单目视觉下的六自由度机械臂分拣系统设计

　　摘要

　　近年来,人们对于工业生产效率提出更高的要求,工业智能化、生产灵活化、操纵集成化的分拣系统必将是未来智能工厂的趋势.传统的分拣系统以固定分拣方式进行分拣,一旦小型工件位置发生变化便会使分拣失败.同时,很难做到根据具体需求进行分拣.机器视觉技术在最近几年发展的越来越快,将传统的分拣系统加入机器视觉技术已经成为多方学者研究的主要方向,基于机器视觉分拣系统如今广泛应用于食物、快递、农业、制造业等领域.但对于小型工件分拣的研究还存在光照影响下识别率较差,末端执行机构分拣精度较低等问题.通过分析目前多种分拣系统存在的各项问题以及企业对于生产分拣的需求,设计了一套基于单目视觉的六自由度机械臂分拣系统.

　　首先,针对复杂环境下生产线上待识别小型工件的分拣问题,采用了单目视觉和六自由度机械臂相结合的分拣方式,并对分拣系统的硬件平台进行搭建,构成基于单目视觉的六自由度机械臂分拣系统.在系统硬件构造完成基础上,对其进行D-H建模,通过提出的反向求解正向调节控制方式对六自由度机械臂进行控制,将分拣动作进行编写与测试.测试结果表明,分拣动作柔顺性较好,抓取精度有所提高.

　　其次,上面研究仅是对分拣过程的末端执行动作进行分析,不能有效的对小型工件根据具体需求进行分拣.针对小型工件在光照影响、部分粘连和尺寸变化等实际环境干扰下存在的多种问题,提出基于HSV的小型工件颜色识别算法、基于几何特征的小型工件形状识别算法,并针对小型工件中应用较多的电子元器件提出基于多特征融合的电子元器件识别算法.将三种算法与目前大规模分拣生产线上应用的模板匹配算法进行对比,测试结果表明,降低了光照影响、小型工件存在部分粘连等问题对于识别效果的干扰,正确识别率上有了较大的提高.

　　最后,本文通过QT界面开发软件将六自由度机械臂的分拣动作程序与小型工件的识别算法封装到一起,构成基于单目视觉的六自由度机械臂分拣系统的人机交互界面.该系统可以较好地实现小型工件的颜色识别功能、形状识别功能、电子元器件识别功能、定位功能、分拣功能等,达到了小型工件分拣系统的基本性能需求,并且分拣系统的识别和分拣实时性好,具有较为广泛的应用前景.

　　关键词:六自由度机械臂,单目视觉,小型工件识别,电子元器件识别

　　ABSTRACT

　　In recent years, people have put forward higher requirements for industrial production efficiency. Industrial intelligentization, flexible production, and integrated sorting systems are bound to be the trend of smart factories in the future.The traditional sorting system is based on fixed sorting method. Once the position of small workpiece changes, the sorting will fail, and it is difficult to sort according to specific requirements.Machine vision technology has been developing faster and faster in recent years. It has become the main research direction of many scholars to add traditional sorting system into machine vision technology. Machine vision-based sorting system is now widely used in food,express delivery,agriculture,manufacturing and other fields.However, for small workpieces, especially for electronic components sorting, there are still some problems, such as poor recognition rate under the influence of illumination and low sorting accuracy of end-effector.Based on the analysis of the problems existing in many kinds of sorting systems and the demand of enterprises for production sorting, a 6-dof mechanical arm sorting system based on monocular vision is designed.

　　Firstly, aiming at the sorting problem of small workpieces to be identified on the production line under complex environment, the sorting method combining monocular vision and six-degree-of-freedom mechanical arm is adopted, and the hardware platform of the sorting system is constructed to constitute the six-degree-of-freedom mechanical arm sorting system based on monocular vision.On the basis of the completion of the hardware construction of the system, D-H modeling was carried out for it, and the 6-dof manipulator was controlled by the reverse solution and forward adjustment control method proposed, and the sorting action was written and tested.The test results show that the sorting action is more flexible and the grasping precision is improved.

　　Secondly, the above study only performs actions at the end of the sorting process and cannot effectively sort small workpieces according to specific requirements.For small artifacts in the lighting effect and practical part of adhesion and changes in the environment under a variety of problems of the interference, small workpiece based on HSV color recognition algorithm, based on the geometric features of small workpiece shape recognition algorithms, and applications for small workpiece more electronic components for electronic components recognition based on feature fusion algorithm is put forward.The three algorithms are compared with the template matching algorithm applied in the large-scale production line at present, and the test results show that the interference of the recognition effect caused by the light effect and the partial adhesion of small workpieces is reduced, and the correct recognition rate is improved greatly.

