基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

基于蒙特卡罗方法的LED芯片定位系统误差分析

该文根据LED芯片定位系统的特点,构建了从图像坐标系到芯片坐标系的数学模型。检测运动控制、图像处理过程以及标定过程中的误差分布,通过蒙特卡罗分析法估计LED芯片的定位误差,计算了各个测量变量对最终定位误差的敏感度。分析结果表明,绕z轴旋转角度误差为LED芯片定位系统误差的主要来源,图像处理误差以及运动控制误差对系统误差影响较小。因此,通过标定算法补偿绕z轴旋转角度误差是提高LED芯片定位精度的关键。

基于视觉反馈的芯片高精定位系统标定算法研究

在LED芯片的制造过程中,检测和分拣都需要对芯片进行定位,定位的精度和速度也直接影响了LED芯片的生产质量和效率。为满足LED芯片定位系统的精度要求,提出了一种改进的标定算法。首先分析误差来源,确定主要误差来源于安装角度偏差,然后通过误差分析结果提出了改进的标定算法来补偿安装误差,相较于传统标定算法的矩阵求解,线性运算降低了标定时间。实验结果表明,改进的标定算法能有效提高芯片的定位精度,同时有较高的鲁棒性。

基于视觉临场感的KUKA工业机器异构主从控制系统设计

针对传统系统受到误差反馈影响导致控制效果差的问题,提出基于视觉临场感的KUKA工业机器异构主从控制系统设计。根据系统总体框架,选用PCM⁃3363型号嵌入式主板设计硬件结构,使用串口通信模式将机械关节信息传递到STM32电机控制板中,利用PID控制方式控制电机主从机械结构的协调运行,实现电机位置控制。局部平面主元分析法(PCA)描述坐标系下姿态和位置,确定位置坐标和围绕三轴的旋转姿态坐标参数,使用平移向量描述位姿。运用法线估计方法估计物体位姿,获取作业目标物体位姿信息,由此实现KUKA工业机器异构主从控制。由实验结果可知,该系统受到误差反馈影响较小,具有良好控制效果,满足实际工业需要。

基于边缘检测的视觉反馈误差扩散半色调算法

提出一种基于边缘检测的视觉反馈误差扩散半色调算法。首先,对原图像进行误差扩散,然后采用LOG算子提取原图像和半色调图像的边缘信息;接着计算原始图像边缘信息与半色调图像边缘信息之间的视觉差,并将该视觉差利用反馈函数传递到原图像,得到新的连续调图像;最后,对新的连续调图像进行误差扩散,得到最终的半色调图像。实验仿真结果表明,相较于标准误差扩散和快速误差扩散,所提算法在主观感受和客观评价方面都有较大提升,是一种有效的半色调图像生成方法。