基于机器视觉的超视场工件识别抓取系统

被引：22

作者：

刘正琼 ^{[1
]}

万鹏 ^{[1
]}

凌琳 ^{[2
]}

陈莉 ^{[2
]}

李学飞 ^{[2
]}

周文霞 ^{[1
]}

机构：

[1] 合肥工业大学计算机与信息学院

[2] 合肥工业大学机械工程学院

来源：

机器人 | 2018年 / 40卷 / 03期

关键词：

机器视觉; 智能机器人; 模板匹配; 机器人抓取;

D O I：

10.13973/j.cnki.robot.170365

中图分类号：

TP242 [机器人]; TP391.41 [];

学科分类号：

1111 ; 080203 ;

摘要：

目前,应用机器视觉系统进行工件检测时,对于工件体积相较单个相机视场范围较大的超视场工件,因无法拍摄出工件完整图片,因而存在工件识别困难以及定位不准等问题.针对这些问题,本文提出了一种基于机器视觉的超视场工件识别抓取系统WRGS(workpiece recognition and grabbing system).该系统无需拍摄工件完整图片,采用提取工件上特征点进行形状匹配的方法来实现对超视场工件的有效识别.系统定义了每类工件标准位置用于位姿计算,通过设计由粗到精抓取网络的方法,WRGS解决了超视场工件定位困难的问题,并提高了抓取精度.该系统能通过自学习来适应多种工件,从而提高了系统的柔性.通过实验例证,整个系统抓取时间小于6 s,落爪位置与目标在水平方向上的误差≤2 mm、高度误差≤0.2 mm、角度误差≤0.3°.

引用

页码：294 / 300+308 +308

页数：8

共 11 条

[1] 基于深度学习的工业分拣机器人快速视觉识别与定位算法 [J].

伍锡如 ;

黄国明 ;

孙立宁 .

机器人, 2016, 38 (06) :711-719

[2] 基于多模特征深度学习的机器人抓取判别方法 [J].

仲训杲 ;

徐敏 ;

仲训昱 ;

彭侠夫 .

自动化学报, 2016, 42 (07) :1022-1029

[3] SIFT和旋转不变LBP相结合的图像匹配算法 [J].

郑永斌 ;

黄新生 ;

丰松江 .

计算机辅助设计与图形学学报, 2010, 22 (02) :286-292

[4] 一种图像清晰度评价方法 [J].

徐贵力 ;

刘小霞 ;

田裕鹏 ;

程月华 ;

李鹏 .

红外与激光工程, 2009, 38 (01) :180-184

[5]

数字图像处理与机器视觉[M]. 人民邮电出版社 , 张铮, 2014

[6]

计算机视觉[M]. 机械工业出版社 , (美)LindaG.Shapiro, 2005

[7]

Evolution of Deep Belief Neural Network Parameters for Robot Object Recognition and Grasping[J] . Delowar Hossain,Genci Capi,Mitsuru Jindai.Procedia Computer Science . 2017

[8]

Tool-body assimilation model considering grasping motion through deep learning[J] . Kuniyuki Takahashi,Kitae Kim,Tetsuya Ogata,Shigeki Sugano.Robotics and Autonomous Systems . 2017

[9] Real-time Robust Six Degrees of Freedom Object Pose Estimation with a Time-of-flight Camera and a Color Camera [J].

Sun, Kaipeng ;

Hess, Robin ;

Xu, Zhihao ;

Schilling, Klaus .

JOURNAL OF FIELD ROBOTICS, 2015, 32 (01) :61-84

[10] Recognition of dynamic environments for robotic assembly on moving workpieces [J].

Robert Schmitt ;

Yu Cai .

The International Journal of Advanced Manufacturing Technology, 2014, 71 :1359-1369

← 1 2 →