　　Finally, this paper develops software through the QT interface, and encapsulates the sorting action program of the six-dof manipulator and the recognition algorithm of small workpieces together to form the human-computer interaction interface of the six-dof manipulator sorting system based on monocular vision.This system can well realize the color identification function, shape identification function, electronic components identification function, positioning function, sorting function and so on of small workpiece, and meet the basic performance requirements of the small workpiece sorting system, and the sorting system has good real-time recognition and sorting, with a wide range of application prospects.

　　KEYWORDS: 6-dof mechanical arm, Monocular vision, Small job identification, Electronic component identification

　　目录

　　1 绪论.................................................................................................................1

　　1.1 研究背景与意义...................................................................................... 1

　　1.2 分拣系统的国内外研究现状..................................................................2

　　1.3 本文主要研究内容及章节安排..............................................................4

　　2 基于单目视觉的六自由度机械臂分拣系统结构搭建............................... 7

　　2.1 基于单目视觉的分拣系统流程..............................................................7

　　2.2 基于单目视觉的分拣系统硬件设计和选型介绍..................................8

　　2.2.1 实验平台介绍.................................................................................... 8

　　2.2.2 相机介绍.......................................................................................... 10

　　2.2.3 六自由度机械臂设计...................................................................... 11

　　2.3 基于单目视觉的分拣系统软件介绍....................................................16

　　2.3.1 六自由度机械臂控制软件介绍......................................................16

　　2.3.2 图像处理软件介绍.......................................................................... 17

　　2.4 本章小结................................................................................................ 17

　　3 六自由度机械臂的运动分析与控制实现................................................. 19

　　3.1 六自由度机械臂运动学分析................................................................19

　　3.1.1 六自由度机械臂的 D-H 参数建模.................................................19

　　3.1.2 六自由度机械臂运动学正逆运动..................................................21

　　3.2 六自由度机械臂的控制实现................................................................23

　　3.2.1 六自由度机械臂的控制过程..........................................................23

　　3.2.2 六自由度机械臂的动作实现..........................................................24

　　3.3 本章小结................................................................................................ 31

　　4 小型工件的识别算法.................................................................................. 33

　　4.1 基于模板匹配的小型工件识别算法....................................................33

　　4.2 基于 HSV 的小型工件颜色识别算法..................................................36

　　4.2.1 基于 HSV 的小型工件颜色识别算法介绍....................................36

　　4.2.2 基于 HSV 的小型工件颜色识别算法实现....................................38

　　4.3 基于几何特征的小型工件形状识别算法............................................ 41

　　4.3.1 基于几何特征的小型工件形状识别算法介绍............................. 41

　　4.3.2 基于几何特征的小型工件形状识别算法实现............................. 43

　　4.4 基于多特征融合的电子元器件识别算法............................................ 45

　　4.4.1 基于 HSV+边缘特征融合的电容识别算法介绍.......................... 45

　　4.4.2 基于 HSV+几何特征+形态学融合的电阻识别算法介绍............47

　　4.4.3 基于多特征融合的电子元器件识别算法实现............................. 48

　　4.5 本章小结.................................................................................................53

　　5 小型工件的分拣系统平台搭建与实现......................................................55

　　5.1 小型工件的分拣系统平台结构............................................................ 55

　　5.2 小型工件的分拣系统平台硬软件设计................................................ 55

　　5.3 小型工件的分拣系统平台功能介绍.................................................... 56

　　5.3.1 图像输入功能.................................................................................. 56

　　5.3.2 坐标定位功能.................................................................................. 56

　　5.3.3 分拣执行功能.................................................................................. 57

　　5.3.4 颜色分拣功能.................................................................................. 57

　　5.3.5 形状分拣功能.................................................................................. 58

　　5.3.6 电子元器件分拣功能...................................................................... 59

　　5.4 小型工件的分拣系统平台实现............................................................59

　　5.5 本章小结.................................................................................................62

　　6 结论...............................................................................................................63

　　参考文献.......................................................................................................... 65

　　致谢...................................................................................................................71

　　1绪论

　　1.1研究背景与意义

　　当今社会,人类已经进入工业化的时代.对于生产力的需求大幅度提高,传统的生产是依靠人力完成工业任务.而现阶段企业对于生产过程中效率的要求逐步提升,单靠人力已经无法满足,机械臂在这个时候应运而生.各类基于机械臂的分拣系统被设计出,并加入机器视觉技术对基于机械臂的分拣系统进行优化,在各项性能上均有着显著提升.基于机器视觉的机械臂分拣系统与传统分拣系统比较的提升如下:

　　传统分拣系统:早期的机械臂分拣系统都是预先设定好分拣小型工件的坐标点和分拣结束位置的坐标点,以提前设置固定分拣动作的控制方式进行工作.这种预先设置分拣动作的工作方式只是机械式的进行分拣[1],并未做到适应实际条件下的灵活分拣.这样的工作方式只能分拣固定位置的小型工件,导致分拣小型工件的速度跟不上企业的分拣速度需求,影响整个分拣环节的工作效率.一旦小型工件的位置未在设定的坐标点出现,则需要对小型工件进行二次分拣影响整个生产过程的效率.对于早期工业上较低的生产需求可以做到满足,但当今时代的工业需求已经远远不是简单的搬运,当今时代的智能化生产线要求其具备类似人脑的工作方式.整个生产线应增加类似人脑的分析功能,判断小型工件的各项指标,如:小型工件具体为何种颜色,小型工件是否生产为所需形状,小型工件进行分类分拣等功能.

