基于机器视觉的多机械臂菠萝采摘机器人设计与试验

针对菠萝智能机械化采摘需求，研究一种基于机器视觉的多机械臂菠萝采摘机器人。根据菠萝茎秆较脆的特点，设计一种由V形悬臂、切刀及挡板组成的推剪式末端执行器，实现菠萝果实与茎秆的分离；设计由多个两自由度机械臂组成的机器人，每个机械臂可带动末端执行器在菠萝垄体的高度、长度和宽度方向上移动；为实施智能采摘，应用深度神经网络YOLOv5检测菠萝果实，通过三维点云分析获得菠萝采摘点位置。结果表明：菠萝果实检测精度为97%，检测召回率为95.75%；在实验室环境下菠萝采摘成功率为90%，平均成功采摘时间为5.4 s，验证了该机器人结构的合理性。     

基于改进Lucas-Kanade的亚像素级零件图像配准*

针对工业应用中零件图像配准存在的光照变化和缺少纹理信息的难题,提出了改进Lucas-Kanade的亚像素级零件图像配准算法。首先根据光照变化和几何变换模型构建了模板与待配准图像间的非线性最小二乘函数;然后依据两幅图像的方向向量一致性和边缘特征为函数添加权重,以减少冗余像素点;最后应用Levenberg-Marquardt(LM)算法解算函数最优解,以实现精确图像配准。使用500幅待配准图像进行实验,结果表明该算法对缺少纹理的零件具备光照不变性,配准正确率高且达到亚像素级精度,能够满足工业应用的鲁棒性和精度要求。     

融合高斯混合模型和点到面距离的点云配准

针对非线性光照变化、杂乱或遮挡等环境下目标定位精度低的问题,提出一种基于高斯混合模型和点到面距离的点云配准算法,以实现目标的精确定位.首先设模板点云元素服从高斯混合分布,根据点到面距离大小分配高斯混合模型中各组成部分的概率值,构建负对数似然函数;然后应用EM算法对点云优化,并推导了最大化步阶段Q函数的封闭解,提高算法实时性.以合成数据和实际的法兰零件点云为对象进行实验,结果表明,该算法配准精度和鲁棒性明显优于传统配准算法,能够满足复杂工况下目标精确定位要求.