CN114104655B - 链条线跟随方法及装置 - Google Patents

Abstract

本发明公开了链条线跟随方法及装置，方法包括：根据传送带上零件上的标记，识别出喷塑后零件的位置，并根据喷塑后零件的位置确定出设定周期内传送的喷塑后零件的数量，并判断该数量是否大于工业机器人在设定周期内的转运数量；若是，调小传送带的传送速度；若否，根据喷塑后零件的位置进行零件抓取，并将所述喷塑后零件置于烘道内。应用本发明实施例，根据工业机器人的最大抓取数量进行传送带的速度调节，进而使工业机器人与传送带的传递速度相适应，并由工业机器人代替人工作业，进而可以最大化的提高传送效率。

Description

链条线跟随方法及装置

技术领域

本发明涉及零部件加工技术领域，更具体涉及链条线跟随方法及装置。

背景技术

申请号为201821867780.X的实用新型公开了一种喷塑烘干设备，包括烘干外壳，所述烘干外壳的两侧均设有通槽，两个通槽相对应，每个通槽的一侧焊接有一组支撑耳板，每组支撑耳板之间通过轴承连接有连接转轴，通过第一电机可以带动传送带，通过传送带可以对喷塑的零件进行传送，通过塑粉收集箱可以对塑粉进行收集，通过抽风机可以将气体抽取到散气头中，通过散气头可以对零件烘干，并且通过加热丝可以对气体进行加热，且通过第二电机可以带动扇叶转动，通过扇叶可以进行吹风，使得烘干更加快速，该喷塑烘干设备结构简单，操作简便，不但使得对烘干效果更好，而且使得对烘干更加快速，并且可以对塑粉进行收集，为人们提供了方便。

但是，现有技术中并未公开喷塑流程与烘干流程之间的传送带衔接方式。发明人查阅大量资料并结合实际应用发现，由于喷塑后零件相对比较脆弱，需要小心操作，因此，目前，自动喷塑线完成喷塑后，采用人工的方式进行拿取转运，放入烘道的传送带上进而进行高温烤制。该方式的主要缺陷在于：人工操作效率不高，两只手只能拿两个产品，而且人工拿取转身放取都不方便，长期操作可能会产生腰肌劳损等职业病。因此，现有技术存在效率不高，且存在一定的健康风险。

发明内容

本发明所要解决的技术问题在于提供了链条线跟随方法及装置以提高效率。

本发明是通过以下技术方案解决上述技术问题的：

本发明提供了链条线跟随方法，所述方法包括：

根据传送带上零件上的标记，识别出喷塑后零件的位置，并根据喷塑后零件的位置确定出设定周期内传送的喷塑后零件的数量，并判断该数量是否大于工业机器人在设定周期内的转运数量；

若是，调小传送带的传送速度，并返回执行根据传送带上零件上的标记，识别出喷塑后零件的位置的步骤，直至判断该数量是否大于工业机器人在设定周期内的最大转运数量的步骤的判断结果为否；

若否，根据喷塑后零件的位置进行零件抓取，并将所述喷塑后零件置于烘道内。

可选的，所述标记由激光器照射在喷塑后零件表面形成的。

可选的，所述标记的生成过程包括：

利用两种及两种以上颜色的激光束对传送带上的喷塑后零件进行交替标记。

可选的，每一种颜色的激光束包括一种及以上的花样，其中，所述花样包括：点、十字形、米字型中的一种或组合。

可选的，所述标记的生成过程包括：

对传送带线速度进行分析，计算传送带在预设时长内输送的喷塑后零件的数量，在该数量大于设定数量时，利用两种及两种以上颜色的激光束对传送带上的喷塑后零件进行交替标记。

可选的，所述识别出喷塑后零件的位置，包括：

利用摄像头拍摄喷塑后零件的图像，并利用预先训练的全卷积神经网络识别出图像中的标记；

根据标记在摄像头视野内的位置，确定出标记的坐标，将标记的坐标作为喷塑后零件的位置。

可选的，所述全卷积神经网络的训练过程包括：

预先搭建全卷积神经网络模型，其中，所述全卷积神经网络模型包括：依次串联的编码器、特征提取层以及解码器，且编码器包括：卷积神经网络；解码器包括：依次串联的双线性插值层、卷积层以及批标准化层；

利用包含标记的图像作为样本训练搭建的全卷积神经网络模型，得到训练后的全卷积神经网络。

可选的，所述预先搭建全卷积神经网络模型中，将编码器的输出数据分别传递到特征提取层以及解码器。

可选的，所述调小传送带的传送速度，包括：

利用公式，

计算调节步长，利用调节步长调小传送带的传送速度，其中，

P为调节步长；e为自然常数；V为传送带的当前速度；△V为传送带的当前速度与工业机器人在设定周期内的最大转运数量对应的目标速度之间的差值。

本发明还提供了一种链条线跟随装置，所述装置包括：

识别模块，用于根据传送带上零件上的标记，识别出喷塑后零件的位置，并根据喷塑后零件的位置确定出设定周期内传送的喷塑后零件的数量，并判断该数量是否大于工业机器人在设定周期内的转运数量；

