基于深度学习的工业分拣机器人快速视觉识别与定位算法_伍锡如

基于机器人视觉的工业机器人分拣技术研究
一、绪论
随着二十一世纪自动化技术的发展，机器人在实现自主技术、自适应
控制、机械结构和传感器技术上取得了显著进步。

机器人技术在工业领域
有着广泛的应用，其中机器人分拣技术也是其中一个重要的应用。

机器人
分拣技术利用机器视觉、机器抓取等技术，将放置在指定区域的物料进行
自动识别、分类和排序，并将其放置到指定的包装位置，完成分拣任务。

本文重点研究基于机器人视觉的工业机器人分拣技术的原理、方法和应用，以更好的了解机器人分拣技术，为工业机器人分拣技术的深入发展奠定基础。

二、机器人视觉原理
机器人视觉是机器人的一种技术，它依靠传感器、机器特征提取器和
模式识别系统，通过对工件或物料的形、色、尺寸、形状、纹理等进行分析，将其图像变换为有意义的信息，实现机器人对外界环境的自主感知和
认知。

它是分拣机器人完成分拣任务的核心技术，在机器人分拣系统中起
到了重要作用。

机器人视觉系统通常由图像采集、图像处理、图像识别三部分组成。

基于深度学习的工业机器人物品识别分拣系统设计摘要：实体经济是国家财富的主要来源，而实体经济建设则是以工业建设为重心，人工智能在工业发展中运用例如工业机器人物品识别设计有提升机械工作作业的质量。

本文笔者主要针对深度学习的工业机器人物品识别分拣系统进行研究。

关键词：深度学习;工业机器人;识别分拣系统;引言：分拣识别机器人在工业系统中的中运用极大效率的提升了工业生产的效率和工业生产的质量，并且在工业生产成本的耗费上大大的降低了工业生产成本，笔者针对工业分拣机器人在工业生产中的运用分析，这种技术在大面积的推广使用还欠缺一定的成熟性，若在操作过程中存在一定点的查漏将会造成严重的损害，从现今工业机器人生产运营的难点分析来看，关键点在于机器对物品的识别以及对物品性质的判断还存在一定的难度性，在未来的设计完善中也应该朝着这两点方向进行完善，除此之外机器人在针对一些特殊物品进行判断时，还需要从程序的完善和实际操作中的深度学习进行着手训练，并且机器人在对物品进行识别设计时，还容易受到传感器在技术上的限制性。

1 分拣识别机器的构成分析1.1 机器人的结构部件在针对分拣识别机器人进行设计时，需要从机器人的实际生产运用及全方面的角度进行思考设计，从机器人结构布局的大体成份分析来看，机器人主要由两个区域构成1硬件系统2软件系统，而硬件系统的构成则由ABB本体操作系统、控制柜、PC机、气动夹爪、相机、吸盘以及真空发生器等系列的结构部件构建，在这些构建区域中最关键最核心则属于控制柜，这是机器人的大脑，他是通过电缆与机器人的实体系统进行连接，而机器人的PC机与控制柜之间需要以网络通讯协议作为信息处理协调的媒介。

2机器人作业的工业流程想要使工业分拣机器人在工业生产过程中进行作业还需要各个部件与系统之间的协调配合，这样工业机器人方可在生产中正常运行，而工业生产机器人在硬件和软件这2者之间的配合程度上来看，机器人要做到物品的识别与区分则是通过机器人身上的相机和物品程序的输入，从而形成对物品的认识，机器人对物品进行识别之后则通过中央系统对外部下达命令实行最后的指令操作。

