發(fā)布時間：2021-07-12 18:47

　　隨著工業(yè)4.0時代的到來,工業(yè)生產中的自動化需求日益增加,機器視覺技術被廣泛的應用到工業(yè)生產中。工件分揀是零部件拆卸分裝、自動化裝配、機床加工等常見生產過程的重要環(huán)節(jié)。工業(yè)零部件的定位和識別是機器視覺應用與研究的重要方向,而傳統(tǒng)基于模板匹配的識別與定位的方法,應用的靈活性差,對于小批量且多種類的工件分揀,模板設計困難,成本高昂。針對目前工業(yè)生產中常見的工件自動化無序分揀與零部件自動裝配環(huán)節(jié),本文進行了雙目視覺的標定、工件深度信息獲取、工件的精定位以及工件識別技術等基于雙目視覺的無序擺放小型工件分揀系統(tǒng)關鍵技術的研究,主要內容如下:1、針對實際工業(yè)生產中對于工件定位與識別的需求,設計并搭建了雙目視覺分揀系統(tǒng),選取的實驗對象為各類球軸承、滾柱軸承、滾針軸承,各類齒輪、螺桿以及螺母等工業(yè)生產中分揀和裝配過程中常見的工件。2、根據(jù)相機模型建立了各個坐標系之間的關系,闡述了相機畸變的原理,并給出了相機標定的基本原理及標定流程。本文使用標準棋盤格標定板,完成了雙目立體標定。同時,介紹了雙目校正與匹配的基本原理、立體校正的目的以及雙目匹配的作用。進而,采用基于視差原理的工件深度信息獲取算法,完成了工... 

【文章來源】：長春工業(yè)大學吉林省

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

進行分揀作業(yè)的分揀機器人

第1章緒論3系統(tǒng)具有較好的適應性。因此，本文的技術創(chuàng)新可以分為兩部分：一是將基于機器學習算法——極限學習機和信息測度方法相結合，提取圖像邊緣坐標集，從而實現(xiàn)工件的位姿計算與精定位；二是對基于深度學習算法——YOLOv3的目標檢測算法進行研究和改進，并在工業(yè)分揀系統(tǒng)中進行應用，最后驗證其效果和可行性。1.2國內外研究現(xiàn)狀機器視覺技術是智能工業(yè)機器人的重要構成方面，國外十分注重機器視覺技術的研究。在機器視覺技術的迅速發(fā)展下，各大機器人制造公司的產品中已經使用了這項技術。（1）FANUCM1iA型機器人1974年，F(xiàn)ANUC集團創(chuàng)造了第一臺工業(yè)機器人，歷經數(shù)年的發(fā)展和研究，目前已生產創(chuàng)造了大約260種各類型的機器人，如圖1-2所示的M1iA型機器人適用于分揀作業(yè)，包含結構緊湊、重量小的特點[19]。末端執(zhí)行器轉速可達3000/so，可迅速調整工件位姿，能夠以很短的時間實現(xiàn)2520025mm搬送作業(yè)；并且包括視覺功能，可以運用內置硬件模塊和軟件開發(fā)包iRVision實現(xiàn)圖像處理[20]。通過機器人功能和相機連動，從而使智能化控制得到實現(xiàn)。圖1-2FANUCM-1iA型機器人（2）EPSONScara機器人EPSON公司制造的Scara型分揀機器人將機器視覺與機械臂的運動控制完美融合[21,22]，在小型工件的裝配作業(yè)上很有優(yōu)勢，機械臂的可重復定位精度為0.005mm，能夠處理以前需要高精度XY手臂才能完成的高精度工作，然而XY手臂價格昂貴，體型巨大。此外，系統(tǒng)具有的VBGuide5.0軟件能夠實現(xiàn)連接[23]�；赩BGuide5.0視覺配套程序能夠支持多種分辨率的目標圖像控制[24]，圖1-3所示為愛普生Scara型

