论文部分内容阅读
随着中国制造2025战略的发展,机械臂在智能制造中的应用越来越广泛,引入机器视觉的机械臂将传统的工业制造转入了智能化模式,不但提高了生产效率,而且改变了常规的生产格局。依靠人工完成不同物体的分拣工作具有许多弊端,本文主要研究基于机器视觉的机械臂分拣工作,包含机械臂的运动分析和视觉分类识别两部分内容。分拣系统以AUBO-i5机械臂为主要硬件平台,结合机器视觉设计了软件系统并对不同的工件进行了分拣实验验证,在实际的生产中具有较高的理论指导和应用价值。首先,采用M-D-H方法建立AUBO-i5机械臂的连杆坐标系并计算对应坐标系之间的齐次转换矩阵,对机械臂进行运动学建模分析得到关节空间和笛卡尔空间的映射关系,根据正逆运动学完成机械臂五次插值的轨迹规划。为了视觉系统能够精准地引导机械臂进行分拣工作,需要对视觉系统进行标定,在HALCON中完成双目标定以及双目视觉定位,得到双目相机的内外参,同时进行Eye-to-hand模式的手眼标定得到相机坐标系与机械臂坐标系的转换矩阵。其次,针对采用单一类型特征进行目标分类时准确度较低的问题,本文在图像预处理后提取工件的仿射不变矩、圆形性以及矩形度等特征,采用多特征融合的方式制作分类器的数据集以提高分类识别的准确度。为解决在工厂等环境中相机采集的图像存在信息不完整、目标物体辨认度较低的问题,质量过低的图像会造成分类识别准确度降低,本文采用改进的Retinex方法来对图像进行增强处理。然后,针对传统的工件分类方法中因物体的特征参数和种类具有较强的非线性映射关系导致分类准确度较低的问题,本文提出一种量子粒子群(Quantum Particle Swarm Optimization,QPSO)结合BP神经网络(Back Propagation Neural Network,BP)的工件分类识别方法。用QPSO优化BP网络中的权值与阈值参数,解决传统粒子群算法容易陷入局部最优的情况。先用特征向量和类别标签构成数据集在QPSO-BP网络中训练,然后用训练好的分类器完成对不同物体的分类识别。最后,以AUBO-i5机械臂为主要硬件平台设计实验系统,运用本文提出的QPSO-BP分类方法结合图像处理等软件系统完成机械臂对不同工件的分拣工作,实验结果表明该方法能够在工件分拣过程中进行准确的分类识别。