基于深度学习的快递分拣系统设计与实现随着各行业的快速发展，智能化技术的广泛应用已经成为一个趋势。

快递行业作为一种基础性的服务行业，必须要不断提升其效率和服务质量，以满足客户的需求。

因此，基于深度学习的快递分拣系统的设计与实现迎来了最好的时机。

1. 深度学习的发展与应用深度学习是一种机器学习中比较热门的技术，它可以通过训练神经网络来完成自动化的任务。

随着深度学习在视觉、语音、自然语言处理、游戏等领域的广泛应用，其在快递行业中的应用也越来越受到关注。

快递分拣作为一项劳动力密集型的工作，如果能够实现自动化，将大大提升效率和质量。

2. 快递分拣系统的设计与实现为了实现快递分拣的自动化，我们需要一个稳定的、高效的系统。

快递分拣系统的核心部分是分拣算法。

基于深度学习的分拣算法可以大大提高分拣的准确率。

我们可以采用深度学习中比较流行的卷积神经网络（Convolutional Neural Network, CNN）算法，这种算法可以有效处理图像数据。

3. 快递分拣系统的具体实现首先，需要建立一个深度学习模型，训练模型使其具备分拣功能。

模型的输入是一个快递包裹的图像数据，输出是一个分类结果，即表示快递包裹应该被送到哪个地方。

接着，需要对模型进行训练。

我们可以使用大量的样本数据来训练模型，包括图像数据和相应的标签数据。

训练结束后，模型将会根据输入图像自动输出相应的分类结果。

4. 具体实验效果为了验证基于深度学习的快递分拣系统的实用性，我们进行了相关的实验。

我们使用了1000个包裹图像数据作为训练数据，并使用了200个包裹图像数据做真实测试。

实验结果显示，我们的模型在分类准确率上达到了95%以上的高水平，大大提高了快递分拣的效率。

5. 总结基于深度学习的快递分拣系统可以为快递行业带来极大的效益。

其设计与实现需要具备一定深度学习的知识，但随着技术的发展和普及，越来越多的人可以参与到这一领域中来。

我们相信，未来的快递行业将会越来越智能化，为人民提供更加便捷、高效的服务。

基于机器视觉的货物分拣智能系统设计与开发摘要：货物分拣是供应链中重要的环节之一，传统的人工分拣无法满足日益增长的需求，因此开发一种能够自动完成货物分拣的智能系统变得非常重要。

本文提出了一种基于机器视觉的货物分拣智能系统的设计与开发方法，通过使用深度学习模型和图像处理算法，实现对货物进行识别和分类，并通过机器人等自动装置进行分拣。

实验结果表明，该系统能够高效准确地完成货物分拣任务，具有良好的应用前景。

1. 引言货物分拣是供应链中必不可少的环节，传统的人工分拣方式存在工作效率低、成本高以及人为因素带来的错误等问题。

随着机器视觉和人工智能技术的发展，基于机器视觉的货物分拣智能系统成为了一种新的解决方案，其能够自动完成货物的识别、分类和分拣，提高了分拣效率和准确性。

2. 关键技术2.1 机器视觉技术机器视觉技术是基于摄像机和图像处理算法实现对物体进行检测、识别和分析的一种技术。

在货物分拣系统中，可以通过摄像机捕捉货物的图像，然后使用图像处理算法进行特征提取和目标识别，从而实现对货物的分类和分拣。

2.2 深度学习模型深度学习是一种能够模拟人脑神经网络进行机器学习的技术，其通过多层次的神经网络模型，可以自动学习和提取图像的特征。

在货物分拣系统中，可以通过使用深度学习模型进行货物的识别和分类，从而实现智能分拣。

3. 系统设计3.1 硬件设计货物分拣智能系统的硬件部分主要包括摄像机、传感器和自动分拣装置。

摄像机用于捕捉货物的图像，传感器用于检测物体的位置和状态，自动分拣装置用于将货物进行分拣。

3.2 软件设计货物分拣智能系统的软件部分主要包括图像处理算法和深度学习模型。

图像处理算法用于对货物的图像进行识别和分类，深度学习模型用于训练和预测货物的类别。

4. 系统开发4.1 数据采集与准备在进行系统开发之前，需要收集并准备大量的货物图像数据作为训练集和测试集。

这些数据应涵盖不同种类的货物，并具有多样性和代表性。

4.2 模型训练与优化使用准备好的数据集，可以使用深度学习模型进行训练。

基于深度学习的装配零部件识别与定位方法
盛彬;王晨升
【期刊名称】《制造技术与机床》
【年(卷),期】2024()6
【摘要】工业4.0和中国制造强调智能化生产与装配,而在机床加工装配过程中存在装配零部件识别与定位精度低、效率低的问题。

因此,基于轻量化网络、注意力和信息融合机制,提出一种零部件识别与定位算法LAI YOLOv5。

首先,在YOLOv5网络结构中通过对卷积层进行轻量操作,有效解决神经网络参数量多、浮点运算量大、显存占用高和实时检测速度慢的问题;然后在主干网络中引入注意力机制,增加特征提取的倾向性,提升被检测物体的显著度;最后在特征融合网络中增加跨通道信息融合机制,增强特征检测能力。