第1章緒論4機器人。圖1-3Scara機器人在工業(yè)生產過程中，工件定位與識別技術是機器視覺在其中的典型應用[25]，通過視覺技術，執(zhí)行抓取工作的機械臂能夠對無序的目標物體實現(xiàn)識別并確定其位姿，進而完成抓取工作[26,27]。對于目標識別算法，國內外學者作出了大量的研究，同時提出了許多的目標識別的方法與理論。自1970年起，國外就對視覺定位與識別技術進行了大量的研究。P.Rummel，W.Beutel等提出了運用在視覺噪聲場景中重疊工件檢測和識別的場景分析系統(tǒng)，因此能夠對工件的類別進行識別[28]；Sanders,DA等通過使用一種角查找器來實現(xiàn)檢測船舶零件邊緣圖像中找到角點，并利用這些新信息提取傅里葉描述子，輸入神經網絡，對形狀進行決策。結果表明，新的尋角器能較好地區(qū)分船舶各部件的位置，新的角點發(fā)現(xiàn)技術采用自下而上的方法，通過在邊緣檢測圖像中采樣點和計算每個采樣點周圍窗口端點之間的距離來查找角點。然后，將距離最小的點解釋為角。這種新的角點查找技術采用了一種全無精確測量方法，比其他系統(tǒng)得到了改進，整個系統(tǒng)識別部件的速度更快，效率更高[29]。TsunenoriHonda，ShunichiKanedo等提出了一種適用于夾緊、裝配、加工等過程的工件自動整定的模式識別策略，一個棱鏡或多面體物體放置在帶有反射鏡的識別站里，通過ITV相機將鏡像圖像和直接圖鏡像融合成一幅圖像。基于圖像點，在鏡子的相對位置和姿態(tài)與已知相機的狀況下，能夠計算出物體特征點或頂點的三維坐標[30]；Miura等通過研究工件的定位與識別，在零部件裝配中使用了機器視覺技術。DrikBuchholz在2014年設計并研發(fā)了機器人三維視覺定位抓取系統(tǒng)。該系統(tǒng)上配備了由微軟開發(fā)的Kinect深度相機，Kinect深度相機可以直接獲得工件的

【參考文獻】：
期刊論文
[1]基于傳統(tǒng)機器學習與深度學習的圖像分類算法對比分析[J]. 劉華祠.  電腦與信息技術. 2019(05)
[2]基于信息測度和核函數(shù)極限學習機的圖像邊緣檢測[J]. 邱東,李佳禧,楊宏韜,劉克平.  計算機應用與軟件. 2019(10)
[3]基于機器視覺的動態(tài)環(huán)境下小尺寸軸檢測系統(tǒng)[J]. 丁成波,劉蜜,劉超.  組合機床與自動化加工技術. 2019(04)
[4]工業(yè)機器人在LCD顯示器廢棄物自動化拆解流水線中的應用[J]. 王素娟,秦琴,屠子美.  現(xiàn)代電子技術. 2019(04)
[5]基于雙目視覺與工業(yè)機器人的大型工件自動上下料系統(tǒng)[J]. 李福東,季濤,徐德,朱文俊,張?zhí)炱?楊月全.  機械設計與制造工程. 2019(01)
[6]機器視覺定位技術 助力工業(yè)機器人智能化[J]. 張宜方.  自動化博覽. 2018(12)
[7]基于機器視覺的物料分揀工業(yè)機器人技術研究[J]. 王迎暉.  儀器儀表標準化與計量. 2018(05)
[8]基于增量式雙向主成分分析的機器人感知學習方法研究[J]. 王肖鋒,張明路,劉軍.  電子與信息學報. 2018(03)
[9]基于深度學習的目標檢測算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測量技術. 2017(11)
[10]愛普生 T3緊湊型SCARA機器人[J].   自動化博覽. 2017(07)

博士論文
[1]基于深度學習的運動目標檢測與跟蹤研究[D]. 周祥增.西北工業(yè)大學 2016

碩士論文
[1]基于視覺的機械臂空間目標抓取研究[D]. 金翰林.沈陽工業(yè)大學 2018
[2]基于雙目立體視覺的工件識別與定位關鍵技術研究[D]. 韓博.哈爾濱工業(yè)大學 2018
[3]面向工業(yè)機器人噴涂的工件識別與位姿估計研究[D]. 方賢根.哈爾濱工業(yè)大學 2018
[4]基于深度學習的工業(yè)機器人視覺分揀方法研究[D]. 周玉強.蘇州大學 2018
[5]智能機器人目標檢測的深度學習算法研究[D]. 張思雨.哈爾濱工程大學 2018
[6]我國制造業(yè)集聚促進產業(yè)轉型升級的機理與實證研究[D]. 李昊燕.浙江財經大學 2018
[7]雙目立體視覺測距中關鍵技術研究與實現(xiàn)[D]. 程鍵.哈爾濱工業(yè)大學 2017
[8]基于機器視覺的物料分揀工業(yè)機器人關鍵技術研究[D]. 陳懇.深圳大學 2017
[9]基于雙目視覺的運動目標深度信息提取方法研究[D]. 靳太明.電子科技大學 2017
[10]遷移學習在圖像分類中的應用研究[D]. 吳國琴.安徽大學 2017



本文編號：3280456