CN107570430A - 机械装备维修过程中基于智能机器人的零部件分拣方法 - Google Patents
机械装备维修过程中基于智能机器人的零部件分拣方法 Download PDFInfo
- Publication number
- CN107570430A CN107570430A CN201711017014.4A CN201711017014A CN107570430A CN 107570430 A CN107570430 A CN 107570430A CN 201711017014 A CN201711017014 A CN 201711017014A CN 107570430 A CN107570430 A CN 107570430A
- Authority
- CN
- China
- Prior art keywords
- parts
- identified
- sorting
- mechanical equipment
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 108
- 230000008569 process Effects 0.000 title claims abstract description 40
- 238000009434 installation Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 239000007787 solid Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种机械装备维修过程中基于智能机器人的零部件分拣方法，首先对维修过程建模与待安装零部件排序；然后确定待安装零部件基本特征参数；采用智能机器人抓取待识别零部件，将待识别零部件从原始摆放区域抓取到识别区域，获取待识别零部件的特征参数，根据前面确定的每个待安装零部件的基本特征参数对待识别零部件进行识别，通过重力识别、图像识别或信息融合识别方法确定待识别零部件在机械装备维修任务中的安装顺序编号；最后由智能机器人按照识别得到的安装顺序编号将各零部件按次序存放在立体货架上。本发明可自动化地对回装零部件进行识别和分拣，降低了维修人员的负担；同时零部件按序摆放，避免了装配过程中发生人为差错。
Description
技术领域
本发明属于装备维修保障技术领域，特别是一种机械装备维修过程中的零部件分拣方法。
背景技术
各种军用车辆、火炮等机械装备在中修和大修过程中，需要对其动力、传动等装置进行全面分解，然后清洗各种零部件并对其质量进行检测和修复，更换不可用的零部件后再进行回装。由于机械装置的零部件品种数量众多，在传统维修车间摆放较为凌乱，回装过程寻找非常麻烦，另外由于缺乏维修过程引导，容易出现安装遗漏和顺序错误，造成维修返工。
为提升机械装备维修回装效率，避免出现各种维修差错，需要采用自动化的回装零部件分拣方法。采用智能分拣机器人系统，可以准确识别各种待装零部件，并按次序摆放到货架中，极大程度地方便维修人员按顺序取拿和装配，引导维修人员按正确规程完成维修操作。
当前应用于装备制造领域的分拣机器人可以实现固定工位的物品夹持与摆放，所分拣的一般是同一类物品，对机器人的运动与识别能力要求不高。在电子商务和物流快递领域，近几年出现了一些分拣机器人，其功能主要是利用自动小车来实现货品固定位置的装卸，从传送带接收待分拣货品置于小车上方，小车自动运送到特定地点，由自身顶杆顶出货品放置面，将货品倾斜倒置坑洞，这种机器人对末端操作能力要求不高，也不要求自身具备对货品的识别能力。
由于维修厂房布局较为紧凑，难以容纳多个自动小车及其轨道。更为重要的是，待分拣零部件清洗之后摆放于地面，同时货架也是立体式布局，必须要求分拣机器人有较强的活动、识别、夹持与立体空间操作能力。因此，传统的分拣机器人难以应用于机械装备维修过程中的零部件分拣。
发明内容
针对现有技术存在的缺陷，本发明提供一种机械装备维修过程中基于智能机器人的零部件分拣方法。
为实现上述目的，本发明的技术方案是：
一种机械装备维修过程中基于智能机器人的零部件分拣方法，包括以下步骤：
步骤一、维修过程建模与待安装零部件排序
建立机械装备的维修过程模型：采用层次化建模方法建立三层维修任务分解模型，从上到下将机械装备维修任务按先后关系分解为一系列顺序执行的维修活动，再将每个维修活动划分为若干维修作业单元。
按照维修作业单元的安装顺序，从先到后遍历所有的维修作业单元，对其中所有待安装的零部件进行编号，该编号对应了各待安装零部件在机械装备维修任务中的安装顺序编号。
步骤二、待安装零部件基本特征参数确定
确定步骤一中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征包括长宽高、重量、横截面周长、孔径、实体面积或/和空心面积等。每一个待安装零部件的特征视情况有所不同；
步骤三、采用智能机器人抓取待识别零部件，将待识别零部件从原始摆放区域抓取到识别区域，获取待识别零部件的特征参数，根据步骤二中确定的每个待安装零部件的基本特征参数对待识别零部件进行识别，确定待识别零部件在对应的在机械装备维修任务中的安装顺序编号；
步骤四、智能机器人按照识别得到的安装顺序编号，将各待识别零部件存放在立体货架对应的位置上。
进一步地，本发明步骤三中根据步骤二中确定的每个待安装零部件的基本特征参数对待识别零部件进行识别，其步骤如下：
3.1对于待识别的零部件，首先获取其重量，若其重量属于步骤二中确定的某一待安装零部件重量的上下误差范围内，且步骤二中确定的该待安装零部件重量的上下误差范围与其他所有待安装零部件重量的上下误差范围均没有重叠取值区间(即没有交集)的，则认为该待识别零部件即为该待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号；
3.2对于待识别的零部件，若其重量属于步骤二中确定的一个以上待安装零部件重量的上下误差范围内，则对该待识别零部件进行下一步的图像识别，通过摄像头捕获该待识别零部件的图像信息，获取其特征参数集，特征参数集中的特征参数包括长宽高、横截面周长、孔径、实体面积或/和空心面积，将各个特征参数与步骤二中确定的每个待安装零部件的基本特征参数的标准值及其上下误差范围进行比较，若该待识别零部件的特征参数属于步骤二中确定的某一待安装零部件的相应基本特征参数的上下误差范围内且步骤二中确定的该待安装零部件的各个基本特征参数的上下误差范围与其他所有待安装零部件的基本特征参数的上下误差范围不全部有重叠取值区间(即不全部有交集，有的有交集，有的没有交集)的，则认为该待识别零部件即为该待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号；