实验结果表明:与原始算法相比,在模型结构方面,改进后的LAI YOLOv5算法参数量和网络层数分别减少了约45.98%和28.46%,浮点运算量减少了约55.82%,显存占用降低了15.51%,训练时间缩短约32.27%。

同时,训练精确度达到96.80%,训练覆盖率达到95.01%,实时检测效率提升至100.739 fps,检测准确率高达98.62%。

【总页数】8页(P44-51)
【作者】盛彬;王晨升
【作者单位】山西大同大学机电工程学院
【正文语种】中文
【中图分类】TP399
【相关文献】
1.基于深度学习的弱纹理图像关键目标点识别定位方法
2.基于深度学习的宽阔室内场景行人识别与定位方法
3.基于深度学习的人体行为识别与定位方法
4.基于点云深度学习的装配式构件尺寸参数识别方法
5.基于深度学习的架空输电线路异物定位识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度强化学习的智能货物分拣机器人系统设计与实现智能货物分拣机器人系统是指通过采用深度强化学习技术，实现对货物的智能分拣和搬运的机器人系统。

深度强化学习是一种结合了深度学习和强化学习的机器学习方法，通过模拟人类大脑的神经网络结构，让机器能够通过不断试错和奖惩机制来学习和改进自己的行为，从而实现自主决策和智能化操作。