　　基于机器视觉的六自由度机械臂分拣系统:机器视觉的加入就相当于给传统分拣系统增加一个类似于人脑的设备[2],从而解决了传统分拣系统无法对实际情况进行判断和分析的问题,一定程度上使整个分拣系统以更加智能和高效的工作方式完成分拣工作.机器视觉技术是由相机替代人眼,图像处理软件则作为人脑去分析和判断所要处理的问题.通过相机对图像进行采集,并对采集的图像信息进行分析和判断,根据分析和判断的结果来进行末端执行机构的控制.目前,基于机器视觉的分拣系统主要从两个方面进行设计和优化,一方面是末端执行机构对小型工件抓取过程的设计和优化[3];另一方面则是对小型工件识别算法进行设计和优化.在小型工件识别算法中,有多种算法可以进行优化,在优化过程中找寻最适合系统的算法,对接下来机械臂的柔顺抓取过程提供支持.六自由度机械臂与其他机械臂相比较具有抓取空间大,抓取精度较高,造价低等特点[4].基于机器视觉的分拣技术目前在各种场景中均得到应用:工厂生产线上需要对于小型工件进行分拣;研究人员在进行研究时若运用小型工件分拣技术可以大大提高效率;企业需要该技术来对产品进行评估,质检,优化等[5].因此,基于机器视觉的分拣技术可以大幅改善原有的传统分拣系统不足之处,在提高分拣效率的同时降低分拣系统的基础成本和运营成本,具有广泛的应用前景.

　　如今市场上,构建智能信息化工厂是多数企业发展的目标.智能信息化工厂的重点内容是将工厂中的操纵工业化和处理信息化相结合,利用其对应的相关技术提升工厂生产效率[6].随着工业化的提升,各行各业都有着大规模高度集成化的设备增加,大规模集成化设备最基本的结构就是小型工件.随之带来的就是对小型工件使用的增加导致的分拣工作量升高,对分拣工作量的需求增大促使许多企业安装了机械臂式分拣系统.分拣系统基本上仍是以示教形式进行工作,只有少数的分拣系统具备分析功能[7].企业中的人员在进行工业分拣时若运用基于机器视觉的分拣系统可以节省很多人为分拣的时间从而提高生产效率.目前的分拣系统主要存在以下几种问题:末端执行机构抓取精度较低,难以达到企业的要求;在外界环境的光照影响下,识别效果较差;待识别小型工件存在部分粘连的情况下,识别率较低等问题.通过六自由度机械臂与机器视觉相结合形成的分拣系统,适应性极强,可以完美解决上述问题及缺陷.由于其价格合理,同时能够达到工厂中恶劣环境的抗干扰要求,可以大规模投入实际生产中.

　　因此,基于单目视觉的六自由度机械臂分拣系统是一项实际价值和理论意义兼备的课题.

　　1.2分拣系统的国内外研究现状

　　目前研究从两个方面进行,一方面是硬件部分主要由工业相机和机械臂构成的生产线分拣机构的设计与优化;另一方面是软件部分对于相机采集的图像进行分析的算法和人机交互界面的设计和优化.

　　分拣系统的末端执行机构主要分为串联机械臂和并联机械臂.对于硬件产品的成熟程度来讲,欧洲、美国、日本等地的产品具有优势性[8],如:ABB、ADEPT等公司[9]的机器人产品均是当今较高技术的体现.我国相对于国外对于机械臂的研究相对略晚一些.但是,目前如:哈尔滨工业大学、天津大学等高校[10]均已开展研究,并且在众多机器人公司中沈阳新松机器人公司自主研发的机器人技术取得较好进展[11].现阶段的分拣系统,对大型工件的分拣较多,并联机械臂占据了主导的地位.并联机械臂对于大型工件的承受能力较好,同时在结构上由于其闭环特征,形成抓取紧凑的特点.对于紧凑空间的大型工件抓取,并联机械臂有着天然的优势[12].但同时,并联机械臂的运动空间也成为了其短板,对于稍远距离的抓取精度更加难以保证.因其造价的问题,并联机械臂也不易投产到大规模的工业生产线上进行应用.在众多并联机械臂中,Delta并联机械臂是应用较为广泛的.并且,基于Delta的衍生并联机械臂也较多[13].串联机械臂较并联机械臂研究的较早也较为成熟,因其结构简单的特点,控制过程也较为简单.同时,其各关节可根据所需进行调换来适应运动空间.串联机械臂控制简单、运动空间大等优点,都是并联机械臂无法相比的.更为突出的是串联机械臂的造价较低,适合大规模投产至工业生产线上.目前已有实例应用于很多领域,如各种机床,装配车间等[14].串联机械臂中SCARA机器人是应用较为广泛的[15],还有多种自由度的串联机械臂也被运用于多种分拣系统.但目前为止,多为三自由度机械臂的分拣系统[16].其抓取精度的问题较为明显,仅能适应于一般工件的抓取,对于小型工件的抓取精度略差.而如今的工业生产线,对于小型工件抓取的需求较多.小型工件的分拣系统仍存在许多问题,抓取精度问题便是小型工件的分拣系统的主要问题之一.六自由度机械臂从结构上比三自由度机械臂对于抓取精度有着明显提升,六自由度的机械臂可以很好的应用于小型工件的分拣系统,提高分拣系统的抓取精度.