3.3对于通过步骤3.1和步骤3.2还没有识别到在维修任务中的安装顺序编号的待识别零部件，采用多个特征参数进行信息融合识别方法进行识别，直至所有待识别的零部件确定了在机械装备维修任务中的安装顺序编号。
本发明步骤3.2中，通过摄像头捕获待识别零部件的图像信息后按以下步骤进行处理，获取其长宽高、横截面周长、孔径、实体面积、空心面积等的特征参数，其中涉及到的方法均是本领域的惯用技术手段或者公知常识。
①对零部件图像进行预处理，包括图像增强、中值滤波和孤立点除噪。
②对图像进行边缘检测。考虑零件与背景图像的差异，按照阶跃性边缘进行处理，采用空域微分算子，将其模板与图像卷积来进行，选用高斯型边缘检测算法。
③为解决背景噪声对零部件对象的干扰，采用自适应阈值法，对图像进行二值化处理。
④对于轴系、密封圈等零部件，进行轮廓跟踪，识别孔洞等显著特征。
⑤基于轮廓跟踪图像，进行区域内的特征参数计算，包括周长、面积、重心及零件的形状参数等。
为了解决单个特征识别零部件过程所存在的错误风险，采用D-S证据理论进行不确定推理，它具有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性。因此本发明步骤3.3中，采用重量和几何特征(几何特征包括长宽高、横截面周长、孔径、实体面积或/和空心面积)等多个参数进行信息融合识别方法进行识别，其方法如下：
①对于通过步骤3.1和步骤3.2还没有识别到安装顺序编号的待识别零部件，如果存在模糊关系难以区分，则建立一个新的命题穷举集合用辨识框架Θ表示，即：
Θ＝{θ1,θ2,…θn}
其中，θi成为辨识框架Θ的一个单子，是识别技术做出决策或判断的结论，即为待识别的某个零部件。
②定义集函数m:2Θ→[0,1]，其中2Θ为Θ的幂集，满足：
则称m为辨识框架Θ上的基本可信度分配；Φ是空集，m(Φ)指的是对空集的分配。m(A)称为A的基本可信度，基本可信度反映了对A本身的信度大小；对于A是辨识框架Θ中的一个子集，如果m(A)>0，则称A为信度函数Bel的焦元；
定义信度函数：
则Bel:2Θ→[0,1]为辨识框架Θ上的信度函数。Bel描述了对A的总信度。
分别将步骤3.1得到的重量特征参数和步骤3.2图像识别出的每个特征参数作为独立的特征证据体，定义基本可信度分配方法如下：假设某一待安装零部件的特征证据体的标准值为αi且其上下误差范围为[αimin,αimax]，某一待识别零部件的特征参数的实测值为ξi且ξi∈[αimin,αimax]，则其m:2Θ→[0,1]为：
③Dempster合成
对于同一辨识框架上基于不同特征证据体的信度函数，利用Dempster合成法则计算出一个总的信度函数，作为那几个不同特征证据体联合作用下产生的信度函数。
设Bel1，…，Belp是同一辨识框架Θ上的p个证据体相对应的独立信度函数，m1，…,mp是对应的基本可信度分配，A是辨识框架Θ中的一个子集，对应于Beli的焦元分别为：其中i＝1,2,…,p，ki为对应的焦元数。
设定义函数m:2Θ→[0,1]，则合成后的基本可信度分配为：
其中k反应了各个特征证据体之间冲突程度，为归一化因子，分别为的基本可信度。
得到证据对辨识框架Θ中所有命题(即对应待识别的零部件)的信度和证据的不确定度m(Θ)后，选用以下基于基本可信度分配的决策规则确定出诊断结论Ac，即待识别零部件即为某一待安装零部件，该待识别零部件在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号。具体决策规则可采取如下3种规则中的某一种：规则1为m(Ac)＝max{m(Ai)}；i＝1,2,…,n；规则2为m(Ac)―m(Ai)>ε，m(Ac)－m(Θ)>ε,其中域值ε>0；规则3为m(Θ)<γ，其中域值γ>0。
本发明还提供一种机械装备维修过程中基于智能机器人的零部件分拣系统，包括智能机器人本体以及立体货架，所述智能机器人本体包括有能够实现移动的移动底座、能够实现零部件抓取的机械臂以及机械手，所述智能机器人本体内置有运动控制系统，能够实现机械臂运动控制、自主轨迹控制和抓握与释放控制，其特征在于：该系统还包括分拣识别装置，所述分拣识别装置包括分拣存储单元、分拣检测单元和分拣计算单元，所述分拣存储单元用于存储机械装备维修任务中所有待安装零部件的安装顺序以及相应的安装顺序编号，同时还存储有存储机械装备维修任务中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征参数包括长宽高、重量、横截面周长、孔径、实体面积、空心面积；所述分拣检测单元包括重量传感器和摄像头，重量传感器将检测到待识别零部件的重量参数以及摄像头检测的待识别零部件的图像信息均传送给分拣计算单元，所述分拣计算单元通过重量识别方法、图像识别方法或/和信息融合识别方法对待识别零部件进行识别，确定该待识别零部件在机械装备维修任务中的安装顺序编号，智能机器人将经分拣计算单元识别后的零部件按照识别到的安装顺序编号依次摆放在立体货架上。其中，所涉及到的重量识别方法、图像识别方法、信息融合识别方法在上面步骤3.1、步骤3.2以及步骤3.3中已经详细的描述，在此不再赘述。
进一步地所述检测单元和识别单元可以直接加载在智能机器人上。也就是本发明还提供了一种能够应用于机械装备维修过程中实现零部件分拣的智能机器人，该智能机器人本体包括有能够实现移动的移动底座、能够实现零部件抓取的机械臂以及机械手，所述智能机器人本体内置有运动控制系统，能够实现机械臂运动控制、自主轨迹控制和抓握与释放控制，其特征在于：该系统还包括分拣识别装置，所述分拣识别装置包括分拣存储单元、分拣检测单元和分拣计算单元，所述分拣存储单元用于存储机械装备维修任务中所有待安装零部件的安装顺序以及相应的安装顺序编号，同时还存储有存储机械装备维修任务中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征参数包括长宽高、重量、横截面周长、孔径、实体面积、空心面积；所述分拣检测单元包括重量传感器和摄像头，重量传感器将检测到待识别零部件的重量参数以及摄像头检测的待识别零部件的图像信息均传送给分拣计算单元，所述分拣计算单元通过重量识别方法、图像识别方法或/和信息融合识别方法对待识别零部件进行识别，确定该待识别零部件在机械装备维修任务中的安装顺序编号。其中，所涉及到的重量识别方法、图像识别方法、信息融合识别方法在上面步骤3.1、步骤3.2以及步骤3.3中已经详细的描述，在此不再赘述。