在智能货物分拣机器人系统的设计与实现中，需要考虑以下几个关键问题：感知能力、决策能力和执行能力。

感知能力指机器人对环境和货物的识别和感知能力；决策能力指机器人对分拣过程中的决策能力；执行能力指机器人的动作执行和操作能力。

首先，为了使机器人能够具备感知能力，设计一个高效准确的视觉识别系统至关重要。

通过使用深度学习的图像识别算法，机器人可以对货物进行快速准确的分类识别。

例如，可以使用卷积神经网络（CNN）作为图像分类算法，并通过训练大量货物图像数据来提高识别的准确性。

其次，为了使机器人具备决策能力，可以采用深度强化学习算法来训练机器人的智能决策模型。

在这个过程中，可以使用强化学习的方法来确定机器人的动作策略。

例如，可以使用Q-learning算法来训练机器人的动作价值函数，从而使机器人能够根据当前状态选择最优的动作。

最后，为了使机器人具备执行能力，需要在机器人身体结构和控制系统设计上进行优化。

机器人身体结构的设计应该能够适应不同大小和重量的货物，并具备高效的搬运能力。

同时，机器人的控制系统应该能够实现快速准确的动作执行，例如通过PID控制算法来实现机器人的精确控制。

除了上述的基本设计要求，还可以考虑一些额外的功能和优化措施。

例如，可以加入环境感知和避障功能，使机器人能够避免碰撞和其他意外情况发生。

此外，可以结合云计算和物联网技术，实现对机器人系统的远程监控和管理，从而提高机器人的使用效率和可靠性。

在实际使用中，还需要进行大量的场景应用测试和优化，并逐步完善机器人系统的性能和稳定性。

例如，可以模拟不同的分拣场景，对机器人的感知、决策和执行能力进行测试和评估，根据实际情况对系统进行不断地改进和调优。

基于机器视觉的分拣机器人设计与研究一、概述随着科技的飞速发展，机器视觉技术日益成熟，并在各个领域展现出广泛的应用前景。

特别是在工业自动化领域，基于机器视觉的分拣机器人正逐渐成为提升生产效率、降低劳动成本的关键技术之一。

本文旨在深入探讨基于机器视觉的分拣机器人的设计与研究，分析其工作原理、系统架构、关键技术及应用前景，以期为相关领域的研究和实践提供有益的参考。

机器视觉技术通过模拟人类视觉系统，实现对目标物体的识别、定位与跟踪。

在分拣机器人中，机器视觉技术能够实现对不同形状、颜色、纹理等特征的物体进行快速准确的分拣。

随着深度学习算法的发展，基于机器视觉的分拣机器人在识别精度、适应性等方面不断提升，使其能够满足复杂多变的生产环境需求。

国内外众多研究机构和企业纷纷投入到基于机器视觉的分拣机器人的研发与应用中。

本文将对相关领域的研究成果进行梳理和分析，重点关注分拣机器人的硬件设计、软件算法以及实际应用案例。

通过对比分析不同方案的优缺点，本文旨在为分拣机器人的设计提供一套完整、实用的指导方案。

本文还将探讨基于机器视觉的分拣机器人在未来可能面临的技术挑战与发展趋势。

随着工业、智能制造等理念的深入人心，分拣机器人将在更多领域发挥重要作用。

对分拣机器人的设计与研究不仅具有理论价值，更具有重要的实践意义。

本文将对基于机器视觉的分拣机器人的设计与研究进行全面深入的探讨，以期为相关领域的研究和实践提供有益的参考和启示。

1. 分拣机器人的应用背景与意义随着科技的飞速发展，工业自动化和智能化已成为现代制造业的重要趋势。

在物流、仓储、生产线等场景中，分拣作业作为关键的一环，其效率与准确性直接影响到整个生产流程的顺畅度和成本。

传统的分拣方式往往依赖于人工操作，不仅效率低下，而且容易出错，同时面临着劳动力成本上升和人力资源短缺的问题。

研发一种能够自动、高效、准确地进行分拣作业的机器人，对于提升生产效率、降低生产成本、缓解人力资源压力具有重要意义。

基于深度学习的物体识别技术在工业机器人中的应用随着科技的发展，人工智能技术在工业生产中发挥着越来越重要的作用。

其中，基于深度学习的物体识别技术在工业机器人中得到了广泛的应用。

本文将围绕这个主题展开讨论。

一、深度学习的基本概念深度学习是一类机器学习算法，它通过构建深层人工神经网络来实现对复杂数据的自动学习和理解。

深度学习的基本思想是，通过不断地堆叠多个隐藏层来提高神经网络的表达能力，进而实现对复杂数据的高效处理和识别。

二、物体识别技术的应用场景物体识别技术是深度学习技术中的一个重要分支之一，它可以通过对图像、视频、声音等数据进行分析和处理，来实现对物体的快速、准确的识别和分析。

在工业机器人领域，物体识别技术有着广泛的应用场景，如：1. 自动化生产线中的零部件检测和分类。

2. 智能仓储管理中的货物识别和归类。

3. 机器人视觉导航中的障碍物识别和避障。

4. 工业品质检测中的缺陷识别和判定。

三、基于深度学习的物体识别技术的工作原理基于深度学习的物体识别技术主要依靠卷积神经网络（Convolutional Neural Network，简称CNN）来实现。

CNN是一种特殊的神经网络结构，它可以通过对图像中的特征进行卷积和池化操作，来提取出图像的特征信息，并将其映射到分类器中进行判别。

具体来说，其工作流程如下：1. 载入数据，并将其进行预处理，如归一化、裁剪、变形等。

2. 建立卷积神经网络的结构，包括卷积层、池化层、全连接层等。

3. 输入数据进入卷积层，进行卷积操作，提取出图像的特征信息。

4. 将卷积层得到的特征图进行池化操作，进一步提取出图像的不变特征。

5. 将池化得到的特征输入全连接层，进行分类判别。

6. 根据分类结果，输出相应的标签或置信度。

四、基于深度学习的物体识别技术的优缺点基于深度学习的物体识别技术相较于传统的物体识别技术而言，具有以下优点：1. 高准确率：深度学习的分类精度要远高于传统的分类算法。

