基于改进PSO-SVM的生产线分拣机器人罐装食品识别方法

目的:解决现有食品生产线分拣机器人目标识别方法存在的准确率差和效率低等问题。方法:在对基于双目视觉食品分拣系统进行分析的基础上,提出了一种将改进的粒子群算法和支持向量机相结合用于食品分拣机器人的目标识别。通过改进粒子群算法寻优支持向量机参数,获得优化的支持向量机分类模型,对全局特征和局部特征分别进行分类器训练,动态分配特征权重系数,得到最佳识别率。通过试验分析所提方法的性能,验证其可行性。结果:与常规方法相比,所提方法在食品分拣机器人的目标识别中具有较高的识别精度和效率,准确率为99.50%,平均识别时间为0.048 s,满足机器人的分拣需要。结论:所提方法能有效识别罐装食品,提高了分拣机器人分拣准确率和效率。     

基于Delta机器人的食品生产线动态目标抓取方法

目的：解决当前食品生产中Delta机器人在动态目标抓取方面存在的精度差、效率低等问题。方法：提出了一种新的动态目标抓取方法用于食品生产线中Delta机器人的抓取控制,通过传送带的偏移量和编码器的反馈值计算目标的动态位置,优化目标的抓取顺序,并结合门型轨迹和改进的梯形加减速算法对动态目标进行抓取。通过试验对优化前后的控制方法进行分析。结果：在20 mm/s的输送速度下,优化前后机器人漏抓率由3.33%降至0,抓取速度从0.756个/s提高到0.860个/s;在30 mm/s的输送速度下,优化前后机器人漏抓率从8.83%降至0,抓取速度从0.885个/s提高到1.130个/s。结论：动态目标抓取方法能有效提高Delta机器人的抓取效率。     

基于IPSO-BPNN-PID控制的食品并联机器人抓取技术

目的:解决并联机器人在食品分拣中存在的效率低、精度差等问题。方法:在食品分拣系统结构的基础上,提出了一种改进BP神经网络与PID控制相结合的Delta机器人运动目标抓取策略。通过改进的粒子群优化算法优化BP神经网络初始权值,并利用优化的BP神经网络对PID控制参数进行实时调整。通过试验分析该方法的性能验证其优越性。结果:相比于传统控制方法,所提方法能够较为准确、高效地实现动态目标捕获,动态抓取成功率达到98%以上,能够满足食品分拣的需要。结论:通过对动目标抓取策略的优化可以有效地提高Delta机器人的抓取效率和精度。     

基于三维模型的食品分拣机器人抓取控制方法

目的:解决现有串类水果在机器人分拣中存在的准确性差、分选效率低等问题。方法:基于高速并行食品分拣系统结构,将改进的SURF算法与改进的RANSAC算法相结合用于食品分拣机器人抓取点定位,建立三维抓取模型实现串类水果的自动稳定抓取。以葡萄为例,通过试验验证了所提方法的优越性和准确性。结果:所提方法与常规方法相比,平均抓取成功率提高15.00%左右,平均抓取时间缩短0.101 s。结论:该食品分拣机器人可有效提高串类水果抓持点定位的准确性,具有较高的成功率。     

基于多目标优化的油茶果分选机器人轨迹规划方法研究

目的：解决并联机器人食品分选过程中的运动平稳性差和精度等问题。方法：在分析三自由度食品分选机器人系统的基础上，提出将多项式插值法与改进的多目标粒子群算法相结合用于Delta机器人轨迹优化。以并联机器人运行时间最短、能耗最低、运动冲击最小为优化多目标，通过改进的多目标粒子群算法优化多项式插值法，并对其性能进行验证。结果：试验所提规划方法的规划轨迹相比于常规方法更平滑、更高效。在实际的油茶果分选中，准确率>99.00%，平均一次筛选时间为0.620 s。结论：试验所提轨迹规划优化方法提高了油茶果分选机器人的分选效率、准确性和稳定性。     

基于并联机器人的食品分拣控制系统设计

为解决食品包装过程中分拣困难、漏拣和误拣率高等问题,基于并联机器人设计一种食品分拣控制系统。食品分拣设备主要包括并联机器人、夹持器、工业相机、LED光源、传送带等。以并联机器人为研究对象,设计一种模糊神经网络控制器,实现在线调节PID控制参数。通过改进粒子群优化算法,实现神经网络初始权值最优化处理,并开展相关试验研究。结果表明,系统漏抓和误抓率非常低,最大为0.1%;并联机器人的食品分拣控制系统具有好的稳定性和可靠性;抓取精度较高;能够满足食品包装要求。     