立体货架用于存放识别后的零部件，由机器人按顺序进行摆放，由高到低由左到右进行编号。为防止零件滚动，所有货架存放单元均采用托盘结构，底部较低、四周突出。对于复杂机械装备，如单台货架存储单元数量不足，可以采用多台货架进行横向排列，机器人摆放时的位置有所改变，对机器人运动控制进行相应调整。
本发明的有益技术效果是：
本发明方法的特点是利用机器人来进行机械装备维修过程的零部件分拣，将清洗出的待装零部件识别出来，并按序置放于固定货架上，方便维修人员在维修过程中按序进行取拿，从而严格遵守维修流程进行装配。为增强机器人对零部件的识别能力，同时避免机器人本身增加过多的开发成本，采用固定式视觉和重力识别装置，可以准确地对各种齿轮、轴承等进行识别。本发明的优点：一是自动化地对回装零部件进行识别和分拣，极大地降低了维修人员的负担；二是零部件按序摆放，避免了装配过程中发生人为差错；三是具有较强的普适性，能够方便地应用于需要拆解的各种机械装备小修、中修和大修。
附图说明
图1是一种机械装备维修过程中基于智能机器人的零部件分拣系统的功能组成图。
图2是一种机械装备维修过程中基于智能机器人的零部件分拣方法的流程图。
图3是基于智能机器人的零部件分拣区域布置示意图。
图4是机械装备回装任务三层维修流程模型。
图5是某型车辆传动装置回装流程示意图。
图6是分拣后得到的部分零部件摆放顺序示意图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
参照图1，为本发明一种机械装备维修过程中基于智能机器人的零部件分拣系统的功能组成图。该系统包括智能机器人本体以及立体货架，所述智能机器人本体包括有能够实现移动的移动底座、能够实现零部件抓取的机械臂以及机械手，所述智能机器人本体内置有运动控制系统，能够实现机械臂运动控制、自主轨迹控制和抓握与释放控制。该系统还包括分拣识别装置，所述分拣识别装置包括分拣存储单元、分拣检测单元和分拣计算单元，所述分拣存储单元用于存储机械装备维修任务中所有待安装零部件的安装顺序以及相应的安装顺序编号，同时还存储有存储机械装备维修任务中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征参数包括长宽高、重量、横截面周长、孔径、实体面积、空心面积；所述分拣检测单元包括重量传感器和摄像头，重量传感器将检测到待识别零部件的重量参数以及摄像头检测的待识别零部件的图像信息均传送给分拣计算单元，所述分拣计算单元通过重量识别方法、图像识别方法或/和信息融合识别方法对待识别零部件进行识别，确定该待识别零部件在机械装备维修任务中的安装顺序编号，智能机器人将经分拣计算单元识别后的零部件按照识别到的安装顺序编号依次摆放在立体货架上。
图2是一种机械装备维修过程中基于智能机器人的零部件分拣方法的流程图，本发明包括以下步骤：
步骤一、维修过程建模与待安装零部件排序
建立机械装备的维修过程模型：采用层次化建模方法建立三层维修任务分解模型，从上到下将机械装备维修任务按先后关系分解为一系列顺序执行的维修活动，再将每个维修活动划分为若干维修作业单元。这样可将复杂的维修任务描述转化为易于理解和操作的若干维修作业单元。
按照维修作业单元的安装顺序，从先到后遍历所有的维修作业单元，对其中所有待安装的零部件进行编号，该编号对应了各待安装零部件在机械装备维修任务中的安装顺序编号。
步骤一中建立机械装备的维修过程模型可以采用本领域中常规的建模方法，如本实施例中所采用的-层次化建模方法建立三层维修任务分解模型。
步骤二、待安装零部件基本特征参数确定
确定步骤一中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征参数包括长宽高、重量、横截面周长、孔径、实体面积、空心面积等。误差上限一般由制造工艺与物质表面沉积造成，下限一般由磨损与制造误差引起。基本特征参数的标准值及其上下误差范围一般在相应的产品说明书中可以查到。
步骤三、采用智能机器人抓取待识别零部件，将待识别零部件从原始摆放区域抓取到识别区域，获取待识别零部件的特征参数，根据步骤二中确定的每个待安装零部件的基本特征参数对待识别零部件进行识别，确定待识别零部件在对应的在机械装备维修任务中的安装顺序编号；
本发明识别方式包括三类：(1)对于轴系、齿轮、轴承等的尺寸和重量较大，一般与其它零部件重量有明显差异，优先采用重力识别方法进行识别。(2)对于密封圈、紧固件等尺寸和重量较小，重量差异不明显，可以进一步采用图像识别方法进行识别。(3)对于重量及外形等与其它零部件有交集的零部件，为提高识别精度，需联合采用多个特征参数进行信息融合识别。
具体地，根据步骤二中确定的每个待安装零部件的基本特征参数对待识别零部件进行识别，其步骤如下：
3.1对于待识别的零部件，首先获取其重量，若其重量属于步骤二中确定的某一待安装零部件重量的上下误差范围内，且步骤二中确定的该待安装零部件重量的上下误差范围与其他所有待安装零部件重量的上下误差范围均没有重叠取值区间(即没有交集)的，则认为该待识别零部件即为该待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号。
3.2对于待识别的零部件，若其重量属于步骤二中确定的一个以上待安装零部件重量的上下误差范围内，则对该待识别零部件进行下一步的图像识别，通过摄像头捕获该待识别零部件的图像信息，获取其长宽高、横截面周长、孔径、实体面积或/和空心面积中的特征参数集，将各个特征参数与步骤二中确定的每个待安装零部件的基本特征参数的标准值及其上下误差范围进行比较，若该待识别零部件的特征参数属于步骤二中确定的某一待安装零部件的相应基本特征参数的上下误差范围内，且步骤二中确定的该待安装零部件的各个基本特征参数的上下误差范围与其他所有待安装零部件的基本特征参数的上下误差范围并非全部有重叠取值区间(即步骤二中确定的该待安装零部件的各个基本特征参数的上下误差范围与其他所有待安装零部件的基本特征参数的上下误差范围并非全部都有交集，有的有交集，有的没有交集)的，则认为该待识别零部件即为该待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号。
步骤3.2中，通过摄像头捕获待识别零部件的图像信息后按以下步骤进行处理，获取其长宽高、横截面周长、孔径、实体面积、空心面积等的特征参数，其中涉及到的方法均是本领域的惯用技术手段或者公知常识。
①对零部件图像进行预处理，包括图像增强、中值滤波和孤立点除噪。
②对图像进行边缘检测。考虑零件与背景图像的差异，按照阶跃性边缘进行处理，采用空域微分算子，将其模板与图像卷积来进行，选用高斯型边缘检测算法。
③为解决背景噪声对零部件对象的干扰，采用自适应阈值法，对图像进行二值化处理。
④对于轴系、密封圈等零部件，进行轮廓跟踪，识别孔洞等显著特征。
