第一章 绪论
1.1 课题研究背景和意义
机器人密度是衡量一个国家生产自动化水平的标准之一，在国际机器人联合会（IFR）发表的 2018 年度报告中指出，2018 年全球机器人销量对比 2017 年增长了 10%，并预计从2019~2021 年平均增长率为 14%。中国作为机器人密度增长速度最快的国家，在 2013~2016年由 25 台/万人增长到 68 /万人。最新的统计数据显示，中国现有机器人密度位于全球第 23名，中国政府也不断推出扶持政策，例如《机器人产业发展规划（2016~2020 年）》等，预计在 2020 年之前，将中国打造为自动化程度世界排名前十，努力在 2020 年实现机器人密度达到 150 /万人以上[1]。
在工业生产中，传统的人工分拣存在劳动强度大、效率低下等诸多缺点，很难实现生产目标；而传统的机器人示教分拣需要事先对设定的位置进行逐点示教，分拣对象比较单一，工件的摆放位置必须与示教的位置完全一致，存在系统稳定性较差、精度较低等缺点[2]。因此，引入具备机器视觉功能的机器人产品就显得很有必要。针对这些问题，在分拣机器人中引入机器视觉，不仅使分拣更柔性化、智能化，同时还可以提高生产效率[3]，降低劳动成本，对于实现机器人分拣有着重要的现实意义。
基于机器视觉的 Baxter 机器人的工件分拣系统，将机器视觉技术与 Baxter 机器人的可靠性、交互性等优势相结合，以提高分拣系统的识别定位精度与安全性，进而提升分拣系统的分拣效率，提高分拣系统的灵活性，减少人工成本，具有较高的理论研究与使用价值[4]。
...........................
1.2 国内外发展现状和趋势
1.2.1 机器视觉技术概述
机器视觉作为一门交叉性学科，涵盖图像处理技术、人工智能技术、计算机科学和自动化等领域。通过模拟人的视觉功能，使机器人完成自主检测、测量和控制等功能。近年来，机器视觉凭借其高精度、高效率、非接触式、易于集成等优势[5]，在智能制造方向扮演着重要角色，各行各业对图像处理技术的需求也在逐年递增。
在实际生产工件的过程中，传统的人工分拣首先利用视觉锁定工件放置位置，同时将工件的图像传递给大脑，通过大脑的认知对工件的类型作出判断，然后用手将工件抓起，根据得到的结果将工件放置到相应的位置上，完成了最原始的分拣流程[6]。在此基础之上加入机器视觉技术，代替人工获取工件的特征、位置和工作场景等信息，根据获取到的这些信息做出相应的判断，对机器人发出相对应的动作指令。当下的智能分拣系统也是在这个原始模型下不断发展与完善的，而且需要研究人员致力于更加具体的应用场景以提高系统的性能，适应性和稳定性。
相对于传统的人工或者机械的分拣方式，机器视觉技术拥有高性能、高速度、低功耗、低成本等优点，因此在测量、检测、定位、识别等方面的应用得到了深入的研究。
............................
第二章 系统总体设计方案
2.1 分拣系统总体规划
在工业生产过程中，工件由 AGV 小车运送并将其倾倒至传送带上，经由传送带传输到工作台。为保证 Baxter 机器人能够高效地完成分拣工作，本文设计的分拣系统，包括对目标的图像采集、图像预处理、定位、识别、抓取与放置五个模块。工件分拣系统主要划分为以下几个模块，如图 2-1 所示：
1. 图像采集模块：通过在机载计算机中添加 ROS 系统的相机驱动功能，集成 OpenCV图像处理函数库、机载计算机顶层 API 中的 tf 包以及一些第三方工具来实现图像采集。通过运行 ROS 的相机驱动程序，得到 ROS 图像格式下的原始图像信息，将左臂采集到的图像信息封装处理后以话题的形式发布在“cameras\left_hand_camera\image”上，通过 cv_bridge功能包实现 ROS 和 OpenCV 图像格式的相互转换，方便图像被后期处理。
...............................
