面向数字孪生的工业机械臂手眼标定方法的研究

针对传统机械臂视觉系统标定方法存在标定误差大、精度低以及标定过程复杂的问题，提出一种面向数字孪生的手眼标定方法，通过分析标定原理给出标定方法以及搭建机械臂孪生虚拟平台，实现虚实空间的数据交互。结果表明：提出的手眼标定方法具有抓取精度高、抓取性能良好的优势。     

基于机器视觉的轴承识别与定位算法研究

针对运用视觉技术对轴承进行质量检测与尺寸测量时,能够准确地识别定位到目标轴承,提出一种基于机器视觉的轴承识别与定位算法。通过对采集到的轴承图像进行预处理,分割出目标图像并提取图像的外轮廓边缘特征;设置轴承的模板图像,结合图像的Hu不变矩特征对轴承进行识别匹配;通过最小二乘法对图像边缘点进行圆拟合并采用迭代法进行修正,通过计算圆心的位置坐标,实现对轴承的定位。实验结果为：轴承的识别匹配度在0～0.03之间,定位误差在0.5像素以内,满足系统对轴承的识别定位精度要求。     

双机器人不同约束下的协调运动轨迹规划方法的研究

随着工业机器人在各行各业的广泛使用,单个机器人已不能满足大规模工件的搬运、复杂焊接和孔轴组装等要求。在双机器人的研究中,最重要的问题就是如何保证双机器人间的运动满足时间和空间约束,也就是双机器人的多重运动协调。文章用两台机械臂协同搬运和协同写字的实例分别分析了紧约束和松约束下的协同运动,对其运动学协调关系进行分析,通过工件或主体运动轨迹研究机器人约束关系,构建两双机协同体系;在Matlab中进行稳定性验证,并对所提出的理论进行可靠性验证。     

面向数字孪生的机械臂抓取系统碰撞检测方法的研究

机械臂运行过程中,机械臂之间及机械臂与外部环境中的人和物易发生碰撞,造成财产损失或人员受伤甚至死亡。针对此,在对比分析目前主流的路径规划算法后,将卷积神经网络与RRT Connect算法进行融合,弥补了原始算法随机性强、算法执行效率慢等缺点;同时将数字孪生引入到碰撞检测过程中,建立起虚实系统之间的数据交互,实现对抓取系统的实时监测。最后,基于CoppeliaSim软件搭建了机械臂孪生仿真平台并开展了仿真实验。结果表明：提出的检测方法具有抓取精度高、稳定性强及可靠性高的优势。     

基于深度学习的目标识别与抓取研究

针对机械臂抓取在工业生产中的复杂作业环境、不同零件之间存在干扰的问题,文章提出了一种基于深度学习的目标识别及抓取方法,以此来减少抓取场景中物体位置的不确定性,提高检测和抓取成功率。采用卷积注意力机制模块（convolutional block attention module,CBAM）对YOLO-V5进行改进,加强卷积网络对图像特征的关注和提取能力,提高检测精度。改进之后的网络平均识别率提高了5.26%,证明了改进是有效且成功的。通过AUBO-i5机械臂、电动夹爪、相机以及六轴力传感器等设备搭建了一套机械臂抓取系统,实验结果表明所提出的方法在实际抓取中可以适应不同的抓取场景,减少外界干扰,提高抓取成功率,具有良好的应用前景。     

基于改进YOLOv5s的工件识别检测算法

针对机器人在抓取目标工件的过程中由于光线强度变化、图像环境复杂和拍摄设备移动等造成的工件识别精度低的问题,文章提出一种改进YOLOv5s的工件识别检测算法。首先,通过数据增强扩充数据集并进行预处理;其次,使用改进的k-means聚类算法重新生成更有效的预设锚框,缩短收敛路径;然后,在特征融合网络中添加CBAM注意力机制,有效抑制背景信息干扰,提高特征提取速度;此外,将特征融合模块中原有的特征金字塔结构替换成加权双向特征金字塔Bi-FPN结构,实现高效的加权特征融合和双向跨尺度连接,提高网络对不同尺度特征的融合效率;最后,通过采用α-IoU作为边界框回归损失函数,提高模型的定位效果。结果表明,改进后的YOLOv5s算法对工件检测的mAP值提升了6.03%,检测速度提升了13.7 fps,验证了改进算法的有效性。