一种基于AGV及机器视觉进行工件自动上下料系统，包括AGV本体(1)，AGV本体(1)包括AGV底盘(11)和AGV控制器(12)，AGV控制器(12)安装在AGV底盘(1)内，其特征在于，在AGV底盘(11)安装有夹持系统(3)、视觉系统(4)和控制系统(2)，控制系统(2)安装在AGV底盘(11)上部，夹持系统(3)安装在控制系统(2)上，夹持系统(3)包括协作机器人(31)和机械手臂(32)，机械手臂(32)安装在协作机器人(31)端头；机器视觉技术使用工业机器人来代替人眼进行操作，减少人工操作带来的误差，而且可以取代人力生产的步骤。而且可以取代人力生产的步骤。而且可以取代人力生产的步骤。
【技术实现步骤摘要】
一种基于AGV及机器视觉进行工件自动上下料系统及方法
专利
[0001]本专利技术涉及智能制造、自动化控制和智能机器人
，更具体地说，涉及一种基于AGV底盘及机器视觉进行工件上下料的物流系统。
技术介绍
[0002]目前，在智能数字工厂中，物料的定点抓取、摆放等工作，主要依赖于AGV导航定位技术及串联机器人视觉补偿技术，使不同种类的机器人进行协作，完成作业流程。
[0003]现有的系统对工件的抓取运输，决定了工业机器人的应用效率和可靠性，目前主要有在线示教、离线编程和基于视觉技术等三种方法，示教和离线编程对工件进行定位，需要设计、制造、安装精度高的工装定位装置，设计较复杂，抓取率低，同时也增加了成本和生产周期。现有的轮廓检测方法，常会得到孤立的、小段连续的非目标轮廓，干扰工件轮廓的准确检测，降低检测效率和正确性，同时，采用传统的主轴法获取工件位置矢量数据后，还要考虑工件的夹持方向，给机器人末端带来不便，甚至干涉影响整体的上下料及运输效率。
[0004]鉴于此，有必要提供一种新型基于AGV底盘及机器视觉进行工件上下料的系统及方法来解决问题。
技术实现思路
[0005]本专利技术要解决的技术问题在于，针对现有技术中工业机器人定位抓取工件存在效率低、准确性差等缺点，本专利技术提供一种基于AGV底盘及机器视觉进行工件上下料系统和方法。
[0006]一种基于AGV及机器视觉进行工件自动上下料系统，包括AGV本体1，AGV本体1包括AGV底盘11和AGV控制器12，AGV控制器12安装在AGV底盘1内，其特征在于，在AGV底盘11安装有夹持系统3、视觉系统4和控制系统2，控制系统2安装在AGV底盘11上部，夹持系统3安装在控制系统2上，夹持系统3包括协作机器人31和机械手臂32，机械手臂32安装在协作机器人31端头；在协作机器人31端头上还安装有视觉系统4，视觉系统4包括视觉系统模块41和相机42，视觉系统模块41与相机42电路连接，视觉系统模块41又与控制系统2连接，所述的控制系统2包括PLC、人机交互界面22。
[0007]控制系统2上还设有应急开关21。
[0008]一种基于AGV及机器视觉进行工件自动上下料方法，其特征在于，包括视觉系统标定和执行运输过程，具体步骤如下：
[0009]视觉系统标定
[0010]步骤一：物料的准备和路径规划
[0011]将待拾取的工件物料放在一个托盘中，即作为物料仓，此步为上下料前准备工作；同时将AGV本体的路径通过RoboshopR规划完成；
[0012]步骤二：视觉系统4的标定
[0013]在完成视觉系统搭建的基础上，要对视觉系统4标定，标定步骤如下：
[0014]1)对相机进行标定，采用张正友标定法，获得相机内外参数和镜头畸变参数；
[0015]2)对视觉系统与机械臂进行手眼标定，采用九点标定法，获得相机坐标系与机器人坐标系间的转换关系。
[0016]步骤三：目标识别算法搭建
[0017]目标识别算法：分为两步骤；粗提取和精提取；
[0018]1)目标粗提取，采用yolo_v3神经网络对目标进行粗提取，具体流程如下：具体对待识别的三类工件进行样本图像采集，将三类工件按照乱序放置，改变其相对位置，共采集500张图像，其中400张图像作为训练图像，剩余100张图像作为测试图像。为了提高深度学习模型的识别鲁棒性，将训练图像进行分割、旋转、增加噪声等操作，将训练图像扩增到1000张，对训练图像进行人工标注，将图像中的三类目标工件分别进行框选，并命名为3种不同名称。利用darknet深度学习框架搭建yolo_v3神经网络，设定初始训练参数，将1000张已标注的训练图像输入yolo_v3神经网络中进行训练，直至网络收敛，获得训练好的神经网络模型。将100张测试图像输入神经网络模型进行预测，统计识别准确率，若识别准确率符合要求，则完成神经网络模型的搭建，否则修改训练参数，继续训练，重复以上步骤，直至识别准确率符合要求。
[0019]2)目标精提取，通过目标粗提取将识别到的不同工件进行框选，将框选区域作为目标区域，再利用阈值分割的方法对各个工件目标区域进行目标精提取，准确提取工件轮廓，并对轮廓形心进行拟合，最终获取工件准确位置。
[0020]步骤四：工件识别准确率验证
