摘要
在机器人抓取系统中，快速稳定并准确地对抓取目标进行检测和定位是机器人抓取任务的前提，具有广泛的应用场景。本文面向机械臂抓取任务，旨在利用计算机视觉技术准确检测出目标工件的位姿，然后控制机械臂抓取目标工件，并采用视觉伺服技术提高机械臂抓取系统的抓取精度。本文主要的研究成果如下： （1）针对工件的识别和定位，提出了一种基于凹点匹配的轮廓分割算法，对于多个物体粘连形成整体轮廓而无法识别的情况，能够将单个物体的轮廓从中分离出来。实验证明该方法可以完成绝大部分情况下的轮廓分割任务，对于少数不能处理的情况进行了分析并设计了一种机械臂操作策略来解决此问题。 （2）将运行速率快、识别准确率高的YOLOv3算法应用到机器人抓取系统中，提出了基于深度学习的目标检测算法。本文改进了YOLOv3网络，在网络中增加了对抓取点和抓取角度的估计，从而弥补了YOLOv3算法在机器人抓取检测中的不足。另外，本文还设计了数据集自动生成算法，可以生成任意张图片构成多目标抓取检测数据集，避免了人工采集和手动标注，节省了大量的时间和成本。经过实验验证，改造后的目标检测网络可以应用到机器人抓取检测中并有较好的检测效果，同时克服了基于轮廓分割的物体定位算法对光照、遮挡等干扰比较敏感的缺陷。 （3）仅使用目标检测的机械臂抓取系统会因为手眼标定和机械臂模型引入误差，从而使得最终的抓取误差增大，针对这个问题，本文在机械臂末端安装一个相机，使用视觉伺服技术来提高抓取精度。由于经典图像视觉伺服需要稳定地提取特征并进行准确匹配，但这个过程往往比较困难，因此本文设计了基于孪生卷积神经网络的视觉伺服算法，同时将当前图像与期望图像送入伺服网络，网络可以输出两者之间的位姿差，通过这个位姿差构造闭环系统，以迭代运行的方式控制机械臂到达期望位置，实现精确抓取。经过实验验证，该算法可以完成机械臂的精确抓取任务。
NETL