⑤基于轮廓跟踪图像，进行区域内的特征参数计算，包括周长、面积、重心及零件的形状参数等。
3.3对于通过步骤3.1和步骤3.2还没有识别到对应的在机械装备维修任务中的安装顺序编号的待识别零部件，采用重量和几何特征等多个参数参数进行信息融合识别方法进行识别，直至所有待识别的零部件确定了其对应的在机械装备维修任务中的安装顺序编号。
为了解决单个特征识别零部件过程所存在的错误风险，采用D-S证据理论进行不确定推理，它具有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性。因此本发明步骤3.3中，采用多个特征参数进行信息融合识别方法进行识别，其方法如下：
①对于通过步骤3.1和步骤3.2还没有识别到安装顺序编号的待识别零部件，如果存在模糊关系难以区分，则建立一个新的命题穷举集合用辨识框架Θ表示，即：
Θ＝{θ1,θ2,…θn}
其中，θi成为辨识框架Θ的一个单子，是识别技术做出决策或判断的结论，即为待识别的某个零部件。
②定义集函数m:2Θ→[0,1]，其中2Θ为Θ的幂集，满足：
则称m为辨识框架Θ上的基本可信度分配；Φ是空集，m(Φ)指的是对空集的分配。m(A)称为A的基本可信度，基本可信度反映了对A本身的信度大小；对于A是辨识框架Θ中的一个子集，如果m(A)>0，则称A为信度函数Bel的焦元；
定义信度函数：
则Bel:2Θ→[0,1]为辨识框架Θ上的信度函数。Bel描述了对A的总信度。
分别将步骤3.1得到的重量特征参数和步骤3.2图像识别出的每个特征参数作为独立的特征证据体，定义基本可信度分配方法如下：假设某一待安装零部件的特征证据体的标准值为αi且其上下误差范围为[αimin,αimax]，某一待识别零部件的特征参数的实测值为ξi且ξi∈[αimin,αimax]，则其m:2Θ→[0,1]为：
③Dempster合成
对于同一辨识框架上基于不同特征证据体的信度函数，利用Dempster合成法则计算出一个总的信度函数，作为那几个不同特征证据体联合作用下产生的信度函数。
设Bel1，…，Belp是同一辨识框架Θ上的p个证据体相对应的独立信度函数，m1，…,mp是对应的基本可信度分配，A是辨识框架Θ中的一个子集，对应于Beli的焦元分别为：其中i＝1,2,…,p，ki为对应的焦元数。
设定义函数m:2Θ→[0,1]，则合成后的基本可信度分配为：
其中k反应了各个特征证据体之间冲突程度，为归一化因子，分别为的基本可信度。
得到证据对辨识框架Θ中所有命题(即对应待识别的零部件)的信度和证据的不确定度m(Θ)后，选用以下基于基本可信度分配的决策规则确定出诊断结论Ac，即待识别零部件即为某一待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号。具体决策规则可采取如下3种规则中的某一种：规则1为m(Ac)＝max{m(Ai)}；i＝1,2,…,n；规则2为m(Ac)―m(Ai)>ε，m(Ac)－m(Θ)>ε,其中域值ε>0；规则3为m(Θ)<γ，其中域值γ>0。
步骤四、通过智能机器人按照识别得到的安装顺序编号将各待识别零部件按次序存放在立体货架上。
立体货架用于存放识别后的待装零部件，由机器人按顺序进行摆放，由高到低由左到右进行编号。为防止零件滚动，所有货架存放单元均采用托盘结构，底部较低、四周突出。对于复杂机械装备，如单台货架存储单元数量不足，可以采用多台货架进行横向排列，机器人摆放时的位置有所改变，对机器人运动控制进行相应调整。
下面给出本发明的一工程实例：
对某型车辆传动装置进行维修，在分解传动装置后对其所有的零部件进行清洗、修复和检测，采用新件来补充故障和废弃的部件，所有待回装的部件置于维修工件原始放置区。机械装备维修过程中基于智能机器人的零部件分拣系统主要由智能机器人本体、分拣识别装置、立体货架等组成。如图3所示，图3给出了机械装备维修过程中基于智能机器人的零部件分拣系统的分拣区域布置示意图。
依据以上方案，利用本发明进行工件智能分拣的步骤为：
(I)按照图4所示的机械装备回装任务三层维修流程模型，建立该车辆传动装置的维修过程模型，主要包括变速箱地板和箱体连接、安装固定轴、安装两齿轮和齿轮中间套筒、安装主轴、安装花键导向轴、安装轴承端盖、安装滑动拨叉、调整齿轮啮合面宽度差等维修活动，对于每个复杂的步骤还需进一步分解为具体的作业工序，如图5所示。
(II)根据回装作业工序的先后，进一步确定每个零部件的编号和基本参数。比如第一个维修步骤中所涉及的两个工件，变速箱底板编号为01，标称重量为3.562Kg，考虑制造误差和磨损等因素的重量分布区间为[3.558Kg,3.574Kg]；形状为矩形，尺寸为75.41mm*86.65mm，周长为324.12mm，分布区间为[322.09mm,325.78mm]。
(III)统计、分析该车辆传动装置的所有轴系、齿轮、轴承、密封圈、紧固件所有重量和形状参数，确定识别方式。对于重量分布区间无交叠的工件确定采用重量识别方式，如步骤II中的变速箱底板和齿轮箱箱体就无重量交叠(当然还需和所有其他的工件进行比较)；而对于重量分布区间有重叠的工件，优先采用图像识别方式，比如某深沟球轴承1的重量分布区间为[1.356Kg,1.374Kg]，另一角接触球轴承2的重量分布区间为[1.363Kg,1.381Kg]，两者的分布空间存在交叠，需要进一步进行图像识别。
(IV)利用机器人逐个抓取所有工件，置于固定式识别装置上，采用上一步所确定的方式进行识别。对于重量识别，直接进行参数判读。对于要进行图像识别方式的工件，要进行图像增强、中值滤波、孤立点降噪、边缘检测、二值化处理等步骤，识别轮廓和孔洞等特征，在此基础上，进一步识别出周长、面积和孔径等参数。
(V)对于重量识别与图像识别均存在不确定的零部件，比如对于(III)中的深沟球轴承1和角接触球轴承2，通过图像识别得到的周长与孔径仍难以分辨，需要采用基于证据理论的信息融合识别方法：
①建立信息融合辨识框架Θ＝{θ1,θ2}，θ1对应焦元A表示深沟球轴承1；θ2对应焦元B，表示角接触球轴承2。
②进行基本可信度分配，三个证据体E1、E2、E3分别为重量、周长与孔径特征，利用公式(2)进行基本可信度分配，假设分配的结果如下，三个证据体均具有较强的不确定度。
E1:m1(A)＝0.367，m1(B)＝0.633
E2:m2(A)＝0.453，m2(B)＝0.547
E3:m3(A)＝0.525，m3(B)＝0.475
③进行Dempster合成。采用公式(3)进行计算，得到的结果为：
m(A)＝0.308，m(B)＝0.581，m(Θ)＝0.111
选用规则1进行决策，可以认为机械臂所操作的零部件为B，即为角接触球轴承2。