基金项目：山西省应用基础研究计划青年科技研究基金项目（编号：２０１８０１Ｄ２２１２０１）作者简介：高海燕（１９８３—），女，晋中职业技术学院讲师，硕士。

Ｅ ｍａｉｌ：ｇｈｙ１９８３＠ａｌｉｙｕｎ．ｃｏｍ收稿日期：２０２３ ０２ ２６ 改回日期：２０２３ ０８ ３０犇犗犐：１０．１３６５２／犼．狊狆犼狓．１００３．５７８８．２０２３．６００６６［文章编号］１００３ ５７８８（２０２３）０９ ００８９ ０６基于改进ＰＳＯ ＳＶＭ的生产线分拣机器人罐装食品识别方法ＩｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｃａｎｎｅｄｆｏｏｄｆｏｒｐｒｏｄｕｃｔｉｏｎｌｉｎｅｓｏｒｔｉｎｇｒｏｂｏｔｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＰＳＯ ＳＶＭ高海燕１犌犃犗犎犪犻狔犪狀１　高晋阳２犌犃犗犑犻狀狔犪狀犵２　王伟成３犠犃犖犌犠犲犻犮犺犲狀犵３（１．晋中职业技术学院，山西晋中　０３０６００；２．中北大学，山西太原　０３００５１；３．山西农业大学，山西太原　０３００３１）（１．犑犻狀狕犺狅狀犵犞狅犮犪狋犻狅狀犪犾牔犜犲犮犺狀犻犮犪犾犆狅犾犾犲犵犲，犑犻狀狕犺狅狀犵，犛犺犪狀狓犻０３０６００，犆犺犻狀犪；２．犖狅狉狋犺犝狀犻狏犲狉狊犻狋狔狅犳犆犺犻狀犪，犜犪犻狔狌犪狀，犛犺犪狀狓犻０３００５１，犆犺犻狀犪；３．犛犺犪狀狓犻犃犵狉犻犮狌犾狋狌狉犪犾犝狀犻狏犲狉狊犻狋狔，犜犪犻狔狌犪狀，犛犺犪狀狓犻０３００３１，犆犺犻狀犪）摘要：目的：解决现有食品生产线分拣机器人目标识别方法存在的准确率差和效率低等问题。

方法：在对基于双目视觉食品分拣系统进行分析的基础上，提出了一种将改进的粒子群算法和支持向量机相结合用于食品分拣机器人的目标识别。

通过改进粒子群算法寻优支持向量机参数，获得优化的支持向量机分类模型，对全局特征和局部特征分别进行分类器训练，动态分配特征权重系数，得到最佳识别率。

通过试验分析所提方法的性能，验证其可行性。

结果：与常规方法相比，所提方法在食品分拣机器人的目标识别中具有较高的识别精度和效率，准确率为９９．５０％，平均识别时间为０．０４８ｓ，满足机器人的分拣需要。

基于机器视觉的工业机器人分拣技术研究目录1. 内容简述 (2)1.1 研究背景 (3)1.2 研究意义 (3)1.3 国内外研究现状 (4)1.4 本文研究内容与结构 (5)2. 机器视觉基础 (7)2.1 机器视觉的基本原理 (8)2.2 图像处理与模式识别 (10)2.3 机器视觉系统的构成 (11)3. 工业机器人技术 (12)3.1 工业机器人的发展历程 (14)3.2 工业机器人的工作原理 (14)3.3 工业机器人的控制技术 (16)4. 分拣技术概述 (17)4.1 分拣系统的分类 (18)4.2 分拣技术的发展趋势 (19)4.3 分拣系统的设计原则 (21)5. 基于机器视觉的工业机器人分拣系统 (22)5.1 机器视觉在分拣中的应用 (23)5.2 分拣算法与策略 (24)5.3 机器视觉分拣系统的设计与实现 (26)6. 分拣技术的研究与挑战 (27)6.1 图像获取与处理挑战 (29)6.2 识别与定位精度控制 (30)6.3 运动控制与协调 (31)7. 实验验证 (33)7.1 实验装置与环境 (34)7.2 算法实现与验证 (36)7.3 分拣效率与准确率分析 (37)8. 结果分析与讨论 (38)8.1 实验结果分析 (40)8.2 技术难点与解决方案 (42)8.3 改进措施与未来展望 (43)1. 内容简述本研究报告深入探讨了基于机器视觉的工业机器人分拣技术，详尽分析了该技术在现代工业生产中的重要作用和应用价值。

随着科技的飞速发展，机器视觉技术在工业自动化领域展现出巨大潜力，尤其是在工业机器人分拣方面。

报告首先概述了机器视觉的基本原理及其在工业机器人领域的应用背景，随后系统地介绍了基于机器视觉的工业机器人分拣技术的研发过程、关键技术以及实际应用案例。

通过对现有技术的剖析和对比分析，报告揭示了该技术在实际生产中的优势和局限性，并对未来发展趋势进行了展望。

报告还针对基于机器视觉的工业机器人分拣技术所面临的关键技术和挑战进行了深入讨论，包括图像处理算法的优化、机器人运动控制技术的提升、分拣系统的稳定性和可靠性增强等方面。

