英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
国际机器人和智能制造会议(RoSMa2018)
基于视觉的工业应用机器人机械手（翻译）
医学博士Hazrat Ali*，Aizat k.,yerkhan K.,zhandos T.and Anuar o.
a纳扎尔巴耶夫大学工程学院，阿斯塔纳，010000，哈萨克斯坦
文摘:介绍了一种面向工业应用的基于视觉的物体分类机器人机械手的开发过程。本研究的主要目的是将视觉系统与现有的Scorbot相结合，以扩大摄像机-机器人集成系统在工业上的应用能力。现代工业机器人Scorbot-ER 9 Pro是本研究的重点。目前，该机器人还没有一个完整的视觉系统。因此，为了实现目标，机器人抓手集成了一个摄像头。主要的困难包括建立相关的操作序列，开发相机和机器人之间的适当通信，以及系统组件的集成，如Matlab、Visual Basics和Scorbase。
关键词：机器人；视野；图像处理；编程。
1、介绍
此研究研发了一种实时、快速、准确的工业应用机器人机械手。机械臂由连接在一起的部件组成，可以通过预先编程或手动控制来执行机械运动。机械臂的各个部分具有与人类手臂相似的功能，被称为肩膀、肘部、基座等。为了实现对机器人的控制，采用了一种特定的高级控制语言(ACL)控制器。该控制器通过USB接口与上位机软件相结合。因此，在这个软件的帮助下，可以编写一个控制程序，然后发送给控制器进一步操纵机器人。最初，Scorbot - ER 9 Pro只能手动控制，但这项研究和开发是在视觉源的基础上进行的，从而实现了机器人的自动操作。为此，使用了Matlab、Visual Basics和Scorbase等软件程序。在机器人能够移动和执行操作之前，有几个步骤需要实现。初始阶段是物体的图像处理，通过与PC机相连的摄像机进行Matlab编码。在这一步中，获取目标位置的数字信息。在接下来的阶段中，将通过Visual basic环境处理和使用这些数据。通过与机器人相连的Scorbase软件。遵循所有的顺序，通过启动一个单独的脚本，使得机器人机械手具有良好的拾取和放置操作性能。
2、文献综述
机械臂在工业应用中得到了广泛的应用。它可以代替人类的劳动在琐碎的任务，可以被描述为重复或需要大量的升力。生产线上的人工劳动容易产生疲劳，取而代之的是具有高重复性和可靠性的机器人单元[1]。许多公司已经削减了用自动化系统取代人工的数量[2]。机械臂运动学可以被描述为坐标的变换(x, y, z)笛卡尔系统到系统的关节机器人的坐标角度(theta;1、theta;2，theta;3，theta;4) [3]。有两种主要类型：正运动学和逆运动学。从笛卡尔坐标系到关节系统的转换称为正运动学，反之则称为逆运动学。应用运动学的有效算法可以通过获得指向最短路径的动作来提高机器人的速度。Scorbot - ER 9 Pro机器人手臂具有5自由度和夹持器[4]。多轴关节允许效应器在一个大的工作空间中自由定位。
机器人手臂非常复杂，有5个或更多的自由度，可以精确地执行人工任务。然而，简单的系统仅限于硬编码的动作，不能适应任务范围的任何变化。系统规范取决于使用范围和应用程序。随着使用范围的增加，系统可能需要相应的修改以满足应用程序的需求。通常，这导致将特定的子系统实现到当前项目中，并作为现成的市场解决方案的替代方案[5]。Scorbot - ER 3机械臂经过了改进，增加了摄像头和标记，从而提高了系统的性能。系统实现了自主运动、颜色检测等功能。此外，还可以通过实现传感器并将其作为光点跟踪机器人来进一步扩展功能。计算机视觉处理一些问题和对象识别被认为是最高的优先级之一。这个项目处理基于大小和颜色的对象排序。关于颜色识别的研究非常广泛。例如，在[6]中描述了一个由三菱Movemaster RV-M1制造的机器人机械手，它集成了用于圆形物体图像处理的网络摄像头。只要有完善的条件，这个系统就被证明是完全成功的。然而，如果不指定颜色，成功率平均降低20%。