　　分拣系统的软件部分核心内容是机器视觉中对于小型工件进行检测的识别算法,机器视觉软件系统主要功能为针对工业智能相机采集的图像进行处理.在工业智能相机采集所需照片之前先对工业智能相机进行相机标定,此部分内容也属于机器视觉软件系统部分.相机标定本质就是对世界坐标系、像素坐标系、摄像机坐标系和图像坐标系此四个坐标系进行转换[17],目前对于相机标定方法较为一致主要是传统标定法、相机自标定法、张正友标定法三种[18],其他的相机标定方法都是基于此三种方法的理论下进行优化的标定方法.对于图像处理领域,国外始于上世纪60年代,而国内则始于上世纪90年代[19].如今,图像处理领域的内容应用较为广泛,如:基于HOG特征的行人识别[20];基于模板匹配的汽车零件识别[21];基于RGB的水果识别[22];基于vibe的运动物体识别[23],再到目前研究较多的YOLO模型[24]下的多种识别算法.多种识别算法,在近10年被广泛研究并应用于实际生活中.对于小型工件识别领域,找寻工件本身特征[25]对其运用此特征进行识别是当今识别算法中运用最多的.如:RGB、LBP、SIFT、HAAR、HBP等特征[26],均是目前国内外使用较多的识别特征.近5年深度学习的提出与推广,对小型工件识别领域也起到了推动的作用,而深度学习范畴中,在众多领域中应用较多的方法是:R-CNN、SSD等[27].在实际情况下,光照影响、部分粘连等问题均对识别算法的正确识别率产生影响[28].本文针对实际工业生产线存在的问题进行识别算法上的优化,通过提出的识别算法对小型工件的正确识别率进行提高.

　　人机交互界面的功能是将实际环境下平台状态显示给操作人员进行观测,建立平台与操作人员之间的联系.操作人员通过人机交互界面得到工业生产线的数据信息,操纵图像处理软件对工业生产线进行分析,控制末端执行机构进行运动.目前,人机交互界面尚存在对于实际平台情况的控制实时性不好的问题,交互界面不好操纵的问题,交互界面仅适用于单一分拣,不具备适应多种小型工件同时监控等问题.很多企业都希望人机交互界面好操纵,具备良好的实时性和交互性,且能应用于多种小型工件的分拣作业.

　　1.3本文主要研究内容及章节安排

　　将机器视觉技术运用到六自由度机械臂分拣系统中,构造成基于单目视觉的六自由度机械臂分拣系统用于分拣小型工件和电子元器件,从机械臂的运动过程控制上和图像识别算法上对分拣系统进行优化,最终用于工业现场对传送带上的小型工件进行分拣.

　　第一章是绪论,描述了基于单目视觉的六自由度机械臂分拣系统的研究背景与意义,目前国内外分拣系统的发展现状,最后将本文的主要研究内容和章节安排进行说明.

　　第二章是硬件的选型和设计与软件的选用介绍.针对基于单目视觉的六自由度机械臂分拣系统流程进行硬件系统搭建,将六自由度机械臂进行合理设计并自行组装,对工业智能相机和实验平台进行合理选型,三者的组合构造出基于单目视觉的六自由度机械臂分拣系统硬件结构,使其对生产线上的小型工件和电子元器件进行分拣.最后对所应用的机械臂控制软件LSC-6Control(v1.2)和图像处理软件Halcon进行介绍.

　　第三章是在硬件系统搭建完成的基础上对六自由度机械臂进行以下问题分析,提出解决方案:机械臂的正运动控制分拣动作的柔顺性不足,且前后关节误差较大,机械臂的逆运动控制较难实现,旋转角度难以调节等问题.本章对六自由机械臂运用现阶段应用最多的D-H建模方式进行建模,得出本文自行组装的六自由度机械臂的D-H参数.再对六自由度机械臂正逆运动进行比较,分析出逆运动操纵六自由度机械臂运动的动作效果更佳.在D-H参数下,逆运动求解各关节旋转角度,结合控制软件LSC-6Control(v1.2)进行测试.测试过程中发现效果较好的反向求解正向调节的六自由度机械臂控制方法.在六自由度机械臂的分拣过程中,提出分区分拣的分拣方式,将此分拣方式应用的分拣动作进行编写和测试.通过测试表明,反向求解正向调节的分区分拣方式将抓取过程整齐化和柔顺化,使六自由度机械臂的抓取精度提高.

