基于知识引导的工业机器人泛化性视觉系统研究与实现

摘要

随着现代科技的发展和自动化生产程度的提高，工业机器人在工程领域已获得了广泛的应用。在实际生产过程中，工业机器人所体现出来的高效性、高精度性和多功能性等特点是普通人力所不能比拟的。相信在不久的将来，工业机器人必将替代普通人力成为工业发展的主要生产力。目前，工业机器人的发展在自主学习和记忆以及柔性加工等方面依然存在一定的缺陷。针对这些缺陷，本文通过在传统算法的顶层引入知识工程，实现先验知识的共享、集成、推理和演绎，开发了机器人视觉知识系统（子系统），以提高机器人的学习、思维记忆和环境感知功能:在此基础上，进一步研发了一套基于知识引导的工业机器人泛化性视觉系统（主系统），用于实现机器人对目标对象的自动识别和精准定位。本文主要以缸体铸件为实验对象，对两套系统中涉及的相关理论和关键技术进行了深入研究，并对该视觉系统的可靠性和泛化性进行了验证。具体研究内容和研究结论总结如下:
　　(1)基于人工神经网络具有非线性学习功能的特性，提出了一种可对机器人视觉知识系统中标定知识自动获取的新标定方法。通过定义手眼标定模型中符号和逻辑表达（隐式知识）的表示方法，可以实现手眼标定模型中隐式知识向显式知识的转变。借助该标定方法的使用，机器人视觉知识系统（子系统）可通过学习机制获取不同工作环境下的最佳标定模型，用于指导工业机器人泛化性视觉系统（主系统）的手眼标定过程，实现机器人对目标对象的精准定位。
　　(2)为了提高图像分割算法在复杂工业图像中分割的自适应性和稳定性，提出了基于图像高层信息的改进型变分水平集分割模型和基于先验知识的自适应阈值分割模型。本文采用无参考图像质量评价分析方法，分析了不同工作环境下导致原始图像质量不稳定的原因和影响图像分割算法稳定性的主要干扰因素。在此基础上，提出了由图像信息能量项、惩罚项和高斯金字塔项共同组成的改进型变分水平集分割方法和基于峰值和灰度统计知识的自适应阈值分割算法。两种分割方法均能快速准确地从复杂背景中分割出包含定位基准的感兴趣区域，且当因环境光强改变造成工件成像质量发生变化时，该分割方法仍然能够准确地分割出感兴趣区域，两种方法的分割耗时分别约为1.3s和0.8s。上述分割方法的应用，可以进一步提高工业机器人泛化性视觉系统（主系统）的稳定性和泛化性能。
　　(3)本文提出了一种基于形状知识的图像语义识别方法。首先，针对工件形状特征，构建了具有平移、旋转和缩放不变的内、外部形状特征图像描述子的形状描述数据库;其次，运用数据挖掘技术中的粗糙集算法对数据库中的数据进行属性约简和识别规则提取，以实现识别知识的自动获取，形成识别知识库;最后，将工件形状的语义信息作为识别规则的前项，将对应的形状描述子作为识别规则的结论，建立了工件形状的语义信息和形状特征图像描述子之间的映射。通过使用该图像语义识别方法，机器人视觉知识系统（子系统）可根据工件形状的语义信息，从识别知识库中自动获取对应的图像描述，从而指导工业机器人泛化性视觉系统（主系统）对目标对象的自动识别，运用上述方法可对已建模形状进行识别，其识别率可达100％。
　　(4)基于Java SSH软件开发平台，通过将建立的标定知识库、事实库和形状识别知识库集成于MySQL数据库管理系统中，开发了基于Web的机器人视觉知识系统（子系统），以获取不同工作环境下的最佳标定模型和不同工件形状语义信息对应的识别知识信息，为工业机器人泛化性视觉系统（主系统）服务。
　　(5)设计了工业机器人泛化性视觉系统的总体框架结构和各功能模块。基于VS2012+QT5.3软件开发平台，研发了一套基于知识引导的工业机器人泛化性视觉系统（主系统）。该主系统可以通过Socket通信方式与子系统进行对接。当用户在浏览器上通过子系统向服务器发送检测请求时，主系统即可根据用户权限获取相关的标定知识和识别知识，从而引导机器人实现对目标对象的自动识别和精准定位。
　　本论文研究了基于知识引导的工业机器人泛化性视觉系统的关键技术，对基于人工神经网络的机器学习标定方法、复杂环境下的图像自动分割算法及基于形状知识的图像语义识别等方面进行了研究，实现了工业机器人对目标对象的自动识别和精准定位。该系统可有效提升工业生产线的柔性加工与连续作业的稳定性，并可实现各类知识的积累和共享，本文的研究成果可为今后工业机器人的智能化研究工作提供一定的理论依据。