在[7]中，讨论了一种具有图像处理功能的机电一体化系统。本项目旨在通过引入图像处理技术来开发现有的分类系统。除此之外，[8]还讨论了使用两个CCD相机来完成柠檬分类任务。利用Visual Basic 6.0软件对柠檬的RGB颜色空间进行了评价。对于三个不同的柠檬等级，该系统的成功率从86.6%到100%不等。RGB分析方法在[9]中也被证明是成功的。在这项工作中，镜子被用来评估小麦的三个图像，从而增加了特征分析的数量。结果表明，增加计算机处理特征的数量可以在几乎不消耗计算能力的情况下提高系统的成功率。该系统比传统的单特征分类器的准确率高10%。在[10]中描述了一种使用自动视觉检查去除羊毛中污染物的分类系统。图像处理采用RGB和HSV方法，将其处理成单一图像，显示污染物的位置。据报道，该方法的准确率达到96%。本文利用色相、饱和度和强度色相系统，研究了高速[11]条件下水果的分类系统。本文的研究结果表明，仅使用色调这一单一参数就可以对颜色进行精确的分类，比传统的RGB系统提供了快3个等级的分类。然而，完美的照明应该为系统的运作。这个问题在[12]中得到了解决，在那里研究了葡萄干分选的各种闪电条件。Arduino kit被用作该项目的微控制器。对HSI系统的遗传算法GAHSI进行了测试。结果表明，GAHSI方法与闪电控制方法的性能相当。因此，该系统可以在有合理误差的可变条件下工作。
该工作的一个重要部分是为一个无意识的机器认知和识别的的被操作物体的形状和大小的自动识别。图像处理可以集成到ScorBot的2D和3D模型识别。用于尺寸和形状捕获的最常用技术是图像阈值化。该方法的主要思想是通过用白色像素代替某些阈值以上的像素，用黑色代替其他像素来生成二值图像[13]。对于三维模型，有两种识别尺寸和形状的方法：深度重建和基于知识的视觉[14]。对于深度重建方法，需要多个视点为了捕捉物体和它的深度，就像人类的眼睛所做的那样，然后在三维模型中传输它[15]。作者使用了4台摄像机来捕捉它的大小和形状，并用规定的方法创建三维模型。后来，这个模型被用来为ScorBot – ER 9Pro生成指令，用于装配和制造给定的对象。另一种方法是利用[14]描述的空间对应、证据推理和感知组织技术从二维投影中捕获三维物体。对于2D模型识别，目前有两个概念：捕获对象的度量与预定值的比较和神经网络相似性测试[16]。前一个概念在[17]中进行了描述，它定义了对象的边界，然后将其封装在边界框中。通过计算物体边界内的像素，可以推断出物体的大小和形状。模型在[18]中进行了解释。作者编写了ScorBot ER-4 Plus程序，用于可视化分类和对象的简单操作。后一个概念在[19]中描述的另一个作品中使用。一个机械臂用于对象分类应用。他们使用相机获得了目标的图片，并将其与神经网络预先构建的数据库中的每张图片进行比较。
3、方法
这个机器人是电动和气动启动的。它由电气和电子控制器、气动驱动系统、机械结构和传动元件组成。
3.1相机设置
该研究的目的是通过使Scorbot自动化，成为一个具有视觉源的智能机器人来改造Scorbot。因此，相机应该是机器人固有的一部分。由于Scorbot没有特别的地方集成摄像头，它的支架是由SolidWorks和制造商在3D打印机中设计的。视觉源必须尽可能靠近Scorbot原点，Scorbot原点被设计为抓手中心。然而，这是不可能的，因为相机的大小的限制。因此，它被计划安装在附近的抓手。如图1所示，有一个滑块空间和作为夹具的螺栓孔。
图2所示 带相机附件的Scorbot ER9 Pro夹具
图1所示 夹具结构
所有的尺寸都相应设置。我们选择塑料作为它的材料。原因是它是软的，它的大小可以很容易地手动改变。相机的位置在夹持器上，如图2所示。由于生产不准确，可能需要更改。最后，支架使用3D打印机制造，如图2所示。
3.2图像处理
图像处理是将一幅图像转换成数字形式，并对其进行一定的操作，以获得增强图像或从图像中获取某些信息的一种方法。此操作使用Matlab作为平台。如前所述，本项目的主要目标是获取块体的图像，识别块体的区域，对它们进行排序，得到它们的质心坐标并进行相应的排列。由于目标是使机器人能够基于视觉传感器对物体进行分类，因此实现了web摄像机与Matlab的集成。图3显示了用于图像处理的系统原理图。输出结果以对象坐标的形式表示，并通过Visual Basics将其发送到Scorbase。
图4所示 原始图像
图3所示 图像处理原理图
3.3数据采集