　　第四章是在六自由度机械臂分拣系统搭建完善的条件下,以小型工件的分拣为背景对机器视觉技术进行研究,详细介绍了小型工件和电子元器件识别算法.通过对目前应用较多的模板匹配识别算法测试,分析出生产线上的待识别小型工件和电子元器件的识别功能上存在的不足之处.本课题提出三种识别功能,分别为:基于颜色、形状的小型工件识别和电子元器件识别.针对实际情况下的光照影响、小型工件存在部分粘连等问题,本文提出基于HSV的小型工件颜色识别算法;基于几何特征的小型工件形状识别算法;基于多特征融合的电子元器件识别算法.将三种方法进行算法编写和测试与基于模板匹配的识别算法进行比较表明,降低了实际环境对于识别效果的影响,提高了正确识别率,同时对目标可以快速识别,具有较好的适用性.

　　第五章对所设计的基于单目视觉的六自由度机械臂分拣系统人机交互界面进行搭建.在QT界面设计软件的框架下,将小型工件和电子元器件识别算法和六自由度机械臂的控制程序封装好,构成人机交互界面.人机交互界面与硬件系统结合成为基于单目视觉的六自由度机械臂分拣系统平台,使其具备小型工件和电子元器件坐标定位、根据需求识别和分拣等功能.通过测试结果表明:识别效果良好,抓取动作也较为柔顺,具备投入工业生产线中进行实际应用,达到了企业对于实时性和抓取精度的要求.

　　第六章是对基于单目视觉的六自由度机械臂分拣系统总结与展望,阐述了本课题的主要研究工作,并对之后基于单目视觉的六自由度机械臂分拣系统研究进行展望.

　　…………由于本文篇幅较长,部分内容省略,详细全文见文末附件

　　6结论

　　目前而言,基于机器视觉的分拣系统的相关研究已取得一定进展,但仍存在部分问题.本文针对当前系统存在的问题,并对机器视觉领域、机械臂领域和小型工件识别领域的相关论文和研究成果有一定了解之后,设计了一套基于单目视觉的六自由度机械臂分拣系统.在基于单目视觉的六自由度机械臂分拣系统构造完成的基础上,针对六自由度机械臂的分拣动作进行分析与设计,提出反向求解正向调节的六自由度分拣动作控制方法,将六自由度机械臂按着分区分拣的方法进行分拣动作执行;针对小型工件的识别算法,提出基于HSV的颜色识别算法,基于几何特征的形状识别算法和基于多特征融合的电子元器件识别算法.

　　全文的主要工作内容总结如下:

　　(1)末端执行机构优化:针对末端执行机构存在的分拣精度不足、抓取过程不柔顺、造价昂贵等问题,引入六自由度机械臂进行分拣并在控制过程进行优化克服以上缺点.自行组装的六自由度机械臂造价低廉,可以大量投产至大规模生产线.在手爪关节设计为单侧靠近结构,不损坏小型工件的同时具有较强的抓取力度,可以达到大重量的分拣要求.在D-H建模下运用逆运动控制机械臂进行动作执行,并与实现过程中提出的反向求解正向调节的执行方式进行搭配,使机械臂的分拣动作在实现过程中简单化且柔顺化.根据企业对于分拣精度的不同需要,提出分区分拣的分拣动作调用方式.实现过程中表明,分拣系统的动作执行更加简单化和柔顺化,分区分拣的方法较其他分拣方法在时间上更短且分拣精度上有所提高,整个分拣效果较好.

　　(2)小型工件颜色、形状识别算法优化:针对光照影响下,对常规颜色识别影响较大的情况,将HSV颜色空间引入到颜色识别算法中,提出基于HSV的小型工件颜色识别算法.该算法通过RGB颜色算法将所要识别的小型工件从图像中分割出,运用HSV颜色算法中饱和度和亮度的调节,减小光照对于识别算法的影响.针对部分小型工件因制造需求,将表面设计为多种颜色混合的情况;检测小型工件是否符合生产合格要求.将几何特征引入到形状识别算法中,提出基于几何特征的小型工件形状识别算法.该算法通过灰度将所要识别的小型工件从图像中分割出,运用矩形度和圆形度的调节,达到最终的识别效果.将两种算法与模板匹配算法进行测试比较,两种算法的正确识别率均有所提高.

