基于视觉与激光结合的堆叠工件定位方法研究

目标的快速精准定位是实现基于视觉的机械手在复杂工况下对工件进行自动抓取的关键技术,基于单目视觉与激光传感技术,提出一种采用Ada Boost算法配合多激光传感技术实现对堆叠工件快速精确定位的方法。该方法采用基于局部二值模式特征的Ada Boost算法结合多尺度策略对视觉获取的RGB图片进行检测,获取工件水平位置信息;结合主动跟踪激光传感系统,获取堆叠工件表面的法向量,确定工件的空间位姿。搭建了硬件实验平台,在此实验平台上开发了一套视觉与激光结合的堆叠工件定位抓取系统,并以非标零件为实验对象,在堆叠情况下进行多组实验,在模拟车间自然光照环境下,工件的识别率为96.4%,平均耗时为18 ms,工件定位的平均坐标偏差为1.17 mm,法向量平均偏差为1.39°,机器人抓取率为98.2%。实验结果表明:该方法定位准确、速度快,在自动化生产线上具有可行性。     

基于视觉与激光结合的堆叠工件快速定位方法

针对机械手对复杂工况下的工件进行自动抓取时精度较低的问题,提出一种采用改进SSD卷积神经网络算法配合多激光传感的方法,对堆叠情况下的工件进行快速精确定位。采用SSD算法融合多视窗检测方法,对视觉获取的RGB图片进行检测,获取工件水平位置信息;结合主动跟踪激光传感系统,获取工件表面的法向量,确定工件的空间位姿。搭建了硬件实验平台,在此平台上开发了一套视觉与激光融合的工件定位抓取系统,并以非标零件为实验对象在堆叠情况下进行多组实验,在模拟车间自然光照环境下,工件识别率95.4%,平均耗时为40ms,工件识别的平均坐标偏差1.86mm,法向量平均偏差为1.39°,机器人抓取率为98.2%,实验结果表明,该方法定位准确,速度快,在自动化生产线上具有可行性。     

基于PCA-ELM和光谱技术预测香蕉成熟度

本文利用高光谱成像技术(Hyperspectral imaging)对常温下贮存的450个未剥皮香蕉样本光谱数据进行采集,首先检测样本果肉可溶性固形物含量(TSS)、坚实度(FIM),采用SPSS单因素方差分析,然后运用线性优化岭回归分析-偏最小二乘法(RR-i PLS)建立了香蕉成熟度理化指标的光谱和图像特征分类模型,结果表明通过实验平台获取光谱数据预测香蕉可溶性固形物含量以及坚实度的相关系数R2值分别为0.92和0.94。再通过连续投影法(successive projections algorithm,SPA)法以及主成分分析法(principal component analysis,PCA)分别选取特征波长,建立基于特征波长的极限学习机(extreme learning machine,ELM)对光谱数据进行建模交叉验证。通过比较RR-i PLS,SPA-ELM与PCA-ELM三种分类预测模型,表明基于特征波长的PCA-ELM分类模型具有较好的预测性能。交叉验证准确率达到99%。为能快速无损识别香蕉果实品质提供一种有效的预测研究,基本满足对香蕉成熟度分类检测且显示出有效建模分析,且能达到有效的经济效益。