(VI)在利用固定式识别装置识别出工件后，进一步判断工件的编号和在立体货架中的摆放位置，机器人再次抓握该工件，移动到立体货架区域，将各个工件置于所对应的位置。图6是分拣后得到的部分零部件摆放顺序示意图。
综上所述，虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明，任何本领域普通技术人员，在不脱离本发明的精神和范围内，当可作各种更动与润饰，因此本发明的保护范围当视权利要求书界定的范围为准。
Claims (5)
1.一种机械装备维修过程中基于智能机器人的零部件分拣方法，其特征在于，包括以下步骤：
步骤一、维修过程建模与待安装零部件排序
建立机械装备的维修过程模型：采用层次化建模方法建立三层维修任务分解模型，从上到下将机械装备维修任务按先后关系分解为一系列顺序执行的维修活动，再将每个维修活动划分为若干维修作业单元；
按照维修作业单元的安装顺序，从先到后遍历所有的维修作业单元，对其中所有待安装的零部件进行编号，该编号对应了各待安装零部件在机械装备维修任务中的安装顺序编号；
步骤二、待安装零部件基本特征参数确定
确定步骤一中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征参数包括长宽高、重量、横截面周长、孔径、实体面积或/和空心面积；
步骤三、采用智能机器人抓取待识别零部件，将待识别零部件从原始摆放区域抓取到识别区域，获取待识别零部件的特征参数，根据步骤二中确定的每个待安装零部件的基本特征参数对待识别零部件进行识别，确定待识别零部件在对应的在机械装备维修任务中的安装顺序编号；
步骤四、智能机器人按照识别得到的安装顺序编号将各待识别零部件按次序存放在立体货架对应的位置上。
2.根据权利要求1所述的机械装备维修过程中基于智能机器人的零部件分拣方法，其特征在于：步骤三中根据步骤二中确定的每个待安装零部件的基本特征参数对待识别零部件进行识别，其步骤如下：
3.1对于待识别的零部件，首先获取其重量，若其重量属于步骤二中确定的某一待安装零部件重量的上下误差范围内，且步骤二中确定的该待安装零部件重量的上下误差范围与其他所有待安装零部件重量的上下误差范围均没有重叠取值区间的，则认为该待识别零部件即为该待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号；
3.2对于待识别的零部件，若其重量属于步骤二中确定的一个以上待安装零部件重量的上下误差范围内，则对该待识别零部件进行下一步的图像识别，通过摄像头捕获该待识别零部件的图像信息，获取其特征参数集，特征参数集中的特征参数包括长宽高、横截面周长、孔径、实体面积或/和空心面积，将各个特征参数与步骤二中确定的每个待安装零部件的基本特征参数的标准值及其上下误差范围进行比较，若该待识别零部件的特征参数属于步骤二中确定的某一待安装零部件的相应基本特征参数的上下误差范围内且步骤二中确定的该待安装零部件的各个基本特征参数的上下误差范围与其他所有待安装零部件的基本特征参数的上下误差范围不全部有重叠取值区间的，则认为该待识别零部件即为该待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号；
3.3对于通过步骤3.1和步骤3.2还没有识别到在机械装备维修任务中的安装顺序编号的待识别零部件，采用多个特征参数进行信息融合识别方法进行识别，直至所有待识别的零部件确定了在机械装备维修任务中的安装顺序编号。
3.根据权利要求2所述的机械装备维修过程中基于智能机器人的零部件分拣方法，其特征在于：步骤3.3中，多个特征参数包括重量和几何特征，几何特征包括长宽高、横截面周长、孔径、实体面积或/和空心面积；
采用多个特征参数进行信息融合识别方法进行识别，其方法如下：
①对于通过步骤3.1和步骤3.2还没有识别到安装顺序编号的待识别零部件，如果存在模糊关系难以区分，则建立一个新的命题穷举集合用辨识框架Θ表示，即：
Θ＝{θ1,θ2,…θn}
其中，成为辨识框架Θ的一个单子，即为待识别的某个零部件；
②定义集函数m:2Θ→[0,1]，其中2Θ为Θ的幂集，满足：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>&Phi;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>A</mi>
<mo>&SubsetEqual;</mo>
<mi>&Theta;</mi>
</mrow>
</munder>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
则称m为辨识框架Θ上的基本可信度分配；Φ是空集，m(Φ)指的是对空集的分配；m(A)称为A的基本可信度，基本可信度反映了对A本身的信度大小；对于A是辨识框架Θ中的一个子集，如果m(A)>0，则称A为信度函数Bel的焦元；
定义信度函数：
<mrow>
<mi>B</mi>
<mi>e</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>B</mi>
<mo>&SubsetEqual;</mo>
<mi>A</mi>
</mrow>
</munder>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
则Bel:2Θ→[0,1]为辨识框架Θ上的信度函数；Bel描述了对A的总信度；
分别将步骤3.1得到的重量特征参数和步骤3.2图像识别出的每个特征参数作为独立的特征证据体，定义基本可信度分配方法如下：假设某一待安装零部件的特征证据体的标准值为αi且其上下误差范围为[αimin,αimax]，某一待识别零部件的特征参数的实测值为ξi且ξi∈[αimin,αimax]，则其m:2Θ→[0,1]为：
<mrow>
<msub>
<mi>m</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
③Dempster合成
对于同一辨识框架上基于不同特征证据体的信度函数，利用Dempster合成法则计算出一个总的信度函数，作为那几个不同特征证据体联合作用下产生的信度函数；
设Bel1，…，Belp是同一辨识框架Θ上的p个证据体相对应的独立信度函数，m1，…,mp是对应的基本可信度分配，A是辨识框架Θ中的一个子集，对应于Beli的焦元分别为：其中i＝1,2,…,p，ki为对应的焦元数；
设定义函数m:2Θ→[0,1]，则合成后的基本可信度分配为：
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>A</mi>
<mo>=</mo>