调节模块，用于在识别模块的识别结果为是的情况下，调小传送带的传送速度，并返回执行根据传送带上零件上的标记，识别出喷塑后零件的位置的步骤，直至判断该数量是否大于工业机器人在设定周期内的最大转运数量的步骤的判断结果为否；

工业机器人，用于在识别模块的识别结果为否，根据喷塑后零件的位置进行零件抓取，并将所述喷塑后零件置于烘道内。

本发明相比现有技术具有以下优点：

应用本发明实施例，根据工业机器人的最大抓取数量进行传送带的速度调节，进而使工业机器人与传送带的传递速度相适应，并由工业机器人代替人工作业，进而可以最大化的提高传送效率。

附图说明

图1为本发明实施例提供的链条线跟随方法的流程示意图；

图2为本发明实施例提供的链条线跟随方法的应用场景示意图；

图3为本发明实施例中模型的运行逻辑示意图；

图4为本发明实施例中图像的直方图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

图1为本发明实施例提供的链条线跟随方法的流程示意图；图2为本发明实施例提供的链条线跟随方法的应用场景示意图。如图1和图2所示，所述方法包括：

S101：根据传送带上零件202上的标记，识别出喷塑后零件202的位置，并根据喷塑后零件202的位置确定出设定周期内传送的喷塑后零件202的数量，并判断该数量是否大于工业机器人201在设定周期内的转运数量。

预先搭建全卷积神经网络模型，其中，所述全卷积神经网络模型包括：依次串联的编码器、1*1特征提取层以及解码器，且编码器包括：卷积神经网络，通常，卷积神经网络由卷积层、池化层、全连接层和Softmax层组成，每一层用RELU函数进行激活。解码器包括：依次串联的双线性插值层、卷积层以及批标准化层。

在全卷积神经网络模型的每一层网络中，各个节点稀疏连接，即每个输出值仅仅依赖于哪些能使其保持平移不变性的一小部分输入值。

全卷积神经网络可以在训练过程中保留图像的空间信息，这个特点对于物体识别非要有用。全卷积神经网络可以接受任意个维度的输入。

编码器对应传统的卷积神经网络，其可以通过上采样学习到图像的关键特征，并将其向后传递。通常，通过编码器就可以实现物体的分割。

1*1特征提取层。1*1的卷积核可以进行降维或者升维，也就是通过控制卷积核(通道数)实现可以帮助减少模型参数，也可以对不同特征进行尺寸的归一化；同时也可以用于不同通道上特征的融合。相比较于传统全连接层，1*1卷积保留了空间信息。

解码器由双线性插值层(bilinear upsampling layer)、卷积层和批标准化层(batch-normalization)组成。然后利用跨层连接改善损失的空间特征精度。其中，双线性插值是插值算法中的一种，是线性插值的扩展。利用原图像中目标点四周的四个真实存在的像素值来共同决定目标图中的一个像素值，其核心思想是在两个方向分别进行一次线性插值。需要指出的是，双线性插值方法能加快计算的速度。

解码器中的卷积层可使用1*1特征提取层。

在神经网络中，每一层的输入在经过层内操作之后必然会导致与原来对应的输入信号分布不同，并且前层神经网络的增加会被后面的神经网络不对的累积放大。当训练集的样本数据和目标样本集分布不一致的时候，训练得到的模型无法很好的泛化，为了解决上述问题，本发明实施例中根据训练样本与目标样本的比例对训练样本进行一个矫正，而批标准化可以用来规范化某些层或者所有层的输入，从而固定每层输入信号的均值与方差。

利用公式，

计算出批标准化参数，并对样本的批进行标准化处理，其中，

μ_B为图像中各像素点的像素均值；m为像素点数量；x_i为第i个像素点的像素值；

为像素值的方差；

为像素值的的标准差；y_i为图像中心点位置；γ为缩放值；BN_γ,β(x_i)为对图像进行标准化；β为平移值。

在批标准化过程中，首先在图中选取一个点μ_B作为中心点，然后以该点为中心，以设定尺寸为半径得到一个窗口。如图4所示，然后计算窗口内所有点的均值，计算完得到一个点O，然后将O点作为中心点又得到一个新窗口。迭代若干次数后得出y_i，中心的距离之差为0，就说明了找到了跟随最大的点。然后将该窗口的图像作为模板特征直方图，然后在所有图中搜索有类似的特征直方图，匹配程度最高的就是喷塑后零件202，在跟踪时，要注意直方图在颜色空间的颜色区间尺寸要相等。

