合成一组能唯一识别工件的坐标,经周期性比较,判断并去掉重复图像信息.同时为提高分拣效率,提出一种基于牛顿-拉夫森迭代的动态抓取算法,建立了机器人跟踪工件的数学模型,并通过牛顿-拉夫森方法求解该非线性数学模型.最后用MATLAB对动态抓取算法进行了验证.样机实验中最快分拣速度达110次/min,误抓率小于2‰,漏抓率为0,证明了算法能够满足实时性要求,同时具有较高的准确性和稳定性.

一种基于轮廓特征匹配的零件位姿估计方法

针对现有位姿估计算法在工业零件散乱堆叠场景下精度差、效率低的问题,提出了一种采用轮廓特征匹配的三维目标位姿估计方法。利用场景点云数据生成场景深度图像,采用Sobel滤波器提取图像边缘并得到场景点云轮廓;提出基于主方向一致性的轮廓点云聚类方法,对不同边缘的轮廓点云聚类并提取直线轮廓特征,建立用于进行轮廓特征匹配的统一特征描述子;通过哈希表存储的方式建立模型特征描述表,降低特征匹配时间,并通过霍夫投票得到多个候选位姿;使用位姿聚类的方式对候选位姿进行评价和筛选从而得到最终的位姿结果。采用工业目标识别数据集ITODD和自采数据进行目标6D位姿估计实验,实验结果表明提出的位姿估计方法相比于原始点对特征匹配算法识别速度更快,准确率更高,算法单个场景平均识别速度3.78 s,平均识别准确率76%。