机器视觉及深度学习算法在自动分拣机的应用一、前言自动分拣机作为物流行业中不可或缺的一员，已成为加速物流处理、提高效率、降低成本的重要设备。

而随着机器视觉技术和深度学习算法的不断发展，其在自动分拣机中的应用也愈加广泛，为分拣行业的高效化、智能化提供了强有力的技术支持。

二、机器视觉在自动分拣机中的应用机器视觉技术的发展为自动分拣机的智能化提供了技术基础。

传统的自动分拣机主要依靠机械臂等设备进行简单分类，而机器视觉技术则可以使自动分拣机更加精准地进行分类和检测。

自动分拣机通过光电传感器、摄像头等设备实时监测运动状态和物品属性信息，利用机器视觉算法进行图像识别和图像处理，将检测出来的信息与预设的目标进行比较，从而判断哪些物品需要分拣。

机器视觉技术的应用使得自动分拣机的运行更加智能、高效。

三、深度学习算法在自动分拣机中的应用深度学习算法是机器学习中的一种，是通过多层神经网络模拟人类对任务进行分析和处理的过程。

在自动分拣机的应用中，深度学习算法可以实现更加复杂的任务，如物品的辨识和分类、物品的尺寸、形状、颜色等特征的分析。

自动分拣机通过摄像头等设备获取物品信息，将其输入深度学习算法模型中进行处理。

深度学习算法模型提取和分析物品的特征信息，最终进行物品的自动分类。

深度学习算法的应用使得自动分拣机处理能力更强、精度更高。

四、机器视觉和深度学习算法在自动分拣机中的优势1. 高精度机器视觉技术和深度学习算法都是基于图像识别和图像处理的技术，具有高精度的特点。

智能分拣机在进行分拣传输时，利用这些技术可以识别每个物品的形状和尺寸，准确地实现分拣，大大提高了分拣的精度。

2. 高效性机器视觉技术和深度学习算法都具有高效的特点，可以快速地识别物品，大大提高了自动分拣机的作业效率。

与传统的机械分拣方式相比，机器视觉技术和深度学习算法可以帮助自动分拣机实现更快、更高效的分拣速度。

3. 灵活性机器视觉技术和深度学习算法可以根据不同物品的属性进行灵活处理，能够识别不同形状、不同尺寸、不同颜色的物品，并相应地进行处理和分类，提高了 machine machine 的适应性。

基于机器视觉的工业机器人分拣系统设计摘要：进入二十一世纪，在我国快速发展下，带动了科学技术水平的进步，本文针对使用传统离线或示教编程方式工业机器人无法开展复杂分拣环境作业任务的问题，以ABB工业机器人、OMRON机器视觉、西门子S7-1200PLC等为硬件基础，搭建了基于机器视觉的工业机器人分拣系统平台。

视觉系统通过识别二维码实现对物块的分类，以工业机器人控制器作为服务端、视觉控制器为客户端，采用TCP/IP协议建立Socket通信，将分类信息传递给工业机器人控制系统，从而引导机器人完成物块的抓取和分类搬运。

实验结果表明，基于机器视觉搭建的工业机器人分拣系统定位精度和准确度高，可满足工业自动化生产的需求。

关键词：机器视觉；工业机器人；Socket通信；二维码；分拣引言随着制造业的快速发展，特别是伴随着工业机器人技术的日趋成熟，码垛作业越来越趋向于自动化。

工业机器人通过本体、末端执行装置等部位的协调运动，能够将物料按照规定要求码放到合适位置，效率高，安全性高，应用越来越广泛。

但是，在实际生产中，由于各种因素影响，采用机器人示教编程实现码垛时，一旦工作环境发生变化，往往会出现错位、物料摆放位置不准确等问题。

这就要求码垛机器人能够实时获取物料实际位置，并能够进行自动调整和修正。

1基于机器视觉的工业机器人工作站系统组成基于机器视觉的工业机器人工作站系统由机器视觉模块、机器人模块、S7-1200PLC控制模块、物料供给与传送模块和人机界面模块等组成。

物料从供给机构输出，经过传送带送到机器视觉模块拍照位，相机对物料进行拍照，由机器视觉模块对照片进行处理，处理后的照片颜色、位置等数据由机器视觉模块传给S7-1200PLC，再由S7-1200PLC系统传给工业机器人；当工业机器人收到S7-1200PLC传来的颜色、位置等数据后，工业机器人将传送带上的物料进行搬运、分拣、码垛操作，放到由机器人程序设定的位置。

