面向再制造拆卸产品的工业机器人视觉识别与定位研究

发布时间：2024-12-10 02:23

　　随着工业机器人作为一种先进的智能制造装备被不断引入各种复杂工业环境,市场对机器人的智能性、精准性、稳定性等也提出了更高的要求。机器视觉作为机器人感知环境的核心技术之一,可以提高工业机器人的自主能力,增强其灵活性,因此在研究和生产领域得到了极大的重视。尽管在基于工业机器人的再制造拆卸领域,机器视觉的研究已经取得一些成果,但多数方法是基于人工特征提取的传统图像识别算法,特征的选择仍需要依靠专业的知识背景,并且在复杂环境下鲁棒性较差,难以实现高效率的目标检测。本文围绕再制造拆卸环境下的工业机器人识别与定位问题,针对待拆卸对象结构不稳定,拆卸环境背景复杂的特点,深入研究以深度学习为核心的多目标检测算法,为机器人的智能化拆卸提供技术支撑。主要研究内容如下:(1)基于工业小数据集的机电产品拆卸多目标识别与定位算法研究。对现有基于深度学习的目标检测算法进行分析,比较基于候选区域的目标检测算法和基于端到端的目标检测算法的特点。针对拆卸过程中对小目标检测精度不高的问题,选择单核多目标检测算法进行改进,提出一种融合底层细节特征和高层语义特征的轻卷积网络结构。依据数据集样本分布,丰富锚点框比例尺度来提高检测精...

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

图1-2机器视觉在工业机器人中的应用实例日本公司研发的binpicking视觉机器人，利用机器学习来进行散堆拾捡和故障异常检测

4KUKA、意大利COMAU、中国SIASUN等，已被大量投入使用。机器视觉作为应用领域关注的重点方向之一，为提高机器人的智能性、规避人为主观因素干扰提供了机会。如图1-2所示为几种常见的基于机器视觉引导的工业机器人应用实例。图1-2（a）中所示为正在进行托盘分拣的分拣机器人；1....

图2-3YOLO目标检测系统[34]

15优点：1)更高的检测精度。在公开数据集PASCALVOC上检测精度高达78.8%。2)生成候选区域用时更短。RPN完全从数据中学习建议区域，共享卷积计算，生成的少量候选区域也减少了区域方面的全连接层成本。因此可以从更深入和更具表达性的特征中轻松获益。实验证明，在测试时RPN网....

图2-4交并比示意图

16卷积网络使用整个图像的特征来预测每个边界框，首先输入图像被划分成S×S的网格。每个网格都会生成一系列的预测默认框，假设某个目标的中心存在于某一网格区间内，该网格区间即需要承担该目标检测任务，该任务包括对默认框的坐标位置和置信度分数进行评估。置信度分数反映了该模型对默认框是否包....

图2-6锚点框结构

18但小边界框的小误差对IOU的影响要大得多。因此在对待大小物体的处理上，还有待加强。（2）SSD:SingleShotMultiBoxDetectorSSD[35]网络是一个既保证检测速度，又保证检测精度的单次多目标检测网络。该网络综合了YOLO网络的回归理论和FasterR-....

本文编号：4015454