[0021]对工件图像进行获取，构建样本数据集，通过数据集训练卷积神经网络，使用训练后的模型进行图像分析处理，进行工件识别分类，由此完成工件识别检测算法的开发。构建工件识别测试集，使用训练好的神经网络模型进行识别测试。对识别结果准确率进行统计，并根据技术指标判断是否符合要求。
[0022]步骤五：工件拾取运输
[0023]将识别框选好的工件的目标位置和特征，得到工件的矢量信息，进行笛卡尔与关节坐标变换，然后反馈给夹持系统的夹持机构去抓取完成相关的执行动作。拾取之后，控制系统通过信号传输给AGV，进行不同工位间移动，具体过程如下，
[0024]a.AGV底盘11到达指定上下料位置，AGV底盘11内的AGV控制器12将位置到达信号发送给控制系统2的PLC；
[0025]b.控制系统2的PLC获得AGV控制器12的指令后，通过以太网通讯协议将拍照指令发送给视觉系统模块41；
[0026]c.视觉系统模块41接收到指令后，视觉系统模块41让相机42采集图像采集，获取当前工件图像；
[0027]d.视觉系统模块41获取图像后，执行目标识别算法，识别图像中的工件特征，对其进行分类及定位；
[0028]e.视觉系统模块41将图像信息、工件种类和位置发送给控制系统2的PLC；
[0029]f.控制系统2的PLC接收到图像信息数据后，将数据反馈给机械臂32；
[0030]g.机械臂32收到数据后，执行对工件的抓取操作；
[0031]h.抓取完毕后，机械臂32发送抓取完成指令给控制系统2的PLC；
[0032]i.控制系统2的PLC收到指令后，将指令反馈给AGV控制器12，AGV控制器12控制AGV底盘11完成运动指令，输送工件。
[0033]机器视觉技术使用工业机器人来代替人眼进行操作，减少人工操作带来的误差，视觉技术可以实现短时间内获取信息和自动处理，将视觉技术结合到制造业生产过程中，不但可以提升生产过程中的工作效率，而且可以取代人力生产的步骤。机器视觉对工业生产过程中的自动化程度给予了很大的帮助，未来将大规模地应用在生产流水线上。机器视觉通过代替人眼来采集图像信息，完成目标识别或轨迹执行，可连续稳定高效工作，同时也有助于实现分拣、搬运和监控等功能的统一管理，提高生产车间信息化水平。
附图说明
[0034]图1、本专利技术工作原理图；
[0035]图2、本专利技术结构示意图；
[0036]图3、本专利技术实施例结构示意图。
具体实施方式
[0037]本专利技术为达到上述目的所采用的技术方案为：一种基于AGV底盘及本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于AGV及机器视觉进行工件自动上下料系统，包括AGV本体(1)，AGV本体(1)包括AGV底盘(11)和AGV控制器(12)，AGV控制器(12)安装在AGV底盘(1)内，其特征在于，在AGV底盘(11)安装有夹持系统(3)、视觉系统(4)和控制系统(2)，控制系统(2)安装在AGV底盘(11)上部，夹持系统(3)安装在控制系统(2)上，夹持系统(3)包括协作机器人(31)和机械手臂(32)，机械手臂(32)安装在协作机器人(31)端头；在协作机器人(31)端头上还安装有视觉系统(4)，视觉系统(4)包括视觉系统模块(41)和相机(42)，视觉系统模块(41)与相机(42)电路连接，视觉系统模块(41)又与控制系统(2)连接，所述的控制系统(2)包括PLC、人机交互界面(22)。2.根据权利要求1所述的一种基于AGV及机器视觉进行工件自动上下料系统，其特征在于，控制系统(2)上还设有应急开关(21)。3.一种基于AGV及机器视觉进行工件自动上下料方法，其特征在于，包括视觉系统标定和执行运输过程，具体步骤如下：视觉系统标定步骤一：物料的准备和路径规划将待拾取的工件物料放在一个托盘中，即作为物料仓，此步为上下料前准备工作；同时将AGV本体的路径通过RoboshopR规划完成；步骤二：视觉系统(4)的标定在完成视觉系统搭建的基础上，要对视觉系统(4)标定，标定步骤如下：1)对相机进行标定，采用张正友标定法，获得相机内外参数和镜头畸变参数；2)对视觉系统与机械臂进行手眼标定，采用九点标定法，获得相机坐标系与机器人坐标系间的转换关系。步骤三：目标识别算法搭建目标识别算法：分为两步骤；粗提取和精提取；1)目标粗提取，采用yolo_v3神经网络对目标进行粗提取，具体流程如下：具体对待识别的三类工件进行样本图像采集，将三类工件按照乱序放置，改变其相对位置，共采集500张图像，其中400张图像作为训练图像，剩余100张图像作为测试图像。为了提高深度学习模型的识别鲁棒性，将训练图像进行分割、旋转、增加噪声等操作，将训练图像扩增到1000张，对训练图像进行人工标注，将图像中的三类目标工件分别进行框选，并命名为3种不同名称。利用darknet深度学习框架搭建yolo_v3神经网络，设定初始训练参数，将1...
【专利技术属性】
技术研发人员：张润凯，张洁茹，靳泽坤，
申请(专利权)人：北京新风航天装备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。