网络摄像头通过USB接口与PC机连接，作为MATLAB的可视化源。因此，需要对现有的图像采集硬件进行信息采集。为了执行这个任务，使用了imaqhwinfo(adaptorname, deviceID)函数。原始图像如下图4所示。结果是通过代码得到的。这些结果提供了关于网络摄像机的额外数据，并且非常有用，因为在创建算法时，适配器名称和设备id必须正确地指定。下一步是使用网络摄像头创建一个视频，然后在某一时刻捕捉放置在机器人抓手前面的物体的图像。这些物体是几个不同大小的圆形蜡。为了执行上述任务，使用了video input和getsnapshot函数。然后通过imwrite函数将图像保存在PC上，作为数据处理的输入。属性指定工具箱的颜色空间，以便在将图像数据返回到MATLAB工作区时使用。当需要使用getsnapshot函数访问所获得的图像数据时，这是相关的。RGB是最常用的颜色空间，其中RGB表示红-绿-蓝。在数字视频中还有一种广泛使用的彩色空间，那就是YCbCr。但是，它主要用于处理彩色图像。图5显示了每个对象图像的质心位置。图像处理步骤如下：
图5所示 重心的位置
3.4尺寸和形状识别
所有计算都基于下一个框图，并在MATLAB上执行。首先利用阈值技术对图像进行捕获和处理。使用regionprops命令确定每个区域的大小。通过对封闭区域内的每个非黑像素进行计数，得到图像的大小。这可以通过使用im2bw命令将图像转换为二进制图像(黑白图像)来轻松实现，im2bw命令创建的矩阵与数组uint8的维数相同，但是没有颜色项。该矩阵由元素组成，其中白色区域的值为1，黑色区域的值为0。每个元素表示原始图像中的一个像素。因此，任何区域的大小都可以用这些像素来计算。对于更精确的计算，知道了一些对象的面积和它的像素大小，面积度量可以计算出来。
图6所示 形状识别方框图
图7所示 二进制图像
图8所示 真实图像生成
图6为形状识别框图，图7为二值图像检测结果。图8突出显示了要检测的对象的实际形状。根据经验，如果范围等于0.78，则包围框内的形状为圆形。同样，如果区段大于0.25且小于0.5，则图形为三角形。对于一个矩形，比率应该在1左右。由于所捕获的图像和图像处理的不完善，这些值略有偏差，需要进行校准。对于一个可视的表示，程序在每个图形上写形状字母，就像在下一张图中可以看到的那样。图9总结了可以识别给定形状的所有面积比率。
图10所示 MATLAB表为Scorbot ER 9pro
图9所示 形状识别方框图
最后，构建一个如图10所示的表格，其中包含了每个图形的如下值：面积(以像素为单位)、中心点坐标(用于机器人导航)、颜色、形状和最终位置坐标(图形要移动到的位置)。这些值是Scorbot ER 9Pro操作所需要的。
4、建模、硬件集成和仿真
4.1轴传动比
输出轴移动轴的总传动比因此表示为：
表1 Scorbot ER 9Pro[20]的齿轮传动比
4.2建模与仿真
模拟从机器人连杆和关节的创建和放置开始。所有节点和连杆的长度在DH表中指定。这些表格包含了连杆和关节的数据，以及用于运动发展的连杆起点的位置。接下来，准备好所分配的连杆和关节的可视化，如图11所示。
图12所示 抓住物体时的Scorbot姿势
图11所示 Scorbot ER 9Pro链接和关节的可视化图
虚线表示链接和关节。每个链接的起点都放在前一个链接的末尾。用于连杆连接的接头；然而它们不动。机器人的动作和方向是根据每个连杆的原点来确定的。连杆、关节和原点用于放置Scorbot-ER 9 Pro的3D部件，它们的运动是Scorbot-ER 9 Pro运动学方法中必须考虑的。图12显示，通过设置目标点的坐标，机器人夹持器被打开并放置在夹持对象之前。利用ScorXYZPR2BSEPR和ScorSimSetGripper功能，可以很容易地模拟机器人的运动，如拾取和放置。图13展示了利用视觉系统进行快速准确的工业应用的机器人抓取器成功的放置物体。
图13所示 机器人把物体按顺序摆放
5、结论
这篇文章提出了一种基于视觉的机械臂自主物体分类系统。工业机器人Scorbot- ER 9Pro在整个研究过程中被使用，一个USB相机被安装在相机支架上，相机支架是由3D打印机制造的。相机支架安装在抓手上。该项目的目标是：
bull;确定对象规格使用图像处理技术
bull;
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237102]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