基于改进NURBS曲线插补算法的食品分拣机器人轨迹规划

目的：为了更好地规划食品分拣机器人的运动轨迹,降低其振动幅度,使食品分拣机器人能够高精度地完成任务。方法：以Delta并联机器人为基础,结合NURBS曲线插补算法和改进的遗传算法,提出了一种以最优运动时间为目标的食品分拣机器人路径规划方法。采用改进遗传算法来优化NURBS曲线。通过仿真对优化前后进行对比分析,验证了该优化方法的可行性。结果：与优化前相比,所提的优化方法可以在一定程度上降低食品分拣机器人的运动时间,从优化前的3 230 ms降低到优化后的3 070 ms。关节空间的机器人曲线也更加平滑,可以充分发挥并联机器人的性能。结论：该轨迹规划方法能有效提高食品分拣机器人的分拣稳定性和效率。     

基于改进BP神经网络的食品分拣机器人视觉伺服控制方法

目的：解决目前食品分拣机器人的视觉伺服控制系统结构复杂、计算量大,无法满足分拣机器人对视觉伺服控制系统的灵活性和适应性的问题。方法：在机器人视觉伺服控制系统结构的基础上,提出一种将改进粒子群算法与BP神经网络相结合的食品分拣机器人视觉伺服控制方法。粒子群算法在迭代过程中使用交叉和变异来保持种群多样性,对BP神经网络的初始权值和阈值进行优化。结果：与常规控制方法相比,该控制方法可以在较短的时间内将食品生产线机器人带到预定位置,位置逼近的相对误差为0.38%。结论：该控制方法在处理较复杂的任务时,具有较强的适应性,有一定的实用价值。     

食品协作机器人动态目标抓取控制方法研究

目的:解决目前协作机器人在食品动态目标抓取中存在的准确性较低问题。方法:基于协作机器人体系结构,提出将模糊自整定PID控制和鲁棒自适应补偿器相结合用于协作机器人食品动态目标抓取。PID结合模糊控制完成参数自整定,鲁棒算法与自适应算法相结合用于系统不确定性补偿。通过试验分析了所提方法的性能,验证了该方法的可行性。结果:所提方法在协作机器人动态目标抓取中具有较好的效果,提高了协作机器人动态抓取的准确性,在传送带速度100 mm/s时,动态抓取成功率达到99.50%,对食品动态目标抓取具有一定的应用价值。结论:通过优化现有目标抓取控制方法,可有效提高协作机器人的抓持精度。     

多算法融合的并联食品分拣机器人轨迹跟踪控制方法

目的：解决并联食品分拣机器人轨迹跟踪控制方法存在的控制精度低和运动稳定性差等问题。方法：在四自由度并联机器人结构基础上,提出将滑模控制算法、模糊控制算法和改进蝙蝠算法相结合用于并联食品分拣机器人轨迹跟踪控制。通过改进蝙蝠算法对模糊算法带宽进行寻优,通过优化的模糊控制算法自适应调整滑膜控制算法的模糊增益和滑膜面斜率,降低控制器的跟踪误差,提高抗干扰能力,并验证所提轨迹跟踪控制方法的优越性。结果：所提轨迹跟踪控制方法实际分拣准确率为99.90%,平均分拣时间为0.509 s。结论：与常规方法相比,所提轨迹跟踪控制方法的关节轨迹跟踪精度更高,抗干扰能力更强,输出力矩更加平滑。     

基于改进鸡群优化算法的食品拣取机器人路径规划

目的:优化多工位食品拣取机器人路径.方法:提出了 一种基于改进鸡群优化算法(Improved Chicken Swarm Optimization,ICSO)的食品拣取机器人路径规划方案,充分考虑单个工位点机器人最优拣取位置和多工位点之间机器人移动最短距离,构建多工位食品拣取机器人路径规划双层模型.利用密度峰值聚类算法...     

基于双目视觉的食品分拣Delta机器人定位抓取技术

目的：解决Delta机器人在食品分拣中定位精度差、抓取成功率低等问题,提高机器人的柔性抓取能力。方法：在现有双目视觉和Delta机器人技术的基础上,提出一种基于双目视觉的Delta机器人柔性抓取方法。采用张正友标定方法对相机进行标定,通过弦中点Hough变换对目标进行识别和定位,根据PID跟踪抓取控制Delta机器人抓取动态目标。通过试验对单目标分拣和多目标分拣性能进行分析,验证该方法的可行性。结果：该方法能够准确、快速、稳定地对目标进行动态抓取(成功率在94.0%以上)。结论：双目视觉与Delta机器人相结合可以有效提高机器人的定位精度和分拣抓取的成功率。