基于单目视觉的智能物料分拣机器人的设计

为解决目前工业物料分拣机器人发展的需求问题,以模拟自动化物流系统的作业流程为目标,提出了一种基于单目视觉的智能物料分拣机器人的设计。为实现物料的自动分拣过程,以STM32作为核心控制器,驱动OV2640摄像头对图像进行实时采集、处理与分析,实现颜色识别和目标定位,并将处理结果传送给驱动控制系统。在图像标定方面,采用读取TFT屏中目标的坐标和求取目标的实际坐标,通过MATLAB软件来进行数据拟合,找出两个坐标的函数关系,从而实现目标的定位。采用遍历腐蚀算法、增量式PID算法、DBCSAN算法和Dijkstra算法,分别完成对随机摆放的物料的自动识别和定位、电机控制和路径规划。实验与竞赛结果表明,该单目视觉分拣机器人的分拣准确率和效率高,能够实现智能分拣功能。     

基于机器视觉的智能垃圾分类装置

文章设计了一种基于机器视觉的智能垃圾分类装置用于垃圾分类。使用树莓派作为主板，依托于Lobe Tensorflow平台使用机器学习算法实现垃圾图像处理功能。通过树莓派Linux操作系统中Python IDE状态栏输出垃圾识别信息，调动由舵机组成的分拣平台实现智能垃圾分类。基于机器视觉的智能垃圾分类装置具有可学习、成本低、易组装、操作简便以及上手快速等优点。     

缺陷药片智能识别与分拣机器人研究

针对药片表面质量检测主要依靠人工肉眼判断、检测效率低和漏检等问题,开展了缺陷药片智能识别定位与分拣机器人技术研究,进行了机器人系统总体设计和结构设计,采用Halcon机器视觉开发平台编写了图像识别与处理软件对缺陷药片进行识别和定位,对机器人进行了正运动学和逆运动学分析,编写了药片位置信息解算软件,通过指令驱动机器人各关节运动对缺陷药片进行准确抓取,实现了缺陷药片的智能化分拣。通过所设计的缩比机器人系统对药片进行分拣,验证了缺陷药片智能识别定位与分拣的功能,该机器人系统具有成本低、工作范围大、智能识别定位准确、通用性好的优势。     

基于视觉识别的智能分拣机械臂设计与实现

该文提出了基于视觉识别物料机械臂完成智能分拣的设计思路，具体实现方式为首先由工业相机采集待分拣物料图像，HALCON软件处理；其次通过标定、滤波去噪、特征提取、坐标变换分类识别物料；然后由主控制器PLC接收上位机发送的信号，在上位机Visual Studio 2019环境中进行Winform窗体开发；最后结合PLC编程软件TIA Portal V15.1，精准控制机械臂完成物料分拣作业。实验结果表明，基于视觉识别的智能分拣机械臂系统运行可靠，稳定性好，控制精度高。     

基于颜色识别的智能物料搬运机器人

为提高圆柱形物料的分拣效率,设计了一款具有颜色识别和搬运功能的新型智能物料搬运机器人。该机器人以飞思卡尔XS128系列芯片为核心控制部件,两个全周空心杯舵机作为动力驱动,一个数字舵机作为抓取装置的动力源,利用TCS230颜色识别模块进行颜色识别,并搭配灰度传感器来进行识别优化,实现了快速、准确识别物体颜色以及搬运圆柱形物料的目的,并通过实验和比赛验证了此方案的实效性和可行性。     

不规则多物品无序分拣机器人研究

针对多种不规则物品混乱摆放的抓取问题，一直是机器人领域研究的热点和难点，对其研究在家庭生活服务机器人等领域有很高的应用价值。为实现这一功能，基于双目相机和协作机械臂搭建一套物品分拣机器人系统。系统中基于YOLOv5算法和PSMNet网络建立起目标检测和双目立体匹配算法，利用ROS系统的MoveIt模块进行机械臂控制。经过实验验证，该机器人能够有效识别、定位和分拣形状不规则、表面纹理丰富、摆放混乱的物品，对经过训练的物品识别成功率达到100%，分拣成功率达到93.3%。     

基于RobotStudio的芯片智能分拣生产线设计

为了缩短芯片智能分拣生产线开发周期,利用虚拟仿真技术在RobotStudio软件中搭建仿真工作站;该工作站以ABB IRB360并联工业机器人为控制核心,利用Solidworks建模软件完成相关模型建立,利用RobotStudio软件的Smart组件、机械装置等功能实现芯片下料、芯片传输、相机检测等过程,设计工业机器人的路径和程序完成分拣工作;最后将仿真工作站的代码直接下载至现场工业机器人,并根据仿真节拍调节现场各模块工作速度,实现芯片的智能分拣;实验结果表明,工业机器人能够根据相机的引导正确且高效地分拣芯片.     

基于EAIDK的智能煤矸分拣系统设计

现有基于图像识别的煤矸石分拣方法实时性较差且整体分拣准确率不高,而基于密度的分拣方法适用于井下初选,成本较高。针对上述问题,设计实现了一种基于EAIDK的智能煤矸分拣系统。采用嵌入式人工智能开发平台EAIDK构建矸石识别和分拣控制硬件平台,在嵌入式深度学习框架Tengine下利用深度学习算法搭建卷积神经网络,建立端到端可训练图像检测模型,并利用智能摄像机获取的图像数据训练模型;通过手眼标定获得摄像机坐标系与机械臂坐标系之间的关系,控制机械臂进行矸石追踪和分拣。实验结果表明,该系统矸石识别准确率稳定保持在95%以上,机械臂跟踪时间小于30 ms,执行误差为1 mm左右,可以满足煤矸分拣工艺要求。     

一种书写姿势智能提醒器的设计

为了解决青少年不正确的书写姿势问题,将智能化与人性化相互融合,设计一种书写姿势智能提醒器.该提醒器以单片机作为控制核心,以感应装置来实现人与书本之间的距离控制,以蜂鸣器来实现报警提醒.采用虚拟仿真和实验的方法验证,验证发现设计结果符合设计要求,能够有效地实现坐姿不正确的智能提醒功能.该装置外形小巧,设计简单,使用方便,...     

基于迁移学习的机器人视觉识别与分拣策略

针对传统工业机器人辨识复杂工件困难、识别度单一等问题，提出一种基于迁移学习的视觉识别与分拣策略。高精度工业相机拍摄到的图片经过HALCON软件图像膨胀、腐蚀等处理之后，导入Pytorch中的神经网络模型，利用迁移学习对目标进行识别分类，最终实现工业机器人智能分拣的目的。实验中，在UR5机器人平台上以形状多变的两种菇类为对象进行迁移学习，进而完成识别及分拣。实验结果表明该策略具备良好的准确性和稳定性。