基于3D视觉的机器人分拣实验系统研究与设计

针对智能制造工程专业多学科交叉融合特点,开展了基于3D视觉的工业机器人分拣实验系统研究与设计.采用Kinect相机、工业机器人、PC机、末端执行器搭建了系统硬件实验平台;采用支持向量机算法识别目标物体,提出了将中值滤波预处理和最近邻插值修复相融合的空洞毛刺修复方法;针对待识别物体是否重叠相互遮挡设计了基于霍夫变换计算物体中心点位置及基于点云配准的位姿估计定位策略;在上位机交互界面引导下完成机器人分拣系列实验.实验结果表明：该系统能够准确识别快速稳定分拣出特定形状和颜色的目标物体,实验内容涉及机器人、机器学习、图像处理、软硬件设计等多门课程知识与技术,综合性强、开放性好,为智能制造工程专业实验室建设提供了一种综合性创新型实践平台.     

基于最优位姿集的机器人标定及不确定度评定

为解决因标定位姿点随机选择导致机器人标定结果不稳定、可靠性低问题,研究了基于雅克比矩阵奇异值计算可观测指标的最优位姿点数目及最优位姿集选择算法,建立了机器人MDH模型,采用LM算法对几何参数进行辨识,使用LeicaAT960激光跟踪仪分别在最优位姿集和随机位姿集下对Staubli TX60机器人末端位姿大量实测;在分析研究机器人标定不确定度来源基础上,采用测量不确定指南(GUM)计算几何参数标定的不确定度及蒙特卡洛模拟法对机器人末端位置不确定度进行评估,结果表明,经最优位姿集标定后的机器人不仅在测试点精度有大幅提升,而且几何参数及末端位置平均不确定度约为随机位姿集标定的0.11倍,标定结果稳定可靠,泛化能力强,适于在高精度、大范围作业场合推广应用。     

复杂环境下小尺度烟火目标检测研究

针对复杂环境下起火点目标尺寸较小、起火点特征易与实际场景混淆导致烟火检测效率及准确率低等问题，提出了一种基于改进YOLOv5的小尺度烟火目标检测方法.首先，在原始YOLOv5模型输出的第3个检测层上增加第4个检测层，以此获取更大的特征图对小目标进行检测，加强网络模型的特征提取能力.其次，为解决目标在被遮挡的场景中容易出现漏检的问题，将原网络中用于计算目标框损失函数的GIoU_Loss替换成DIoU_Loss.最后，利用TensorRT对模型进行压缩和加速优化，并将其部署到Jetson TX2开发板上进行加速推理实验，通过复制增强方法扩充实际烟火场景数据.大量实验结果表明，本文所提方法用于复杂环境下的小尺度烟火目标检测不仅检测速度快而且精度高，适于推广应用.