<mi>&Phi;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mi>A</mi>
</mrow>
</munder>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>...</mn>
<msub>
<mi>m</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mi>n</mi>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>k</mi>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>A</mi>
<mo>&Subset;</mo>
<mi>&Theta;</mi>
<mo>,</mo>
<mi>A</mi>
<mo>&NotEqual;</mo>
<mi>&Phi;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中k反应了各个特征证据体之间冲突程度，为归一化因子，分别为的基本可信度；
得到证据对辨识框架Θ中所有命题的信度和证据的不确定度m(Θ)后，选用以下基于基本可信度分配的决策规则确定出诊断结论Ac，即待识别零部件即为某一待安装零部件，该待识别零部件对应的在机械装备维修任务中的安装顺序编号即为步骤一中确定的该待安装零部件的编号；其中决策规则采取如下3种规则中的一种规则：规则1为m(Ac)＝max{m(Ai)}；i＝1,2,…,n；规则2为m(Ac)―m(Ai)>ε，m(Ac)－m(Θ)>ε,其中域值ε>0；规则3为m(Θ)<γ，其中域值γ>0。
4.一种机械装备维修过程中基于智能机器人的零部件分拣系统，包括智能机器人本体以及立体货架，所述智能机器人本体包括有能够实现移动的移动底座、能够实现零部件抓取的机械臂以及机械手，所述智能机器人本体内置有运动控制系统，能够实现机械臂运动控制、自主轨迹控制和抓握与释放控制，其特征在于：该系统还包括分拣识别装置，所述分拣识别装置包括分拣存储单元、分拣检测单元和分拣计算单元，所述分拣存储单元用于存储机械装备维修任务中所有待安装零部件的安装顺序以及相应的安装顺序编号，同时还存储有存储机械装备维修任务中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征参数包括长宽高、重量、横截面周长、孔径、实体面积、空心面积；所述分拣检测单元包括重量传感器和摄像头，重量传感器将检测到待识别零部件的重量参数以及摄像头检测的待识别零部件的图像信息均传送给分拣计算单元，所述分拣计算单元通过重量识别方法、图像识别方法或/和信息融合识别方法对待识别零部件进行识别，确定该待识别零部件在机械装备维修任务中的安装顺序编号，智能机器人将经分拣计算单元识别后的零部件按照识别到的安装顺序编号依次摆放在立体货架上。
5.一种能够应用于机械装备维修过程中实现零部件分拣的智能机器人，该智能机器人本体包括有能够实现移动的移动底座、能够实现零部件抓取的机械臂以及机械手，所述智能机器人本体内置有运动控制系统，能够实现机械臂运动控制、自主轨迹控制和抓握与释放控制，其特征在于：该系统还包括分拣识别装置，所述分拣识别装置包括分拣存储单元、分拣检测单元和分拣计算单元，所述分拣存储单元用于存储机械装备维修任务中所有待安装零部件的安装顺序以及相应的安装顺序编号，同时还存储有存储机械装备维修任务中每个待安装零部件的基本特征参数的标准值及其上下误差范围，基本特征参数包括长宽高、重量、横截面周长、孔径、实体面积、空心面积；所述分拣检测单元包括重量传感器和摄像头，重量传感器将检测到待识别零部件的重量参数以及摄像头检测的待识别零部件的图像信息均传送给分拣计算单元，所述分拣计算单元通过重量识别方法、图像识别方法或/和信息融合识别方法对待识别零部件进行识别，确定该待识别零部件在机械装备维修任务中的安装顺序编号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711017014.4A CN107570430B (zh) | 2017-10-26 | 2017-10-26 | 机械装备维修过程中基于智能机器人的零部件分拣方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711017014.4A CN107570430B (zh) | 2017-10-26 | 2017-10-26 | 机械装备维修过程中基于智能机器人的零部件分拣方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107570430A true CN107570430A (zh) | 2018-01-12 |
| CN107570430B CN107570430B (zh) | 2018-07-31 |
Family
ID=61040550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711017014.4A Active CN107570430B (zh) | 2017-10-26 | 2017-10-26 | 机械装备维修过程中基于智能机器人的零部件分拣方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107570430B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108466290A (zh) * | 2018-03-09 | 2018-08-31 | 苏州灵猴机器人有限公司 | 机器人辅助作业系统及其辅助作业方法 |
| CN108643518A (zh) * | 2018-03-28 | 2018-10-12 | 深圳市矽赫科技有限公司 | 一种智能布衣井系统及其控制方法 |
| CN110045672A (zh) * | 2018-01-15 | 2019-07-23 | 中冶长天国际工程有限责任公司 | 一种皮带机的故障诊断方法及装置 |
| CN111338376A (zh) * | 2020-03-05 | 2020-06-26 | 北京京东乾石科技有限公司 | 编队无人机摆放设备、方法、编队无人机系统及存储介质 |
| CN111768099A (zh) * | 2020-06-29 | 2020-10-13 | 山东浪潮通软信息科技有限公司 | 一种科研生产模式下基于模型件的任务分解方法 |
