基于机器视觉的Delta机器人工件分拣系统的研究

摘要

工件分拣是工业生产制造中的重要环节，在传统的分拣方式中，人工分拣受现场环境及主观因素影响较大，长时间工作会造成视觉疲劳导致工件分拣效率降低。Delta机器人具有速度快、运动惯量小、定位精度高等优点，将机器视觉与Delta机器人相结合实现工件的自动分拣，是工业流水线智能化的趋势。利用机器视觉算法检测工件缺陷并实现快速分拣作业具有重要的理论意义和现实意义。本文针对工件外轮廓破损检测鲁棒性差、表面缺陷受工件纹理影响分割困难的问题，以法兰盘式工件作为分拣对象开展相关理论研究和实验验证。 首先，对分拣系统的整体设计进行了详细介绍，根据工件尺寸、预期精度完成视觉系统的硬件选型。通过建立单目视觉测量模型，分析了工件世界坐标系、摄像机坐标系、图像物理坐标系和图像像素坐标系之间的转换关系，采用高精度的圆点标定板完成摄像机内外参数的标定，实现工件各部位尺寸的测量与误差分析。然后，针对工件外轮廓破损区域形状与尺寸影响其分割与识别的问题，提出了基于工件边缘距离的外形缺陷检测方法。对工件轮廓进行亚像素边缘信息的提取，计算出拟合边缘到工件轮廓的距离，并通过比较该距离是否大于所给阈值判别工件外轮廓的破损情况。对不同破损程度的工件进行了检测实验，外轮廓破损工件的识别准确率达100％，验证了该算法的有效性。针对工件表面纹理复杂影响工件表面划痕与锈蚀分割的问题，采用基于像素分层采样的PixelNet卷积神经网络对表面缺陷进行分割，实验结果表明本文方法可以对工件表面缺陷进行有效分割，分割结果的平均交并比(MIoU)达92.3％。最后，完成视觉系统与运动系统的标定，确定最优抓取位置，运动系统根据视觉系统提供的工件类别及抓取位置信息完成工件的分拣实验，实现对划痕、锈蚀、外轮廓破损工件的分拣。

目录

声明

摘要

第一章绪论

1．1课题研究背景及意义

1．1．1研究背景

1．1．2研究意义

1．2国内外研究现状

1．2．1 Delta机器人概述

1．2．2视觉分拣系统介绍

1．2．3基于机器视觉的缺陷检测

1．3论文研究内容及组织结构

第二章Delta机器人分拣系统搭建

2．1分拣系统的整体方案设计

2．2视觉系统硬件选型

2．2．1工业相机

2．2．2光学镜头

2．2．3光源选择

2．3 Delta机器人运动控制系统组成

2．3．1 KeMotion机器人控制系统

2．3．2硬件组成

2．4本章小结

第三章工件尺寸测量及外形缺陷检测

3．1单目视觉测量模型

3．2摄像机标定

3．2．1张氏标定法

3．2．2镜头畸变

3．2．3标定实验

3．3工件定位及特征提取

3．3．1图像预处理

3．3．2镜头畸变

3．3．3亚像素边缘提取

3．3．4工件质心提取及圆拟合

3．4工件尺寸测量及误差分析

3．5基于边缘距离的工件外形缺陷检测

3．6本章小结

第四章基于卷积神经网络的工件表面缺陷检测

4．1卷积神经网络介绍

4．1．1卷积层

4．1．2激活函数

4．1．3池化层

4．1．4卷积神经网络的特点

4．1．5损失函数

4．1．6语义分割

4．2基于卷积神经网络的工件缺陷分割

4．2．1 PixelNet卷积神经网络

4．2．2语义分割评价指标

4．2．3表面缺陷分割实验

4．3本章小结

第五章基于机器视觉的工件跟踪抓取

5．1分拣系统标定

5．1．1视觉系统与传送带系统标定

5．1．2机器人本体与传送带系统标定

5．1．3分拣系统标定实验

5．2工件抓取位置定位

5．3工件抓取实验

5．4本章小结

第六章总结与展望

6．1总结

6．2展望

参考文献

发表论文和参加科研情况

致谢