面向精细乐器维修的机械臂运动自动规划系统研究

乐器由于其精密、复杂的结构和微妙、多变的音响特性,对维修工作提出了极高的要求。传统的手工维修方法不仅效率低下,还可能因为维修者的技术水平和经验差异导致维修质量不稳定。基于此背景,此次研究首先结合深度学习技术搭建了乐器故障物识别模型,然后对传统的路径优化算法进行改良,搭建了面向乐器维修机械臂的避障路径优化模型。研究结果表明,所设计的故障识别模型与路径优化模型均具有较好的性能。其中,识别模型的最高识别精度可达0.962,路径优化模型的最高避障精度可达0.97。综上,将此次研究所提出的故障识别模型与路径优化模型用于乐器维修机械臂系统中,能够有效改善乐器的自动维修效果。

基于区域相关哈希编码的面板螺钉装配质量机器视觉检测系统

面板螺钉的装配质量对产品的性能和外观质量有着重要的影响。针对面板螺钉的装配质量检测问题,研究引入了改进的基于区域的快速卷积神经网络(Faster Region-based Convolutional Neural Network, Faster R-CNN)算法以及基于螺钉视觉检测的启发式哈希匹配算法。结果表明,研究所提算法的平均准确率均稳定在99.3%以上,且波动范围不超过0.3%。与Shape-Based matching算子相比,三种钢琴面板螺钉的平均检测ACC分别提升了6.04%、2.65%、4.25%。说明双特征融合的改进Faster R-CNN模型对钢琴面板螺钉的目标检测具有显著性能优势,并且基于螺钉视觉检测的启发式哈希匹配算法能够准确识别钢琴面板螺钉装配情况,极大地提高了检测效率及精度。其对于提高装配质量、生产效率和产品安全性,降低生产成本具有重要的现实意义。