基于机器视觉的机器人物料分拣系统的设计

随着生产技术发展和产业转型升级,机器人代替人工劳动是大势所趋,而视觉是机器人的“眼睛”。分拣是工业生产过程的关键环节,但传统分拣工作多以人工分拣为主,这降低了生产效率,且难以保证产品质量。运用基于机器视觉的机器人物料分拣系统,能对不同颜色的物料进行准确识别和精准定位。本文阐述了机器视觉应用的意义、基于机器视觉的机器人物料分拣系统组成,设计了基于机器视觉的机器人物料分拣系统软件,分析了系统的应用优势。通过实践,实现了基于机器视觉的机器人物料分拣系统功能,提高分拣安全性、可靠性和工作效率,从而提高工业生产的智能化,适应产业发展需要。     

基于机器视觉的电子元器件检测系统设计

在信息技术快速发展的过程中,电子产品的更新速度不断加快,电子元器件也逐渐向集成化、微型化方向发展。在这种情况下,电子元器件的检测难度不断加大,传统的目标检测方法存在图像分辨率低、信息量匮乏等问题,而在机器视觉的基础上构建电子元器件检测系统可以提高检测效率与质量。对基于机器视觉的电子元器件检测系统设计方案与方法进行了简要分析,发现在设计系统时应优化图像预处理、点定位等方面的设计工作,增强系统的实用性。     

基于改进Faster RCNN的工业机器人分拣系统

传统的分拣作业无法伴随工作环境的变化进行相应的调整,针对此种不足,出现了基于机器视觉的分拣机器人的相关研究,通过将图像处理和特征工程技术引入视觉模块,使得分拣系统能适时的调整.不同于这些方法,本研究基于实验室的工业分拣系统,将深度学习方法应用其中.通过将Faster RCNN检测算法引入视觉模块并对区域提取网络RPN进行相关改进,加快Faster RCNN模型的检测过程,使得该系统满足工业的实时性要求.Faster RCNN作为一种端到端的方法,能自动对输入图像生成更具表达力的特征,对相应目标提取相应特征,这避免了人工设计特征,它的特征自动生成能力使其能适用于各种场景,这提升了工业分拣机器人的环境适应能力.     

基于机器视觉的飞机总装测试显控板状态自动识别

飞机总装配阶段的大量机载功能测试需通过驾驶舱内部显控板状态读取反馈结果,传统方式采用人员在环的开环测试方法,存在效率较低、准确率受人为影响、数据无法溯源等问题。为解决上述问题,提出了一种基于机器视觉的飞机显控板状态识别方法,用于在飞机总装测试阶段代替人工读取记录操作,由机器视觉系统自动获取和判读驾驶舱内部显控板状态信息。经测试,采用该方法可以准确判读模拟显示页面各项状态参数,能够显著提高飞机总装阶段机载功能测试效率和准确率。     

基于机器视觉的工业机器人自动分拣系统设计

经济的发展推动了我国工业自动化进步,自动分拣是工业自动化中的一部分,传统的工业机器人自动分拣系统的分拣精确度较低,无法满足目前的工业化生产需求,因此基于机器视觉设计了新的工业机器人自动分拣系统.硬件部分设计了CCD图像采集器和运动控制卡,软件部分首先处理了工业机器人自动分拣图像,其次基于机器视觉识别了自动分拣工件类型,...     

摆轮式快递分拣机控制系统设计

为提高传统快递分拣系统的分拣效率与分拣准确性,设计了一套摆轮式快递分拣机控制系统;该系统根据前端扫码系统扫描的单号信息,获取包裹单号地址所对应的分拣口信息,采用队列的方式对分拣线上的包裹进行管理,分拣机通过红外对管检测分拣线上的货物位置,按照计数值获取对应包裹存储在队列中的信息,根据分拣信息确定包裹出口;实验结果表明,采用队列方式、双重红外检测、变速双摆角的控制模式分拣准确率、分拣效率较高,每小时可达6 000多件;摆轮式快递分拣系统可以显著提高包裹分拣效率和准确率,对降低包裹处理时间,节约物流成本具有重要意义。     

