基于YOLOv5和U-NET的多目标药盒抓取系统设计

目的解决传统机器视觉机器人抓取系统对多目标及复杂目标背景分割不精确导致的目标定位精度差而影响机器人抓取效率的问题,提出一种新的深度学习抓取识别定位系统。方法搭建由Delta机械臂、PC上位机、双目相机等组成的硬件系统,对工业部署常用的YOLO系列算法进行对比研究。将YOLO与U-NET相结合,用于目标的检测和分割。在精确分割出属于目标和背景目标的像素区域的同时,计算边缘和中心位置信息,运用立体视觉技术得到三维位置,并转换为世界坐标系,由PC机引导机械臂去完成抓取任务。结果深度学习目标检测和图像分割相结合的系统在较复杂背景、多目标的场景下比未添加图像分割的算法拥有更好的目标定位精确度。结论YOLOv5和U-NET相结合的目标定位抓取方法具有较高的鲁棒性,达到了并联机械臂的抓取要求。该方法能够运用于其他多自由度机械臂上,具有良好的应用价值。

RGBD-Delta棉花打顶装置视觉系统标定方法

针对RGBD相机和Delta并联机械臂棉花打顶装置视觉系统标定精度低、相机视野区与机械臂工作区分离导致标定难度增加的问题,该研究提出了一种适用于相机视野区与工作区域分离的DAHEC(disjoint area visual calibration)视觉标定方法。搭建搭载RGBD相机和Delta并联机械臂传送带试验台,构建完整视觉关联系统,借助Python/OpenCV视觉程序与TSAI视觉标定法进行对比试验。对试验平均定位误差、离散情况及偏移误差统计分析,结果表明:DAHEC视觉标定法偏移误差为(4.72±0.86) mm,TSAI视觉标定法偏移误差为(7.97±1.46) mm,DAHEC标定法优于TSAI法。依据Box-Behnken设计三因素试验,以光照强度、机械臂累计运动次数、相机标定板距离为试验因素,以偏移误差小于圆盘刀半径为评价指标,分析各因素对偏移误差的影响,确定了棉花打顶刀的工作参数。正交试验结果表明:各因素对偏移误差影响显著性顺序为相机标定板距离、机械臂累计运动次数、光照强度;工作参数最优组合为光照强度为800 lx,机械臂累计运动次数为99次,相机标定板距离(RGBD相机到棉花顶芽的距离)为300~560 mm。最优工作参数下,打顶验证试验的平均偏移误差为9.76 mm,偏移误差在圆盘刀半径范围内,打顶率为93.75%,漏打率为6.25%。该研究结果可为棉花打顶装置视觉系统标定和作业参数设置提供科学依据。

浅析Delta并联机器人的从动臂

主要讨论了Delta机构从动臂的两个问题:即Delta机构从动臂采用平行四边形结构的必要性,并证明组成平行四边形从动臂的四个杆在运动中总是处于一个平面内。