基于图像识别的机械臂分拣系统的设计与实现.docxVIP

PAGE 4 摘 要 　　本系统是基于图像识别的机械臂分拣的系统将K210芯片和YOLO算法结合在一起，提高图像识别的识别效率，加快系统的分拣时间。可以提高工厂的生产效率，减少人力；也可以进行垃圾的自动识别与分拣，提高效率。对于未来能够使用机械臂自动分拣物品的手段运用于工业、智能设备分类、医药研发等多领域有很大的作用。　　该文针对机器臂的自动分拣技术立了一套基于图像识别的机械臂分拣系统的设计与实现。K210芯片是一个集成了机器视觉和机器听觉的片上系统，采用双核64位处理器，2.4 寸 TFT，加快图像识别处理速度。YOLOV3-tiny在 YOLOv3的基础上去掉了一些特征层，只保留2个独立预测分支，提高运算速度和减少内存占比。六轴机器臂3个主轴（基本轴）用以保证末端执行器达到工作空间的任意位置，3个次轴（腕部轴）用以返回实现末端执行器的任意空间姿态。提高了抓取的精度，和加大了抓取的空间。基于设计基于图像处理和深度学习的识别算法和基于K210 芯片芯片处理速度的加速以实现机器臂的自动抓取的检测识别。本系统可以实现机械臂的智能运动。 关键词：图像识别；YOLO算法；K210 芯片；机器臂 第1章 绪论 1.1 背景 1.1.1 图像识别研究现状（国内外研究现状） 　　图像识别技术发展至今，一共经历了三个阶段。①文字识别阶段;②图像处理与识别阶段;③物体识别阶段。目前，图像识别领域的重点研究方向是物体识别中的分类识别，目前已经广泛应用于安防领域、交通领域以及互联网领域，物体分类识别主要以特征学习为主。　　检测需要对目标进行分类，对目标进行定位，分类需要高层的语义特征，而定位要图片的细节信息，在该方法中使用跨层的特征融合得到多尺度的特征，得到的卷积特征可以很好的适用于检测。2018年4月，再次提出了YOLO tiny v33算法，与YOLO 9000算法相比，该算法采用残差网络模型Darknet 53进行特征提取，并且利用特征金字塔网络实现多尺度检测。同时，通过分析数据集中目标的分布情况，修正anchor box，使得anchor box更加符合目标尺寸，增强了收敛效果。在Pascal VOC数据集上的实验表明，在不影响检测速度的情况下，YOLO tiny v3准确率提高了1个百分点左右，且收敛速度变快，这使YOLOv3的目标检测能力进一步提升。 1.1.2 基于图像识别的机器臂分拣的研究现状 　　通过在工业机器臂分拣技术中应用机器视觉来识别和定位工件,机器臂在接收到摄像机传输过来的工件坐标以后就可以由机器臂完成分拣工作。在工业生产线上分拣技术发挥着非常重要的作用,通过机器视觉技术能够有效地提升生产效率,改善产品质量。 　　图像识别的机械臂分拣的研究随着科技的发展日臻完善，视觉识别系统作为分拣机器臂的一部分，其目标检测的速度、准确率以及对周边环境的适应能力对机器臂的工作效率和工作时长有较大影响。稳定的目标识别可以让机器臂长时间地工作，压缩劳动成本，提高生产效率。一个能够在不同环境下进行分拣作业的机器臂对提升工厂的生产力有较大的应用价值和现实意义。 　　本系统提出用 YOLO tiny v3 神经网络来实现复杂环境下物体的识别，在不影响精度的情况下压缩网络规模来加快检测速度，在不同地点、不同环境、不同光线等干扰场景下分别进行网络的识别试验，以期检测网络效果，并且在 CPU 和 GPU 配置下进行试验以验证能否达到实时的要求。 1.1.3 K210 芯片芯片研究现状 　　作为嘉楠科技自主研发的边缘侧AI芯片,勘智K210 芯片兼具高能耗比和灵活性。在算力方面,勘智K210 芯片可在0.3W的条件下提供1TOP的算力支持,充分适配在多数业务场景中低功耗约束下的算力需求。 　　在芯片集成度方面,勘智K210 芯片采用视听一体化设计。在机器视觉上,芯片基于自主研发的神经网络加速器 KPU,可完成基于神经网络的图像分类任务,进行人脸识别与检测,以及实时获被检测目标的分类。在听觉能力上,芯片自带APU语音处理单元,最高可支持8路音频数据及16个方向,无需占用CPU即可实现声源定向、声场成像、波束形成、语音识别与唤醒等功能。 　　在算法定制化方面,勘智K210 芯片在可编程能力上呈现出更高的灵活性。首先,相比ARM等架构,勘智K210 芯片采用RISC-V架构,拥有更强的可定制化能力,便于开发者根据具体应用场景定制算法。其次,芯片搭载FPIOA现场可编程IO阵列,支持TensorFlow、Keras、Darknet、PaddlePaddle和Caffe等主流AI编程框架,以及全面的开发文档,对开发者十分友好。 1.2 关键技术介绍 1.2.1 图像识别定位关键技术介绍 　　图像识别是指通过存储的信息与当前的信息进行比较实现对图像的识