| CN112247512A (zh) * | 2020-10-13 | 2021-01-22 | 上海第二工业大学 | 一种装配装置及其装配方法 |
| CN112985515A (zh) * | 2021-04-27 | 2021-06-18 | 佛山隆深机器人有限公司 | 一种产品紧固件装配合格性检测方法、系统及存储介质 |
| CN114405866A (zh) * | 2022-01-20 | 2022-04-29 | 湖南视比特机器人有限公司 | 视觉引导钢板分拣方法、视觉引导钢板分拣装置和系统 |
| CN114800533A (zh) * | 2022-06-28 | 2022-07-29 | 诺伯特智能装备（山东）有限公司 | 一种用于工业机器人的分拣控制方法及系统 |
| CN115156087A (zh) * | 2022-09-02 | 2022-10-11 | 深圳云甲科技有限公司 | 义齿分拣辅助方法、装置、计算机设备及可读存储介质 |
| CN115870966A (zh) * | 2021-09-28 | 2023-03-31 | 中国科学院沈阳自动化研究所 | 一种基于d-s证据合成理论的速度协调方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5041907A (en) * | 1990-01-29 | 1991-08-20 | Technistar Corporation | Automated assembly and packaging system |
| JP2005349270A (ja) * | 2004-06-09 | 2005-12-22 | Denso Corp | 部品選別装置 |
| CN102402722A (zh) * | 2011-09-28 | 2012-04-04 | 上海交通大学 | 提高工程机械产品的装配线效率的方法 |
| CN103163772A (zh) * | 2011-12-13 | 2013-06-19 | Eta瑞士钟表制造股份有限公司 | 具有功能模块的模块化机械钟表单元 |
| CN104020699A (zh) * | 2014-05-30 | 2014-09-03 | 哈尔滨工程大学 | 一种移动式视觉识别物料分拣智能机器人控制装置 |
| CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
| CN105868478A (zh) * | 2016-03-31 | 2016-08-17 | 河海大学 | 基于情境感知的旋转机械设备虚拟装配模型及装配方法 |
| CN106126219A (zh) * | 2016-06-20 | 2016-11-16 | 扬州大学 | 一种基于目标装配关系自然语言描述的机械手装配任务自主编程方法 |
| CN107138431A (zh) * | 2017-05-27 | 2017-09-08 | 武汉理工大学 | 一种基于机器视觉的零部件识别分选方法及系统 |
-
2017
- 2017-10-26 CN CN201711017014.4A patent/CN107570430B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5041907A (en) * | 1990-01-29 | 1991-08-20 | Technistar Corporation | Automated assembly and packaging system |
| JP2005349270A (ja) * | 2004-06-09 | 2005-12-22 | Denso Corp | 部品選別装置 |
| CN102402722A (zh) * | 2011-09-28 | 2012-04-04 | 上海交通大学 | 提高工程机械产品的装配线效率的方法 |
| CN103163772A (zh) * | 2011-12-13 | 2013-06-19 | Eta瑞士钟表制造股份有限公司 | 具有功能模块的模块化机械钟表单元 |
| CN104020699A (zh) * | 2014-05-30 | 2014-09-03 | 哈尔滨工程大学 | 一种移动式视觉识别物料分拣智能机器人控制装置 |
| CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
| CN105868478A (zh) * | 2016-03-31 | 2016-08-17 | 河海大学 | 基于情境感知的旋转机械设备虚拟装配模型及装配方法 |
| CN106126219A (zh) * | 2016-06-20 | 2016-11-16 | 扬州大学 | 一种基于目标装配关系自然语言描述的机械手装配任务自主编程方法 |
| CN107138431A (zh) * | 2017-05-27 | 2017-09-08 | 武汉理工大学 | 一种基于机器视觉的零部件识别分选方法及系统 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045672A (zh) * | 2018-01-15 | 2019-07-23 | 中冶长天国际工程有限责任公司 | 一种皮带机的故障诊断方法及装置 |
| CN108466290A (zh) * | 2018-03-09 | 2018-08-31 | 苏州灵猴机器人有限公司 | 机器人辅助作业系统及其辅助作业方法 |
| CN108466290B (zh) * | 2018-03-09 | 2021-02-19 | 苏州灵猴机器人有限公司 | 机器人辅助作业系统及其辅助作业方法 |
| CN108643518A (zh) * | 2018-03-28 | 2018-10-12 | 深圳市矽赫科技有限公司 | 一种智能布衣井系统及其控制方法 |
| CN111338376A (zh) * | 2020-03-05 | 2020-06-26 | 北京京东乾石科技有限公司 | 编队无人机摆放设备、方法、编队无人机系统及存储介质 |
| CN111768099A (zh) * | 2020-06-29 | 2020-10-13 | 山东浪潮通软信息科技有限公司 | 一种科研生产模式下基于模型件的任务分解方法 |
| CN111768099B (zh) * | 2020-06-29 | 2024-05-14 | 浪潮通用软件有限公司 | 一种科研生产模式下基于模型件的任务分解方法 |
| CN112247512A (zh) * | 2020-10-13 | 2021-01-22 | 上海第二工业大学 | 一种装配装置及其装配方法 |