跨层连接可以将编码器的空间信息细节传递给解码器的卷积层，该方法对于解码器非常重要，即将编码器的输出数据分别传递到特征提取层以及解码器。因为上采样过程(双线性插值)并没能恢复图像的全部空间信息。此外，跨层连接技术对于训练ResNet这类的大规模深度网络非常有帮助。

为了评价训练后的全连接神经网络模型，本发明实施例中使用重叠度进行评价。重叠度是一种测量在特定数据集中检测相应物体准确度的一个标准。在输出中得出一个预测范围的任务都可以用重叠度来进行测量。

使用训练后的全连接神经网络模型识别出的标记的种类与该标记实际种类之间的曼哈顿距离评价二者的重叠度。

本发明实施例中利用包含标记的图像作为样本训练搭建的全卷积神经网络模型，得到训练后的全卷积神经网络。全卷积神经网络模型具有参数共享的特点，即利用样本训练的全卷积神经网络模型可以用于待识别的图像的识别。

进一步的，标记由激光器照射在喷塑后零件202表面形成的。具体来说，可以使用利用两种及两种以上颜色的激光束对传送带上的喷塑后零件202进行交替标记，例如，使用红色激光束打在第一个喷塑后零件202表面，拍照后利用全连接神经网络模型进行识别；使用绿色激光束打在第二个喷塑后零件202表面，依次类推。

更进一步的，可以在激光器的镜头上设置图案光罩，以使激光束形成一种及以上的花样，其中，所述花样包括：点、十字形、米字型中的一种或组合。

更进一步的，可以将不同花样不同颜色的激光束进行组合使用，以对喷塑后的零件202进行标记，进而提高零件202之间的区分度，进而可以是传动带在单位长度内传送更多的零件202，为了转运这些零件202，可以使用两台或者两台以上的工业机器人201。

更进一步的，对传送带线速度进行分析，计算传送带在预设时长内输送的喷塑后零件202的数量，在该数量大于设定数量时，利用两种及两种以上颜色的激光束对传送带上的喷塑后零件202进行交替标记。

利用摄像头203拍摄喷塑后零件202的图像，并利用预先训练的全卷积神经网络识别出图像中的标记；

根据标记在摄像头203视野内的位置，确定出标记的坐标，将标记的坐标作为喷塑后零件202的位置。由于摄像头203的位置是预先标定的，因此摄像头203的位置以及摄像头203相对于传送带的角度与距离也是已知的，其对应的拍摄范围中每一个像素点的位置也是已知的，因此，可以确定出拍摄范围内所有零件202的位置。

S102：在S101步骤的判断结果为是的情况下，调小传送带的传送速度，并返回执行根据传送带上零件202上的标记，识别出喷塑后零件202的位置的步骤，直至判断该数量是否大于工业机器人201在设定周期内的最大转运数量的步骤的判断结果为否。

利用公式，

计算调节步长，利用调节步长调小传送带的传送速度，其中，

P为调节步长；e为自然常数；V为传送带的当前速度；△V为传送带的当前速度与工业机器人201在设定周期内的最大转运数量对应的目标速度之间的差值。

图3为本发明实施例中模型的运行逻辑示意图，如图3所示，本发明实施例的主程序模块在实时任务模块的调度下周期性的被触发，进而输出对应的跟踪结果；系统根据主程序模块的识别结果以及轴叫编码器的输出信号，向电机发送控制指令。

本发明实施例1采用机器人跟随链条线的方式进行跟踪拿取的方法，以根据链条线线速度逻辑处理，智能地选择合适的拿取时间，在保持链条线正常运行的同时还可以有效地拿取产品，且不会耽误产品转运。

另外，本发明实施例上述公式，其调节步长是根据实际情况不断变化的，且变化趋势是先大后小。分步调节可以减少对喷塑后零件202的冲击，调节步长先大后小，可以在尽快调小的同时，避免过大调节步长导致的过调节的问题。

S103：在S101步骤的判断结果为否的情况下，根据喷塑后零件202的位置进行零件202抓取，并将所述喷塑后零件202置于烘道内。

本发明所提供的设备可以根据图片的内容选择相应的运动轨迹算法，从而不但可以使链条线正常运行，还可以有效地拿取产品。

实施例2

对应于本发明图1所示实施例，本发明实施例2还提供了链条线跟随装置，所述装置包括：

识别模块，用于根据传送带上零件202上的标记，识别出喷塑后零件202的位置，并根据喷塑后零件202的位置确定出设定周期内传送的喷塑后零件202的数量，并判断该数量是否大于工业机器人201在设定周期内的转运数量；

调节模块，用于在识别模块的识别结果为是的情况下，调小传送带的传送速度，并返回执行根据传送带上零件202上的标记，识别出喷塑后零件202的位置的步骤，直至判断该数量是否大于工业机器人201在设定周期内的最大转运数量的步骤的判断结果为否；