　　(3)电子元器件识别算法优化:为了进一步降低实际生产环境中,光照影响,生产线上待识别小型工件存在部分粘连等影响问题.对小型工件中的电子元器件进行算法优化,把多特征融合的理论引入至电子元器件识别算法中降低环境带来的影响,提出基于HSV+边缘特征融合的电容识别算法和基于HSV+几何特征+形态学融合的电阻识别算法.多特征融合的方法可以将多种问题在多种特征融合的情况下,降低问题带来的影响.通过与模板匹配的算法进行测试比较,在正确识别率上有显著的提高,识别效果更佳.

　　分拣系统仍有一些不完善之处,后续研究工作的展望如下:

　　(1)在六自由度机械臂分拣方面,复杂的环境以及不断变化的小型工件位置依然可能对六自由度机械臂抓取精度造成影响.目前,越来越多的分拣机构被设计出并且在其他分拣领域均取得不错的效果.因此下一步希望将其他领域取得不错效果的分拣结构进行进一步研究,使其更理想的应用于小型工件分拣系统,可以从硬件结构上增加抓取精度.

　　(2)在电子元器件的识别方面,复杂的环境以及不断变化的光照条件等问题依然可能对电子元器件识别算法造成影响.目前,基于深度学习的识别方法在各领域均取得不错效果,因此下一步希望通过深度学习的方法寻求更理想的电子元器件识别算法.

　　(3)本文只是研究了基于单目视觉的六自由度机械臂分拣系统的3项主要识别功能,还有很多功能值得下一步研究,例如对所分拣的小型工件和电子元器件的分拣个数进行记数,对电位器、晶体管和电子管等其他电子元器件的识别等.

　　致谢

　　时光一闪而过,刚刚步入研究生阶段的场景还历历在目,转眼间的功夫就要告别生活和学习了两年的校园.感慨万千,百感交集却又不知道该从何处说起.我能想到的就是感谢在这段时间里给过我帮助的人们,感谢大家的知遇之恩、友谊之手和和睦相处.

　　首先最应该感谢的是我的导师.曹老师渊博的学识以及一丝不苟的科研精神深深地影响着我.曹老师治学严谨的态度以及精益求精的工作作风也是我在未来工作学习的榜样.本文是在曹老师以及姬老师的悉心指导和严格要求下完成的.非常感谢曹老师在我论文写作过程中对我的指导,纠正在论文写作的错误,并且提供宝贵的修改意见.在这两年里,两位老师给予我许多帮助.在参与的科研项目中,曹老师对我进行了细心指导,使我积累了宝贵的实际经验.姬老师的细心指导使我学到了很多理论知识,并且自已的科研能力也有所提高.感谢老师在我犯错时的批评和指正以及在我迷茫时候对我的指引与鼓励.谨向两位恩师表示深深的敬意和衷心的感谢,并祝愿老师身体健康,工作顺利,家庭幸福.

　　感谢我们实验室的每位成员,感谢大家在实验中和生活上给予我的莫大帮助.大家来自不同的地域,共聚在我们这个温馨的家庭中.我要感谢有这么个机遇让我们彼此相遇,在曹老师的带领下,在大家的齐心协力下,能完成各自的学业和开心的度过每一天.希望每一个人都能在自己研究的方向上取得更大的进步.

　　感谢我的同窗好友们,我怀念跟你们一同上课,学习的日子,希望你们在未来的日子里工作顺利,生活幸福.

　　感谢我的父母,是你们毫无保留的爱和付出,让我能安心专注学业,勇敢追求梦想.

　　最后衷心感谢在百忙之中为审阅本文而付出辛劳的各位专家学者.你们的指导与鼓励是我之后前进的动力.