基于机器视觉的多机械臂煤矸石分拣机器人系统研究

现有煤矸石分拣方法主要是根据煤和岩石的纹理特征值,利用图像处理和模式识别技术对煤矸石进行识别分选,分选的煤矸石粒度为25～150mm,而对于150mm以上的煤矸石仍依靠人工进行分选。为了对大粒度煤矸石进行分拣,设计了一种基于机器视觉的多机械臂煤矸石分拣机器人系统。该系统采用机器视觉采集煤矸石信息,应用深度学习方法实现煤矸石识别和抓取特征提取;在获取煤矸石序列信息后,根据煤矸石位置进行排序工作,并通过多目标任务分配策略将抓取任务下达给相应机械臂控制器;机械臂获取任务后,根据获得的任务对目标进行动态监测,当目标进入机械臂工作空间后由视觉伺服系统驱动机械臂完成煤矸石分拣。试验结果表明,该系统可对粒度为50～260mm的煤矸石进行高效、快速分拣,所采用的煤矸石识别方法和分拣策略在不同带速下具有良好的稳定性和准确性,煤矸识别与定位的综合准确率可达93%,验证了该系统的可行性。     

一种基于模糊匹配的元器件分类方法

近年,随着航空电子元器件技术迅猛发展,给航空武器装备元器件技术管理带来严重挑战。在元器件管理过程中使用传统人工核对的方法已很难解决数十万条数量级的元器件分类问题。基于此,提出了一种基于模糊匹配的分类方法,旨在解决大数据量下元器件类别快速识别、判定及优化过程中效率问题及准确率问题,并在其基础上针对数据量过大导致的内存溢出问题提出了优化方法。     

基于工业机器人控制的物料视觉分拣系统的研究与设计

随着工业时代急速发展，在目前工业智能化生产过程中，工业机器人担任着越来越重要的角色。如今的分拣生产线任务越来越繁琐，人工分拣出现的失误率与越来越高，因此，企业生产线迫切需要一种能够代替人工且高效率的同时还不易出错的机器来替代。本系统搭建了ABB机器人与机器视觉硬件平台，实现一种可以识别物料颜色检测、抓取分类入库一体化的工作系统。     

基于深度学习的普通金属矿石快速分拣系统的研究

刚开采的金属矿石存在大量泥块混合物，需要进行重复的洗矿操作，耗费大量水资源和机器资源，对于粘结性强的泥块还需要后期人工分拣。传统方法一般是通过改造洗矿工艺来减少含泥量，但是改造成本高，不能有效应对较大的泥块，为此提出一个基于深度学习的矿石粗分拣的系统。通过普通RGB摄像头实时采集矿泥混合物图像，并无线传输到服务器端；引入SSD512目标检测框架作为系统核心算法，对矿石和泥块进行识别，并返回目标分类置信度和位置信息的回归；由识别结果控制分拣装置分拣出泥块。实验验证结果发现识别的平均精确率达到91%,识别的速度达到了0.05 s每幅图片。     

基于说话人及语音识别协同决策点名系统设计

考勤是高校教育管理制度的重要手段之一,传统的人工点名方法耗时耗力效率低下,然而现有的新技术点名系统难于实现、不便于推广或准确率不高。针对上述问题,设计一种基于说话人识别及语音数字识别技术协同决策、基于VC与Matlab混合编程开发技术的电子点名系统,易于实现及应用推广、自动化和实用性强,且通过实验表明,该系统具有高准确率。     

基于树莓派和OpenCV的视觉识别与分拣系统

由于传统的人工分拣技术在物流分拣环节中具有成本高、效率低、易出错等缺点，随着物件的增加，分拣难度越来越大，因此各行各业都在研究如何提高分拣效率和精确度。基于树莓派和OpenCV的物品分拣系统，具有成本低、效率高、易部署、可维护等优点。该系统利用摆轮分拣机灵活可操作性的特点，采用方向分拣和树形分拣两种结构，通过树莓派和OpenCV的结合应用，识别出对应物品后，向摆轮机传输指令，摆轮机对物品进行不同方向的快速分类操作，可以有效解决传统人工分拣的问题。     

物品智能分类抓取机械臂

随着快递服务市场的渗透率越来越高,快递的分拣难度也随之上升,传统的人工分拣和半人工分拣人力成本较高,效率相对机器也会更低.提出了一种小型机械臂智能分拣模式,整个系统由树莓派统一控制,摄像头读取图像,PC处理图像,识别图像中的物料和二维码,计算出物料的三维坐标,并获取该物料的分类放置信息,然后由树莓派控制机械臂活动完成物...     

