机器视觉与机械臂在智能分拣中的应用研究

"基于机器视觉的机械臂分拣技术研究" 这篇硕士论文主要探讨了如何利用机器视觉技术提升机械臂在分拣作业中的效能。随着"中国制造2025"战略的推进，机械臂在智能制造领域扮演着越来越重要的角色。通过引入机器视觉，可以将传统的工业化生产转变为智能化模式，有效提高生产效率，并改变生产流程。然而，人工分拣存在诸多弊端，因此，本研究专注于机器视觉辅助的机械臂分拣技术。 研究的核心内容包括两大部分：机械臂的运动分析和视觉分类识别。作者以AUBO-i5机械臂为硬件基础，构建了分拣系统，并设计了相应的软件系统，进行了实际的分拣实验验证。这一系统在实际生产环境中具有较高的理论指导价值和应用潜力。 首先，论文利用M-D-H（Modified Denavit-Hartenberg）方法建立了AUBO-i5机械臂的连杆坐标系，并计算了各坐标系之间的齐次转换矩阵，从而进行运动学建模，明确了关节空间与笛卡尔空间的映射关系。通过正逆运动学，实现了机械臂的五次插值轨迹规划。 接着，为了确保视觉系统能精确引导机械臂进行分拣，进行了视觉系统的标定。在HALCON软件中完成了双目标定和双目视觉定位，获取了双目相机的内外参数，并进行了Eye-to-hand模式的手眼标定，得到了相机坐标系与机械臂坐标系的转换矩阵。 在图像处理和分类识别方面，论文针对单一特征分类准确度较低的问题，提出了多特征融合的方法。在图像预处理后，提取了工件的仿射不变矩、圆形性和矩形度等多种特征，构建了分类器数据集，以提高分类识别的准确性。针对图像质量差导致的识别率下降问题，采用了改进的Retinex方法来增强图像质量。 此外，针对传统工件分类方法的局限性，论文提出了一种结合量子粒子群优化（QPSO）和BP神经网络的工件分类识别方法。QPSO用于优化BP网络的权重和阈值，避免了传统粒子群算法可能陷入局部最优的困境。通过特征向量和类别标签构建数据集，先在QPSO-BP网络中进行训练，然后使用训练好的分类器进行物体分类识别。 最后，实验部分以AUBO-i5机械臂为基础搭建了实验系统，运用QPSO-BP分类方法和图像处理软件，成功实现了对不同工件的自动分拣。 这篇论文详细阐述了基于机器视觉的机械臂分拣技术，从运动控制到视觉识别，再到智能分类，为提升智能制造的自动化水平提供了有力的技术支持。