　　参考文献
　　[1]葛继. 安瓿药液可见异物视觉检测机器人技术研究[D]. 长沙: 湖南大学, 2012.
　　[2]卞正岗. 机器视觉技术的发展[J]. 中国仪器仪表, 2015(06): 40-42+65.
　　[3]F. G. Rossomando, C. M. Soria, Lee T H, et al. Adaptive Neural Sliding Mode Control in Discrete Time for a SCARA Robot Arm[J]. Mechatronics, 2016, 14(6): 2556-2564.
　　[4]Shuhua M , Lin Y , Zhigang L , et al. Trajectory Planning of 6-DOF Manipulator Based on Combination Function Method[C]. Control and Decision Conference (2014 CCDC), The 26th Chinese . 2014.
　　[5]肖仁, 吴定会, 欧阳洪才. 基于机器视觉的自动分拣系统设计研究综述[J]. 智 慧工厂, 2017(09): 43-48.
　　[6]耿立明, 王迪, 杨威. 机器视觉在工业机器人智能分拣识别中的研究[J]. 电子 制作, 2018(20): 32-33.
　　[7]何家恒. 基于众为兴机器人的视觉分拣系统研究[D]. 广州: 华南理工大学, 2018
　　.[8]赵彬. 基于机器视觉的工业机器人分拣技术研究[D]. 沈阳: 沈阳工业大学, 2013.
　　[9]田涛. 一种高速拾取并联机器人的设计与实现[D]. 大连: 大连理工大学, 2013.
　　[10]刘子龙. 基于机器视觉的快速分拣食品包装系统研究[D]. 杭州: 浙江工业大 学, 2015.
　　[11]曹洪靓. 沈阳新松机器人自动化股份有限公司发展战略研究[D]. 武汉: 武汉 工程大学, 2015.
　　[12]姜玉成. 四自由度高速并联机器人机构特性分析与动力学研究[D]. 大连: 大 连理工大学, 2012.
　　[13]石文博. 基于视觉的 Delta 并联机器人轨迹控制策略的研究[D]. 合肥: 合肥 工业大学, 2017.
　　[14]晁智强, 王飞, 李华莹, 等. 六自由度工业机械臂动力学模型简化分析[J]. 火 力与指挥控制, 2018, 43(02): 112-115.
　　[15]许凡. 视觉引导的抓取机器人控制技术的研究与开发[D]. 无锡: 江南大学, 2014
　　[16]Yangmin Li, Qingsong Xu. Kinematic analysis and design of a new 3-dof translational parallel manipulator[J]. Journal of Mechanical Desig, 2006, 128: 729-737.
　　[17]Zhang Z Y. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(11): 1330-1334
　　[18]董腾, 秦腾飞, 张如如, 等. 基于机器视觉的水果分拣系统[J]. 聊城大学学报 (自然科学版), 2017, 30(01): 93-96.
　　[19]李勇. 基于机器视觉的玻璃瓶在线检测系统研究[D]. 济南: 山东大学, 2012.
　　[20]Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]. IEEE Computer Society Conference on Computer Vision Pattern Recognition. IEEE Computer Society, 2005: 886-893.
　　[21]李洋, 张晓冬, 鲍远律. 基于特征模板匹配识别地图中的特殊突变的方法[J] 电子测量与仪器学报, 2012, 26(7): 605-609.
　　[22]Timothy G, Walmsley, Petar S.Varbanov, et al. Non-Destructive Thermal Control of Vegetables and Fruits Using a Machine Vision System[M]. Chemical engineering transactions, 2018.
　　[23]Droogenbroeck V M, Barnich O. ViBe. A disruptive method for background subtraction[M]. Background Modeling and Foreground Detection for Video Surveillance. 2014: 7.1-7.23.
　　[24]Redmon J, Divvala S, Girshick R, et al. You only look once: unified, real-time object detection[C]. IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2016: 779-788.
　　[25]张中良. 基于机器视觉的图像目标识别方法综述[J]. 科技与创新, 2016, (14): 32-33.
　　[26]谢永杰, 智贺宁. 基于机器视觉的图像识别技术研究综述[J]. 科学技术创新, 2018(7): 74-75.
　　[27]Ren S, He K, Girshick R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[C]. International Conference on Neural Information Processing Systems. 2015. [28]Prema C E, Vinsley S S, Suresh S. Multi feature analysis of smoke in YUV color space for early forest fire detection[J]. Fire Technology, 2016, 52(5): 1319-1342.
　　[29]尹金鹏, 张同川, 戴金桥. 一种基于单目视觉的工业分拣机器人系统设计[J]. 产业与科技论坛, 2018, 17(17): 62-63.
　　[30]杨亚飞. 双目视觉机械臂物流分拣系统[D]. 大连: 大连交通大学, 2018.
　　[31]刘斌. 分拣系统的机器状态监控和故障诊断设计与研究[D]. 南京: 南京航空 航天大学, 2006.
　　[32]朱正伟. 基于单目视觉的目标位姿识别与机器人抓取引导[D]. 广州: 华南理 工大学, 2015.
　　[33]张萌. 基于机器视觉的 SCARA 机器人应用研究[D]. 合肥: 合肥工业大学, 2016.
　　[34]Jun Xie, Hui Deng, Qi Zhi Yang, et al. Structural Optimization of Three Translational Parallel Sorting Robot[J]. Applied Mechanics and Materials. 2014 (552)
