基于机器视觉的机器人分拣技术研究

论文摘要

现代社会自动化程度越来越高,机器人的应用场合越来越广,基于机器视觉的机器人技术是当今机器人发展的一个热门方向。本文以MOTOMAN-UP6机器人为基础,构建了一个基于机器视觉的工业机器人分拣实验系统,该系统包括CCD相机、图像采集卡、PC机、机器人等。整个系统通过相机获取图像,采集卡将获得的模拟图像转换为数字图像,再由笔者开发的软件对数字图像进行处理,得出目标的分类及形心坐标,最后实现机器人运动,完成分拣作业。本文首先对相机标定技术展开了研究,在Matlab上实现了直接线性法、透视投影矩阵法和张正友法相机标定,并对这三种方法进行了比较,最终决定以张正友法作为本实验系统的相机标定方法。在静态目标识别中先对图像进行阈值分割,提取目标的面积、周长特征,采用聚类的方法进行目标分类。在动态目标跟踪方面,采用背景差分法提取运动目标,重点研究了最近邻法数据关联。在动态目标识别方面提出利用Kalman预测跟踪目标形心和模板匹配算法相结合的方法,该方法减少了匹配范围,提高了实时性。经过多次实验、调试和修改,笔者完成了一个初级的基于机器视觉的机器人分拣实验系统。实验证明了该分拣系统的可行性,为机器人分拣技术付诸实施提供了有益的参考,实验同时也反映了该系统的不足之处和今后需要加强研究的方向。

论文目录

• 致谢
• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 本文涉及的相关技术介绍
• 1.3 国内外机器视觉分拣系统的研究状况
• 1.3.1 国外的研究状况
• 1.3.2 国内的研究状况
• 1.4 课题研究的主要内容
• 1.4.1 课题的研究目标
• 1.4.2 课题的研究内容
• 第二章 相机标定
• 2.1 针孔模型
• 2.2 对相机标定方法的理解和归纳
• 2.2.1 直接线性法
• 2.2.2 透视投影矩阵法
• 2.2.3 张正友法
• 2.3 实验与结果分析
• 2.3.1 直接线性法的实现
• 2.3.2 透视投影矩阵法的实现
• 2.3.3 张正友法的实现
• 2.3.4 三种方法的比较
• 2.4 本章小结
• 第三章 目标提取与识别
• 3.1 目标提取
• 3.1.1 阈值分割方法
• 3.1.2 边缘检测方法
• 3.1.3 图像分割比较
• 3.2 目标识别
• 3.2.1 连通区域标记
• 3.2.2 周长特征
• 3.2.3 面积特征
• 3.2.4 圆度计算
• 3.2.5 矩特征
• 3.2.6 形心的确定
• 3.2.7 C-均值聚类分析
• 3.2.8 基于SIFT特征的目标识别
• 3.3 实验
• 3.3.1 聚类分拣试验
• 3.3.2 基于灰度直方图不变特征的匹配试验
• 3.4 本章小结
• 第四章 传送带上的目标分拣与机器人控制
• 4.1 运动目标检测
• 4.1.1 光流法
• 4.1.2 帧间差分法
• 4.1.3 背景差分法
• 4.2 垫圈模板的建立与识别
• 4.3 运动目标跟踪
• 4.3.1 目标跟踪的分类
• 4.3.2 多运动目标跟踪
• 4.3.3 Kalman滤波
• 4.3.4 运动模型的建立
• 4.4 数据关联
• 4.5 机器人运动控制
• 4.6 实验
• 4.6.1 多目标跟踪实验
• 4.6.2 kalman滤波的实现
• 4.6.3 机器人控制实验
• 4.7 小结
• 第五章 系统的设计思想与实现
• 5.1 系统的设计思想
• 5.2 硬件的选择
• 5.2.1 CCD相机
• 5.2.2 图像采集卡
• 5.2.3 镜头
• 5.3 本文的实验情况
• 5.3.1 静止目标分拣试验
• 5.3.2 运动目标分拣试验
• 5.4 本章小结
• 第六章 结论与展望
• 6.1 论文小结
• 6.2 后续展望
• 参考文献
• 附录
• 详细摘要
• Abstract