1. 研究目的与意义
社会发展、科技进步促使电子技术行业快速发展,工业领域的智能化、自动化程度随之提高。随着工业4.0的到来,工业零件生产中的大量人工工作逐步被高自动化的机器人取代,零件的分类是工业生产实践中的重要环节,其中针对机械零件的识别和分拣是关键。把机器视觉技术应用到机器人上,实现零件的自动分拣,是工业流水线智能化的趋势。机器视觉主要是用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际检测,测量和控制,机器视觉技术最大的特点是速度快,信息量大,功能多。
本课题将设计一款基于机器视觉的零件分拣系统,实现对零件的识别、收集、计数和运输。采用摄像头识别目标物体,相应的APP或网页下达命令控制分拣系统的操作。
2. 课题关键问题和重难点
基于机器视觉的零件分拣系统设计的关键子模块:
1)MCU:选用 MM32F3277G7P MCU,核 Arm Cortex-M3 ,外设丰富,生态完善,通过串口通信方式与其他模块相连,主要用于编译算法程序处理 OpenMV 采集的数据和 esp8266 的通信信息来控制电机驱动;
2)摄像头 OpenMV4 H7:主控为 STM32H7 ,实现目标零件的识别,获取并处理图像,将零件形状、大小、色彩、坐标等信息返回给 MCU 开发板;
3. 国内外研究现状(文献综述)
机器视觉技术在零件分拣系统中的应用的研究现状以及发展趋势:
2013年4月,“工业4.0”的战略被德国政府提出,主要目的是使制造业的智能化水平进一步提高。机器人的发展至关重要,直接影响到工业转型的速度,随着人工智能的兴起,出现了视觉、触觉和听觉等传感器,这让机器人变得更为智能。视觉传感器主要用于对目标位置姿态的测量,以便于进行控制,相比传统的机器人重复单一的动作,机器视觉能随目标信息的变化作出相应的调整,更好地适应周围环境变化[1]。随着机器视觉在工控分类的广泛应用,目前已经借助视觉分类和机器人控制技术达到了信息自动化采集与分类识别,完成自动分拣与搬运码物动作。如美国Adept公司研发的图像处理系统可以在复杂的光照条件完成目标的抓举与放置;德国KUKA机器人结合系统ISRA视觉技术,对2D与3D的零件进行识别,精确控制机器人预设方位完成任务。国内视觉技术起步较晚、发展迅速,但与国外的分拣精度与控制技术还存在一定差距。如台达集团研发的DMV机器视觉系统与机械手自由组合拾放系统[2]。
机器人分拣系统可以由图像捕捉模块、数据处理模块、机构执行模块以及信息监测模块组成,将视觉传感器获取外界环境的二维图像信息转化为模拟信号再转换得到数字信号,然后通过数据处理模块中编译的算法对信号进行处理和显示,向机构执行模块发送控制信号,让机器能够像人眼一样识别产品并自发地进行产品的分拣;通过信息监测模块对分拣数据进行在线统计、实时分析和反馈来提高产品识别精度和生产效率。因此,对物体准确操作的前提是物体的识别和精准定位[3]。
4. 研究方案
基于机器视觉的零件分拣系统的设计与实现:
1)摄像头OpenMV设置:采用二维舵机云台,通过PWM波控制舵机的转动角度,实现OpenMV上下180度左右180度跟随转动,当目标零件距离由远及近时,相比固定安装,有更多的缓冲时间进而更快速准确地进行追踪定位。
2)算法实现:PID算法用于控制二维舵机云台或智能小车的行进和转向;图像预处理——常用方法是对图像进行灰度处理,然后通过阈值去噪,而加权平均滤波算法可以保留图像边缘细节、更精准,为了减少无效背景信息、降低计算量,可以进行背景减除、裁剪零件区域、图像尺寸调整;颜色识别——对图像颜色识别程序运行比图像识别快,将零件颜色设置为主要识别目标可以快速准确地找到目标零件,RGB是典型的基色颜色空间,由红、绿、蓝三种基础色来描述物体的颜色特征,三原色按比例混合可以得到各种颜色,即用三维坐标可以表示各种颜色,缺点是随着颜色点增加信息量大增,不利于图像处理,而使用HSV颜色空间在描述颜色明暗和色调上更简便;图像识别——支持向量机SVM可以在高维特征空间中正确区分样本,但用训练集建立模型需要根据数据特征向量选择核函数和参数,在不同姿态和光照条件下,卷积神经网络CNN识别零件的准确率比支持向量机高,建立在YNU-BBD2020 数据集上的CL2D算法就不用大量数据进行练习并且效率精度高,缺点是碰到相似目标物体时仍会出错;机械手抓取目标零件进行分拣的路径规划可以采用BAS-GA算法快速找到最优解且求解精度高。
5. 工作计划
准备阶段:2022 年 12 月-2023 年 2 月
1)根据任务书分析课题需求、把握课题研究方向,查阅相关资料;
2)根据导师要求进行外文翻译,列出开题报告大纲;
以上是毕业论文开题报告,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。