工业机器人201，用于在识别模块的识别结果为否，根据喷塑后零件202的位置进行零件202抓取，并将所述喷塑后零件202置于烘道内。

实施例3

本发明还基于实施例1提供了一种链条线跟随系统。如图2所示，该系统中机器人主控获取编码器209输出的传送带位置信号，基于间隔长度值发出拍照命令至视觉系统2011；

机器人主控获取视觉系统2011拍摄喷塑后的零件上标记的位置以及编码器输出的位置信号并记录到检测队列中；

机器人主控计算获得的检测队列中标记的实时位置，并合并检测队列中标记的实时位置差小于预设的距离差值的队列；

机器人主控控制工业机器人201对移动至工业机器人201的工作范围内且位于检测队列首位的标记的位置执行抓取；其中预设的间隔长度值不大于检测视觉系统拍摄视野的长度值，本发明具有减少工业机器人201重复抓取和漏抓的优点。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.链条线跟随方法，其特征在于，所述方法包括：

根据传送带上零件上的标记，识别出喷塑后零件的位置，并根据喷塑后零件的位置确定出设定周期内传送的喷塑后零件的数量，并判断该数量是否大于工业机器人在设定周期内的转运数量；

若是，调小传送带的传送速度，并返回执行根据传送带上零件上的标记，识别出喷塑后零件的位置的步骤，直至判断该数量是否大于工业机器人在设定周期内的最大转运数量的步骤的判断结果为否，其中，所述调小传送带的传送速度，包括：利用公式，

计算调节步长，利用调节步长调小传送带的传送速度，且P为调节步长；e为自然常数；V为传送带的当前速度；ΔV为传送带的当前速度与工业机器人在设定周期内的最大转运数量对应的目标速度之间的差值；

若否，根据喷塑后零件的位置进行零件抓取，并将所述喷塑后零件置于烘道内。

2.根据权利要求1所述的链条线跟随方法，其特征在于，所述标记由激光器照射在喷塑后零件表面形成的。

3.根据权利要求2所述的链条线跟随方法，其特征在于，所述标记的生成过程包括：

利用两种及两种以上颜色的激光束对传送带上的喷塑后零件进行交替标记。

4.根据权利要求3所述的链条线跟随方法，其特征在于，每一种颜色的激光束包括一种及以上的花样，其中，所述花样包括：点、十字形、米字型中的一种或组合。

5.根据权利要求2所述的链条线跟随方法，其特征在于，所述标记的生成过程包括：

对传送带线速度进行分析，计算传送带在预设时长内输送的喷塑后零件的数量，在该数量大于设定数量时，利用两种及两种以上颜色的激光束对传送带上的喷塑后零件进行交替标记。

6.根据权利要求1所述的链条线跟随方法，其特征在于，所述识别出喷塑后零件的位置，包括：

利用摄像头拍摄喷塑后零件的图像，并利用预先训练的全卷积神经网络识别出图像中的标记；

根据标记在摄像头视野内的位置，确定出标记的坐标，将标记的坐标作为喷塑后零件的位置。

7.根据权利要求6所述的链条线跟随方法，其特征在于，所述全卷积神经网络的训练过程包括：

预先搭建全卷积神经网络模型，其中，所述全卷积神经网络模型包括：依次串联的编码器、特征提取层以及解码器，且编码器包括：卷积神经网络；解码器包括：依次串联的双线性插值层、卷积层以及批标准化层；

利用包含标记的图像作为样本训练搭建的全卷积神经网络模型，得到训练后的全卷积神经网络。

8.根据权利要求7所述的链条线跟随方法，其特征在于，所述预先搭建全卷积神经网络模型中，将编码器的输出数据分别传递到特征提取层以及解码器。

9.链条线跟随装置，其特征在于，所述装置包括：

识别模块，用于根据传送带上零件上的标记，识别出喷塑后零件的位置，并根据喷塑后零件的位置确定出设定周期内传送的喷塑后零件的数量，并判断该数量是否大于工业机器人在设定周期内的转运数量；

调节模块，用于在识别模块的识别结果为是的情况下，调小传送带的传送速度，并返回执行根据传送带上零件上的标记，识别出喷塑后零件的位置的步骤，直至判断该数量是否大于工业机器人在设定周期内的最大转运数量的步骤的判断结果为否，其中，所述调小传送带的传送速度，包括：利用公式，

计算调节步长，利用调节步长调小传送带的传送速度，且P为调节步长；e为自然常数；V为传送带的当前速度；ΔV为传送带的当前速度与工业机器人在设定周期内的最大转运数量对应的目标速度之间的差值；

工业机器人，用于在识别模块的识别结果为否，根据喷塑后零件的位置进行零件抓取，并将所述喷塑后零件置于烘道内。

Images