目录

声明

摘要

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 国外关于工业机器人视觉的研究现状分析

1．2．2 国内关于工业机器人视觉的研究现状分析

1．2．3 知识工程的研究现状分析

1．3 目前研究工作中存在问题的分析

1．4 论文主要内容和章节安排

1．4．1 论文主要研究内容

1．4．2 论文章节安排

1．5 本章小结

第二章 基于知识引导的工业机器人泛化性视觉系统总体设计

2．1 引言

2．2 基于知识引导的工业机器人泛化性视觉系统的流程设计

2．3 基于知识引导的工业机器人泛化性视觉系统的总体框架设计

2．4 基于知识引导的工业机器人泛化性视觉系统的运行与维护方案

2．5 本章小结

3．1 引言

3．2 机器人视觉系统相关理论

3．2．1 机器视觉基本理论

3．2．2 机器人视觉系统的关键技术

3．3 机器人视觉知识系统的知识引导机制

3．3．1 机器人视觉知识系统的知识引导机制

3．3．2 机器人视觉知识系统的体系结构

3．4 机器人视觉知识系统的知识表示

3．4．1 知识表示方法的选择

3．4．2 机器人视觉知识系统的知识表示

3．5 机器人视觉知识系统的知识获取

3．5．1 基于粗糙集的图像形状知识获取

3．5．2 基于神经网络的标定模型学习

3．6 机器人视觉知识系统的知识推理

3．7 本章小结

第四章 基于知识引导的目标对象定位技术研究

4．1 引言

4．2 基于人工神经网络的手眼标定模型的学习

4．2．1 手眼标定原理与误差分析

4．2．2 人工神经网络在手眼标定中的适应性分析

4．2．3 人工神经网络标定结果的影响因素

4．3 人工神经网络的的改进与手眼标定模型的学习

4．3．1 基于手眼标定模型的神经网络结构的设计

4．3．2 人工神经网络标定模型的数学描述

4．3．3 人工神经网络的标定知识表示

4．3．4 手眼标定实验材料与方法

4．3．5 标定结果与讨论

4．4 单目二维视觉测量的摄像机标定

4．4．1 实验材料与方法

4．4．2 标定结果与讨论

4．5 本章小结

第五章 复杂工业环境下的图像自动分割方法研究

5．2．1 基于无参考图像质量评价的图像质量分析

5．2．2 工业图像的质量分析与研究

5．3 基于活动轮廓模型的图像自动分割方法的研究与改进

5．3．1 活动轮廓模型选择与适应度分析

5．3．2 改进型变分水平集分割算法

5．4 基于先验知识的自适应阈值分割方法

5．4．1 原理图

5．4．2 数学计算

5．5 实验与分析

5．5．1 工业环境的特点与分析

5．5．2 分割效果与分析

5．6 本章小结

第六章 基于知识引导的目标对象语义识别技术的研究

6．1 引言

6．2 图像特征学习

6．2．1 图像分类特征的选择

6．2．2 形状特征的表示和描述

6．2．3 区域形状特征的选取

6．3 图像特征数据库构建

6．3．1 形状特征数据库的选择

6．3．2 形状特征数据库的构建

6．4 识别知识的获取机制与表示

6．4．1 形状特征数据的获取

6．4．2 特征数据的预处理

6．4．3 知识的获取机制与推理

6．5 实验与分析

6．6 本章小结

第七章 基于知识引导的泛化性视觉系统的实验与分析

7．1 引言

7．2 系统开发环境与运行平台

7．2．1 开发环境及运行平台

7．2．2 视觉系统的工业环境

7．3 工业机器人泛化性视觉系统的实验与分析

7．4 系统的运行与分析

7．4．1 机器人视觉知识系统的运行与分析

7．4．2 工业机器人泛化性视觉系统的运行与分析

7．5 本章小结

8．1 全文工作总结

8．2 论文主要创新点

8．3 未来工作展望

参考文献

致谢

攻读博士学位期间参加的科研项目和发表的论文