2.2 搭建系统实验平台
2.2.1 实验平台的设计与实现
为了实现分拣系统对工件的识别与分拣需求，结合人工分拣工件的流程，本文设计了工件分拣的作业流程，搭建了验证系统性能的实验平台。分拣系统以 Baxter 机器人作为硬件基础，在 ROS 系统下实现，使用 Opencv 视觉函数库进行图像预处理工作，利用机器学习构建分类器并对目标工件作分类预测，利用 Baxter 的 SDK 驱动手臂完成抓取放置工作。实验平台如图 2-7 所示。
.........................
第三章 基于手眼视觉的定位方法.................................13
3.1 eye-in-hands 手眼系统...................................... 13
3.1.1 坐标系关系介绍..................................13
3.1.2 手眼相机标定.......................................14
第四章 工件的识别........................................24
4.1 提取特征描述符....................................24
4.1.1 积分图像..................................25
4.1.2 Hessian 矩阵的构建............................. 25
第五章 基于 Baxter 机器人工件分拣系统的实现..................................... 35
5.1 引言........................................35
5.2 分拣系统的实现..................................35
第五章 基于 Baxter 机器人工件分拣系统的实现
5.1 引言
在本文第三、四章设计了系统定位与识别算法后，利用搭建好的实验平台对上述算法功能和稳定性进行实验验证。结合图像预处理、目标定位、目标识别等算法编写本文软件系统，实现分拣功能，并验证本文分拣系统的稳定性。
考虑到所有工件都是金属材质，在抓取工件时存在工件从夹持器上滑落的风险，且每个种类的样本工件都存在一定厚度，因此对所有工件设置一个通用的抓取高度，即比水平台高出 2mm，在提高抓取成功率的同时保证了工件不会与水平工作台产生碰撞。
在定位时，工件的抓取角度已经由工件的最小外接矩给出，根据最小外接矩的生成原理，获得的角度0? 是由工件沿水平方向逆时针旋转得到，因此得到的旋转角度为负值，将得到的旋转角度做绝对值运算，即得到目标工件在图像坐标系下的真实旋转角度。
............................
6.1 总结
随着近年来制造业的不断发展，工业生产智能化已经成为其发展的主要趋势，由于人工生产带来的成本高、效率低等诸多问题，越来越多的工厂面临升级转型。本文以工业生产线作为实验的环境，针对工业生产线上人工处理过程中存在的问题进行实验设计，在 Baxter机器人分拣平台上实现工件的识别与定位功能，对机器人抓取和放置工件的顺序与位置作出了可根据用户要求自由定制的设计。
论文主要完成了以下工作：
1. 本文以机器视觉为导向，搭建了以 Baxter 机器人为硬件主体，以 ROS 软件支撑的分拣系统平台，在该平台上完成了对 OpenCV 的配置，运用 python 语言进行编程，实现了对目标工件的定位、识别、抓取、放置等功能
2. 工件识别部分采用 SURF 特征提取算法与 SVM 分类器相结合的方法，对采集到的 4类工件图像进行 SURF 特征提取，对提取到的特征点使用 K-means 算法聚为 K 类并构建视觉词袋模型，利用 SVM 分类器对其进行训练与分类，得到最终识别结果
3. 在定位过程中，对工件与物料筐分别采用适合其自身特性的图像预处理方法，使用最小外接矩获得工件的位置信息。针对工件的定位过程中存在的误差采用手眼精定位的方法，对定位误差进行补偿。在获取子物料筐中心点过程中采用灵活式分割方法，可根据需求设置多种工件放置方式
4. 为实现分拣后期与装配任务的对接，设计出一套可根据要求自由定制工件抓取顺序的自动抓取系统。设置了抓取检测程序，避免分拣过程中出现漏抓现象
5. 使用搭建好的分拣系统进行实验验证，验证了分拣系统的稳定性和可靠性，因此本文的设计方案具有一定的可行性和研究价值。
参考文献（略）