　　[35]Zeng, Song, Bai, et al. Analysis and Simulation of a Gripper for Fuel Handling on China Lead-Based Research Reactor[J]. Nuclear Technology, 2018, 204(2).
　　[36]林少丹, 傅高升, 李俊达, 等. 串并联结构工业机器人 D-H 参数建立及算例 [J]. 三明学院学报, 2017, 34(2):35-41.
　　[37]Jamshed Iqbal, Raza ul Islam, Hamza Khan. Modeling and analysis of a 6-dof robotic arm manipulator[C]. Canadian Journal on Electrical and Electronics Engineering Vol. 3, No. 6, July 2012: 300-306.
　　[38]李玉齐. 六自由度机械臂轨迹规划与协调仿真研究[J]. 电子测量技术, 2018, 41(2): 50-54.
　　[39]郭发勇, 梅涛, 赵江海. D-H 法建立连杆坐标系存在的问题及改进[J]. 中国机 械工程, 2014, 25(20): 2710-2714.
　　[40]李珺茹, 齐立群, 韩文波. 六自由度机械臂运动学分析与轨迹优化[J]. 长春 理工大学学报(自然科学版), 2019, 42(1): 68-73.
　　[41]李顺治, 齐鹏, 王凯. 六自由度机械臂逆运动学求解[J]. 科技风, 2019(7): 16.
　　[42]Wong Guan Hao, Yap Yee Leck, Lim Chot Hun. 6-dof pc-based robotic arm(pc-roboarm) with efficient trajectory planning and speed control[C]. International Conference on Mechatronics.17-19 May 2011, Kuala Lumpur, Malaysia.IEEE Xplore, 2011.
　　[43]何泽强. 基于机器视觉的工业机器人分拣系统设计[D]. 哈尔滨: 哈尔滨工业大学, 2016.
　　[44]余乐, 李庆, 郑力新, 等. 六自由度机械臂运动轨迹自动生成方法仿真与实 现[J].华侨大学学报(自然科学版), 2018, 39(3): 355-359.
　　[45]左富勇, 胡小平, 谢珂, 等. 基于 MATLAB Robotics 工具箱的 SCARA 机器人 轨迹规划与仿真[J]. 湖南科技大学学报(自然科学版), 2012,27(2): 41-44.
　　[46]徐超. Delta 并联机器人的优化设计与运动/视觉控制技术研究[D]. 武汉: 华 中科技大学, 2015.
　　[47]刘振宇, 李中生, 赵雪, 等. 基于机器视觉的工业机器人分拣技术研究[J]. 制 造业自动化, 2013, 35(17): 25-30.
　　[48]陈广锋, 管观洋, 魏鑫. 基于机器视觉的冲压件表面缺陷在线检测研究[J]. 激光与光电子学进展, 2018, 55(1): 341-347.
　　[49]吴晓军, 邹广华. 基于边缘几何特征的高性能模板匹配算法[J]. 仪器仪表学 报, 2013, 34(7): 23-30.
　　[50]柏长冰, 齐春, 杨莹, 等. Hausdorff 匹配快速检测 PCB 基准标记[J]. 光电 子·激光, 2006(4): 498-501.
　　[51]Peng LI. Multi-algorithm Fusion of RGB and HSV Color Spaces for Image Enhancement[A]. 中国自动化学会控制理论专业委员会. 第37届中国控制会议论文集 (F)[C]. 中国自动化学会控制理论专业委员会:中国自动化学会控制理论专业委员会, 2018: 6.
　　[52]Kun Zhang, Haifeng Wang, Chong Shen, et al. Research on the Technology Used to Inspect the Visual Appearance of Tropical Fruit, based on Machine Vision Color Space[M]. Advances in intelligent systems and computing, 2018.
　　[53] 苏 卡 . 用 色 彩 空 间 做 图 像 处 理 让 颜 色 提 取 更 高 效 [EB/OL], 2017-12-22.
　　[54]周军, 郭俊先, 张静, 等. 基于机器视觉的核桃仁动态分级研究[J]. 新疆农业 科学, 2018, 55(5): 901-911.
　　[55]Shao-Hu Peng, Deok-Hwan Kim, Seok-Lyong Lee, et al. A visual shape descriptor using sectors and shape context of contour lines[J]. Information Sciences, 2010, 180(16).
　　[56]张法全, 王国富, 曾庆宁, 等. 利用重心原理的图像目标最小外接矩形快速算法[J]. 红外与激光工程, 2013, 42(5): 1382-1387.
　　[57]贺超英, 张辉. 基于机器视觉的罐盖质量检测系统设计[J]. 仪表技术与传感 器, 2011(2): 85-87+90.
　　[58]高煜妤, 王春芳. 基于欧氏距离图的随机 Hough 变换椭圆检测方法[J]. 现代 电子技术, 2016, 39(21): 61-64+69.
　　[59]席志红, 赵蓝飞, 张驰, 等. 基于变分模型的梯度域色阶映射算法[J]. 通信学 报, 2015, 36(1): 5-12.
　　[60]C. Lopez-Molina, B. De Baets, H. Bustince, et al. Barrenechea. Multiscale edge detection based on Gaussian smoothing and edge tracking[J]. Knowledge-Based Systems, 2013, 44.
　　[61]柴汝刚. 基于机器视觉的轮毂在线识别系统研究[D]. 秦皇岛: 燕山大学, 2011.
　　[62]Fei Hao, Jinfei Shi, Zhisheng Zhang, et al. Canny edge detection enhancement by general auto-regression model and bi-dimensional maximum conditional entropy[J]. Optik - International Journal for Light and Electron Optics, 2014, 125(15).
　　[63]陈亚婷, 严泰来, 朱德海. 基于辛普森面积的多边形凹凸性识别算法[J]. 地 理与地理信息科学, 2010, 26(6): 28-30+55.