| CN112985515A (zh) * | 2021-04-27 | 2021-06-18 | 佛山隆深机器人有限公司 | 一种产品紧固件装配合格性检测方法、系统及存储介质 |
| CN115870966A (zh) * | 2021-09-28 | 2023-03-31 | 中国科学院沈阳自动化研究所 | 一种基于d-s证据合成理论的速度协调方法 |
| CN114405866B (zh) * | 2022-01-20 | 2023-11-21 | 湖南视比特机器人有限公司 | 视觉引导钢板分拣方法、视觉引导钢板分拣装置和系统 |
| CN114405866A (zh) * | 2022-01-20 | 2022-04-29 | 湖南视比特机器人有限公司 | 视觉引导钢板分拣方法、视觉引导钢板分拣装置和系统 |
| CN114800533B (zh) * | 2022-06-28 | 2022-09-02 | 诺伯特智能装备（山东）有限公司 | 一种用于工业机器人的分拣控制方法及系统 |
| CN114800533A (zh) * | 2022-06-28 | 2022-07-29 | 诺伯特智能装备（山东）有限公司 | 一种用于工业机器人的分拣控制方法及系统 |
| CN115156087A (zh) * | 2022-09-02 | 2022-10-11 | 深圳云甲科技有限公司 | 义齿分拣辅助方法、装置、计算机设备及可读存储介质 |
| WO2024045302A1 (zh) * | 2022-09-02 | 2024-03-07 | 深圳云甲科技有限公司 | 义齿分拣辅助方法、装置、计算机设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107570430B (zh) | 2018-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107570430A (zh) | 机械装备维修过程中基于智能机器人的零部件分拣方法 | |
| CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
| CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
| CN108995226B (zh) | 一种可自动粘贴海绵的智能钣金件生产系统 | |
| CN107138431A (zh) | 一种基于机器视觉的零部件识别分选方法及系统 | |
| CN109815856A (zh) | 目标车辆的状态标记方法、系统和计算机可读存储介质 | |
| EP3485427B1 (en) | System and method for adaptive bin picking for manufacturing | |
| CN113666028B (zh) | 一种基于激光雷达和相机融合的垃圾桶检测抓取方法 | |
| CN103020707A (zh) | 基于机器视觉的流水式高精度、高速的颗粒物自动计数装置 | |
| CN110728657A (zh) | 一种基于深度学习的环状轴承外表面缺陷检测方法 | |
| CN109974648B (zh) | 基于坐标值的微小孔几何精度评定方法 | |
| CN102529019A (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
| CN105478529A (zh) | 全自动冲压生产线制品表面质量在线检测系统及方法 | |
| CN106628940A (zh) | 一种制造空调蒸发器用自动转运系统装置及操作方法 | |
| CN116309277A (zh) | 基于深度学习的钢材检测方法及系统 | |
| CN110852265B (zh) | 一种应用在工业流水线上的快速目标检测和定位方法 | |
| CN110969357A (zh) | 一种铝合金机加工零件孔洞视觉检测方法 | |
| CN117085969B (zh) | 人工智能工业视觉检测方法、装置、设备及存储介质 | |
| CN115446392B (zh) | 一种无序板件智能化倒角系统及方法 | |
| Reyna et al. | Product Digital Quality Inspection using Machine Vision Systems–A Categorical Review | |
| CN216728343U (zh) | 一种多工位汽车底盘铸件缺陷自动检测系统 | |
| Sebbata et al. | An adaptive robotic grasping with a 2-finger gripper based on deep learning network | |
| CN112200821A (zh) | 一种用于流水线多隔分装目标的检测和定位方法 | |
| DE102018110063A1 (de) | Industrielle fertigungsstätte und verfahren zur automatisierten verbuchung von manuellen tätigkeiten | |
| CN215357470U (zh) | 一种视觉检测装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ge Zhexue Inventor after: Yang Yongmin Inventor after: Qian Yanling Inventor after: Yin Xiaohu Inventor after: Luo Xu Inventor after: Liu Ying Inventor after: Guan Fengjiao Inventor after: Zhang Shigang Inventor before: Ge Zhexue Inventor before: Yang Yongmin Inventor before: Yin Xiaohu Inventor before: Jiang Siyuan Inventor before: Qian Yanling Inventor before: Luo Xu Inventor before: Liu Ying Inventor before: Guan Fengjiao |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |