基于深度学习的管件自动分拣系统

作     者：吴伟州 

作者单位：中北大学 

学位级别：硕士

导师姓名：韩慧妍;齐和平

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 Mask R-CNN 管件 机器人 自动分拣 

摘      要：近些年来,智能制造与传统制造业紧密结合形成了新的制造业产业形态。分拣是当前制造业中较为常见的工作方式,其作业场景具有高危、操作单一等特性,因此很多公司引入机器人代替人工进行分拣。传统的自动分拣系统基于图像,通过对目标图像二值化、边缘轮廓提取实现物体分类,该方法存在目标物体识别率不高、鲁棒性较差等问题,而基于深度学习的管件自动分拣系统,具有较高的识别率及较好的鲁棒性。本文设计并实现了基于深度学习的管件自动分拣系统,主要工作如下:(1)针对Mask R-CNN算法识别率不高、掩膜效果不理想的问题,本文对其进行如下改进:增加尺度信息,提取更多的管件图像低层特征,根据管件的尺寸信息改进区域生成网络中候选框的大小,进而提高训练速度及网络收敛效果。通过增加注意力机制模块,提高管件的识别率及掩膜效果。实验结果表明,该算法提高了管件的识别精度及管件轮廓掩膜效果,具有较好的实时性与鲁棒性。(2)提出管件放置形态、同类别尺寸、抓取点及姿态信息判断方法。首先,利用霍夫圆变换方法判断管件放置形态,并驱动机器人将管件转换为水平放置。其次,使用管件轮廓掩膜轮廓判断管件尺寸。判断管件尺寸后,结合管件质心与最小外界矩形中心点作为管件抓取点。最后,采用管件最小外接矩形长轴与图像水平轴之间的夹角作为机械臂的旋转角度。实验结果表明,该方案具有较好的精准度及实时性。(3)设计并实现了管件自动分拣系统。首先拍摄管件获取其图像,通过本文提出的方法计算管件的位置信息,计算机与机器人端构建TCP通信进行数据传输,驱动机器人对管件进行抓取与码放、驱动传送带的启停操作,实验结果表明,该系统具有较高的抓取和码放正确性。