2分拣系统方案设计2.1、Socket通信Socket通信可以称为套接字，是一种基于客户端/服务器模型的通信方式，可以实现两个不同主机上应用程序之间的双向通信。

计算机仿真2020年6月第37卷第6期文章编号：1006 -9348(2020)06 -0314 -04基于深度学习的分拣机器人目标智能定位仿真马晓明，张志利，高慧敏(天津中德应用技术大学智能制造学院天津300350)摘要:针对当前机器人目标定位方法存在准确率低、耗时长的问题，提出基于深度学习的分拣机器人目标智能定位方法。

采 集机器人工作环境图像，根据亮度均值下幂次变换法改进亮度图像空间对比度，利用HSI彩色图像空间序列和类间方差法 相结合选取出最佳分割阈值，实现机器人工作环境图像分割。

将分割结果引人至机器人目标定位中，将深度学习网络划分 为指纹向量、隐藏层和输出层。

基于稀疏自动编码器通过一个三层神经网络训练获取相应层次权值与偏移量，并将训练获 取的权值与偏移量当作各个层次参数初始化值。

在稀疏自动编码器上增加softmax分类器，对最顶层编码层输出数据进行 softmax回归，利用法向传播实现深度学习网络参数进一步训练。

将分类层权重值和隐藏层权重值进行微调并结合，得到似 然函数最大时深度学习网络中所有参数取值，以此获取目标分类定位结果。

实验结果表明，上述方法定位准确率高、实时 性强。

关键词:深度学习；分拣机器人；目标定位中图分类号:TP391 文献标识码：BTarget Intelligent PositioningSimulation of Sorting Robot Based on Deep LearningMA Xiao - ming,ZHANG Zhi - li ,GA0 Hui - min(Intelligent Manufacturing College, Tianjin Sino - German University of Applied Sciense, Tianjin 300350, China)ABSTRACT ： Aiming at the problem that the current robot target positioning method has low accuracy and long tim e,a target intelligent positioning method based on deep learning is proposed. The image of the working environment ofthe robot was collected, and the spatial contrast of the luminance image was improved according to the power mean transform method. The HSI color image space sequence and the inter - class variance method were combined to select the optimal segmentation threshold to realize the image segmentation of the robot working environment. The segmenta­tion result was introduced into the robot target location, and the deep learning network was divided into a fingerprint vector, a hidden layer, and an output layer. Based on the sparse autoencoder, the corresponding hierarchical weights and offsets were obtained through a three - layer neural network training, and the weights and offsets obtained by the training were regarded as initialization values of the respective hierarchical parameters. The Softmax classifier was added to the sparse autoencoder, the Softmax regression was performed on the output data of the topmost coding lay­er, and the deep learning network parameters were further trained by the normal propagation. The classification layer weight value and the hidden layer weight value were fine - tuned and combined to obtain the values of all the parame­ters in the deep learning network when the likelihood function was maximum, so as to obtain the target classification and positioning result. The experimental results show that the method has high positioning accuracy and strong real -time performance.K EY W O R D S：Deep learning；Sorting robot；Target positioning基金项目：天津市高等学校创新团队培养计划资助（TD13 -5094);天津市重点研发计划科技支撑重点项目（S18ZC58678 );天津中德应用技术大学科技培育重点项目（zdkt2019 -006)收稿日期:2019-01 -10—314—1引言机器人利用图像识别技术完成视觉系统目标定位作业，是高科技发展的成果EU。

基于机器视觉的工业机器人分拣技术研究
牟海荣
【期刊名称】《科技创新与应用》
【年(卷),期】2014(000)016
【摘要】机器人分拣技术一直受到业内人士的广泛关注。

为探讨该技术的特性，文章基于机器视觉搭建一个工业机器人分拣技术平台，并将其做而已实验系统，着重探讨了机器人在相机静止-目标自静止，相机静止-目标运动两种情况下的分拣技术特点，得出相关结论，供同行参考借鉴。

【总页数】1页(P55-55)
【作者】牟海荣
【作者单位】广州城建职业学院，广东从化 510925
【正文语种】中文
【相关文献】
1.基于机器视觉的物料分拣工业机器人技术研究
2.基于机器视觉的分拣工业机器人关键技术研究
3.基于机器视觉的工业机器人分拣技术研究
4.基于机器视觉的工业机器人分拣技术研究
5.基于机器视觉的工业机器人分拣技术研究
因版权原因，仅展示原文概要，查看原文内容请购买。