基于机器视觉的电子元器件检测系统设计

为了提高宇航、军工电子产品检测的效率和准确性,设计基于机器视觉的电子元器件检测系统,通过研究有效的定位与检测算法,满足不同规格的印制电路板（Printed Circuit Board,PCB）元器件焊装正误检测。采用改进的Hough圆检测算法识别定位点,结合电装工艺文件定位元器件所在位置,绘制感兴趣区域（Region of Interest,ROI）。最后采用加速鲁棒特征（Speeded-Up Robust Features,SURF）算法进行特征提取,利用基于最近邻与次近邻比值的方法完成匹配,元器件特征点匹配准确率达到85%。并对元器件在光照和仿射变换下的匹配效果进行测试,结果表明,SURF算法在不同实验条件下,包括位移、角度以及光照变换等,匹配准确率达到90%。系统实现了宇航、军工PCB板上元器件安装正确性检测,具有较好的精确性和稳定性。     

基于机器视觉的颜色分拣机器人设计

为了提高分拣工作的效率、降低成本,设计了基于视觉识别的颜色分拣机器人。该机器人将OpenMV作为机器视觉的主要模块,机械臂作为运动模块,通过KPZ51核心系统板完成模块之间的信息互通,基于Lab颜色空间以及CamShift跟踪算法实现了颜色识别与跟踪、物体抓取、串口通信等多种技术。测试结果表明,改进后机器人识别的正确率从56%提高到了92%。颜色分拣机器人能够根据颜色对物体进行分拣。     

一种基于机器视觉的试卷分数智能识别系统设计

针对目前学校试卷分数人工试卷检查的速度慢、效率低、容易出错等问题,提出了一种基于机器视觉技术的试卷分数智能识别检测系统。通过开发的试卷分数轮廓边缘提取算法,对试卷不同尺寸大小的分数字体轮廓进行识别,结合文字OCR识别算子实现对试卷分数的快速识别和检测。通过对试卷分数识别试验可以得出,该系统能快速的识别试卷不同尺寸大小的分数,且具体效率高、准确率高等特点,具有较大的应用推广价值。     

基于机器视觉的零件加工瑕疵图像识别算法

由于传统瑕疵图像识别算法存在识别时间长、准确率较低的问题,研究基于机器视觉的零件加工瑕疵图像识别算法。使用最小误差法分割图像阈值,获取并处理瑕疵零件图像;提取瑕疵图像的全局特征与局部特征,经多维向量特征值排序后得到零件加工瑕疵的最终特征;利用形态学细化法提取图像边缘轮廓,结合机器视觉细化边缘像素,实现瑕疵图像识别。测试结果表明:使用机器视觉识别零件加工瑕疵图像算法,当图像数量增加到1000张时,图像识别平均所用时间为78.3 s,平均准确率则为95.817%,可以提高零件加工瑕疵图像识别的准确率。     

基于机器视觉的健美操跳跃动作特征提取方法研究

由于传统健美操跳跃动作特征提取方法存在动作方位角度识别准确率低、特征提取率低和特征提取效率低的问题，提出基于机器视觉的健美操跳跃动作特征提取方法。通过机器视觉获取健美操视频，提取健美操视频的熵值序列和音乐特征，融合以上特征提取健美操动作关键帧，利用高斯混合模型对关键帧进行处理，消除健美操关键帧的背景；采用阈值识别算法识别健美操跳跃动作，结合Harris3D算子建立健美操跳跃动作序列势函数，在此基础上，利用AdaBoost算法提取健美操跳跃动作特征。实验结果表明，所提方法的动作方位角度识别准确率高、特征提取率高、提取效率高。     

基于深度学习的场景识别系统

近年来,随着人工智能的发展,机器人对于场景识别的要求也在提高,传统的场景识别基于视觉词袋,而视觉词袋确有着内存大,对于光照等环境变化不够鲁棒等缺点,例如同一场景在不同季节下的不同影像无法识别。传统场景识别方法的要害在于对场景图象特征的提取,然而这个方法却需要浪费大量的时间和精力,效率极低,并且也存在着一些缺点和不足,对光照等环境变化不够鲁棒。针对这一问题,研究者将深度学习SLAM场景识别应用于此,在回环检测的部分使用基于深度学习的场景识别,摒弃BOW的方式。它能够自动检测到图像内部的特征数据,不仅减少机器人的工作量,同时也提高工作效率和提高场景识别的准确性。     

一种机器视觉的胸卡智能识别系统设计

针对目前校园胸卡人工检查、登记的费时费力、效率低,且容易出错等问题,提出了一种基于机器视觉技术的胸卡智能识别系统。通过利用机器视觉技术、对胸卡特征的记忆和特征边缘轮廓的提取,结合VS与Opencv开发的特征识别算法对胸卡个人信息特征的识别定位和检测,实现校园胸卡识别和检测的自动化、智能化。该系统成功的进行对胸卡的智能识别和检测试验,且具有较高的识别率和准确率,达到了智能识别胸卡的预期目的,具有一定的学术研究价值及应用推广价值。